Mehr

Reclassify sagt: 'Eindeutige Werte können nicht aus Raster abgerufen werden, Werte aus Dialog verwenden'

Reclassify sagt: 'Eindeutige Werte können nicht aus Raster abgerufen werden, Werte aus Dialog verwenden'


Ich verwende ArcGIS 10.2. Immer wenn ich einen Raster-Layer neu klassifiziere, erhalte ich die folgende Meldung:

Eindeutige Werte können nicht aus einem Raster abgerufen werden, wenn Werte aus dem Dialogfeld verwendet werden

Dies hindert nicht daran, mit der Umgliederung fortzufahren. Ich habe festgestellt, dass ich diese Nachricht nicht erhalte, wenn ich die Daten vor der Neuklassifizierung in Integer umwandele.

Ich möchte jedoch nicht alle meine Daten in ganze Zahlen umwandeln, zumal ich Daten verwende, die durch Werte von weniger als eins dargestellt werden und daher den zusätzlichen Schritt benötigen, die Raster vor der Integration mit 1000 zu multiplizieren.

Was bedeutet diese Fehlermeldung? Kann ich es einfach ignorieren? Beeinflusst es die Genauigkeit der Umklassifizierungen?


Vom ESRI-Support: Erhöhen Sie die maximale Anzahl eindeutiger Werte, die in einer Raster-Attributtabelle zulässig sind

Versuchen Sie, die maximale Anzahl eindeutiger Werte auf einen Wert zu setzen, der größer ist als die Anzahl der Zellen im Raster-Dataset. Ich vermute, es wird verschwinden.

  • Klicken Sie in ArcMap oder ArcCatalog auf Werkzeuge > Optionen. (Klicken Sie in ArcGIS 10 auf Anpassen > ArcMap-Optionen.)
  • Klicken Sie auf die Registerkarte Raster.
  • Wählen Sie die Unterregisterkarte mit dem Namen Raster-Attributtabelle aus. (In ArcGIS 10 befindet es sich auf der Unterregisterkarte Raster-Dataset.)
  • Erhöhen Sie die maximale Anzahl.

Ich glaube nicht, dass es die Reclass um ein Jota ändert. Nur ein Ärgernis.


Laborübung 6: Räumliche Analyse mit Rastern

  • Allgemeine Richtlinien für Fernunterricht: http://web.mit.edu/11.188/www/remoteaccess/index.html
  • Organisation der heutigen Sitzung
    • Begrüßung und Round-Table-Hallo (20 Minuten)
      • Informell – wir lernen alle, online zu arbeiten – mit Geduld und oft ernsthaften Ablenkungen
      • Rida und Joe: Überprüfungsplan für die Verwendung von Zoom
        • Heben Sie die „Hand“ und verwenden Sie Ausbrüche nach Bedarf
        • Teilen Sie den Bildschirm, um Notizen/Illustrationen zu sehen, und damit wir den Schülerbildschirm anzeigen können
        • Aufzeichnen von Sitzungen und Posten von Links auf Stellar
        • Haben Sie Fragen, die eine allgemeine Diskussion für alle oder in einem privaten Breakout erfordern?
        • Posten Sie 'Zoom Room'-Codes und Links zu aufgezeichneten Sitzungen nur auf Stellar (oder in E-Mails)
        • Touchstone-Authentifizierung erforderlich, um Klassen-"Räumen" beizutreten

        Zunächst ein paar Karten und räumliche Analysen im Zusammenhang mit Covid-19 zu untersuchen

        • Räumliche Verteilung von ungewöhnlich hoher Körpertemperatur in den USA
          • HealthWeather-Karte nach Hersteller (Kinsa): https://healthweather.us/
          • NYTimes 18. März 2020, Artikel: https://www.nytimes.com/2020/03/18/health/coronavirus-fieber-thermometers.html
          • IHME-Prognose (U. Washington): https://covid19.healthdata.org/projections
          • Zeitschriftenartikel zur Erklärung der Prognose: http://www.healthdata.org/research-article/forecasting-covid-19-impact-hospital-bed-days-icu-days-ventilator-days-and-deaths

          Der clevere Weg, dies zu tun, besteht darin, eine Datenstruktur zu verwenden, die es einfach und effizient macht, wie Counter :

          Das Erstellen des Zählers dauert O(N) Zeit, im Gegensatz zu O(N log N) Zeit zum Sortieren oder O(N^2) zum Zählen jedes Elements jedes Mal von vorne.

          Aber die ids-Liste wird wahrscheinlich ziemlich lang, und ich möchte realistischerweise nicht, dass eine while-Schleife auf einem teuren len-Aufruf basiert, wenn ich es vermeiden kann.

          len ist nicht teuer. Es ist eine konstante Zeit und (zumindest auf der Liste der eingebauten Typen list list ) ungefähr so ​​schnell, wie eine Funktion in Python möglicherweise erreichen kann, ohne überhaupt nichts zu tun.

          Der teuerste Teil Ihres Codes ist der Aufruf von elem in Singles innerhalb der Schleife – das bedeutet, dass Sie jedes Element mit potenziell jedem anderen Element vergleichen müssen, was quadratische Zeit bedeutet.


          Transparenz in Legenden

          Wenn Ihre Karte Layer mit Transparenz enthält, simuliert ArcMap die transparenten Farben in Ihrer Legende. Wenn Layer in einem Datenrahmen transparent gemacht werden, verwenden das Inhaltsverzeichnis und die Legenden in der Layoutansicht automatisch hellere Farben, um die Transparenz widerzuspiegeln.

          Die Option zum Simulieren von Transparenz in Legenden wird auf der Registerkarte Allgemein im Dialogfeld Datenrahmeneigenschaften festgelegt. Wenn diese Option aktiviert ist, werden auf einer Ebene gezeichnete, leuchtend rote Polygone in der Legende je nach dem auf die Ebene angewendeten Prozentsatz der Transparenz hellrot oder rosa angezeigt. Wenn die Option Transparenz simulieren deaktiviert ist, zeigt die Legende jedoch immer noch das durchgehende rote Polygonsymbol an, obwohl die Polygone auf der Karte nicht rot erscheinen, da der Layer transparent ist.

          Außerdem können Sie die Legende in Grafiken umwandeln und die Legenden-Patchfarben manuell festlegen. Mit dem Pipettenwerkzeug können Sie den genauen RGB-Wert eines Pixels ermitteln und diese Farbe für das Legendenfeld verwenden.


          NS. Gehäusewerte mit CAMBBGRP . interpolieren

            Eine andere Strategie zur Interpolation einer Wohnwertoberfläche wäre die Verwendung des Median-Wohnwertfelds, med_hvalue, aus den verfügbaren Volkszählungsdaten in cambbgrp. Es gibt mehrere Möglichkeiten, die Blockgruppendaten zu verwenden, um eine Wohnwertoberfläche zu interpolieren. Ein Ansatz wäre genau analog zu dem Verkauf89 Methode. Wir könnten davon ausgehen, dass der Blockgruppen-Median für einen bestimmten Punkt im 'Center' jeder Blockgruppe. Dann könnten wir die Oberfläche wie oben interpolieren, wenn wir annehmen, dass es einen Hausverkauf gab, der zum Median der Blockgruppe zum 'Center' Punkt. Ein zweiter Ansatz wäre, jeden Blockgruppen-Median als einen Durchschnittswert zu behandeln, der für die gesamte Blockgruppe angemessen ist. Wir könnten dann die Blockgruppen in Rasterzellen rastern und die Zellenschätzungen glätten, indem wir sie basierend auf dem durchschnittlichen Wohnwert benachbarter Zellen nach oben oder unten anpassen.

          Versuchen wir den ersten Ansatz. Dieser Ansatz erfordert Blockgruppenschwerpunkte, aber wir haben bereits in früheren Vorlesungen und Übungen gezeigt, wie man sie erstellt. Die Schwerpunkte der Cambridge-Blockgruppe wurden gespeichert (zusammen mit einigen Spalten aus dem cambbgrp Shapefile) im Shapefile cambbgrp_point. Stellen Sie sicher, dass Ihrem Datenrahmen Layer hinzugefügt wurde, und gehen Sie dann wie folgt vor:

          • Auswählen Spatial Analyst > In Raster interpolieren und wählen Sie 'Inverse Distance Weighted'.
          • Auswählen cambbgrp_point als Ihre Eingabeebene und med_hvalue als Ihr Z-Wert-Feld. Nehmen Sie die Standardeinstellungen für Methode, Nachbarn und Leistung.
          • Benennen Sie diese Ebene hvalue_point.
          • Klicken OK und Sie sollten eine schattierte Oberfläche wie diese erhalten:
            (Beim Benutzen Quantil, 9 Klassen)
          • Falls noch nicht geschehen, fügen Sie die cambbgrp.shp zu Ihrem Datenrahmen.
          • Auswählen Spatial Analyst > Konvertieren > Feature in Raster. Das Funktionen zu Raster Fenster wird angezeigt.
            • Wählen cambbgrpfür die Eingabefunktionen.
            • Wählen MED_HVALUE für die Feld.
            • Die Größe der Ausgabezelle sollte sein 100
            • Legen Sie den Speicherort für die fest Ausgaberaster ein beschreibbares lokales Laufwerk sein (wie z C:Benutzertemp) und den Namen der Rasterdatei (cambbgrpgd) und klicke OK.
              • Eingabedaten: CAMBBGRPGD
              • Feld: Wert
              • Statistiktyp: Bedeuten
              • Gegend: Rechteck
              • Breite: 3
              • Höhe: 3
              • Einheiten: Zelle
              • Größe der Ausgabezelle: 100
              • Ausgabe-Raster: [Ihr Arbeitsbereich]/hvalue_poly


              Klicken 'OK' und der hvalue_poly-Layer wird Ihrem Datenrahmen hinzugefügt. Ändern Sie die Klassifizierungsmethode in "Quantile". Sie sollten so etwas bekommen:
              (Beim Benutzen Quantil, 8 Klassen)

              Abb. 7. Glättung durch Nachbarschaftsstatistikfunktion


              Beachten Sie die No-Data cambordergd Zellen, die unter der neuen Oberfläche hervorragen, und bemerken, dass die interpolierten Werte in der Nähe der Zellen ohne Daten nicht so schnell abfallen wie zuvor (z. B. in der Nähe des Harvard Square). Sie werden auch feststellen, dass die Kategorien mit niedrigem Wert über 100.000 USD beginnen und nicht wie zuvor bei 0. Diese Oberfläche ist ungefähr so ​​gut wie eine Interpolation, die wir mit den Blockgruppendaten erhalten werden.

              Kommentieren Sie kurz einige der Eigenschaften dieser interpolierten Oberfläche von med_hvalue im Vergleich zu denen, die aus den sales89-Daten abgeleitet wurden. Sind die Hot-Spots konzentrierter oder diffuser? Führt der eine oder andere Ansatz zu einer größeren räumlichen Variabilität?


              PostGIS-Layer¶

              PostGIS-Layer werden in einer PostgreSQL-Datenbank gespeichert. Die Vorteile von PostGIS sind die Möglichkeiten zur räumlichen Indexierung, Filterung und Abfrage. Mit PostGIS arbeiten Vektorfunktionen wie Auswählen und Identifizieren genauer als mit OGR-Layern in QGIS.

              Erstellen einer gespeicherten Verbindung¶

              Wenn Sie zum ersten Mal eine PostGIS-Datenquelle verwenden, müssen Sie eine Verbindung zur PostgreSQL-Datenbank herstellen, die die Daten enthält. Beginnen Sie mit einem Klick auf das Schaltfläche "PostGIS-Layer hinzufügen" in der Symbolleiste, Auswahl der Schaltfläche PostGIS-Layer hinzufügen. Option von der Schicht Menü oder Eingabe Strg+Umschalt+D . Sie können auch die öffnen Vektorebene hinzufügen Dialog und wählen Sie Datenbank. Das PostGIS-Tabelle(n) hinzufügen Dialog wird angezeigt. Um auf den Verbindungsmanager zuzugreifen, klicken Sie auf das [Neu] Taste, um die anzuzeigen Erstellen Sie eine neue PostGIS-Verbindung Dialog. Die für eine Verbindung erforderlichen Parameter sind:

              • Name: Ein Name für diese Verbindung. Es kann dasselbe sein wie Datenbank.
              • Service: Dienstparameter, der alternativ zu Hostname/Port (und ggf. Datenbank) verwendet werden soll. Dies kann definiert werden in pg_service.conf . Überprüf den Dienstverbindungsdatei Abschnitt für weitere Details.
              • Gastgeber: Name des Datenbankhosts. Dies muss ein auflösbarer Hostname sein, wie er zum Öffnen einer Telnet-Verbindung oder zum Pingen des Hosts verwendet wird. Wenn sich die Datenbank auf demselben Computer wie QGIS befindet, geben Sie einfach ein ‘localhost’ hier.
              • Hafen: Portnummer, auf der der PostgreSQL-Datenbankserver lauscht. Der Standardport ist 5432.
              • Datenbank: Name der Datenbank.
              • SSL-Modus: Wie die SSL-Verbindung mit dem Server ausgehandelt wird. Beachten Sie, dass durch die Deaktivierung von SSL im Verbindungseditor massive Beschleunigungen beim PostGIS-Layer-Rendering erreicht werden können. Folgende Optionen stehen zur Verfügung:
                • Deaktivieren: Versuchen Sie nur eine unverschlüsselte SSL-Verbindung.
                • Zulassen: Versuchen Sie es mit einer Nicht-SSL-Verbindung. Wenn dies fehlschlägt, versuchen Sie es mit einer SSL-Verbindung.
                • Bevorzugen (Standard): Versuchen Sie eine SSL-Verbindung. Wenn dies fehlschlägt, versuchen Sie es mit einer Nicht-SSL-Verbindung.
                • Voraussetzung: Versuchen Sie nur eine SSL-Verbindung.

                Optional können Sie folgende Checkboxen aktivieren:

                  Benutzername speichernPasswort speichernSchauen Sie nur in der Geometrie_Columns-Tabelle nachTyp von nicht eingeschränkten Spalten nicht auflösen (GEOMETRY)Nur im Schema ‘public’ suchenListen Sie auch Tabellen ohne Geometrie aufGeschätzte Tabellenmetadaten verwenden

                Nachdem alle Parameter und Optionen eingestellt sind, können Sie die Verbindung testen, indem Sie auf das [Verbindung testen] Taste.

                Verwenden Sie geschätzte Tabellenmetadaten, um Vorgänge zu beschleunigen

                Beim Initialisieren von Layern können verschiedene Abfragen erforderlich sein, um die Eigenschaften der in der Datenbanktabelle gespeicherten Geometrien zu ermitteln. Wenn der Geschätzte Tabellenmetadaten verwenden Wenn die Option aktiviert ist, untersuchen diese Abfragen nur eine Stichprobe der Zeilen und verwenden die Tabellenstatistiken und nicht die gesamte Tabelle. Dies kann Operationen mit großen Datensätzen drastisch beschleunigen, kann aber zu einer falschen Charakterisierung von Layern führen (z nicht.

                Laden eines PostGIS-Layers¶

                Sobald Sie eine oder mehrere Verbindungen definiert haben, können Sie Layer aus der PostgreSQL-Datenbank laden. Dies setzt natürlich voraus, dass Daten in PostgreSQL vorliegen. Siehe Sektion Daten in PostgreSQL importieren für eine Diskussion zum Importieren von Daten in die Datenbank.

                Um einen Layer aus PostGIS zu laden, führen Sie die folgenden Schritte aus:

                • Wenn die PostGIS-Layer hinzufügen Dialog noch nicht geöffnet ist, wählen Sie die PostGIS-Layer hinzufügen. Option von der Schicht Menü oder Eingabe Strg+Umschalt+D öffnet den Dialog.
                • Wählen Sie die Verbindung aus der Dropdown-Liste und klicken Sie auf [Verbinden].
                • Auswählen oder die Auswahl aufheben Listen Sie auch Tabellen ohne Geometrie auf.
                • Verwenden Sie optional einige Suchoptionen um zu definieren, welche Features aus dem Layer geladen werden sollen, oder verwenden Sie die [Abfrage erstellen] Taste zum Starten des Abfrage Ersteller Dialog.
                • Suchen Sie die Layer, die Sie hinzufügen möchten, in der Liste der verfügbaren Layer.
                • Wählen Sie es aus, indem Sie darauf klicken. Sie können mehrere Ebenen auswählen, indem Sie die Taste . gedrückt halten Verschiebung Taste beim Klicken. Siehe Sektion Abfrage Ersteller Informationen zur Verwendung des PostgreSQL Query Builder zum weiteren Definieren des Layers.
                • Klicken Sie auf die [Hinzufügen] Schaltfläche, um den Layer zur Karte hinzuzufügen.

                PostGIS-Layer

                Normalerweise wird ein PostGIS-Layer durch einen Eintrag in der Tabelle "geometry_columns" definiert. Ab Version 0.9.0 kann QGIS Layer laden, die keinen Eintrag in der Geometrie_Spalten-Tabelle haben. Dies umfasst sowohl Tabellen als auch Ansichten. Das Definieren einer räumlichen Ansicht bietet eine leistungsstarke Möglichkeit, Ihre Daten zu visualisieren. Informationen zum Erstellen von Ansichten finden Sie in Ihrem PostgreSQL-Handbuch.

                Dienstverbindungsdatei¶

                Die Dienstverbindungsdatei ermöglicht die Zuordnung von PostgreSQL-Verbindungsparametern zu einem einzigen Dienstnamen. Dieser Dienstname kann dann von einem Client angegeben werden und die zugehörigen Einstellungen werden verwendet.

                Es heißt .pg_service.conf unter *nix Systemen (GNU/Linux, macOS etc.) und pg_service.conf auf Windows.

                Die Servicedatei sieht wie folgt aus:

                Im obigen Beispiel gibt es zwei Dienste: Wasserservice und Abwasser_Service . Sie können diese verwenden, um sich von QGIS, pgAdmin usw. zu verbinden, indem Sie nur den Namen des Dienstes angeben, zu dem Sie eine Verbindung herstellen möchten (ohne die einschließenden Klammern). Wenn Sie den Dienst mit nutzen möchten psql du musst sowas machen export PGSERVICE=water_service bevor Sie Ihre psql-Befehle ausführen.

                Alle Parameter findest du hier

                Wenn Sie die Passwörter nicht in der Servicedatei speichern möchten, können Sie die Option .pg_pass verwenden.

                Auf *nix-Betriebssystemen (GNU/Linux, macOS etc.) können Sie die .pg_service.conf Datei im Home-Verzeichnis des Benutzers und die PostgreSQL-Clients werden automatisch darauf aufmerksam. Zum Beispiel, wenn der angemeldete Benutzer Netz , .pg_service.conf sollte im gespeichert werden /home/web/ Verzeichnis, um direkt zu arbeiten (ohne Angabe anderer Umgebungsvariablen).

                Sie können den Speicherort der Servicedatei angeben, indem Sie a PGSERVICEFILE Umgebungsvariable (z.B. führen Sie die export PGSERVICEFILE=/home/web/.pg_service.conf Befehl unter Ihrem * nix OS, um die PGSERVICEFILE Variable)

                Sie können die Servicedatei auch systemweit (alle Benutzer) verfügbar machen, indem Sie sie entweder unter pg_config --sysconfdir``**/.pg_service.conf** oder durch Hinzufügen von ``PGSYSCONFDIR Umgebungsvariable, um das Verzeichnis anzugeben, das die Servicedatei enthält. Wenn in der Benutzer- und der Systemdatei gleichnamige Service-Definitionen vorhanden sind, hat die Benutzerdatei Vorrang.

                Es gibt einige Vorbehalte unter Windows:

                • Die Servicedatei sollte gespeichert werden als pg_service.conf und nicht wie .pg_service.conf .
                • Die Servicedatei sollte im Unix-Format gespeichert werden, damit sie funktioniert. Eine Möglichkeit, dies zu tun, besteht darin, es mit Notepad ++ zu öffnen und Bearbeiten -> EOL-Konvertierung -> UNIX-Format -> Datei speichern .
                • Nachdem Sie eine Umgebungsvariable hinzugefügt haben, müssen Sie möglicherweise auch den Computer neu starten.

                Einige Details zu PostgreSQL-Ebenen¶

                Dieser Abschnitt enthält einige Details darüber, wie QGIS auf PostgreSQL-Layer zugreift. Meistens sollte QGIS Ihnen einfach eine Liste von Datenbanktabellen zur Verfügung stellen, die geladen werden können, und es wird diese auf Anfrage laden. Wenn Sie jedoch Probleme beim Laden einer PostgreSQL-Tabelle in QGIS haben, können Ihnen die folgenden Informationen helfen, QGIS-Nachrichten zu verstehen und Ihnen Anweisungen zum Ändern der PostgreSQL-Tabelle oder Ansichtsdefinition geben, damit QGIS sie laden kann.

                QGIS erfordert, dass PostgreSQL-Layer eine Spalte enthalten, die als eindeutiger Schlüssel für den Layer verwendet werden kann. Für Tabellen bedeutet dies normalerweise, dass die Tabelle einen Primärschlüssel oder eine Spalte mit einer eindeutigen Einschränkung benötigt. In QGIS muss diese Spalte vom Typ int4 sein (eine ganze Zahl der Größe 4 Byte). Alternativ kann die Spalte ctid als Primärschlüssel verwendet werden. Wenn eine Tabelle diese Elemente nicht enthält, wird stattdessen die Spalte oid verwendet. Die Leistung wird verbessert, wenn die Spalte indiziert wird (beachten Sie, dass Primärschlüssel in PostgreSQL automatisch indiziert werden).

                Wenn die PostgreSQL-Schicht eine Ansicht ist, gilt dieselbe Anforderung, aber Ansichten haben keine Primärschlüssel oder Spalten mit eindeutigen Einschränkungen. Sie müssen im QGIS-Dialog ein Primärschlüsselfeld (muss ganzzahlig sein) definieren, bevor Sie die Ansicht laden können. Wenn in der Ansicht keine geeignete Spalte vorhanden ist, wird QGIS den Layer nicht laden. In diesem Fall besteht die Lösung darin, die Ansicht so zu ändern, dass sie eine geeignete Spalte enthält (eine Art von Ganzzahl und entweder einen Primärschlüssel oder mit einer eindeutigen Einschränkung, vorzugsweise indiziert).

                QGIS bietet eine Checkbox Wählen Sie bei id die standardmäßig aktiviert ist. Diese Option ruft die IDs ohne die Attribute ab, was in den meisten Fällen schneller ist. Es kann sinnvoll sein, diese Option zu deaktivieren, wenn Sie teure Ansichten verwenden.

                Backup der PostGIS-Datenbank mit Layern, die von QGIS gespeichert wurden

                Wenn Sie eine Sicherung Ihrer PostGIS-Datenbank mit dem pg_dump und pg_restore Befehle und die von QGIS gespeicherten Standard-Layer-Stile können danach nicht wiederhergestellt werden, müssen Sie die XML-Option auf . setzen DOKUMENTIEREN und die Wiederherstellung funktioniert.

                QGIS ermöglicht das Filtern von Features bereits auf der Serverseite. Überprüf den Ausführen von Ausdrücken auf der Postgres-Serverseite, wenn möglich (experimentell) Kontrollkästchen dazu. Nur unterstützte Ausdrücke werden an die Datenbank gesendet. Ausdrücke, die nicht unterstützte Operatoren oder Funktionen verwenden, greifen problemlos auf die lokale Auswertung zurück.


                Reclassify sagt: 'Eindeutige Werte können nicht aus Rastern erhalten werden, mit Werten aus Dialog' - Geographic Information Systems

                LAB 5.2: Globale Eignung für Solarstrom (Bewölkung) [ 5.1, 5.2, 5.3 , 5.4 ]

                Die von uns verwendeten Datenschichten für das Klima wurden von Dr. Wolfgant Cramer erstellt, der für die Erstellung der KLIMA Datenbank mit gerasterten Klimavariablen. Wir werden die Klimadaten aus den Global Ecosystems Datasets der NOAA beziehen.

                Schritt 1 – Bereinigung von Lab 5.1 (TOA)

                Die Verwendung eines GIS zum Generieren von Daten führt zu ziemlich vielen Zwischendateien. In früheren Zeiten wäre es aufgrund von Speicherplatzbeschränkungen entscheidend gewesen, die nutzlosen Dateien zu löschen. Dies zwang einen GIS-Techniker, den Überblick über alle Dateien zu behalten und was zu welchem ​​Zweck. Jetzt, da Festplatten so viel Speicherplatz beanspruchen, ist das kein Problem mehr, aber die Organisation liegt daran, dass Sie sehr schnell den Überblick verlieren. Obwohl Sie nur einen Datensatz generiert haben, haben Sie wahrscheinlich einige Dateien, die Sie nicht benötigen.

                * Ich gehe davon aus, dass Sie überprüft haben, ob Ihr TOA-Gitter korrekt ist, es keine Lücken gibt, die GRID_CODE-Werte alle aktualisiert wurden und sie die Bewegung N/S vom Äquator erhöhen.

                Schritt 1.1 - Exportieren Sie das endgültige TOA-Raster

                Starten Sie den Windows Explorer, gehen Sie zu C:WorkSpacelab5. Gehen Sie zu Ansicht -> Details und listen Sie den Inhalt auf

                Das Raster (Raster), das Sie aus dem Punkt-Shapefile erstellt haben, ist eigentlich ein Ordner mit darin enthaltenen Dateien.Andere Dateien, die in einem anderen Ordner namens "info" enthalten sind, werden mit den Dateien im Ordner des Rasters verknüpft. Im Windows Explorer können Sie diesen mysteriösen Info-Ordner sehen. Sie können diese Daten (Raster) nicht einfach kopieren und einfügen, wie dies bei allen Komponentendateien möglich ist, die ein Shapefile bilden. Dies ist ein Nachteil dieser Formate.

                Öffnen Sie das Kartenlayout, das Sie für die TOA-Karte für Lab 5.1 erstellt haben. Wenn ArcMap rote Ausrufezeichen anzeigt, weil es die Daten nicht finden kann, klicken Sie mit der rechten Maustaste auf den toa_grid500k-Layer, wählen Sie Eigenschaften, und auf der Registerkarte Quelle befindet sich eine Schaltfläche mit der Bezeichnung Datenquelle festlegen, mit der Sie die Dateien suchen können, die ArcMap benötigt.

                Wenn das Koordinatensystem für den Datenrahmen noch nicht festgelegt ist, stellen Sie es mit Ansicht -> Datenrahmen-Eigenschaften -> Koordinatensystem auf Platte Carree (WGS 1984) ein. Klicken Sie mit der rechten Maustaste auf den Daten-Layer in ArcMap und führen Sie Daten -> Daten exportieren aus. Wählen Sie unter Raumbezug im Dialogfeld Rasterdaten exportieren die Option Datenrahmen (Aktuell). Dadurch behalten die exportierten Daten, wie Sie bereits wissen, die Projektionsinformationen dieser Daten bei (dem neuen Raster wird die Plate Carree-Projektion zugewiesen).

                Klicken Sie mit der rechten Maustaste auf toa_grid500k, gehen Sie zu Daten -> Daten exportieren. Geben Sie im sich öffnenden Dialogfeld als Standort lab5_data an. Benennen Sie das neue Raster "toa" und wählen Sie Datenrahmen (Aktuell) für den Raumbezug.

                Bevor Sie ArcMap schließen, speichern Sie das Kartenlayout im Ordner lab5_data und benennen Sie es entsprechend. Nachdem Sie die Karte in lab5_data gespeichert haben, klicken Sie mit der rechten Maustaste auf den Daten-Layer, wählen Sie Eigenschaften, klicken Sie auf der Registerkarte Quelle auf die Schaltfläche Datenquelle festlegen und weisen Sie ArcMap an, das TOA-Gitter im gerade exportierten Ordner lab5_data zu verwenden.

                Nachdem Sie nun das TOA-Raster in den Ordner lab5_data exportiert (kopiert) und ein neues Kartenlayout mit diesen Daten erstellt haben, können wir aufräumen. ArcMap schließen

                Schritt 1.2 - Verwenden Sie WinZip, um die alten Sachen zu archivieren

                Gehen Sie zurück zum Windows-Explorer. Wählen Sie alles im lab5-Ordner außer lab5_data aus. Klicken Sie mit der rechten Maustaste, und wählen Sie Zu ZIP-Datei hinzufügen aus. und erstellen Sie ein Archiv namens "lab5.1archive.zip". Stellen Sie sicher, dass sich der Ausgabepfad im lab5-Ordner befindet und nicht in einem Ordner unterhalb der aktuellen Ebene von lab5_data. Stellen Sie außerdem sicher, dass die .zip-Dateierweiterung am Ende steht.

                Nachdem WinZip die lab5.1archive.zip erstellt hat, löschen Sie alles und akzeptieren Sie den Ordner lab5_data und lab5.1archive.zip. Alles, was Sie im lab5-Ordner haben sollten, ist der Stammdatenordner und die Datei archive.zip.

                Im Ordner lab5_data befinden sich zwei Datensätze, das TOA-Grid (und der zugehörige Info-Ordner) und alle Dateien, aus denen das Länder-Shapefile besteht. Sie sollten das TOA-Kartenlayout auch irgendwo haben, entweder im Ordner lab5_data oder woanders, wo Sie es finden können.

                Alles sauber, jetzt können wir weiterziehen.

                Schritt 2 - Holen Sie sich die Klimadaten von NOAA

                Klima- und Meteorologen sind berüchtigt für seltsame Dateiformate. Was wir tun werden, ist 12 Datendateien herunterzuladen, ein globales Bewölkungsgitter für jeden Monat des Jahres, das aus 31 Jahren Wetterstationsmessungen zusammengestellt wurde. Wir werden diese Datendateien dann in Raster umwandeln und den Durchschnitt der 12 als ein letztes Raster der "durchschnittlichen Bewölkung" berechnen. Wir werden auch ein Raster der "mittleren Bewölkung" erstellen. Dies wird Sie in den Albtraum der Dateiformatkonvertierung einführen. Wie bei dem GIF, das wir beim letzten Mal konvertiert haben, gebe ich Ihnen nur einen vorgefertigten Datensatz - Sie müssen ihn selbst erstellen! Obwohl die Daten diesmal echt sind, kein GIF, sondern in einem seltsamen Format.

                Klicken Sie auf den Link Datenstruktur und -formate über der Liste der Datensätze auf der oben verlinkten Webseite. Klicken Sie auf der Seite Datenstruktur und -formate oben auf den Link Raster-Raster. Dadurch gelangen Sie auf derselben Seite zu einem Unterabschnitt mit dem Titel "Raster Grid (image/map) Data Files". In diesem Abschnitt werden die Datendateien selbst erklärt (in der Übung 5.3 Aufsatz gibt es Fragen zu diesem Material, und Sie müssen einige dieser Dinge wissen, um diese Übung abzuschließen).

                Gehen Sie zurück zur Hauptseite (oder klicken Sie auf den obigen Link) und gehen Sie zu der Webseite, die mit den Datensätzen mit dem Titel "Leemans and Cramer ." verknüpft ist IIASA-Monatsdurchschnittswerte von Temperatur, Niederschlag und Bewölkung in einem globalen Netz."

                Der IIASA-Datensatz besteht aus drei Teilen, wir verwenden nur den Teil "Durchschnittliche monatliche "Bewölkung" (% Sonnenschein)". Aber zuerst müssen wir die Grundlagen herausfinden: 1) Was ist das Koordinatensystem? 2) Was sind die Einheiten? ("Räumliche Darstellung" in ihren Begriffen), 3) Was ist die "Quantisierung" oder "Bittiefe" ("Datendarstellung" in ihren Begriffen)?

                Andere relevante Dinge, die Sie später vielleicht über diese Daten wissen möchten, sind, welches Schema "Geographic Sampling" verwendet wurde. Welche Technik wurde verwendet, um Datenwerte zu interpolieren? Wie ist die räumliche Genauigkeit? Im Moment sind diese Fragen nicht wichtig - machen Sie zuerst die Daten und stellen Sie später Fragen!

                Erstellen Sie mit Windows Explorer einen Ordner namens "clouds" im lab5-Ordner (nicht im Ordner lab5_data, aber auf derselben Ebene in der Verzeichnisstruktur wie der Ordner lab5_data).

                Windows Explorer erstellt standardmäßig kleine Bilder/Symbole von Dingen (wie ein Mac), aber dies ist nicht nützlich, wenn Sie sich keine Bilder ansehen. Ändern Sie die Ansichtseigenschaften von Windows Explorer, um Details anzuzeigen und Dateierweiterungen anzuzeigen.

                Damit der Windows Explorer die Dateien und relevanten Informationen auflistet, gehen Sie nach oben und klicken Sie auf Ansicht -> Details, um die Dateierweiterungen anzuzeigen, gehen Sie zu Extras -> Ordneroptionen. Klicken Sie im sich öffnenden Dialog auf die Registerkarte Ansicht und deaktivieren Sie "Erweiterungen bei bekannten Dateitypen ausblenden" und klicken Sie dann auf Übernehmen. Um dies für alle geöffneten Windows Explorer-Fenster dauerhaft zu machen, klicken Sie auf die Schaltfläche "Auf alle Ordner anwenden". Klicken Sie auf OK, um das Dialogfeld Ordneroptionen zu schließen. Jetzt werden die Dateien mit ihren zugehörigen Erweiterungen zusammen mit den Dateigrößen aufgelistet.

                Laden Sie nun die Datendateien herunter. Wir verwenden nur die Durchschnittliche monatliche "Bewölkung" (% Sonnenschein) Bestandteil des IIASA-Datensatzes. Gehen Sie nach unten zum Cloudiness-Dataset (es hat ein Bild mit grünem Hintergrund und befindet sich am unteren Rand der IIASA-Webseite). Sobald Sie dort sind, klicken Sie auf den Link neben der Projektion namens "latlong.ref". Beachten Sie, dass sie das Sphäroid ein Ellipsoid nennen und das Datum ein Sphäroid. Okay, gut, damit können wir leben. WGS84 ist das Sphäroid für das von ihnen verwendete Breiten-/Längen-Koordinatensystem, und wie lautet die hier aufgeführte Projektion? (in Klammern) Siehe Übung 5.2 Aufschreiben.

                Gehen Sie wieder auf die Cloudiness-Webseite zurück und klicken Sie in der Tabelle unter Daten auf den Link „.img“.

                Wenn Sie auf den Link klicken, gelangen Sie zu einer anderen Seitenauflistung:

                lccld01.doc
                lccld01.img
                .
                .
                .
                lccld12.doc
                lccld12.img

                Wie groß sind die Datendateien? Wie groß sind die anderen .doc-Dateien? Einer ist < 1024 Byte, einer ist > 1024 Byte (also ist er in Kilobytes mit einem "K" gekennzeichnet). Diese Dateien sind klein genug, um sie schnell herunterzuladen. Gäbe es statt K ein M (oder MB, wie es bei Megabyte üblich ist), wären wir erst morgen mit dem Herunterladen dieser Dateien fertig und die Server würden wahrscheinlich nicht gut auf uns alle reagieren, wenn wir versuchen, etwa ein Gigabyte (GB, = 1024 MB) an Daten gleichzeitig.

                Klicken Sie mit der rechten Maustaste auf die erste .doc-Datei, lccld01.doc, und wählen Sie Ziel speichern unter . und legen Sie diese Datei in den von Ihnen erstellten Cloud-Ordner ab. Es handelt sich nicht wirklich um Word-Dokumente, da die Erweiterung .doc Sie vielleicht glauben lässt. Versuchen Sie nicht, diese Datei zu öffnen, da Windows XP sonst denkt, dass es sich um ein Word-Dokument handelt, und das führt zu Problemen.

                Speichern Sie nur eine der .doc-Dateien, aber speichern Sie alle 12 .img-Dateien im Cloud-Ordner. Eine Besonderheit ist, dass einige Installationen von Windows XP aus irgendeinem Grund feststellen, dass es sich um mp3-Dateien handelt (und sie mit der .mp3-Dateierweiterung benennen), dies ist kein Problem, da wir die Dateierweiterung sowieso ändern werden. Dateierweiterungen (.doc, .mp3, .bil) teilen der Software mit, die Sie öffnen möchten. In einigen Fällen können Sie den Computer "täuschen", indem Sie einfach die Dateierweiterung ändern (aber Sie müssen die Ordneroptionen für Windows Explorer, damit Dateierweiterungen nicht vor Ihnen verborgen werden). Siehe Übung 5.2 Aufschreiben.

                Es sollten jetzt 13 Dateien im Cloud-Ordner sein, 12 mit .img am Ende und 1 mit .doc am Ende. Jetzt müssen wir die Dateierweiterungen ändern, damit ArcGIS sie als das erkennt, was sie wirklich sind: generische Binärdatendateien. Die Erweiterung .img bezieht sich auf Erdas Imagine-Bilddateien, ähnlich wie sich .doc auf Word-Dokumente bezieht, aber dies sind Klimamodellierungsleute, damit wir ihnen diese Details verzeihen können.

                Hier ist ein nützliches Programm zum Umbenennen vieler Dateien. Laden Sie rename.exe über den untenstehenden Link herunter

                Klicken Sie mit der rechten Maustaste auf 14aren.zip und führen Sie Ziel speichern unter aus. speichere es im Cloud-Ordner.

                Gehen Sie mit Windows Explorer in den Cloud-Ordner und entpacken Sie 14aren.zip, wählen Sie nur die ausführbare Datei "rename.exe" aus und klicken Sie auf die Schaltfläche Extrahieren, entpacken Sie sie in den Cloud-Ordner (alles was Sie wollen ist die ausführbare Datei, sie hat .exe am Ende ). Schließen Sie winzip, wenn Sie mit dem Entpacken des Programms fertig sind, und führen Sie es aus.

                Wenn das Programm startet, ändern Sie die Einstellung auf Whole Name und aktivieren Sie Ersetzen (siehe rote Kästchen unten). Geben Sie dort, wo Sie das Feld mit "this" sehen, .img ein, und wo Sie das Feld mit "by that" sehen, geben Sie .bil ein. Rename.exe zeigt eine Vorher-Nachher-Ansicht der rechten Seite an. Wenn sie richtig aussieht, klicken Sie auf Start und alle Dateierweiterungen werden umbenannt. Sie können auf Alles rückgängig klicken, wenn Sie es vermasseln, aber sobald Sie rename.exe schließen, sind die Änderungen dauerhaft.

                Bevor Sie rename.exe schließen, drücken Sie die F2-Taste (siehe orangefarbenes Feld im obigen Screenshot), um zu sehen, was alles bewirkt. Dieses kleine Programm ist nicht so einfach wie capture.exe, aber es ist äußerst nützlich.

                Schließen Sie rename.exe, wenn Sie fertig sind. Wir werden es nicht mehr verwenden, ich wollte Sie nur darüber informieren, falls Sie sich jemals in einer Situation befinden, in der Sie viele Dateien umbenennen müssen. Meistens gibt es einen einfacheren Weg, aber ob die Zeit, die Sie damit verbringen, den "einfachen Weg" zu finden, in Bezug auf die tatsächliche Dauer einer Aufgabe gerechtfertigt ist oder nicht, liegt bei Ihnen.

                Nachdem nun alle Bilder mit .bil am Ende anstelle von img umbenannt wurden, können wir eine Header-Datei für die Datendateien erstellen.

                Gehen Sie zurück zum Windows Explorer und benennen Sie nun die erste Header-Datei lccld01 um (auf die altmodische Art)..doc zu lccld01.hdr. Klicken Sie dazu entweder zweimal langsam, um den Dateinamen bearbeitbar zu machen, oder klicken Sie mit der rechten Maustaste auf die Datei und wählen Sie Umbenennen. Womit Sie sich wohl fühlen. Ändern Sie die Dateierweiterung von .doc in .hdr

                Klicken Sie mit der rechten Maustaste auf die neu umbenannte lccld01.hdr und wählen Sie Öffnen mit. Wenn Notepad keine Option im Menü Öffnen mit ist, suchen Sie Notepad in den verfügbaren Programmen. Klicken Sie auf OK und Notepad sollte sich öffnen und Ihnen den Inhalt der Header-Datei anzeigen.

                Was ist eigentlich eine ASCII-Header-Datei? Ja, es ist technischer Jargon, aber es erfüllt auch einen wichtigen Zweck. Es wird von ArcGIS verwendet, um die Datenwerte zuzuweisen, die in den Datendateien (*.bil) enthalten sind, die Sie gerade heruntergeladen und umbenannt haben. Der Header (lccld01.hdr) teilt ArcGIS mit, wie groß das Ausgabe-Array ist (Zeilen/Spalten), welche Koordinaten für die Ausdehnung des Gitters (Koordinate des oberen linken Pixels), wie groß die Pixel sind (Zellenabmessungen) und eine Reihe anderer Dinge.

                Wenn Sie die ArcGIS-Hilfe starten und nach "float" suchen, sehen Sie sich diese "Float to Raster"-Hilfe unter den Verwendungstipps an. Dort finden Sie ein Beispiel für das Format eines falschen Fließkomma-Binär-ASCII-Headers. Wir werden Workstation nicht verwenden (Sie können mir später danken), daher verwenden wir das Standardformat für eine Header-Datei.

                Gehen Sie zurück zu Notepad und löschen Sie alles darin, und kopieren Sie Folgendes in die Header-Datei. Das geeignete Format für einen generischen Header mit einigen der richtigen Parameter für unsere Daten ist genau wie folgt:

                BYTEORDER ich
                LAYOUT BIL
                NEBEN
                NCOLS
                KNÖPFE 1
                NBITS
                BANDROWBYTES 720
                TOTALROWBYTES 720
                BANDGAPBYTES 0
                KEINE DATEN 255
                ULXMAP
                ULYMAP
                XDIM
                YDIM

                Jetzt müssen Sie die richtigen Werte für jeden der Parameter eingeben, bei denen die Werte fehlen. Gehen Sie dazu zu der Website zurück, von der Sie die Daten heruntergeladen haben, und versuchen Sie, diese Informationen zu finden. Hinweis: Auf der Seite "Datenstruktur und -formate" suchen Sie nach etwas über Raster-Metadaten.

                * Beachten Sie, dass in der ursprünglichen Header-Datei (oben gibt es einen Screenshot davon) die Reihenfolge der Spalten- und Zeilenparameter relativ zu unseren Wünschen geändert wird. Sie könnten sich jedoch durch dies gehen, auch wenn diese Parameter nicht beschriftet wären. Wenn sich diese Daten im Breiten-Längen-Koordinatensystem befinden, wissen Sie, dass das resultierende Gitter breiter als hoch sein sollte (es sollte mehr Spalten als Zeilen haben, oder?). Siehe Übung 5.2 Aufschreiben.

                BYTEORDER Byte-Reihenfolge, in der Bildpixelwerte gespeichert werden

                * Sehen Sie sich die "Datenstruktur und -formate" an, klicken Sie auf den Link "Numerische Typen". Sind die Daten in der Datei "Big Endian" oder "Little Endian"? (Siehe Übung 5.2 Aufschreiben)
                - Setzen Sie ein "M" für die Motorola-Byte-Reihenfolge (höchstwertiges Byte zuerst), "Big Endian"
                - Setzen Sie ein "I" für die IBM Byte-Reihenfolge (höchstwertiges Byte zuletzt), "Little Endian"

                LAYOUT Organisation der Bänder in der Datei

                * Geben Sie "BIL" ein (steht für Band und Interleaved by Line, sicherste Annahme für generisches binäres Bildformat. Es gibt auch BSQ, BIP, aber die werden Sie nicht oft sehen)

                NROWS Anzahl der Zeilen im Bild
                NCOLS Anzahl der Spalten im Bild

                NBANDS Anzahl der Bänder im Bild

                * Setzen Sie "1" ein, unser Bild hat nur ein Band

                NBITS-Anzahl von Bits pro Pixel

                * Es gibt 8 Bits in 1 Byte, Sie haben dies weiter oben auf der Webseite "Datenstruktur und -formate" unter der Überschrift "Raster Grid (image/map) Data Files" gelesen. (Siehe Übung 5.2 Aufschreiben)

                BANDROWBYTES-Anzahl von Bytes pro Band pro Reihe

                * = [ (Anzahl der Pixel pro Zeile) * (Bytes pro Pixel, die verwendet werden, um den Datenwert für dieses Pixel zu speichern) ] Hinweis: Denken Sie an ein Raster, es gibt Spalten und Zeilen, die Anzahl der Pixel in einer Zeile wird durch die Zahl bestimmt von Spalten. In den von uns verwendeten Datendateien werden die Datenwerte in 8-Bit gespeichert, 8 Bit = 1 Byte, also ist dieser Parameter 720. Sinnvoll? (Siehe Übung 5.2 Aufschreiben)

                TOTALROWBYTES Gesamtzahl von Bytes von Daten pro Zeile

                * dies entspricht den BANDROWBYTES, da diese Datendateien nur 1 Band haben

                * Tragen Sie hier "0" ein. BIL hat keine Lücken, es gäbe Lücken für BSQ

                NODATA-Wert, der für Maskierungszwecke verwendet wird

                * Sehen Sie sich den Screenshot der ursprünglichen Header-Datei oben an, was ist der "Flag-Wert"? Normalerweise wäre 255 Standard, da diese Daten "8-Bit" sind (1 Byte Bittiefe). Jedes Bit ist entweder 0 oder 1, also gibt es 2^8 mögliche Kombinationen von 0 und 1, es gibt 0-255 mögliche 8-Bit-Werte. 255 ist weiß, 0 ist schwarz.

                ULXMAP-Längengrad des oberen linken Pixels (in Dezimalgrad)
                ULYMAP-Breitengrad des oberen linken Pixels (in Dezimalgrad)

                * Sie sollten in der Lage sein, diese beiden basierend auf dem, was Sie bereits gelernt haben, herauszufinden. "UL" steht für Upper Left, wenn diese Daten Breitengrad Längengrad sind, was ist die Koordinate des oberen linken Pixels? (denken Sie an die negative/positive Schreibweise)

                XDIM x-Dimension eines Pixels in geografischen Einheiten (in Dezimalgrad)
                YDIM y-Dimension eines Pixels in geografischen Einheiten (in Dezimalgrad)

                * "DIM" steht für Dimension, die x-y-Auflösung des Pixels

                Herzlichen Glückwunsch, Sie haben gerade einen ASCII-Header für eine generische Binärdatendatei erstellt! Ich weiß, du bist überwältigt von Freude.

                Eine der Hauptschwierigkeiten bei der Verwendung von Datendateien wie diesen in GIS besteht darin, dass verschiedene Software (und Betriebssysteme) miteinander kommunizieren und Daten austauschen. Dateiformate sind das Hauptproblem bei der Interoperabilität. Wenn Sie beispielsweise als Eingabe die Ergebnisse eines ausgeklügelten C-Programms erhalten, das auf einem UNIX-Server ausgeführt wurde, das Eingaben von mehreren Punkten modelliert (z. B. 29 Jahre Wetterstationsaufzeichnungen aus der ganzen Welt) und binäre Datendateien als Ausgaben generiert (von, sagen wir, % Wolkendecke pro Monat) in Arrays von Werten.

                Unser Beispiel hier war relativ schön, weil die Daten gut beschrieben waren (lesbare Metadaten). Es gibt Situationen, in denen die Daten nicht gut beschrieben sind oder das Metadatenformat das Auffinden der Parameter erschwert oder die Parameter falsch sind. In diesen Situationen läuft es im Grunde auf Trial-and-Error hinaus, aber wenn Sie die Grundlagen der Funktionsweise einer Header-Datei kennen, können Sie sie normalerweise durchdenken und zum Laufen bringen.

                Nachdem Sie die Header-Datei erstellt haben, speichern Sie sie und ziehen Sie dann die Bilddatendatei lccld01.bil aus dem Windows-Explorer in ein leeres ArcMap-Fenster. Sie müssen es nicht hineinziehen, Sie können auf die Schaltfläche Daten hinzufügen klicken, wenn Sie dies bevorzugen. Ich wollte Sie nur wissen lassen, dass Sie dies auch auf diese Weise tun können. Manchmal funktioniert das Ziehen einer Datendatei (oder eines Ordners) aus Windows Explorer oder ArcCatalog, während die Schaltfläche Daten hinzufügen nicht funktioniert. Fragen Sie mich nicht warum, ArcMap ist wählerisch, was es öffnet und wird nicht geöffnet, aber wenn Sie es hineinziehen, hat es keine andere Wahl, als zu versuchen, die Datei zu erkennen.

                Wenn Sie versuchen, die .bil-Datei mit ArcMap zu öffnen, wird automatisch nach einer .hdr-Header-Datei gesucht. Machen Sie sich keine Sorgen, weil das Bild, das Sie sehen, ganz schwarz zu sein, rufen Sie das Identifizieren-Tool auf und klicken Sie herum (denken Sie daran, dass die Datenwerte Prozentwerte als ganze Zahlen sind).

                Hat die von Ihnen erstellte Header-Datei funktioniert? Bewegen Sie den Cursor über das Bild und prüfen Sie, ob die Koordinaten richtig aussehen (sehen Sie sich die Koordinaten unten rechts im ArcMap-Fenster an).

                Eine andere Möglichkeit zur Überprüfung besteht darin, einige Daten zu laden, von denen wir wissen, dass sie korrekt mit Breitengrad-Längengrad-Koordinaten darüber projiziert werden. In lab4.2 habe ich Ihnen STATES gegeben, die mit Breiten- / Längenkoordinaten projiziert wurden, laden Sie diese und sehen Sie, ob sie an der richtigen Stelle angezeigt werden. Sie können auch die Datei county.shp in lab5_data verwenden.

                Wenn es nicht richtig aussieht, die Koordinaten durcheinander geraten oder die STATES nicht dort angezeigt werden, wo sie sollten, liegt ein Problem mit dem Header vor. Sie müssen lccld01.hdr reparieren (fragen Sie mich, ich helfe).

                Schließen Sie ArcMap, und speichern Sie die Karte nicht.

                Was wir bisher haben, ist ein Ordner namens Clouds mit 12 identischen Binärdatendateien, die wir in .bil umbenannt haben, damit ArcMap sie als generische Binärdateien erkennt und nach einem Header sucht.

                Jede der Datendateien enthält die durchschnittliche Bewölkung für jeden Monat des Jahres für die Welt, die als 8-Bit-Wert gespeichert ist. Wir müssen jetzt 12 identische Header-Dateien erstellen, die mit demselben Namen wie die entsprechende Datendatei benannt sind (jede generische binäre Datendatei, .bil, sollte eine identisch benannte Header-Datei mit der Erweiterung .hdr haben). Wir werden dies tun, indem wir den guten Header duplizieren, den Sie gerade erstellt und überprüft haben.

                Kopieren Sie die soeben erstellte Header-Datei 11 Mal und fügen Sie sie ein. Danach sollte es im Windows Explorer so aussehen (vergiss die Dateigröße von rename.exe!)

                Benennen Sie nun jede der Kopien der Header-Datei auf die altmodische manuelle Weise um. Um die Dateien effizient umzubenennen, klicken Sie einmal auf die .bil-Datei und dann erneut, der Name der Datei sollte jetzt bearbeitet werden können. Kopieren Sie den Namensteil, klicken Sie einmal und dann erneut auf eine der kopierten .hdr-Dateien, fügen Sie den kopierten Namen ein, aber stellen Sie sicher, dass die .hdr-Dateierweiterung am Ende bleibt.

                Nachdem Sie nun den Text des Namens kopiert haben, haben Sie ihn in Ihrer Windows-Zwischenablage.Sie können es wieder in eine andere der kopierten lccld01.hdr-Dateien einfügen und mit "02.hdr" am Ende und dann die nächste mit "03.hdr" am Ende umbenennen.

                Sie können rename.exe dazu veranlassen, dies mit mehreren Copy-Paste-Schritten und verschiedenen Ordnern zu tun. Vertrauen Sie mir, es ist viel einfacher, es einfach manuell zu machen. Für einfache Dinge wie Dateierweiterungen oder das schrittweise Hinzufügen von Zahlen am Anfang von Dateinamen ist rename.exe sehr effizient, aber in diesem Fall ist dies nicht der Fall. Wenn wir dies für 30 oder mehr Dateien tun würden, würden wir eine Möglichkeit finden, rename.exe dazu zu bringen, dies zu tun.

                Hier sind eine Reihe von Screenshots, die den Umbenennungsprozess visuell beschreiben. Klicken Sie einmal auf die Datei lccld02.bil, um sie auszuwählen, und klicken Sie dann erneut, um den Namen bearbeitbar zu machen. Wenn Sie den Dateinamen maskieren, klicken Sie mit der rechten Maustaste auf Kopieren (oder Strg+C).

                Klicken Sie anschließend einmal, um eine der kopierten lccld01.hdr-Dateien auszuwählen, und klicken Sie dann erneut, um den Namen bearbeitbar zu machen. Klicken Sie mit der rechten Maustaste und wählen Sie Einfügen (oder Strg V).

                Benennen Sie jede der kopierten lccld01.hdr-Dateien mit dem entsprechenden Namen um. Sie möchten eine lccld0#.hdr für jede der lccld0#.bil-Datendateien erstellen.

                Nachdem Sie fertig sind, sollten Sie jede Datendatei mit .bil benennen und dann paarweise eine .hdr-Datei mit demselben Dateinamen. Klicken Sie im Windows Explorer auf die Namensleiste oben in der Liste der Dateien im Windows Explorer, um dies alphabetisch nach Namen zu sortieren.

                Wir haben jetzt jede Datendatei richtig benannt und eine entsprechende Header-Datei, die eine korrekte räumliche Darstellung der Daten erzeugt.

                Schritt 4 - BIL-Dateien in GRIDs konvertieren

                ArcMap Wenn Sie versuchen, diese bil-Dateien auf herkömmliche Weise hinzuzufügen, indem Sie auf die Schaltfläche Daten hinzufügen klicken, können Sie auch einfach alle bil-Dateien in ArcMap ziehen. Es sucht automatisch nach den Header-Dateien für jedes Bild, wenn es ein Problem mit einer Ihrer Header-Dateien gibt, wird es nicht geladen.

                Starten Sie ArcMap mit einem leeren Layout, listen Sie die Datendateien im Windows Explorer wie unten gezeigt nach Typ auf und ziehen Sie sie dann in ein leeres ArcMap-Layout.

                Nachdem wir ArcGIS veranlasst haben, alle bil-Dateien einzulesen, und wir wissen, dass jede Header-Datei funktioniert, können wir alle .bil-Dateien in Raster umwandeln.

                Starten Sie die Toolbox und rufen Sie o Konvertierungstools -> in Raster -> Raster in ein anderes Format (mehrere) auf.

                Klicken Sie im Dialogfeld Raster in anderes Format (mehrere) auf die Ordnerschaltfläche neben dem Feld Eingabe-Raster. Fügen Sie alle .bil-Dateien hinzu und legen Sie als nächstes den Ordner fest, in den die Raster geschrieben werden sollen. Klicken Sie auf die Ordnerschaltfläche neben dem Feld Ausgabe-Arbeitsbereich. Wenn Sie auf die Ordnerschaltfläche klicken, wird das Fenster Arbeitsbereich auswählen geöffnet, in dem Sie den Wolkenordner auswählen müssen. Navigieren Sie zu der Stelle, an der Sie den Wolkenordner sehen können, markieren Sie ihn und klicken Sie auf die Schaltfläche Hinzufügen.

                Setzen Sie das Feld Rasterformat (optional) auf GRID. OK klicken.

                Schritt 4.1 - Überprüfen Sie, ob 12 Ausgabegitter vorhanden sind

                Gehen Sie zurück zum Windows Explorer und listen Sie den Inhalt des Cloud-Ordners nach Namen auf (klicken Sie auf die Leiste über der Liste der Dateinamen). Stellen Sie sicher, dass es 12 Ordner gibt. Denken Sie daran, dass die GRID-Rasterdatenstruktur tatsächlich aus einem Ordner mit darin enthaltenen Dateien besteht, und diese Dateien sind mit anderen Dateien verknüpft, die im Info-Ordner gespeichert sind.

                Jetzt sind wir sicher, dass wir die Bewölkung jedes Monats (den Prozentsatz der wolkenfreien Tage/Monat) in einem verwendbaren GIS-Format haben, wir werden alle diese Raster kombinieren.

                Schritt 5 – Verwenden Sie den Raster-Rechner und die Zellstatistik, um Gitter für die mittlere und mittlere Bewölkung zu erstellen

                Starten Sie ArcMap und fügen Sie alle soeben erstellten Raster hinzu. Sie sollten die Schaltfläche Daten hinzufügen verwenden, da ArcMap die Raster als Raster (nicht als Ordner) anzeigt. Sie können dies jedoch auch tun, indem Sie alle Ordner in ArcMap ziehen. Legen Sie das Koordinatensystem des neuen Layouts mit Ansicht -> Datenrahmeneigenschaften fest, gehen Sie zu Bevorzugte -> Geographische Koordinatensysteme -> Welt -> WGS 1984.

                Klicken Sie mit der rechten Maustaste auf eines der Raster und gehen Sie zu Eigenschaften, scrollen Sie auf der Registerkarte Quelle nach unten, bis Sie die Ausdehnung sehen können. Warum ist es -180.25, -89.75, 179.75, 90.25? (Siehe Übung 5.2 Aufschreiben)

                Schließen Sie das Fenster Layer-Eigenschaften und starten Sie die Spatial Analyst-Erweiterung (dies ist eine der leistungsstärksten Geoverarbeitungskomponenten von ArcGIS). Gehen Sie zu Tools -> Extensions und überprüfen Sie Spatial Analyst. Klicken Sie auf Schließen, um das Fenster Erweiterungen zu schließen. Wenn im ArcMap-Fenster keine neue Symbolleiste angezeigt wurde, aktivieren Sie die Symbolleiste der Spatial Analyst-Erweiterung (Ansicht -> Symbolleisten, aktivieren Sie Spatial Analyst).

                Klicken Sie auf das Pulldown-Menü Spatial Analyst und wählen Sie Raster-Rechner. Alle 12 offenen Raster sollten automatisch zum Ebenenfenster des Raster-Rechners hinzugefügt werden. Fügen Sie zuerst ganz am Anfang eine offene Klammer hinzu, fügen Sie das 1. Raster hinzu, indem Sie darauf doppelklicken, und fügen Sie danach ein Pluszeichen hinzu. Siehe unten.

                Fügen Sie das nächste Raster hinzu, indem Sie darauf doppelklicken, dann ein weiteres Pluszeichen, dann das nächste Raster und ein weiteres Pluszeichen . Wenn Sie alle Raster hinzugefügt haben, setzen Sie am Ende eine enge Klammer. Klicken Sie dann im Raster-Rechner auf die Schaltfläche "Teilen" und geben Sie 12 ein. Es sollte nicht schwer sein zu erraten, was Sie tun werden. Was Sie bisher haben, sieht wie folgt aus.

                Stellen Sie sicher, dass Sie Klammern um die Gitter haben und dass Sie alle 12 Gitter haben. Wenn alles in Ordnung ist, drücken Sie die Evaluate-Taste. Die Ergebnisse sollten automatisch zum ArcMap-Layout hinzugefügt und als "Berechnung" bezeichnet werden.

                Lassen Sie uns ein anderes Spatial Analyst-Tool verwenden, um den Median-Prozentsatz bewölkter Tage pro Jahr für die Welt zu erhalten. Klicken Sie erneut auf die Pulldown-Menüschaltfläche Spatial Analyst, wählen Sie diesmal Zellstatistiken. Markieren Sie im Fenster "Zellenstatistik" alle Raster, die im Rahmen "Ebenen" aufgelistet sind, und klicken Sie auf Hinzufügen, um sie alle in den Rahmen "Eingabe-Raster" zu verschieben. Wählen Sie im Feld Overlay-Statistik aus dem Pulldown-Menü Median aus. Klicken Sie auf OK.

                Sie sollten jetzt zwei neue Raster in Ihrem ArcMap-Fenster haben, eines mit dem Namen Median und das andere mit dem Namen Berechnung.

                Schritt 5.1 - Verwenden Sie Reclassify, um 255 auf NoData zu setzen

                Dieser letzte Schritt ist wichtig. Ganz am Anfang, als Sie gebeten wurden, die Metadaten durchzulesen und sich mit diesen Daten vertraut zu machen, die Sie wahrscheinlich an einigen Stellen "NODATA" erwähnt haben, haben Sie es sicher gesehen, als Sie die Header-Datei erstellt haben (Sie haben sie auf 255 gesetzt). . Nun, obwohl 255 ein guter NoData-Wert ist, weil er eindeutig ist (es ist der maximal mögliche Datenwert für 8-Bit-Daten), verursacht er verheerende Auswirkungen auf die Statistiken.

                Der Datenwert 255 wurde in den IIASA-Datendateien verwendet, um Pixel darzustellen, bei denen keine Daten vorhanden waren. Diese Pixel sind diejenigen, die große Seen und Ozeane besetzen. Jetzt werden wir 255 explizit auf NoData setzen. Das Rasterdatenformat GRID unterstützt NoData als Wert. Dies ist sehr wichtig, da es sich im Grunde genommen um eine "Maske" der Pixel handelt, in denen keine Daten vorhanden sind, und ArcGIS anweist, diese nicht zu berücksichtigen.

                Klicken Sie auf die Pulldown-Menüschaltfläche Spatial Analyst und stellen Sie den Layer auf Median ein (das Raster, das Sie mit dem Werkzeug Zellenstatistik erstellt haben). Klicken Sie auf das Pulldown-Menü Spatial Analyst und wählen Sie Reklassifizieren.

                Klicken Sie im Dialogfeld Neu klassifizieren auf die Schaltfläche Eindeutig, damit die eindeutigen Werte des Rasters als ganze Zahlen aufgelistet werden. Scrollen Sie in der Liste nach unten, bis Sie 255 unter der Spalte Alte Werte sehen, klicken Sie rechts davon unter der Spalte Neue Werte und geben Sie "NoData" ein, wie im Screenshot unten gezeigt.

                Es fügt dem ArcMap-Layout automatisch "Reclassify of Median" hinzu. Als nächstes reklassifizieren Sie für das mittlere Bewölkungsgitter, das Sie mit dem Raster-Rechner erstellt haben (dieser wird als Berechnung bezeichnet). Ändern Sie dazu den Layer neben der Pulldown-Menüschaltfläche Spatial Analyst in Berechnung, klicken Sie dann auf die Schaltfläche Spatial Analyst und ziehen Sie das Pulldown-Menü zu Reklassifizieren. Klicken Sie auf die Schaltfläche Eindeutig, um die tatsächlichen Rasterwerte aufzulisten, scrollen Sie nach unten zu 255 und geben Sie NoData wie zuvor ein.

                Nachdem Sie auf OK geklickt haben, wird Ihrem ArcMap-Layout automatisch "Reclass of Calculation" hinzugefügt. Sie haben jetzt zwei weitere neue Raster in Ihrem ArcMap-Layout, dies sind die Keeper.

                Klicken Sie in ArcMap mit der rechten Maustaste auf das Gitter "Reclass of Calculation (Mittelwert") und führen Sie Daten -> Daten exportieren aus.

                Legen Sie den räumlichen Bezug auf die Datenquelle (aktuell) fest, benennen Sie das Raster "cloud_mean", legen Sie den Standort auf lab5_data fest (verwenden Sie die Ordnerschaltfläche, um lab5_folder hervorzuheben, und klicken Sie auf die Schaltfläche Hinzufügen). Klicken Sie dann auf Speichern. Nein, Sie möchten es nicht zum Layout hinzufügen, Sie starten ein neues Kartenlayout für die endgültigen Karten.

                Klicken Sie mit der rechten Maustaste auf das Raster Reclass of Median und Do Data -> Export Data. Nennen Sie das Minimum-Raster "cloud_med". Verwenden Sie die gleichen Einstellungen wie zuvor. Legen Sie den Raumbezug als Datenquelle (Aktuell) fest, und legen Sie den Ausgabeordner auf lab5_data fest.

                Nachdem Sie die beiden endgültigen Raster (cloud_mean und cloud_med) in den Ordner lab5_data exportiert haben, schließen Sie ArcMap. Die temporären Raster, die Sie mit dem Raster-Rechner und der Zellenstatistik generiert haben, sind weg (sie befinden sich immer noch in einem temporären Ordner und belegen irgendwo Speicherplatz, ArcGIS ist so schlampig, aber bei so kleinen Datasets irrelevant).

                Schritt 6 - Erstellen Sie Karten der globalen Bewölkung

                Erstellen Sie zwei separate Karten, die den durchschnittlichen jährlichen Prozentsatz der wolkenlosen Tage und den Median-% der wolkenlosen Tage zeigen. Zeigen Sie die mittlere und mittlere Trübung mit demselben Farbschema an. Fügen Sie ein 30 x 30 Grad Gradnetz, eine Legende, einen Titel, eine Quelle, Ihren Namen und einen Maßstabsbalken/Nordpfeil hinzu, wenn Sie der Meinung sind, dass die Karte kartografisch hinzugefügt wird. Seien Sie bitte kreativ, Sie müssen nicht reproduzieren, was ich getan habe - oder sogar die gleiche Projektion verwenden!

                Wenn Sie ein ArcMap-Layout für die TOA-Karte haben, die Sie für Lab 5.1 erstellt haben, verwenden Sie dieses als Vorlage für diese Karte. Öffnen Sie die TOA-Map aus Lab 5.1 und benennen Sie sie um, indem Sie Speichern unter ausführen. und als cloud_mean_map speichern. Entfernen Sie die TOA-Datenschicht und fügen Sie cloud_mean hinzu.

                Sie müssen die alte Legende entfernen und eine neue Legende für diese Daten einfügen, nachdem Sie Klassifizieren (unten beschrieben) durchgeführt haben. Nachdem Sie die klassifizierte Farbsymbologie angewendet haben, können Sie die Legende ändern, indem Sie sie auswählen, mit der rechten Maustaste klicken und In Grafiken konvertieren auswählen Wenn Sie sich entscheiden, die Farbsymbolisierung zu ändern, müssen Sie die Legende neu erstellen). Nachdem Sie mit dem Herumbasteln an der cloud_mean_map fertig sind, speichern Sie sie und führen Sie dann Speichern unter aus. erneut und nennen Sie es cloud_median_map. Sie können die gleichen Farben beibehalten, indem Sie einfach die Datenquelle ändern (klicken Sie mit der rechten Maustaste auf cloud_mean in der Karte, die Sie gerade gespeichert haben unter . und namens cloud_median_map, wählen Sie Eigenschaften, gehen Sie dann zur Registerkarte Quelle und klicken Sie auf Datenquelle festlegen, wählen Sie das cloud_med-Gitter aus Benennen Sie dann den Layer im ArcMap-Layout cloud_med um (um Verwechslungen zu vermeiden) So können Sie alles genau gleich halten und einfach einen anderen Daten-Layer verwenden.

                Schritt 6.1 – Erstellen Sie klassifizierte Karten der globalen Bewölkung

                Erstellen Sie zwei Karten mit Classified for cloud_med und cloud_mean. Klicken Sie auf der Registerkarte Symbologie auf die Schaltfläche Klassifizieren, im Fenster Klassifizierung neben Methode ausgewählt Gleiches Intervall und setzen Sie die Anzahl der Klassen auf 10. Klicken Sie auf OK und auf Übernehmen.

                Sie sind fertig, Sie haben die endgültigen Karten erstellt, Sie haben die beiden endgültigen Bewölkungsraster in lab5_data und zwei ArcMap-Layouts dafür.

                Jetzt machen wir das, was wir für alle Lab 5.1 (TOA)-Abfälle gemacht haben, WinZip alles und vergessen es. Dieses Mal werden alle Dateien, die Sie archivieren müssen, im Cloud-Ordner gespeichert. Klicken Sie im Windows Explorer mit der rechten Maustaste auf den Cloud-Ordner und wählen Sie Zu Zip hinzufügen. Nennen Sie es aus Gründen der Konsistenz lab5.2.archive.zip

                Ihr Arbeitsplatz sollte jetzt schön und organisiert sein.

                Im Ordner la5_data befinden sich nur die endgültigen Versionen der gewünschten Dateien und der von Ihnen erstellten Kartenlayouts.

                Aus Sicherheitsgründen ist es vielleicht eine gute Idee, diesen lab5_data-Ordner zu sichern, aber das überlasse ich Ihnen. Organisiert zu bleiben ist die halbe Miete und wenn Sie es bis zu diesem Punkt geschafft haben, haben Sie (für heute!) gewonnen.

                Lab 5.3, das wir am Donnerstag starten werden, wird sich mit der globalen Bevölkerungsdichte und Topographie beschäftigen, aber diese Daten werden viel einfacher zu handhaben sein (versprochen). Wenn Sie Hilfe benötigen, zögern Sie bitte nicht, mich zu fragen. Ich werde mich zu einer geeigneten Zeit für Sie zur Verfügung stellen, 235 Hunt ist täglich von 17:00 bis 21:00 Uhr geöffnet, Freitag und Samstag.


                Verwenden der Layer-Symbologieeigenschaften zum Konsolidieren von Kategorien

                Auch wenn Ihre Legende weniger Kategorien hat, möchten Sie vielleicht dennoch einige davon kombinieren, um Ihre Beschreibung der Umgebung prägnanter zu gestalten. Dazu können Sie Kategorien in den Symbologie-Eigenschaften des Layers gruppieren, wie wir es in der Übung zu Muttern und Schrauben des Mappings getan haben.

                Verweise

                Kategorien mit dem Legenden-Editor entfernen

                1. Klicken Sie auf das Pluszeichen neben Ihrer neuen Landnutzungsebene und sehen Sie sich die schöne Legende von 37 Landnutzungskategorien mit schönen Beschriftungen an.
                2. Klicken Sie mit der rechten Maustaste auf Ihre neue Landverwendungsebene und wählen Sie Attributtabelle öffnen um die Attribute jedes Polygons zu überprüfen.
                3. Sehen Sie sich die Datenfelder und ihre Werte an. Siehe zum Beispiel die Werte für Lu21_1999. Beachten Sie, wie die Werte für Lu21_1999 entsprechen den in der aufgeführten Werten Definitionen des Landnutzungsgesetzes in den MassGIS-Metadaten für diesen Layer.
                4. Beachten Sie, dass die Legendenbeschriftungen nirgendwo in unserer Tabelle erscheinen! Sie sind in den Metadaten enthalten.
                5. Doppelklicken Sie auf die Ebene, um zu ihren Eigenschaften zu gelangen, und klicken Sie auf die Schaltfläche Symbolik Registerkarte, um zu sehen, wie die Ebene angewendet wird a Einzigartige Werte Klassifizierung unter Verwendung der Werte von LU37_1999. Die Werte in diesem Feld sind ganze Zahlen, aber jemand hat Werte hinzugefügt Etikett -Feld, um für jeden Wert des Codes lesbare Beschriftungen zuzuordnen.
                6. Viele dieser Landnutzungskategorien erscheinen nirgendwo auf der Karte. Um zu sehen, welche dies sind, klicken Sie auf die Zählen oben rechts in der Liste der Legendenkategorien. Sie sehen die Anzahl der Polygone, die sich in jeder Klasse befinden.
                7. Jede Kategorie mit einer Anzahl von Null kann entfernt werden, indem Sie mit der rechten Maustaste darauf klicken und Entfernen auswählen.

                Konsolidierung ähnlicher Klassen

                Abhängig von Ihrem Interessengebiet und Ihrer Frage zur Entscheidungsfindung können Sie Ihre Landnutzungskategorien verfeinern, um eine prägnantere Darstellung zu erhalten. Falls die Unterscheidung zwischen zwei Landnutzungsklassen für den Entscheider nicht von Interesse ist, können Sie diese wie unten beschrieben gruppieren.

                Konsolidieren ähnlicher Klassen mit dem Legenden-Editor

                Dies ist eine Demonstration: Die Kategorien, die Sie für Ihr Projekt zusammenlegen möchten, erfordern einige Überlegungen.

                1. Scrollen Sie im Legendeneditor nach unten und suchen Sie die Legendeneinträge für die Werte 10, 11, 12 und 13. Sie sind alle verschiedene Arten von Wohngebäuden.
                2. Strg-Klicken Sie, um alle vier dieser Wohnklassen auszuwählen, und klicken Sie dann mit der rechten Maustaste und wählen Sie Gruppenwerte. Wir haben gerade eine allgemeinere Klasse Landnutzungsklasse erstellt, die alle Wohnkategorien in einer Klasse namens 10111213 zusammenfasst
                3. Klicken Sie auf den Label-Wert für die gruppierten Werte, um den Namen dieses neuen Legendeneintrags in . zu ändern Wohn.
                4. Klicken Sie auf OK und Sie können Ihre neue, klumpigere Klassifizierung bewundern.

                Gruppierung von Kategorien mit dem Legenden-Editor aufheben

                1. Gehen Sie zurück zu den Symbologieeigenschaften für Ihre Vereinfachte Landnutzung 1999 Schicht.
                2. Finden Sie den Legendeneintrag für Ihr gruppiertes Wohn Klassifizierung, klicken Sie mit der rechten Maustaste darauf und wählen Sie Gruppierung von Werten aufheben.
                3. Beachten Sie, dass die aussagekräftigen Beschriftungen verschwinden. Wir müssten zu den Metadaten zurückkehren, um diese nachzuschlagen.

                Die Neukategorisierung von Daten ist in der GIS-Welt eine sehr häufige Aufgabe, da Personen, die Daten erstellen, dazu neigen, sehr feinkörnige Kategorienschemata zu verwenden. Ihr Ziel sollte es sein, eine Landnutzungskarte zu erstellen, die die Fragen beantwortet, die ein Entscheidungsträger in Bezug auf Ihr Untersuchungsgebiet und Ihren Entscheidungskontext haben könnte. In der Regel möchten Sie nicht mehr als 8 Kategorien haben. Um dies gut zu machen, müssen Sie sich die Metadaten ansehen, um zu verstehen, was die vorhandenen Kategorien bedeuten, und Sie müssen auch über die allgemeine Landnutzung nachdenken, die den Kontext Ihres Untersuchungsgebiets abdeckt, und die spezifischen Landnutzungen, die möglicherweise in Bezug auf die Dinge und Bedingungen und räumlichen Beziehungen, mit denen Sie sich beschäftigen, am wichtigsten sein. Sie wollen die Leute nicht mit vielen Unterscheidungen verwirren, die irrelevant sind. Auf der anderen Seite sollten Sie auch keine zu weit gefassten Kategorien verwenden, da dies den Anschein erwecken kann, dass Sie sich absichtlich verstecken oder etwas unwissentlich ignorieren. Die Auswahl von Landnutzungskategorien ist also ein Balanceakt.

                Verwenden Sie konventionelle Landnutzungsschirme

                Der Grund, warum wir uns all diese Mühe machen, Daten neu zu kategorisieren, ist, die kritischen Aspekte einer Situation prägnant und effizient zu beschreiben. Wir wollen den Prozess des Verständnisses dieser Dinge für unsere Kunden und die breite Öffentlichkeit rationalisieren. Es ist auch wahr, dass im Prozess der Durcharbeitung dieser. wir werden uns auch informieren und werden wahrscheinlich auch sehen, wie wir unsere Frage umformulieren können, um die uns vorliegenden Informationen besser zu nutzen. Ein sehr wichtiger Teil einer prägnanten Kommunikation ist die Verwendung des herkömmlichen Schattierungsschemas für Landnutzungskategorien, das auf der Seite Elemente des kartografischen Stils erörtert wird.


                GIS-basierte automatisierte Landformklassifikation und topografische, Landbedeckungs- und geologische Attribute von Landformen rund um den Yazoren Polje, Türkei

                Das Hauptziel dieser Studie ist die Klassifikation von Landformen innerhalb eines Einzugsgebietes mit Hilfe fortgeschrittener räumlicher Statistik und Bildverarbeitung Algorithmen zur Identifizierung und Extraktion lokaler geomorphometrischer Eigenschaften von digitalen Höhenmodellen (DEMs) mit 20 m Auflösung. Diese Studie präsentiert eine maßgeschneiderte GIS-Anwendung zur halbautomatischen Landformklassifizierung basierend auf dem Topographic Position Index (TPI). Durch die Verwendung von TPI wurde die Landschaft sowohl in die Kategorie der Hanglage als auch der Landschaftsform klassifiziert. Landformkategorien wurden durch die Klassifizierung der Landschaft anhand von 2 TPI-Rastern in verschiedenen Maßstäben (Nachbarschaften: 50 m Radius und 450 m Radius) bestimmt. Es wurden vier Hanglagekategorien und 10 Geländeformkategorien generiert. Wichtige Umweltgradienten, die in dieser Studie aus dem DEM gewonnen wurden, sind Hangrichtung (Aspekt), Hangposition, Hangform (planformige Krümmung), topographischer Feuchtigkeitsindex und Stromstärkeindex. Diese Gradienten wurden dann verwendet, um Schwellenwerte für die Klassifizierung von Kämmen, Ebenen, Senken und Hängen zu identifizieren. Diese Studie zeigt, dass DEMs viel mehr potenzielle Habitatdeskriptoren bieten als nur eine Reihe von Höhenwerten. Terrassen, Flusseinschlüsse und karstige geschlossene oder offene Senken, die in der Landschaft des Untersuchungsgebietes häufig vorkommen, wurden mit TPI dargestellt. Die Klassifizierungsergebnisse können in Anwendungen im Zusammenhang mit Präzisionslandwirtschaft, Landdegradationsstudien und räumlichen Modellierungsanwendungen verwendet werden, bei denen die Landform als einflussreicher Faktor in den untersuchten Prozessen identifiziert wird.

                Sermin TAGIL und Jeff Jenness, 2008. GIS-basierte automatisierte Landformklassifikation und topografische, Landbedeckungs- und geologische Attribute von Landformen rund um den Yazoren Polje, Türkei. Zeitschrift für Angewandte Wissenschaften, 8: 910-921.

                Geomorphometrie oder einfach Morphometrie bietet eine quantitative Beschreibung der Formen von Landschaftsformen und wird aus einer Kombination von Mathematik, Ingenieurwissenschaften und neuerdings auch Informatik abgeleitet. Nach Blaszczynski (1997) werden Landformen als spezifische geomorphologische Merkmale auf der Erdoberfläche definiert, die von großräumigen Merkmalen wie Ebenen und Gebirgszügen bis hin zu kleineren Merkmalen wie einzelnen Hügeln und Tälern reichen. Für physikalische und biologische Prozesse, die auf die Landschaft einwirken, ist eine topografische Position wie Hügelkuppe, flache Ebene, Tal usw. intuitiv wichtig.Natürliche Lebensräume von Pflanzen, Erosionspotential und Sonnenstrahlung stehen in direktem Zusammenhang mit Landformmustern und der relativen Position zu einer Landform (Blaszczynski, 1997).

                In der Vergangenheit wurden geomorphometrische Eigenschaften durch manuelle Berechnung der Landschaftsgeometrie gemessen (Horton, 1945 Miller, 1953 Coates, 1958). Leider kann die Messung solcher Eigenschaften aus topographischen Karten zeitaufwendig sein. In den 1960er und frühen 1970er Jahren ermöglichte die allgemeine Verfügbarkeit von Computern komplexere, statistisch basierte Methoden zur Identifizierung von Landschaftsmerkmalen (Chorley, 1972, Evans, 1972). In jüngerer Zeit haben Fortschritte in der Computertechnologie, erhöhte Rechenleistung, neue räumliche Analysemethoden und die zunehmende Verfügbarkeit digitaler Höhendaten die Geomorphometrie neu ausgerichtet (Pike, 1999) und die Entwicklung von Computeralgorithmen zur Berechnung und Unterscheidung geomorphometrischer Eigenschaften der Erde gefördert. #146s Oberfläche.

                Digitale Höhenmodelle (DEMs) oder Digitale Oberflächenmodelle (DSMs) sind digitale Darstellungen von Topographie oder Gelände und werden seit den frühen 1970er Jahren verwendet. DEMs und abgeleitete Datensätze (Neigung, Ausrichtung, Oberfläche, hydrographisches Muster und schattiertes Relief) wurden von Forschern für geomorphologische und geomorphometrische Studien genutzt (Franklin, 1987 Skidmore, 1989 Ventura und Irvin, 2000). Heutzutage ist die Geländeanalyse eine der interessantesten und interessantesten Arten der geografischen Analyse, um die topografische Position zu beschreiben (Speight, 1990). Geländedaten liefern in Verbindung mit multispektralen Bildern auch schnelle und nützliche Informationen zu Landschaftsgeologie, Lithologie, Böden, Landnutzung und Landbedeckung, Lineaments usw.

                Das Einzugsgebiet oder die Wasserscheide ist die grundlegende Einheit in der Geomorphologie. Diese Studie konzentriert sich auf den oberen Teil des Kozdere-Beckens, zu dem der Yazoren polje gehört, aufgrund seiner großen Vielfalt an topographischen Merkmalen (Hosgoren, 1981). Die Hauptziele dieser Forschung sind die halbautomatische Identifizierung und Klassifizierung der Landschaftsformen innerhalb des Einzugsgebietes durch Anwendung fortschrittlicher räumlicher Statistiken und Bildverarbeitung Algorithmen zu DEMs. In diesem Artikel beschriebene morphometrische Techniken werden verwendet, um die Erdoberfläche zu messen und mathematisch zu modellieren und um objektive und quantitative Beschreibungen von Landformen bereitzustellen (Bates und Jackson, 1987 Denizman, 2003).

                Das Untersuchungsgebiet liegt in der Marmara-Region in der Türkei zwischen den Breitengraden 39°17’N und 39°22’N und den Längen 27°44’E und 27°53’E (Abb. 1). Es umfasst die Siedlungen Yazoren-Urbut (Abb. 1, 2). Die gesamte Beckenfläche beträgt

                44,2 km 2 und die durchschnittliche Höhe beträgt

                380 m über dem Meeresspiegel.

                Dieses Gebiet erlebt ein stark saisonales mediterranes Klima. Die Sommer sind ziemlich heiß und trocken, während die Winter warm und nass sind. Laut den meteorologischen Daten von Balikesir beträgt die Durchschnittstemperatur fast 14,5 °C und die Gesamtniederschlagsmenge pro Jahr beträgt 545 mm (Tagil, 2004). Die Geomorphologie des Gebiets spiegelt die alpine und nachalpine tektonische Aktivität wider. Das Becken des Yazoren-Urbut-Grabens trennt die bestehenden Berge.

                Felduntersuchungen ergaben, dass die Landbedeckung aufgrund der großen Vielfalt angrenzender topographischer Merkmale äußerst heterogen ist. So wechseln sich bewirtschaftete Flächen mit unbebauten Flächen ab und naturbelassene Flächen werden mit Ackerbau vermischt (Abb. 2).

                Caltepe-Formationen und Yuntdag-Vulkane sind in der Region weit verbreitet, während Akcakoyun-Formationen nur auf einem kleinen Teil des Untersuchungsgebiets zu sehen sind. Diese drei Formationen nehmen den größten Teil des bergigen Teils der Region ein. Die Caltepe-Formation, die während der Obertrias gebildet wurde, ist die älteste autochthone Einheit in diesem Gebiet und besteht aus Kalkstein, der aus Subduktions-Akkretion-Einheiten des Paläo-Tethys-Ozeans stammt (Tekeli, 1981, Ercan et al., 1990 Abb. 3). Die Caltepe-Formation wird von Sandstein, Tonstein und Kalkstein aus der Akcakoyun-Formation der frühen Kreidezeit überlagert. Die Akcakoyun-Formation wird vom späten Miozän bis zum Pliozän vom Yuntdag-Vulkan überlagert. Die Vulkane Yuntdag bedecken eine große Flächenausdehnung und bestehen aus Agglomerat und Tuffstein. Quartäres Alluvium ist die jüngste Formation und beschränkt sich auf den Talboden westlich von Yazoren.

                DATENVERARBEITUNGSTECHNIKEN

                Eingabedaten: Die in dieser Studie verwendeten Daten bestehen aus: (a) topografischen Karten des türkischen Militärgeographischen Dienstes im Maßstab 1:25.000 (Konturintervall 10 m) (b) einem Landsat Enhanced Thematic Mapper Plus (ETM+) Satellitenbild aufgenommen am 2. Juli 2000 (räumliche Auflösung: 28,5 m) (c) eine geologische Karte der Generaldirektion für ländliche Dienste im Maßstab 1:25.000 (d) ein digitales Höhenmodell (DEM) (e) GPS (Global Positioning System) Daten, die im Feld mithilfe eines tragbaren GPS-Empfängers gesammelt wurden.

                Nearest Neighbour Resampling wurde verwendet, um das LANDSAT-Bild auf die Universal Transverse Mercator-Kartenprojektion (UTM Zone 35, WGS84) unter Verwendung von 50 Bodenkontrollpunkten (GCPs) mit einem RMS < 1 Pixel zu geokorrigieren.

                Für die morphometrischen Analysen wurden die GIS-Softwareprogramme ArcView 3.2 und ArcGIS 9.2 verwendet. Die Datenanalyse wurde in zwei Hauptabschnitte unterteilt: 1) digitale Geländeanalyse mit allgemeinen morphometrischen Techniken zur Analyse der gesamten Oberfläche und 2) digitale Landschaftsformanalyse mit spezifischen morphometrischen Methoden zur Untersuchung bestimmter Landschaftsformen im Untersuchungsgebiet.

                DEM: DEM wurde erzeugt, indem zuerst 10 m Intervallkonturen von 1:25.000 topografischen Karten des türkischen Militärgeographischen Dienstes digitalisiert wurden. Anschließend wurde ein 20-m-DEM aus Höhenlinien mit dem Werkzeug Topo zu Raster in ArcGIS 9.2 interpoliert, das topografische Vektorlinien mithilfe des ANUDEM-Algorithmus in eine Raster-DEM-Oberfläche umwandelt.

                Abgrenzung von Wassereinzugsgebieten und Untersuchungsgebiet: Das in diesem Dokument verwendete Entwässerungsnetz, Wassereinzugsgebiet und Unter-Wassereinzugsgebiete wurden mithilfe der Arc-Hydro-Werkzeuge von ArcInfo automatisch aus dem DEM abgegrenzt. Fließrichtung, Fließakkumulation, Fließdefinition, Fließsegmentierung und Wassereinzugsgebietsabgrenzung wurden unter Verwendung von standardisierten Rasterverfahren bestimmt, die von Djokic et al. (1997) und ESRI (1997). Das Rasteranalysegebiet in dieser Studie umfasst das Einzugsgebiet des Untersuchungsgebiets plus einen 500 m langen Puffer. Dieser Puffer ist enthalten, um ein häufiges Problem bei der Rasteranalyse zu berücksichtigen, da viele Analysefunktionen Informationen aus einer Nachbarschaft um jede Rasterzelle benötigen. Wenn die Analyse auf die genaue Ausdehnung des Untersuchungsgebiets beschränkt ist, können Zellen am Rand des Untersuchungsgebiets möglicherweise nicht über vollständige Nachbarschaften verfügen. Der in dieser Studie verwendete 500-m-Puffer garantiert, dass alle Gitterzellen bei der Berechnung der Nachbarschaftsstatistik eine vollständige Nachbarschaft zur Verfügung haben.

                Landbedeckungsklassifizierung: Die Landbedeckung wurde mit der Guided Clustering-Methode klassifiziert, einem hybriden überwachten-unüberwachten Klassifizierungsansatz, der in Messina et al. (2000). Ein 3×3-Medianfilter wurde angewendet, um gesprenkelte Pixel, zufällige Pixel in der Mitte einer Hauptklasse zu entfernen und die klassifizierten Karten zu verfeinern. Den Klassen wurden anhand von GPS-Daten, Normalized Difference Vegetation Index (NDVI), Feldkenntnissen, Luftbildern und verschiedenen Bandkombinationen Attribute zugewiesen. Es wurden drei verschiedene Landbedeckungsklassen extrahiert: Wald-, Busch- und Buschland sowie kahle exponierte Böden und Felsen (Abb. 4). Die Klasse des nackten exponierten Gesteins und Bodens umfasst auch landwirtschaftlich genutzte Flächen und bebaute Flächen. Die Gesamtgenauigkeit der Landbedeckungsklassifizierung betrug 80 %.

                Morphometrische Analyse (Topographische Attribute): Aus dem DEM wurden die topographischen Attribute Hang, Ausrichtung, Krümmung (Planform), topographische Nässe und Stromstärke berechnet (Abb. 5). Neigungs- und Aspektkarten zeigen die Größe und Richtung der Vektortangente an die topografische Oberfläche, die an einem Punkt bergab zeigt.

                Die Krümmung der Planform, berechnet mit Standard-ESRI-Funktionen basierend auf den Algorithmen von Zevenbergen und Thorne (1987), liefert ein Maß dafür, wie Wasser konvergiert oder divergiert, wenn es durch die Landschaft fließt.

                Die Krümmung der Planform wird unter Verwendung einer 3 & mal 3 Zellennachbarschaft berechnet, so dass sie in unserem Fall die Krümmung in einem Bereich von 60 x 60 m darstellt. Die Werte für die Krümmung der Planform wurden basierend auf den folgenden Kriterien in konkav, linear und konvex umklassifiziert: Wenn n𔃰.1, ist die Krümmung der Planform konvex und fließendes Wasser neigt dazu, zu divergieren, wenn -0,1‘n<0,1 ist die Krümmung linear und wenn n< -0,1 ist die Krümmung konkav und fließendes Wasser neigt dazu, zusammenzulaufen.

                Topografische Nässe- und Stromstärkeindizes wurden verwendet, um die Strömungsintensität und das Akkumulationspotenzial zu quantifizieren. Die topografische Nässe (auch bekannt als Compound Topographic Index [CTI] oder topografischer Feuchtigkeitsindex) an einem bestimmten Punkt der Landschaft ist das Verhältnis zwischen dem zu diesem Punkt beitragenden Einzugsgebiet und der Neigung an diesem Punkt (Wilson und Gallant, 2000). Höhere positive Werte sind feuchter und niedrigere negative Werte sind trockener und die Werte werden wie folgt berechnet:

                Der Stream Power Index (SPI) ist eng mit dem topografischen Nässeindex verwandt und wird verwendet, um die Erosionskraft des Geländes abzuschätzen. Gebiete mit großen Stromleistungsindizes haben ein großes Erosionspotenzial. Wenn die Gesamtstromleistung größer ist als die für den Transport des verfügbaren Sediments benötigte (Angebot begrenzt), dann kommt es zu einem Nettoverlust an Sediment und der Strom wird erodiert. Wenn die Stromstärke des Baches geringer ist (begrenzter Transport) als erforderlich ist, kommt es zu einem Nettogewinn an Sediment und der Bach wird aufgestaut. Die Werte werden berechnet als:

                Stromleistungsindex = Einzugsgebietxtan β (Moore et al., 1993)
                wo β = Steigung in Grad

                Um störende Merkmale zu entfernen, wurden die resultierende Nässekarte und die Stromleistungskarte mit der Routine “majority filter” (dreifaches Scanfenster) gefiltert.

                Topografischer Positionsindex (TPI): Der topografische Positionsindex (TPI) ist die Differenz zwischen der Höhe einer Zelle und der durchschnittlichen Höhe in einer Umgebung, die diese Zelle umgibt. Positive Werte zeigen an, dass die Zelle höher als ihre Nachbarn ist, während negative Werte anzeigen, dass die Zelle niedriger ist. TPI ist eine Vereinfachung des von Fels und Zobel (1995) beschriebenen Landscape Position Index und wurde im Detail von Weiss (2001) entwickelt. TPI-Werte bieten ein einfaches und leistungsstarkes Mittel, um die Landschaft in morphologische Klassen zu klassifizieren (Jenness, 2005).

                Die Größe und Form der Nachbarschaft ist für die Analyse von entscheidender Bedeutung und sollte auf dem Maßstab des analysierten Landschaftsmerkmals basieren. Um sehr kleine Merkmale wie kleine Bäche oder Entwässerungen zu klassifizieren, wurde eine kleine kreisförmige Nachbarschaft verwendet. Um große Schluchten oder Berge zu identifizieren, wurde eine große kreisförmige Nachbarschaft verwendet. Die Auswahl der richtigen Nachbarschaft ist im Allgemeinen ein iterativer Prozess, bei dem mehrere Optionen ausprobiert werden, bevor die nützlichsten Größen identifiziert werden. In dieser Studie wurden TPI-Gitter aus 50, 100, 150, 200, 250 und 450 m Nachbarschaften präsentiert (Abb. 6).

                Hanglageklassifizierung: Als nächstes wurden TPI-Werte verwendet, um die Landschaft in Hanglageklassen zu klassifizieren. Diese Klassifizierung basiert darauf, wie extrem die TPI-Werte sind und auf der Steigung an jedem Punkt. Logischerweise würden hohe TPI-Werte in der Nähe von Hügelkuppen gefunden, während niedrige TPI-Werte in Talsohlen gefunden würden. TPI-Werte nahe 0 würden entweder auf flachem Boden oder irgendwo auf mittlerem Gefälle und Gefällewerte verwendet, um zwischen diesen beiden Möglichkeiten zu unterscheiden. In dieser Studie wurde aus jedem der 6 TPI-Gitter ein 4-Kategorien-Neigungspositionsgitter generiert (Abb. 7). Ein TPI-Schwellenwert von ±1 SD wurde verwendet, um Hügelkuppen und Talböden zu identifizieren, wobei der Standardabweichungswert aus allen Höhenwerten im Wassereinzugsgebiet berechnet wurde. Eine Neigungsschwelle von ±6° wurde verwendet, um zwischen flachen Gebieten und Gebieten mit mittlerer Neigung zu unterscheiden (Tabelle 1).

                Landformklassifizierung: TPI-Werte, die aus zwei Nachbarschaftsgrößen berechnet werden, liefern mehr Informationen über die allgemeine Form der Landschaft als TPI-Werte aus einer einzelnen Nachbarschaft und daher können komplexere Landschaftsmerkmale identifiziert werden, indem TPI-Gitter, die in verschiedenen Maßstäben generiert wurden, kombiniert werden. Ein Punkt in der Landschaft mit einem negativen TPI-Wert für kleine Nachbarschaften und einem positiven TPI-Wert für große Nachbarschaften repräsentiert wahrscheinlich ein kleines Tal auf einer größeren Hügelkuppe. Ein solches Merkmal kann vernünftigerweise als Hochlandentwässerung klassifiziert werden. Umgekehrt repräsentiert ein Punkt mit einem positiven TPI-Wert für eine kleine Nachbarschaft und einem negativen TPI-Wert für eine große Nachbarschaft wahrscheinlich einen kleinen Hügel oder Bergrücken in einem größeren Tal.

                In unserem Fall wurden 50 und 450 m TPI-Raster in Kombination mit der Neigung verwendet und die Landschaftsformen nach den von Weiss (2001) beschriebenen Kriterien klassifiziert (Abb. 8 Tabelle 1). Wie bei den Neigungspositionsklassifikationen wurden hohe und niedrige TPI-Werte durch Einstellen eines Schwellenwerts von ±1 SD unterschieden. In Fällen, in denen die TPI-Werte beider Nachbarschaftsgrößen zwischen -1 und 1 lagen, wurden kleine Ebenen und Gebiete mit mittlerer Neigung unter Verwendung eines Schwellenwerts für die Neigung von 6° Eine vollständige Beschreibung jeder morphologischen Klassifikation findet sich in Weiss (2001) und Jenness (2005).

                Die Beziehungen zwischen Landschaftsklassifikationen (Hanglage und Landschaftsformen) und topografischen Attributen (Höhe, Neigung, Krümmung der Grundrissform, topografische Nässe und Stromstärke) wurden mithilfe der standardmäßigen ArcView Zonal Statistics-Funktion zum Berechnen von Statistiken für topografische Attribute innerhalb jeder Landschaftsklasse bestimmt. Die Beziehungen zwischen Landschaftsklassifikationen und Geologie- und Landbedeckungsklassen wurden analysiert, indem die standardmäßige ArcView-Tabellentabellenfunktion verwendet wurde, um die Anteile der Landschaftsklassen zu berechnen, die jeder Geologie- und Landbedeckungsklasse entsprachen.

                Klassifikation der Hanglage: Von den 6 getesteten Nachbarschaftsgrößen wurde festgestellt, dass die 100 m lange Nachbarschaft die besten Ergebnisse bei der Extraktion der Terrassen und kleinen Karstvertiefungen liefert, die an der Identifizierung innerhalb der Wasserscheide interessiert sind. Diese Features waren nicht groß genug, um von größeren Nachbarschaften extrahiert zu werden, und die kleinere 50-m-Nachbarschaft neigte dazu, nur die Kanten der Features und nicht die Features selbst zu extrahieren.

                Die Klassifikationsergebnisse der Hanglage für alle 6 Nachbarschaftsgrößen sind in Abb. 7 dargestellt. Innerhalb der 100 m Nachbarschaftsklassifikation wurden 66,6% der Wasserscheide als Mid-Slope, 14,4 % Valley, 14,2 % Hilltop und 10,8 % klassifiziert als flache Oberfläche.

                Topografische Merkmale der Landformklassen: Abbildung 8 gibt einen Überblick über das Gebiet mit den primären Landformen. Mehr als 50% der Fläche sind als offene Hanglage klassifiziert, was nicht verwunderlich ist, da das Gebiet von mehreren Flüssen durchschnitten wird. Neigung, topografische Nässe, Stromstärke, Krümmung der Krümmung und Höheneigenschaften der Landschaftsformen sind in Tabelle 2 aufgeführt.

                Es ist interessant festzustellen, dass die Klassen “Canyons, Deeply Incised Streams”, “Midslope Drainages, Shallow Valleys” und “Upland Drainages, Headwaters” alle tendenziell stark negative Krümmungswerte der Planform aufweisen, während “Local Ridges/Hills in Valleys”, “Midslope Ridges, Small Hills in Plains”und “Mountain Tops, High Ridges”hatten tendenziell stark positive Krümmungswerte. Die Klassen mit negativen Krümmungswerten entsprachen alle negativen TPI-Werten für kleine Nachbarschaften, während die Klassen mit positiver Krümmung alle positiven TPI-Werten für kleine Nachbarschaften entsprachen. Die Krümmung wird immer aus einer 3×3-Zellen-Nachbarschaft berechnet, daher wurde die Krümmung in unserem Beispiel mit einer quadratischen 60-m-Nachbarschaft berechnet. Diese Nachbarschaftsgröße kommt unserer kreisförmigen TPI-Nachbarschaft mit einem Radius von 50 m sehr nahe, daher ist es nicht überraschend, dass die Krümmung der Planform tendenziell mit unserem TPI-Gitter für kleine Nachbarschaften korreliert zu sein scheint.

                Die Stromstärke steht in direktem Zusammenhang mit dem Hang und dem Einzugsgebiet, sodass es auch nicht verwunderlich ist, dass die Stromstärke dort am stärksten war, wo entweder die Werte für kleine Nachbarschaften oder große Nachbarschaften negativ waren. Negative TPI-Werte zeigen an, dass eine Zelle niedriger ist als ihre Nachbarn, und von solchen Zellen würde erwartet, dass sie ein größeres Einzugsgebiet haben als Zellen, die höher sind als ihre Nachbarn.

                Geologische und Landbedeckungsmerkmale der Landformklassen: Wie aus Tabelle 3 ersichtlich, wurden 92,8% der alluvialen Oberflächen als U-förmige Täler, Ebenen oder offene Hänge klassifiziert (dh die drei höchsten Werte: 17,6+ 58,9+ 16,3%), 59,5 % von die Agglomerate wurden als offene Hänge und obere Hänge klassifiziert 88% der Sandsteine, Tonsteine ​​und Kalksteine ​​wurden als offene Hänge, Mittelhangrücken, kleine Hügel in Ebenen und kleine Ebenen klassifiziert und 48 % der Kalksteine ​​waren offene Hänge. Dies ist ein Beweis dafür, dass die Geologie eine große Bedeutung für die Landschaftsformen der Wasserscheide hat.

                Tabelle 1: Beschreibungen von Geländeformklassen und Hanglagenklassen

                Tabelle 2: Zonenstatistik als Tabelle, die Werte der topografischen Attribute im Raster (Neigung, topografische Nässe, Stromstärke, Plankrümmung und Höhe) innerhalb der Landschaftszonen anzeigt (SD: Standardabweichung)

                Auch Landbedeckungsklassen weisen interessante Beziehungen zu Landformklassen auf (Tabelle 3). Schluchten und tief eingeschnittene Bäche scheinen viele Waldebenen zu haben haben viel nackten Fels und exponierten Boden, obere Hänge scheinen relativ wenig nackten Fels und exponierten Boden zu haben lokale Kämme/Hügel in Tälern scheinen viel Wald und relativ wenig nacktes Gestein und exponierter Boden und Berggipfel/-kämme scheinen viel Wald und relativ wenig nacktes Gestein und exponierten Boden zu haben. Der überproportionale Anteil an nacktem Gestein/freiliegendem Boden in den Ebenen ist möglicherweise darauf zurückzuführen, dass diese Gebiete hauptsächlich landwirtschaftlich genutzt werden und die Klasse nackter Fels/freiliegender Boden landwirtschaftliche Flächen umfasst.

                Mit TPI können drei verschiedene Erosions- oder Denudationsflächen identifiziert werden. Diese denudationalen Flächen wurden als “Upper Slopes, Mesas” im Weiss Landform Klassifikationsschema identifiziert. Die denudationale Oberfläche des niedrigsten Niveaus wurde in 100-150 m relativer Höhe beobachtet. Die mittlere Denudationsfläche befindet sich zwischen 250 und 300 m relativer Höhe und schneidet die Miozän-Pliozän-Vulkanformationen. Die höchste freigelegte Fläche befindet sich in 400 m relativer Höhe, am Rand der Wasserscheide (Abb. 9). Nach Erol (1983) stammen die niedrigsten Oberflächen aus dem untersten Pleistozän, die mittleren Oberflächen aus dem Pliozän und die höchsten Oberflächen aus dem oberen Miozän.

                Die Muldenbildung im Zentrum der Region ist als Yazoren Polje bekannt, ein hauptsächlich landwirtschaftlich geprägtes Gebiet. Diese flache Oberfläche wurde im Klassifikationsschema der Landform von Weiss als Ebene identifiziert. Die Ebene geht entlang der nördlichen und südlichen Grenzen schnell in offene Hänge über. Diese plötzliche Hangänderung, die sich entlang der in Abb. 3 dargestellten normalen Verwerfungslinien befindet, legt nahe, dass normale Verwerfungen zur Vertiefungsbildung beitragen können.Das Plateau entlang der Nordgrenze der Polje erhebt sich 100-150 m relativ zur Senke und die Südgrenze der Polje wird von einem Plateau begrenzt, das fast 200 m relativ hoch ist (Abb. 2, Abb. 9a-b). Dieser Unterschied von 100 m ist wahrscheinlich das Ergebnis einer Anhebung entlang der normalen Verwerfung.

                Es wird vermutet, dass Yazoren Polje und seine Wasserscheide von der Schlucht am Ellbogen der Eroberung entwässert wurden. Nach Ardel (1958) und Kazanci und Gorur (1997) ist das Pleistozän eine Erosionsperiode in der südlichen Marmararegion der Türkei und geschlossene Senken sind offen mit epigenetischen Schluchten oder überlagerten Tälern in der südlichen Marmararegion der Türkei. Nach Erol (1992) und Atalay (1998) führte der pleistozäne Klimawechsel zu unterschiedlichen Terrassensystemen und der Abbruch begann im untersten Pleistozän und setzte sich durch das untere, mittlere und späte Pleistozän fort. Dieser Erfassungsprozess, der aufgrund der anhaltenden Hebung und Verdichtung der Landschaft stattfindet, war in der Marmara-Region der Türkei (sowie in der gesamten Türkei im Allgemeinen) historisch üblich, da neotektonische Aktivitäten und quartäre Meeresspiegelschwankungen die Entwicklung dieser Region weitgehend steuern . Der Fluss schnitt sein Tal während des Quartärs ein und spielte somit eine wichtige Rolle bei der Entwicklung der heute in der Gegend vorhandenen Landschaftsformen (Atalay, 1998).

                Mit TPI sind zwei Schultern oder schmale Terrassen entlang der Schluchthänge zu erkennen (Abb. 8). Terrassenflächen finden sich entlang lokaler Grate oder mittellanger Grate. Es scheint, dass die Schlucht über einen sehr langen Zeitraum eingeschnitten wurde. Die von mir beobachtete Terrasse um die Schlucht auf 60-70 m über der Aue, die unterste wird auf 20-30 m über der Au beobachtet (Abb. 9c-e). Dieselben Terrassenoberflächen wurden von Tagil (2004) in der Nähe der Balikesir-Ebene identifiziert, der nächsten Ebene, die 28 km in NE-Richtung liegt. Die unterste Terrasse konnte in der Schlucht selbst nicht ermittelt werden, ist aber am Eingang und Ausgang der Schlucht und auch im südlichen Teil von Yazoren Polje erkennbar. Da die Eroberungsschlucht in die Yuntdag-Vulkane des späten Miozäns bis zum Pliozän eingeschnitten ist, erfolgte die Eroberung daher nach dem Pliozän. Dies deutet darauf hin, dass die Eroberung und die Schlucht während und nach dem Pleistozän gebildet wurden.

                Die Landform-Anwendung kann uns helfen, nicht nur offene Senken, sondern auch geschlossene Senken, Flussrinnen und weniger offensichtliche Merkmale wie Täler zu erkennen. Abbildung 8 zeigt mehrere geschlossene Karstsenken (Kizilgol-Grube und viele unbenannte Vertiefungen), die fälschlicherweise als tief eingeschnittene Bäche und U-förmige Täler klassifiziert wurden. Scharfe Kanten markieren die Grenzen dieser Karstsenken. Während der innere tiefere Bereich als flach oder eben klassifiziert wird, werden die Bereiche um diese kleinen Senken aufgrund ihrer erhöhten Lage gegenüber dem Senkenboden als offene Böschungen klassifiziert. Die kleinste dieser Karstsenken hat einen Durchmesser von fast 500-1500 m und eine Länge von 150-500 m. Sie variieren in der Größe.

                Landschaftsvermessungs- und Kartierungstechniken auf der Grundlage geomorphologischer Analysen, kombiniert mit GIS- und Fernerkundungstechniken, sind nützliche Werkzeuge für das Management natürlicher Ressourcen. In dieser Studie wurde TPI verwendet, um morphologische Typen für eine halbautomatische Ableitung von Landformelementen zu generieren. Mit der vorgestellten Methodik wurden Landformelemente nach Weiss (2001) generiert und die Ergebnisse spiegeln seine Definitionen wider. Digitale Höhenmodelle bieten viele andere potenzielle Habitatdeskriptoren als nur eine Reihe von Höhenwerten. DEMs können eine Vielzahl von landschaftsmorphologischen Merkmalen hervorbringen, die für Wildtiere, Landbewirtschafter und Forscher wichtig sein können. Dieser Artikel beschreibt einige der analytischen Ansätze und topographischen Konzepte und zeigt, wie sie zur Erklärung geomorphologischer Prozesse nützlich sind.

                Bei dieser Methode treten gelegentlich Probleme auf. In diesem halbautomatischen Landformmodell gingen kleinere Bäche verloren oder wurden zumindest schlecht identifiziert. Zum Beispiel wurden schmale Bäche, die über weite Ebenen verlaufen, ohne ein breiteres Tal zu bilden, nicht identifiziert, obwohl sie mit sensibleren Klassifizierungskriterien identifiziert werden könnten. Einige Bereiche können vom Computer einfach nicht richtig verarbeitet werden, wenn sie über die Grenze des DEM hinausreichen. Außer in Fällen wie diesen: TPI bietet ein leistungsstarkes Werkzeug, um topografische Merkmale eines Untersuchungsgebiets zu beschreiben.

                2: Atalay, I., 1998. Paläoumweltbedingungen des späten Pleistozäns und frühen Holozäns in Anatolien. In: Quartäre Wüsten und Klimawandel, Alsharhan, A.S., K.W. Glennie, G. L. Whittle und C. G. St. C. Kendall (Hrsg.). A. A. Balkema-Publikation, Balkema, Rotterdam, ISBN9054105976, S.: 227-237.

                3: Bates, R. L. und J. Jackson, 1987. Glossar der Geologie: Alexandria, Virginia. 1. Aufl., American Geological Institute, New York, S.: 788.

                4: Blaszczynski, J.S., 1997. Landformcharakterisierung mit geographischen Informationssystemen. Photogrammetrische Eng. Fernerkundung, 63: 183-191.
                Direktlink |

                5: Chorley, R. J., 1972. Kapitel 1 – Spatial Analysis in Geomorphology. In: Spatial Analysis in Geomorphology, Chorley, R.J. (Hrsg.). Harper and Row Publishers, New York, USA., S.: 3-16.

                6: Coates, D.R., 1958. Quantitative Geomorphologie kleiner Einzugsgebiete in Süd-Indiana. 1. Aufl., Columbia University, New York.

                7: Denizman, C., 2003. Morphometrische und räumliche Verteilungsparameter von Karstdepressionen, unteres Suwannee River Basin, Florida. J. Cave Karst Stud., 65: 29-35.
                Direktlink |

                8: Djokic, D., Z. Ye und A. Miller, 1997. Effiziente Abgrenzung von Wassereinzugsgebieten mit ArcView und Spatial Analyst. Fortsetzung der 17. jährlichen ESRI-Benutzerkonferenz. San Diego, Kalifornien.

                9: Ercan, T., E. Ergul, F. Akcoren, A. Cetin, S. Granit und J. Asutay, 1990. Geology of Balikesir-Bandirma. MTA. Bull., 110: 113-130.

                10: Erol, O., 1983. Neotektonische und geomorphologische Evolution der Türkei. Jeomorphol. Bull., 11: 1-22.

                11: Erol, O., 1992. Climageomorphology. 1. Aufl., Druckerei der Universität Istanbul, Istanbul, Türkei.

                12: ESRI., 1997. Watershed Delineator Application-User's Manual. 1. Aufl., Umweltsystemforschungsinstitut, Redlands, CA.

                13: Evans, I.S., 1972. Kapitel 2 – Allgemeine Geomorphometrie, Höhenableitungen und deskriptive Statistik. In: Spatial Analysis in Geomorphology, Chorley, R.J. (Hrsg.). Harper und Row, Publishers, New York, USA., S.: 17-90.

                14: Fels, J.E. und R. Zobel, 1995. Landschaftsposition und klassifizierte Landtypkartierung für das landesweite DRASTIC-Kartierungsprojekt. Technischer Bericht der North Carolina State University.

                15: Franklin, S.E., 1987. Geomorphometrische Verarbeitung digitaler Höhenmodelle. Berechnen. Geosci., 13: 603-609.
                CrossRef | Direktlink |

                16: Horton, R.E., 1945. Erosionsentwicklung von Bächen und ihren Einzugsgebieten: Hydrophysikalischer Ansatz zur quantitativen Morphologie. Geol. Soz. Bin. Bull., 56: 275-370.
                CrossRef | Direktlink |

                17: Hosgoren, Y., 1981. Ein Karstgebiet im nördlichen Teil der Ägäis. Stanbul Earth Sci. J., 2: 139-148.

                18: Jenness, J., 2005. Topographic Position Index (tpi_jen.avx)-Erweiterung für ArcView 3.x. Jenness-Unternehmen. http://www.jennessent.com.

                19: Kazanci, N. und N. Gorur, 1997. Neogene und quartäre Evolution der Marmararegion. TUBITAK, Projekt-Nr. YDABCAG/426G, Ankara.

                20: Messina, J. P., K. A. Crews-Meyer und S.J. Walsh, 2000. Skalenabhängige Mustermetriken und Paneldatenanalyse, wie sie in einem mehrphasigen hybriden Landbedeckungsklassifikationsschema angewendet werden. Proceedings of the American Society of Photogrammetry and Remote Sensing Conference, Miami, Florida, 22.-26. Mai 2000, American Society for Photogrammetry and Remote Sensing, USA., S.: 1-8.

                21: Miller, J.C., 1953. Eine quantitative geomorphologische Untersuchung der Eigenschaften von Einzugsgebieten im Cinch-Gebirge. Virginia und Tennessee, Technischer Bericht 3.

                22: Moore, I.D., P.E. Gessler, G. A. Nielsen und G. A. Peterson, 1993. Bodenattributvorhersage mittels Geländeanalyse. Boden Sci. Soz. Bin. J., 57: 443-452.
                Direktlink |

                23: Pike, R.J., 1999. A Bibliography of Geomorphometry, the Quantitative Representation of Topography-Supplement 3 (Open-File Report 99-140), US. Geologische Untersuchung.

                24: Skidmore, A.K., 1989. Ein Vergleich von Techniken zur Berechnung von Gradienten und Seitenverhältnissen aus einem gerasterten digitalen Höhenmodell. Int. J. Geogr. Dr. Informieren. Wissenschaft, 3: 323-334.
                CrossRef | Direktlink |

                25: Speight, J. G., 1990. Landform. In: Australian Soil and Land Survey Field Handbook, McDonald, R.C., R.F. Isbell, J. G. Speight, J. Walker und M.S. Hopkins (Hrsg.). 2. Aufl., Inkata Press, Melbourne, S.: 9-57.

                26: Tagil, S., 2004. Physische Geographie der Balikesir-Ebene und ihrer Umgebung. 1. Aufl., Anil Printing House, Ankara, Türkei.

                27: Tekeli, O., 1981. Subduktionskomplex des vorjurassischen Zeitalters, Nordanatolien, Türkei. Geologie, 9: 68-72.
                CrossRef | Direktlink |

                28: Ventura, S. J. und B. J. Irvin, 2000. Automated Landform Classification Methods for Soil-Landscape. In: Terrain Analysis: Principles and Applications, Wilson, J. P. und J. C. Gallant (Hrsg.). John Wiley und Sons, New York, S.: 267-93.

                29: Weiss, A., 2001. Topographische Positions- und Landformanalyse. Posterpräsentation, ESRI-Benutzerkonferenz, San Diego, CA.


                Offene Forschung

                Die Daten, die die Ergebnisse dieser Studie stützen, sind in GBIF bei den folgenden DOIs offen verfügbar: Amphibien: https://doi.org/10.15468/dl.as6uug, Arthropoden: https://doi.org/10.15468/dl.uhumps , Vögel: https://doi.org/10.15468/dl.61rqcy, Pilze: https://doi.org/10.15468/dl.akftay, Säugetiere: https://doi.org/10.15468/dl.diqarx, Pflanzen https://doi.org/10.15468/dl.uhenlf und Reptilien: https://doi.org/10.15468/dl.pn1aw9. Die Kartendaten der IUCN-Range sind für die akademische Nutzung bei der IUCN unter https://www.iucnredlist.org/resources/spatial-data-download und bei BirdLife unter http://datazone.birdlife.org/species/requestdis offen verfügbar. Die verwendeten Klimadaten sind unter https://worldclim.org/data/bioclim.html verfügbar und werden Hijmans, Cameron, Parra, Jones und Jarvis (2005) zugeschrieben. Höhendaten sind vom USGS ( 2010 ) unter https://www.usgs.gov/centers/eros/science/usgs-eros-archive-digital-elevation-global-multi-resolution-terrain-elevation?qt-science_center_objects verfügbar =0#qt-science_center_objects. Bodenbedingungen sind von Hengl et al. ( 2014 ) unter https://www.isric.org/explore/soilgrids. Vegetationsmerkmale sind von Didan ( 2015 ) unter https://lpdaac.usgs.gov/products/myd13q1v006/ verfügbar. Karten des menschlichen Fußabdrucks sind von Venter et al. ( 2016 ) unter https://sedac.ciesin.columbia.edu/data/set/wildareas-v3-2009-human-footprint. Daten zu Amphibienmerkmalen sind von Oliveira, São-Pedro, Santos-Barrera, Penone und Costa (2017) unter https://www.nature.com/articles/sdata2017123 verfügbar. Daten zu Vogel- und Säugetiermerkmalen sind von Wilman et al. ( 2014 ) unter http://www.esapubs.org/archive/ecol/E095/178/. Daten zu Reptilienmerkmalen sind von Meiri ( 2018 ) unter https://onlinelibrary.wiley.com/doi/abs/10.1111/geb.12773 verfügbar.

                Bitte beachten Sie: Der Herausgeber ist nicht verantwortlich für den Inhalt oder die Funktionalität der von den Autoren bereitgestellten unterstützenden Informationen. Alle Anfragen (außer fehlenden Inhalten) sollten an den entsprechenden Autor des Artikels gerichtet werden.


                Schau das Video: Reclassify



                Tisch 3: Beziehungen zwischen Landformklassen und Geologie, Landbedeckung und Hangklassen*