Índice de visibilidad (cuenca visual total) para QGIS: ¡finalmente ahí!
Algoritmo de índice de visibilidad de bienvenida, también conocido como cuenca visual total, ahora disponible en el complemento de análisis de visibilidad de QGIS . Esta métrica nos informa sobre el tamaño del campo visual para cualquier ubicación en un terreno determinado, normalmente cada píxel en un modelo de elevación digital cuadriculado (DEM). Al principio, el índice de visibilidad se asemeja a otros índices del terreno, como la posición topográfica, la rugosidad del terreno, etc. Sin embargo, la estructura visual del paisaje es esencialmente una cuestión de percepción humana (o animal) y debe evaluarse dentro de un marco cognitivo / perceptivo específico. . Más que como una calidad de terreno, me gusta pensar en el índice de visibilidad como un modelo de calidad de escena visible.
Índice de visibilidad para dos valles fluviales: nótese la alta exposición de los fondos de los valles.
El índice de visibilidad se calcula como la proporción de conexiones visuales positivas: 1.0 o 100% implica que un punto puede verse desde todos sus vecinos. De hecho, tenemos dos opciones al mapear estas opiniones positivas. El primero es asignar el valor a las ubicaciones vistas, que se pueden denominar vistas entrantes. Esto es equivalente a la cuenca visual acumulativa ( ver mi publicación anterior ). La segunda opción es mapear vistas positivas a ubicaciones de observadores, que registrarán el tamaño de la superficie observada. Estas son, entonces, opiniones salientes. Por lo tanto, el parámetro de dirección de vista se puede utilizar para distinguir entre la exposición visual de las características del terreno y la cobertura visual de cada ubicación del terreno.
La visibilidad no es recíproca: podemos elegir modelar la perspectiva del observador o la perspectiva del observado (pintura de www.nadiatsakova.com ).
Lo que pasa con el índice de visibilidad es que lleva días y semanas de computación (ver, por ejemplo, Gillings 2015, que informa 300 horas de cálculos pesados). Usando algoritmos GIS estándar, ¡tienes suerte si solo te toma de la noche a la mañana! La razón está en la complejidad de los cálculos de visibilidad. Suponga que se necesita 1 segundo para producir una cuenca visual única: para un DEM de 5 millones de píxeles (que no es grande en absoluto), esto equivale a 1300 horas de computación.
Se trata de problemas algorítmicos graves que no son fáciles de resolver. He codificado una solución que a) elimina la redundancia de cálculo yb) aprovecha al máximo la correlación espacial de los datos geográficos. Funciona de la siguiente manera.
Desenredar las líneas de visión para el cálculo de múltiples cuencas visuales.
Una cuenca visual típica se calcula proyectando líneas de visión desde un punto de observación de tal manera que toque todos los píxeles dentro del radio especificado. Ese procedimiento se puede dividir en dos operaciones: 1) trazado de líneas y 2) evaluación de la altura de los píxeles. En caso de que los puntos de observación ocupen el centro de píxeles individuales, el conjunto de líneas radiantes puede ser (y debería ser) exactamente el mismo para cada punto. Si una cierta línea de visión comienza en un píxel de la fila 10, la columna 12 termina en una fila de píxeles 45, columna 46, entonces, para el observador en (20, 22), la línea correspondiente terminará en píxel (55, 56). Traducimos las coordenadas por 10. Ahora, cuando todas las líneas de visión posibles describen las mismas traslaciones para todos los demás píxeles de una cuadrícula, podemos aplicar cada línea de visión a todos los píxeles simultáneamente (en lugar de repetir el procedimiento para cada punto de observador).
Líneas de visión de muestreo: 16 líneas.
La segunda optimización se basa en la correlación espacial de elementos típicos de DEM. Piense en dos píxeles adyacentes en un DEM: lo más probable es que sus valores sean muy similares. Solo en el caso de arquitectura en pie o acantilados muy escarpados podemos esperar cambios abruptos. Por lo tanto, podemos muestrear con seguridad solo una fracción de píxeles y aún obtener un índice de visibilidad realista. Sin embargo, si estos píxeles muestreados corresponden a ubicaciones de observadores, nos quedarán importantes discrepancias entre los píxeles que se han analizado y los que se dejaron fuera. Esto es especialmente problemático para las ubicaciones de las crestas donde la dirección de la vista y la cobertura varían significativamente. Un mejor enfoque es muestrear las líneas de visión para que todos los píxeles tengan la misma cobertura con, digamos, 8 líneas de visión. Incluso un número tan bajo obtiene un resultado sorprendentemente preciso. A medida que aumentemos el número de estas líneas, el resultado convergerá lentamente a un modelo producido con un análisis de cuenca visual de rango completo. He implementado muestras de 8 a 64 líneas, para satisfacer todos los niveles de precisión.
Entonces, ¿cuánto tiempo se tarda? En mi computadora vieja y cansada, sin optimización de CPU / GPU o lo que sea, se necesitan unos 25 minutos para un DEM de 30 millones de píxeles (parámetros predeterminados: muestra de 16 líneas y radio de 3 km). No es un abrir y cerrar de ojos, pero al menos es razonable: ¡estas son cuencas de visión para 30 millones de observadores!
El algoritmo se basa en la biblioteca Numpy que se puede optimizar en sí misma, pero todavía no me he aventurado en estos motivos: continuará… De todos modos, aquí está, el primer algoritmo de índice de visibilidad utilizable y razonablemente eficiente que existe :).
Bibliografía
M. Gillings 2015: Mapeo de la invisibilidad: enfoques SIG para el análisis del escondite y el aislamiento. Revista de ciencia arqueológica 62.
T.Brughmans, M. van Garderen, M. Gillings 2018: Presentamos configuraciones de vecindario visual para cuencas visuales totales. Revista de Ciencias Arqueológicas 96. acceso abierto.
Fuente: Traducido de https://landscapearchaeology.org/2020/visibility-index/
