Düzensiz örneklenmiş kategorik veriler nasıl ızgara yapılır?


10

Kategorik verileri ızgaralamak için bir yöntem arıyorum. Deniz haritalarından ve tarla sayfalarından okyanusun dibinin yüzeyinin doğasını belirten bir dizi nokta çıkardım. Bu veriler sayısal olmaktan ziyade kategoriktir ve düzenli ve hatta rastgele örneklenmemiştir. Deniz haritaları, navigasyon ve demirlemeye yardımcı olmak için oluşturulmuştur; habitatı haritalamak için yaratılmazlar. Bu nedenle, nispeten sığ derinliklerin navigasyon için tehlike oluşturabileceği ve gemilerin demirleme eğilimi gösterdiği kıyıya yakın daha fazla sondaj yapılır. Derinliklerin navigasyon için fazlasıyla yeterli olduğu ve sabitlemenin pratik olmadığı kıyıdan daha fazla, sondajlar daha az sıklıkla yapılır.

Deniz haritalarından başkası ızgaralı alt tabaka haritaları oluşturmaya çalıştı mı?

Thiessen (Vornoi) çokgenlerine baktım ama kıyılardaki sondajların yoğunluğu kıyı boyunca ince bir 'petek', denizde büyük çokgenler ve denizde uzanan uzun pasta şeklindeki çokgenler arasında yol açıyor. En yakın komşu kullanılarak yapılan ızgaralar hemen hemen aynı sonucu verir.

Sığ, kıyıya yakın noktaların etkisini sınırlamak için bir yola ihtiyacım var - bu uzun pasta şeklindeki çokgenleri sınırlamanın bir yolu. Daha derin sularda, dibin doğasının yakın kıyı dibinin bir devamı olacağını beklemiyorum. Her ikisi de derinlik kullanarak iki çizgi üzerinde düşünmeye başladım. Birincisi , bir ızgara hücresi ile komşu noktalar arasındaki derinlik farkını kullanarak 'en yakın' komşunun seçimini ağırlıklandırmaktır. Bir diğeri , derinlemesine farklı olan belirli bir toleranstan daha fazla olan komşu noktaların seçimi. Ya da, belki de önceden belirlenmiş bir tolerans yerine, derinlik aralıklarını depolayabilir ve daha sonra komşu nokta seçimini aynı derinlik aralığı veya kutudaki sınırlarla sınırlayabilirim.

Bu iki seçenekten herhangi birinin nasıl uygulanacağı hakkında herhangi bir fikriniz var mı?

Diğer forumlarda meslektaşlarla konuştuğumdan beri, birkaç başka yaklaşıma bakıyorum. Birincisi, kıyıya yakın verilerin etkisini sınırlamak için bir bariyer - 100m derinlik konturu - kullanılmasını içerir. Bu yaklaşımdaki zorluk, bariyerleri kullanabilen herhangi bir ESRI enterpolasyon rutininin süreksiz verilerden ziyade sürekli verilerle çalışacak şekilde tasarlanmasıdır. Thiessen çokgenleri oluşturmadan önce noktaları kıyıya yakın sığ ve daha derin noktalara ayırmak için engelleri kullanabilirim. Ancak, ArcGIS karmaşık alanlar için değil, dikdörtgen alanlar için Shian poligonları oluşturduğundan, yaygın kenar etkileri bekliyorum.

Birkaç meslektaş tarafından önerilen ikinci yaklaşım kriging'ti. Başlangıçta kriging'i elden çıkardım çünkü sadece sürekli veri için düşündüm. Kriging ile ilgili zorluk, kategorik veriler için tasarlanmamış olmasıdır. Şimdi, yüzeyin derinliği ve doğası ile birlikte bakmaya bakıyorum, ancak her tür kriging, yüzeyin doğası için tam sayı sayısal kodların kullanılmasını içerecektir. Daha sonra ortaya çıkan kayan nokta sayısal kodlarının orijinal tamsayı kodlamasına geri indirilmesi gerekecektir. Güzel değil.

Herhangi biri başka satırların takip etmesini önerebilir mi? (Belki arazi analizi kullanılabilir. Örneğin, yatma açısından daha dik yamaçlar sediman olamazdı. Daha basit bir şey arıyorum ve her halükarda yeterli uzamsal çözünürlükte veri yok.)

Saygılarımızla,

Yanıtlar:


4

Uygun şekilde uygulanan kriging yaklaşımı ümit vericidir.

Bir çıkış noktası olarak, Diggle & Ribeiro tarafından Model Tabanlı Jeoistatistikte (Springer 2007) açıklanan "genelleştirilmiş doğrusal jeoistatistiksel modellere" bakın . Temel fikir çekici ve esnektir: mekansal stokastik bir süreç (mekansal olarak sürekli ) kategorilerin çeşitli olasılıklarını belirler. Mekansal korelasyon yapısı (variogram) da dahil olmak üzere temel sürecin istatistiksel özelliklerini çıkarmak için gözlenen kategorileri düzensiz noktalarda kullanır. Kriging daha sonra gözlemlerle tutarlı bir olasılık yüzeyi oluşturur. Bu noktada jeoistatistiksel simülasyonlar yapabilir veya olasılıklarla ilgili haritalar yapabilirsiniz (tahmin edebileceğim maksimum olasılık kategorilerinin haritaları gibi).

Kulağa sofistike geliyor ve öyle. Bununla birlikte, Diggle ve Ribeiro'nun tartışmasına oldukça erişilebilir - matematiksel olmasına ve bazı istatistik bilgilerine sahip olmasına rağmen, her ikisine de çok fazla güvenmiyor - ve tekniklerinin çoğu tanımladıkları R paketlerinde uygulanıyorgeoR ve geoRGLM. Aslında, bu kitabı bu paketler için el kitabı olarak yorumlamak adil olur.

Bu sitedeki diğer konular gibi, R'yi GIS verileriyle (şekil dosyası ve çeşitli raster formatları dahil) arayüzlemek nispeten kolaydır, bu yüzden bu bir sorun değildir.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.