Mehr

Wie berechnet man die Steigung mit Isolinien/Raster?

Wie berechnet man die Steigung mit Isolinien/Raster?


Ich versuche, die Steigung (in %) in ArcGis 9.3 zu berechnen, erinnere mich aber nicht mehr daran, wie es funktioniert.

Habe ich schon vor einiger Zeit gemacht, aber diesmal klappt es nicht… Ich habe ein Shapefile mit Isolines verwendet (siehe Bild)… So habe ich es beim ersten Mal gemacht:

  1. Spatial Analyst Tools -> Interpolation -> Von Topo zu Raster

    Ich benutze mein Shapefile und unter "Feld" wähle ich "Höhe" und unter "Zellgröße ausgeben" habe ich 5 ausgewählt. Alle anderen Einstellungen ändere ich nicht.

  2. Mit meinem Ausgabe-Raster: Spatial Analyst Tools -> Surface -> Slope (ich wähle "Prozent")

  3. Mit diesem Ausgabe-Raster: Spatial Analyst Tools -> Reclass -> Reclassify

Meine Frage: Ist das der richtige Weg, um die Steigung zu berechnen?

Das Problem ist, dass ich es dieses Mal nicht so machen kann. Wenn ich versuche, den ersten Schritt "From Topo to Raster" zu machen, habe ich eine FEHLER-Meldung (ERROR 010067).

Ich hoffe ihr könnt mir helfen und mir sagen was ich falsch mache!


Häufige Fallstricke bei der Verwendung von Topo zu Raster, die nach meiner Erfahrung zu Fehlern führen, sind folgende Auswahl des falschen Feature-Typs des Feature-Layers (der Layer, den Sie zum Generieren von Rastern verwenden). Wenn der Layer beispielsweise ein Punktlayer ist, Sie jedoch Feldtyp als Kontur auswählen und umgekehrt. Bitte überprüfen Sie dies in Ihrem Fall. Erwägen Sie, die Option "Zellgröße ausgeben" zu ändern. Normalerweise neigen wir dazu, eine kleine Ausgabezellengröße zu erstellen, um ein detailliertes Raster zu erhalten, aber manchmal ist dieser Wert angesichts der Grobheit der Eingabedaten nicht machbar. Wenn Sie ihn etwas höher ändern (sogar durch Hinzufügen von 1) können Sie das Problem lösen. Hoffe das funktioniert


Wie berechnet man die Steigung mit Isolinien/Raster? - Geografisches Informationssystem

Eine Oberfläche Ein Vektor- oder Raster-Dataset, das einen Attributwert für jedes Gebietsschema in seiner gesamten Ausdehnung enthält. ist ein Vektor- oder Raster-Dataset, das einen Attributwert für jedes Gebietsschema in seiner gesamten Ausdehnung enthält. In gewisser Weise sind alle Raster-Datasets Oberflächen, aber nicht alle Vektor-Datasets sind Oberflächen. Oberflächen werden häufig in einem geografischen Informationssystem (GIS) verwendet, um Phänomene wie Höhe, Temperatur, Neigung, Ausrichtung, Niederschlag und mehr zu visualisieren. In einem GIS werden Oberflächenanalysen in der Regel entweder auf Rasterdatensätzen oder TINs durchgeführt (Triangular Irregular Network Kapitel 5 „Geospatial Data Management“, Abschnitt 5.3.1 „Vektordateiformate“), es können aber auch Isolinien oder Punktarrays verwendet werden. Interpolation wird verwendet, um den Wert einer Variablen an einem nicht abgetasteten Ort aus Messungen zu schätzen, die an nahegelegenen oder benachbarten Orten durchgeführt wurden. Räumliche Interpolationsmethoden stützen sich auf das theoretische Credo von Toblers erstem Geographiegesetz, das besagt, dass „alles mit allem verwandt ist, aber nahe Dinge sind mehr verwandt als entfernte Dinge“. Tatsächlich ist dieser grundlegende Grundsatz der positiven räumlichen Autokorrelation das Ergebnis von ähnlichen Werten, die nahe beieinander auftreten. bildet das Rückgrat vieler räumlicher Analysen (Abbildung 8.9 "Positive and Negative Spatial Autocorrelation").

Abbildung 8.9 Positive und negative räumliche Autokorrelation


Arbeiten mit Rasterdaten

In dieser Übung lernen wir folgende Rasterverarbeitungstechniken mit R:

R-Pakete

    : Bindungen für die Geodatenabstraktionsbibliothek : Geografische Datenanalyse und -modellierung : ColorBrewer-Paletten (Anpassen von Farbpaletten) : Wählen Sie Uni variate Class Intervals

R-Pakete laden

Lade Daten

Wir verwenden Höhendaten (5 km x 5 km) von vier Bundesstaaten der Great Plain Region der USA (GP_ELEV.tif) und der Datensatz kann hier heruntergeladen werden

Raster laden

Grundlegender Rasterbetrieb

Projektionssystem prüfen

Raster-Attribut prüfen

  • Nrow, Ncol: die Anzahl der Zeilen und Spalten in den Daten (stellen Sie sich eine Tabelle oder eine Matrix vor).
  • Ncells: die Gesamtzahl der Pixel oder Zellen, aus denen das Raster besteht.
  • Auflösung: die Größe jedes Pixels (Dezimalgrad).
  • Ausdehnung: die räumliche Ausdehnung des Rasters. Dieser Wert hat die gleichen Koordinateneinheiten wie das Koordinatenreferenzsystem des Rasters.
  • Coord ref: die Zeichenfolge des Koordinatenreferenzsystems für das Raster. Dieses Raster ist im geographischen Koordinatensystem mit einem Datum von WGS 84.

Rasterausdehnung

Rasterstatistiken

R können Sie einige grundlegende Statistiken zu Rasterdaten berechnen. Wir können benutzen Zusammenfassung -Funktion, um einige Statistiken des Raster-Layers zu erhalten.

Histogramm des Rasters

R-Basisfunktion hist ist auch nützlich, um die Häufigkeit von Rasterwerten zu kennen

Plot-Raster

Ausschnitt

Jetzt wird dieses DEM mit dem Umfang der CO-Zustands-Shape-Datei ausgeschnitten. Vor dem Beschneiden müssen Sie sicherstellen, dass sich sowohl die Raster- als auch die Vektordaten in denselben Projektionssystemen befinden.

In R ist das Beschneiden eines Rasters zwei Schritte, zuerst müssen Sie anwenden Ernte() Funktion & dann Maske Funktionen von Raster Paket. Ernte gibt eine geografische Teilmenge eines Objekts zurück, wie durch an . angegeben Ausmaß Objekt (oder Objekt, aus dem ein Erweiterungsobjekt extrahiert/erzeugt werden kann). Maske Erstellen Sie ein neues Raster-Objekt mit denselben Werten wie das Eingabe-Raster.

Plot-Clip DEM

Umgliederung

Histogramm

Vor der Neuklassifizierung erstellen wir ein Histogramm mit 4 Unterbrechungen des ELEV.CO-Rasters

Jetzt können Sie überprüfen, wo sich Unterbrechungen befinden und wie viele Pixel in jeder Kategorie vorhanden sind, und diese Unterbrechungen verwenden, um eine Rasterebene zu zeichnen

Wir verwenden Unterbrechungen des Histogramms, um das DEM-Raster neu zu klassifizieren. Zuerst müssen Sie eine Klassifizierungsmatrix erstellen

  • Klasse 1: 1000 - 2000 m (niedrige Höhe)
  • Klasse 2: 2000 - 3000 m (mittlere Höhe)
  • Klasse 3: 3000 - 4000 (Inf) m (hohe Höhe)

Als nächstes müssen Sie den Datenrahmen mit in eine Matrix umformen Matrix Funktion

Jetzt musst du dich bewerben reklassifizieren () Funktion des Rasterpakets unter Verwendung des re-class_m-Objekts.

Mit bar-plot() können Sie die Verteilung der jeder Klasse zugewiesenen Pixel anzeigen.

Nun zeichnen wir das reklassifizierte Raster mit Handlung Funktion mit einer gut aussehenden Legende

Quantil

Manchmal Quantil Funktion ist uns voll auf die Verteilung von Rasterwerten

Quantilbrüche definieren

Wenn Sie eine Rasterkarte mit dem Quantil erstellen möchten, verwenden Sie vorzugsweise KlasseInt Paket. Das KlasseIntervalle Funktion erstellt benutzerdefinierte Unterbrechungen von Rasterwerten mit verschiedenen Stilen (wie "fixed", "sd", "equal", "pretty", "quantile", "kmeans", "hclust", "bclust", "fisher" , & "Jenks"). Weitere Informationen finden Sie in der Hilfe, geben Sie einfach ein ?KlasseIntervalle in der R-Konsole

Zuerst müssen wir Raster in Vektor umwandeln mit Werte Funktion. Dann müssen Sie ein Objekt erstellen, bei dem ein Quantilintervall angewendet wird KlasseIntervalle Funktion zu Vektordaten.

Nun zeichnen wir das DEM-Raster mit diesem benutzerdefinierten Umbruch. Wir werden verwenden Spott Funktion von sp Paket zum Plotten von Rasterdaten mit einer Zustandsgrenzen-Shape-Datei. Zuvor erstellen wir eine benutzerdefinierte Farbpalette mit colorRampPalette von RColorBrauer.

Fokusstatistik

Fokusstatistiken berechnen für jede Position der Eingabezelle eine Statistik (Mittelwert, Summe usw.) der Werte innerhalb einer bestimmten Umgebung um sie herum. Konzeptionell besucht der Algorithmus bei der Ausführung jede Zelle im Raster und berechnet die angegebene Statistik mit der identifizierten Nachbarschaft. Die Zelle, für die die Statistik berechnet wird, wird als Verarbeitungszelle bezeichnet. Der Wert der Verarbeitungszelle sowie alle Zellenwerte in der identifizierten Nachbarschaft werden in die Nachbarschaftsstatistikberechnung einbezogen. Die Nachbarschaften können sich überlappen, so dass Zellen in einer Nachbarschaft auch in der Nachbarschaft einer anderen Verarbeitungszelle enthalten sein können. (Quelle:http://resources.arcgis.com/EN/HELP/MAIN/10.2/index.html#/How_Focal_Statistics_works/009z000000r7000000/)

Um die Nachbarschaftsverarbeitung für Focal Statistics zu veranschaulichen, die eine Summenstatistik berechnet, betrachten Sie die Verarbeitungszelle mit dem Wert 5 im folgenden Diagramm. Es wird eine rechteckige Nachbarschaftsform mit 3 x 3 Zellen angegeben. Die Summe der Werte der Nachbarzellen (3 + 2 + 3 + 4 + 2 + 1 + 4 = 19) plus dem Wert der Verarbeitungszelle (5) ergibt 24 (19 + 5 = 24). Daher wird der Zelle im Ausgabe-Raster an derselben Stelle wie der Verarbeitungszelle im Eingabe-Raster ein Wert von 24 zugewiesen.

Die obige Abbildung zeigt, wie die Berechnungen für eine einzelne Zelle im Eingabe-Raster ausgeführt werden. Im folgenden Diagramm werden die Ergebnisse für alle Eingabezellen angezeigt. Die gelb markierten Zellen kennzeichnen dieselbe Verarbeitungszelle und Umgebung wie im obigen Beispiel.

Wir berechnen den fokalen Mittelwert jeder Zelle von DEM-Daten unter Verwendung von fokal() Funktion des Rasterpakets.

Rasteralgebra

Rasteralgebra in R ist eine satzbasierte Algebra zum Manipulieren eines Rasterobjekts mit mehreren Rasterebenen ("Karten") ähnlicher Abmessungen, um eine neue Rasterebene (Karte) mit algebraischen Operationen zu erzeugen. Es enthält die normalen algebraischen Operatoren wie +, -, *, /, logische Operatoren wie >, >=, <, ==, ! und Funktionen wie abs, round, Ceiling, floor, trunc, sqrt, log, log10, exp, cos, sin, atan, tan, max, min, range, prod, sum, any, all.

Ein einfaches Beispiel für die Rasteralgebra in R ist die Umrechnung der Einheit des DEM-Rasters von Meter in Fuß (1 m = 3.28084 Fuß).

Anhäufung

Aggregieren Sie ein Raster-Objekt, um einen neuen Raster-Layer mit einer geringeren Auflösung (größere Zellen) zu erstellen. Aggregation gruppiert rechteckige Bereiche, um größere Zellen zu erstellen. Der Wert für die resultierenden Zellen wird mit einer benutzerdefinierten Funktion berechnet. Zuerst erstellen wir ein 10 km x 10 km-Raster (Mittelwert und Standardabweichung) aus einem 5 km x 5 kg-Raster unter Verwendung von Aggregat Die Funktion von Raster Paket. Wenn die Aggregatfunktion nicht funktioniert, entfernen Sie „mean“- oder „sd“-Objekte, wenn Sie sie zuvor erstellt haben.

Resample

Beim erneuten Abtasten werden Werte zwischen nicht übereinstimmenden Rastern in Bezug auf Ursprung und Auflösung übertragen. Wir werden mit ELEV.CO ( 5 km) wieder ein 10 km-Raster in ein 5 km-Raster umwandeln. Wir werden verwenden neu beproben Funktion. Hier stehen zwei Methoden zur Verfügung: bilinear für bilineare Interpolation oder **ngb* für die Verwendung des nächsten Nachbarn. Das erste Argument ist ein Rasterobjekt, das erneut abgetastet werden soll, und das zweite Argument ist ein Rasterobjekt mit Parametern, auf die das erste Raster erneut abgetastet werden soll.

Mosaik

Wir werden verwenden verschmelzen() Funktion zum Mosaikieren aller Raster ./DEM.GP-Ordner, um ein nahtloses Raster mit großer Ebene zu erstellen

Konvertieren von Raster- in Punktdaten

Zum Konvertieren von Rasterdaten in räumliche Punktdatenrahmen verwenden wir rasterToPoints() Funktion und dann bewerben wir uns as.data.frame() Funktion zum Konvertieren eines regulären Datenrahmens

Punktdaten in Raster umwandeln

Zuerst konvertieren wir df in a to SpatialPointsDataFrame, dann verwenden wir rasterFromXYZ um Punktdatenrahmen in Raster umzuwandeln. Schließlich definieren wir CRS zu Albers flächengleicher Kegel

Rasterstapel und Rasterbaustein

Sie können verwenden Hohes Level Funktionen zum Bearbeiten mehrerer Raster nach der Erstellung Erstellen Sie einen Rasterstapel (Sammlung von Rasterebenen) mit Stapel() oder Ziegel() Funktionen des Rasters Raster Paket. Das Stapel() und Ziegel() Funktionen können beide mehrere Ebenen speichern. Die Speicherung der einzelnen Schichten ist jedoch unterschiedlich. Die Schichten in einem in Stapel() werden als Links zu Rasterdaten gespeichert, die sich irgendwo auf unserem Computer befinden. EIN Ziegel() enthält alle Objekte, die im eigentlichen R-Objekt gespeichert sind. Ziegel() ist effizienter und schneller als Stapel(), Wir verwenden mean.DEM und sd.DEM Raster, um eine Standardfehlerkarte zu erstellen.

Digitale Geländemodellierung

Die Geländeanalyse oder Landoberflächenanalyse ist ein Verfahren, das Gelände, beispielsweise seine Rauheit, Höhe usw., quantitativ beschreibt. Eine solche Analyse kann sehr nützlich sein, um die Eignung von Land für Landwirtschaft, Bauwesen, Straßen zu beurteilen oder Bewässerungssysteme und andere Landnutzungsmerkmale zu entwerfen.

Neigung

Die Neigung ist eine Neigung oder Steilheit einer Oberfläche. Die Steigung kann in Grad von der Horizontalen (0-90) oder in Prozent der Steigung gemessen werden (die Steigung dividiert durch den Lauf, multipliziert mit 100). Eine Steigung von 30 und 45 Grad entspricht einer Steigung von 58 bzw. 100 Prozent. Wenn sich der Neigungswinkel der Vertikalen (90 Grad) nähert, nähert sich die prozentuale Neigung der Unendlichkeit. Die Steigung für eine Zelle in einem Raster ist die steilste Steigung einer Ebene, die durch die Zelle und ihre acht umgebenden Nachbarn definiert wird. (Quelle: ESRI Online-GIS-Wörterbuch).

Wir werden verwenden Terrain() Funktion aus dem Rasterpaket, um eine Rasterneigung zu erstellen.

Aspekt

Die Kompassrichtung, in die ein Hang weist, wird am häufigsten von Grad Nord gemessen. Der Aspect-Befehl stellt ein 32-Bit-Float-Raster bereit, das von 0° bis 360° reicht. Dies stellt den Azimut dar (der Winkelabstand vom Nord- zum Südpunkt des Horizonts, der von einem vertikalen Kreis überquert werden kann, der den Horizont schneidet, der die Richtung eines Objekts vom Beobachter darstellt), dem die Neigungen zugewandt sind. Mit anderen Worten bedeutet 0°, dass die Neigung nach Norden zeigt, 90° nach Osten, 180° nach Süden und 270° nach Westen. Dies erfordert jedoch, dass die Oberseite Ihres Eingabe-Rasters nach Norden ausgerichtet ist, wie dies bei den meisten der Fall ist. Werte, die zwischen diesen Bereichen gefunden werden, gehen von einer Mischung von Himmelsrichtungen aus, z. 250 bezeichnet einen Hang mit südöstlicher Ausrichtung. Der Aspektwert -9999 wird im Allgemeinen als „nodata“-Wert verwendet, um die Verwendung eines undefinierten Aspekts in Gebieten ohne Variation in der Topographie mit Steigung = 0 anzuzeigen. Sie können die Legende auch verwenden, um für jeden Hang in Ihrem Untersuchungsgebiet den entsprechenden Aspekt anzugeben. Anhand der Legende können Sie Nord (

Schummerung

Wir erzeugen einen Hügelschatten-Layer aus Neigungs- und Aspekt-Layern (beide in Grad). Neigung und Aspect können mit der Funktion Terrain berechnet werden. Als Hintergrund wird oft eine Hügelschattierungsebene verwendet, auf der eine weitere halbtransparente Ebene gezeichnet wird.

Geländerauhigkeitsindex

TRI (Terrain Ruggedness Index) ist der Mittelwert der absoluten Unterschiede zwischen dem Wert einer Zelle und dem Wert ihrer 8 umgebenden Zellen (der Höhenunterschied zwischen benachbarten Zellen eines DEM). Dies liefert ein relatives Maß für Höhenänderungen zwischen einer angegebenen Rasterzelle und Nachbarn. Der TRI ist nützlich, um zu analysieren, welche Umgebungen für bestimmte Pflanzen oder Arten geeignet sein könnten, die auf bestimmte geneigte Umgebungen empfindlich sein können, oder um den potenziellen Bodenfluss während Erosionsereignissen usw. zu bewerten.

Topografischer Positionsindex

TPI (Topographic Position Index) ist die Differenz zwischen dem Wert einer Zelle und dem Mittelwert ihrer 8 umgebenden Zellen. Positive TPI-Werte stellen Orte dar, die über dem Durchschnitt ihrer Umgebung liegen, wie durch die Nachbarschaft definiert (Grate). Negative TPI-Werte stellen Standorte dar, die niedriger sind als ihre Umgebung (Täler). TPI-Werte nahe Null sind entweder flache Bereiche (wo die Steigung nahe Null ist) oder Bereiche mit konstanter Steigung. Die topographische Position ist ein inhärentes maßstabsabhängiges Phänomen.

Rauheit

Rauheit ist die Differenz zwischen dem maximalen und dem minimalen Wert einer Zelle und ihrer 8 umgebenden Zellen.

Krümmung

Die Krümmung ist die Änderung des Neigungsgrads für eine gegebene Distanz auf dieser Neigung. Es ist ein sehr hilfreiches Maß, um den Oberflächenwasserfluss durch eine Landschaft zu verstehen, und kann teilweise verwendet werden, um beispielsweise ein Bewässerungssystem zu entwerfen. Es wird häufig von Hydrologen verwendet. Bei der Interpretation von Daten aus einer Kurve weisen alle positiven Werte auf eine konvexe (nach oben gewölbte) Neigung hin, während negative Werte einer konvexen (nach unten gerichteten) Kurve entsprechen. Die erste ist wie eine Schüssel, die richtig auf einem Tisch geschliffen wird, die zweite ist wie eine umgedrehte Schüssel mit der Vorderseite nach unten. Alle beobachteten Pixel, die eine positive Krümmung zeigen, zeigen die Möglichkeit einer Flüssigkeitsströmungsverteilung weg von einem zentralen Bereich, während negative Werte eine Akkumulation anzeigen. In Kombination nähern sich konvexe und konkave Oberflächen der tatsächlichen Topographie.

Eine Plankurve ist die Messung der Geschwindigkeit, mit der sich eine horizontale Kurve ändert. Positive bzw. negative Werte zeigen Divergenz und Konvergenz einer bestimmten Steigung an. Heben Sie eine divergente Steigung hervor, negative Werte eine konvergente Steigung.

Eine Profilkurve ist umgekehrt eine vertikale Messung der Änderung einer Steigung. Positive Werte zeigen Konvexität an, während negative Werte konkave Profile darstellen.

In ist noch kein Paket für die Krümmungsanalyse in R verfügbar. Ich habe hier eine Funktion. Wir werden diese Funktion aufrufen mit source("curveture_function.R"), Aber wenn ich dies ausführe, wird ein Fehler angezeigt.

Allerdings in räumlichÖko Paket ermöglichen die Berechnung von McNabs und Bolstads Varianten des Oberflächenkrümmungsindex (Konkavität/Konvexität) (McNab 1993 Bolstad & Lilles und 1992 McNab 1989). Der Index basiert auf Merkmalen, die die Ansicht von der Mitte eines 3x3-Fensters einschränken. In der Bolstad-Gleichung wird die Kantenkorrektur durch Division durch den Radiusabstand zur äußersten Zelle (36,2 m) behandelt. Wir werden verwenden Krümmung Die Funktion von räumlichÖko Paket.

Durchflussrichtung

Die Richtung des größten Höhenunterschieds (oder des kleinsten Anstiegs, wenn alle Nachbarn höher sind).


Geografische Informationssysteme 2

• Enthält auch TIN (Triangulated Irregular Network): Wird zum Speichern und Anzeigen von Oberflächenmodellen verwendet. Ermöglicht das Sammeln zusätzlicher Informationen in Bereichen mit komplexen Reliefs ohne riesige Mengen redundanter Daten. Die Datenerfassung kann kritischen Merkmalen wie Graten, Bächen usw.

Datenredundanz in Bereichen mit einheitlichem Gelände

Unfähigkeit, sich an Gebiete mit unterschiedlicher Reliefkomplexität anzupassen

Übertriebene Betonung entlang der Achse des Rasters

Ermöglicht zusätzliche Daten in komplexen Bereichen und weniger Daten in nicht komplexen Bereichen

Die Möglichkeit, natürliche Merkmale als Bruchkanten zu verwenden

4. Großartige Anwendungen in Geologie, DOC, intelligenten Fahrzeugen, Landwirtschaft
Airborne Laserscanning (ALS)
Vorteile
Schnelle Abholung
Breite Datenabdeckung
Hohe Genauigkeit (15 Punkte pro Meter)
Mehrere Rücksignale
Fern
• Kann zu jeder Tageszeit verwendet werden (auch nachts)
Nachteile
Teuer.
Geräteintensiv
Datenspeicherintensiv

Terrestrisches Laserscanning (TLS)
Vorteile
Billiger (

300.000 $)
Weit höhere Genauigkeit (70 Punkte/Meter)
Weniger geräteintensiv
360 Grad Abdeckung
Nachteile
Kürzere Distanz (max. 4 km)
Kleinere Abdeckung
Löcher/Abschirmung in Daten

Puffer Beispiele B
• Aufstellen eines Puffers in der Nähe einer Schule: Bereich, in dem Alkoholgeschäfte verboten sind

Struktur aus Bewegung (SFM)
5. Structure from Motion – Computermodellierungstechnik, die die 3D-Geometrie von Objekten oder Landschaften aus einer Reihe von 2D-Bildern rekonstruiert, die während der Bewegung durch das Objekt oder um das Objekt herum aufgenommen wurden
6. Beginnt mit der Merkmalserkennung (Tausende von Punkten)
7. Richtet sich wie Punkte zwischen Bildern aus
8. Verwendet mathematische Algorithmen, um den Standort der Kamera und die relative Position der identifizierten Punkte zu bestimmen
9. Mit einer etablierten Basisgeometrie werden viele weitere Feature-Punkte identifiziert (Millionen von Punkten)
10. Erstellt eine 3D-Oberfläche mit einem TIN- und Overlay-Bildmaterial
11. Kann High-End- oder Low-End-Kameras verwenden
12. Ziemlich günstig
Vorteile
Einfache Datenerfassung
Relativ billig
Kombiniert mit hochauflösenden Bildern
Nachteile
Rechenintensiv
Viele Nachbearbeitung von Daten
Keine Bare-Erde-Rückkehr
Keine DEM


Einzelheiten

Bei Nachbarn=4 werden Steigung und Aspekt nach Fleming und Hoffer (1979) und Ritter (1987) berechnet. Bei Neigbors=8 werden Steigung und Aspekt nach Horn (1981) berechnet. Der Horn-Algorithmus ist möglicherweise am besten für raue Oberflächen und der Fleming- und Hoffer-Algorithmus möglicherweise besser für glattere Oberflächen (Jones, 1997, Burrough und McDonnell, 1998). Bei Steigung = 0 wird das Seitenverhältnis auf 0,5*pi Radiant (oder 90 Grad bei Einheit='Grad') gesetzt. Bei der Berechnung von Neigung oder Ausrichtung muss die CRS ( Projektion ) des RasterLayer x bekannt sein (darf nicht NA sein), um sicher zwischen planaren und Längen-/Breitendaten unterscheiden zu können.

flowdir gibt die „Strömungsrichtung“ (des Wassers) zurück, d. h. die Richtung des größten Höhenunterschieds (oder des kleinsten Anstiegs, wenn alle Nachbarn höher sind). Sie sind als Potenzen von 2 (0 bis 7) kodiert. Die Zelle rechts neben der Fokuszelle 'x' ist 1, die darunter liegende 2 usw.:

32 64 128
16 x 1
8 4 2

Wenn zwei Zellen den gleichen Höhenunterschied aufweisen, wird eine zufällige Zelle ausgewählt. Das ist nicht ideal, da es die Bildung von verbundenen Flussnetzwerken verhindern kann. ArcGIS implementiert den Ansatz von Greenlee (1987) und ich könnte ihn in Zukunft übernehmen.

Die Geländeindizes sind nach Wilson et al. (2007), wie in gdaldem. TRI (Terrain Ruggedness Index) ist der Mittelwert der absoluten Differenzen zwischen dem Wert einer Zelle und dem Wert ihrer 8 umgebenden Zellen. TPI (Topographic Position Index) ist die Differenz zwischen dem Wert einer Zelle und dem Mittelwert ihrer 8 umgebenden Zellen. Rauheit ist die Differenz zwischen dem maximalen und dem minimalen Wert einer Zelle und ihrer 8 umgebenden Zellen.

Solche Maße können auch mit der Fokusfunktion berechnet werden:

TRI <-fokal(x, w=f, fun=function(x, . ) sum(abs(x[-5]-x[5]))/8, pad=TRUE, padValue=NA)

TPI <-fokal(x, w=f, fun=function(x, . ) x[5] - mean(x[-5]), pad=TRUE, padValue=NA)

grob <- fokal(x, w=f, fun=function(x, . ) max(x) - min(x), pad=TRUE, padValue=NA, na.rm=TRUE)


Emulieren des Prospektoren-Expertensystems mit einem Raster-Gis

Jüngste Verbesserungen des gemeinfreien geographischen Rasterinformationssystems (GIS) MAPS ermöglichen es, die Methodik des Prospector Expert Systems zu emulieren. Diese pragmatische Implementierung weicht von den klassischen Methoden der Expertensysteme, Vorwärts- und Rückwärtsverkettung, ab, verwendet aber die Standard-GIS-Methode der kartographischen Modellierung. Dies ermöglicht eine schnellere Verarbeitung von Zellenzuordnungen, erfordert jedoch, dass die Regelbasis vor der Verwendung geordnet wird. In der ursprünglichen Beschreibung von Prospector gibt es einige Hinweise auf eine Abweichung von der gemeldeten Methode der Rückwärtsverkettung.

Die Prospector-Methodik wird diskutiert und Schritt-für-Schritt-Beispiele für Bayes'sche Inferenz, Fuzzy-Logik und Gewissheitsberechnungen werden vorgestellt. Expertensysteme bieten die Möglichkeit, ein kartografisches Modell mit fehlenden oder unvollständigen Daten zu verarbeiten. Zum Testen dieser Methodik wurde ein vereinfachtes Modell der ursprünglichen Prospektionsregeln zur Bestimmung eines günstigen Standorts für Kupferbohrungen verwendet. Dieses Modell kann bis zu 26 Karten als Eingabe akzeptieren. Das Beispiel in diesem Papier verwendet 23 Karten. Die Ergebnisse werden mit denen des ursprünglichen Prospector-Berichts verglichen.


  • TRT-Bedingungen:Auffangbecken Drainagebecken Dynamische Modelle Erosion Geografische Informationssysteme Hydraulik Fernerkundung Sedimentation
  • Unkontrollierte Begriffe:Sedimenttransport
  • Themenbereiche: Geotechnik Autobahnen Hydraulik und Hydrologie I26: Wasserabfluss - Frost-Tauwetter I42: Bodenmechanik
  • Zugangsnummer: 01003942
  • Aufnahmetyp: Veröffentlichung
  • Dateien: TRIS
  • Erstellungsdatum:13. September 2005 06:09

Die Nationalen Akademien der Wissenschaften, Ingenieurwissenschaften und Medizin

Copyright & Kopie 2021 Nationale Akademie der Wissenschaften. Alle Rechte vorbehalten. Nutzungsbedingungen und Datenschutzerklärung


Die Einbeziehung der Variabilität in die Dekodierung des Honigbienen-Schnattertanzes verbessert die Kartierung der kommunizierten Ressourcenstandorte

Honigbienen kommunizieren mit ihren Nestkameraden die Standorte von Ressourcen, einschließlich Nahrung, Wasser, Baumharz und Nistplätzen, indem sie Schwänzeltänze machen. Tänze bestehen aus wiederholten Wackelläufen, die den Abstands- und Richtungsvektor vom Bienenstock oder Schwarm zur Ressource kodieren. Die Distanz wird in der Dauer des Waggle-Laufs kodiert und die Richtung wird in dem Winkel des Körpers des Tänzers relativ zur Vertikalen kodiert. Beobachtungsstöcke mit Glaswänden ermöglichen es Forschern, Waggle Runs zu beobachten oder zu filmen und zu entschlüsseln. Die Variation dieser Signale macht es jedoch unmöglich, die beworbenen genauen Orte zu bestimmen. Wir präsentieren eine Bayessche Dauer-zu-Entfernungs-Kalibrierungskurve unter Verwendung von Markov-Chain-Monte-Carlo-Simulationen, die es uns ermöglicht, zu quantifizieren, wie genau die Entfernung zu einer Nahrungsressource aus der Dauer eines Waggle Runs innerhalb eines einzelnen Tanzes vorhergesagt werden kann. Eine Winkelkalibrierung zeigt, dass sich die Winkelgenauigkeit über die Entfernung nicht ändert, was zu einer räumlichen Streuung proportional zur Entfernung führt. Wir demonstrieren, wie Entfernung und Richtung kombiniert werden, um eine räumliche Wahrscheinlichkeitsverteilung des vom Tanz beworbenen Ressourcenstandorts zu erzeugen. Schließlich zeigen wir, wie die Nahrungssuche von Honigbienen kartiert werden kann, und diskutieren, wie unser Ansatz in geografische Informationssysteme integriert werden kann, um die Ökologie der Nahrungssuche von Honigbienen besser zu verstehen.

Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


GIS-basiertes verteiltes Modell für Bodenerosion und Rate des Sedimentabflusses aus Einzugsgebieten

Ein räumlich verteiltes Niederschlag-Abfluss-Bodenerosionsmodell, das die Heterogenität der Einzugsgebiete in Bezug auf Landnutzung, Boden, Hangneigung und Niederschlag handhaben kann, wurde entwickelt und auf Daten aus mehreren Einzugsgebieten angewendet. Das Modell arbeitet auf Zellbasis und akzeptiert verteilte Eingaben von einem Raster-Geographischen Informationssystem (GIS). Das digitale Höhenmodell des Einzugsgebiets wird im Modell verwendet, um Entwässerungspfade von jeder der diskretisierten Zellen zum Einzugsgebietsauslass in der richtigen hydrologischen Reihenfolge zu generieren. Nach der so abgeleiteten rechnerischen hydrologischen Sequenzierung wird die Mechanik der Überlandströmung unter Verwendung einer endlichen volumenbasierten numerischen Lösung der Diffusionswellen-Approximation der St. Venant-Gleichungen modelliert und der Prozess der Bodenerosion wird unter Verwendung einer numerischen Lösung der Sedimentkontinuitätsgleichung modelliert mit entsprechenden Hilfsgleichungen. Die räumlichen Informationen für jede Zelle des Einzugsgebiets wurden durch digitale Analyse von Satellitendaten und veröffentlichten Informationen unter Verwendung kommerziell erhältlicher Bildverarbeitungs- und Raster-GIS-Pakete generiert. Ergebnisse der Modellanwendung auf mehrere Einzugsgebiete zeigen, dass das Modell die zeitliche Verteilung der Sedimentabflussrate am Einzugsgebietsauslass für Sturmereignisse einigermaßen gut berechnen kann. Die zellbasierte Struktur des Modells ermöglicht auch die Berechnung der räumlichen Verteilung von berechneten Variablen wie etwa der Höhe der Bodenerosion.


Beschreibung des Marmap-Pakets

Portabilität

Binärdateien und Quellcode für das Marmap-Paket sind im Comprehensive R Archive Network (CRAN [6]) zusammen mit einem Tutorial (auch „R-Vignette“ genannt) frei verfügbar. marmap enthält ausschließlich R-Code, der seine Portabilität über Plattformen hinweg maximiert. CRAN stellt den Quellcode und die Binärdateien für Unix-ähnliche und Windows-Betriebssysteme zur Verfügung [5].

Bathymetrische Daten importieren und darstellen

marmap bietet verschiedene Möglichkeiten zum Hochladen von bathymetrischen Informationen, die je nach Bedarf und Zugriff auf Online-Ressourcen eine flexible Datenaufbereitung ermöglichen sollen. Erstens können bathymetrische Daten direkt aus R heruntergeladen werden, indem die von der NOAA gehostete ETOPO1-Datenbank [7] abgefragt wird. Zweitens können dreispaltige Datenrahmen (mit Längen-, Breiten- und Tiefendaten) aus verschiedenen Quellen importiert werden, beispielsweise der US-amerikanischen National Ocean and Atmospheric Administration (NOAA) [8]. Drittens verfügt marmap über Funktionen zum Vorbereiten und Verwenden einer lokalen SQL-Datenbank, die auf der Festplatte des Benutzers gespeichert ist. Die Verwendung einer personalisierten SQL-Bathymetrie-Datenbank ist praktisch für die Abfrage von Teilmengen sehr großer bathymetrischer Datensätze wie 5Go ETOPO1. Schließlich können Daten wie jeder andere Datensatz in R importiert und mithilfe von Marmap-Funktionen konvertiert werden. Obwohl marmap ursprünglich für Meeresökologen entwickelt wurde, ist es voll kompatibel mit topografischen Daten, die zusammen mit bathymetrischen Daten behandelt oder eigenständig analysiert werden können.

Einmal in R geladen, werden bathymetrische Daten als Matrix neu organisiert, die für Manipulation, Plotten und Exportieren verwendet wird. Diese Daten werden als R-Klasse namens „bathy“ dargestellt, die innerhalb einer Marmap-Sitzung gültig ist. Die Erstellung einer benutzerdefinierten R-Klasse ermöglicht die Verwendung von generischen Funktionen wie Plot und Zusammenfassung. Bathymetrische Daten der Klasse „bathy“ können mit den optimierten Marmap-Plotting-Tools geplottet oder mit anderen geographischen Analysepaketen (z. B. „maps“ [9]) verwendet werden. Bathymetrische Daten können als einfache Konturdiagramme mit Kontrolle über Reichweite, Dichte und Aussehen von Isobaten oder mit automatischer Isobathenauswahl und -platzierung dargestellt werden. Konturdiagramme können mit Heatmaps mit integrierten und anpassbaren Farbrampen gekoppelt werden (Abbildung 1A, E). Sampling-Daten (GPS-Punkte, Tracks, Polygone usw.) und Text (Legenden, Beschriftungen, Maßstäbe usw.) können einfach mit R-Low-Level-Funktionen zu Marmap-Karten hinzugefügt werden.

Linkes Feld (EIN): Daten aus dem NW-Atlantik, die die NE-Küste der USA und die Seamount-Ketten New England und Corner Rise zeigen. Die blaue Linie repräsentiert die Position von zwei- (B) und drei- (C) dimensionale Querschnitte, wobei das rote Rechteck die vom Gürteltransekt abgedeckte Fläche begrenzt. Die untere linke Abbildung (D) stellt die NW-Atlantikdaten dar, wie sie mit der Drahtmodellfunktion von Paketgitter [21] gezeichnet wurden, basierend auf Daten, die mit Marmap importiert wurden. Rechtes Feld: Karte von Papua-Neuguinea und Satelliteninseln (E siehe Text). Die mittlere Figur (F) stellt die Ergebnisse einer Least-Cost-Pfadanalyse um die hawaiianischen Inseln dar (Küstenlinie in dickem Schwarz, Dunkelgrau: 1000 m Isobad, hellgrau 4000 m Isobad rote Linie: Pfad, der Gewässer mit einer Tiefe von weniger als 1000 m meidet, blaue Linie: Pfad, der Gewässer meidet flacher als 4000 m). Die untere Abbildung (g) stellt die Ergebnisse der projizierten Oberflächenberechnungen für die Bathyal- und Abyssal-Gebiete um die hawaiianischen Inseln dar. R-Code ist in Datei S1 verfügbar.

Das Erstellen einer Karte von Papua-Neuguinea kann beispielsweise in drei Codezeilen in einer neuen R-Sitzung erfolgen:

  1. > Bibliothek (Marmap)
  2. > getNOAA.bathy(lon1 = 140,lon2 = 155,lat1 = −13,lat2 = 0, Auflösung = 1) ->papoue
  3. >plot(papoue, Bild = WAHR)

Die erste Zeile lädt Marmap, die zweite fragt bathymetrische Daten ab (Auflösung von 1 Minute) und speichert das Ergebnis in einer Variablen der Klasse „bathy“, und die dritte Zeile erstellt eine Karte mit automatischer Isobath-Wahl und eingebautem Farbverlauf. Die obere rechte Karte in Abbildung 1, gezeichnet mit Isobaten unterschiedlicher Breite und Farbe sowie einem benutzerdefinierten Farbverlauf, wurde mit diesen beiden Linien erstellt (die erste erstellt und speichert eine benutzerdefinierte Palette und die zweite erstellt die Kartendetails zu Befehlen und deren Argumente sind in der Marmap-Dokumentation zu CRAN verfügbar):

  1. > colorRampPalette(c("red","lila","blue","cadetblue1","white")) -> blues
  2. >plot(papoue, image = T, bpal = blues(100),
  3. tief = c(−9000, −3000,0), flach = c(−3000, −10, 0), Stufe = c(1000, 1000, 0),
  4. col = c("hellgrau","dunkelgrau","schwarz"), lwd = c(0.3,0.3,0.6), lty = c(1,1,1),
  5. drawlabel = c(F,F,F))

Verwendung von Bathymetric für weitere ökologische Analysen

Durch interaktives Anklicken einer Karte kann der Benutzer bathymetrische Daten (entweder von einem Punkt oder einem Gebiet), Probenahmeinformationen (z. B. eine Liste von Proben, die in einem bestimmten geografischen Gebiet beprobt wurden) oder zwei- und dreidimensionale Tiefenschnitte ( Abbildung 1B–C). Projizierte Oberflächenbereiche können auch für bestimmte Tiefenbereiche geschätzt werden, wie etwa die Bathyal- und Abgrundzonen um Hawaii (Abbildung 1G).

Basierend auf Funktionen, die von Jacob van Etten in den Paketen raster und gdistance [10], [11] entwickelt wurden, erleichtert marmap die Analyse von geografisch expliziten ökologischen Daten, indem es eine durch Bathymetrie und/oder Topographie eingeschränkte Berechnung von kostengünstigsten Pfaden ermöglicht. Die kürzeste Großkreisentfernung (Haversine) zwischen Standortpaaren unter Vermeidung von Landmassen oder Tiefenschichten wird berechnet. Die Ausgabe der kostengünstigsten Pfadanalyse kann in Form von Großkreisentfernungen unter Berücksichtigung der Erdkrümmung und in Form von geografischen Pfaden erfolgen, die auf Marmap-Karten gezeichnet und zur Berechnung von zwei- und drei -dimensionale Tiefenquerschnitte. Entfernungsdaten können einfach exportiert werden, um sie direkt in Landschaftsgenetik-Software wie TESS zu verwenden [12]. Daten können auch direkt aus R heraus verwendet werden, um Mantel-Tests oder andere Analysen durchzuführen [13]–[15].