Politechnika Wrocławska

Studia Podyplomowe

Systemy Informacji Geograficznej

Praca końcowa:

Możliwości wykorzystania Quantum GIS

w wizualizacji, przetwarzaniu i analizie

prognostycznych danych meteorologicznych

Wojciech Krasowski

Promotor pracy:dr in ż. Robert Szczepanek

1

Spis treści

Streszczenie.................................................................................................................................31. Wstęp......................................................................................................................................41.1. Cele i zakres pracy...............................................................................................................41.2. Quantum GIS.......................................................................................................................61.3. Prognostyczne dane meteorologiczne..................................................................................71.4. Oprogramowanie do pozyskiwania prognostycznych danych meteorologicznych w formacie wektorym i rastrowym...............................................................................................101.5. Geoodniesienie...................................................................................................................132. Wybrane aplikacje meteorologiczne stosowane w Polsce....................................................143. Wizualizacja i klasyfikacja prognostycznych danych meteorologicznych...........................183.1. Reprezentacja wektorowa..................................................................................................183.1.1. Typy geometryczne danych............................................................................................183.1.2. Typy graficzne danych....................................................................................................213.2. Reprezentacja rastrowa......................................................................................................303.3. Podsumowanie...................................................................................................................354. Podstawowe narzędzia do przetwarzania wektorowych i rastrowych danych prognostycznych.......................................................................................................................364.1. Podstawowe statystyki danych (wtyczka Statist)...............................................................364.2. Wyznaczanie obszarów spełniających zadane kryteria (Filtr danych)..............................384.3. Interpolacja.........................................................................................................................404.4. RasterCalc narzędziem do algebry map.............................................................................474.5. Podsumowanie...................................................................................................................485. Przykłady analiz i kartograficznych produktów meteorologicznych....................................495.1. Mapa rozkładu temperatury powietrza dla obszaru górskiego na przykładzie wybranych pasm Sudetów...........................................................................................................................495.2. Analiza przestrzennej zmienności wskaźnika burzowego Whaitinge'a.............................515.3. Analiza frontów atmosferycznych.....................................................................................535.4. Kartograficzna prognoza warunków pogody dla Polski....................................................545.5. Produkty meteorologicznej osłony zimowego utrzymania dróg (zud)..............................585.6. Podsumowanie...................................................................................................................606. Możliwości publikacji analiz................................................................................................616.1. Zapis w postaci projektu....................................................................................................616.2. Obraz..................................................................................................................................626.3. KML jako przykład formatu wektorowego.......................................................................626.4. HTML I Mapfile................................................................................................................636.5. Wydruki.............................................................................................................................646.6. Podsumowanie...................................................................................................................657. Podsumowanie......................................................................................................................66Spis rycin...................................................................................................................................67Spis tabel...................................................................................................................................69Literatura...................................................................................................................................70

2

Streszczenie

Tytuł pracy: Możliwości wykorzystania Quantum GIS w wizualizacji, przetwarzaniu i analizie prognostycznych danych meteorologicznych

Słowa kluczowe: GIS, meteorologia, prognoza warunków pogody, prognostyczne dane meteorologiczne, numeryczny model prognostyczny, GRIB

Quantum GIS jest bardzo dynamicznie rozwijanym projektem programistycznym umożliwiającym wczytywanie, wizualizację i analizę danych wektorowych oraz rastrowych. Program oparty jest na systemie wtyczek o określonej funkcjonalności. Zalicza się do grupy aplikacji typu Open Source. Otwartość kodu źródłowego pozwala na personalizowanie jego możliwości. W związku z tym postanowiono dokonać oceny użyteczności Quantum GIS w wersji 1.5.0 w zakresie wizualizacji oraz analizy prognostycznych danych meteorologicznych, a więc wyników numerycznego modelowania warunków pogody. W pracy wykorzystano dane generowane przez globalny model prognostyczny (GFS). Wizualizowano i analizowano dane wektorowe i rastrowe wskazując na możliwości, ale i ograniczenia poszczególnych wtyczek. Należy bowiem podkreślić, że program, mimo wczytywania danych w formacie meteorologicznym (GRIB) nie powstał na potrzeby tej specyficznej dziedziny wiedzy i działalności. Stąd, jednym z celów projektu, jest również rozwój oprogramowania w celu zwiększenia jego efektywności w zakresie analizy danych meteorologicznych, zarówno prognostycznych, jak i aktualnych, w różnym formacie. W pracy przedstawiono także przykłady kartograficznych produktów meteorologicznych oraz możliwości ich wykorzystania. Wykazano zadowalającą użyteczność Quantum GIS 1.5.0 w wizualizacji i analizie danych prognostycznych.

Title: The Possibilities of using Quantum GIS in visualization, geoprocessing and analyzing prognostic meteorological data

Key words: GIS, meteorology, weather forecast, prognostic meteorological data, numeric weather forecast model, GRIB

The Quantum GIS software is a very fast developed programming project that allows loading, visualization and analyzing vector and raster data. The program is based on a system of plug-ins, which has wide functionality. It belongs to the group of The Open Source applications. The open source code allows you to personalize capabilities of Quantum GIS. Therefore it was decided to assess the usefulness of Quantum GIS 1.5.0 in visualization and analysis of prognostic meteorological data. The global forecast model (GFS) data were used in this project. The vector and raster data were used to visualize and analyzing the opportunities of individual plug-ins. It should be noted that the program, despite loading the meteorological data in GRIB format, has not been designed for this specific field of knowledge and activity. So developing the program is one of the further aims of the project. It is believed that it will enhance its efficiency in the analysis of meteorological data, both forecasting. The paper presents examples of cartographic and meteorological products and their possible use. Generally Quantum GIS software may be considered as very useful in visualizing and analyzing the meteorological data.

3

1. Wstęp

1.1. Cele i zakres projektu

Podstawowym celem projektu jest ocena przydatności programu Quantum GISw wizualizacji i przetwarzaniu prognostycznych danych meteorologicznych

W opracowaniu przeanalizowano możliwości wykorzystania w programie QGIS warstw wektorowych jak i obrazów rastrowych. Wskazano dostępne formaty danych oraz dostrzeżone utrudnienia, problemy. Zaprezentowano ponadto przykłady narzędzi użytecznych w wykonywaniu analiz meteorologicznych oraz w przygotowywaniu konkretnych produktów meteorologicznych (map). Omówiono metodykę ich wykonania oraz wybrane problemy związane z użytkowaniem wtyczek. W niektórych przypadkach określono możliwości rozwiązania pojawiających się problemów. Opracowanie nie jest jednak przewodnikiem po Quantum GIS.

Opracowanie składa się z pięciu rozdziałów i obejmuje:• źródła prognostycznych danych meteorologicznych oraz drogi ich implementacjiw QGIS,• oprogramowanie wspomagające pozyskiwania prognostycznych danych meteorologicznych,

• aktualnie stosowane w Polsce aplikacje służące przygotowywaniu prognoz warunków pogody, a więc wizualizacji, analizie i przetwarzaniu prognostycznych danych meteorologicznych,• wizualizację prognostycznych danych meteorologicznych w postaci wektoroweji rastrowej ze wskazaniem metod oraz narzędzi,• przykłady analiz wektorowych i rastrowych na prognostycznych danych meteorologicznych,• przykłady kartograficznych produktów meteorologicznych z ogólna metodykąoraz dostrzeżone problemy,• podsumowanie.

Pozyskiwanie prognostycznych danych meteorologicznych jest zasadniczym elementemw procesie przygotowywania prognozy warunków pogody. W pracy wskazano ich lokalizacjęw sieci Internet oraz narzędzia służące implementacji danych w QGIS, jako że danew formacie wektorowym można uzyskać wyłącznie na drodze konwersji typu raster-wektor. Zasadniczo dane prognostyczne w wymianie międzynarodowej mają format rastrowy.

Dalsza część pracy poświęcona jest możliwościom wizualizacji, analizyoraz przetwarzania prognostycznych danych meteorologicznych. Niektóre dane, szczególnie wiatr (kierunek, prędkość), wymagają zastosowania specyficznych metod wyświetlania;temu zagadnieniu poświęcono zatem więcej miejsca. Dobór prognostycznych danych meteorologicznych wykorzystanych w rozdziale trzecim oparto na częstości ich stosowania; wybrano zatem temperaturę powietrza (minimalną i maksymalną) na wysokości standardowej2 m. n.p.t., wilgotność bezwzględną, zachmurzenie ogólne oraz poszczególnych pięter wysokościowych, zjawiska meteorologiczne, kierunek i prędkość wiatru na wysokości10 m n.p.t. oraz ciśnienie atmosferyczne i tendencję ciśnienia na poziomie morze i zależnieod rzędnej punktu prognozy. W zakresie analiz wskazano na możliwości przetwarzania danych prognostycznych zarówno dla warstw przyziemnych troposfery, jak i wyższych poziomów barycznych (szczególnie 925, 850, 700 i 500 hPa). Zatem zasadniczym kryterium

4

doboru analiz była ich użyteczność z punktu widzenia prognozowania warunków pogody. Poza tym zwrócono uwagę na ograniczenia techniczne towarzyszące wizualizacji i przetwarzaniu danych. W tym miejscu należy wspomnieć, że w przypadku kolejnych wersji oprogramowania mogą się one okazać nieaktualne; projekt oparto bowiem na wersji Quantum GIS Tethys 1.5.0. W opracowaniu celowo pominięto wybrane szczegóły dotyczące przeprowadzonych analiz.

Na końcu procesu prognostycznego znajduje się zawsze produkt graficznylub kartograficzny odpowiadający wymogom klienta, odbiorcy. W związkuz tym przedstawiono kilka map. Mają one stanowić przykład możliwości QGIS w zakresie przygotowywania prognoz warunków pogody o różnym zakresie przestrzennym i czasowym. Sformułowano przy tym ogólne zasadny wykonania oraz zwrócono uwagę na zaobserwowane błędy czy problemy.

Każdy rozdział oraz całość pracy kończy podsumowanie stanowiące ocenę omawianego etapu przygotowywania prognozy warunków pogody lub ogółu możliwości badanego oprogramowania. Projekt będzie przedłożony do dalszych konsultacji zarządowi firmy, której autor jest pracownikiem. Celem jest bowiem wdrożeniem systemu Quantum GIS i zwiększenie zakresu wykonywanych usług oraz przygotowywanych produktów. Opracowanie jest tylko merytoryczną częścią całego projektu. W dalszej perspektywie zostanie wykonana ekonomiczna ocena efektywności wdrożenia Quantum GIS oraz rozpoczną się prace nad przygotowaniem meteorologicznych wtyczek w PyGISie i automatyzacją analiz oraz tworzenia kartograficznych produktów meteorologicznych. Jeśli nie podano źródła ryciny, została ona wykonana przez autora pracy.

5

1.2. Quantum GIS

Quantum GIS jest oprogramowaniem udostępnianym na licencji Open Source (GNU GPL), a więc z dostępem do kodu źródłowego. Może być rozwijany zarówno przez osoby prywatne, jak i przez firmy komercyjne.

Program zaczął powstawać w 2002 roku jako odpowiedź na brak wydajnego systemu geoinformacyjnego działającego na platformie Linux [27]. Wersja 1.0.0 ukazała sięw 2009 roku. Aplikacja jest tworzona w języku C++ [26]. Posiada rozbudowane możliwości wczytywania, wizualizacji, przetwarzania, zarządzania i zapisu danych przestrzennych. Bazując na bibliotekach GDAL/OGR, aplikacja obsługuje wiele formatów danych, zarówno wektorowych, jak i rastrowych, w związku z czym jest bardzo konkurencyjna w stosunkudo oprogramowania komercyjnego. Pod względem funkcjonalności, szczególnie w zakresie dostępnych narzędzi, ustępuje jeszcze innym aplikacjom geoinformacyjnym. Brakuje między innymi rozbudowanego modułu do algebry map (niska funkcjonalność wtyczki RasterCalc

1.3 ), posiada ograniczenia w zakresie funkcji Zł ącz atrybuty lub Zł ącz atrybuty

przez lokalizacj ę (m.in. trudności w łączeniu wielu tabel). Niemniej jego nieustanny rozwój skutecznie niweluje te różnice. W efekcie QGIS może być z powodzeniem stosowany zarówno w celach edukacyjnych, jak i przy profesjonalnych przedsięwzięciach [27].

Quantum GIS rozwijany jest przez programistów z kilkudziesięciu krajów [28], którzyco jakiś czas spotykają się na tzw. Hackfestach, między innymi we Wrocławiu, gdzie kilka dni i nocy poświęcają rozbudowie i porządkowaniu struktury aplikacji tak, by czynić ją coraz użyteczniejszą i bardziej konkurencyjną na rynku [29]. Jednak każdy zainteresowany znający środowisko programistyczne QGIS może go rozwijać.

Funkcjonalność QGIS oparta jest na systemie wtyczek (Plugins) tworzonych w języku Pyton (aplikacja PyGIS). Umiejętność posługiwania się tym środowiskiem programistycznym umożliwia tworzenie własnych narzędzi, zależnie od potrzeb oraz ich udostępnianie w ramach instalatora wtyczek innym użytkownikom na całym świecie [30]. Wtyczki dostępne sąw dwóch typach repozytoriów: oficjalnym oraz nieoficjalnych, prowadzonychprzez użytkowników programu w różnych częściach świata, przygotowujących często wyspecjalizowane, branżowe wtyczki [30]. W repozytoriach nieoficjalnych (uzupełniających, wspierających) znajdziemy zatem między innymi wtyczkę do wyświetlania stratygrafii (Arpat ), do generalizacji przebiegu linii wg algorytmu Douglasa-Peuckera [1](DP Symplify ), kalkulator rastrowy (RasterCalc ), Przestrzenną Analizę Danychdla Zbiorów Punktów (SDA4PP), czy generator znaku wodnego (Watermark Plugin ).

Quantum GIS jest jednym z najpopularniejszych programów geoinformatycznychna licencji Open Source [28]. Wśród przedsiębiorstw korzystających z tej aplikacji wymienia się: NASA, Boeinga, Siemensa czy Adobe [27].

Aktualnie dostępna jest wersja QGIS 1.6.0. o nazwie Copiapó. W niniejszym projekcie wykorzystano jednak wersję 1.5.0, ponieważ w czasie prowadzonych prac była to ostatnia, rozwinięta (nietestowa), wersja aplikacji.

6

1.3. Prognostyczne dane meteorologiczne

Pod hasłem prognostycznych danych meteorologicznych rozumie się wyniki matematycznego modelowania warunków pogody dystrybuowane w postaci plików GRIB. Jest to międzynarodowy format zapisu i wymiany danych meteorologicznych w postaci grida. W opracowaniu wykorzystano GRIBy numerycznego modelu prognostycznego GFS (Global Forecasting System) [16]. Wszelkie prognostyczne elementy meteorologiczne (wyniki modelowania) wykorzystane w projekcie dostępne są pod adresem:

http://nomad1.ncep.noaa.gov/ncep_data/index.html

N.O.M.A.D.S. jest systemem dystrybucji danych przy NOAA(Narodowa Administracja ds. Oceanów i Atmosfery). Prócz prognoz, do dyspozycji mamy również reanalizy meteorologiczne i klimatologiczne, a także wyniki monitoringu zmian klimatu.

Pozyskanie danych odbywa się na kilku etapach. Przede wszystkim należy wybrać serwer danych; w projekcie korzystano z serwera NOMAD1. Pozostałe posiadają częściowo zbieżny zasób danych, choć serwer NOMAD2 i NOMAD3 są na etapie rozwoju [13].

W kolejnych krokach należy wskazać zasób interesujących nas danych oraz danych datę startu modelu numerycznego (dzień wygenerowania danych prognostycznych) i godzinę,z której pochodziły wyjściowe dane do modelowania. Projekt oparto na danych prognostycznych modelu GFS o rozdzielczości 0,5×0,5° i horyzoncie czasowym 7 dni (GFS High Resolution, 0.5 degree, 1 week). Skorzystano z opcji FTP2U. Po wyświetleniu zasobu danych prognostycznych należy wybrać interesujące nas punkty czasowe prognozy, na przykład dane wygenerowane podczas sesji o godzinie 00:00 UTC dla 9 godziny okresu prognozy (gfs.t00z.master.grbf09). Oczywiście, zgodnie z treścią komunikatu na stronie serwera danych, można wskazać jeden lub więcej punktów prognozy. Użytkownicy aplikacji GrADS mogą jednocześnie pobrać pliki CTL oraz IDX niezbędne podczas korzystania z treści pozyskanych zasobów danych prognostycznych. Następnie wybieramy poziomy baryczne, dla których chcemy pozyskać wymienione niżej dane prognostyczne. Komunikat informuje przy tym, że nie wszystkie możliwości są dostępne; oznacza to,że w pojedynczych przypadkach istnieje konieczność pobrania danych dotyczących elementu meteorologicznego, na przykład temperatury wirtualnej, dla wszystkich poziomów; wskazanie tylko jednego skutkuje wygenerowaniem pustego pliku GRIB. Dostępne poziomy baryczne opisano wartościami ciśnienia atmosferycznego. W przybliżeniu można powiedzieć,że 25 hektopaskalom odpowiada wartość z przedziału od 200 do ponad 350 metrów,przy czym im wyżej tym wyższa wartość; wynika to malejącej gęstości powietrza [6]. W tabeli 1 podano nazwy dostępnych parametrów meteorologicznych.

7

Tabela 1.3.1. Oznaczenia i opis wybranych parametrów modelowania numerycznego warunków pogody (model GFS)

Nr Parametr Opis danych

1. 4LFTXRóżnica temperatury wznoszonej i ochładzanej adiabatycznie cząstki powietrza i

temperatury otoczenia na czterech powierzchniach izobarycznych [K]2. 5WAVH Wysokość geopotencjalna fal Rossby’ego [gpm]3. ABSV Wirowość absolutna [s-1]4. ACPCP Całkowita suma opadów konwekcyjnych [mm]5. ALBDO Albedo [%]6. APCP Całkowita suma opadów atmosferycznych [mm]7. CAPE Energia potencjalna dostępna konwekcyjnie [J kg-1]8. CFRZR Opady marznące (0 – brak, 1 – jest)9. CICEP Śnieg ziarnisty (0 – brak, 1 jest)10. CIN Warstwy hamujące w atmosferze (0 – brak, 1 – są)11. CWORK Funkcja pracy chmur [J kg-1]12. CLWMR Stosunek zmieszania [kg kg-1]13. CPRAT Intensywność opadów konwekcyjnych [kg m-2 s-1]14. CRAIN Opad deszczu (0 – brak, 1 – jest)15. CSNOW Opad śniegu (0 – brak, 1 – jest)16. CWAT Woda w chmurach [kg m-2]17. DLWRF Natężenie opadającego strumienia promieniowania długofalowego [W m-2]18. GFLUX Natężenie promieniowania z gruntu [W m-2]19. GPA Anomalia wysokości geopotencjalnej [gpm]20. HGT Wysokość geopotencjalna [gpm]21. HPBL Wysokość planetarnej warstwy granicznej [gpm]22. ICEC Frakcja pokrywy lodowej23. LAND Frakcja pokrywy lądowej

24. LFTXRóżnica temperatury wznoszonej i ochładzanej adiabatycznie cząstki powietrza

oraz temperatury otoczenia [K]25. LHTFL Strumień ciepła utajonego [W m-2]26. O3MR Stosunek zmieszania ozonu [kg kg-1]27. PEVPR Ewaporacja potencjalna [kg m-2]28. POT Temperatura potencjalna [K]29. PRES Ciśnienie atmosferyczne bez redukcji do poziomu morza [Pa]30. PRATE Intensywność opadów atmosferycznych [kg m-2 s-1]31. PRMSL Ciśnienie atmosferyczne zredukowane do poziomu morza [Pa]32. PWAT Wodność w słupie troposfery [kg m-2]33. RH Wilgotność względna [%]34. SHTFL Strumień ciepła odczuwalnego [W m-2]35. SOILW Frakcja wilgotności gleby37. TCDC Zachmurzenie ogólne [%]38. TMAX Temperatura maksymalna powietrza [K]39. TMIN Temperatura minimalna powietrza [K]40. TMP Temperatura powietrza [K]44. UGRD Składowa U wektora wiatru45. ULWRF Natężenie wznoszącego strumienia promieniowania długofalowego [W m-2]48. VGRD Składowa V wektora wiatru

8

Jeśli jesteśmy zainteresowaniu pozyskaniem danych prognostycznych tylkodla określonego regionu Świata, powinniśmy podać wartości graniczne współrzędnych geograficznych. Zatwierdzenie całości skutkuje wygenerowaniem linku z dostępemdo zdefiniowanego zbioru danych prognostycznych. Wyjściowym formatem są rastrowe pliki GRIB, jedno- lub wielokanałowe, zależnie od liczby poziomów izobarycznych, dla których istnieją dane prognostyczne. Na przykład w przypadku zachmurzenia (TCDC) uzyskujemy raster 6-kanałowy (zachmurzenie piętra niskiego, średniego, wysokiego, zachmurzenie ogólne, zachmurzenie konwekcyjne i zachmurzenie w planetarnej warstwie granicznej).

Pozyskane w ten sposób dane prognostyczne mogą być bezpośrednio wykorzystywanew Quantum GIS; GRIB jest bowiem jednym z wielu formatów danych dostępnych z poziomu tego oprogramowania. Rastry GRIB cechują się rozdzielczością przestrzenną zależną od możliwości numerycznego modelu prognostycznego, z którego pochodzą dane meteorologiczne. W przypadku GFS mamy do dyspozycji rozdzielczość 2°szerokości geograficznej × 2° długości geograficznej (dla okresu od 186 godziny prognozy), 1,0°×1,0° lub 0,5°×0,5° (dla okresu do 180 godziny prognozy). W związku z tym rastry będą posiadały piksele o wymiarach od około 250 do około 40 km. Krok czasowy prognozy wynosi odpowiednio 12 oraz 6 i 3 godziny. Dane meteorologiczne zapisane są w układzie współrzędnych LatLon (szerokość-długość geograficzna) opartym na elipsoidzie WGS-84. Zastosowany układ odniesienia jest wiernokątny; powierzchnia jest zniekształcona (ryc. 1.3.1).

Ryc. 1.3.1. Zniekształcenie powierzchniowe kształtu Polski

Pozyskiwanie prognostycznych danych meteorologicznych w postaci warstw wektorowych wymaga instalacji dodatkowego oprogramowania: zyGRIB lub/i tkdegrib. W wersji Tethys, QGIS oferuje zdecydowanie więcej narzędzi do wyświetlania i przetwarzania danych wektorowych niż rastrowych. Prognostyczne dane meteorologiczne mogą być wczytywane w postaci plików w formacie ESRI SHP (shapefile).

9

1.4. Oprogramowanie do pozyskiwania prognostycznych danych meteorologicznych w formacie wektorowym i rastrowym

Wczytywanie danych prognostycznych w formacie wektorowym musi być poprzedzone instalacją oprogramowania, które konwertuje rastrowe GRIBy do postaci warstw wektorowych ESRI SHP. Zasadniczą rolę spełnia w tym przypadku program deszyfrujący, dekodujący (deGRIB). Przykładem takiej aplikacji jest tkdegrib dystrybuowany bez ograniczeń, zgodnie z wolą autorów, „w nadziei, iż okaże się przydatny” [21].

Aplikacja pozwala czytać zawartość plików GRIB i konwertować je do formatów: SHP, NetCDF i ASCII. Najużyteczniejsza jest konwersja do formatu SHP. W tym przypadkudo dyspozycji mamy dwa wyjściowe typy geometryczne: punkt i poligon. Warstwa poligonowa przypomina swą strukturą warstwę rastrową pliku GRIB – widoczny jest bowiem podział na pola podstawowe (odpowiednio poligony i komórki rastra). Z kolei zapis do postaci punktowej warstwy wektorowej prowadzi do wygenerowania sieci regularnie rozmieszczonych punktów zlokalizowanych w węzłach siatki geograficznej o rozdzielczości zależnej od wczytanych danych (2°×2°, 1°×1° lub 0,5°×0,5°). Aplikacja tkdegrib pozwala również na definiowanie jednostek danych; do dyspozycji pozostają jednostki metryczne, gribowe i angielskie. Ponadto, istnieje możliwość określenia precyzji zapisu danych, a więc liczby miejsc po przecinku (ryc. 1.4.1.).

Ryc. 1.4.1. Okno aplikacji tkdegrib (degrib)Zawartość (struktura) pliku GRIB wskazanego u góry widoczna w postaci układu wierszy

Drogą pozyskiwania prognostycznych danych meteorologicznych w formie rastrowej jest, poza serwerem N.O.M.A.D.S., aplikacja zyGRIB [14]. Program umożliwia pobieranie prognostycznych danych meteorologicznych w postaci depesz GRIB z serwera NOAA (National Ocean and Atmosphere Agency) oraz ich wizualizację między innymi w postaci map za pomocą barw czy izarytm. Dostępnych jest kilkanaście elementów meteorologicznych dla czterech głównych poziomów izobarycznych (1000, 925, 850 i 500 hPa). Z lewej strony okna aplikacji znajdują się informacje o lokalizacji punktu prognozy oraz o wartościach wybranych elementów meteorologicznych (ryc. 1.4.2).

10

Ryc. 1.4.2. Okno aplikacji zyGRIB.Widoczna mapa barwna temperatury powietrza z naniesionymi wartościami

w węzłach siatki geograficznej oraz przyziemne pole baryczne opisane izobarami co 5 hPa.

Oprócz przeglądania prognoz kartograficznych wybranych elementów meteorologicznych, istnieje możliwość generowania depesz GRIB, które z łatwością mogą być dekodowane w aplikacji Degrib. zyGRIB umożliwia przy tym personalizowanie zawartości GRIBów. Samodzielnie decydujemy o:

• Zasięgu przestrzennym (współrzędne geograficzne),

• Rozdzielczości przestrzennej (0,5°; 1,0°; 2,0°),

• Kroku czasowym (3, 6, 12, 24 godziny),

• Horyzoncie czasowym prognozy (1-7 dni).Wskazujemy ponadto, które z dostępnych elementów meteorologicznych (temperatura powietrza, prędkość i kierunek wiatru itp.) powinny się znaleźć w depeszy. Wybieramy poziomy izobaryczne, poza poziomem 1000 hPa (dodawany jest domyślnie), dla których chcemy uzyskać przestrzennych rozkład wybranych elementów meteorologicznych (ryc. 1.4.3). Zdefiniowaną depeszę realizujemy poprzez Download GRIB file .

Ryc. 1.4.3. Okno menedżera pobierania depeszy GRIB

11

Sama aplikacja, prócz map, pozwala na jednoczesne przeglądanie zmian wybranych elementów meteorologicznych w czasie, w postaci tabeli. Dostęp do niej uzyskujemy poprzez kliknięcie prawym przyciskiem myszy w interesującym nas miejscu na wyświetlanej mapiei wybór opcji Meteotable (ryc. 1.4.4).

Ryc. 1.4.4. Okno opcji Meteotable – przeglądanie wybranych prognozy wybranych elementów meteorologicznych dla wskazanego punktu (współrzędne na górnym pasku okna)

Zatem, pozyskiwanie GRIBów (format rastrowy) nie wymaga instalacji dodatkowego oprogramowania, natomiast w przypadku konieczności, czy chęci korzystania z danych wektorowych, należy skorzystać z aplikacji tkdegrib lub, o czym mowa w dalszej części opracowania, dokonać ekstrakcji zawartości komórek rastra w oparciu o przygotowaną warstwę wektorową punktów lub poligonów.

12

1.5. Geoodniesienie

Prognostyczne dane meteorologiczne wykorzystywane na potrzeby niniejszego projektu posiadają domyślnie układ współrzędnych Długość-szerokość geograficzna oparty na elipsoidzie WGS84. W związku z tym kształt map odbiega od ogólnie rozpoznawanego (ryc. 1.5.1).

Ryc. 1.5.1. Przykład mapy w układzie długość-szerokość geograficzna WGS84

Program zapewnia jednak łatwą i szybką transformację między układami odniesienia (Transformacja w locie ). Przykładem jest transformacja do „PUWG 1992” (ryc. 1.5.2).

Ryc. 1.5.2. Przykład mapy w układzie „1992”

W projekcie przyjęto jednak układ domyślny dla danych prognostycznych, ponieważ transformacja rastrów (np. GRIB) jest zdecydowanie bardziej kłopotliwa i czasochłonna, wobec czego nie znaleziono uzasadnienia dla korzystania z transformacji. Można ją zastosować w przypadku wyrażenia stosownego oczekiwania przez odbiorcę przygotowanych produktów.

13

2. Wybrane aplikacje meteorologiczne stosowane w Polsce

Na potrzeby niniejszego opracowania przyjęto, że aplikacją meteorologiczną jest program komputerowy służący do wczytywania, wyświetlania oraz przetwarzania (analizowania) danych meteorologicznych. W związku z tym można go utożsamiać z aplikacją geoinformacyjną wykorzystywaną do zarządzania danymi, w tym przypadku branżowymi (meteorologicznymi).

Jedną z aplikacji stosowanych w zagranicznych i w polskich, szczególnie komercyjnych, firmach z branży meteorologicznej jest amerykański GrADS (The Grid Analysys and Display System) rozwijany w ramach Instytute of Global Environment and Society. Służy do wizualizacji i analizy wszelkich danych naukowych (ang. science data). Jest dystrybucją bezpłatną. GrADS wykorzystuje dane 4-wymiarowe (szerokość i długość geograficzna, poziom izobaryczny i czas). Analizy mogą być przeprowadzane między warstwami rastrowymi (analizy czasowe) oraz w obrębie danej warstwy, również z wykorzystaniem danych obserwacyjnych (analizy przestrzenne). Aplikacja posiada aktualnie okienkowy interfejs graficznych (wersja dla systemu Windows), choć wszelkie polecenia mogą być nadal implementowane poprzez wiersz poleceń (m.in. wersja UNIX); GrADS wykorzystuje język FORTRAN. Do dyspozycji użytkownika pozostaje kilkadziesiąt rozmaitych funkcji (uśredniające, filtrujące, różnicowe, gridowe, matematyczne, meteorologiczne, przestrzenne, dla danych obserwacyjnych ze stacji meteorologicznych czy dla danych wektorowych), od najprostszych (suma, różnica) po bardziej skomplikowane (regresja). Ponadto, użytkownik może definiować własne funkcje [31].Program zapewnia możliwość wczytywania skryptów co czyni go jeszcze użyteczniejszym; pozwala bowiem automatyzować wizualizacje i analizy. GrADS generuje nie tylko mapy, ale również wykresy. Wyniki można zapisywać między innymi w postaci plików PNG. Oprócz danych rastrowych, Program wczytuje dane w formacie wektorowym ESRI SHP. Aplikacja jest ciągle rozwijana.

GrADS jest podstawową aplikacją stosowaną w firmie AURA CENTRUM sp. z o.o., którą autor projektu reprezentuje (ryc. 2.1).

Ryc. 2.1. Przykład mapy przygotowanej w programie GrADS dla AURA CENTRUM sp. z o.o. (źródło: [34])

14

Pomimo jego niewątpliwych zalet, szczególnie łatwości zarządzania danymi, spektrum obsługiwanych formatów danych rastrowych i wektorowych jest nadal, w porównaniu do QGIS, bardzo wąskie. Poza tym Program nie daje możliwości przygotowywania rozbudowanych graficznie prognoz warunków pogody, zwłaszcza w formacie SVG.

Przykładem innej aplikacji meteorologicznej (płatnej) jest Digital Atmosphere rozwijaną przez Weather Graphics w Garland (Stany Zjednoczone). Powstała ona w roku 1992 roku, a do systemu Windows została przystosowana 4 lata później. Digital Atmosphere jest w pełni fukcjonalnym programem prognostycznym bazującym na darmowych danych meteorologicznych udostępnianych w Internecie przez Rząd Stanów Zjednoczonych oraz uniwersytety. Dostępny jest w wersji standardowej oraz profesjonalnej. Dla celów testowych można go pobrać w wersji TRIAL (30 dni). Aplikacja obsługuje kilkanaście rozmaitych typów danych, między innymi: SYNOP, METAR, TEMP, GRIB, NEXRAD (ryc. 2.2). Niestety część możliwości wizualizacyjnych i analitycznych ogranicza się do danych z obszaru Ameryki Północnej (obrazy radarowe).

Ryc. 2.2. Przykład mapy przygotowanej w programie Digital Atmosphere (źródło: [35])

Aplikacja umożliwia wyznaczanie stref frontowych (dostępne gotowe zestawy symboli), przygotowywanie profesjonalnych map synoptycznych przyziemnych i górnych, analizowania diagramów termodynamicznych. Z punktu widzenia funkcjonalności, cena jest całkiem przystępna (kilkaset złotych). Program posiada własny system znaków zgodny z kluczem SYNOP. Nie przewidziano jednak możliwości tworzenia czy wczytywania własnych symboli meteorologicznych, szczególnie ikon pogody.

Digital Atmosphere (DA) jest kompatybilny z aplikacjami GIS; obsługuje między innymi dane w formacie SHP i GRIB, a więc w tym zakresie wykazuje podobieństwo do QGIS. Niestety, w zakresie formatów eksportowych brak takich, które dzięki zachowanej georeferencji mogłyby być wykorzystywane w innych aplikacjach GIS; Program zapisuje wyniki pracy w postaci GIF, JPG, PNG i BMP. Podobnie jak GrADS, DA daje możliwość korzystania ze skryptów [20].Z uwagi na odpłatność za użytkowanie, DA nie jest tak powszechnie stosowany jak GrADS.

Jakkolwiek Digital Atmosphere służy przygotowywaniu map, diagramów, wykresóww postaci zrozumiałej dla meteorologa, tak już program WeatherscapeXT firmy METRA z Nowej Zelandii jest prawdziwym kombajnem meteorologicznym. Program pozwala tworzyć w pełni profesjonalne, multimedialne prezentacje prognozy warunków pogody z zastosowaniem najnowszych technologii graficznych. Stąd znalazł zastosowanie w wielu znanych stacjach telewizyjnych, między innymi BBC, CNBC, Weather Chanel, Nelonen

15

(Finlandia) [22]; w Polsce prognozy warunków pogody w tym programie przygotowuje tylko AURA CENTRUM sp. z o.o. z Poznania. Odbiorcami są TVP Poznań, TVP Bydgoszcz i TVP Gorzów Wielkopolski.

Ryc. 2.3. Widok okna programu WeatherscapeXT. Na obrazie scena prognozy warunków pogody dla TVP Bydgoszcz

WeatherscapeXT korzysta z danych meteorologicznych zapisanych głównie w formacie GRIB. Pozwala tworzyć bardzo dynamiczne wizualizacje, zarówno w ujęciu przestrzennym, jak i czasowym. Kamera stanowiąca elementarny składnik Programu zapewnia widok na dowolny region świata z możliwością zbliżania, oddalania, zmiany kąta spojrzenia i poruszanie się po zdefiniowanych ścieżkach z opcją zatrzymania na określony w prezentacji czas. Spośród obsługiwanych formatów, z punktu widzenia kompatybilności z systemami GIS, należy wskazać E00 (ESRI ArcINFO).

Elementy meteorologiczne mogą być wizualizowane za pomocą map, wykresów, diagramów, a nawet fotografii – możliwość zdefiniowania zmian zachmurzenia i wystąpienia oczekiwanych opadów atmosferycznych na tle zdjęcia danej miejscowości lub dowolnego punktu na Ziemi. Program pozwala na budowanie dynamicznych map opadów (spadające cząstki) (ryc. 2.3.), wiatru (przemieszczające się strzałki), ciśnienia atmosferycznego (izobary), temperatury powietrza (mapa barwna) i inne. Dodatkowo, aplikacja obsługuje ikony pogodowe, które mają fundamentalne znaczenie z punktu widzenia większość prognoz telewizyjnych (ryc. 2.4.).W podkładzie prognoz można wykorzystywać numeryczny model terenu (3D), warstwy wektorowe z formami zagospodarowania terenu (drogi, nieruchomości, lasy). Program różnicuje oświetlenie Ziemi zależnie od godziny, pory roku. Obsługuje obrazy satelitarne, a więc pozwala wizualizować nie tylko prognozowane, ale i aktualne warunki pogodowe.

WeatherscapeXT służy jednak głównie wizualizacjom; posiada bardzo ograniczony moduł analityczny. Możliwa jest tylko konwersja jednostek (°C, K, °F i in.), ekstrakcja danych z grida na podstawie współrzędnych geograficznych.

16

Program bardzo dobrze integruje się z zewnętrznymi bazami danych, wszelkimi formularzami danych. Umożliwia automatyzację przygotowywania prognoz telewizyjnych. Zapisu efektów pracy można dokonać w postaci plików AVI, MOV, JPG, PNG, TIFF.

17

3. Wizualizacja i klasyfikacja prognostycznych danych meteorologicznych

3.1. Reprezentacja wektorowa

Reprezentacja wektorowa danych przestrzennych jest jedną z dwóch metod wyświetlania informacji o powierzchni Ziemi w postaci cyfrowej. Stosowana jest przeważnie do wizualizacji danych dyskretnych w formie punktu, linii lub poligonu. Rozmieszczenie punktów reprezentujących węzły siatki geograficznej można zatem potraktować jako przykład reprezentacji wektorowej. W literaturze wyodrębnia się jednak jeszcze jedną, poza rastrową i wektorową, cyfrową formę wizualizacji; jest nią reprezentacja pola [9]. Systemy geoinformacyjne korzystająz sześciu podejść do tego zagadnienia. Dwa z nich realizują koncepcję metody wektorowej,a pozostałe – rastrowej. Jako przykład metody rastrowej podaje się siatkę regularnie rozmieszczonych punktów (na przykład wartości rzędnej z modelu DEM). Jednak wartości zmiennej pola zapisane w siatce nieregularnie rozmieszczonych punktów (na przykład stacji meteorologicznych) traktuje się już jako przykład metody wektorowej. Takie rozgraniczenie nie znajduje uzasadnienia.

3.1.1. Typy geometryczne danych

Dane zapisane w postaci wektorowej mogą być reprezentowane przez trzy główne typy geometryczne: punkt, linię i poligon [9]. Prognostyczne dane meteorologiczne wczytywane są do QGIS w postaci punktów tworzących regularną siatkę, a odpowiadających lokalizacji węzłów siatki geograficznej o rozdzielczości przestrzennej 0,5° × 0,5° lub w postaci poligonów (kwadratów), których środek znajduje się w węźle siatki geograficznej (ryc. 3.1.1.1).

Ryc. 3.1.1.1. Przykłady dostępnych geometrycznych typów prognostycznych danych meteorologicznych(po lewej punkty, po prawej poligony)

18

Możliwości wyświetlania wartości danych meteorologicznych jedynie przy użyciu typów geometrycznych są ograniczone do zarządzania barwą (ryc. 3.1.1.2, 3.1.1.3).

Ryc. 3.1.1.2. Dane punktowe

Ryc. 3.1.1.3. Dane punktowe po klasyfikacji

Na rycinie 3.1.1.2 zastosowano wizualizację po klasyfikacji według wartości unikalnych. Oznacza to, iż każdej wartości przypisano inny odcień skali barw (trzy palety: czerwono-żółta, żółto-zielona i biało-niebieska) (ryc. 3.1.1.4). W wersji 1.5.0 programu mamy do dyspozycji zarówno stylizację tradycyjną (starą) jak i nową (przycisk Stare Style/ Nowe Style

w prawym górnym narożniku okna stylizacji). Wbrew pozorom, w zakresie rysowania symboliwg pola, większe możliwości wizualizacyjne daje tzw. stara stylizacja. Umożliwia bowiem między innymi obrót symboli czy skalę powierzchni zależne od wartości ze wskazanej kolumny danych. Nowa Stylizacja daje co prawda możliwość obracania symboli, jednak wartość kąta wskazywana jest arbitralnie przez użytkownika i realizowana jest dla każdego symboli niezależnie od wartości jego atrybutów. Niemniej wybór Nowej Stylizacji zapewnia opcję korzystaniaz pola wektorowego, rozsunięcia punktów czy klasyfikacji danych opartej na zadanej regule. Przygotowane palety barw, kształtów, symboli można zapisywać oraz wczytywać już istniejące.

19

Ryc. 3.1.1.4. Okno stylizacji warstwy w programie Quantum GIS v. 1.5.0

Z kolei na rycinie 3.1.1.3 sklasyfikowano dane (w tym przypadku wartości temperatury powietrza) w kilku przedziałach. O ile w przypadku metody wartości unikalnych dodawanie legendy do kompozycji nie znajduje uzasadnienia (zbyt wiele danych), o tyle po klasyfikacji staje się wręcz nieodzowne. Dodawanie legendy oraz innych elementów składowych kompozycji mapy (skala, róża wiatrów) możliwe jest na tzw. wydrukach. Niezależnie od tego, oba sposoby wizualizacji danych zapisanych w postaci punktów trudno uznać za bardzo użytecznez meteorologicznego punktu widzenia. Wynika to przede wszystkim z ograniczonej czytelności takich wizualizacji, a więc z dystansu dzielącego poszczególne punkty. Oczywiście, istnieje możliwość zwiększenia rozmiaru punktów tak, by były one do siebie styczne i zwiększały ciągłość obrazu. Taki efekt wydaje się jednak nieestetyczny. Można to zmienić poprzez nadanie punktom nowego kształtu – kwadraty będą imitowały układ poligonowy zapewniając pełną ciągłość obrazu. Ten drugi zabieg nie znajduje jednak uzasadnienia, zwłaszcza że dane meteorologiczne można wczytać od razu w postaci poligonów (ryc. 3.1.1.5).

Ryc. 3.1.1.5. Dane poligonowe

20

Ryc. 3.1.1.6. Dane poligonowe po klasyfikacji

Możliwości wyświetlania prognostycznych danych meteorologicznych w postaci poligonowej są zbliżone do tych dostępnych dla warstw punktowych. Efekt wizualizacji jest jednak ciekawszy. Układ poligonów upodabnia obraz do rastra, choć wielkość poligonu może obniżać czytelność. Rozmiar nie wynika jednak z możliwości technicznych QGIS lecz z rozdzielczości samych danych. Pierwszy obraz (ryc. 3.1.1.5) cechuje się większą płynnością, drugi jednak(ryc. 3.1.1.6) pozwala na precyzyjniejsze określenie wartości elementu meteorologicznegow danym poligonie. Celem poprawy wyrazistości obu rycin można zwiększyć kontrast.

3.1.2. Typy graficzne danych

Stosowanie punktów lub poligonów determinuje możliwości wyświetlania danych oraz zakres dostępnych analiz. Wartości poszczególnych elementów meteorologicznych mogą być prezentowane za pomocą:2. etykiet,3. symboli synoptycznych zgodnych z kluczem SYNOP-FM12 [10],4. ikon pogodowych rozumianych jako graficzna reprezentacja zachmurzenia i zjawisk

meteorologicznych.Etykietowanie polega na wyświetlaniu zawartości wybranej kolumny z tabeli atrybutów w

postaci nieprzetworzonej, tj. jako wartości (cyfry lub liczby) lub nazwy. Opcja dostępna jest z

poziomu menu kontekstowego (Właściwości) lub w menu głównym ( ). Posiada ona szereg użytecznych opcji. Przede wszystkim zapewnia możliwość definiowania lokalizacji etykiet na kilka komplementarnych sposobów, które działają globalnie (efekt jest jednakowy dla wszystkich etykiet) lub lokalnie (możliwość określenia położenia każdej etykiety niezależnie) (ryc. 3.1.2.1):

1. w części zatytułowanej Umiejscowienie (zakładka Wła ściwo ści etykiet) , wskazuje się położenie etykiety w stosunku do położenia punktu posługując się ośmioma kierunkami (m.in. powyżej , poni żej , po prawej , powyżej z prawej , poni żej

z prawej itd.),2. w części oznaczonej jako Przesuni ęcie (zakładka Wła ściwo ści etykiet) ,

określa się odległość etykiety od lokalizacji punktu zarówno w punktach, jak i w jednostkach mapy,

21

3. a w części oznaczonej jako Lokalizacja oparta na danych (Zakładka

Zaawansowane) istnieje możliwość zdefiniowania położenia każdej etykiety poprzez parę współrzędnych w układzie odniesienia mapy lub przez określenie wartości przesunięcia (w punktach); druga możliwość jest analogiczna do dostępnej w zakładce Właściwo ści

etykiet , jednak działa lokalnie.

Ryc. 3.1.2.1. Okno etykietowania warstwy wektorowej z poziomu właściwości warstwy(po prawej zakładka Właściwo ści etykiety , po lewej zakładka Zaawansowane )

Ryc. 3.1.2.2. Okno etykietowania warstwy wektorowej z poziomu menu głównego

QGIS zapewnia dodatkowo możliwość zmiany kierunku przebiegu etykiety poprzez zdefiniowanie w tabeli atrybutów wartości kąta dla każdego obiektu warstwy (ryc. 3.1.2.1).

Poza możliwościami etykietowania dostępnymi z poziomu menu kontekstowego, ikona widoczna w menu głównym programu pozwala skorzystać z nieco innych możliwości(ryc. 3.1.2.2). Dotyczy to w szczególności takiego zdefiniowania właściwości etykiet, aby uniknąć ich wzajemnego nakładania (kolizji).

22

Ryc. 3.1.2.3. Mapa temperatury powietrza – przykład etykietowania wartościami atrybutu

Najprostszym przykładem etykiety jest wartość atrybutu. Rycina 3.1.2.3 ilustruje przestrzenny rozkład temperatury powietrza opisany etykietami liczbowymi. Dla uproszczenia przyjęto wartości całkowite, choć możliwe jest wyświetlanie również części dziesiętnych.

Poza etykietami, QGIS umożliwia wizualizację danych meteorologicznych w postaci symboli zgodnych z kluczem SYNOP-FM12 [10]. Niestety aplikacja nie dostarcza wspomnianych symboli. Potrafi jednak wykorzystywać symbole przygotowane w formacie SVG, a takie można wykonać samodzielnie i zaimplementować. Skorzystano więc z tego rozwiązania i przygotowano zestaw znaków dla zachmurzenia oraz wybranych zjawisk meteorologicznych (opad deszczulub mżawki oraz śniegu) uwzględniając ich intensywność (ryc. 3.1.2.4 i 3.1.2.5).

Ryc. 3.1.2.4. Mapa zachmurzenia – przykład etykietowania symbolami meteorologicznymi

Ryc. 3.1.2.5. Mapa opadów atmosferycznych etykietowana symbolami meteorologicznymi

23

Zestaw symboli meteorologicznych nie wymaga legendy. System stosowanych znaków jest bowiem znany każdemu meteorologowi, a mapy, których przykłady przedstawiono na ryc. 3.1.2.4i 3.1.2.5 mają służyć jako pomoc w przygotowywaniu prognoz warunków pogody; nie są więc skierowane do odbiorcy.

Nowo tworzone znaki można zapisywać w postaci pliku QML i w ten sposób rozbudowywać bibliotekę dostępnych stylów, łatwych do wczytania na kolejnych mapach,przy zmieniających się wartościach elementu meteorologicznego. W zakresie edycji symboli, QGIS oferuje możliwość ingerowania w ich rozmiar, położenie i kąt (możliwość obrotu). Wspomniane funkcje realizowane są dla każdego symbolu niezależnie. Poza kontrolą, z poziomu aplikacji, pozostaje regulacja przezroczystości i barwy symboli zapisanych w formacie SVG. Zróżnicowanie barwne znaków na rycinie 3.1.2.5 uzyskano w aplikacji Adobe Ilustrator CS2. Barwą zieloną oznaczono opady o słabej, czarnym o umiarkowanej intensywności.

Specyficznym przykładem zastosowania symbolizacji meteorologicznej jest wizualizacja kierunku i prędkości wiatru. Odmienność wyraża się bowiem z jednej strony w konwersji danych zapisanych w depeszach GRIB, z drugiej w samym sposobie wyświetlania (symbol dwuwartościowy: kierunek-prędkość).

Ryc. 3.1.2.6. Graficzna interpretacja składowych wektora wiatru z pliku GRIB

24

Wektor wiatru (czerwone strzałki na ryc. 3.1.2.6) opisany jest w depeszy dwoma składowymi: u i v (parametry UGRD i VGRD – por. str. 6); są to współrzędne kartezjańskie punktu końcowego wektora (ryc. 3.1.2.6). Początek (punkt zaczepienia) znajduje się zawsze w punkcieo współrzędnych [0;0]. Składowa u przyjmuje tylko wartości większe lub równe „0”, natomiast v

wartości dodatnie, ujemne lub „0”. Kąt (liczony jak azymut geograficzny, od dodatniej półosi OYw prawo) zawarty między tą półosią a wektorem wiatru (strzałka czerwona) wskazuje kierunek wiatru (w stopniach), natomiast długość wspomnianego wektora – jego prędkość (w m·s-1). Quantum GIS wymaga matematycznego zdefiniowania obu składowych wiatru; odpowiednie wzory podano niżej (3.1.2.7, 3.1.2.8).

Kierunek wiatru (°) ( ) 180180

tan222

+πv+u

ua=α ⋅

⋅ , gdzie (3.1.2.7)

α – funkcja kierunku wiatru,u – składowa UGRD wiatru,v – składowa VGRD wiatru

Prędkość wiatru (m·s-1) 22 v+u=V , gdzie (3.1.2.8)

V – funkcja prędkości wiatru,u – składowa UGRD wiatru,v – składowa VGRD wiatru

Parametry definiujące wektor wiatru (UGRD, VGRD) tworzą niezależne warstwy wektorowe. Oznacza to, że podczas konwersji formatów (raster-wektor), w jednym pliku SHP atrybutem jest składowa u wektora wiatru, natomiast w drugim – składowa v . Z uwagi na to,iż QGIS nie daje możliwości wykonywania operacji matematycznych na danych zebranychw więcej niż jednej tabeli atrybutów, należy połączyć obie warstwy wykorzystując narzędzie Zł ącz atrybuty według lokalizacji . Następnie należy utworzyć dwie kolumny, a wartości w nich zdefiniować za pomocą przedstawionych wyżej wzorów.

Ryc. 3.1.2.9. Okno Właściwo ści warstwy wektorowej w nowej stylizacji

25

Aplikacja w wersji 1.5.0 umożliwia wyświetlanie składowych wektora za pomocą legendy Vector field . dostępnej w zakładce Style we właściwościach warstwy (ryc. 3.1.2.9). Vector

field jest wtyczką pochodzącą z nieoficjalnego repozytorium wtyczek QGIS (QGIS Contributed Repository) autorstwa Chrisa Cooka.

W zakładce wskazujemy typ pola wektorowego (Vector field type ) jako Polar

(length, angle) field , bowiem dysponujemy odpowiednio prędkością wiatru, która określi długość wektora (length ) oraz kierunkiem, czyli kątem (angle ). W tym miejscu trzeba zwrócić uwagę na orientację kąta (Angle orientation ) – należy wybrać azymut geograficzny (East

from North ) Następnie wskazujemy odpowiednie kolumny tabeli atrybutów. Istnieje dodatkowo możliwość zdefiniowania cech graficznych wyświetlanych danych, między innymi skali (długość wektora elementarnego), rozmiaru grota strzałki, barw i innych. Przykładowy efekt wizualizacji przedstawia ryc. 3.1.2.10.

Ryc. 3.1.2.10. Okno Właściwo ści warstwy wektorowej

Długość wektora określa prędkość wiatru w [m·s-1]. Z uwagi na słabą, graficzną rozróżnialność tej cechy, wartość prędkości wyświetlono dodatkowo w postaci wycentrowanej etykiety. Z kolei orientacja wektora wskazuje kierunek wiatru.

Innym, prostszym rozwiązaniem problemu wizualizacji wektora wiatru jest skorzystanie, nieoczekiwanie, z tzw. starej stylizacji QGIS. Zapewnia on bowiem możliwość definiowania symboli wektora wiatru przyjętych w meteorologii (ryc. 3.1.2.11).

Ryc. 3.1.2.11. System znakowania prędkości wiatru zgodny z wymogami WMO [18]

26

Ryc. 3.1.2.12. Okno Właściwo ści warstwy wektorowej w starej stylizacji

W oknie Właściwo ści warstwy wektorowej (w starej stylizacji) (ryc. 3.1.2.12) wskazujemy:

• pole klasyfikacji, czyli kolumnę w tabeli atrybutów zawierającą dane o prędkości wiatru,

• tryb (równe przedziały) oraz

• liczbę klas (przedziałów wartości prędkości wiatru).Akceptacja przyciskiem Klasyfikuj generuje podział wartości na klasy (widoczne na białym tle okna Właściwo ści warstwy . Zależnie od przyjętych kryteriów możemy zmienić wartości progowe poszczególnych przedziałów. Domyślny system znaków (na ogół barwne kółka) zastępujemy symbolami wektora wiatru przygotowanymi w formacie SVG i zamieszczonymi wcześniej w katalogu o dowolnej nazwie o ścieżce dostępu (Quantum GIS Tethys\apps\qgis). Wskazując natomiast kolejne klasy, z lewej strony okna, w polu Obrót wybieramy atrybut kierunku wiatru pamiętając, że jego wartości muszą być powiększone o 90°; kąt 0° oznacza domyślnie kierunek zachodni. Przykładem efektu wizualizacyjnego jest rycina 3.1.2.13.

Ryc. 3.1.2.13. Mapa kierunku i prędkości wiatru – przykład etykietowania symbolami meteorologicznymi

27

Trzecią możliwością prezentowania prognostycznych danych meteorologicznych w aplikacji Quantum GIS są ikony meteorologiczne (pogodowe). Grafikę tego rodzaju można, podobnie jakw przypadku symboli synoptycznych, przygotować w formacie SVG. Jednak w odróżnieniuod znaków z klucza meteorologicznego, ikony muszą być zróżnicowane ze względu na porę dobyi przedstawiać wielkość zachmurzenia według klasyfikacji jakościowej [18]. W związku z tym wykonano ikony zarówno dla dnia, jak i dla nocy (ryc. 3.1.2.14, 3,1.2.15). Taki sposób wizualizacji danych meteorologicznych jest niepełny; brakuje bowiem informacji o rodzaju i natężeniu zjawisk atmosferycznych, szczególnie opadów. Można ją uzyskać poprzez wykonanie dodatkowego zestawu ikon. Kompletna mapa zachmurzenia i zjawisk atmosferycznych powstaje zatem na drodze jednoczesnego wyświetlenia ikon zachmurzenia i zjawisk atmosferycznych.

Ryc. 3.1.2.14. Mapa zachmurzenia i zjawisk meteorologicznych dla dniajako przykład symbolizacji ikonami pogodowymi

Ryc. 3.1.2.15. Mapa zachmurzenia i zjawisk meteorologicznych dla nocyjako przykład symbolizacji ikonami pogodowymi

Również w tym przypadku istnieje możliwość zdefiniowania stylu i legendy na stałe (zapis do pliku QML) (ryc. 3.1.2.16). W polu Etykieta , obok klasyfikacji ilościowej, można wyświetlić klasyfikację jakościową (nazwy wielkości zachmurzenia podane w jednej z dwóch form zapisu – por. słownik). Na mapie wykorzystano ikony statyczne, dwuwymiarowe. Nie sprawdzano działania ikon dynamicznych, 2,5-wymiarowych, ponieważ wymagałoby to napisania odpowiedniej wtyczki, niemniej z technicznego punktu widzenia istnieje możliwość ich obsługi. Ta cześć projektu zostanie

28

zrealizowana, o ile sam projekt uzyska pozytywną opinię po konsultacjach w firmie AURA CENTRUM sp. z o.o.

Ryc. 3.1.2.16. Okno Właściwo ści warstwy wektorowej w nowej stylizacji

Obie zaprezentowane powyżej mapy (ryc. 3.1.2.14, 3.1.2.15) ukazują rozmaite możliwości wizualizacji wybranych komponentów warunków pogody. Jako podkład można zastosować zarówno mapę wektorową jak i rastrową. W pierwszym przypadku wczytano podział administracyjny Polski na tle mapy wektorowej Eurazji (V-MAP LEVEL 1) [23], w drugim –Numeryczny Model Terenu SRTM [26] z nocną paletą barw przygotowaną w QGIS. Warunki pogody w ciągu dnia można wyświetlić na tle SRTM z tradycyjną paletą barw, zgodną ze skalą międzynarodową przyjętą dla map hipsometrycznych [12]; dla nocy rozwiązaniem może być gradient niebiesko-biały (niziny-góry).

29

3.2. Reprezentacja rastrowa

Obok reprezentacji wektorowej, prognostyczne dane meteorologiczne można wyświetlać bezpośrednio w postaci rastrowej. Quantum GIS obsługuje kilkanaście formatów danych rastrowych, w tym trzy, w których dostarczane są dane z modelowania warunków pogody (ASCII, GRIB i NetCDF). Praktyka udowodniła jednak, że wymienione formaty nie do końca się sprawdzają.

Plik w formacie ASCII wyświetla powierzchnię w jednakowej barwie (ryc. 3.2.1), a więc wymaga klasyfikacji danych. Automatyczne wydzielenie kilku klas wskazuje jednak na lokalny brak danych (czarny pasek na ryc. 3.2.1), co utrudnia ich wyświetlanie oraz analizę rastrową.

Ryc. 3.2.1. Efekt błędnej konwersji danych z GRB do ASCII;czarne pola wskazują na brak wartości

Błąd ten nie wynika jednak z funkcjonalności QGIS, lecz z jakości dostarczonych danych rastrowych, mimo iż wygenerowanie tych samych danych w postaci wektorowej nie wskazuje na istnienie podobnego problemu. Plik ASCII generowany jest w aplikacji tkdegrib , którego algorytm konwersji danych z GRB do ASCII za pewne jest źródłem błędu. Opisana sytuacja nie miałaby istotnego znaczenia, gdyby nie fakt, iż w przypadku wielu elementów meteorologicznych wyznaczenie górnej granicy rzeczywistego przedziału wartości (rzeczywistej wartości maksymalnej) staje się przez to kłopotliwe; jest to co prawda możliwe, jednak czasochłonne. Problem nie istnieje w przypadku elementów meteorologicznych tworzących zbiór zamknięty (na przykład zachmurzenie opisane w procentach przyjmuje tylko wartości od 0 do 100). Udana klasyfikacja danych daje w rezultacie obraz podobny do modelu wektorowego złożonego z poligonów, ale poddanego klasyfikacji (zróżnicowaniu barw według wartości atrybutu) (ryc. 3.2.2).

30

Ryc. 3.2.2. Efekt błędnej konwersji danych z GRB do ASCII (obraz po klasyfikacji);czarne pola wskazują na brak wartości

Pomimo braku danych (wartość „9999”), możliwa jest algebra tego rodzaju map [9], między innymi przy użyciu kalkulatora rastrowego (RasterCalc ). Trudna, z punktu widzenia wiarygodności i poprawności uzyskiwanych wyników, jest natomiast analiza statystyczna, a więc obliczanie wartości wybranych charakterystyk danych, między innymi średniej czy odchylenia standardowego.

Pośród dostępnych formatów danych rastrowych, mamy również do dyspozycji GRIB (ang. GRIdded Binary), a więc format WMO wymiany danych meteorologicznych, szczególnie prognostycznych. QGIS wyświetla zawartość takiego pliku poprawnie, tj. nie występuje problem brakujących danych (ryc. 3.2.3)

Ryc. 3.2.3. Przykład rastra w formacie GRIB przed klasyfikacją;na mapie przestrzenny rozkład temperatury powietrza

Mapa przedstawia przestrzenne zróżnicowanie temperatury powietrza. Niestety QGIS 1.5.0. nie daje możliwości dodawania legendy dla warstwy rastrowej; należy ją przygotować poza aplikacją. W związku z tym powyższy obraz, wyświetlany poza aplikacją, dostarcza jedynie informacji o obszarach względnie cieplejszych i chłodniejszych. W ramach nieprofesjonalnego podejścia, można wykonać zrzut obrazu ekranu do pliku, odpowiednio przyciąć i skomponować razem z mapą w dowolnym programie graficznym. Rozwiązanie to jest jednak o tyle kłopotliwe, że wymaga wyświetlenia mapy przy użyciu palety dyskretnej, która pozwala zorientować się co do wartości poszczególnych pól podstawowych. Zaprezentowana mapa (ryc. 3.2.3) wykonana została z

31

zastosowaniem palety, której część barw powstała na drodze interpolacji liniowej; stąd możliwość wyświetlenia w legendzie kolorów odpowiadających tylko wybranym wartościom (ryc. 3.2.4)

Ryc. 3.2.4. Przykład legendy do mapy z ryc. 3.2.3

Z kolei wyświetlanie warstwy rastrowej z zastosowaniem palety zdyskretyzowanej zwiększa kontrastowość obrazu, co w przypadku danych o wyraźnie rozróżnialnych polach podstawowych (rozmiar pola podstawowego rastra z ryc. wynosi 0,5°×0,5°) stwarza wrażenie sztuczności. Do tego granice poszczególnych stref termicznych są ostre, niewygładzone. Wskazany efekt można częściowo wyeliminować wykonując bardzo szczegółową legendę, w tym przypadku dzieląc pełen zakres wartości na jak najmniejsze przedziały (na przykład jednostopniowe) (ryc. 3.2.5).

Ryc. 3.2.5. Przykład rastra w formacie GRIB po reklasyfikacji wraz z legendą

Prognostyczne dane meteorologiczne dostępne są nie tylko dla obszaru Polski, ale dla całej powierzchni Ziemi. Na ryc. 3.2.6. zaprezentowano przykład wizualizacji wielkości zachmurzenia ogólnego (wszystkich pięter wysokościowych) na tle Europy. Zastosowano autorską paletę barw i dodano siatkę geograficzną. Siatka geograficzna tworzona jest w postaci pliku SHP, a więc południki i równoleżniki zapisywane są w postaci obiektów wektorowych. Dzięki temu istnieje możliwość pełnej edycji takiej warstwy (regulacja cech geometrycznych i właściwości graficznych).

Przy okazji omawiania właściwości rastrów z danymi meteorologicznymi należy wspomnieć o ich dwóch typach ze względu na liczbę kanałów. Do dyspozycji mamy bowiem rastry jednokanałowe (np. z wartością temperatury powietrza dla określonego poziomu wysokościowego) oraz wielokanałowe zawierające informacje o danym elemencie meteorologicznym z podziałem na wybrane piętra wysokościowe. Wspomniana warstwa zachmurzenia jest właśnie przykładem rastra wielokanałowego. Po jego wyświetleniu w QGIS, w zakładce ValueTool ukazuje się zestaw

32

informacji o nazwie kanału (w tym przypadku o typie zachmurzenia) oraz o wartości atrybutu w danym polu podstawowym.

Ryc. 3.2.6. Przykład mapy wielkości zachmurzenia nad wybranym obszarem Europy;im ciemniejszy odcień szarości, tym większe zachmurzenie

Istnieje jeszcze jeden format rastrowych danych meteorologicznych; mowa o GMT NetCDF. Jednak ze względu na brak możliwości wczytania tego typu plików, pomimo iż figurują one jako jeden z dostępnych formatów danych rastrowych, zostały pominięte. Aplikacja QGIS 1.5.0. wyświetla bowiem komunikat o nie obsługiwaniu wspomnianego źródła danych (ryc. 3.2.7).

Ryc. 3.2.7. Okno komunikatu o nie obsługiwaniu formatu NetCDF

W zakresie właściwości warstwy rastrowej w formacie GRIB, aplikacja oferuje możliwość uzyskania histogramu, a więc diagramu zawierającego informacje na temat liczby pól podstawowych o określonej wartości zmiennej (ryc. 3.2.8). Histogram można wykonać dla dowolnego kanału rastra, w postaci wykresu liniowego lub diagramu kolumnowego. Nieco kłopotliwa jest liczba kolumn dostępna w aplikacji; istnieje możliwość wyboru między ośmioma a sześćdziesięcioma czterema.

33

Ryc. 3.2.8. Okno Właściwo ści warstwy wektorowej w nowej stylizacji

Ryc. 3.2.9. Okno Właściwo ści warstwy wektorowej w nowej stylizacji

Z kolei w zakresie stylizacji, o ile raster ma więcej niż jeden kanał, można wskazać ten, który zamierzamy zwizualizować. Istnieje również opcja budowania kompozycji RGB (3 kanały). Dostępna jest możliwość wzmacniania kontrastu według kilku algorytmów (ryc. 3.2.9).

34

3.3. Podsumowanie

Możliwości wizualizacji prognostycznych danych meteorologicznych w aplikacji QGIS 1.5.0 należy zatem ocenić wysoko. Są one szczególnie rozbudowane w zakresie danych w formacie wektorowym SHP. Program zapewnia rozmaite style (typy legend), zarówno dla danych punktowych, liniowych jak i poligonowych. Istnieje możliwość wyboru skal barw, tworzenia i zapisu własnych. QGIS obsługuje nie tylko typy geometryczne danych, lecz także typy graficzne, zwłaszcza w formacie SVG, co jak wykazano, ma wyjątkowo duże znaczenie praktyczne z punktu widzenia przygotowywania prognoz warunków pogody. Oczywiście, podobnie jak w przypadku skal barw, aplikacja pozwala przygotowywać własne symbole rastrowe, a umożliwia wczytywanie znaków SVG, w tworzeniu których pomagają tak popularne aplikacje jak Inkscape, Corel, Adobe Illustrator.Dobrze rozwinięta jest opcja etykietowania dostępna zarówna we Właściwo ściach warstwy , jak i w menu głównym. Etykietami mogą być wartości atrybutu, symbole rastrowe czy wektorowe SVG. Możliwości etykietowania mają wymiar komplementarny, co oznacza, że różne opcje etykietowania mogą być wykorzystywane jednocześnie.

35

4. Podstawowe narzędzia do przetwarzania wektorowych i rastrowych danych prognostycznych

Quantum GIS oferuje całkiem szeroki wachlarz możliwości przetwarzania i analizy danych, w tym prognostycznych danych meteorologicznych. Dostępne są narzędzia zorientowane na warstwy wektorowe oraz rastrowe. Do najbardziej użytecznych dla meteorologa należą:

4. Filtr danych wektorowych5. Interpolacja6. Point sampling tool7. RasterCalc8. Statist9. Generuj warstwice10. Kriging

Większość narzędzi umożliwia pracę na danych wektorowych, jednak konwersja danych rastrowych do formatu wektorowego jest prosta, szybka i wydajna. Najlepsze efekty osiąga się podczas ekstrakcji danych z rastra wielokanałowego.

4.1. Podstawowe statystyki danych (wtyczka Statist )

Wtyczka Statist umożliwia generowanie wybranych parametrów statystycznych dla wskazanej warstwy meteorologicznej oraz interesującego nas elementu meteorologicznego. Obliczane są:5. liczba elementów warstwy (punktów, poligonów),6. liczba elementów unikalnych,7. wartość minimalna,8. wartość maksymalna,9. rozstęp,10. suma,11. wartość średnia,12. mediana,13. odchylenie standardowe i14. współczynnik zmienności (cv).

Dodatkowo wyświetla się histogram analizowanego elementu meteorologicznego. Oczywiście, część wymienionych cech nie znajduje zastosowania przy analizie danych meteorologicznych – dotyczy to szczególnie liczby elementów warstwy oraz liczby wartości unikalnych, a także sumy. Pozostałe mogą być stosowane przy wstępnej analizie meteorologicznej. Na ryc. 4.1.1. przedstawiono efekt wczytania warstwy wektorowej z prognostycznymi wartościami temperatury powietrza w Polsce o określonej godzinie. Wartości minimalnych i maksymalnych nie należy traktować dosłownie. Z meteorologicznego punktu widzenia sformułowania te mają zupełnie inne znaczenie; w tym przypadku można mówić jedynie o wartości najniższej oraz najwyższej na rozpatrywanym obszarze. Komplet statystyk umożliwia wstępne rozpoznanie warunków pogody. W przedstawionym przykładzie niemal 20-stopniowa amplituda temperatury powietrza sygnalizuje

36

znaczną zmienność warunków atmosferycznych. Niewątpliwie wiąże się ze zróżnicowaniem wielkości zachmurzenia, a więc może oznaczać obecność frontu atmosferycznego. Wartości najniższe mogą wskazywać na rozpogodzenia, natomiast najwyższe na obecność frontu atmosferycznego lub/i dużego zbiornika wodnego (w tym przypadku Morza Bałtyckiego). Przegląd histogramu wskazuje na przewagę wartości temperatury powietrza z przedziału od około (-8) do około (-11)°C. Wartości wyższe odpowiadają zapewne zachmurzeniu całkowitemu, natomiast niższe przejaśnieniom lub rozpogodzeniom. Wnioski prognostyczne można precyzować, zmieniając we wtyczce warstwę i element meteorologiczny. W ten sposób można szybko zmieniać typ wyświetlanych danych. Można wówczas wykorzystać współczynnik zmienności (coefficient of variation). Pozwala on porównywać zmienność danego elementu meteorologicznego w czasie.

Ryc. 4.1.1. Widok na okno wtyczki Statist

37

4.2. Wyznaczanie obszarów spełniających zadane kryteria

Dysponując prognostycznymi danymi meteorologicznymi zapisanymi w formacie SHP, możemy sięgnąć do kolejnego narzędzia analitycznego QGIS. Wybór obszarów spełniających zadane kryteria pełni w meteorologii istotną rolę prognostyczną. Pozwala wyodrębnić tereny zagrożone wystąpieniem upału, silnego mrozu, zawiei lub zamieci śnieżnych, wichury, burzy i innych zjawisk mających przeważnie niekorzystny wpływ na działalność i życie człowieka. Narzędzie Filtra może zatem stanowić dobre uzupełnienie systemu wspierającego podejmowanie decyzji prognostycznych, czy systemu ostrzegania.

Przykładem działania filtra danych wektorowych jest wybór obszarów z prognozowanym mrozem poniżej (-15)°C. Do dyspozycji mamy kilka możliwości prezentacji kartograficznej uzyskanych wyników. Można bowiem wskazać konkretne pola podstawowe, dla których spełniony jest zadany warunek (ryc. 4.2.1) lub, wykorzystując narzędzie Zł ącz atrybuty według

lokalizacji , wskazać konkretną jednostkę podziału terytorialnego, na terenie której przewiduje się wystąpienie temperatury poniżej (-15)°C (ryc. 4.2.2).

Ryc. 4.2.1. Przykład działania filtra danych przestrzennych. Barwą fioletową oznaczono zasięg obszaru z prognozowaną temperaturą powietrza niższą od (-15)°C

Ryc. 4.2.2. Przykład działania filtra danych przestrzennych oraz funkcji łączenia atrybutów wg położenia. Efekt wyboru województwa o średniej, prognozowanej temperaturze poniżej (-15)°C

38

Oczywiście, wyniki analizy (stosowania Filtra ) można przedstawiać według dowolnej jednostki przestrzennej, między innymi gminy, powiaty, zlewni itd. Im mniejsza jednostka podziału terytorialnego, tym precyzyjniejszy wynik. Dobrze ilustruje to powyższy przykład. Rycina 4.2.2 jest bowiem znacznym uproszczeniem ryciny 4.2.1; pomimo, iż temperatura powietrza o wartości niższej niż (-15)°C oczekiwana jest także miejscami w województwie pomorskim, kujawsko-pomorskim i podlaskim, tereny te nie zostały wskazane. Złączenie atrybutów warstwy zawierającej podział administracyjny oraz wartości prognostyczne temperatury powietrza przeprowadzono w oparciu o średnią. Oznacza to, iż każdemu województwu przypisano średnią wartość temperatury powietrza z węzłów (punktów) znajdujących się w jego zasięgu. Oprócz średniej, QGIS umożliwia wykorzystanie wartości minimalnej, maksymalnej i sumy. Wykorzystanie wartości minimalnej skutkuje wyborem kolejnych województw (pomorskiego, kujawsko-pomorskiego i podlaskiego). Wartość maksymalna może być z kolei użyteczna przy wyznaczaniu obszarów zagrożonych upałem [7].

39

4.3. Interpolacja

Procedura interpolacji w QGIS obsługiwana jest przez dwie wtyczki. Wtyczka

interpolacji jest implementacją domyślną (ryc. 4.3.1.), natomiast Kriging wymaga dodatkowej instalacji z nieoficjalnego repozytorium wtyczek QGIS (Volkan Kepoglu's Repository).

Ryc. 4.3.1. Widok na okno Wtyczka interpolacji

Interpolacja przestrzenna, w sensie matematycznym, jest swego rodzaju predykcją; oznacza estymację wartości w danym punkcie w oparciu o przyjęty model zmienności cechy w przestrzeni (np. geograficznej), zwany krzywą tłumienia; wartość cechy może się zmieniać liniowo, potęgowo, wykładniczo itd. Zmienność przestrzenna może mieć charakter izotropowy lub anizotropowy, co determinuje przyjęty model obliczeniowy. Podstawą interpolacji przestrzennej jest autokorelacja przestrzenna (reguła Toblera), która głosi iż „wszystkie obiekty są ze sobą powiązane, a siła tych powiązań maleje wraz z odległością” [9].Wtyczka interpolacji umożliwia estymację wartości badanej cechy (atrybutu) dwoma modelami: TIN oraz IDW. Model triangulacyjny (TIN) polega na tworzeniu sieci nieregularnych trójkątów o wierzchołkach w punktach zbioru danych. Stosowany jest na ogół dla zbiorów nieregularnie rozmieszczonych punktów. Do wyboru jest metoda liniowa zakładająca liniową zmienność wartości cechy w przestrzeni oraz sześcienna (Cough-Touchera) oparta na wielomianie trzeciego stopnia zdefiniowanego przez dwanaście parametrów [1]. QGIS umożliwia przy tym zdefiniowanie liczby kolumn i wierszy, a więc rozdzielczość przestrzenną. Formatem wyjściowym jest GeoTIFF.

Poniżej przedstawiono efekt zastosowania obu wspomnianych algorytmów TIN dla danych meteorologicznych o regularnym rozkładzie (ryc. 4.3.2. i 4.3.3.).

40

Ryc. 4.3.2. Efekt interpolacji triangulacyjnej metodą liniową z zastosowaniem dyskretnej palety barw. Na rycinie zaznaczono również przebieg izoterm

Ryc. 4.3.3. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia (metoda Cough-Touchera) z zastosowaniem dyskretnej palety barw. Na rycinie zaznaczono również przebieg izoterm

Interpolację triangulacyjną wykonano na bazie danych zapisanych w postaci równomiernie rozmieszczonych poligonów. Efekt zastosowania algorytmu liniowego i sześciennego jest zbliżony (ryc. 4.3.5.). Widoczna jest niewielka różnica w przebiegu izoterm, która z punktu widzenia dokładności prognostycznych danych meteorologicznych nie jest obarczona istotnym błędem. Niewątpliwą cechą negatywną interpolacji triangulacyjnej, szczególnie jej algorytmu liniowego jest generowanie warstwic oraz izarytm o ostrych kształtach (ryc. 4.3.2.). Niewielkie wygładzenie modelowanej powierzchni widoczne jest w przypadku zastosowania algorytmu Cougha-Touchera (ryc. 4.3.3.).

QGIS umożliwia prezentowanie wyników interpolacji w postaci ciągłej lub dyskretnej palety barw (ryc. 4.3.3. i 4.3.5.). Z punktu widzenia odbiorcy, dyskretna paleta kolorów wydaje się bardziej przejrzysta.

Ryc. 4.3.4. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia z zastosowaniem ciągłej palety barw. Na rycinie zaznaczono również przebieg izoterm

41

Ryc. 4.3.5. Porównanie przebiegu izoterm wygenerowanych triangulacją liniową i sześcienną. Widoczna duże podobieństwo przebiegu izarytm

Interpolacja triangulacyjna, w przypadku wykorzystywania danych zapisanych na warstwie punktowej, generuje błąd estymacji (ryc. 4.3.6.). Polega on ścięciu interpolowanej powierzchni i pominięciu niektórych punktów, szczególnie tych zlokalizowanych w pobliżu dolnej krawędzi pola zasięgu warstwy punktowej. Niezależnie od kierunku zastosowań, taki błąd uniemożliwia wiarygodną interpolację wartości w obrębie całej zadanej powierzchni. Najprawdopodobniej, algorytm interpolacji TIN posiada błąd.

Ryc. 4.3.6. Efekt interpolacji triangulacyjnej na bazie siatki punktów. U dołu widoczny błąd interpolacji

42

Ryc. 4.3.7. Efekt interpolacji triangulacyjnej na bazie siatki nieregularnie rozmieszczonych punktów. Powierzchnia interpolacji nie obejmuje terenu całej Polski.

Jeszcze słabszy efekt uzyskujemy dla siatki punktów nieregularnie rozmieszczonych w przestrzeni geograficznej (ryc. 4.3.7).

Innym algorytmem interpolacyjnym dostępnym we wtyczce Interpolacji jest IDW (metoda wagowa odwrotnych odległości). Wartość w punkcie interpolacji obliczana jest jako średnia ważona z punktów otaczających. Współczynnik wagowy jest odwrotnie proporcjonalny do odległości między punktem interpolacji a każdym spośród punktów otaczających [9]. Na ogół przyjmuje się współczynnik wagowy równy 2, choć powinien być on dostosowany do charakteru danych przestrzennych. Innego współczynnika należy używać dla temperatury powietrza, innego dla opadów atmosferycznych, których zmienność w przestrzeni jest znacznie większa. Dodatkowo, opady są elementem nieciągłym, szczególnie opady o charakterze przelotnym. Innym czynnikiem warunkującym wartość wagi jest wzajemna odległość punktów z danymi przestrzennymi.

Ryc. 4.3.8. Efekt interpolacji metodą IDW (współczynnik wagowy = 2)

Ryc. 4.3.9. Efekt interpolacji metodą IDW (współczynnik wagowy = 4)

Stosowanie metody IDW do interpolacji wartości elementów meteorologicznych należy uznać za ograniczone. Algorytm daje dobre rezultaty w przypadku elementów nieciągłych, m.in. rozkładu opadów atmosferycznych (ryc. 4.3.10), czy wielkości zachmurzenia, szczególnie dla punktów rozmieszczonych nierównomiernie. Na ryc. 4.3.10 wskazano również na możliwości narzędzia do

43

ekstrakcji wartości z rastra dla obiektów warstwy wektorowej (Point sampling tool ). Wybrane wartości można wyświetlić w postaci etykiet.

Ryc. 4.3.10. Suma opadów atmosferycznych metodą IDW (współczynnik wagowy 4)

Kriging, w przeciwieństwie do metody TIN oraz IDW, należy do grupy metod geostatystycznych. Został rozwinięty w połowie XX wieku na potrzeby górnictwa przez Krige’a [1]. Efekt jego stosowania zbliżony jest do IDW, jednak w odróżnieniu od algorytmu odwrotnych odległości, mamy w nim do czynienia z obliczaniem nie tylko wartości badanej cechy w punktach interpolacji, ale również z w punktach o znanej wartości parametru [9]. Zatem, porównanie wartości zmierzonej i wartości z estymacji pozwala uzyskać informację o dokładności szacowania oraz wielkości błędu. QGIS generuje bowiem raport graficzny, na który składa się obraz interpolacji (predykcji, prognozy), błąd standardowy krigingu oraz model semiwariogramu (ryc. 4.3.11).

Ryc. 4.3.11. Raport z krigingu w QGIS

Raport ma kluczowe znaczenie z punktu widzenia uzyskania najlepszego rezultatu estymacji, a więc najmniejszego błędu przy optymalnym kształcie semiwariogramu [9]. QGIS umożliwia skorzystanie z kilku rodzajów krigingu (zwykły, prosty, uniwersalny, blokowy). Semiwariogram można wygenerować automatycznie lub wybrać ręcznie najodpowiedniejszy definiując jego parametry (nugget, range, sill). Rezultat zapisywany jest w postaci pliku z rozszerzeniem GeoTIFF (ryc. 4.3.12).

44

Ryc. 4.3.12. Efekt interpolacji metodą krigingu zwykłego z zaznaczonym przebiegiem izoterm. Przykład rastra wysokiej jakości

Niezależnie od zastosowanego algorytmu interpolacyjnego, QGIS umożliwia generowanie izarytm na bazie rastra. Służy do tego wtyczka Generuj warstwice . Pozwala ona definiować cięcie izarytmiczne oraz nazwę interpolowanej cechy, która powinna być zgodna z nazwą odpowiedniej kolumny w tabeli atrybutów.

W przypadku danych meteorologicznych, interpolacja bywa obarczona znacznym błędem. Nie wynika on jednak z zastosowanego algorytmu, lecz z uwarunkowań środowiska geograficznego. Rozkład punktów z wartościami elementów meteorologicznych nie obejmuje często obszarów górskich. Względnie wiarygodniejszy rezultat osiągamy w strefie brzegowej mórz i oceanów. Problem dotyczy szczególnie elementów meteorologicznych pozostających w ścisłym związku choćby z ukształtowaniem terenu.

45

4.4. RasterCalc narzędziem algebry map

Dysponując warstwami rastrowymi, czy to w formacie GRIB czy też uzyskanymi na drodze interpolacji, możemy skorzystać z możliwości wtyczki RasterCalc służącej do algebry mapowej, a więc do operacji matematycznych na warstwach rastrowych (m.in. dodawanie, odejmowanie, mnożenie i in.) [9]. Najprostszym przykładem zastosowania wtyczki jest obliczenie średniej wartości temperatury dobowej czy maksymalnego opadu w zadanym czasie. Oprócz operacji algebraicznych, dostępne są podstawowe funkcje trygonometryczne, które można zastosować do obliczania wartości prędkości i kierunku wiatru według zależności podanych w rozdziale trzecim.RasterCalc pracuje również z rastrami wielokanałowymi. Umożliwia wykonywanie dostępnych działań matematycznych między kanałami, np. dodawanie kanałów z danymi o wielkości zachmurzenia piętra niskiego i średniego.

4.4.1. Okno wtyczki RasterCalc

Wtyczka wykazuje dużą funkcjonalność, szczególnie w zakresie przetwarzania danych meteorologicznych. Z uwagi na dostępność podstawowych działań matematycznych czy trygonometrycznych znacznie szybciej można uzyskać żądany rezultat na drodze analizy rastrowej aniżeli wektorowej, a pozyskanie danych dla konkretnych punktów przeprowadza się wówczas narzędziem Point sampling tool , o którym wspomniano wcześniej.

Ryc. 4.4.2. Przykład analizy fazowości opadów metodą wg (albo metodą, albo wg) zależności temperatury powietrza na wysokości 2 m n.p.t. (kolor czerwony) i średniej temperatury powietrza w warstwie między

poziomami 1000 i 850 hPa (kolor niebieski). Typy opadów oznaczono barwami: deszcz – zielony, deszcz ze śniegiem – jasnoniebieski, śnieg – niebieski.

46

Przykładem zastosowania kalkulatora rastrowego jest analiza fazowości opadów. W literaturze meteorologicznej podaje się kilka metod prognozowania zmian fazowych opadów atmosferycznych, między innymi zależność temperatury powietrza na wysokości 2 m n.p.t. oraz średniej temperatury warstwy 850 – 1000 hPa, czy związek temperatury na wysokości 2 m n.p.t. i wysokości izotermy 0°C [6].

Pierwszą z nich zaimplementowano w QGIS. Przykładem prognozy jest rycina 4.4.. Na mapie z naniesionymi wartościami temperatury powietrza na wysokości 2 m n.p.t. i średniej temperatury warstwy między poziomami 850 i 1000 hPa przedstawiono oczekiwany stan fazowy (postać) opadu; barwą niebieską wskazano obszary predysponowane do wystąpienia opadu śniegu, jasnoniebieskim – deszczu ze śniegiem, a zielonym – deszczu.

Ryc. 4.4.3. Prędkość wiatru o wartości progowej powyżej 10 i 15 m/s

Innym przykładem może być wyznaczenie obszarów o określonej, wartości progowej prędkości wiatru na wysokości 200 metrów. Tego rodzaju analiza ma znaczenie z punktu widzenia prac wysokościowych, szczególnie na kominach przemysłowych, ale może być użyteczna z punktu widzenia konserwacji lub napraw prowadzonych na słupach sieci elektroenergetycznej wysokiego napięcia. Na rycinie 4.4.3. wskazano obszary o prędkości powyżej 10 i 15 m/s, które zdecydowanie utrudniają lub wręcz uniemożliwiają podjęcie jakichkolwiek prac na wysokości.

4.5. Podsumowanie

Przegląd wybranych, najważniejszych z punktu widzenia analiz meteorologicznych, wtyczek i możliwości Quantum GIS wskazuje na dużą użyteczność oprogramowania w tej właśnie dziedzinie wiedzy. Niemnie nadal istnieje potrzeba rozwijania aplikacji poprzez tworzenie kolejnych wtyczek, tym razem do przetwarzania danych meteorologicznych, które z racji specyfiki zapisu i struktury wymagają nieco odmiennego podejścia. Ponadto widać wyraźnie przewagę narzędzi do przetwarzania wektorowego nad narzędziami do analiz rastrowych. Z punktu widzenia potrzeb meteorologii synoptycznej, zdecydowanie ważniejsze są analizy wektorowe; dotyczy to szczególnie danych obserwacyjnych naziemnych.

47

5. Przykłady analiz i kartograficznych produktów meteorologicznych

5.1. Mapa rozkładu temperatury powietrza dla obszaru górskiego na przykładzie Sudetów

Model globalny GFS oblicza wartości prognostyczne elementów meteorologicznych dla węzłów siatki geograficznej o rozdzielczości maksymalnej 0,5°×0,5°. Zatem, pokrycie obszaru punktami prognozy jest daleko niewystarczające do uzyskania wiarygodnych wyników dla terenów o zróżnicowanej rzeźbie. W związku z tym zachodzi konieczność uszczegóławiania modelowanej powierzchni.

Wartości prognostyczne elementów meteorologicznych dla wybranych poziomów barycznych mogą się stać bardzo użyteczne. GFS oblicza je dla poziomów co 25 hPa co w przypadku warstwy do wysokości około 1500 m n.p.m. odpowiada w przybliżeniu około 200 metrom [18]. Dysponując zatem gęstą siatką punktów z przypisanym atrybutem wartości wysokości bezwzględnej, możemy, na określonym poziomie przybliżenia, oszacować wartość temperatury powietrza dla tych punktów, pozyskując ją z poszczególnych poziomów barycznych. Interpolacja metodą krigingu zwykłego oraz dodanie kilku warstw wektorowych dla zwiększenia czytelności, dają w efekcie obraz jak na rys. 5.1.1.

Ryc. 5.1.1. Przykład prognozy temperatury powietrza dla wybranego obszaru Sudetów. Krzyże oznaczają węzły siatki geograficznej (rozdzielczość 0,05°×0,05°).

Linie koloru białego – granice administracyjne Polski i Czech.

Z uwagi na niewielkie rozmiary badanego obszaru, a więc z powodu małej liczby (kilku) węzłów wyjściowych siatki prognostycznej, uzyskany obraz przestrzennego rozkładu temperatur powietrza różni się nieznacznie od numerycznego modelu rzeźby terenu. Różnice wartości między węzłami siatki geograficznej dla modelu GFS (0,5°×0,5°) są przeważnie nieznaczne. Ponadto nie uwzględnia się choćby ekspozycji stoku, kierunku adwekcji masy powietrza (efekt fenowy, efekt seeder-feeder) [8]. Niemniej uzyskane przybliżenie, z punktu widzenia większość odbiorców prognozy pogody, w większości sytuacji synoptycznych wydaje się wystarczające.

Dokładność rozkładu zależy od zagęszczenia punktów prognozy. Przykład z ryc. 5.1.1 odnosi się do rozdzielczości 0,05°×0,05°. Zatem, zagęszczając siatkę punktów uzyskujemy teoretycznie dokładniejszy rozkład elementu meteorologicznego. Należy jednak pamiętać, aby rozdzielczość siatki wektorowej nie okazała się wyższa od rozdzielczości rastra numerycznego

48

modelu wysokości (DEM), z którego pobieramy dane o rzędnej dla naszych punktów. Poza tym dokładność wyniku ogranicza liczba poziomów barycznych, dla których GFS oblicza wartości temperatury powietrza. Skoro bowiem rozdzielczość pionowa danych wynosi około 200 metrów, niezależnie od liczby punktów, należy je pogrupować w przedziałach o szerokości 200 metrów z wartością środkową przedziału odpowiadającą wartości wysokości danego poziomu barycznego. Zatem, na przykład punkty o wysokościach z przedziału 900-1100 m n.p.m. mogą się charakteryzować jednakową wartością temperatury powietrza.

Modelowanie przestrzennego rozkładu temperatury powietrza w obszarze górskim powinno uwzględniać rzeczywiste, a nie teoretyczne wartości wysokości bezwzględnej poszczególnych poziomów barycznych. Zmieniają się one bowiem zależnie od sytuacji meteorologicznej; zależą od od termiki napływającej masy powietrza, układu barycznego i jego formy [18].

49

5.2. Analiza przestrzennej zmienności wskaźnika burzowego Whaitinge’a

Jedną z możliwości oceny prawdopodobieństwa wystąpienia burzy jest wskaźnik Whaitinge’a (K-index). Jest to miara oparta na gradiencie termicznym między poziomami geopotencjalnymi 850 hPa i 500 hPa oraz wilgotności bezwzględnej porcji powietrza na poziomie 700 hPa (tzw. depresja temperatury punktu rosy) [24].

Ryc. 5.2.1. Zmienność przestrzenna wskaźnika Whaitinge’a oznaczona metodą izarytmiczną ze wskazaniem województw o średniej wartości wskaźnika powyżej 20 (kolor jasnożółty) i powyżej 25 (kolor żółty)

Przykładem prostej analizy wskaźnika burzowego jest wizualizacja jego przestrzennego zróżnicowania ze wskazaniem jednostek administracyjnych o najwyższej średniej wartości wskaźnika. Taka reprezentacja niesie odbiorcy prognozy pogody informację o względnym prawdopodobieństwie wystąpienia burzy i o jej sile. Istnieje możliwość uzyskiwania wartości średnich, minimalnych, maksymalnych oraz sum dla poszczególnych jednostek przestrzennych (w typ przypadku dla województw). Służy temu łączenie atrybutów (wartości wskaźnika burzowego) warstwy punktowej lub poligonalnej przez lokalizację (położenie w obrębie określonego województwa). Wyodrębnienie jednostek przestrzennych spełniających założone kryterium można przeprowadzić korzystając z filtra danych wektorowych (ryc. 5.2.1).

Ryc. 5.2.2. Wizualizacja rastrowa wskaźnika burzowego z wektorowym podziałem administracyjnym w tle

50

Zmienność przestrzenną wskaźnika burzowego można również przedstawić w postaci rastrowej. Służy temu wtyczka Interpolacji lub Krigingu (interpolacja geostatystyczna). Biorąc pod uwagę rozkład przestrzenny danych wejściowych (siatka regularnie rozmieszczonych punktów), wiarygodniejszy efekt daje kriging (ryc. 5.2.2). Oczywiście, obraz wskaźnika powinien być opatrzony stosowną legendą, czy to w formie graficznej, czy tekstowej (komentarz). Wartości najwyższe z ryc. 5.2.1 i 5.2.2 zostały wykorzystane wyłącznie do wizualizacji. Rozpatrując je z punktu widzenia możliwości wystąpienia burzy należy powiedzieć, że są one nieco zbyt niskie. Istotne prawdopodobieństwo występuje przy wartościach około 30 i wyższych. W załączonych przykładach można mówić jedynie o możliwości pojawienia się przelotnego opadu deszczu, względnie słabych, pojedynczych wyładowań atmosferycznych.

Powyżej zaprezentowano statyczne przykłady analizy wskaźnika burzowego. Statyczność dotyczy oceny możliwości wystąpienia burzy w krótkim przedziale czasu (3 godziny). Tymczasem łączenie prognostycznych danych meteorologicznych w postaci wektorowej w grupy 12- lub 24-godzinne i wskazanie wartości maksymalnych w wybranych przedziałach czasu pozwala sformułować wniosek o możliwości wystąpienia burzy w ciągu dnia, nocy lub w ciągu doby. Czas analizy możemy dowolnie wydłużać oceniając, na przykład, prawdopodobieństwo zaistnienia zjawiska w danym tygodniu, co może się okazać cenne w przypadku niektórych typów prac prowadzonych na otwartej przestrzeni.

51

5.3. Analiza frontów atmosferycznych

Analiza frontów atmosferycznych sprowadza się przede wszystkim do ustalenia ich położenia na podstawie przestrzennego rozkładu ciśnienia atmosferycznego, jego tendencji, kierunku i prędkości wiatru, zachmurzenia i temperatury powietrza. Automatyczne wyznaczanie lokalizacji frontów jest bardzo skomplikowane, nie zawsze możliwe. Niemniej analizę frontów atmosferycznych można przeprowadzić ręcznie. Taką możliwość daje QGIS.

W pierwszej kolejności należy zdefiniować cechy graficzne linii oznaczającej poszczególne typy frontów. W opracowaniu skupiono się na trzech zasadniczych: ciepłym, chłodnym i zokludowanym. Aplikacja pozwala na tworzenie własnych symboli, nie tylko w formacie wektorowym (SVG), ale również rastrowym. Jakkolwiek dla frontu ciepłego i chłodnego, które w swej budowie graficznej posiadają jeden rodzaj znacznika (półkole barwy czerwonej lub trójkąt barwy niebieskiej), przygotowanie symbolu jest proste, tak w przypadku frontu okluzji pojawiają się problemy. Dotyczą one wyświetlania przygotowanego symbolu składającego się zarówno z półkoli jak i z trójkątów. Jeden ze znaczników, w sytuacji krętej linii frontu, nie naśladuje poprawnie jej przebiegu. Oznacza to, iż znacznik pozostaje w?separacji w stosunku do przebiegu linii frontowej. Rozwiązaniem problemu okazało się zastosowanie jednego znacznika posiadającego cechy frontu ciepłego i chłodnego; można go utworzyć w postaci rysunku SVG lub korzystając z czcionek (GSI Weather, ESRI Weather Symbols, Mapinfo Weather Symbols). Czcionki są bowiem jedną z trzech możliwości przygotowywania wymaganych symboli.

Ryc. 5.3.1. Przykład mapy ciśnienia atmosferycznego i zachmurzenia nad Europą z zaznaczonymi liniami frontowymi

Rycina 5.3.1. ilustruje efekt analizy frontów atmosferycznych nad Europejskim Obszarem Synoptycznym. Każdy typ frontu (ciepły, chłodny i okluzji) zapisano w niezależnych warstwach wektorowych. Ponadto stworzoną warstwę tekstową dla zaznaczenia centrów układów niskiego i wysokiego ciśnienia.

Do uzyskania obrazu (ryc. 5.3.1) wystarczy rastrowa warstwa zachmurzenia oraz ciśnienia atmosferycznego. Na podstawie tej drugiej można wygenerować izobary (wtyczka Generuj

warstwice ) o określonym cięciu (np. 5 hPa). Dla poprawy orientacji na mapie istnieje możliwość przygotowania wektorowej siatki geograficznej wraz z opisem południków i równoleżników.

52

5.4. Kartograficzna prognoza warunków pogody dla Polski

Graficzna prognoza warunków pogody spełnia istotną rolę informacyjną. W takiej postaci dociera bowiem do większości odbiorców indywidualnych. Quantum GIS, dzięki czytaniu i przetwarzaniu prognostycznych danych meteorologicznych, oferuje rozmaite możliwości przygotowywania graficznych, a właściwie kartograficznych prognoz pogody.

Prognostyczne dane meteorologiczne mogą być wyświetlane w różnej postaci (tekst, symbol SVG, ikona meteorologiczna). Z punktu widzenia większość odbiorców, najbardziej zrozumiała wydaje się ikona meteorologiczna, choć nie w pełni przekazuje ona informacje prognostyczne. Wykonanie ikony w formacie SVG, w aplikacji do grafiki wektorowej (Ikscape, Adobe Illustrator, CorelDRAW i inne) umożliwia jej dalsze wykorzystywanie w QGIS jako elementu składowego graficznej legendy, na przykład dla zobrazowania zachmurzenia (ryc. 5.4.1). Ikony mogą być przyporządkowane konkretnym miejscowościom lub regionom; wówczas należy obliczyć (na przykład) średnią wielkość zachmurzenia dla danej jednostki przestrzennej (region, województwo, powiat itd.), a wynik przedstawić w postaci ikony zgodnie z przyjętą legendą.

Ryc. 5.4.1. Przykład mapy prognostycznej dla Polski na dzień

Oprócz wielkości zachmurzenia można dodać informacje o prognozowanej wartości temperatury powietrza (minimalnej, maksymalnej), zjawisku (deszcz, śnieg, opad marznący) czy w końcu o wietrze i ciśnieniu atmosferycznym.

Kartograficzną prognozę warunków można przygotowywać na dowolny obszar i czas, w tym na dzień i noc. Przykładem prognozy na noc jest rycina 5.4.2. Dla zachowania odmienności graficznej prognozy na dzień i noc, zmieniono skalę barw numerycznego modelu terenu oraz, oczywiście, ikonografię – księżyc z gwiazdami zastąpił słońce. Zmieniono również barwę bufora (tła tekstu; bufor jest tu mylący) temperatury powietrza z czerwonej na niebieską.

53

Ryc. 5.4.2. Prognoza pogoda dla Polski na noc

Wizualizacja wielkości zachmurzenia przy pomocy ikon (ryc. 5.4.2) jest o tyle mniej kłopotliwa od zjawisk atmosferycznych, że odniesiona jest do określonego momentu czasowego (konkretna godzina). Tymczasem wystąpienie i intensywność zjawisk modelowana jest dla okresów kilkugodzinnych (3, 6 itd.). Stąd przy dynamicznie zmieniających się warunkach pogody może się na przykład okazać, że pomimo małego zachmurzenia, ikona wskazuje na możliwość wystąpienia przelotnego deszczu. Rozwiązaniem problemu jest jednak przygotowywanie map warunków pogody dla przyjętych przedziałów czasu, np. godzina 9 – 12, popołudnie itd. Takie podejście wymaga co prawda uśrednienia wielkości zachmurzenia dla założonego interwału czasowego, jednak QGIS pozwala to uczynić na poziomie tabeli atrybutów lub za pomocą wtyczki RasterCalc .

Poza ikonami meteorologicznymi, w QGIS można stosować symbole synoptyczne zgodne z kluczem meteorologicznym. Przykładem takiej reprezentacji jest mapa na rysunku 5.4.3. Tego rodzaju mapy przygotowywane są niemal wyłącznie w oparciu o dane obserwacyjne z naziemnych stacji meteorologicznych. Dane obserwacyjne podlegają odpowiedniemu szyfrowaniu (klucz SYNOP FM-12) i wymianie międzynarodowej. Zdekodowanie depeszy SYNOP pozwala na wizualizację informacji meteorologicznej w postaci przyjętego systemu znaków. Nie dysponując programem szyfrującym/deszyfrującym, możemy przygotować prosty algorytm w arkuszu kalkulacyjnym dzieląc pobrane depesze w kolumny odpowiadające poszczególnym grupom informacji (temperatura powietrza, punkt rosy, ciśnienie itd.). Uzyskane na tej drodze, uporządkowane dane można zapisać w postaci pliku CSV i pobrać go z poziomu QGIS wyświetlając żądane dane z wykorzystaniem przyjętego systemu znaków, albo napisać odpowiednią wtyczkę.

54

Ryc. 5.4.3. Przykład prognostycznej mapy synoptycznej dla Polski

Zdecydowanie rzadziej przygotowuje się podobne mapy bazując na danych prognostycznych. W odróżnieniu od danych obserwacyjnych, w przypadku prognozy numerycznej jest to zdecydowanie łatwiejsze; dane są już bowiem odpowiednio pogrupowane. W przykładzie na rysunku 5.4.3. pomięto specyficzny zapis ciśnienia atmosferycznego, w przypadku którego wartości powyżej 1000 hPa zapisuje się z pominięciem pierwszych dwóch cyfr (10), lecz z uwzględnieniem wartości dziesiętnych, a wartości niższe z pominięciem pierwszej cyfry (9). Niemniej, specyficzna forma zapisu może być uwzględniona zależnie od potrzeb.

Na mapach synoptycznych z danymi obserwacyjnymi notuje się tzw. zjawisko bieżące, a więc hydrometeor widziany na stacji synoptycznej lub w polu widzenia w momencie obserwacji. W przypadku mapy prognostycznej można przyjąć, że miejsce to zajmie zjawisko prognozowane w ciągu najbliższych kilku godzin (3, 6, 12, 24), zależnie od kroku czasowego danego modelu numerycznego. W miejscu zjawiska ubiegłego (minionego) można zatem zapisać informację o zjawisku spodziewanym w poprzednim okresie prognozy, np. mapa na godzinę 12 UTC przedstawia prognozę zjawiska na okres od 12 do 15 UTC, natomiast jako zjawisko ubiegłe podaje rodzaj hydrometeoru oczekiwanego w okresie od 9 do 12 UTC.

Zachmurzenie, w odróżnieniu od zjawisk atmosferycznych, modelowane jest na konkretny moment czasowy, nie zaś na przedział czasu. W związku z tym mapa prognostyczna na godzinę 12 uwzględnia zachmurzenie na ten właśnie moment czasowy. W sytuacji braku hydrometeorów, wielkość zachmurzenia można podać w miejscu zjawiska ubiegłego.

Wizualizacja prognostycznych danych meteorologicznych daje dobre rezultaty graficzne. Przygotowanie wzorca, zwłaszcza stylów wizualizacji poszczególnych elementów meteorologicznych, ułatwia generowanie kolejnych map, które w zestawieniu z mapami danych obserwacyjnych za odpowiedni okres pozwalają na analizę trafności prognozy. W efekcie można wypracować prawidłowości działania modelu numerycznego w interesujących nas, szczególnie trudnych w prognozowaniu, warunkach pogody.

55

Ryc. 5.4.4. Przykład prognostycznej mapy warunków pogody dla Polski wzbogaconej elementami analizy frontów atmosferycznych

Oprócz klasycznej mapy synoptycznej, QGIS pozwala przygotować analizę wybranych elementów meteorologicznych z zastosowaniem rozmaitych sposobów wizualizacji. Na rycinie 5.4.4 wskazano na różnorodność kartograficznych metod prezentacji treści meteorologicznej; na podkładzie wektorowej mapy podziału terytorialnego Polski, za pomocą metody izarytm, zasięgów, sygnatur przedstawiono pole baryczne, temperaturę powietrza na wysokości 2 metrów n.p.t. oraz rozkład zachmurzenia, opadów atmosferycznych. Tak przygotowana mapa stała się podstawą analiz frontowej – wyznaczenia przebiegu ciepłego frontu atmosferycznego.

56

5.5. Produktu meteorologicznej osłony zimowego utrzymania dróg (zud)

Jako przykład bardziej rozbudowanych analiz, można podać produkty przygotowane z myślą o meteorologicznej osłonie zimowego utrzymania dróg. Precyzyjna i wnikliwa prognoza pogody stanowi nieocenioną pomoc dla zarządców dróg. Pozwala bowiem racjonalizować wydatki, użytkowanie sprzętu i zarządzanie zasobami ludzkimi.

Opady marznące powodujące gołoledź są jednym z największych utrudnień drogowych. Oznaczają bowiem wytężoną pracę służb drogowych oraz konieczność zachowania szczególnej ostrożności przez kierujących pojazdami oraz pieszych. Poza tym wpływają niekorzystnie także na ruch kolejowy, powodując oblodzenie trakcji, czy w lotniczym. Przygotowana analiza (ryc. 5.5.1) stanowi przykład kombinowanej metody prognozowania opadów marznących. Barwą żółtą zaznaczono obszary, które wg prognozy numerycznej mogą być objęte wspomnianym zjawiskiem, natomiast symbolicznie wskazano tereny o wysokim prawdopodobieństwie wystąpienia opadu marznącego uzyskane metodą tradycyjną. Przyjęto bowiem, iż największe ryzyko gołoledzi wystąpi przy ujemnej temperaturze powietrza na wysokości 2 m n.p.t., dodatniej temperaturze warstwy między poziomami 1000 a 850 hPa, a więc w sytuacji inwersyjnej. Z uwagi na fakt, iż analizę przygotowano dla stycznia, nie uwzględniono temperatury gruntu, jako że jest ona, bez wyjątku, ujemna. Intensywność opadu marznącego zróżnicowano na podstawie prognozowanej sumy opadów atmosferycznych. Dodatkowo wskazano tereny objęte opadem śniegu i deszczu.

Analiza pokazuje wyraźnie, że wybór obszarów zagrożonych gołoledzią, wykonany metodą tradycyjną, znajduje zdecydowane potwierdzenie w prognozie numerycznej, co uwiarygodnia przygotowane opracowanie. Symbole opadów przygotowano w aplikacji CorelDRAW i zapisano w postaci pliku SVG. Jako podkład wykorzystano mapę wektorową Polski i Europy poziomu pierwszego (VMAP LEVEL 1).

Ryc. 5.5.1. Przykład prognostycznej mapy rodzaju opadów atmosferycznych wykonanej metodą numeryczno-tradycyjną

Istotną, z punktu widzenia zimowego utrzymania dróg, informacją jest przewidywana suma opadów śniegu, jako że zdecydowanie utrudnia on poruszanie się po jezdniach i chodnikach. Na rycinie 5.5.2 przedstawiono przykład mapy przestrzennego rozkładu 12-godzinnej sumy opadów śniegu w Polsce. Taka wiedza pozwala na efektywniejsze zarządzanie ludźmi oraz taborem do oczyszczania dróg. Mapę wykonano wykorzystując wtyczkę RasterCalc oraz 4 pliki GRIB z

57

danymi o 3-godzinnej sumie opadów atmosferycznych (parametr APCP) oraz z danymi odnośnie prognozowanych miejsc wystąpienia opadów śniegu (parametr CSNOW). Mnożenie wartości parametrów APCP i CSNOW dla odpowiednich przedziałów czasu oraz sumowanie uzyskanych iloczynów pozwoliło na wygenerowanie mapy (ryc. 5.5.2). W podkładzie zastosowano mapę podziału administracyjnego Polski na poziomie powiatów [4].

Ryc. 5.5.2. Przykład prognostycznej mapy sumy opadów atmosferycznych

Z kolei ryc. 5.5.3. prezentuje tą samą treść, lecz w innym ujęciu terytorialnym; wartości sumy opadów śniegu, po klasyfikacji, przypisano bowiem poszczególnym powiatom. W tym przypadku skorzystano z danych w formacie wektorowym, a nie rastrowym. Podejście z ryciny 5.5.3 wydaje się praktyczniejsze z punktu widzenia służb zimowego utrzymania dróg, szczególnie na szczeblu wojewódzkim i powiatowym.

Ryc. 5.5.3. Przykład prognostycznej mapy sumy opadów śniegu wg powiatów

58

Ryc. 5.5.4. Przykład prognostycznej mapy wystąpienia zawiei śnieżnych dla prędkości wiatru powyżej 10 m/s i 12-godzinnej sumy opadów śniegu powyżej 10 cm

Z zawiejami śnieżnymi mamy do czynienia podczas opadów śniegu i dość silnego czy silnego wiatru. Zjawisko powoduje tworzenie zasp śnieżnych, szczególnie na drogach zorientowanych prostopadle do kierunku wiatru. Nawiewanie śniegu zachodzi również w okresach między opadami śniegu (zamiecie śnieżne). Rycina 5.5.4 przedstawia jedną z wielu możliwości wizualizacji prognozy miejsc wystąpienia zawiei śnieżnych. W podkładzie ponownie zastosowano mapę administracyjną Polski na poziomie powiatów [4]. Symbol zawiei przygotowano łącząc symbol zamieci śnieżnej i opadu śniegu z klucza SYNOP-FM12.

5.6. Podsumowanie

Analiza odgrywa w meteorologii kluczowe znaczenie. Jej wiarygodność decyduje bowiem o trafności przewidywań rozwoju sytuacji synoptycznej, a więc o bezpieczeństwie wykonywania rozmaitych zadań. Ma także znaczenie z punktu widzenia możliwości realizacji wielu codziennych prac. Quantum GIS w wersji 1.5.0 posiada szereg wtyczek zapewniających wnikliwe analizowanie dostarczonych danych prognostycznych, zarówno wektorowych, jak i rastrowych.

Analizowanie jest procedurą skomplikowaną i często czasochłonną. W związku z tym wymaga co najmniej częściowej, o ile nie pełnej automatyzacji poprzez zastosowanie skryptów i tworzenie kolejnych wtyczek, szczególnie branżowych (meteorologicznych).

Niewątpliwie kolejne wersje aplikacji QGIS zapewnią większe możliwości analityczne w zakresie ogólnym. Sprawne przygotowywanie prognoz warunków pogody odpowiadających rosnącym wymaganiom klienta wymaga jednak prac nad swoistym personalizowaniem zakresu działania Quantum GIS.

59

6. Możliwości publikacji wyników analiz

Zapis efektów pracy w postaci map oraz możliwość ich publikacji w postaci rozpoznawalnych formatów wymiany danych, zwłaszcza zgodnych z wymaganiami klienta jest istotą korzystania z dowolnej aplikacji, w tym z Quantum GIS. Kompatybilność, interoperacyjność stanowią zatem nadrzędne uzasadnienie wdrożenia takiego systemu do operacyjnej służby meteorologicznej.

QGIS zapewnia kilka ważnych możliwości utrwalenia wyników pracy w postaci obrazu; wymienić należy zapis w postaci:11. projektu,12. obrazu,13. pliku wektorowego,14. pliku html,15. pliku mapowego (mapfile),16. wydruku.Oczywiście, wspomniane opcje nie wyczerpują palety możliwości, tym bardziej że, jak już wielokrotnie nadmieniano, aplikacja QGIS ma charakter rozwojowy, a również i użytkownik może implementować wtyczki definiujące inne alternatywy.

6.1. Zapis w postaci projektu

Projekt QGIS jest pierwszą możliwością zapisu efektów pracy jaką proponuje aplikacja. Opcja ta ma wymiar systemowy, co należy interpretować jako zdolność programu do utrwalania wszystkich wczytanych w danym momencie warstw informacyjnych. Niemniej takie rozwiązanie może się okazać kłopotliwe z punktu widzenia odbiorcy przygotowywanych danych, analiz, map, ponieważ wymaga posiadanie Quantum GIS, najlepiej w tej samej wersji. Nie zawsze bowiem próba wczytania projektu wykonanego w starszej wersji kończyła się pełnym sukcesem. O ewentualnych problemach program informował wcześniej stosowanym komunikatem (ryc. 6.1.1).

Ryc. 6.1.1. Komunikat o możliwej niekompatybilności danych

60

Prócz możliwej niekompatybilności danych, QGIS informował o utracie ścieżki do niektórych warstw, pomimo iż nie zmieniono ich lokalizacji w przestrzeni dysku (ryc. 6.1.2). Te i podobne błędy zostaną jednak, za pewne, usunięte.

Ryc. 6.1.2. Komunikat o możliwej niekompatybilności danych

6.2. Obraz

Poza projektem, Quantum GIS umożliwia zapis danych w postaci obrazu (ryc. 6.2.1). Do dyspozycji użytkownika pozostaje 10 różnych formatów wymiany danych rastrowych, w tym PNG, TIFF, BMP, JPEG. Rozdzielczość uzyskiwanych obrazów wynosi około 1000 × 566 pikseli.

Ryc. 6.2.1. Widok okna zapisu danych w postaci obrazu

Obraz jest bardzo interoperacyjny; wymaga bowiem instalacji najprostszej przeglądarki graficznej, choćby zaimplementowanej domyślnie w systemie operacyjnym. W odróżnieniu od projektu, obraz przedstawia wyłącznie warstwy widoczne w oknie aplikacji QGIS.

6.3. KML jako przykład formatu wektorowego

Ciekawą i użyteczną możliwością zapisu przygotowanych map jest format KML (ang. Keyhole Markup Language). Pliki tego typu obsługuje między innymi znana i dynamicznie rozwijająca się aplikacja Google Earth. Quantum GIS pozwala na zapis danej warstwy wektorowej do pliku KML i jego użytkowanie w Google Earth, zarówno z poziomu komputera, jak i telefonu komórkowego. Mamy zatem dostęp do danych niemal z każdego miejsca na Ziemi.

Rozwiązanie to nie jest jednak pozbawione wad. Zasadnicza polega na tym, że jakkolwiek obraz pozwala na zapis wszystkich widocznych w oknie QGIS warstw, tak KML umożliwia zapis wyłącznie jednej warstwy wektorowej. Dodatkowo, aplikacja Google Earth potrafi ją odczytać bez zachowania pierwotnej symbolizacji. Niemniej wartości elementów meteorologicznych, czy dane w

61

formie tekstowej mogą być zapisywane w postaci omawianego formatu wymiany danych wektorowych.

6.4. HTML i Mapfile

Pliki typu HTML jest kolejną alternatywą QGIS w zakresie wyświetlania wyników pracy w postaci mapy. Uzyskujemy go dzięki wtyczce Html Image Map Plugin przygotowanej przez Richarda Duivenvoorde'a. Wtyczka dostępna jest z poziomu menedżera wtyczek w ramach Jego nieoficjalnego repozytorium QGIS.

Wtyczka umożliwia przygotowanie mapy w postaci pliku rastrowego oraz pliku html obsługiwanego przez przeglądarkę internetową. Użytkownik wybiera przede wszystkim sposób wyświetlania danych zapisanych na interesujących go warstwach wektorowych (poligonowych lub punktowych w formacie SHP lub PostGIS). Dane w pliku HTML mogą być wyświetlone po ustawieniu wskaźnika na ekranie w danym miejscu mapy, czy po kliknięciu interesującej nas lokalizacji (ryc. 6.4.1).

Ryc. 6.4.1. Okno wtyczki Html Image Map Plugin

Informacje o atrybucie wyświetlane są odpowiednio w lewym górnym narożniku ekranu (mapy) albo w oknie dialogowym Java Skript (ryc. 6.4.2). Istnieje również możliwość zdefiniowania rozmiaru mapy.

62

Ryc. 6.4.2. Przykład mapy wygenerowanej wtyczką Html Image Map Plugin

Ciekawym rozwiązaniem w zakresie zapisu i publikacji map w QGIS jest wtyczka MapServer Export . MapServer jest otwartym środowiskiem programistycznym, którego zadaniem jest przygotowywanie i wizualizacja informacji geograficznej w Internecie. QGIS pozwala tworzyć plik tekstowy MAP. Do wyświetlenia mapy niezbędne są: strona html, serwer http i skrypt Mapserver CGI [11]. Wszelkich dalszych informacji technicznych należy poszukiwać pod adresem http://quantum-gis.pl/_media/czytelnia/wprowadzenie_do_quantum_gis.pdf na stronach 50-51.

6.5. Wydruki

Funkcja wydruku jest bodaj najbardziej funkcjonalnym rozwiązaniem QGIS w zakresie utrwalania wyników pracy (projektu). Ma bowiem bardzo rozbudowany interfejs i szereg użytecznych możliwości (ryc. 6.5.1).

Ryc. 6.5.1. Widok na okno Wydruku w programie Quantum GIS 1.5.0

63

Wydruk jest kompozycją mapową składającą się z aktywnych warstw wektorowych i rastrowych widocznych w oknie programu QGIS. Istnieje ponadto możliwość dodawania innych elementów: legendy, kierunku północy, nowej etykiety, obrazu, skali (podziałki) czy tabeli atrybutów. Podobnie jak w przypadku typowego wydruku, definiuje się jego rozmiar we wskazanych jednostkach, orientację i rozdzielczość. Poza tym określamy rozmiar mapy lub jej skalę w jednostkach mapy, zakres (wartości współrzędnych), obrót mapy (kąt), wyświetlanie siatki kartograficznej oraz ramkę (barwę, tło i przezroczystość). Oddzielnie możemy zdefiniować właściwości legendy, między innymi wyświetlanie jej poszczególnych elementów. Niestety, nie ma możliwości wyświetlania opisanej, rozbudowanej legendy warstw rastrowych. Niemniej przygotowana kompozycja może być zapisana jako obraz, plik PDF lub SVG lub po prostu wydrukowana.

Niewielkim mankamentem widoku wydruku jest nie zachowywanie proporcji podczas wyświetlania etykiet na mapie; sprawiają one wrażenie zbyt dużych, kolidujących ze sobą elementów (ryc. 6.5.1). Na szczęście zapis w postaci obrazu, PDF-u czy SVG utwierdza w przekonaniu o właściwych proporcjach elementów składowych kompozycji mapowej (ryc. 6.5.2).

Ryc. 6.5.2. Przykład wydruku w postaci obrazu z elementami mapy

6.6. Podsumowanie

Quantum GIS posiada zatem rozbudowane możliwości zapisu i publikacji wyników pracy, nie tylko na poziomie samej aplikacji, ale również w przeglądarkach graficznych czy na stronach internetowych. Dzięki temu mapy mogą być łatwo dystrybuowane, bowiem potencjalny odbiorca dysponuję co najmniej jedną możliwością odczytu nabytych produktów. Niewątpliwie działaniem, które należy podjąć w celu zwiększenia efektywności dystrybucji wyników pracy jest przygotowanie wtyczki, skryptu zapewniającego automatyzację procesu zapisu czy eksportu danych. Dalsze prace nad projektem będą zmierzały właśnie w tym kierunku.

64

7. Podsumowanie

Przeprowadzone prace związane z uruchamianiem aplikacji Quantum GIS 1.5.0, wczytywaniem danych, ich wizualizacją, przetwarzaniem czy analizowaniem oraz zapisem wyników pozwalają postawić tezę o wartej dalszych rozważań użyteczności programu. Uważa się, że QGIS w rozpatrywanej wersji zapewnił możliwość sprawnego wykonania wszystkich zadań. Pomimo iż aplikacja nie została opracowana pod kątem użytkowania wyłącznie prognostycznych danych meteorologicznych, to już sam fakt ujęcia plików GRIB w zbiorze obsługiwanych formatów pozwala uznać wstępne przygotowanie programu do realizacji celów niniejszego projektu. Niezależnie od powodzenia przeprowadzonych prac, QGIS w wersji 1.5.0 wymaga dalszego rozwoju, szczególnie w zakresie analizowania danych meteorologicznych, nie tylko prognostycznych, ale również z bieżących obserwacji przyziemnych, cyfrowego przetwarzania obrazów satelitarnych na elementarnym poziomie, tj. klasyfikacji, choćby w celu oszacowania wielkości zachmurzenia. Takie prace podjęto poza projektem. Wykazały one możliwość wczytywania danych z naziemnych stacji meteorologicznych po przetworzeniu w arkuszu kalkulacyjnym i wczytaniu do programu w postaci pliku CSV. Przeanalizowano też wstępnie użyteczność QGIS odnośnie klasyfikacji zobrazowań satelitarnych w świetle widzialnym. Okazało się, że szacowanie wielkości zachmurzenia w taki właśnie sposób nie jest obarczone istotnym błędem, choć znajduje zastosowanie wyłącznie dla godzin dziennych (oświetlenie). Informacji na ten temat nie podano jednak w projekcie, bowiem nie były one przedmiotem pracy.

Quantum GIS zapewnia przygotowywanie rozbudowanych analiz zarówno na danych wektorowych jak i rastrowych. Dostępne są użyteczne stylizacje, narzędzia matematyczne, statystyczne, geostatystyczne czy geograficzne. Umiejętne posługiwanie się nimi daje szerokie możliwości przygotowywania ciekawych i funkcjonalnych produktów meteorologicznych.

Należy jednocześnie nadmienić, że możliwości wizualizacji prognostycznych danych meteorologicznych uwarunkowane są posiadanym zestawem symboli synoptycznych oraz ikon pogody. Z uwagi jednak na to, że można je wykonać w dowolnym programie generującym format SVG, a nawet, w pewnych przypadkach, przygotować w samej aplikacji QGIS, trudno mówić o realnych ograniczeniach. Efektywność zarządzania danymi prognostycznymi wymaga niemniej stworzenia wzorów poszczególnych kartograficznych produktów meteorologicznych tak, by przyspieszyć ich przetwarzanie. Maksymalną skuteczność można osiągnąć dopiero na drodze automatyzacji procesu wczytywania, analizowania i zapisu danych. Kroki w tym kierunku zostaną podjęte – po wstępnym zaopiniowaniu projektu w firmie AURA CENTRUM sp. z o.o., rozpoczną się prace nad założeniami do zestawu wtyczek meteorologicznych, a w końcu prace programistyczne, w których autor projektu będzie brał udział. Zostanie również przygotowana ocena ekonomiczna wdrożenia Quantum GIS do czynnej służby meteorologicznej. Aktualnie użytkowana aplikacja (GrADS) nie daje bowiem tak szerokich możliwości wyświetlania, analizy oraz zapisu i dystrybucji map jak Quantum GIS, który nadto wykazuje nieporównanie większą kompatybilność. Poza tym aplikacja zapewnia przyjazny i intuicyjnych interfejs graficzny oraz nie wymaga umiejętności programistycznych. Quantum GIS jest zatem niewątpliwie ważną alternatywą lub co najmniej suplementem już funkcjonującego w firmie systemu generowania prognoz warunków pogody.

65

Spis rycin

Ryc. 1.3.1. Zniekształcenie powierzchniowe kształtu Polski.............................................................................9Ryc. 1.4.1. Okno aplikacji tkdegrib (degrib). Zawartość (struktura) pliku GRIB wskazanego u góry widoczna w postaci układu wierszy..................................................................................................................10Ryc. 1.4.2. Okno aplikacji zyGRIB. Widoczna mapa barwna temperatury powietrza z naniesionymi wartościami w węzłach siatki geograficznej oraz przyziemne pole baryczne opisane izobarami co 5 hPa.....11Ryc. 1.4.3. Okno menedżera pobierania depeszy GRIB...................................................................................11Ryc. 1.4.4. Okno opcji Meteotable – przeglądanie wybranych prognozy wybranych elementów

meteorologicznych dla wskazanego punktu (współrzędne na górnym pasku okna)........................................12Ryc. 1.5.1. Przykład mapy w układzie długość-szerokość geograficzna WGS84...........................................13Ryc. 1.5.2. Przykład mapy w układzie „1992”.................................................................................................13Ryc. 2.1. Przykład mapy przygotowanej w programie GrADS dla AURA CENTRUM sp. z o.o. (źródło: [34])...................................................................................................................................................................14Ryc. 2.2. Przykład mapy przygotowanej w programie Digital Atmosphere (źródło: [35])..............................15Ryc. 2.3. Widok okna programu WeatherscapeXT. Na obrazie scena prognozy warunków pogody dla TVP Bydgoszcz.........................................................................................................................................................16Ryc. 3.1.1.1. Przykłady dostępnych geometrycznych typów prognostycznych danych meteorologicznych(po lewej punkty, po prawej poligony).............................................................................................................18Ryc. 3.1.1.2. Dane punktowe............................................................................................................................19Ryc. 3.1.1.3. Dane punktowe po klasyfikacji...................................................................................................19Ryc. 3.1.1.4. Okno stylizacji warstwy w programie Quantum GIS v. 1.5.0.....................................................20Ryc. 3.1.1.5. Dane poligonowe.........................................................................................................................20Ryc. 3.1.1.6. Dane poligonowe po klasyfikacji................................................................................................21Ryc. 3.1.2.1. Okno etykietowania warstwy wektorowej z poziomu właściwości warstwy (po prawej zakładka Właściwo ści etykiety , po lewej zakładka Zaawansowane ).............................................................22

Ryc. 3.1.2.2. Okno etykietowania warstwy wektorowej z poziomu menu głównego …...........................22Ryc. 3.1.2.3. Mapa temperatury powietrza – przykład etykietowania wartościami atrybutu...........................23Ryc. 3.1.2.4. Mapa zachmurzenia – przykład etykietowania symbolami meteorologicznymi........................23Ryc. 3.1.2.5. Mapa opadów atmosferycznych – przykład etykietowania symbolami meteorologicznymi.....24Ryc. 3.1.2.6. Graficzna interpretacja składowych wektora wiatru z pliku GRIB............................................24Ryc. 3.1.2.9. Okno Właściwo ści warstwy wektorowej w nowej stylizacji...........................................25

Ryc. 3.1.2.10. Okno Właściwo ści warstwy wektorowej.......................................................................26

Ryc. 3.1.2.11. System znakowania prędkości wiatru zgodny z wymogami WMO [18]..................................26Ryc. 3.1.2.12. Okno Właściwo ści warstwy wektorowej w starej stylizacji...........................................27

Ryc. 3.1.2.13. Mapa kierunku i prędkości wiatru etykietowana symbolami meteorologicznymi...................27Ryc. 3.1.2.14. Mapa zachmurzenia i zjawisk meteorologicznych dla dnia jako przykład symbolizacji ikonami pogodowymi......................................................................................................................................................28Ryc. 3.1.2.15. Mapa zachmurzenia i zjawisk meteorologicznych dla nocy jako przykład symbolizacji ikonami pogodowymi........................................................................................................................................28Ryc. 3.1.2.16. Okno Właściwo ści warstwy wektorowej w nowej stylizacji..........................................29

Ryc. 3.2.1. Efekt błędnej konwersji danych z GRB do ASCII; czarne pola wskazują na brak wartości.........30Ryc. 3.2.2. Efekt błędnej konwersji danych z GRB do ASCII (obraz po klasyfikacji); czarne pola wskazują na brak wartości................................................................................................................................................31Ryc. 3.2.3. Przykład rastra w formacie GRIB przed klasyfikacją; na mapie przestrzenny rozkład temperatury powietrza...........................................................................................................................................................31Ryc. 3.2.4. Przykład legendy do mapy z ryc. 3.2.3..........................................................................................32

66

Ryc. 3.2.5. Przykład rastra w formacie GRIB po reklasyfikacji wraz z legendą..............................................32Ryc. 3.2.6. Przykład mapy wielkości zachmurzenia nad wybranym obszarem Europy; im ciemniejszy odcień szarości, tym większe zachmurzenie.................................................................................................................33Ryc. 3.2.7. Okno komunikatu o nie obsługiwaniu formatu NetCDF...............................................................33Ryc. 3.2.8. Okno Właściwo ści warstwy wektorowej w nowej stylizacji...............................................34

Ryc. 3.2.9. Okno Właściwo ści warstwy wektorowej w nowej stylizacji...............................................34

Ryc. 4.1.1. Widok na okno wtyczki Statist ................................................................................................37

Ryc. 4.2.1. Przykład działania filtra danych przestrzennych. Barwą fioletową oznaczono zasięg obszaru z prognozowaną temperaturą powietrza niższą od (-15)°C.................................................................................38Ryc. 4.2.2. Przykład działania filtra danych przestrzennych oraz funkcji łączenia atrybutów wg położenia. Efekt wyboru województwa o średniej, prognozowanej temperaturze poniżej (-15)°C..................................38Ryc. 4.3.1. Widok na okno Wtyczka interpolacji ..............................................................................40

Ryc. 4.3.2. Efekt interpolacji triangulacyjnej metodą liniową z zastosowaniem dyskretnej palety barw. Na rycinie zaznaczono również przebieg izoterm..................................................................................................41Ryc. 4.3.3. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia (metoda Cough-Touchera) z zastosowaniem dyskretnej palety barw. Na rycinie zaznaczono również przebieg izoterm........41Ryc. 4.3.4. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia z zastosowaniem ciągłej palety barw. Na rycinie zaznaczono również przebieg izoterm........................................................................42Ryc. 4.3.5. Porównanie przebiegu izoterm wygenerowanych triangulacją liniową i sześcienną. Widoczna duże podobieństwo przebiegu izarytm..............................................................................................................42Ryc. 4.3.6. Efekt interpolacji triangulacyjnej na bazie siatki punktów. U dołu widoczny błąd interpolacji....43Ryc. 4.3.7. Efekt interpolacji triangulacyjnej na bazie siatki nieregularnie rozmieszczonych punktów. Powierzchnia interpolacji nie obejmuje terenu całej Polski …........................................................................43Ryc. 4.3.8. Efekt interpolacji metodą IDW (współczynnik wagowy = 2).......................................................44Ryc. 4.3.9. Efekt interpolacji metodą IDW (współczynnik wagowy = 4).......................................................44Ryc. 4.3.10. Suma opadów atmosferycznych metodą IDW (współczynnik wagowy 4)..................................45Ryc. 4.3.11. Raport z krigingu w QGIS...........................................................................................................45Ryc. 4.3.12. Efekt interpolacji metodą krigingu zwykłego z zaznaczonym przebiegiem izoterm. Przykład rastra wysokiej jakości......................................................................................................................................464.4.1. Okno wtyczki RasterCalc .................................................................................................................47

Ryc. 4.4.2. Przykład analizy fazowości opadów metodą wg (albo metodą, albo wg) zależności temperatury powietrza na wysokości 2 m n.p.t. (kolor czerwony) i średniej temperatury powietrza w warstwie między poziomami 1000 i 850 hPa (kolor niebieski). Typy opadów oznaczono barwami: deszcz – zielony, deszcz ze śniegiem – jasnoniebieski, śnieg – niebieski....................................................................................................47Ryc. 4.4.3. Prędkość wiatru o wartości progowej powyżej 10 i 15 m/s...........................................................48Ryc. 5.1.1. Przykład prognozy temperatury powietrza dla wybranego obszaru Sudetów. Krzyże oznaczają węzły siatki geograficznej (rozdzielczość 0,05°×0,05°). Linie koloru białego – granice administracyjne Polski i Czech....................................................................................................................................................49Ryc. 5.2.1. Zmienność przestrzenna wskaźnika Whaitinge’a oznaczona metodą izarytmiczną ze wskazaniem województw o średniej wartości wskaźnika powyżej 20 (kolor jasnożółty) i powyżej 25 (kolor żółty).........51Ryc. 5.2.2. Wizualizacja rastrowa wskaźnika burzowego z wektorowym podziałem administracyjnym.......51Ryc. 5.3.1. Przykład mapy ciśnienia atmosferycznego i zachmurzenia nad Europą z zaznaczonymi liniami frontowymi........................................................................................................................................................53Ryc. 5.4.1. Przykład mapy prognostycznej dla Polski na dzień.......................................................................54Ryc. 5.4.2. Prognoza pogoda dla Polski na noc................................................................................................55Ryc. 5.4.3. Przykład prognostycznej mapy synoptycznej dla Polski................................................................56Ryc. 5.4.4. Przykład prognostycznej mapy warunków pogody dla Polski wzbogaconej elementami analizy frontów atmosferycznych..................................................................................................................................57

67

Ryc. 5.5.1. Przykład prognostycznej mapy rodzaju opadów atmosferycznych wykonanej metodą numeryczno-tradycyjną.....................................................................................................................................58Ryc. 5.5.2. Przykład prognostycznej mapy sumy opadów atmosferycznych...................................................59Ryc. 5.5.3. Przykład prognostycznej mapy sumy opadów śniegu wg powiatów.............................................59 Ryc. 5.5.4. Przykład prognostycznej mapy wystąpienia zawiei śnieżnych dla prędkości wiatru powyżej 10 m/s i 12-godzinnej sumy opadów śniegu powyżej 10 cm................................................................................60Ryc. 6.1.1. Komunikat o możliwej niekompatybilności danych......................................................................61Ryc. 6.1.2. Komunikat o możliwej niekompatybilności danych......................................................................62Ryc. 6.2.1. Widok okna zapisu danych w postaci obrazu.................................................................................62Ryc. 6.4.1. Okno wtyczki Html Image Map Plugin .............................................................................63

Ryc. 6.4.2. Przykład mapy wygenerowanej wtyczką Html Image Map Plugin ....................................64

Ryc. 6.5.1. Widok na okno Wydruku w programie Quantum GIS 1.5.0........................................................64

Ryc. 6.5.2. Przykład wydruku w postaci obrazu z elementami mapy..............................................................65

Spis tabel

Tabela 1.3.1. Oznaczenia i opis wybranych parametrów modelowania numerycznego warunków pogody (model GFS)

68

Spis literatury

[1] Clough, R. and Tocher, J. Finite element stiffness matrices for analysis of plates in bending. In Proceedings of Conference on Matrix Methods in Structural Analysis, 1965.[2] Dokumentacja modelu GFS, http://www.emc.ncep.noaa.gov/GFS/doc.php

[3] Galos K., Profesjonalne mapy z Quantum GIS [w:] Dragonia, nr 37, 2010.

[4] Global Administrative Areas (zasób danych map wektorowych dla świata) http://www.gadm.org/country

[5] Informacja z czwartego Hackfestu we Wrocławiu ( http://quantum- gis.pl/blog/czwarty_hackfest )

[6] Kaczanowski L., Analiza pogody i prognoza dla lotnictwa. Warszawa, Dowództwo Wojsk Obrony Powietrznej Kraju, 1987.

[7] Klasyfikacja ostrzeżeń Instytutu Meteorologii i Gospodarki Wodnej, http://www.imgw.pl/index.php?option=com_wrapper&view=wrapper&Itemid=324

[8] Kossowska-Cezak U., Bajkiewicz-Grabowska E., Podstawy hydrometeorologii. Warszawa, PWN, 2008.

[9] Longley P.A. i in., GIS. Teoria i praktyka. Warszawa, PWN, 2006.

[10] Mapa synoptyczna, http://pl.wikipedia.org/wiki/Mapa_synoptyczna[11] Nowotarska M., Wprowadzenie do Quantum GIS, http://quantum-

gis.pl/_media/czytelnia/wprowadzenie_do_quantum_gis.pdf

[12] Polski Przegląd Kartograficzny, 1928, T. 3, nr 23/24.

[13] Repozytoria Quantum GIS, http://www.qgis.org/wiki/Python_Plugin_Repositories

[14] Statystyki zainteresowania QGISem na świecie

(http://www.google.com/insights/search/overviewReport?cat=&q=qgis&geo=&date=&gprop=&clp=&cmpt=q#q=qgis%2Cquantum%20gis&cmpt=q)

[15] Strona domowa aplikacji Digital Atmosphere, http://www.weathergraphics.com/da/

[16] Strona domowa portalu pogodowego AURA CENTRUM sp . zo.o., http://www.pogody.pl/go.live.php/PL-H76/mapy-modelu-gfs.html

[17] Strona domowa aplikacji zyGRIB, http://www.zygrib.org/index.php?page=abstract_en

[18] Szewczak P., Meteorologia dla pilota samolotowego (PPL, CPL, ATPL, IR). Poznań, Wyd. AVIA-TEST, 2007.

[19] Tutorial do aplikacji Degrib (http://www.nws.noaa.gov/mdl/degrib/tutorial.php)[20] Tutorial do aplikacji Digital Atmosphere, http://www.weathergraphics.com/dl/da-

manual.pdf

[21] Tutorial aplikacji GrADS, ftp://grads.iges.org/grads/beta/doc/gadoc151.pdf

[22] Tutorial do aplikacji WeatherscapeXT,

http://www.metramedia.com/files/WXT_brochures/2008_METRA_WXT_main_brochure.pdf

[23] Vector map, (http://en.wikipedia.org/wiki/Vector_Map ) [24] Wskaźnik burzowy (K index), http://www.crh.noaa.gov/dtx/glossary/k.php[25] Zasób danych GRIB, http://nomad3.ncep.noaa.gov/

[26] Zasób danych SRTM, http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp

69

70