Отличительные коридоры от фрагментов в карте среды обитания


12

Мне было интересно, если кто-то имеет дело с такого рода проблемы раньше:

Я хочу разграничить фрагменты на основе соседних пикселей одного и того же класса (леса) с пороговым расстоянием 3 пикселя (что является биологически значимым для моего вида интереса).

Меня беспокоит, см. Приложенное изображение для примера, что иногда эти фрагменты фактически являются коридорами, и часто коридоры и фактические фрагменты группируются в один и тот же фрагмент из-за их близости.

введите описание изображения здесь

Мне интересно, есть ли способ отличить коридоры от фрагментов по форме, количеству окружающих пикселей и т. Д.?

Например, в следующем окне возможные коридоры обозначены красными прямоугольниками, а фрагменты - зелеными.

У меня есть доступ к QGIS и R.

введите описание изображения здесь


Не могли бы вы добавить рисунок с типом коридоров, которые вы хотели бы извлечь из примера?
Radouxju

Ответы:


4

Перед началом любого анализа я настоятельно рекомендую применить фильтр к вашим данным, чтобы убрать эффект «соли и перца». Любой алгоритм будет бороться с текущей структурой ваших данных. Простое фокусное большинство, скорее всего, приведет к нежелательным результатам. Более надежный метод - применение метода сита, в котором можно указать минимальную единицу отображения. Это можно сделать с помощью функции gdal_sieve.py в GDAL, raster > analysis > sieveфункции в QGIS или функции сита в ArcGIS Gradient Metrics Toolbox .

Это похоже на то, что может быть решено с операторами математической морфологии (например, извлечение дорог из изображений ). Я предположил бы, что оператор расширения, сопровождаемый оператором Закрытия, прояснит коридоры. Затем можно применить оператор «Открытие», чтобы удалить коридоры, и развести растры, чтобы вывести идентифицированные коридоры как отдельные объекты. Эти типы функций декомпозиции изображений несколько автоматизированы в программном обеспечении MSPA и GUIDOS, но, опять же, это заметно будет зависеть от разрывов в ваших данных.

Существует плагин QGIS для MSPA, а также доступные функции в GRASS (доступны через графический интерфейс QGIS). Одной из проблем MSPA и GUIDOS является то, что вы ограничены в размере изображения. К сожалению, в программном обеспечении ESRI морфологические операторы доступны только в расширении ArcScan . С некоторыми копаниями вы найдете другие программные опции, а также методы определения морфологических операторов посредством растровой алгебры с пользовательскими матрицами ядра.

Другим подходом могут быть методы фильтрации обнаружения краев, такие как оператор ядра Sobal . В ArcGIS Gradient Metrics Toolbox есть функция sobal, а также в пакете SpaceEco R. Преимущество реализации R состоит в том, что вы можете вернуть градиентную функцию оператора, тогда как реализация ArcGIS возвращает только функцию 1-го порядка (которая может быть всем, что вам нужно). Я полагаю, что в наборе инструментов Orfeo (доступном как дополнение QGIS) есть опциональная опция в функции EdgeExtraction.


возможно, применение фильтра «соль и перец» может привести к удалению небольших важных областей среды обитания для целевых видов, соединяющих фрагменты (хотя иногда области неоптимального качества). Я бы решил применить такой фильтр на основе дисперсионных характеристик вида и пространственного разрешения данных. Птица (как правило, с более высокой способностью рассеивания) может использовать эти небольшие участки, в то время как амфибия (со сравнительно более низкой способностью рассеивания) не может. Просто мысль ..
Камо

Это всегда компромисс, но минимальная единица отображения должна учитывать данную гипотезу. Но вы также должны помнить, что баланс заключается в том, что модель демонстрирует определенную степень неопределенности, и вы рассматриваете результат как абсолютный. Честно говоря, чтобы поддержать ваше утверждение, ландшафт следует рассматривать как вероятностный градиент, а не как биномиальный процесс. Этот тип фильтрации является давно принятой практикой в ​​представлении более функциональных ландшафтов. Если модель не включает термин, учитывающий пространственную структуру в оценках, пространственная неопределенность является реальностью.
Джеффри Эванс

5

Это не полное решение, но, проверьте эти инструменты для анализа подключения (первое хорошо соответствует тому, что вы ищете):

Также рассмотрите возможность обучения алгоритму машинного обучения для классификации ваших экземпляров (коридор и фрагменты). Вы можете дать пространственные атрибуты на уровне фрагмента (например, размер фрагмента, отношение площади периметра, коэффициент окружности) и основанные на расстоянии объекты (например, расстояние до фрагментов) для классификации. Для расчета функций уровня патча, необходимых для классификации, вы можете попробовать FragStats ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ).

Вы также можете рассмотреть более простую «экспертную систему правил» для классификации каждого экземпляра. Например, коридоры будут иметь более высокое отношение площади периметра, чем фрагменты среды обитания и т. Д.

Более интересный материал для анализа подключения: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Однако тот факт, что некоторые коридоры не имеют «полного пиксельного подключения», будет проблемой, с которой вам нужно разобраться в первую очередь. Я думаю, что вы должны определить какой-то критерий порогового значения на основе расстояния, чтобы решить, является ли какой-то пиксель частью коридора или нет.


0

Кажется, это зависит от формы вашего фрагмента. Если ширина более чем в 2 (или 3) раза больше высоты (или наоборот), вы можете назвать это коридором?

Вы уже пришли к разграничению фрагментов?

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.