Ekologiczna zagadka geoprzestrzenna

15

Szukam innego, bardziej eleganckiego rozwiązania problemu statystyki przestrzennej. Surowe dane składają się ze współrzędnej xy dla każdego pojedynczego drzewa (tj. Przekonwertowanego na punktowy plik .shp). Chociaż nie zostało użyte w tym przykładzie, każde drzewo ma również odpowiedni wielokąt (tj. Jako .shp), który reprezentuje średnicę korony. Dwa obrazy po lewej pokazują szacunki gęstości jądra w skali poziomej (KDE) uzyskane z pliku punktowego .shp poszczególnych lokalizacji drzewa - jeden z 1989 roku, a drugi z 2009 roku. Grafika po prawej stronie pokazuje różnicę między dwoma KDE gdzie wyświetlane są tylko wartości +/- 2 odchylenia standardowe średniej. Kalkulator rastrowy Arc został wykorzystany do wykonania prostego obliczenia (KDE 2009 - KDE 2009) niezbędnego do wytworzenia nakładki rastrowej na zdjęciu po prawej stronie.

Czy istnieje bardziej odpowiednia metoda analizy gęstości drzew lub zmiany powierzchni korony w czasie, statystycznie lub graficznie? Biorąc pod uwagę te dane, jak oceniłbyś zmianę między danymi drzewa z 1989 i 2009 roku w środowisku geoprzestrzennym? Zalecane są rozwiązania ArcGIS, Python, R, Erdas i ENVI.

wprowadź opis zdjęcia tutaj

Aaron
źródło
3
Czy masz oryginalne dane lokalizacji drzewa z 1989 roku? Jeśli nie, to czy KDE używają przynajmniej tych samych jąder (i takich samych przepustowości)? Czy dane drzewa są kompletnym spisem ludności tego obszaru, czy też są jakąś próbką (a jeśli tak, to w jaki sposób wybrano członków tej próbki)? Co stanowi „zmianę” w twoim badaniu i jak chciałbyś ją zmierzyć (np. Jako bezwzględna zmiana gęstości drzewa lub zmiana względna)?
whuber
1
@ whuber: Oryginalne lokalizacje drzew można uznać za dane spisowe, ponieważ każde drzewo w DOQQ zostało zinwentaryzowane. KDE oparto na punktach pochodzących z danych spisu powszechnego. Interesuje mnie przede wszystkim wykrywanie nowych drzew i zmiana pokrycia baldachimu.
Aaron
1
KDE mogą być tutaj nieodpowiednie, ponieważ zmiana lokalizacji drzewa i liczb zmieni szerokość pasma, a tym samym wyniki. Czy zastanawiałeś się nad utworzeniem strefowego rastra o dowolnym rozmiarze (powiedzmy 100m x 100m) i uzyskaniu drzew / komórki i obszaru drzewa / komórki za każdym razem, a następnie obliczenia różnicy między czasami?
blindjesse
@blindJesse: Masz rację. Alternatywnie, bawiłem się pomysłem przekształcenia wieloboków średnicy czaszy z 2009 i 1989 rastrowych, a następnie przeklasyfikowania rastrów na dane binarne. Stamtąd mogę uruchomić skrypt statystyk ogniskowej ruchomego okna na różnicę między nimi.
Aaron
1
Nadal nie jestem pewien formy surowych danych, Aaron. Kiedy piszesz „każde drzewo ... zostało zinwentaryzowane”, czy to oznacza, że ​​każde pojedyncze drzewo zostało zidentyfikowane i przypisane współrzędne? A może oznacza to, że ktoś narysował wielokąt i powiedział: „Znalazłem tutaj 39 czerwonych klonów i 13 białych dębów?” Zrozumienie mocnych stron i ograniczeń oryginalnych danych ma kluczowe znaczenie dla uzyskania poszukiwanej odpowiedzi kanonicznej.
whuber

Odpowiedzi:

8

Pierwszy problem:

Patrzysz na mieszankę minimów. Jedno gigantyczne drzewo z koroną wielkości akra wygląda całkiem sporo , interpretowane na podstawie gęstości punktowej / jądra, jak pole bez drzew. Otrzymasz wysokie wartości tylko tam, gdzie są małe, szybko rosnące drzewa, na krawędziach i w szczelinach w lesie. Trudne jest to, że te gęste, mniejsze drzewa są znacznie bardziej prawdopodobne, że zostaną zasłonięte przez cień lub okluzję, albo będą nierozdzielalne przy rozdzielczości 1 metra, albo będą zlepione razem, ponieważ są kępami tego samego gatunku.

Odpowiedź Jen jest poprawna w pierwszej części: Wyrzucenie informacji o wielokącie jest marnotrawstwem. Jest tu jednak komplikacja. Drzewa otwarte mają znacznie mniej pionową, bardziej rozłożystą koronę, przy czym wszystkie inne rzeczy są równe, niż drzewostan o równej wieku lub drzewo w dojrzałym lesie. Aby uzyskać więcej, patrz # 3.

Drugi problem:

Idealnie powinieneś pracować z porównaniem jabłek do jabłek. Poleganie na NDVI dla jednego i B&W dla drugiego wprowadza niepoznawalne odchylenie w twoich wynikach. Jeśli nie możesz uzyskać odpowiednich danych za 1989 r., Możesz zamiast tego użyć zdegradowanych danych czarno-białych za 2009 r., A nawet spróbować zmierzyć odchylenie w danych za 2009 r. W stosunku do czarno-białych i ekstrapolować wyniki NDVI za 1989 r.

Zajęcie się tą kwestią może być, ale nie musi być wykonalne, ale istnieje spora szansa, że ​​zostanie ona poruszona w recenzjach.

Trzeci problem:

Co dokładnie próbujesz zmierzyć? Gęstość jądra nie jest pozbawiona wartościmetryczny, daje to sposób na znalezienie nowych, młodych drzew, które szybko się nawzajem zabijają (z zastrzeżeniem powyższych ograniczeń cieniowania / okluzji); Tylko te z najlepszym dostępem do wody / słońca, jeśli w ogóle, przetrwają za kilka lat. Pokrycie baldachimem poprawiłoby gęstość jądra w przypadku większości zadań, ale ma to również problemy: traktuje duży równomierny drzewostan 20-letnich drzew, które ledwo zamknęły baldachim tak samo, jak ustalone 100 -letni las. Lasy są trudne do oszacowania w sposób, który zachowa informacje; Model wysokości baldachimu jest idealny do wielu zadań, ale historycznie niemożliwy. Metodę, której używasz, najlepiej wybrać na podstawie opracowania swoich celów. Czym oni są?

Edytować:

Celem jest wykrycie ekspansji zarośli w rodzime obszary trawiaste. Metody statystyczne są tutaj nadal w pełni poprawne , wymagają jedynie dopracowania i subiektywnych wyborów do zastosowania.

  • Oblicz podstawową miarę pokrycia czaszy. Może to obejmować podejście siatki bezpośrednio do wielokątów korony lub obrócenie wielokątów korony do rastra + rozmycie ich, jeśli potrzebujesz bardziej ciągłej wersji.
  • Spróbuj wyodrębnić klasy krajobrazu, w których chcesz przeprowadzić analizę, w oparciu o procent pokrycia baldachimem. Techniki statystyczne, z którymi pracujesz w zamkniętym lesie z baldachimem, mogą być inne niż te, których używasz na prawie nagim obszarze trawiastym, a nawet mogą zostać obronnie wykluczone z analizy. Pewien niewielki obszar twoich krajobrazów będzie obejmował „ekspansję buszu”, a wybór sposobu podziału tego efektu i zignorowania danych, które nie są istotne, zależy od ciebie, jako statystyki.
  • Nie wiem, czy to zadziała w ciągu 20 lat (i będzie działało lepiej z dodatkowymi epokami pośrednimi), ale spróbuj zwrócić uwagę na średnicę korony jako przybliżenie wieku drzewa. Istnieje definitywne pytanie, które należy zadać, czy podwojenie wielkości istniejącej korony oznacza „ekspansję”, czy też wymaga nowych drzew. Jeśli to drugie, masz pewne pojęcie, czy są nowe (przynajmniej w przypadku niektórych klas krajobrazu wybranych powyżej, w których możesz zweryfikować pewien stopień dostępu światła słonecznego).
  • W zależności od twoich celów ekologicznych może być opłacalne nie tylko bezpośrednie badanie zagęszczenia drzew, ale także badanie fragmentacji krajobrazu za pomocą pakietów takich jak Fragstats .
  • Długie ujęcie: upewnij się, że nie ma żadnego zbioru danych hrabstwa LIDAR, który czekałby na sprawdzenie poprawności i oceny dokładności twojej zdolności do rozróżniania koron w zestawie danych z 2009 roku.
Mapowanie jutro
źródło
Dzięki Chris, ujawniasz wiele uzasadnionych luk w podejściu KDE do wykrywania zmian. Walczyłem z tym, jak najlepiej poradzić sobie z różnicą w jakości obrazu między 2009 a 1989 r. Zgadzam się, że zbiór danych szkoleniowych jest uzasadniony w celu porównania wyników zdjęć. Celem tych danych jest ocena ekspansji krzewów na rodzime użytki zielone. Uważam, że najlepszym podejściem jest wykorzystanie mocy tych danych spisu powszechnego i, w rzeczywistości, nie stosowanie podejścia statystycznego - lecz raczej opisowego.
Aaron
Niekoniecznie. Odpowiedź edytowana z kilkoma sugestiami.
Mapowanie jutro
5

Problem z oceną KDE polega na tym, że wygładza on cały obszar, a tym samym zamyka luki, które możesz chcieć znaleźć.

Kiedy przeczytałem, że użyłeś NDVI do wykrywania koron drzew, zastanawiam się, jak wyglądają wielokąty koron? czy te naprawdę pojedyncze wielokąty z powiązanym z nimi identyfikatorem gatunku drzewa?

Jeśli masz luksus posiadania wielokątów dla każdej pojedynczej korony drzewa i jesteś zainteresowany tym, gdzie zginęła korona drzewa, to myślę, że są dwie możliwości; wektor i rozwiązanie rastrowe.

wektor

  1. połącz wszystkie wielokąty z jednego roku, aby nie pozostały zachodzące na siebie bieguny. pojedyncze polisy są w porządku. doprowadzi to do utworzenia dwóch plików kształtów
  2. użyj nakładki lub przecinaj się, aby znaleźć obszary, w których 1989 i 2009 nie pasują (już).

raster

  1. konwertuj wszystkie wielokąty z każdego roku na binarny raster z 0 = notree i 1 = drzewo. zastosować wysoką rozdzielczość, np. 0,5 m i interpolację dwuliniową? zapewni to, że krawędzie są gładkie
  2. odejmij obrazy binarne (2009–1989) i powinieneś uzyskać coś podobnego do pierwszego wyniku, ale wolny od wygładzonych KDE

Mam nadzieję, że się uda :) Nie wypróbowałem tych pomysłów, ale po prostu zapisałem, co przyszło mi do głowy. powodzenia!

och ... może mógłbyś po prostu podejść do kwadratu. na każdy rok pokrój swój obszar za pomocą siatki wektorowej o wymiarach 100 x 100 m, policz punkty w wielokątach i porównaj dwa różne wzory. tylko kolejny pomysł ...

Jens
źródło
Jens, doskonała analiza problemu ekologicznego. Twoja zwięzła odpowiedź wskazuje na poważny problem związany z podejściem KDE i naprawdę pomogła w ogólnym podejściu.
Aaron
2

Ogólną zmianę wegetacji można obliczyć za pomocą cyfrowej analizy zmian. Aby uruchomić tę analizę, najpierw potrzebujesz obrazu 4-pasmowego (R, G, B i NIR) zarówno dla 1989, jak i 2009. Następnie za pomocą oprogramowania do zdalnego wykrywania (takiego jak ENVI lub Erdas) uruchom analizę NDVI dla każdego obrazu . Analiza NDVI porównuje stosunek pasma NIR - pasmo czerwone / pasmo NIR + piksele pasma czerwonego. Wynik tego równania daje wartości pikseli w zakresie od -1 do 1. Piksele o wartości mniejszej niż zero nie wykazują współczynnika odbicia w paśmie NIR. Podobnie piksele o wartości większej niż zero odbijają światło NIR, a zatem są uważane za roślinność. Proces przeprowadzania analizy zmian cyfrowych polega na odjęciu jednego obrazu NDVI od drugiego (odejmowanie 1989 od 2009). Link do szczegółowej dyskusji znajduje się poniżej.

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

grafika 21
źródło
Dziękuję za prowokującą do myślenia odpowiedź i odniesienie. NDVI powstały z 1-metrowego 4-pasmowego NAIP DOQQ 2009, aby uzyskać lokalizacje drzew. Jednak zdjęcia NAIP 1m z 1989 roku są dostępne tylko w skali szarości - dlatego te obrazy musiały być modyfikowane w inny sposób, aby uzyskać lokalizację drzew. W tym badaniu może być za dużo „szumu tła” przy użyciu NDVI wygenerowanych z TM lub innych zdjęć o niskiej rozdzielczości do cyfrowej analizy zmian. Dzięki jeszcze raz!
Aaron