Гуляем по пересеченной местности в открытых ГИС: о базовых возможностях моделирования пеших перемещений на основе QGIS, GRASS и SAGA

Эта страница является черновиком статьи.

Расчёт изохрон, оптимальных маршрутов и коридоров наименьших затрат для пеших перемещений на основе цифровых моделей рельефа в QGIS 3 (с использованием модулей GRASS и SAGA)

В статье рассмотрены решения некоторых отдельных, наиболее популярных задач, связанных с моделированием пеших перемещений (людей или животных) по пересечённой местности. Потребность в такого рода моделировании часто возникает при необходимости проложить маршрут в пешем походе, определить области перемещений пределах заданных временных интервалов, а также в задачах археологии, зоологии и других дисциплин.

Рассмотрим решения для трёх базовых проблем:

1. Построение изохрон перемещений по пересеченной местности относительно одной или множества исходных точек
2. Построение оптимального (с точки зрения временных затрат) маршрута по пересеченной местности между двумя точками
3. Построение коридора оптимальных временных затрат между двумя точками

Для подготовки данных и моделирования будем использовать открытый пакет QGIS 3.0.2 с модулями GRASS и SAGA, вызов которых доступен из панели анализа. Тестирование осуществлялось в средах Windows 10 x64 и Linux Mint 18.2 x64

Подготовка данных

Для демонстрации будет использоваться набор данных для территории Республики Тыва, в горной местности к северо-востоку от Кызыла. У озера Маны-Холь. В качестве источников использовались:

• Данные OpenStreetMap. Способы их загрузки неоднократно описывались. В статье использовалась архивная выгрузка с NextGIS на Тыву. От OSM нам понадобятся границы озёр (а также, опционально, дороги, застройка, типы землепользования).
• Данные о рельефе. Чем точнее ваши данные, тем лучше. В статье использовались данные с http://viewfinderpanoramas.org/dem3.html, где собраны данные на весь мир с разрешением 3 секунды.
• Данные о типах подстилающей поверхности. В статье использовались данные MODIS Global Land Cover Climatology. Можно обойтись и без этих данных, в статье они приводятся только в целях демонстрации принципов их учёта.

Архив с данными для примера из статьи можно загрузить здесь.

Итак, приступаем к подготовке данных. Для начала загрузим всё необходимое в QGIS:

• Векторные слои с препятствиями. Это могут быть любые объекты, по которым нельзя ходить. В нашем случае это только площадная гидрография из OSM (озёра, реки). Потенциально это может быть что угодно - здания, закрытые территории карьеров, военные полигоны и прочее.
• Загруженные данные по рельефу в .hgt
• Данные по типам подстилающей поверхности
• Спутниковая подложка Bing из плагина QuickMapServices для наглядности.

Соберём данные по рельефу в единый растровый набор. Для этого воспользуемся функцией merge из GDAL - Raster miscellaneous.

Получившийся временный слой сохраним в geotiff, с которым продолжим работу (для этого в контекстном меню слоя нужно выбрать "сохранить как". При этом в процессе сохранения произведем некоторые манипуляции. Во-первых, выберем правильную систему координат, например UTM для подходящей зоны. Для тестового участка это зона 47N (EPSG:32647). Во-вторых, для будущих задач нам потребуются данные о рельефе такие, у которых пространственное разрешение по X и Y совпадает (т.е. пиксели должны быть квадратными или почти квадратными, с пренебрежимо малой разницей). Для этого вручную устанавливаем одинаковое разрешение для обоих измерений. Проще всего приравнять большее разрешение к меньшему. Результат запишем в файл DEM.tif

Теперь приведем к нужному виду данные о типах подстилающей поверхности. Через пункт контекстного меню "сохранить как" настраиваем нужное: устанавливаем систему координат UTM 47N и задаем новый охват равный охвату слоя с рельефом, для этого есть специальная кнопка. Всё лишнее будет отсечено. Результат сохраним в файл land_cover_cut.tif

Слой с площадной гидрографией нам интересен во многих смыслах. Сохраним слой water-polygon в систему координат UTM 47N, называем water.geojson

Одной из наших задач будет расчёт зон доступности озера Маны-Холь, поэтому по ходу дела получим точки его берега. Для этого выделяем в слое water это озеро, и с помощью инструмента Extract Verticies получаем слой с точками на береговой линии выделенного объекта. Сохраним его как lake-points.geojson

Теперь поработаем со слоями препятствий на примере той же воды. На самом деле нам нужно в слое с ЦМР (DEM.tif) установить все пиксели с препятствиями в No Data. Сделать это можно множеством способов, посмотрим на один из них. Первый шаг - растеризация векторного слоя. Используем инструмент SAGA - Raster creation tools. Задаём в качестве исходного слоя water, Output Values устанавливаем в data/no-data, указываем охват равный охвату слоя DEM (это можно сделать через контекстное меню справа от поля ввода значений), а также задаём пространственное разрешение (cellsize) равным выбранному разрешению для слоя DEM, можно выбрать значение меньше.

В результате получаем растровый слой, в котором на месте воды пиксели имеют значение 1, а во всех остальных местах - no data.

Теперь обращаем значения data / no-data с помощью простого инструмента SAGA - Raster tools - Invert data/no-data.

Теперь всё наоборот - там, где были объекты, теперь no-data. Во всех остальных местах пиксели имеют значение 1. Сохраним этот набор данных в water_inverted.tif

Это то, что нам нужно. Теперь можно простым способом превратить соответствующие пиксели ЦМР в no data. Для этого открываем калькулятор растров (в меню Raster), и просто перемножаем слой с ЦМР и слой water_inverted. То есть задаём такое выражение, которое расчитаем в границах DEM.tif. Результат сохраним в DEM_masked.tif.

"DEM@1"*"water_inverted@1"

Результат - желанная ЦМР с "дырками".

Аналогичным образом можно пометить как no-data любые другие векторные полигоны, в зависимости от ваших задач и территории. Чтобы закончить подготовку основных данных, создадим два векторных слоя (через меню Layer - Create Layer), каждый из которых будет содержать по одной точке. Один слой назовём start_point, второй end_point - это точки, между которыми мы будем строить оптимальный маршрут и коридор наименьших затрат. Также у нас уже есть слой с точками по берегу озера - относительно них будут рассчитываться зоны доступности.

Расчёт поля стоимости перемещений

Основная задача, лежащая в основе многих последующих расчётов, это получение поля стоимости перемещений, то есть такого растра, в каждой ячейке которого хранилась бы стоимость (например, в минутах) достижения этой ячейки из одной или множества заданных в пространстве точек. Для расчёта такого поля существует два подхода:

• Интерактивный расчёт стоимостей перемещения из заданных точек. Это более сложный подход, и он востребован в тех случаях, когда невозможно назначить каждой конкретной ячейке пространства определенную стоимость её пересечения (например, если пересечение ячейки в разные стороны стоит разную цену). Одна из вариаций такого подхода доступна в модуле GRASS r.walk.
• Назначение каждой ячейке базового пространства (например ЦМР) константной стоимости её пересечения, и расчёт поля стоимости от заданных точек по этим константным значениям. Это более простой подход, и его проще реализовать для произвольной функции перемещений в ГИС. В этом поможет модуль GRASS r.cost.

Попробуем разобраться с обоими подходами.

С использованием модуля r.walk

Модуль r.walk предназначен непосредственно для расчёта стоимости перемещений по пересеченной местности с учётом некоторых дополнительных условий. Остановимся на основных моментах. В QGIS запустить r.walk можно через панель анализа в GRASS - raster - r.walk.points

Основные входные данные: ЦМР (elevation raster map) и слой с затратами, связанными с типом подстилающей поверхности (friction cost).

С ЦМР всё ясно, она у нас уже готова. Значения в ячейках растра с friction cost будут учитываться так: это количество дополнительных секунд, которые будут затрачиваться на преодоление 1 метра соответствующем пикселе. А вот такого набора данных мы ещё не подготовили! Об этом несколько позже, а пока разберёмся с другими параметрами.

Start points - точки, относительно которых будет производиться расчёт стоимостей. End points - опциональный параметр, если указать какой-то слой, то расчёт стоимостей будет прекращен по достижению алгоритмом поиска точек в этом слое.

Далее следуют настройки корневой формулы, по которой будет производиться расчёт. Процитируем, переведем и прокомментируем документацию:

Главная формула расчёта:

T = a*delta_S + b*delta_H_uphill + c*delta_H_moderate_downhill + d*delta_H_steep_downhill

где:

T - время движения в секундах,

delta S - преодолеваемое горизонтальное расстояние в метрах (берётся из ЦМР),

delta H - преодолеваемая разница высот в метрах (берётся из ЦМР),

a, b, c, d - коэффициенты, связанные с движением в разных условиях.

a: время в секундах, которое требуется для преодоления 1 метра на ровной поверхности.

b: дополнительное время в секундах, затрачиваемое на метр перемены высоты на подъёмах.

c: дополнительное время в секундах, затрачиваемое на метр перемены высоты на плавных спусках (используются положительные значения для уменьшения цены)

d: дополнительное время в секундах, затрачиваемое на метр перемены высоты на крутых спусках (используются отрицательные значения для увеличения стоимости)

Значения по умолчанию были предложены как стандартные для среднестатистического человека. Вы можете, изменяя их, моделировать перемещения для специальных категорий людей или для определенных видов зверей.

Далее определяется коэффициент Lambda для связи полученной по формуле выше T и поверхности friction cost. Связь осуществляется по формуле:

total cost = movement time cost + lambda * friction costs * delta_S

где:

movement time cost - время движения в секундах, рассчитанное по формуле выше,

lamda - обсуждаемый коэффициент,

friction costs - значение friction cost в текущем месте,

delta S - преодолеваемое горизонтальное расстояние в метрах (берётся из ЦМР),

Следующий параметр - slope factor. По сути, он участвует в формуле расчёта T как показатель перехода от плавного спуска (когда спуск ускоряет перемещение и приятен) к крутому спуску (когда уклон начинает работать наоборот, замедлять перемещение). Значение по умолчанию (-0.2125) соответствует тангенсу 12 градусов, т.е. угол склона меньше 12 градусов будет восприниматься как плавный, а больше 12 градусов - как крутой.

Параметр Maximum cumulative cost опциональный и определяет цену, по достижению которой расчёты приостанавливаются. Например, вас интересуют только территории в пределах 2 часовой доступности, тогда следует установить этот параметр равным 7200 (в секундах).

Таким образом, с помощью поверхности friction cost, коэффициентов a,b,c,d и фактора угла уклона можно достаточно гибко моделировать перемещения в рамках предлагаемой авторами модели.

Оставим значения коэффициентов по умолчанию, и займемся подготовкой поверхности friction cost. Здесь всё зависит от выбранной вами модели типов подстилающей поверхности и собственных соображений о том, какой тип как влияет на скорость перемещения. Если совсем не охота об этом размышлять, можно не использовать никакой карты типов земель и просто создать в калькуляторе растров набор данных, состоящий из одних нулей. Если дать r.walk такой растр как friction cost, то на основную формулу просто не будет накладываться никаких дополнительных ограничений. Давайте попробуем вместе. В калькуляторе растров в границах слоя DEM создадим новый растр zero_frictions.tif по формуле

 0 

И теперь запустим r.walk с этим растром в качестве friction cost, нашей ЦМР и точками береговой линии озера в качестве Start points. Все остальные параметры оставим по умолчанию, и посмотрим, какие результаты будут получены.

После расчётов мы получаем два новых набора данных: Cumulative cost и Movement Directions.

Они оба полезны и будут использованы в дальнейших расчётах. Растр Cumulative cost в каждой ячейке содержит минимальное время перемещения от озера до этой ячейки в секундах. Растр Movement Directions содержит в каждой ячейке направление, в которые был совершен переход при расчёте Cumulative cost. По растру Cumulative cost хорошо видны неоднородности, особенно в областях с наибольшими перепадами высот. Также очевидно, что при встрече с озером (пикселями no-data) алгоритму пришлось их обходить.

Теперь попробуем учесть наши типы подстилающей поверхности. Согласно источнику данных, в растре содержатся номера классов от 0 до 16, означающие следующее:

0	Вода (Water)
1	Вечнозелёные хвойные леса (Evergreen Needle leaf Forest)
2	Вечнозелёные широколиственные леса (Evergreen Broadleaf Forest)
3	Опадающие хвойные леса (Deciduous Needle leaf Forest)
4	Опадающие широколиственные леса (Deciduous Broadleaf Forest)
5	Смешанные леса (Mixed Forests)
6	Плотные заросли кустарников (Closed Shrublands)
7	Открытые заросли кустарников (Open Shrublands)
8	Лесистные саванны (Woody Savannas)
9	Саванны (Savannas)
10	Поля (Grasslands)
11	Постоянные болота (Permanent Wetland)
12	Сельскохозяйственные поля (Croplands)
13	Застройка, антропогенные сооружения (Urban and Built-Up)
14	Смешанные земли с лесами, кустарниками, сельскохозяйственными полями и др. (Cropland/Natural Vegetation Mosaic)
15	Снег и лёд (Snow and Ice)
16	Бесплодные земли или мало покрытые растительностью (Barren or Sparsely Vegetated)

Некоторые комментарии к этим классам можно найти здесь (на английском языке). Понятно, что в общем случае такая классификация достаточно условна, и желательно использовать более надежные источники, непосредственно связанные с территорией исследований, а не глобальные. Для демонстрации, впрочем, вполне подойдёт.

Для того, чтобы учесть эти типы земель в модели r.walk, нужно из растра с ключами создать растр со "штрафами" в секундах на метр (как следует из природы friction cost), соответствующими типам. Для такой задачи воспользуемся старым добрым способом с калькулятором растров (модули типа r.reclass не подходят, так как работают только с целыми числами). Запишем выражение:

("land_cover_cut@1" = 0) * 0 + 
("land_cover_cut@1" = 1) * 1.5 + 
("land_cover_cut@1" = 2) * 1.5 + 
("land_cover_cut@1" = 3) * 1.5 + 
("land_cover_cut@1" = 4) * 1.5 + 
("land_cover_cut@1" = 5) * 1.5 + 
("land_cover_cut@1" = 6) * 2.2 + 
("land_cover_cut@1" = 7) * 0.7 + 
("land_cover_cut@1" = 8) * 0.7 + 
("land_cover_cut@1" = 9) * 0.5 + 
("land_cover_cut@1" = 10) * 0.2 + 
("land_cover_cut@1" = 11) * 3 + 
("land_cover_cut@1" = 12) * 1 + 
("land_cover_cut@1" = 13) * 0 + 
("land_cover_cut@1" = 14) * 0.4 + 
("land_cover_cut@1" = 15) * 0 + 
("land_cover_cut@1" = 16) * 0

Логика такого выражения проста: из всех слагаемых общей суммы только одно окажется не нулевым, в нём выражение вида ("land_cover_cut@1" = N) вернёт единицу, и умножением на коэффициент мы превратим пиксель в желаемое число дополнительных секунд на метр перемещения. Коэффициенты в данном случае выбирались в целом умозрительно (на уровне "по болоту идти тяжелее всего", а заведомо отсутствующие или уже учтённые (вода) на территории классы помечены как 0), не следует использовать их как авторитетные. Подбирайте их с умом и исходя из условий своей задачи (кто перемещается и как).

Результат сохраняем в land_cover_reclassified.tif

В результате, если покрасить результат по красному градиенту, выходит такая картина (насыщеннее цвет - тяжелее идти):

Если запустить r.walk с новой friction cost поверхностью, результат окажется совершенно иным (оставляем все настройки без изменения, только вместо zero_frictions выбираем land_cover_reclassified). Обратите внимание на то, что максимальное время увеличилось более чем в два раза.

Инструмент r.walk очень мощное, классическое средство для моделирования перемещений по пересеченной местности. Однако правильный подбор коэффициентов и настройка поверхности friction cost - зачастую тема для отдельного исследования.

С использованием альтернативных функций перемещения и r.cost

Существуют и альтернативные функции для расчёта перемещений по пересеченной местности. Одной из популярных является функция Тоблера для походов (Tobler's hiking function). Она связывает уклон поверхности и скорость перемещения по ней следующей формулой:

Где

И приняты обозначения:

W - скорость движения (км/ч),
dh - разница высот,
dx - расстояние,
S - уклон,
θ - угол уклона.

Построим график этой функции, выделив вертикальной линией угол уклона в 0 градусов:

Логика функции ясна. Она ассиметрична относительно плоскости и наибольшая скорость достигается при уклоне вниз на примерно 2.86 градуса. Функция достаточно популярная, можно найти научные публикации, связанные с оценкой её точности по эмпирическим данным.

Однако её ассиметричность для моделирования в ГИС крайне неудобна, если учесть, каким именно образом мы считаем углы уклона по DEM (у каждого пикселя мы определяем интегральный угол уклона, при использовании данной функции же важно, в какую именно сторону мы движемся по этому склону). Для полноценной реализации необходима интерактивная функция, как r.walk. Тем не менее мы можем, совершив некоторые допущения, рассчитать необходимое и по статическим характеристикам. Давайте предположим, что в задаче нашего моделирования каждый пиксель DEM используется для навигации во все стороны, и вниз, и вверх (что справедливо, если мы рассчитываем стоимость передвижения не только от начальной точки, но и обратно к ней). Тогда на каждом значении уклона можно просто осреднять значения функции Тоблера для положительного и отрицательного значений этого уклона. Например, если по DEM в пикселе был расчитан угол уклона равный 11 градусов, искомой скоростью перемещения будет среднее из значений функции Тоблера для уклонов в 11 и -11 градусов. Посмотрим, как функция поведёт себя в таком случае:

Возьмём такую "осредненную" функцию за основу и построим модель перемещений согласно ей. Для этого возвращаемся в QGIS, и для начала расчитаем уклоны по маскированной ЦМР (DEM_masked). Для этого воспользуемся функцией Raster Terrain Analysis - Slope из панели анализа.

Полученный слой в каждой ячейке содержит угол уклона в градусах. С помощью калькулятора растров рассчитаем тангенсы эти углов, предварительно преобразовав их в радианы. Результирующий слой назовём Slope_real.tif

tan ("Slope@1" / 180.0 * 3.141592)

Посмотрим на результат:

К такому слою уже можно применять усредненную функцию Тоблера. В том же калькуляторе растров используем выражение:

(6*(2.718281^(-3.5*abs("Slope_real@1"+0.05))) + 6*(2.718281^(-3.5*abs(-1.0*"Slope_real@1"+0.05)))) / 2.0

Результат сохраним как Tobler_speed.tif, так как в результирующем растре каждая ячейка будет хранить усредненную скорость перемещения по ней.

Дополнительные сведения

Для QGIS 2.* существует плагин Walking Time, использующий функцию Тоблера для построения маршрута.