Más

¿Elimina puntos incorrectos (no terrestres) de los datos LiDAR?

¿Elimina puntos incorrectos (no terrestres) de los datos LiDAR?


Tengo puntos lidar terrestres, puntos lidar no redondos y puntos lidar de árbol.

El problema es que algunos de los puntos lidar terrestres son incorrectos. Por ejemplo, los valores de elevación más altos de árboles y edificios no superan los 200, pero algunos puntos en los puntos LIDAR terrestres superan los 300.

así que quiero eliminar los puntos superiores a 200 y reemplazarlos con los valores circundantes en los datos lidar terrestres.

¿Alguna ayuda?


Parece que primero necesitas un DEM de tierra. En SAGA, puede importar la nube de puntos, convertirla en una cuadrícula mientras extrae puntos terrestres y luego rellenar los espacios con interpolación.

Luego, haga lo mismo cuadriculando los puntos de elevación máxima + rellene los espacios. Esto producirá el DSM (modelo de superficie digital).

Cree una máscara tomando un subconjunto (extracto) de su DSM mayor que 200. Reclasifique a ráster binario 0/1.

Reclasifique todos los puntos> 200 en DSM a cero.

Multiplique su ráster DEM por su ráster binario y agréguelo a su DSM (cálculo de ráster).

Si está familiarizado con python / numpy, los últimos 3 pasos se pueden realizar de la siguiente manera:

máscara = dsm> 200 dsm [máscara] = ground_dem [máscara]

Si tiene puntos LiDAR, asumiré que está trabajando con un archivo LAS. Andre Silva planteó el punto útil de que una solución sólida a este problema no requeriría datos previamente clasificados, por lo que estoy proporcionando esta solución alternativa. Dado que sus puntos fuera del terreno están a unos cien metros por encima de la superficie del suelo (posiblemente aves si es LiDAR en el aire), tendrán ángulos descendentes máximos locales extremadamente altos (es decir, el ángulo máximo entre un punto y cualquier punto inferior), muy cerca de los 90 grados en la mayoría de los casos. Dependiendo de la rugosidad de su terreno, los puntos del terreno terrestre tendrán ángulos descendentes máximos mucho menos profundos. Incluso en entornos montañosos, el ángulo máximo de pendiente es generalmente mucho menor que 85-90 grados. Por lo tanto, sugeriría usar un umbral de esta métrica como base para eliminar sus puntos falsos. Este es el enfoque descrito por primera vez por Vosselman (2000) y Sithole (2001) y tiene la ventaja de no requerir ninguna información de clasificación adicional. He desarrollado una herramienta en las herramientas de análisis geoespacial GIS Whitebox gratuitas y de código abierto, de la que soy desarrollador, llamada Aislar puntos de tierra.

Vosselman, G. 2000. Filtrado basado en pendientes de datos altimétricos láser. Archivos internacionales de fotogrametría y teledetección, 33 (parte 3B), 935-942.

Sithole, G., 2001. Filtrado de datos altimétricos láser utilizando un filtro adaptativo de pendiente. Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial, 34 (parte 3 / W4), 203-210.


Software y estándares abiertos en el ámbito de la tecnología de escaneo láser

Esta revisión tiene como objetivo introducir la tecnología de escaneo láser y proporcionar una descripción general de la contribución de los proyectos de código abierto para respaldar la utilización y el análisis de datos de escaneo láser. La tecnología Lidar está abriendo nuevas fronteras en el mapeo y levantamiento de datos topográficos. La comunidad de código abierto ha apoyado esto proporcionando bibliotecas, estándares, interfaces, módulos hasta el software completo. Estas soluciones abiertas brindan a los científicos y usuarios finales herramientas valiosas para acceder y trabajar con datos LIDAR, fomentando nuevas investigaciones de vanguardia y mejoras de los métodos existentes.

La primera parte de este trabajo proporciona una introducción sobre los principios del escaneo láser, con referencias para lectura adicional. Le siguen las secciones que informan, respectivamente, sobre estándares abiertos y formatos para datos lidar, herramientas y, finalmente, soluciones basadas en la web para acceder a datos lidar. No tiene la intención de proporcionar una revisión exhaustiva del estado del arte con respecto a la tecnología lidar en sí, sino de proporcionar una descripción general de los kits de herramientas de código abierto disponibles para que la comunidad acceda, visualice, edite y procese nubes de puntos. Se proporciona una gama de funciones de código abierto para el acceso y el análisis de datos LIDAR, proporcionando una descripción general de lo que se puede hacer con alternativas a las soluciones comerciales de extremo a extremo. También se discuten los estándares y formatos de datos, mostrando cuáles son los desafíos para almacenar y acceder a nubes de puntos masivas.

Los deseos son proporcionar a los científicos que aún no han trabajado con datos LIDAR una descripción general de cómo funciona esta tecnología y qué herramientas de código abierto pueden ser una solución válida para sus necesidades en el análisis de dichos datos. Es de esperar que los investigadores que ya están involucrados con datos LIDAR obtengan ideas sobre cómo integrar y mejorar su flujo de trabajo a través de soluciones de código abierto.


3. Recopilación de datos

  • Fortalecimiento de los procesos y la calidad de la recopilación de datos al tiempo que se estandarizan los formatos para mejorar el análisis mediante la cooperación interdepartamental.
  • Desarrolló métodos integrales de recopilación de datos y prácticas estándar.
  • Desarrollo de procesos de recolección de datos para el proyecto Automated Lands.
  • Se brindó apoyo al proyecto según sea necesario, como la creación de mapas de campo, preparación de datos y capacitación sobre métodos de recopilación de datos de campo.
  • Asistencia con la recopilación de datos, soporte de campo GIS y muestreo ambiental en un sitio de investigación de rehabilitación de cuarenta millas.
  • Recopilación de datos de campo para su uso en mapas del proyecto con el fin de obtener varios tipos de permisos de minería.
  • Documentar el procedimiento de operación y las mejores prácticas, incluido el diseño, la recopilación de datos, la documentación y la implementación.
  • Diseñé formularios de recopilación de datos e informes de paquetes en las entradas validadas de Access y proporcionó revisión de control de calidad.
  • Diccionarios de datos preparados y desarrollados para dispositivos de recopilación de datos PDA y aplicaciones creadas para la recopilación de datos de campo.
  • Actuó como contacto principal con el cliente durante la recopilación de datos de señales de tráfico de la ciudad de Chicago y la creación de mapas.
  • Recopilación de datos de campo, ingreso de datos espaciales / descriptivos, elaboración de mapas y generación de informes.
  • Recopilación de datos de campo utilizando ArcCollector y mapeo para respaldar el proyecto piloto SADES RSMS.
  • Realicé inmensas cantidades de recopilación de datos en todo Louisiana para el Proyecto de Mitigación de Riesgos.
  • Desarrollar soluciones de recopilación de datos y mapeo web para técnicos de campo.
  • Realizar sesiones de formación sobre nuevas tecnologías de recopilación de datos y SIG.
  • Consultado sobre las metodologías de recopilación de datos de Iroquois Pipeline GIS.
  • Realización de tareas de recopilación de datos de diversas fuentes.
  • Desarrollar métodos de recopilación de datos de campo SIG.
  • Formularios desarrollados para la recopilación de datos de campo.
  • Trabajo de campo realizado, incluida la recopilación de datos.

FME y datos espaciales

FME para la integración de datos espaciales

Si bien existen muchas herramientas y software que pueden ayudarlo a hacer uso de los datos espaciales, FME es el software de elección para aquellos que necesitan integrar sus datos espaciales. Safe Software y FME surgieron debido a este problema exacto. Los datos espaciales varían ampliamente y, a menudo, están atascados en formatos que no pueden ser utilizados fácilmente por todas las aplicaciones, lo que dificulta enormemente a los expertos en SIG hacer uso de toda la información que tienen. Si bien era posible transformar formatos propietarios en el pasado, muchos de los datos se perderían en la conversión. Así nació FME.

¿Qué es FME?

FME es reconocida como la plataforma de integración de datos con el mejor soporte para datos espaciales en todo el mundo. Sin embargo, puede manejar mucho más que solo datos espaciales y puede ser utilizado fácilmente por profesionales de TI y de negocios. FME admite más de 450 formatos, lo que la convierte en una herramienta de integración de datos flexible para quienes se ocupan de una gran variedad de formatos de datos.

Safe Software, los creadores de FME, son líderes en el mundo de la tecnología que se esfuerzan por mantenerse un paso por delante de las tendencias de integración de datos. FME se actualiza continuamente para garantizar que se haya adaptado para admitir nuevos formatos de datos, versiones actualizadas de formatos de datos y grandes cantidades de datos. Se acabó la idea de que los departamentos individuales deben trabajar en sus silos de datos, con estructuras de TI que limitan el potencial de la empresa para trabajar realmente como uno solo. Los datos deben poder fluir libremente sin importar dónde, cuándo o cómo se necesiten.


Resumen

Este estudio ha aplicado una técnica integrada de escaneo láser aerotransportado (ALS) y sistemas de información geográfica (GIS) para estimar los daños a los árboles urbanos causados ​​por una tormenta de hielo que afectó a la ciudad de Norman, Oklahoma entre el 8 y el 11 de diciembre de 2007. Pre- y Los datos de ALS posteriores a la tormenta se recopilaron y procesaron utilizando SIG. Los datos de ALS anteriores a la tormenta se utilizaron para crear un modelo de elevación digital (DEM) y el modelo de superficie digital anterior a la tormenta (DSM), mientras que el DSM posterior a la tormenta se creó a partir de los datos de ALS posteriores a la tormenta. Los DEM se restaron de los dos DSM para crear los modelos de altura del dosel (CHM) previos y posteriores a la tormenta. Luego, los árboles individuales y agrupados se separaron utilizando una combinación de Koukoulas y Blackburn y algoritmos de extracción de árboles máximos locales. Finalmente, se calcularon las diferencias en la altura y el diámetro del dosel entre los CHM antes y después de la tormenta dentro de los árboles extraídos para medir el daño. Los resultados mostraron que aproximadamente el 9% de los árboles urbanos estaban completamente dañados, mientras que casi el 6% no sufrió ningún daño. También mostró que el daño a los árboles por las tormentas de hielo variaba según las especies y que Acer saccarinum, Acer saccharum Marsh, Ulmus americana, y Ulmus pumila eran más vulnerables mientras Platanus occidentalis y Quercus palustris fueron las especies de árboles más resistentes a la tormenta de hielo. Cuando se comparó con los datos de referencia del suelo, se encontró que la metodología propuesta puede detectar la altura del árbol / daño del tallo con & gt81% de precisión en comparación con & gt42% de precisión en la evaluación de daños al dosel. Una vez que se recopilan los datos de ALS después de un desastre, la metodología puede proporcionar una estimación rápida del daño a los árboles urbanos y, por lo tanto, ser útil para los planificadores urbanos. También se puede utilizar para crear inventarios detallados de la altura de los árboles de los bosques urbanos y monitorear su crecimiento y cambios para mejorar su sostenibilidad a largo plazo.


¿Elimina puntos incorrectos (no terrestres) de los datos LiDAR? - Sistemas de Información Geográfica

Connecticut 2 FT Contours datos digitales vectoriales

Estado de Connecticut, Departamento de Protección Ambiental

Los contornos Connecticut 2 FT se utilizan para representar la elevación del suelo a intervalos de 2 pies o más. Cada línea de contorno representa una línea de igual elevación e indica el relieve de la superficie cuando se usa con otra información como fotografía aérea, suelos, geología o hidrografía.

Vaya a http://clear.uconn.edu para obtener información adicional sobre los productos de datos derivados de LiDAR generados a partir de la cobertura LiDAR estatal de Connecticut en 2000. Fecha de recogida 2000

Ninguno planeado -73.742172 -71.781370 42.052611 40.979908 Categoría de tema ISO 19115 elevación, medio ambiente ninguno contornos, LiDAR

Departamento de Comercio de EE. UU., 1987, Códigos para la identificación de los estados, el Distrito de Columbia y las áreas periféricas de los Estados Unidos y áreas asociadas (Estándar federal de procesamiento de información 5-2): Washington, DC, Instituto Nacional de Estándares y Tecnología.

Howie Sternberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford CT

EE. UU. 860-424-3540 860-424-4058 [email protected] De lunes a viernes, de 08:30 a 16:30, hora estándar del este

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview2ft.gif
Vista detallada de los contornos de 2 pies mostrados a una escala aproximada de 1: 2000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview2and10ft.gif
Vista detallada de los contornos de 2 FT con un intervalo de contorno de 10 FT más amplio que se muestra a una escala de aproximadamente 1: 5,000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview10and50ft.gif
Vista detallada de contornos de 10 FT con un intervalo de contorno de 50 FT más amplio que se muestra a una escala de aproximadamente 1: 10,000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview20and100ft.gif
Vista detallada de contornos de 20 pies con un intervalo de contorno de 100 pies más amplio que se muestra a una escala de aproximadamente 1: 24,000
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview50and100ft.gif
Vista detallada de los contornos de 50 pies con un intervalo de contorno de 100 pies más amplio que se muestra a una escala de aproximadamente 1: 35.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview100ft.gif
Vista detallada de contornos de 100 pies mostrados a una escala aproximada de 1: 70.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourfullview100ft.gif
Vista completa de los contornos de 100 pies. Esta imagen se incluye para mostrar el área de cobertura de contornos de 2 pies, que es la misma área para contornos de 100 pies.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdatagapexample.gif
Vista detallada de un área donde los contornos son incorrectos debido a lagunas esporádicas en los datos LiDAR subyacentes utilizados para generar las características de la línea de contorno. Ésta es una limitación conocida de los datos de 2000 LiDAR. Los contornos son incorrectos en áreas donde, en relación con los contornos cercanos, parecen demasiado rectos y angulares, no se curvan naturalmente como se esperaba o no existen donde probablemente deberían. En estas áreas, el software carecía de suficientes datos de elevación del suelo para generar correctamente los contornos.
GIF Aero-Metric, Inc. de Sheboygan Wisconsin fue contratado por el estado de Connecticut para proporcionar la encuesta aérea estatal de 2004 de Connecticut. Los entregables del contrato incluyen ortofotos digitales, dos juegos de impresiones no rectificadas para visualización estereoscópica, índices fotográficos y datos LiDAR. Todas las imágenes y los productos de datos de 2004 Statewide Aerial Survey se definen bajo el número de adjudicación de contrato del estado de Connecticut RFP-990-A-14-0518-C (con fecha del 22 de febrero de 2000), incluido el suplemento de adjudicación de contrato # 1 (con fecha del 28 de febrero de 2002) , suplemento de adjudicación de contrato # 2 (de fecha 4 de noviembre de 2004), suplemento de adjudicación de contrato # 3 (de fecha 26 de noviembre de 2004) y suplemento de adjudicación de contrato # 4 (de fecha 13 de mayo de 2005). TerraPoint LLC de Woodlands Texas fue subcontratado para crear un conjunto de datos LIDAR en todo el estado de Connecticut. A través de la financiación del Connecticut Joint Highway Research Council, proyecto JH07-02, el profesor asociado Thomas Meyer de la Universidad de Connecticut, la Facultad de Agricultura y Recursos Naturales, el Departamento de Recursos Naturales y el Ambiente. Estos productos de datos derivados incluyen nubes de puntos en mosaico, TINS, DEM y archivos de formas de contorno disponibles en el área de cuadrilátero cuarto cuarto topográfico del USGS. CT DEP posteriormente agregó los shapefiles de contorno a nivel estatal en conjuntos de datos estatales de intervalos de 2, 10, 20, 50 y 100 pies. Ninguno Ninguno Sin restricciones para el manejo de los datos El estado de Connecticut mantiene estos datos mediante el software ArcGIS desarrollado por Environmental Systems Research Institute (ESRI) en un entorno de sistema operativo Microsoft Windows. La capa LiDAR 2000 Contours conserva los tipos de características y la información identificada por el Departamento de Protección Ambiental del Estado de Connecticut y obtenida de los shapefiles de contorno LiDAR 2000. Todos los atributos tienen valores válidos. Los valores están dentro de dominios definidos. Los valores de atributo ELEVATION_FT se heredan de los shapefiles de contorno LiDAR 2000. El atributo INTERVAL_FT se completó mediante selecciones sucesivas de valores ELEVATION_FT basados ​​en cálculos para seleccionar valores para intervalos de 10 pies, 20 pies, 50 pies y 100 pies. Los atributos para LABEL_10FT, LABEL_20FT, LABEL_50FT, LABEL_100FT se completaron mediante cálculos. El atributo QUAD_NO se completó asignando el número del cuadrilátero USGS en el que se encuentran los contornos. Las entidades de línea se ajustan a las siguientes reglas topológicas. Las líneas son de una sola parte. No hay líneas duplicadas. Las líneas no se superponen. Las líneas no se superponen a otras líneas. Las líneas se cruzan solo en los nodos y los nodos anclan los extremos de todas las líneas. Las líneas no superan ni superan a otras líneas que se supone que deben encontrarse y cruzarse. Las pruebas de coherencia lógica no fueron realizadas por CT DEP. CT DEP no realizó procedimientos o pruebas automatizados para garantizar la topología deseada más que una inspección visual limitada. La integridad de los datos refleja el contenido de características de las fuentes de datos, que incluyen los shapefiles de contorno LiDAR 2000 y los puntos de elevación LiDAR 2000. La capa LiDAR 2000 Contours contiene curvas de nivel generadas automáticamente que pueden contener errores o inconsistencias inherentes al proceso automatizado. La capa LiDAR 2000 Contours contiene errores o inconsistencias relacionados con errores inherentes a la captura de datos de elevación LiDAR original. No hay planes para actualizar o corregir estos datos.

Se desconoce la precisión posicional horizontal de estos datos. Estos datos se sometieron a procesos automatizados para interpolar y crear contornos de elevación de 2 pies a partir de los datos de puntos LiDAR 2000 de publicación de 20 pies. La precisión posicional horizontal de los datos de puntos LiDAR 2000 de 20 pies es de aproximadamente 3 pies en el suelo. Los datos no son consistentemente precisos en todo el estado. En algunas áreas hay anomalías con las áreas de información de las curvas de nivel debido a lagunas de datos en los datos LiDAR subyacentes utilizados para generar las curvas de nivel. Ésta es una limitación conocida de los datos LiDAR recopilados para Connecticut en 2000. Las áreas donde los contornos son incorrectos suelen ser fáciles de reconocer porque, en relación con los contornos cercanos, parecen demasiado rectos y angulares, no se curvan naturalmente como se esperaba o no no existen donde probablemente deberían. Además, es posible que las curvas de nivel no se ajusten muy bien a la línea costera de los cuerpos de agua y, en muchos casos, se extiendan erróneamente a áreas de agua. Debido a las anomalías en los datos, tenga cuidado al ver y analizar esta información. Los datos no son consistentemente precisos en todo el estado. En algunas áreas hay anomalías con las áreas de información de las curvas de nivel debido a lagunas de datos en los datos LiDAR subyacentes utilizados para generar las curvas de nivel. Ésta es una limitación conocida de los datos LiDAR recopilados para Connecticut en 2000. Las áreas donde los contornos son incorrectos suelen ser fáciles de reconocer porque, en relación con los contornos cercanos, parecen demasiado rectos y angulares, no se curvan naturalmente como se esperaba o no no existen donde probablemente deberían. Además, es posible que las curvas de nivel no se ajusten muy bien a la línea costera de los cuerpos de agua y, en muchos casos, se extiendan erróneamente a áreas de agua. Debido a las anomalías en los datos, tenga cuidado al ver y analizar esta información.

Quad-Six 16th LiDAR Contour Shapefiles map Contour Shapefiles

University of Connecticut, Center for Land Use Education and Research (CLEAR)

http://clear.uconn.edu disc 2000 Contour Shapefiles Estas características de líneas estatales de contornos de elevación fueron generadas por UConn utilizando datos de elevación de puntos del conjunto de datos LiDAR de Connecticut. El conjunto de datos LiDAR estatal de Connecticut consta de datos de puntos x, y, z de un modelo de superficie interpolado ("tierra desnuda") derivado de un sistema de cartografía topográfica LIDAR aerotransportado (ALTMS). Los valores x, y, z se almacenan en archivos ASCII delimitados por espacios. Estos datos de elevación LiDAR están en una publicación nominal de 20 pies. Los contornos se prepararon en unidades cuadrangulares de un dieciseisavo USGS. Para entender el cuadragésimo sexto, visualice un cuadrilátero del USGS bisecado vertical y horizontalmente en cuatro secciones. Cada una de estas secciones se divide a su vez vertical y horizontalmente en cuatro secciones, formando así dieciséis rectángulos iguales. Estado de Connecticut, Departamento de Protección Ambiental (editor de datos)

Quadrangle LiDAR Contour Shapefiles disc 2000 Contornos adjuntos Esta fuente de datos se refiere a todas las características de los shapefiles de contorno cuádruple dieciseisavos para cada cuadrilátero USGS combinados en un shapefile por cuadrilátero. Quadrangle LiDAR Contour Geodatabase Countour Geodatabase disc 2000 Contour Geodatabase Esta fuente de datos son todos los shapefiles de contorno cuadrangular ingresados ​​en una geodatabase de archivos ESRI. Estado de Connecticut, Departamento de Protección Ambiental (editor y editor de datos)

Contornos Connecticut 2 FT

Estado de Connecticut, Departamento de Protección Ambiental

disco 2000 Geodatabase de archivos de contorno estatal Este es un conjunto de datos estatal que incluye características de las fuentes de datos cuadrangulares individuales. Este dataset está en formato de clase de entidad de ArcSDE y Geodatabase de archivos. En ArcSDE, se crearon vistas espaciales para establecer subconjuntos de intervalos de contorno de 10, 20, 50 y 100 pies, que se exportaron como las siguientes clases de entidad de geodatabase de archivos: LIDAR_2000_CONTOUR_10FT, LIDAR_2000_CONTOUR_20FT, LIDAR_2000_CONTOUR_50FT y LIDAR_2000_C. Estado de Connecticut, Departamento de Protección Ambiental

Polígono estatal de Connecticut 2005 Polígono de Connecticut

Estado de Connecticut, Departamento de Protección Ambiental

Denominador de la escala del mapa: 24000 http://www.ct.gov/dep fecha de publicación del disco Polígono de Connecticut Proporcionó el polígono utilizado para recortar los contornos al contorno del estado. Long Island Sound Modified Polygon LIS Polygon fecha de publicación del disco LIS Polygon Proporcionó el polígono para recortar los contornos a lo largo de la costa de Long Island Sound.

Adjuntar shapefiles: con el software ESRI ArcGIS, agregue todos los shapefiles de contorno del cuadragésimo sexto para cada cuadrilátero USGS en un solo shapefile para cada cuadrilátero. Se utilizó un modelo de geoprocesamiento capaz de adjuntar los shapefiles por lotes. Las líneas de cada cuadrante no se disolvieron. Las pruebas demostraron que retener el patrón de función cuádruple dieciseisavo ayudó a crear un tamaño de función más uniforme. Las pruebas también mostraron que la disolución introduciría una cantidad inaceptable de errores en los datos.

Diana Danenberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Cargue contornos en la geodatabase: con el software ESRI ArcGIS, cree una geodatabase de archivos e importe las entidades en cada shapefile de contornos adjunto en clases de entidad. Durante la importación, el campo de atributo denominado Valor pasa a llamarse ELEVATION_FT. Este campo almacena la elevación asignada a cada línea de contorno.

Diana Danenberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Limpiar registros de entidades: con el software ESRI ArcGIS, seleccione todos los registros en cada clase de entidad de contorno con un atributo SHAPE_Length de & lt .001 y elimínelos. Esto elimina las entidades que son líneas de longitud cero y esencialmente son puntos. Con el software ESRI ArcGIS, seleccione todos los registros en cada clase de entidad de contorno con un ELEVATION_FT de 0 o NULL y elimínelos. Esto elimina las entidades que no tienen una elevación válida asignada. Los contornos de elevaciones cero ocurren sobre cuerpos de agua en aproximadamente 30 quads con las concentraciones más altas que ocurren en Long Island Sound. Estas curvas de nivel se producen de forma errática y no representan una elevación base.

Diana Danenberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Limpiar entidades: con el software ESRI ArcGIS, seleccione y elimine entidades de línea pequeña con las características de longitud inferior a 100 pies y el punto inicial y final de la línea es el mismo (pequeños anillos cerrados). Usando un modelo de geoprocesamiento diseñado para usarse en lotes, se agregaron y calcularon campos de atributos temporales para el inicio de la coordenada X, el final de la coordenada X, el inicio de la coordenada Y, el final de la coordenada Y. Seleccione los registros donde "XCoorStart = XCoorEnd y YCoorStart = YCoorEnd y shape_length & lt = 100" y elimínelos. Los anillos que se ajustan a estos criterios tienen aproximadamente 32 pies de diámetro y parecen ser anomalías o demasiado pequeños para ser significativos. Esto elimina una gran cantidad de características en cada clase de característica que brindan poco o ningún beneficio. Consulte los shapefiles adjuntos basados ​​en quad para ver el conjunto completo de funciones.

Diana Danenberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Recortar clases de entidades de contorno: con el software ESRI ArcGIS, recorte y elimine las líneas de contorno que se extienden fuera del límite del estado de Connecticut. El polígono del estado de Connecticut archivado en el DEP se utilizó para recortar los contornos hacia la tierra que se extienden fuera de los límites del estado. No se utilizó compensación. Con el software ESRI ArcGIS, recorte y elimine las curvas de nivel que se extienden hasta Long Island Sound y sus bahías y puertos. El polígono de Long Island Sound a partir de los datos de hidrografía archivados en el DEP se modificó y se utilizó para recortar los contornos que se extienden hacia el mar. Estas líneas de contorno a menudo contienen artefactos de procesamiento de la generación de contorno original y no están destinadas a capturar la superficie del agua. El polígono de Long Island Sound se preparó antes de su uso. Fue protegido para reducir su tamaño en 40 pies de la costa continental y las islas de la costa. Se realizó una inspección visual del polígono de Long Island Sound, las curvas de nivel y las ortofotografías de 2004 a lo largo de todas las costas. El contorno del polígono de Long Island Sound se reformuló manualmente para adaptarse a las variaciones en los contornos y la línea de la costa en la ortofotografía, de modo que todos los contornos se extienden por lo menos 40 pies.

Contour Geodatabase Connecticut Polygon Polígono LIS

Diana Danenberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Mejoras en los atributos: mediante el software ESRI ArcGIS y los modelos de geoprocesamiento diseñados para usar el procesamiento por lotes, edite los campos de atributos. Elimine los campos temporales utilizados en el Paso 4 del proceso. El campo denominado ID no contenía datos y se eliminó. Se agregó un campo llamado QUAD_NO para almacenar el número de cada cuadrángulo principal para hacer posible retroceder a las fuentes del cuadrante de contorno después de que los datos se almacenan como una sola capa de datos. Se agregó un campo llamado INTERVAL_FT para clasificar las curvas de nivel con rangos de valores de elevación útiles para simbolizar o seleccionar características. Este campo se pobló asignando primero a cada línea de contorno el intervalo base de 2 pies. En sucesión, se seleccionaron y asignaron los valores de elevación que participan en intervalos de 10 pies, 20 pies, 50 pies y 100 pies. Para usar un intervalo, recuerde seleccionar todos los intervalos divisibles por (contener) el número que le interesa. Por ejemplo, para seleccionar elevaciones cada 20 pies, debe seleccionar INTERVAL_FT = 20 e INTERVAL_FT = 100.

Diana Danenberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Con el software ESRI ArcCatalog, creó una clase de entidad de línea File GeoDatabase para almacenar todos los datos de contorno de 2 pies. Las clases de entidades de curvas de nivel individuales basadas en cuadrángulos se agregan a una única clase de entidad que incluía todas las curvas de nivel de 2 pies en todo el estado.

Geodatabase de archivos de contorno estatal

Howie Sternberg Estado de Connecticut, Dirección postal y postal del Departamento de Protección Ambiental 79 Elm Street Hartford Connecticut

Cónica conformada de Lambert Cónica conformada de Lambert 41.200000 41.866667 -72.750000 40.833333 999999.999996 499999.999998


La respuesta exitosa comienza con un mapa: mejora del apoyo geoespacial para la gestión de desastres (2007)

La intervención para abordar los desastres ha evolucionado con el tiempo hasta convertirse en un subsistema de políticas complejo, y la política de desastres se implementa a través de un conjunto de funciones conocidas como gestión y respuesta a emergencias. Los enfoques modernos para la gestión y respuesta a emergencias implican esfuerzos multidimensionales para reducir nuestra vulnerabilidad a las amenazas para disminuir el impacto de las catástrofes y para prepararnos, responder y recuperarse de las que ocurren. Estas responsabilidades presentan desafíos formidables para los gobiernos debido a las demandas extraordinarias que los desastres imponen sobre los sistemas de toma de decisiones y la infraestructura de prestación de servicios de las comunidades que afectan. Además, por definición, un evento constituye un desastre si excede la capacidad del gobierno o gobiernos en cuya jurisdicción ocurre. Por lo tanto, hacer frente a un desastre requiere recursos externos. En el contexto de un gobierno estructurado a nivel federal, cuando las capacidades de las jurisdicciones gubernamentales en los niveles inferiores se ven abrumadas, se recurre a los niveles superiores para ayudar, ya sea apoyando o reemplazando las actividades de las jurisdicciones subordinadas. Asimismo, se pueden poner en práctica activos y capacidades en los sectores empresarial y no gubernamental. Como resultado, la gestión y respuesta a emergencias son desafíos intrínsecamente intergubernamentales e intersectoriales para la implementación de políticas. Además, dado que los desastres afectan drásticamente nuestra geografía física, social y económica, los requisitos y capacidades geoespaciales están integrados en todo este complejo sistema. Este capítulo describe las características clave de los desastres y el enfoque por fases convencional para su gestión, con especial atención a las necesidades y funciones geoespaciales.

3.1EL CONTEXTO DE LOS DESASTRES

El objetivo primordial de las actividades de gestión de desastres es reducir, tanto como sea posible, el grado en que la condición de una comunidad se ve agravada por un desastre en relación con su condición previa al desastre. Hay muchas acciones emprendidas por los participantes en la gestión de desastres que apoyan este objetivo tanto antes del desastre (para prevenir o reducir el daño potencial) como después del desastre (para recuperarse del daño real), e idealmente estas actividades reducirían los efectos potenciales de un desastre. hasta el punto de la eliminación. Sin embargo, la propia naturaleza de los desastres hace que este ideal sea inalcanzable. Hay cinco características principales de los desastres que los hacen difíciles de superar (para una explicación más detallada, ver Donahue y Joyce, 2001 Waugh, 2000):

Los desastres son incidentes grandes y de inicio rápido en relación con el tamaño y los recursos de una jurisdicción afectada.. Es decir, dañan a un alto porcentaje de la propiedad o población de la jurisdicción y rsquos, y el daño ocurre rápidamente en relación con la capacidad de la jurisdicción y rsquos para evitarlo o evitarlo. También pueden afectar directamente los recursos y el personal disponible para responder. Como resultado, la respuesta a los desastres evoca un profundo sentido de urgencia, y enfrentarlos agota los recursos humanos, equipos, suministros y fondos de una jurisdicción. Si se dispone de datos previos al incidente, el análisis geoespacial puede proporcionar información importante sobre la naturaleza y el alcance de los cambios provocados por los desastres.

Los desastres son inciertos con respecto tanto a sus ocurrencias como a su resultados. Esta incertidumbre surge porque los peligros que presentan una amenaza de desastre son difíciles de identificar, la relación causal entre los peligros y los eventos de desastre no se comprende bien y los riesgos son difíciles de medir, es decir, es difícil especificar qué tipo de daño es posible, en qué medida. el daño es posible, y la probabilidad de que ocurra un determinado tipo y gravedad de daño. Los modelos geoespaciales pueden ayudar a predecir las ubicaciones, las huellas, los tiempos y la duración de los eventos, y el daño que pueden causar, para que las jurisdicciones puedan prepararse mejor para ellos.

Los riesgos y beneficios son difíciles de evaluar y comparar. Los desastres presentan presiones compensatorias a los planificadores de emergencias, los administradores de emergencias y los encargados de formular políticas. Por un lado, es importante minimizar la exposición de las poblaciones y la infraestructura a los peligros; por otro lado, la gente quiere construir y vivir en áreas escénicas, pero propensas a los peligros, y a menudo se oponen a la regulación gubernamental. Further, how should the various levels of government address the balance between providing relief to the victims of disasters and the need or desire to avoid encouraging risk-accepting behavior also, to what extent should the costs of such behavior be shifted from those who engage in this behavior to the larger population? While

most agree that response assistance should be provided to those who have suffered from a disaster, questions arise as to whether insurance for those in risk-prone areas should be subsidized by the federal government and to what extent repeated damage should be compensated (for example, by paying for rebuilding the same house after a second or third flood). An important component of this issue is the accuracy of risk assessment. Geospatial data and tools are invaluable in making the necessary assessments of the geographic distribution of risk and in estimating the quality of each assessment.

Disasters are dynamic events. Disasters evolve as they progress, and they change in response to human actions and natural forces. This makes it imperative that response strategies be flexible and argues for the value of analysis in helping responders understand and adapt to the changing conditions they face. Managing these phenomena can thus be a highly technical endeavor requiring specialized expertise for both policy development and policy implementation. In particular, geospatial data and tools can help incident managers to visualize the event over time, track the activities of responders, and predict the outcomes of various courses of action.

Disasters are relatively rare. Most communities experience few, if any, disasters during the average time in office of a political official or the average time of residence of a citizen. Thus, many communities are unlikely to have recent experience with disasters, and governments may feel little imperative to build their disaster-management capacity, even if the hazards are real and the risks formidable (Waugh, 1988). More obvious and immediately pressing public service concerns readily displace disaster preparedness as a priority. Specialized capabilities, such as geospatial data and tools, are especially vulnerable to budget cuts and resource reallocation.

These inherent qualities of disasters leave governments in a quandary about what to do to manage them. More specifically, the magnitude, scope, uncertainty, dynamism, and infrequency of disasters give rise to some important questions:

How can we increase the resilience of communities to disasters&mdash for example, by adding levees, raising the elevation of the living floor in homes, or imposing zoning regulations?

How can we reduce the impact of disaster events&mdashfor example, through more effective warning systems or better evacuation plans?

How can we most effectively provide assistance to those who have been affected&mdashthrough development of a common operating pic-

ture and common situational awareness shared by all emergency responders or through better search-and-rescue procedures?

Thus, we face both policy issues and practical challenges as we work to reduce the risk to which our populations are exposed and to protect people and infrastructure. Almost every emergency preparedness and response challenge has important geospatial aspects, and effective emergency management thus requires adroit use of geospatial data and tools.

To address these and other issues and challenges, the emergency services professions have specified a host of activities aimed at assuaging the losses that disasters inflict. The degree to which these activities have been identified, assigned to responsible parties, and coordinated has evolved over time into a broad framework first defined in a 1979 National Governors Association report on its study of emergency preparedness (National Governors Association, 1979). This approach, known as Comprehensive Emergency Management, specifies four phases of modern disaster management: preparedness, response, recovery, and mitigation. Each of these phases levies particular demands on emergency managers and responders, and each can be informed and improved by the application of geospatial data and tools. These phases follow one another in a continuous cycle, with a disaster event occurring between the preparedness and the response phases, as shown in Figure 3.1. For additional explanation of the emergency management process, see Waugh (2000) and Haddow and Bullock (2003).

3.1.1Preparedness

Preparedness involves activities undertaken in the short term before disaster strikes that enhance the readiness of organizations and communities to respond effectively. Preparedness actions shorten the time required for the subsequent response phase and potentially speed recovery as well. During this phase, hazards can be identified and plans developed to address response and recovery requirements. Disaster plans are often developed by individual agencies, but one challenge of disasters is that they demand action from agencies and organizations that may not work closely together from day to day. Thus, plans are much more effective when developed collectively by all agencies that will be responding so that resources and responsibilities are coordinated in advance. Also during the preparedness phase, training and exercises may be conducted to help prepare responders for real events. These vary from conceptual discussions to more formalized tabletop exercises (TTXs), during which neither people nor equipment is moved, to field exercises (FXs), which simu-

FIGURE 3.1 Emergency management cycle.

late real events. As with planning, training and exercises may be conducted by agencies in isolation, but they are more powerful when conducted jointly so that interfaces can be resolved. Perhaps the most important result of joint planning and exercising is the relationships developed between those who will be involved in response. In the best instances, these processes develop trust among those who will be called upon to work together during an event.

From the geospatial perspective, preparedness objectives include identifying data requirements, developing data sets, and sharing data across agencies. This includes activities as basic as developing framework data and foundation data on infrastructure, hazards and risks, location of assets that are of use for response and recovery (sand bags, generators, shelters, medical resources, heavy equipment, breathing apparatus, chemical spill response units, etc.), determining (if possible) common standards for data, making potentially difficult decisions about attributes, and compiling necessary metadata. Preparedness is greatly facilitated when all potential responding entities are working with the same data sets for the same features. Decisions also must be made as to whether data will be accessed from single sources or whether they will be hosted by some or all of the agencies involved in the response. Discussions about how

geospatial support will be provided (each agency supporting its own geospatial work or some form of sharing of human resources) should occur. Applications, such as web servers and services and databases related to specific recovery and response activities, should be developed. Decisions should be made about how data are to be reported (times, units, method, format), which agencies will be preparing reports, and where the data and information are located and how and by whom they can be accessed. If imagery is to be used during the response, this is the time to consider user requirements for each mission, imagery that will meet these requirements, whether imagery may meet multiple requirements, what steps will facilitate the acquisition of this imagery, and how and to whom the imagery will be distributed after it has been acquired.

In the preparedness phase, geospatial tools can be used to display the distribution of hazards and risks as they exist now and risks as they may exist under different future development scenarios. This enables local and regional planners to work with emergency managers to plan for more sustainable futures through the avoidance or mitigation of higher-risk alternatives. For example, evacuation routes can be planned based upon demographics, capacity of existing roads, and traffic volume as a function of day and time.

Models of event scenarios can be used either in the development of single- or multiagency response plans or as part of exercises designed to test agency preparedness and the adequacy of those plans. The scenarios are essential in developing the master scenario events lists (MSELs) that enable exercise designers and controllers to test critical aspects of response plans and to develop additional modifications of the course of events during an exercise. Models also can be used prior to the actual impact of an event (pre-landfall for hurricanes or prior to flood crest) to estimate potential numbers of fatalities, injuries, and damage to infrastructure, so that responding agencies can initiate activities as soon as it is safe to move into the impacted area. Wind-speed models for hurricanes can be used to estimate the extent of expected damage to buildings. Energy-infrastructure damage models can be used to estimate the likely extent of damage to the distribution grid, and water- and ice-demand models can be used to estimate initial daily demand for these commodities.

3.1.2Response

Response activities are undertaken immediately following a disaster to provide emergency assistance to victims. The response phase starts with the onset of the disaster and is devoted to reducing life-threatening conditions, providing life-sustaining aid, and stopping additional damage to property. During this phase, responders are engaged in a myriad of ac-

tivities. As examples, search-and-rescue efforts are made to find individuals who may be trapped in buildings, under debris, or on roofs basic commodities such as water and ice are distributed to affected populations temporary power and shelters are established and provided and fires and spills or leaks of hazardous materials are controlled. Although this phase is considered to begin when disaster strikes, not all disasters occur suddenly and without warning&mdashsometimes onset is slower or anticipated, in which case response overlaps with the preceding preparedness phase and may include proactive steps such as warning and evacuation. Likewise, this phase has been defined historically as lasting 72 hours, but a clear end point for this period is difficult to define. It transitions into the recovery phase, and in reality response and recovery may overlap, especially during large, complex incidents.

Geospatial information and analysis are critical inputs to incident management and tactical decision making. Activities during this period include image acquisition, processing, analysis, distribution, and conversion to information products. Other geospatial data also must be collected, collated, summarized, and converted into maps, reports, and other information products. While sophisticated imagery and analysis are valuable to the response effort, the products most in demand are maps, including, for example, maps of the impact area and of the extent of damage the locations of population in the impact area the locations of assets to be used in the response, including inventories of critical supplies such as potable water and ice, temporary roofing material, medical supplies, and generators maps of the area without power and of the timing of the return of power and maps of road and bridge closures and downed power lines. Beyond this, products must also be useful and usable, which means that quality assurance and quality control (QA/QC) procedures and accurate metadata are essential. Attention must be given to reducing errors that arise when data are collected by different entities, or at different times, and then integrated into information products. Agreements need to be made regarding data reporting intervals and times, and data have to be time-stamped accurately. Finally, generation of data, information, and products is only part of the challenge&mdashthese must then be distributed to those who need them to do their jobs. Geospatial data are often voluminous, and this is especially true of imagery, which may amount to hundreds of megabytes or even gigabytes. Moving such volumes of data over networks that may have been partially disabled can be problematic, and Internet access to data repositories often fails. Firewalls and other security software installed on networks can also pose problems for the distribution of data and can significantly slow response. Agencies have often had to resort to physical distribution of CDs (compact discs) and other digital media during the response phase.

During the response phase immediately following an event, but prior to good information being available either from remote-sensing sources or from reporting on the ground, geospatial models can be used to provide damage estimates (e.g., immediately after an earthquake). Alternatively, real-time data from in situ monitoring can be used with geospatial models to determine conditions during an event, such as the use of real-time stream gauge data to issue flood warnings or the use of Doppler radar data, which results in the issuance of public warnings for severe thunderstorms and tornadic activity. While both imagery and verified reports from the impact area will eventually replace and refine the information provided by models, the latter may be the best source of information for several days after the onset of the disaster. Use of dynamic models can help guide and improve response for example, the wildfire community makes extensive use of real-time and near-real-time geospatial modeling of wildfire behavior for logistical support. Display functions remain important at this time, showing the location of damage to specific infrastructure components (e.g., the transportation and energy infrastructure) as well as the severity of damage and other specific information (e.g., damage to roofs, temporary repairs, and energy grid restoration planned during the next 24 hours).

Accomplishing all of these tasks is admittedly a substantial challenge in the earliest stages of disaster response, when demands are urgent and requests are voluminous. Poor products can have serious negative ramifications for response and recovery operations, however. For geospatial professionals to perform well in this environment, they must be able to rely on good training, relevant exercise experience, and sound standard operating procedures.

3.1.3Recovery

Recovery includes short- and long-term activities undertaken after a disaster that are designed to return the people and property in an affected community to at least their pre-disaster condition of well-being. In the immediate term, activities include the provision of temporary housing, temporary roofing, financial assistance, and initial restoration of services and infrastructure repair. Longer-term activities involve rebuilding and reconstruction of physical, economic, and social infrastructure and, ultimately, memorializing the losses from the event.

Geospatial activities during recovery include the use of geospatial information and analysis to help managers direct the recovery process, including the urban search-and-rescue grid and status, tracking the progress of repairs, provision of temporary water and ice, locating populations,


Introducción

Streams and rivers are considered to be in a state of dynamic equilibrium when the sediment delivered to the channel is in balance with the capacity of the stream to transport and discharge that sediment [1]. Stream channels alternatively experience periods of alluvial deposition, followed by erosional downcutting of the alluvium, followed by periods of additional deposition. These cycles have created a landscape of terraces and floodplains, sculpted by the streams and rivers flowing through them [2]. Globally, changes in land use, climate and other factors have altered the historic patterns of transport and discharge, with significant changes to river shape, processes, sediment dynamics and water quality [2]. With these changes, soil erosion has been identified as a significant challenge in both developing and developed countries.

A landscape perspective of rivers and their watersheds demonstrates the influence of land use and disturbance on river structure and ecology at multiple scales [5]. European settlement in the southeastern United States began a period of forest clearing in the 1700's, followed by row crop agriculture [3]. These practices had deleterious ecological consequences to surface waters in the form of increased sediment loads and habitat degradation [3], [4], [6]–[9].

Before urbanization and agricultural clearing, streams in the Piedmont region of the southeastern United States, had low levels of suspended solids and high connectivity between the stream and surrounding floodplains [3], [4]. It has been estimated that 25 km 3 of soil have eroded from agricultural lands in the Piedmont region between the coastal plain and the Appalachian Mountains, with an average of 14 cm of topsoil lost from North Carolina since the early 1700's [3]. This erosion from agriculture has left a legacy of upland gullies and sediment deposition near and in streams and rivers [3].

Another anthropogenic disturbance to streams and rivers is the proliferation of dams and artificial water bodies. There are over 2 million artificial surface water impoundments including 82,000 dams in the continental United States, with some dating from the 17 th century [10], [11]. Both natural and man-made dams can have profound impacts on the ecology and geomorphology of rivers, altering patterns of sediment transport and deposition, water and energy flow, and aquatic habitat [10], [12], [13]. Downstream channel degradation due to dams has been documented for more than 85 years and in many cases has been extreme [14]–[17]. Downstream changes often include channel incision, channel pattern change (braided to single-thread or vice-versa), loss or encroachment of vegetation, and bank collapse [13], [18], [19]. Upstream of the dam there may be sediment deposition within the impoundment, leading to incision when the dam is removed [20].

Upstream urbanization, with the increase in impervious surface, has been shown to alter the flow of streams, increasing the frequency of “flashiness” and bank incision [2]. Susceptibility to erosion and hydromodification from urbanization varies with stream bed composition, armoring, bank height, bed and bank materials, precipitation patterns, and other factors [21], [22].

Sediment loading from bank erosion is a land management problem of global importance [23], [24]. Sediment is one of the most common pollutants from non-point sources, with over 6,000 water bodies across the United States showing significant suspended sediments [25]–[27]. Different bank materials, aerial and subaerial weathering, variations in grain size, shear strength of the bank materials, bank angle, and water potential can influence river bank mass wasting, failure and fluvial entrainment [23]–[25]. The ability to predict bank failure and erosion, however, is often uncertain, especially for stream banks with a varied depositional history such as from anthropogenic disturbance [26].

Processes that determine channel geomorphology differ between first and second order streams and larger rivers with larger watersheds [27]–[29]. Few high order rivers have been studied [27], [30]. In large rivers, conditions leading to river widening often are nonlinear, with energy adjustment resulting in different and sometimes opposite adjustment processes. This was seen in the North Fork Toutle River system in Washington State in the NW United States, where following the eruption of Mount St. Helens, one river was dominated by aggradation and widening, while another similar river was dominated by degradation [31]. Unstable channels continue to adjust following major disturbances, both anthropogenic and natural, until a stable floodplain is established with a progressive armoring of the channel bed [32], [33].

Sediment and nutrient loading are a global water quality concern, and are significant issues in the Haw River, a high order river in the North Carolina Piedmont. Jordan Reservoir, a major drinking water supply, is formed by a dam on the Haw [34]. However, water in the reservoir is considered impaired due to algal blooms from excess nutrients. To improve water quality, nutrient reduction goals have been established. Understanding the patterns of geomorphic change of the river and contributions of the river bank to sediment and nutrient load may provide a model for water quality improvement in this and similar systems.

Similarly to other developing areas, the Haw River watershed has a history of profound disturbance through forest conversion to row crop agriculture, the construction of dams, and upstream urbanization. In 2014, it was identified as the 9 th most threatened river in the United States by the organization American Rivers. The river today has little resemblance to the clear water and low banks from historical descriptions [35].

The primary objective of this study was to identify factors influencing bank geomorphic change and erosion of the Haw River using field measurements. Few reports on erosion of high order rivers have been published, with most based on model estimations. River traits included river slope, riparian soil type and slope, land cover, bank angle, surface protection, bank height, bankfull height and root density and depth. The Haw River has highly incised, unstable banks exhibiting extensive mass wasting, undercutting with bank collapse and fluvial entrainment. Understanding alluvial channel behavior and the channel response to disturbance will provide insight into understanding the factors controlling erosion patterns, shape and balance of the Haw and other high order rivers.


6. Geospatial Data

  • Drafted project proposals and created ArcIMS web applications for Saint Mary's GeoSpatial Services.
  • Conducted detailed analysis and production for Geospatial Intelligence products in response to project requests assisting in Operation Iraqi Freedom.
  • Analyzed geospatial available information and extracted data by utilizing feature compilation guidance and standards provided by the customer.
  • Acted as lead in integrating geospatial environmental data for environmental assessments and environmental impact statements.
  • Support US Army Installation Geospatial Information and Services program and develop quality assurance procedures.
  • Coordinated and supervised the collection, analysis, interpretation, and processing of geospatial information
  • Design and develop geospatial and enterprise databases while considering relationships to related systems.
  • Preformed quality assurance/quality control on geospatial products produced by other GIS staff members.
  • Developed many geospatial tools for geological and surface analysis within ArcGIS.
  • Maintained quality geospatial production on the given specifications to deliverable data.
  • Created, edited, and reviewed geospatial documentation and metadata.
  • Prepared presentations summarizing geospatial research which informed 9-1-1 management decisions.
  • Maintained structural integrity updated and archived all geospatial data.
  • Use Python/ArcPy scripting for automation and advanced geospatial processing.
  • Performed geospatial analysis and mapping projects as needed.
  • Maintain geospatial attributes associated with the pipeline system.
  • Increased geospatial accuracy by approximately 20%.
  • Updated over 360 published geospatial intelligence products.
  • Provided timely service and support for civilian and military clients by creating quality geospatial maps and projects to support their mission.
  • Managed live situation map which combined multiple streams of real-time geospatial data to show mission status and related weather conditions.