Más

¿Enmascarar el ráster mediante la herramienta Extraer por máscara si la máscara de entidad es más grande que el área del ráster en ArcGIS Desktop?

¿Enmascarar el ráster mediante la herramienta Extraer por máscara si la máscara de entidad es más grande que el área del ráster en ArcGIS Desktop?


Tengo un problema para enmascarar el ráster que tiene rangos de valores -0.73106217384338 - 0.94593381881714. Estos valores se han obtenido utilizando equatin (B3-B4) / (B3 + B4) de los valores de reflectancia espectral de la banda 3 y 4 de Landsat en arcgis 10. La imagen ráster era de formato de archivo tif de 32 bits. Apliqué la función Extraer por máscara en arcgis con la entrada de este archivo de forma de ráster y polígono como máscara de entidad. Pero el polígono que utilicé aquí cubre más área que el ráster. El ráster de salida tiene algunos valores reales como 0.435936 aquí para las áreas donde no hay ráster debajo del polígono.

¿Cómo puedo deshacerme de este valor usando ArcGIS 10?


Clasificación rápida de tierras de cultivo

La clasificación de la cobertura de la tierra en paisajes complejos se ha visto limitada por la transición inherente de corta distancia en los tipos de cultivos / vegetación, especialmente en los sistemas agrícolas de pequeña escala. La creciente disponibilidad y accesibilidad de las imágenes de observación de la tierra brinda oportunidades significativas para evaluar el estado y monitorear los cambios en la cobertura terrestre, sin embargo, el desbloqueo de dicha capacidad depende de la disponibilidad de datos de verdad del terreno relevantes para calibrar y validar los algoritmos de clasificación. Los datos de la verdad sobre el terreno, espacialmente explícitos y necesarios de manera crítica, a menudo no están disponibles en los sistemas agrícolas del África subsahariana y esto limita el desarrollo de herramientas analíticas relevantes para monitorear la dinámica de las tierras de cultivo o generar conocimientos [casi] en tiempo real sobre los sistemas agrícolas. Este tutorial se desarrolló como una guía rápida para los usuarios interesados ​​en implementar la rutina de clasificación de la cobertura terrestre en el entorno de Google Earth Engine, utilizando datos de verdad del suelo y bandas espectrales Sentinel-2 TOA disponibles. El objetivo es proporcionar un flujo de trabajo fácil de implementar que los investigadores y analistas puedan adaptar para clasificar rápidamente las tierras de cultivo. A medida que se inviertan más esfuerzos en la recopilación de datos georreferenciados y espacialmente ricos a nivel nacional y regional, este tutorial puede ser útil para generar conocimientos inmediatos / oportunos para el maíz y otros tipos de cultivos.


Aggregate_cells¶

Genera una versión de resolución reducida de un ráster.

raster - el ráster de entrada

factor_celda - El factor por el cual multiplicar el tamaño de celda del ráster de entrada para obtener la resolución deseada para el ráster de salida. Por ejemplo, un valor de factor de celda de tres daría como resultado un tamaño de celda de salida tres veces mayor que el del ráster de entrada. El valor debe ser un número entero mayor que 1.

aggregation_type

Opcional int. Establece cómo se determinará el valor de cada celda de salida. Los valores de las celdas de entrada abarcadas por la celda de salida más gruesa se agregan mediante una de las siguientes estadísticas:

  • 2 (MÁXIMO): el valor más grande de las celdas de entrada.

  • 3 (MEDIA): El valor promedio de las celdas de entrada.

  • 4 (MEDIANA): el valor mediano de las celdas de entrada.

  • 5 (MÍNIMO): El valor más pequeño de las celdas de entrada.

  • 9 (SUMA): La suma (total) de los valores de la celda de entrada. Este es el valor predeterminado.

manejo_extensión

Booleano opcional. Define cómo manejar los límites del ráster de entrada cuando sus filas o columnas no son un múltiplo del factor de celda.

  • Verdadero: expande los límites superior o derecho del ráster de entrada para que el número total de celdas en una fila o columna sea un múltiplo del factor de celda. A esas celdas expandidas se les asigna un valor de NoData. Con esta opción, el ráster de salida puede cubrir una extensión espacial mayor que el ráster de entrada. Este es el predeterminado.

  • Falso: Reduce el número de filas o columnas en el ráster de salida en 1. Esto truncará las celdas restantes en los límites superior o derecho del ráster de entrada, haciendo que el número de filas o columnas en el ráster de entrada sea un múltiplo del factor de celda. . Con esta opción, el ráster de salida puede cubrir una extensión espacial más pequeña que el ráster de entrada.

ignore_nodata

Booleano opcional. Indica si el cálculo de agregación ignora los valores NoData.

Verdadero: especifica que si existen valores NoData para cualquiera de las celdas que se encuentran dentro de la extensión espacial de una celda más grande en el ráster de salida, los valores NoData se ignorarán al determinar el valor de las ubicaciones de las celdas de salida. Solo las celdas de entrada dentro de la extensión de la celda de salida que tienen valores de datos se utilizarán para determinar el valor de la celda de salida. Este es el predeterminado.

Falso: especifica que si cualquier celda que se encuentre dentro de la extensión espacial de una celda más grande en el ráster de salida tiene un valor de NoData, el valor para esa ubicación de celda de salida será NoData. las celdas dentro de una agregación contienen el valor NoData, no hay información suficiente para realizar los cálculos especificados necesarios para determinar un valor de salida.


Referencias

Naciones Unidas. Perspectivas de la población mundial: revisión de 2015. Dept. Econ. Asuntos Sociales, División de Población. (UNPD) http://esa.un.org/unpd/wpp/ (2015).

Naciones Unidas. Perspectivas de urbanización mundial: la revisión de 2014. Destacados (ST / ESA / SER.A / 352). Dept. Econ. Asuntos Sociales, División de Población. (UNPD) http://esa.un.org/unpd/wup/Highlights/WUP2014-Highlights.pdf (2014).

Naciones Unidas. Perspectivas de la población mundial: revisión de 2015. Hallazgos clave y cuadros avanzados (ESA / P / WP.241). Dept. Econ. Asuntos Sociales, División de Población. (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. & amp Hay, S. I. Mapas de población de alta resolución para naciones de bajos ingresos: combinación de cobertura terrestre y censo en África oriental. Más uno 2, e1298 (2007).

Balk, D. L. y col. Determinación de la distribución de la población mundial: métodos, aplicaciones y datos. Adv. en Parasitología 62, 119–156 (2006).

Bhaduri, B., Bright, E., Coleman, P. & amp Dobson, J. LandScan: localizar personas es lo que importa. Geoinformática 5, 34–37 (2002).

Salvatore, M., Pozzi, F., Ataman, E., Huddleston, B. & amp Bloise, M. Mapeo de la distribución de la población urbana y rural global. Documento de trabajo sobre medio ambiente y recursos naturales 24. Alimentación y Agri. Org. Depósito de documentos corporativos de la ONU http://www.fao.org/docrep/009/a0310e/a0310e00.htm (2005).

Hay, S. I., Guerra, C. A., Tatem, A. J., Atkinson, P. M. & amp Snow, R. W. Urbanización, transmisión de malaria y carga de enfermedad en África. Nature Rev. Microbio 3, 81–90 (2005).

Snow, R. W., Guerra, C. A., Noor, A. M., Myint, H. Y. & amp Hay, S. I. La distribución global de los episodios clínicos de malaria por Plasmodium falciparum. Naturaleza 434, 214–217 (2005).

Doxsey-Whitfield, E. et al. Aprovechando la disponibilidad mejorada de los datos del censo: Un primer vistazo a la población cuadriculada del mundo, versión 4 (GPWv4). Papeles en Applied Geog 1, 226–234 (2015).

Centro para la Red Internacional de Información sobre Ciencias de la Tierra (CIESIN), Universidad de Columbia. Población cuadriculada del mundo, versión 4 (GPWv4). Centro de Aplicaciones y Datos Socioeconómicos de la NASA de EE. UU. (SEDAC) http://sedac.ciesin.columbia.edu/data/set/gpw-v4-population-count-adjusted-to-2015-unwpp-country-totals (2016).

Centro para la Red Internacional de Información sobre Ciencias de la Tierra (CIESIN), Instituto Internacional de Investigación sobre Políticas Alimentarias de la Universidad de Columbia (IPFRI), Banco Mundial y Centro Internacional de Agricultura Tropical (CIAT). Proyecto de cartografía global rural-urbana (GRUMPv1). Centro de Aplicaciones y Datos Socioeconómicos de la NASA de EE. UU. (SEDAC) http://sedac.ciesin.columbia.edu/data/collection/grump-v1/sets/browse (2016).

Balk, D. L., Pozzi, F., Yetman, G., Deichmann, U. & amp Nelson, A. La distribución de personas y la dimensión del lugar: metodologías para mejorar la estimación global de extensiones urbanas. En Proc. de la Conferencia de Percepción Remota Urbana de 2005ftp://ftp.ecn.purdue.edu/jshan/proceedings/URBAN_URS05/balk-etal.pdf (2005).

Centro para la Red Internacional de Información en Ciencias de la Tierra (CIESIN), Universidad de Columbia y Centro Internacional de Agricultura Tropical (CIAT). Población cuadriculada del mundo, versión 3 (GPWv3). Centro de Aplicaciones y Datos Socioeconómicos de la NASA de EE. UU. (SEDAC)http://sedac.ciesin.columbia.edu/data/collection/gpw-v3 (2014).

Balk, D. L. & amp Yetman, G. La distribución global de la población: evaluación de las ganancias en el refinamiento de la resolución. Centro para la Red Internacional de Información sobre Ciencias de la Tierra (CIESIN), Universidad de Columbia http://sedac.ciesin.columbia.edu/downloads/docs/gpw-v3/gpw3_documentation_final.pdf (2004).

Centro para la Red Internacional de Información sobre Ciencias de la Tierra (CIESIN), Universidad de Columbia. Gridded Population of the World (GPW) Versión 3. GPW y GRUMP: Breve antecedentes, comparación e historia. Centro de Aplicaciones y Datos Socioeconómicos de la NASA de EE. UU. (SEDAC) http://sedac.ciesin.columbia.edu/data/collection/gpw-v3/about-us (2014).

Balk, D. L., Yetman, G. & amp de Sherbinin, A. Centro para la Red Internacional de Información sobre Ciencias de la Tierra (CIESIN), Centro de Aplicaciones y Datos Socioeconómicos de la NASA de la Universidad de Columbia (SEDAC). Construcción de conjuntos de datos cuadriculados de población y pobreza a partir de diferentes fuentes de datos. En Proc. de la Conferencia del Foro Europeo de Geoestadística, 5-7 de octubre de 2010 Tallin, Estoniahttp://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. & amp Tatem, A. J. Evaluación del uso de datos de cobertura terrestre global para guiar el modelado de distribución de la población de grandes áreas. GeoJournal 76, 525–538 (2011).

Mennis, J. & amp Hultgren, T. Mapeo dasimétrico inteligente y su aplicación a la interpolación de áreas. Carto. Geog. Info. Ciencia 33, 179–194 (2006).

Gaughan, A. E., Stevens, F. R., Linard, C., Jia, P. & amp Tatem, A. J. Mapas de distribución de población de alta resolución para el sudeste asiático en 2010 y 2015. Más uno 8, e55882 (2013).

Linard, C., Gilbert, M., Snow, R. W., Noor, A. M. & amp Tatem, A. J. Distribución de la población, patrones de asentamiento y accesibilidad en África en 2010. Más uno 7, e31743 (2012).

Linard, C., Alegana, V. A., Noor, A. M., Snow, R. W. & amp Tatem, A. J. Una base de datos de población espacial de alta resolución de Somalia para mapeo de riesgo de enfermedades. En t. J. Health Geog 9, 45 (2010).

Bhaduri, B., Bright, E. A., Coleman, P. R. & amp Urban, M. L. LandScan USA: Un enfoque de modelado geoespacial y temporal de alta resolución para la distribución y dinámica de la población. GeoJournal 69, 103–117 (2007).

Dobson, J. E., Bright, E. A., Coleman, P. R. y Worley, B. A. LandScan: una base de datos de población global para estimar poblaciones en riesgo. Photogramm Eng. Sensores remotos. 66, 849–857 (2000).

Laboratorio Nacional Oak Ridge (ORNL). Disponibilidad de datos LandScan. Ciencia y tecnología de la información geográfica (GIST) http://web.ornl.gov/sci/landscan/landscan_data_avail.shtml (2016).

Azar, D. y col. Refinamiento espacial de la distribución de la población del censo utilizando estimaciones de superficies impermeables obtenidas por teledetección en Haití. En t. J. Remote Sens. 31, 5635–5655 (2010).

Azar, D., Engstrom, R., Graesser, J. & amp Comenetz, J. Generación de capas de población a escala fina utilizando imágenes satelitales de resolución múltiple y datos geoespaciales. Entorno de sensores remotos 130, 219–232 (2013).

Stevens, F. R., Gaughan, A. E., Linard, C. & amp Tatem, A. J. Desglosar los datos del censo para el mapeo de la población utilizando bosques aleatorios con datos auxiliares y de teledetección. Más uno 10, e0107042 (2015).

Sorichetta, A. et al. Conjuntos de datos de población en cuadrículas de alta resolución para América Latina y el Caribe en 2010, 2015 y 2020. Sci. Datos 2, 150045 (2015).

Alegana, V. A. et al. Mapeo de alta resolución de las estructuras de edad de la población para aplicaciones de salud y desarrollo. J. R. Soc. Interfaz. 12, 20150073 (2015).

Deville, P. y col. Mapeo dinámico de población utilizando datos de teléfonos móviles. Proc. Natl Acad. Ciencia 111, 888–893 (2014).

Organización Internacional de Normalización (ISO). Códigos de país: ISO 3166. Normas ISOhttp://www.iso.org/iso/country_codes.html (2015).

de Ferranti, J. Datos digitales de elevación. Panorámicas del visor http://www.viewfinderPanoramas.org/dem3.html (2015).

NASA de Estados Unidos. Misión de topografía de radar de lanzadera. Laboratorio de propulsión a chorro. Instituto de Tecnología de California http://www2.jpl.nasa.gov/srtm/ (2015).

Áreas Administrativas Globales (GADM). Descargar. Áreas administrativas globaleshttp://gadm.org/country (2015).

Áreas Administrativas Globales (GADM). Acerca de. Áreas administrativas globaleshttp://www.gadm.org/about (2015).

de Ferranti, J. Datos digitales de elevación: Relleno de vacíos SRTM. Panorámicas del visor http://www.viewfinderPanoramas.org/voidfill.html (2015).

Hormann, C. Evaluación de datos de llenado de huecos para SRTM DEM. Geo-visualización: revisiones de geodatos http://www.imagico.de/pov/earth_srtm.php (2015).

Fundación Geoespacial de Código Abierto. OSGEO4W. Software geoespacial OSGEO4Whttp://trac.osgeo.org/osgeo4w/ (2015).

Fundación Geoespacial de Código Abierto. GDAL: biblioteca de abstracción de datos geoespaciales. GDALhttp://www.gdal.org/ (2015).

El Grupo de Desarrollo Global de PostgreSQL. Acerca de. PostgreSQLhttp://www.postgresql.org/about/ (2016).

Comité Directivo del Proyecto PostGIS (PSC). Acerca de PostGIS. PostGIS, objetos espaciales y geográficos para PostgreSQLhttp://postgis.net/ (2016).

Fundación OpenStreetMap (OSMF). Osm2pgsql. Abrir mapa de calleshttp://wiki.openstreetmap.org/wiki/Osm2pgsql (2016).

Proyecto QGIS. QGIS 2.10.1. Descargashttp://qgis.org/downloads/ (2015).

Furieri, A. Software Spatialite. Página de inicio de proyectos federados de Gaia-SINShttp://www.gaia-gis.it/gaia-sins/ (2016).

Fundación Geoespacial de Código Abierto. GDAL_Rasterize. GDALhttp://www.gdal.org/gdal_rasterize.html (2015).

ESRI. Estadísticas zonales, ArcMap 10.3. Conjunto de herramientas zonales de ArcGIS for Desktop ArcMap Spatial Analyst Toolboxhttp://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/zonal-statistics.htm (2015).

Santini, M., Taramelli, A. & amp Sorichetta, A. ASPHAA: Un algoritmo basado en SIG para calcular el área de la celda en una cuadrícula regular de latitud-longitud (geográfica). Trans. en SIG 14, 351–377 (2010).

ESRI. Agregado, ArcMap 10.3. ArcGIS for Desktop ArcMap espacial Conjunto de herramientas de generalización de Analyst Toolboxhttp://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/aggregate.htm (2015).

ESRI. Reclasificar, ArcMap 10.3. ArcGIS for Desktop ArcMap 3D Analyst Toolbox Conjunto de herramientas de reclasificación de rásterhttp://desktop.arcgis.com/en/arcmap/10.3/tools/3d-analyst-toolbox/reclassify.htm# (2015).

Funk, C. y col. Los peligros climáticos Precipitación infrarroja con estaciones: un nuevo récord ambiental para el monitoreo de extremos. Sci. Datos 2, 150066 (2015).

Manning, H. L. La evaluación estadística de la probabilidad de lluvia y su aplicación en la agricultura de Uganda. Proc. Royal Soc. Londres. Ser. B. Bio. Sci. 144, 460–480 (1956).

le Blanc, D. & amp Perez, R. La relación entre las precipitaciones y la densidad humana y sus implicaciones para el estrés hídrico futuro en el África subsahariana. Documento de trabajo de DESA No. 57 (ST / ESA / 2007 / DWP / 57). Departamento de la ONU Econ. Asuntos Sociales, Div. Desarrollo sostenible (UNDSD) http://www.un.org/esa/desa/papers/2007/wp57_2007.pdf (2007).

Centro Nacional de Datos Geofísicos de la NOAA de EE. UU. / Agencia Meteorológica de la Fuerza Aérea de EE. UU. Versión 4 DMSP-OLS Serie temporal de luces nocturnas (1992–2013 Promedio visible, luces estables y coberturas sin nubes). Grupo de Observación de la Tierra http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html (2014).

Sutton, P., Roberts, D., Elvidge, C. & amp Baugh, K. Censo del cielo: una estimación de la población humana mundial utilizando imágenes satelitales nocturnas. En t. J. Remote Sens. 22, 3061–3076 (2001).

Agencia Espacial Europea (ESA) y Université Catholique De Louvain (UCL). Mapa de cobertura terrestre global para 2009 (GlobCover 2009). Elemento de usuario de datos de la ESA: GlobCover http://due.esrin.esa.int/page_globcover.php (2009).

ESRI. Remuestrear, ArcMap 10.3. ArcGIS for Desktop ArcMap Procesamiento y análisis de datos rásterhttp://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/resample-function.htm (2015).

Universidad de Maryland, Departamento de Geografía. Landsat Inland Water v1 2000. Instalación de cobertura terrestre global: aguas continentales globaleshttp://www.landcover.org/data/watercover/ (2015).

Universidad de Maryland, Departamento de Geografía y NASA de EE. UU. MOD44W MODIS Water, Colección 5, 2000-2002. Instalación de cobertura terrestre global: máscara de agua MODIS http://www.landcover.org/data/watermask/ (2009).

Linard, C. y col. Uso de datos VGI activos y pasivos para modelar la distribución de la población: experiencia del proyecto WorldPop. En Proc. de la Octava Conferencia Internacional sobre Ciencias de la Información Geográficahttp://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).

Fundación OpenStreetMap (OSMF). Exactitud. Abrir mapa de calleshttp://wiki.openstreetmap.org/wiki/Accuracy (2016).

Fundación OpenStreetMap (OSMF). Formato PBF. Abrir mapa de calleshttp://wiki.openstreetmap.org/wiki/PBF_Format (2016).

Fundación OpenStreetMap (OSMF). Cargando datos de OSM. Switch2OSMhttps://switch2osm.org/loading-osm-data/ (2016).

ESRI. Polígono a ráster, ArcMap 10.3. Caja de herramientas de conversión de ArcGIS for Desktop ArcMap a conjunto de herramientas rásterhttp://desktop.arcgis.com/en/arcmap/10.3/tools/conversion-toolbox/polygon-to-raster.htm (2015).

NASA de EE. UU. Y Agencia Nacional de Inteligencia Geoespacial de EE. UU. (NGA). SRTM SWBD. Índice de SRTM versión 2.1 SWBDhttps://dds.cr.usgs.gov/srtm/version2_1/SWBD/ (2003).

Centro de datos EROS del Servicio Geológico de EE. UU. Datos de masas de agua de GTOPO30 HYDRO 1 K. Archivo a largo plazo https://lta.cr.usgs.gov/HYDRO1K https://lta.cr.usgs.gov/gtopo30 (1996).

El Grupo de Trabajo de Información Geográfica Digital (DGIWG). Catálogo de codificación de características y atributos (FACC), edición 2.1, septiembre de 2000. El estándar de intercambio de información geográfica digital (DIGEST) Parte 4 https://www.dgiwg.org/digest/documents/Part4_FACC.zip (2016).

Nelson, A. (Unidad de Monitoreo del Medio Ambiente Global del Centro Común de Investigación de la Comisión Europea). Tiempo de viaje estimado a la ciudad más cercana de 50.000 personas o más en el año 2000. Centro Común de Investigación — Servicio científico interno de la Comisión Europea — Tiempo de viaje a las principales ciudades: un mapa global de accesibilidad http://forobs.jrc.ec.europa.eu/products/gam/ (2008).

Lloyd, C. T. Código fuente para: Conjuntos de datos espaciales cuadriculados globales de WorldPop Archive. Versión Alpha 0.9. Compatibilidad con archivos y código para producir conjuntos de datos base, integrar más conjuntos de datos espaciales y calcular el área de superficie celular para una cuadrícula de longitud-latitud (geográfica) espaciada regularmente de la superficie de la Tierra. Reja de higo https://dx.doi.org/10.6084/m9.figshare.4476803.v1 (2016).

Rabus, B., Eineder, M., Roth, A. & amp Bamler, R. La misión de topografía del radar del transbordador: una nueva clase de modelos digitales de elevación adquiridos por radares espaciales. ISPRS J. Photogramm Remote Sens 57, 241–262 (2003).

Rodríguez, E. et al. Una evaluación de los productos topográficos SRTM. D-31639. Laboratorio de Propulsión a Chorro de la NASA de EE. UU., Instituto de Tecnología de California http://www2.jpl.nasa.gov/srtm/SRTM_D31639.pdf (2005).

Brigham, C., Gilbert, S. & amp Xu, Q. Open Geospatial Data: An Assessment of Global Boundary Datasets. Instituto del Banco Mundial. Actas de GISRUK 2012, Universidad de Lancasterhttp://www.geos.ed.ac.uk/

Centro para la Red Internacional de Información sobre Ciencias de la Tierra (CIESIN), Universidad de Columbia. Población cuadriculada del mundo, versión 4 (GPWv4): Indicadores de calidad de datos. Centro de Aplicaciones y Datos Socioeconómicos de la NASA de EE. UU. (SEDAC) http://sedac.ciesin.columbia.edu/data/set/gpw-v4-data-quality-indicators (2016).

Henderson, M., Yeh, E. T., Gong, P., Elvidge, C. & amp Baugh, K. Validación de límites urbanos derivados de imágenes satelitales nocturnas globales. En t. J. Remote Sens. 24, 595–609 (2003).

Min, B., Gaba, K. M., Sarr, O. F. & amp Agalassou, A. Detección de electrificación rural en África utilizando imágenes de luces nocturnas DMSP-OLS. En t. J. Remote Sens. 34, 8118–8141 (2013).

Feng, M., Sexton, J. O., Channan, S. & amp Townshend, J. R. Un conjunto de datos de masas de agua continentales globales de alta resolución (30 m) para 2000: primeros resultados de un algoritmo de clasificación topográfico-espectral. En t. J. Tierra digital 9, 113–133 (2016).

Carroll, M. L., Townshend, J. R., DiMiceli, C. M., Noojipady, P. & amp Sohlberg, R. A. Una nueva máscara de agua ráster global con una resolución de 250 m. En t. J. Tierra digital 2, 291–308 (2009).

Iwao, K. y col. Validación de modelos de elevación digitales globales con información de proyecto de grado de confluencia y ASTER-DEM en cuadrícula geográfica. En t. Arco. Fotograma, Sensores Remotos e Información Espacial. Ciencia 37, 1847–1852 (2008).

Varga, M. & amp Bašić, T. Validación de precisión y comparación de modelos de elevación digitales globales en Croacia. En t. J. Remote Sens. 36, 170–189 (2015).

Haklay, M., Basiouka, S., Antoniou, V. & amp Ather, A. ¿Cuántos voluntarios se necesitan para mapear bien un área? La validez de la Ley de Linus para la información geográfica voluntaria. Carto. J 47, 315–322 (2010).

Lloyd, C. T. Controla la ubicación y el tamaño de las profundidades glaciares. Tesis de doctorado, Universidad de Sheffield. White Rose eTesis en líneahttp://etheses.whiterose.ac.uk/id/eprint/8846 (2015).

zu Erbach-Schoenberg, E. et al. Denominadores dinámicos: el impacto de los números de población que varían estacionalmente en las estimaciones de incidencia de enfermedades. Popul. Health Metr. 14, 35 (2016).

Patel, N. N. y col. Mejora de la cartografía de la población de grandes áreas mediante el uso de densidades de geotweet. Trans. en SIG 10.1111 / tgis.12214 (2016).

Centro Común de Investigación de la Comisión Europea. GHSL — Capa de asentamiento humano global. Centro científico de la Comisión Europea: Asentamientos humanos globales http://ghsl.jrc.ec.europa.eu/index.php (2016).

Iniciativa de Cambio Climático (CCI) de la Agencia Espacial Europea (ESA). Mapas de cobertura terrestre global v1.6.1 y cuerpos de agua v4. Visor de cobertura terrestre de la ESA http://maps.elie.ucl.ac.be/CCI/viewer/ (2016).

Centros Nacionales de Información Ambiental de la NOAA de EE. UU. VIIRS DNB Nighttime Lights Cloud Free Composites v1. Grupo de Observaciones de la Tierra https://www.ngdc.noaa.gov/eog/viirs/download_monthly.html (2016).

Consejo de Investigación del Medio Ambiente Natural del Reino Unido (NERC), Centro Británico de Datos Atmosféricos (BADC). Área de superficie de una celda de cuadrícula de longitud / latitud. Ayudahttps://badc.nerc.ac.uk/help/coordinates/cell-surf-area.html (2002).

Tobler, W. & amp Chen, Z. Un árbol cuádruple para el almacenamiento de información global. Geog. Análisis 18, 360–371 (1986).


5. Conclusiones

El enfoque que se presenta aquí es una aplicación de métodos existentes que ayudan a acelerar la extracción de la cubierta forestal de grandes archivos de mapas históricos almacenados como impresiones en papel o escaneos de impresiones en papel. Nuestros métodos se enfocaron en áreas forestales que se muestran en mapas con distintos colores. Recibimos precisiones similares a los resultados de otros estudios que tenían como objetivo extraer características bidimensionales de mapas de papel escaneados (Wise, 1999, 2002 Herrault et al., 2013), lo que demuestra la efectividad de nuestro enfoque. En los casos en que se deba tener en cuenta la representación gráfica, estructural o de textura del bosque, el potencial de otros métodos podría ser mayor (Leyk et al., 2006 Leyk y Boesch, 2009, 2010).


  • para familiarizarse con algunas funciones analíticas más comunes (más funciones analíticas en modelos de superficies ráster se tratarán en 3-D y Modelado de superficies).
  1. Realice la sustitución de unidades para crear unidades L (CD) y M (unidad extraíble).

Realizar sustitución de unidad

Realice la sustitución de unidades para crear las unidades virtuales. L y METRO.

Abrir un nuevo documento de mapa

  1. Si es necesario, habilite la extensión Spatial Analyst y acople la barra de herramientas de Spatial Analyst en la ventana de su aplicación ArcMap.
  2. Elimine todo lo que pueda de su unidad extraíble.
  3. Crea un directorio llamado M: r_an_2 para celebrar el trabajo de hoy.
  4. Cree un nuevo documento de mapa llamado M: r_an_2 r_an_2.mxd.
  5. Configure el directorio de trabajo en esta ubicación también (Geoprocesamiento & gt Environment & gt Working Directory).
  6. Asegúrese de ahorrar temprano y con frecuencia durante este ejercicio.

Importación de datos de archivos ráster genéricos

  1. Descargar el archivo q1822.zipy guárdalo en METRO:. (El conjunto completo de DEM del estado de Washington está disponible en un servidor de Geological Sciences).
  2. Descomprima el archivo, colocando el archivo descomprimido (q1822.dem) en METRO:.
    1. Si tiene curiosidad acerca de la estructura del archivo, abra un símbolo del sistema y use el comando

    más M: q1822.dem

    1. Selecciona el Ingrese el archivo DEM de USGS al dem descomprimido.
    2. Selecciona el Ráster de salida a una cuadrícula llamada M: NETID.gdb eatonville o M: r_an_2 Eatonville
    3. Cambiar el Tipo de datos de salida para ENTERO. Estos DEM de USGS se almacenan en contadores enteros, por lo que es apropiado almacenar la cuadrícula como entero.

    Acaba de descargar correctamente un modelo de elevación digital de dominio público, lo ha importado a ArcGIS y lo ha mostrado en una rampa de color estirada por elevación. Casi todos los DEM de EE. UU. Están disponibles para su descarga gratuita. Los DEM se utilizan en todos los aspectos del análisis de paisajes mediante SIG. La elevación es una de las cosas más básicas que debemos saber sobre los paisajes. Además, los conjuntos de datos de elevación son la base de los conjuntos de datos de pendiente y aspecto, y se utilizarán para desarrollar delineaciones de cuencas hidrográficas.

    Obtención e importación de DEM de USGS de 10 m

    Harvey Greenberg ejecuta un servidor en Ciencias de la Tierra y del Espacio que mantiene una gran cantidad de conjuntos de datos para el estado de Washington, incluidos los DEM de 10 m (los que acaba de usar son de 30 m).

    1. Crea un directorio llamado 10m para sostener los DEM de 10 metros en su M: r_an_2.
    2. Haga clic derecho en el enlace de la izquierda y & # 8220Open in New Window & # 8221. http://gis.ess.washington.edu/data/raster/tenmeter/byquad/index.html
    3. Debería abrirse la página de DEM de 10 m de Washington.

    10m

    Fusionar cuadrículas adyacentes (& # 8220mosaicking & # 8221)

    El mosaico creará una sola cuadrícula sin costuras y también suavizará la transición entre cuadrículas al realizar una función de promediado cerca del borde.

      Usando el mismo método anterior, descargue, importe y descomprima Elbe, WA 30 m DEM (q1823.dem). Llamar a la cuadrícula de salida Elba.


    Incluso si usa una rampa de color similar, aún puede ver el borde duro entre las dos cuadrículas. También puede ver que siguen siendo dos cuadrículas separadas en el marco de datos y la tabla de contenido # 8217s.

    Aquí hay una vista ampliada con una simbología clasificada en lugar de extendida.

    Para estas celdas en el borde, la diferencia de elevación es de 9 metros.

    Acaba de descargar, importar y fusionar dos modelos de elevación digitales de USGS adyacentes. Si su área de estudio atraviesa varios límites de hoja cuádruple del USGS y necesita realizar un análisis utilizando datos de elevación, deberá agruparlos en mosaico.

    Mapeo de contornos

    1. Vuelve al Eatonville marco de datos.
    2. Desde el Herramienta de análisis espacial, Seleccione Superficie y contorno gt.
      1. Establezca el intervalo de contorno en 10 m.
      2. Coloque la salida como un shapefile llamado Contour_10m.

      Acaba de crear una capa de línea de contorno vectorial completa. Utilice esta técnica para crear datos de curvas de nivel si solo tiene datos de elevación ráster disponibles, pero necesita curvas de nivel en su mapa. Sin embargo, tenga en cuenta que las curvas de nivel son tan buenas como los datos de entrada, que en muchos casos no son muy buenos. También hay problemas de generalización de líneas que pueden afectar la calidad de los datos.

      Calcular superficies de distancia y zonas de influencia

      Calcular superficies de distancia

      1. Crea un nuevo marco de datos llamado Pack Bosque.
      2. Añade el arroyos capa de L: packgis packgis.mdb.
      3. Desde el Analista espacialInstrumentos menú, seleccione Distancia y gt Distancia euclidiana. Utilice un tamaño de celda de 30.
        & ltNote & gt No guarde este archivo en Geodatabase o puede causar algunos errores.

      ¿Ves en qué se diferencia de la función de búfer en el mundo de los vectores?

      Crear búferes

      Ahora que tiene una superficie que tiene distancia a cada arroyo, cree una capa de cuadrícula que represente las celdas dentro de los 500 pies de los arroyos existentes.

      1. Desde el Analista espacialHerramientas Mapa Algeba, Seleccione Calculadora de ráster.
      2. Formatee un cálculo que solo tome celdas dentro de los 500 pies de los flujos (el archivo 001 es la capa almacenada en búfer).

      Esta expresión significa & # 8220 para cada celda, si el valor de buf_stream_500 es igual a 0, haz el valor de salida sin datos, de lo contrario, establezca el valor de salida 1. & # 8221


      Esto creará una nueva cuadrícula que es idéntica a la cuadrícula de distancia original, pero tendrá valor para las celdas solo dentro de la cuadrícula de máscara. La máscara limita la extensión espacial de las celdas de salida.

      El otro método para limitar la distancia es:

        Realice el mismo cálculo de distancia que antes, pero ingrese el Distancia máxima de 500 pies:

      Acaba de crear una cuadrícula de superficie de distancia a partir de una capa de vector de corriente. Estas superficies de distancia son similares a las zonas de influencia, pero en lugar de tener un valor de entrada o salida binario simple, las celdas se codifican con la distancia real del centro de la celda al flujo más cercano. Si está realizando algún tipo de modelado donde la distancia real desde una característica (en lugar de un interior / exterior de un búfer) es importante, puede utilizar esta técnica. Por ejemplo, es más probable que las salamandras se encuentren más cerca de los canales de los arroyos.

      Cálculo de atributos de resumen para entidades usando una capa de cuadrícula (& # 8220 Estadísticas de zona & # 8221)

      Las estadísticas zonales se utilizan cuando tiene un conjunto de datos de zona (la fuente puede ser una cuadrícula o un conjunto de datos vectoriales) y desea conocer las estadísticas resumidas de una cuadrícula subyacente.

      1. Cree un nuevo marco de datos y agregue la capa de cuadrícula dem y la capa de polígono soportes desde L: packgis packgis.mdb.
      2. Seleccione Herramientas de Spatial Analyst y gt Zonal y gt Zonal Statistics.
        1. Escoger destaca polígono como el Conjunto de datos de zona.
        2. Seleccione el artículo SITE_INDEX como el campo de zona. Esto especifica que estamos interesados ​​en agrupar los stands y analizarlos por valor único del índice del sitio.
        3. Seleccione dem como el Ráster de valor.
        4. Seleccione Significar como el Estadística de gráfico.
        5. Coloque la tabla de salida en M: NETID.gdb ZonalSt_stands1.

        Áreas de tabulación cruzada

        La tabulación cruzada de áreas es útil para comparar diferentes conjuntos de datos para la misma área, así como para comparar las mismas capas de datos en diferentes momentos.

        Una aproximación ráster de la intersección del vector

        1. Crea un nuevo marco de datos llamado XTab.
        2. Añade el soportes y suelos capas de L: packgis bosque carpeta al marco de datos. Dado que no tenemos una capa ráster existente para este ejercicio, nos gustaría que creara dos capas a partir del soporte y el suelo.
        3. Convierta la clase de entidad de rodales en un ráster (ArcToolbox y gt herramientas de conversión y gt a ráster y gt polígono a ráster).
          1. Convertir basado en el ESPECIES campo.
          2. Coloque el conjunto de datos de salida en M: NETID.gdb stand_sp_grid.
          3. Utilice un tamaño de celda de 30 m.

          1. La primera capa de entrada es la rejilla del suelo.
          2. La segunda capa de entrada es la cuadrícula del soporte.
          3. Coloque la tabla de salida en M: NETID.gdb suelo_suelo_xtab.
          4. Hacer clic OK.

          Reclasificar una capa de cuadrícula ráster

          A veces tiene más sentido trabajar con datos reclasificados en lugar de datos continuos sin procesar. Por ejemplo, puede haber rangos de elevación específicos en los que puede encontrar diferentes tipos de vegetación. Para modelar la distribución de la vegetación, sería mejor tener una cuadrícula de clases de elevación en lugar de una que contenga elevaciones continuas sin procesar. Reclasificar sus datos es similar a cambiar la clasificación en la leyenda de una capa, pero en lugar de simplemente alterar la simbología, crea un nuevo conjunto de datos de cuadrícula con estos valores.

          1. Cierra el Propiedades.
          2. Seleccione Herramientas de Spatial Analyst Reclassificar Reclasificar desde ArcToolbox. Seleccione dem como el Ráster de entrada. El método predeterminado para la clasificación es un desglose manual de 9 clases, donde los saltos de clase se seleccionan automáticamente. & ltNota: recuerde verificar la geodatabase correcta para guardar capas ráster & gt

          La reclasificación de una capa de cuadrícula ráster asigna nuevos valores de salida a grupos de celdas de entrada. En este caso, creamos una nueva cuadrícula ráster a partir del conjunto seleccionado del Dem_int capa de cuadrícula ráster. La reclasificación es una técnica que puede hacer que los datos sean más comprensibles, pero siempre incluye una pérdida de información original (se pierden los valores originales). El otro problema con la reclasificación es que la tabla de atributos de cuadrícula de ráster resultante no tiene valores descriptivos, solo números de clase. Reclasificar también es una función local, porque asigna nuevos valores de celda para cada celda independientemente de otras celdas.

          Calcular las estadísticas del vecindario

          ¿Qué partes del bosque tienen la mayor complejidad topográfica? Basado en un kernel de 5 por 5 celdas pasado por todo el paisaje, calcule la desviación estándar de elevación dentro de ese kernel de 5 por 5 celdas y coloque la salida de cada uno de esos cálculos en la celda central de la cuadrícula de salida.

          1. Desde el Analista espacialHerramientas Barrio, Seleccione Estadísticas de bloque.
            1. Seleccione dem como el conjunto de datos de entrada
            2. Seleccione la estadística Desviación Estándar.
            3. Usa un rectángulo de celdas de 5 por 5.
            4. Establezca el tamaño de celda de salida de 10 desde el Entornos Análisis de ráster.
              & ltNote & gt Este archivo no se puede almacenar en la geodatbase, guárdelo en su unidad extraíble

            La misma técnica básica podría utilizarse, por ejemplo, para caracterizar el uso de la tierra o los tipos de cobertura de la tierra. Para datos nominales como el uso de la tierra o la cobertura de la tierra, la estadística de vecindad Variedad generaría una nueva capa de cuadrícula en la que las celdas de salida representan el número de clases distintas dentro del área del núcleo.

            A continuación, se muestra un ejemplo de un cálculo de vecindad basado en las edades de los rodales. The forest stands have been converted to a grid based on the stand age (Age_2003) values. 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?


            Ver el vídeo: masking raster with shapefile in ArcMap