Дык, понятное дело что решать эти проблемы авторам всяко придётся. Но форсировать это заливкой неперивариваемых данных - это хороший способ нажить себе врагов. Надо мягче…, ещё мягче… 
Я еще помню времена, когда utf8 в ОСМ тоже считался “заливкой неперивариваемых данных”, и доставлял немало работы операторам
mysql БД. Так что все познается в сравнении
Так ты ее решишь?
Все идет к тому что она будет решена фильтрацией по source osm-файла перед конвертацией. Иными словами твои заливки в карты для ГисРуссы и СГ попадать просто не будут 
Пол года назад были решено много проблем по выстраиванию процесса полностью автоматического конвертирования совместимых осмовских карт всех 83 регионов РФ в массовый формат .nm2. Ресурсов на конвертирование этого гигабайта болот и лесов у участников данного сегмента нет. Помимо собственно использования этого формата на практике, целевым направлением было привлечение к проекту новых участников. Судя по письмам, которые сыпались мне в личку эти пол года, цель была достигнута. Теперь, два региона, один из которых второй в РФ по кол-ву активных участников, отвалился из данного процесса. Считаю, что в текущем виде, данный аплоад необходимо откатить.
P.S. Всю жизнь занимаюсь БД. Несколько раз на себе испытывал, как под давлением административного ресурса в базу автоматом заливались подобные “шумные” данные. И всегда такие эксперименты приводили к несоизмеримым проблемам в будущем. И выхода было два: весь жизненный цикл БД затыкать дыры (наподобие фильтрации osm файлов), или удалить кучу залитого мусора, и всё заводить руками.
+1
Процесс уже некоторое время идет, но медленно. Так что присоединяйтесь.
Я борюсь с главной для меня проблемой - распознаванием определенного типа
соснового леса на песке как болота, и буду смотреть что получается при реклассификации
IRS, RapidEye и GeoEye (где доступен).
v.generalize придется основательно патчить, для запрета генерализации границ
тайлов (линейные системы будут выглядеть несколько по другому).
Есть также несколько интересных мыслей по дополнениям к r.neighbors
Заливать тайлы в будущем если буду, то 1 tile/changeset, с сохранением пары x/y (как в .png), так легче с ними работать.
Ну и монахи-ручные-карторисователи-в-кельях, не забывайте историю про Ивана Федорова
Ну очень прошу выложить тайлы в нормальном виде отдельно. Так с ними работать будет ЕЩЁ намного легче
По поводу отката - похоже что-то не срослось: после отката осталось огромное количество точек без тегов
http://www.openstreetmap.org/edit?lat=60.16211&lon=29.94181&zoom=15
Вы батенька однако оптимист. Автоматический откат займет как минимум неделю, а потом еще надо будет фильтровать и добивать
ошибки откатного скрипта.
Я поэтому и говорю “если буду”. Тратить драгоценное время на порой малокомпетентные и
откровенно недружественные комментарии не хочется. Я вполне доволен той дорожной и “тропинной”
сетью, которую там нарисовал по трекам. Путем сравнения финских двухсотметровок с гуглом и яндекс/майл.ру будет
несложно до лета добавить недостающие проезжаемые дороги и без треков.
Двухсотметровки я лично и официально купил прямо в “Финкартографии” aka Maanmittauslaitos
http://www.maanmittauslaitos.fi/default.asp?id=874
поэтому никаких даже потенциальных лицензионных проблем нет.
В данном вопросе я пессимист - я прекрасно понимаю что откат займет минимум несколько недель, а на самом деле какой-то мусор останется и через несколько месяцев. Но появление точек без тегов всё равно странно. Очень жаль, что в настоящее время не существует механизма премодерации и предварительного тестирования в “песочнице” для такого рода импортов. (((
usm78-gis, а ты не пробовал по пути i.maxlik ходить? идея такая:
- на более менее известной территории делаем i.maxlik
- смотрим какие классы из получившихся чему соответствуют
- ну и дальше их уже векторизуем
просто идея тащить тренировочную карту из финляндии или еще откуда по цепочке очень нехорошая вроде как, независимо от того грузить это или тайлы генерить просто.
Эти классы только решают математическую задачу максимальной/оптимальной спектральной разделимости.
Такой класс, вообще говоря, не обязан соответствовать какому-то реальному физическому landcover.
Воду так, конечно, очень легко выделить, но с остальными классами все будет гораздо проблематичнее.
От того что класс номер 4 соответсвует на 80% лесоболотным распаханным полям - толку никакого.
К тому же maxlik страдает жуткой “пикселизацией”, smap в этом смысле гораздо более разумен, хотя и создает
иногда квадратные болота
Это самый оптимальный вариант: добрый финский дядя создал за свои деньги отличную тренировочную карту,
EEA ее распространяет бесплатно всем желающим, а те же самые сосны-ели не знают в финской части южной Карелии они
находятся, или советской.
Обсуждать надо на самом деле конкретные результаты и методы.
Меня в данный момент больше всего интересует что получится, если использовать ландсатовскую классификацию
как тренировочную карту для IRS или гугловского geoeye. Воду по geoeye улучшить наверняка удастся,
а вот по поводу типа леса (не говоря о болотах) у меня есть сильные сомнения.
Начинать надо с малого: кто из тех, кто интересуется результатами классификации
может (знает как) установить и запустить GRASS ?
Я интересуюсь, но пока не устанавливал и не запускал. С этим будут проблемы? Доберусь до компа - попробую
Недавно вот как раз в связи с этой задачей поставил и разобрался с основами GRASS. Так что +1
Я бы и от i.smap тоже чудес не ожидал. Если классы спектрально не разделимы, то и он их вряд-ли как-то разделит…
Насколько я понял, i.smap что-то вроде r.neighborhoods + подклассы на лету делает (кстати теряя при этом инфу о вероятности выбранного класса), но его и после i.maxlik сделать самому можно.
Ну так если тащить тренировочную карту по цепочке, то и ошибка будет накапливаться… Если же не тащить, а взять сразу тренировочную карту другого региона, то тоже будут ошибки…
Это я пробовал, с целью улучшить контур, но я так понял, что три канала в IRS - это три канала, и классифицировать по ним, по крайней мере этими методами, бесполезно - лес с водой стабильно путаются, так же как в общем-то и на глаз.
Я чуть-чуть лесов на границе московской-владимирской-ярославской области грузил, но совсем немного - поскольку приходилось руками чистить, в итоге мне “обклацывание” IRS показалось более эффективной вещью… И да, я для себя так и не смог определить грань между кустами и лесом, то есть то, что я бы в одном месте назвал кустами, то в другом месте я бы назвал лесом - посему нормальную groundtruth карту я составить не смог. Т.е. смог, но она меня не устроила.
“Максимально разделимы” и “разделимы” это, сильно упрощая, как если два вектора ортогональны (угол 90°) или угол не равен 0°.
Неразделимы только те векторы, угол между которыми равен 0°. Грубо говоря, 40° это вода, 60° это лес, а 90° непонятно что.
Подклассы генерирует gensigset, пытаясь найти центры нормально распределенных подгрупп внутри класса, задаваемых тренировочной картой,
а затем smap сгруппировывает все пикселы, основываясь на этой статистике.
Как было видно на залитых данных, в классе “вода” были разделены по крайней мере подклассы похожие на “чистая вода”, “мелководье=песок”, “заболоченная вода” и т.д.
По умолчанию происходит поиск 10 таких гауссовских подклассов, но это число можно менять.
Я видел только 1 грубую ошибку: определенное сосновое редколесье определялось как болото. Это видимо связано с похожим типом мха.
Выложите куда-нибудь IRS geotiff и тренировочную карту, и скажите какую дату+row/path брать для ландсата.
Доказанный отрицательный результат это тоже важный результат.