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.

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.

— M514
источник

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

— Radouxju

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.

— Джеффри Эванс
источник

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):

MSPA - Анализ морфологических пространственных образов ( http://forest.jrc.ec.europa.eu/download/software/guidos/mspa ) из набора инструментов GUIDOS ( http://forest.jrc.ec.europa.eu/download/software / guidos ) и
Conefor Sensinode ( http://www.conefor.org/ ).

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.

— Камо
источник

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?

— Родриго
источник