ปริศนาเชิงพื้นที่เชิงนิเวศน์วิทยา


15

ฉันกำลังมองหาทางออกที่แตกต่างและสง่างามกว่าสำหรับปัญหาสถิติเชิงพื้นที่ ข้อมูลดิบประกอบด้วยพิกัด xy สำหรับต้นไม้แต่ละต้น (เช่นแปลงเป็นไฟล์ point .shp) แม้ว่าจะไม่ได้ใช้ในตัวอย่างนี้ต้นไม้ทุกต้นยังมีรูปหลายเหลี่ยมที่สอดคล้องกัน (เช่น. shp) ซึ่งแสดงถึงเส้นผ่านศูนย์กลางมงกุฎ รูปภาพสองภาพทางด้านซ้ายแสดงการประมาณความหนาแน่นเคอร์เนลแนวนอน (KDEs) ที่ได้มาจากไฟล์ point .shp ของตำแหน่งต้นไม้แต่ละแห่ง - หนึ่งแห่งจาก 1989 และอีกแห่งจากปี 2009 กราฟิกทางด้านขวาแสดงความแตกต่างระหว่าง KDE ทั้งสอง โดยที่จะแสดงเฉพาะค่า +/- 2 ส่วนเบี่ยงเบนมาตรฐานของค่าเฉลี่ย เครื่องคำนวณแรสเตอร์ของอาร์คถูกนำมาใช้เพื่อทำการคำนวณอย่างง่าย (2009 KDE - 1989 KDE) ที่จำเป็นในการสร้างภาพซ้อนแรสเตอร์บนภาพขวามือ

มีวิธีการที่เหมาะสมกว่าสำหรับการวิเคราะห์ความหนาแน่นของต้นไม้หรือพื้นที่หลังคาเปลี่ยนแปลงตลอดเวลาทั้งทางสถิติหรือแบบกราฟิกหรือไม่? ด้วยข้อมูลเหล่านี้คุณจะประเมินการเปลี่ยนแปลงระหว่างข้อมูลต้นไม้ในปี 1989 และ 2009 ในสภาพแวดล้อมเชิงพื้นที่ได้อย่างไร โซลูชั่นใน ArcGIS, Python, R, Erdas และ ENVI ได้รับการสนับสนุน

ป้อนคำอธิบายรูปภาพที่นี่


3
คุณมีข้อมูลตำแหน่งต้นไม้แบบดั้งเดิมตั้งแต่ปี 1989 หรือไม่? หากไม่ใช้ KDE อย่างน้อยที่สุดจะใช้เมล็ดเดียวกัน (และแบนด์วิดท์เดียวกัน) หรือไม่ ข้อมูลต้นไม้เป็นการสำรวจสำมะโนประชากรที่สมบูรณ์ของพื้นที่หรือเป็นตัวอย่างบางส่วน (และถ้าเป็นเช่นนั้นสมาชิกของตัวอย่างนั้นถูกเลือกอย่างไร) อะไรคือ "การเปลี่ยนแปลง" ในการศึกษาของคุณและคุณต้องการวัดอย่างไร (เช่นการเปลี่ยนแปลงความหนาแน่นของต้นไม้หรือการเปลี่ยนแปลงแบบสัมพัทธ์)
whuber

1
@whuber: ตำแหน่งต้นไม้ดั้งเดิมสามารถพิจารณาข้อมูลการสำรวจสำมะโนประชากรได้เนื่องจากต้นไม้ทุกต้นใน DOQQ ถูกประดิษฐ์ขึ้น KDE ขึ้นอยู่กับคะแนนที่ได้จากข้อมูลการสำรวจสำมะโนประชากร ฉันสนใจที่จะตรวจจับต้นไม้ใหม่และเปลี่ยนแปลงใบปะหน้าเป็นหลัก
แอรอน

1
KDE อาจไม่เหมาะสมที่นี่เนื่องจากการเปลี่ยนแปลงตำแหน่งต้นไม้และตัวเลขจะเปลี่ยนแบนด์วิดท์ดังนั้นผลลัพธ์ คุณได้พิจารณาการสร้างแรสเตอร์เชิงพื้นที่ที่มีขนาดตามอำเภอใจ (ประมาณ 100 ม. x 100 ม.) และรับต้นไม้ / เซลล์และพื้นที่ต้นไม้ / เซลล์แต่ละครั้งแล้วคำนวณความแตกต่างระหว่างเวลาหรือไม่?
blindjesse

@blindJesse: คุณมีจุดดี เป็นอีกทางเลือกหนึ่งที่ฉันได้ลองเล่นด้วยความคิดในการแปลงรูปหลายเหลี่ยมเส้นผ่าศูนย์กลางทรงพุ่มตั้งแต่ปี 2009 และ 1989 เป็นแรสเตอร์จากนั้นจัดประเภทแรสเตอร์ใหม่เป็นข้อมูลไบนารี จากตรงนั้นฉันสามารถเรียกใช้สคริปต์สถิติโฟกัสของหน้าต่างที่กำลังเคลื่อนที่ตามความแตกต่างระหว่างทั้งสองได้
อาโรน

1
ฉันยังไม่แน่ใจเกี่ยวกับรูปแบบของข้อมูลดิบแอรอน เมื่อคุณเขียน "ต้นไม้ทุกต้น ... ถูกประดิษฐ์" หมายความว่าต้นไม้แต่ละต้นถูกระบุและกำหนดพิกัดหรือไม่ หรืออาจหมายความว่ามีคนวาดรูปหลายเหลี่ยมและพูดว่า "ฉันพบต้นเมเปิ้ลสีแดง 39 อันและต้นโอ๊กสีขาว 13 อันที่อยู่ข้างในนั้นหรือ" การทำความเข้าใจจุดแข็งและข้อ จำกัด ของข้อมูลต้นฉบับนั้นมีความสำคัญต่อการได้รับคำตอบที่คุณต้องการ
whuber

คำตอบ:


8

ปัญหาแรก:

คุณกำลังดูส่วนผสมของมินิมา ต้นหนึ่งขนาดมหึมาที่มีมงกุฎขนาดเท่าเอเคอร์มีลักษณะค่อนข้างมากตีความตามจุด / ความหนาแน่นของเคอร์เนลเหมือนสนามที่ไม่มีต้นไม้เลย คุณจะจบลงด้วยค่าสูงเฉพาะในกรณีที่มีต้นไม้ขนาดเล็กที่เติบโตอย่างรวดเร็วที่ขอบและในช่องว่างในป่า ต้นไม้ที่มีขนาดเล็กที่หนาแน่นเหล่านี้มีแนวโน้มที่จะถูกบดบังด้วยเงาหรือการบดเคี้ยวหรือไม่สามารถแก้ไขได้ที่ความละเอียด 1 เมตรหรือ aglomerated ด้วยกันเพราะพวกมันเป็นกลุ่มเดียวกัน

คำตอบของเจนนั้นถูกต้องในส่วนแรกนี้การทิ้งข้อมูลรูปหลายเหลี่ยมนั้นเป็นของเสีย มีภาวะแทรกซ้อนที่นี่แม้ว่า ต้นไม้ที่ปลูกแบบเปิดจะมีมงกุฎที่กระจายตัวได้ในแนวดิ่งน้อยกว่าสิ่งอื่น ๆ ทั้งหมดนั้นเท่าเทียมกันมากกว่าต้นไม้ยืนต้นหรือต้นไม้ในป่าที่สมบูรณ์ ดูเพิ่มเติมที่ # 3

ปัญหาที่สอง:

คุณควรจะทำงานร่วมกับแอปเปิ้ลเพื่อเปรียบเทียบแอปเปิ้ล การใช้ NDVI สำหรับหนึ่งและ B&W สำหรับอีกอันจะแนะนำอคติที่ไม่สามารถรู้ได้ในผลลัพธ์ของคุณ หากคุณไม่ได้รับข้อมูลที่เหมาะสมสำหรับปี 1989 คุณอาจใช้ข้อมูล B&W ที่ลดระดับลงสำหรับปี 2009 หรือลองวัดความเอนเอียงในข้อมูล 2009 ที่เกี่ยวข้องกับ B&W และคาดการณ์ผลลัพธ์ NDVI สำหรับปี 1989

อาจเป็นไปได้หรืออาจจะไม่น่าเชื่อถือที่จะกล่าวถึงประเด็นนี้อย่างชาญฉลาด แต่มีโอกาสดีที่มันจะถูกนำเสนอในการตรวจสอบโดยเพื่อน

ปัญหาที่สาม:

คุณพยายามวัดอะไรอย่างแม่นยำ ความหนาแน่นของเคอร์เนลไม่คุ้มค่าตัวชี้วัดมันช่วยให้คุณหาพื้นที่ของการเจริญเติบโตใหม่ต้นไม้เล็กที่ฆ่ากันอย่างรวดเร็ว (ขึ้นอยู่กับข้อ จำกัด การแรเงา / การบดเคี้ยวข้างต้น); เฉพาะคนที่เข้าถึงน้ำ / แสงแดดได้ดีที่สุดหากมีจะอยู่รอดได้ในไม่กี่ปี Canopy Coverage เป็นการปรับปรุงความหนาแน่นของเคอร์เนลสำหรับงานส่วนใหญ่ แต่มันก็มีปัญหาเช่นกัน: มันทำการรักษาต้นไม้อายุ 20 ปีที่ยืนอยู่บนต้นไม้ใหญ่ที่เพิ่งจะปิดหลังคาเหมือนต้นไม้ 100 ป่าอายุหลายปี ป่าไม้หายากในปริมาณที่จะเก็บรักษาข้อมูล แบบจำลองความสูงของหลังคาเหมาะสำหรับงานจำนวนมาก แต่เป็นไปไม่ได้ที่จะได้รับในอดีต ตัวชี้วัดที่คุณใช้นั้นได้รับการเลือกอย่างดีที่สุดโดยพิจารณาจากเป้าหมายที่ประณีต พวกเขาคืออะไร

แก้ไข:

เป้าหมายคือการตรวจจับการขยายตัวของทุ่งหญ้าไปยังทุ่งหญ้าพื้นเมือง วิธีการทางสถิติยังคงใช้ได้อย่างสมบูรณ์ที่นี่พวกเขาเพียงแค่ต้องการรายละเอียดเพิ่มเติมและการเลือกอัตนัยเพื่อนำไปใช้

  • คำนวณค่าพื้นฐานของการครอบคลุมหลังคา สิ่งนี้อาจเกี่ยวข้องกับวิธีการ gridded โดยตรงบนรูปหลายเหลี่ยมมงกุฎหรือเปลี่ยนรูปหลายเหลี่ยมมงกุฎเป็นแรสเตอร์ + เบลอถ้าคุณต้องการรุ่นต่อเนื่องมากขึ้น
  • ลองแยกชั้นของภูมิประเทศที่จะทำการวิเคราะห์ตามเปอร์เซ็นต์การครอบคลุมหลังคา เทคนิคทางสถิติที่คุณทำงานด้วยในป่าที่มีหลังคาปิดอาจแตกต่างจากที่คุณใช้ในทุ่งหญ้าเกือบเปลือยหรืออาจถูกกีดกันจากการวิเคราะห์ พื้นที่เล็ก ๆ ของภูมิทัศน์ของคุณจะรวมถึง "การขยายพื้นที่ชุ่มน้ำ" และการเลือกวิธีแยกย่อยข้อมูลเอฟเฟกต์และละเว้นที่ไม่เกี่ยวข้องนั้นขึ้นอยู่กับคุณในฐานะนักสถิติ
  • ฉันไม่รู้ว่ามันจะทำงานได้นานกว่า 20 ปีในช่วงเวลา (และมันจะทำงานได้ดีขึ้นเมื่อมียุคกลางเพิ่มเติม) แต่ลองให้ความสนใจกับเส้นผ่านศูนย์กลางมงกุฎเป็นพร็อกซีสำหรับอายุต้นไม้ มีคำถามที่ชัดเจนที่คุณต้องถามไม่ว่าขนาดของมงกุฎที่มีอยู่สองเท่านั้นหมายถึง "การขยายตัว" หรือว่าต้องใช้ต้นไม้ใหม่ หากเป็นแบบหลังคุณมีความคิดว่าเป็นสิ่งใหม่ (อย่างน้อยสำหรับทิวทัศน์บางประเภทที่คุณเลือกไว้ด้านบนซึ่งคุณสามารถตรวจสอบระดับการเข้าถึงแสงอาทิตย์ได้)
  • ทั้งนี้ขึ้นอยู่กับจุดมุ่งหมายของระบบนิเวศของคุณก็อาจจะคุ้มค่าที่ไม่เพียง แต่จะสำรวจความหนาแน่นของต้นไม้โดยตรง แต่การสำรวจการกระจายตัวของภูมิทัศน์โดยใช้แพคเกจเช่นFragstats
  • Long shot: ตรวจสอบให้แน่ใจว่าไม่มีชุดข้อมูล LIDAR เคาน์ตีรอการรอคอยที่จะใช้เป็นการตรวจสอบความถูกต้องและการประเมินความถูกต้องสำหรับความสามารถของคุณในการแยก Crowns ในชุดข้อมูล 2009

ขอบคุณ Chris คุณแสดงช่องโหว่ที่ถูกต้องใน KDE เพื่อเปลี่ยนการตรวจจับ ฉันต่อสู้กับวิธีที่ดีที่สุดในการจัดการกับความแตกต่างของคุณภาพของภาพระหว่างปี 2009 ถึงปี 1989 ฉันยอมรับว่าชุดข้อมูลการฝึกอบรมได้รับการรับประกันเพื่อเปรียบเทียบผลลัพธ์ของภาพ จุดประสงค์ของข้อมูลเหล่านี้คือเพื่อประเมินการขยายตัวของพุ่มไม้ไปสู่ทุ่งหญ้าพื้นเมือง ฉันรวบรวมวิธีการที่ดีที่สุดคือการใช้พลังของข้อมูลสำมะโนประชากรเหล่านี้และในความเป็นจริงไม่ได้ใช้วิธีการทางสถิติ - แต่เป็นวิธีอธิบาย
แอรอน

ไม่จำเป็น. ตอบแก้ไขด้วยคำแนะนำบางอย่าง
MappingTomorrow

5

ปัญหาของการประเมิน KDE ของคุณคือการทำให้พื้นที่ทั้งหมดราบเรียบดังนั้นจึงปิดช่องว่างที่คุณอาจต้องการค้นหา

เมื่อฉันอ่านว่าคุณใช้ NDVI สำหรับการตรวจจับมงกุฎต้นไม้ฉันสงสัยว่ารูปมงกุฎรูปหลายเหลี่ยมมีลักษณะอย่างไร รูปหลายเหลี่ยมเหล่านี้จริงๆที่มี ID สายพันธุ์ต้นไม้เชื่อมโยงกับมันหรือไม่?

หากคุณมีความหรูหราที่จะมีรูปหลายเหลี่ยมสำหรับมงกุฎต้นไม้ทุกต้นและคุณสนใจที่จะสูญเสียมงกุฎต้นไม้ฉันคิดว่ามีความเป็นไปได้สองอย่าง เวกเตอร์และสารละลายแรสเตอร์

เวกเตอร์

  1. รวมรูปหลายเหลี่ยมทั้งหมดจากหนึ่งปีเพื่อไม่ให้มี polys ที่ทับซ้อนกันอยู่ polys เดียวดี สิ่งนี้จะนำไปสู่สองรูปร่าง
  2. ใช้การซ้อนทับหรือตัดเพื่อค้นหาพื้นที่ที่ไม่ตรงกับปี 1989 และ 2009 (อีกต่อไป)

แรสเตอร์

  1. แปลงรูปหลายเหลี่ยมทั้งหมดจากแต่ละปีเป็นไบนารีแรสเตอร์ด้วย 0 = notree และ 1 = ต้นไม้ ใช้ความละเอียดสูงเช่น 0.5m และ bilinear interpol? สิ่งนี้จะทำให้แน่ใจว่าขอบเรียบ
  2. ลบอิมเมจไบนารี (2009-2532) และคุณควรได้ผลลัพธ์ที่คล้ายกับผลลัพธ์แรกของคุณ แต่ปลอดจาก KDE ที่ปรับให้เรียบ

ฉันหวังว่าจะได้ผล :) ฉันไม่ได้ลองใช้ความคิดเหล่านี้ แต่เขียนสิ่งที่อยู่ในใจของฉัน โชคดี!

โอ้ ... บางทีคุณอาจจะใช้วิธีนับควอดแรตก็ได้เช่นกัน สำหรับแต่ละปีหั่นพื้นที่ของคุณโดยใช้ตารางเวกเตอร์ 100x100m นับคะแนนเป็นรูปหลายเหลี่ยมและเปรียบเทียบรูปแบบที่แตกต่างกันสองแบบ แค่ความคิดอื่น ...


Jens การวิเคราะห์ที่ดีเยี่ยมของปัญหาระบบนิเวศ คำตอบรวบรัดของคุณทั้งสองระบุว่าเป็นปัญหาร้ายแรงกับวิธีการของ KDE และได้ช่วยเหลือด้วยวิธีการส่งต่อโดยรวม
แอรอน

2

การเปลี่ยนแปลงทั่วไปในพืชผักอาจคำนวณโดยใช้การวิเคราะห์การเปลี่ยนแปลงดิจิตอล ในการเรียกใช้การวิเคราะห์นี้คุณจะต้องใช้รูปภาพ 4 แบนด์ (R, G, B และ NIR) สำหรับทั้งปี 1989 และ 2009 จากนั้นใช้ซอฟต์แวร์ตรวจจับระยะไกล (เช่น ENVI หรือ Erdas) ทำการวิเคราะห์ NDVI ในแต่ละภาพ . การวิเคราะห์ NDVI เปรียบเทียบอัตราส่วนของวง NIR - วงสีแดง / วง NIR + พิกเซลแถบสีแดง ผลลัพธ์ของสมการนี้ให้ค่าพิกเซลที่อยู่ในช่วง -1 ถึง 1 พิกเซลที่มีค่าน้อยกว่าศูนย์จะไม่มีการสะท้อนแสงในแถบ NIR พิกเซลที่มีค่ามากกว่าศูนย์จะสะท้อนแสง NIR และถือว่าเป็นพืชพรรณเช่นเดียวกัน กระบวนการดำเนินการวิเคราะห์การเปลี่ยนแปลงทางดิจิตอลนั้นเป็นการลบภาพ NDVI หนึ่งภาพจากภาพอื่น (ลบ 1989 จาก 2009) โปรดดูลิงค์ด้านล่างสำหรับการสนทนาเชิงลึกเพิ่มเติม

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


ขอบคุณสำหรับความคิดที่กระตุ้นการตอบและการอ้างอิง NDVIs ถูกสร้างขึ้นจาก 2009 1m 4-band NAIP DOQQs เพื่อหาตำแหน่งต้นไม้ อย่างไรก็ตามรูปภาพ NAIP ในปี 1989 1m นั้นมีเฉพาะในเฉดสีเทา - ดังนั้นภาพเหล่านี้จะต้องถูกจัดการแตกต่างกันเพื่อให้ได้ตำแหน่งต้นไม้ อาจมี "สัญญาณรบกวนพื้นหลัง" มากเกินไปสำหรับการศึกษานี้โดยใช้ NDVIs ที่สร้างขึ้นจาก TM หรือภาพความละเอียดต่ำอื่น ๆ สำหรับการวิเคราะห์การเปลี่ยนแปลงแบบดิจิทัล ขอบคุณอีกครั้ง!
แอรอน
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.