Koridorları habitat haritasındaki parçalardan ayırma


12

Birisi daha önce bu tür bir sorun delt olup olmadığını merak ediyordum:

Ben aynı sınıf (orman) komşu pikseller 3 piksel mesafe eşik (biyolojik olarak ilgi benim tür için biyolojik olarak önemlidir) ile komşu piksellere dayalı tanımlamak istiyorum.

Benim kaygım, bir örnek için ekteki resme bakın, bazen bu parçaların aslında koridorlar olduğu ve yakınlıklarından dolayı genellikle koridorların ve gerçek parçaların aynı parçaya gruplandırıldığıdır.

resim açıklamasını buraya girin

Ben koridorları şekil, çevresindeki piksel sayısı, vb dayalı parçalardan ayırt etmek için bir yolu olup olmadığını merak ediyorum?

Örneğin, aşağıdaki kutuda olası koridorlar kırmızı kutularla ve parçalar yeşil kutularla gösterilir.

QGIS ve R'ye erişimim var.

resim açıklamasını buraya girin


lütfen örnekten çıkarmak istediğiniz koridor tiplerine bir rakam ekleyebilir misiniz?
radouxju

Yanıtlar:


4

Herhangi bir analize başlamadan önce, "tuz ve karabiber" etkisini temizlemek için verilerinize filtre uygulamanızı şiddetle tavsiye ederim. Herhangi bir algoritma verilerinizin mevcut yapısal modeliyle mücadele edecektir. Basit bir odak çoğunluğu muhtemelen istenmeyen sonuçlar verecektir. Daha sağlam bir yöntem, minimal bir eşleme biriminin belirtilebileceği bir elek yaklaşımı uygulamaktır. Bu, GDAL'deki gdal_sieve.py işlevi , QGIS'deki işlev raster > analysis > sieveveya ArcGIS Gradient Metrics Toolbox'taki elek işlevi aracılığıyla yapılabilir .

Bu, Matematiksel Morfoloji operatörleri ile ele alınabilecek bir şeye benziyor (örn. Görüntüleri yollardan çıkarmak ). Kapatma operatörünün takip ettiği bir dilatasyon operatörünün koridorları aydınlatacağını hayal ediyorum. Daha sonra koridorları kaldırmak için Açma operatörünü uygulayabilir ve belirlenen koridorları ayrı nesneler olarak çekmek için rasterleri fark edebilirsiniz. Bu tür görüntü bozma işlevleri MSPA ve GUIDOS yazılımında bir şekilde otomatikleştirilir, ancak bir kez daha verilerinizdeki süreksizliklerden etkilenir.

MSPA için bir QGIS eklentisi ve GRASS'ta (QGIS GUI aracılığıyla kullanılabilir) kullanılabilir işlevler vardır. MSPA ve GUIDOS ile ilgili sorunlardan biri, görüntü boyutunda sınırlı olmanızdır. Ne yazık ki, ESRI yazılımında, morfolojik işleçler yalnızca ArcScan uzantısında kullanılabilir. Bazı kazmalarda, diğer çekirdek seçenekleri ve özel çekirdek matrisleri ile raster cebiri yoluyla morfolojik operatörleri tanımlama yöntemleri bulacaksınız.

Başka bir yaklaşım, bir Sobal çekirdek operatörü gibi kenar algılama filtreleme yöntemleri olacaktır . Bir SOBAL işlevi vardır ArcGIS Gradyan Ölçümleri Araç Kutusu yanı sıra spatialEco R paketin. R uygulamasının avantajı, operatörün gradyan işlevini döndürebilmenizdir, oysa ArcGIS uygulaması yalnızca 1. sipariş işlevini döndürür (ihtiyacınız olan her şey olabilir). Ben inanıyorum Orfeo araç (bir QGIS eklenti olarak mevcuttur) EdgeExtraction işlevinde SOBAL seçeneği vardır.


belki bir "salter ve biber" filtresi uygulamak, fragmanları bağlayan hedef türler için küçük önemli habitat alanlarının uzaklaştırılması gibi bir etkiye sahip olabilir (bazen en iyi kalitede alanlar olsa da). Bu tür bir filtrenin türlerin dağılma özelliklerine ve verilerin mekansal çözümlenmesine dayalı olarak uygulanmasına karar verirdim. Bir kuş (genellikle daha yüksek dağılma kabiliyetine sahip) bu küçük yamaları kullanabilirken, bir amfibi (nispeten düşük dağılma kabiliyetine sahip) kullanamayabilir. Sadece bir düşünce ..
Kamo

Bu her zaman bir değiş tokuştur, ancak minimal haritalama birimi bu hipotezi açıklamalıdır. Ancak, dengenin, modelin belirli bir derecede belirsizlik sergilediğini ve sonucu mutlak olarak ele aldığınızı da unutmayın. Dürüst olmak gerekirse, iddianızı desteklemek için manzara bir binom süreci değil olasılıklı bir eğim olarak ele alınmalıdır. Bu tür filtreleme, daha işlevsel manzaraları temsil etmede uzun zamandır kabul gören bir uygulamadır. Model, tahminlerde mekansal yapı için bir muhasebe terimini içermediği sürece, mekansal belirsiz bir gerçektir.
Jeffrey Evans

5

Tam bir çözüm değil, ancak bağlantı analizi için bu araçlara göz atın (ilk önce ne aradığınızı iyi tahmin eder):

Ayrıca, örneklerinizi (koridor ve fragmanlar) sınıflandırmak için bir makine öğrenme algoritması eğitimi de düşünün. Sınıflandırmak için yama düzeyinde uzamsal özellikler (ör. Yama boyutu, çevre alan oranı, daire oranı) ve mesafeye dayalı özellikler (örn. Parçalara uzaklık) verebilirsiniz. Sınıflandırma için gereken yama seviyesi özelliklerini hesaplamak için FragStats'ı ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ) deneyebilirsiniz .

Her örneği sınıflandırmak için daha basit bir 'uzman tabanlı kural sistemi' de düşünebilirsiniz. Örneğin, koridorlar habitat parçalarından daha yüksek çevre alan oranına sahip olacaktır.

Bağlantı analizleri için daha ilginç şeyler: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Bununla birlikte, bazı koridorların 'tam piksel bağlantısı' olmaması, önce sıralamanız gereken bir sorun olacaktır. Sanırım bir pikselin koridorun bir parçası olup olmadığına karar vermek için bir çeşit mesafe tabanlı eşik kriteri tanımlamanız gerekiyor.


0

Görünüşe göre parçanızın şekline bağlı. Genişlik, yüksekliğin (veya tam tersinin) 2 (veya 3) katından fazla ise, ona koridor diyebilirsiniz?

Henüz parçaların sınırlandırılmasına geldin mi?

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