Eu tenho um mapa raster do Midwest dos EUA que é muito escasso, ou seja, os pixels de interesse são poucos o suficiente para ser quase invisble quando visto em uma escala onde todos os estados do Meio-Oeste dos EUA são visíveis eu gostaria de seguir a abordagem descrita neste PNAS papel Para criar um mapa melhor, mas não sure como replicá-lo em ArcGIS Qualquer ajuda seria apreciada. O papel de PNAS esboça as etapas como segue. Por causa dos tamanhos pequenos e da distribuição dispersada de áreas da mudança, era difícil visualizar padrões regionais de LCLUC na resolução espacial original de 56 m Como resultado, usamos técnicas de suavização espacial para criar uma superfície de mudança regional que destacou pontos de mudança locais de mudança Abordagens relacionadas são usadas em campos como a epidemiologia espacial para gerar uma estimativa estável das taxas de doença 48, Na nossa abordagem de suavização, os pixels de alteração em resolução espacial de 56 m foram primeiro agregados à porcentagem de alteração em 560 m Resolução Isso foi feito através da tomada de 10 por 10 blocos de 56 m de pixels, ou seja, 100 blocos de pixels e somar a mudança binária dentro de cada bloco Fig S4A Em seguida, usamos um kernel 2D mais suave para calcular uma estimativa suavizada de mudança percentual para cada um dos 560-m resolução pixels Fig S4B Uma quarerna kernel função foi utilizada para calcular médias móveis em toda a área de estudo com uma largura de banda de 10 km A mesma quartic kernel função foi utilizada para suavizar a mudança percentual de milho soja em 2006 para pastagem em 2017 Finalmente, Gerou um mapa suavizado da cobertura de pastagem em 2006, agregando a presença de pastagem a 56 m de resolução para porcentagem de cobertura de pastagem com resolução de 560 m, e depois alisando esta camada de cobertura agregada usando o mesmo kernel quartic de 10 km. Usado como denominador na geração de um mapa de taxas relativas de conversão de pastagens. Até onde eu entendo, este é o fluxograma 1 Use estatísticas de bloco em ArcGIS para somar 10x10 pixels de 56-m raster para 560m raster 2 2D kernel smoother não sei como fazer isso 3 Quartic kernel não sei como fazer isso. Não sei como progredir além passo 1.asked 15 de agosto 14 em 0 29.Moving janela Kriging. Recalculates o Range, Nugget e Paralelo Sill semivariogram parâmetros baseados em uma vizinhança menor, movendo-se através de todos os pontos de localização. A fonte do modelo geostatistical é uma camada geostatistical ou um modelo geostatistical XML que representa um modelo de kriging diferente de kriging bayesiano empírico. O conjunto de dados de entrada deve conter mais de 10 pontos para A ferramenta para executar No entanto, a ferramenta é mais eficaz com grandes conjuntos de dados que têm tendências não-estacionárias. Em scripts Python, a classe ArcPy GeostatisticalDatasets será útil para preencher o conjunto de dados Input. Para formatos de dados que suportam valores nulos, como geodatabase arquivo Classes de recurso, um valor Nulo será usado para indicar que uma previsão não pôde ser feita para esse local ou que o valor deve ser ignorado quando usado como inpu T Para formatos de dados que não suportam valores nulos, tais como shapefiles, o valor de -1 7976931348623158e 308 é usado este é o negativo da constante definida C DBLMAX para indicar que uma previsão não poderia ser feita para essa função location. Convolution. A função Convolução executa a filtragem nos valores de pixel em uma imagem, que pode ser usada para afiar uma imagem, desfocando uma imagem, detectando bordas dentro de uma imagem ou outros aperfeiçoamentos baseados no kernel. As entradas para esta função são as seguintes: . Filtros de conversão. Os filtros são usados para melhorar a qualidade da imagem raster, eliminando dados espúrios ou aprimorando recursos nos dados. Esses filtros de convolução são aplicados em uma janela de kernel em movimento, sobrepostos ou vizinhança, como 3 por 3. Calculando o valor de pixel baseado na ponderação de seus vizinhos. Há um número de tipos de filtro de convolução que você pode escolher dentro desta função Você também pode especificar um usuário definido t Ype e digite seus próprios valores de kernel. Você pode aplicar um filtro mediano para a imagem, especificando um peso de 1 9 para um kernel 3 por 3, dando assim a cada pixel no kernel um peso igual Este filtro pode ser usado para suavizar uma imagem Existem outros kernels que podem ser usados para aprimorar ou aprimorar bordas Você pode combinar filtros para obter resultados específicos Por exemplo, você pode aplicar um filtro que remova o salpico ou alise uma imagem e, em seguida, aplique um filtro que detecte bordas. Otimizar os resultados de exibição, você pode querer aplicar um estiramento de histograma para ajustar o contraste da imagem ou brilho para ajudar a puxar recursos. Os exemplos abaixo são aplicados em uma dessas duas imagens.
No comments:
Post a Comment