Mehr

Exportieren (nur) der letzten Iteration aus ArcGIS ModelBuilder?

Exportieren (nur) der letzten Iteration aus ArcGIS ModelBuilder?


Ich verwende einen Iterator in ModelBuilder (1), um Dateien mit einer Feedback-Schleife zusammenzuführen (2). Die Ausgabedatei heißt "Output_%n%.txt", (3), sodass jede Datei einzigartig ist.

Jetzt führe ich eine ganze Reihe von Dateien zusammen, also versuche ich, den Prozess zu beschleunigen. Da mir die Zwischendateien egal sind, kann ich sie in in_memory ausschreiben. Aber ich möchte die endgültige Datei, nämlich: "Output_167.txt" in C:myfile statt in_memory speichern.

(0) Ja, APPEND würde funktionieren, aber das hat andere Anwendungen.

(1) http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#//00400000001n000000.htm

(2) http://webhelp.esri.com/arcgisdesktop/9.3/index.cfm?TopicName=Iteration_using_feedback

(3) http://resources.arcgis.com/en/help/main/10.1/index.html#//002w0000005s000000


Wie wäre es, wenn Sie sie alle in in_memory schreiben, wie Sie sind, dann besteht der nächste Schritt darin, den endgültigen Datensatz zu schreiben. Sie wissen, was %n% ist, also sollte es ziemlich einfach sein, ihn zu exportieren. Hornbydd 24. Okt um 7:51

@Hornbydd Monate später verstehe ich deine Antwort endlich. Ich konnte mir nicht vorstellen, wie ich n bekomme, und habe festgestellt, dass ich für diesen speziellen Zweck eine FOR-Schleife mit einem Modellparameter verwende. Es dauert etwas Text-Slicing, aber ich kann das n aus %n% extrahieren. In Fällen, in denen dies nicht der Fall ist, z. B. beim Durchlaufen von Zeilen in einem Datensatz, kann ich max(ID) verwenden, um die Anzahl der Iterationen zu erhalten.


Umweltbewusste, kostengünstige, multikriterielle Entscheidungsfindung für die Modellierung des Eisenbahnnetzes für Eritrea

Eine angemessene Entwicklung des Schienenverkehrs ist für nachhaltige sozioökonomische und ökologische Vorteile von entscheidender Bedeutung. In Eritrea, einem Land, das einst ein lebendiges Eisenbahnsystem hatte, ist es jedoch derzeit nicht funktionsfähig. Auch im benachbarten Äthiopien und im Sudan gibt es ehrgeizige sektorale Investitionen, die Eritrea dazu drängen, sein dezimiertes Eisenbahnverkehrssystem wiederzubeleben. Daher wurden in dieser Studie Siedlungsmuster der Bevölkerung, Umwelt- und physische Kriterien als Eingaben für eine kostengünstige, multikriterielle Entscheidungsfindung für die Modellierung des Eisenbahnnetzes für Eritrea verwendet. Dementsprechend wurden sieben Bahnstrecken mit einer Gesamtlänge von 1.610 km modelliert. Vier verlaufen in Nord-Süd-Richtung, während drei in Ost-West-Richtung verlaufen. Dieses Eisenbahnnetz wird 5 von 6 eritreischen Verwaltungsregionen bedienen, in denen 93% der geschätzten 5,8 Millionen Menschen leben. Darüber hinaus wird es die 21 städtischen Zentren bedienen, in denen schätzungsweise 1.658.749 Einwohner etwa 70 % der städtischen Bevölkerung Eritreas leben. Außerdem soll es die regionale Integration, den Frieden und deren Entwicklung in einer ansonsten von Konflikten verwüsteten geografischen Region fördern.

räumliche Analytiker (SA), Least Cost Path, Multi-criteria Decision Support, Schienenverkehr, Eritrea, sozioökonomische, ökologische Nachhaltigkeit

Die nachhaltige Entwicklung des Eisenbahnverkehrsdienstes ist entscheidend für das Wirtschaftswachstum, die regionale Integration und die soziale Entwicklung [1-4]. Laut Sugawara [2] unterstützt ein US-amerikanischer Eisenbahntransport vom Hafen zum Kernland einen geschätzten Import und Export von 1.839 Millionen Tonnen Fracht im Wert von 3,193 Milliarden US-Dollar im Jahr 2007. Darüber hinaus ist die US-Landwirtschaft stark vom Eisenbahntransportdienst abhängig, sodass die Entfernung die derzeitigen Eisenbahnnetze aus den Vereinigten Staaten könnten die landwirtschaftliche Produktivität der USA um 60 % reduzieren [4]. Der Schienenverkehrsdienst ist auch entscheidend für die Reduzierung von Reisezeit und Verkehr, die ökologische Gesundheit und die Verbesserung des Reisekomforts [1]. Die Amerikaner verlieren 3,7 Milliarden Stunden und 2,3 Milliarden Gallonen Treibstoff pro Jahr im Stau, was schätzungsweise 200 Milliarden Dollar kostet. Verbessertes Eisenbahnnetz soll Staus auf Autobahnen, Kraftstoffverbrauch und Schadstoffemissionen reduzieren [2]. Darüber hinaus berichtete eine Studie, dass eine Erhöhung der Bevölkerungszahl von Personenzügen um 10 % den Kraftstoffverbrauch um 50 % senken würde [3].

Trotz all dieser kritischen sozioökonomischen Vorteile gibt es heute keine eritreischen Eisenbahnverkehrsdienste. Dies, obwohl Eritrea historisch gesehen ein lebendiges Eisenbahnsystem hatte, das bis ins späte 19. Jahrhundert zurückreicht. Während der Kolonialzeit bauten Italiener eine 337 km lange Eisenbahnstrecke, die die Hafenstadt Massawa mit der Goldmine bei Bisha westlich der Stadt Agordat verbindet [5, 6]. Das Land fiel jedoch 1941 unter britische Militärverwaltung. Dies folgte der Niederlage Italiens durch die alliierten Streitkräfte im Zweiten Weltkrieg. Unter britischer Verwaltung wurden Eritreas öffentliche Infrastrukturen, einschließlich der Eisenbahn, im Rahmen der Kriegsentschädigung verwüstet und unterschlagen. Seitdem die Eisenbahn nicht mehr funktioniert [7], besteht die Notwendigkeit, das moderne Eisenbahnnetz für das Land zu revitalisieren.

Darüber hinaus investieren zwei große Nachbarländer, Äthiopien und der Sudan, auf nationaler Ebene massiv in ihre Schienenverkehrsinfrastruktur und stärken damit die regionale Integration. Äthiopien hat beispielsweise kürzlich eine 750 km lange Eisenbahnstrecke gebaut [8]. Sie verbindet Addis Abeba, die Hauptstadt des Landes, mit der Hafenstadt Dschibuti am Roten Meer. Darüber hinaus hat Äthiopien ein ehrgeiziges nationales Eisenbahnnetzprojekt gestartet, das eine Distanz von 4.780 km umfasst [9]. Ziel des ambitionierten Plans ist es, das Land mit Kenia im Süden, Sudan im Westen und Eritrea im Norden zu verbinden. In ähnlicher Weise sieht das Netzsystem der Sudan Railways einen ehrgeizigen Plan zur Entwicklung der Eisenbahninfrastruktur vor. Die Sudan Railways Corporation, die derzeit das längste Netz (d. h. 4.578 km) des afrikanischen Kontinents verwaltet, plant, das Netzsystem auf die Nachbarländer Tschad, Äthiopien und Südsudan auszuweiten [10]. Als Reaktion auf diese ehrgeizigen Expansionspläne ist Eritrea gezwungen, sein Schienenverkehrssystem zu revitalisieren.

Darüber hinaus fördern mehrere Merkmale der einzigartigen geografischen Lage, Umgebung und Kultur Eritreas, die Touristen aus der ganzen Welt anziehen würden, eine Präsenz eines robusten Eisenbahnverkehrsdienstes im Land. Eritrean hat eine über 1000 km lange Küste, die kaum bevölkert ist und deren menschlicher Eingriff begrenzt ist. Folglich gehören Eritreas Küste und Sandstrand zu den saubersten der Welt für internationale Touristenattraktionen. Das Rote Meer ist reich an Korallenriffen, die den Besuchern Potenzial für einen umfangreichen naturbasierten Tourismus bieten [11]. Im Gegensatz zu anderen konkurrierenden Küstenlinien entlang des Roten Meeres sind die Tieflandküstengebiete Eritreas nur zwei Stunden vom Hochland in der Nähe der Hauptstadt Asmara entfernt, die einen bemerkenswerten Hauch eines kühleren gemäßigten Klimas aufweist.

Daher war das Ziel dieser Studie, ein Eisenbahnnetz für Eritrea mit einem geringeren ökologischen Fußabdruck zu entwerfen und zu planen. Zu diesem Zweck wurde der multikriterielle Least-Cost-Pfad-Algorithmus zur Modellierung der Eisenbahnstrecken Eritreas eingesetzt. Darüber hinaus wurden in der Studie die sozioökonomischen und politischen Auswirkungen des Modellbahnverkehrs bewertet. Die traditionelle Bahntrassenplanung manueller Feldingenieurvermessungen wird zunehmend durch moderne GIS-gestützte Techniken zur Effizienz- und Qualitätsplanung ergänzt [12]. Daher kommt eine moderne GIS-gestützte Routenplanung, eingebettet in räumliche Analysetools, zum Einsatz. Für eine kosteneffiziente Gestaltung und Planung von Bahntrassen wurden vielfältige ökologische, topografische, soziale und kulturelle Kriterien berücksichtigt [13, 14].


Minimierung der Auswirkungen der Wüstenbildung in einer Trockenregion: Eine Fallstudie zur Westwüste des Irak

Derzeit ist die Wüstenbildung ein großes Problem in der westlichen Wüste des Irak. Die raue Natur, Abgelegenheit und Größe der Wüste machen es schwierig und teuer, die Wüstenbildung zu überwachen und einzudämmen. Daher schlug diese Studie eine umfassende und kosteneffektive Methode vor, durch die Integration von geografischen Informationssystemen (GIS) und Fernerkundungstechniken (RS) das potenzielle Risiko der Wüstenbildung abzuschätzen, die am stärksten gefährdeten Gebiete zu identifizieren und die am besten geeigneten Standorte zu bestimmen zum Regenwasserschutz. Zwei Indizes, nämlich der Normalized Differential Vegetation Index (NDVI) und der Land Degradation Index (LDI), wurden für eine Katasterbewertung der Landdegradation verwendet. Die Ergebnisse der kombinierten Angemessenheitskarte der Regenwassernutzung und der Karten der NDVI- und LDI-Änderungen ergaben, dass 65 % der für die Regenwassernutzung hoch geeigneten Flächen in der großen Änderung und 35 % in der kleinen Änderung des NDVI und 85 % der hochgradig geeigneten Flächen liegen geeignetes Land liegt in Gebieten mit einer mäßigen Veränderung und 12% liegen in einer starken Veränderung der LDI. Die Anwendung der gewichteten Linearkombination (WLC) und Booleschen Methoden innerhalb der GIS-Umgebung sowie die Analyse von NDVI mit LDI-Änderungen können Hydrologen, Entscheidungsträgern und Planern ermöglichen, das Wüstenbildungsrisiko schnell zu bestimmen und zu minimieren und die Bestimmung zu priorisieren von geeigneten Standorten für die Regenwassernutzung.

1. Einleitung

Angesichts der steigenden Erwartungen und Bedürfnisse der lokalen Bürger wenden sich Entwicklungsländer einer stärkeren Ressourcenentwicklung zu, um nachhaltige Projekte zu schaffen. Wüstenbildung ist jedoch ein Problem der Bodendegradation, das enorme Umweltherausforderungen und negative Auswirkungen mit sich bringt, insbesondere im Hinblick auf die zukünftige landwirtschaftliche und sozioökonomische Entwicklung in semiariden und ariden Regionen verschiedene Faktoren, die klimatische Unterschiede und menschliche Aktivitäten in semiariden, ariden und trockenen subhumiden Gebieten beinhalten. Klimatische und physikalische Bedingungen haben zu weit verbreiteten natürlichen Verlusten und kumulativer Bodenerosion durch Wasser und Wind geführt, die zu einer Abnahme der biologischen Produktivität des Landes führen [4, 5]. Wüstenbildung scheint, sobald sich die Landdegradation als irreparabel entwickelt oder wenn der Verlust der Gesamtproduktivität 50 bis 66 % beträgt [6]. Derzeit ist die Wüstenbildung ein großes Problem in der Westwüste des Irak und führt zur Vertreibung der Bevölkerung. Zwischen Dezember 2007 und Juni 2009 wurden insgesamt 4.263 Familien aufgrund der Wüstenbildung vertrieben [7]. Darüber hinaus hat die Wüstenbildung die Verschlechterung von Pflanzen und Bodenbedeckungen verursacht, die fast 70 % des Trockenlandes schädlich beeinflusst hat. Die Gesamtfläche, die der Wüstenbildung im Irak ausgesetzt ist, wird auf 167.000 km 2 geschätzt, was 40% der Gesamtfläche von 437.500 km 2 entspricht [8, 9].

Daher ist das Phänomen der Wüstenbildung, insbesondere in der Westwüste des Irak, in naher Zukunft unwiderlegbar, es sei denn, es werden wirksame Methoden und Forschungen betrieben, um eine Datenbank zu dieser Umweltbedrohung zu entwickeln. Die schwere Natur, Abgelegenheit und Größe der Wüste machen es schwierig und teuer, diese Umweltbedrohung zu verstehen. Parallel dazu können auch Minderungspläne umgesetzt werden, um das Risiko der Wüstenbildung zu minimieren. Dieser Prozess würde jedoch durch fehlende Informationen eingeschränkt oder behindert. Daher ist eine wirksame Lösung zur Milderung des Problems der Wüstenbildung erforderlich.

Eine der in dieser Studie vorgeschlagenen Methoden zur Reduzierung des Risikos und der Auswirkungen der Wüstenbildung ist die Regenwassernutzung (RWH). RWH ist ein wesentlicher Bestandteil in jedem Wasserressourcensystem, um eine kontinuierliche Versorgung sicherzustellen, um den Bedarf für Haushalte, Viehzucht, Landwirtschaft und Kleinindustrie zu decken [10–13]. Darüber hinaus sollte das vorgeschlagene Regenwassernutzungssystem in der Lage sein, eine nachhaltige Wasserressource zu erhalten und das Risiko einer weiteren Verschlechterung der Ressourcen in dem Gebiet zu minimieren. Für nachhaltiges RWH kommen vier Verfahren in Betracht, die aus der Auswahl geeigneter Kriterien, der Bewertung der Angemessenheit des Rankings für jedes Kriterium, der Auswahl der Standorte und der Erstellung von Angemessenheitskarten für die nominierten Standorte für RWH bestehen. Der Prozess einer nachhaltigen RWH kann zeitaufwändig und schwierig sein, wenn die Gesamtheit dieser Verfahren insbesondere in großen Einzugsgebieten mit eingeschränkten Daten berücksichtigt wurde. Geografische Informationssysteme (GIS) und Geodatentechniken werden integriert, um Basisdaten zu Dürren, Wüstenbildung und Degradation zu finden und den Prozess der Erreichung nachhaltiger RWH zu erleichtern, die sich direkt auf die landwirtschaftliche Entwicklung und Aktivitäten in Trockengebieten auswirken können [14-16] .

Die Kombination von Geodaten mit GIS-Ansätzen hat viel Aufmerksamkeit auf die Identifizierung geeigneter Standorte für RWH gelenkt. Die Adaption von Geodaten zusammen mit GIS-Techniken hat es mühelos gemacht, eine Datenbank über das hydrologische Potenzial eines Gebietes zu erstellen [17, 18]. Es wurden verschiedene Methoden und Kriterien angewendet, um geeignete Standorte für RWH zu identifizieren. Viele Forscher [19–23] haben Geodaten mit GIS verwendet, um geeignete Standorte für RWH-Strukturen zu identifizieren. Da Wassermangel das Hauptproblem in semiariden und ariden Gebieten ist, würden diese Regionen von den Ergebnissen der Wassermanagementforschung profitieren. Anfragen zur Auswahl geeigneter Standorte für RWH ergaben, dass die Berücksichtigung sowohl der physischen als auch der sozioökonomischen Kriterien für RWH wichtig ist.

Die früher diskutierten Studien erforderten eine beträchtliche Verfügbarkeit und Zugänglichkeit von Daten, um ihre Ziele zu erreichen. In Anbetracht der begrenzten Datenverfügbarkeit und des Schweregrades der Wüstenbildung im Untersuchungsgebiet der Westwüste des Irak besteht das Hauptziel dieser Studie darin, eine umfassende und kostengünstige Methode zur Identifizierung und Minimierung der Auswirkungen der Wüstenbildung durch die Kombination von Geodaten vorzuschlagen mit GIS-Techniken. Durch die rasante Entwicklung in der Satellitenbildtechnologie und GIS sind diese Komponenten zu vertretbaren Kosten leicht zugänglich. Dieser Faktor ist sehr wichtig, insbesondere in Bereichen, in denen Daten knapp oder nicht verfügbar sind.

Das Ziel dieser Studie ist es, den Land Degradation Index (LDI) und den Normalized Differential Vegetation Index (NDVI) zu verwenden, um das potenzielle Risiko der Wüstenbildung abzuschätzen, die am stärksten gefährdeten Gebiete zu identifizieren und die am besten geeigneten Standorte für RWH zu bestimmen. Die vorgeschlagene Methode kann Entscheidungsträgern und Planern bei der schnellen Orientierung und Bestimmung des potenziellen Risikos der Wüstenbildung sowie bei der Priorisierung geeigneter Standorte für RWH helfen, um das Risiko der Wüstenbildung zu minimieren.

2. Studienbereich

Wadi Al-Gahdaf liegt in der westlichen Wüste des Irak. Dieses Untersuchungsgebiet liegt östlich des Euphrat zwischen 32° 20′ 14″ bis 33° 08′ 00″ N und 40° 01′ 00″ bis 43° 30′ 00″ E und hat ein Einzugsgebiet von 8513 km2 (Abbildung 1). Das Einzugsgebiet erlebt eine trockene Umgebung mit kühlen Wintern und trockenen Sommern. Aufgrund des geringen mittleren Jahresniederschlags zwischen 100 und 150 mm wird sie als Wüste klassifiziert. Etwa 48 % der Niederschläge fallen im Winter, 16 % im Herbst und 36 % im Frühjahr [24]. Die durchschnittliche jährliche Verdunstung beträgt 3300 mm, und die monatliche mittlere Verdunstung schwankt stark mit den Jahreszeiten. Große Teile des Untersuchungsgebietes sind mit sehr fruchtbarem Boden bedeckt, in dem verschiedene Vegetationsarten wie Tulpen, Lilien, Kolozynthen und während der Regenzeit zahlreiche Blumenarten wachsen. Viele dürreresistente Sträucher und stachelige Pflanzen werden das ganze Jahr über auch großflächig angebaut, vor allem in weiten Tälern und Senken, wie Kolozynthen und Thymian. Freiliegende Felsaufschlüsse aus hartem Kalkstein bieten eine solide Grundlage für den Bau von Barrieren oder Dämmen.

Das Untersuchungsgebiet gilt als ein sehr wichtiger Teil der westirakischen Wüste, da es eines der Haupttäler darstellt, in dem während der Regenzeit eine erhebliche Menge Niederschlag fällt, und es auch mit Problemen im Zusammenhang mit der Wüstenbildung konfrontiert ist. Daher ist eine wirksame Lösung zur Eindämmung des Problems der Wüstenbildung erforderlich. Ein Erddamm ist eine Technik, um Regenwasser während der Regenzeit für die Nutzung in Trockenzeiten zu konservieren, und dies gilt als ein effektiver Weg, um eine nachhaltige Wasserversorgung im Irak zu entwickeln.

3. Datenanforderungen

Die für diese Studie verwendeten Daten sind minimal und können in drei Hauptkategorien unterteilt werden, nämlich Satellitenbilder, meteorologische Daten und Bodeneigenschaften. Satellitenbilder, die den operationellen Land-Imager-Sensor (Landsat 8), den thematischen Mapper-Sensor und das digitale Höhenmodell der 30-Meter-Shuttle-Radar-Topographie-Mission (SRTM) enthalten, wurden vom United States Geological Survey (USGS) bereitgestellt. OLI und ETM + liefern Daten mit einer räumlichen Auflösung von 30 m für sichtbares, nahes Infrarot (NIR) und kurzwelliges Infrarot sowie von 15 m für panchromatische Bänder [25, 26]. Das Untersuchungsgebiet stimmte mit der Ausdehnung der Landsat-Bilderszene überein (Pfad/Reihe: 169/037, 169/038, 170/037, 170/038, 171/037 und 171/038). Insgesamt 6 von OLI-Bildern und 6 von Landsat 7 ETM + über dem Untersuchungsgebiet wurden vom United States Geological Survey (USGS) (https://earthexplorer.usgs.gov/) heruntergeladen. Die Bilder wurden in Trocken- und Regenzeiten aufgenommen. Die Bilder wurden geometrisch und atmosphärisch korrigiert. Laut UTM-WGS84 Zone 38 N Projektion wurden die Koordinatensysteme aller verwendeten Daten vereinheitlicht. In dieser Studie werden auch langfristige und zuverlässige tägliche und monatliche Niederschlagsdaten von 34 Jahren von 1980 bis 2013 verwendet. Im gesamten Untersuchungsgebiet wurden 23 Proben entnommen und die Bodeneigenschaften im Labor bestimmt. Die wichtigsten Datenquellen, die in dieser Studie verwendet wurden, sind in Tabelle 1 dargestellt.

4. Methodik

Die Forschungsmethodik lässt sich in zwei große Abschnitte gliedern: (1) eine Analyse der Veränderung des LDI und des NDVI anhand von Geodaten in den Jahren 1999 und 2014 zur Definition der bestehenden Bodendegradation und (2) die Bestimmung geeigneter Standorte für RWH to Minimieren Sie die Auswirkungen der Wüstenbildung über den Model Builder in ArcGIS 10.2. Dies beinhaltet die Auswahl geeigneter Standorte, die Klassifizierung der Angemessenheit für jedes Kriterium und die GIS-Analyse zur Erstellung von Eignungskarten basierend auf der Kombination der gewichteten Linearkombination (WLC) und booleschen Operatoren, um die alternativen Zonen nach Rangfolge bezüglich Evaluationskriterien.Die Gesamtmethodik ist in Abbildung 2 dargestellt, während die Einzelheiten der einzelnen Hauptabschnitte in den folgenden Abschnitten aufgeführt sind.

4.1. Bestimmung des Ausmaßes der Wüstenbildung

NDVI und LDI wurden als Indikatoren für das Phänomen der Wüstenbildung im Untersuchungsgebiet verwendet. Für den Zeitraum 1999 bis 2013 wurden thematische Karten entwickelt, detaillierte Methoden sind in den folgenden Abschnitten aufgeführt.

4.1.1. Normalisierter Differenz-Vegetationsindex (NDVI)

Die Anwendung von NDVI umfasste den Einfluss verschiedener atmosphärischer Bedingungen auf die Vegetation [27–29], das Dürremonitoring [30], die Identifizierung von Pflanzenproduktion und -ertrag [31] und Studien zur Wüstenbildung [32, 33]. Die meisten dieser Studien beschränkten sich auf die Quantifizierung des Wüstenbildungsgrades mittels NDVI. Dieser Index ist ein wirksames Instrument zur Quantifizierung des Risikos und zur Überwachung von Veränderungen der Wüstenbildung, da er die Veränderung der Vegetation entsprechend der spektralen Reaktion der Landbedeckung abschätzt [34, 35]. Mit der Software ERDAS IMAGINE wurden die Vegetationsdichteänderungen und Zonen für den Zeitraum 1999 bis 2013 bestimmt. Der NDVI wurde mit den folgenden Gleichungen geschätzt [36].

Vom thematischen Mapper-Sensor:

wo B3 ist der spektrale Reflexionswert von Band 3 (0,63–0,69) μm, und B4 ist der spektrale Reflexionsgrad von Band 4 (0,77–0,90) μm. Vom betriebsbereiten Land Imager Sensor:

wo B4 ist der spektrale Reflexionsgrad von Band 4 (0,64–0,67) μm, und B5 ist der spektrale Reflexionsgrad von Band 5 (0,85–0,88) μm.

Die NDVI-Werte schwankten zwischen -1 und +1. Werte größer als 0 repräsentieren vorhandene Vegetation. Genauer gesagt stehen Werte zwischen 0,0 und 0,2 für Gebiete mit niedriger Vegetation und Werte von mehr als 0,2 für Gebiete mit dichter Vegetation. NDVI-Werte zwischen -1 und 0 stehen für unbewachsene Gebiete, d. h. verlassenes Land und städtisches Land. Die Density-Slicing-Methode wurde angewendet, um das NDVI-Bereichsniveau zu klassifizieren, um die Wirksamkeit von Vegetationsvariationen zwischen 1999 und 2013 abzuschätzen.

4.1.2. Landdegradationsindex (LDI)

Der Land Degradation Index (LDI) spiegelt den Zustand degradierter Böden und Bodenbedeckung wider und hat eine klare physikalische und biologische Bedeutung [37]. Der LDI ist repräsentativ für den Gesamtschwierigkeitsgrad bei der Umerziehung degradierter Flächen in einer bestimmten Region [38]. Der LDI kann verwendet werden, um das Phänomen der Wüstenbildung im Untersuchungsgebiet weiter zu verstärken und zu demonstrieren. Viele Forscher [3, 39] haben LDI angewendet, um die Gefahren der Ausweitung der Bodendegradation zu bewerten und zu analysieren. Der LDI wurde von Meng et al. [40] zur Bestimmung der Bodendegradation basierend auf Band 2 und Band 3 des thematischen Mapper-Sensors und Band 3 und Band 4 des betriebsbereiten Land-Imager-Sensors. Jede dieser beiden Banden wurde verwendet, weil sie ein hohes Reflexionsvermögen für den Bodenabbau ergeben. Meng et al. [40] schlugen vier Klassen der Bodendegradation vor, nämlich <30 (extrem), (30–60) stark, (60–90) moderat und >90 leicht. Die Schätzung des LDI mit dem thematischen Mapper-Sensor wird angegeben als

wo B2 ist der spektrale Reflexionsgrad von Band 2 (0,52–0,60) μm und B3 ist der spektrale Reflexionsgrad von Band 3 (0,63–0,69) μm.

Die Schätzung des LDI unter Verwendung des operationellen Land Imager Sensors (Landsat 8) wird wie folgt angegeben:

wo B3 ist der spektrale Reflexionswert von Band 3 (0,53–0,59) μm und B4 ist der spektrale Reflexionsgrad von Band 4 (0,64–0,67) μm.

4.2. Identifizierung des am besten geeigneten Standorts für RWH-Strukturen

Unterschiedliche Kriterien und Randbedingungen wirken sich direkt auf den Entscheidungsprozess bei der Standortwahl aus. Diese Studie bietet eine robuste Methode, um diesen Prozess zu erleichtern, indem der WLC mit den booleschen Operatoren kombiniert wird, um die alternativen Zonen nach Favoriten in Bezug auf Bewertungskriterien zu ordnen. Diese Methoden sind die am häufigsten verwendeten Entscheidungsurteile in GIS [41–43].

4.2.1. Betrieb mit gewichteter Linearkombination

Der WLC integriert die Karten, indem er jeder Kategorie eine normalisierte Punktzahl zuweist und den Kriterien selbst Gewicht verleiht [44]. Die WLC-Technik wurde in zwei Schritten durchgeführt: (i) Multiplizieren der Gewichtung jedes Parameters mit Raten der Kategorie des gleichen Parameters und (ii) Hinzufügen aller Kriterienschichten im Rasterrechner. Die WLC-Methode wurde aufgrund ihrer Flexibilität bei der Auswahl geeigneter Standorte gewählt. Mehrere Forscher haben diese Methode übernommen, darunter [45–48]. In dieser Studie wurden sechs Kriterien bei der Ermittlung der am besten geeigneten Standorte für die Regenwassernutzung berücksichtigt, nämlich Neigung, Niederschlag und Abfluss, Landnutzung/-bedeckung, Bodenbeschaffenheit, Entfernung von bewässertem Land und Entfernung von Straßen. Die Kriterien werden mit einer Vielzahl von Skalen und Messungen gemessen. Jedes Kriterium wurde zunächst einzeln mit Pixelwerten von 0 bis 10 klassifiziert, wie in Tabelle 2 detailliert angegeben. Die am wenigsten geeigneten Bereiche wurden als 1 kategorisiert, während die am besten geeigneten Bereiche als 10 . kategorisiert wurden. Gewichte, Klassifikation, Angemessenheitsskalen und Scores basieren auf früheren Studien, die in Studiengebieten gleicher Art durchgeführt wurden [45, 46, 49–51].

Für jedes Kriterium wurde die skalierte Karte mit Pixelmengen zwischen 0 und 10 erstellt. Die kombinierte Angemessenheitskarte wurde durch Zusammenführen dieser Kriterienebenen mit dem Rasterrechner erstellt. Die Angemessenheitsbeträge wurden dann in fünf Kategorien eingeteilt, nämlich sehr geringe, geringe mittlere, hohe und sehr hohe Eignung. Die sechs Kriterien, die für die Auswahl der potentiellen Standorte für RWH wichtig sind, werden im Folgenden diskutiert (Abbildung 3): (1) Abflusstiefe: Sie ist ein wesentliches Kriterium für die Auswahl eines geeigneten Standorts für RWH und wird verwendet, um die mögliche Wasserversorgung zu bewerten durch Abfluss [20, 52]. Zur Abschätzung der Abflusstiefe wurde die Kurvennummer (CN) verwendet, die aus der Konsequenz von Landbedeckung und Bodenart auf die Niederschlags-Abfluss-Beziehung zu erwarten ist [52–54]. Diese Daten wurden im GIS unter Verwendung des räumlichen Analysemodells manipuliert, um eine digitale Karte der Abflusstiefe im Untersuchungsgebiet basierend auf der folgenden Gleichung zu erstellen:

wo Q repräsentiert die Ablauftiefe (mm) P ist der Niederschlag (mm) S stellt die mögliche maximale Haft nach Beginn des Abflusses dar (mm) und ichein stellt eine primäre Entnahme (mm) dar, die alle Verluste vor Beginn der Infiltration, des Abflusses, der Verdunstung und des Wasserabfangs durch die Vegetation enthält und als . angegeben wird ichein = 0.2S aus der Analyse von Niederschlagsinformationen für kleine Wassereinzugsgebiete [55]. Gleichung (5) kann daher ausgedrückt werden als

wo S kann berechnet werden mit CN wie

CN liegt zwischen 0 und 100, und dieser Wert gibt den Abfluss an, der auf eine bestimmte Niederschlagsmenge beschränkt ist. Hohe CN-Werte zeigen, dass ein erheblicher Anteil des Regens Oberflächenabfluss entwickelt [56]. Aus der CN-Karte und den Niederschlagsdaten für das Untersuchungsgebiet wurde die Schicht der Abflusstiefe in Bezug auf die stündlichen Extremniederschläge des gesamten Untersuchungsgebiets abgeleitet (Abbildung 3(a)). Die minimalen und maximalen Werte der Abflusstiefe variieren zwischen 7 und 35 mm, wobei der Abfluss im stromabwärts gelegenen Teil zunimmt. Die erste Kategorie von <20 mm repräsentiert 17 %, die zweite Kategorie von 20–25 mm repräsentiert 22 %, die dritte Kategorie von 25–30 mm repräsentiert 32 %, die vierte Kategorie von 30–35 mm repräsentiert 16 % und die letzte Kategorie Kategorie von >35 mm macht 13% der Gesamtfläche aus. (2) Gefälle: Die Abflussbildung hängt auch stark vom Gefälle ab, das die Fließgeschwindigkeit, die Sedimentationsmenge und die für die Errichtung des RWH-Bauwerks benötigten Baustoffmengen beeinflusst. Critchleyet al. [57] empfahlen, dass eine RWH-Struktur für Hanglagen von mehr als 5 % nicht geeignet ist, da die Erosionsraten höher sind und größere Erdarbeiten erforderlich sind [46]. Ein aus SRTM-Daten für das Untersuchungsgebiet generiertes DEM wurde verwendet, um die Pistenkarte zu erstellen, die in fünf Kategorien kategorisiert wurde (Abbildung 3(b)): die erste Kategorie von <2% repräsentiert 9%, die zweite Kategorie von 2% bis 3 % entspricht 9 %, die dritte Kategorie von 3 % bis 4 % entspricht 10 %, die vierte Kategorie von 4 % bis 5 % entspricht 10 % und die letzte Kategorie von >5 % repräsentiert 62 % der Gesamtfläche. (3) Bodentextur: Die Bodentexturkategorie wird durch den Anteil an Ton, Schluff und Sand bestimmt, der die Infiltrationsrate und den Oberflächenabfluss beeinflusst. Böden mit mittlerer und feiner Struktur sind aufgrund ihrer verbesserten Wasserrückhaltung typischerweise besser für RWH geeignet. Aufgrund der geringen Durchlässigkeit von Ton und seiner Fähigkeit, das geerntete Wasser zu speichern, erwiesen sich Standorte mit Tonböden als die besten für die Wasserspeicherung [58]. Daher ist die Bodentextur ein kritischer Faktor bei der Auswahl von Standorten für RWH. Anhand von Bodenproben, die an 23 Standorten im Untersuchungsgebiet mit einer Schnecke in Tiefen von 20 bis 40 cm entnommen wurden, wurde eine Bodenkarte erstellt. Die Partikelgrößenverteilungen wurden verwendet, um die Bodenproben nach der USGS-Methode der Texturklassifizierung zu klassifizieren. Das räumliche Analysetool mit GIS-Plattform wurde verwendet, um die Bodenkarte zu entwickeln (Abbildung 3(c)). Ein großer Teil des Untersuchungsgebietes ist mit sandigem Tonlehm bedeckt, der bei Wasserverfügbarkeit fruchtbaren Boden darstellt. Wie in Abbildung 3(c) dargestellt, wurde die Bodenkarte in fünf Klassen eingeteilt, d Lehm) macht 5% aus, die vierte Kategorie (Ton-Lehm) repräsentiert 3% und die letzte Kategorie (Lehm) repräsentiert 3% der Gesamtfläche. (4) Landnutzungslandbedeckung (LULC): Kahinda et al. [59] fanden heraus, dass eine dichtere Vegetation die höhere Infiltrationsrate und den geringeren Abfluss darstellt. Die Landnutzungs-/Bedeckungskarte wurde aus einem Landsat-8-Satellitenbild vom Juni 2019 extrahiert. Die Landnutzung/Landnutzung als Ergebnis der überwachten Klassifizierung teilte das Untersuchungsgebiet in drei Hauptkategorien ein, bestehend aus: Gras und Vegetation (17%), Wohngebiete (2%) und unfruchtbares Land (81%) (Abbildung 3(d)). (5) Entfernung von bewässertem Land: Es ist entscheidend, dass die RWH-Strukturstandorte in der Nähe der kultivierbaren Zone liegen [21]. Daher wurde in dieser Studie der Abstand zu bewässerten Flächen übernommen. Der NDVI wurde verwendet, um die Grünfläche (bewässerte/aktiv wachsende Vegetation) zu identifizieren. Eine Vegetationsbedeckungskarte wurde aus einem Landsat-8-Satellitenbild abgeleitet, das im April 2019 aufgenommen wurde. Die begrünte Bedeckung macht 25 % des gesamten Untersuchungsgebiets aus (Abbildung 3(e)). (6) Entfernung von Straßen: Straßen haben eine erhebliche sozioökonomische Bedeutung für die Bevölkerung des Gebiets im Untersuchungsgebiet, da sie ihrem Vieh Zugang zu Wasser und Gras bieten. Die bestehenden Straßen in der Nähe des vorgeschlagenen Standorts tragen zur Reduzierung der Transportkosten bei. Die Leute dort können ihre Lastwagen und Tankwagen über diese Straßen von einem Ort zum anderen fahren. Die Entfernung von der Straße wurde in die vier Klassen 250 bis 500, 500 bis 1.000, 1.000 bis 2.000 und >2.000 m eingeteilt (Abbildung 3(f)). Weniger als 250 m empfehlen nicht, zukünftige Inkonsistenzen zwischen RWH-Struktur und Straßen zu verbieten [50]. Eine Karte dieses Parameters wurde basierend auf den in Tabelle 1 übernommenen Pufferbereichen aus Landsat-8-Bildern erstellt, die im Juni 2019 aufgenommen wurden.

4.2.2. Boolesche Überlagerungsoperation

Die Boolesche Überlagerungsmethode trennt die Operation der Standortauswahl basierend auf der Verwendung von (das ODER) oder (das UND), es ist knusprig (falsch oder wahr) und ist auf einen kleinen diskreten Ort beschränkt. Viele Forscher [15, 60] haben diesen Ansatz übernommen. Der Boolesche Overlay-Ansatz ist ein wichtiges Verfahren zum Eliminieren eines durch das WLC-Verfahren identifizierten spezifischen Bereichs. Die Stromreihenfolge und die Entfernung von Fehlern werden bei diesem Verfahren übernommen. Die Details der beiden Kriterien werden wie folgt diskutiert (Abbildung 4): (1) Entfernung von Fehlern: Fehler sind ein großes Hindernis bei der Bestimmung eines RWH-Systems. Die Lage der Störungen wird anhand einer erhältlichen geologischen Karte des Untersuchungsgebietes bestimmt. Der Ausschluss der Störungszone von den angenommenen Standorten ist entscheidend bei der Identifizierung eines Standorts für RWH [46]. Folglich wird ein Wert von 0 für Gebiete mit einer Entfernung von 1.000 m oder weniger von der Störungszone vergeben, während ein Wert von 1 für Gebiete mit einer Entfernung von mehr als 1.000 m vergeben wird (Abbildung 4(a)). (2) Bachreihenfolge: Die Bachreihenfolge bezeichnet die hierarchische Verknüpfung zwischen Bachabschnitten und ermöglicht die Kategorisierung von Entwässerungseinzugsgebieten über ihre Größe. Die Eignung von RWH hängt stark von der Wadi-Dichte ab, und Regionen mit hoher Dichte sind am besten geeignet. Die Analyse der Stromordnung ist für die Standortauswahl für RWH sehr wichtig. Eine niedrigere Stromordnung hat eine höhere Infiltration und Durchlässigkeit. Eine Stromordnung größer als eine vierte Ordnung erhält in dieser Studie den Wert 1, während eine Stromordnung kleiner als eine dritte Ordnung den Wert 0 erhält [52]. Die thematische Karte der Stream-Reihenfolge wird als sehr niedrig (2), niedrig (3), mittel (4), hoch (5) und sehr hoch (6) klassifiziert. Höhere Stromordnung (sechste) wurde im Nordosten mit einer Gesamtlänge von 214,7 km gezeigt die Gesamtlänge der fünften Ordnung beträgt 152,2 km die Gesamtlänge der vierten Ordnung beträgt 296,4 km die Gesamtlänge der dritten Ordnung beträgt 643 km (Abbildung 4(b)).

4.3. Erschließung potenzieller Standorte für die Regenwassernutzung

Um die möglichen Standorte für RWH zu identifizieren, wurde die Vektor- und Raster-GIS-Datenbank mit Model Builder in ArcGIS 10.2 erstellt. Nachdem dieser Prozess abgeschlossen war, wurden Eignungskarten entwickelt. Die geeigneten Flächen für RWH wurden durch Neuskalierung aller Ebenen der WLC-Kriterien, d Plattform von ArcGIS 10.2. In der ArcGIS-Plattform wurden räumliche Analysewerkzeuge mit Rasterrechnern für die booleschen Kriterien verwendet, d. Im Anschluss daran wurde die Landeignung der kombinierten WLC- und Booleschen Methode basierend auf NDVI und LDI kategorisiert, um die Gebiete zu bestimmen, die zuerst in Betracht gezogen werden sollten und die am besten für RWH-Strukturen geeignet sind.

5. Ergebnisse und Diskussion

Die Anwendung von NDVI ist ein wirksames Instrument zur Quantifizierung des Risikos und zur Überwachung von Veränderungen der Wüstenbildung, einschließlich der Auswirkungen verschiedener atmosphärischer Bedingungen auf die Vegetation und Dürreüberwachung. Die Density-Slicing-Methode wurde verwendet, um die NDVI-Änderung von 1999 bis 2013 zu klassifizieren. Die Ergebnisse zeigen, dass das Gebiet mit einer signifikanten Änderung des NDVI 6.981 km 2 beträgt, was 82% des gesamten Untersuchungsgebiets entspricht, während das Gebiet mit einer geringen Änderung des NDVI beträgt 1.532 km 2 , was 18 % des gesamten Untersuchungsgebiets entspricht. Die Verschlechterungsrate der Vegetationsdecke erreichte in weniger als 15 Jahren 18%. Daher stieg der Anteil an Land, der als Nichtvegetation klassifiziert wurde, und es wird erwartet, dass er sich infolge des Wüstenbildungsphänomens in der Untersuchungsregion beschleunigt (Abbildung 5).

Anders als NDVI könnte LDI auch verwendet werden, um das Wüstenbildungsphänomen im Untersuchungsgebiet weiter zu verstärken und zu beweisen. Die Ergebnisse der Veränderungen des LDI wurden meist als extreme Degradation (766 km 2 , entspricht 9%), starke Degradation (5363 km 2 , repräsentiert 63%), gefolgt von moderater Degradation (2299 km 2 , repräsentiert 27%) und . klassifiziert keine Verschlechterung (85 km 2 , entspricht 1 %) für den Zeitraum 1999 bis 2013 (Abbildung 6). Die Veränderung der Landdegradation nahm als Folge des Wüstenbildungsphänomens in der Untersuchungsregion zu.

Als Ergebnis der NDVI- und LDI-Analyse stieg der Anteil an Land, der als Nichtvegetation klassifiziert wurde, und es wird erwartet, dass er sich aufgrund des Wüstenbildungsphänomens in der Untersuchungsregion beschleunigt. Daher ist RWH ein wesentlicher Bestandteil zur Minimierung des Wüstenbildungsrisikos. Ziel dieser Studie war es, den Prozess der Bestimmung geeigneter Standorte auf Basis einer Kombination aus der WLC-Methode und dem Booleschen Overlay zu vereinfachen, um die Ausweichzone nach Favoriten in Bezug auf Bewertungskriterien zu ordnen. Nach der Bestimmung der Wassereinzugsgebietseigenschaften im GIS-Stadium wurden die Eignungsstandorte für RWH durch eine multikriterielle Bewertung für sechs Kriterien bestimmt, d bewässertes Land, das im WLC-Schritt übernommen wurde. Alle Layer der Kriterien wurden im Rasterrechner kombiniert, um eine definitive Karte der WLC-Kriterien zu erhalten (Abbildung 7). Die Ergebniskarte zeigt, dass der durch die WLC-Methode berechnete Höchstwert 46 beträgt, während der Mindestwert 16 beträgt. Die Unterschiede zwischen dem Höchst- und Mindestwert der WLC-Methode lassen sich in drei Klassen einteilen. Für diese Arbeit im Untersuchungsgebiet stellen die Werte zwischen 36 und 46 geeignete Gebiete dar (16%), die Werte zwischen 26 und 36 stellen mäßig geeignete Gebiete dar (60%) und die Werte zwischen 16 und 26 stellen ungeeignete Gebiete dar (24 %) für das gesamte Untersuchungsgebiet (Abbildung 7). Die Karte der WLC-Kriterien zeigt, dass die am weitesten stromabwärts gelegene Zone des Untersuchungsgebiets für RWH geeignet ist. Die Hauptbodentextur in den geeigneten Regionen war Ton, Tonlehm und schluffiger Tonlehm und wurde intensiv kultiviert. Darüber hinaus wiesen die für RWH geeigneten Regionen eine Abflusstiefendiversität zwischen 30 und 40 mm und Gefälle zwischen 2% und 4% auf. Die Ergebniskarte steht im Einklang mit den Studien von Adham et al. und Mbilinyi et al. [20, 58]. Diese Studien zeigten, dass Gebiete mit feinen bis mäßigen Neigungen, die mit Ton und Tonlehm inkorporiert wurden, für RWH geeignet sind.

In der westlichen Wüste des Irak erfordern die Knappheit der Oberflächenwasserressourcen und die hohen Kosten für Grundwasserinvestitionen aufgrund der 200 m Tiefe in einigen Regionen ein besonderes effektives Wasserressourcenmanagement [9, 21]. Ein Erddamm ist eine Methode, um Regenwasser in Regenzeiten für die Nutzung in Trockenperioden aufzubewahren und gilt als wirksames Mittel zur Entwicklung einer nachhaltigen Wasserversorgung im Irak. Daher wurde die Boolesche Überlagerungsmethode verwendet, um die potenziellen Standorte für RWH im gesamten saisonalen Entwässerungsnetz zu begrenzen. Basierend auf den im gesamten Untersuchungsgebiet verteilten Verwerfungen und der Bachreihenfolge wurde eine Fundkarte der Booleschen Überlagerung erstellt, wie in Abbildung 8 gezeigt. Dies ist eine wichtige Methode, um bestimmte durch den WLC-Prozess identifizierte Gebiete auszuschließen.Die Ergebnisse der Booleschen Überlagerung, bei denen der Wert 1 35 % und der Wert 0 65 % entspricht, zeigen, dass das sehr hohe Potenzial für RWH-Standorte den höchsten Fluss (sechste Ordnung) darstellt, der sich im Auslauf des Einzugsgebiets von das Studiengebiet.

Die Ergebniskarte der WLC-Kriterien und Boolesche Überschusskriterien wurden multipliziert, um die abschließende Rasterkarte zu erhalten (Abbildung 9). Die resultierende Karte enthielt drei Einheiten, die aufgrund ihrer Eignung als Marker für mögliche RWH-Standorte verwendet wurden: geeignet, mäßig und ungeeignet. Diese Einheiten bedeuteten, dass nur 2 % des Einzugsgebiets geeignet sind, 24 % des Einzugsgebiets mäßig geeignet und 74 % des Einzugsgebiets nicht geeignet sind.

Gemäß der Analyse der potenziellen Standorte für RWH im Einzugsgebiet mit den NDVI- und LDI-Änderungen wurde gezeigt, dass 65 % der gut geeigneten Standorte in Gebieten mit einer großen Änderung des NDVI liegen und 35 % der gut geeigneten Standorte in Gebiete mit geringer NDVI-Änderung, während 90 % der mäßig geeigneten Standorte in Gebieten mit großer NDVI-Änderung und 10 % der mäßig geeigneten Standorte in Gebieten mit geringer NDVI-Änderung liegen, 85 % der gut geeigneten Standorte in Gebieten bei einer mäßigen Änderung des LDI befinden sich 12 % der gut geeigneten Standorte in Gebieten mit großer Änderung und nur 3 % der gut geeigneten Standorte in Gebieten ohne Änderung.

Im Vergleich zur Literatur können Hydrologen, Entscheidungsträger und Planer durch die gemeinsame Anpassung der WLC- und Booleschen Methoden innerhalb der GIS-Umgebung und die Analyse von NDVI mit LDI-Änderungen das Risiko der Wüstenbildung schnell bestimmen und minimieren sowie Prioritäten für die Bestimmung setzen geeignete Standorte für RWH. Darüber hinaus kann diese Methodik Entscheidungsträgern und Planern dabei helfen, das potenzielle Risiko der Wüstenbildung abzuschätzen, die am stärksten gefährdeten Gebiete zu identifizieren und die geeignetsten Standorte für RWH zu bestimmen.

6. Fazit

Es ist sehr schwierig, eine Region, die mit hoher Wahrscheinlichkeit von teilweiser oder vollständiger Wüstenbildung betroffen ist, wiederzubeleben. Daher ist es effizienter und wirtschaftlicher, das Land vor seiner Degradierung zu schützen und die negativen Auswirkungen der Wüstenbildung zu minimieren. Dies kann auf verschiedene Weise geschehen, unter anderem durch die Erhaltung der Wasserressourcen, den Export dieser Ressourcen und den Einsatz technologisch fortschrittlicher Methoden, um sie vor Totalverlust zu schützen.

Diese Studie hat sich auf den Einsatz von RS mit GIS konzentriert, um die Wüstenbildung in der westlichen Wüste des Irak zu minimieren, unter Berücksichtigung des bestehenden Bodendegradationszustands und geschätzter möglicher Standorte für RWH. Die Ergebnisse zeigen, dass die Veränderungen des LDI mit extremen, starken und mäßigen Degradationen im Zeitraum 1999 bis 2013 um 9 %, 63 % bzw. 27 % zunahmen beträgt 82 % des gesamten Untersuchungsgebiets, während die Gebiete mit einer geringfügigen Änderung des NDVI 1.532 km 2 (18 % des gesamten Untersuchungsgebiets) betrugen. Die Verschlechterungsrate der Vegetationsdecke erreichte in weniger als 15 Jahren 18%. Die Ergebnisse der kombinierten Eignungskarte zur Regenwassernutzung und der Karten der Vegetations- und Degradationsveränderungen ergaben, dass 65 % der gut geeigneten Standorte in Gebieten mit einer großen Änderung des NDVI und 35 % der gut geeigneten Standorte in Gebieten mit einer kleinen Änderung des NDVI liegen NDVI, während sich 90 % der mäßig geeigneten Standorte in Gebieten mit großer NDVI-Änderung und 10 % der mäßig geeigneten Standorte in Gebieten mit geringer NDVI-Änderung befinden. Darüber hinaus befinden sich 85 % der gut geeigneten Standorte in Gebieten mit moderater Veränderung des LDI, 12 % der gut geeigneten Standorte befinden sich in Gebieten mit starker Veränderung und nur 3 % der sehr geeigneten Standorte befinden sich in Gebieten ohne Veränderung.

Die Angemessenheitskarte ist für Entscheidungsträger und Hydrologen von Vorteil für eine schnelle Orientierung und Bestimmung des potenziellen Risikos der Wüstenbildung sowie die Identifizierung geeigneter Standorte für RWH, um das Risiko der Wüstenbildung zu minimieren. Die vorgeschlagene Methode ist in Bezug auf Zeit und Kosten effektiv, insbesondere in Gebieten mit Umfangsstudien, in denen die Datenverfügbarkeit knapp ist. Die Validierung dieses Ansatzes wurde anhand der Natur und der Merkmale des Untersuchungsgebiets nachgewiesen.

Datenverfügbarkeit

Die Daten sind im Manuskript enthalten.

Interessenskonflikte

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Autorenbeiträge

KNS, SOS, NA, AHK, NSM und JA waren für die Konzeptualisierung verantwortlich, KNS, SOS, NA, AHK, NSM und JA waren an der Datenkuration beteiligt KNS, SOS, NA, AHK, NSM und JA halfen bei der formalen Analyse KNS, SOS, NA, AHK, NSM und JA untersuchten die Studie KNS, SOS, NA, AHK, NSM und JA lieferten die Methodik, die NA durchführte Projektverwaltung KNS, SOS, NA, AHK, NSM und JA trugen Ressourcen bei KNS , SOS, NA, AHK, NSM und JA validierten die Studie, KNS, SOS, NA, AHK, NSM und JA waren für die Visualisierung verantwortlich KNS, SOS, NA, AHK, NSM und JA schrieben den Originalentwurf, KNS, SOS, NA, AHK, NSM und JA haben das Manuskript überprüft und herausgegeben. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Verweise

  1. N. Zeng und J. Yoon, „Ausdehnung der Wüsten der Welt aufgrund von Vegetations-Albedo-Feedback unter globaler Erwärmung“, Geophysikalische Forschungsbriefe, Bd. 36, nein. 17, Artikel-ID L17401, 2009. Ansicht auf: Publisher-Site | Google Scholar
  2. W. C. Futrell, „UN-Konferenz für Umwelt und Entwicklung“, in Grüne Politik: Ein Leitfaden von A bis Z, SAGE Publications, Inc., Thousand Oaks, CA, USA, 1992. Ansicht bei: Google Scholar
  3. M. d’Angelo, G. Enne, S. Madrau und L. Percich, „Mitigating land degradation in mediterranean agro-silvo-pastoral systems: a GIS-based approach“, Catena, Bd. 40, nein. 1, S. 37–49, 2000. Ansicht auf: Publisher Site | Google Scholar
  4. Übereinkommen der Vereinten Nationen zur Bekämpfung der Wüstenbildung in Ländern mit schwerer Dürre und/oder Wüstenbildung, insbesondere in Afrika, UN, S. 1 v. (verschiedene Seiten), 1994.
  5. S. O. Sulaiman, N. Al-Ansari, A. Shahadha, R. Ismaeel und S. Mohammad, „Evaluation of sediment transport empirisch equations: case study of the Euphrat River West Iraq“, Arabisches Journal für Geowissenschaften, Bd. 14, nein. 10, S. 1–11, 2021. View at: Publisher Site | Google Scholar
  6. J. C. Katyal und P. L. G. Vlek, „Wüstenbildung: Konzept, Ursachen und Besserung“, Bonn, Bd. 33, 2000. Ansicht auf: Publisher-Site | Google Scholar
  7. J. P. Chauzy und G. Appave, „Effiziente Kommunikation über Migration, IOM World migration report“, in Berichterstattung an den südlichen Grenzen: Journalismus und öffentliche Debatten über Einwanderung in den USA und der EU, Routledge Studies in Global Information, London, UK, 2012. Ansicht bei: Google Scholar
  8. N. Al-Ansari, M. Ezz-Aldeen, S. Knutsson und S. Zakaria, „Wassergewinnung und Reservoiroptimierung in ausgewählten Gebieten des Süd-Sinjar-Gebirges, Irak“, Zeitschrift für Wasserbau, Bd. 18, nein. 12, S. 1607–1616, 2013. View at: Publisher Site | Google Scholar
  9. S. O. Sulaiman, A. H. Kamel, K. N. Sayl und M. Y. Alfadhel, „Wasserressourcenmanagement und Nachhaltigkeit in der westlichen Wüste des Irak“, Umweltgeowissenschaften, Bd. 78, nein. 16, s. 495, 2019. Ansicht auf: Publisher-Site | Google Scholar
  10. A. Agarwal und S. Narain, „Making water management everyone’s Business: water Harvesting and rural Development in India“, Gatekeeper Ser., Nr. 87, International Institute for Environmental and Development, London, UK, 1999. Ansicht bei: Google Scholar
  11. S. Kolekar, S. Chauhan, H. Raavi, D. Gupta und V. Chauhan, „Standortauswahl von Wasserschutzmaßnahmen mithilfe von RS und GIS: eine Überprüfung“, Fortschritte in Computerwissenschaften und -technologie, Bd. 10, nein. 5, S. 805–813, 2017. Ansicht bei: Google Scholar
  12. K. N. Sayl, N. S. Muhammad, Z. M. Yaseen und A. El-shafie, „Schätzung der physikalischen Variablen von Regenwassernutzungssystemen mit integriertem GIS-basiertem Fernerkundungsansatz“, Wasserressourcenmanagement, Bd. 30, nein. 9, S. 3299–3313, 2016. View at: Publisher Site | Google Scholar
  13. S. O. Sulaiman, G. Al-Dulaimi und H. Al Thamiry, „Simulation des longitudinalen Dispersionskoeffizienten natürlicher Flüsse mit hybridem Soft-Computing-Modell“, in Tagungsband der 11th International Conference on Developments in eSystems Engineering (DeSE) 2018, S. 280–283, Cambridge, UK, September 2018. Ansicht bei: Google Scholar
  14. M. Mekonnen, A. M. Melesse und S. D. Keesstra, „Räumliche Abflussschätzung und Kartierung potenzieller Wassergewinnungsstandorte: eine GIS- und Fernerkundungsperspektive, Nordwestäthiopien“, in Landschaftsdynamik, Böden und hydrologische Prozesse in unterschiedlichen Klimata, A. M. Melesse und W. Abtew, Hrsg., Springer International Publishing, Berlin, Deutschland, 2016, Springer Geography. Ansehen bei: Google Scholar
  15. K. N. Sayl, N. S. Muhammad und A. El-Shafie, „Robuster Ansatz für eine optimale Positionierung und Einstufung potenzieller Regenwassernutzungsstrukturen (RWH): eine Fallstudie aus dem Irak“, Arabisches Journal für Geowissenschaften, Bd. 10, nein. 18, Artikel-ID 413, 2017. Ansicht auf: Website des Herausgebers | Google Scholar
  16. A. B. A. Najm, I. M. Abdulhameed und S. O. Sulaiman, „Wasserbedarf von Pflanzen unter verschiedenen kc-Koeffizienten-Ansätzen unter Verwendung von Wasserbewertung und -planung (WEAP),“ International Journal of Design & Nature and Ecodynamics, Bd. 15, nein. 5, S. 739–748, 2020. View at: Publisher Site | Google Scholar
  17. M. G. Kumar, A. K. Agarwal und R. Bali, „Abgrenzung potenzieller Standorte für Strukturen zur Wassergewinnung mithilfe von Fernerkundung und GIS“, Zeitschrift der Indischen Gesellschaft für Fernerkundung, Bd. 36, nein. 4, S. 323–334, 2008. View at: Publisher Site | Google Scholar
  18. A. S. Mustafa, S. O. Sulaiman und O. M. Hussein, „Anwendung des SWAT-Modells für Sedimentfrachten aus Tälern, die zum Haditha-Reservoir übertragen werden“, Zeitschrift für Ingenieurwissenschaften, Bd. 22, nein. 1, S. 184–197, 2016. Ansicht bei: Google Scholar
  19. A. K. Kadam, S. S. Kale, N. N. Pande, N. J. Pawar und R. N. Sankhua, „Identifizierung potenzieller Regenwassernutzungsorte einer halbtrockenen Basaltregion Westindiens mit der SCS-CN-Methode“, Wasserressourcenmanagement, Bd. 26, nein. 9, S. 2537–2554, 2012. View at: Publisher Site | Google Scholar
  20. A. Adham, K. N. Sayl, R. Abed et al., „Ein GIS-basierter Ansatz zur Identifizierung potenzieller Standorte für die Gewinnung von Regenwasser in der westlichen Wüste des Irak“, Internationale Boden- und Gewässerschutzforschung, Bd. 6, nein. 4, S. 297–304, 2018. View at: Publisher Site | Google Scholar
  21. K. Sayl, A. Adham und C. J. Ritsema, „Eine GIS-basierte Multikriteriumsanalyse bei der Modellierung optimaler Standorte für die Regenwassernutzung“, Hydrologie, Bd. 7, nein. 3, Artikel-ID 51, 2020. Ansicht auf: Website des Herausgebers | Google Scholar
  22. A. Ammar, M. Riksen, M. Ouessar und C. Ritsema, „Identifizierung geeigneter Standorte für Regenwassernutzungsstrukturen in ariden und semiariden Regionen: ein Rückblick“, Internationale Boden- und Gewässerschutzforschung, Bd. 4, nein. 2, S. 108–120, 2016. View at: Publisher Site | Google Scholar
  23. A. Pandey, V. M. Chowdary, B. C. Mal und P. P. Dabral, „Fernerkundung und GIS zur Identifizierung geeigneter Standorte für Boden- und Wasserschutzstrukturen“, Bodendegradation und Entwicklung, Bd. 22, nein. 3, S. 359–372, 2011. View at: Publisher Site | Google Scholar
  24. K. N. Sayl, N. S. Muhammad und A. El-Shafie, „Optimierung der Fläche-Volumen-Elevation-Kurve mit der GIS-SRTM-Methode für die Regenwassernutzung in ariden Gebieten“, Umweltgeowissenschaften, Bd. 76, Nr. 10, s. 368, 2017. Ansicht auf: Publisher-Site | Google Scholar
  25. G. Modica, F. Solano, A. Merlino et al., „Using landsat 8 imagery bei der Erkennung von Korkeiche (Quercus suber L.) Wälder: eine Fallstudie in Kalabrien (Italien),“ Zeitschrift für Landtechnik, Bd. 47, nein. 4, S. 205–215, 2016. View at: Publisher Site | Google Scholar
  26. E. Ozelkan, G. Chen und B. B. Ustundag, „Multiskalige objektbasierte Dürreüberwachung und Vergleich in der Regen- und Bewässerungslandwirtschaft aus Landsat 8 OLI-Bildern“, Internationale Zeitschrift für angewandte Erdbeobachtung und Geoinformation, Bd. 44, S. 159–170, 2016. View at: Publisher Site | Google Scholar
  27. V. Soufflet, D. Tanré, A. Begue, A. Podaire und P. Y. Deschamps, „Atmospheric effects on NOAA AVHRR data over Sahelian regions“, Internationale Zeitschrift für Fernerkundung, Bd. 12, nein. 6, S. 1189–1203, 1991. View at: Publisher Site | Google Scholar
  28. J. R. G. Townshend und C. O. Justice, „Räumliche Variabilität von Bildern und die Überwachung von Veränderungen im normalisierten Differenzvegetationsindex“, Internationale Zeitschrift für Fernerkundung, Bd. 16, nein. 12, S. 2187–2195, 1995. View at: Publisher Site | Google Scholar
  29. J. M. Paruelo, M. F. Garbulsky, J. P. Guerschman und E. G. Jobbágy, „Zwei Jahrzehnte normalisierte Veränderungen des Vegetationsindexes in Südamerika: Identifizierung der Prägung des globalen Wandels“, Internationale Zeitschrift für Fernerkundung, Bd. 25, nein. 14, S. 2793–2806, 2004. View at: Publisher Site | Google Scholar
  30. Z. Wan, P. Wang und X. Li, „Using MODIS Land Surface Temperature and Normalized Difference Vegetation Index Products for Monitoring of Dürre in the Southern Great Plains, USA“, Internationale Zeitschrift für Fernerkundung, Bd. 25, nein. 1, S. 61–72, 2004. Ansicht auf: Verlagsseite | Google Scholar
  31. V. K. Boken und C. F. Shaykewich, „Verbesserung eines operationellen Weizenertragsmodells unter Verwendung des phänologischen phasenbasierten normalisierten Differenzvegetationsindex“, Internationale Zeitschrift für Fernerkundung, Bd. 23, nein. 20, S. 4155–4168, 2002. View at: Publisher Site | Google Scholar
  32. R. Becerril-Piña, C. Díaz-Delgado, C. A. Mastachi-Loza und E. González-Sosa, „Integration of Remote Sensing Techniques for Monitoring Desertification in Mexico“, Risikobewertung für Mensch und Ökologie: Eine internationale Zeitschrift, Bd. 22, nein. 6, S. 1323–1340, 2016. View at: Publisher Site | Google Scholar
  33. J. Tomasella, R. M. Silva Pinto Vieira, A. A. Barbosa, D. A. Rodriguez, M. d. Oliveira Santana und M. F. Sestini, „Trends der Wüstenbildung im Nordosten Brasiliens im Zeitraum 2000–2016“, Internationale Zeitschrift für angewandte Erdbeobachtung und Geoinformation, Bd. 73, S. 197–206, 2018. View at: Publisher Site | Google Scholar
  34. M. Dagnachew, A. Kebede, A. Moges und A. Abebe, „Auswirkungen der Klimavariabilität auf den normalisierten Differenzvegetationsindex (NDVI) im Einzugsgebiet des Gojeb-Flusses, Omo-Gibe-Becken, Äthiopien“, Fortschritte in der Meteorologie, Bd. 2020, s. 16, 2020. Ansicht auf: Publisher-Site | Google Scholar
  35. X. Zhang, Y. Yamaguchi, F. Li, B. He und Y. Chen, „Bewertung der Auswirkungen der Dürre 2009/2010 auf Vegetationsindizes, normalisierten Differenzwasserindex und Landoberflächentemperatur im Südwesten Chinas“, Fortschritte in der Meteorologie, Bd. 2017, s. 9, 2017. Ansicht auf: Website des Herausgebers | Google Scholar
  36. J. Wright, T. M. Lillesand und R. W. Kiefer, „Remote Sensing and Image Interpretation“, Das Geographische Journal, Bd. 146, Nr. 3, S. 448-449, 1980. Ansicht auf: Publisher Site | Google Scholar
  37. Y. Yue, M. Li, A.-x. Zhu et al., „Überwachung der Landdegradation im Ordos-Plateau von China mit Expertenwissen und BP-ANN-basiertem Ansatz“, Nachhaltigkeit, Bd. 8, nein. 11, Artikel-ID 1174, 2016. Ansicht auf: Publisher-Site | Google Scholar
  38. A. M. Fadhil, „Erkennung der Landdegradation mithilfe von Geoinformationstechnologie für einige Standorte im Irak“, J. Al-Journal of Al-Nahrain University Science, Bd. 12, nein. 3, S. 94–108, 2009. View at: Publisher Site | Google Scholar
  39. R. Halbac-Cotoara-Zamfir, D. Smiraglia, G. Quaranta, R. Salvia, L. Salvati und A. Giménez-Morera, „Land Degradation and Mitigation Policies in the Mediterranean Region: a short commentary“, Nachhaltigkeit, Bd. 12, nein. 20, Artikel-ID 8313, 2020. Ansicht auf: Publisher-Site | Google Scholar
  40. B. Meng, J. Ge, T. Liang et al., „Evaluation of Remote Sensing Inversion Error for the oberirdische Biomasse von alpinem Wiesengrasland basierend auf Multi-Source-Satellitendaten“, Fernerkundung, Bd. 9, nein. 4, Artikel-ID 372, 2017. Ansicht auf: Website des Herausgebers | Google Scholar
  41. J. Malczewski, „GIS-basierte Landnutzungseignungsanalyse: ein kritischer Überblick“, Fortschritte in der Planung, Bd. 62, nein. 1, S. 3–65, 2004. Ansicht auf: Verlagsseite | Google Scholar
  42. D. I. Heywood, S. C. Cornelius und S. J. Carver, Eine Einführung in geografische Informationssysteme, Pearson Prentice Hall, London, Großbritannien, 2011.
  43. J. R. Eastman, Idrisi für Windows: Benutzerhandbuch: Version 2.0, Clark University, Geographisches Institut, Worcester, MA, USA, 1997.
  44. A. Yalcin, „GIS-basierte Erdrutschanfälligkeitskartierung mit analytischem Hierarchieprozess und bivariater Statistik in Ardesen (Türkei): Vergleich der Ergebnisse und Bestätigungen“, Catena, Bd. 72, nein. 1, S. 1–12, 2008. Ansicht auf: Verlagsseite | Google Scholar
  45. S. M. J. Baban und K. Wan-Yusof, „Modellierung optimaler Standorte für die Lokalisierung von Stauseen in tropischen Umgebungen“, Wasserressourcenmanagement, Bd. 17, nein. 1, S. 1–17, 2003. Ansicht auf: Verlagsseite | Google Scholar
  46. R. Al-Adamat, A. Diabat und G. Shatnawi, „Kombination von GIS mit multikriteriellen Entscheidungsfindungen für die Standortbestimmung von Teichen zur Wassergewinnung in Nordjordanien“, Zeitschrift für trockene Umgebungen, Bd. 74, Nr. 11, S. 1471–1477, 2010. Ansicht auf: Website des Herausgebers | Google Scholar
  47. H. Q. Hashim und K. N. Sayl, „Erkennung geeigneter Standorte für die Regenwassernutzungsplanung in einer ariden Region mit Hilfe eines geografischen Informationssystems“, Angewandte Geomatik, Bd. 13, nein. 2, S. 235–248, 2020. View at: Publisher Site | Google Scholar
  48. K. N. Sayl, A. S. Mohammed und A. D. Ahmed, „GIS-basierter Ansatz für die Standortauswahl für Regenwassernutzung“, IOP-Konferenzreihe: Materialwissenschaft und -technik, Bd. 737, Nr. 1, Artikel-ID 012246, 2020. Ansicht auf: Verlagsseite | Google Scholar
  49. M. A. Khudhair, K. N. Sayl und Y. Darama, „Locating Site Selection for Rainwater Harvesting Structure using Remote Sensing and GIS“, IOP-Konferenzreihe: Materialwissenschaft und -technik, Bd. 881, Nr. 1, Artikel-ID 012170, 2020. Ansicht auf: Publisher-Site | Google Scholar
  50. R. Al-Adamat, S. Al-Ayyash, H. Al-Amoush et al., „Die Kombination von indigenem Wissen und Geoinformatik für die Wassergewinnung in der jordanischen Badia“, Zeitschrift für geografisches Informationssystem, Bd. 4, nein. 4, S. 366–376, 2012. View at: Publisher Site | Google Scholar
  51. V. K.Rana und T. M. V. Suryanarayana, „GIS-basierte Multi-Kriterien-Entscheidungsfindungsmethode zur Identifizierung potenzieller Abflussspeicherzonen innerhalb von Wassereinzugsgebieten“, Annalen der GIS, Bd. 26, nein. 2, S. 149–168, 2020. View at: Publisher Site | Google Scholar
  52. K. N. Sayl, N. S. Muhammad und A. El-Shafie, „Identifizierung potenzieller Standorte für die Gewinnung von Abflusswasser“, Proceedings of the Institution of Civil Engineers-Water Management, Bd. 172, Nr. 3, S. 135–148, 2019. View at: Publisher Site | Google Scholar
  53. A. S. Muneer, K. N. Sayl und A. H. Kamel, „Modellierung des Abflusses in den ariden Regionen mit Fernerkundung und geografischem Informationssystem (GIS)“ International Journal of Design & Nature and Ecodynamics, Bd. 15, nein. 5, S. 691–700, 2020. View at: Publisher Site | Google Scholar
  54. H. Q. Hashim und K. N. Sayl, „Die Anwendung des radialen Basisnetzwerkmodells, des GIS und der spektralen Reflexionsbanderkennung für die Abflussberechnung“, International Journal of Design & Nature and Ecodynamics, Bd. 15, nein. 3, S. 441–447, 2020. View at: Publisher Site | Google Scholar
  55. A. M. Melesse und S. F. Shih, „Räumlich verteilte Sturmabflusstiefenschätzung mit Landsat-Bildern und GIS“, Computer und Elektronik in der Landwirtschaft, Bd. 37, nein. 1–3, S. 173–183, 2002. Ansicht auf: Verlagsseite | Google Scholar
  56. J. Krois und A. Schulte, „GIS-basierte Multi-Kriterien-Evaluierung zur Identifizierung potenzieller Standorte für Boden- und Wasserschutztechniken in der Ronquillo-Wasserscheide im Norden Perus“, Angewandte Geographie, Bd. 51, S. 131–142, 2014. Ansicht auf: Verlagsseite | Google Scholar
  57. W. Critchley, K. Siegert und C. Chapman, Wassergewinnung, FAO, Rom, Italien, 1991, https://www.fao.org/docrep/U3160E/u3160e00.HTM.
  58. B. P. Mbilinyi, S. D. Tumbo, H. F. Mahoo und F. O. Mkiramwinyi, „GIS-basiertes Entscheidungsunterstützungssystem zur Identifizierung potenzieller Standorte für die Regenwassernutzung“, Physik und Chemie der Erde, Teile A/B/C, Bd. 32, nein. 15–18, S. 1074–1081, 2007. Ansicht auf: Verlagsseite | Google Scholar
  59. J. M. Kahinda, E. S. B. Lillie, A. E. Taigbenu, M. Taute und R. J. Boroto, „Entwicklung von Eignungskarten für die Regenwassernutzung in Südafrika“, Physik und Chemie der Erde, Teile A/B/C, Bd. 33, nein. 8–13, S. 788–799, 2008. Ansicht auf: Verlagsseite | Google Scholar
  60. I. A. Alwan, N. A. Aziz und M. N. Hamoodi, „Identifizierung potenzieller Wassergewinnungsstandorte durch räumliche Multi-Kriterien-Bewertung in der Provinz Maysan, Irak“, ISPRS International Journal of Geo-Information, Bd. 9, nein. 4, Artikel-ID 235, 2020. Ansicht auf: Website des Herausgebers | Google Scholar

Urheberrechte ©

Copyright © 2021 Khamis Naba Sayl et al. Dies ist ein Open-Access-Artikel, der unter der Creative Commons Attribution License vertrieben wird und die uneingeschränkte Verwendung, Verbreitung und Reproduktion in jedem Medium erlaubt, vorausgesetzt, das Originalwerk wird ordnungsgemäß zitiert.


Skriptsyntax

HDFSDSToArcGISRaster_GeoEco (inputFile, outputRaster, sdsName, xLowerLeftCorner, yLowerLeftCorner, cellSize, nodataValue, transpose, mirror, flip, swapHemispheres, CoordinateSystem, projectedCoordinateSystem, geographicTransformation, resamplingTechnique, projectedCellgeRectangled, buildAlpingSize, Registrierung

Als dieses Tool geschrieben wurde, befanden sich zwei Hauptversionen von HDF in ständiger Entwicklung: HDF in der Version 4.2r1 und HDF5 in der Version 5-1.6.5. Dieses Tool kann HDF-Dateien verarbeiten, aber keine HDF5-Dateien. Es kann auch HDF-EOS verarbeiten, eine spezielle Version von HDF, jedoch nicht HDF5-EOS.

Weitere Informationen zu HDF-Formaten finden Sie unter http://www.hdfgroup.org.

Wenn Sie eine komprimierte Datei in einem unterstützten Komprimierungsformat bereitstellen, wird sie automatisch dekomprimiert. Handelt es sich um ein Archiv (z.B. .zip oder .tar), muss es genau eine Datei enthalten, die sich nicht in einem Unterverzeichnis befinden darf.

Name eines wissenschaftlichen Datensatzes (SDS) in der HDF-Datei.

Wenn Sie den Namen des Sicherheitsdatenblatts nicht kennen, geben Sie Ihre beste Vermutung an. Existiert kein SDB mit diesem Namen, wird ein ValueError ausgegeben. Die Fehlermeldung listet die Namen aller in der Eingabedatei vorhandenen SDBs auf. Wählen Sie einen dieser Namen aus. Versuchen Sie es erneut.

Sie können auch das Werkzeug HDF-Header extrahieren verwenden, um den HDF-Header in eine Textdatei auszugeben. In dieser Datei wird jedes SDB als "Variable" bezeichnet. Sie können ihre Namen finden, indem Sie die Datei nach den Werten "Variable Name unendlich" (INF) oder "keine Zahl" (NAN) durchsuchen. Ein ValueError wird ausgelöst, wenn diese Werte entdeckt werden.

Das ArcGIS-Raster-Format unterstützt den 32-Bit-Float-Datentyp, aber nicht den 64-Bit-Double-Datentyp. Wenn Sie ein SDS mit dem Datentyp double bereitstellen, wird es mit dem Geoverarbeitungswerkzeug ArcGIS ASCII to Raster in ein 32-Bit-Float-Raster konvertiert. Das Verhalten des Tools in dieser Situation ist nicht dokumentiert. In ArcGIS 9.1 sieht es so aus:

Werte, bei denen der Exponent von -38 bis +38 reicht, werden im resultierenden 32-Bit-Float-Raster richtig dargestellt, obwohl aufgrund der kleineren Mantisse des 32-Bit-Float-Datentyps eine gewisse Genauigkeit verloren geht.

Werte, bei denen der Exponent kleiner als -38 ist (z. B. -39, -40 usw.) werden in 0 umgewandelt.

Werte, bei denen der Exponent größer als +38 ist, werden in Abhängigkeit vom Vorzeichen des Werts in -INF oder +INF umgewandelt (z. B. wird -5.3083635279597874e-212 als -1.#INF in der ArcCatalog-Benutzeroberfläche angezeigt, während 2.5502286890301497e+084 angezeigt wird wie 1.#INF).

Das ASCII-zu-Raster-Werkzeug von ArcGIS 9.1 weist auch einige Macken beim Konvertieren von Ganzzahl-Rastern auf:

Bei 8-Bit-Integer-Daten mit Vorzeichen erstellt das Werkzeug ein 16-Bit-Raster, wenn der Wert -128 angezeigt wird, es sei denn, -128 ist als NODATA-Wert festgelegt. Die Angabe eines anderen NODATA-Werts, z. B. 0, ergibt immer noch ein 16-Bit-Raster, wenn -128 angezeigt wird.

Ebenso erstellt das Werkzeug für 16-Bit-Ganzzahldaten mit Vorzeichen ein 32-Bit-Raster, wenn der Wert -32768 in der ASCII-Datei angezeigt wird, es sei denn, er wird als NODATA-Wert bezeichnet.

Schlimmer noch, bei 32-Bit-Integer-Daten mit Vorzeichen meldet das Tool einen Fehler, wenn der Wert -2147483648 angezeigt wird, es sei denn, er wird als NODATA-Wert bezeichnet. Noch seltsamer ist, dass der Wert -2147483647 immer in NODATA übersetzt wird, egal was passiert.

Bei allen Typen von Ganzzahldaten erzeugt das Werkzeug ein seltsames Verhalten, wenn Sie einen NODATA-Wert angeben, der nicht der kleinstmögliche Wert für den Datentyp ist. Wenn beispielsweise der Datenbereich von 0 bis 255 und 0 als NODATA-Wert bezeichnet wird, erzeugt das Werkzeug ein 8-Bit-Ganzzahl-Raster ohne Vorzeichen. Wenn jedoch 1 als NODATA-Wert bezeichnet wird, wird ein 16-Bit-Raster erzeugt, und ArcCatalog zeigt unter Raster-Dataset-Eigenschaften an, dass der NoData-Wert -32768 ist, obwohl das Werkzeug Identifizieren anzeigt, dass Zellen mit dem Wert 1 tatsächlich NODATA sind. Ähnliche seltsame Ergebnisse können für Integer-Raster anderer Datentypen erhalten werden, wenn Sie ein NODATA angeben, das nicht der kleinstmögliche Wert ist.

X-Koordinate der unteren linken Ecke des Rasters.

Die Koordinate bezieht sich auf die Ecke der unteren linken Zelle, nicht auf die Mitte dieser Zelle. Wenn das Raster beispielsweise eine geografische Projektion der gesamten Erde ist, wäre die Koordinate der unteren linken Ecke -180,0, was einem Längengrad von 180 Grad West entspricht.

Y-Koordinate der unteren linken Ecke des Rasters.

Die Koordinate bezieht sich auf die Ecke der unteren linken Zelle, nicht auf die Mitte dieser Zelle. Wenn das Raster beispielsweise eine geografische Projektion der gesamten Erde ist, wäre die Koordinate der unteren linken Ecke -90,0, was einem Breitengrad von 90 Grad Süd entspricht.

Wenn das Raster beispielsweise eine geografische Projektion der gesamten Erde mit 720 Spalten und 360 Zeilen ist, hätte es eine Zellengröße von 0,5, was einem halben geografischen Grad entspricht.

Das zugrunde liegende Datenformat erfordert, dass die Zellen quadratisch sind. Es ist nicht möglich, für jede Dimension eine Zellengröße anzugeben.

Wert, der angibt, dass eine Zelle keine Daten enthält.

Bei True wird das Bild vor der Konvertierung transponiert (um die diagonale Achse gespiegelt). Verwenden Sie diese Option, um ein Bild zu korrigieren, bei dem die Ost/West-Achse nach oben und unten statt nach links und rechts verläuft.

Bei True wird das Bild vor der Konvertierung um die vertikale Achse gespiegelt. Verwenden Sie diese Option, um ein Bild zu reparieren, das das "Spiegelbild" dessen ist, was es sein soll.

Bei True wird das Bild vor der Konvertierung um die horizontale Achse gespiegelt. Verwenden Sie diese Option, um ein auf dem Kopf stehendes Bild zu korrigieren.

Bei True werden die Ost- und Westhemisphäre des Bildes vertauscht. Verwenden Sie diese Option, um die Ausrichtung eines globalen Bildes von einer Ausrichtung von 0 bis 360, die auf dem Pazifischen Ozean zentriert ist, in eine Ausrichtung von -180 bis +180, die auf dem Atlantik zentriert ist, oder umgekehrt zu ändern.

Für das Ausgabe-Raster zu definierendes Koordinatensystem.

Wenn kein Wert angegeben wird, bleibt das Koordinatensystem des Ausgabe-Rasters undefiniert.

Neues Koordinatensystem, auf das das Ausgabe-Raster projiziert wird.

Das Raster kann nur auf ein neues Koordinatensystem projiziert werden, wenn die ursprüngliche Projektion definiert ist. Ein Fehler wird ausgegeben, wenn Sie ein neues Koordinatensystem angeben, ohne das ursprüngliche Koordinatensystem zu definieren.

Das Werkzeug ArcGIS Project Raster wird verwendet, um die Projektion durchzuführen. In der Dokumentation zu diesem Werkzeug wird empfohlen, auch eine Zellengröße für das neue Koordinatensystem anzugeben.

Mir ist aufgefallen, dass das ArcGIS 9.2-Werkzeug "Projekt-Raster" bei bestimmten Koordinatensystemen das projizierte Raster auf einen willkürlichen und zu kleinen Bereich zuschneiden scheint. Wenn Sie beispielsweise ein globales MODIS Aqua 4 km Chlorophyllbild in geografischen Koordinaten auf Lambert_Azimuthal_Equal_Area mit dem Mittelmeridian von -60 und der Ursprungsbreite von -63 projizieren, wird das resultierende Bild so beschnitten, dass nur ein Viertel des Planeten angezeigt wird. Dieses Problem tritt nicht auf, wenn Project Raster interaktiv über die ArcGIS-Benutzeroberfläche aufgerufen wird. Es tritt nur auf, wenn das Werkzeug programmgesteuert aufgerufen wird (die ProjectRaster_management-Methode des Geoprozessors). Daher wird es möglicherweise nicht angezeigt, wenn Sie Project Raster selbst verwenden, aber es kann passieren, wenn Sie MGET-Werkzeuge verwenden, die Project Raster als Teil ihrer Geoverarbeitungsoperationen aufrufen.

Wenn dieses Problem auftritt, können Sie es wie folgt umgehen:

Führen Sie dieses Werkzeug zunächst aus, ohne ein neues Koordinatensystem anzugeben, um das Ausgabe-Raster im ursprünglichen Koordinatensystem zu erhalten.

Verwenden Sie in ArcCatalog das Werkzeug "Raster projizieren", um das Raster in das neue Koordinatensystem zu projizieren. Stellen Sie sicher, dass das gesamte Raster vorhanden ist und nicht zu klein beschnitten wurde.

Suchen Sie in ArcCatalog die Ausdehnung des projizierten Rasters, indem Sie mit der rechten Maustaste darauf in der Katalogstruktur klicken, Eigenschaften auswählen und nach unten zu Ausdehnung scrollen.

Bevor Sie nun das MGET-Tool ausführen, das das Raster projiziert, legen Sie die Umgebungseinstellung Ausdehnung auf die Werte fest, die Sie gesucht haben. Wenn Sie das MGET-Werkzeug interaktiv aus ArcCatalog oder ArcMap aufrufen, klicken Sie im Dialogfeld des Werkzeugs auf die Schaltfläche Umgebungen, öffnen Sie Allgemeine Einstellungen, ändern Sie die Dropdown-Liste Ausdehnung in "Wie unten angegeben" und geben Sie die gesuchten Werte ein. Wenn Sie es aus einem Geoverarbeitungsmodell aufrufen, klicken Sie mit der rechten Maustaste auf das Werkzeug im Modell, wählen Sie Variable erstellen, Aus Umgebung, Allgemeine Einstellungen, Ausdehnung. Dadurch wird Ausdehnung als Variable in Ihrem Modell platziert, die an das MGET-Tool angehängt ist. Öffnen Sie die Extent-Variable, ändern Sie sie in "Wie unten angegeben" und geben Sie die gesuchten Werte ein. Wenn Sie das MGET-Werkzeug programmgesteuert aufrufen, müssen Sie die Extent-Eigenschaft des Geoprozessors auf die gesuchten Werte festlegen. Weitere Informationen dazu und Umgebungseinstellungen im Allgemeinen finden Sie in der ArcGIS-Dokumentation.

Führen Sie das MGET-Tool aus. Die Ausdehnung des Ausgabe-Rasters sollte jetzt die richtige Größe haben.

Eine Transformationsmethode zum Konvertieren zwischen dem ursprünglichen Koordinatensystem und dem neuen Koordinatensystem.

Dieser Parameter ist eine neue Option, die in ArcGIS 9.2 eingeführt wurde. Sie müssen über ArcGIS 9.2 verfügen, um diesen Parameter zu verwenden.

Dieser Parameter wird nur benötigt, wenn Sie angeben, dass das Raster auf ein neues Koordinatensystem projiziert werden soll und dieses neue System ein anderes Datum als das ursprüngliche Koordinatensystem verwendet oder ein anderer Unterschied zwischen den beiden Koordinatensystemen besteht, der eine Transformation erfordert. Um festzustellen, ob eine Transformation erforderlich ist, empfehle ich das folgende Verfahren:

Führen Sie dieses Werkzeug zunächst aus, ohne ein neues Koordinatensystem anzugeben, um das Ausgabe-Raster im ursprünglichen Koordinatensystem zu erhalten.

Verwenden Sie als Nächstes das ArcGIS 9.2-Werkzeug "Raster projizieren" für das Ausgabe-Raster, um es in das gewünschte Koordinatensystem zu projizieren. Wenn eine geografische Transformation erforderlich ist, werden Sie von diesem Tool dazu aufgefordert. Notieren Sie den genauen Namen der Transformation, die Sie verwendet haben.

Wenn schließlich eine Transformation erforderlich war, geben Sie den genauen Namen in dieses Werkzeug ein, führen Sie es erneut aus und überprüfen Sie, ob das Ausgabe-Raster wie gewünscht projiziert wurde.

Der Resampling-Algorithmus, der verwendet werden soll, um das ursprüngliche Raster in ein neues Koordinatensystem zu projizieren. Das Werkzeug ArcGIS Project Raster wird zum Ausführen der Projektion verwendet und akzeptiert die folgenden Werte:

NEAREST - Nächster Nachbar-Interpolation

BILINEAR - bilineare Interpolation

Sie müssen einen dieser Algorithmen angeben, um auf ein neues Koordinatensystem zu projizieren. Ein Fehler wird ausgegeben, wenn Sie ein neues Koordinatensystem angeben, ohne einen Algorithmus auszuwählen.

Die Zellengröße des projizierten Koordinatensystems. Obwohl dieser Parameter optional ist, wird in der ArcGIS-Dokumentation empfohlen, ihn beim Projizieren in ein neues Koordinatensystem immer anzugeben, um die besten Ergebnisse zu erzielen.

Die x- und y-Koordinaten (im Ausgaberaum), die für die Pixelausrichtung verwendet werden.

Dieser Parameter ist eine neue Option, die in ArcGIS 9.2 eingeführt wurde. Sie müssen über ArcGIS 9.2 verfügen, um diesen Parameter zu verwenden. Sie wird ignoriert, wenn Sie nicht angeben, dass das Raster auf ein neues Koordinatensystem projiziert werden soll.

Rechteck, auf das das Raster zugeschnitten werden soll.

Wenn ein projiziertes Koordinatensystem angegeben wurde, wird das Ausschneiden nach der Projektion durchgeführt und die Koordinaten des Rechtecks ​​sollten im neuen Koordinatensystem angegeben werden. Wenn kein projiziertes Koordinatensystem angegeben wurde, sollten die Koordinaten im ursprünglichen Koordinatensystem angegeben werden.

Das Werkzeug ArcGIS Clip wird verwendet, um den Clip auszuführen. Das Ausschneiderechteck muss als eine Folge von vier durch Leerzeichen getrennten Zahlen an dieses Werkzeug übergeben werden. Die ArcGIS-Benutzeroberfläche formatiert die Zeichenfolge automatisch richtig, wenn dieses Werkzeug über die ArcGIS-Benutzeroberfläche aufgerufen wird. Sie müssen sich nicht um das Format kümmern. Achten Sie beim programmgesteuerten Aufrufen jedoch darauf, eine richtig formatierte Zeichenfolge bereitzustellen. Die Nummern sind LINKS, UNTEN, RECHTS, OBEN geordnet. Wenn sich das Raster beispielsweise in einem geografischen Koordinatensystem befindet, kann es mit der folgenden Zeichenfolge auf 10 W, 15 S, 20 E und 25 N beschnitten werden:

Es können ganze Zahlen oder Dezimalzahlen angegeben werden.

Algebra-Ausdruck zuordnen, der im Ausgabe-Raster ausgeführt werden soll.

WARNUNG: Der ArcGIS Geoprocessing Model Builder kann den Wert dieses Parameters zufällig und im Hintergrund löschen. Dies ist ein Fehler in ArcGIS. Bevor Sie ein gespeichertes Modell ausführen, öffnen Sie dieses Werkzeug und überprüfen Sie, ob der Parameterwert noch vorhanden ist.

Der Ausdruck wird ausgeführt, nachdem das konvertierte Raster projiziert und abgeschnitten wurde (sofern diese Optionen angegeben sind). Verwenden Sie die Zeichenfolge inputRaster, bei der die Groß-/Kleinschreibung beachtet wird, um das Raster darzustellen, für das Sie jetzt Kartenalgebra ausführen möchten. Um beispielsweise das Raster in ein Ganzzahl-Raster zu konvertieren und allen Zellen 1 hinzuzufügen, verwenden Sie diesen Ausdruck:

Bei der Zeichenfolge inputRaster wird die Groß-/Kleinschreibung beachtet. Vor der Ausführung des Map-Algebra-Ausdrucks wird die Zeichenfolge durch den Pfad zu einem temporären Raster ersetzt, das das generierte Ausgabe-Raster darstellt. Der endgültige Ausdruck muss weniger als 4000 Zeichen lang sein, sonst meldet ArcGIS einen Fehler.

Das ArcGIS Single Output Map Algebra-Werkzeug wird verwendet, um den Map-Algebra-Ausdruck auszuführen. Sie benötigen eine Lizenz für die Erweiterung ArcGIS Spatial Analyst, um Kartenalgebra ausführen zu können.

Die Syntax der Map-Algebra kann sehr wählerisch sein. Hier sind einige Tipps, die Ihnen helfen, mit diesem Tool erfolgreich zu sein:

Bevor Sie dieses Werkzeug verwenden, konstruieren und testen Sie Ihren Kartenalgebra-Ausdruck mit dem ArcGIS Single Output Map Algebra-Werkzeug. Fügen Sie dann den Ausdruck in dieses Werkzeug ein und bearbeiten Sie ihn, um die Variable inputRaster anstelle des Testwerts zu verwenden, den Sie mit Single Output Map Algebra verwendet haben.

Wenn Sie Ihren Ausdruck direkt in diesem Tool entwickeln, beginnen Sie mit einem sehr einfachen Ausdruck. Stellen Sie sicher, dass es richtig funktioniert, fügen Sie ein wenig hinzu und überprüfen Sie es erneut. Wiederholen Sie diesen Vorgang, bis Sie den vollständigen Ausdruck aufgebaut haben.

Trennen Sie mathematische Operatoren immer mit Leerzeichen von Rasterpfaden. Im obigen Beispiel enthält der / -Operator auf beiden Seiten ein Leerzeichen. Folgen Sie diesem Muster. Unter bestimmten Umständen kann ArcGIS Raster-Algebra-Ausdrücke nicht verarbeiten, die Raster-Pfade nicht von Operatoren trennen, die Leerzeichen verwenden. Die gemeldete Fehlermeldung weist normalerweise nicht darauf hin, dass dies das Problem ist, und es kann sehr frustrierend sein, es zu finden.

Bei True werden Pyramiden für das Ausgabe-Raster erstellt, wodurch die Anzeigegeschwindigkeit in der ArcGIS-Benutzeroberfläche verbessert wird. Dies ist der letzte Schritt, der bei der Verarbeitung nach der Konvertierung durchgeführt wird.


FindAndConvertToArcGISRaster Methode

Findet Bilder in CoastWatch POES AVHRR-Dateien in einem Verzeichnis und konvertiert sie in ArcGIS-Raster.

Klasse:CoastWatchAVHRR
Verwendungszweck:Empfohlen für externe Anrufer
KOM:Verfügbar als FindAndConvertToArcGISRasters-Methode der COM-Klasse GeoEco.CoastWatchAVHRR
ArcGIS:Als Geoverarbeitungswerkzeug "CoastWatch-Bilder suchen und in ArcGIS-Raster konvertieren" verfügbar gemacht
Methodentyp:Klassenmethode

Verwendungszweck

updatedOutputWorkspace = CoastWatchAVHRR.FindAndConvertToArcGISRasters( inputDirectory , outputWorkspace [ , Platzhalter [ , sucheBaum [ , minGröße [ , maximale Größe [ , minDateCreated [ , maxDateCreated [ , minDateModified [ , maxDateModified [ , Variablen [ , regionCodes [ , Satelliten [ , minImageDate [ , maxImageDate [ , minDayOfYear [ , maxDayOfYear [ , szeneTimes [ , überspringenMaskingForGraphicsVariable [ , überspringenCloudMaskingForCloudVariable [ , MaskeLand [ , cloudVariable [ , sunZenithVariable [ , useDayCloudTest1 [ , useDayCloudTest2 [ , useDayCloudTest3 [ , useDayCloudTest4 [ , useDayCloudTest5 [ , useDayCloudTest6 [ , useDayCloudTest7 [ , maskWhenDayCloudMaskExceeds [ , useNightCloudTest1 [ , benutzeNightCloudTest2 [ , benutzeNightCloudTest3 [ , benutzeNightCloudTest4 [ , benutzeNightCloudTest5 [ , useNightCloudTest6 [ , benutzeNightCloudTest7 [ , maskWhenNightCloudMaskExceeds [ , minWolkigeNachbarn [ , projiziertesKoordinatensystem [ , geographischeTransformation [ , Resampling-Technik [ , projizierte Zellengröße [ , Registrierungspunkt [ , ClippingRechteck [ , KarteAlgebraExpression [ , bauenPyramiden [ , AusgabeRasterPythonExpression [ , moduleToImport [ , überspringenVorhanden [ , überschreiben bestehende ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] )

Argumente

AusgabeArbeitsbereich

Python-Typ:Unicode
Minimale Länge:1
Maximale Länge:255
Muss vorhanden sein:Nein

Workspace zum Empfangen der ArcGIS-Raster.

Platzhalter

Python-Typ:Unicode
Standardwert: u'*.[CcHh][WwDd][Ff]*'
Minimale Länge:1

"Glob"-Platzhalterausdruck im UNIX-Stil, der die zu suchenden CoastWatch-Dateien angibt.

Die Glob-Syntax unterstützt die folgenden Muster:

  • ? - entspricht jedem einzelnen Zeichen
  • * - entspricht null oder mehr Zeichen
  • [seq] - entspricht jedem einzelnen Zeichen in seq
  • [!seq] - entspricht jedem einzelnen Zeichen, das nicht in . ist seq

seq ist ein oder mehrere Zeichen, z. B. abc. Sie können Zeichenbereiche mit einem Bindestrich angeben. a-z0-9 gibt beispielsweise alle Zeichen des englischen Alphabets und die Dezimalziffern 0 bis 9 an.

Sie können im Glob-Ausdruck Unterverzeichnisse angeben. Der Ausdruck CoastWatch*/2006* findet beispielsweise alle Dateien, die mit 2006 beginnen und in Verzeichnissen enthalten sind, die mit CoastWatch beginnen.

Das Betriebssystem bestimmt, ob / oder als Verzeichnistrennzeichen verwendet wird. Unter Windows funktionieren beide. Auf den meisten UNIX-Varianten muss / verwendet werden.

Das Betriebssystem bestimmt, ob beim Abgleich die Groß-/Kleinschreibung beachtet wird. Unter Windows wird beim Abgleich die Groß-/Kleinschreibung nicht beachtet. Bei den meisten UNIX-Varianten muss die Groß-/Kleinschreibung beachtet werden.

Es ist in Ordnung, wenn Ihr Ausdruck mit Dateien übereinstimmt, die keine CoastWatch-Dateien sind. Der Ausdruck *.hdf kann beispielsweise mit einigen Nicht-CoastWatch-HDF-Dateien übereinstimmen. Diese Dateien werden ignoriert.

SucheBaum

Python-Typ:bool
Standardwert: Falsch

Bei True werden Unterverzeichnisse durchsucht.

minGröße

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 0

Mindestgröße der zu findenden Dateien in Byte. Falls angegeben, werden nur Dateien dieser Größe oder größer gefunden.

maximale Größe

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 0

Maximale Größe der zu findenden Dateien in Byte. Falls angegeben, werden nur Dateien dieser Größe oder kleiner gefunden.

minDateErstellt

Python-Typ:datetime.datetime oder Keiner
Standardwert:Keiner

Mindesterstellungsdatum der zu suchenden Dateien in der lokalen Zeitzone, wie vom Betriebssystem gemeldet. Falls angegeben, werden nur Dateien gefunden, die an oder nach diesem Datum erstellt wurden. Sie können ein Datum mit oder ohne Uhrzeit angeben. Wenn Sie keine Zeit angeben, wird davon ausgegangen, dass es sich um Mitternacht handelt.

maxDateCreated

Python-Typ:datetime.datetime oder Keiner
Standardwert:Keiner

Maximales Erstellungsdatum der zu suchenden Dateien in der lokalen Zeitzone, wie vom Betriebssystem gemeldet. Falls angegeben, werden nur Dateien gefunden, die an oder vor diesem Datum erstellt wurden. Sie können ein Datum mit oder ohne Uhrzeit angeben. Wenn Sie keine Zeit angeben, wird davon ausgegangen, dass es sich um Mitternacht handelt.

minDateModified

Python-Typ:datetime.datetime oder Keiner
Standardwert:Keiner

Mindeständerungsdatum in der lokalen Zeitzone der zu findenden Dateien, wie vom Betriebssystem gemeldet. Falls angegeben, werden nur Dateien gefunden, die an oder nach diesem Datum geändert wurden. Sie können ein Datum mit oder ohne Uhrzeit angeben. Wenn Sie keine Zeit angeben, wird davon ausgegangen, dass es sich um Mitternacht handelt.

maxDateModified

Python-Typ:datetime.datetime oder Keiner
Standardwert:Keiner

Maximales Änderungsdatum der zu suchenden Dateien in der lokalen Zeitzone, wie vom Betriebssystem gemeldet. Falls angegeben, werden nur Dateien gefunden, die an oder vor diesem Datum geändert wurden. Sie können ein Datum mit oder ohne Uhrzeit angeben. Wenn Sie keine Zeit angeben, wird davon ausgegangen, dass es sich um Mitternacht handelt.

Variablen

Python-Typ:aufführen von Unicode, oder Keiner
Standardwert:Keiner
Minimale Länge:0

CoastWatch-Variablen, die in den gefundenen Dateien zu finden sind. Jede Variable entspricht einem Bild in der Datei. Wenn Variablen bereitgestellt werden, werden nur die Bilder für diese Variablen in den Dateien gefunden. Wenn keine bereitgestellt werden, werden alle Bilder in den Dateien gefunden.

Zum Zeitpunkt dieses Schreibens war bekannt, dass das CoastWatch-Programm Dateien mit diesen Variablen veröffentlicht hatte:

Weitere Informationen zu diesen Variablen finden Sie in der CoastWatch-Dokumentation. Im Allgemeinen interessieren sich die meisten Benutzer für die Variable "sst", die die geschätzte Meeresoberflächentemperatur ist, und die Variable "Cloud", die eine Bitmaske ist, die angibt, welche Wolkentests für dieses Pixel fehlgeschlagen sind. Ein Wert von 0 für die Cloud-Variable zeigt an, dass alle Cloud-Tests bestanden wurden und CoastWatch großes Vertrauen in die Gültigkeit des SST-Werts für dieses Pixel hat.

regionCodes

Python-Typ:aufführen von Unicode, oder Keiner
Standardwert:Keiner
Minimale Länge:0

CoastWatch-Regionscodes für die zu findenden Dateien. Wenn Regionen angegeben werden, werden nur Dateien gefunden, die diesen Regionen entsprechen. Wenn keine angegeben werden, werden alle Dateien gefunden.

Diese Funktion findet die Regionscodes, indem sie die CoastWatch-Metadaten in den Dateien untersucht, nicht den Dateinamen. Daher funktioniert es ordnungsgemäß mit älteren CoastWatch-Dateien, die die Region nicht im Dateinamen enthalten.

Da die CoastWatch-Metadaten den Regionscode nicht explizit enthalten, muss er aus den anderen Bildmetadaten abgeleitet werden. Die aktuelle Implementierung dieser Funktion erkennt die folgenden Regionen:

Diese Regionen wurden dem NOAA KLM Benutzerhandbuch Abschnitt 9.5 vom 7. November 2005 entnommen. Wenn eine Datei nicht für eine dieser Regionen bestimmt ist, wird sie nur gefunden, wenn Sie keine Regionscodes angeben. Wenn Sie diesem Tool weitere Regionscodes hinzufügen möchten, wenden Sie sich bitte an den Autor.

Satelliten

Python-Typ:aufführen von Unicode, oder Keiner
Standardwert:Keiner
Minimale Länge:0

Satelliten für die zu findenden Dateien. Wenn Satelliten bereitgestellt werden, werden nur Dateien gefunden, die Daten von diesen Satelliten enthalten. Wenn keine angegeben werden, werden alle Dateien gefunden.

Zum Zeitpunkt dieses Schreibens war bekannt, dass das CoastWatch-Programm Daten von den folgenden Satelliten veröffentlicht hatte:

Mindestbilddatum in UTC für die zu findenden Dateien. Falls angegeben, werden nur Dateien gefunden, die Bilder enthalten, die an oder nach diesem Datum aufgenommen wurden. Sie können ein Datum mit oder ohne Uhrzeit angeben. Wenn Sie keine Zeit angeben, wird davon ausgegangen, dass es sich um Mitternacht handelt.

maxImageDate

Python-Typ:datetime.datetime oder Keiner
Standardwert:Keiner

Maximales Bilddatum in UTC für die zu findenden Dateien. Falls angegeben, werden nur Dateien gefunden, die Bilder enthalten, die an oder vor diesem Datum aufgenommen wurden. Sie können ein Datum mit oder ohne Uhrzeit angeben. Wenn Sie keine Zeit angeben, wird davon ausgegangen, dass es sich um Mitternacht handelt.

minDayOfYear

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 1

Minimaler Bildtag des Jahres in UTC, damit die Dateien gefunden werden können. Falls angegeben, werden nur Dateien gefunden, die Bilder enthalten, die an oder nach diesem Tag des Jahres aufgenommen wurden. Der erste Tag des Jahres ist immer 1 und der letzte Tag des Jahres ist 365 in Nicht-Schaltjahren und 366 in Schaltjahren.

maxDayOfYear

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 1

Maximaler Bildtag des Jahres in UTC, an dem die Dateien gefunden werden können. Falls angegeben, werden nur Dateien gefunden, die Bilder enthalten, die an oder vor diesem Tag des Jahres aufgenommen wurden. Der erste Tag des Jahres ist immer 1 und der letzte Tag des Jahres ist 365 in Nicht-Schaltjahren und 366 in Schaltjahren.

szeneZeiten

Python-Typ:aufführen von Unicode, oder Keiner
Standardwert:Keiner
Minimale Länge:0

CoastWatch "Szenenzeiten", um die Dateien zu finden. Falls vorhanden, werden nur Dateien gefunden, die Bilder mit diesen Szenenzeiten enthalten. Wenn keine angegeben werden, werden alle Dateien gefunden.

Zum Zeitpunkt dieses Schreibens war bekannt, dass das CoastWatch-Programm Daten mit den folgenden Szenenzeiten veröffentlicht hatte:

Die Szenenzeit beeinflusst unter anderem, welche Wolkentests verwendet werden, um das Wolkenmaskenbild zu generieren. Weitere Informationen finden Sie in der CoastWatch-Dokumentation.

überspringenMaskingForGraphicsVariable

Python-Typ:bool
Standardwert: Wahr

Wenn True und die Grafikvariable konvertiert wird, werden die verbleibenden Maskierungsoptionen ignoriert und es wird keine Maskierung durchgeführt. Das Ausgabe-Raster zeigt die Grafikvariable in voller, nicht maskierter Ausdehnung. Bei False oder wenn eine andere Variable konvertiert wird, wird eine Maskierung durchgeführt.

skipCloudMaskingForCloudVariable

Python-Typ:bool
Standardwert: Wahr

Wenn True und die Cloud-Variable konvertiert wird, werden die Wolkenmaskenoptionen ignoriert und es wird keine Wolkenmaskierung durchgeführt (obwohl andere Maskenoptionen verwendet werden). Bei False oder wenn eine andere Variable konvertiert wird, werden die Wolkenmaskenoptionen verwendet.

MaskeLand

Python-Typ:bool
Standardwert: Wahr

Bei True werden Pixel, die von der CoastWatch-Grafikvariable als Land klassifiziert wurden, maskiert.

Die Grafikvariable wird durch Aufrufen des CoastWatch Utilities-Programms cwgraphics für die Eingabedatei abgerufen. Ich habe beobachtet, dass dieses Programm nicht immer eine Landmaske erzeugt, die zu 100% mit der in der Eingabedatei enthaltenen Grafikvariablen übereinstimmt. Als ich zum Beispiel cwgraphics auf 2005_108_1841_n16_er.hdf ausführte, bemerkte ich, dass sich mehrere Pixel, hauptsächlich in der Nähe der Bildränder, von denen unterschieden, die man durch Betrachten der Grafikvariablen in 2005_108_1841_n16_er.hdf mit dem cdat-Programm erhielt.

Den Grund für diese Diskrepanz kenne ich nicht. Meine Theorie ist, dass das Programm cwgraphics die Grafikvariable überhaupt nicht aus der Eingabedatei liest. Vielmehr liest es nur die geografische Ausdehnung und erzeugt dann aus seiner Datenbank im Installationsverzeichnis der CoastWatch Utilities eine neue Landmaske. Neuere Versionen der CoastWatch Utilities können aktualisierte Landmasken enthalten, die sich von denen unterscheiden, die von CoastWatch in der Vergangenheit verwendet wurden. Aber das ist nur eine Theorie. Jedenfalls scheint die Diskrepanz recht unbedeutend zu sein und dürfte die meisten Nutzer nicht treffen.

cloudVariable

Python-Typ:Unicode oder Keiner
Standardwert: du 'wolke'
Minimale Länge:1

Name der CoastWatch-Variablen, die aus der CoastWatch-Eingabedatei extrahiert und als Cloud-Maske verwendet werden soll (z. B. "Cloud"). Wenn die Eingabedatei die Cloud-Variable nicht enthält, wird für diese Datei keine Cloud-Maskierung durchgeführt.

Eine Einschränkung dieses Tools besteht darin, dass es die Cloud-Variable nur aus der Eingabe-CoastWatch-Datei extrahieren kann, es jedoch nicht aus einer anderen Datei extrahieren kann. Dieses Tool kann daher keine Cloud-Maskierung für CWF-Dateien durchführen (außer denen, die die Cloud-Variable enthalten), da CWFs normalerweise nur eine Variable (z. B. sst) zusätzlich zur Grafikvariable enthalten. Wenn Sie eine Cloud-Maskierung für CWF-Dateien durchführen müssen, empfehle ich Ihnen, die CWFs, die die Cloud-Variable und die anderen interessierenden Variablen enthalten, in ein einzelnes HDF zu konvertieren und stattdessen das HDF zu verarbeiten.

Die aktuelle Implementierung dieses Tools wurde für den Betrieb mit der 8-Bit-CLAVR-Cloudmaske entwickelt, die durch die Variable "cloud" in CoastWatch-Dateien dargestellt wird. Es wurde nicht für den Betrieb mit der Variablen "cloudx" entwickelt, bei der es sich um eine neue experimentelle CLAVR-x-Wolkenmaske handelt, die in den neuesten CoastWatch-HDF-Dateien verfügbar ist. Wenn Sie jedoch mit der Variablen cloudx arbeiten möchten, können Sie sie anstelle von cloud angeben und stattdessen die entsprechenden Maskenoptionen auswählen.

sunZenithVariable

Python-Typ:Unicode oder Keiner
Standardwert: u'sun_zenith'
Minimale Länge:1

Name der CoastWatch-Variablen, die aus der CoastWatch-Eingabedatei extrahiert und als Sonnenzenitbild verwendet werden soll (z. B. "sun_zenith").

Eine Einschränkung dieses Tools besteht darin, dass es nur das Sonnenzenitbild aus der Eingabedatei von CoastWatch extrahieren kann, es jedoch nicht aus einer anderen Datei extrahieren kann. Da dieses Werkzeug das Sonnenzenitbild verwendet, wenn es bei Bildern mit einer Tag-/Nachtszenenzeit eine Wolkenmaskierung durchführt, kann es daher keine Wolkenmaskierung bei CWF-Dateien durchführen, da CWFs normalerweise nur eine Variable (z. B. sst) zusätzlich zur Grafikvariable enthalten. Wenn Sie eine Cloud-Maskierung für CWF-Dateien durchführen müssen, empfehle ich Ihnen, die CWFs, die die Wolke, sun_zenith und die anderen interessierenden Variablen enthalten, in ein einzelnes HDF zu konvertieren und stattdessen das HDF zu verarbeiten.

Laut CoastWatch-Forscher Peter Hollemans verwenden alle Pixel der Wolkenmaske Tag-Cloud-Tests, wenn die Szenenzeit eines Bildes "Tag" ist, und wenn es "Nacht" ist, verwenden alle Pixel Nacht-Cloud-Tests. Wenn die Szenenzeit "Tag/Nacht" ist, basiert die Entscheidung, welche Tests verwendet werden, auf dem Sonnenzenit für dieses Pixel.

Laut Peter verwenden Pixel mit einem Sonnenzenit von > 80 Grad für CoastWatch HDF-Dateien die Nachtwolkentests und <= 80 die Wolkentests tagsüber. Dieses Tool implementiert diese Logik. Wenn Sie angeben, dass für ein Tag/Nacht-Bild eine Wolkenmaskierung durchgeführt werden soll, aber kein Sonnenzenit-Bild verfügbar ist, geht dieses Tool davon aus, dass für jedes Pixel nächtliche Wolkentests verwendet wurden, und es wird eine Warnung ausgegeben. Aus irgendeinem Grund erstellt CoastWatch gelegentlich Tag-/Nachtbilder ohne sun_zenith oder andere Variablen, die in Tagesbildern vorhanden sind. Ich erinnere mich, dass Peter sagte, dass man bei diesen Bildern sicher davon ausgehen kann, dass alle Pixel Nachtzeit sind.

Bei anderen Szenenzeiten als „Tag/Nacht“ (z. B. „Tag“ oder „Nacht“) wird das Sonnenzenitbild ignoriert.

Nach einigen Untersuchungen finde ich, dass die Wolkenmaskenpixel in der Nähe der 80-Grad-Solarzenitlinie aus zwei Gründen problematisch sind:

  • Laut Peter wird die Sonnenzenit- <= 80-Grenze nicht perfekt mit dem Wechsel von Tag- zu Nachtwolkentests übereinstimmen, da die Sonnenzenitwinkel beim Schreiben in die HDF-Datei auf die nächsten 0,01 gerundet werden, also einige Pixel mit Werte von beispielsweise 80.003 werden auf 80 gerundet, obwohl sie mit den nächtlichen Wolkentests verarbeitet wurden. Peter sagte: "Ich denke, das ist der Fehler beim Speichern von Winkeldaten in HDF als skalierte Ganzzahlen (diese Entscheidung war hauptsächlich auf Bedenken hinsichtlich der Dateigröße zurückzuführen)."
  • Der Wechsel zwischen Tagestests und Nachttests manifestiert sich nicht als sauberer Übergang in den Wolkenmaskenpixeln. Die Tagpixel scheinen nicht sauber an die Nachtpixel anzugrenzen. Vielmehr trennt ein Pixelstreifen mit seltsamen Werten die beiden zerlumpt. Peter sagte: "Der scheinbar unsaubere Übergang zwischen Tag- und Nachttests hängt mit Nachbarschaftsfunktionen zusammen. Die Uniformitätstests verwenden eine 2x2-Box von Datenwerten rechts und unterhalb eines gegebenen Wertes im Array, um zu prüfen, ob eine Bedingung wahr ist, und die Ergebnisse des Gleichmäßigkeitstests kennzeichnen alle Pixel im 2x2-Feld mit den Testergebnissen, unabhängig davon, ob alle diese Pixel Tag- oder Nachtzeit sind. Sowohl Tag als auch Nacht haben Gleichförmigkeitstests, sodass die Ergebnisse von Gleichmäßigkeitstests an der Tag/Nacht-Grenze gemischt werden Das Mischen ist im Allgemeinen akzeptabel, da die Ergebnisse für die SST-Maskierung und nicht für die Bewertung des Wolkentyps verwendet werden sollen und das Mischen nur unter wolkigen Bedingungen erfolgt, nicht unter klaren SST-Bedingungen.“

Peter sagte, er wisse nicht, was für CoastWatch Tag/Nacht-CWF-Dateien gemacht wurde. Ich habe einige davon aus der Nordostregion untersucht und es schien, dass sie auch in der Mitte des Bildes von Tag- auf Nachtwolkentests umgeschaltet haben. Aber die NOAA-Vertriebsseite (http://www.class.noaa.gov) schien nur CWFs zu haben, die die Variable sun_zenith für Daten nach Ende 1999 enthielten.

Peter erwähnte, dass das Cwangles-Programm der CoastWatch Utilities den Sonnenzenit berechnen könnte, aber die Werte wären nur ungefähr, da das Programm davon ausging, dass alle Pixel vom Sensor zum gleichen Zeitpunkt erfasst wurden. Ich habe diesen Ansatz versucht, aber die 80-Grad-Sonnenzenitlinie stimmte nicht mit der Linie überein, bei der die Wolkentests zu wechseln schienen. Aus diesem Grund glaube ich nicht, dass Tag/Nacht-CWF-Dateien für Benutzer verwendbar sind, die einige Cloud-Tests verwenden und andere ignorieren möchten.

useDayCloudTest1

Python-Typ:bool
Standardwert: Wahr

Bei „True“ werden Tagspixel, die den CLAVR-1 Reflective Gross Cloud Test (Bit 1 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Laut CoastWatch-Forscher Peter Hollemans wird der gleiche CLAVR-1-Test sowohl für CWF- als auch für HDF-Dateien verwendet, aber für HDF-Dateien werden die CLAVR-x-Schwellenwerte anstelle der CLAVR-1-Schwellenwerte verwendet.

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useDayCloudTest2

Python-Typ:bool
Standardwert: Wahr

Bei „True“ werden Tagespixel, die den CLAVR-1-Reflektionshomogenitätstest (Bit 2 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Laut CoastWatch-Forscher Peter Hollemans wird derselbe CLAVR-1-Test sowohl für CWF- als auch für HDF-Dateien verwendet, aber für HDF-Dateien werden die CLAVR-x-Schwellenwerte anstelle der CLAVR-1-Schwellenwerte verwendet.

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useDayCloudTest3

Python-Typ:bool
Standardwert: Wahr

Bei „True“ werden Tagspixel, die den CLAVR-1-Reflexionsverhältnis-Wolkentest (Bit 3 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Laut CoastWatch-Forscher Peter Hollemans wird der gleiche CLAVR-1-Test sowohl für CWF- als auch für HDF-Dateien verwendet, aber für HDF-Dateien werden die CLAVR-x-Schwellenwerte anstelle der CLAVR-1-Schwellenwerte verwendet.

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useDayCloudTest4

Python-Typ:bool
Standardwert: Wahr

Bei True werden die Tagpixel, die den Albedo-Test von CLAVR-1 Kanal 3 (Bit 4 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Nachtpixel ignoriert.Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useDayCloudTest5

Python-Typ:bool
Standardwert: Wahr

Bei „True“ werden Tagespixel maskiert, die den CLAVR-1 Thermal Uniformity Test (Bit 5 der Wolkenmaske) nicht bestanden haben. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useDayCloudTest6

Python-Typ:bool
Standardwert: Wahr

Bei True werden die Tagpixel maskiert, die den CLAVR-1-Vier-Minus-Fünf-Test (Bit 6 der Wolkenmaske) nicht bestanden haben. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useDayCloudTest7

Python-Typ:bool
Standardwert: Wahr

Bei „True“ werden Tagspixel, die den CLAVR-1 Thermal Gross Cloud Test (Bit 7 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

maskWhenDayCloudMaskExceeds

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 0

Wenn ein Wert angegeben wird, werden Tagespixel mit einem Wolkenmaskenwert größer als dieser Wert maskiert.

Die Cloud-Maske von CoastWatch ist eine Bitmaske, bei der jedes Bit den Erfolg (0) oder das Fehlschlagen (1) eines bestimmten CLAVR-Cloud-Tests darstellt. Daher sollen die Wolkenmaskenwerte NICHT als Bereich interpretiert werden, wie ein Spektrum, wobei 0 "sehr klar" und 255 "sehr wolkig" bedeutet. Nichtsdestotrotz stellten einige Benutzer dieses Tools fest, dass für ihre Studie der beste Kompromiss zwischen der Minimierung des SST-Fehlers und der Minimierung der Anzahl der durch Wolken maskierten Pixel erzielt wurde, indem alle Pixel maskiert wurden, bei denen die Wolkenmaske einen bestimmten Wert überstieg. Diese Option wurde speziell für diese Benutzer implementiert und wird nicht für den allgemeinen Gebrauch empfohlen. Wenn Sie diese Option verwenden, prüfen Sie unbedingt viele Wolkenmaskenbilder, bevor Sie einen Wert auswählen.

Wenn sowohl für diesen Parameter als auch für die durch die vorherigen Parameter angegebenen Cloud-Testbits ein Wert bereitgestellt wird, sind alle diese Parameter wirksam. Mit anderen Worten, ein wolkiges Pixel kann maskiert werden, indem ein bestimmter Wolkentest nicht bestanden wird oder der minimale Wolkenmaskenwert überschritten wird oder beides. .

Dieser Parameter wird für Nachtpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest1

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-1 Thermal Gross Cloud Test (Bit 1 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest2

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-1 Thermal Uniformity Test (Bit 2 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest3

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-1 Uniform Low Stratus Test (Bit 3 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest4

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-1-Vier-Minus-Fünf-Test (Bit 4 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest5

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-1 Cirrus Test (Bit 5 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest6

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-x Channel 3B Albedo Test (Bit 6 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Laut CoastWatch-Forscher Peter Hollemans wurde dieser Test nicht für CoastWatch-CWF-Dateien verwendet, und daher wird Bit 6 immer 0 sein, was einen Erfolg anzeigt, für CWF-Nachtwolkenmaskenpixel.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

useNightCloudTest7

Python-Typ:bool
Standardwert: Wahr

Bei True werden Nachtpixel, die den CLAVR-x Channel 3B Albedo Uniformity Test (Bit 7 der Wolkenmaske) nicht bestanden haben, maskiert. Bei False wird dieser Cloud-Test ignoriert.

Laut CoastWatch-Forscher Peter Hollemans wurde dieser Test nicht für CoastWatch-CWF-Dateien verwendet, und daher wird Bit 7 immer 0 sein, was für CWF-Nachtwolkenmaskenpixel einen Erfolg anzeigt.

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske.

In CoastWatch Cloud-Masken ist Bit 1 das niedrigstwertige Bit, und ein Wert von 0 für ein Bit zeigt an, dass der Cloud-Test bestanden wurde, während 1 angibt, dass er fehlgeschlagen ist. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

maskWhenNightCloudMaskExceeds

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 0

Wenn ein Wert angegeben wird, werden Nachtpixel mit einem Wolkenmaskenwert größer als dieser Wert maskiert.

Die Cloud-Maske von CoastWatch ist eine Bitmaske, bei der jedes Bit den Erfolg (0) oder das Fehlschlagen (1) eines bestimmten CLAVR-Cloud-Tests darstellt. Daher sollen die Wolkenmaskenwerte NICHT als Bereich interpretiert werden, wie ein Spektrum, wobei 0 "sehr klar" und 255 "sehr wolkig" bedeutet. Nichtsdestotrotz stellten einige Benutzer dieses Tools fest, dass für ihre Studie der beste Kompromiss zwischen der Minimierung des SST-Fehlers und der Minimierung der Anzahl der durch Wolken maskierten Pixel erzielt wurde, indem alle Pixel maskiert wurden, bei denen die Wolkenmaske einen bestimmten Wert überstieg. Diese Option wurde speziell für diese Benutzer implementiert und wird nicht für den allgemeinen Gebrauch empfohlen. Wenn Sie diese Option verwenden, prüfen Sie unbedingt viele Wolkenmaskenbilder, bevor Sie einen Wert auswählen.

Wenn sowohl für diesen Parameter als auch für die durch die vorherigen Parameter angegebenen Cloud-Testbits ein Wert bereitgestellt wird, sind alle diese Parameter wirksam. Mit anderen Worten, ein wolkiges Pixel kann maskiert werden, indem ein bestimmter Wolkentest nicht bestanden wird oder der minimale Wolkenmaskenwert überschritten wird oder beides. .

Dieser Parameter wird für Tagpixel ignoriert. Eine Erläuterung zur Klassifizierung von Pixeln als Tag- oder Nachtzeit finden Sie in der Dokumentation zum Dateiparameter Cloud-Maske. Weitere Informationen zu den Cloud-Tests finden Sie in der CoastWatch- und CLAVR-Dokumentation.

minWolkigeNachbarn

Python-Typ:int oder Keiner
Standardwert:Keiner
Mindestwert: 1

Mindestanzahl von Nachbarn, die ein bewölktes Pixel haben muss, damit dieses Pixel maskiert wird.

Sie können diese Option verwenden, um isolierte bewölkte Pixel zu ignorieren, die nicht zusammengeballt sind. Wenn Sie beispielsweise den Wert 1 angeben, werden bewölkte Pixel ignoriert und bei der Maskierung nicht verwendet, es sei denn, mindestens einer ihrer acht Nachbarn ist ebenfalls bewölkt.

Wenn ein Nachbar nicht bewölkt, aber aus einem anderen Grund maskiert ist (z. B. Land), gilt er nicht als bewölkt.

Diese Option wird ignoriert, wenn keine Wolkenmaskierung durchgeführt wird.

projiziertesKoordinatensystem

Python-Typ:Unicode oder Keiner
Standardwert:Keiner
Minimale Länge:1

Neues Koordinatensystem, auf das das Raster projiziert werden soll.

Das Raster kann nur auf ein neues Koordinatensystem projiziert werden, wenn die ursprüngliche Projektion definiert ist. Ein Fehler wird ausgegeben, wenn Sie ein neues Koordinatensystem angeben, ohne das ursprüngliche Koordinatensystem zu definieren.

Das Werkzeug ArcGIS Project Raster wird verwendet, um die Projektion durchzuführen. In der Dokumentation zu diesem Werkzeug wird empfohlen, auch eine Zellengröße für das neue Koordinatensystem anzugeben.

Mir ist aufgefallen, dass das ArcGIS 9.2-Werkzeug "Projekt-Raster" bei bestimmten Koordinatensystemen das projizierte Raster auf einen willkürlichen und zu kleinen Bereich zuschneiden scheint. Wenn Sie beispielsweise ein globales MODIS Aqua 4 km Chlorophyllbild in geografischen Koordinaten auf Lambert_Azimuthal_Equal_Area mit dem Mittelmeridian von -60 und der Ursprungsbreite von -63 projizieren, wird das resultierende Bild so beschnitten, dass nur ein Viertel des Planeten angezeigt wird. Dieses Problem tritt nicht auf, wenn Project Raster interaktiv über die ArcGIS-Benutzeroberfläche aufgerufen wird. Es tritt nur auf, wenn das Werkzeug programmgesteuert aufgerufen wird (die ProjectRaster_management-Methode des Geoprozessors). Daher wird es möglicherweise nicht angezeigt, wenn Sie Project Raster selbst verwenden, aber es kann passieren, wenn Sie MGET-Werkzeuge verwenden, die Project Raster als Teil ihrer Geoverarbeitungsoperationen aufrufen.

Wenn dieses Problem auftritt, können Sie es wie folgt umgehen:

  • Führen Sie dieses Werkzeug zunächst aus, ohne ein neues Koordinatensystem anzugeben, um das Raster im ursprünglichen Koordinatensystem zu erhalten.
  • Verwenden Sie in ArcCatalog das Werkzeug "Raster projizieren", um das Raster in das neue Koordinatensystem zu projizieren. Stellen Sie sicher, dass das gesamte Raster vorhanden ist und nicht zu klein beschnitten wurde.
  • Suchen Sie in ArcCatalog die Ausdehnung des projizierten Rasters, indem Sie mit der rechten Maustaste darauf in der Katalogstruktur klicken, Eigenschaften auswählen und nach unten zu Ausdehnung scrollen.
  • Bevor Sie nun das MGET-Tool ausführen, das das Raster projiziert, legen Sie die Umgebungseinstellung Ausdehnung auf die Werte fest, die Sie gesucht haben. Wenn Sie das MGET-Werkzeug interaktiv aus ArcCatalog oder ArcMap aufrufen, klicken Sie im Dialogfeld des Werkzeugs auf die Schaltfläche Umgebungen, öffnen Sie Allgemeine Einstellungen, ändern Sie die Dropdown-Liste Ausdehnung in "Wie unten angegeben" und geben Sie die gesuchten Werte ein. Wenn Sie es aus einem Geoverarbeitungsmodell aufrufen, klicken Sie mit der rechten Maustaste auf das Werkzeug im Modell, wählen Sie Variable erstellen, Aus Umgebung, Allgemeine Einstellungen, Ausdehnung. Dadurch wird Ausdehnung als Variable in Ihrem Modell platziert, die an das MGET-Tool angehängt ist. Öffnen Sie die Extent-Variable, ändern Sie sie in "Wie unten angegeben" und geben Sie die gesuchten Werte ein. Wenn Sie das MGET-Werkzeug programmgesteuert aufrufen, müssen Sie die Extent-Eigenschaft des Geoprozessors auf die gesuchten Werte festlegen. Weitere Informationen dazu und Umgebungseinstellungen im Allgemeinen finden Sie in der ArcGIS-Dokumentation.
  • Führen Sie das MGET-Tool aus. Die Ausdehnung des Rasters sollte jetzt die richtige Größe haben.

Eine Transformationsmethode zum Konvertieren zwischen dem ursprünglichen Koordinatensystem und dem neuen Koordinatensystem.

Dieser Parameter ist eine neue Option, die in ArcGIS 9.2 eingeführt wurde. Sie müssen über ArcGIS 9.2 verfügen, um diesen Parameter zu verwenden.

Dieser Parameter wird nur benötigt, wenn Sie angeben, dass das Raster auf ein neues Koordinatensystem projiziert werden soll und dieses neue System ein anderes Datum als das ursprüngliche Koordinatensystem verwendet oder ein anderer Unterschied zwischen den beiden Koordinatensystemen besteht, der eine Transformation erfordert. Um festzustellen, ob eine Transformation erforderlich ist, empfehle ich das folgende Verfahren:

  • Führen Sie dieses Werkzeug zunächst aus, ohne ein neues Koordinatensystem anzugeben, um das Raster im ursprünglichen Koordinatensystem zu erhalten.
  • Verwenden Sie als Nächstes das ArcGIS 9.2-Werkzeug "Raster projizieren" für das Raster, um es in das gewünschte Koordinatensystem zu projizieren. Wenn eine geografische Transformation erforderlich ist, werden Sie von diesem Tool dazu aufgefordert. Notieren Sie den genauen Namen der Transformation, die Sie verwendet haben.
  • Wenn schließlich eine Transformation erforderlich war, geben Sie den genauen Namen in dieses Werkzeug ein, führen Sie es erneut aus und überprüfen Sie, ob das Raster wie gewünscht projiziert wurde.

Der Resampling-Algorithmus, der verwendet werden soll, um das ursprüngliche Raster in ein neues Koordinatensystem zu projizieren. Das Werkzeug ArcGIS Project Raster wird zum Ausführen der Projektion verwendet und akzeptiert die folgenden Werte:

  • NEAREST - Nächster Nachbar-Interpolation
  • BILINEAR - bilineare Interpolation
  • CUBIC - kubische Faltung

Sie müssen einen dieser Algorithmen angeben, um auf ein neues Koordinatensystem zu projizieren. Ein Fehler wird ausgegeben, wenn Sie ein neues Koordinatensystem angeben, ohne einen Algorithmus auszuwählen.

projizierte Zellengröße

Python-Typ:schweben oder Keiner
Standardwert:Keiner

Die Zellengröße des projizierten Koordinatensystems. Obwohl dieser Parameter optional ist, wird in der ArcGIS-Dokumentation empfohlen, ihn beim Projizieren in ein neues Koordinatensystem immer anzugeben, um die besten Ergebnisse zu erzielen.

Registrierungspunkt

Python-Typ:Unicode oder Keiner
Standardwert:Keiner
Minimale Länge:1
Muss mit regulärem Ausdruck übereinstimmen: ([-+]?[0-9]*.?[0-9]+([eE][-+]?[0-9]+)?)s+([-+]?[0- 9]*.?[0-9]+([eE][-+]?[0-9]+)?)

Die x- und y-Koordinaten (im Ausgaberaum), die für die Pixelausrichtung verwendet werden.

Dieser Parameter ist eine neue Option, die in ArcGIS 9.2 eingeführt wurde. Sie müssen über ArcGIS 9.2 verfügen, um diesen Parameter zu verwenden. Sie wird ignoriert, wenn Sie nicht angeben, dass das Raster auf ein neues Koordinatensystem projiziert werden soll.

ClippingRechteck

Python-Typ:Unicode oder Keiner
Standardwert:Keiner
Minimale Länge:1
Muss mit regulärem Ausdruck übereinstimmen: ([-+]?[0-9]*.?[0-9]+([eE][-+]?[0-9]+)?)s+([-+]?[0- 9]*.?[0-9]+([eE][-+]?[0-9]+)?)s+([-+]?[0-9]*.?[0- 9]+([eE][-+]?[0-9]+)?)s+([-+]?[0-9]*.?[0-9]+([eE][- +]?[0-9]+)?)

Rechteck, auf das das Raster zugeschnitten werden soll.

Wenn ein projiziertes Koordinatensystem angegeben wurde, wird das Ausschneiden nach der Projektion durchgeführt und die Koordinaten des Rechtecks ​​sollten im neuen Koordinatensystem angegeben werden. Wenn kein projiziertes Koordinatensystem angegeben wurde, sollten die Koordinaten im ursprünglichen Koordinatensystem angegeben werden.

Das Werkzeug ArcGIS Clip wird verwendet, um den Clip auszuführen. Das Ausschneiderechteck muss als eine Folge von vier durch Leerzeichen getrennten Zahlen an dieses Werkzeug übergeben werden. Die ArcGIS-Benutzeroberfläche formatiert die Zeichenfolge automatisch richtig, wenn dieses Werkzeug über die ArcGIS-Benutzeroberfläche aufgerufen wird. Sie müssen sich nicht um das Format kümmern. Achten Sie beim programmgesteuerten Aufrufen jedoch darauf, eine richtig formatierte Zeichenfolge bereitzustellen. Die Nummern sind LINKS, UNTEN, RECHTS, OBEN geordnet. Wenn sich das Raster beispielsweise in einem geografischen Koordinatensystem befindet, kann es mit der folgenden Zeichenfolge auf 10 W, 15 S, 20 E und 25 N beschnitten werden:

Es können ganze Zahlen oder Dezimalzahlen angegeben werden.

mapAlgebraExpression

Python-Typ:Unicode oder Keiner
Standardwert:Keiner
Minimale Länge:1
Maximale Länge:4000

Algebra-Ausdruck zuordnen, der im Raster ausgeführt werden soll.

WARNUNG: Der ArcGIS Geoprocessing Model Builder kann den Wert dieses Parameters zufällig und im Hintergrund löschen. Dies ist ein Fehler in ArcGIS. Bevor Sie ein gespeichertes Modell ausführen, öffnen Sie dieses Werkzeug und überprüfen Sie, ob der Parameterwert noch vorhanden ist.

Der Ausdruck wird ausgeführt, nachdem das konvertierte Raster projiziert und abgeschnitten wurde (sofern diese Optionen angegeben sind). Verwenden Sie die Zeichenfolge inputRaster, bei der die Groß-/Kleinschreibung beachtet wird, um das Raster darzustellen, für das Sie jetzt Kartenalgebra ausführen möchten. Um beispielsweise das Raster in ein Ganzzahl-Raster zu konvertieren und allen Zellen 1 hinzuzufügen, verwenden Sie diesen Ausdruck:

Bei der Zeichenfolge inputRaster wird die Groß-/Kleinschreibung beachtet. Vor der Ausführung des Map-Algebra-Ausdrucks wird die Zeichenfolge durch den Pfad zu einem temporären Raster ersetzt, das das generierte Raster darstellt.Der endgültige Ausdruck muss weniger als 4000 Zeichen lang sein, sonst meldet ArcGIS einen Fehler.

Das ArcGIS Single Output Map Algebra-Werkzeug wird verwendet, um den Map-Algebra-Ausdruck auszuführen. Sie benötigen eine Lizenz für die Erweiterung ArcGIS Spatial Analyst, um Kartenalgebra ausführen zu können.

Die Syntax der Map-Algebra kann sehr wählerisch sein. Hier sind einige Tipps, die Ihnen helfen, mit diesem Tool erfolgreich zu sein:

  • Bevor Sie dieses Werkzeug verwenden, konstruieren und testen Sie Ihren Kartenalgebra-Ausdruck mit dem ArcGIS Single Output Map Algebra-Werkzeug. Fügen Sie dann den Ausdruck in dieses Werkzeug ein und bearbeiten Sie ihn, um die Variable inputRaster anstelle des Testwerts zu verwenden, den Sie mit Single Output Map Algebra verwendet haben.
  • Wenn Sie Ihren Ausdruck direkt in diesem Tool entwickeln, beginnen Sie mit einem sehr einfachen Ausdruck. Stellen Sie sicher, dass es richtig funktioniert, fügen Sie ein wenig hinzu und überprüfen Sie es erneut. Wiederholen Sie diesen Vorgang, bis Sie den vollständigen Ausdruck aufgebaut haben.
  • Trennen Sie mathematische Operatoren immer mit Leerzeichen von Rasterpfaden. Im obigen Beispiel enthält der / -Operator auf beiden Seiten ein Leerzeichen. Folgen Sie diesem Muster. Unter bestimmten Umständen kann ArcGIS Raster-Algebra-Ausdrücke nicht verarbeiten, die Raster-Pfade nicht von Operatoren trennen, die Leerzeichen verwenden. Die gemeldete Fehlermeldung weist normalerweise nicht darauf hin, dass dies das Problem ist, und es kann sehr frustrierend sein, es zu finden.

Bei True werden Pyramiden für das Raster erstellt, wodurch die Anzeigegeschwindigkeit in der ArcGIS-Benutzeroberfläche verbessert wird.

AusgabeRasterPythonExpression

Python-Typ:Unicode oder Keiner
Standardwert: u'os.path.join(outputWorkspace, Metadaten['Regionscode'], Metadaten['Satellite'], Metadaten['Variable'], Metadaten['Bild Datum/Uhrzeit'].strftime('%Y'), Metadaten[ 'Abkürzung'] + Metadaten['Bild Datum/Uhrzeit'].strftime('%Y%j%H%M'))'
Minimale Länge:1

Python-Ausdruck, der verwendet wird, um den absoluten Pfad eines Ausgabe-Rasters zu berechnen. Der Ausdruck kann eine beliebige Python-Anweisung sein, die für die Übergabe an die eval-Funktion geeignet ist und muss einen Unicode-String zurückgeben. Der Ausdruck kann auf die folgenden Variablen verweisen:

  • directoryToSearch - der Wert, der für den Parameter zum Durchsuchen des Verzeichnisses bereitgestellt wird
  • outputWorkspace - der für den Ausgabe-Workspace-Parameter bereitgestellte Wert
  • inputFile - der absolute Pfad zur Eingabe-CoastWatch-Datei
  • Metadaten - ein Wörterbuch der CoastWatch-Metadaten über die Datei und Variable (siehe unten)

speichert das Raster im Ausgabe-Workspace in einer Unterverzeichnisstruktur basierend auf dem CoastWatch-Regionscode, dem Satelliten usw. Wenn beispielsweise die Variable sst aus der Datei 2007_066_0459_n17_wn.hdf mit dem obigen Ausdruck in das Ausgabeverzeichnis C:CoastWatch extrahiert wurde, lautet der Ausgabe-Raster-Pfad:

Die folgenden Schlüssel sind im Metadatenwörterbuch verfügbar. Der Python-Datentyp des Werts für den Schlüssel wird in Klammern angezeigt. Denken Sie daran, dass Sie, wenn der Wert kein String ist, ihn in einen konvertieren müssen, bevor Sie ihn in Pythons os.path-Funktion verwenden können:

    'Variable' (str) - Vollständiger Name der CoastWatch-Variablen, die zur Verarbeitung aus der Datei extrahiert wurde. Zum Zeitpunkt dieses Schreibens war bekannt, dass das CoastWatch-Programm Dateien mit diesen Variablen veröffentlicht hatte:

Weitere Informationen zur Python-Syntax finden Sie in der Python-Dokumentation.

moduleToImport

Python-Typ:aufführen von Unicode, oder Keiner
Standardwert: [ u'os.pfad' ]
Minimale Länge:0

Python-Module, die vor der Auswertung des Ausdrucks importiert werden sollen. Wenn Sie auf Python-Funktionen oder -Klassen zugreifen müssen, die von einem Modul bereitgestellt werden und nicht in den Interpreter integriert sind, listen Sie das Modul hier auf. Um beispielsweise die datetime-Klasse in Ihrem Ausdruck verwenden zu können, listen Sie hier das datetime-Modul auf. In Ihrem Ausdruck müssen Sie mit ihrem vollständig qualifizierten Namen datetime.datetime auf die Klasse verweisen.

überspringenBestehende

Python-Typ:bool
Standardwert: Falsch

Bei True wird die Konvertierung für bereits vorhandene Ausgabe-Raster übersprungen.

überschreiben bestehende

Python-Typ:bool
Standardwert: Falsch

Wenn True und skipExisting False ist, werden vorhandene Ausgabe-Raster überschrieben.


Schau das Video: ModelBuilder Introduction