Here is a small evidence of why one should rather avoid mapping “individual” dunes:
they’re usually moving.
Sometimes they may even move across the oceans…
Below is what I could roughly, localy measure, with help from Sentinel & Landsat.

Saharan dunes - Adrar, Algeria
Direction of movement: SW ~200m / 30years
There where the wind turns the corner, at osm.org/edit#map=6/24.375/-2.875
(or zoom to osm.org/edit#map=15/24.3750/-2.8750)
(timelapse made with: https://apps.sentinel-hub.com/eo-browser/ - Landsat-5 1987-2011; Sentinel-2 2015-2019)

Harmattan wind (https://en.wikipedia.org/wiki/Harmattan): this wind always goes east-west direction from Sahara, many times throwing parts of the sands it carries on brazilian coasts (https://en.wikipedia.org/wiki/Trade_winds), like at

… See full entry

The great utility of Sentinel images is that it provides the most recent images, almost weekly, at resolutions up to 10m/pixel, that can help much on mapping landuse, urbanization and major features on OSM, mostly on remote places not usally acessible to survey.

Example: Growing human occupation in Amazonia
Location: osm.org/edit#map=16/-9.5540/-72.1440

Bing and DG Image (Hi-res), date of tiles here 2006:

… See full entry

Breves reflexões sobre os conceitos de “Mapeamento Colaborativo” [1] e
“Informações Geográficas Voluntárias”(VGI) [2]
[1] https://en.wikipedia.org/wiki/Collaborative_mapping
https://pt.wikipedia.org/wiki/Mapeamento_colaborativo
[2] https://en.wikipedia.org/wiki/Volunteered_geographic_information
https://es.wikipedia.org/wiki/Informaci%C3%B3n_Geogr%C3%A1fica_Voluntaria
(não tem wiki em português)

Bem resumidamente:

Diferenças:
O “Mapeamento Colaborativo” é a atividade de construir mapas, as bases de dados geográficos para uma cartografia básica. Sendo mapeamento, envolve desenho, construção de “geometrias”: pontos, linhas, áreas. Sobre estas bases “cartográficas” podem ser inseridas “Informações Geográficas Voluntárias” (como “tags” específicas, etc). VGI pode ser entendida como “qualquer informação” voluntariamente (=gratuitamente) fornecida, referenciada geograficamente: exemplo: elemento=área + evento=enchente + data=*; etc. VGI necessita portanto de uma base cartográfica, como interface humanizada, com objetos geográficos elementares, para ser interpretada.

Semelhanças:
Ambos são “Conteúdo Gerado pelo Usuário” (UGC)
https://en.wikipedia.org/wiki/User-generated_content
https://pt.wikipedia.org/wiki/Conte%C3%BAdo_gerado_pelo_usu%C3%A1rio (2008)
https://pt.wikipedia.org/wiki/Conte%C3%BAdo_Gerado_pelo_Utilizador (2014)
(aqui tem uma duplicação de artigo da wikipedia-pt)

Ambos geram informações preciosas. Valem muito.
O seu valor depende da sua “precisão” e “confiabilidade”.
A precisão depende do que exige o “uso” a que é destinada.
A confiabilidade pode ser expressa pela expectativa (estatística, proporção) de elementos verdadeiros, para o uso que lhes solicita.

… See full entry

Neste post descrevo, e submeto a opiniões, os passos adotados para um teste de processamento semi-automático de vetorização a partir de imagem de satélite Sentinel-2, com controle de parâmetros e validação manuais feitos pelo usuário, tendo em vista a vetorização de áreas de matas com suficiente distinção entre natural=wood e landuse=forest (mata natural e mata cultivada).

Importante:
-Esta metodologia é aqui apresentada como uma preparação para uma possibilidade de proposta de mapeamento para a comunidade OSM, como um metodo auxiliar ao mapeamento, e que tem como foco somente o mapeamento voltado a coberturas de terreno (landcover). Por enquanto trata-se de testes, offline. Não feito upload.
-O processo todo resulta em simplificação, como curvas com espaçamento entre nós não menor que 10m (a resolução da imagem é 10m/px). Por isso não serve para objetos pequenos como lotes, praças, etc., pois não mapearia detalhes que podem ser vistos nas imagens padrão do OSM.

O propósito é:
-poder gerar desenho de grandes áreas de mata densa, em interiores do território, não densamente urbanizados;
-com diferenciação de vegetação usando índices apropriados, para forest e wood, o que não é facilmente, e/ou comumente, distinguido nos desenhos sobre as imagens padrão. Mesmo assim, deve ser verificado visualmente o resultado ao final do processamento, junto com as imagens padrão do OSM.

DESCRIÇÃO INICIAL DOS DADOS:

… See full entry

Está também disponível para download arquivo com máscaras KML de setores submapeados, para uso no iD e JOSM.
Contém os setores onde não há sequer 01 nó por habitante, “zero” (havendo habitantes no setor, conforme IBGE-Censo 2010).
Permite trabalhar com maior resolução dos limites, em menor escala. Fundidos perímetros de polígonos adjacentes.

Para download do arquivo DNH-zero-BR.zip, com os setores em KML, dividos pelas 5 regiões do Brasil,
clique aqui (via wiki), ou diretamente aqui (dropbox zip).

PASSO-A-PASSO para uso do KML no iD ou JOSMː
-Faça download do zip acima, contendo os KML das 5 regiões, e descompacte-o em uma pasta;
-Escolha o arquivo KML com a região do Brasil que você tenha interesse;
-Na tela de “edição” do iD (ou JOSM), no menu “Dados do Mapa”, simplesmente arraste o arquivo KML para a tela (ou abra a pasta).
Prontoǃ
Basta identificar um setor submapeado, destacado na sua região de interesse, verificar e completar o mapeamento básico (como rede viária, etc).

… See full entry

Está disponível para download, para uso no JOSM, a
camada-mapa de “Nós-OSM por Habitante no Brasil”,
desenvolvida a partir da contabilização do total de nós OSM no Brasil, e da Densidade Demográfica, por setores censitários, do Censo 2010 do IBGE.
Você pode fazer download:
aqui (via wiki), ou diretamente aqui (dropbox zip com imagem 3000px, previamente calibrada).

Propósito:
Ajudar a encontrar os locais menos mapeados no Brasil, proporcionalmente à densidade demográfica.
Isto é, a camada mostra graficamente, em um mapa do Brasil, a classificação dos locais (setores IBGE) conforme o índice adotado de “total de nós OSM” dividida pelo “total de habitantes”, em cada um dos 316.574 setores censitários do Censo 2010 do IBGE.

O mapa resultante destaca os locais menos mapeados, isto é, com:
-menos de 01 nó por habitante (em vermelho);
-nem sequer 01 nó por habitante, “zero” (em amarelo).
(Ver legenda).

… See full entry

Dymaxion Globe, finally backlighted version (A3 paper size and acetate sheet, handcrafted).
I know, not 100% ok. First try.

Conforme estimativa populacional IBGE 2017:
Os 1.114 Top 20% municípios (1/5 dos 5.570 no Brasil) em densidade demográfica de 66,36 a 12511,59 hab/km2.
O somatório da população estimada destes é: 137.988.243 habitantes, 66,4% da população total estimada do Brasil, de 207milhões.
2/3 da população do Brasil estão nestes municípios, destacados no mapa abaixo.

Isso significa que nestas pequenas áreas do Brasil devem estar cerca de 2/3 das vias residenciais e similares, Pontos de Interesse (POIs), construções, e tudo o mais relacionado ao mapeamento urbano.
Não significando obviamente que o restante 1/3 do Brasil não necessite.
Para questão do mapeamento de áreas urbanas, densamente povoadas, o mapa abaixo indica possibilidades de foco.

Fonteː
Estimativas populacionais para os municípios e para as Unidades da Federação brasileiros em 01.07.2017
http://www.ibge.gov.br/home/estatistica/populacao/estimativa2017/estimativa_dou.shtm

Alguns modelos 3D que fiz com QGIS, plugin Qgis2threejs (https://plugins.qgis.org/plugins/Qgis2threejs/), NASA SRTM, imagens de várias fontes (créditos no modelo e/ou metadados), mais alguns dados do OSM, mapeados no uMap.

Alguns modelos podem demorar um pouco para carregar (de 6 a 12MB).

http://umap.openstreetmap.co/m/1095/

3D Models made with QGIS, plugin Qgis2threejs (https://plugins.qgis.org/plugins/Qgis2threejs/), NASA SRTM, Images from various sources (credits printed and/or quoted in metadata of each model), some OSM data. And uMap of course.
Some models may take a while to download (6 to 12MB).

http://umap.openstreetmap.co/m/1095/

Hi, I share here a 3D digital elevation model of Mount Everest I’ve made, showing the main climbing routes and localities, with Landsat image backgound.

See and browse it at:
https://smaprs.github.io/Everest-3D/

Hope you enjoy it.

Made in QGIS using:
-Nasa Shuttle Radar data SRTMGL1 GeoTiff image for contour lines and 3D relief model, obtained from https://gdex.cr.usgs.gov/gdex/ (osm.wiki/SRTM#Official_versions);
-Background Image LANDSAT 4 Geo Tiff LC81400412016324LGN00.tif Date:2016/11/19. Courtesy of the NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC), USGS/Earth Resources Observation and Science (EROS) Center, Sioux Falls, South Dakota. Online resource: USGS Global Visualization Viewer - http://glovis.usgs.gov/
-Contour lines made with Raster plugin from GdalTools;
-Qgis2threejs (https://github.com/minorua/Qgis2threejs), very frienldy to use (just confirm project CRS is set to EPSG:3857);
-Map data (location points and lines) from OpenStreetMap.

… See full entry

Global map of airplanes found “on-the-fly” at OSM background imagery:

See at: http://umap.openstreetmap.co/m/979/

*Just zoom max to the plane and click in “open in iD” at left.
You can ad other planes you’ve found…

Example:

(at osm.org/edit?editor=id#map=17/-18.12747/-45.78904)

Olá,
por sugestão da comunidade OSM-BR, apresento aqui para toda a comunidade OSM em língua portuguesa o PDF que fiz para apresentação sobre “O que é o OSM” e “Como funciona”.
Fiquem à vontade para usá-lo, se lhes for útil para alguma apresentação, divulgação, etc.
O uso em PDF é útil por permitir o acesso direto aos links explicativos durante uma apresentação.

PDF: osm.wiki/File:PALESTRA_OSM_2016.pdf

DOCX original: https://www.dropbox.com/s/cot3xd2vq6dnu4h/PALESTRA%20OSM%202016.docx?dl=0

(Livre para usar, fazer download, adaptar, distribuir)

Hi,

Here there are two OSM based print-cut-fold-and-glue artwork for kids (and not so young), to share and help to spread OSM and geography interest:

World Map in Dymaxion Projection

Composed by OSMuser:smaprs (with QGIS and image editor) and with a little help from Brazilian OSM Comunity and others. - Free for copy and share under CC-BY-SA 2.0

Country names: www.openstreetmap.org © OpenStreetMap contributors

Grid/Country borders at: www.naturalearthdata.com (blank version)

Base Map: OSM Landscape www.thunderforest.com (colour version)

Ocean Floor Relief: Global Map Projector Equirectangular www.giss.nasa.gov

Dymaxion python script at: www.emergentweirdness.blogspot.com.br

To fit in Dymaxion Projection the OSM Base Map had to be firstly converted to a Plate-Carreé projection in 2:1 aspect ratio PNG picture. This was done in QGIS.

English version printable: OSM World Landscape: wiki / Blank Globe for colouring: wiki

osm.wiki/File:1-Dymaxion-OSM-Land-2970px.jpg

… See full entry

Purpose: to help on easy identification and zooming in undermapped areas, mainly for roads still missing on OSM map, on basis of IBGE data (Brazilian Institute of Geography and Statistics - Data publicly available according to legal statements).

Documented at (in portuguese): “Situação do Mapeamento de Estradas no Brasil”.

Feeling the lack of some data that could easy identify and help to improve on basic mapping in undermapped areas of Brazil, regarding accessibility, I’ve firstly decided to try to do a single georeferenced PNG image showing where there could be these areas, generated with QGis to use in JOSM with Piclayer plugin. Then tried a TMS layer.

Our community keeps doing great efforts on mapping. Mostly metropolitan and urban areas are well mapped for general accesibility. Also are rural and inner country roads linking main urban zones. Many data recently delivered for legal public use by IBGE is helping on the mapping on OSM. These data lead to identify many other roads that area still missing on OSM. Almost no data from GPS layers in the huge areas of inner country, as expected too.
So I’ve started trying to do a map that could help to identify roads from IBGE that are missing in OSM.

These two sources of data were used on this Comparative Map:
* roads from the .shp of IBGE (compiled untill 2015);
* roads from the current state of OSM map (2nd half of 2016), obtained from geofabrik.de (file “roads.shp”).

The methodology adopted was as simple as I could attempt to do in QGIS: just overlaying IBGE ways (in orange and yellow) with OSM ways (in dark blue), so to highlight IBGE roads, no need for overlapping analysis. Just colors:

… See full entry

Recently in Brazil the OSM community is getting authorized access to georeferenced building material from city governments (in a registry level of detail) for use in OSM.
Some imports of buildings started, for example, in Porto Alegre, São Paulo and Rio de Janeiro. Many members of brazilian OSM community are helping in many ways with these imports.

There have been found some different peculiarities and procedures between each case, also some similarities, that I would like to share a brief comment, after suggested by fellow mappers.

In Porto Alegre, city government office responsible for cartography also released a layer of geodetic survey marks visible in imagery, so it helps much to adjust imagery offset with precise coordinates, and to adjust previous data in OSM in the area when in conflict with the buidings new data. Convertion of the original SHP to WGS84 and its fields to OSM tags has been done in QGIS.

The main issue in Porto Alegre and Rio de Janeiro (this one still under progress) has been on the internal validation of overlapping vertical layers of building parts, to avoid any sort of conflicts, like “duplicated nodes” or “building inside building”. Previously, it was also checked in QGIS for overlapping between the polygons of new buildings and the existing buildings in OSM, so to filter and remove the new ones where there were already mapped in OSM, and saved the rejected ones in a backup file for further eventual interest in replacing geometry.
Both doccumented here:
Porto Alegre building import
Rio de Janeiro building import

The issue of overlapping building parts:

… See full entry