Enviar pesquisa
Carregar
地理学卒論・修論生のためのQGIS講座_実習編
•
6 gostaram
•
5,574 visualizações
Inoshachu, NPO
Seguir
Educação
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 69
Baixar agora
Baixar para ler offline
Recomendados
QGISの活用例を見てみよう
QGISの活用例を見てみよう
Kazutaka ishizaki
クラスタリングとレコメンデーション資料
クラスタリングとレコメンデーション資料
洋資 堅田
Tableauのつまづきポイント
Tableauのつまづきポイント
Shinji Tamura
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Takashi J OZAKI
Tableauから始める統計学の基礎
Tableauから始める統計学の基礎
Hiroshi Masuda
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
k-means(k-平均法)
k-means(k-平均法)
Yuta Tomomatsu
Recomendados
QGISの活用例を見てみよう
QGISの活用例を見てみよう
Kazutaka ishizaki
クラスタリングとレコメンデーション資料
クラスタリングとレコメンデーション資料
洋資 堅田
Tableauのつまづきポイント
Tableauのつまづきポイント
Shinji Tamura
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Takashi J OZAKI
Tableauから始める統計学の基礎
Tableauから始める統計学の基礎
Hiroshi Masuda
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
k-means(k-平均法)
k-means(k-平均法)
Yuta Tomomatsu
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
Sho Tanaka
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
QGIS training 2/3
QGIS training 2/3
Yoichi Kayama
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜
SSII
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
最適化超入門
最適化超入門
Takami Sato
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
Mitsunori Sato
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
Naoya Chiba
位置情報にまつわるデータ補間技術
位置情報にまつわるデータ補間技術
Hiroaki Sengoku
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
コミュニティ分類アルゴリズムの高速化とソーシャルグラフへの応用
コミュニティ分類アルゴリズムの高速化とソーシャルグラフへの応用
mosa siru
Intel RealSense for ROSConJP20221121.pdf
Intel RealSense for ROSConJP20221121.pdf
Takumi14
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
QGISセミナー中級編(V2.4)
QGISセミナー中級編(V2.4)
IWASAKI NOBUSUKE
Android/iOS端末におけるエッジ推論のチューニング
Android/iOS端末におけるエッジ推論のチューニング
Deep Learning Lab(ディープラーニング・ラボ)
地理教育での地理空間情報の活用ポイント
地理教育での地理空間情報の活用ポイント
Inoshachu, NPO
地理教育でのGoogleMapsの活用ポイント
地理教育でのGoogleMapsの活用ポイント
Inoshachu, NPO
Mais conteúdo relacionado
Mais procurados
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
Sho Tanaka
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
QGIS training 2/3
QGIS training 2/3
Yoichi Kayama
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜
SSII
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
最適化超入門
最適化超入門
Takami Sato
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
Mitsunori Sato
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
Naoya Chiba
位置情報にまつわるデータ補間技術
位置情報にまつわるデータ補間技術
Hiroaki Sengoku
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
コミュニティ分類アルゴリズムの高速化とソーシャルグラフへの応用
コミュニティ分類アルゴリズムの高速化とソーシャルグラフへの応用
mosa siru
Intel RealSense for ROSConJP20221121.pdf
Intel RealSense for ROSConJP20221121.pdf
Takumi14
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
QGISセミナー中級編(V2.4)
QGISセミナー中級編(V2.4)
IWASAKI NOBUSUKE
Android/iOS端末におけるエッジ推論のチューニング
Android/iOS端末におけるエッジ推論のチューニング
Deep Learning Lab(ディープラーニング・ラボ)
Mais procurados
(20)
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
QGIS training 2/3
QGIS training 2/3
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最適化超入門
最適化超入門
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
位置情報にまつわるデータ補間技術
位置情報にまつわるデータ補間技術
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
コミュニティ分類アルゴリズムの高速化とソーシャルグラフへの応用
コミュニティ分類アルゴリズムの高速化とソーシャルグラフへの応用
Intel RealSense for ROSConJP20221121.pdf
Intel RealSense for ROSConJP20221121.pdf
backbone としての timm 入門
backbone としての timm 入門
QGISセミナー中級編(V2.4)
QGISセミナー中級編(V2.4)
Android/iOS端末におけるエッジ推論のチューニング
Android/iOS端末におけるエッジ推論のチューニング
Mais de Inoshachu, NPO
地理教育での地理空間情報の活用ポイント
地理教育での地理空間情報の活用ポイント
Inoshachu, NPO
地理教育でのGoogleMapsの活用ポイント
地理教育でのGoogleMapsの活用ポイント
Inoshachu, NPO
地理教育でのGoogle Earthの活用ポイント
地理教育でのGoogle Earthの活用ポイント
Inoshachu, NPO
地理教育での地理院地図の活用ポイント
地理教育での地理院地図の活用ポイント
Inoshachu, NPO
20151016 すごい地理教育トーク
20151016 すごい地理教育トーク
Inoshachu, NPO
20151002_やまぐちGISひろば 第1回GISフォーラム
20151002_やまぐちGISひろば 第1回GISフォーラム
Inoshachu, NPO
QGISを用いた紙地図からデジタルデータへの変換
QGISを用いた紙地図からデジタルデータへの変換
Inoshachu, NPO
OpenStreetMap超入門
OpenStreetMap超入門
Inoshachu, NPO
地理学卒論・修論生のためのQGIS講座_総合編
地理学卒論・修論生のためのQGIS講座_総合編
Inoshachu, NPO
地理学卒論・修論生のためのQGIS講座_座学編
地理学卒論・修論生のためのQGIS講座_座学編
Inoshachu, NPO
Opentextmap 活用術
Opentextmap 活用術
Inoshachu, NPO
20130608 電子地図研究会 広島完全版
20130608 電子地図研究会 広島完全版
Inoshachu, NPO
電子国土Part2
電子国土Part2
Inoshachu, NPO
電子国土を使って観光マップを作成してみる
電子国土を使って観光マップを作成してみる
Inoshachu, NPO
20121007 日本地理学会商業集積発表
20121007 日本地理学会商業集積発表
Inoshachu, NPO
GoogleEarth基礎演習
GoogleEarth基礎演習
Inoshachu, NPO
SotM発表スライド
SotM発表スライド
Inoshachu, NPO
Mais de Inoshachu, NPO
(17)
地理教育での地理空間情報の活用ポイント
地理教育での地理空間情報の活用ポイント
地理教育でのGoogleMapsの活用ポイント
地理教育でのGoogleMapsの活用ポイント
地理教育でのGoogle Earthの活用ポイント
地理教育でのGoogle Earthの活用ポイント
地理教育での地理院地図の活用ポイント
地理教育での地理院地図の活用ポイント
20151016 すごい地理教育トーク
20151016 すごい地理教育トーク
20151002_やまぐちGISひろば 第1回GISフォーラム
20151002_やまぐちGISひろば 第1回GISフォーラム
QGISを用いた紙地図からデジタルデータへの変換
QGISを用いた紙地図からデジタルデータへの変換
OpenStreetMap超入門
OpenStreetMap超入門
地理学卒論・修論生のためのQGIS講座_総合編
地理学卒論・修論生のためのQGIS講座_総合編
地理学卒論・修論生のためのQGIS講座_座学編
地理学卒論・修論生のためのQGIS講座_座学編
Opentextmap 活用術
Opentextmap 活用術
20130608 電子地図研究会 広島完全版
20130608 電子地図研究会 広島完全版
電子国土Part2
電子国土Part2
電子国土を使って観光マップを作成してみる
電子国土を使って観光マップを作成してみる
20121007 日本地理学会商業集積発表
20121007 日本地理学会商業集積発表
GoogleEarth基礎演習
GoogleEarth基礎演習
SotM発表スライド
SotM発表スライド
地理学卒論・修論生のためのQGIS講座_実習編
1.
地理学卒論・修論生のための QGIS入門 奈良大学大学院 田村賢哉
2.
Chap0 QGISを立ち上げたら必ずやる操作
3.
QGISの立ち上げ プロジェクト新規や保存 GISデータのインポートや新規作成 GISデータのエディタ機能 ←ダブルクリック レイヤの選択や情報取得 地図の拡大・縮小,移動 ↑まずはこの部分の基本操作できるように! GISデータの表示画面
4.
QGISは最初にCRS設定 読み込むデータの座標系をプロジェクトに定義しないといけない ← ①メニューバーの 設定 >
オプション をクリック オプション とはQGIS全体の設定を管理する機能と考 えたら良い。 → ② CRS > 新しいプロジェクトはいつも このCRSで起動するの 選択 をクリック
5.
QGISは最初にCRS設定 ここでは基本操作のみ ← ①フィルターで「JGD2000」と入 力 ← ② JGD2000 を選択し、 OK
をクリック そしてQGISを再起動。 JGD2000は日本測地系2000(世界測地系)の地理座標系のこと。詳しくは後ほど・・・
6.
ベクトルデータの読み込み ←いよいよGISデータを読み込む ① ベクトルレイヤの追加 をクリック ←するとこんなウィンドウが開く QGISで文字化けがおこる><という人必見→ ②エンコーディングのタブから Shift-JIS
を選択し、 ブラウズ をクリック QGISを触り始めてはじめの罠が文字化けだったりする。文 字化けが発生したら、まず読み込むGISデータのエンコーデ ィングに合わせた設定でGISデータをインポートしよう!
7.
ベクトルデータの読み込み ←今日、配布したデータを読み込もう! ①「Chap0/World.shp」を選択、 開く をクリック。 いよいよ読み込む準備完了→ ② Open
をクリック 手間が多いけどここまで丁寧にやってベクトルデータ を読み込もう。それでも読み込めない場合はコミュニ ティに相談だ。
8.
Chap1 日本測地系2000(世界測地系)と旧日本測地系の違い →Appleがこれで失敗してる。それくらい重要!!
9.
QGISは最初にCRS設定 読み込むデータの座標系をプロジェクトに定義しないといけない ← ①ダブルクリック ← ②メニューバーの 設定 >
オプション をクリック オプション とはQGIS全体の設定を管理する機能と考 えたら良い。 → ③ CRS > 新しいプロジェクトはいつも このCRSで起動するの 選択 をクリック
10.
QGISは最初にCRS設定 ← ①フィルターで「JGD2000」と入力 ← ② JGD2000 を選択し、 OK
をクリック そしてQGISを再起動。 JGD2000は日本測地系2000(世界測地系)の地理座標系のこと。詳しくは後ほど・・・
11.
ベクトルデータの読み込み ←いよいよGISデータを読み込む ① ベクトルレイヤの追加 をクリック ←するとこんなウィンドウが開く → ②エンコーディングのタブから Shift-JIS
を選択し、 ブラウズ をクリック
12.
ベクトルデータの読み込み ←今日、配布したデータを読み込もう! ①「Chap0/World.shp」を選択、 開 く をクリックし、
Open をクリック。 → こうなればOK!! あれ、ズレてる?
13.
ズレを測る ← ②このツールでズレの長さを測る ↑ ① これらのツールを使って拡大してみよう! 約400mズレている!!?
14.
測地系を確認してみる ← ①レイヤの 奈良市_新測地系 奈良市_旧測地系
の上で右クリック をし、 プロパティ を選択する。 それぞれ違うことがわかる 日本測地系2000はGRS80楕円体 旧日本測地系はベッセル楕円体
15.
回転楕円体を統一させる処理 ←初期設定の色がださかったりする。 ①レイヤの 奈良市_旧測地系 の上で右クリックを し、
名前をつけて保存... を選択する。 ← ②形式 「ESRI Shapefile」 名前をつけて保存 「奈良市_旧測地系_変換.shp」 エンコーディング 「Shift_JIS」 CRS 「選択されたCRS」→JGD2000 保存されたファイルを地図に追加する チェックをいれる そして、 OK を押す これでちゃんと重なることが 確認できたと思う!
16.
これでズレがなおった!
17.
Chap2 地理座標系と投影座標系とは・・・?
18.
まずは、地理座標系をみる ① をクリックし、Chap2/奈良市_地理座標系.shpをインポートする。 10進数の経緯度表示されている
19.
次の前にまたQGISはCRS設定 読み込むデータの座標系をプロジェクトに定義しないといけない ← ①ダブルクリック ← ②メニューバーの 設定 >
オプション をクリック オプション とはQGIS全体の設定を管理する機能と考 えたら良い。 → ③ CRS > 新しいプロジェクトはいつも このCRSで起動するの 選択 をクリック
20.
とにかくQGISは最初にCRS設定 ここでは基本操作のみ ← ①フィルターで「JGD2000」と入力 ← ② JGD2000/Japan Plane Rectangular
CSⅥ を選択し、 OK をクリック そしてQGISを再起動。 JGD2000は日本測地系2000(世界測地系)の地理座標系のこと。詳しくは後ほど・・・
21.
まずは、地理座標系をみる ① をクリックし、Chap2/奈良市_平面直角座標系.shpをインポートする。 mの距離表示されている
22.
まずは、両方をインポート ① をクリックし、Chap2/奈良市_地理座標系.shpを追加する。 JGD2000の地理座標系 ちっちゃい・・・ ②これをクリックすると全体表示される JGD2000の平面直角座標系
23.
投影座標系を一時的に重ねる ← ① 設定 から
プロジェクトのプロパティ を選択する → ②「 オンザフライ CRS変換を有効にする」 にチェックをいれて、 OK をクリック! ↑こんな感じに重なる!でもあくまで QGISが裏で一時的に重ねているだけ。
24.
Chap3 ベクトルデータってなに?
25.
QGISは最初にCRS設定 ← ① 設定 →
プロジェクトのプロパティ を選択 → ② 空間参照システム(CRS) をクリックし「オン ザフライCRS変換を有効にする」にチェックを いれる。 → ③フィルターに「JGD2000」と入力し、 JGD2000/Japan Plane Retangular CSⅥ をクリックし、 OK をクリック。 これは再起動の必要がないCRS設定の方法!!
26.
ベクトルデータの読み込み ← ① ベクトルレイヤの追加 をクリックし、 「Chap3/29-20110131-行政区画25000.shp」 を選択し、読み込む。 → こうなればOK!!
27.
レイヤの色の設定 ←初期設定の色がださかったりする。 ①レイヤの 29-20110131-行政区画25000 の上 で右クリックをし、
プロパティ を選択する。 → ② スタイル を選択するし、 変更 のボタンをクリック。
28.
レイヤの色の設定 ← ① 「塗りつぶしスタイル」で ブラ シ無し
を選択し、ボーダーの太さを 「0.6」くらいに変更。 ← ② OK をクリックする
29.
地図の拡大 ↑ ① これらのツールを使って拡大してみよう! ベクトルデータの特徴その1 拡大してもぼやけない!
30.
ノードの確認 ↑ ① をクリックしてGISデータの 編集機能をONにする。 ← ②拡大してみる。 ↑ ③ をクリックしてGISデータの 編集機能をOFFにする。 ポリゴンは点と点で結ばれていることがわかる。
31.
そのデータの情報を取得してみる ←各レイヤの基本設定はレイヤの上でとにかく右クリック!! ①レイヤの 29-20110131-行政区画25000 の上で右クリック をし、
属性テーブルを開く(O) を選択する。 ↑読み込んだGISデータの情報をみることができる。
32.
ひとつの地物の情報を取得する ← ①メニューバーのこれをクリックする ←地物が選択される。 ②任意でひとつの地物をクリックする。 選択された属性データを確認→ ③レイヤの 29-20110131-行 政区画25000 の上で右クリック をし、
属性テーブルを開く (O) を選択する。
33.
行政区画に 英名の行政名 を加える ←英名の情報をもっている「行政区画_英名.dbf」を加えたい。 ↓ベクトルデータと同じ要領でインポート ①
ベクトルレイヤの追加 をクリックし、ファイルの種類を「全ファ イル(*)(*.*)」を選択し、「行政区画_英名.dbf」読み込む。
34.
空間情報をもっていない行列データも読み込み可能 ←こんな感じに表示されたらOK!!地図には表示されないけど、 データはQGISで読み込まれている。 → 属性テーブルを開くとこんな感じ ExcelやCSVファイル等、 行列で整理できるデータはQGISでインポートできる。
35.
実際に属性を結合させる ← ①レイヤの 29-20110131-行政区画25000 の上 で右クリックをし、
プロパティ を選択する。 ↓ ②プロパティのバーの 結合 をクリックし、をクリックす る。 → ③レイヤを結合する 「行政区画_英名」 フィールドを結合する 「ID」 ターゲットフィールド 「id」 をそれぞれ選択して OK をクリック
36.
属性が結合されているか確認 ←何度もやるけど・・・ ①レイヤの 29-20110131-行政区画25000 の上で右クリック をし、
属性テーブルを開く(O) を選択する。 ↓「 29-20110131-行政区画25000.shp」に英名の行政名が追加された
37.
結合結果を保存 いまは、一時的に結合をしている状態なので新しくエクスポートをする必要がある。 ↓ ①レイヤの 29-20110131-行政区画25000 の上で 右クリックをし、
名前をつけて保存 を選択する。 ← ②形式 「ESRI Shapefile」 名前をつけて保存 「 29-20110131-行政区画 25000_2.shp」 エンコーディング 「Shift_JIS」 CRS 「レイヤCRS」 保存されたファイルを地図に追加する チェックをいれる そして、 OK を押す
38.
では、奈良市には何件の建築がある? c 建築物の属性情報をみたけど、奈良市に何件建物があるかわかる情報はあるだろうか?↑ ・・・建築物の数は138522件あるけど、どの建物がどこに属しているかの情報がない。
39.
建築物のGISデータをインポート ←別のGISデータをレイヤとして追加する ① ベクトルレイヤの追加 をクリックし、 「29-20080331-建築物25000.shp」を追加する。 → 拡大するとこんな感じ!
40.
行政区画を使って建築物に新しい情報を付加する ← ① ベクタ(t) をクリックし、
データマネジメントツール(D) から 場所で属性を結合する を選択する。 ← ② 対処ベクタレイヤ 「29-20080331-建築物25000.shp」 ベクタレイヤを結合する 「29-20110131-行政区画25000_2.shp」 属性の集計方法 「最初に見つかった地物の属性を利用する」 をそれぞれ選択し、保存先を設定したら OK をクリック。 気長にまとう
41.
奈良市の建物を探す ←何度もやるけど・・・ ①レイヤの 建物空間結合 の上で右クリックをし、 属性テーブルを開く(O)
を選択する。 ↑ ②検索のところに「NarakenNarashi」と入力し NAME を 選択し、 (S)検索 をクリックすると、青く選択される。
42.
奈良市の建物が地図上で選択された状態
43.
奈良市の建物だけのGISデータを作成する ← ①レイヤの 建物空間結合 の上で右クリックをし、 選択を名前をつけて保存...
を選択する。 ← ②形式 「ESRI Shapefile」 名前をつけて保存 「奈良市建物.shp」 エンコーディング 「Shift_JIS」 CRS 「レイヤCRS」 「 保存されたファイルを地図に追加する」 にチェックし、 OK をクリックす る。
44.
奈良市だけの建物データ完成
45.
Chap4 ラスターデータってなに?
46.
QGISは最初にCRS設定 ← ① 設定 →
プロジェクトのプロパティ を選択 → ① 空間参照システム(CRS) をクリックし「オン ザフライCRS変換を有効にする」にチェックを いれる。 → ②フィルターに「JGD2000」と入力し、 JGD2000/Japan Plane Retangular CSⅥ を クリックし、 OK をクリック。 これは再起動の必要がないCRS設定の方法!!
47.
ラスターデータの読み込み ← ① ラスタレイヤの追加 をクリックし、 「Miyagi_10mDEM.tif」を選択し、読み込む。 こんな感じになる。→
48.
ラスターデータの色の編集 ← ① Miyagi_10mDEM.tif を右クリックか ら
プロパティ をだし、 スタイル のタブを選 択する。そして、「カラーマップ」を 原色 を 選び、 OK をクリック カラー表示され、さっきよりわかりやすくなったかな?→
49.
自分の設定で標高に色をつける ← ① スタイル タブの「カラーマップ」を
カラー マップ に変更する。 ↑ ②「色の補間」を 離散的 を選択し、 エ ントリを追加 する。そして、各標高に 合わせた色を設定する。 こんな感じになるだろうか?→
50.
ラスターレイヤを拡大してみる ← ①これまで使ってきた拡大ツールで拡大 ↑どんどん荒くなっていくことがわかる 何かに似てる?→ 点・線・面でなく、ピクセル!!
51.
植生分類図を追加する Discussion!! さて標高20m以上に展開しているアカマツ群落を抽出するにはベクトルデータとラスタデータどちらが良い?
52.
適当に植生分類図を色分け ← ①プロパティから スタイル を選択し、 分類された
のタブを選択し分類する。 → 余裕のある人は分類を!
53.
1448個の地物の多さ・・・ 1448個の地物が存在している ベクトルをラスタ化するためには数値型の属性分類をする必要がある... 1448個も属性をいれていく?
54.
いっそのことまとめてしまえ! ← ① ベクタ から
空間演算ツール の 融合 を選択する。 ②ベクタレイヤーの入力 「p574130」 融合フィールド 「ORG_NO」 出力Shapefileを 「p574130_Merge.shp」 最後に OK を押す。 →
55.
複数のポリゴンがひとまとに ←1つの選択で複数のポリゴンが選択されるように!! 合計で33地物になった。
56.
分類の値をいれていく ↓①Mergeした属性テーブルを開く ←⑤数値を入力していく 編集開始 ②⑥ ⑦ 保存 ③ 新しい列の追加 ↑④(a)名前 「Vegi」 タイプ 「整数値(integer)」 幅 「3」 OK を押す
57.
Vegiに数値での分類ができた。 →Vegi・・・Vegetation!!
58.
いらない属性値を削除していく ← ① プラグイン(P) から
Table の Table manager を選択する。 ↓ ②「ORG_NO」と「Vegi」以外を残して あとは Delete ボタンをおして属性の削除 をし、 Save を押す。 ← シンプルに!
59.
せっかくなので属性結合もする とにかく何度も繰り返す! Merge前とMerge後の属性値が結合される
60.
やっと本題のラスタ変換 ← ① ラスタ(R) から
変換 の ラスタ化(ベクタの ラスタ化) を選択する。 → ②・入力ファイル(Shapefile) 「p574130_Merge」 ・属性フィールド 「Vegi」 ・ラスタ化されたベクタ出力ファイル(ラスタ)(O) 「Miyagi_vegi.tif」 ・「新しいサイズ(出力ファイルが存在しない場合必 要)」にチェックをいれ、「幅:1000 高さ:800」を 入力する。 最後に OK を押す。
61.
ラスタも投影変換が可能! 実は植生分類はWGS84なのでDEMのデータと同じ座標系にする必要がある ← な ん か 近 未 来 な 名 前 w → ①・入力ファイル 「Miyagi_Vegi」 ・出力ファイル 「MIyagi_Vegi_Warp」 ・ソースSRS(S) 「WGS84」 ・ターゲットSRS(T) 「JGD2000/Japan Plane Rectangular
Ⅹ」 ・データ無しの値 「0」 そして、 OK を押す。
62.
アカマツ群落だけを表示させる ← ①Miyagi_Vegi.tifのプロパティからカラーマッ プを選択し、 色の補間:厳密 でアカマツ群落のみに色をつける。
63.
いよいよ 標高20m以上に展開しているアカマツ群落の抽出 「 ( Miyagi_Vegi_Warp@1
= 2 ) AND ( Miyagi_10mDEM@1 >= 20 ) 」 ↑①ラスタ演算式を入力し、出力レイヤ:Miyagi_Vegi_20.tifを決め て OK をクリック。 式の意味 【Miyagi_Vegi_Warp.tifのバンド1の値、Vegi = 2(アカマツ群落) かつ Miyagi_10mDEM.tif(標高)が20m以上】 標高20m以上のアカマツ群落(Vegi:2)を抽出する
64.
標高との関係をもった分類完了! 青が20m高い ピンクが20mより低い
65.
これじゃ寂しいので・・・ ← ちょっとミニクイかな... → ① ラスタ(R) から
解析手法 を選択し、 DEM(テリアンモデル) をクリックする。
66.
DEMから陰影図を作成する ← ①入力ファイル:Miyagi_10mDEM 出力ファイル:Miyagi_hilshade.tif モード:陰影図 「終了時にキャンパスにロードします」にチェック
67.
陰影図を使った3D表示 ← ①「Miyagi_hilshade.tif」のプロパティから 透過 性 を選択し、全体の透過率を50%くらいに設定する。 DEMのみ DEMと陰影図
68.
ちょっと分析用の図も ← ①入力ファイル:Miyagi_10mDEM 出力ファイル:Miyagi_slope.tif モード:傾斜 「終了時にキャンパスにロードします」にチェック ②色の設定を変えることで傾斜をわかりやすくする→
69.
斜面の方位も色分け表示 ← ①入力ファイル:Miyagi_10mDEM 出力ファイル:Miyagi_espect.tif モード:傾斜方位 「終了時にキャンパスにロードします」にチェック ②色の設定を変えることで傾斜をわかりやすくする→
Baixar agora