Экологическая геопространственная головоломка

Я ищу другое, более элегантное решение проблемы пространственной статистики. Необработанные данные состоят из координаты xy для каждого отдельного дерева (т.е. преобразуются в точечный файл .shp). Хотя это и не используется в этом примере, каждое дерево также имеет соответствующий многоугольник (то есть как .shp), который представляет диаметр кроны. На двух изображениях слева показаны оценки плотности ядра (KDE) в масштабе ландшафта, полученные из точечного файла .shp отдельных местоположений дерева - одно из 1989 года, а другое из 2009 года. На рисунке справа показано различие между двумя KDE где отображаются только значения +/- 2 стандартных отклонения от среднего. Растровый калькулятор Arc использовался для выполнения простого расчета (2009 KDE - 1989 KDE), необходимого для создания растрового наложения на правое изображение.

Существует ли более подходящий метод для анализа плотности деревьев или изменения площади кроны с течением времени статистически или графически? Учитывая эти данные, как бы вы оценили изменение между данными деревьев 1989 и 2009 годов в геопространственной среде? Решения в ArcGIS, Python, R, Erdas и ENVI приветствуются.

Первая проблема:

Вы смотрите на смесь минимумов. Одно гигантское дерево с кроной размером в акр выглядит довольно много , интерпретируемое на основе плотности точек / ядра, как поле без деревьев вообще. Вы получите высокие значения только там, где есть маленькие, быстро растущие деревья, на опушках и в пропасти в лесу. Хитрость в том, что эти плотные более мелкие деревья с большей вероятностью будут затенены тенью или окклюзией или будут неразрешимыми с разрешением в 1 метр, или будут агломерированы вместе, потому что они представляют собой скопление одного и того же вида.

На первой части ответ Джен верен: выбрасывать информацию о многоугольниках - пустая трата времени. Здесь есть осложнение. Открытые деревья имеют гораздо менее вертикальную, более раскидистую крону, при прочих равных условиях, чем ровный древостой или дерево в зрелом лесу. Для получения дополнительной информации см. № 3.

Вторая проблема:

В идеале вы должны работать со сравнением яблок с яблоками. Опора на NDVI для одного и B & W для другого привносит непонятный уклон в ваши результаты. Если вы не можете получить подходящие данные за 1989 год, вы можете вместо этого использовать ухудшенные данные B & W за 2009 год или даже попытаться измерить систематическую ошибку в данных 2009 года относительно B & W и экстраполировать результаты NDVI за 1989 год.

Это может быть или не быть правдоподобным для решения этой проблемы с точки зрения работы, но есть хороший шанс, что она будет рассмотрена в экспертной оценке.

Третья проблема:

Что именно вы пытаетесь измерить? Плотность ядра не имеет значенияметрика, это дает вам возможность находить новые зоны, молодые деревья, которые быстро убивают друг друга (с учетом ограничений затенения / окклюзии, указанных выше); Только те, которые имеют лучший доступ к воде / солнечному свету, если таковые имеются, выживут через несколько лет. Покрытие сенью было бы улучшением плотности ядра для большинства задач, но это также имеет проблемы: оно рассматривает большой ровный древостой 20-летних деревьев, которые едва закрыли полог, почти так же, как установленный летний лес. Леса трудно количественно определить таким образом, чтобы сохранить информацию; Модель высоты купола идеальна для многих задач, но исторически невозможно получить. Метрика, которую вы используете, лучше всего выбирается на основе разработки ваших целей. Кто они такие?

Редактировать:

Цель состоит в том, чтобы ощутить расширение кустарников в родные луга. Статистические методы здесь по-прежнему совершенно актуальны , они просто требуют некоторой проработки и субъективного выбора.

• Рассчитайте базовую меру покрытия купола. Это может включать в себя сеточный подход непосредственно к полигонам короны или превращение полигонов короны в растр + размывание их, если вам нужна более непрерывная версия.
• Попробуйте выделить классы ландшафта, в которых вы будете проводить анализ, исходя из процента покрытия купола. Статистические методы, с которыми вы работаете в лесу с закрытыми пологами, могут отличаться от тех, которые вы используете на почти голых пастбищах, или даже могут быть оправданно исключены из анализа. Небольшая область ваших ландшафтов будет включать в себя «расширение кустарников», и выбор метода выделения этого эффекта и игнорирования данных, которые не имеют значения, зависит от вас, как от статистики.
• Я не знаю, будет ли это работать в течение 20-летнего периода времени (и это будет работать лучше с дополнительными промежуточными эпохами), но попробуйте обратить внимание на диаметр кроны в качестве показателя возраста дерева. Есть вопрос, который вы должны задать, является ли удвоение размера существующей кроны «расширением», или же это требует новых деревьев. Если это последнее, у вас есть некоторое представление о том, являются ли они новыми (по крайней мере, для некоторых классов ландшафта, которые вы выбрали выше, где вы можете проверить определенную степень доступа солнечного света).
• В зависимости от ваших экологических целей может оказаться целесообразным не только непосредственно изучить плотность деревьев, но и изучить фрагментацию ландшафта с помощью таких пакетов, как Fragstats .
• В конечном итоге: убедитесь, что нет окружного набора данных LIDAR, ожидающего использования в качестве проверки и оценки точности для вашей способности различать короны в наборе данных 2009 года.

Проблема с вашим приложением KDE состоит в том, что он сглаживает всю область и таким образом закрывает пробелы, которые вы, возможно, захотите найти.

Когда я прочитал, что вы использовали NDVI для обнаружения крон деревьев, мне стало интересно, как выглядят полигоны крон? эти действительно одиночные полигоны с идентификатором вида дерева связаны с ним?

Если у вас есть роскошь иметь полигоны для каждой кроны дерева, и вам интересно, где была потеряна крона дерева, то я думаю, что есть две возможности; вектор и растровое решение.

вектор

1. объедините все полигоны за один год, чтобы не осталось перекрывающихся полисов. одиночные полисы в порядке. это приведет к двум шейп-файлам
2. используйте наложение или пересечение, чтобы найти области, где 1989 и 2009 годы не совпадают (больше не).

растр

1. преобразуйте все полигоны каждого года в двоичный растр с 0 = нотрией и 1 = деревом. использовать высокое разрешение, например, 0,5 м и билинейный интерпол? это гарантирует, что края будут гладкими
2. вычтите двоичные изображения (2009-1989), и вы должны получить что-то похожее на ваш первый результат, но без сглаженных KDE

Я надеюсь, что это сработает :) Я не пробовал эти идеи, а просто записал то, что пришло мне в голову. удачи!

о ... может быть, вы могли бы также просто использовать метод подсчета квадратов. для каждого года нарежьте свою область, используя векторную сетку размером 100x100 м, подсчитайте точки в многоугольниках и сравните два разных шаблона. просто другая идея ...

Общее изменение растительности может быть рассчитано с использованием анализа цифровых изменений. Для запуска этого анализа вам сначала понадобится 4-полосное (R, G, B и NIR) изображение как для 1989, так и для 2009 года. Затем, используя программное обеспечение для дистанционного зондирования (например, ENVI или Erdas), запустите анализ NDVI для каждого изображения , Анализ NDVI сравнивает соотношение полосы NIR - красная полоса / NIR + красная полоса пикселей. Результат этого уравнения дает значения пикселей в диапазоне от -1 до 1. Пиксели, значения которых меньше нуля, не отражают отражения в полосе NIR. Аналогично, пиксели, которые имеют значение больше нуля, отражают ближний инфракрасный свет и, таким образом, считаются растительностью. Процесс выполнения цифрового анализа изменений просто вычитает одно изображение NDVI из другого (вычтите 1989 из 2009). Пожалуйста, смотрите ссылку ниже для более глубокого обсуждения.

http://www.bioline.org.br/pdf?er07006