首页建站笔记后端开发 Python 正文

我要投稿

使用 Uber hndexes 和 PostgreSQL 进行栅格分析

资讯主编 Python

2024-08-13 0 485

嗨，在这篇博客中，我们将讨论如何使用 h3 索引轻松进行栅格分析。

客观的

为了学习，我们将计算出由 esri 土地覆盖确定的聚居区有多少建筑物。让我们针对矢量和栅格的国家级数据进行目标。

我们先找到数据

下载栅格数据

我已经从 esri land cover 下载了定居点区域。

HTTPs://livingatlas.arcgis.com/landcover/

让我们下载2023年，大小约362mb

下载尼泊尔 osm 建筑

来源：http://download.geofabrik.de/asia/nepal.html

288241523188

预处理数据

让我们在实际的 h3 单元计算之前对数据进行一些预处理
我们将在这一步中使用 gdal 命令行程序。在你的机器上安装 gdal

转换为云优化的 geotiff

如果您不知道 cog ，请在此处查看：HTTPS://www.cogeo.org/

检查gdal_translate是否可用

1	`gdal_translate --version`

它应该打印您正在使用的 gdal 版本

将光栅重新投影为 4326

您的栅格可能有不同的源 srs ，相应地更改它

1	`gdalwarp esri-settlement-area-kathmandu-grid.tif esri-landcover-4326.tif -s_srs epsg:32645 -t_srs epsg:4326`

现在让我们将 tif 转换为云优化的 geotif

1	`gdal_translate -of cog esri-landcover-4326.tif esri-landcover-cog.tif`

将重新投影的 tiff 转换为 geotiff 大约需要一分钟

将osm数据插入postgresql表

我们正在使用 osm2pgsql 将 osm 数据插入到我们的表中

1	`osm2pgsql --create nepal-latest.osm.pbf -u postgres`

osm2pgsql 总共花费了 274 秒（4m 34 秒）。

如果您有任何使用 ogr2ogr 的文件，也可以使用 geoJSon 文件

1	`ogr2ogr -f postgresql pg:"dbname=postgres user=postgres password=postgres"` `buildings_polygons_geoJSON.geojson -nln buildings`

ogro2gr 对驱动程序有广泛的支持，因此您可以非常灵活地选择输入内容。输出是 postgresql 表

计算h3指数

postgresql

安装

1 2	`pip install pgxnclient cmake` `pgxn install h3`

在您的数据库中创建扩展

1 2	`create extension h3;` `create extension h3_postgis cascade;`

现在让我们创建建筑物表

create Table buildings (
  id serial primary key,
  osm_id bigint,
  building varchar,
  geometry geometry(polygon, 4326)
);

向表中插入数据

insert into buildings (osm_id, building, geometry)
select osm_id, building, way
from planet_osm_polygon pop
Where building is not null;

日志和计时：

updated rows    8048542
query   insert into buildings (osm_id, building, geometry)
    select osm_id, building, way
    from planet_osm_polygon pop
    where building is not null
start time  mon aug 12 08:23:30 npt 2024
finish time mon aug 12 08:24:25 npt 2024

现在让我们使用 centroid 计算这些建筑物的 h3 指数。这里 8 是我正在研究的 h3 分辨率。在这里了解有关决议的更多信息

1	`alter table buildings add column h3_index h3index generated always` `as` `(h3_lat_lng_to_cell(st_centroid(geometry), 8)) stored;`

光栅操作

安装

1	`pIP install h3 h3ronpy rasterio asyncio asyncpg aiohttp`

确保重新投影的齿轮处于静态/

1	`mv esri-landcover-cog.tif ./static/`

运行 repo 中提供的脚本以从栅格创建 h3 像元。我正在按模式方法重新采样：这取决于您拥有的数据类型。对于分类数据模式更适合。在这里了解有关重采样方法的更多信息

1	`Python cog2h3.py --cog esri-landcover-cog.tif --table esri_landcover --res 8 --sample_by mode`

日志：

2024-08-12 08:55:27,163 - info - starting processing
2024-08-12 08:55:27,164 - info - cog file already exists: static/esri-landcover-cog.tif
2024-08-12 08:55:27,164 - info - processing raster file: static/esri-landcover-cog.tif
2024-08-12 08:55:41,664 - info - determined min fitting h3 resolution: 13
2024-08-12 08:55:41,664 - info - resampling original raster to : 1406.475763m
2024-08-12 08:55:41,829 - info - resampling done
2024-08-12 08:55:41,831 - info - new native h3 resolution: 8
2024-08-12 08:55:41,967 - info - converting h3 indices to hex strings
2024-08-12 08:55:42,252 - info - raster calculation done in 15 seconds
2024-08-12 08:55:42,252 - info - creating or replacing table esri_landcover in database
2024-08-12 08:55:46,104 - info - table esri_landcover created or updated successfully in 3.85 seconds.
2024-08-12 08:55:46,155 - info - processing completed

分析

让我们创建一个函数来获取多边形中的_h3_indexes

create or replace function get_h3_indexes(shape geometry, res integer)
  returns h3index[] as $$
declare
  h3_indexes h3index[];
begin
  select array(
    select h3_polygon_to_cells(shape, res)
  ) into h3_indexes;

  return h3_indexes;
end;
$$ language plpgsql immutable;

让我们获取我们感兴趣的区域中所有被确定为建筑面积的建筑物

with t1 as (
  select *
  from esri_landcover el
  where h3_ix = any (
    get_h3_indexes(
      st_geomfromgeojson('{
        "coordinates": [
          [
            [83.72922006065477, 28.395029869336483],
            [83.72922006065477, 28.037312312532066],
            [84.2367635433626, 28.037312312532066],
            [84.2367635433626, 28.395029869336483],
            [83.72922006065477, 28.395029869336483]
          ]
        ],
        "type": "polygon"
      }'), 8
    )
  ) and cell_value = 7
)
select *
from buildings bl
join t1 on bl.h3_ix = t1.h3_ix;

查询计划：

如果在建筑物的 h3_ix 列上添加索引，这可以进一步增强

1	`create index on buildings(h3_ix);`

拍摄计数时：我所在的地区有 24416 座建筑，其建筑等级属于 esri

确认

让我们验证输出是否为真：让我们以 geojson 形式获取建筑物

with t1 as (
  select *
  from esri_landcover el
  where h3_ix = any (
    get_h3_indexes(
      st_geomfromgeojson('{
        "coordinates": [
          [
            [83.72922006065477, 28.395029869336483],
            [83.72922006065477, 28.037312312532066],
            [84.2367635433626, 28.037312312532066],
            [84.2367635433626, 28.395029869336483],
            [83.72922006065477, 28.395029869336483]
          ]
        ],
        "type": "polygon"
      }'), 8
    )
  ) and cell_value = 7
)
select jsonb_build_object(
  'type', 'featurecollection',
  'features', jsonb_agg(st_asgeojson(bl.*)::jsonb)
)
from buildings bl
join t1 on bl.h3_ix = t1.h3_ix;

让我们也获得h3细胞

with t1 as (
  select *, h3_cell_to_boundary_geometry(h3_ix)
  from esri_landcover el
  where h3_ix = any (
    get_h3_indexes(
      st_geomfromgeojson('{
        "coordinates": [
          [
            [83.72922006065477, 28.395029869336483],
            [83.72922006065477, 28.037312312532066],
            [84.2367635433626, 28.037312312532066],
            [84.2367635433626, 28.395029869336483],
            [83.72922006065477, 28.395029869336483]
          ]
        ],
        "type": "polygon"
      }'), 8
    )
  ) and cell_value = 7
)
select jsonb_build_object(
  'type', 'featurecollection',
  'features', jsonb_agg(st_asgeojson(t1.*)::jsonb)
)
from t1

增加 h3 分辨率后可以提高准确性，并且还取决于输入和重采样技术

清理

删除我们不需要的桌子

drop table planet_osm_line;
drop table planet_osm_point;
drop table planet_osm_polygon;
drop table planet_osm_roads;
drop table osm2pgsql_properties;

可选 – 矢量平铺

为了可视化图块，我们可以使用 pg_tileserv 快速构建矢量图块

下载pg_tileserv 从上面提供的链接下载或使用 docker
导出凭证

1	`export database_url=postgresql://postgres:postgres@localhost:5432/postgres`

授予我们表选择权限

1 2	`grant select on buildings to postgres;` `grant select on esri_landcover to postgres;`

让我们在 h3 索引上创建几何图形以进行可视化（如果您从 st_asmvt 手动构建图块，则可以直接从查询中执行此操作）

alter table esri_landcover 
add column geometry geometry(polygon, 4326) 
generated always as (h3_cell_to_boundary_geometry(h3_ix)) stored;

在该 h3 几何图形上创建索引以有效地可视化它

create index idx_esri_landcover_geometry 
on esri_landcover 
using gist (geometry);

奔跑

1	`./pg_tileserv`

现在您可以根据图块值或任何您想要的方式可视化这些 mvt 图块，例如：maplibre！您还可以可视化处理结果或与其他数据集结合。这是我根据 qgis 中的 cell_value 对 h3 索引进行的可视化

源代码库：https://Github.com/kshitijrajsharma/raster-analysis-using-h3

参考：

https://blog.rustprooflabs.com/2022/04/postgis-h3-intro
https://jsonsingh.com/blog/uber-h3/
https://h3ronpy.readthedocs.io/en/latest/

收藏 (0) 打赏

感谢您的支持，我会继续努力的!

打开微信/支付宝扫一扫，即可进行扫码打赏哦，分享从这里开始，精彩与您同在

免责声明
1. 本站所有资源来源于用户上传和网络等，如有侵权请邮件联系本站整改team@lcwl.fun！
2. 分享目的仅供大家学习和交流，您必须在下载后24小时内删除！
3. 不得使用于非法商业用途，不得违反国家法律。否则后果自负！
4. 本站提供的源码、模板、插件等等其他资源，都不包含技术服务请大家谅解！
5. 如有链接无法下载、失效或广告，请联系本站工作人员处理！
6. 本站资源售价或VIP只是赞助，收取费用仅维持本站的日常运营所需！
7. 如遇到加密压缩包，请使用WINRAR解压，如遇到无法解压的请联系管理员！
8. 因人力时间成本问题，部分源码未能详细测试（解密），不能分辨部分源码是病毒还是误报，所以没有进行任何修改，大家使用前请进行甄别！
9.本站所有源码资源都是经过本站工作人员人工亲测可搭建的，保证每个源码都可以正常搭建，但不保证源码内功能都完全可用，源码属于可复制的产品，无任何理由退款！

网站搭建学习网 Python 使用 Uber hndexes 和 PostgreSQL 进行栅格分析 https://www.xuezuoweb.com/12815.html