Suite

Reclassement de raster

Reclassement de raster


Y a-t-il une meilleure manière de faire cela?

J'essaie de créer un script qui changera les classifications d'un raster en :

0 pour : 0,7-9,15-20,40,62-63,73,78-87,89-130,132-151,153-175,177-203,215,228,251-253

1 pour : tous les autres

#RECLASSIFIER LANDCOVER #Prise en compte de 0 pour : 63,81-83,87,111-112,121-124,141-143,190,195, #Prise en compte de 1 pour : Tous les autres. #Considers "NODATA" pour : background, blank import arcpy from arcpy import env from arcpy.sa import * env.workspace = r'C:ErosionLandCover' outReclass1 = Reclassify("CDL_2014.tif", "Value", RemapRange ([[0,0,"NODATA"],[7,9,"NODATA"],[15,20,"NODATA"],[40,40,"NODATA"], [62,62,"NODATA" ],[63,63,0],[73,73,"NODATA"],[78,80,"NODATA"],[81,83,0], [84,86,"NODATA"],[87 ,87,0],[89,91,"NODATA"],[93,110,"NODATA"],[111,112,0], [113,120,"NODATA"],[121,124,0],[125,130,"NODATA" ],[132,140,"NODATA"], [141,143,0],[144,151,"NODATA"],[153,175,"NODATA"],[177,189,"NODATA"], [190,190,0],[191,194," NODATA"],[195,195,0],[196,203,"NODATA"], [215,215,"NODATA"],[228,228,"NODATA"],[251,253,"NODATA"]]), 1) outReclass1.save( r'C:ErosionOutputCDL_reclass.tif')

J'essayais de modifier le script à partir de l'aide d'ArcGIS Resource Center Desktop.


Vous devez enregistrer le raster en sortie dans un format raster, pas dans une géodatabase, par exemple :

outReclass1.save(r"C:output
eclass.tif")

ÉDITER: Et il y a un crochet manquant dans la ligne Reclassify (RemapRange est inclus mais pas Reclassify). J'ai aussi mis à jour mon code.

Vous pouvez également simplifier leremapperparamètre un peu en utilisant levaleurs_manquantesparamètre pour toutes les autres valeurs qui doivent être remappées sur 1 :

outReclass1 = Reclassifier("raster.tif", "Valeur", RemapRange([[0,0,0],[7,9,0],[15,20,0], [40,40,0],[ 62,63,0],[73,73,0],[78,87,0], [89,130,0],[132,151,0],[153,175,0], [177,203,0],[215,215, 0],[228,228,0],[251,253,0]]), 1)

Voir la page d'aide Reclassifier pour plus de détails et d'exemples.


Reclasser (Analyste 3D)

Si une plage de valeurs doit être reclassée, les plages ne doivent pas se chevaucher, sauf à la limite de deux plages d'entrée. En cas de chevauchement, l'extrémité supérieure de la plage d'entrée inférieure est inclusive et l'extrémité inférieure de la plage d'entrée supérieure est exclusive.

Par exemple, si deux plages sont spécifiées, telles que le reclassement des valeurs 1 à 5 en 100 et des valeurs 5 à 10 en 200, une valeur d'entrée inférieure ou égale à 5 se verra attribuer la valeur 100 dans la sortie, et une valeur d'entrée qui est supérieur à 5, tel que 5,01, sera affecté à 200.

Dans la boîte de dialogue de l'outil, les options Classifier ou Unique du paramètre Reclassification vous permettent de générer une table de remappage basée sur les valeurs du raster en entrée. L'option Classifier ouvre une boîte de dialogue et vous permet de spécifier une méthode parmi l'une des méthodes de classification des données et le nombre de classes. L'option Unique remplira la table de remappage en utilisant les valeurs uniques de l'ensemble de données d'entrée.

Il est recommandé de calculer des statistiques sur une mosaïque avant de reclasser les données.

À partir de la boîte de dialogue de l'outil, la table de remappage peut être stockée pour une utilisation future avec l'option Enregistrer. Vous pouvez enregistrer le remappage dans n'importe quel format de table relationnelle. Utilisez l'option Charger pour recharger les tables de remappage que vous avez précédemment créées avec le bouton Enregistrer.

Il est recommandé de ne charger que les tables précédemment enregistrées par l'outil Reclassifier. Le format du tableau est spécifique et doit contenir les champs FROM , TO , OUT et MAPPING .

Si le raster en entrée possède une table attributaire, elle sera utilisée pour créer la table de reclassement initiale. Si le raster en entrée n'a pas de table attributaire, vous pouvez exécuter l'outil Créer une table attributaire de raster à partir de la boîte à outils Gestion des données pour en créer une avant d'entrer le raster dans l'outil Reclassifier. Sinon, lorsque vous entrez le raster, une table de reclassement sera créée pour celui-ci en appliquant d'abord les paramètres d'environnement de géotraitement, tels que l'étendue et la taille de cellule, et en analysant le raster.

Lorsque le raster en entrée est une couche de Contenu , la table de reclassement par défaut importe les valeurs uniques ou les valeurs de rupture classées comme spécifié par la symbologie de la couche. Les paramètres d'environnement de géotraitement actuels seront ignorés lors de l'importation de ces valeurs. Dans le cas contraire, le reclassement doit être saisi manuellement ou généré à l'aide des options unique ou de classification.

Une fois la table de remappage du reclassement modifiée, la table ne sera pas mise à jour si un nouveau raster en entrée est sélectionné. Si le reclassement ne convient pas au nouveau raster, un nouveau reclassement peut être réinitialisé par l'une des méthodes suivantes

  • Supprimez tous les enregistrements de remappage à l'aide de l'option d'effacement et ajoutez manuellement les nouvelles valeurs.
  • Sélectionnez les options uniques ou de classification pour générer un nouveau reclassement.

Lors de l'utilisation de l'outil Reclassifier dans le cadre d'un modèle

  • Si l'entrée de l'outil est dérivée des données d'un outil qui n'est pas déjà exécuté, le paramètre de remappage dans l'outil Reclassifier sera vide jusqu'à ce que l'outil précédent soit exécuté et que le modèle soit validé. Pour éviter cela, exécutez toujours les outils précédents avant de connecter leurs variables de sortie en entrée à l'outil Reclassifier. Vous pouvez également créer une table de reclassement personnalisée en ajoutant des entrées.
  • Si vous exposez la table de reclassement en tant que paramètre de modèle, le champ de reclassement doit être exposé en tant que variable, mais il n'a pas besoin d'être défini en tant que paramètre de modèle. Si le champ n'est pas exposé en tant que variable, les boutons de classification et de valeurs uniques seront désactivés dans la boîte de dialogue de l'outil de modèle.

Par défaut, cet outil tirera parti des processeurs multicœurs. Le nombre maximum de cœurs pouvant être utilisés est de quatre.

Pour utiliser moins de cœurs, utilisez le paramètre d'environnement parallelProcessingFactor.


Syntaxe

Raster en entrée à reclasser.

Champ désignant les valeurs qui seront reclassées.

Une liste de remappage qui définit comment les valeurs seront reclassées.

La liste de remappage est composée de trois composants : De, À et Nouvelles valeurs. Chaque ligne de la liste de remappage est séparée par un point-virgule et les trois composants sont séparés par des espaces. Par exemple

Le raster reclassé en sortie.

La sortie sera toujours de type entier.

Indique si les valeurs manquantes dans la table de reclassement conservent leur valeur ou sont mappées à NoData.

  • DATA —Indique que si un emplacement de cellule sur le raster en entrée contient une valeur qui n'est pas présente ou reclassée dans une table de remappage, la valeur doit rester intacte et être écrite pour cet emplacement dans le raster en sortie. C'est la valeur par défaut.
  • NODATA —Signifie que si un emplacement de cellule sur le raster en entrée contient une valeur qui n'est pas présente ou reclassée dans une table de remappage, la valeur sera reclassée en NoData pour cet emplacement sur le raster en sortie.

Étalonnage et précision avancés du modèle de ruissellement distribué

Un modèle pluie-débit distribué basé sur les événements, cinématique, infiltration-excès, a été développé pour reconnaître et tenir compte de la variabilité spatiale et de l'incertitude de plusieurs paramètres pertinents pour la production de ruissellement de surface et l'écoulement de surface. Le modèle est compatible avec les systèmes d'information géographique (SIG) raster et les données pluviométriques spatialement et temporellement variées. Une simulation Monte Carlo et une mesure de vraisemblance sont utilisées pour calibrer le modèle permettant une gamme de réponses possibles du système à partir du modèle calibré. À l'aide d'estimations de précipitations radar ajustées par pluviomètre, le modèle a été appliqué et évalué à un nombre limité d'événements historiques pour deux bassins versants du district de drainage urbain et de contrôle des inondations de Denver (UDFCD) qui contiennent des classifications d'utilisation des terres mixtes. Les limites d'incertitude de 95 % obtenues à partir du modèle enveloppent presque toutes les réponses observées aux principaux exutoires du bassin pour les événements considérés, suggérant une structure de modèle acceptable. Bien que basés sur un nombre limité de simulations de Monte Carlo et d'événements considérés, pour les deux bassins considérés, les scores d'efficacité de Nash et Sutcliffe de 0,88/0,10, 0,14/0,71 et 0,99/0,95 pour le volume de ruissellement, le débit de pointe et le temps jusqu'à pic, respectivement, ont été obtenus à partir du modèle.


Correction géométrique

Correction géométrique
correction géométrique - [télédétection] La correction d'erreurs dans les données de télédétection, telles que celles causées par des satellites ou des aéronefs ne restant pas à une altitude constante ou par des capteurs s'écartant du plan focal principal.

CORRECTION GÉOMÉTRIQUE
Vous avez lu au chapitre 6 que l'échelle varie dans les images aériennes non rectifiées en raison du déplacement du relief causé par les variations d'élévation du terrain.

3 Correction géométrique
Les images numériques brutes acquises par les systèmes d'observation de la Terre contiennent généralement des distorsions géométriques de sorte qu'elles ne reproduisent pas fidèlement l'image d'une grille à la surface.

maquette. Choisissez polynôme comme outil de correction générique.

La correction d'erreurs dans les données de télédétection, telles que celles causées par des satellites ou des aéronefs ne restant pas à une altitude constante ou par des capteurs s'écartant du plan focal principal.

-Procédure de traitement d'image qui corrige les distorsions spatiales dans une image. géostationnaire-Fait référence aux satellites se déplaçant à la vitesse angulaire à laquelle la terre tourne, ils restent donc au-dessus du même point sur terre à tout moment.

Les bandes # # ont été enregistrées à la fois entre et à l'intérieur des télescopes, et les données ont été # # rééchantillonnées pour appliquer le

s. Comme pour le produit de niveau 1A, ces # # radiances de niveau 1B sont générées à des résolutions de 15 m, 30 m et 90 m correspondant # # aux canaux VNIR, SWIR et TIR.

d'effets systématiques (effet panoramique, courbure et rotation de la Terre). Les distorsions internes de l'image sont corrigées pour mesurer les distances, les angles et les surfaces. Produit spécialement conçu pour la photo-interprétation et les études thématiques.

3. Le calcul du nouveau DN pour les pixels créés pendant

d'une scène numérique, sur la base des valeurs de la zone locale autour des pixels non corrigés.


Numérisation tête haute pour capturer des données vectorielles
Certains systèmes d'information géographique raster Opérations SIG telles que les calculs de pente, d'aspect et de zone tampon
Importez et exportez vers divers formats de fichiers image standard tels que GeoTIFF.

ou l'enregistrement d'une image dans un nouveau système de coordonnées. R2V prend en charge les méthodes de triangulation bilinéaire et de Delaunay pour la transformation géométrique.


Matériels et méthodes

Les approches ENM couramment utilisées comprennent l'appariement climatique, les analyses de régression logistique multivariée de base et les modèles basés sur la similarité ou la distance environnementale (Guisan & Theurillat, 2000 James & McCulloch, 2002 Scott et al., 2002 Kadmon et al, 2003 Rushton et al., 2004 ). Ces techniques sont généralement déterministes, se concentrant sur une seule règle de décision ou un petit ensemble de règles pour décrire la distribution potentielle d'une espèce particulière. Parce que les limites de distribution peuvent être régies par différents facteurs dans l'aire de répartition géographique d'une espèce ( Grinnell, 1917 Swihart et al., 2003), des approches ENM multicritères plus complexes sont souhaitables ( Elith et al., 2006 ). De plus, les comparaisons entre les méthodes sont encore peu nombreuses et se sont concentrées sur les défis de l'interpolation, alors que le défi posé dans cet article est celui de l'extrapolation à l'échelle continentale et même mondiale, de sorte que le choix de la méthodologie n'est pas clair.

L'un de ces ENM à critères multiples qui a été largement appliqué, en particulier aux défis d'extrapolation ( Peterson, 2003 ), est l'algorithme génétique pour la prédiction d'ensembles de règles ( garp ), une application d'apprentissage automatique. Les algorithmes d'apprentissage automatique sont puissants en termes de calcul car ils sont non paramétriques, non linéaires et relativement peu affectés par la colinéarité, et peuvent explorer et décrire des relations complexes entre les variables dans des espaces de solutions complexes ( Lek et al., 1996 Olden, 2000 ). Dans la présente étude, la décision de modéliser la niche écologique de P. ramorum l'utilisation de garp a été faite en raison de sa capacité de règles de décision multiples, de ses performances prédictives robustes connues ( Peterson & Cohoon, 1999 Stockwell & Peterson, 2002 Anderson et al., 2003 ) et capacité à projeter des modèles de niche sur différentes zones géographiques.

garp est un sur-ensemble d'algorithmes de modélisation (par exemple, régression logistique, règles de répartition) qui reconstruit des niches écologiques d'espèces sur la base d'associations non aléatoires entre des points d'occurrence et les caractéristiques écologiques de ces localités ( Stockwell & Noble, 1992 Stockwell, 1999 Stockwell & Peters, 1999 ) . De tels modèles peuvent être utilisés pour prédire la répartition géographique potentielle des espèces ( Peterson et al., 2002a,b Peterson, 2003 Soberón & Peterson, 2005 ). La sortie du modèle est spatialement explicite, avec des distributions potentielles résumées dans des grilles d'arc / raster d'informations. Des descriptions détaillées de l'algorithme garp, présentées brièvement ci-dessous, sont présentées par Stockwell & Noble (1992) et Stockwell & Peters (1999).

Les entrées du modèle garp sont les données d'occurrence des espèces (latitude/longitude) et les variables environnementales. En général, un minimum de 20 points d'occurrence est nécessaire pour produire des modèles qui ne sont pas surajustés et incapables de prédire les zones non échantillonnées ( Stockwell et Peterson, 2002 ). Les intrants environnementaux de base sont les couvertures du système d'information géographique (SIG) raster (voir les explications détaillées ci-dessous) constituées de variables topographiques et climatiques, des variables biotiques peuvent également être incluses (par exemple, une couverture représentant la densité d'hôtes), mais ne sont généralement pas utilisées car ces données font souvent défaut. et/ou difficile à représenter de manière spatialement explicite. garp partitionne les données d'occurrence en ensembles de données d'apprentissage et de test, le premier utilisé pour construire le modèle et le second utilisé pour tester la précision du modèle.

garp décrit les relations non aléatoires entre l'occurrence d'une espèce et l'environnement en utilisant plusieurs règles. Les règles sont si … alors des déclarations relatives aux conditions environnementales et si une espèce est présente ou absente sous celles-ci. garp utilise quatre types de règles : règles atomiques (n'utilisez que des valeurs uniques d'une variable), règles d'enveloppe (plages de valeurs couvrantes), règles de plage négative (comme règles d'enveloppe, mais avec des plages exclues de la prédiction plutôt qu'inclues) et logit (modèles de régression logistique) ( ​​Stockwell & Peters, 1999 ). Après avoir construit un ensemble initial de règles, garp leur apporte des modifications itératives : à chaque itération (« génération »), les règles subissent des modifications « génétiques » : des insertions, des suppressions, des mutations ponctuelles et des croisements entre les règles peuvent tous se produire. De cette manière, garp explore l'espace de solution de manière flexible pour identifier les relations non aléatoires entre les conditions environnementales et les occurrences des espèces. L'ensemble de règles final est atteint lorsque les changements itératifs ne parviennent pas à améliorer la précision prédictive du modèle, ou lorsqu'un nombre d'itérations défini par l'utilisateur a été atteint.

garp n'est pas un algorithme déterministe, donc sa sortie (ensembles de règles et zones de distribution prédites associées) varie d'une exécution à l'autre. Pour capturer la variation entre les distributions potentielles, une approche du meilleur sous-ensemble peut être utilisée, où les meilleurs modèles, tels que déterminés à partir des erreurs de surestimation (commission) et de sous-estimation (omission), sont sélectionnés à partir de l'ensemble de modèles final ( Anderson et al., 2003 ). Ces modèles peuvent ensuite être superposés dans un SIG pour déterminer où ils convergent, c'est-à-dire où spatialement la plupart ou tous les modèles concordent. garp n'est pas une boîte noire - il est possible d'examiner les ensembles de règles, et une fonction jackknife permet d'établir des corrélations entre les performances du modèle et les variables d'entrée, fournissant un aperçu de la façon dont des variables spécifiques affectent la précision prédictive ( Peterson & Cohoon, 1999 Peterson et al., 2003a ).

Enregistrements de localité (116) pour l'Amérique du Nord P. ramorum (type d'accouplement A2, voir Discussion) ont été acquis à partir de l'application Web OakMapper (http://kellylab.berkeley.edu/SODmonitoring/OakMapper.htm) et du ministère de l'Agriculture de l'Oregon (http://egov.oregon.gov/ODA/ PLANT/chemin_sod_index.shtml).

Parce que garp modélise les distributions basées sur la présence/absence d'un organisme dans un pixel du paysage (dans cette analyse, les pixels étaient de 0,08 × 0,08° voir ci-dessous), un point a été sélectionné au hasard à partir de chaque pixel où P. ramorum s'est produite, donnant 68 localités spatialement uniques (Fig. 1a). À partir de ces enregistrements, un ensemble de données d'entraînement a été compilé en sélectionnant au hasard un seul point dans chaque bloc de 0,25 × 0,25 ° (∼28 × ∼28 km), assurant la saisie d'au moins 20 points de données et capturant la distribution spatiale globale de P. ramorum enregistrements. Sur la base de cette stratification, 25 points ont été utilisés pour construire les modèles et 43 points pour tester la précision prédictive, avec des modèles entraînés et des résultats cartographiés à une résolution plus fine de 0,08°.

Distribution potentielle prévue pour Phytophthora ramorum dans les comtés de Californie, sur la base de points d'occurrence connus (indiqués par des carrés jaunes, en médaillon) et de trois ensembles de données environnementales distincts, générés à l'aide de l'algorithme génétique pour la prédiction des ensembles de règles (les sorties du modèle, qui allaient de 0 à 10, ont été simplement ajoutées pour produire cette visualisation). Les modèles indiquent le potentiel de propagation plus large le long de la côte, ainsi que sur les pentes occidentales de la Sierra Nevada. L'ombrage indique le nombre de modèles prédisant la présence potentielle dans un pixel particulier.

Des couvertures raster (encore une fois, taille de pixel 0,08°) ont été assemblées résumant les distributions géographiques pour 35 espèces de chênes rouges au nord du Mexique, comme suit : Quercus acerifolia, Q. agrifolia, Q. arkansana, Q. loopyi, Q. coccinea, Q. ellipsoidalis, Q. emoryi, Q. falcata, Q. georgiana, Q. graciliformis, Q. gravesii, Q. hemisphaerica, Q. hypoleucoides , Q. ilicifolia, Q. imbricaria, Q. incana, Q. inopina, Q. kelloggii, Q. laevis, Q. laurifolia, Q. marilandica, Q. myrtifolia, Q. nigra, Q. pagoda, Q. palustris, Q .parvula var. shrevii, Q. phellos, Q. pumila, Q. robusta, Q. rubra, Q. shumardii, Q. texana, Q. velutina, Q. viminea (Nixon, 1980) et Q. tardifolia, mais en excluant Q. wislizeni, car il n'a pas encore été signalé comme hôte du chancre foliaire ou de l'écorce de P. ramorum (Dodd et al., 2004 ). Deux non-Quercus arbres hôtes, L. densiflorus et Arbousier menziesii, ont également été inclus. Des cartes de répartition de 24 chênes et des deux hôtes non-chênes étaient disponibles sous forme de fichiers de formes (http://climchange.cr.usgs.gov/data/atlas/little/), qui ont été convertis au format raster. Pour les 11 espèces de chênes restantes, des ensembles de données comparables ont été créés sur la base de cartes de distribution publiées et d'informations sur la répartition (http://hua.huh.harvard.edu/FNA http://www.csdl.tamu.edu/FLORA/tracy/main1 .html http://www.calflora.org). Toutes les distributions d'hôtes ont été superposées et agrégées sur l'Amérique du Nord pour dériver une couverture de la distribution potentielle des arbres hôtes et utilisées comme masque de paysage pour définir l'étendue spatiale à travers laquelle la SOD pourrait se produire en fonction des tolérances de l'hôte (voir ci-dessous).

Les données topographiques et climatiques provenaient du jeu de données Hydro-1 K (US Geological Survey USGS) décrivant la topographie (aspect, altitude, accumulation de flux, direction du flux, index topographique http://edcdaac.usgs.gov/gtopo30/hydro/), indice de végétation par différence normalisée mensuelle (NDVI) des années 1996-2000 dérivé d'images radiométriques avancées à très haute résolution (AVHRR) (http://edc.usgs.gov/geodata/), et des valeurs moyennes annuelles (1961-1990) de plage de température, fréquence du gel au sol, températures minimale, maximale et moyenne, précipitations, rayonnement solaire, pression de vapeur et fréquence des jours de pluie tirés de l'entrepôt de données du Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) (http://ipcc-ddc.cru .uea.ac.uk/). Les données USGS et NDVI étaient de 0,01 × 0,01° de résolution de base (1 × 1 km), généralisées à 0,08 × 0,08° (8 × 8 km) pour l'analyse Les données IPCC étaient de 0,5 × 0,5 ° résolution (50 × 50 km) subdivisée à 0,08 × 0,08° (8 × 8 km) pour l'analyse. Chacune des trois sources de données environnementales fournit un type d'informations distinct : la topographie résume le paysage sous forme de données climatiques informent sur les conditions atmosphériques au-dessus de ce paysage et le NDVI fournit une vue des modèles saisonniers de verdure à travers les paysages (évidemment au moins en partie une fonction de la topographie et climat). Le NDVI peut être utilisé pour déduire les conditions climatiques, mais n'a tendance à bien se corréler qu'avec la température minimale, la température et les précipitations moyennes et l'humidité du sol ( Wang et al., 2001 Adegoke & Carleton, 2002 ).

Sur la base de ces compromis, cinq modèles de niche écologique distincts ont été générés, différant par le type et l'étendue spatiale des variables environnementales : NDVI + topographie (limitée à la distribution spatiale des arbres hôtes potentiels), NDVI + topographie, climat + topographie modélisée sur l'ensemble de Amérique du Nord et modèles régionaux des deux dernières combinaisons. Les modèles régionaux étaient basés sur des environnements représentés dans une zone tampon de 500 km autour de points d'occurrence connus.

Pour chaque ensemble de modèles, les 10 meilleures répétitions garp ont été choisies sur la base de la combinaison des composants d'omission et d'erreur de commission calculés à partir des données de test indépendantes mentionnées ci-dessus ( Anderson et al., 2003 ). Ces « meilleurs sous-ensembles » de modèles ont été additionnés pour produire des cartes de la distribution potentielle de la SOD. Dans ces résultats récapitulatifs, les valeurs allaient de 0 (zones où aucun modèle n'avait prédit une présence potentielle) à 10 (zones où tous les modèles prédisaient une présence potentielle). En général, les domaines dans lesquels tous les modèles des meilleurs sous-ensembles s'accordaient pour prédire la présence potentielle ont été ciblés. Les modèles du meilleur sous-ensemble ont ensuite été projetés dans d'autres régions pour définir les distributions géographiques potentielles de l'agent pathogène aux États-Unis et dans le monde ( Peterson et Vieglais, 2001 Peterson, 2003 ). Cette approche a fait l'objet d'essais approfondis dans une variété de systèmes d'espèces envahissantes et a montré d'excellentes capacités à prédire l'évolution géographique des invasions déjà établies ( Peterson & Vieglais, 2001 Papes & Peterson, 2003 Peterson, 2003 Peterson et al., 2003a,b ).

Pour évaluer la précision des prédictions garp, l'aire sous la courbe caractéristique de fonctionnement du récepteur ( roc ) de la performance prédictive du modèle a été déterminée. Une courbe roc représente la relation entre les probabilités d'un modèle classant correctement les vrais positifs (axe Y de sensibilité) et classant incorrectement les faux positifs (1 – axe X de spécificité) ( Fielding & Bell, 1997 ). Si ces probabilités sont égales, le modèle n'a pas de pouvoir discriminant et ne fonctionnera pas mieux qu'au hasard. Cette relation est représentée comme une "ligne sans information", une relation 1:1 entre les axes X et Y (pente = 1) sous laquelle le l'aire est de 0,5 ( Hanley & McNeil, 1982 ). En tant que tel, l'aire sous la courbe ( auc ) est la probabilité à laquelle le modèle fera une classification réussie, allant de l'aléatoire (0,5) à la discrimination parfaite (1,0). les valeurs auc de 0,81 à 1,00 sont considérées comme robustes ( Swets, 1988 ).

garp auc a été calculé à l'aide d'un test de Wilcoxon ( Hanley & McNeil, 1982 ) pour comparer le nombre de pixels du paysage où 0, 1, 2, etc., les modèles du meilleur sous-ensemble prédisaient P. ramorum présence potentielle par rapport au nombre de pixels où le phytopathogène s'est réellement produit (données de test m = 25). La signification statistique de chaque ensemble de modèles a été déterminée avec un test Z du garp auc par rapport à celui d'un modèle aléatoire (0,5 Hanley & McNeil, 1982 ).


Reclassement de raster - Systèmes d'Information Géographique

Abstrait

Cet article décrit un langage d'algèbre cartographique qui peut constituer la base des analyses de superposition et de voisinage dans les systèmes d'information géographique raster et les systèmes de traitement d'images. Le langage combine des cartes et des images dans des expressions avec des opérateurs arithmétiques et logiques et des fonctions mathématiques pour produire de nouvelles cartes et images. Cette algèbre a été implémentée dans le module GRASS r.mapcalc. La syntaxe du langage est d'abord décrite, puis des exemples pertinents pour les applications SIG et de traitement d'images sont présentés. 1 Introduction 1.1 Contexte Les systèmes d'information géographique (SIG) sont passés de systèmes de base de stockage, d'extraction et d'affichage de données spatiales à des systèmes de modélisation spatiale plus puissants. Cette transition est principalement due à des capacités de requête plus robustes. La création de langages de requête spatiale qui permettent à l'utilisateur final de concevoir et de créer des modèles spatiaux fera encore progresser ce développement. Tomlin (1990) décrit un langage de modélisation spatiale pour les données raster.

Pour soumettre une demande de mise à jour ou de retrait de ce document, veuillez soumettre une demande de mise à jour/correction/suppression.

Articles suggérés

Liens utiles

Vous écrivez sur CORE ?

Découvrez nos résultats de recherche et citez nos travaux.

CORE est un service à but non lucratif fourni par l'Open University et Jisc.


1. Introduction

Environ 85 millions de personnes n'ont pas accès à l'électricité en Éthiopie, dont la majorité vivent dans les régions rurales du pays (Michael, 2018). L'accès à l'électricité est une clé du développement durable de tout pays. Cependant, dans les pays en développement comme l'Éthiopie, il est difficile d'alimenter en électricité une communauté peu peuplée. Le manque de savoir-faire scientifique et méthodologique en ce qui concerne la planification, la sélection des sites, la distribution et la densité de peuplement, le niveau économique, les niveaux sociaux et la distance par rapport au réseau national sont les principaux facteurs des taux d'électrification les plus bas en Éthiopie. Ainsi, cette étude présente les systèmes d'énergie renouvelable comme une alternative possible pour l'électrification rurale (Qerimi et al., 2020).

L'Éthiopie est dotée de tant de potentiels d'énergies renouvelables. Selon l'étude, le potentiel hydroélectrique estimé est de 45 GW, pour l'éolien de 10 GW, pour la géothermie de 5 GW, et le potentiel d'irradiation solaire varie de 4,5 kwh/m2/jour à 7,5 kwh/m2/jour (Mondal et al., 2018 ) (Falchetta et al., 2019 ). Avec toutes les ressources potentielles disponibles, une mauvaise planification de l'électrification est un défi en Éthiopie pour atteindre le niveau requis de norme en matière d'électrification rurale. La feuille de route de mise en œuvre du programme national d'électrification éthiopien présente un plan d'action pour atteindre l'accès universel à l'électricité à l'échelle nationale d'ici 2025 (Korkovelos et al., 2019) (Drouin, 2018). Un programme ambitieux et rapide de déploiement de connexions au réseau visant à accroître l'accès de 65 % de la population sans accès est l'une des priorités du programme. L'autre option établie dans le plan d'action est la conception et la portée améliorées du programme de déploiement d'accès au réseau pour fournir aux 35% restants de la population résidant dans les ménages ruraux et ruraux profonds d'ici 2025 en utilisant des systèmes solaires domestiques et des mini/micro réseaux isolés (Mondal et al., 2018). Cependant, il n'y a pas de planification d'électrification appropriée pour atteindre cet objectif.

Un système de gestion graphique basé sur un système d'information géographique (SIG) est important pour la planification de l'électrification rurale. L'intégration d'informations de base et d'informations géographiques facilite la planification de l'électrification rurale. Les informations de base et les informations géographiques sont prises en compte dans le développement d'un système d'information géospatiale afin d'obtenir la meilleure planification et stratégies d'électrification possibles. Des données telles que l'heure d'ensoleillement/l'irradiance, la vitesse du vent, la pente, l'utilisation des terres-couverture des terres, les zones protégées, les plans d'eau, les forêts et les villes sont collectées et analysées. Ces données sont utilisées pour identifier les options d'électrification optimales pour des zones particulières dans quatre districts de la zone (Fogera, Dera, Farta et Este). Les facteurs de pondération de ce critère sont également déterminés à l'aide d'Analytic Hierarchy Process (AHP) (Alami Merrouni et al., 2018 ). Ces valeurs pondérées et reclassées sont multipliées pour produire la carte finale des options d'électrification.

Il existe différents systèmes de planification énergétique dans lesquels des études liées au système d'information géographique dans lesquelles la prise de décision multicritères et le système d'information géographique ont été utilisés pour différentes perspectives. Le système d'information géographique a été utilisé pour la planification énergétique. La revue de la littérature existante a exploré que différents chercheurs utilisaient différentes méthodes de planification énergétique. Cette étude contribue à la littérature existante en proposant des options de ressources énergétiques plus disponibles à proximité de la communauté.

En plus d'intégrer des ressources énergétiques renouvelables telles que l'énergie solaire, éolienne, hydroélectrique, géothermique et fossile, l'Éthiopie développe une hydroélectricité à grande échelle pour réaliser un programme d'électrification universel. Cependant, les défis de l'option préférée et du mélange de manière rentable basée sur une procédure géospatiale pour déterminer avec précision ne sont pas sonnés pour atteindre l'objectif. Par conséquent, l'objectif de cette étude est d'étudier l'introduction de systèmes d'énergie renouvelable comme alternative possible pour l'électrification rurale en utilisant les technologies géospatiales dans la zone sud de Gondar.


Descriptifs

  • Riegelmann, Edward A.
  • Les îles du Cap-Vert, au large des côtes de l'Afrique de l'Ouest, sont soumises à de violentes précipitations qui provoquent une érosion importante des sols et une dégradation du paysage. Une approche systématique de la collecte, de l'analyse et de la diffusion des données hydrophysiques et géographiques était nécessaire pour analyser efficacement les variables cause et effet de l'érosion du paysage à l'échelle du bassin versant. Une méthodologie intégrant l'analyse du système d'information géographique (SIG) et l'inventaire modifié du tronçon de cours d'eau et des techniques d'évaluation de la stabilité du canal a été développée pour le drainage de Ribeira da Boca Larga sur l'île de Santiago, en République du Cap-Vert. L'inventaire de portée de flux utilisé est une version modifiée de "Stream Reach Inventory and Channel Stability Evaluation" de Pfankuch (1975). Des modifications ont été apportées en raison des conditions environnementales uniques rencontrées au Cap-Vert. Le système d'information géographique fonctionne sur un micro-ordinateur compatible IBM PC-AT et se compose de trois progiciels populaires de stockage et d'analyse de données géographiques vectorielles et matricielles, reliés entre eux par un quatrième ensemble logiciel développé pour la communication et l'analyse personnalisées des données géographiques. Les données de l'inventaire de la portée des cours d'eau et du système d'information géographique ont été combinées pour créer des analyses de portée des canaux uniformes et des produits SIG automatisés. Ces produits sont conçus pour aider le gestionnaire de bassin versant, l'aménageur et l'ingénieur agronome à développer une réponse concertée aux phénomènes d'érosion dans le drainage évalué. L'inventaire intégré des tronçons de cours d'eau et la méthodologie du système d'information géographique ont été développés pour servir de modèle pour l'analyse des bassins versants dans tout l'archipel du Cap-Vert.
  • Université d'État de l'Oregon
  • Fichier scanné à 300 ppi (Monochrome) à l'aide de ScandAll PRO 1.8.1 sur un Fi-6770A au format PDF. CVista PdfCompressor 4.0 a été utilisé pour la compression de pdf et l'OCR textuel.
  • description.provenance : Approuvé pour entrée en archive par Patricia Black([email protected]) le 2012-07-19T20:28:56Z (GMT) Nombre de flux binaires : 1RiegelmannEdwardA.pdf : 52135806 octets, somme de contrôle : b4a6b13770c6b27ba78a0c955af3269a MD5)
  • description.provenance : Soumis par Kaylee Patterson ([email protected]) le 2012-07-18T21:33:48ZNo. de flux binaires : 1RiegelmannEdwardA.pdf : 52135806 octets, somme de contrôle : b4a6b13770c6b27ba78a0c955af3269a (MD5)
  • description.provenance : Mis à disposition dans DSpace le 2012-07-19T20:28:56Z (GMT). Nombre de flux binaires : 1RiegelmannEdwardA.pdf : 52135806 octets, somme de contrôle : b4a6b13770c6b27ba78a0c955af3269a (MD5) Date de publication précédente : 1989-02

Les références

Bivand, Roger S., Edzer Pebesma et Virgilio Gómez-Rubio. 2013. Analyse de données spatiales appliquées avec R. 2e éd. Édition 2013. New York : Springer.

Chambers, John M. 2016. Extension de R. Presse CRC.

Hijmans, Robert J. 2017. Raster : analyse et modélisation des données géographiques. https://CRAN.R-project.org/package=raster.

Longley, Paul, Michael Goodchild, David Maguire et David Rhind. 2015. Sciences de l'information géographique et systèmes d'amplification. Quatrième édition. Hoboken, New Jersey : Wiley.

Pébesma, Edzer. 2018. « Fonctionnalités simples pour R : prise en charge standardisée des données vectorielles spatiales ». Le Journal R. https://journal.r-project.org/archive/2018/RJ-2018-009/index.html.

[1] Notez également que RPyGeo provides access to ArcMap which is a commercial Desktop GIS software.


Voir la vidéo: QGIS Rasterize Vector to Raster. how to convert shapefile to raster in QGIS 向量資料網格化