Environmental mapping: drones, aerial or satellite images?
FME WT 2014: (FR) NACLIM analyse géographique
1. CONNECT. TRANSFORM. AUTOMATE.
CONNECT. TRANSFORM. AUTOMATE.
NACLIM: North Atlantic Climate - FP
7 Collaborative Project
Exemple d’analyse géographique au
travers de FME
Christophe Adriaensen
2. CONNECT. TRANSFORM. AUTOMATE.
Aperçu du projet NACLIM
Planning:
Début: 1 nov. 2012
Durée: 48 (+3) mois
Domaine de recherche:
Prévisions climatiques et leurs impacts
L'Atlantique Nord / secteur européen
19 instituts de recherches
10 pays européens
5 thèmes / 12 workpackages
WP4.2: impact on European urban
societies
Cartographie des risques des vagues de
chaleur en milieu urbain – focus santé
3. CONNECT. TRANSFORM. AUTOMATE.
Impact on urban societies
UHI prediction
CMIP5
UrbClim
socio-economicUrban morphology Observations
Heat stress
exposure maps
City data
4. CONNECT. TRANSFORM. AUTOMATE.
Sélection de 3 villes
Différentes morphologies urbaines: densité, couverture de
végétation, etc.
Almada
Meditérannéen
Anvers
Tempéré maritime
Berlin
Continental
avec été chaud
5. CONNECT. TRANSFORM. AUTOMATE.
Indices de morphologie urbaine
Calcul des indices de morphologie urbaine
PAI - planar area index
FAI - frontal area index
Mean building height
Standard deviation building height
Fraction urban land use
Fraction vegetation cover
…
6. CONNECT. TRANSFORM. AUTOMATE.
P. exemple: PAI
Proportion de surface
couverte par des
bâtiments par cellule
(250 m de résolution)
Données en entrée: 3D
city model
Données en sortie:
l’indice de morphologie
urbaine PAI
Calcul d’un indice de morphologie
urbaine
7. CONNECT. TRANSFORM. AUTOMATE.
Prétraitement données 3D City models
Conversion 3D - 2D + attributs
Avec ou sans toit
Blocs de bâtiments ou bâtiments
individuels
3D city model (input) Blocks (output, no roofs)Buildings (output, no roofs)
Calcul d’un indice de morphologie
urbaine
9. CONNECT. TRANSFORM. AUTOMATE.
Prochaines étapes
Génération de différents scénarios
THEME ID SCENARIO
TIME SCALE
PAST -
PRESENT
(1986-2005)
NEAR
FUTURE
(2026-
2045)
FAR
FUTURE
(2081-
2100)
BASE & CLIMATE
VARIABILITY
S01 UHI - present situation (EEA data) X
S02 UHI - present situation (end-users data) X
S03 UHI - near future incl. climate variability (no changes) X
S04 UHI - far future incl. climate variability (no changes) X
MORPHOLOGY
CHANGES
S05 Realized projects - no urban expansion X
S06 Realized projects - urban expansion X
MITIGATION
MEASURES
S07 Increase green roofs (no changes) X
S08 Increase albedo buildings (no changes) X
USER-SPECIFIC
SCENARIOS
S09 UHI - Almada without presence of Lisbon X
11. CONNECT. TRANSFORM. AUTOMATE.
Prochaines étapes
Génération de cartes de risques UHI scenarios
Population
E01 Vulnerable population - today (total)
E02 Vulnerable population - near future (total)
E03 Vulnerable population - today (age class)
E04 Vulnerable population - near future (age class)
E05 Vulnerable population - today (marital status)
E06 Vulnerable population - near future (marital status)
Vulnerable
institutions
E07 Vulnerable population - today (schools)
E08 Vulnerable population - near future (schools)
E09 Vulnerable population - today (childcare)
E10 Vulnerable population - near future (childcare)
E11 Vulnerable population - today (hospitals)
E12 Vulnerable population - near future (hospitals)
E13 Vulnerable population - today (rest homes)
E14 Vulnerable population - near future (rest homes)
+
Population vulnérable
P. ex. 65 ans et +
15. CONNECT. TRANSFORM. AUTOMATE.
The research leading to these results has
received funding from the European Union 7th
Framework Programme (FP7 2007-2013), under
grant agreement n.308299
NACLIM www.naclim.eu
17. CONNECT. TRANSFORM. AUTOMATE.
Conclusions – Pq FME?
Économiser de l'argent et du temps
Augmenter la productivité
Aller droit au but : aucune expérience de
programmation requise
Obtenir plus de vos données: combiner de
multiples sources de données à de nouvelles
informations
Améliorer les processus ETL
Automatiser les tâches
Notes de l'éditeur
CMIP5 : scénarii de chgt climatique – pronostique scénario pessimiste/optimiste chgt de températureUrbClim: modèle développé par VITO – but: modéliser les ilots de chaleur en milieu urbain. Résolution: 250mGIM intervient dans le traitement des données pour disposer d’indice permettant de modéliser la morphologie de la zone urbaineObservations: base de données historiques température, humiditéDonnées socio-économiques: écoles, But: carte d’exposition à la chaleur en milieu urbain – focus au niveau santé: nécessité de prendre en compte les données démographiques …
PAI: proportion de bâtiment par cellule FAI: proportion de surface verticale suivant 8 orientations de vent
3D City model: fournie par les villes. Autres données fournies également: permeabilité du sol, couverture végétale, occupation du sol, réseau de communication,…Traitement 3D vers 2D, suppression de toit (pour évaluer l’influence des toits ou de la prise en considération de ces toits), prise en compte de blocs ou des bâtiments individuels