Eu tenho um mapa raster do meio-oeste dos EUA que é muito esparso, ou seja, os pixels de interesse são poucos o suficiente para serem quase invisíveis quando vistos em uma escala onde todos os estados do meio-oeste dos EUA são visíveis. Gostaria de seguir a abordagem descrita neste documento PNAS (pnas. orgcontent110104134.full) para criar um mapa melhor, mas não sei como replicá-lo no ArcGIS. Qualquer ajuda seria apreciada. O documento PNAS descreve as etapas da seguinte forma: devido aos tamanhos pequenos e à distribuição dispersa das áreas de mudança, foi difícil visualizar padrões regionais de LCLUC na resolução espacial original de 56 m. Como resultado, utilizamos técnicas de suavização espacial para criar uma superfície de mudança regional que destacou pontos de mudança locais. As abordagens relacionadas são usadas em campos como a epidemiologia espacial para gerar estimativas estáveis de taxas de doença (48), mas não foram amplamente aplicadas no campo da ciência da mudança de terra. Na nossa abordagem de suavização, os pixels de mudança na resolução espacial de 56 m foram primeiro agregados à porcentagem de mudança na resolução de 560 m. Isso foi feito tomando 10 por 10 blocos de pixels de 56 m (ou seja, blocos de 100 pixels) e somando a mudança binária dentro de cada bloco (Fig. S4A). Em seguida, usamos um kernel 2D mais suave para calcular uma estimativa suavizada da variação percentual para cada um dos pixels de resolução de 560 m (Fig. S4B). Uma função kernel quartic foi utilizada para calcular as médias móveis em toda a área de estudo com uma largura de banda de 10 km. A mesma função de núcleo quântico foi utilizada para suavizar a variação de porcentagem de milho em 2006 para pastagem em 2017. Finalmente, nós geramos um mapa alisado de cobertura de pastagem em 2006, agregando a presença de pastagem a uma resolução de 56 m para porcentagem de cobertura de pastagem a uma resolução de 560 m , E depois suavizando esta camada de cobertura agregada usando o mesmo núcleo kernel de 10 km. Esta camada suavizada de cobertura de pastagem foi posteriormente utilizada como denominador na geração de um mapa de taxas relativas de conversão de pastagem. Tanto quanto eu entendo, este é o fluxograma: 1. Use estatísticas de bloco no ArcGIS para somar 10x10 pixels de quadros de 56 m para raster de 560 m. 2. Aliança do núcleo 2D: não sabe como fazer isso 3. Núcleo do Quartic: não está certo de como Para fazer isso Não tenho certeza de como avançar além da etapa 1 perguntou 15 de agosto 14 em 0: 29Get Raster Properties (Data Management) A propriedade a ser obtida a partir do conjunto de dados raster ou dataset mosaico. MINIMO Retorna o menor valor de todas as células no raster de entrada. MAXIMO Retorna o maior valor de todas as células no raster de entrada. MEAN Retorna a média de todas as células no raster de entrada. STD Retorna o desvio padrão de todas as células no raster de entrada. UNIQUEVALUECOUNT Retorna o número de valores únicos no raster de entrada. TOP Retorna o valor superior ou YMax da extensão. LEFT Retorna o valor esquerdo ou XMin da extensão. RIGHT Retorna o valor direito ou XMax da extensão. BOTTOM Retorna o valor inferior ou YMin da extensão. CELLSIZEX Retorna o tamanho da célula na direção x. CELLSIZEY Retorna o tamanho da célula na direção y. VALUETYPE Retorna o tipo do valor da célula no raster de entrada: 0 1 bit 1 2 bits 2 4 bits 3 inteiro não assinado de 8 bits 4 inteiro assinado de 8 bits 5 inteiro não assinado de 16 bits 6 inteiro assinado de 16 bits 7 Inteiro de 32 bits não assinado 8 inteiro com sinal de 32 bits 9 ponto flutuante de 32 bits 10 precisão dupla de 64 bits 11 complexo de 8 bits 12 complexo de 64 bits 13 complexo de 16 bits 14 complexo de 32 bits COLUMNCOUNT Retorna o número de colunas em O raster de entrada. ROWCOUNT Retorna o número de linhas no raster de entrada. BANDCOUNT Retorna o número de bandas no raster de entrada. ANYNODATA Retorna se há NoData no raster. ALLNODATA Retorna se todos os pixels são NoData. Isso é o mesmo que o ISNULL. SENSORNAME Retorna o nome do sensor. PRODUCTNAME Retorna o nome do produto relacionado ao sensor. AQUISITIONDATE Retorna a data em que os dados foram capturados. SOURCETYPE Retorna o tipo de origem. CLOUDCOVER Retorna a quantidade de cobertura da nuvem como uma porcentagem. SUNAZIMUTH Retorna o azimute do sol, em graus. SUNELEVATION Retorna a elevação do sol, em graus. SENSORAZIMUTH Retorna o azimute do sensor, em graus. SENSORELEVATION Retorna a elevação do sensor, em graus. OFFNADIR Retorna o ângulo off-nadir, em graus. WAVELENGTH Retorna o intervalo de comprimento de onda da banda, em nanômetros. Escolha de qual faixa obter as propriedades. Se nenhuma banda for escolhida, a primeira banda será usada quando a ferramenta for executada. Exemplo de código exemplo GetRasterProperties 1 (janela Python) Este é um exemplo de Python para GetRasterProperties. Exemplo 2 de GetRasterProperties (script autônomo) Esta é uma amostra de script Python para GetRasterProperties. Como funciona o Filtro A ferramenta Filtro pode ser usada para eliminar dados espúrios ou melhorar recursos de outra forma que não são aparentemente visíveis nos dados. Os filtros criam essencialmente valores de saída por uma janela de vizinhança de célula móvel 3x3 móvel, que se sobrepõe, que varre o raster de entrada. À medida que o filtro passa por cada célula de entrada, o valor dessa célula e seus 8 vizinhos imediatos são usados para calcular o valor de saída Existem dois tipos de filtros disponíveis na ferramenta: passagem baixa e passagem alta. Tipos de filtro O tipo de filtro BAIXO emprega uma passagem baixa, ou uma média, filtra o raster de entrada e essencialmente suaviza os dados. O tipo de filtro HIGH usa um filtro de passagem alta para melhorar as bordas e os limites entre os recursos representados no raster. Filtro passa-baixa Um filtro passa-baixo suaviza os dados reduzindo a variação local e removendo o ruído. Calcula o valor médio (médio) para cada bairro de 3 x 3. É essencialmente equivalente à ferramenta de Estatísticas Focais com a opção de Estatística Média. O efeito é que os valores altos e baixos dentro de cada bairro serão promediados, reduzindo os valores extremos nos dados. A seguir, um exemplo dos valores de vizinhança de entrada para uma célula de processamento, a célula central com o valor 8. O cálculo para a célula de processamento (a célula de entrada central com o valor 8) é encontrar a média das células de entrada. Esta é a soma de todos os valores na entrada contida pelo bairro, dividida pelo número de células no bairro (3 x 3 9). O valor de saída para a localização da célula de processamento será 4.22. Como a média está sendo calculada a partir de todos os valores de entrada, o valor mais alto na lista, que é o valor 8 da célula de processamento, é calculado de forma média. Este exemplo mostra o raster resultante gerado pelo filtro com a opção LOW em um pequeno raster de células 5x5. Para ilustrar como as células NoData são manipuladas, os valores de saída com o parâmetro Ignore NoData configurado em Data e NODATA seguem: Valores da célula de entrada: valores da célula de saída com o conjunto de opções DATA (as células NoData em uma janela de filtro serão ignoradas no cálculo): Saída Valores de célula com o conjunto de opções NODATA (a saída será NoData se qualquer célula na janela do filtro for NoData): no exemplo a seguir, o raster de entrada possui um ponto de dados anômalo causado por um erro de coleta de dados. As características de média da opção LOW suavizaram o ponto de dados anômalo. Exemplo de saída do filtro com a opção BAIXA Filtro passa alta O filtro passa alto acentua a diferença comparativa entre os valores das células e seus vizinhos. Tem o efeito de destacar fronteiras entre recursos (por exemplo, onde um corpo de água atende a floresta), afimando as arestas entre os objetos. É geralmente referido como um filtro de aprimoramento de borda. Com a opção HIGH, os nove valores de entrada z são ponderados de forma a eliminar as variações de baixa freqüência e destaca o limite entre diferentes regiões. O filtro 3 x 3 para a opção HIGH é: Note que os valores no kernel somem para 0, uma vez que eles são normalizados. O filtro High Pass é essencialmente equivalente usando a ferramenta Focal Statistics com a opção de estatística Sum e um kernel ponderado específico. Os valores de saída z são uma indicação da suavidade da superfície, mas não têm relação com os valores z originais. Os valores Z são distribuídos sobre zero com valores positivos no lado superior de uma borda e valores negativos no lado inferior. Áreas onde os valores z são próximos de zero são regiões com declive quase constante. Áreas com valores próximos de z-min e z-max são regiões onde a inclinação está mudando rapidamente. A seguir, um exemplo simples dos cálculos para uma célula de processamento (a célula central com o valor 8): o cálculo para a célula de processamento (a célula central com o valor 8) é o seguinte: O valor de saída para a célula de processamento será 29.5. Ao dar pesos negativos aos seus vizinhos, o filtro acentua o detalhe local tirando as diferenças ou os limites entre os objetos. No exemplo abaixo, o raster de entrada tem uma ponta afiada ao longo da região onde os valores mudam de 5.0 para 9.0. A característica de aprimoramento de borda da opção HIGH detectou a borda. Processando células de NoData A opção Ignorar NoData em cálculos controla como as células NoData dentro da janela da vizinhança são tratadas. Quando esta opção está marcada (a opção DATA), todas as células da vizinhança que são NoData serão ignoradas no cálculo do valor da célula de saída. Quando desmarcada (a opção NODATA), se qualquer célula na vizinhança for NoData, a célula de saída será NoData. Se a célula de processamento em si é NoData, com a opção Ignorar NoData selecionada, o valor de saída para a célula será calculado com base nas outras células da vizinhança que possuem um valor válido. Claro, se todas as células do bairro são NoData, a saída será NoData, independentemente da configuração desse parâmetro. Referências Gonzalez, R. C. e P. Wintz. 1977. Processamento de imagem digital. Massachusetts: AddisonWesley. Hord, R. M. 1982. Processamento de imagens digitais de dados de detecção remota. Nova York: Academic. Moik, J. G. 1980. Processamento digital de imagens de sensoriamento remoto. Nova York: Academic. Richards, J. A. 1986. Análise de imagem digital de sensoriamento remoto: uma introdução. Berlim: Springer-Verlag. Rosenfeld, A. 1978. Processamento e Reconhecimento de Imagem. Relatório Técnico 664. Laboratório de Visão Computacional da Universidade de Maryland. Tópicos relacionados
No comments:
Post a Comment