Mehr

Rasterwert in Polygon extrahieren


Ich versuche, Rasterwerte innerhalb mehrerer Polygone zu extrahieren. Es wäre schön, wenn ich zwischen dem maximalen oder einem durchschnittlichen Rasterwert innerhalb des Polygons wählen könnte.

Ich habe zum Beispiel Tiefenraster als Raster erstellt, um die Fluttiefe anzugeben. Nun möchte ich den höchsten/durchschnittlichen Rasterwert innerhalb jedes Gebäudegrundrisses berechnen, um das Hochwasserrisiko abzuschätzen.

Ich habe zonale Statistiken ausprobiert, wie in einigen ähnlichen Beiträgen empfohlen, aber die Ergebnisse berechnen sich einheitlich für jedes Polygon und nicht für jedes einzelne Gebäude. Ich habe auch Polygon zu Punkt erstellt und den Bewertungswert auf den Punkt extrahiert, aber in einigen Fällen kreuzt das Tiefenraster nicht die Mitte des Gebäudegrundrisses, in dem der Punkt platziert ist.


Für diese Art von Operation können Sie zonale Statistiken als Tabelle (Spatial Analyst) verwenden. Das Werkzeug akzeptiert sowohl Vektor- als auch Rasterdaten als Eingabe. Sie können die Ergebnisse bei Bedarf mit Ihrer Eingabe-Feature-Class verknüpfen.


Entfernen eines polygondefinierten Bereichs aus einem Multiband-Raster: Eine Anfrage zur Landschaftsklassifizierung

Ich versuche, mehrere Seen und Stauseen von einer überwachten Landschaftsklassifizierung auszuschließen, aber im Moment habe ich keinen Weg gefunden, dies zu tun. Bisher habe ich folgende Workflows verwendet:

1.Ein Polygon zeichnen -> Ausschneiden -> Mit Maske extrahieren) erzeugt das gegenteilige Ergebnis.

2.Zeichnen Sie ein Polygon -> "Raster to Polygon" -> Reclassify -> Setze Null, aber die Reklassifizierung entfernt die RGB-Symbologie

Ich verwende ein hochauflösendes Multiband-Rasterbild
Ich arbeite an der neuesten Version von ARCmap for Desktop
Ich möchte die RGB Composite-Symbologie beibehalten

Eine Antwort

Das löschen Die gewünschte Wirkung lässt sich mit einem einfachen Workflow erzielen, der als Modell erfasst wird. Eingaben sind ein Raster und eine Polygon-Feature-Class. In meinem Beispiel wurde ein einzelnes Polygon ausgewählt.


Syntax

Das Raster muss vom Typ Integer sein.

Die Ausgabe-Feature-Class, die die konvertierten Polylinien enthält.

Gibt den Wert an, der die Hintergrundzellen identifiziert. Das Raster-Dataset wird als Satz von Vordergrundzellen und Hintergrundzellen angezeigt. Die linearen Merkmale werden aus den Vordergrundzellen gebildet.

  • ZERO —Der Hintergrund besteht aus Zellen von null oder weniger oder NoData. Alle Zellen mit einem Wert größer als Null werden als Vordergrundwert betrachtet.
  • NODATA —Der Hintergrund besteht aus NoData-Zellen. Alle Zellen mit gültigen Werten gehören in den Vordergrund.

Mindestlänge von baumelnden Polylinien, die beibehalten wird. Der Standardwert ist null.

Vereinfacht eine Linie, indem kleine Schwankungen oder störende Biegungen von ihr entfernt werden, während ihre wesentliche Form beibehalten wird.

  • SIMPLIFY —Die Polylinien werden in einfachere Formen vereinfacht, sodass jede eine minimale Anzahl von Segmenten enthält. Dies ist die Standardeinstellung.
  • NO_SIMPLIFY —Die Polylinien werden nicht vereinfacht.

Das Feld, das verwendet wird, um den Polylinien-Features im Ausgabe-Dataset Werte aus den Zellen im Eingabe-Raster zuzuweisen.


Nachdem wir mit der Simulation der Daten fertig sind, können wir mit der Analyse beginnen. Zuerst verwenden wir die simulierten Daten, um einen Unterscheidungsfaktor zu generieren. Mit anderen Worten, wir müssen bestimmen, wie die Gewebeisotopensignaturen mit den Niederschlagssignaturen zusammenhängen. Wir tun dies mit einem linearen Modell, damit wir geografische Zuordnungen für Personen unbekannter Herkunft vornehmen können.

unten extrahieren wir die Informationen, die wir für die Isotopenzuordnungen benötigen. Zuerst benötigen wir den Achsenabschnitt und die Steigung aus der obigen linearen Gleichung.


Modul 1: Einführung in die Raumanalyse

Willkommen, liebe Studenten, willkommen zurück zu diesem Kurs über Geo Spatial Analysis In UrbanPlanning. Heute werden wir uns also mit Raster-Operationen befassen, wir befinden uns im Modul 2 bezüglich Imean und werden uns die GIS-Funktionalitäten ansehen. Und die Grundlagen der räumlichen Analyse haben wir uns mit der Vektoranalyse beschäftigt, heute haben wir uns auch mit 1 Modul zur Rasteranalyse beschäftigt.
Heute sind wir in der 10. Vorlesung, in der wir über die Rasteroperationen diskutieren. Wie kann das Gelände visualisiert werden, wenn wir ein digitales Höhenmodell haben, das auch Rasterdaten ist? Wie kann ein Gelände visualisiert werden? Was sind die verschiedenen Möglichkeiten, es zu visualisieren? Und wie können wir eine Rasterdatenklassifizierung durchführen? Also, ich meine, ein kurzer Überblick über all dies würde in der heutigen Vorlesung besprochen werden.
(Siehe Folienzeit: 01:15)
Die Konzepte, die wir heute behandeln werden, sind also die Rasteroperationen, wir werden uns ein Maß für die physikalische Entfernung ansehen. Wir werden uns die Zuweisung und Richtung ansehen, wir werden uns die Datenrasterdatenoperation hinsichtlich der Datenextraktion ansehen. Wir werden auch verschiedene Aspekte der Pufferung von Rasterdaten behandeln und sehen, wie sie sich von Ihrer Vektorpufferung unterscheidet, die wir bereits früher gemacht hatten.
Wir werden uns auch mit Operationen zur Analyse und Visualisierung von Gelände mit verschiedenen Ansätzen befassen. Eine davon ist die Berechnung des schattierten Reliefs, ich meine, wir können auch eine Schummerung durchführen oder es wird auch als hypsometrische Schattierung bezeichnet und dann werden wir die Neigung und den Aspekt berechnen. Und schließlich werden wir uns Konzepte der Rasterdatenklassifizierung mit den verschiedenen Ansätzen ansehen und wie wir Fehler berechnen können, wenn wir eine Rasterdatenberechnung durchführen.
(Siehe Folienzeit: 02:26)
Ich meine also in Bezug auf diese Datenoperationen, über die wir in unserem früheren Vortrag gesprochen hatten, die Daten, die in einem lokalen Kontext in einer Nachbarschaft oder einem Kontext oder in einem regionalen oder globalen Kontext analysiert werden. Heute sprechen wir also zuerst über das Maß der physikalischen Entfernung, das heißt, Sie wissen bereits, wie wir Entfernungen mit Vektoren messen können, aber wir können Entfernungen auch mit Raster berechnen.
Diese Entfernungen können wir also als physische Entfernung oder als Kostenentfernung berechnen. Nun ist ein Maß für die physikalische Entfernung ein euklidisches Maß, es ist ein Maß für die euklidische Entfernung, die wir bereits gesehen haben, und es ist im Grunde ein Maß für die gerade Linie. Und die Kostenentfernung ist eine Funktion der physikalischen Entfernung, sie ist auch eine Funktion der Geschwindigkeit auf einem bestimmten Straßenabschnitt oder auch des Straßenzustands.
Diese Faktoren würden also die Kosten für das Überqueren einer Verbindung bestimmen. Nehmen wir an, wir haben ein Straßensegment, das als Linie entweder als Vektorlinie oder als Rasterlinie angezeigt wird. Wir können die physische Entfernung sowie die Kostenentfernung berechnen. Im heutigen Kontext meine ich also, dass wir über das Ermitteln der Entfernung in Bezug auf einen Rasterdatensatz sprechen.
Also, ich meine, wir messen im Allgemeinen die physikalische Entfernung, da ich meine, als Produkt der Auflösung jeder der Zellen, das ist die räumliche Auflösung, was die Größe der Rasterzellen in Ihren speziellen Rasterdaten ist, und wir messen, ich meine, multiplizieren Sie sie mit der Entfernung Ich meine, das ist die Quadratwurzel des Schwerpunkts des Pixelursprungspixels zum Zielpixel.
Also, ich meine, es wird von der Entfernung verwendet, die mit Ihrer euklidischen Formel gemessen wird, um die physikalische Entfernung im Falle eines Rasters zu berechnen, was der Unterschied zwischen der Vektordatenentfernung und der Rasterentfernung ist, dass Sie im Vektor die spezifischen Punktkoordinaten haben, die genauer sind in Bezug auf das Messen des Abstands, wobei wir im Fall eines Rasters im Allgemeinen den Abstand vom Mittelpunkt des Pixels messen. Daher kann es bei der Entfernungsmessung mit Rasterdaten einige inhärente Einschränkungen in Bezug auf das genaue Maß geben.
Nun puffert die physikalische Distanzmessung Quellzellen, und sie würde Puffer bis zur spezifizierten maximalen Distanz erzeugen, und es könnte sich auch um eine Nachbarschaftsoperation handeln oder sie könnte eine globale Operation sein. Im Falle eines Rasters meine ich nun eine Datenoperation, bei der wir die physikalische Distanz messen, müssen wir die Daten neu klassifizieren oder wir müssten diese physikalische Messung umwandeln oder neu gruppieren, da dies im Falle eines Rasters eine kontinuierliche Distanzmessung wäre, also hätten wir die Distanzzone zu diskretisieren.
Wir können dies also tun, es gibt eine Operation, die in verschiedenen Software unter verschiedenen Namen bekannt ist. Diese Operation ist als Slicing bekannt und kann eine kontinuierliche Abstandsfunktion von Rasterin in gleiche Intervalle oder flächengleiche Entfernungszonen aufteilen.
Jetzt können Sie dieses spezielle Beispiel sehen, in dem wir dieses spezielle Raster haben, wobei ich diese 2 Zellen meine, die durch Linien verbunden sind. Wir messen also den Abstandsschwerpunkt
und dann meine ich von der Ursprungs- zur Zielzelle und dann berechnen wir die Entfernung mit der Gleichung, über die wir bereits gesprochen hatten.
Im zweiten Bild sehen Sie, dass es eine kontinuierliche Entfernungsmessung von einem Streamnetwork gibt. In diesem Fall wurde also ein Slicing durchgeführt, um das kontinuierliche Distanzraster in verschiedene diskrete Distanzzonen umzuwandeln. Dies ist also immer dann sehr wichtig, wenn wir die physikalische Distanz mit einer Rasterdatenoperation messen, um die Distanz zu schneiden, nachdem wir die Distanz von einem linearen Feature gemessen haben.
(Siehe Folienzeit: 07:12)
Wenn wir nun über Zuweisung und Richtung sprechen, können wir die physikalische Entfernung messen und zum Beispiel Zuweisungs- und Richtungs-Raster erstellen. Ich meine, wir können den Zellenwert im Zuweisungs-Raster haben, der der nächsten Quellzelle für diese Zelle entspricht, die wir in sehen werden
zu gegebener Zeit durch ein Beispiel. Der Zellenwert im Richtungs-Raster entspricht also im Allgemeinen der Richtung in Grad, um die die Zelle der Quellzelle am nächsten ist.
Also, ich meine, wir können die Kompassrichtung verwenden, angenommen, wir nehmen eine Messung im Uhrzeigersinn. Also, 90 Grad wäre Ihr Osten, 180 Grad wäre Ihr Süden, 270 Grad wäre der Westen und ähnlich wären 360 Grad oder 0 Grad der Norden.
In diesem speziellen Beispiel können Sie also wieder sehen, dass Sie im ersten Bild dort die Rasterzellen haben, die das physikalische Entfernungsmaß in Zelleneinheiten von jeder Zelle zur nächsten Zelle anzeigen. Sie haben also diese speziellen Zellenwerte, die den Wert 1 . haben und Wert 2 der Wert 1 ist die Quellzelle und 2 ist die Zielzelle. Die Werte in dieser bestimmten Zelle geben Ihnen nun ein Maß für den Abstand vom Schwerpunkt dieser bestimmten Zelle zu den benachbarten Zellen.
Von 2 aus müssen Sie also eine Strecke von 1,4 zurücklegen, um zu dieser bestimmten Zelle zu gelangen, da dies die Quadratwurzel von 1 zum Quadrat plus 2 zum Quadrat ist. Das würde Ihnen also Wurzel über 2 geben, was 1,414 entspricht, was ich meine, auf 1,4 aufgerundet. Sie können also auch diese besondere Zelle sehen, dass diese Zelle von 2 verschoben ist. Wir ermitteln also den Abstand von jeder dieser Zellen zum nächsten Pixel.
Im zweiten Bild sehen Sie nun, dass es die Zuordnung jeder Zelle zur nächstgelegenen Quellzelle zeigt. Also, wo immer ich meine, dass Sie diese Quellzelle 1 und 2 diese weißen Zellen haben, zeigt es, dass sie zugewiesen sind, dass sie sich in nächster Nähe zu Quelle 1 befinden und die Zellenmarkierung 2 in nächster Nähe zu Zelle 2 ist man beachte, dass der Abstand vom Schwerpunkt dieses Pixels 2 der Zielzelle zu dieser speziellen Zelle 2,2 beträgt.
Und dieser Abstand ist auch gleich vom Mittelpunkt des Quellpixels. Wenn dies das Quell- und das Zielpixel ist, sehen Sie, dass dieser Abstand sowohl von diesem Quell- als auch vom Zielpixel gleich ist. Wir müssen es also einer der beiden Zellen zuordnen, also könnte in diesem Fall eine Art Anomalie vorliegen.
Im dritten Bild sehen Sie nun, dass es Ihnen die Richtung in Grad von jeder Zelle zur nächsten Quellzelle gibt. Also, ich meine, du würdest es an dem messen, was ich meine
von 90 Grad und dann haben wir gesagt, wir können es im Uhrzeigersinn messen. Dies würde Ihnen also die Richtungen in Grad von jeder Zelle zur nächsten Zelle geben.
Also, die Zelle im Dunkeln, die in Zeile Nummer 3 und Spalte Nummer 3 gezeigt wird, haben wir gesagt, dass der Abstand 2,2 ist zur Quellzelle ist 243 Grad in Bezug auf die Quellzelle.
(Siehe Folienzeit: 11:22)
Wenn wir nun über die Extraktion von Rasterdaten sprechen, könnte es Fälle geben, in denen wir den genauen Pixelwert einer Rasterposition extrahieren möchten, sagen wir, Sie haben beispielsweise Temperaturwerte oder Niederschlagswerte eines kontinuierlichen Datensatzes über Indien und möchten möglicherweise den Datenwert für . extrahieren eine bestimmte Stadt oder einen bestimmten Ort. Daher müssen wir möglicherweise eine Datenextraktion von bestimmten Punkten oder Regionen durchführen, damit in diesem Fall eine Raster-Datenextraktion eine neue erstellen würde
Raster, indem ich nur Daten aus dem vorhandenen Raster extrahiert, meine ich, und dieser Vorgang ähnelt einer Rasterdatenabfrage.
Nun, ein Datensatz oder ein grafisches Objekt, ich meine, wir können eine Abfrage oder einen Ausdruck verwenden, um die zu extrahierenden Bereiche zu definieren. Sie können eine sehr komplexe Abfrage haben, wenn Sie sie ausführen, oder Sie können sie auch in eine Gleichung einfügen oder Sie können sehen, ob die data, sodass Sie bei der Extraktion eines Raster-Datenausdrucks verschiedene Möglichkeiten haben, einen Abfrageausdruck anzugeben.
Nun, ich meine, es würde die Punktpositionen extrahieren, ich meine zum Beispiel, ich meine, Sie können eine bilineare Interpolation haben. Wir haben bereits über die bilineare Interpolation gesprochen, als wir die Sampling-Ansätze studiert haben Interpolation, also hatten wir gesehen, was diese Arten von Interpolation sind.
Wir können also den Wert mit Hilfe von Interpolationstechniken wie der bilinearen Interpolation extrahieren. Wir können auch andere Interpolationstechniken verwenden und diesen bestimmten Wert an das neue, ich meine, neues Feld in der neuen Ebene anhängen. Es könnte sich also um ein Punkt-Feature handeln. Zum Beispiel können wir einen Punktvektor-Datensatz extrahieren und die Werte aus dem Raster-Datensatz extrahieren und als Attribut in der Punktattribut-Feature-Tabelle markieren.
Nun könnte der Datensatz ein Raster-Layer sein, der der Eingabe-Layer ist, oder es könnte ein Polygon-Featurelayer sein, und Extraktionswerkzeuge würden im Grunde die Zellenwerte extrahieren, die durch den Raster-Polygon-Layer definiert sind, wie in unserem früheren Punkt über die Extraktion mit extraction Punkt-FeatureWir können den gleichen Vorgang auch mit einem Raster-Feature oder einem Polygon-Feature mit einem Vektorpolygon-Feature oder einem Raster-Flächen-Feature durchführen.
Was wir also tun können, ist, dass wir diese Zellwerte innerhalb einer definierten Rasterzelle extrahieren, die wie eine Maske oder ein Polygon-Luftpolygon-Layer ist und Zellen, die sich außerhalb dieser Masken-Layer des Rasters oder des Polygon-Feature-Layers befinden, keine Daten zuweist.
(Siehe Folienzeit: 14:38)
Wir können auch Pufferung durchführen, wie wir die Pufferung im Falle einer Vektorebene durchgeführt hatten, bei der das Puffern einer Operation Ihnen die physische Distanz liefert, die die physische Distanz misst, und es ist auch ähnlich wie ich sowohl die Vektor- als auch die Rasteroperationen, bei denen wir die messen können Entfernungen vom ausgewählten Merkmal. Als wir nun über Vektorpufferoperationen sprachen, hatten wir beim Messen der Entfernungen die x- und y-Koordinaten verwendet.
Jetzt können wir auch sagen, dass wir im Fall Ihrer Vektorpufferung gesehen haben, dass wir im Vergleich zu einem Rasterpuffer sehr genaue Pufferzonen erstellen können. Ich meine, wenn wir einen Rasterpuffer erstellen, können wir keine so genauen Puffer haben, da Ihre Linienkoordinaten so wären sehr spezifisch oder Punkt- oder Polygonkoordinaten wären sehr spezifisch, sodass Sie sehr genaue Puffer erstellen können, aber mit Raster-Datensätzen können Sie möglicherweise keine so genauen Puffer erstellen.
Die Vektorpufferoperation war also flexibler und bietet mehr Optionen im Hinblick auf die Erstellung von sogar mehreren Pufferzonen, nicht nur eines einzelnen Puffers, sondern mehrerer Pufferzonen. Also, ich meine, wir hatten gesehen, dass wir separate Pufferzonen für verschiedene ausgewählte Features erstellen oder die Pufferzonen in der Grenze für alle ausgewählten Features auflösen können.
Ich meine, diese Optionen sind in den Vektorpufferungsoperationen verfügbar, aber wenn wir über die Rasterpufferung sprechen, werden Zellen beim Messen der physischen Entfernungen verwendet und im Allgemeinen werden kontinuierliche Entfernungsmessungen erstellt. Und im Messwerkzeug hatten wir gesehen, dass wir im Allgemeinen diese Entfernungsmaße spleißen. Ich meine, wenn wir diese kontinuierlichen Datenwerte haben, würden wir diese spleißen und in verschiedene Entfernungsbereiche gruppieren.
Wir haben also gesagt, dass ein Slicen erforderlich ist, um die Pufferzonen zu definieren, da dieser Vorgang Ihnen eine kontinuierliche Entfernungsmessung liefern würde. Es ist also schwierig, separate Distanzmaße zu erstellen oder zu ändern, wie im Vektorpuffermodus, von dem wir gesagt haben, dass wir für jedes ausgewählte Feature separate Pufferzonen erstellen können. Aber im Fall von Rasterdaten wäre es für uns schwierig, mit einem rasterbasierten Betrieb separate Entfernungsmaße zu erstellen.
(Siehe Folienzeit: 17:22)
Lassen Sie uns nun darüber sprechen, dass ich Daten repräsentiere oder Daten analysiere und visualisiere im Fall von Gelände, wo wir über Höheninformationen sprechen. Wir hatten also gesagt, dass ein solches Datenbeispiel ein digitales Höhenmodell oder ein digitales Geländemodell sein könnte. Im Allgemeinen können wir also das Gelände mit einem schattierten Reliefmodell visualisieren.
In diesem berechnen wir also grundsätzlich das Verhältnis der Menge der direkten Sonnendämmung oder der direkten Sonnenstrahlung, die auf der gegebenen Oberfläche empfangen wird, und es ist im Allgemeinen Arbeit, dass es in Bezug auf Ihre Radiant-Werte berechnet werden kann. Sie können also sehen, dass diese Methode sehr gut verwendet werden könnte, um die physikalischen, ich meine, Mengen von Radiantenwerten zu berechnen.
Dies ist also das sehr interessante Werkzeug, mit dem wir die Hügelschattierung erstellen, die eine Schattierung aufgrund der Einwirkung der Sonne auf das Gelände simuliert, da sich die Geländehöhen ändern können, sodass Sie möglicherweise Hügel oder Berge haben und die Auswirkungen der Hügel in
das Bild und Sie können die dritte Dimension aufgrund dieses Aspekts des schattierten Reliefs wahrnehmen. Es würde den Betrachtern helfen, die Form der Landschaftsmerkmale zu erkennen.
Nun, es gibt vier Faktoren, die im Allgemeinen die Hügelschattierung steuern würden. Der erste ist der Azimut der Sonne oder die Richtung des Lichts, von der ich meine, aus der das Licht der Sonne auf das gegebene Sichtfeld fällt. Wie wir bereits gesagt haben, ist die Konvention zu messen, ich meine, wir haben 0 Grad nach Norden zugewiesen und messen die Richtung im Uhrzeigersinn. Also, wieder meine ich, Ihr Osten wäre 90 Grad, Süd wäre 180 Grad, West wäre 270 Grad und Nord wäre wieder 0 oder 360 Grad.
Der nächste Faktor, der Ihre Schummerung oder Ihr schattiertes Relief steuert, ist die Sonnenhöhe, das ist der Winkel des einfallenden Lichts in Bezug auf den Horizont. Es gibt auch den Effekt der Neigung, die Topographie kann eine Art Neigung haben. Abhängig von der Art der Neigung würde also die Oberfläche beeinflusst und auch die Richtung, in die sich die Neigung erstreckt. Wir werden also in unseren späteren Folien die unterschiedlichen Konzepte der Neigung und des Aspekts sehen.
(Siehe Folienzeit: 20:17)
Jetzt können wir auch eine Hügelschattierung durchführen, also geschieht dies unter Verwendung dieser speziellen Gleichung, die ich meine, wobei Sie diese Faktoren haben, die R f sind die relativen Strahldichtewerte, a ist die Facette oder Rasterzelle oder ein Dreieck. Jetzt haben wir A f, was der Facettenaspekt ist. Ich meine, wir können eine Facette haben, wenn wir TIN ein trianguliertes unregelmäßiges Netzwerk haben, also können wir eine Facette haben oder es könnte auch eine Rasterzelle sein, also können wir es als Facette bezeichnen Ihr A s ist der Sonnenazimut, H f ist die Facettenneigung und H s ist die Sonnenhöhe.
Diese Werte werden also in diese spezielle Gleichung eingesetzt, um den Wert von R f zu berechnen, der die relativen Strahlungswerte der Rasterzelle ist. Diese Gleichung kann also ausgeführt werden, um Theradians-Werte der Rasterzellen zu generieren, oder sie könnte auch auf einem triangulierten unregelmäßigen Netzwerk oder einem TIN-Datensatz ausgeführt werden, bei dem es sich um einen Vektordatensatz handelt, um die Auswirkungen der Schummerung zu berechnen.
(Siehe Folienzeit: 21:36)
Nun, da wir über die Ausrichtung und die Neigung sprechen, über die wir gesprochen haben, war die Neigung und die Ausrichtung einer der Faktoren, die sich grundsätzlich auf Ihre Schummerung auswirken. Wenn wir also zuerst über die Steigung sprechen, ist dies die erste Ableitung der Höhe, dh die Änderungsrate der Höhe in Bezug auf die Entfernung. Also, ich meine, es wird entweder als prozentuale Steigung ausgedrückt, was dem 100-fachen des Verhältnisses des Anstiegs in Bezug auf Ihre vertikale Distanz zu der horizontalen Distanz entspricht, die auch als Lauf bezeichnet wird.
Die zweite Möglichkeit, Ihre Steigung auszudrücken, ist die Gradsteigung, bei der wir den Arkustangens als Verhältnis des Anstiegs über den Lauf berechnen. Jetzt können wir auch den Aspekt berechnen, der die Richtungskomponente der Steigung ist. Angenommen, Sie haben ein Pixel oder eine rechteckige Zelle und sie hat eine bestimmte Neigung, wenn Sie einen Wassertropfen auf den Schwerpunkt dieses bestimmten Pixels setzen, wäre der Aspekt die Richtung in dem das Wasser fließen würde, würde der Wassertropfen dynen oder fließen.
Im Grunde gibt es Ihnen also die Richtungskomponente der Steigung, da Sie von der Steigung nur die erste Ableitung der Höhe messen können, die die Änderungsrate der Steigung ist, aber nur der Aspekt gibt Ihnen die Richtungsnatur der Steigung an Steigung. Wir verwenden also wieder dieselbe Konvention, dass 0 der Norden ist, und messen ihn im Uhrzeigersinn.
Jetzt können Ihre Aspektmaße auch umgewandelt werden. Ich meine, Sie können es leicht in lineares Maß umwandeln, da diese Begriffe in Grad angegeben sind. Sie können also entweder einen Sinus oder einen Kosinus dieser bestimmten Gradwerte nehmen und Sie erhalten Werte im Bereich von minus 1 bis plus 1. Wir können die Werte dieses Aspekts also auch in lineare Maße umwandeln. Also, ich meine, wir verwenden im Allgemeinen die Neigung und den Aspekt umfassend, wenn wir DM-Daten haben und sie auf verschiedenen Arten von Analysen ausführen können.
Es wird daher häufig verwendet, wenn wir Wasserscheiden untersuchen. Wenn wir Wasserscheiden aus einem digitalen Höhenmodell generieren möchten, können wir die Neigung und den Aspekt verwenden. Also, ich hoffe, Sie alle kennen die Wasserscheide, wenn Sie sich der Wasserscheide nicht bewusst sind, schauen Sie sich bitte die Definition dessen an, was eine Wasserscheide ist. Wir können also auch die Landschaftseinheiten berechnen, wir können auch domorphometrische Messungen durchführen, wir können herausfinden, dass diese morphometrischen Messungen zur Untersuchung der Bodenerosion verwendet werden können.
Dieses Gefälle und der Aspekt können auch für eine Standorteignungsanalyse im Falle einer städtebaulichen Aufgabe verwendet werden. Also, ich meine, wir haben diese Visuals, in denen Sie sehen können, dass die Aspektmaße entweder in vier oder acht Hauptkardinalrichtungen gruppiert sind. Im ersten oberen Bild können Sie sehen, dass es als Nordost-West und -Süd gruppiert ist, und im nächsten können Sie sehen, dass es acht Hauptrichtungen gibt, in denen Sie die Unterelemente Nordosten, Südosten, Südwesten und Nordwesten haben.
(Siehe Folienzeit: 25:21)
Kommen wir nun zur Bildklassifizierung, die den letzten Teil dieser Vorlesung bildet. Wenn wir also die Rasteranalyse durchführen, ist dies ein sehr wichtiges Werkzeug, das uns eine Art Aufteilung der Daten basierend auf den Eingabewerten ermöglicht. Diese können also auf statistischen Datensätzen durchgeführt werden, es könnte auf mehreren thematischen Ebenen erfolgen und Sie können alle verschiedenen Datensätze und Attributwerte basierend auf den Eingaben klassifizieren.
Sie können also den gleichen Algorithmus und die gleichen Konzepte für Vektordaten sowie Rasterdaten ausführen. Im Falle von Rasterdaten führen wir im Allgemeinen eine Bildklassifizierung von Fernerkundungsbildern durch, sodass die Landnutzungs- und Landbedeckungskarten erstellt werden. Ich meine also, wann immer wir die Klassifizierung ausführen, werden den Eingabepixelwerten im Allgemeinen verschiedene Klassen zugewiesen. Die Zuweisung auf die Art und Weise, wie diese Bildklassifizierung durchgeführt wird, basiert auf verschiedenen Algorithmen.
Daher werden einige dieser Algorithmen entweder überwacht oder einige der Algorithmen werden nicht überwacht. So können wir die spektralen Reflexionswerte und den Abstand von den Klassenmittelwerten herausfinden, die als Führungsinstrument verwendet werden, während wir diese Klassifikationsalgorithmen ausführen. Also, ich meine, wir würden eine Klasse wählen, die die gleichen Reflexionseigenschaften wie die Klassenmittel in den Wellenlängenbändern hat.
Ich meine, wenn wir über Fernerkundungsbilder sprechen, haben wir verschiedene Wellenlängen oder Bänder, in denen die Daten erfasst oder gespeichert werden. Wir können also die sichtbaren Bänder haben, wir können die nahen Infrarotbänder haben oder wir können Ihre thermischen Infrarotbänder oder die Mikrowellenbänder haben. Wir können also verschiedene Bänder haben, in denen das Bild aufgenommen werden kann, und dann können wir auswählen Algorithmus, um die Daten zu klassifizieren.
Nun, es gibt verschiedene Möglichkeiten, wie die Klassifikation durchgeführt werden kann, über die wir gesprochen haben. Sie könnte entweder in einem überwachten Modus oder in einem unbeaufsichtigten Modus durchgeführt werden, oder es könnte auf eine Weise erfolgen, die wir können Kombinieren Sie diese beiden Methoden, was auch als hybrider Klassifizierungsansatz bekannt ist.
(Siehe Folienzeit: 28:01)
Im Allgemeinen erstellen wir bei der überwachten Klassifizierung also zuerst einen Trainingssatz, in dem wir Rasterdaten haben. Und wir wählen einige Regionen oder Gebiete aus, in denen uns die Bodenbedingungen bekannt sind oder die Bodenbedeckung uns bekannt ist, also verwenden wir diese als Trainingssets und erstellen dann eine Signaturdatei. Aus diesen Signaturdateien versuchen wir also, die Statistik Ihres Mittelwerts, Ihrer Varianz und Standardabweichung zu berechnen.
Und wir erstellen die Signatur ich meine Werte für diese ich meine statistischen Parameter. Dann versuchen wir, jedes einzelne Pixel zu nehmen und den Abstand zu den Mitteln dieser Trainingsproben oder -klassen zu messen. Also, wo immer der Abstand minimal ist, meine ich, dass das Pixel grundsätzlich dieser bestimmten Klasse zugewiesen wird, so dass dies die letzte Operation ist, die wir an dem Datensatz durchführen.
In diesem Fall meine ich also, dass Sie als Benutzer den Klassifizierungsprozess leiten würden. Es hängt also von Ihrem Einfallsreichtum ab, wie gut Sie die Daten interpretieren oder von Ihrem Wissen über die Bodenbedingungen. Nun, ich meine, wir haben bereits darüber gesprochen, die Trainingssätze zu erwerben, dh sie müssen für das gesamte Bild repräsentativ sein. Damit die Pixel, die Sie als Trainingssätze verwenden, meine ich, eine Darstellung auf dem gesamten Bild haben.
Also, ich meine, wir können Klassen zuweisen und eine Signaturdatei erstellen. So können wir den von uns entnommenen Signaturproben einen Namen geben oder eine Farbe zuweisen. Diese Ausgabepixel hätten also auch eine ähnliche Farbe, sie hätten ähnliche Pixelwerte wie Ihre Klassennummer, in der Sie die Signaturtrainingssätze erworben haben. Und es hat auch den gleichen Namen oder den Namen, den Sie angeben, damit die gleiche Nomenklatur im Ausgabebild beibehalten wird.
Jetzt wird der Trainingssatz von der Software verwendet, um die Klassen zu identifizieren, und ich meine, wir haben verschiedene Arten von Klassifikationsalgorithmen, die in der Software verwendet werden. Sie können also über Parallelepiped-Klassifikatoren lesen, ich meine, Sie können über den Gaußschen Maximum-Likelihood-Klassifikator lesen, Sie können auch den minimalen Abstand zum Mittelwert-Klassifizierungsschema haben oder wir können auch eine Hauptkomponente haben.
(Siehe Folienzeit: 31:07)
Es gibt also verschiedene Arten von Algorithmen, die verwendet werden, oder Ansätze, die verwendet werden, wenn wir eine überwachte Klassifizierung durchführen. Im Maximum-Likelihood-Klassifizierer versuchen wir also, Pixel zu identifizieren und den minimalen Abstand zum Mittelwert der verschiedenen Klassen zu diesem Pixelwert herauszufinden. Und wo immer die höchste Wahrscheinlichkeit vorhanden ist, basierend auf den Statistiken für jede Klasse in jedem Band, meine ich, dass sie dieser bestimmten Klasse zugeordnet wird.
Und in diesem Fall wird als Grundannahme angenommen, dass die Daten normalverteilt sind. Wenn Sie also das Histogramm eines Satellitenbildes sehen, sehen Sie im Allgemeinen eine Art invertierte Menge von. Das ist also repräsentativ für eine Normalverteilung, und das ist die Grundvoraussetzung dieses überwachten Maximum-Likelihood-Klassifizierungsalgorithmus, dass die Daten normalverteilt sind.
Der zweite Ansatz von einer Sekunde ist nun der Mindestabstand. Also, ich meine, wir erstellen die Klassen basierend auf der nächsten Klasse und wir berechnen die mittleren Vektoren, um die euklidische Distanz zu berechnen. Es gibt also verschiedene Distanzansätze, wir haben unterschiedliche Namen für unterschiedliche Distanzen und Ihre Gleichungen. Ein solcher Weg, die Entfernung herauszufinden, wird von unserem großen Statistiker genannt, den Indien Professor Mahalanobis hervorgebracht hat.
Sie ist also als Mahalanobis-Distanz bekannt, die auch für die überwachte Klassifizierung verwendet wird. Ansonsten haben Sie verschiedene Arten von Entfernungen wie z. B. die euklidische Entfernung. Wir haben das nächste, das als Parallelepiped bekannt ist, in dem Sie eine Box angeben, die im Wesentlichen die Grenzen einer bestimmten Klasse ist, die obere und die untere Grenze einer bestimmten Klasse. Und sie basiert auf dem Mittelwert und der Standardabweichung dieses bestimmten Parallelepipedtrainers.
Also, ich meine, wenn das Pixel Werte in verschiedenen Bändern hat und es innerhalb des Parallelepipeds liegt, nennen wir es ein Parallelepiped, denn angenommen, Sie haben zwei Bänder in Ihrer Eingabe-Rasterebene, haben möglicherweise zwei Bänder. Wenn Sie also diesen Pixelwert in x und y darstellen, erhalten Sie einen Merkmalsraum, und die Pixel liegen in diesem speziellen Merkmalsraum.
Jetzt können Sie parallelepipedische Parallelogramme erstellen, und falls Sie mehr als zwei Bänder haben, würden sich Ihre Daten bis in die dritte Dimension erstrecken. In diesem Fall können Sie also diese Parallelogramme zu einem Parallelepiped extrudieren, so dass der Name abgeleitet wird. Ich meine also, wir würden mit mehrdimensionalen Daten arbeiten, und dies ist ein Ansatz, bei dem wir die Ober- und Untergrenzen der Trainingsdatenwerte angeben.
Und wo auch immer das Pixel in diese Parallelepipeds fällt, so wird es der bestimmten Klasse zugewiesen, und es kann passieren, dass die Trainings-Parallelepiped-Klassen nicht ausreichen, um den gesamten Bereich von Pixelwerten abzudecken. Es gäbe also einige Pixel, die in einem solchen Fall unklassifiziert bleiben würden. Ich meine also, es kann auch vorkommen, dass sich die Grenzen des Parallelepipeds überlappen.
Falls also ein Pixel in eine solche Überlappung fällt, würde es in Abhängigkeit vom statistischen Mittel und den Standardabweichungswerten in eine der beiden Klassen eingeordnet werden oder es könnte auch in eine Überlappungsklasse eingeordnet werden. Wir haben also gesagt, dass, wenn das Pixel in keine dieser Parallelepiped-Klassen fällt, es klassifiziert wird. Ich meine, es wird als nicht klassifiziert oder als Nullklasse zugewiesen.
Unter diesen ist der Parallelepiped-Klassifikator der rechenintensivste und schnellste. Also, ich meine, wenn Sie laufen wollen, meine ich eine schnelle Klassifizierung, dann wäre die parallele Klassifizierung gut. Es hat jedoch seine inhärente Einschränkung in Bezug auf die geringe Genauigkeit und dass Ihre vielen Pixel möglicherweise der Nullklasse zugewiesen werden oder nicht klassifiziert bleiben.
Also, ich meine, wir sehen dieses spezielle Bild, das die Feature-Class ist, die der Featurespace der Datenwerte von Band 1 und Band 2 ist. Wir haben also diese Klassengrenzen, in denen Sie eine blaue Klasse, eine rote Klasse und eine grüne Klasse sehen. Und diese Pfeile geben Ihnen die Abstandsvektormittelvektoren an, die Ihnen den Abstand vom Mittelwert dieser speziellen Datenwolke geben.
(Siehe Folienzeit: 36:35)
Als nächstes können wir auch eine unüberwachte Klassifizierungsmethode verwenden. Also, in dem die Daten in Anzahl von Clustern unterteilt werden, je nachdem, wie viele Cluster Sie möchten, und später können Sie diese Cluster bearbeiten. Ich meine also, es gibt zwei grundlegende Schritte, in denen es für die unbeaufsichtigte Klassifizierung verwendet wird.
So, first is we generate the clusters and the second is we assign the classes of the pixels to thisparticular clusters. So, some of the I mean algorithms which come under this unsupervisedclassification are the K means or the ISODATA classification which are basically iterativealgorithms. That basically your the entire data of a particular band would be partitioned intothe number of classes that you desire.

Log in to save your progress and obtain a certificate in Alison’s free Diploma in Geo Spatial Analysis in Urban Planning online course

Sign up to save your progress and obtain a certificate in Alison’s free Diploma in Geo Spatial Analysis in Urban Planning online course


Mengambil Sebagian Data Raster dengan Extract by Mask – ArcGIS

Data raster yang sudah terklasifikasi terkadang perlu untuk diambil bagian tertentu seperti pepohonan, lahan kosong, dan sebagainya. Jika data Polygon yang akan diambil sebagian untuk dianalisa, fungsi clip mungkin bisa jadi andalan (lihat postingan yang lalu untuk fungsi Clip). Sementara itu untuk raster, tidak dapat menggunakan Clip khusus raster (raster clip) melainkan dengan extract by mask. Fungsi ini dapat diakses melalui folder spatial analysis tools – extraction – extract by mask pada ArcCatalog. Jadi misalnya kita memiliki peta raster yang sudah terklasifikasi. Ciri-ciri jika sudah terklasifikasi adalah bisa melihat atribut berupa tabel dari peta tersebut (dengan mengklik kanan dan pilih open atribute table).

Pada tabel di atas kelas 𔄛” yang merupakan kelas built-up area akan kita ekstrak menjadi satu peta raster tersendiri. Oleh karena itu data pada baris di value ketiga harus disorot terlebih dahulu hingga berwarna kebiruan seperti di atas. Jika sudah, kembali ke extract by mask, isi seperti gambar di bawah ini.

Perhatikan baik input maupun output diisi dengan file yang sama. Sesungguhnya walaupun sama, karena kita sudah menyorot (select) pada bagian tertentu di tabel maka bagian yang disorot itulah yang akan diekstrak. Ok, semoga bermanfaat.


Distance Vector Algorithms

The Distance Vector (DV) algorithm is iterative, asynchronous, and distributed. It is distributed in that each node receives some information from one or more of its directly attached neighbors, performs a calculation, and then distributes the results of its calculation back to its neighbors. It is iterative in that this process continues on until no more information is exchanged between neighbors. The least costs are related by the celebrated Bellman-Ford equation. In the DV algorithm, each node talks to only its directly connected neighbors, but it provides its neighbors with least-cost estimates from itself to all the nodes (that it knows about) in the network.


Can't clip a raster to a polygon -only extent

I'm new to QGIS (long time ARC user) and I'm unable to figure out how to clip a raster to a polygon outline. I've tried a few different polygons and the tool raster>extraction>clip raster by mask layer. However when I run the tool it clips to the extent of the polygon (I. E. A rectangle ) rather than the outline. Sure I'm missing a tick box in settings somewhere! Any help appreciated!

Yes, you need to uncheck a box. Find the tick box "Match the extent of the clipped raster to the extent of the mask layer" and uncheck it. Then it will clip based on the polygon.

I'm not sure, but I think this is just a matter of symbology. All rasters are rectangular (your result is a raster, right?), it's just that with a ɼlip' the result is a rectangular raster some kind of 'mask' to remove the parts of the raster not wanted (by remove, I mean remove from view and/or calculations, all rasters are still rectangular). I think if you fiddle with symbology, the clip worked the way you thought.


Crop a Raster Using Vector Extent

We can use the crop function to crop a raster to the extent of another spatial object. To do this, we need to specify the raster to be cropped and the spatial object that will be used to crop the raster. R will use the extent of the spatial object as the cropping boundary.

We can see from the plot above that the full CHM extent (plotted in green) is much larger than the resulting cropped raster. Our new cropped CHM now has the same extent as the aoi_boundary_HARV object that was used as a crop extent (blue border below).

We can look at the extent of all the other objects.

Which object has the largest extent? Our plot location extent is not the largest but is larger than the AOI Boundary. It would be nice to see our vegetation plot locations with the Canopy Height Model information.


VoronoiDiagram

This tool creates a vector Voronoi diagram for a set of vector points. The Voronoi diagram is the dual graph of the Delaunay triangulation. The tool operates by first constructing the Delaunay triangulation and then connecting the circumcenters of each triangle. Each Voronoi cell contains one point of the input vector points. All locations within the cell are nearer to the contained point than any other input point.

A dense frame of 'ghost' (hidden) points is inserted around the input point set to limit the spatial extent of the diagram. The frame is set back from the bounding box of the input points by 2 x the average point spacing. The polygons of these ghost points are not output, however, points that are situated along the edges of the data will have somewhat rounded (paraboloic) exterior boundaries as a result of this edge condition. If this property is unacceptable for application, clipping the Voronoi diagram to the convex hull may be a better alternative.


Schau das Video: ArcGIS 10 x Clip raster with polygon and Extract raster by Mask YouTube (Oktober 2021).