Daha çox

Rastr statistikası olmadıqda minimum və maksimum dəyərlər


Bir raster sənədində statistikanı təsvir edən köməkçi bir fayl (məsələn aux.xml) olmadığı zaman ArcMap minimum və maksimum raster dəyərlərini necə təyin edir (məsələn, rəngli rampaların göstərilməsi üçün)?

Bu sual, GeoTiffs tərəfindən yaradılan bir vəziyyəti təsvir edən əvvəlki sualımla əlaqədardırgdalwarp, ArcMap minimumu göstərdi268.048, əsl minimum isə91.2931.

ArcMap, hüceyrələrin ilkin bir alt hissəsini yoxlayır və bu hüceyrələrin dəyərlərinə əsasən statistika təyin edirmi? Əgər belədirsə, köməkçi faylların yaradılmasını və rasterlə paylanmasını təmin etməkdən başqa bu davranışın qarşısını almaq olarmı? Riskli bir davranış kimi görünür, çünki bir istifadəçi statistikanın tam hesablandığını təmin etmədikdə, göstərilən nəticə asanlıqla səhv yozula bilər.


GeoTIFF sənədlərindən istifadə etdiyinizi düşünürəm.

Gördüyümdən, ArcGIS 10.0 və daha sonra GeoTIFF faylı içindəki GDAL metadata etiketlərindən statistik məlumatları əldə edir. Məsələn, əmrdən istifadə edirsinizsəgdalinfo myraster.tif:

Metadata: STATISTICS_MAXIMUM = 1108.7349853516 STATISTICS_MEAN = 466.57443054098 STATISTICS_MINIMUM = 144.47999572754 STATISTICS_STDDEV = 133.89387030864

ArcGIS-in köhnə versiyaları üçün bu əlaqədar metadata məhəl qoyulmur, lakin oxşar dəyərlər myraster.tif.aux.xml faylı adlanan ayrı bir dosyadadır (bu barədə bir neçə il əvvəl soruşdum). Hər ikisi varsa, hansının üstünlük təşkil etdiyini bilmirəm. Qeyd edək kigdalinfo -statistiklərstatistikanı yalnız .aux.xml sənədinə əlavə edir. Normalda .aux.xml sənədini silirəm.

Statistikalar kiçik bir Python skriptindən istifadə edərək GDAL metaməlumatında yenidən hesablana və saxlanıla bilər:

osgeo idxal gdal gdal.UseExceptions () src_fname = sys.argv [1] aux_fname = src_fname + '.aux.xml' əgər os.path.isfile (aux_fname): os.unlink (aux_fname) ds = gdal .Apen (src_fname, 1) i üçündür (ds.RasterCount) üçün: stats = ds.GetRasterBand (i + 1) .ComputeStatistics (0) print ('Band% d:% s'% (i + 1, stats) ) ds = Yoxdur # saxla, bağla

Bu skript, mövcud olduqda .aux.xml sənədini silir, raster dəyərləri dəyişsə və lazımsız bir sənəd olsa problemli hesab edirəm. TheComputeStatisticsçağrı ümumiyyətlə düzgün işi edir və hətta NODATA dəyərlərini düzgün idarə edir.


OutRas = FocalStatistics (InRas1, NbrRectangle (3,3, MAP), "SUM", "")

Giriş rasteri üzən nöqtə tiplidirsə, yalnız Orta, Maksimum, Minimum, Aralıq, Standart sapma və Cəm statistikası mövcuddur Çoxluq, Azlıq, Median və Variety statistikalarına icazə verilmir. Giriş rasteri tam tiplidirsə, bütün statistika növləri mövcuddur.

Dairəvi, halqa şəklində və ya paz şəklində bir qonşuluq təyin edildikdə, hüceyrənin mərkəzi məhəllə daxilində yerləşməsi lazım olduğundan xarici diaqonal hüceyrələrin bir hissəsi hesablamalarda nəzərə alınmaya bilər.

Düzensiz və Ağırlıq Qonşuluq növləri bir çekirdek dosyasının göstərilməsini tələb edir. Kernel fayllarında .txt fayl uzantısı olmalıdır.

Çekirdek fayllarının yaradılması və istifadəsi barədə məlumat üçün Fokal Statistikanın Düzensiz və Ağırlıq hissələrinə baxın.

Yalnız Orta, Standart Sapma və ya Cəm statistik növləri üçün Qonşuluq növü Çəki olaraq təyin edilə bilər.

Məhəllə daxilində ən azı bir hüceyrənin etibarlı bir dəyəri olduğu təqdirdə, NoData hesablamalarında Yoxlama seçimi seçildiyi təqdirdə giriş NoData xanaları çıxışda bir dəyər ala bilər.

Bu alət üçün tətbiq olunan geosessil mühitləri haqqında əlavə məlumat üçün Analiz mühitlərinə və Məkan Analistinə baxın.


Sintaksis

Hər çıxış hüceyrəsinin ətrafındakı qonşuluqdakı statistikanı hesablamaq üçün giriş polilin xüsusiyyətləri.

Göstərilən statistikanın hesablanacağı sahə. Giriş xüsusiyyətlərinin hər hansı bir ədədi sahəsi ola bilər.

Statistika növü LENGTH olaraq təyin olunduqda, Alan Yoxdur olaraq təyin edilə bilər.

Giriş xüsusiyyətləri z tərkibini ehtiva edərsə, bu Şəkil sahəsi ola bilər.

Çıxış raster dəsti üçün hüceyrə ölçüsü.

Xüsusi olaraq təyin edildiyi təqdirdə bu, ətrafdakı dəyərdir. Ətraf mühitdə ayarlanmadıqda, giriş məkan arayışında giriş xüsusiyyətlərinin verilənlər bazasının genişliyinin və ya hündürlüyünün 250-yə bölünməsindən daha qısadır.

İstədiyiniz statistikanı xəritə vahidlərində hesablamaq üçün radius axtarın.

Varsayılan radius çıxış hüceyrəsinin ölçüsündən beş dəfə çoxdur.

Hesablanacaq statistik tip.

Statistika məhəllə daxilindəki bütün xətlər üçün göstərilən sahənin dəyəri ilə hesablanır.

  • MEAN - Hər məhəllədə uzunluğu ilə ölçülmüş orta sahə dəyərini hesablayır. Hesablamanın forması:
    • Orta = (cəmi (uzunluq * sahə_dəyəri)) / (uzunluq_səmi)

    Göstərilən sahə tam olduqda, mövcud statistik seçimlər Orta, Çoxluq, Maksimum, Median, Minimum, Azlıq, Range və Varietydir. Sahə üzən nöqtə olduqda, icazə verilən yalnız statistika Orta, Maksimum, Minimum və Aralıqdır.

    Qaytarma Dəyəri

    Çıxış xətti statistikası raster.


    Layihə Raster (Data Management)

    Koordinat sistemi, raster məlumatlarınızın necə proqnozlaşdırıldığını təyin edir.

    Bu vasitə, xətanın yarım pikseldən az olmasına zəmanət verir.

    Əvvəlcədən mövcud olan bir məkan arayışı seçmək, başqa bir məlumat bazasından idxal etmək və ya yenisini yarada bilərsiniz.

    Verilərinizin hamısı eyni proyeksiyada olması üçün koordinat sistemini dəyişdirmək istəyə bilərsiniz.

    Çıxışınızı GRID, IMG, TIFF, şəxsi geodatabase, fayl geodatabase və ya ArcSDE geodatabase-də saxlaya bilərsiniz.

    Pikselləri qaba mesh ızgara üzərində proyeksiyalayan və piksellər arasında bilinən interpolasiyadan istifadə edən bilinear interpolasiya təxmini metodundan istifadə edərək raster verilənlər bazasını yeni bir məkan referansına proyeksiyalayır.

    Ən yaxın qonşu tapşırığını yerinə yetirən NEAREST seçimi, dörd interpolasiya metodundan ən sürətlidir. Bu, ilk növbədə torpaq istifadəsi təsnifatı kimi kategorik məlumatlar üçün istifadə olunur, çünki hüceyrə dəyərlərini dəyişdirməyəcəkdir. Yüksək səthlər kimi davamlı məlumatlar üçün NEAREST istifadə etməyin.

    BILINEAR seçimi, bilinear interpolasiya, hüceyrənin yeni dəyərini ətrafdakı hüceyrələrin ağırlıqlı məsafəsi ortalamasına əsasən təyin edir. CUBIC seçimi, kub konvolsiyası, ətrafdakı nöqtələrə hamar bir əyri yerləşdirərək yeni hüceyrə dəyərini təyin edir. Bunlar fasiləsiz məlumatlar üçün ən uyğundur və bəzi düzəldilmələrə də səbəb ola bilər, kub konvolusu giriş rasterinin xaricindəki dəyərləri ehtiva edən çıxış rasteri ilə nəticələnə bilər. Hüceyrə dəyərləri dəyişdirilə biləcəyi üçün BILINEAR və ya CUBIC-in kategorik məlumatlarla istifadəsi tövsiyə edilmir.

    Raster verilənlər bazasının hüceyrələri kvadrat və xəritənin koordinat məkanında bərabər ərazidə olacaqdır, halbuki bir hüceyrənin yer səthində təmsil etdiyi forma və sahə heç vaxt bir raster boyunca sabit olmayacaqdır. Çünki heç bir xəritə proyeksiyası həm şəkli, həm də ərazini eyni vaxtda qoruya bilməz. Hüceyrələrin təmsil etdiyi sahə raster arasında dəyişəcəkdir. Buna görə hüceyrə ölçüsü və çıxış rasterindəki sətir və sütun sayı dəyişə bilər.

    Sferik (en / uzunluq) koordinatları ilə uyğun bir hüceyrə ölçüsünün nə olacağını bilmədiyiniz bir düzəldilmiş koordinat sistemi arasında proqnozlaşdırmırsınızsa, həmişə bir çıxış hüceyrəsinin ölçüsünü göstərin.

    Çıxış rasterinin standart hüceyrə ölçüsü, çıxış rasterinin mərkəzindəki proqnozlaşdırılan hüceyrə ölçüsündən müəyyən edilir. Bu, ümumiyyətlə mərkəzi meridianın və həqiqi miqyaslı enlemin kəsişməsidir və ən az təhrif olunan sahədir. Giriş rasterinin sərhədi proqnozlaşdırılır və minimum və maksimum hədlər çıxış rasterinin ölçüsünü diktə edir. Hər hüceyrə hüceyrənin dəyərini təyin etmək üçün giriş koordinat sisteminə qayıdır.

    Coğrafi çevrilmə, giriş və çıxış koordinat sistemləri eyni dataya sahib olduqda isteğe bağlı bir parametrdir. Giriş və çıxış datası fərqlidirsə, coğrafi transformasiyanın göstərilməsi lazımdır.

    Komanda xətti pəncərəsində alət əmrindən istifadə edərkən köməyə ehtiyac duyduğunuz bir dəyişəni daxil edərkən F8 düyməsini basmalı ola bilərsiniz. Məkan arayışı daxil edərkən bunu etmək istəyə bilərsiniz.

    CLARKE 1866, proyeksiyaya xas deyilsə (NEWZEALAND_GRID kimi) və ya başqa bir SPHEROID alt komutu ilə təyin olunsa, standart sferoddur.

    Çıxış raster dəsti yaradılacaq.

    Bir raster verilənlər bazasının geodat verilənlər bazasında saxlanması zamanı heç bir fayl uzantısı tələb olunmur. Rastr məlumat dəstini bir fayl formatında saxlayarkən, bir fayl uzantısını göstərməlisiniz: ERDAS IMAGINE faylı üçün .img, TIFF üçün .tif və ya GRID üçün heç bir uzantı yoxdur.

    Həndəsə sütunu üçün koordinat sistemi.

    Varsayılan, Mekansal Referans Ayarları mühitində olduğu kimidir.

    Bu dəyişəni əlavə etmək üçün F8 düyməsini basın və ya sağ vurun və Dəyişən əlavə edin vurun.

    Yenidənqurma alqoritmi istifadə ediləcək. Varsayılan NEAREST-dir.

    • YAXIN & mdash Ən yaxın qonşu tapşırığı
    • BILINEAR & mdash Bilinear interpolation
    • CUBIC & mdash Cubic convolution

    NEAREST seçimi landuse təsnifatı kimi kategorik məlumatlar üçün istifadə olunur. NEAREST seçimi, ən sürətli olduğundan və eyni zamanda hüceyrə dəyərlərini dəyişdirməyəcəyi üçün standartdır. Yüksək səthlər kimi davamlı məlumatlar üçün NEAREST istifadə etməyin. BILINEAR seçimi və CUBIC seçimi davamlı məlumatlar üçün ən uyğundur. Hüceyrə dəyərləri dəyişdirilə biləcəyi üçün BILINEAR və ya CUBIC-in kategorik məlumatlarla istifadəsi tövsiyə edilmir.

    Çıxış raster dəsti üçün hüceyrə ölçüsü. Varsayılan hüceyrə ölçüsü seçilmiş raster verilənlər bazasının hüceyrə ölçüsüdür.

    İki coğrafi sistem və ya verilənlər bazası arasında istifadə olunan transformasiya metodu. Coğrafi transformasiyalar haqqında daha çox məlumat üçün coğrafi transformasiya metodlarına baxın.

    Giriş və çıxış koordinat sistemləri eyni dataya sahib olduqda coğrafi çevrilmə isteğe bağlıdır. Giriş və çıxış datası fərqlidirsə, coğrafi transformasiyanın göstərilməsi lazımdır.

    Piksel hizalaması üçün istifadə olunan x və y koordinatları (çıxış məkanında).

    Giriş raster verilənlər bazasının koordinat sistemi.

    Komanda xətti nümunəsi

    Çıxış raster dəsti yaradılacaq.

    Bir raster verilənlər bazasının geodat verilənlər bazasında saxlanması zamanı heç bir fayl uzantısı tələb olunmur. Rastr məlumat dəstini bir fayl formatında saxlayarkən bir fayl uzantısı göstərməlisiniz: ERDAS IMAGINE faylı üçün .img, TIFF üçün .tif və ya GRID üçün heç bir uzantı yoxdur.

    Həndəsə sütunu üçün koordinat sistemi.

    Varsayılan, Mekansal Referans Ayarları mühitində olduğu kimidir.

    Bu dəyişəni əlavə etmək üçün F8 düyməsini basın və ya sağ vurun və Dəyişən əlavə edin vurun.

    Yenidənqurma alqoritmi istifadə ediləcək. Varsayılan NEAREST-dir.

    • NEAREST & mdash Yaxın qonşu tapşırığı
    • BILINEAR & mdash Bilinear interpolation
    • CUBIC & mdash Cubic convolution

    NEAREST seçimi landuse təsnifatı kimi kategorik məlumatlar üçün istifadə olunur. NEAREST seçimi, ən sürətli olduğundan və eyni zamanda hüceyrə dəyərlərini dəyişdirməyəcəyi üçün standartdır. Yüksək səthlər kimi davamlı məlumatlar üçün NEAREST istifadə etməyin. BILINEAR seçimi və CUBIC seçimi davamlı məlumatlar üçün ən uyğundur. Hüceyrə dəyərləri dəyişdirilə biləcəyi üçün BILINEAR və ya CUBIC-in kategorik məlumatlarla istifadəsi tövsiyə edilmir.

    Çıxış raster dəsti üçün hüceyrə ölçüsü. Varsayılan hüceyrə ölçüsü seçilmiş raster verilənlər bazasının hüceyrə ölçüsüdür.

    İki coğrafi sistem və ya verilənlər bazası arasında istifadə olunan transformasiya metodu. Coğrafi transformasiyalar haqqında daha çox məlumat üçün coğrafi transformasiya metodlarına baxın.

    Giriş və çıxış koordinat sistemləri eyni dataya sahib olduqda coğrafi transformasiya isteğe bağlıdır. Giriş və çıxış datası fərqlidirsə, coğrafi transformasiyanın göstərilməsi lazımdır.


    Müzakirə

    Tələb olunan minimum mövcudluq qeydlərini müəyyənləşdirmək üçün yeni metod

    Burada təqdim olunan yeni metod, istifadəçilərə ideal şəraitdə müxtəlif növlərin yayılma sinifləri üçün dəqiq SDM yaratmaq üçün tələb olunan minimum qeyd sayını ciddi şəkildə müəyyənləşdirməyə imkan verir. Bunu, varlığın və yoxluğun müəyyən edildiyi süni növlərdən istifadə edərək və nümunə ölçüsü və növlərin yayılma dərəcəsinin model performansına təsirini müəyyənləşdirir. Beləliklə, bu iş, məlumatlarının dəqiq SDM-lər yaratmağa imkan verdiyini qiymətləndirmək üçün SDM-lərdən istifadə edən hər kəs üçün tutacaqlar təmin edir. Nəticələrimiz (Cədvəl 1) əvvəllər başqalarının müraciət etdiyi iki əsas cəhəti təsdiqləyir. Birincisi, model performansı nümunə ölçüsündən çox asılıdır və ən kiçik nümunə ölçülərindəki kiçik bir artım, model performansında böyük bir artımla nəticələnir (Stockwell və Peterson 2002, Papeş və Gaubert 2007, Pearson et al. 2007, Loiselle et al. 2008, Wisz və s. 2008). İkincisi, modeli yetişdirmək üçün eyni sayda qeyddən istifadə edilərkən növlərin yayılması artdıqca model performansı azalır (Stockwell və Peterson 2002, Hernandez et al. 2006, Mateo et al. 2010, Lobo and Tognelli 2011, Tessarolo et al. 2014) .

    Model kalibrlənməsi üçün tələb olunan minimum nümunə ölçüləri

    Dəqiq SDM-lər yaratmaq üçün tələb olunan minimum qeydlər, virtual və həqiqi Afrika təhsil sahələrimiz arasında fərqlənir (Cədvəl 1) və digər tədqiqat sahələri üçün fərqli ola bilər. Virtual tədqiqat sahəmiz balanslı, dikbaş qradiyentlərlə ideal vəziyyəti təmsil edir və hər növün yayılma sinfi üçün tələb olunan minimum seçmə ölçüsü bu şəkildə nəzəri mütləq alt sərhəd kimi qəbul edilməlidir. Afrika tədqiqat bölgəmizdə, bu tədqiqat sahəsindəki mühitlərin qeyri-bərabər tezlik paylanması nəticəsində alt sərhədlər xeyli yüksəkdir (şəkil 2-4 Cədvəl 1). Hər iki tədqiqat sahəsi üçün, tələb olunan minimum seçmə ölçüsü, geniş yayılmış növlərə nisbətən daha genişdir, çünki ümumiyyətlə sonuncunun ekoloji nişası nümunələrlə nisbətən daha yaxşı əhatə olunmuşdur. Bu səbəbdən, ümumiləşdirilmiş bir priori müəyyən edilmiş minimum qeyd sayını tətbiq edən tədqiqatlar (Schmidt və ark. 2005, Algar və ark. 2009, Raes və ark. 2009, 2013) məhdudiyyət qoyarkən dar mənzilli növlər üçün modellərin səhv xaric edilməsinə səbəb olacaqdır. çox az qeydlərin istifadə edildiyi yayılmış növlər üçün çox yüksək və / və ya səhv qəbul edilməsi. Alimlərin ümumiyyətlə nadir, dar mənzilli növlər üçün məlumat çatışmazlığından narahat olduqları yerlərdə, yayılmış növlər üçün məlumat miqdarının da həlledici olduğu görünür. Bu səbəbdən, tələb olunan minimum qeyd sayını müəyyənləşdirmək üçün modelləşdirilmiş bir növün yayılmasının qiymətləndirilməsi vacibdir. Tipik olaraq bilinməsə də, növlərin yayılması, məsələn, qiymətləndirilə bilər. meydana gəlmə dərəcəsini (EOO) və ya yaşayış sahəsini (AOO) hesablamaqla (IUCN 2001) və ya bir eşik tətbiq olunduğu kəşfiyyatlı bir SDM-yə əsaslanaraq proqnozlaşdırılan mövcudluq hissəsini hesablamaqla (Syfert və ark. 2014).

    Burada tətbiq olunan model performans göstəricilərinə əsaslanan tələb olunan minimum qeydlərdəki fərqlər bu göstəricilərin fərqli təbiətinin nəticəsidir. Model performansı miqyasının yuxarı hissəsində, hər ikisi də ‘yaxşı’ kimi təsnif edən 0.9 real AUC dəyəri və 0.9 Spearman dərəcəsi korrelyasiya dəyəri kimi eşiklər var. Qeyd edək ki, Spearman korrelyasiya testi mütləq dərəcələri müqayisə edir, AUC isə mövcudluq və yoxluq arasındakı nisbi dərəcələri müqayisə edir. Bir SDM-i sıfır modellərə qarşı test etmək (AUC dərəcəsi), SDM-nin ‘təsadüfi gözləntilərdən əhəmiyyətli dərəcədə daha yaxşı olduğunu’ bizə məlumat verir ki, bu da ‘yaxşı’ ilə eyni deyil. Aydındır ki, istənilən model dəqiqliyi tətbiqdən çox asılıdır (Guisan və Zimmermann 2000, Peterson 2006, Jiménez-Valverde et al. 2011, Liu et al. 2011). Bir növün harada meydana gəldiyinin göstəricisi olaraq məqbul dərəcədə dəqiq bir modeli qəbul etməyi seçə bilər, lakin daha dəqiq proqnozlara ehtiyac olduqda yalnız yüksək dəqiqlikli modellərə etibar edə bilərsiniz.

    Minimum tələb olunan nümunə ölçüsünü artıran amillər

    Cədvəl 1-də göstərilən minimum qeydlərin, burada qeyd olunan faktorlarla əlaqəli həqiqi növlər və real məkan məlumatları ilə işləyərkən artdığını vurğulayırıq. Birincisi, həqiqi növlər, bəlkə də siqnalları burada ətraf mühit şərtləri üçün vəkil kimi istifadə olunan iki ortogonal PCA əsaslı dəyişənlə tam təmsil olunmayan daha geniş və daha mürəkkəb bir ətraf mühitin proqnozlaşdırıcı dəsti ilə əlaqələndirir. Daxil olan dəyişənlərin sayının tələb olunan minimum qeydlər sayına təsirini yoxlamaq üçün ilk üç və ilk dörd PCA oxunu istifadə edərək simulyasiyalarımızı təkrarladıq. Yalnız ilk iki PCA oxu ilə izah edilən 43% əvəzinə, varyansın 55% və 65%. Bu təhlillər, tələb olunan minimum qeyd sayı üçün bənzər hədd dəyərlərini verdi və bu hədlərin daha çox ətraf mühit dəyişkənləri daxil edərək əhəmiyyətli dərəcədə dəyişməyəcəyini göstərdi (Əlavə material Əlavə 2). Bununla əlaqəli və gələcək tədqiqatlara layiq olmaq, model dəyişənlərin bir hissəsi olmayan bir növün meydana gəlməsi üçün vacib bir dəyişənin daxil edilməsinin təsiri məsələsidir. qlobal iqlim və torpaq məlumat dəstlərinə daxil edilməyən dəyişən. Bundan əlavə, ətraf mühitin proqnozlaşdırıcılarının multikollinerliyi modelin dəqiqliyinə mənfi təsir göstərəcəkdir (Dormann və digərləri 2013), bu da ortogonal dəyişənlərdən istifadə etməklə işimizdə bir problem deyildi. Üçüncüsü, bütün süni növlərimizin iqlim ilə tarazlıqda olmasını təyin etdik (Araújo et al. 2005) və bu səbəblə niş sabitliyini və tam niş doldurma nümayiş etdirdik. Zaman şkalasının və biotik qarşılıqlı təsirlərin nişin sabitliyinə təsiri, eləcə də dağılma məhdudiyyətlərinin niş doldurulmasına təsirləri bir növün paylanmasını əks etdirən SDM-nin düzgünlüyünə ciddi təsir göstərir (Nogués-Bravo 2009, Saupe et al. 2012). Dördüncüsü, təbiət tarixi nümunələri ümumiyyətlə coğrafi tərəfliliyi əks etdirən bir toplama qərəzinə tabedir (Reddy və Davalos 2003, ter Steege et al. 2011) (Kadmon və ark. 2004, Loiselle və ark. 2008). Toplama qərəzi ətraf mühitə meyilli olduqda - ekoloji nişanın balanssız və ya qismən əhatə olunması - modellər yalnış şişirdilmiş AUC dəyərlərini göstərir, lakin qərəzsiz məlumat dəstlərinə əsaslanan modellərlə müqayisədə daha pis nəticə verir (Merckx və digərləri, 2011, Bean və digərləri). 2012, Raes 2012). Nəticədə minimum tələb olunan qeyd sayı artır (Feeley and Silman 2011). Nəhayət, real məlumatlara əsaslanan modelin fəaliyyətinə mənfi təsir göstərən digər amillər arasında səhv identifikasiyalar, səhv yerquruluşu (Graham et al. 2008, Moudry və Simova 2012) və ətraf mühit dəyişkənlərindəki qeyri-müəyyənlik və iqlim məlumatlarının dəqiqliyi (Hijmans və ark. 2005) var. . Bu cəhətlər gələcək tədqiqatların aparılmasına zəmanət versə də, optimal ortoqonal ikili dəyişkən ətraf mühit şəraitində süni növlərlə işləyən hazırkı tədqiqatımızın suallarını xüsusi olaraq həll edərkən onları görməməzlikdən gəlmək istəyirik.

    Yalnız mövcudluq məlumatlarına əsaslanan AUC dəyərləri

    Nəticələrimiz nümunə götürülmüş mövcudluqla fon məlumatlarına əsaslanan MaxEnt AUC dəyərlərinin həqiqi varlıq və yoxluq məlumatlarına əsaslanan real AUC dəyərlərindən fərqləndiyini göstərir (şəkil 2). Bu, daha çox analiz olmadan model performans göstəricisi kimi AUC istifadəsi ilə bağlı əvvəlki tənqidçiləri dəstəkləyir (Raes and ter Steege 2007, Lobo et al. 2008, Jiménez-Valverde 2012). Ümumiyyətlə 0,7 olaraq təyin olunan ümumiləşdirilmiş AUC eşik dəyərinin tətbiqi, kiçik nümunə ölçülərinə əsaslanan SDM-lərin səhv qəbul edilməsi ilə nəticələnir, çünki bunlar MaxEnt AUC dəyərlərini şişirdib və nəzəri cəhətdən heç bir AUC-ə 0.7-yə çata bilməyən geniş yayılmış növlər üçün yaxşı SDM-lərin işdən çıxarılmasıdır. MaxEnt AUC-un bilinməyən həqiqi növlərin yayılma dərəcəsindən asılılığına görə bilinməyən maksimum dəyərinin aspekti, yəni null model testi (Raes və ter Steege) kimi əlavə qiymətləndirilmədən müalicə olunduğu təqdirdə, MaxEnt AUC-nı model dəqiqliyinin etibarlı göstəricisi kimi diskvalifikasiya edir. 2007). Dar mənzilli növlərin kiçik nümunə ölçülərinə əsaslanan modellər üçün həm real AUC, həm də MaxEnt AUC-nin son dərəcə yüksək dəyərləri ehtiyatla aparılmalıdır. 0.05 prevalansı olan növlər həqiqi mövcudluq və yoxluq arasında güclü bir dengesizlik göstərir: 5% mövcudluq və 95% yoxluq. Təsadüfi varlığın bu cür növlər üçün təsadüfi yoxluqdan daha yüksək bir baş vermə ehtimalı olması şansı yüksəkdir və yüksək AUC dəyərləri ilə nəticələnir. Bu statistik əsərlər yayılması 0,1-dən aşağı olan növlərin SDM-ləri üçün AUC dəyərlərini şişirdir (McPherson et al. 2004, McPherson və Jetz 2007, Lobo və Tognelli 2011), nəticələrimiz təsdiqləyir. Buna görə tədqiqat sahəsinin qiymətləndirilən növlərin mövcud olduğu əraziyə mütənasib olaraq seçilməsi tövsiyə olunur ki, bir növün 0,1 ilə 0,9 arasında yayılmasına nail olunsun (McPherson et al. 2004). Nəzərə alın ki, növlərin dağılma qabiliyyəti mövcud ərazilər ətrafındakı sərhəd genişliyini müəyyənləşdirməlidir (Barve və digərləri 2011). Təəssüf ki, bir növün həqiqi paylanması və yayılması ümumiyyətlə məlum deyil - nəticədə qiymətləndirməyə çalışdığımız budur. İndiki işdə bir alternativin etibarlılığını qiymətləndirdik: MaxEnt AUC istifadə edərək SDM-ləri sıfır bir modelə qarşı test edərək müqayisəli şəkildə qiymətləndirmək. Virtual tədqiqat sahəsi üçün nəticələrimiz, bütün yayılma siniflərinin növləri üçün həqiqi AUC davranışı ilə MaxEnt AUC dərəcəsi və bunlara əsaslanan tələb olunan minimum nümunə ölçüləri ilə güclü uyğunluğu göstərir (Şəkil 2 və 3 Cədvəl 1). Əksinə, həqiqi Afrika tədqiqat sahəsi üçün bu model performans göstəricilərinin davranışı fərqlənir və real AUC & gt 0.9-un yuxarı 95% aralığının alt sərhədinə əsaslanaraq dəqiq bir SDM əldə etmək üçün tələb olunan minimum seçmə ölçüləri ortalama MaxEnt AUC dərəcə dəyərlərinin və gt 95-in alt aralığına əsaslananlardan iki dəfə yüksəkdir. Bu fərq yuxarıda göstərilən model performans göstəricilərinin fərqli təbiətinin nəticəsidir ('yaxşı' və 'təsadüfi gözləmədən əhəmiyyətli dərəcədə yaxşı'). . Sıfır model testin (Raes and ter Steege 2007) istifadəsinin, bu göstəricinin təbiətinə hörmət edilməsi şərti ilə MaxEnt AUC dəyərindən istifadə edərək SDM-lərin müqayisəli şəkildə qiymətləndirilməsi üçün uyğun bir metod olduğu qənaətinə gəldik. təsadüfi gözləmədən əhəmiyyətli dərəcədə yaxşıdır '.

    Dar mənzilli növlərin modelləşdirilməsi aspektləri

    Dar bir ekoloji yuva olan növlərin dəqiq modelləşdirilməsindəki çətinliklər nəticələrimizdə çox aşağı Schoener tərəfindən göstərilmişdir. D. və Hellinger məsafəsi Mən Afrika tədqiqat sahəsindəki dar mənzilli növlər üçün dəyərlər, dar mənzilli növlər üçün SDM-lərin eyni nümunə ölçüsünü istifadə edərkən geniş yayılmış növlərdən daha pis performans göstərdiyini göstərir (Şəkil 5). Əksinə, dar mənzilli növlər üçün AUC dəyərləri yüksəkdir, baxmayaraq ki, kiçik nümunə ölçüləri üçün dəyərlərdə böyük bir yayılma görünür (şəkil 2). Bu aşağı ilə ziddiyyət D.Mən dəyərlər və yüksək AUC dəyərləri, əksəriyyətinin yoxluq olaraq düzgün proqnozlaşdırıldığı çox sayda yoxluq (yüksək spesifiklik) ilə izah edilə bilər, ancaq az sayda varlığın varlıq olaraq doğru proqnozlaşdırıldığı az sayda (aşağı həssaslıq). Yayılması 0,1-dən aşağı olan növlər üçün yuxarıda göstərilən statistik əsərlər də qeyd edilməlidir. Bu SDM-lərin yüksək AUC dəyərləri və AUC dərəcə dəyərləri üçün digər izahlar, məkan otorektoriyası (Merckx və ark. 2011) və təlim nümunələrində qərəz toplama (Phillips və digərləri 2009) ola bilər, baxmayaraq ki, sonuncular yalnız işləyərkən əksər vəziyyətlərə aiddir. həqiqi növlərin məlumat dəstləri ilə. Null modellər, bütün tədqiqat sahəsindən təsadüfi seçilmiş qeydlərə əsaslanır, məkan avtokorrelyasiyası az və ya tamamilə yox və seçmə qərəzi yoxdur. Nəticə olaraq, təsadüfi bir sıfır model testi, bir neçə nümunəyə əsaslanan SDM-lərin çox nikbin qəbul edilməsinə səbəb olur. Həqiqi məlumat dəstlərində qərəz toplanmasının təsirinə qarşı durmaq üçün effektiv olduğu göstərilən hədəf qrupu fon nümunələri əsasında qərəzli düzəliş edilmiş null modellərdən (Raes və ter Steege 2007) istifadə edərək SDM-lərin qiymətləndirilməsini tövsiyə edirik (Phillips və digərləri). 2009).

    Nəticələr

    SDM-lərdə istifadə edilən nümunə ölçüsünə daha aşağı bir sərhəd tətbiq etməyin dəqiq SDM-lər yaratmaq üçün vacib olduğu qənaətinə gəldik. Alt sərhəd, növlərin yayılması və hədəf alan tədqiqat sahəsinin spesifik xüsusiyyətlərindən çox asılıdır. Virtual tədqiqat sahəmizdəki təhlillərə əsaslanan fərqli yayılma sinifləri növləri üçün tələb olunan minimum qeydlər yalnız ideal, balanslı, dikbaş dünyaya aiddir. Bu rəqəmlər, Afrika tədqiqat sahəmiz kimi düzensiz bir real iş sahəsi üçün çox artır. MaxEnt AUC dəyərləri bu kimi model qiymətləndirmə üçün istifadə edilə bilməz, lakin bunların təsadüfi və ya qərəzli düzəldilmiş sıfır modellərə qarşı test edilməsi etibarlı alternativ metod təmin edir. Yayılma səviyyəsi 0,1-dən aşağı olanlar, dar mənzilli növlər üçün SDM-lərin yaradılması və qiymətləndirilməsi çətindir və növlərin mövcudluq ərazisinə nisbətlə və növlərin dağılma qabiliyyətinə görə bir tədqiqat sahəsi seçilərək qarşısını almaq lazımdır.

    Burada təqdim olunan yeni metod hər hansı bir taksonomik klada və ya digər qrup, tədqiqat sahəsi və keçmiş, cari və ya gələcək iqlim senarisinə tətbiq olunur. Detallı addım-addım metodologiyası olan R-skriptləri və bu skriptlərin verilərə necə tətbiq ediləcəyi barədə qısa təlimat Əlavə material Əlavə 3-9-da verilmişdir. Üsulumuzun hər hansı bir SDM tədqiqatından əvvəl (və ya geriyə) rutin prosedur kimi istifadə edilməsini müdafiə edirik. Bu, məlumatların kəmiyyət və keyfiyyət tələb olunan səviyyələrinə cavab verildiyini yoxlamağa kömək edəcək və SDM-lərin etibarlılığını və SDM-lərlə bağlı bütün gələcək tədqiqatların nəticələrini artıracaqdır.


    Yalnız iki raster qatı ilə min istifadə edə bilərsiniz.
    Təkrarlanan bir nümunə ilə başlayaq:

    İndi tətbiq olunan hüceyrə statistikası ilə iki raster qatındakı hər bir üst-üstə düşən hüceyrənin minini çox asanlıqla hesablayırıq:

    Bundan əlavə, orta, maks və s. Kimi statistikaları da tətbiq edə bilərsiniz.

    Həyata keçirilmiş statistika bir şəkildə uğursuz olarsa və ya öz statistikanızdan istifadə etmək istəyirsinizsə, birbaşa piksel başına verilənlərə də daxil ola bilərsiniz. Yəni əvvəlcə raster qatlarından birini kopyalayırsınız.


    Ətraflı məlumat

    Qonşular = 4 olduqda, Fleming və Hoffer (1979) və Ritter (1987) görə meyl və aspekt hesablanır. Zəncirlər = 8 olduqda, yamac və aspekt Horn (1981) görə hesablanır. Horn alqoritmi kobud səthlər üçün, Fleming və Hoffer alqoritmi daha səthli səthlər üçün daha yaxşı ola bilər (Jones, 1997 Burrough və McDonnell, 1998). Yamac = 0 olduqda, aspekt 0,5 * pi radian (və ya vahid = 'dərəcə' olduqda 90 dərəcə) olaraq təyin olunur. Yamac və ya aspekt hesablanarkən, RasterLayer x-in CRS (proyeksiya) planar və boylam / enlem məlumatlarını etibarlı şəkildə fərqləndirə bilməsi üçün bilinməlidir (NA ola bilməz).

    flowdir, 'axın istiqamətini' (suyun) qaytarır, yəni yüksəklikdəki ən böyük eniş istiqaməti (və ya bütün qonşular daha yüksək olduqda ən kiçik yüksəliş). Onlar 2 (0-dan 7-ə qədər) güc olaraq kodlaşdırılmışdır. Fokal hüceyrənin 'x' sağındakı hücrə 1, altındakı hücrə 2 və s.

    32 64 128
    16 x 1
    8 4 2

    İki hüceyrənin enişi eyni enişə sahibdirsə, təsadüfi bir hücrə seçilir. Bağlı axın şəbəkələrinin yaradılmasına mane ola biləcəyi üçün ideal deyil. ArcGIS Greenlee (1987) yanaşmasını həyata keçirir və gələcəkdə bunu qəbul edə bilərəm.

    Arazi indeksləri Wilson və digərlərinə görədir. (2007). TRI (Arazi Sağlamlığı İndeksi) bir hüceyrənin dəyəri ilə ətrafdakı 8 hüceyrənin dəyəri arasındakı mütləq fərqlərin ortalamasıdır. TPI (Topoqrafik Vəziyyət İndeksi) bir hüceyrənin dəyəri ilə ətrafdakı 8 hüceyrənin orta dəyəri arasındakı fərqdir. Kobudluq bir hüceyrə ilə ətrafdakı 8 hüceyrənin maksimum və minimum dəyəri arasındakı fərqdir.

    Bu cür tədbirlər fokus funksiyası ilə də hesablana bilər:

    TRI & lt- fokal (x, w = f, əyləncə = funksiya (x,.) Cəmi (abs (x [-5] -x [5])) / 8, pad = TRUE, padValue = NA)

    TPI & lt- fokal (x, w = f, əyləncə = funksiya (x,.) X [5] - orta (x [-5]), pad = DOĞRU, padValue = NA)

    kobud & lt- fokal (x, w = f, əyləncə = funksiya (x,.) max (x) - min (x), pad = TRUE, padValue = NA, na.rm = TRUE)


    Rastr statistikası olmadığı zaman minimum və maksimum dəyərlər - Coğrafi İnformasiya Sistemləri

    Kolorado, Kanzas və Nebraskadakı Respublika Çayı Hövzəsindəki Yüksək Düzənlik sulu təbəqəsindəki su səviyyəsindəki dəyişikliklərin rəqəmsal xəritəsi, 2002-2015 raster rəqəmsal məlumatlar

    https://doi.org/10.5066/F7X34VKH V.L. McGuire

    Kolorado, Kanzas və Nebraskadakı Respublika Çayı Hövzəsindəki Yüksək Düzənlik sularındakı su səviyyəsindəki dəyişikliklər, 2002-2015 sənədləri ABŞ Geoloji Araşdırmaları Elmi Araşdırmalar xəritəsi 3373

    Bu verilənlər bazası 2002-2015-ci illərdə Respublika Çayı Hövzəsindəki Yüksək Düzənlik sulu təbəqəsindəki su səviyyəsindəki dəyişiklikləri sənədləşdirmək üçün yaradılmışdır. Bu verilənlər bazası, şəbəkəli məlumatları Esri Grid və ya ASCII formatında oxuya bilən coğrafi informasiya sistemlərində istifadə edilə bilər.

    Bu raster məlumat dəsti, bu raster məlumat bazasının yaradılması üçün istifadə olunan metodları təsvir edən ABŞ Geoloji Tədqiqat Elmi Tədqiqatlar Xəritəsi (McGuire, 2016) ilə əlaqələndirilir. 2002 2015 2015

    Heç biri planlaşdırılmayıb -104.383002 -97.416959 41.458473 38.91917 USGS Thesaurus sulu laylar yeraltı sular qrunt suyu Yüksək Düzənliklər Ogallala akiferi su səviyyəsində dəyişiklik ISO 19115 Mövzu kateqoriyası coğrafi elmi məlumat daxiliSular

    Coğrafi Adlar Məlumat Sistemi (GNIS)

    ABŞ (402)328-4100 [email protected]

    Müəyyən bir hüceyrə üçün su səviyyəsində dəyişiklik dəyərinin dəqiqliyi hüceyrənin ölçülmüş quyulara yaxınlığından asılıdır. 2002 və 2015-ci illərdə ölçülən quyular arasındakı orta, orta və maksimum məsafə müvafiq olaraq 2,4 mil, 2,2 mil və 12,9 mildir. İnterpolasiya prosesi ölçülmüş quyulardan və digər dəstəkləyici məlumatlardan su səviyyəsində dəyişiklik dəyərindən istifadə edir. Ölçülmüş quyu (lar) ilə birləşən hüceyrələr üçün interpolasiya prosesi ümumiyyətlə ölçülmüş quyu (lar) üçün hesablanmış dəyərlərə bənzər, lakin ümumiyyətlə bərabər olmayan hüceyrə dəyərləri ilə nəticələnir.

    Colorado, Kanzas, Nebraska, New Mexico, Oklahoma, South Dakota, Texas və Wyoming xəritə hissələrində High Plains sulu qatının geohidrologiyası Professional Paper 1400-B

    https://pubs.er.usgs.gov/publication/pp1400B/ paper 1984 nəşr tarixi Gutentag və başqaları, 1984 High Plains sulu qatının sərhədi və sulu təbəqənin olmadığı daxili sahələrin sərhədləri. J.R. Cederstrand M.F. Becker

    Colorado, Kanzas, Nebraska, New Mexico, Oklahoma, South Dakota, Texas və Wyoming vektorlu rəqəmsal məlumatlardakı Yüksək Düzənlik sulu təbəqəsi üçün az və ya heç doymuş qalınlığı olan ərazilərin rəqəmsal xəritəsi Açıq Fayl Raporu 99-266

    https://water.usgs.gov/GIS/metadata/usgswrd/XML/ofr99-266.xml/ online 1984 torpaq vəziyyəti Cederstrand və Becker, 1999a Doymuş qalınlığı az və ya tamamilə olmayan ərazilərin sərhəddi, Yüksək Düzənliklər sulu təbəqəsi. ABŞ Geoloji Araşdırması

    İki milyon miqyaslı Dövlət sərhədləri rəqəmsal məlumatları vektorlaşdırır

    https://nationalmap.gov/small_scale/atlasftp.html#statesp online 2005 torpaq vəziyyəti ABŞ Geoloji Araşdırması, 2005 Dövlət sərhədləri. Sharon L. Qi

    Colorado, Kanzas, Nebraska, New Mexico, Oklahoma, South Dakota, Texas və Wyoming bölgələrindəki High Plains sulu qatının sulu sərhədinin rəqəmsal xəritəsi Rəqəmsal Data Series 543

    https://pubs.usgs.gov/ds/543/ online 2010 nəşr tarixi Qi, 2010 Yüksək Düzənlik sulu təbəqəsinin sərhədinə və sulu təbəqənin olmadığı daxili sahələrin sərhədlərinə bir yeniləmə. Bu, Gutentag və başqalarında təqdim olunan sərhədin yenilənməsidir (1984). V.L. McGuire

    Water-level changes in the High Plains aquifer, Republican River Basin in Colorado, Kansas, and Nebraska, 2002 to 2015 on-line Scientific Investigations Map 2016-YYYY

    https://doi.org/10.3133/sim3373/ online 2015 publication date McGuire, 2013 Water-level changes in the High Plains aquifer, Republican River Basin in Colorado, Kansas, and Nebraska, 2002 to 2015. Peter Steeves Douglas Nebert

    1:250,000-scale Hydrologic Units of the United States on-line Open-File Report 94-0236

    https://water.usgs.gov/GIS/metadata/usgswrd/XML/huc250k.xml/ online 1994 ground condition Steeves and Nebert, 1994 1:250,000-scale Hydrologic Units of the United States. Kansas Geological Survey

    WIZARD Water Well Levels Database tabular digital data

    http://www.kgs.ku.edu/Magellan/WaterLevels/index.html online 2016 ground condition Kansas Geological Survey, 2016 Water-level data with the well's land-surface altitude and spatial location for wells in Kansas. U.S. Geological Survey

    National Water Information System (NWIS) tabular digital data

    https://waterdata.usgs.gov/nwis/gw online 2016 ground condition U.S. Geological Survey, 2016 Water-level data with the well's land-surface altitude and spatial location.

    The following data and datasets were assembled: (1) static depth-to-water data from wells completed in the High Plains aquifer and measured after the 2001 irrigation season and before the 2002 irrigation season (Kansas Geological Survey, 2016 U.S. Geological Survey, 2016) (2) static depth-to-water data from wells completed in the High Plains aquifer and measured after the 2014 irrigation season and before the 2015 irrigation season (Kansas Geological Survey, 2016 U.S. Geological Survey, 2016) (3) the aquifer boundary and the boundary of internal areas where the aquifer is not present (Qi, 2010) (4) areas in the High Plains aquifer with little or no saturated thickness (Gutentag and others, 1984 Cederstrand and Becker, 1999) (5) area of the Republican River basin

    Cederstrand and Becker, 1999 Gutentag and others, 1984 Kansas Geological Survey, 2016 Qi, 2010 U.S. Geological Survey, 2016 Steeves and Nebert, 1994

    The Esri Arc/Info Version 9.3 command POLYGRID was used to generate a raster titled g02_aqisle with the cells equal to 1 in the internal areas where the aquifer is not present (Qi, 2010)This grid is used later to modify the water-level-change raster's cell value to null in the internal areas where the aquifer is not present.

    The Esri Arc/Info Version 9.3 command POLYGRID was used to generate a raster titled gnosatpoly09 of areas with little or no saturated thickness (Gutentag and others, 1984 Cederstrand and Becker, 1999 Qi, 2010).

    Cederstrand and Becker, 1999 Gutentag and others, 1984 Qi, 2010

    The primary point dataset, hp_0215_4g, was prepared consisting of wells with 2002 and 2015 water levels (Kansas Geological Survey, 2016 U.S. Geological Survey, 2016). The data item delta02_13 was calculated for each of these well by subtracting the 2002 water-level measurement from the measured 2015 water level.

    Kansas Geological Survey, 2016 U.S. Geological Survey, 2016

    The Esri Arc/Info Version 9.3 TOPOGRID command was used to generate an initial grid of water-level change from 2002 to 2015 using as inputs the calculated value delta02_15 for each well measured in 2002 and 2015 (Kansas Geological Survey, 2016, U.S. Geological Survey, 2016), and the aquifer boundary (Qi, 2010).

    Kansas Geological Survey, 2016 Qi, 2010 U.S. Geological Survey, 2016

    The raster output from the initial run of Esri Arc/Info Version 9.3 TOPOGRID was contoured using the Esri Arc/Info Version 9.3 CONTOUR command. The contour intervals were less than -40 ft, -20 ft, -10 ft, -5 ft, -3 ft, 3 ft, 5 ft, and greater than 10 ft.

    A map of the contours of water-level change, 2002 to 2015, between a decline of 2.99 ft and a rise of 2.99 ft, was prepared using the point datasets. This contour file is named FP3N3_0215.

    The Esri Arc/Info Version 9.3 command POLYGRID was used to create a raster of the areas of water-level changes between a rise of 3 ft and a decline of 3 ft. The value of the raster, titled h_nsc0215_g, is 1 in these areas and 0 elsewhere.

    The Esri Arc/Info Version 9.3 TOPOGRID command was used to generate a revised raster of water-level change from 2002 to 2015 using as inputs the calculated value delta02_15 for each well measured in 2002 and 2015 (Kansas Geological Survey, 2016 U.S. Geological Survey, 2016), the aquifer boundary (Qi, 2010), and, to guide water-level contours in areas with few wells, the manually modified contours of water-level change, 2002 to 2015. TOPOGRID was run with (1) the boundary equal to the aquifer outer boundary (2) the point file of the aquifer boundary, aq_only_pt, using attribute field beginval (3) the point file hp_0215pts, attribute field delta02_15 (4) the contour file v2WLC0215b, attribute field tgcontour (5) drainage enforcement off (6) tolerances set to 0 for accuracy and density of the elevation points, 1 for horizontal standard error, and 0 for vertical standard error and (7) 30 iterations. The output TOPOGRID raster was titled h_ga01a_0215.

    Kansas Geological Survey, 2016 Qi, 2010 U.S. Geological Survey, 2016

    The output raster of water-level change from 2002 to 2015, h_ga01a_0215, was modified using the Esri Arc/Info Version 9.3 commands SETNULL and CON with applicable rasters to identify the cells to be changed. The SETNULL and CON commands were applied raster h_ga01a_0215 to create raster h_ga01c_0215 using the following steps: (1) raster g02_aqisle to change the cell values to null in areas where the aquifer is not present (Gutentag and others, 1984 Qi, 2010) and (2) raster h_nsc0215_g to change the cell values to zero in the areas with water-level change between a decline of 3 ft and a rise of 3 ft, because of uncertainty in interpolating relatively small water-level changes especially in areas where there are few wells measured in both 2002 and 2015.

    Qi, 2010 Gutentag and others, 1984 Cederstrand and Becker, 1999

    The raster h_ga01c_0215 was modified further to change the raster to null where it was outside of the Republican River Basin boundary using the steps listed below. The resultant raster is titled s_g05dwlc0215. (1) The boundary of the High Plains aquifer was combined with the Republican River Basin boundary uisng the Esri Arc/Info Version 9.3 command UNION to create the polygon AQREPRIV2 (2) The polygon AQREPRIV2 was converted to the raster s_g01_aq0215 using the Esri Arc/Info Version 9.3 command polygrid (3) The raster s_g01_aq0215 was set to 2 inside the Republican River Basin and High Plains aquifer boundary and set to 3 elsewhere (4) Raster s_g01_aq0215 was set to null using the Esri Arc/Info Version 9.3 command SETNULL command where the input raster value was equal to 3. The resulting raster is titled s_g02_aq0215 and (5) The raster of water-level changes, 2002 to 2015, was set to null where the High Plains aquifer boundary is outside of the Republican River Basin boundary using the Esri Arc/Info Version 9.3 SETNULL command.

    Cederstrand and Becker, 1999 Gutentag and others, 1984 Steeves and Nebert, 1994 Qi, 2010

    The Esri Arc/Info Version 9.3 command ZONALMEAN was applied to the final raster of water-level changes to calculate the water-level change statistics for the aquifer and for each State within the Republican River Basin, in ft.

    U.S. Geological Survey, 2005

    The shape file HP_RepRiv_20mi.shp was created of the Republican Basin Boundary clipped by the High Plains aquifer boundary and buffered at 20 miles. Shape file HP_RepRiv_20mi.shp was used to clip raster s_g05dwlc0215 to create raster sg05wlc0215ac using the command arcpy.Clip_management in Esri ArcMap Version 10.3.1. The raster value is null outside of the High Plains aquifer boundary and the Republican River boundary and is null in the internal areas within the aquifer boundary where the aquifer is not present.

    None Cederstrand and Becker, 1999 Gutentag and others, 1984 Steeves and Nebert, 1994 Qi, 2010


    PowerShell has Test-Connection for this purposes, but you can also parse ping command:

    In addition, example of Test-Connection:

    TTL is set by sender ( -TimeToLive argument), number of tries depends on -Count argument (defaults to 4).

    More complex example, using objects and pipelining:

    That's expected. ping produces array of strings, -match operating on arrays will return any element of the array that matches regex provided:

    Also: your regular expression is somewhat broken. It will never capture any group other than 'received' and 2, but capturing 'sent' there. What you need is something that looks at output, not named captures:


    The Oxford English Dictionary (s.v. "ground truth") records the use of the word "Groundtruth" in the sense of a "fundamental truth" from Henry Ellison's poem "The Siberian Exile's Tale", published in 1833. [1]

    "Ground truth" may be seen as a conceptual term relative to the knowledge of the truth concerning a specific question. It is the ideal expected result. [2] This is used in statistical models to prove or disprove research hypotheses. The term "ground truthing" refers to the process of gathering the proper objective (provable) data for this test. Compare with gold standard. For example, suppose we are testing a stereo vision system to see how well it can estimate 3D positions. The "ground truth" might be the positions given by a laser rangefinder which is known to be much more accurate than the camera system.

    Bayesian spam filtering is a common example of supervised learning. In this system, the algorithm is manually taught the differences between spam and non-spam. This depends on the ground truth of the messages used to train the algorithm – inaccuracies in the ground truth will correlate to inaccuracies in the resulting spam/non-spam verdicts.

    In remote sensing, "ground truth" refers to information collected on location. Ground truth allows image data to be related to real features and materials on the ground. The collection of ground truth data enables calibration of remote-sensing data, and aids in the interpretation and analysis of what is being sensed. Examples include cartography, meteorology, analysis of aerial photographs, satellite imagery and other techniques in which data are gathered at a distance.

    More specifically, ground truth may refer to a process in which a "pixel" [3] on a satellite image is compared to what is there in reality (at the present time) in order to verify the contents of the "pixel" on the image (noting that the concept of a "pixel" is somewhat ill-defined). In the case of a classified image, it allows supervised classification to help determine the accuracy of the classification performed by the remote sensing software and therefore minimize errors in the classification such as errors of commission and errors of omission.

    Ground truth is usually done on site, performing surface observations and measurements of various properties of the features of the ground resolution cells that are being studied on the remotely sensed digital image. It also involves taking geographic coordinates of the ground resolution cell with GPS technology and comparing those with the coordinates of the "pixel" being studied provided by the remote sensing software to understand and analyze the location errors and how it may affect a particular study.

    Ground truth is important in the initial supervised classification of an image. When the identity and location of land cover types are known through a combination of field work, maps, and personal experience these areas are known as training sites. The spectral characteristics of these areas are used to train the remote sensing software using decision rules for classifying the rest of the image. These decision rules such as Maximum Likelihood Classification, Parallelepiped Classification, and Minimum Distance Classification offer different techniques to classify an image. Additional ground truth sites allow the remote sensor to establish an error matrix which validates the accuracy of the classification method used. Different classification methods may have different percentages of error for a given classification project. It is important that the remote sensor chooses a classification method that works best with the number of classifications used while providing the least amount of error.

    Ground truth also helps with atmospheric correction. Since images from satellites obviously have to pass through the atmosphere, they can get distorted because of absorption in the atmosphere. So ground truth can help fully identify objects in satellite photos.

    Errors of commission Edit

    An example of an error of commission is when a pixel reports the presence of a feature (such as trees) that, in reality, is absent (no trees are actually present). Ground truthing ensures that the error matrices have a higher accuracy percentage than would be the case if no pixels were ground truthed. This value is the inverse of the user's accuracy, i.e. Commission Error = 1 - user's accuracy.

    Errors of omission Edit

    An example of an error of omission is when pixels of a certain thing, for example maple trees, are not classified as maple trees. The process of ground truthing helps to ensure that the pixel is classified correctly and the error matrices are more accurate. This value is the inverse of the producer's accuracy, i.e. Omission Error = 1 - producer's accuracy

    In GIS the spatial data is modeled as field (like in remote sensing raster images) or as object (like in vectorial map representation). [4] They are modeled from the real world (also named geographical reality), typically by a cartographic process (illustrated).

    Geographic information systems such as GIS, GPS, and GNSS, have become so widespread that the term "ground truth" has taken on special meaning in that context. If the location coordinates returned by a location method such as GPS are an estimate of a location, then the "ground truth" is the actual location on Earth. A smart phone might return a set of estimated location coordinates such as 43.87870,-103.45901. The ground truth being estimated by those coordinates is the tip of George Washington's nose on Mount Rushmore. The accuracy of the estimate is the maximum distance between the location coordinates and the ground truth. We could say in this case that the estimate accuracy is 10 meters, meaning that the point on earth represented by the location coordinates is thought to be within 10 meters of George's nose—the ground truth. In slang, the coordinates indicate where we think George Washington's nose is located, and the ground truth is where it really is. In practice a smart phone or hand-held GPS unit is routinely able to estimate the ground truth within 6–10 meters. Specialized instruments can reduce GPS measurement error to under a centimeter. [5]

    US military slang uses "ground truth" to refer to the facts comprising a tactical situation—as opposed to intelligence reports, mission plans, and other descriptions reflecting the conative or policy-based projections of the industrial·military complex. The term appears in the title of the Iraq War documentary film The Ground Truth (2006), and also in military publications, for example Stars and Stripes saying: "Stripes decided to figure out what the ground truth was in Iraq." [ citation needed ]


    Videoya baxın: الكتب المسموعة:: الوابل الصيب من الكلم الطيب ابن القيم (Oktyabr 2021).