Ich habe eine Rasterkarte von US Midwest, die sehr spärlich ist, dh die Pixel von Interesse sind nur wenige genug, um fast unsichtbar zu sein, wenn sie in einer Skala betrachtet werden, in der alle Staaten von US Midwest sichtbar sind. Ich möchte dem in diesem PNAS-Papier umrissenen Ansatz folgen Um eine bessere Karte zu erstellen, aber nicht sicher, wie man es in ArcGIS replizieren Jede Hilfe würde geschätzt werden. Das PNAS Papier skizziert die Schritte wie folgt. Wegen der kleinen Größen und verstreute Verteilung der Veränderungsbereiche, war es schwierig, regionale Muster von zu visualisieren LCLUC bei der ursprünglichen 56-m-räumlichen Auflösung Als Ergebnis haben wir räumliche Glättungstechniken verwendet, um eine regionale Veränderungsfläche zu schaffen, die lokale Hotspots der Veränderung hervorhebt. Ähnliche Ansätze werden in Bereichen wie räumliche Epidemiologie verwendet, um eine stabile Schätzung der Krankheitsraten zu erzeugen 48 aber haben Wurde nicht weitgehend auf dem Gebiet der Landwechselwissenschaft angewandt. In unserem Glättungsansatz wurden die Pixel mit 56 m räumlicher Auflösung auf den Prozentsatz der Veränderung bei 560-m-Auflösung zusammengefasst. Dies geschah mit 10-mal-10 Blöcken von 56 - m Pixel dh 100 Pixelblöcke und Summierung der Binäränderung innerhalb jedes Blocks Abb. S4A Als nächstes benutzten wir einen 2D-Kernel, der glatter wurde, um eine geglättete Schätzung der prozentualen Veränderung für jedes der 560-m-Auflösung zu berechnen. Abb. S4B Eine quartikale Kernfunktion wurde verwendet Berechnen bewegte Durchschnitte im Studienbereich mit einer Bandbreite von 10 km Die gleiche quartic Kernel-Funktion wurde verwendet, um prozentuale Veränderung von Mais Soja im Jahr 2006 zu Grasland 2011 zu glätten. Schließlich haben wir eine geglättete Karte der Grünlandabdeckung im Jahr 2006 durch die Aggregation der Grasland-Präsenz bei 56-m-Auflösung in Prozent Grasland-Deckung bei 560-m-Auflösung und dann Glättung dieser aggregierten Deckschicht mit dem gleichen 10-km-Quarz-Kernel Diese geglättete Grünland-Deckschicht wurde anschließend als Nenner bei der Erstellung einer Karte der relativen Raten von Grasland verwendet Umwandlung. Soweit ich verstehe, ist dies das Flußdiagramm 1 Verwenden Sie Blockstatistiken in ArcGIS, um 10x10 Pixel von 56-m Raster auf 560m Raster 2 2D Kernel glatter nicht sicher, wie dies zu tun 3 Quartic Kernel nicht sicher, wie dies zu tun. Nicht sicher, wie man über Schritt hinausgehen 1.asked Aug 15 14 bei 0 29.Moving Window Kriging. Recalculates die Range, Nugget und Partial Sill Semivariogramm Parameter auf der Grundlage einer kleineren Nachbarschaft, durchlaufen alle Ort Punkte. Die geostatistische Modell Quelle ist entweder Eine geostatistische Schicht oder ein geostatistisches Modell XML, das ein anderes kriging-Modell repräsentiert als das empirische Bayesianische kriging. Der Eingabedatensatz muss mehr als 10 Punkte für das auszuführende Tool enthalten. Allerdings ist das Tool mit großen Datensätzen am effektivsten, die nichtstationäre Trends haben. Python-Scripting Ist die GeostatisticalDatasets ArcPy-Klasse für das Befüllen des Input-Datasets s-Parameters nützlich. Für Datenformate, die Null-Werte unterstützen, z. B. Datei-Geodatabase-Feature-Classes, wird ein Null-Wert verwendet, um anzuzeigen, dass eine Vorhersage nicht für diesen Standort gemacht werden könnte Dass der Wert ignoriert werden sollte, wenn er als Eingabe verwendet wird. Für Datenformate, die keine Nullwerte wie Shapefiles unterstützen, wird der Wert von -1 7976931348623158e 308 verwendet. Dies ist das Negativ der C definierten Konstante DBLMAX, um anzuzeigen, dass eine Vorhersage nicht möglich war Für diese location. Convolution-Funktion gemacht werden. Die Convolution-Funktion führt die Filterung der Pixelwerte in einem Bild durch, das zum Schärfen eines Bildes, zur Verwischung eines Bildes, zum Erkennen von Kanten in einem Bild oder zu anderen kernelbasierten Erweiterungen verwendet werden kann Für diese Funktion sind die folgenden. Input Raster. Convolution Filter-Typen. Filter werden verwendet, um die Qualität des Rasterbildes durch die Beseitigung von falschen Daten oder die Verbesserung der Funktionen in den Daten Diese Faltungsfilter werden auf einem sich bewegenden, überlappenden Kernel-Fenster oder Nachbarschaft angewendet, Wie z. B. 3 von 3 Faltungsfilter arbeiten, indem sie den Pixelwert basierend auf der Gewichtung seiner Nachbarn berechnen. Es gibt eine Anzahl von Faltungsfiltertypen, die Sie in dieser Funktion auswählen können. Sie können auch einen benutzerdefinierten Typ angeben und eigene Kernelwerte eingeben. Sie können einen Median-Filter auf das Bild anwenden, indem Sie ein Gewicht von 1 9 für einen 3 x 3-Kernel angeben, wodurch jedem Pixel im Kernel ein gleiches Gewicht gegeben wird. Dieser Filter kann verwendet werden, um ein Bild zu glätten Es gibt noch andere Kernel, die verwendet werden können Um Kanten zu schärfen oder zu verbessern Sie können Filter kombinieren, um spezifische Ergebnisse zu erzielen. Beispielsweise können Sie einen Filter anwenden, der Speckle entfernt oder ein Bild glatt macht, dann einen Filter anwenden, der Kanten erkennt. Für optimale Display-Ergebnisse können Sie vielleicht auch Wenden Sie eine Histogramm-Strecke an, um den Kontrast oder die Helligkeit des Bildes anzupassen, um herauszufinden, dass die Funktionen angezeigt werden. Die folgenden Beispiele werden auf einem dieser beiden Bilder angewendet.
Comments
Post a Comment