Er hat es schon wieder getan! 😉 Nachdem ich der letzten Woche unter “QGIS-Tipp: DotMaps – Punktdichtekarten” [1] über das „Dot Map“-Plugin für QGIS berichtet habe, hat PyQGIS alias Ivo Partschefeld (@PyQgis) am gleichen Tag ein Youtube-Video “Einwohnerdichte als Punktdichtekarte von Sachsen mit QGIS darstellen. Plugin Dot Map” [2] dazu gemacht, natürlich mit Daten aus seiner sächsischen Heimat. Also, wie immer alles Schritt für Schritt erklärt, interessant, kurz(weilig), treffend, anschaulich, empfehlenswert. Danke Ivo! So muss Netzwerken!
Animation: Einwohnerdaten im QGIS als Choropleten und DotMaps mit 10 und 100 Elementen pro Punkt
Für die speziell Symbolisierungsart der Punktdichtekarten (DotMaps) gibt es im QGIS ein Plugin “Dot Map” [1], in der Beschreibung des Plugins heißt es:
“Eine Punktdichtekarte ist eine Art von thematischer Karte, die Punkte oder andere Symbole auf der Karte verwendet, um die Werte eines oder mehrerer numerischer Datenfelder darzustellen. Jeder Punkt auf einer Punktdichtekarte repräsentiert eine bestimmte Menge an Daten. QGIS hat keine Symbologie für diese Art von Daten. Aus diesem Grund kann dieses Plugin einen Punktdichte-Layer aus einem Polygon-Layer mit einem Integer-Feld mit den Daten erstellen, die der Benutzer in Punkte umwandeln möchte.” [1].
Noch weiter gehen die DotGridMaps, Details dazu findet Ihr in [3] und [4].
Alternativ kann in QGIS ab 3.16 auch die eingebaute Funktion “Vektor / Forschungswerkzeuge / Zufällige Punkte in Polygonen…” genutzt werden, vgl. auch “Making a Dot Density Map in QGIS” [5]. Mir scheint das o. g. Plugin jedoch einfach in der Bedienung.
Immer wieder kommt es vor, dass QGIS in einem Projekt nicht mehr auf die Datenquelle zurückgreifen kann, vielleicht hat irgend jemand einen Pfad oder Dateinamen umbenannt. Wie Ihr das im QGIS recht einfach fixen könnt, seht Ihr im Youtube-Video “QGIS 3.16 Datenmanagement – Datenquelle reparieren” [1] von Marshal Mappers. “Auto-Finden” kann gut weiter helfen.
Also zuerst, ich mag diese Heatmaps! Heatmap steht für “Wärmebild”, nie war es einfacher, komplexe Inhalte grafisch so gut zu visualisieren, aber man sollte beim Einsatz unbedingt Einiges beachten:
Animation: Die Apotheken von Halle (Saale) mit 1000m, 2000m und 3000m Radius visualisiert
Pro Heatmaps:
gute, schnell erfassbare Aussage aus sehr großer Datenmengen bzgl. Dichte der Daten
lenkt Aufmerksamtkeit
für qualitative Interpretation OK
Contra Heatmaps:
Kein/wenig/nicht sichtbarer Bezug zu Originaldaten – mitunter fragt sich der Benutzer, wie es zu dieser Dichte kommt – quantitative Aussagen können nicht gemacht werden
Unscharfes Modell durch den (kritischen) Wert des Radius*. Wie kommt der zustande? Reale Werte durch Vorschrift (wenn ja, welche?), Ziel eine schönen Grafik, Zufall oder Defaulteinstellung, Screen- oder Realeinheiten?
* … “Radius: Wird verwendet um den Heatmap Suchradius (oder Kernbandbreite) in Metern oder Karteneinheiten anzugeben. Der Radius gibt den Abstand um einen Punkt ab dem der Einfluss des Punktes spürbar wird an. Größere Werte haben eine stärkere Glättung zur Folge, kleinere Werte können aber feinere Details und eine Abwechslung in der Punktdichte zeigen.” [1]
Ich habe mal versucht, das Ganze mit den Apothekenstandorten von Halle (Saale) zu verdeutlichen. Die Daten stammen aus dem OSM-Projekt uns wurden mittels QuickOSM-Plugin ins QGIS übernommen. Dort dann mit der Symbolisierung “Heatmap” für mit 1000m, 2000m und 3000m Radius visualisiert. Welcher der drei Radien verdeutlicht nun die hallesche Apothekendichte am besten? In jedem Fall bemerkenswert die hohe Dichte am Markt und am Reileck – mindestens drei Apotheken auf engstem Raum.
Ihr könnt gern in den Kommentaren Eure Erfahrungen zu Heatmaps ergänzen …
1000m2000m3000mHohe Apothekendichte am Markt und am Reileck
Wie kommt man von 30m Bodenauflösung zu ausreichend guter Druckauflösung? Das interessante Youtube-Video “QGIS Output Resolution”[1] von Jess Zimmerman erklärt Euch …
“… den Unterschied zwischen der Abtastung und der Ausgabeauflösung von schattierten Reliefs. Es beschreibt zwei Methoden zur Steuerung der Ausgabeauflösung von aus QGIS exportierten Dateien, um die gewünschte Ausgabeauflösung für Druckprojekte zu erzeugen.” [1]
Dass die Amtliche Liegenschaftskarte und das Automatisierte Liegenschaftsbuch z. T. erhebliche Abweichungen in den Flächenangaben haben ist vermutlich vielen hier bekannt. Wir haben in unserem KomGIS+ [1] aus diesem Grund extra ein Thema eingeführt, welches bei jeder neue ALKIS-Datenübernahme diese Differenz für den Nutzer ausweist, vgl. folgende Screenshots.
Screenshot: ALK-ALB-Flächendifferenz im KomGIS+ (Identifikation)Screenshot: ALK-ALB-Flächendifferenz im KomGIS+ (Sachdaten-Tabelle)
Früher in den 90ern, ich habe 1991 GIS gelernt, war Topologie in Geodaten Standard, ein hohes Gut, eben eine heilige Kuh! Auch beim Marktführer, aus guten Gründen! Clean & Build nach jeder Editiersitzung waren Pflicht und es war gut so. Irgendwann ging die Pflicht leider verloren, spätestens bei der Einführung des ESRI-Shape-Files, für mich der größte Architekturfehler diese Formates, welches durchaus seine Verdienste hatte [6]. Das Topologie und topologisch korrekte Daten immer noch unendlich wichtig sind – für Konsistenz und Präzision – könnt Ihr im Artikel “TOPOLOGY: A BIG WORD WITH BIG IMPLICATIONS FOR YOUR DATA” von Adam Thomas [1] im mapbox-Blog nachlesen.
Topological maps allow us to easily visualize how data is connected, which makes it easier to glean insights from thousands of data sets and billions of data points. Check out our latest blog about topology and improving the quality of GIS data: https://t.co/2kZkdcdymn
Screenshot: MeinTestprojekt [2], das Zentrum bei der Pauluskirche (Einfärbung nach Abstand siehe Beschreibung)
Innerhalb der #30DayMapChallenge hat eurojam eine coole Visualisierung veröffentlicht, nämlich abhängig von der Entfernung zu einem Punkt die Objekte einzufärben. Ich habe versucht, es nachzuvollziehen und … es klappt. Für alle, die diesbezüglich ein bisschen Hilfe brauchen, hier das Ganze mal etwas untersetzter. Ich habe die Gebäude des OSM-Projektes, hier der Layer “osm_buildings_test_2398” genutzt, dazu einen Layer “center” mit der Spalte “name” und dem Eintrag “Test”. Dann lautet der adaptierte und entscheidende String für die Füllfarbe:
Aus dem Layer “center” wird also in der Spalte “name” der Eintrag “Test” gesucht. Zu dessen Geometrie (get_feature)wird die Entfernung (distance) zur aktuellen Gebäude-Geometrie ($geometry) des Datensatzes der Gebäude ermittelt und entsprechend dem aktuellen Abstand eingefärbt (colore_hsv) über einen linearen Farbverlauf (scale_linear). So einfach … Alles klar? Schaut Euch die Syntax der Funktionen get_feature, distance, scale_linear und color_hsv an, es wird klarer, versprochen 😉 Um es einfacher nachvollziehen zu können, könnt Ihr gern mein Testprojekt [2] nutzen.
Animation: Vier Center-Standorte und das eingefärbte Ergebnis
Mittels GWR – Geografisch gewichteter Regression kann unter bestimmten Bedingungen die Auflösung eines recht groben Rasters deutlich verfeinert werden. In “‘Increasing’ the resolution of a raster using Downscaling in QGIS“[1] hat Autor franzpc [2] die Vorgehensweise auf GIScrack beschrieben, genutzt wird im QGIS die Saga-Funktion “GWR for Raster Downscaling” [3]. Hochinteressant, ich werde es mal testen.
