Картографирование деревьев в городе

Картографирование деревьев в городе

Практикующие ботаники используют разные методы городской дендросъемки. Выбор зависит от исходных данных и ожидаемого результата. Самая трудная работа — обследование кгиоповских объектов, где от ботаника требуют подробную информацию о каждом дереве: породу, вид, местоположение, диаметр кроны и ствола в двух местах, контур кроны на плане, повреждения, заболевания, особенности (вплоть до ширины дупла и угла наклона ствола) и другую информацию. На другом конце списка — сбор данных для расчета восстановительной стоимости. Это ситуация при которой деревья все-равно вырубят под какую-нибудь стройку и необходимо лишь оценить нанесенный ущерб.

Если выйти за границы массовых методов, с одной стороны стоит добавить ультразвуковое обследование стволов и прочую фантастику, а с другой — картирование в OpenStreetMap, которое обычно даже не картирование, а так, «заодно дерево отметил». Сейчас в базе OSM около тринадцати миллионов деревьев, но мануала по полевому маппингу и обработке данных до сих пор нет. Появится он скорее всего не скоро (если вообще появится), поэтому я решил изложить опыт десяти интенсивных дней полевого маппинга деревьев, в результате которого удалось увеличить количество точек natural=tree на сотую долю процента. Это примерно полторы тысячи деревьев. Однако, не так важны сами деревья, как обнаруженная ущербность нынешней схемы тегирования городской растительности.

Для выхода в поле необходимо минимум две вещи: знание видов и полевые материалы. К сожалению, первое из мануалов не узнать: даже если выучить все определители, умение отличить один вид от другого приобретается только с опытом. Однако, если есть сомнения, рекомендую особое внимание перед выходом обратить на вид листьев, коры и самое главное: тип ветвления побегов для основных городских деревьев. Для Санкт-Петербурга это клен остролистный, липа, дуб, вяз, ясень, береза, тополь, осина, черемуха, рябина, ива, ольха серая и ольха черная, боярышник, вишня, яблоня, конский каштан, ель, сосна, лиственница, пихта и туя. Знание этих пород поможет вам в девяти случаях из десяти.

Полевые материалы каждый готовит под себя. Многие ботаники используют карту и бланк, но я убежден в недальновидности такого подхода. Если вам не требуется вносить много данных о каждом дереве — лучше сразу писать на карте. Это уменьшает количество работы, и снижает вероятность ошибки, поскольку пропадает потребность в проставлении номеров на карте и в бланке. Если данных много (как при обследовании объекта, который охраняет КГИОП), то на карте стоит лишь указывать местоположение дерева, его номер и контур кроны, а всю остальную информацию записывать на диктофон. Я указывал только местоположение, породу, высоту, диаметр, количество стволов и санитарное состояние по четырехбалльной шкале: такое количество данных можно вносить без всякого диктофона.

Полевые карты изготовил в QGIS, загрузив данные через QuickOSM — это такой модуль overpass для QGIS. Главное требование к полевым материалам — карты должны быть бледными и содержать только нужную информацию, в моем случае, это дома с номерами, дороги с подписями улиц и заборы.

Карта до выхода в поле

Кроме этого я отметил на карте границы зеленых насаждений общего пользования из питерского RGIS-a. Последнее я не рекомендую повторять, поскольку процедура сомнительна в плане лицензионной чистоты и помогает лишь ориентироваться (и то не всегда). Я спокойно признаюсь в этом по двум причинам: во-первых, никакие данные из посторонних источников в OSM не внесены, границы RGIS только помогают ориентироваться в больших дворах (вот аналогия: можно ли вносить название улицы на которой ты стоишь если ты пришел к ней используя условные карты от Google). Во-вторых, согласно OSM-Wiki эти данные доступны как общественное достояние (public domain). В любом случае, не так страшно использовать чужие данные, как умалчивать об этом.

Я работал в конце декабря (нашел время), что накладывало ряд сложностей. Короткий световой день, холод, затрудненное определение видов и полные газоны собачьих фекалий, которые в такую погоду не разлагаются неделями. Но хуже всего дождь от которого намокает карта. Дабы избежать простоев из-за непогоды и облегчить процесс письма я использовал планшетку для спортивного ориентирования. Она крепится к телу как столик у продавца папирос в начале двадцатого века, складывается при необходимости и позволяет накрыть карту или хотя-бы ее часть прозрачной пленкой. Единственный недостаток — видя эту штуку дворовые бабки проявляют повышенное внимание к картографу и отвлекают от работы. Еще немного устает спина, но это все-равно лучше любых испытанных альтернативных методов.

Планшетка для спортивного ориентирования

Планшетка для спортивного ориентирования

Размер планшетки определяет формат карт, в моем случае A5. По многолетнему опыту могу сказать, что это наиболее удобный формат для полевых работ. Главное, не забыть про обзорную карту:

Обзорная карта

Обзорная карта

Полевая работа не представляет большой сложности если не брать в расчет физиологические неудобства. Желательно отмечать деревья так, что-бы карта была ориентирована на север. Это не принципиально, но облегчает обработку. Важно меньше размышлять и больше делать. Для размышлений есть подготовительный этап, в поле это приводит к потерянному времени и ошибочному результату. Выбираете первое дерево, определяете направление движения и отмечаете на карте точки — местоположения ближайших 5-10 деревьев. Далее идете от дерева к дереву и для каждой точки записываете что-то типа «2л22+28у24», где 2 — количество стволов, л — липа, 22+28 — диаметры стволов на высоте груди в см, у — удовлетворительное состояние, 24 — высота в метрах.

Очень важно сохранять бланки в чистоте — вносить минимум исправлений, а те, что неизбежны не закрашивать, а просто аккуратно и однообразно зачеркивать. Иначе потом предстоят отдельные мучения по дешифрированию написанного. Удивительно, но этим банальным правилом пренебрегает огромное количество специалистов.

Информация на карте

Таким способом в день удается картировать около трехсот деревьев. Летом больше, но все-равно после третьей сотни наступает усталость и темпы работы заметно снижаются. После заполнения, карта выглядит так:

Карта после заполнения

Карта после заполнения

Здесь красным обведены границы — это уже результат камеральной обработки. Придя в тепло я прорисовываю границы съемки красным, здания черным и нумерую все деревья по порядку проводя через каждое дерево ходовую линию зеленого цвета. Важно, что-бы линия нигде не пересекала себя, а первое, последнее и каждое десятое дерево были подписаны. В этом вопросе необходима внимательность, поскольку ошибка или пропущенное дерево потом создадут много хлопот.

Карта с границами, зданиями и номерами

Теоретически, данные уже можно вносить в OpenStreetMap, но к сожалению OSM, который зародился как проект полевого картографирования, последний десяток лет развивается в направлении диванного маппинга. Вносить полевые данные с помощью JOSM или ID — это неоправданная трата сил и времени, поэтому прибегнем к дополнительным инструментам.

Первым делом вносим данные о деревьях в любой редактор, текстовый или табличный. Я использую WPS — это аналог Excel для линукса. Путем нехитрых манипуляций разбиваем формулу вида «2л22+28у24» на пять столбцов (количество, порода, диаметр, санитарное состояние и высота). В шестом стобце указываем номер дерева (по зеленой линии). Вносить лучше всего по порядку идя по зеленой линии от точки к точке. Когда все готово — переводим все в csv-формат (кому лень переводить — может подгрузить в QGIS модуль для импорта данных из табличных редакторов). На этом этапе создаем дополнительные столбцы: natural (все строки заполнены текстом «tree»), genus (род на латыни), genus:ru (род на русском), health (санитарное состояние), height (высота), kind:ru (порода).

Сканируем или фотографируем карты и привязываем их в QGIS. Если они не сильно измялись в поле и сканированы — для привязки достаточно трех точек и аффинной трансформации. В моем случае точек потребовалось больше, поскольку иначе как проективной трансформацией фотографию нормально не привяжешь.

Привязанная в QGIS полевая карта

Привязанная в QGIS полевая карта

После привязки создаем точечный слой и обклацываем все точки вдоль зеленой линии одну за другой, ничего не пропуская и не ставя лишнего. Это крайне важно, поскольку определяет как будут сцеплены атрибутивные данные с геометрией. Для контроля полезно включить отображение количества объектов в слое. Когда все готово, остается только создать в таблице столбец с целочисленными значениями и заполнить его формулой $id+1 — в результате каждой точке будет присвоен номер, под которым он упомянут в таблице с данными. Остается лишь связать геометрию с внешней таблицей и скопировать данные из привязанной таблицы в атрибуты слоя.

Внесение геометрии в QGIS

Внесение геометрии в QGIS

Сохраняем файл в формате geojson в WGS84 (EPSG:4326). Теперь через оверпас проверяем наличие деревьев в базе OSM на территорию обследованных районов. В моем случае таковых было всего пять. Сверяем их со своими данными и если все совпадает (при обследовании вы их нашли), а теги на деревьях не содержат важной информации — смело удаляем их через JOSM. Если не нашли, но вы в качестве своей работы уверены — тоже удаляйте.

Осталось только загрузить в JOSM ваш район работ, открыть файл geojson, копировать из него данные в слой openstreetmap и убедиться, что все на своих местах. У меня иногда вставленный слой по неизвестной причине съезжает, но это ошибка систематическая и исправляется элементарным перемещением.

JOSM с данными о деревьях

JOSM с данными о деревьях

Казалось бы, загружай в базу и радуйся. Но есть пару щепетильных моментов, на которые опытный осмер уже наверняка обратил внимание. Начнем с базового: а что именно мы вносим? Понятно, что деревья, но вот мы полторы тысячи деревьев осмотрели и ощупали. Самое время спросить: «Что такое дерево?». Сирень — дерево или нет? А липа? А дюжина лип, которые растут как кустарник? В OSM внесено не тринадцать миллионов деревьев, а тринадцать миллионов natural=tree, среди которых и трава, и кустарники, и деревья и все, что угодно.

Теперь наименование. Если следовать описанию тега natural=tree, мы должны указать вид (species), в крайнем случае род (genus). Подход логичный, но так делать нельзя. Могу ли я указать вид липы? Допустим, с очень большой погрешностью могу, благо их всего два в городе: платифиллос и кордата. А как быть с ясенями, у которых диагностический признак — почки, расположены на высоте трех человеческих ростов? А как быть с лиственницами, виды которых во всем Питере может нормально различить только один человек?

Для таких ситуаций есть род (genus). Но вот передо мной вишня. Если я внесу genus для вишни по всем правилам, то выйдет, что у меня никакая не вишня, а слива. Потому как вишня — это сливовый подрод (Prunus subgenus Cerasus). И черемуха, кстати тоже. А как быть с трактовкой разных таксонов? Никогда вы эту проблему не решите, если не признаете, что вносить вид в OSM столь же глупо, как и указывать для каждого дерева нуклеотидную цепь. Вид и род — это очень, очень, очень тяжело и сложно. То что определяем мы, называется «порода» — группа растений, выделенная на основе практической целесообразности. Это может быть и вид (конский каштан обыкновенный) и род (вяз) и подрод и все, что угодно. Хороший пример с тополями, которые разделяют на две породы: осину, которая populus tremula и тополь, который объединяет все остальные тополя.

А как обстоит дело с морфометрией? Есть circumference=* — окружность ствола в метрах. Но как быть, если стволов несколько? Как обозначить, что дерево является угрозой? Как тегировать кронированный обрубок тополя? Как тегировать особые случаи произрастания, например, когда береза вьется лианой по сосне? Или черемуха, ветви которой в четверть метра толщиной вросли в землю? Как обозначать скворечники и кормушки? А если в них живут белки? Хотя стоп, сейчас меня в нечеткое тегирование унесет, а я все это не для того рассказываю. Рассказываю я это для того, что неожиданно хороший повод для встречи образовался — поработать над схемой тегирования деревьев. Ну и еще немного для того, что-бы похвастаться. Что я, зря полторы недели корячился?

Трехмерная модель метрополитена в Петербурге

Четыре года назад я в качестве полезного досуга развлекался созданием схемы петербургского метрополитена. Это всегда очень сложная задача — главная трудность не в изображении линий и кружочков, а в том, как связать схему с окружающим миром. Приехали вы впервые на нужную станцию, поднялись по эскалатору и чего? Куда идти, где указатели, на какой улице вы находитесь? Все существующие хваленые схемы метро решают исключительно вопрос навигации в подземке. Пограничные же области, когда человек уже вышел из метро, но еще не нашел верное направление никто не отображает, хотя по здравому разумению подземные и надземные схемы должны сочетаться с некоторым перехлестом.

За недолгое время экспериментов я приличное решение так и не нашел, но остались некоторые пригодные к удалению черновики. Так бы они у меня и лежали в архиве, если бы мировая общественность в чатике телеграмма не возбудилась от вида модели московского метро.

В четырнадцатом году делал что-то похожее:

Только у меня все гораздо проще устроено. С Википедии взята таблица с глубиной заложения станций, которая спустя рефакторинг загружена в QGis, и интерполирована в демку. Итоговый проект собран в three.js с помощью qgis2tree.js.

В целом ничего особенного, но попутно я спарсил все вики-ссылки.

Письками меряться не хочу, не про то речь. Но уж если зашел разговор, грех не распаковать старый архив. Немного доработал файлы, поскольку за четыре года появились новые станции. Вот вам сейчас покажу и обратно в архив упакую.



Открыть карту в полном размере

Контурная карта растительности

Создание крупномасштабной контурной карты растительности

Опыт последних десятилетий явно показывает, что отечественное геоботаническое картографирование есть абсолютно дегенеративное явление в науке как в плане результата, так и в наборе применяемых методов. Тем не менее, востребованность в картах растительности до сих пор присутствует, а значит вопрос отработки технологии составления геоботанических карт по прежнему сохраняет актуальность.

В большинстве случаев, при составления карты растительности необходимы полевые работы для уточнения и верификации данных. К сожалению, большинство исследователей слишком переоценивают значение полевых работ, считая, что это самый сложный, ответственный и дорогой этап. В результате из производственного цикла почти исчезают подготовительные работы, а камеральная обработка ведется по остаточному принципу. Такой подход обесценивает результаты даже самой затратной экспедиции. Во многом это связано с современной практикой договоров, которые заключаются в сжатые сроки на минимальные суммы с условием немедленного начала полевых работ. Срок составления крупно- и среднемасштабной карты растительности региона не может быть менее трех лет, это обусловлено самой спецификой тематического картографирования. Первый год уходит на выявление и классификацию различных типов растительности, второй на собственно сбор геоданных, дешифрирование и создание контуровки. Лишь к концу второго — третьего года можно собрать достаточный набор качественных данных для составления объективной карты растительного покрова.

Обычно таких временных и финансовых ресурсов нет, поэтому для составления карты растительности приходится использовать технологию «Похуй, пляшем», суть которой заключается в одновременном сборе геоданных, создании классификатора объектов и переносе подготовительных работ на постполевое время.

Есть мнение, что для сбора геоданных и создания карты достаточно спутникового снимка и узких специалистов по каждому типу растительности. Увы, при таком подходе обычно ничего сделать не удается. Все дело в том, что крупномасштабные карты почти невозможно изготовить без использования данных дистанционного зондирования, но эти данные требуют обработки и генерализации, которые выполняет картограф. Более того, при работе в указанных условиях, эти процедуры неизбежно должны быть полностью автоматизированы, иначе вы просто не успеете завершить работу. Следует помнить и о принципе повторимости научного эксперимента. Всякий человек, используя ваш метод, должен получить аналогичный итог. Если же контуры отрисованы вручную, то повторить эту работу не сможет даже сам автор, что делает карту скорее произведением искусства, чем научным результатом.

Рассмотрим процесс создания генерализованной контурной карты растительности 13-14 зумов (1:25 000 — 1:50 000) долин рек Сарм-Сабун (иногда встречается написание Сармсабун) и Глубокий Сабун Ханты-Мансийского автономного округа. Сливаясь эти реки образуют правый приток Ваха — реку Сабун:
Слияние Сарм-Сабуна и Глубокого Сабуна

Логично начать картографическую работу с инвентаризации доступных данных. Для каждого региона этот список может быть разный, но стандартно в него входят Ландсаты разных поколений с их производными. Часто к ним примыкают цифровые модели местности, но в моем случае использовать их почти лишено смыла: SRTM до этих широт не доходит, ASTER Alos представлен только фрагментарно, а классический астер напичкан артефактами. Кроме того, DTM-фильтр при создании карт растительности таежных равнин работает плохо. Всевозможные модисы и сентинели меня не устраивали по разным причинам (качество, покрытие, получение, алгоритмы обработки и сравнения и др.). Об использовании карт OSM и генштаба не может быть и речи. У первых в этом месте вакуум, а вторые мало того, что устарели, так еще и неизвестно откуда взяты. Украденные карты государственной топографии хороши для навигации на месте (особенно это касается карт ГГЦ), но использование таких материалов в своих проектах — абсолютный признак профнепригодности. Лучше всего это иллюстрирует конференция «Опыт использования карт Генерального Штаба», проводимая обществом безруких картографов Саудовской Аравии. Данные тематического картографирования, равно как и данные AVHRR в список исходных материалов так же не попали, по причине того, что их использование более оправдано для анализа растительности и финального уточнению карты, чем для первоначального выделения границ растительности.

В итоге для создания первичного контура выбраны сцены Landsat-8 за 15 июля и 12 мая 2018 года и растр сомкнутости древостоя («Treecover») проекта Global Forest Change. Кроме того, растр водной поверхности GFC использован для быстрого создания слоя водоемов. Дополнительные ландсаты (Landsat-ETM за 30 июля 2000 года, Landsat-MSS за 30 июня 1983 года и Landsat-MSS за 04 мая 1983 года) в создании контурной карты не использованы, но по ним производится расчет зональной статистики для последующего дешифрирования и уточнения границ растительных сообществ.

Уже из списка источников видно, что для создания контурной карты я применяю фенологический подход, который заключается в том, что вы создаете контуры не на основе одного растра, а на основе композита, образованного слиянием зимних и летних снимков. «Зимний» снимок сделан 12 мая, но учитывая позднюю снежную зиму этого года и климат региона — это нормально.

В начале из каналов летнего и зимнего снимков создадим растры вегетационного индекса. Вегетационный индекс — NDVI (Normalized Difference Vegetation Index) показывает количество фотосинтетически активной биомассы. Обычно его не рекомендуют применять для снимков зимнего периода, но для нашей задачи требуется именно это. Расчет ведется с помощью растрового калькулятора QGis по формуле:

NDVI = (NIR-RED)/(NIR+RED),

где NIR и RED — инфракрасный и красный каналы каждого снимка соответственно.

Значения каждого индекса увеличиваются по формуле 100*(значение NDVI + 1). Прибавление единицы избавляет от отрицательных значений. Умножать в сто раз необязательно, это сделано исключительно ради субъективного удобства. Такое изменение индекса не влияет на конечный результат.

Рассчитав вегетационные индексы, логично использовать ту же формулу для оценки фенологических изменений. Поскольку общепринятого наименования у данной величины нет, назовем ее нормализированным фенологическим индексом — NDFI. Соответственно, расчет NDFI производится по формуле:

NDFI = (NDVIлето-NDVIзима)/(NDVIлето+NDVIзима):

Растр NDFI (минимальные фенологические изменения - красным)

Растр NDFI (минимальные фенологические изменения — красным)

Приступим к обработке растра сомкнутости лесной растительности GFC. Исходный слой GFC имеет пустые значения пикселей на безлесных участках. Использование такого растра приведет к разбалансировке цветов на финальном композите, поэтому требуется заполнить пустоты нулевыми значениями.

Может показаться ошибочным использование GFC совместно с ландсатами текущего года, поскольку слой «treecover» GFC актуален на 2000 год. На самом деле такое совмещение дает дополнительные возможности, поскольку при совмещении растров проявятся контуры горельников и ветровалов 2000-2018 годов.

После описанных процедур мы обладаем тремя растрами, которые будем использовать для создания композита: летние значения NDVI (количество зеленой биомассы в июле 2018 года), NDFI (величина фенологических изменений с мая по июль 2018 года) и treecover (сомкнутость леса на момент 2000 года). Сведем все это в единый RGB-композит, установив красный канал для NDFI, зеленый канал для NDVI, синий канал для treecover. Во всех каналах улучшим контраст растяжением от минимального до максимального значения. В QGis это можно сделать автоматически, поэтому нет нужды нормализовать растры к диапазону 0-255:
RGB-композит

На этом этапе переходим к работе с векторными данными. Если вы работаете с небольшим регионом, то описанные действия можно пропустить. Однако следует помнить, что в дальнейшем нам предстоит фильтровать растр и строить по нему изолинии, что является очень затратной процедурой по времени и машинным ресурсам.

Создадим линейный слой реки. Лучше всего сделать это в JOSMe по слою Bing-а, после чего экспортировать данные в QGis. К сожалению, это возможно лишь при постоянном наличии хорошего интернет-соединения. Если с таковым проблемы, то можно использовать панхроматический канал Landsat с разрешением 15 метров на пиксель (у Landsat-8 это восьмой канал). На основе осевой линии реки строим буфер, в пределах которого планируется создание контурной карты (два километра в обе стороны от оси реки):
Осевая линия реки и буфер-граница карты

Далее обрезаете композит по контуру буфера:
RGB-композит обрезанный по контуру буфера

Это прообраз нашей будущей контурной карты. Мы не можем работать с тремя слоями RGB-композита одновременно, поэтому переводим все в восьмибитное изображение 256 цветов. Количество цветов можно сократить если вы уверены, что это не отобразиться на качестве результата. Это существенно ускорит работу, но в моем случае приходится идти по самому долгому пути:
PCT-композит

Если достаточно очень грубой контуровки, то можно переходить непосредственно к фильтрации полученного растра. Мне такой подход показался совершенно неудовлетворительным — контуры были либо излишне детальными, либо очень приблизительными.

Необходимость фильтрации растра обусловлена тем, что пиксели имеют квадратную форму, а потому изолинии, построенные на основе них будут иметь очень ломаный и рваный вид. Для наглядности, вот пример изолиний с исходного (красные линии) и отфильтрованного (черные линии) растра из соответствующей статьи:

Чем сильнее фильтрация (речь о простом фильтре), тем более плавные изолинии вы получите в итоге. Проблема в том, что сильные коэффициенты фильтрации усредняют значения растра. В результате линейно вытянутый объект превращается в овальное пятно, контур которого абсолютно не соответствует реальности.

В ходе многочисленных экспериментов решение проблемы было найдено. К сожалению, оно не является тривиальным и не встречается в известной мне литературе по геоинформатике, поэтому для обозначения процедуры я использую понятие «Векторная фильтрация». Суть метода заключается в том, что исходный растр векторизируется. При этом соседние пиксели одного значения преобразуются в единый полигон:
Векторизация растра

Для каждого полигона рассчитывается центроид:
Центроиды полигонов векторизированного растра

После чего слой центроидов интерполируется обратно в растр:
Интерполяция центроидов векторизированного растра

Таким образом, технологию векторной фильтрации можно описать как интерполяцию центроидов векторизированного растра. Отфильтровав этот слой мы получаем плавные изолинии, которые по форме близки к естественным границам:
Изолинии

Необходимо преобразовать изолинии в полигоны, поэтому для сохранности топологии перед началом процедуры следует провести генерализацию, убрав изолинии малой протяженности (в моем случае менее двухсот метров). Кроме того, следует определиться, какие изолинии наиболее соответствуют естественным границам растительности. Сделать это можно сверяясь с высокодетальными снимками (что, правда не совсем законно даже в случае с Bing-ом):
Изолинии на снимке Bing

Для облегчения процедуры советую посмотреть гистограмму распределения количества значений и попробовать разные классификации (по стандартному отклонению, по равным интервалам, по границам Дженкса и др.). Естественно, к этому моменту вы должны представлять, хотя бы по литературным данным, какие типы растительного покрова разделяют ваши изолинии.
Распределение цветов

Такой анализ требует в несколько раз больше изолиний, чем вы планируете получить типов контуров на карте. После того, как наиболее достоверные линии найдены, сохраняете их в отдельный слой и приступаете к созданию полигонов. К великому неудовольствию это тоже не сводится к элементарному действию, поскольку процедура в SAGA «Polygon-line intersect» выдает совершенно негодный результат. Приходиться преобразовывать изолинии в полигоны, после чего чередованием GDAL-овских алгоритмов разности и объединения сводить все в единый слой.

Что-бы отобразить водоемы используем слой-маску GFC. Ее так же отфильтруем, и создадим изолинии, которые преобразуем в полигоны. Векторная фильтрация для таких растров, к сожалению, не имеет смысла, но другого быстрого способа получить слой водоемов у нас просто нет.

В конечном итоге, экспортируем все в TileMill или MapBox Studio (смотря на стоимость вашего интернета), настраиваем стиль и нарезаем карту на тайлы:
Карта в TileMill

Все. Теперь можно подключить mb-тайлы к лефлету или tms-серверу, расставить предварительные точки описаний, кешировать все в навигатор и выезжать в поле.

Само-собой, это не финальная карта. Не используя субъективную ручную отрисовку мы в короткое время получили лишь ее прообраз. Границы могут уточняться, изменяться. Какие-то контуры могут быть объединены, какие-то разбиты. Для контуров подсчитывается зональная статистика, границы сравниваются с геологическими, геоморфологическими и другими данными. Сами контуры еще следует наполнить физическим смыслом. Но это уже предмет для конкретного обсуждения и калибровки описанной картографической технологии.