Suite

Masquage du raster à l'aide de l'outil d'extraction par masque si le masque d'entité est plus grand que la zone raster dans ArcGIS Desktop ?

Masquage du raster à l'aide de l'outil d'extraction par masque si le masque d'entité est plus grand que la zone raster dans ArcGIS Desktop ?


J'ai un problème pour masquer le raster dont les valeurs sont comprises entre -0.73106217384338 - 0.94593381881714. Ces valeurs ont été dérivées en utilisant l'équatine (B3-B4)/(B3+B4) des valeurs de réflectance spectrale des bandes 3 et 4 de Landsat dans arcgis 10. L'image raster était au format de fichier tif 32 bits. J'ai appliqué la fonction Extraire par masque dans arcgis avec en entrée ce fichier de forme raster et polygone comme masque d'entité. Mais le polygone que j'ai utilisé ici couvre une zone plus étendue que le raster. Le raster en sortie a des valeurs réelles comme 0.435936 ici pour les zones où il n'y a pas de raster sous le polygone.

Comment puis-je me débarrasser de cette valeur à l'aide d'ArcGIS 10 ?


Classification rapide des terres cultivées

La classification de la couverture terrestre dans les paysages complexes a été limitée par la transition inhérente à courte distance dans les types de cultures/végétation, en particulier dans les systèmes agricoles des petits exploitants. La disponibilité et l'accessibilité croissantes des images d'observation de la Terre offrent des opportunités importantes pour évaluer l'état et surveiller les changements dans la couverture terrestre, mais le déverrouillage de cette capacité dépend de la disponibilité de données de vérité terrain pertinentes pour calibrer et valider les algorithmes de classification. Les données de vérité sur le terrain spatialement explicites indispensables sont souvent indisponibles dans les systèmes agricoles d'Afrique subsaharienne, ce qui limite le développement d'outils analytiques pertinents pour surveiller la dynamique des terres cultivées ou générer des informations [presque] en temps réel sur les systèmes agricoles. Ce didacticiel a été développé en tant que guide rapide pour les utilisateurs intéressés par la mise en œuvre d'une routine de classification de la couverture terrestre dans l'environnement Google Earth Engine, à l'aide de données de vérité terrain et des bandes spectrales Sentinel-2 TOA disponibles. L'objectif est de fournir un flux de travail facile à mettre en œuvre qui peut être adapté par les chercheurs et les analystes pour classer rapidement les terres cultivées. Alors que davantage d'efforts sont investis dans la collecte de données géoréférencées riches en espace aux niveaux national et régional, ce didacticiel peut être utile pour générer des informations immédiates/en temps opportun pour le maïs et d'autres types de cultures.


Cellules_agrégats¶

Génère une version à résolution réduite d'un raster.

raster – le raster en entrée

facteur_cellule – Le facteur par lequel multiplier la taille de cellule du raster en entrée pour obtenir la résolution souhaitée pour le raster en sortie. Par exemple, une valeur de facteur de cellule de trois entraînerait une taille de cellule en sortie trois fois supérieure à celle du raster en entrée. La valeur doit être un entier supérieur à 1.

type_agrégation

Int. Établit comment la valeur de chaque cellule de sortie sera déterminée. Les valeurs des cellules d'entrée englobées par la cellule de sortie plus grossière sont agrégées par l'une des statistiques suivantes :

  • 2 (MAXIMUM) : La plus grande valeur des cellules d'entrée.

  • 3 (MEAN) : La valeur moyenne des cellules d'entrée.

  • 4 (MEDIAN) : La valeur médiane des cellules d'entrée.

  • 5 (MINIMUM) : La plus petite valeur des cellules d'entrée.

  • 9 (SUM) : La somme (total) des valeurs des cellules d'entrée. Il s'agit de la valeur par défaut.

extent_handling

Booléen facultatif. Définit comment gérer les limites du raster en entrée lorsque ses lignes ou colonnes ne sont pas un multiple du facteur de cellule.

  • True : étend les limites supérieures ou droites du raster en entrée afin que le nombre total de cellules dans une ligne ou une colonne soit un multiple du facteur de cellule. Ces cellules développées reçoivent une valeur de NoData. Avec cette option, le raster en sortie peut couvrir une plus grande étendue spatiale que le raster en entrée. C'est la valeur par défaut.

  • False : Réduit le nombre de lignes ou de colonnes dans le raster en sortie de 1. Cela tronquera les cellules restantes sur les limites supérieure ou droite du raster en entrée, faisant du nombre de lignes ou de colonnes dans le raster en entrée un multiple du facteur de cellule . Avec cette option, le raster en sortie peut couvrir une étendue spatiale plus petite que le raster en entrée.

ignore_nodata

Booléen facultatif. Indique si les valeurs NoData sont ignorées par le calcul d'agrégation.

True : spécifie que si des valeurs NoData existent pour l'une des cellules qui se trouvent dans l'étendue spatiale d'une cellule plus grande sur le raster en sortie, les valeurs NoData seront ignorées lors de la détermination de la valeur pour les emplacements des cellules en sortie. Seules les cellules d'entrée dans l'étendue de la cellule de sortie qui ont des valeurs de données seront utilisées pour déterminer la valeur de la cellule de sortie. C'est la valeur par défaut.

False : spécifie que si une cellule comprise dans l'étendue spatiale d'une cellule plus grande sur le raster en sortie a une valeur NoData, la valeur de cet emplacement de cellule en sortie sera NoData. Lorsque cette option est utilisée, il est implicite que lorsque les cellules d'une agrégation contiennent la valeur NoData, il n'y a pas suffisamment d'informations pour effectuer les calculs spécifiés nécessaires pour déterminer une valeur de sortie.


Les références

Les Nations Unies. Perspectives de la population mondiale : la révision de 2015. Dept. Écon. Affaires sociales, Division de la population. (UNPD) http://esa.un.org/unpd/wpp/ (2015).

Les Nations Unies. Perspectives d'urbanisation mondiale : la révision de 2014. Faits saillants (ST/ESA/SER.A/352). Dept. Écon. Affaires sociales, Division de la population. (UNPD) http://esa.un.org/unpd/wup/Highlights/WUP2014-Highlights.pdf (2014).

Les Nations Unies. Perspectives de la population mondiale : la révision de 2015. Principales conclusions et tableaux avancés (ESA/P/WP.241). Dept. Écon. Affaires sociales, Division de la population. (UNPD) https://esa.un.org/unpd/wpp/publications/files/key_findings_wpp_2015.pdf (2015).

Tatem, A. J., Noor, A. M., von Hagen, C., Di Gregorio, A. & Hay, S. I. Cartes de population à haute résolution pour les pays à faible revenu : combinaison de la couverture terrestre et du recensement en Afrique de l'Est. PLoS UN 2, e1298 (2007).

Balk, D.L. et al. Détermination de la répartition mondiale de la population : méthodes, applications et données. Av. en parasitologie 62, 119–156 (2006).

Bhaduri, B., Bright, E., Coleman, P. & Dobson, J. LandScan : localiser les gens est ce qui compte. Géoinformatique 5, 34–37 (2002).

Salvatore, M., Pozzi, F., Ataman, E., Huddleston, B. & Bloise, M. Mapping global urban and rural population distributions. Document de travail sur l'environnement et les ressources naturelles 24. Alimentation et Agri. Org. Référentiel de documents institutionnels des Nations Unies http://www.fao.org/docrep/009/a0310e/a0310e00.htm (2005).

Hay, S. I., Guerra, C. A., Tatem, A. J., Atkinson, P. M. & Snow, R. W. Urbanisation, transmission du paludisme et fardeau de la maladie en Afrique. Nature Rev. Microbio 3, 81–90 (2005).

Snow, R. W., Guerra, C. A., Noor, A. M., Myint, H. Y. & Hay, S. I. La distribution mondiale des épisodes cliniques de paludisme à Plasmodium falciparum. La nature 434, 214–217 (2005).

Doxsey-Whitfield, E. et al. Tirer parti de l'amélioration de la disponibilité des données de recensement : un premier aperçu de la population quadrillée du monde, version 4 (GPWv4). Articles en Géog appliqué 1, 226–234 (2015).

Center for International Earth Science Information Network (CIESIN), Université de Columbia. Population maillée du monde, version 4 (GPWv4). Centre américain de données et d'applications socio-économiques de la NASA (SEDAC) http://sedac.ciesin.columbia.edu/data/set/gpw-v4-population-count-adjusted-to-2015-unwpp-country-totals (2016).

Center for International Earth Science Information Network (CIESIN), Columbia University International Food Policy Research Institute (IPFRI), Banque mondiale et Centro Internacional de Agricultura Tropical (CIAT). Projet mondial de cartographie rurale-urbaine (GRUMPv1). Centre américain de données et d'applications socio-économiques de la NASA (SEDAC) http://sedac.ciesin.columbia.edu/data/collection/grump-v1/sets/browse (2016).

Balk, D. L., Pozzi, F., Yetman, G., Deichmann, U. & Nelson, A. La distribution des personnes et la dimension du lieu : méthodologies pour améliorer l'estimation globale des étendues urbaines. En Proc. de 2005 Conférence sur la télédétection urbaineftp://ftp.ecn.purdue.edu/jshan/proceedings/URBAN_URS05/balk-etal.pdf (2005).

Center for International Earth Science Information Network (CIESIN), Columbia University et Centro Internacional de Agricultura Tropical (CIAT). Population maillée du monde, version 3 (GPWv3). Centre américain de données et d'applications socio-économiques de la NASA (SEDAC)http://sedac.ciesin.columbia.edu/data/collection/gpw-v3 (2014).

Balk, D. L. & Yetman, G. La distribution mondiale de la population : évaluation des gains dans le raffinement de la résolution. Centre pour le réseau international d'information sur les sciences de la Terre (CIESIN), Université de Columbia http://sedac.ciesin.columbia.edu/downloads/docs/gpw-v3/gpw3_documentation_final.pdf (2004).

Center for International Earth Science Information Network (CIESIN), Université de Columbia. Population quadrillée du monde (GPW) Version 3. GPW et GRUMP : Bref historique, comparaison et historique. Centre américain de données et d'applications socio-économiques de la NASA (SEDAC) http://sedac.ciesin.columbia.edu/data/collection/gpw-v3/about-us (2014).

Balk, D. L., Yetman, G. & de Sherbinin, A. Center for International Earth Science Information Network (CIESIN), Columbia University US NASA Socioeconomic Data and Applications Center (SEDAC). Construction d'ensembles de données maillées sur la population et la pauvreté à partir de différentes sources de données. En Proc. de la conférence du Forum européen de géostatistique, 5-7 octobre 2010 Tallinn, Estoniehttp://www.efgs.info/wp-content/uploads/conferences/efgs/2010/17_construction-of-Gridded-population-and-poverty-data-sets-from-different-data-sources-_Alex-de- Sherbinin.pdf (2010).

Linard, C., Gilbert, M. & Tatem, A. J. Évaluation de l'utilisation des données mondiales sur l'occupation des sols pour guider la modélisation de la distribution de la population sur de grandes surfaces. GéoJournal 76, 525–538 (2011).

Mennis, J. & Hultgren, T. Cartographie asymétrique intelligente et son application à l'interpolation aréale. Carto. Géog. Info. Sci 33, 179–194 (2006).

Gaughan, A. E., Stevens, F. R., Linard, C., Jia, P. & Tatem, A. J. Cartes de répartition de la population à haute résolution pour l'Asie du Sud-Est en 2010 et 2015. PLoS UN 8, e55882 (2013).

Linard, C., Gilbert, M., Snow, R. W., Noor, A. M. & Tatem, A. J. Distribution de la population, modes d'établissement et accessibilité à travers l'Afrique en 2010. PLoS UN 7, e31743 (2012).

Linard, C., Alegana, V. A., Noor, A. M., Snow, R. W. & Tatem, A. J. Une base de données de population spatiale à haute résolution de la Somalie pour la cartographie des risques de maladie. Int. J. Santé Géog 9, 45 (2010).

Bhaduri, B., Bright, E. A., Coleman, P. R. & Urban, M. L. LandScan USA : Une approche de modélisation géospatiale et temporelle à haute résolution pour la distribution et la dynamique de la population. GéoJournal 69, 103–117 (2007).

Dobson, J. E., Bright, E. A., Coleman, P. R. & Worley, B. A. LandScan : Une base de données de population mondiale pour estimer les populations à risque. Photogramm Ing. Télédétection. 66, 849–857 (2000).

Laboratoire national d'Oak Ridge (ORNL). Disponibilité des données LandScan. Sciences et technologies de l'information géographique (GIST) http://web.ornl.gov/sci/landscan/landscan_data_avail.shtml (2016).

Azar, D. et al. Raffinement spatial de la distribution de la population du recensement à l'aide d'estimations télédétectées des surfaces imperméables en Haïti. Int. J. Télédétection. 31, 5635–5655 (2010).

Azar, D., Engstrom, R., Graesser, J. & Comenetz, J. Génération de couches de population à petite échelle à l'aide d'images satellitaires multi-résolutions et de données géospatiales. Environnement de télédétection 130, 219–232 (2013).

Stevens, F. R., Gaughan, A. E., Linard, C. & Tatem, A. J. Désagrégation des données de recensement pour la cartographie de la population à l'aide de forêts aléatoires avec des données de télédétection et auxiliaires. PLoS UN 10, e0107042 (2015).

Sorichetta, A. et al. Ensembles de données démographiques maillées à haute résolution pour l'Amérique latine et les Caraïbes en 2010, 2015 et 2020. Sci. Données 2, 150045 (2015).

Alegana, V.A. et al. Cartographie à haute résolution des structures d'âge de la population pour des applications de santé et de développement. J. R. Soc. Interface. 12, 20150073 (2015).

Deville, P. et al. Cartographie dynamique de la population à l'aide de données de téléphone mobile. Proc. Natl Acad. Sci 111, 888–893 (2014).

Organisation internationale de normalisation (ISO). Codes de pays—ISO 3166. Normes ISOhttp://www.iso.org/iso/country_codes.html (2015).

de Ferranti, J. Données d'élévation numérique. Panoramas du viseur http://www.viewfinderPanoramas.org/dem3.html (2015).

Nasa américaine. Mission de topographie radar de la navette. Laboratoire de propulsion à réaction. Institut de technologie de Californie http://www2.jpl.nasa.gov/srtm/ (2015).

Zones administratives mondiales (GADM). Télécharger. Zones administratives mondialeshttp://gadm.org/country (2015).

Zones administratives mondiales (GADM). À propos de. Zones administratives mondialeshttp://www.gadm.org/about (2015).

de Ferranti, J. Digital Elevation Data : SRTM Void Fill. Panoramas du viseur http://www.viewfinderPanoramas.org/voidfill.html (2015).

Hormann, C. Évaluer les données de remplissage des vides pour les DEM SRTM. Géo-visualisation : revues de géodonnées http://www.imagico.de/pov/earth_srtm.php (2015).

Fondation Géospatiale Open Source. OSGEO4W. Logiciel géospatial OSGEO4Whttp://trac.osgeo.org/osgeo4w/ (2015).

Fondation Géospatiale Open Source. GDAL—Bibliothèque d'abstraction de données géospatiales. GDALhttp://www.gdal.org/ (2015).

Le groupe de développement mondial PostgreSQL. À propos de. PostgreSQLhttp://www.postgresql.org/about/ (2016).

Comité de pilotage du projet PostGIS (PSC). À propos de PostGIS. PostGIS, objets spatiaux et géographiques pour PostgreSQLhttp://postgis.net/ (2016).

Fondation OpenStreetMap (OSMF). Osm2pgsql. Ouvrir la carte des rueshttp://wiki.openstreetmap.org/wiki/Osm2pgsql (2016).

Projet QGIS. QGIS 2.10.1. Téléchargementshttp://qgis.org/downloads/ (2015).

Furieri, A. Logiciel Spatialite. La page d'accueil des projets fédérés Gaia-SINShttp://www.gaia-gis.it/gaia-sins/ (2016).

Fondation Géospatiale Open Source. GDAL_Rasterize. GDALhttp://www.gdal.org/gdal_rasterize.html (2015).

ESRI. Statistiques zonales, ArcMap 10.3. ArcGIS for Desktop ArcMap Spatial Analyst Toolbox Ensemble d'outils zonauxhttp://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/zonal-statistics.htm (2015).

Santini, M., Taramelli, A. & Sorichetta, A. ASPHAA : Un algorithme basé sur un SIG pour calculer la surface cellulaire sur une grille régulière latitude-longitude (géographique). Trans. en SIG 14, 351–377 (2010).

ESRI. Agrégat, ArcMap 10.3. ArcGIS for Desktop ArcMap Spatial Ensemble d'outils de généralisation de la boîte à outils de l'analystehttp://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/aggregate.htm (2015).

ESRI. Reclasser, ArcMap 10.3. ArcGIS for Desktop ArcMap 3D Analyst Toolbox Raster Reclassify Toolsethttp://desktop.arcgis.com/en/arcmap/10.3/tools/3d-analyst-toolbox/reclassify.htm# (2015).

Funk, C. et al. The Climate Hazards InfraRed Precipitation with Stations—Un nouveau record environnemental pour la surveillance des extrêmes. Sci. Données 2, 150066 (2015).

Manning, H. L. L'évaluation statistique de la probabilité des précipitations et son application dans l'agriculture ougandaise. Proc. Royal Soc. Londres. Sér. B. Bio. Sci. 144, 460–480 (1956).

le Blanc, D. & Perez, R. La relation entre les précipitations et la densité humaine et ses implications pour le futur stress hydrique en Afrique subsaharienne. Document de travail du DAES n° 57 (ST/ESA/2007/DWP/57). Dépt. Écon. des Nations Unies Affaires sociales, Div. Développement durable (UNDSD) http://www.un.org/esa/desa/papers/2007/wp57_2007.pdf (2007).

US NOAA National Geophysical Data Center/US Air Force Weather Agency. Version 4 DMSP-OLS Série chronologique des lumières nocturnes (1992-2013 moyenne visible, lumières stables et couvertures sans nuage). Groupe d'observation de la Terre http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html (2014).

Sutton, P., Roberts, D., Elvidge, C. & Baugh, K. Census from Heaven : Une estimation de la population humaine mondiale à l'aide d'images satellites nocturnes. Int. J. Télédétection. 22, 3061–3076 (2001).

Agence Spatiale Européenne (ESA) & Université Catholique De Louvain (UCL). Carte de la couverture terrestre mondiale pour 2009 (GlobCover 2009). Élément d'utilisateur de données ESA—GlobCover http://due.esrin.esa.int/page_globcover.php (2009).

ESRI. Rééchantillonner, ArcMap 10.3. ArcGIS for Desktop ArcMap Traitement et analyse des données rasterhttp://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/resample-function.htm (2015).

Université du Maryland, Département de géographie. Landsat eaux intérieures v1 2000. Global Land Cover Facility—Global Inland Waterhttp://www.landcover.org/data/watercover/ (2015).

Université du Maryland, Département de géographie & amp US NASA. MOD44W MODIS Eau, Collection 5, 2000-2002. Global Land Cover Facility—MODIS Water Mask http://www.landcover.org/data/watermask/ (2009).

Linard, C. et al. Utilisation des données VGI actives et passives pour la modélisation de la répartition de la population : expérience du projet WorldPop. En Proc. de la huitième conférence internationale sur la science de l'information géographiquehttp://web.ornl.gov/sci/gist/workshops/2014/docs/Catherine%20Linard%20-%20Use%20of%20active%20and%20passive%20VGI%20data%20for%20population%20distribution%20modelling%20experience %20de%20the%20WorldPop%20project.pdf (2014).

Fondation OpenStreetMap (OSMF). Précision. Ouvrir la carte des rueshttp://wiki.openstreetmap.org/wiki/Accuracy (2016).

Fondation OpenStreetMap (OSMF). Format PBF. Ouvrir la carte des rueshttp://wiki.openstreetmap.org/wiki/PBF_Format (2016).

Fondation OpenStreetMap (OSMF). Chargement des données OSM. Switch2OSMhttps://switch2osm.org/loading-osm-data/ (2016).

ESRI. Polygone à raster, ArcMap 10.3. ArcGIS for Desktop Boîte à outils de conversion ArcMap en jeu d'outils rasterhttp://desktop.arcgis.com/en/arcmap/10.3/tools/conversion-toolbox/polygon-to-raster.htm (2015).

US NASA & US National Geospatial-Intelligence Agency (NGA). SRTM SWBD. Index de SRTM Version 2.1 SWBDhttps://dds.cr.usgs.gov/srtm/version2_1/SWBD/ (2003).

Centre de données EROS de la Commission géologique des États-Unis. Données de masse d'eau GTOPO30 HYDRO 1 K. Archives à long terme https://lta.cr.usgs.gov/HYDRO1K https://lta.cr.usgs.gov/gtopo30 (1996).

Le Groupe de travail sur l'information géographique numérique (DGIWG). Catalogue de codage des caractéristiques et des attributs (FACC), édition 2.1, septembre 2000. La norme d'échange d'informations géographiques numériques (DIGEST) Partie 4 https://www.dgiwg.org/digest/documents/Part4_FACC.zip (2016).

Nelson, A. (Unité de surveillance de l'environnement mondial du Centre commun de recherche de la Commission européenne). Temps de trajet estimé jusqu'à la ville la plus proche de 50 000 personnes ou plus en l'an 2000. Centre commun de recherche—Le service scientifique interne de la Commission européenne—Temps de trajet dans les grandes villes : une carte mondiale de l'accessibilité http://forobs.jrc.ec.europa.eu/products/gam/ (2008).

Lloyd, C. T. Code source pour : WorldPop Archive Global Gridded Spatial Datasets. Version Alpha 0.9. Fichiers et code de support pour produire des ensembles de données de base, intégrer d'autres ensembles de données spatiales et calculer la surface cellulaire pour une grille longitude-latitude (géographique) régulièrement espacée de la surface de la Terre. Part de figue https://dx.doi.org/10.6084/m9.figshare.4476803.v1 (2016).

Rabus, B., Eineder, M., Roth, A. & Bamler, R. The Shuttle Radar Topography Mission—Une nouvelle classe de modèles d'élévation numériques acquis par radar spatial. Télédétection ISPRS J. Photogramm 57, 241–262 (2003).

Rodriguez, E. et al. Une évaluation des produits topographiques SRTM. D-31639. US NASA Jet Propulsion Laboratory, California Institute of Technology http://www2.jpl.nasa.gov/srtm/SRTM_D31639.pdf (2005).

Brigham, C., Gilbert, S. & Xu, Q. Open Geospatial Data: An Assessment of Global Boundary Datasets. Institut de la Banque mondiale. Les Actes de GISRUK 2012, Université de Lancasterhttp://www.geos.ed.ac.uk/

Center for International Earth Science Information Network (CIESIN), Université de Columbia. Population maillée du monde, version 4 (GPWv4) : indicateurs de qualité des données. Centre américain de données et d'applications socio-économiques de la NASA (SEDAC) http://sedac.ciesin.columbia.edu/data/set/gpw-v4-data-quality-indicators (2016).

Henderson, M., Yeh, E. T., Gong, P., Elvidge, C. & Baugh, K. Validation des limites urbaines dérivées de l'imagerie satellite mondiale de nuit. Int. J. Télédétection. 24, 595–609 (2003).

Min, B., Gaba, K. M., Sarr, O. F. & Agalassou, A. Détection de l'électrification rurale en Afrique à l'aide de l'imagerie des veilleuses DMSP-OLS. Int. J. Télédétection. 34, 8118–8141 (2013).

Feng, M., Sexton, J. O., Channan, S. & Townshend, J. R. Un ensemble de données global à haute résolution (30 m) sur les eaux intérieures pour 2000 : premiers résultats d'un algorithme de classification topographique et spectrale. Int. J. Terre numérique 9, 113–133 (2016).

Carroll, M. L., Townshend, J. R., DiMiceli, C. M., Noojipady, P. & Sohlberg, R. A. Un nouveau masque d'eau raster global à une résolution de 250 m. Int. J. Terre numérique 2, 291–308 (2009).

Iwao, K. et al. Validation des modèles d'élévation numériques mondiaux avec des informations sur le projet de confluence des degrés et ASTER-DEM sur la grille géographique. Int. Cambre. Photogramm, télédétection et infos spatiales. Sci 37, 1847–1852 (2008).

Varga, M. & Bašić, T. Validation de la précision et comparaison des modèles altimétriques numériques mondiaux sur la Croatie. Int. J. Télédétection. 36, 170–189 (2015).

Haklay, M., Basiouka, S., Antoniou, V. & Ather, A. Combien de volontaires faut-il pour bien cartographier une zone ? La validité de la loi de Linus pour l'information géographique volontaire. Carto. J 47, 315–322 (2010).

Lloyd, C. T. Contrôles sur l'emplacement et la taille des surprofondeurs glaciaires. Thèse de doctorat, Université de Sheffield. White Rose eTheses en lignehttp://etheses.whiterose.ac.uk/id/eprint/8846 (2015).

zu Erbach-Schoenberg, E. et al. Dénominateurs dynamiques : l'impact des chiffres de population variant selon les saisons sur les estimations de l'incidence de la maladie. Popul. Santé Metr. 14, 35 (2016).

Patel, N.N. et al. Amélioration de la cartographie de la population à grande échelle à l'aide des densités de géotweets. Trans. en SIG 10.1111/tgis.12214 (2016).

Centre commun de recherche de la Commission européenne. GHSL—Couche des établissements humains mondiaux. Commission européenne Science Hub—Établissements humains mondiaux http://ghsl.jrc.ec.europa.eu/index.php (2016).

Initiative sur le changement climatique (ICC) de l'Agence spatiale européenne (ESA). Cartes mondiales d'occupation des sols v1.6.1 et plans d'eau v4. Visionneuse de couverture terrestre de l'ESA http://maps.elie.ucl.ac.be/CCI/viewer/ (2016).

Centres nationaux d'information environnementale de la NOAA des États-Unis. VIIRS DNB Nighttime Lights Cloud Free Composites v1. Groupe d'observation de la Terre https://www.ngdc.noaa.gov/eog/viirs/download_monthly.html (2016).

Conseil britannique de recherche sur l'environnement naturel (NERC), British Atmospheric Data Center (BADC). Superficie d'une cellule de grille de longitude/latitude. Aiderhttps://badc.nerc.ac.uk/help/coordinates/cell-surf-area.html (2002).

Tobler, W. & Chen, Z. Un quadtree pour le stockage global d'informations. Géog. Une analyse 18, 360–371 (1986).


5. Conclusions

L'approche présentée ici est une application de méthodes existantes permettant d'accélérer l'extraction du couvert forestier à partir de grandes archives de cartes historiques stockées sous forme d'impressions papier ou de numérisations d'impressions papier. Nos méthodes se sont concentrées sur les zones forestières qui sont représentées sur des cartes avec des couleurs distinctes. Nous avons reçu des précisions similaires aux résultats d'autres études qui visaient à extraire des caractéristiques bidimensionnelles à partir de cartes papier numérisées (Wise, 1999 , 2002 Herrault et al., 2013 ), prouvant l'efficacité de notre approche. Dans les cas où la représentation graphique, structurelle ou texturale de la forêt doit être prise en compte, le potentiel d'autres méthodes peut être plus élevé (Leyk et al., 2006 Leyk et Boesch, 2009 , 2010 ).


  • se familiariser avec quelques fonctions analytiques plus courantes (plus de fonctions analytiques sur les modèles de surfaces raster seront traitées en 3D et en modélisation de surface).
  1. Effectuez une substitution de lecteur pour créer les lecteurs L (CD) et M (lecteur amovible).

Effectuer une substitution de lecteur

Effectuer une substitution de lecteur pour créer les lecteurs virtuels L et M.

Ouvrir un nouveau document ArcMap

  1. Si nécessaire, activez l'extension Spatial Analyst et ancrez la barre d'outils Spatial Analyst dans la fenêtre de votre application ArcMap.
  2. Supprimez tout ce que vous pouvez de votre lecteur amovible.
  3. Créer un répertoire appelé M: _an_2 pour tenir le travail d'aujourd'hui.
  4. Créez un nouveau document ArcMap appelé M: _an_2 _an_2.mxd.
  5. Définissez également le répertoire de travail à cet emplacement (Géotraitement > Environnement > Répertoire de travail).
  6. Assurez-vous d'économiser tôt et souvent pendant cet exercice.

Importation de données à partir de fichiers raster génériques

  1. Télécharger le fichier q1822.zip, et enregistrez-le dans M:. (L'ensemble complet des DEM de l'État de Washington est disponible sur un serveur de Geological Sciences.)
  2. Décompressez le fichier, en plaçant le fichier décompressé (q1822.dem) dans M:.
    1. Si vous êtes curieux de connaître la structure du fichier, ouvrez une invite de commande et utilisez la commande

    plus M:q1822.dem

    1. Met le Saisir le fichier USGS DEM au dem décompressé.
    2. Met le Raster en sortie à une grille appelée M:NETID.gdbeatonville ou alors M: _an_2Eatonville
    3. Changer la Type de données de sortie à ENTIER. Ces DEM USGS sont stockés dans des compteurs entiers, il est donc approprié de stocker la grille sous forme d'entier.

    Vous venez de télécharger avec succès un modèle d'élévation numérique du domaine public, de l'importer dans ArcGIS et de l'afficher dans un dégradé de couleurs étiré par élévation. Presque tous les DEM pour les États-Unis sont disponibles en téléchargement gratuit. Les DEM sont utilisés dans tous les aspects de l'analyse SIG des paysages. L'altitude est l'une des choses les plus fondamentales que nous devons savoir sur les paysages. De plus, les jeux de données d'altitude constituent la base des jeux de données de pente et d'aspect et seront utilisés pour développer les délimitations des bassins versants.

    Obtenir et importer des DEM USGS de 10 m

    Harvey Greenberg gère un serveur dans Earth & Space Sciences qui gère un grand nombre d'ensembles de données pour l'État de Washington, y compris des DEM de 10 m (ceux que vous venez d'utiliser font 30 m).

    1. Créer un répertoire appelé 10m pour tenir les DEM de 10 mètres dans votre M: _an_2.
    2. Faites un clic droit sur le lien à gauche et “Ouvrir dans une nouvelle fenêtre”. http://gis.ess.washington.edu/data/raster/tenmeter/byquad/index.html
    3. La page Washington 10 m DEMs devrait s'ouvrir.

    10m

    Fusion de grilles adjacentes (“mosaicking”)

    Le mosaïquage créera une seule grille transparente et facilitera également la transition entre les grilles en effectuant une fonction de moyenne près du bord.

      En utilisant la même méthode que ci-dessus, téléchargez, importez et décompressez le DEM Elbe, WA 30 m (q1823.dem). Appeler la grille de sortie Elbe.


    Même si vous utilisez un dégradé de couleurs similaire, vous pouvez toujours voir le bord dur entre les deux grilles. Vous pouvez également voir qu'il s'agit toujours de deux grilles distinctes dans la table des matières du bloc de données.

    Voici une vue agrandie avec une symbologie classée plutôt qu'étirée.

    Pour ces cellules en bordure, le dénivelé est de 9 mètres.

    Vous venez de télécharger, d'importer et de fusionner deux modèles d'élévation numériques USGS adjacents. Si votre zone d'étude s'étend sur plusieurs limites de feuille quad USGS et que vous devez effectuer une analyse à l'aide de données d'altitude, vous devrez les mosaïquer.

    Cartographie des contours

    1. Retournez au Eatonville trame de données.
    2. Du Outil d'analyse spatiale, sélectionnez Surface et contour.
      1. Réglez l'intervalle de contour sur 10 m.
      2. Placez la sortie sous forme de fichier de formes appelé Contour_10m.

      Vous venez de créer un calque de ligne de contour vectoriel entier. Utilisez cette technique pour créer des données de courbe de niveau si vous ne disposez que de données d'altitude raster, mais que vous avez besoin de courbes de niveau sur votre carte. Attention, cependant, que les lignes de contour ne sont aussi bonnes que les données d'entrée, qui dans de nombreux cas, ne sont pas très bonnes du tout. Il existe également des problèmes de généralisation des lignes qui peuvent affecter la qualité des données.

      Calcul des surfaces de distance et des zones tampons

      Calculer des surfaces de distance

      1. Créez un nouveau bloc de données appelé Pack Forêt.
      2. Ajouter le ruisseaux couche de L:packgispackgis.mdb.
      3. Du Analyste spatialOutils menu, sélectionnez Distance > Distance euclidienne. Utilisez une taille de cellule de 30.
        <Note> N'enregistrez pas ce fichier dans la géodatabase ou cela peut provoquer des erreurs.

      Voyez-vous en quoi cela diffère de la fonction tampon dans le monde vectoriel ?

      Créer des tampons

      Maintenant que vous avez une surface qui a une distance à chaque ruisseau, créez une couche de grille qui représente les cellules à moins de 500 pieds des ruisseaux existants.

      1. Du Analyste spatialOutilsCarte Algeba, sélectionnez Calculatrice raster.
      2. Formatez un calcul qui ne prend que les cellules à moins de 500 pieds des flux (le fichier 001 est la couche tamponnée).

      Cette expression signifie “pour chaque cellule, si la valeur de buf_stream_500 est égal à 0, faire la valeur de sortie pas de données, sinon définissez la valeur de sortie 1.”


      Cela créera une nouvelle grille identique à la grille de distance d'origine, mais elle n'aura de valeur pour les cellules que dans la grille de masque. Le masque limite l'étendue spatiale des cellules de sortie.

      L'autre méthode pour limiter la distance est :

        Effectuez le même calcul de distance que précédemment, mais entrez le Distance maximale de 500 pieds :

      Vous venez de créer une grille de surface de distance à partir d'une couche vectorielle de flux. Ces surfaces de distance sont similaires aux tampons, mais plutôt que d'avoir une simple valeur binaire d'entrée ou de sortie, les cellules sont codées avec la distance réelle du centre de la cellule au flux le plus proche. Si vous effectuez une sorte de modélisation où la distance réelle par rapport à une entité (plutôt qu'à l'intérieur/à l'extérieur d'une zone tampon) est importante, vous pouvez utiliser cette technique. Par exemple, les salamandres sont plus susceptibles d'être trouvées plus près des chenaux des cours d'eau.

      Calcul des attributs récapitulatifs des entités à l'aide d'une couche de grille (“Statistiques zonales”)

      Les statistiques de zone sont utilisées lorsque vous disposez d'un ensemble de données de zone (la source peut être une grille ou un ensemble de données vectorielles) et que vous souhaitez connaître les statistiques récapitulatives d'une grille sous-jacente.

      1. Créez un nouveau bloc de données et ajoutez la couche de grille dem et la couche polygonale des stands depuis le fichier L:packgispackgis.mdb.
      2. Sélectionner Outils Spatial Analyst > Statistiques zonales > Statistiques zonales.
        1. Choisir peuplements polygone comme le Jeu de données de zone.
        2. Sélectionnez l'article SITE_INDEX comme champ de zone. Ceci précise que nous sommes intéressés à regrouper les stands et à analyser par valeur unique d'indice de site.
        3. Sélectionner dem comme le Raster de valeur.
        4. Sélectionner Signifier comme le Statistiques du graphique.
        5. Mettez la table de sortie dans M:NETID.gdbZonalSt_stands1.

        Zones de tabulation croisée

        La tabulation croisée par zone est utile pour comparer différents ensembles de données pour la même zone, ainsi que pour comparer les mêmes couches de données à différents moments.

        Une approximation raster du vecteur d'intersection

        1. Créez un nouveau bloc de données appelé XTab.
        2. Ajouter le des stands et sols couches de L:packgisforêt dossier dans le bloc de données. Étant donné que nous n'avons pas de couche raster existante pour cet exercice, nous aimerions que vous créiez deux couches à partir du peuplement et du sol.
        3. Convertissez la classe d'entités peuplements en raster (ArcToolbox > Outils de conversion > Vers raster > Polygone vers raster).
          1. Convertir en fonction du ESPÈCE domaine.
          2. Placez l'ensemble de données de sortie dans M:NETID.gdbstand_sp_grid.
          3. Utilisez une taille de cellule de 30 m.

          1. La première couche d'entrée est la grille de sol
          2. La deuxième couche d'entrée est la grille de support.
          3. Placez la table de sortie dans M:NETID.gdbsoil_stand_xtab.
          4. Cliquez sur d'accord.

          Reclassification d'une couche de grille raster

          Parfois, il est plus judicieux de travailler avec des données reclassées plutôt que des données brutes continues. Par exemple, il peut exister des plages d'altitude spécifiques dans lesquelles vous pouvez trouver différents types de végétation. Afin de modéliser la distribution de la végétation, il peut être préférable d'avoir une grille de classes d'élévation plutôt qu'une grille contenant des élévations continues brutes. La reclassification de vos données est similaire à la modification de la classification dans la légende d'une couche, mais au lieu de simplement modifier la symbologie, elle crée un nouvel ensemble de données de grille avec ces valeurs.

          1. Fermer la Propriétés.
          2. Sélectionner Outils Spatial AnalystReclasserReclasser de l'ArcToolbox. Sélectionner dem comme le Raster en entrée. La méthode de classification par défaut est une répartition manuelle en 9 classes, où les répartitions de classe sont automatiquement sélectionnées. <Remarque : N'oubliez pas de vérifier la bonne géodatabase pour enregistrer les couches raster>

          La reclassification d'une couche de grille raster attribue de nouvelles valeurs en sortie à des groupes de cellules en entrée. Dans ce cas, nous avons créé une nouvelle grille raster à partir de l'ensemble sélectionné des Dem_int couche de grille raster. Le reclassement est une technique qui peut rendre les données plus compréhensibles, mais inclut toujours une perte des informations d'origine (les valeurs d'origine sont perdues). L'autre problème avec la reclassification est que la table attributaire de grille raster résultante n'a pas de valeurs descriptives, uniquement des numéros de classe. Reclassifier est également une fonction locale, car elle attribue de nouvelles valeurs de cellule pour chaque cellule indépendamment des autres cellules.

          Calculer les statistiques du quartier

          Quelles parties de la forêt ont la plus grande complexité topographique ? Sur la base d'un noyau de cellules de 5 sur 5 passé sur l'ensemble du paysage, calculez l'écart type d'altitude dans ce noyau de cellules de 5 sur 5 et placez la sortie de chacun de ces calculs dans la cellule centrale de la grille de sortie.

          1. Du Analyste spatialOutilsQuartier, sélectionnez Statistiques de bloc.
            1. Sélectionner dem comme jeu de données d'entrée
            2. Sélectionnez la statistique Écart-type.
            3. Utilisez un rectangle de 5 par 5 de cellules.
            4. Définissez la taille de la cellule de sortie de 10 à partir du EnvironnementsAnalyse raster.
              <Note> Ce fichier ne peut pas être stocké dans la géodatbase, enregistrez-le plutôt sur votre lecteur amovible

            La même technique de base pourrait être utilisée, par exemple, pour caractériser l'utilisation des terres ou les types d'occupation des sols. Pour les données nominales telles que l'utilisation des terres ou la couverture des terres, la statistique de voisinage Variety afficherait une nouvelle couche de grille dans laquelle les cellules de sortie représentent le nombre de classes distinctes dans la zone du noyau.

            Voici un exemple de calcul de quartier basé sur l'âge des peuplements. Les peuplements forestiers ont été convertis en une grille basée sur les valeurs d'âge des peuplements (Age_2003). The highest-contrast edges (those that have the greatest difference in age) result in cells with a higher standard deviation value (shown in a darker shade of purple). Can you reproduce something like this using the Pack Forest stand polygons, based on the Site_index field values?


            Voir la vidéo: ArcGIS Tutorial: Extract by Mask