Vairāk

Lietojiet simbolu Rasters, izmantojot Arcpy Script


Man ir ArcPy skripts, lai viena rastra slāņa simboloģiju piemērotu visiem satura rādītāja rastra slāņiem. Šo skriptu iepriekš esmu izmantojis ar funkciju slāņiem, nevis rastra slāņiem, un tas strādāja perfekti. Tagad, kad es to palaižu, tas darbojas nepārtraukti, un tas nemaina neviena satura rādītāja rastra slāņa simboloģiju. Tas man nedod nekādus kļūdu ziņojumus; parādās logs, sakot, ka tas veiksmīgi mainīja simboloģiju. Tas darbojas arī tad, ja manuāli lietoju viena rastra slāņa simbolu citiem satura rādītāja slāņiem. Šķiet, ka skripts atkārto sarakstu, faktiski neko nemainot.


Jūsu kodā ir dažas nelielas žagas, esmu to pārrakstījis (cerams) labāk:

importēt arcpy arcpy.env.workspace = "c:  DEM Files" # nav nepieciešams mxd = arcpy.mapping.MapDocument ("Current") # Šis MXD df = arcpy.mapping.ListDataFrames (mxd, "Georgia") [0] # pirmais datu rāmis ar nosaukumu Georgia rasters = arcpy.mapping.ListLayers (mxd, "*", df) # visi slāņi # parasti slānis būtu slāņa fails, nevis tik daudz slānis kartē symbologyLayer = "Feature_El147" # Es pieņemu, ka šis slānis ir pieejams rasteros: izdrukājiet "Strādājam" + Šis slānis.nosaukums, ja ne ThisLayer.isBroken: # mēģiniet strādāt tikai ar slāņiem, kas nav salauzti. .upper () == symbologyLayer.upper (): print "-ne avota slānis" # nav avota slānis, ja ThisLayer.isRasterLayer: print "-ir rastra slānis" # attiecas tikai uz rastra slāņiem arcpy.CalculateStatistics_management (ThisLayer. dataSource) print "-aprēķinātā statistika" arcpy.ApplySymbologyFromLayer_management (ThisLayer, symbologyLayer) print "--Symbology Applied" mxd.save () del mxd

Tas pieņem, ka datu rāmis ar nosaukumu Gruzija pastāv pašreizējā mxd, ja tā nav, jums būs problēmas. Esmu pievienojis nosacījumu isRasterLayer gadījumā, ja jums ir jauktas funkcijas/rastra/grupas slāņi - ņemiet vērā, iespējams, vēlēsities iekļaut slāni.isBroken arī tad, ja jums ir neatsaukti slāņi (sarkanas izsaukuma zīmes).

Esmu mainījis skriptu un to pārbaudījis; šī versija darbojas ar ArcGis 10.1:

importēt arcpy, sys try: symbologyLayer = arcpy.mapping.Layer (sys.argv [1]) izņemot: arcpy.AddError ("Ievades parametrus nevarēja atrisināt") sys.exit (-1) arcpy.AddMessage ("Avota slānis ir % s " % symbologyLayer.symbologyType) # Iziet, ja avota slānis ir salauzts, ja symbologyLayer.isBroken: arcpy.AddError (" Avota slānis ir salauzts ") sys.exit (-2) # Iziet, ja avota slānis nav rastrs slānis, ja ne symbologyLayer.isRasterLayer: arcpy.AddError ("Avota slānis nav rastra slānis") sys.exit (-3) mxd = arcpy.mapping.MapDocument ("Current") # Šis MXD #df = arcpy.mapping. ListDataFrames (mxd, "Georgia") [0] # pirmais datu rāmis ar nosaukumu Georgia df = arcpy.mapping.ListDataFrames (mxd) [0] # Tikai pirmais datu rāmis MXD rasters = arcpy.mapping.ListLayers (mxd, "*", df) # visi šī slāņa slāņi rasteros: arcpy.AddMessage ("Darbs pie" + ThisLayer.name), ja ne ThisLayer.isBroken: # mēģiniet strādāt tikai ar slāņiem, kas nav salauzti arkveida.AddMessage ( "-nav salauzts"), ja ne ThisLayer.name.upper () == symbologyLayer.name.upper (): arcpy.AddMessage ("-ne avota slānis") # nav avota slānis, ja ThisLayer.isRasterLayer: arcpy.AddMessage ("-ir rastra slānis") # attiecas tikai uz rastra slāņiem arkveida. CalculateStatistics_management (ThisLayer.dataSource) arcpy.AddMessage ("-Statistika aprēķināta") arcpy.AddMessage ("--Raster simboloģija ir % s" % ThisLayer.symbologyType) arcpy.ApplySymbologyFromLayer_management (ThisLayer, arcay Piemērota simboloģija ") # mxd.save () # Es nesaglabāju, noņemiet komentāru, lai saglabātu del mxd

Esmu komentējis rindas, kas neatbilst manai videi ...

Iespējams, ka ir problēmas, kas rodas, darbojoties no python loga, tāpēc es iestatīju kodu darbam no rīklodziņa, nokopēju un ielīmēju kodu piezīmju grāmatiņā, saglabāju kā .py failu, pēc tam izveidoju jaunu rīkjoslu katalogā un pievienoju skriptu ar vienu parametrs:Atbilstošs slānis, tipsSlāņa fails.

Programmā ArcMap palaidiet rīku no rīkjoslas (kataloga skatā ir labi), un tas izmantos slāņa faila simboloģiju ... lai iegūtu sākotnējo slāņa failu, ar peles labo pogu noklikšķiniet uz pareizā simboloģijas slāņa un atlasiet “Saglabāt kā slāņa failu”.


Tālāk esošais kods man der, lai gan, manuprāt, tas ir nedaudz pavirši. Man vajadzēja iekļaut veidot rastra slāni un saglabāt slānī, lai tas darbotos.

arcpy.MakeRasterLayer_management (in_raster, out_raster) arcpy.SaveToLayerFile_management (out_raster, display_raster, "ABSOLUTE") # Pielāgojiet rastra slāņa simboloģiju arcpy.ApplySymbologyFromLayer_management (display_raster, display_stateer, HTML karte mxd = arcpy.mapping.MapDocument ("CURRENT") df = arcpy.mapping.ListDataFrames (mxd, "*") [0] addLayer = arcpy.mapping.Layer (symbolized_raster) arcpy.mapping.AddLayer (df, addLayer, "ALS")

Kods darbojas pareizi un pievieno karti displejam, taču tam ir problēmas ar datu avotu. Tā avoti ir pagaidu atrašanās vieta, nevis darbvietas vide.

Mape: C:  Users  User  AppData  Local  Temp Raster: x234bc54_d8c9_c34_by1c458

Es tikko pārbaudīju zemāk esošo kodu, un tas darbojas labi. Kodā jābūt uzmanīgam, lai nemēģinātu simboloģiju piemērot pašam veidnes rastram, pretējā gadījumā jūs saņemsit kļūdu, tāpēc esmu pievienojis paziņojumu if.

importēt arcpy mxd = arcpy.mapping.MapDocument ("CURRENT") df = arcpy.mapping.ListDataFrames (mxd) [0] rasters = arcpy.mapping.ListLayers (mxd, "", df) slānim df: templatelyr = ' Feature_E1147 'if layer.name! = TemplateLyr: lyr = arcpy.mapping.Layer (templatelyr) arcpy.ApplySymbologyFromLayer_management (slānis, lyr)

Kas ir “Feature_El147”? Šīs funkcijas palīdzība saka, ka otrajam argumentam ir jābūt šādam: Feature Layer; Rastra slānis; TIN slānis; Tīkla analīzes slānis; Ģeostatistiskais slānis.

Kas šajā kontekstā attiecas uz slāni, kas pašlaik atrodas kartes dokumentā un kuram ir vēlamā simboloģija. Vai tā jūs to esat izveidojis?


Pielietojiet simbolu Rasters, izmantojot Arcpy Script - ģeogrāfiskās informācijas sistēmas

Es tik daudz nezinu par koordinātu sistēmām.

Manā birojā mēs izmantojam telpiskos datus, kas nāk no arheoloģiskajām vietām. Katrai vietnei ir sava xy-z koordinātu sistēma (GCS). Trīs vienkāršas taisnleņķa Dekarta ass. Pēdējos gados mēs esam pārvaldījuši šos telpiskos datus, izmantojot ĢIS programmatūru (ArcGIS), neizmantojot īpašu koordinātu sistēmu (vienkārši atstājiet to kā "nenoteiktu")

Es gribētu zināt, vai pastāv kāda GCS, kas izstrādāta, lai apstrādātu šādas datu kopas, izmantojot vienkāršu taisnleņķa taisnleņķa asi, bez režģa izkropļojumiem tipiskajā GCS. Turklāt es vēlētos uzzināt, vai šī sistēma ir piemērota tās izmantošanai tiešsaistes kartēšanas lietojumprogrammā.

Starp citu, mēs pārvaldām 2D (ArcMap) un 3D (ArcScene) vidi un strādājam ar "mm" kā garuma pamatvienību.

Ja tādas lietas nav, varbūt kāds zina, kā to izveidot.

Pieņemot, ka jūsu interešu jomas ir salīdzinoši mazas, salīdzinot ar pasauli, jūs varat izveidot pielāgotu šķērsvirziena merkatora projekciju.

Jums jāzina sava DRS izcelsmes ģeogrāfiskās koordinātas lat_0 un lon_0, kā arī x un y ass virziens:

Lietojot kopā ar Arcgis, .prj failā jāiekļauj:

Ja tie nav paralēli ziemeļu un austrumu virzieniem, būtu nepieciešama rotācija, izmantojot slīpu merkara projekciju:

Šīs projekcijas .prj fails ir šāds:

Šeit ir abi kopā (tmerc zilā krāsā un omerc sarkanā krāsā):

Lat_0 un lon_0 (vai lonc) ir jūsu vietējās DRS izcelsmes koordinātas. Jums tie jāizpēta, izmantojot GPS vai citas kartes. Leņķis, kas jāaprēķina no divu zināmo jūsu vietējās X ass punktu koordinātām.

Vienīgais, kas nedarbojas, kā paredzēts, ir milimetrs kā vienības. Tam vajadzētu strādāt, bet nedarbojas pašreizējā QGIS :-(

Pašreizējās QGIS versijas tagad var strādāt ar vietējām projekcijām, izmantojot vienības mm.


Hfrhyu

Kāpēc mkfifo ar režīmu 1755 nepiešķir lietotājam lasīšanas atļaujas un lipīgu bitu?

Kādas ir motivācijas publicēt esošas mācību grāmatas jaunus izdevumus, izņemot jaunus atklājumus kādā jomā?

Kas banku bērniem ir pret miežu ūdeni?

Kā tulkot "būt līdzīgam"?

Kāds varētu būt pareizais enerģijas avots vienreiz lietojamam milzīgam motorzāģim 15 sekunžu laikā?

Vai mēs varam ģenerēt nejaušus skaitļus, izmantojot neracionālus skaitļus, piemēram, π un e?

Kāds ir visefektīvākais ciparu diapazona saglabāšanas veids?

Kā ierakstīt domuzīmi "—"

Vai ir citas metodes, ko izmantot vienlaicīgu vienādojumu risināšanai?

Attiecībā uz efektu, kas rodas, kad radījums uzbrūk, kā tas nokļūst kaujas laukā un pieskaras?

Ja burvis, atrodoties Avernusā, personālajā datorā izmet izraidīšanas burvestību, vai dators atgriežas savā mājas lidmašīnā?

Ko nozīmē Linus Torvalds, sakot, ka Git "nekad" izseko failu?

Vai kauliņu forma ietekmē skaitļa izmešanas varbūtību?

Ko nozīmēja radio "pielīdzināšana"?

Ko darīt, pārvietojoties blakus putnu patversmei ar brīvi pieradinātu kaķi?

Kā parādīt rindas failā, piemēram, ls parāda failus direktorijā?

Vai saule ir gaišāka par to, ko mēs redzam?

Vai negodīgs var izmantot viltus uzbrukumu ar ieročiem, kuriem ir izmests īpašums, pat ja tie nav izmesti?

Komanda atstarpju atcelšanai

"tik daudz detaļu, cik atceraties"

Vecā zinātniskās fantastikas filma no 50. vai 60. gadiem ar vīriešiem masīvos sarkanos tērpos, kuri pratina spiegu no pagātnes

Ceļošana laikā maina vēsturi, bet cilvēki turpina teikt, ka nekas nav mainījies

Es esmu astoņu burtu vārds. Atrodi mani, kas es esmu?

Sadaliet formas failu ar daudziem daudzstūriem vienādās daļās

2019. vai vaicājums un aparatūras ierobežojuma rezultāts? Daudzstūru telpiskā savienošana ar daudzstūra režģi ar koplietojamām robežām ArcGIS darbvirsmā? Izgrieziet daudzstūri vienādās daļās Problēmas ar vienu līdz daudziem pievienojas ArcGIS ? Daudzstūru telpiskā savienošana, no daudziem līdz daudziem Punktu skaits, kas atšķiras ar noteiktu atribūtu daudzstūrī ArcGIS darbvirsmā? Telpiskās apvienošanās atribūti atšķiras atkarībā no ievades FC vai SHP

Man ir formas fails ar simtiem karibu kustības koridoru.
izmantojot šos datus, es cenšos izveidot karti, kurā parādīts lietošanas biežums, lai noteiktu svarīgus pārvietošanās un migrācijas ceļus dažādiem ganāmpulkiem.

Sākotnējā formas failā ir vairāku gadu dati par atsevišķām apkakles karibu kustībām, kas iegūtas, izmantojot Brauna tilta kustību modelēšanu.
No šī faila esmu veiksmīgi izveidojis vēlamo rezultātu:
1. Savienošanas rīka izmantošana
2. Daudzdaļīga līdz viendaļīga
3. Telpiskā savienošanās ar sevi
4. Mainīt formas failu simboloģiju.

Problēma, ar kuru es tagad sastopos, ir tā, ka esmu pagarinājis studiju datumus un vairākus gadus iekļāvis vienā modelī. Mēģinot izpildīt iepriekš minētās darbības ar lielo datu kopu, telpiskās savienošanas posmā (3.) es iemetu kļūdas kodu “nepietiek atmiņas”.
Skaidrs, ka manam datoram nav pietiekami daudz atmiņas, lai veiktu šo aprēķinu, tāpēc esmu mēģinājis sadalīt savu formas failu 4 vienādās daļās, izmantojot režģa režģi, kuru pēc katras zemes gabala telpiskās savienošanas palaišanas plānoju atkal apvienot. Esmu veiksmīgi izveidojis režģi un atkal, izmantojot Savienības rīku, izveidojis 4 atsevišķus datu formas failus. Tagad, mēģinot “sadalīt” karibu daudzstūrus no režģa atribūta, darbība neizdodas.

Es saprotu, ka ArcGIS pro un, iespējams, armap plāksteris varētu palīdzēt manam datoram piekļūt vairākam tās lokam, lai veiktu šādu darbību, tomēr man pašlaik nav piekļuves tiem, tāpēc es meklēju kādu alternatīvu metodi, lai sasniegtu vēlamos rezultātus .


Ainavu un necaurlaidīgu virsmu kartēšana dvīņu pilsētu metropoles teritorijā, izmantojot funkciju atpazīšanas un lēmumu koku metodes

Šo disertāciju jums bez maksas un atklāti nodrošina Cornerstone: Zinātnisko un radošo darbu kolekcija Minesotas štata universitātei, Mankato. To ir apstiprinājis iekļaušanai tēzēs, disertācijās un citos pamatakmens projektos Cornerstone pilnvarots administrators: Zinātnisku un radošu darbu kolekcija Minesotas štata universitātei, Mankato.

Nagels, Filips un#34 Ainavu un necaurlaidīgu virsmu kartēšana dvīņu pilsētu metropoles zonā, izmantojot funkciju atpazīšanas un lēmumu koku paņēmienus, un#34 (2014).Tēzes, disertācijas un citi pamatakmens projekti.309. papīrs.

izmantojot pazīmju atpazīšanas un lēmumu koka metodes

Darbs, kas iesniegts, daļēji izpildot prasības maģistra grāda iegūšanai

Minesotas štata universitāte, Mankato Mankato, Minesota

Ainavu un necaurlaidīgu virsmu kartēšana Dvīņu pilsētu metropoles teritorijā, izmantojot funkciju atpazīšanas un lēmumu koku metodes

Šo disertāciju ir izskatījuši un apstiprinājuši šādi studentu komitejas locekļi. ________________________________ Fei Yuan, Ph. D. ________________________________ Martin Mitchell, Ph. D. ________________________________ Cynthia Miller, Ph. D.

Pateicības

Es vēlos pateikties savam padomniekam, doktoram Fei Yuan, par viņas pastāvīgo atbalstu, iedrošinājumu un centību. Viņa neatlaidīgi mani mudināja darīt visu iespējamo. Viņas vadība ne tikai manā disertācijas izpētē un rakstīšanā, bet arī mani iepriekšējie centieni Minesotas štata universitātē (MSU) bija būtiski maniem akadēmiskajiem panākumiem. Es arī vēlos viņai pateikties, ka viņa palīdzēja finansēt šo projektu, izmantojot viņas fakultātes pētniecības stipendiju. Viņa patiešām ir lieliska skolotāja un padomniece.

Es vēlos pateikties arī palikušajiem manas disertācijas komitejas locekļiem, Sintijai Millerei un Dr Martin Mitchell. Jūs abi man MSU laikā esat iemācījuši ārkārtīgi daudz. Man ir ļoti paveicies, ka man ir iespēja sadarboties un strādāt manā komitejā ar tik izciliem un interesantiem zinātniekiem.

Liels paldies Ģeogrāfijas katedrai un visiem tās mācībspēkiem un darbiniekiem par aicinošas un koleģiālas darba atmosfēras radīšanu.

Es vēlos pateikties savai sievai par viņas iedrošinājumu un vienmēr mani virzīt uz manu labāko darbu.

Visbeidzot, es sirsnīgi pateicos vecākiem par viņu finansiālo atbalstu un par atbalstu un iedrošinājumu pat tad, kad pārcēlos uz citu kontinentu.

Ainavu un necaurlaidīgu virsmu kartēšana Dvīņu pilsētu metropoles zonā, izmantojot funkciju atpazīšanas un lēmumu koku metodes

Maģistra darbs ģeogrāfijā Minesotas štata universitāte, Mankato, 2014. gada maijs

Anotācija

Zemes izmantošana un zemes segums (LULC) un necaurlaidīgā virsma (ISA) ir svarīgi parametri daudziem vides pētījumiem, un tie kalpo kā būtisks instruments lēmumu pieņēmējiem un ieinteresētajām personām pilsētu un reģionālajā plānošanā. Nesen pieejamie augstas telpiskās izšķirtspējas gaisa ortofotogrāfijas un LiDAR dati kombinācijā ar specializētām, uz objektu orientētām un lēmumu koku klasifikācijas metodēm ļauj precīzi kartēt šīs pazīmes. Šajā pētījumā tika izstrādāta metode, lai vispirms klasificētu LULC, izmantojot uz objektiem balstītu klasifikatoru, un pēc tam iegūto karti izmantotu kā lēmumu koku modeļa ievadi, lai klasificētu ISA Twin Cities Metropolitan Area Minnesota.

Tika konstatēts, ka veģetācijas seguma klases bija visizplatītākās pētījuma teritorijā, veidojot vairāk nekā pusi no zemes platības. Ūdens bija mazākā klase, kam sekoja pilsētas zemes segums, kas veidoja 11%. Tika noteikts, ka necaurlaidīgā virsma veido 14% no TCMA apgabala. Tiek lēsts, ka kopējā LULC seguma klasifikācijas precizitāte ir 74% un ISA klasifikācijas 95%.

Satura rādītājs

2.1. Zemes izmantošana un zemes segums. 6

2.3. Necaurlaidīgas virsmas noteikšana. 9

2.5.1. Lēmumu koki ģeogrāfijā. 14

2.5.2. Lēmumu koki necaurlaidīgas virsmas ieguvei. 17

3.1. Datu iegūšana un pirmapstrāde. 21

3.1.3. Ceļa centra līnijas dati un ceļa blīvums. 24

3.1.4. Papildu atbalsta dati. 24

3.2. Zemes izmantošana un zemes seguma klasifikācija. 25

3.3. Necaurlaidīga virsmas klasifikācija. 29

3.3.2. Lēmumu koku modelēšana. 30

3.4. Precizitātes novērtējums. 34

4.1. Zemes izmantošana un zemes seguma klasifikācija. 36

4.1.1. LULC: Visa studiju zona. 36

4.1.3. LULC: pa pilsētām. 48

4.2. Necaurlaidīga virsmas klasifikācija. 54

4.2.2. Necaurlaidīga virsma: pēc apgabala. 57

4.2.3. Necaurlaidīga virsma: pa pilsētai. 62

4.3. Precizitātes novērtējums. 65

4.3.1. Zemes izmantošana un zemes seguma precizitāte. 65

4.3.2. Necaurlaidīga virsmas precizitāte. 66

5.1. LULC un ISA klasifikācija. 68

5.1.1. LULC un ISA izplatīšana un modeļi. 68

5.1.2. LULC un ISA metodoloģija. 73

5.2. Iepriekšējais LULC klasifikācijas pētījums. 74

5.3. Datu vizualizācija. 78

6.1. Metodes un rezultātu kopsavilkums. 80

6.2. Šī pētījuma ierobežojumi un ietekme uz turpmākajiem pētījumiem. 82

Pielikums A. Globālais Morāna I vienādojums. 98

Pielikums B. Getis-Ord G* vienādojums. 99

D. pielikums. LULC apgabals pēc apgabala, 2006. 106 E. pielikums. Necaurlaidīga virsma pa pilsētām. . 107

Skaitļu saraksts

1.1. Attēls. Pētījuma apgabala pārskata karte. . 5

3.1. Attēls. Funkciju analītiķa piemēra attēlojuma piemērs (Manhetenas modelis). . 29

3.2. Attēls. Lēmumu koku modelis. . 34

4.2. Attēls: LULC sadalījums pētījuma teritorijā (kvadrātjūdzēs). . 43

4.3. Attēls: LULC karstie un aukstie punkti un Morāna I statistika. . 44

4.4. Attēls: LULC segums pēc apgabala. Kartes anotācija parāda norādītās LULC klases apgabalu katram novadam. . 47

4.5. Attēls: LULC segums pa pilsētām. . 53

4.6. Attēls: Necaurlaidīgas virsmas laukuma karte. . 56

4.7. Attēls: Necaurlaidīgs virsmas blīvums (1 kvadrātjūdzes sešstūra laukums). . 57

4.8. Attēls: kopējā platība un necaurlaidīgais procents katram novadam. . 58

4.9. Attēls. Kopējā TCMA necaurlaidīgās virsmas procentuālā daļa pēc apgabala. . 59

4.10. Attēls: Necaurlaidīga virsma pēc apgabala (procentos un kopējā platība). . 61

4.11. Attēls. Necaurlaidīgu virsmas sešstūru karsto punktu karte. . 62

4.12. Attēls: Necaurlaidīgās virsmas procentuālā daļa pa pilsētām. 64

5.1. Attēls. Iedzīvotāju blīvums TCMA 2010. gadā. 70

5.2. Attēls. Saglabājamās zemes pēc apgabala (UMN 2013). . 71

Tabulu saraksts

4.1. Tabula. LULC apgabals pēc apgabala. . 37

4.2. Tabula. Necaurlaidīga virsma pēc apgabala. . 59

4.3. Tabula. LULC kartes precizitātes matrica. 66

Vienādojumu saraksts

3.1. Vienādojums: dispersijas aprēķins, kur ir pikseļa DN vērtība pie i, j un pikseļu skaits logā. Pieņemts no (Yuan 2008). . 23

3.2. Vienādojums: Koena Kappa novērtējums (Cohen 1960 Congalton and Mead 1983). . 35

1.

Ievads

Precīzas ainavu kartes, piemēram, zemes izmantošana un zemes segums (LULC) un necaurlaidīgās virsmas laukuma (ISA) kartes, ir būtisks ieguldījums vietējiem lēmumu pieņēmējiem, kā arī daudziem pētniekiem.Lai gan ir vēlams produkts ar augstu telpisko izšķirtspēju un lielu precizitāti, mūsdienās pieejamie dati bieži vien ir tikai ar zemu vai vidēju telpisko izšķirtspēju un ar dažādu precizitātes pakāpi.

Ir grūti iegūt LULC un ISA informāciju, izmantojot augstas izšķirtspējas attālās izpētes attēlus, LIDAR iegūtos pacēluma datus un citus palīgdatus. Šīs grūtības daļēji ir saistītas ar faktu, ka ieejas dati, kas nepieciešami zemes seguma karšu izveidei, bieži ir pieejami tikai ar zemu vai vidēju telpisko izšķirtspēju, turpretī augstas izšķirtspējas attēlu cena bieži vien ir pārāk augsta, lai to varētu efektīvi izmantot. Turklāt trūkst vispāratzītu paņēmienu augstas izšķirtspējas telpisko datu apstrādei. Daudzas izveidotās datu kopas ir arī salīdzinoši vecas. Jo īpaši attiecībā uz Twin Cities Metropolitan Area (TCMA) pētāmo teritoriju jaunākā datu kopa ir balstīta uz 2006. gada Landsat attēliem ar 30 metru telpisko izšķirtspēju (juaņa, 2010). Lai gan šai pētījuma apgabala LULC datu kopai ir laba precizitāte, tagad tā ir astoņus gadus veca. Pilsētu attīstība notiek strauji, tāpēc būtu vēlams atjaunināts produkts, lai sniegtu jaunākus datus un ļautu veikt izmaiņu analīzi. Jauni pētījuma apgabala LULC un ISA dati ir nepieciešami, lai palīdzētu ieinteresētajām personām novērtēt urbanizācijas un citu LULC izmaiņu ietekmi. Tradicionālās klasifikācijas metodes, iespējams, nesniedz vislabākos iespējamos rezultātus, ja tās tiek izmantotas nesen pieejamiem augstas telpiskās izšķirtspējas attēliem. Šajā kontekstā es izstrādāju analītisku

metode, lai iegūtu vēlamo augstas izšķirtspējas LULC un necaurlaidīgu virsmas informāciju, izmantojot uzlabotas metodes, piemēram, uz objektu orientētu klasifikāciju un lēmumu koku modelēšanu.

Agrāk zemes īpašību identificēšanai izstrādātās metodes bija vērstas uz vidējas izšķirtspējas satelītattēlu izmantošanu. Kopš augstas izšķirtspējas aerofotogrāfijas un LIDAR dati ir kļuvuši vieglāk pieejami un skaitļošanas jauda ir palielinājusies, jaunas metodes kļūst daudzsološākas. Jo īpaši šajā pētījumā es izmantoju uz objektiem balstītu klasifikatoru, lai kartētu augstas izšķirtspējas zemes seguma veidus no 1 m digitālās ortofotogrāfijas TCMA, Minesota. Es arī izstrādāju lēmumu koku modeli, lai no datu avotu kombinācijas iegūtu necaurlaidīgus virsmas datus. Iegūtie dati un izstrādātā metode nodrošina svarīgu ieguldījumu lēmumu pieņemšanā un rīku vietējām pašvaldībām un citām aģentūrām un organizācijām šajā jomā.

Šajā pētījumā galvenā uzmanība tiks pievērsta Dvīņu pilsētām (Mineapolē un Sv. Pāvila) Minesotas metropolei. Jo īpaši pētījuma apgabalu veido septiņi apgabali: Anoka, Carver, Dakota, Hennepin, Ramsey, Scott un Washington apgabali (1.1. Attēls). Šīs

apgabalu kopējā platība ir aptuveni 2939 kvadrātjūdzes. No 2000. līdz 2010. gadam iedzīvotāju skaits pieauga no 2,6 miljoniem līdz 2,8 miljoniem, kas veidoja aptuveni 54% no visiem Minesotas iedzīvotājiem (Metropoles padome, 2000. gada ASV tautas skaitīšana). TCMA centrā ir Mineapolisas un Sv. Pāvila pilsētas. Svētais Pāvils ir Minesotas galvaspilsēta, kurai ir atšķirīga kultūra no Mineapoles. Ir daudz apdzīvotu priekšpilsētu, kā arī ļoti komercializētas teritorijas. The Mall of America, viens no lielākajiem iekštelpu iepirkšanās centriem ASV (ASV), atrodas Bloomingtonā, uz dienvidiem no Mineapolisas. Vēl viens liels iepirkšanās centrs, Southdale centrs Edinā, tiek uzskatīts par vecāko tirdzniecības centru ASV. Vairākas lielās korporācijas un Fortune 500 uzņēmumi, piemēram, Target Corporation Minneapolisā, The Toro Company Bloomingtonā, Dairy Queen Edinā, 3M Maplewood un General Mills Golden Valley atrodas galvenajā mītnē Twin Cities.

Lielu daļu Dvīņu pilsētu agrīnās ekonomikas ietekmēja Misisipi upe un tās Svētā Entonija ūdenskritums, nodrošinot hidroenerģiju kokzāģētavām un vēlāk miltu dzirnavām. Šīs Saint Anthony Falls iekārtas bija dažas no pirmajām, kas izmantoja hidroenerģiju ASV (Anfinson 1995). Šis rajons bija arī galvenais dzelzceļa un ūdens kravu un pasažieru pārvadājumu centrs. Graudi bija ievainojami sadraudzības pilsētās pa upi vai dzelzceļu, un līdz ar to arī milti un citi

frēzēšanas produkti tika eksportēti. Kokmateriāli, kas iegūti Minesotā, bija arī svarīgs kuģniecības produkts. Ražošana kļuva par galveno sadraudzības pilsētu ekonomikas daļu. Mūsdienās ekonomikā dominē terciārā sektora uzņēmumi, augsto tehnoloģiju pētniecība un ražošana, kā arī finanšu pakalpojumi.

Pētāmās teritorijas ainava ir salīdzinoši daudzveidīga, ar lielu ezeru skaitu. Augsta blīvuma pilsētu attīstība lielākoties atrodas centrālajā daļā, bet veģetācijas zemes segums un lauksaimniecības zeme atrodas ārējā perimetrā. Šajā pētījumā iegūtās kartes un dati izstrādās konkrētus šo zemes seguma klašu modeļus. Dvīņu pilsētu klimats ir tipisks ASV vidusrietumiem ar ārkārtīgi aukstu temperatūru ziemā un ārkārtēju karstumu vasarā. Nokrišņu maksimums vasaras mēnešos. Apkārtne ir pakļauta daudzu veidu dabas katastrofām, piemēram, viesuļvētrām un citām vēja vētrām, pēkšņiem plūdiem, ekstremālām temperatūrām un ziemas vētrām.

Dažādās aptaujās pēdējo gadu laikā Dvīņu pilsētas ir atzītas par vienu no pievilcīgākajām metropoles zonām ASV un vienu no labākajām dzīves vietām. Šie vērtējumi lielā mērā bija saistīti ar dabas iezīmēm, piemēram, ezeriem, plašo parku un taku sistēmu, kā arī spēcīgo ekonomiku.

2.

Literatūras apskats

Šis pētījums attiecas uz precīzu necaurlaidīgu virsmas datu un LULC klašu ieguvi no augstas izšķirtspējas gaisa attēliem un citiem datu avotiem. Tālāk tiks sniegts pārskats par esošo literatūru, kas attiecas uz dažādām šeit izmantotajām metodēm. Vispirms es apspriedīšu necaurlaidības nozīmi un dažas metodes, kas izmantotas necaurlaidīgu virsmu noteikšanai. Tālāk es sniegšu pārskatu par pētījumiem, kas veikti saistībā ar dažādām šī pētījuma sastāvdaļām, piemēram, datu integrāciju, lēmumu koku modelēšanu un uz objektiem balstītu klasifikāciju.

2.1. Zemes izmantošana un zemes segums

Zemes izmantošanas un zemes seguma dati ir būtiski resursi un līdzekļi vietējiem un reģionāliem lēmumu pieņēmējiem. Lai gan pilsētu izaugsme liecina par ekonomisko izaugsmi, tā ir arī liela vides problēma. Pilsētu izaugsme ne tikai izraisa necaurlaidīgu virsmu palielināšanos un ar tām saistītās problēmas (sk. 2.2. Sadaļu), bet arī būtiski pasliktina gaisa kvalitāti vietējā un globālā mērogā, kā arī palielina enerģijas patēriņu un patērē lauksaimniecības un mežsaimniecības resursus (Squires 2002). Kolinge (1996) veica rūpīgu literatūras pārskatu par pilsētu izplešanās ietekmi uz bioloģisko daudzveidību. Viņš secināja, ka pilsētu izplešanās, pateicoties tās segmentētajiem augšanas modeļiem, ir galvenais biotopu sadrumstalotības un līdz ar to bioloģiskās daudzveidības samazināšanas veicinātājs. Precīzi LULC dati ir svarīgi, lai palīdzētu lēmumu pieņēmējiem vietējā, reģionālā un pasaules mērogā uzlabot politiku

attiecībā uz turpmāko attīstību, mitrāju un biotopu saglabāšanu un klimata aizsardzību (Anderson et al. 1976).

Necaurlaidības jēdziens un jautājums pēdējā laikā ir saņēmis lielu interesi daudzās jomās, jo īpaši ģeogrāfiskajos un pilsētvides pētījumos. Necaurlaidīga virsma ierobežo ūdens plūsmu pa virsmu. Bieži tiek uzskatīts, ka tas sastāv no ēku jumtiem un transporta elementiem (Schueler 1994), tomēr jāatzīmē arī tas, ka, piemēram, ieguves vietās kailai, sablīvētai augsnei vai atsegtam pamatiegam var būt necaurlaidīgas īpašības. Lietus, sniega kušanas vai plūdu gadījumā ūdens nevar iekļūt zemē, bet drīzāk to nestu pa virsmu, pa ceļam savācot daudzus virsmas piesārņotājus (Chen et al. 2007). Tomēr, pieaugot atkarībai no automobiļiem ASV un citās attīstītajās un jaunattīstības valstīs, palielinās necaurlaidīgo virsmu daudzums un tām raksturīgās problēmas.

Necaurlaidīgas virsmas paātrina noteces un piesārņotāju kustību lielā teritorijā, kas ir saistīts ar daudzām mūsdienu ūdens piesārņojuma problēmām. Jau 1994. gadā ASV Vides aizsardzības aģentūra noteica, ka piesārņojums no punktveida avotiem (kuru piemērs ir necaurlaidīgs virszemes noteces piesārņojums) ir lielākais ūdens kvalitātes veicinātājs un apdraudētājs ASV (1994). Tā kā piesārņotāji, kas nav punktveida avoti, nonāk virszemes un gruntsūdeņos, tie ietekmē gan dabisko, gan cilvēku ekosistēmu.

Necaurlaidīga virsma ir ne tikai nozīmīgs avots, kas izraisa punktveida piesārņojumu, bet arī ļoti labs ūdens kvalitātes rādītājs. Ir konstatēts, ka necaurlaidīgas virsmas ir “galvenais vides rādītājs”, lai novērtētu daudzus citus faktorus. Arnolds juniors un Gibons (1996) atklāja, ka zināšanas par necaurlaidīgās virsmas daudzumu var kalpot par pamatu dabas resursu plānošanas problēmu risināšanai. Tas ir īpaši izdevīgi vietējām plānošanas aģentūrām, kurām, iespējams, nav resursu, lai veiktu sarežģītākus pētījumus par konkrētām problemātiskām jomām. Necaurlaidīga virsma pati par sevi nav tikai vispārējs vides indikators, tā ir arī cieši saistīta ar citiem rādītājiem, kurus ir daudz grūtāk izmērīt, un to var uzskatīt par aizstājēju (Schueler 1994). Necaurlaidīgu virsmu var izmantot kā ietekmes uz vidi mērījumu ne tikai lokāli, bet arī visā pasaulē, kā norādīja Sutton et al. (2009), kurš izveidoja globālu modeli, kas balstīts uz satelīta attēliem, un kalibrēja modeli ar augstas izšķirtspējas gaisa attēliem, cenšoties parādīt, ka necaurlaidīgā virsma var būt starpnieks sabiedrības kopējās ekoloģiskās pēdas nospiedumam. Lai gan necaurlaidība spēcīgi ietekmē vidi dažādos mērogos, tā ir visspēcīgākā vietējā mērogā. Kā norādīja Šuelers (1994), ka necaurlaidīgus virsmas datus ir salīdzinoši viegli iegūt, salīdzinot ar citiem vides rādītājiem, un necaurlaidīgās virsmas daudzumu var pārvaldīt ar vietējo politiku.

2.3. Necaurlaidīgas virsmas noteikšana

Ir daudz pieeju ISA daudzuma novērtēšanai pētījuma apgabalā. Lauka kartēšanu var izmantot, lai sasniegtu precīzus rezultātus, taču tā bieži ir laikietilpīga un dārga. Attālās izpētes metodes piedāvā efektīvāku metodi. Tradicionālās pieejas pikseļiem klasificē attālās izpētes datus, katram attēla pikselim piešķirot seguma klases, bieži balstoties uz algoritmu, kas izdara statistiskus pieņēmumus par datiem. Lai iegūtu necaurlaidīgas virsmas, attēls vispirms tiek klasificēts kategorijās, kas ļaus pētniekam nākamajā solī tās apkopot necaurlaidīgos un caurlaidīgos vākos. Piemēram, pilsētas, transporta, kailās augsnes (piemēram, grants bedres vai būvlaukumi) un ieguves/ieguves klases tiktu uzskatītas par necaurlaidīgām, savukārt atklātā ūdens, aramzemes un mitrāju klases tiktu uzskatītas par caurlaidīgām. Dougherty et al. (2004) salīdzināja šo pieeju ar apakšpikseļu metodi. Viņi atklāja, ka tradicionālā pikseļu metode deva nedaudz labākus rezultātus nekā apakšpikseļa metode, bet abu metožu precizitāte lielā mērā bija atkarīga no klasificētā zemes seguma veida (Dougherty et al. 2004). Lua u.c. (2011) aprakstīja metodi, kurā tiek izmantota tradicionālā klasifikācijas metode kombinācijā ar uz segmentāciju balstītu metodi un manuālu rediģēšanu, lai novērstu katras atsevišķās metodes trūkumus.

Vēl viena salīdzinoši izplatīta metode ir apakšpikseļu klasifikatoru izmantošana, lai novērtētu necaurlaidīgās virsmas procentuālo daudzumu uz laukuma vienību vai pikseļiem. Šī metode ir balstīta uz attālās izpētes attēlu izmantošanu ar zemu vai vidēju telpisko izšķirtspēju, kas nozīmē, ka pikselis attēlo diezgan lielu platību uz Zemes virsmas un, iespējams, ietver daudz dažādu veidu zemes segumu. Šo metodi izmantoja Civco un Hurd

(1997), lai kartētu Konektikutas necaurlaidīgo virsmu daudzumu. Viņu pieeja ietvēra mākslīgā neironu tīkla izmantošanu, ko var kalibrēt ar augstas telpiskās izšķirtspējas apmācības datiem, bet piemērot vidējas telpiskās izšķirtspējas attēliem, lai iegūtu precīzākus rezultātus lielākām platībām. Līdzīgas metodes izmantoja arī Stokers (1998). Van De Voorde u.c. (2009) salīdzinošā pētījumā izmantoja divus dažādus apakšpikseļu klasifikācijas modeļus, lai iegūtu necaurlaidīgus virsmas procentus. Līdzīgi kā Civco un Hurd (1997), viņi izmantoja augstas telpiskās izšķirtspējas attēlus, lai kalibrētu savu modeli, un pēc tam izmantoja modeli zemākas telpiskās izšķirtspējas attēliem lielās platībās. Viņi atklāja, ka daudzslāņu perceptrona modelis, kura lietošana ir samērā sarežģīta, darbojās salīdzinoši labāk nekā spektrālā maisījuma analīzes modelis. Turpinot izmantot apakšpikseļu klasifikācijas pieeju, Jennings et al. (2004) izstrādāja modeli necaurlaidīgu virsmu novērtēšanai, kurā tika izmantoti dažādi datu avoti, piemēram, Nacionālā zemes seguma datu kopa (NLCD) un pašvaldības transporta slāņi, lai ģenerētu apakšpikseļu necaurlaidīgas virsmas kartes. Pēc tam šīs kartes tika klasificētas konceptuālās klasēs, kurās aprakstīts necaurlaidīgo virsmas laukumu daudzums.

Savādāku pieeju izmantoja Rids (1995) ar modeli “Veģetācija - necaurlaidīga - augsne” (VIS), lai diferencētu pilsētu zemes seguma klases. Sākotnēji modelis tika izstrādāts gaisa attēlu vizuālai interpretācijai, bet Ridd (1995) to pielāgoja, lai to izmantotu ar digitālās tālvadības datiem. VIS modelis apraksta zemes sastāvu, pamatojoties uz trim nosauktajām klasēm, un to var izmantot, pievienojot ūdens klasi, lai noteiktu necaurlaidīgās virsmas daudzumu.

Modelēšanas metodi, kas nebija balstīta tikai uz attālās izpētes datiem, izstrādāja Chabaeva et al. (2004). Autori izveidoja modeli, kas var noteikt ISA, pamatojoties uz iedzīvotāju parametriem, kas iegūti no ASV tautas skaitīšanas datiem. Viņi izveidoja modeli, izmantojot NLCD formas failus, un izveidoja regresijas modeli, izmantojot induktīvās mācību programmatūru. Viņi kalibrēja modeli dažādām vietām un spēja diezgan precīzi noteikt ISA procentuālo daudzumu, tomēr tikai skaitīšanas trakta līmenī (Chabaeva et al. 2004).

Pārskatot literatūru par necaurlaidīgas virsmas ieguvi, kļūst skaidrs, ka šai tēmai joprojām ir daudz atklātu jautājumu par to, kura metode nodrošina visprecīzākos rezultātus. Katrai aprakstītajai metodei ir savas priekšrocības. Izmantotā metode jāizvēlas, pamatojoties uz vēlamajiem rezultātiem un pieejamajiem datiem.

Lielākajā daļā iepriekš apspriesto necaurlaidīgās virsmas ekstrakcijas metožu lielākoties tika izmantota tikai viena noteikta datu kopa, piemēram, satelīta vai gaisa attēli, vai skaitīšanas un zemes gabalu dati. Tomēr dažos pētījumos tika izmantoti vairāki datu veidi, lai iegūtu informāciju par teritoriju par zemes segumu vai necaurlaidīgu virsmu. Tomēr, lai klasificētu, izmantojot attēlu kombināciju un abstraktākus palīgdatu veidus, ir vajadzīgas specializētākas metodes.

Piemēram, Kontoes et al. (1993) aprakstīja metodi, kurā tika izmantoti SPOT attēli un karšu palīgdati, kas tika manuāli digitalizēti un rediģēti. Autori uz zināšanām balstītā sistēmā izmantoja datus, kas iegūti gan no attēliem, gan papildu datiem

kas ļāva viņiem klasificēt datus un iegūt lauksaimniecības kultūru pārklājumu ar salīdzinoši augstu precizitāti. Citā pieejā McNairn et al. (2005) apvienoja vairākus attēlu veidus, lai iegūtu vēlamos datus. Viņi izmantoja un salīdzināja maksimālās varbūtības un lēmumu koku metodes. Viņi ziņoja, ka lēmumu pieņemšanas koka pieeja ļauj integrēt papildu datus, kas nav attēli.

Mesevs (1998) aprakstīja metodi pilsētu zemes seguma informācijas iegūšanai, apvienojot attēlus ar skaitīšanas datiem. Tomēr atšķirībā no Kontoes et al. (1993), kurš izmantoja uz zināšanām balstītu modeli, viņš spēja integrēt papildu datus maksimālās varbūtības klasifikatorā (MLC).

Lu un Weng (2006) izmantoja pieeju, kas integrē atstarošanas datus ar virsmas temperatūras datiem, kas iegūti no Landsat datiem. Šajā gadījumā pētnieki izmantoja attēlu produktu un papildu infrasarkano staru slāņa atvasinājumu, kas tiek piegādāts kopā ar Landsat TM datiem. Lai uzlabotu klasifikācijas rezultātus, pētnieki ir apvienojuši arī optisko tālvadību ar aktīviem attālās uzrādes produktiem, piemēram, radara attēliem. Rignot et al. (1997) salīdzināja Brazīlijas lietus mežu vietas klasifikāciju, kas iegūta no SIR-C radara datiem un optiskajiem Landsat TM, SPOT un JERS-1 sensoriem. Viņi atklāja, ka katram sensoram ir īpašas stiprās un vājās puses. Viņi varēja apvienot šos rezultātus, lai iegūtu kopumā precīzāku galīgo karti, lai identificētu biomasu savā pētījuma apgabalā. Saatchi et al. (1997) izmantoja arī radaru datus, lai kartētu mežu izciršanu Brazīlijas lietus mežos. Viņi izmantoja Landsat TM datus, lai pārbaudītu savus rezultātus, kā arī apvienoja rezultātus, kas iegūti no abiem datiem, lai uzlabotu klasifikācijas vispārējo precizitāti. Optiskās un radara tālvadības dati papildina viens otru un

tāpēc var uzlabot precizitāti un ka radara datus var izmantot, ja optiskie dati liecina par trūkumiem mākoņu segas vai slāņveida veģetācijas dēļ.

Lēmumu koku modelēšana ir mākslīgā intelekta un mašīnmācīšanās tehnika, kā to pierādīja Breimans (1984) un Vu un Kumars (2009). Šajā pētījumā tika izmantota uz objektiem balstītas klasifikācijas, dažādu datu avotu un veidu integrācijas un lēmumu koku klasifikācijas kombinācija. Lēmumu koku programmatūra ir mašīnmācīšanās programma, kas analizē esošos datus un izveido lēmumu koka modeli, kas vislabāk atbilst datiem iepriekš noteiktās klasēs. Lēmumu koki tiek izmantoti ne tikai attēlu klasificēšanai, bet arī daudziem citiem lietojumiem dažādās jomās. Kopumā tie ir noderīgi, lai analizētu gadījumu datus, pamatojoties uz īpašiem atribūtiem, un katram gadījumam piešķirtu atsevišķas izvades vērtības (Mitchell 1997). Ir daudz medicīnas pētījumu, kuros tiek izmantoti lēmumu pieņemšanas koku modeļi: Granzow et al. (2001) izmantoja lēmumu kokus, lai atrastu attiecības starp audzēju veidiem un ģenētiskajām īpašībām. Citā pielietojumā vēža pētījumos Kuo et al. (2002) izveidoja lēmumu koku modeli, ko varētu kalibrēt, lai atrastu krūts audzēju modeļus dažāda veida ultraskaņas datos. Silva u.c. (2003) izmantoja lēmumu koku modeļus, lai klasificētu lielu datu daudzumu, kas atrodams intensīvās terapijas nodaļas datu bāzēs, lai palīdzētu ārstiem paredzēt orgānu mazspējas iespējamību pacientiem.

Lēmumu koki ir izmantoti arī ekonomikas pētījumos, lai palīdzētu pieņemt lēmumus par akciju portfeļu izveidi (Tseng (2003). Sen un Hernandez (2000) izveidoja lēmumu koku modeli, kas palīdzēja dzīvokļu pircējiem analizēt dažādus datus par

dzīvokļu un nekustamā īpašuma tirgos, kas ir publiski pieejami, un, pamatojoties uz šiem datiem, pieņem labākus lēmumus par pirkšanu. Arditi un Pulket (2005) varēja izmantot lēmumu koku modeļus, lai prognozētu būvniecības tiesvedības iznākumu. Copeck et al. (2002) ar savu mašīnmācīšanās procesu, lai apkopotu dokumentus.

2.5.1. Lēmumu koki ģeogrāfijā

Ģeogrāfiskajos pētījumos attēlu klasificēšanai visbiežāk tiek izmantoti lēmuma koki, taču tie ir atraduši arī dažus citus pielietojumus: Langs un Blaske (2006) izmantoja lēmumu koku modeli, lai noteiktu savvaļas tiltu vispiemērotākās vietas, lai aizsargātu brūno lāču dzīvotni Slovēnijā. Hansens u.c. (1996) aprakstīja lēmumu pieņemšanas kokus kā alternatīvu tradicionālajiem zemes seguma klasifikatoriem un konstatēja, ka to precizitāte ir līdzīga maksimālās iespējamības klasifikācijai, vienlaikus piedāvājot lielāku elastību ievades datu prasībām. Gahegans (2000) pārbaudīja mašīnmācīšanās algoritmu izmantošanas īpašās priekšrocības un trūkumus ģeogrāfisko datu analīzē, salīdzinot ar tradicionālākajiem statistikas rīkiem, ko izmanto daudzos pētījumos. Viņš arī ierosināja, ka mašīnmācīšanās rīki bieži ir labāk piemēroti, lai tiktu galā ar ļoti lielajām datu kopām, kuras tagad tiek izmantotas ģeogrāfijā (Gahegan 2000, 2003). Vispārēju tradicionālo klasifikatoru, mākslīgo neironu tīklu (ANN) un lēmumu koku klasifikatoru salīdzinājumu iesniedza Pal un Mather (2003). Pētnieki atklāja, ka lēmumu koku klasifikatoriem ir priekšrocības salīdzinājumā ar tradicionālajiem klasifikatoriem, jo ​​tie var apstrādāt dažāda veida datus dažādās skalās un vienībās un nav atkarīgi no statistiskiem pieņēmumiem par datiem. Salīdzinot ar mākslīgajiem neironu tīkliem, viņi atklāja, ka lēmuma pieņemšanas koki ir izdevīgi

jo tie ir vieglāk lietojami, tiem ir nepieciešama mazāka apmācība un parametri, tie ātri apstrādā lielas datu kopas un ir plaši pieejami internetā. Viņi arī atklāja, ka lēmumu pieņemšanas koks lielākajā daļā gadījumu sniedza pieņemamus rezultātus salīdzinājumā ar citiem klasifikatoriem (Pal un Mather, 2003). Turpretī Rogans u.c. (2008) un Rogans u.c. (2003) atklāja, ka ANN var sasniegt lielāku precizitāti zemes seguma maiņas kartēšanā.

Publikācijās par vairākām ASV valsts mēroga zemes seguma datu kopām ir sniegti daži labi piemēri lēmumu koku pieteikumiem ļoti lielām datu kopām. Lēmumu koku klasifikatori tika izmantoti, veidojot datubāzi ar 22 zemes seguma klasēm ar attālās izpētes datiem no 2000. gada un 16 klasēm ar 2001. gada datiem par visām Amerikas Savienotajām Valstīm (Homer et al. 2007 Homer et al. 2002). Turpinot šo datu kopu izmantošanu, Fry et al. (2009) izmantoja lēmumu koku modeļus, lai efektīvi kartētu atšķirības starp 1992. un 2001. gada valsts zemes seguma datu bāzes produktiem. Vēl viens valsts mēroga produkts, kas tika izstrādāts ar lēmumu koku modeļiem, ir 2009. gada Cropland datu slānis (Džonsons un Muellers 2010).

Lēmumu koku klasifikācijas papildu priekšrocība ir tā, ka tā spēj apstrādāt daudzus atribūtus vai datu kopas un identificēt vissvarīgākos. Par to liecina Bricklemyer et al. (2007), lai pārbaudītu lauksaimniecības prakses saistību ar augsnes oglekļa piesaistīšanu. Līdzīgi Ban et al. (2010) izmantoja lēmumu kokus, lai apvienotu Quickbird un Radarsat datus, lai palīdzētu pilsētu zemes seguma klasifikācijā. Džans un Vangs (2003) arī izmantoja lēmumu koku modeļus, lai klasificētu pilsētu zemes seguma veidus no augstas izšķirtspējas daudzspektru attēliem. Citā pētījumā tika izmantoti divu veidu attēli (vidēja telpiskā izšķirtspēja Landsat un augstas telpiskās izšķirtspējas gaisa attēli), lai novērtētu

koku segas blīvums lielām platībām (Huang et al. 2001). Tā vietā, lai izmantotu divus attēlu avotus, Hariss un Ventura (1995) pilsētas zemes seguma tipu klasificēšanai izmantoja Landsat attēlus un abstraktākus ģeogrāfiskos datus, piemēram, zemes gabalu un skaitīšanas datus. Turpretī Grifins u.c. (2011) izmantoja lēmuma kokus, lai iekļautu vides faktorus dažādu veģetācijas veidu klasifikācijā konkrētā ekosistēmā. Pētījumā, lai novērtētu dzīvnieku dzīvotnes un lauksaimniecības zemes segumu, Lucas et al. (2007) izmantoja uz noteikumiem balstītu lēmumu koku, lai kartētu biotopus un aptvertu klases, pamatojoties uz daudzlaiku satelīta attēliem, dažādiem attēlu atvasinājumiem un datiem, kas iegūti no lauksaimniecības vadības sistēmas. Līdzīgu pieeju izmantoja Raits un Galans (2007), lai palielinātu mitrāju kartēšanas precizitāti Jeloustonas nacionālajā parkā.

Papildus visām iepriekš minētajām lēmumu koku modelēšanas priekšrocībām, vēl viena šīs tehnikas priekšrocība ir spēja ļoti labi tikt galā ar kļūdām (Mitchell 1997). Divi galvenie kļūdu avoti tālvadības noteikšanā ir nenoteiktība, kas jau ir attēlos, ņemot vērā iegūšanas un apstrādes problēmas, un kļūdas, ko analītiķis ieviesa, ģenerējot apmācības datus (Foody et al. 2002). Lēmumu koku modeļi ir īpaši toleranti pret abiem šiem kļūdu veidiem un var pat labi tikt galā ar gadījumiem, kad daži atribūti trūkst ļoti labi (Mitchell 1997).

Ir acīmredzams, ka lēmumu koku klasifikācijas sistēmas var sniegt precīzus rezultātus daudziem dažādiem ģeogrāfiskās izpētes lietojumiem, jo ​​īpaši, ja tiek apstrādātas datu kopas, kas ir vai nu ļoti lielas, satur dažādas datu skalas vai vienības, vai ir problemātiskas tradicionālajiem vai statistiskajiem modeļiem. Lēmumu koki ir elastīgi, lietotājam draudzīgi un efektīvi.

2.5.2. Lēmumu koki necaurlaidīgas virsmas ieguvei

Pētījumi, kuros ISA identificēšanai izmantoti tikai lēmuma koki, ir parādījušies pēdējo desmit līdz piecpadsmit gadu laikā. Smits (2000) izmantoja lēmumu koku modeli, lai novērtētu apakšpikseļu līmeņa ISA no Landsat attēliem daudzveidīgi urbanizētajā Santa Barbaras apgabalā Kalifornijas dienvidos. Līdzīgi Yang, Huang u.c. (2003) un Yang, Xian, et al. (2003) izmantoja lēmumu kokus, lai iegūtu LandSat TM un ETM+ apakšpikseļu ISA un augstas izšķirtspējas aerofotogrāfijas un noteiktu pilsētu zemes seguma izmaiņas. Augstas telpiskās izšķirtspējas gaisa attēlus izmantoja Cutter et al. (2002), lai iegūtu ISA. Goetz et al. (2003) izmantoja lēmumu kokus, lai no IKONOS attēliem iegūtu ne tikai necaurlaidīgas virsmas, bet arī koku vākus.

Lai gan lēmumu koku klasifikatori reizēm tika izmantoti, lai no vidējas telpiskās izšķirtspējas attēliem iegūtu necaurlaidīgu virsmu, izmantojot apakšpikseļu klasifikāciju, tie, šķiet, ir visefektīvākie lietošanai ar augstas telpiskās izšķirtspējas attēliem. To atzīmē Kuters u.c. (2002), kurš atklāja, ka tradicionālie klasifikatori bieži nespēj tikt galā ar izaicinājumiem, ko rada augstas telpiskās izšķirtspējas attēli. Fakts, ka šie augstas telpiskās izšķirtspējas attēli kļūst arvien pieejamāki, var izskaidrot arī to, ka līdz nesenam laikam ir veikts ļoti maz darba, lai iegūtu necaurlaidīgu segumu ar lēmumu pieņemšanas kokiem.

2.6. Klasifikācija pēc objektiem

Lai gan šajā pētījumā ISA klasificēšanai tika izmantota lēmumu pieņemšanas koka pieeja, atlikušā LULC klasifikācija tika pabeigta, izmantojot objektu klasifikāciju. Klasifikācija uz objektiem ir salīdzinoši jauns jēdziens salīdzinājumā ar pikseļu-objektu klasifikāciju. Tās attīstība sākās, kad tika konstatēts, ka dažos aspektos trūkst klasifikācijas pa pikseļiem, un palielinājās skaitļošanas jauda, ​​kas ļauj attīstīt progresīvākas metodes. Toblers (1970) pirmo ģeogrāfijas likumu definēja šādi: “Viss ir saistīts ar visu pārējo, bet tuvumā esošās lietas ir vairāk saistītas nekā tālas lietas.” Tāpēc daudzi pētnieki ir kritizējuši fokusu uz pikseļu kā vienību attēlu klasifikācijās. Viņi ir atklājuši, ka ģeogrāfiski ir lietderīgāk iekļaut ne tikai informāciju, kas atrodas vienā pikseļā, bet arī to, kas ieskauj šo pikseļu. Ņemot to vērā, pētījumā ne tikai jākoncentrējas uz atsevišķiem pikseļiem, bet arī jāņem vērā dati, kas atrodas viņu apkārtnē (Fišers (1997) un Cracknell (1998). Haralick et al. (1973), Haralick and Shapiro (1985), un Myint (2001) visi ieteica integrēt kontekstuālo informāciju, aprēķinot faktūras, pamatojoties uz apkārtējām pikseļu vērtībām, lai šo principu īstenotu attālās izpētes lietojumos.Šajā pētījumā necaurlaidīgās virsmas klasifikācijai tika ievērota tekstūras joslas pieeja.

Kontekstuālās informācijas iekļaušanai kā papildu metode tika izmantota objektu klasifikācija. Tā vietā, lai aplūkotu katru pikseļu atsevišķi, šī metode mēģina atrast modeļus pikseļu vērtībās un grupēt pikseļus atbilstoši šiem modeļiem. Šo procesu sauc arī par attēlu segmentāciju (Blaschke and Strobl 2001). Šī pieeja ir izrādījusies izdevīga, jo īpaši klasificējot

attēlus, kuriem ir ļoti ierobežota spektrālā izšķirtspēja, piemēram, pelēktoņu attēlus (Blaschke un Strobl 2001), un attēlus, kurus ir grūti klasificēt augstās telpiskās izšķirtspējas dēļ (Miller et al. 2009). Lai gan uz objektiem balstīta klasifikācija lielākoties ir piemērota noteiktu objektu (piemēram, koku, ēku, ūdenstilpju) ieguvei, to var pielāgot izmantošanai zemes seguma klašu ieguvei, pamatojoties uz vairāku mērogu objektiem (Baatz un Schäpe 2000). . Šajā pētījumā vispārējai LULC klasifikācijas daļai tika izmantota uz objektiem balstīta klasifikācija.

Funkciju analītiķis ir šeit izvēlētā programmatūra, lai ieviestu uz objektu balstītu LULC klasifikāciju. Funkciju analītiķis ir ESRI ArcGIS trešās puses paplašinājums, un tas tiek uzskatīts par objektu balstītu, induktīvu mācību klasifikācijas sistēmu.

Faktiski funkciju analītiķis ir dažādu klasifikācijas algoritmu kombinācija. Tas ir balstīts uz objektiem, jo ​​izmanto attēla segmentāciju un spēj identificēt atsevišķus attēla objektus salīdzinājumā ar daudzām citām sistēmām, kas var veikt tikai tā saukto “sienu līdz sienai” klasifikāciju, ja katram attēla objektam ir jāiekļauj klasifikācijā.

Līdztekus attēlu segmentēšanai, funkciju analītiķis izmanto vairākus citus klasifikācijas modeļus. Tie ietver: (1) lēmumu pieņemšanas kokus, (2) ANN variantus, kas ir paredzēti, lai novērtētu informāciju līdzīgā veidā kā cilvēka smadzenes (Opitz and Blundell 2008 Rumelhart et al. 1986), (3) Bayesian learning, kas ir līdzīgi ANN, bet papildus izmanto varbūtības pieņēmumus par datiem, un (4) K-tuvākie

kaimiņš, kurš cenšas lietai piešķirt klasi, vienkārši pamatojoties uz to, cik „tuvi” tās atribūti ir zināmiem gadījumiem (Mitchell 1997). Funkciju analītiķis klasifikācijas modeļos automātiski iekļauj vienu vai vairākas no šīm pieejām atkarībā no tā, kura pieeja ir vislabāk piemērota klasificējamajiem datiem (Opitz un Blundell 2008).

Līdztekus vienas vai vairāku klasifikācijas metožu izvēlei funkciju analītiķis izmantos arī ansambļus - jēdzienu, kas ir ļoti līdzīgs lēmumu pieņemšanas koku palielināšanai (sk. 3.3.2. Punktu). Ansambļi ir klasifikācijas modeļu kopas, kuras tiek apmācītas, izmantojot tos pašus datus, un kuru rezultāti tiek apvienoti, lai iegūtu gala rezultātu. Lai gan ir vairākas iespējas rezultātu apvienošanai, visizplatītākā un funkciju analītikā izmantotā ir visu rezultātu vidējā svērtā vērtība (Opitz 1999). Vairāki pētījumi ir atklājuši, ka ansambļu prognozes kļūst precīzākas, ja individuālie prognozētāji pēc iespējas nepiekrīt (Breiman 1996 Freund and Schapire 1996 Opitz and Shavlik 1996a, 1996b). Tāpēc Feature Analyst aktīvi cenšas izveidot vairākus modeļus, kas dod dažādus rezultātus, tādējādi palielinot visa ansambļa iespējamo precizitāti (Opitz un Blundell 2008). Tiek apgalvots, ka šī pieeja ir precīzāka nekā līdzīgas metodes, piemēram, lēmumu koku palielināšana.

Rezumējot, funkciju analītiķis izmanto vairākas novatoriskas un uzlabotas attēlu klasifikācijas metodes, kas sola uzlabotu precizitāti augstas telpiskās izšķirtspējas attēliem, salīdzinot ar citām, uz pikseļiem balstītām klasifikācijas metodēm.

3.

Metodes

3.1. Datu iegūšana un pirmapstrāde

Šajā pētījumā izmantotie dati tika iegūti no ASV Ģeoloģijas dienesta (USGS) Bezšuvju datu noliktavas vietnes (http://seamless.usgs.gov/) un Minesotas Ģeotelpiskās informācijas biroja (MNGEO) datu informācijas centra (http: // www.mngeo.state.mn.us/). Konkrētās datu kopas bija 2010. gada augstas izšķirtspējas digitālie ortofotogrāfijas, gaismas noteikšanas un diapazona (LIDAR) pacēluma dati un ceļa centra līnijas dati.

3.1.1. Gaisa attēli

Gaisa attēli bija daļa no Nacionālās lauksaimniecības inventarizācijas programmas (NAIP), ko finansēja ASV Lauksaimniecības pakalpojumu aģentūra (FSA), kas padara šos datus pieejamus sabiedrībai bez maksas. 2010. gada NAIP ortofotogrāfijas tika lidotas lauksaimniecības augšanas sezonā, īpaši jūlijā un augustā. Attēlu telpiskā izšķirtspēja ir 1 metrs uz pikseli, un radiometriskā izšķirtspēja ir 8 bitu pikseļu dziļums. NAIP attēlus datu piegādātājs orto-izlabo ar horizontālu precizitāti +/- 5 metri, izmantojot zemes kontroles punktus. Pārdevējs tālāk mozaīkoja atsevišķus attēlus, lai izveidotu apgabala mozaīkas, izmantojot stratēģiju “pēdējā pēdējā”, un mozaīkas krāsu līdzsvarā, izmantojot programmatūru “Impho Orthovista”.

Gaisa attēli tika iegūti kā pilnas apgabala mozaīkas katram no septiņiem metropoles apgabaliem. Tā vietā, lai mozaīkā šos atsevišķos failus jaunā rastra, tika izmantota ArcGIS mozaīkas datu kopas funkcionalitāte. Mozaīkas datu kopa ir dinamiska mozaīka

un apstrādes rīks, kas ļauj mozaīkas veidā attēlot attēlus, nevis statiski. Pati datu kopa satur tikai atsauces uz atsevišķiem failiem, un tāpēc tā ir ļoti efektīva diska vietā. Papildus dažādu mozaīkas funkciju izmantošanai ir iespējams pievienot arī citas rastra funkcijas, piemēram, NDVI, pannas asināšana vai kalnu ēnas apstrāde paaugstinājuma rasteriem. Mozaīkas datu kopas galvenās priekšrocības ir šādas: tā ir ļoti ātra funkciju lietošana, tā samazina nepieciešamo uzglabāšanas vietu, izvairoties no datu dublēšanās, un tā ir saderīga ar visiem ArcGIS rastra rīkiem. Šajā pētījumā vispirms mozaīkas datu kopa tika izmantota NAIP attēlu mozaīkai, lai panāktu visas pētījuma zonas pārklājumu. Tika izmantota klipu funkcija, lai izslēgtu apgabalus ārpus septiņām apgabalu metropoles teritorijām.

Lai nodrošinātu papildu klasifikācijas parametrus gan LULC, gan necaurlaidīgajai virsmas klasifikācijai, tekstūras vērtību aprēķināšanai tika izmantota arī NAIP attēlu gandrīz infrasarkanā josla. Tekstūra, ja tā tika uzskatīta par atšķirību noteiktās lokalizētās datu daļās, iepriekš tika uzskatīta par nevēlamu, jo tas varētu apgrūtināt klasifikāciju ar pikseļu metodēm (Ryherd and Woodcock 1996 Gong and Howarth 1990 Herold et al. 2003 Zhang 1999) . Šajā pētījumā tiek izmantots uz objektiem un pikseļiem balstīts lēmumu koku klasifikators. Ir zināms, ka tekstūras informācija ir vērtīga izmantošanai uz objektiem balstītās sistēmās (Ryherd and Woodcock 1996), un, ņemot vērā C5 winnowing funkciju, to var izmantot arī šajā uz pikseļiem balstītajā pieejā. Ja tekstūra tiek īpaši izmantota kā izejviela attēlu klasificēšanai, it īpaši segmentācijas procesos, tā var būt izdevīga. Tekstūras slānis tika aprēķināts kā 3x3 pikseļu loga dispersija (juaņa 2008). Vienādojums, ko izmanto, lai aprēķinātu dispersiju, ir šāds:

Diemžēl, tā kā funkcijas, kuras var izmantot ar mozaīkas datu kopām, ir iepriekš definētas, šo darbību nevarēja veikt tieši ar vienu funkciju. Funkciju ķēde mozaīkas datu kopā ļauj noteiktām secībām datiem piemērot vairākas funkcijas. Tāpēc dispersija tika ieviesta, vispirms piemērojot standarta novirzes funkciju un pēc tam kvadrātā šīs funkcijas rezultātu atsevišķā funkcijā. Šīs funkcijas tika izmantotas ar 3 x 3 pikseļu logu.

3.1.2. Augstuma dati

Papildus gaisa attēliem tika izmantoti augstuma dati, kas iegūti no LiDAR datiem. Šajā pētījumā izmantotos pacēluma datus 2011. un 2012. gadā ieguva privāti pārdevēji sadarbībā ar Minesotas Dabas resursu departamentu (MNDNR). Šie dati ir daļa no Minesotas valsts līmeņa augstuma kartēšanas projekta. Šeit izmantotajai Twin Cities metro reģiona datu kopai ir trīs dažādi punktu blīvumi atkarībā no aptvertās teritorijas: Anokas, Kārvera, Hennepinas, Ramsijas, Skota un Vašingtonas apgabalos tika ņemti paraugi ar 1,5 punktiem kvadrātmetrā, Dakotas apgabalā - par 2 punktiem kvadrātmetrā , un Mineapolisas, Sentpola un Maple Grove pilsētas par 8 punktiem kvadrātmetrā. MNDNR noteica vertikālo precizitāti 5 cm, 10,8 cm un 8,3 cm visam

3.1. Vienādojums: dispersijas aprēķins ir pikseļa DN vērtība pie i, j un ir pikseļu skaits logs. Pieņemts no (Yuan 2008).

metro kvartāla rajons, attiecīgi Dakotas apgabals un Maple Grove. Datu pārdevējs no šiem LiDAR punktu datiem izveidoja digitālo pacēluma modeli (DEM), pamatojoties uz tikai reljefa punktiem. Tā kā DEM faili tiek nodrošināti ar tādu pašu telpisko izšķirtspēju kā gaisa attēli (1 m pikseļu izmērs), turpmāka apstrāde nebija nepieciešama. DEM rasteri tika mozaīkas, izmantojot mozaīkas datu kopu, un maskēti tādā pašā mērā kā gaisa attēli, izmantojot mozaīkas datu kopas funkciju.

3.1.3. Ceļa centra līnijas dati un ceļa blīvums

Kā papildu datu kopa ceļu pamatkarte tika lejupielādēta no MNDNR Data Deli vietnes, kas ir valsts mēroga ģeotelpisko datu portāls. Ceļu slāņa mērķis šajā pētījumā bija ceļa blīvuma slāņa izgatavošana. Ceļu slānis ir digitalizēta ceļu karte, ko sagatavojusi Minesotas Transporta departaments (MNDOT). Ceļi tika digitalizēti, pamatojoties uz 7,5 minūšu USGS četrstūra topogrāfiskajām kartēm, un tika atjaunināti 2001. gadā. Šo ceļu horizontālā precizitāte ir mazāka par +/- 12 m. Ceļi tiek attēloti kā centra līnijas, un tiek sniegta detalizēta informācija par ceļu klasēm.

3.1.4. Papildu atbalsta dati

Papildus iepriekš minētajiem datiem, kas tika izmantoti tieši klasifikācijas karšu izveidē, tika iegūtas papildu datu kopas, lai atbalstītu rezultātu analīzi un interpretāciju. Pirmkārt, tika iegūti politisko robežu daudzstūra formas faili apgabalu un pašvaldību līmeņiem. Apgabala robežas tika izgūtas no MNGeo Geographic Data Clearinghouse tiešsaistē (http://www.mngeo.state.mn.us/). Šīs robežas bija aktuālas 2013. gada jūnijā. Tās ir pārstāvētas nominālā mērogā

1: 24 000, un telpiskā precizitāte ir +/- 12 metri (40 pēdas). Tāpat no MNGeo tika izgūtas arī visu pašvaldību robežas. Šīm robežām ir tādas pašas laika un telpiskās īpašības kā apgabalu robežām, un tās ietver pilsētas, apdzīvotas vietas un neorganizētas teritorijas (CTU). Jāatzīmē, ka pilsētu robežas attiecas uz politiskām vienībām, kuras ne vienmēr sakrīt ar publiskās zemes uzmērīšanas struktūrām.

Turklāt tika izmantota ASV tautas skaitīšanas faktu meklētāja vietne (http://factfinder2.census.gov), lai iegūtu datus par apgabalu un politiskajām vienībām, kas pārstāvētas iepriekš minētajos robežu failos.

3.2. Zemes izmantošana un zemes seguma klasifikācija

LULC klasifikācija tika veikta, izmantojot funkciju analītiķi-ArcGIS paplašinājumu, kas izmanto patentētu, uz objektiem balstītu, induktīvas mācīšanās klasifikācijas algoritmu. Pirms klasifikācijas tika noteikta klases shēma. Iegūtās LULC klases ietver ūdeni (upes, ezeri, baseini un citas atklātas ūdenstilpes), pilsētu necaurlaidīgu infrastruktūru (ceļus, ēkas), kultūraugus (neapaugušus un veģetētus laukus un ganības), mežu apgabalus (lapu kokus, mūžzaļos un jauktie meži), citas veģetācijas zonas (krūmi, zālaugu augi, mitri mitrāji), kā arī kaila augsne un ieži (ieguves darbi, piemēram, grants bedres, pamatieži).Svarīga piezīme ir tā, ka kultūraugu klase tika klasificēta divos posmos: pirmkārt, tā tika sadalīta veģetācijas un veģetācijas daļās, un pēc tam šīs divas klases tika apvienotas, veidojot vienu šķiru. Šīs darbības tika veiktas spektrālo vērtību divmodālā sadalījuma dēļ

šīs klases ietvaros. Lai gan uz objektiem balstītām klasifikācijas metodēm vajadzētu labāk tikt galā ar šo problēmu nekā tradicionālajām pikseļu metodēm, sākotnējā pārbaude parādīja, ka šis solis palielina klasifikācijas precizitāti kultūraugu klasei, izvairoties no tās sajaukšanas ar citām LULC klasēm.

Objektu klasifikācija Feature Analyst izmanto induktīvās mācīšanās pieeju. Tas nozīmē, ka algoritms paļaujas uz ekspertu vai skolotāju, lai attēlā noteiktu vēlamā rezultāta piemērus, tādējādi klasifikācijas sistēmai nodrošinot apmācības datu kopumu. Pēc tam algoritms izmanto šajos paraugos esošo informāciju, lai izveidotu modeli, kas tiek izmantots klasifikācijas veikšanai. Apmācības paraugi bija jānosaka manuāli, pamatojoties uz katras klases kritēriju kopumu. Klasifikators ne tikai paļaujas uz spektrālo informāciju, kas atrodas katrā pikseļā, bet arī ņem vērā informāciju, kas iegūta no pikseļu grupām. Tas ir balstīts uz procesu, kas pazīstams kā attēlu segmentācija, kas sadala atsevišķus pikseļus grupās, kas attēlo objektus. Segmentācija parasti balstās uz viendabīgām pikseļu vērtībām, malām un formām. Pēc šo objektu definēšanas tiek izmantota papildu informācija no apmācības datiem, lai noteiktu, kurai klasei objekts pieder. Lai piešķirtu klases vērtības, tiek izmantotas spektrālās vērtības, kā arī papildu dati, piemēram, objekta izmērs un forma, kā arī tā raksti, faktūra un blakus esošie objekti. Attiecīgi mācību paraugiem bija jāatspoguļo visas šīs īpašības katrai klasei. Apmācības paraugi tika izveidoti kā daudzstūri, un tie tika uzzīmēti pēc iespējas tuvāk katras pazīmes malai, lai paraugs varētu attēlot objekta formu un malu tipu. Piemēram, lielākajai daļai ēku ir salīdzinoši vienkāršas, taisnstūrveida iezīmes, savukārt upēm vai ezeriem ir sarežģītākas, izliektas kontūras, uz kurām norāda ēkas forma.

viņu apmācības daudzstūri. Tika arī rūpēts, lai iekļautu pilnu katras izpētes apgabalā atrodamās funkcijas dažādību. Piemēram, nelielas saimniecības ēkas, dzīvojamās mājas un lielas komerciālas vai rūpnieciskas iekārtas tika iekļautas pilsētas mācību komplektā, lai atbilstoši atspoguļotu šī objekta tipa izmēru un formu diapazonu pētījuma teritorijā.

Pēc apmācības daudzstūru komplekta izveidošanas Feature Analyst piedāvā vairākus citus iestatījumus, kas tiek izmantoti klasifikācijas procesā, lai pielāgotu algoritmu konkrētajai situācijai un uzlabotu tā precizitāti. Pirmkārt, tiek definēti ievades dati. Funkciju analītiķis ļauj izmantot vairākas datu kopas un veidus. Tāpēc LULC klasifikācija tika balstīta uz četru joslu NAIP attēliem no 2010. gada, kopā ar LiDAR atvasinātajiem pacēluma datiem un tekstūras slāni. Tas ir iespējams Feature Analyst, iepriekš nesakraujot vai citādi nemainot ievades slāņus, tie tiek vienkārši pievienoti ievades sarakstam un tiek definēts to veids (ti, optiskais, pacēlums, faktūra). Tā kā funkciju analītiķis spēj iegūt atsevišķas iezīmes vai veikt pilnīgu, izsmeļošu un iekļaujošu zemes seguma elementu klasifikāciju, ir pieejamas vairākas citas iespējas. Pirmkārt, tika izvēlēta opcija “no sienas līdz sienai”, lai funkciju analītiķis piespiestu klasificēt visas attēlu jomas, nevis tikai iegūt dažas funkcijas. Funkciju analītiķis var arī automātiski izstiept attēla datus, tomēr šī opcija tika atspējota, jo mozaīkas datu kopas funkcijas jau bija izstiepušas datus lidojuma laikā. Lai izmantotu kontekstuālo informāciju (ti, analizētu objektus, pamatojoties uz blakus esošajiem objektiem), funkciju analītiķis izmanto sistēmu, ko sauc par ievades attēlojumu. Šie attēlojumi būtībā ir vietējie logi, kas ļauj klasifikatoram vienlaikus redzēt vairāk nekā vienu pikseļu

apstrāde. Tas ļauj klasifikatoram veidot savu modeli, pamatojoties ne tikai uz vienu pikseļu, bet arī uz blakus esošajiem pikseļiem. Tomēr šī pieeja palielina modeļa izveidošanai un ieviešanai nepieciešamo apstrādes laiku, un tā joprojām ņem vērā tikai salīdzinoši nelielas platības, kas ieskauj katru pikseļu. Funkciju analītiķis pieļauj sarežģītākus logu modeļus, kas pazīstami kā foveal attēlojumi, jo tie ir paredzēti, lai atdarinātu to, kā cilvēka acs redz lietas (Opitz un Bain 1999). 3.1. Attēlā parādīts

piemērs šiem foveal attēlojumiem, kas izmantoti Feature Analyst, Manhetenas modelis. Krāsaini pikseļi ir tie, kas būtu redzami klasifikatoram, analizējot centrālo pikseļu, bet nekrāsotie pikseļi tiktu ignorēti. Salīdzinot ar vienkāršiem vietējiem logiem, šī pieeja ļauj klasifikatoram piešķirt lielāku nozīmi pikseļiem, kas atrodas tuvāk apstrādājamajam pikselim, tomēr ņemt vērā arī tālāk esošajos pikseļos atrodamo informāciju. Šai pieejai vajadzētu palielināt klasificētājam pieejamās informācijas apjomu, tajā pašā laikā nepalielinot apstrādājamo datu apjomu tik daudz kā vienkāršā loga pieeja. Šī pieeja padara konteksta informācijas integrāciju klasifikācijas modelī efektīvāku, un tas atkal liecina par Toblera pirmo ģeogrāfijas likumu, kas nosaka, ka tuvas lietas ir vairāk saistītas nekā attāluma lietas (Tobler 1970).

3.3. Necaurlaidīga virsmas klasifikācija

3.3.1. Ceļa blīvums

Ceļu blīvumu bieži uzskata par svarīgu urbanizācijas rādītāju (Schueler 1994). Tāpēc ceļa blīvums tika aprēķināts kā rastra virsma, kas jāizmanto kā viens no ieejas parametriem necaurlaidīgam virsmas lēmumu koku modelētājam. Ceļu blīvumu parasti definē kā ceļa kilometrus uz 100 kvadrātkilometriem vai ceļa jūdzes uz kvadrātjūdzēm. Lai padarītu datu apstrādi vieglāk pārvaldāmu un nodrošinātu, ka ceļa blīvums tiek ņemts vērā lokāli, nevis globāli visā pētījuma teritorijā, tas tika aprēķināts 1 kvadrātkilometra platībai ap katru pikseļu. Ceļa blīvuma aprēķins tika veikts, pamatojoties uz ceļa centra līnijas slāni. Blīvums tika aprēķināts kā ceļu metri uz kvadrātkilometru platības un uzglabāti peldošā komata rastrī ar 1 m pikseļu izmēru. Iegūtie dati tika izmantoti kā ievades parametri lēmumu pieņemšanas koka modelim.

3.3.2. Lēmumu koku modelēšana

Necaurlaidīgā virsma tika klasificēta, izmantojot lēmumu koku klasifikatoru. Konkrēti, programmatūra See5 tika izmantota, lai ģenerētu lēmumu koku, pamatojoties uz C5 algoritmu (Quinlan 2013a). C5 ir ļoti līdzīgs algoritmam C4.5, pievienojot vairākas funkcijas, kas var palielināt klasifikācijas precizitāti (Quinlan 1993, 2013b).

Kopumā C4.5 un C5 ir ekspertu zināšanu sistēmas, kurām ir nepieciešami cilvēku ieguldījumi mācību datu veidā. Vispārējais mērķis ir izmantot apmācības datus, lai noteiktu, kurai klasei vajadzētu piederēt katrs gadījums, un pēc tam atrast precīzu modeļa attēlojumu, lai klasi piešķirtu katram gadījumam vispārējā populācijā. Lai to panāktu, C4.5 un C5 algoritmi vispirms sadala gadījumus, pamatojoties uz to atribūtiem, un pēc tam atribūtā nosaka dabisko pārtraukuma punktu, pamatojoties uz klases vērtību. Šī pieeja rada lēmumu noteikumu kopumu, ko var apvienot, lai izveidotu koku, kas sastāv no zariem un lapām. Katra filiāle ir pārbaude, kas tiek veikta ar datiem, un noved pie citas filiāles vai lapas, kur tiek pieņemts lēmums un piešķirta klase. Šīs darbības automātiski veic C5 algoritms. Turklāt C5 var veikt vītšanu (nolemt izslēgt atribūtus, ja tie būtiski neietekmē modeli) un atzarošanu (noņemot zarus, kas būtiski neveicina modeļa veidošanu) (Quinlan 1993, 2013a, 2013b).

Lai izveidotu apmācības datus lēmumu koka modelim, tika izveidots 300 nejauši sadalītu punktu kopums. Tika izveidots otrs punktu kopums pēc tāda paša principa, ko izmantot precizitātes novērtēšanai (Congalton 1988). Abas kopas tika izveidotas šajā laikā, jo C5 pēc tam automātiski var veikt precizitātes novērtējumu

modeļa ģenerēšana, pamatojoties uz atsevišķu punktu kopumu. Tāpēc lēmumu koka modeļa precizitāti varētu novērtēt nekavējoties, un vajadzības gadījumā algoritma konfigurāciju varētu pielāgot. Katrai punktu kopai rīks ArcGIS “Vērtība uz punktiem” tika izmantots, lai katra punkta atribūtu tabulā ierakstītu rastra vērtības. Šajā procesā tika iekļautas katras gaisa attēlu joslas vērtības, aprēķinātais tekstūras slānis, pacēluma rastrs, LULC rastrs un ceļa blīvuma karte. Lauks, kurā bija bināri necaurlaidīgi virsmas dati, tika pievienots un aizpildīts, vizuāli nosakot, vai katrs punkts atrodas uz necaurlaidīgas virsmas. Pēc tam iegūtās tabulas tika koriģētas programmā Microsoft Excel un eksportētas lietošanai vietnē See5.

Programmā See5 dati tika analizēti vairākas reizes, izmantojot dažādas iespējas, lai noteiktu iestatījumus, kas var nodrošināt vislabāko precizitāti un efektivitāti. Konkrēti, tika novērtētas vīšanas, atzarošanas un pastiprināšanas iespējas. Winnowing aicina skatīt5, lai novērtētu katra atribūta ietekmi uz gala modeli un izlemtu, vai tas būtu jāizmanto. Tas veicina ātrāku apstrādi un padara iegūto lēmumu koku mazāku un mazāk sarežģītu, bieži vien nodrošinot labāku precizitāti (Quinlan 1993 Foody et al. 2002). Atzarošana ir arī metode, kā padarīt lielus lēmuma pieņemšanas kokus mazākus un mazāk sarežģītus. Izmantojot atzarošanu, koks vispirms tiek ražots normāli un pēc tam atzarots. Atzarošana notiek, sadalot koku vairākās apakškokās un novērtējot katras apakškopas nepareizas klasifikācijas iespējamību. Pēc tam šo novērtējumu salīdzina ar gadījumu, kad apakškoks vienkārši tiktu aizstāts ar lapu. Ja šīs izmaiņas nemaina nepareizas klasifikācijas iespējamību vairāk nekā par noteiktu slieksni, izmaiņas tiek attiecinātas uz koku citādi, apakškoks tiek atstāts tāds, kāds tas ir (Quinlan 1993). Atzarošana ir noderīga, lai uzlabotu

koki, kas cieš no pārmērīgas uzstādīšanas - stāvoklis, kad lēmumu koks gandrīz pilnībā atbilst apmācības datiem, bet ir neobjektīvs pret šiem datiem, un tāpēc nespēj precīzi modelēt testa vai precizitātes novērtējuma datus (Foody et al. 2002).

Palielināšana ir metode, kas tiek izmantota tikai, lai palielinātu lēmuma pieņemšanas koku precizitāti, samazinot modeļa sarežģītību un aprēķinu izmaksas. Pastiprināšana darbojas, izveidojot vairāk nekā vienu modeli vienas un tās pašas problēmas risināšanai un izmantojot katra modeļa rezultātus, lai “nobalsotu” par gala rezultātu (Freund et al. 1999 Quinlan 2013b Schapire 1999). Piemēram, ja pikseļu klasificēšanai tiek izveidoti desmit modeļi un seši no tiem nosaka, ka pikseļi ietilpst a klasē, bet četri piešķir b klasi, gala rezultāts būtu a klases vairākuma balsojums.

Izvade See5 ir teksta fails, kas pseidogrāfiskā veidā attēlo lēmumu koku. Šis modelis tika manuāli “tulkots”, lai to izmantotu Python skriptā, lai veiktu faktisko datu apstrādi. Skripts izmanto ArcGIS ArcPy moduli, kas ļauj izmantot ArcGIS rīkus Python skripta ietvaros.

Lēmumu koks tika ieviests skriptā, izmantojot virkni ligzdotu “Con” nosacījumu paziņojumu no ArcGIS Spatial Analyst. Funkcija Con novērtē nosacījumu, pamatojoties uz katru pikseļu, un var vai nu izvadīt konstanti, citu rastra vērtību, vai arī ierosināt tajā citu ligzdojumu. Dažas no šīs funkcijas ieviešanas priekšrocībām Python skriptā ir tas, ka jebkurā laikā ir viegli saglabāt un pielāgot skriptu, un ka darbības var veikt atmiņā, nevis no cietā diska, tādējādi uzlabojot veiktspēju. ArcPy izmantošana arī ļauj izmantot ArcGIS mozaīkas datu kopas kā ievadi, nevis statiski mozaīkas rastra failus.

Lai gan lēmumu koku modeli būtu iespējams apstrādāt Python, neizmantojot ArcPy komponentus, tas darbotos tikai ar pilnībā mozaīkas rastra failiem. Tāpēc, izmantojot tā vietā mozaīkas datu kopas, no darbplūsmas tiek izgriezts papildu apstrādes un datu intensīvs solis. Pēc lēmumu koka apstrādes, pamatojoties uz noteiktajiem ievades slāņiem, rezultāts tika ierakstīts diskā kā 1 bitu rastra fails. Necaurlaidīgā virsma tika klasificēta, izmantojot šo jaunizveidoto lēmumu koka modeli. Konkrēti, lai izveidotu modeli, algoritmam bija pieejami šādi atribūti katram gadījumam (parauga pikseļi): četru joslu NAIP gaisa attēli, LIDAR DEM, tekstūras slānis, kas ģenerēts no gaisa attēlu tuvās infrasarkanās joslas, ceļa blīvuma slānis un LULC rastra karte. Veidojot lēmumu koku modeli, tika novērtētas vairākas uzlabotas iespējas, ņemot vērā to spēju palielināt modeļa klasifikācijas precizitāti. Šīs iespējas ir īpaši vītšana, atzarošana un pastiprināšana (sk. 3.3.2). Tika konstatēts, ka winnowing izmantošana neietekmēja modeli. See5 izmantoja tos pašus atribūtus, neatkarīgi no tā, vai tika izmantota winnowing. Tāpēc galīgajam modelim netika izmantota. Turklāt lēmuma pieņemšanas koka modelis, kas izveidots bez atzarošanas, jau bija salīdzinoši mazs un tam bija ļoti laba precizitāte. Atzarojot koku, tas nesamazinājās pietiekami, lai attaisnotu precizitātes zudumu, ko izraisīja atzarošana. Lai palielinātu iespējas, tika novērtēts desmit izmēģinājumu daudzums. Tika konstatēts, ka, izmantojot pastiprināšanu ar desmit modeļiem, nepietiekami palielinājās precizitāte, lai attaisnotu iegūtā modeļa papildu sarežģītību un skaitļošanas izdevumus. Faktiski, lai gan mācību datu kopas precizitāte palielinājās, palielināšana samazināja testa datu kopas precizitāti. Pamatojoties uz šiem novērtēšanas rezultātiem, par galīgo modeli tika izvēlēts pamata lēmumu koks bez papildu iespējām.

Galīgā lēmuma koku modelī no gaisa attēla ir iekļauta tikai pirmā, trešā un ceturtā josla. Lēmumu koks sastāv no diviem zariem un četrām lapām (skat. 3.2. Attēlu).

Precizitātes novērtējums tika veikts gan LULC, gan necaurlaidīgās virsmas kartēs neatkarīgi. Katrai kartei tika izveidots 300 izlases izlases punktu kopums (Congalton 1988, 1991b). Atsauces vērtības, kuras tika uzskatītas par “pamatotām”, šiem punktiem tika piešķirtas, pamatojoties uz attēlu vizuālu pārbaudi. Lai noteiktu klasificētās vērtības LULC kartei, rīks ArcGIS “Vērtība uz punktiem” tika izmantots, lai automātiski ierakstītu rastra vērtības no LULC kartes parauga punktu tabulā. Necaurlaidīgai virsmai šo uzdevumu panāca See5, kas ļauj ievadīt atsevišķu precizitātes novērtēšanas datu kopu un automātiski novērtē modeli pēc šiem datiem.

Abām kartēm tika ģenerētas standarta precizitātes matricas, un, pamatojoties uz matricām, tika aprēķināta lietotāju un ražotāju precizitāte, kopējā precizitāte un aprēķinātā Kappa precizitāte (Cohen 1960 Bishop et al. 1975 Congalton 1991a Congalton and Mead 1983). Lietotāja precizitāti sauc arī par komisijas kļūdu, kas apraksta klasifikācijas kļūdas, kad pikselis, kas pieder vienai klasei, tika nepatiesi piešķirts citai klasei. Turpretī ražotāja precizitāte vai izlaiduma kļūda ir kļūda, kad pikselim, kuram vajadzēja piešķirt noteiktu klases vērtību, bet tas netika iekļauts šajā klasē (Campbell 2002). Kappa statistika tika novērtēta ar Koena (1960) doto vienādojumu (sk. 3.2. Vienādojumu). Koena Kappa tiek dēvēta arī par novērotāju vienošanos, un tās izcelsme ir psiholoģiskajos pētījumos (Cohen 1960). Kappa koeficientu pirmo reizi ierosināja Kongaltons un Mīds (1983). lēš “atšķirību starp novēroto vienošanos starp divām kartēm […] un vienošanos, ko varētu panākt tikai [nejauši]” (Campbell 2002).


Pielietojiet simbolu Rasters, izmantojot Arcpy Script - ģeogrāfiskās informācijas sistēmas

Es studēju jūras pīļu migrācijas ekoloģiju Ziemeļamerikas Atlantijas okeāna piekrastē.

Manā analīzē pēdējo 15 gadu laikā man ir nepieciešami būtiski vides dati plašā ģeogrāfiskā diapazonā, un esmu guvusi lielus panākumus, izmantojot lielāko daļu vēlamo modeļa parametru ICOADS datu bāzi. Tomēr viņi neseko nokrišņiem un atstāja man vajadzīgu citu avotu. NARR ir vienīgais avots ar pietiekami šauru mērogu, lai to varētu reāli izmantot maniem mērķiem, taču es uzskatu, ka tas ir daudz vienkāršāks nekā ICOADS.

NARR izmanto Lambert Conformal Conic projekciju, un man ir zināmas grūtības to pārprojektēt garā lata formā. Esmu iepazinies ar dažiem citiem līdzīgiem foruma ierakstiem, piemēram, R: Kā iegūt platuma un garuma grādus no RasterLayer? , bet es joprojām esmu neizpratnē par to, ko ieteikumi patiesībā nozīmē un vai es tos pareizi piemēroju saviem datiem.

Pēc iepriekš minētās saites es izmantoju šo kodējumu, lai rastrētu un pārprojektētu nokrišņu datu failu (šeit ir saite uz failu apcpc.2000.nc, ja kāds vēlētos spēlēties ar šiem datiem: ftp: //ftp.cdc.noaa .gov/Datasets/NARR/Dailies/monolevel/):

Šķiet, ka tas darbojas pietiekami labi, bet es otrreiz uzminēju, kas man šeit ir jāievada kā sākotnējais DRS. Vienkārši ir intuitīvi jēga ievadīt rastra norādīto koordinātu atsauci, bet manis apskatītajā piemērā tas netiek darīts (viņi izmanto: " +proj = lcc +lat_1 = 48 +lat_2 = 33 +lon_0 = -100 +ellps = WGS84 "). Turklāt NARR norāda, ka pārklājuma robežas attiecas tikai uz aptuveni 145 W un A un tikai līdz 45-50 N, tomēr, man šķiet, ir vērtības visai ziemeļu puslodē. To varētu viegli izraisīt atjaunināts pārklājums, jo tas tika teikts pirms vairākiem gadiem, bet kalpo manām bažām, ka es kaut kur kļūdījos.

Tāpat šķiet, ka rastering nekur nenodrošina mainīgo "laiks". Vai ir kāds veids, kā to iegūt? Tā kā šajā failā ir 366 dienas, būtu nepatīkami, bet nav grūti tās pievienot vēlāk, pamatojoties uz atkārtotiem koordinātu pāriem.

Es ceru, ka kādam ir pieredze ar NARR datu bāzi (vai vienkārši konvertējot lcc uz garo latu) un var paskaidrot, vai un kā es to izdarīju nepareizi, un tad novirzīt mani uz pareizā ceļa?

*** ATJAUNINĀJUMS **** Uzzīmējot r.pts garumu un platumu, tiek atklāts, ka kodēšana darbojas lieliski paredzētajai atkārtošanai. Bet es atstāšu ziņu atvērtu, ja kāds var kaut ko ieteikt mainīgajam "laikam".

Es nevaru jums palīdzēt R robežās, bet GDAL izmantošana aizvedīs tālāk:

norāda, ka pirmajās divās joslās ir lat un lon koordinātas, un tās ir WGS84 grādos:

Izmantojot pareizo apakšdatu kopas nosaukumu, varat to iegūt ģeotiffā ar citu projekciju, izmantojot gdalwarp:

Tas darbojas neatkarīgi no DRS metadatos, jo -geoloc ņem koordinātu informāciju tikai no pirmajām divām joslām. Rezultātu varat vizualizēt jebkurā GIS programmatūrā:

Jūs redzat, ka dati šķērso datu līniju, tāpēc šķiet, ka pakāpe aptver visu ziemeļu puslodi. Patiesībā tas ir tikai starp 148 °E un 5 °W, bet tālu.


Ytdjtkui

Vai vednim vajadzētu iegādāties smalkas tintes katru reizi, kad viņš vēlas kopēt burvestības savā pareizrakstības grāmatā?

Vertikālo joslu izmēru maiņa (absolūtās vērtības simboli)

AppleTV izveido pļāpīgu alternatīvu WiFi tīklu

Mac Book Pro 2017 savienošana ar 2 projektoriem, izmantojot USB C

Kāda ir atšķirība starp "tālvadības uzbrukumu" un "attālinātu ieroču uzbrukumu"?

Kā gaisma “izvēlas” starp viļņu un daļiņu uzvedību?

Ja sistēma Windows 7 neatbalsta WSL, tad kas ir "UNIX balstītu lietojumprogrammu apakšsistēma"?

Kādi pielāgojumi ļautu standarta fantāzijas rūķiem izdzīvot tuksnesī?

Radīt ķermeni burvju priekšmeta garam?

Kā matemātika darbojas, pērkot aviokompāniju jūdzes?

Kā Fremena saražoja un pārvadāja pietiekami daudz trimperu, lai izmantotu Sandworms kā de facto Ubers?

Cik lielu kaitējumu Zemei nodarītu tasīte neitronu zvaigžņu vielas?

Kāda ir atšķirība starp CTSS un ITS?

Skalāra funkcija tika pārveidota par TVF funkciju paralēlai izpildei-joprojām darbojas sērijas režīmā

Eksportējot CSV failu, Google Earth Engine lietošanas laikā netika parādīta visa sleja

Vienradzis Meta zooloģiskais dārzs #1: kāpēc vēl viena Podcast apraide? Saskaitiet pikseļu skaitu, kas identificēts kā ūdens no zemes gabala attēlu kolekcijas Mēģināt kartēt un samazināt attēla reģionus, izmantojot Google Earth Engine? Google Earth Engine: Eksportējiet visu kolekciju Google Earth Engine, kā atšķirt upes/strautus un dīķus/ezerus ūdens maskā Zemes dzinēja aprēķina (reduktora) ievadīšana katrā pasaules valstī: vienkāršs piemērs Reduktora pielietošana ļoti lielai funkcijai Google Earth Engine izmantošana Landsat dienas attēla filtrēšanai? Eksportēt rastru virs cilpa programmā Google Earth Engine Temperatūras noteikšana no Landsat (Google Earth Engine) Krustojuma aprēķināšana divām funkciju kolekcijām

Es cenšos aprēķināt ūdens apgabalus un katras joslas statistiku katrai ūdens teritorijai, lai redzētu, vai ir sezonālas izmaiņas.

Eksportētajam .csv failam pirms pievienošanās ir tikai kolonnas ("GNIS_ID", "AreaSqKm", "waterArea"). Es izdrukāju mainīgo, Join, un tajā ir visa nepieciešamā kolonna. Kāpēc tie netika parādīti eksportētajā CSV failā? Vai es kaut ko palaidu garām?

Laipni lūdzam GIS SE. Kā jauns lietotājs, lūdzu, apmeklējiet ceļvedi, kurā uzsvērts, cik svarīgi ir uzdot vienu jautājumu katram jautājumam. Lūdzu, rediģējiet savu jautājumu, lai koncentrētos uz visaktuālāko jautājumu.

Jūsu virsrakstā joprojām ir “un”, tas norāda uz vairākiem jautājumiem

Atvainojiet, es domāju, ka es to jau izdzēsu. Paldies, ka sekojat līdzi

Es cenšos aprēķināt ūdens apgabalus un katras joslas statistiku katrai ūdens teritorijai, lai redzētu, vai ir sezonālas izmaiņas.

Eksportētajam .csv failam pirms pievienošanās ir tikai kolonnas ("GNIS_ID", "AreaSqKm", "waterArea"). Es izdrukāju mainīgo, Join, un tajā ir visa nepieciešamā kolonna. Kāpēc tie netika parādīti eksportētajā CSV failā? Vai es kaut ko palaidu garām?

Laipni lūdzam GIS SE. Kā jauns lietotājs, lūdzu, apmeklējiet ceļvedi, kurā uzsvērts, cik svarīgi ir uzdot vienu jautājumu katram jautājumam. Lūdzu, rediģējiet savu jautājumu, lai koncentrētos uz visaktuālāko jautājumu.

Jūsu virsrakstā joprojām ir “un”, tas norāda uz vairākiem jautājumiem

Atvainojiet, es domāju, ka es to jau izdzēsu. Paldies, ka sekojat līdzi

Es cenšos aprēķināt ūdens apgabalus un katras joslas statistiku katrai ūdens teritorijai, lai redzētu, vai ir sezonālas izmaiņas.

Eksportētajam .csv failam pirms pievienošanās ir tikai kolonnas ("GNIS_ID", "AreaSqKm", "waterArea"). Es izdrukāju mainīgo, Join, un tajā ir visa nepieciešamā kolonna. Kāpēc tie netika parādīti eksportētajā CSV failā? Vai es kaut ko palaidu garām?

Es cenšos aprēķināt ūdens apgabalus un katras joslas statistiku katrai ūdens teritorijai, lai redzētu, vai ir sezonālas izmaiņas.

Eksportētajam .csv failam pirms pievienošanās ir tikai kolonnas ("GNIS_ID", "AreaSqKm", "waterArea"). Es izdrukāju mainīgo, Join, un tajā ir visa nepieciešamā kolonna. Kāpēc tie netika parādīti eksportētajā CSV failā? Vai es kaut ko palaidu garām?

Laipni lūdzam GIS SE. Kā jauns lietotājs, lūdzu, apmeklējiet ceļvedi, kurā uzsvērts, cik svarīgi ir uzdot vienu jautājumu katram jautājumam. Lūdzu, rediģējiet savu jautājumu, lai koncentrētos uz visaktuālāko jautājumu.

Jūsu virsrakstā joprojām ir “un”, tas norāda uz vairākiem jautājumiem

Atvainojiet, es domāju, ka es to jau izdzēsu. Paldies, ka sekojat līdzi

Laipni lūdzam GIS SE. Kā jauns lietotājs, lūdzu, apmeklējiet ceļvedi, kurā uzsvērts, cik svarīgi ir uzdot vienu jautājumu katram jautājumam. Lūdzu, rediģējiet savu jautājumu, lai koncentrētos uz visaktuālāko jautājumu.

Jūsu virsrakstā joprojām ir “un”, tas norāda uz vairākiem jautājumiem

Atvainojiet, es domāju, ka es to jau izdzēsu. Paldies, ka sekojat līdzi

Laipni lūdzam GIS SE. Kā jauns lietotājs, lūdzu, apmeklējiet ceļvedi, kurā uzsvērts, cik svarīgi ir uzdot vienu jautājumu katram jautājumam. Lūdzu, rediģējiet savu jautājumu, lai koncentrētos uz visaktuālāko jautājumu.

Laipni lūdzam GIS SE. Kā jauns lietotājs, lūdzu, apmeklējiet ceļvedi, kurā uzsvērts, cik svarīgi ir uzdot vienu jautājumu katram jautājumam. Lūdzu, rediģējiet savu jautājumu, lai koncentrētos uz visaktuālāko jautājumu.


2 atbildes 2

  1. Programmā Qgis izvēlieties Izvēlnes vienumi Iestatījumi->Pielāgotas projekcijas un dialoglodziņā Pielāgota koordināta. parādās.

    2. Dialoglodziņā nospiediet pogu "+".

3. Ievadiet nosaukumu Šankars vai kāds cits.

4. Ievadiet savas projekcijas definīciju, kā parādīts numura parametru sadaļā og.

5. Noklikšķiniet uz Labi un izvēlieties Projekts-un#62īpašumi.

6. Dialoglodziņā Projekta rekvizīti izvēlieties cilni DRS un atlasiet tikko izveidoto Shankar projekciju.


7. Tā būs jūsu kartes projekcija.

  1. Ja vēlaties izmantot modificētu UTM 44 pielāgotajam elipsoīdam metros, jums vajadzētu izmantot šādu definīciju
    +proj = tmerc +a = 6377301.243 +b = 6356100.2284 +lat_0 = 0 +lon_0 = 81 +k_0 = 0.9996 +x_0 = 500000 +y_0 = 0 +towgs84 = 295.00,736.00,257.00,0,0,0,0 +vienības = m +no_defs

Turklāt jūs nepareizi norādījāt vērtības ziemeļiem un austrumiem. Nekas - 27 un Austrumi 82

Es rūpīgi ievēroju jūsu norādījumus. diemžēl izejas projekcija parāda/maina WGS84 sistēmu (grādu sistēmu). Projekcijas sistēma labi darbojas QGIS 2.18 versijā, bet nedarbojas QGIS 3.4.4. Man tas ir tik nomākti. pls

–  Shankar Prasad Gupta
5. februārī pulksten 11:10

Lūdzu, sniedziet informāciju, kas pierāda jūsu lietu. Daži ekrānuzņēmumi.

Šeit es pievienoju dažus ekrānuzņēmumus. attēlā es pievienoju slāni, kas atrodas WGS84/UTM 44N zonas projekcijā. 2. attēlā es iestatīju pielāgoto projekciju ar nosaukumu Modified UTM Centrālajai Nepālai. 3. attēlā es aprēķinu konversijas projekcijas vērtību, bet rezultāts parāda to pašu. 4. attēlā projekta rekvizītos es iestatīju projekta projekciju pielāgotajā projekcijā, t.i., Modificētā UTM Centrālajai Nepālai. 5. attēlā slāņa projekcija nemainās vēlamajā projekcijā, tā automātiski mainās tikai uz WGS84 sistēmu.

–  Shankar Prasad Gupta
6. februārī, pulksten 7:17

Esmu izdomājis jūsu modificētā UTM 44 definīciju (apskatiet manu atbildi), bet, protams, jums tas jāpārbauda.

Paldies. Galu galā es saņēmu risinājumu, un šāda projekcijas virkne darbojas labi:


+proj = tmerc +lat_0 = 0 +lon_0 = 84 +k = 0,9999 +x_0 = 500000 +y_0 = 0 +a = 6377276.345 +b = 6356075.41314024 +towgs84 = 296.207,731.545,273.001,0,0,0,0 +vienības = m



1 Atbilde 1

Jūs to darāt pareizi, lielākoties. tā kā jūsu daudzstūri var atrasties jebkurā vietā uz zemes, jums vajadzētu izmantot koordinātu sistēmu, kas izmanto skaitītājus kā vienību un aptver visu zemi, vislabāk derētu pseidomercators 'epsg: 3857'

vienkārši nomainiet izvēlēto projekciju ar šo, un tam vajadzētu būt kārtībā

Hicham Zouarhi, paldies par atbildi! Es izmēģināju gan EPSG: 3857, gan EPSG: 26944 projekcijas uz 2 maziem daudzstūriem (katra diametrs nepārsniedz 5 m) Kalifornijā, EPSG: 26944 tas deva 191 m attālumu starp daudzstūriem, bet EPSG: 3857 tas bija 249 m. Man tā šķiet pārāk liela atšķirība :( Jebkuras idejas, kāpēc un kā iegūt kaut ko precīzāku (kas darbotos jebkurā pasaules vietā)? Btw, es mēģināju izmērīt attālumu starp šo daudzstūru centriem, izmantojot lielisku apļa attālumu no ģeopija moduļa, tas bija ap 193 m, tāpēc tas sakrīt ar EPSG: 26944 projekcijas rezultātiem.

Daudzstūri, kurus es mēģināju, ir: daudzstūris1 = [(-121.483071, 39.702249), (-121.483071, 39.702231), (-121.483035, 39.702231)] daudzstūris = 121.483380, 39.700507)]


Jaunākās pilna funkcionalitātes ArcGIS programmatūras kolekcija studentu lietošanai.

Kas jauns ArcGIS Desktop?

ArcGIS Desktop ir Esri vadošā darbvirsmas ĢIS lietojumprogramma ģeotelpisko datu kartēšanai, analīzei un pārvaldībai. Mēs pastāvīgi uzlabojam ArcGIS Desktop, lai jūs varētu labāk vizualizēt 2D un 3D telpiskos datus, rediģēt un analizēt datus un izveidot savienojumu visā ArcGIS sistēmā.

ArcMap (ar ArcCatalog) ir nozarē vadošā tradicionālā ĢIS autorēšanas un rediģēšanas lietojumprogramma. Kamēr mēs turpināsim izlaist un atbalstīt ArcMap, mūsu attīstības un inovāciju fokuss ir ArcGIS Pro. Jaunās ArcMap versijas nodrošina ielāpus, atjauninājumus un jaunus vides sertifikātus.

Kādi paplašinājumi ir pieejami ArcGIS Desktop?

ArcGIS Desktop ir pieejami šādi paplašinājumi:

  • ArcGIS 3D analītiķis 1
  • ArcGIS Aviācijas lidostas
  • ArcGIS aviācijas kartēšana
  • ArcGIS batimetrija
  • ArcGIS biznesa analītiķis 2
  • ArcGIS datu savietojamība 1
  • ArcGIS datu pārskatītājs 1
  • ArcGIS ģeostatistikas analītiķis 1
  • ArcGIS attēlu analītiķis 1,2
  • ArcGIS LocateXT 1
  • ArcGIS Maritime
  • ArcGIS tīkla analītiķis 1
  • ArcGIS cauruļvadu atsauces
  • Izdevējs ArcGIS 1
  • ArcGIS ceļi un maģistrāles
  • ArcGIS shēmas 1
  • ArcGIS telpiskais analītiķis 1
  • ArcGIS izsekošanas analītiķis 1
  • ArcGIS darbplūsmas pārvaldnieks 1
  • ArcGIS aizsardzības kartēšana
  • ArcGIS ražošanas kartēšana

ArcGIS Desktop licencētos paplašinājumus var izmantot gan ar ArcGIS Pro, gan ArcMap (ja pieejams).

1 Iekļauts ArcGIS Desktop visu paplašinājumu komplektā

2 Pieejams tikai ArcGIS Pro

Kā es varu iegūt ArcGIS Pro?

ArcGIS Pro ir iekļauts ArcGIS Desktop. Kad veicat ArcGIS Desktop apkopi, jums ir piekļuve ArcGIS Pro. Jūs varat lejupielādēt ArcGIS Pro no My Esri.

Kādas ir ArcGIS Desktop licencēšanas iespējas?

ArcGIS Desktop ir licencēts gan pēc licences līmeņa, gan pēc licences veida.

Vienādi licences līmeņi - pamata, standarta un papildu - attiecas uz abām ArcGIS darbvirsmas lietojumprogrammām: ArcGIS Pro un ArcMap.

Trīs licenču veidi ir vienreizēja lietošana, vienlaicīga lietošana un nosaukts lietotājs (tikai ArcGIS Pro).

  • Vienreizējas lietošanas licence ļauj vienam lietotājam instalēt un izmantot ArcGIS Desktop vienā datorā.
  • Vienlaicīgas lietošanas licence ļauj ArcGIS Desktop instalēt jebkurā datorā. Lietojumprogrammu izmantošana vairākiem lietotājiem tiek pārvaldīta, izmantojot tīkla datora licenču pārvaldnieku.
  • Nosaukta lietotāja licence ļauj ArcGIS Pro izmantot personai ar akreditācijas datiem, kas pierakstās lietojumprogrammā jebkurā datorā, kurā tā ir instalēta. Nosaukta lietotāja licences veids pašlaik ir pieejams tikai ArcGIS Pro, nevis citām ArcGIS Desktop lietojumprogrammām.

Tāpat kā licences līmenī, jūs izvēlaties licences veidu katrai iegādātajai ArcGIS Desktop licencei. Licences veidus un līmeņus var iegādāties jebkurā kombinācijā. Piemēram, jūs varat iegādāties piecas ArcGIS Desktop Advanced Single Use licences, trīs ArcGIS Desktop Standard Single Use licences un vienu ArcGIS Desktop Basic Single Use licenci.

Iegādājoties ArcGIS Desktop licenci lietošanai kopā ar ArcMap, tai jābūt vienlaicīgai vai vienreizējai lietošanai. Ar katru no tiem ArcGIS Pro tiek nodrošināta nosaukta lietotāja licence, kas pēc noklusējuma tiek izmantota kopā ar ArcGIS Pro. Tomēr ArcGIS Pro Named User licences var pārveidot par vienreizēju vai vienlaicīgu izmantošanu, pamatojoties uz licences veidu, kas iegādāts ArcGIS Desktop.

Kādi resursi ir pieejami, lai palīdzētu man sākt darbu ar ArcGIS Pro?

  • Esri apmācības vietnē ir vairāk nekā 200 resursu, kas saistīti ar ArcGIS Pro, tostarp semināri, tīmekļa kursi, instruktoru vadītās apmācības un apmācības.
  • Vietnē Learn ArcGIS ir arī daudzas nodarbības par ArcGIS Pro lietošanu, tostarp lieliska nodarbība Darba sākšana.
  • Vietnē YouTube ir pieejami videoklipi, ko izveidojuši gan Esri, gan Esri Canada.
  • Esri Canada emuārā “Getting Technical” tiek iekļauti bieži ieraksti par tēmām, kas attiecas uz ArcGIS Pro.
  • ArcGIS emuārā un GeoNet ir plašs satura klāsts un aktīva kopiena ap ArcGIS Pro.
  • Tiem no jums, kuri izvēlas mācīties no grāmatām, Esri Press piedāvā vairākus nosaukumus, tostarp Pāreja uz ArcGIS Pro no ArcMap, Iepazīšanās ar ArGGIS Pro un ĢIS izpratne: ArcGIS Pro projekta darba burtnīca.
  • Visaptverošā ArcGIS Pro tiešsaistes palīdzības sistēma ir pieejama arī ikvienam.
  • Ja vēlaties migrēt pielāgotos rīkus no ArcMap uz ArcGIS Pro, skatiet šos izstrādātāju resursus.

Kā es varu pielāgot un paplašināt ArcGIS Pro?

Ir daudzi veidi, kā konfigurēt, automatizēt un paplašināt ArcGIS Pro atkarībā no jūsu vajadzībām:

  • Konfigurējiet rīkus un pogas, kas parādās lietojumprogrammas lentes cilnēs un ātrās piekļuves rīkjoslā. 2.4 versijā varat saglabāt un koplietot lietotāja interfeisa (UI) pielāgošanas failus.
  • Izveidojiet un kopīgojiet uzdevumus. Uzdevumi ļauj izveidot pielāgotu darbplūsmu, kurā iekļautas darbības un norādījumi, kurus varat kopīgot ar citiem, kas veic tāda paša veida darbus. Uzdevumi nodrošina, ka visi, kas tos izmanto, veiks konsekventu darbplūsmu un darbu veiks ātrāk.
  • Izmantojiet ArcPy, Python vietņu pakotni, lai automatizētu analīzi un kartēšanu. Piemēram, varat izmantot Python, lai izveidotu skripta rīku, kas veic sarežģītu analīzi, vai ArcPy.mp pakotni, lai izveidotu automatizētu kartes izkārtojumu, kas tiek atjaunināts, pamatojoties uz kartes saturu. Automatizācija, izmantojot Python, var ievērojami samazināt stundas, kas pavadītas liekai apstrādei un darbībām, kas nepieciešamas karšu sagatavošanai.
  • Izstrādājiet pievienojumprogrammas ar ArcGIS Pro SDK Microsoft .NET Framework, lai izveidotu pielāgotu ArcGIS Pro UI un lietotāja pieredzi jūsu organizācijai. Izmantojot ArcGIS Pro SDK for .NET, jūs varat izveidot savus pielāgotos rīkus un darbplūsmas Microsoft Visual Studio, izmantojot spēcīgo API un viegli lietojamās SDK veidnes ArcGIS Pro. Ir trīs galvenie pielāgošanas modeļi-pievienojumprogrammas, risinājumu konfigurācijas un spraudņu datu avoti-un tos visus ir viegli koplietot un izvietot. ArcGIS Pro SDK atjauninājumi .NET ir iekļauti katrā ArcGIS Pro laidienā, un 2.4 laidienā ir pieejami daudzi jauni API uzlabojumi. Jūs varat uzzināt vairāk koncepcijas dokumentā & quot; Migrācija uz ArcGIS Pro & quot ;.

Kāda ir Arcade kā starpplatformu skriptu valodas nozīme?

Mums bija nepieciešama droša, pārnēsājama skriptu valoda, kas ļauj konsekventi veikt izteiksmes visā ArcGIS platformā. Pēc citu skriptu valodu, tostarp JavaScript un Python, izpētīšanas mēs atklājām, ka, lai apmierinātu šo vajadzību, mums ir jāraksta sava skriptu valoda, lai nodrošinātu tās drošību un kopīgas kartēšanas funkcijas. Šo skriptu valodu sauc par Arcade. Arcade ļauj rakstīt izteiksmi un nodrošināt, ka tā darbosies vienādi ArcGIS Pro, tīmekļa kartēs un slāņos, kā arī tīmekļa lietotnēs, kā arī lietotnēs, kas veidotas, izmantojot ArcGIS Runtime SDK. Piemēram, Arcade izteiksmi varētu izmantot, lai veiktu matemātisku darbību atribūtam, kura rezultāts nosaka simbola īpašību. Šī izteiksme darbosies vienādi un nodrošinās tādu pašu rezultātu katrā lietotnē un ierīcē. Turklāt, kopš esam uzrakstījuši valodu, esam varējuši iekļaut vienkāršotas funkcijas, lai veiktu kartēšanā ierastos uzdevumus. Piemēram, funkciju Pareizi var izmantot, lai virkni pārvērstu pareizos burtos (sākotnējais lielais burts, kam seko mazie burti), kas ir ļoti noderīga funkcija karšu veidotājiem.

Vai ArcGIS Pro var virtualizēt?

Jā. ArcGIS Pro ar lieliem panākumiem var izmantot virtualizētā vidē gan uz vietas, gan mākonī. Esri saprot virtualizācijas tehnoloģijas nozīmi mūsu lietotājiem. ArcGIS Pro ir rūpīgi pārbaudīts un atbalstīts visās lielākajās virtualizācijas vidēs, ieskaitot Citrix XenDesktop, Microsoft Hyper-V VDI un VMware Horizon View. Mēs cieši sadarbojamies ar lielākajiem vietējiem virtualizācijas piegādātājiem, tostarp Microsoft, VMware un Citrix, un lielākajiem aparatūras pārdevējiem, tostarp Dell. Mēs cieši sadarbojamies arī ar NVIDIA, kuras virtuālās darbvirsmas darbstacijas GPU (grafikas apstrādes vienības) un GRID Manager hipervizoru tehnoloģija ir svarīga ArcGIS Pro virtualizācijai.

ArcGIS Pro var izmantot arī ar mākoņa lietojumprogrammu straumēšanas un virtualizācijas risinājumiem, piemēram, Amazon AppStream un Frame.

Mēs testējam ArcGIS Pro dažādās virtualizācijas vidēs un konfigurācijās, lai saprastu un sniegtu jaunāko informāciju par to, kā iegūt vislabāko VM/servera blīvumu un nodrošināt optimālu lietotāja pieredzi.

Jaunāko informāciju var atrast lapā ArcGIS Pro Sistēmas prasības. Varat arī uzzināt vairāk, pārskatot ArcGIS Pro virtualizācijas dokumentāciju.

Esri sadarbojas ar NVIDIA, VMware un Dell, lai nodrošinātu ArcGIS Desktop virtualizācijas ierīci. Šis ir serveris, kas ir rūpīgi pārbaudīts, lai noteiktu lietotāja darbplūsmas, virtuālo mašīnu skaitu un šajā serverī pieejamo lietotāju pieredzi. Konfigurācija tiek pastāvīgi atjaunināta, lai nodrošinātu vislabāko blīvumu un iespējamo lietotāja pieredzi.

Kuras virtualizētās vides atbalsta ArcGIS Pro?

ArcGIS Pro tiek atbalstīts Citrix XenDesktop, VMware (Horizon View) un Microsoft (Hyper-V VDI) virtuālajā vidē. ArcGIS Pro sistēmas prasību lapā ir saraksts ar visām atbalstītajām virtualizācijas vidēm. Mēs pastāvīgi pārskatām un atjauninām šo lapu, lai lietotājiem sniegtu visjaunāko informāciju. Tā kā virtualizācijas tehnoloģija tik strauji mainās un attīstās, ir svarīgi bieži pārbaudīt ArcGIS Pro sistēmas prasību lapu un ArcGIS Pro tagu ArcGIS emuārā.