Suite

Extraire la valeur raster en polygone

Extraire la valeur raster en polygone


J'essaie d'extraire des valeurs raster dans plusieurs polygones. Ce serait bien si je pouvais choisir entre, par exemple, la valeur raster maximale ou moyenne dans le polygone.

Par exemple, j'ai créé des grilles de profondeur comme raster pour donner la profondeur d'inondation. Maintenant, je voudrais calculer la valeur raster la plus élevée/moyenne dans chaque empreinte de bâtiment pour estimer le risque d'inondation.

J'ai essayé les statistiques zonales comme recommandé dans quelques articles similaires, mais les résultats sont calculés de manière uniforme pour chaque polygone au lieu de chaque bâtiment individuel. J'ai également effectué un polygone vers un point et extrait la valeur de l'évaluateur jusqu'au point, mais dans certains cas, la grille de profondeur ne traverse pas le centre de l'empreinte du bâtiment où le point est placé.


Vous pouvez utiliser les statistiques zonales comme table (Spatial Analyst) pour ce type d'opération. L'outil accepte à la fois les données vectorielles et raster en entrée. Vous pouvez joindre les résultats à votre classe d'entités en entrée si vous le souhaitez.


Suppression d'une zone définie par un polygone d'un raster multicanal : enquête sur la classification du paysage

J'essaie d'exclure plusieurs lacs et réservoirs d'une classification de paysage supervisé, mais pour le moment, je n'ai pas trouvé de moyen de le faire. Jusqu'à présent, j'ai utilisé les workflows suivants :

1.Dessiner un polygone -> Découper -> Extraire par masque) génère le résultat inverse.

2. Dessinez un polygone -> "Raster vers polygone" -> Reclassifier -> Définir Null, mais la reclassification supprime la symbologie RVB

J'utilise une image raster haute résolution multibande
Je travaille sur la dernière version d'ARCmap for Desktop
Je souhaite conserver la symbologie RVB Composite

Une réponse

le effacer l'effet que vous recherchez peut être obtenu avec un flux de travail simple, capturé comme un modèle. Les entrées sont un raster et une classe d'entités surfaciques. Dans mon exemple, un seul polygone a été sélectionné.


Syntaxe

Le raster doit être de type entier.

Classe d'entités en sortie qui contiendra les polylignes converties.

Spécifie la valeur qui identifiera les cellules d'arrière-plan. Le jeu de données raster est considéré comme un ensemble de cellules de premier plan et de cellules d'arrière-plan. Les caractéristiques linéaires sont formées à partir des cellules de premier plan.

  • ZERO —L'arrière-plan est composé de cellules de zéro ou moins ou de NoData. Toutes les cellules avec une valeur supérieure à zéro sont considérées comme une valeur de premier plan.
  • NODATA —L'arrière-plan est composé de cellules NoData. Toutes les cellules avec des valeurs valides appartiennent au premier plan.

Longueur minimale des polylignes pendantes qui seront conservées. La valeur par défaut est zéro.

Simplifie une ligne en supprimant de petites fluctuations ou des courbures superflues tout en préservant sa forme essentielle.

  • SIMPLIFY —Les polylignes seront simplifiées en des formes plus simples de sorte que chacune contienne un nombre minimum de segments. C'est la valeur par défaut.
  • NO_SIMPLIFY —Les polylignes ne seront pas simplifiées.

Champ utilisé pour affecter les valeurs des cellules du raster en entrée aux entités polylinéaires du jeu de données en sortie.


Maintenant que nous avons fini de simuler les données, nous pouvons commencer l'analyse. Nous allons d'abord utiliser les données simulées pour générer un facteur de discrimination. En d'autres termes, nous devons déterminer comment les signatures isotopiques des tissus sont liées aux signatures des précipitations. Nous le ferons à l'aide d'un modèle linéaire afin de pouvoir effectuer des affectations géographiques pour des individus d'origine inconnue.

ci-dessous, nous extrayons les informations dont nous avons besoin pour effectuer des affectations d'isotopes. Tout d'abord, nous aurons besoin de l'interception et de la pente de l'équation linéaire ci-dessus.


Module 1 : Introduction à l'analyse spatiale

Bienvenue chers étudiants, bienvenue dans ce cours sur l'analyse géospatiale en urbanisme. Donc, aujourd'hui, nous allons nous pencher sur les opérations Raster, nous sommes dans le module 2 concernant Imean, nous allons nous pencher sur les fonctionnalités du SIG. Et les bases de l'analyse spatiale nous avons traité de l'analyse vectorielle, aujourd'hui nous avons également traité 1 module lié à l'analyse raster.
Aujourd'hui, nous en sommes à la 10e conférence où nous allons discuter des opérations raster. Comment le terrain peut-il être visualisé si nous avons un modèle d'élévation numérique qui est également une donnée raster ? Comment visualiser un terrain ? Quelles sont les différentes manières de le visualiser ? Et comment pouvons-nous effectuer une classification de données raster ? Donc, je veux dire qu'un bref de tout cela serait discuté dans la conférence d'aujourd'hui.
(Reportez-vous à l'heure de la diapositive : 01:15)
Ainsi, les concepts que nous allons aborder aujourd'hui sont les opérations de trame, nous allons nous pencher sur une mesure de la distance physique. Nous examinerons l'allocation et la direction, nous examinerons le fonctionnement des données raster concernant l'extraction des données. Nous allons également couvrir différents aspects de la mise en mémoire tampon des données raster et voir en quoi cela diffère de votre mise en mémoire tampon vectorielle que nous avions déjà faite plus tôt.
Nous aborderons également les opérations d'analyse et de visualisation du terrain par différentes approches. Comme, l'un d'eux est de calculer le relief ombré, je veux dire que nous pouvons également faire un ombrage ou il est également connu sous le nom d'ombrage hypsométrique et ensuite nous calculerons la pente et l'aspect. Et enfin, nous examinerons les concepts de classification des données raster, les différentes approches et comment nous pouvons calculer l'erreur lorsque nous effectuons un calcul de données raster.
(Reportez-vous à l'heure de la diapositive : 02:26)
Donc, je veux dire en ce qui concerne les opérations sur ces données dont nous avions parlé dans notre conférence précédente, je veux dire concernant les données analysées dans un contexte local dans un quartier ou un contexte ou dans un contexte régional ou mondial. Donc, aujourd'hui, nous parlons d'abord de la mesure de la distance physique, c'est-à-dire que vous savez déjà comment mesurer les distances à l'aide de vecteurs, mais nous pouvons également calculer les distances à l'aide de raster&rsquos.
Ainsi, ces distances peuvent être calculées en tant que distance physique ou distance de coût. Maintenant, une mesure de distance physique est une mesure euclidienne, c'est une mesure de la distance euclidienne que nous avions déjà vue et c'est fondamentalement une mesure de la ligne droite. Et la distance de coût est fonction de la distance physique c'est aussi une fonction de la vitesse sur un segment donné d'une route ou aussi sur l'état de la route.
Ainsi, ces facteurs régiraient le coût de la traversée d'un lien, supposons que nous ayons un segment de route qui est représenté par une ligne vectorielle ou une ligne raster, nous pouvons calculer la distance physique ainsi que la distance de coût. Donc, dans le contexte d'aujourd'hui, je veux dire, nous allons tout faire pour découvrir la distance par rapport à un ensemble de données raster.
Donc, je veux dire que nous mesurons généralement la distance physique comme je veux dire en tant que produit de la résolution de chacune des cellules qui est la résolution spatiale quelle est la taille des cellules raster dans vos données raster particulières et nous mesurons je veux dire multipliez-la avec la distance Je veux dire que c'est la racine carrée du centroïde du pixel d'origine du pixel au pixel de destination.
Donc, je veux dire qu'il est utilisé de la distance est mesurée à l'aide de votre formule euclidienne pour calculer la distance physique dans le cas d'un raster quelle est la différence entre la distance des données vectorielles et la distance raster est qu'en vecteur vous avez les coordonnées de point spécifiques qui sont plus précises en termes de mesure de la distance où, dans le cas d'un raster, nous mesurons généralement la distance depuis le centriode du pixel. Ainsi, il pourrait y avoir des limitations inhérentes en termes de mesure exacte lorsque nous mesurons la distance à l'aide de données raster.
Maintenant, la distance physique mesure qu'il tamponne les cellules source et cela créerait des tampons à la distance maximale spécifiée et cela pourrait être également une opération de voisinage ou cela pourrait être une opération globale. Maintenant, dans le cas d'un raster, je veux dire une opération de données où nous mesurons la distance physique, nous aurions à reclasser les données ou nous aurions à convertir ou à regrouper cette mesure physique car, comme il s'agirait d'une mesure de distance continue dans le cas d'un raster, nous aurions pour discrétiser la zone de distance.
Ainsi, nous pouvons faire cela, il y a une opération connue sous différents noms & rsquos dans différents logiciels & rsquos cette opération est connue sous le nom de découpage qui peut diviser une fonction de distance continue de raster en intervalles égaux ou zone de distance égale.
Maintenant, vous pouvez voir cet exemple particulier dans lequel nous avons ce raster particulier où nous avons je veux dire ces 2 cellules qui sont reliées par des lignes. On mesure donc la distance centroïde
et puis on je veux dire de la cellule d'origine à la cellule de destination et puis on calcule la distance en utilisant l'équation dont on avait déjà parlé.
Dans la deuxième image, vous pouvez voir qu'il y a une mesure de distance continue à partir d'un réseau de flux. Ainsi, dans ce cas, un découpage a été effectué pour convertir le raster de distance continue en une zone de distance discrète différente. C'est donc très important chaque fois que nous mesurons une distance physique à l'aide d'une opération de données raster pour trancher la distance, une fois que nous avons mesuré la distance à partir d'une entité linéaire.
(Reportez-vous à l'heure de la diapositive : 07:12)
Maintenant, en parlant d'allocation et de direction, nous pouvons mesurer la distance physique et produire des rasters d'allocation et de direction par exemple, je veux dire que nous pouvons avoir la valeur de cellule dans le raster d'allocation qui correspondrait à la cellule source la plus proche pour cette cellule que nous verrons dans
en temps voulu à travers un exemple. Ainsi, la valeur de la cellule dans le raster de direction correspondrait généralement à la direction en termes de degrés dans laquelle la cellule est la plus proche de la cellule source.
Donc, je veux dire que nous pouvons utiliser la direction de la boussole, supposons que je veux dire que nous prenons une mesure dans le sens des aiguilles d'une montre. Ainsi, 90 degrés serait votre est, 180 degrés serait votre sud, 270 degrés serait l'ouest, et de même 360 ​​degrés ou 0 degré serait le nord.
Ainsi, dans cet exemple particulier, vous pouvez voir à nouveau que dans la première image, vous avez les cellules raster, qui montrent la distance physique mesurée en unités de cellule de chaque cellule à la cellule la plus proche. Ainsi, vous avez ces valeurs de cellule particulières qui sont la valeur 1 et valeur 2 la valeur 1 est la cellule source et 2 est la cellule de destination. Maintenant, les valeurs de cette cellule particulière vous donnent une mesure de la distance entre le centroïde de cette cellule particulière et les cellules voisines.
Ainsi, de 2 pour aller à cette cellule particulière, vous devrez parcourir une distance de 1,4 car c'est la racine carrée de je veux dire 1 au carré plus 2 au carré. Donc, cela vous donnerait une racine sur 2, ce qui équivaut à 1,414, ce qui est je veux dire arrondi à 1,4. Ainsi, vous pouvez également voir cette cellule particulière dont cette cellule est déplacée de 2. Ainsi, nous trouvons la distance de chacune de ces cellules au pixel le plus proche.
Maintenant, dans la deuxième image, vous pouvez voir qu'elle montre l'allocation de chaque cellule à la cellule source la plus proche. Donc, partout où je veux dire, vous avez cette cellule source 1 et 2, ces cellules blanches, cela montre qu'elles sont allouées, je veux dire à proximité de la source 1 et les cellules marque 2 sont à proximité la plus proche de la cellule 2. Maintenant, ici, il est important de notez que la distance du centre de gravité de ce pixel 2 de la cellule de destination à cette cellule particulière est de 2,2.
Et la distance de cette distance est également la même depuis le centriode du pixel source, si c'est la source et c'est le pixel de destination, vous voyez que cette distance est la même depuis cette source et le pixel de destination. Donc, nous devons l'attribuer à l'une des deux cellules, donc dans ce cas, il pourrait y avoir une sorte d'anomalie.
Maintenant, dans la troisième image, vous pouvez voir qu'elle vous donne la direction en termes de degrés de chaque cellule à la cellule source la plus proche. Donc, je veux dire que vous le mesureriez à partir du je veux dire
à partir de 90 degrés, puis nous avons dit que nous pouvons le mesurer dans le sens des aiguilles d'une montre. Donc, cela vous donnerait les directions en termes de degrés de chaque cellule à la cellule la plus proche.
Donc, la cellule dans l'obscurité qui est montrée dans la ligne numéro 3 et la colonne numéro 3, nous l'avons dit que la distance est de 2,2 c'est la même de ces 2 cellules je veux dire et la direction 2 vers la 43 vers la d'où elle vient par rapport à la cellule source 243 degrés est par rapport à la cellule source.
(Reportez-vous à la durée de la diapositive : 11:22)
Maintenant, en parlant d'extraction de données raster, il peut y avoir des cas où nous voulons extraire la valeur de pixel exacte d'un emplacement raster, supposons, vous pouvez avoir des valeurs de température ou des valeurs de précipitation d'un ensemble de données continu sur l'Inde et vous pouvez extraire la valeur de données pour une ville particulière ou un endroit donné. Ainsi, nous pourrions avoir besoin d'effectuer une extraction de données de points ou de régions spécifiques. Dans ce cas, une opération d'extraction de données raster créerait un nouveau
raster en extrayant uniquement les données du raster existant, je veux dire et c'est cette opération qui est similaire à une requête de données raster.
Maintenant, un ensemble de données ou un objet graphique, je veux dire, nous pouvons utiliser une requête ou une expression pour définir les zones à extraire, vous pouvez avoir une requête très complexe lorsque vous l'exécutez ou vous pouvez également la mettre dans une équation ou vous pouvez voir si le data afin que vous puissiez avoir différentes manières de donner une expression de requête lorsque vous effectuez une extraction d'expression de données raster.
Maintenant, je veux dire qu'il extrairait les emplacements des points, je veux dire par exemple, je veux dire que vous pouvez avoir une interpolation bilinéaire dont nous avions déjà parlé d'interpolation bilinéaire lorsque nous étudiions les approches d'échantillonnage. interpolation, nous avions donc vu ce que sont ces types d'interpolation.
Ainsi, nous pouvons extraire la valeur à l'aide de techniques d'interpolation telles que l'interpolation bilinéaire, nous pouvons également utiliser une autre technique d'interpolation et cela attacherait cette valeur particulière au nouveau champ Je veux dire nouveau dans la nouvelle couche. Ainsi, il pourrait s'agir d'une entité ponctuelle. Cela signifie que nous pouvons extraire créer un ensemble de données vectorielles de points et extraire les valeurs de l'ensemble de données raster et les marquer en tant qu'attribut de la table d'entités attributaires de points.
Maintenant, l'ensemble de données pourrait être une couche raster qui est la couche d'entrée ou il pourrait s'agir d'une couche d'entités surfaciques et les outils d'extraction extrairaient essentiellement les valeurs de cellule qui sont définies par la couche de polygone raster ou comme dans notre point précédent, nous parlions d'extraction à l'aide entité ponctuelle, nous pouvons également effectuer la même opération à l'aide d'une entité raster ou d'une entité surfacique à l'aide d'une entité vecteurpolygone ou d'une entité raster.
Ainsi, ce que nous pouvons faire, c'est extraire ces valeurs de cellule dans des cellules définies de raster qui ressemblent à un masque ou à une couche de polygone aérien de polygone et n'affecte aucune donnée aux cellules qui se trouvent en dehors de ces couches de masque du raster ou de la couche d'entités surfaciques.
(Reportez-vous à la durée de la diapositive : 14:38)
Nous pouvons également faire de la mise en mémoire tampon comme nous l'avions fait dans le cas d'une couche vectorielle où dans la mise en mémoire tampon d'une opération vous donnerait la distance physique mesurer la distance physique et c'est également similaire à je veux dire à la fois les opérations vectorielles et raster où nous pouvons mesurer le distances de l'entité sélectionnée. Maintenant, lorsque nous parlions des opérations de mise en mémoire tampon vectorielle, nous avions utilisé les coordonnées x et y lors de la mesure des distances.
Maintenant, nous pouvons également dire que dans le cas de votre tampon vectoriel, nous avons vu que nous pouvons créer des zones tampons très précises par rapport à un tampon raster. Je veux dire lorsque nous faisons un tampon raster, nous ne pouvons pas avoir de tampons aussi précis parce que vos coordonnées de ligne seraient des coordonnées très spécifiques ou ponctuelles ou polygonales seraient très spécifiques, vous pouvez donc créer des tampons très précis, mais avec des ensembles de données raster, vous ne pourrez peut-être pas créer de tels tampons exacts.
Ainsi, l'opération de mise en mémoire tampon vectorielle était plus flexible et elle offre plus d'options en termes de création de plusieurs zones tampons, pas seulement un seul tampon, mais plusieurs zones tampons. Donc, je veux dire que nous avions vu que nous pouvions créer des zones tampons séparées pour différentes entités sélectionnées ou nous pouvons dissoudre les zones tampons dans la limite pour toutes les entités sélectionnées.
Donc, je veux dire que ces options sont disponibles dans les opérations de mise en mémoire tampon vectorielle, mais lorsque nous parlons de mise en mémoire tampon raster, elle utilise des cellules pour mesurer les distances physiques et crée généralement des mesures de distance continues. Et dans l'outil de mesure, nous avions vu que nous rassemblions généralement ces mesures de distance.
Donc, nous avons dit que le tranchage est nécessaire pour définir les zones tampons car cette opération vous donnerait une mesure de distance continue. Ainsi, il est difficile de créer ou de modifier des mesures de distance distinctes comme dans le mode vectoriel, je veux dire en mode tampon, nous avions dit que nous pouvions créer des zones tampon distinctes pour chaque élément sélectionné. Mais dans le cas de données raster, il nous serait difficile de créer une mesure de distance distincte à l'aide d'une opération basée sur un raster.
(Reportez-vous à l'heure de la diapositive : 17:22)
Parlons maintenant de la représentation des données ou de l'analyse et de la visualisation des données dans le cas d'un terrain où nous parlons d'informations sur la hauteur. Ainsi, nous avions dit qu'un tel exemple de données pourrait être un modèle numérique d'élévation ou un modèle numérique de terrain, donc généralement, cela signifie que nous pouvons visualiser le terrain à l'aide d'un modèle de relief ombré.
Ainsi, dans ce document, nous calculons essentiellement le rapport de la quantité d'isolation solaire directe ou de rayonnement solaire direct reçu sur la surface donnée et c'est généralement un travail qui peut être calculé en fonction de vos valeurs en radians. Ainsi, vous pouvez voir que cette méthode pourrait être très bien utilisée pour calculer les quantités physiques, je veux dire, des valeurs en radians.
C'est donc l'outil très intéressant dans lequel nous créons l'ombrage des collines qui simulerait l'ombrage dû à l'effet du soleil sur le terrain car il pourrait y avoir des changements dans les élévations du terrain, vous pouvez donc avoir des collines ou des montagnes et vous pouvez voir ceux-ci l'effet du collines dans
l'image et vous pouvez percevoir la troisième dimension en raison de cet aspect de relief ombré. Cela aiderait les téléspectateurs à reconnaître la forme des caractéristiques du relief.
Maintenant, il y a quatre facteurs qui contrôleraient généralement l'ombrage de la colline. Le premier est l'azimut du soleil ou la direction de la lumière, je veux dire à partir de laquelle la lumière du soleil vient à la vue donnée. Donc, comme nous l'avons dit plus tôt, la convention est de mesurer, je veux dire, nous avons attribué 0 degrés au nord et nous mesurons la direction dans le sens des aiguilles d'une montre. Donc, encore une fois, je veux dire que votre est serait à 90 degrés, le sud serait à 180 degrés, l'ouest serait à 270 degrés et encore une fois le nord serait à 0 ou 360 degrés.
Le prochain facteur qui, je veux dire, contrôle votre ombrage de colline ou votre relief ombragé serait l'altitude du soleil, c'est-à-dire l'angle de la lumière entrante par rapport à l'horizon. Il y a aussi l'effet de la pente. La topographie peut avoir une sorte de pente. Ainsi, selon la nature de la pente la surface serait affectée et aussi l'aspect la direction dans laquelle la pente s'étend. Ainsi, nous verrons dans nos diapositives ultérieures les différentes notions de pente et d'orientation.
(Reportez-vous à la durée de la diapositive : 20:17)
Maintenant, nous pouvons également faire un ombrage de colline, donc cela se fait en utilisant cette équation particulière, je veux dire dans laquelle vous avez ces facteurs qui sont R f est les valeurs de radiance relative, a est la facette ou la cellule araster ou un triangle. Maintenant, nous avons A f qui est l'aspect des facettes, je veux dire que nous pouvons avoir une facette lorsque nous avons TIN un réseau irrégulier triangulé, nous pouvons donc avoir une facette ou cela pourrait également être une cellule raster afin que nous puissions l'appeler comme une facette votre A s est le soleil&rsquosazimut, Hf est la facette&rsquos pente et Hs est l'altitude du soleil&rsquos.
Ainsi, ces valeurs sont mises dans cette équation particulière pour calculer la valeur de Rf qui est les valeurs de radiance relative de la cellule raster. Ainsi, cette équation, je veux dire, peut être exécutée pour générer des valeurs theradians des cellules raster ou elle peut également être exécutée sur un réseau irrégulier triangulé ou un ensemble de données TIN qui est un ensemble de données vectorielles pour calculer les effets de l'ombrage des collines.
(Reportez-vous à l'heure de la diapositive : 21:36)
Maintenant, parler de l'aspect et de la pente, nous parlions de la pente et de l'aspect, a été l'un des facteurs qui a fondamentalement un impact sur l'ombrage de votre colline. Donc, en parlant de pente d'abord, c'est la dérivée première de l'élévation, c'est-à-dire le taux de changement d'élévation par rapport à la distance. Donc, je veux dire qu'il est exprimé en pourcentage de pente qui est 100 fois le rapport de la montée en termes de distance verticale à la distance horizontale qui est également connue sous le nom de course.
Maintenant, la deuxième façon dont votre pente est exprimée est la pente de degré dans laquelle nous calculons l'arc tangent comme le rapport de la montée sur la course. Maintenant, nous pouvons également déterminer l'aspect qui est la composante directionnelle de la pente, disons que si vous avez un pixel ou une cellule rectangulaire et qu'il a une inclinaison particulière si vous mettez une goutte d'eau au centroïde de ce pixel particulier, l'aspect serait la direction dans laquelle l'eau coulerait, la goutte d'eau dynerait ou coulerait.
Donc, c'est fondamentalement qu'il vous donne la composante directionnelle de la pente car à partir de la pente, vous ne pouvez mesurer que la première dérivée de l'altitude qui est le taux de changement d'altitude, mais c'est seulement l'aspect qui vous donnera la nature directionnelle de la pente. Donc, encore une fois, nous utilisons la même convention que 0 est le nord et nous le mesurons dans le sens des aiguilles d'une montre.
Maintenant, vos mesures d'aspect peuvent également être converties, je veux dire que vous pouvez facilement les convertir en mesure linéaire puisque ce sont ces termes en degrés. Ainsi, vous pouvez prendre un sinus ou un cosinus de ces valeurs de degré particulières et vous obtiendrez des valeurs allant de moins 1 à plus 1. Ainsi, nous pouvons également convertir les valeurs de cet aspect en mesures linéaires. Donc, je veux dire que nous utilisons généralement la pente et l'aspect de manière extensive chaque fois que nous avons des données DM et nous pouvons les exécuter sur différents types d'analyse.
Ainsi, il est largement utilisé lorsque nous étudions des bassins versants, lorsque nous voulons générer des bassins versants à partir d'un modèle numérique d'élévation, nous pouvons utiliser la pente et l'aspect. Donc, j'espère que vous êtes tous au courant du bassin versant, si vous n'êtes pas au courant du bassin versant, veuillez examiner la définition de ce qu'est un bassin versant. Donc, on peut aussi calculer les unités du paysage, on peut aussi faire des mesures domorphométriques, on peut découvrir je veux dire que ces mesures morphométriques peuvent être utilisées pour étudier l'érosion des sols.
Cette pente et l'aspect peuvent également être utilisés pour l'analyse de l'adéquation du site dans le cas d'un travail d'urbanisme. Donc, je veux dire que nous avons ces visuels dans lesquels vous pouvez voir que les mesures d'aspect sont regroupées en quatre ou huit directions cardinales principales. Ainsi, dans la première image de dessus, vous pouvez voir qu'elle est regroupée en nord-est ouest et sud et dans la suivante, vous pouvez voir qu'il y a huit directions principales dans lesquelles vous avez des sous-éléments nord-est, sud-est, sud-ouest et nord-ouest.
(Reportez-vous à la durée de la diapositive : 25:21)
Passons maintenant à la classification des images qui est la dernière partie de cette conférence. Ainsi, lorsque nous effectuons l'analyse raster, il s'agit d'un outil très important qui nous fournirait une sorte de découpage des données en fonction des valeurs d'entrée. Ainsi, cela peut être fait sur des ensembles de données statistiques, cela peut être fait sur plusieurs couches thématiques et vous pouvez le classer tous les différents ensembles de données et les valeurs d'attributs en fonction des entrées.
Donc, vous pouvez exécuter ceci, je veux dire le même algorithme, les mêmes concepts sur les données vectorielles ainsi que sur les données raster. Ainsi, dans le cas des données raster, nous effectuons généralement une classification d'images d'images de télédétection, afin de générer les cartes d'utilisation des terres et d'occupation des sols. Donc, je veux dire, chaque fois que nous exécutons la classification, elle attribue généralement différentes classes aux valeurs de pixels d'entrée. L'attribution de la façon dont cette classification d'image est effectuée est basée sur différents algorithmes.
Ainsi, certains de ces algorithmes sont soit supervisés, soit certains algorithmes ne sont pas supervisés. Ainsi, nous pouvons connaître les valeurs de réflectance spectrale et la distance des moyennes de classe qui sont utilisées comme outil de guidage pendant que nous exécutons ces algorithmes de classification. Donc, je veux dire que nous choisirions une classe qui a les mêmes propriétés de réflectance que les moyennes de classe dans les bandes de longueur d'onde.
Je veux dire, lorsque nous parlons d'images de télédétection, nous avons différentes longueurs d'onde ou bandes dans lesquelles les données sont capturées ou stockées. Ainsi, nous pouvons avoir vos bandes visibles, nous pouvons avoir les bandes infrarouges proches, ou nous pouvons avoir vos bandes infrarouges thermiques, ou les bandes micro-ondes. Ainsi, nous pouvons avoir différentes bandes dans lesquelles l'image peut être acquise et ensuite nous pouvons choisir une algorithme pour classer les données.
Maintenant, il y a différentes manières dont la classification peut être faite dont nous avons parlé. Cela pourrait être fait en mode supervisé, ou cela pourrait être fait en mode non supervisé, ou cela pourrait être fait d'une manière dont nous pouvons combiner ces deux méthodes, ce qui est également connu sous le nom d'approche de classification hybride.
(Reportez-vous à la durée de la diapositive : 28 : 01)
Donc, généralement dans la classification supervisée, ce que nous faisons d'abord est de créer un ensemble d'apprentissage dans lequel nous avons des données raster. Et nous sélectionnons certaines régions ou zones où les conditions du sol nous sont connues ou la couverture du sol nous est connue, nous l'utilisons donc comme ensembles d'entraînement, puis nous créons un fichier de signature. Ainsi, à partir de ces fichiers de signature, nous essayons de calculer les statistiques de votre moyenne, variance, écart type.
Et nous créons la signature, je veux dire des valeurs pour ces paramètres statistiques. Ensuite, ce que nous faisons, c'est essayer de prendre chaque pixel et essayer de mesurer la distance aux moyens de ces échantillons ou classes d'apprentissage. Ainsi, chaque fois que la distance est minimale, elle est utilisée, je veux dire que le pixel est essentiellement affecté à cette classe particulière, de sorte qu'il s'agit de la dernière opération que nous effectuons sur l'ensemble de données.
Donc, je veux dire dans ce cas, en tant qu'utilisateur, vous guideriez le processus de classification. Ainsi, cela dépend de votre ingéniosité quant à votre capacité à interpréter les données ou à votre connaissance des conditions du sol. Maintenant, je veux dire que nous avions déjà parlé d'acquérir les ensembles d'entraînement. Je veux dire qu'il doit être représentatif de l'image entière. Ainsi, les pixels que vous utilisez pour fixer des ensembles, je veux dire, auraient une représentation sur l'ensemble de l'image.
Donc, je veux dire que nous pouvons attribuer des classes et créer un fichier de signature. Ainsi, nous pouvons créer un nom ou attribuer une couleur aux échantillons de signature que nous avons prélevés. Ainsi, ces pixels de sortie auraient également une couleur similaire, ils auraient les mêmes valeurs de pixels que votre numéro de classe dans lequel vous avez acquis les ensembles d'apprentissage de signature. Et il aura également le même nom, soit le nom que vous portez, précisez que la même nomenclature serait conservée dans l'image de sortie.
Maintenant, l'ensemble d'apprentissage est utilisé par le logiciel pour identifier les classes et je veux dire que nous avons différents types d'algorithmes de classification qui sont utilisés dans le logiciel. Ainsi, vous pouvez lire sur le classificateur parallélépipédique, je veux dire lire sur le classificateur à maximum de vraisemblance gaussien, vous pouvez également avoir le schéma de classification à distance minimale par rapport à la moyenne, ou nous pouvons également avoir un composant principal.
(Reportez-vous à l'heure de la diapositive : 31:07)
Ainsi, il existe différents types d'algorithmes ou d'approches utilisés lorsque l'on fait une classification supervisée. Ainsi, dans le classificateur à maximum de vraisemblance, nous essayons d'identifier les pixels et de déterminer la distance minimale à la moyenne des différentes classes par rapport à cette valeur de pixel. Et partout où la probabilité la plus élevée est là, basée sur les statistiques pour chaque classe dans chaque bande, je veux dire qu'elle est attribuée à cette classe particulière.
Et dans ce cas, l'hypothèse de base prise est que les données sont normalement distribuées. Donc, si vous voyez l'histogramme je veux dire d'une image satellite, vous verrez généralement une sorte de masse inversée. Donc, ce qui est représentatif d'une distribution normale et c'est le principe de base de cet algorithme de classification à maximum de vraisemblance supervisé que les données sont normalement distribuées.
Maintenant, la seconde approche d'une seconde est la distance minimale. Donc, je veux dire que nous créons les classes en fonction de la classe la plus proche et nous, je veux dire, calculons les vecteurs moyens pour calculer la distance euclidienne. Donc, il existe différentes approches de distance, nous avons des noms différents pour différentes distances et vos équations. L'un de ces moyens de découvrir la distance est nommé d'après notre grand statisticien que l'Inde a produit le professeur Mahalanobis.
Ainsi, elle est connue sous le nom de distance de Mahalanobis qui est également utilisée pour effectuer la classification supervisée. Sinon, vous avez différents types de distance comme la distance euclidienne. Nous avons le suivant qui est connu sous le nom de parallélépipède dans lequel vous spécifiez une boîte qui est fondamentalement les limites d'une classe particulière les limites supérieure et inférieure d'une classe particulière. Et elle est basée sur la moyenne et l'écart type de ce parallélépipède.
Donc, je veux dire, si le pixel a des valeurs dans différentes bandes et qu'il tombe dans le parallélépipède, nous appelons qu'il a un parallélépipède, car supposons que vous ayez deux bandes dans votre couche raster en entrée, vous pouvez avoir deux bandes. Donc, si vous tracez cette valeur de pixel en x et y, vous obtiendrez un espace de caractéristiques, vous obtiendrez les pixels se trouveront dans cet espace de caractéristiques particulier.
Maintenant, vous pouvez créer des parallélogrammes parallélépipédiques, ainsi et au cas où vous auriez plus de deux bandes, vos données s'étendraient donc à la troisième dimension. Donc, dans ce cas, vous pouvez extruder ces parallélogrammes en parallélépipède, c'est ainsi que le nom est dérivé. Donc, je veux dire que nous travaillerions avec des données multidimensionnelles et c'est une approche dans laquelle nous donnons aux limites les limites supérieure et inférieure des valeurs des données d'apprentissage.
Et quel que soit l'endroit où le pixel tombe dans ces parallélépipèdes, il est donc affecté à la classe particulière et il peut arriver que les classes de parallélépipède d'apprentissage ne soient pas adéquates pour couvrir toute la plage de valeurs de pixels. Ainsi, il y aurait des pixels qui resteraient non classés dans un tel cas. Donc, je veux dire qu'il peut aussi arriver que les limites du parallélépipède se chevauchent.
Ainsi, dans le cas où un pixel tombe dans un tel chevauchement, il le placerait dans l'une des deux classes en fonction de la moyenne statistique et des valeurs d'écart type ou il pourrait également être placé dans une classe de chevauchement. Donc, nous avons dit que si le pixel ne tombe dans aucune de ces classes de parallélépipèdes, alors il est classé, je veux dire qu'il est donné ou assigné comme non classé ou qu'il est assigné comme une classe nulle.
Ainsi, parmi ceux-ci, le classificateur parallélépipédique est le moins gourmand en calculs et le plus rapide. Donc, je veux dire si vous voulez faire de la course, je veux dire une classification rapide, alors dans ce cas, la classification parallélépipède serait bonne. Mais, il a sa limitation inhérente en termes de faible précision et le fait que vos nombreux pixels peuvent rester peuvent être affectés à la classe null ou ils peuvent rester non classés.
Donc, je veux dire que nous voyons cette image particulière qui est la classe d'entités qui est l'espace de caractéristiques des valeurs de données des bandes 1 et 2. Donc, nous avons ces limites de classe dans lesquelles vous voyez une classe bleue, une classe rouge et une classe verte. Et ces flèches vous donnent les vecteurs moyens de distance qui vous donnent la distance par rapport à la moyenne de ce nuage de données particulier.
(Reportez-vous à la durée de la diapositive : 36:35)
Ensuite, nous pouvons également utiliser une méthode de classification non supervisée. Ainsi, dans lequel les données seraient divisées en nombre de clusters en fonction du nombre de clusters que vous souhaitez et plus tard, vous pouvez modifier ces clusters. Donc, je veux dire qu'il y a deux étapes de base dans lesquelles il est utilisé pour une classification non supervisée.
So, first is we generate the clusters and the second is we assign the classes of the pixels to thisparticular clusters. So, some of the I mean algorithms which come under this unsupervisedclassification are the K means or the ISODATA classification which are basically iterativealgorithms. That basically your the entire data of a particular band would be partitioned intothe number of classes that you desire.

Log in to save your progress and obtain a certificate in Alison’s free Diploma in Geo Spatial Analysis in Urban Planning online course

Sign up to save your progress and obtain a certificate in Alison’s free Diploma in Geo Spatial Analysis in Urban Planning online course


Mengambil Sebagian Data Raster dengan Extract by Mask – ArcGIS

Data raster yang sudah terklasifikasi terkadang perlu untuk diambil bagian tertentu seperti pepohonan, lahan kosong, dan sebagainya. Jika data polygone yang akan diambil sebagian untuk dianalisa, fungsi clip mungkin bisa jadi andalan (lihat postingan yang lalu untuk fungsi agrafe). Sementara itu untuk raster, tidak dapat menggunakan agrafe khusus raster (raster clip) melainkan dengan extract by mask. Fungsi ini dapat diakses melalui folder spatial analysis tools – extraction – extract by mask pada ArcCatalog. Jadi misalnya kita memiliki peta raster yang sudah terklasifikasi. Ciri-ciri jika sudah terklasifikasi adalah bisa melihat atribut berupa tabel dari peta tersebut (dengan mengklik kanan dan pilih open atribute table).

Pada tabel di atas kelas 𔄛” yang merupakan kelas built-up area akan kita ekstrak menjadi satu peta raster tersendiri. Oleh karena itu data pada baris di value ketiga harus disorot terlebih dahulu hingga berwarna kebiruan seperti di atas. Jika sudah, kembali ke extract by mask, isi seperti gambar di bawah ini.

Perhatikan baik input maupun output diisi dengan file yang sama. Sesungguhnya walaupun sama, karena kita sudah menyorot (select) pada bagian tertentu di tabel maka bagian yang disorot itulah yang akan diekstrak. Ok, semoga bermanfaat.


Distance Vector Algorithms

The Distance Vector (DV) algorithm is iterative, asynchronous, and distributed. It is distributed in that each node receives some information from one or more of its directly attached neighbors, performs a calculation, and then distributes the results of its calculation back to its neighbors. It is iterative in that this process continues on until no more information is exchanged between neighbors. The least costs are related by the celebrated Bellman-Ford equation. In the DV algorithm, each node talks to only its directly connected neighbors, but it provides its neighbors with least-cost estimates from itself to all the nodes (that it knows about) in the network.


Can't clip a raster to a polygon -only extent

I'm new to QGIS (long time ARC user) and I'm unable to figure out how to clip a raster to a polygon outline. I've tried a few different polygons and the tool raster>extraction>clip raster by mask layer. However when I run the tool it clips to the extent of the polygon (I. E. A rectangle ) rather than the outline. Sure I'm missing a tick box in settings somewhere! Any help appreciated!

Yes, you need to uncheck a box. Find the tick box "Match the extent of the clipped raster to the extent of the mask layer" and uncheck it. Then it will clip based on the polygon.

I'm not sure, but I think this is just a matter of symbology. All rasters are rectangular (your result is a raster, right?), it's just that with a ɼlip' the result is a rectangular raster some kind of 'mask' to remove the parts of the raster not wanted (by remove, I mean remove from view and/or calculations, all rasters are still rectangular). I think if you fiddle with symbology, the clip worked the way you thought.


Crop a Raster Using Vector Extent

We can use the crop function to crop a raster to the extent of another spatial object. To do this, we need to specify the raster to be cropped and the spatial object that will be used to crop the raster. R will use the extent of the spatial object as the cropping boundary.

We can see from the plot above that the full CHM extent (plotted in green) is much larger than the resulting cropped raster. Our new cropped CHM now has the same extent as the aoi_boundary_HARV object that was used as a crop extent (blue border below).

We can look at the extent of all the other objects.

Which object has the largest extent? Our plot location extent is not the largest but is larger than the AOI Boundary. It would be nice to see our vegetation plot locations with the Canopy Height Model information.


VoronoiDiagram

This tool creates a vector Voronoi diagram for a set of vector points. The Voronoi diagram is the dual graph of the Delaunay triangulation. The tool operates by first constructing the Delaunay triangulation and then connecting the circumcenters of each triangle. Each Voronoi cell contains one point of the input vector points. All locations within the cell are nearer to the contained point than any other input point.

A dense frame of 'ghost' (hidden) points is inserted around the input point set to limit the spatial extent of the diagram. The frame is set back from the bounding box of the input points by 2 x the average point spacing. The polygons of these ghost points are not output, however, points that are situated along the edges of the data will have somewhat rounded (paraboloic) exterior boundaries as a result of this edge condition. If this property is unacceptable for application, clipping the Voronoi diagram to the convex hull may be a better alternative.


Voir la vidéo: raster vers polygone, reclassification, 2 raster en 1, et calculatrice raster