Как геопространственные данные меняют способы управления окружающей средой

Доктор Michael Flaxman, директор Geodesign Technologies (www.geodesigntech.com), представляет три примера того, как используются новые доступные геопространственные данные (оригинал статьи опубликован на сайте www.gislounge.com).

Сегодня мы затоплены данными. Шланг был широко открыт благодаря потоку подключенных устройств, которые генерируют данные с невероятной скоростью — без признаков замедления. По оценкам исследований, к 2025 году в мире будет создаваться почти 463 эксабайта данных каждый день. Большая часть этих новых данных имеет геопространственную составляющую, то есть содержит информацию, которая идентифицирует конкретное географическое местоположение. Традиционно геопространственные данные в основном использовались военными. Однако сегодня использование геопространственной информации резко возросло и охватило практически все отрасли, поскольку все больше и больше рынков открывают для себя новые уровни понимания, которые она может предоставить. Каковы некоторые из способов использования этих ставших недавно доступных геопространственных данных? Вот три примера: от снижения риска стихийных пожаров до планирования будущего спроса на ресурсы.

1. Визуализация и анализ временных пространственных данных: планирование будущих потребностей в воде

Водная инфраструктура очень дорогая, что делает правильное определение ее размера главной проблемой. Недавно Geodesign Technologies использовала аналитическую платформу OmniSci (www.omnisci.com) чтобы обобщить тридцатилетние исторические данные, которые связывают потребность в воде с плотностью зонирования и типами зданий для зоны обслуживания района управления водными ресурсами Южной Флориды (SFWMD). В рамках проекта Национального научного фонда «Вода, устойчивость и изменение климата» был разработан набор сценариев открытого пространственного планирования, в которых модели климата сочетаются с прогнозируемым ростом городов. Такие пространственные сценарии могут быть использованы для планирования будущего спроса на воду по мере роста городов и регионов, а также для целенаправленных программ стимулирования управления спросом на воду для повышения устойчивости при одновременном снижении затрат.

Обычные методы прогнозирования спроса на воду основаны на изучении потребления воды на душу населения в историческом разрезе. Однако, используя спутниковый мониторинг, мы узнаем, что потребление воды на человека в значительной степени варьируется в зависимости от местоположения, причем примерно половина потребления воды связана с использованием приусадебных участков. Пара, живущая в доме с большим участком, не использует столько же воды, сколько пара, живущая в квартире, даже если у них такой же размер семьи и доход. Новые варианты жилья часто включают в себя разнообразные водосберегающие технологии, а данные о строительстве или крупных перестройках жилья также являются основными прогностическими факторами. Мы также знаем, что изменение климата уже влияет на спрос на воду и, вероятно, окажет еще более сильное влияние на срок службы инфраструктуры, которая строится сегодня.

Что помешало специалистам по планированию использования воды создать более точные модели? Оказывается, что проблема не в нехватке данных, а в объединении разнообразных, больших новых источников данных вместе. Коммунальные компании сегодня имеют доступ к «умным счетчикам», открыто доступным спутниковым данным, которые напрямую измеряют использование воды вне помещений. Суть в том, что данные о спутниковых и климатических моделях огромны как в пространстве, так и во времени, что требует новых методов их визуализации и анализа. Например, зона обслуживания SFWMD включает 6,9 млн участков. Такой инструмент, как OmniSci, может помочь найти шаблоны или определить конкретные события в данных, которые слишком велики для визуального изучения. Часто способность просматривать данные за десятилетия и наблюдать аномальное поведение имеет основополагающее значение для интегрированного моделирования спроса на воду.

2. Оценка риска стихийных бедствий с использованием больших данных

Впервые в истории мы теперь знаем местонахождение каждой отдельной структуры в США. В качестве демонстрации своего мастерства машинного обучения Microsoft выпустила общедоступный набор данных из 125 миллионов полигонов. Эффекты этого вклада только начинают проясняться, но могут стать преобразующими для планирования чрезвычайных ситуаций и стихийных бедствий. Раньше общедоступные наборы данных, такие как данные переписи населения США, включали только совокупное количество населенных мест с гораздо более грубым пространственным разбросом и не включали расположения бизнес-объектов. Это привело к плохому пониманию риска, особенно к срыву бизнеса и в сообществах с меньшей плотностью. Тем не менее, как показали недавние стихийные бедствия в США, бедствия, поражающие каждую из этих областей, являются общими и дорогостоящими.

Что мы можем узнать из более точного понимания, где люди действительно живут и работают? Для начала, мы можем и должны переоценить риск наводнения, который является и самой дорогой, и самой распространенной формой ущерба. Традиционно усилия США в основном сосредоточены на картировании «100-летних» наводнений и поощрении лучших практик в этих местах. Тем не менее, становится все более очевидным, что будущие усилия должны будут смотреть более широко — и динамично — на риск наводнений.

Американский стартап EcoAcumen предоставляет правительствам графств продукты с «динамической картой наводнений», основанные на предварительно рассчитанных покрытиях и данных «высота над ближайшим дренажом» («HAND») для каждой структуры. Это можно комбинировать с данными о погоде и влажности почвы в режиме реального времени, чтобы получить оценки наводнений, основанные на текущих условиях, а не просто исторические средние значения. Это важно, потому что изменение климата приводит к ураганам, которые часто более интенсивны, чем «расчетные ураганы», используемые в обычном картографировании. Подвох в том, что он также требует значительных вычислительных ресурсов. Рассмотрим изменения по сравнению с обычной практикой только с точки зрения ввода данных. Вместо одного «расчетного урагана» используются фактические данные об осадках с обновлениями каждые 6 минут со спутников GOES NOAA. Вместо того, чтобы оценивать сток один раз каждые 20 лет или около того на основе «средней» влажности почвы, EcoAcumen переоценивает его каждые 2–5 дней на основе обновлений спутниковых данных. Точно так же они измеряют земной покров с ежемесячными обновлениями с разрешением 10 м, тогда как традиционные исследования основываются на данных в 30 м, обновляемых каждые 5 лет.

Тенденция в объемах данных и частоте их обновления ясна — более точные и полезные данные планирования стихийных бедствий потребуют перехода от одноразового анализа, основанного на единственном «типичном экстремуме», к непрерывному мониторингу окружающей среды. Такие инструменты, как OmniSci, предоставляют уникальную среду для анализа и распространения, демократизируя доступ к вычислительным возможностям и возможностям визуализации, необходимым для существенного улучшения готовности к стихийным бедствиям.

3. Обработка миллионов точек лазерного сканирования: определение зарастания территорий вокруг линий электропередачи для обеспечения безопасности при пожарах

Лазерное сканирование с наземных и воздушных датчиков  используется для исследования поверхности Земли. Эти датчики работают как летучие мыши, отправляя сигнальные импульсы и измеряя расстояния на основе времени возврата сигнала. В настоящее время эти лазерные сканеры достаточно дороги. Однако, поскольку технология все чаще применяется для использования в автомобилях с автономным управлением, цены начинают быстро падать. Данные лазерного сканирования могут быть полезны во многих отношениях. Например, можно измерять высоту здания или высоту деревьев на обширных территориях. Эта технология также может помочь в борьбе с некоторыми рисками, связанными с изменением климата. Изменение климата и рост населения вызвали повышенный риск для сообществ от катастрофических лесных пожаров, и, чтобы помочь смягчить эти риски, коммунальные предприятия должны определить уязвимые районы и уделить приоритетное внимание управлению растительностью. Данные лазерного сканирования могут помочь в этом, измеряя горизонтальный вегетативный зазор между сегментов линии электропередачи. Визуализация уровней роста растительности, а также здоровья растительности в интерактивном инструменте может помочь коммунальным предприятиям определить области риска лесных пожаров.