Daha çox

Rastr dəyərinin x-nin çoxbucaqlılarda cəmləşdiyi minimum sahəni hesablayın


Məndə raster qat (xlorofil konsentrasiyası) və üst-üstə düşməyən çoxbucaqlı təbəqə (okean bölgələri) var. Hər çoxbucaqlı üçün xlorofilin əksəriyyətinin cəmləşdiyi sahəni - məsələn, bu poliqondakı ümumi xlorofilin 80% -ni əhatə edən ən kiçik sahə dəyərini hesablamaq istərdim. Ancaq buna nail olmaq üçün zərif bir yol düşünə bilmirəm. Həm ArcGIS (10.1), həm də QGIS (2.8 Wien) girişim var, buna görə hər ikisinə bir həll etmək yaxşıdır.

Bir xam yanaşma, yüksək bir eşik dəyərindən başlayaraq hər bir çoxbucaqlı üçün bu eşikdən yuxarıdakı xlorofil miqdarını hesablamaq, sonra bu poliqon üçün ümumi xlorofilin bir faizinə çevirməkdir. Getdikcə, hər çoxbucaqlı üçün 80% -ə çatana qədər eşiği azaldıram və müvafiq sahəni hesablayıram. Bu dəhşətli dərəcədə cəlbedicidir və bilirəm ki, daha səmərəli bir həll olmalıdır. Bunu etmək üçün daha yaxşı bir yol varmı ArcGIS və ya QGIS?


Budur mənim həll yolum. ArcGIS və QGIS-dən imtina etdim, bunun əvəzinə məlumatı sənədləşdirmək və R-də hesablama aparmaq üçün məlumat çıxarmağı seçdim.

# Kitabxana kitabxanasını yükləyin (raster) # Xlorofil məlumatlarını yükləyin xloro <- raster ("… /data/chloro.tif") # Çoxbucaqlıları poli yükləyin <- shapefile ("… /data/poly.shp") # Çoxbucaqlı məlumatlarda məlumat çıxarın .chloro <- çıxarış (xloro, poli) # Məlumatların müəyyən bir nisbətinin olduğu yerdə poliqonun nisbətini təyin edin.prop <- funksiyası (x, eşik) {foo <- təxminən (1 - cumsum (sort (x, na.last) = NA)) / cəmi (x, na.rm = DOĞRU), sort (x, na.last = NA)) return (cəmi (x - foo (eşik)> 0, na.rm = TRUE) / uzunluq (x ))} # Eşik dəyərlərini tutmaq üçün sıfır massiv. Dəyərlər <- NULL # (i.-də poly.chloro) ərəfəsi. Dəyərləri <- c (eşik. Dəyərlər, poly.prop (i, 0.8))

Yuxarıda göstərilən kod, ümumi xlorofilin 80% -ni tutduğu hər bir çoxbucağın nisbətini təyin edir. Bu nisbətləri çoxbucaqlıların ərazisinə vurmaq tələb olunan ərazidə xlorofilin 80% -ni tutduğu sahəni verir.

Başlanğıcda, yükləyirəmrasterkitabxana, həmçinin xlorofil raster və poliqon şəkli sənədləri. Sonra hər poliqonda yerləşən bütün raster nöqtələrini çıxarıram. Thepoly.propfunksiyası həqiqi hesablamanı həyata keçirir. Hər çoxbucaqlı ilə əlaqəli raster dəyərləri bu funksiyaya ötürülürcürbunları artan sırada. Bu çeşidlənmiş vektorun məcmu cəmi hesablanır, sonra vektorun cəminə bölünür. Bu, sıralanmış vektordakı hər nöqtənin altındakı ümumi xlorofilin nisbətini verir. Məsələn, deyinnvektorun üçüncü elementi 0,2 dəyərinə malikdir. Bu o deməkdir ki, xlorofilin 20% -i bu nöqtənin altındadır. Ancaq sualımı nə qədər olduğu ilə ifadə edirəm yuxarıda bu nöqtə, buna görə bu dəyəri 1-dən çıxarıram. (Mənim nümunəmdə,1 - 0.2 = 0.8demək olar ki, 80% bu nöqtədən yuxarıdır.) Bundan sonratəqribənsıralanmış vektordakı dəyərlər (yəni xlorofilin konsentrasiyaları) ilə həmin nöqtədən yuxarı ümumi xlorofil nisbəti arasındakı empirik əlaqəni əldə etmək funksiyası. Bu funksiya 0.8 kimi bir dəyər alır və yuxarıdakı ümumi xlorofilin 80% olduğu yerdəki xlorofil konsentrasiyasını qaytarır. Nəhayət, bu eşik konsentrasiyasını həmin poliqondakı bütün raster dəyərlərindən çıxarıram və neçə raster dəyərinin sıfırın üstündə olduğunu (yəni eşikdən yuxarı) hesablayıram. Bu, həmin çoxbucaqdakı raster dəyərlərinin ümumi sayına bölündükdə, bu nöqtələrin işğal etdiyi çoxbucaqlı nisbətini verir.

Bu izahatın açıq olub-olmadığına əmin deyiləm, amma yaxşı işləyir - ilk kobud metoduma qarşı yoxladım.

PS Həll və şərhləriniz üçün hər kəsə təşəkkür edirəm. Bu həll yolu yuxarıdakıların təqdim etdiyi fikirlərdən bir neçəsinə istinad edir.


Çoxbucaqlı təbəqəni xüsusiyyətli bir raster məlumat dəstinə raster alətinə çevirdim və sonra raster kalkulyatorundan istifadə edərək raster örtük analizini etdim. Hər ikisi üçün eyni proyeksiya və koordinat sistemlərindən istifadə etdiyinizə əmin olun və ya nəticələriniz səhv olacaq. Uğurlar!


Bu problemi həll etməyin bir neçə yolu var. Birincisi, işi görmək üçün bir vasitə tapmaq və tapmaqdır. İkincisi, əl ilə etmək üçün bir az Python skriptindən istifadə etməkdir. Alətləri tapmaq çətin olduğu üçün, burada bir piton həlli var.

Python / gdal / numpy-ni özünüz necə quracağınızı anlamalısınız, ancaq bir dəfə məyus olmayacaqsınız. Linux-da ən asandır, amma orada nə qədər "çox" var.

'Kobud güc' yanaşmasının çox mürəkkəb olduğu ilə razı deyiləm. Yalnız 150 çoxbucaqlı ilə, çox güman ki, bu bitmədən əvvəl qəhvədən bir qurtum içə bilməyəcəksiniz ... çoxbucaqlı başına milyonlarla piksel olmasa, bu vəziyyətdə bir neçə qurtum alacaqsınız.

Budur, bir yerə yığdığım bir parça ... yoxlanılmadı, amma baxdım və sizin üçün işləyəcəyinə əminəm.

[redaktə: olduğu kimi ərazini çap et] [başqa bir redaktə: Windows-da python-da gdal ImportError python + gdal-ın işləməsi üçün faydalı ola bilər]

import gdal import numpy as np area_per_pixel = 100 # ??? #chlorophyll_raster doldurduğunuz rasteri açmaq üçün gdal istifadə edərək r = gdal.Open ('somefilename') chlorophyll_raster = np.array (r.GetRasterBand (1) .ReadAsArray ()) #polygon_raster ilə bir rasterdir xlorofil_raster ilə eyni forma / ölçü / qətnamə, dəyərləri çoxbucaqlı id # -ə bərabər olan bu gdal_rasterize komanda xətti proqramı burada faydalı ola bilər. r2 = gdal.Open ('somefilename2') polygon_raster = np.array (r2.GetRasterBand (1) .ReadAsArray ()) # max / min eşikdə istifadə max_c = np.max (chlorophyll_raster) min_c = np.min (chlorophyll_raster) # başqaları ilə eyni formada boş raster düzəldin ... nodata standart # sonunda, bu raster çoxbucaqlı başına 80% qatqı təmin edən piksel # yerlərdə "1" -ə bərabər dəyərlərə sahib olacaq 80_pc_raster = np.ones (chlorophyll_raster.shape) * - 9999 # noreferans konsentrasiyası artımlarınızın miqyasına uyğun olaraq = (max_c - min_c) / .01 np.unique (polygon_raster) pid üçün: # np.linspace (max_c, min_c,) üçün eşik üçün hər çoxbucaq üçün #. artımlar): # hər səviyyədən keçin (kobud qüvvə). max total_c_for_polygon ilə başlamaq = np.sum (chlorophyll_raster [polygon_raster == pid]) threshold_mask = (polygon_raster == pid) və (chlorophyll_raster> = eşik) amount_c_above_threshold_for_polygon = np.sum (chlorophyll_raster [threshold_mask]) pc_above_threshold = amount_c_above_threshold_for_polygon / total_c_for_polygon əgər pc_above_threshold > 0.8: # artımınız azdırsa, 80_pc_raster rasterdə 80% # doldurduğunuz anda 80% 80_pc_raster [ərəfə_məski] = 1 # çap çoxbucaqlı id, sahə çap pid, ', ', np.sum (eşik_maskası) * sahə_per_piksel fasiləsi # daxili döngədən çıxır və növbəti çoxbucaqlı new_raster = gdal.GetDriverByName (' GTiff '). Yaradın (' 80pc_raster.tif ', 80_pc_raster.shape [1], 80_pc_raster .shape [0], 1, gdal.GDT_Float32) # new_raster.SetGeoTransform (geo_transform) # bunu etməlidir # new_raster.SetProjection (proyeksiya) # bu da çox yeni_raster.GetRasterBand (1) .SetNoDataValue (-9999) 1Bastr (-9999) Yazı Arrray (80_pc_raster) ) #hər şey hazırdır.

uğurlar!


Hər çoxbucaqlının içindəki raster üçün kvintilləri hesablaya və bu dəyərlərdən alt kvintilin 80/20 sərhədini təmsil etdiyi kontur xətləri yaratmaq üçün istifadə edə bilərsinizmi?


Yerin miqdarı

Yer nisbəti, nisbət nisbəti, geniş istifadə olunan coğrafi indeksdir. Bir subareanın bütövlükdə əraziyə nisbi paylanmasını və ya nisbi konsentrasiyalarını ölçmək və xəritələmək üçün istifadə olunur. İstifadəsinə bir nümunə, bir metropol ərazisindəki elm adamlarının ümumi işçilərlə müqayisədə yaşayış bölgüsünün ölçülməsi ola bilər. Düstur:

burada LQ yer ölçüsüdür, Xmən sahədəki bir dəyişənin (alimlərin) dəyəridir mən, ∑Xmən birləşdirilən bütün subareasiyalardakı dəyişənlərin (alimlərin) dəyəri (metropoliten sahəsi), Nmən metropolitenin hər subareyindəki işçilərin ümumi sayını və ∑Nmən metropol ərazisindəki işçilərin ümumi sayıdır (Cədvəl I və II). Beləliklə, yer ölçüsü nümunəmizdə müəyyən bir subaredəki elm adamlarının həmin subareadakı işçilərin ümumi sayına nisbətində dəyişir. 100 dəyəri, ümumi işçilərlə eyni nisbətdə elm adamlarının olduğunu göstərir. Cədvəl II-nin 1-ci və 5-ci sahələrində 100-dən az dəyərlər, ümumi işçi sayına görə “gözləniləndən” az alim olduğunu göstərir. Bunun əksinə olaraq 100-dən çox dəyərlər, işçilərin ümumi sayına görə 2 və 3 alt bölgələrdə yaşayan “gözləniləndən” daha çox alim nisbətinin olduğunu göstərir.

Cədvəl I. Yerləşmə Kəmiyyətini Hesablamaq üçün Nümunə Verilər

Cədvəl II. Yer ölçüsünün hesablanması

Gong tərəfindən 2002-ci ildə aparılan bir araşdırma bir nümunə təqdim edir. Onun marağı ABŞ cənubundakı yardım təchizatı xidmətlərində işçilərin nisbi metropoliten konsentrasiyasını ölçməkdir. Yardım təchizatı xidmətləri müvəqqəti işçiləri digər müəssisələrə ödənişli əsaslarla təmin edir. Burada diqqət, yardım təmin edən xidmət işçilərinin sayının, işçilərin ümumi sayına nisbətən fərqli ölçülü metropol bölgələri arasında necə dəyişdiyinə yönəlmişdir. Cədvəl III, metropoliten sahəsi nə qədər böyükdürsə, yerləşmə nisbəti o qədər yüksəkdir (əhalisi 2,5 milyondan çox olan metropoliten bölgələri xaricində) aydın bir iyerarxik bölgüsü göstərir. Gong & # x27s nəticələri göstərir ki, daha böyük metropolitenlərin ümumi işçilərlə müqayisədə müvəqqəti işçilərə daha çox ehtiyacı var.

Cədvəl III. ABŞ-ın cənubundakı Yardım-Təchizat Xidməti İşçiləri üçün Böyükşəhər Bölgəsi Əhali Ölçü Kategoriyalarına Göre Yer, 1999

Böyükşəhər iyerarxiyasıYer ölçüsü
2,5 milyon və yuxarı1.14
1 milyondan 2.499.999-a1.22
250,000-dən 999,999-a qədər1.04
100,000-dən 249,999-a qədər0.73
100.000-dən az0.58

Mənbə: Hongmian Gong (2002, 54).


Sf istifadə edərək R-də çoxbucaqlı kəsişmə

Hər nöqtənin digər ekvivalent nöqtələrə məkan yaxınlığının dərəcəsini 400 m məsafədə (5 dəqiqəlik gəzinti) digərlərinin sayına baxaraq qiymətləndirmək istəyirəm.

Xəritədə bəzi məqamlarım var. Ətraflarına sadə 400 m bufer çəkə bilərəm. Hansı tamponların üst-üstə düşdüyünü təyin etmək və sonra üst-üstə düşmə sayını hesablamaq istəyirəm. Bu üst-üstə düşmə sayı əvvəlki nöqtəyə aid olmalıdır, beləliklə hansının ən çox üst-üstə düşdüyünü görə bilərəm və buna görə də həmin nöqtədən 400 m məsafədə gəzsəydim, başqa neçə nöqtəyə gələ biləcəyimi müəyyən edə bilərdim.

Bu sualı CBS daşqınında verdim, amma ArcGIS üçün cavab alacağından əmin deyiləm və işi R-də etməyi üstün etdiyimi düşünürəm.

Sadələşdirmək üçün bir neçə kod

Bu, seçki məntəqələrinin ətrafındakı üst-üstə düşən tamponları göstərməlidir. Etmək istədiyim şey burada edilən üst-üstə düşmə sayını hesablamaqdır:

Və istədiyim nəticəyə çatmaq üçün əmin olmadığım bit (bu vəziyyətdə seçki məntəqələrinin "Qaynar nöqtələrini" göstərəcək) şeyləri necə rəngləndirirəm? Nə edə bilərəm: 400m (5 dəqiqəlik gəzinti) məsafədəki digər sayına baxaraq hər nöqtənin digər ekvivalent nöqtələrə məkan yaxınlığı dərəcəsini qiymətləndirirəm.

Düzəliş et: bu, kəsişmələrə fərqli rənglər verir ki, bu da əladır. süjet (polls_intersection $ həndəsə, col = sf.colors (kategorik = DOĞRU, alfa = .5))

Mən burada nə rəngləyirəm? Yəni gözəl görünür, amma həqiqətən nə etdiyimi bilmirəm.


Saint Louis-də Cinayətlərin Məkan Təhlili: Ölçünün Əhəmiyyəti

Hazırkı tədqiqat, St. Louis şəhərindəki adam öldürmə nisbətlərinin sosial, irqi və iqtisadi determinantlarını təhlil üçün coğrafi vahidlər kimi siyahıyaalma yolları və 1000 metrlik raster şəbəkələrdən istifadə edərək araşdırır. Dəyişdirilə bilən areal vahid problemi ilə əlaqəli potensial təsirləri qiymətləndirmək üçün bir mezo və mikro səviyyəli coğrafi miqyasdan istifadə etdik. Mekansal interpolasiyadan istifadə edərək izahlı dəyişənlər üçün sahə ağırlığına əsaslanaraq yenidən paylanmış dəyərlər yaratdıq. Cinayət nisbətlərinin analizində sosial, iqtisadi və irqi determinantlarla əlaqəni qiymətləndirmək üçün məkan asılılığı regresiya modelləri tətbiq etdik. Siyahıyaalma səviyyəsində, sosial, irqi və iqtisadi izahedici dəyişənlərlə qətl nisbətləri arasında əhəmiyyətli bir əlaqə tapmırıq. Gəlir bərabərsizliyi, ictimai yardım, irqi müxtəliflik və qətl dərəcələri ilə 1000 metrlik şəbəkə səviyyəsində əhəmiyyətli əlaqələr müşahidə olunur. Nəticələr, siyahıyaalma sisteminin izah edici gücü ilə 1000 metrlik raster şəbəkəsinin dəqiqliyi arasındakı qarşıdurmanı göstərir.

Bu abunə məzmununun önizləməsidir, təşkilatınız vasitəsilə giriş.


Dənizkənarı personaj - Ventura, California

Johnson, Samuel Y., Dartnell, Peter, Cochrane, Guy R., Golden, Nadine E., Phillips, Eleyne L., Ritchie, Andrew C., Kvitek, Rikk G., Greene, H. Gary, Krigsman, Lisa M ., Endris, Charles A., Seitz, Gordon G., Gutierrez, Carlos I., Sliter, Ray W., Erdey, Mercedes D., Wong, Florence L., Yoklavich, Mary M., Draut, Amy E., Hart, Patrick E. və Cochran, Susan A., 2013, California State Waters Map Series - Ventura, California: Offshore of California, Scientific Research in Map SIM 3254, US Geological Survey, Reston, VA.

Onlayn bağlantılar:

Qərb_Bağlayıcı_Kordinat: -119.447913 Şərq_Bağlayıcı_Kordinat: -119.251007 Şimal_Bağlama_Kordinat: 34.374585 Cənubi_Bağlayıcı_Kordinat: 34.214948

Başlanğıc_Tarix: 06-Jul-2006 Son tarix: 27-Sep-2007 Currentness_Reference: torpaq vəziyyəti

İstifadə olunan xəritə proyeksiyası WGS 1984 UTM Zone 11N'dir.

Proyeksiya parametrləri: Ölçek_Faktor_at_Central_Meridian: 0.9996 Mərkəzi_Meridian uzunluğu: -117.0 Proqnoz_Origin genişliyi: 0.0 False_Easting: 500000.0 False_Northing: 0.0

Planar koordinatlar koordinat cütündən istifadə edərək kodlanır
Abscissae (x koordinatları) 0.000000002220024164500956 dəqiqliyinə qədər göstərilmişdir
Təzyiqlər (y koordinatları) 0.000000002220024164500956 dəqiqliyinə qədər müəyyən edilir
Planar koordinatlar Metrdə göstərilir

İstifadə olunan üfüqi verilənlər bazası D WGS 1984-dür.
İstifadə olunan elipsoid WGS 1984-dür.
İstifadə olunan elipsoidin yarı əsas oxu 6378137.0-dır.
İstifadə olunan elipsoidin düzlənməsi 1 / 298.257223563-dür.

SeafloorCharacter_OffshoreVentura.tif.vat Shapefile atributlarına VALUE - dəniz təbəqəsi xarakter sinifləri üçün kod, COUNT - piksel sayı, SLOPE - yamac sinifləri, DEPTH_ZONE - dərinlik zonaları, SUBSTRATE - substrat sinifləri, SUBST_DESC - substrat siniflərinin qısa təsviri və FULL_DESC - substrat siniflərinin ətraflı təsviri daxildir. . Forma şəkli istənilən ESRI ArcMap layihəsinə əlavə edilə bilər. (Mənbə: ESRI)

Rowid Daxili xüsusiyyət nömrəsi. (Mənbə: ESRI)

Avtomatik olaraq yaradılan ardıcıl unikal tam ədədlər.

DƏYƏR Bu dəniz səviyyəli xarakter sinfi sonar sistemlərdən gələn batimetriya və geri dönüş (geri qayıtma intensivliyi) siqnallarının video nəzarətli maksimum ehtimal təsnifatı istifadə edilərək istehsal edilmişdir. Təsnifatda variantlar olaraq törəmə pürüzlülük (kobudluq) və tərs intensivlik istifadə edilmişdir. Yaranan dörd substrat sinfi (1-4) Dərin Zonalara bölündü (bax: Atribut: DEPTH_ZONE). 10-cu artımlarla ilkin ızgara dəyərinə əlavə olunaraq dərinlik zonası 2, şəbəkə dəyərinə 0 əlavə edin dərinlik zonası 3, 10-a əlavə edin. şəbəkə dəyəri Dərinlik Bölgəsi 4, şəbəkə dəyərinə 20 və Dərinlik Bölgəsi 5 əlavə edin, şəbəkə dəyərinə 30 əlavə edin. Nəticədə ızgara təsnif edilmiş raster dəyərlərinə (dərinlik zonaları daxil olmaqla) 50 artım əlavə etməklə Yamac Dərslərinə (bax: Atribut: SLOPE) daha da təsnif edilmişdir. Yamaq Sınıfı 1, şəbəkə dəyərinə 0 əlavə edin Yamac Sınıfı 2, şəbəkə dəyərinə 50 əlavə edin. Yamaç Sınıf 3, qrafika dəyərinə 100 və Şaquli Sınıf 4 əlavə edin, şəbəkə dəyərinə 150 ​​əlavə edin. (Mənbə: ESRI)

Dəyərlər üçündür
Minimum:1
Maksimum:12
Bölmələr:SIM 3254 (& quot; California State Waters Map Series - Offshore of Ventura, California & quot) bölməsində 4-də və vərəq 5-də təsvir olunan təsnifat metodu əsasında 1 - 12 ədədlər & lthttps: //pubs.usgs.gov/ds/781 /OffshoreVentura/data_catalog_OffshoreVentura.html>.

SAYI Hər dəniz mərtəbəsi sinfində təmsil olunan piksel sayı (2m x 2m ölçülü qarmaq hüceyrə) (bax: Atribut: VALUE). (Mənbə: ESRI)

Dəyərlər üçündür
Minimum:1081
Maksimum:21204114
Bölmələr:Tam ədədlər 1081 - 21204114 piksel sayı.

DƏFƏ Hamar batimetriya şəbəkəsi əsasında son dəniz suyu xarakterli xəritə şəbəkəsi üçün yamac zonaları müəyyən edilmişdir. Hamarlaşdırma fokus statistikasını orijinal batimetriya şəbəkəsinə tətbiq etməklə həyata keçirildi. Alət hərəkətli bir pəncərədən istifadə edir və bütün raster xəritəsi boyunca 20 m radiusda dairəvi bir qonşuluq içərisində mərkəzi pikselin orta dəyərini hesablayır. Nəticədə yaradılan raster xəritəsi ümumi tendensiyaları vurğulayan hamarlanmış bir dəyəri təmsil edir və ərazidəki yerli sortları (qaya kənarları boyunca daha yüksək yamaclar kimi) aradan qaldırır. Yamac sinif dəyərləri: 1 (0 dərəcədən 5 dərəcə), 2 (5 dərəcədən 30 dərəcə), 3 (30 dərəcədən 60 dərəcə) və ya 4 (60 dərəcədən 90 dərəcə). (Mənbə: USGS)

Dəyərlər üçündür
Minimum:1
Maksimum:1
Bölmələr:Yuxarıda göstərildiyi kimi & lt5 dərəcə yamac sinifini təmsil edən tam dəyər 1.

DEPTH_ZONE Hamar batimetriya şəbəkəsi əsasında son dəniz suyu xarakterli xəritə şəbəkəsi üçün dərinlik zonaları müəyyənləşdirildi. Hamarlaşdırma, orijinal batimetriya şəbəkəsinə fokus statistikası tətbiq edilərək həyata keçirilmişdir. Alət hərəkətli bir pəncərədən istifadə edir və bütün raster xəritəsi boyunca 20 m radiusda dairəvi bir qonşuluq içərisində mərkəzi pikselin orta dəyərini hesablayır. Nəticədə ortaya çıxan raster xəritəsi, ümumi tendensiyaları vurğulayan hamarlanmış bir dəyəri təmsil edir və ərazidəki yerli sortları (qaya kənarları boyunca müxtəlif dərinliklər kimi) aradan qaldırır. Dərinlik Bölgəsi dəyərləri bunlardır: Dərinlik Zona 1, aralıq dərinlik zonası 2, 30 m aralığına qədər dərinlik zonası 3, 30 ilə 100 m dərinlik zonası 4, 100 ilə 200 m və dərinlik zonası 5, 200 m-dən daha dərin (Kaliforniya Balıq və Oyun İdarəsi , 2008). (Mənbə: USGS)

Dəyərlər üçündür
Minimum:2
Maksimum:3
Bölmələr:Yuxarıda göstərildiyi kimi yamac siniflərini təmsil edən tam ədədi 2-3.

TƏŞKİLAT Substrat siniflərinin kodlaşdırılmış dəyərləri. Sinif 1, İncə-orta dənəli hamar çöküntü Sinif 2, Qarışıq hamar çöküntü və qaya Sinif 3, Qaya və daş, kələ-kötür Sinif 4, Antropogen xüsusiyyətlər (Mənbə: USGS)

Dəyərlər üçündür
Minimum:1
Maksimum:4
Bölmələr:Yuxarıda göstərildiyi kimi substrat siniflərini təmsil edən tam dəyərlər 1-4.

SUBST_DESC SUBSTRATE atributu tərəfindən kodlanmış dörd substrat sinfinin xülasə təsviri. Sinif 1, İncə və orta dənli hamar çöküntü Sinif 2, Qarışıq hamar çöküntü və qaya Sinif 3, Qaya və daş, kələ-kötür Sinif 4, Sağlam antropogen material (Mənbə: USGS)

Adlar mətn şəklindədir, maksimum uzunluq: 50

FULL_DESC SUBSTRATE atributu tərəfindən kodlanmış dörd substrat sinfinin ətraflı təsviri. Sinif 1, Aşağı arxa dağılım, aşağı kobudluq, ümumiyyətlə palçıqdan orta dənəvər quma qədər, tez-tez dalğalanan və / və ya çuxurlu Sınıf 2, Orta və çox yüksək geri səpələnmə, aşağı kobudluq, ümumiyyətlə qaba dənli qum, çınqıl, daş və döşənək Sınıf 3, Yüksək tərs və yüksək kobudluq, tipik olaraq qaya və kələ-kötür qaya daşı Class 4, yüksək tərs, insanlar tərəfindən inkişafla əlaqəli yüksək kobudluq (Mənbə: USGS)


Yol tikintisi

Yol tikintisi insanların böyük miqdarda torpaq materiallarını hərəkət etdirdikləri əsas fəaliyyətlərdən biridir. Yol inşaatının böyük bir antropogen proses kimi əhəmiyyəti ədəbiyyatda insanın ətraf mühitə ümumi geomorfik təsirini hesablamaq üçün yalnız bir neçə amildən biri kimi istifadə edilməsində sübut olunur. Vaka tədqiqatları göstərir ki, yol və bina tikintisi üçün düz zəmin yaratmaq üçün lazım olan kəsiklər və doldurulmalar, yüzdə 20 təbii bir yamacın olduğu təqdirdə, düz sahədən iki dəfə böyük bir geomorfik iz qoyur. Yüzdə 30-lik bir yamacda, dərəcələndirilməsi lazım olan sahə istənilən düz sahədən üç dəfə böyükdür. Beləliklə, bir avtomobil yolu nisbətən kiçik bir ərazi istifadə edə bilsə də, dağlıq ərazilərdə geomorfik iz bir neçə dəfə daha böyük ola bilər.

Aşağıdakı şəkildə Merilendin qərbindəki Sideling Təpəsindəki görkəmli bir silsiləni kəsən böyük bir yol göstərilir. Kəsmə Dövlətlərarası 68 marşrutu uyğunlaşdırmaq üçün edilmişdir. SRTM NED fərq şəbəkəsindən ölçülən kəsik dərinliyi 98 metr, çıxarılan materialın həcmi isə 3.52 x 10 6 kubmetrdir və bu da yüzdə 2.4 ilə razılaşır. 3.44 x 10 6 kubmetr həcmində nəşr edilmişdir.

Qərbi Merilenddə yol tikintisi nəticəsində yaranan topoqrafik dəyişikliyin nümunəsi. Soldan sağa, şəkillər NED gölgeli relyef, SRTM kölgəli relyef və Landsat şəklidir (rəngli infraqırmızı səsləndirmə). Bu yol məşhur Sideling Təpəsi arasından keçərək Dövlətlərarası 68-i yerləşdirmək üçün hazırlandı. Göstərilən ərazi təqribən 5.0 km şərq-qərbdən 9.5 km şimal-cənubdadır.

Bu işdə sistematik olaraq istifadə edilməməsinə baxmayaraq, mövcud məsafədən ən yaxın yola aid verilənlər bazası topoqrafik dəyişiklik poliqonlarını xarakterizə etmək üçün faydalı ola bilər. 30 metrlik qətnamə raster verilənlər bazası, ABŞ-da hər yer üçün ən yaxın yola düz xətt məsafəsini göstərir. Başlanğıcda, bu məlumat dəstinin bir çoxbucaqdakı minimum məsafədən ən yaxın yola qədər dəyərinə baxaraq yol kəsmə və ya doldurma xüsusiyyətləri kimi topoqrafik dəyişmə poliqonlarını etiketləmək üçün istifadə edilə biləcəyi düşünülürdü. Minimum sıfır dəyəri bir yolun çoxbucağı keçdiyini və bu səbəbdən xüsusiyyətin yeni yol inşası ilə əlaqəli ola biləcəyini göstərir. Məlum yol tikintisi dəyişikliklərinin sınaq sahələrinə baxıldıqdan sonra aydın oldu ki, məsafə hesablamaları üçün əsas kimi istifadə olunan yollar verilənlər bazası aşkar bir çox yeni yolları əhatə etməyib.

Növbəti rəqəm, Kaliforniyanın Orange County bölgəsindəki Chino Hills bölgəsi üçün məsafədən ən yaxın yola aid verilənlər bazasının bir nümunəsini göstərir. Dəyişmə çoxbucaqlılarını avtomatik etiketləmək üçün bu araşdırmada milli məsafədən ən yaxın yola verilənlər bazası istifadə olunmasa da, yerli ərazilərdəki topoqrafik dəyişikliklərin təfsiri üçün faydalı ola bilər.

Orange County, California-dakı Chino Hills bölgəsi üçün məsafədən ən yaxın yola aid verilənlər bazasının nümunəsi. Şəkillərdən soldan sağa, şəkillər SRTM gölgeli relyef, Landsat şəkli (rəngli infraqırmızı təsvir) və məsafədən ən yaxın yola verilənlər bazası və yol şəbəkəsidir (tünd göy = sıfır metr yaxın yola qırmızı = = 2,130 metr ən yaxın yola) . Topoqrafik dəyişmə poliqonları (mavi = kəsilmiş qırmızı = doldurma) hər şəkildə örtülmüşdür. Oklar yeni bir magistral yolun tikintisi ilə əlaqəli kəsilmiş və doldurulduğunu göstərir. Qeyd edək ki, yeni avtomobil yolu məsafəni ən yaxın yola hesablamaq üçün istifadə olunan mənbə məlumatlarına daxil edilməyib.


Rastr dəyərinin x-nin çoxbucaqlılarda cəmləşdiyi minimum sahəni hesablayın - Coğrafi İnformasiya Sistemləri

UNIT 37 - Dördlü alqoritmlər və məkan indeksləri

Bu bölmə çox uzundur və daha inkişaf etmiş alqoritmlərlə işləyir. Tələbələrinizin qabiliyyət və maraqlarından asılı olaraq, daxil edilmiş üçüncü və dördüncü alqoritmləri buraxmaq istəyə bilərsiniz və ya bunu əlavə vərəqələr kimi təqdim edə bilərsiniz. Qabaqcıl tələbələr bu inkişaf etmiş alqoritmlərin daha incə, mürəkkəb mahiyyətini araşdırma fürsətindən məmnun ola bilərlər. İndekslərin sonrakı hissəsi əvvəlki hissələrdə göstərilən materialdan asılı deyil.

UNIT 37 - Dördlü alqoritmlər və məkan indeksləri

    əvvəlki vahid bir quadtree əsas fikir müəyyən

  • sahənin ölçülməsi
  • örtük
  • bitişik yarpaqları tapmaq
  • bitişik yamaların sahəsinin ölçülməsi

  • quadtree keçmək:
    • sol yarpaqdan ilk yarpağa doğru irəliləməyə başlayın
    • bu yarpaqdakı hər yarpağı emal etdikdən sonra əvvəlki dallanma nöqtəsinə qayıdın və sağa dönün
    • bu ya başqa bir yarpağa, ya da əvvəlki dallanma nöqtəsinə dönəcəkdir

      aşağıdakı nümunələrdən bir neçəsi bu sadə rasterdən və onunla əlaqəli dörd ağacdan istifadə edir

      xəritədə A sahəsini ölçmək üçün:
        ağacdan keçin və yarpaq səviyyəsində sahə ilə ölçülmüş A kodlu yarpaqları əlavə edin

        nümunə quadtree, səviyyə 0-dakı elementlər sahə 16, səviyyə 1 - sahə 4, səviyyə 2 - sahə 1

      1 (yarpaq 00) + 1 (yarpaq 02) + 1 (yarpaq 03) + 4 (yarpaq 2) + 1 (yarpaq 32)

        yerüstü - İkinci xəritə
          Qeyd: bu xərci fiziki olaraq İlk xəritədə örtmək olar

        • iki xəritəni örtmək üçün:
          • hər iki ağacda mövcud olan bütün budaqları izləyərək eyni vaxtda ağacları keçin
          • bir ağacın budaq olmadığı yerdə (digər ağacın budaqlı olduğu bir yarpağa sahibdir), budaqların hər birinə bağlı yarpağın dəyərini təyin edin
          • məs. qovşaq 3 xəritə 2-də deyil, xəritə 1-də dallanmışdır
            • bu qovşaqdan (30, 31, 32 və 33) çıxarılan yarpaqlar 1 xəritədə B, B, A və B dəyərlərinə, hamısı 2 xəritədə

              yerüstü - Birinci xəritə + İkinci xəritə

              iki yarpağın (məsələn, 03 və 2) bitişik olub olmadığını tapın

            Nəticə: müəyyən bir yarpağa bitişik yarpaqları tapın (məs. 03)

              burada bitişik yalnız ümumi bir nöqtəni deyil, ortaq bir kənarı bölüşmək deməkdir

              yarpaq kodları bunlardır: 1. eyni uzunluq (eyni ölçülü bloklar, məsələn, 01 və 02) və ya 2. biri digərindən daha uzun (fərqli ölçülü bloklar, məsələn, 03 və 2)

                dördüncü ağacların qurulmasında istifadə olunan "4-ün qaydası" səbəbindən baza 2. bit interleaving 3. Tesseral Arithmetic adlı yeni bir anlayış

                tesseral arifmetik, dördbucaqlı ünvanın xüsusiyyətləri ilə işləmək üçün faydalı alternativ bir hesabdır

              • məs. 0001-ə 1 əlavə edərkən 0010 verilir
              • bu, cəmi 10-un yerinə 2-yə çatdıqda baş verməsi istisna olmaqla, onlu hesabla eynidir

                paylama - Bitişikliyin təyin edilməsi

              • iki yarpaq ikili təmsilləri tesseral hesabda ikili 1 və ya 10 (onluq 1 və ya 2) ilə fərqlənərsə bitişikdir
              • misal: 01 və 03 bitişikdir, çünki 0001 və 0011 ikili 10 və ya onluq 2 ilə fərqlənir
              • misal: 033 və 211 tesseral hesabda olduğu üçün bitişikdir

              001111 + 10 = 100101 və ya 100101 - 10 = 001111

              • iki koddan daha uzununu alaraq:
                • onu baza 4-dən ikiliyə çevirin
                • dörd yeni kod yaratmaq üçün tesseral-əlavə et və 01 və 10-u çıxart
                • çıxmağın mümkün olmadığı bütün halları rədd etmək ("mənfi" kod meydana çıxacaq və ya ən sol rəqəmin solunda "daşımaq" lazım olardı)
                • nəticədə çevrilmiş daha uzun kodlarda həddindən artıq sağ rəqəmləri atın
                • yarpağı almaq üçün bazaya 4 yenidən çevirin

                0010 + 1 = 0011 0010 + 10 = 1000 0010 - 1 (mümkün deyil) 0010 - 10 = 0000

                001111 + 1 = 011010 001111 + 10 = 100101 001111 - 1 = 001110 001111 - 10 = 001101

                  (qeyd: yalnız bərabər və ya daha qısa kodlar tapa bilər - bərabər və ya daha böyük yarpaq blokları)

                0011 + 1 = 0110 = 12: yarpaq 1 0011 + 10 = 1001 = 21: yarpaq 2 0011 - 1 = 0010 = 02: yarpaq 02 0011 - 10 = 0001 = 01: yarpaq 01

                  iki blok arasındakı ümumi sərhəd uzunluğu daha uzun kodun səviyyəsi ilə müəyyən edilir
                    bundan bir yamanın perimetrini təyin etmək üçün bir alqoritm qurmaq üçün istifadə edə bilər
                      məs. ilk nümunə xəritədəki A / B sərhədinin uzunluğu

                      eyni qiymətə bitişik bir yamağın sahəsini tapın, məs. hamısı A

                    Nəticə: A-nın neçə ayrı yaması var?

                      yəni bitişiklərin bilindiyini və ya təyin oluna biləcəyini nəzərə alaraq bitişik quadtree blokları və ya düzensiz formalı çoxbucaqlı dəstləri tapın

                      vərəq - Bitişik bir yamanın sahəsi (2 səhifə)

                      hər yarpaq üçün "göstərici" üçün yer verin və ona 0 ilkin dəyər verin (bax.

                    • hər yarpaq üçün:
                      • bərabər və ya daha qısa uzunluq kodları ilə bütün bitişik yarpaqları tapmaq (maksimum 4)
                      • bitişik yarpaq eyni dəyərə sahibdirsə, i və j-dən hansının siyahıda daha yüksək (daha böyük dəyər) mövqeyə malik olduğunu müəyyənləşdirin və göstəricisini alt mövqeyə qoyun
                      • (qeyd: bir göstərici artıq dəyişdirilmişsə, yenidən dəyişdirilə bilər və ya solda qalır, nəticə eynidır)

                        1. bitişik yamaların sayı sıfır sayına bərabər olacaqdır
                          nümunədə iki göstərici sıfırdır və iki bitişik yamağı göstərir

                        • hər yamağın tərkib yarpaqları siyahının sonunda (və ya əvvəlində) bir yarpaqdan başlayaraq 0 tapılana qədər göstəriciləri izləməklə tapıla bilər.
                          • məs. 10 mövqedəki yarpaq (kod 33) 8-ə, 7-yə, 5-ə, 2-yə, sıfır göstəriciyə sahib olan yarpaq
                          • bu səbəbdən yarpaq mövqeyi 10 (kod 33) yarpaq 2 (kod 01) ilə eyni yamağın bir hissəsidir və B dəyərinə malikdir

                          Yarpaqlar: 00 02 03 2 32 A mövqelər: 1 3 4 6 9 A sahəsi: 1 + 1 + 1 + 4 + 1 = 8

                          B yarpaqları: 01 1 30 31 33 B mövqeləri: 2 5 7 8 10 B sahəsi: 1 + 4 + 1 + 1 + 1 = 8

                          • indekslər xəritənin müəyyən bir sahəsindəki obyektlərə sürətli giriş əldə etmək üçün vektor sistemlərində istifadə olunur
                            • potensial olaraq üst-üstə düşən və ya kəsişən obyektlərin axtarışında çox faydalıdır
                            • bu səbəbdən çoxbucaqlı bindirmə əməliyyatının vacib bir hissəsidir

                              yerüstü - Quadtree indeksləri

                            • bəzi böyük obyektlər ilk dallanmada dörd yarpaqdan birindən çoxunu əhatə etdikləri üçün NULL olaraq təsnif edilməli olacaqlar (0, 1, 2 və 3)
                            • digər kiçik obyektlər kiçik bir yarpaq içərisinə daxil ola bilər, məs. 031

                            • bir sahə, xətt və ya maraq nöqtəsi ilə kəsişən bütün obyektləri tapmaq
                              • maraq obyektini əhatə edən quadtree yarpağını tapın
                              • Bu nöqtədən başlayaraq quadtree-ni orijinal hüceyrəni ehtiva edən bütün budaqlı nöqtələr boyunca və quadtree-dən hüceyrənin altındakı bütün budaqlı nöqtələrə və yarpaqlara qədər izləyin

                              • maraq sahəsini kəsə bilən obyektlər 31-ci yarpaqdakı və onun üzərindəki bütün yarpaqlardır
                                • Beləliklə, bunlar 3 və boş yarpaqdır
                                • digər (uzaq) yarpaqlardakı obyektlər maraq sahəsi ilə kəsişə bilməz, buna görə yoxlanılmasına ehtiyac yoxdur

                                • quadtree indeksasiyası kiçik obyektlər, xüsusən nöqtələr üçün ən təsirli olur
                                  • böyük obyektlər, yerin çox hissəsini doldura bilməməsinə baxmayaraq (məsələn, magistral dəhlizləri) böyük əhatə yarpaqlarına ehtiyac duyur.
                                    • bu obyektlərin hər zaman kəsişmə üçün yoxlanılması lazımdır

                                    • hər dallanmada dörd bərabər kvadratın əvəzinə bəzi kiçik sahələrin və daha böyük bir sahələrin olması ödəniş edə bilər
                                    • bununla birlikdə ümumi səmərəlilik üçün bloklar düzbucaqlı olmalıdır

                                      R-ağac indeksləri geniş sahələrin indeksləşdirilməsi probleminə cavabdır
                                        R, MER-ə bənzər bir anlayış olan "sıra" deməkdir

                                      • mümkün qədər çox obyekt tamamilə bu və ya digər düzbucaqlının içərisindədir
                                      • hər düzbucaqlıda tamamən daxil olan təxminən bərabər sayda obyekt var

                                        hər bir obyekt ağacdakı bəzi qovşaqlarla əlaqələndirilir

                                        etalon testləri R ağaclarının ümumiyyətlə dörd ağaclardan və sadə 1 ölçülü növlərdən daha səmərəli olduğunu göstərsə də, hesablama baxımından intensivdirlər.

                                      Buchmann, A., O. Gunther, T.R. Smith və Y.-F. Wang. Böyük Məkan Verilənlər Bazalarının Dizaynı və Tətbiqi, Kompüter Elmində Bölmə Qeydləri 409, Springer Verlag, Berlin. Məkan məlumatlarının indeksləşdirilməsinə dair sənədlər toplusunu ehtiva edir.

                                      Guttman, A, 1984. "R ağacları: Mekansal axtarış üçün dinamik bir indeks quruluşu," ACM SIGMOD, s. 47-57.

                                      Mark, D.M. və J.P. Lauzon, 1984. "Coğrafi İnformasiya Sistemləri üçün Xətti Dördlülər," İşlər, Mekansal Məlumatların İşlənməsinə dair Beynəlxalq Simpozium, Sürix, 2: 412-430.

                                      Noronha, V., 1988. "Vektor Şəkillər üçün Hiyerarşik Bölüşmə Metodlarına dair bir araşdırma", İşlər, Üçüncü Beynəlxalq Mekansal Məlumatların İşlənməsi Sempozyumu, Sidney, Avstraliya, s. 185-199.

                                      Oosterom, P. van, 1990. "Coğrafi informasiya sistemləri üçün dəyişdirilmiş ikili boşluq bölmə ağacı", Beynəlxalq Coğrafi İnformasiya Sistemləri Jurnalı 4 (2): 133-46.

                                      Bölmə 36-ya istinad kimi göstərilən iki Samet kitabı dörd ağac alqoritmlərinin faydalı müzakirələrini ehtiva edir.

                                      1. Formal indeksləmə metodlarını (quadtree, R-tree, 1-D sort) ümumi istifadədə olan qeyri-rəsmi metodlarla (məsələn, qitələr, milli dövlətlər, böyük sivil bölgülər, poçt kodları və s.) Müqayisə edin.

                                      2. Müxtəlif indeksləşdirmə sxemlərinin effektivliyini müqayisə etmək üçün necə bir iş tərtib edərdiniz? Hansı məlumatlardan istifadə edərdiniz? Hansı tədbirləri müqayisə edərdiniz?

                                      3. Mövcud vektor əsaslı sistemlər müxtəlif indeksləmə sxemlərindən istifadə edir. Niyə ən yaxşıları barədə bir fikir birliyi yoxdur? Hansı məqsədlər və tətbiq sahəsi üçün hansı metodlar daha yaxşıdır?

                                      4. İki quadtree blok arasında Manhattan məsafəsini ölçmək üçün bir vasitə hazırlayın (kodların eyni uzunluğa sahib olduğunu düşünün).


                                      Zəhmət olmasa məzmuna dair şərhləri göndərin: Brian Klinkenberg
                                      Please send comments regarding web-site problems to: The Techmaster
                                      Last Updated: August 30, 1997.


                                      Data Acquisition, Materials, and Methods

                                      Remote Sensing Resources

                                      This study utilized Landsat satellite imagery, IRS 1C&ndashLISS III (1994&ndash1995) and Resourcesat 1 (2004&ndash2005) imagery, multi-temporal Landsat 2005 MSS,TM, and ETM+ data that were projected to WGS84 datum (UTM 44N projection) at sub-pixel level. Refer to the companion file Decadal_LULC_India_satellite_compfile.pdf for a complete list of the satellites, sensors, paths/rows, and dates.

                                      Table 1. Satellite remote sensing data used for the LULC mapping.

                                      Period Satellite Sensor Spatial Resolution
                                      1984-1985 Landsat 4 MSS 80 (resampled to 60 m)
                                      1994-1995 Landsat 5 and IRS 1B Thematic Mapper (TM), Enhanced Thematic Mapper (ETM +), Linear Imaging Self-Scanning Sensor &ndash 1 (LISS I) 30 and 72 m (resampled to 56 m) respectively
                                      2004-2005 Landsat 5 and Resourcesat ETM+, LISS III 30 and 23.5 m respectively

                                      LULC Mapping Process

                                      The following methodology was used to produce the 2005, 1995, and 1985 maps.

                                      The 2005 satellite data were classified and a national map of land cover was produced. The 2005 satellite data were aggregated into 19 IGBP classes (Table 2) from the available 150 classes using hierarchical class merging approach and converted to a vector map using webGIS tool. The 2005 LULC vector map was overlaid on the satellite data (Landsat TM 2005) for three seasons, winter (January-March), pre-monsoon (April-June), and post-monsoon (mid-October to December) to identify cropland and fallow land (multiple cropping was not captured). Extensive ground truth data were collected using existing field transects with high-resolution satellite images. The errors and discrepancies were corrected using the ground truth data and ancillary information supplemented by existing maps (Roy et al., 2015).

                                      Table 2. Land use/land cover (LULC) classification scheme and description of classes.

                                      Qeyd: The IGBP Classifications in the table correspond to the pixel values in the data provided with this data set.

                                      Pixel Value Land Use Type (IGBP Classification) Təsvir
                                      1 Deciduous Broadleaf Forest Woody vegetation with a percent cover >60% and height exceeding 2 m. Consists of broadleaf tree communities with an annual cycle of leaf-on and leaf-off periods.
                                      2 Crop land Temporarily cropped area followed by harvest and a bare soil period (e.g. single and multiple cropping systems). Note that perennial woody crops will be classified as either forest or shrubland, whichever is appropriate. Includes orchards. Different types of cropland based on seasons (e.g. kharif, rabi, zaid) were not subclassified.
                                      3 Built-up Land Land covered by buildings and other man-made structures
                                      4 Mixed Forests Trees with a percent cover >60% and height exceeding 2 m. Consists of tree communities with interspersed mixtures or mosaics of the other four forest types. None of the forest types exceeds 60% of landscape
                                      5 Shrubland Land with woody vegetation less than 2 m in height and with greater than 10% shrub canopy cover. The shrub foliage can be either evergreen or deciduous
                                      6 Barren land Exposed soil, sand, rocks, or snow and never have more than 10% vegetated cover during any time of the year
                                      7 Fallow land Land taken up for cultivation temporarily allowed to remain uncultivated for one or more seasons.
                                      8 Wasteland Sparsely vegetated land with signs of erosion and land deformation that could be attributed to lack of appropriate water and soil management, or natural causes. These are land identified as currently underutilized and could be reclaimed to productive uses with reasonable effort. Degraded forest (<10% tree cover) with signs of erosion is classified under wasteland
                                      9 Water bodies Areas with surface water, either impounded in the form of ponds, lakes, reservoirs or flowing as streams, rivers, etc. Can be either fresh or salt-water bodies
                                      10 Plantations Commercial horticulture plantations, orchards and tree cash crops
                                      11 Aquaculture Land used to farm aquatic organisms including fish, mollusc, crustaceans and aquatic plants.
                                      12 Mangrove Forest Evergreen forests in the intertidal areas. These forests are dense and dominated by halophytic plants
                                      13 Salt Pan Land covered with salt and minerals
                                      14 Grassland Herbaceous types of cover. Tree and shrub cover is less than 10%
                                      15 Evergreen Broad leaf Forest Broad leaf woody vegetation with a percent cover >60% and height exceeding 2 m. Almost all trees and shrubs remain green year round. Canopy is never without green foliage.
                                      16 Deciduous Needleleaf Forest Woody vegetation with a percent cover >60% and height exceeding 2 m. Consists of seasonal needle leaf tree communities with an annual cycle of leaf-on and leaf-off periods.
                                      17 Permanent wetland Land with permanent mixture of water and herbaceous or woody vegetation. The vegetation can be present either in salt, brackish, or fresh water
                                      18 Snow and Ice Land covered with snow or ice for most of the year
                                      19 Evergreen Needle forest Needle leaf woody vegetation with a percent cover >60% and height exceeding 2 m.Almost all trees remain green all year. Canopy is never without green foliage.

                                      Footnote: Savannas (both woody and non-woody) were merged within the forest category. Savannas are defined as herbaceous and other understory systems, with forest canopy cover of 10-60%, and height exceeding 2 m. Also note that IGBP definition of forest is different from that of Forestry Survey of India (2013). FSI defines forest cover as all lands more than 1 ha in area, with a tree canopy density of more than 10% as forest, irrespective of ownership and legal status. FSI reported forest area includes areas of trees outside forest (forest plantation, and agriculture plantations). In our study, forest plantations are a separate category (&ldquoPlantations&rdquo category), and agricultural plantations are included within &ldquoCropland&rdquo category.

                                      To minimize errors in land change detection between 2005 and 1995, the 1995 Landsat images were overlaid onto the 2005 map and polygons were traced where land change had occurred, leaving unchanged polygons unmodified (for greater consistency). This method reduced the effort required to produce the 1995 map since only polygons that underwent change between 1995 and 2005 were traced. In addition, as polygons that remained unchanged over time were preserved, it minimized errors in land change detection by eliminating human-errors in visual interpretation of unmodified polygons that could have occurred if the 1995 mapped data were interpreted independent of the 2005 mapped data and land change were inferred by differencing the two maps. The nature and extent of the LULC changes were verified from the ground truth data and records from various revenue and forest departments of the respective states (Roy et al., 2015 Meiyappan et al., 2016 in review).

                                      Figure 2. Methodology for LULC maps of 1995 and 1985 to maintain continuity of accuracy as in 2005 (a) editing of changes in polygon, (b) procedure for change mapping and validation. From Roy et al., 2015.

                                      Figure 3. Land use and land cover map for 1995 (Roy et al., 2015).

                                      A similar approach was followed to detect land change between 1985 and 1995, using the 1995 map as a reference and also verification with ground data ( Roy et al., 2015 Meiyappan et al., 2016 in review).

                                      Figure 4. Land use and land cover map for 1985 (Roy et al., 2015).

                                      LULC Change Areas

                                      The 1985, 1995, and 2005 maps were then crossed to generate the change areas. Field surveys were also carried out in 5% of the noted change areas to ascertain the nature of change, their extent and direction of change. The 2005, 1995, and 1985 LULC maps provide reliable and accurate information on the magnitude of LULC change. Change areas are not provided with this data set. See Meiyappan et al., 2016 in review.

                                      Andaman and Nicobar Islands and Lakshadweep were mapped only for year 2005. For year 1995 and 1985 maps, the land pixels of both the regions were filled with that of 2005. In other words, this data set does not record any land use change for Andaman and Nicobar Islands and Lakshadweep, but this does not mean that no land change occurred in reality between 1985 and 2005.


                                      Protocols for selection of climate zones, reference weather stations, and upscaling to national levels Protocols for selection of climate zones, reference weather stations, and upscaling to national levels

                                      Yield gap estimates are made at several spatial scales, from specific locations within important crop production regions (i.e. xal at locations with large harvested crop area density and an associated buffer zone), to climate zones (CZs -- defined by growing degree days, temperature seasonality, and aridity index), to large administrative units within a country (province/state), to a national average. For relatively large countries, only crops with total national harvested area of >100,000 ha are evaluated in GYGA. For smaller countries also crops with <100,000 ha are evaluated in GYGA. The underpinning principle is to select CZs and specific locations (points) and associated buffer zones within these CZs that best represent how a given crop is produced in terms of weather, soils, and cropping system. Cropping system information focuses on the proportion of the harvested area, the cropping intensity and some aspects of management (e.g. sowing date and cultivar maturity) at each of these different spatial scales. Justification for this approach comes from recent papers by van Ittersum et al (2013) and Van Wart et al (2013a). The points are defined as locations with weather data. Buffer zones of selected points with weather data include an area within 100 km of the weather station point, with a focus on harvested crop area within that buffer zone. Thus, polygons that define buffer zones are either circular with 100-km radius if the entire buffer fits within the CZ in which it is located or irregular and "clipped" by CZ boundaries if it doesn't.

                                      Within these buffer zones, data are collected for the most prominent soil type[1] x cropping systems combinations for a given water-regime—either rainfed, irrigated, or both if there are significant areas under both types of water regime. For a given buffer zone, Yp and/or Yw are estimated by simulation using the weather data and information about soil types and cropping systems as input to a crop model. Upscaling moves from buffer zones (if there is more than one buffer zone within a CZ), to CZs, to sub-national and national. This approach requires flexibility as to source of weather data because selected points with weather data should be well within the main cropping areas within CZs with large production areas. In cases where good quality weather stations of at least 10 years are lacking, generated 20-yr weather data from a minimum of 3-yrs actual weather data are the second best option, hybrid weather data the third-best option (partly observed and partly generated by using data from nearby stations that may only have rainfall and/or temperature data), or derived gridded weather data (last option). Because detailed data on cropping systems and soils are required for each location, one goal of the selection protocol is to minimize the number of points and associated buffer zones needed within a country to obtain a robust estimate of Yp and/or Yw.

                                      A premise of this method is that weather data, soil data and cropping system data are considered equally important to capture the variation within a climate zone. Data on actual farm yields are also critical for estimating Yg. Selecting CZs and locations with weather data is the starting point in the protocol to minimize the number of locations where the other essential data are required while achieving adequate coverage of crop production area to ensure assessment across a representative range of cropping systems and soils.

                                      Geospatial distribution of crop harvested area is retrieved from SPAM database (You et al., 2006, 2009). SPAM provides gridded data (5 arc minute resolution, approximately 10 x 10 km at the equator) on harvested area around year 2000 for 20 major staple crops, water regime (rainfed or irrigated), and, for rainfed agriculture, harvested area are disaggregated by crop-system input level (subsistence, low-, and high-input). For each grid, the harvested area of rainfed crops is calculated as the sum of the harvested area reported for subsistence-, low- and high-input systems while the harvested area of irrigated crops is taken as given in the SPAM database. If national statistics on crop production are available, updated maps on crop harvested area can be generated for countries where cropland area has recently expanded (e.g., Argentina & Brazil).

                                      The following steps can be distinguished in the protocol to estimate and upscale Yg:

                                      1. CZ selection. Within a country, identify CZs with >5% of total national harvested crop area for the crop/water regime (irrigated or rainfed) in question. These CZs are the "designated" CZs (DCZs) for yield gap assessment of that crop/water regime in that country. Following this approach the selected DCZs typically contain more than 50% of national crop area except in a few cases (see Tables 2 to 9).

                                      2. Selection of weather station points. Selected weather stations can either be existing points where a weather station exists with long-term weather data of adequate quality for yield gap assessment, or a hypothetical weather station location in cases where there is large crop area but without existing weather station coverage. Selected weather stations, either actual or hypothetical, are called reference weather stations (RWS). Hypothetical RWS points will be used in addition to existing RWS for a given crop and country when existing weather stations and their associated buffer zones do not provide 50% coverage of harvested crop area. Based on a recent study in countries with relatively uniform topography, it was found that 40-50% coverage of total harvested crop area within weather station buffer zones is required for a robust estimate of Yp or Yw at a national level (Van Wart et al., 2013b). Therefore, the protocol seeks to achieve 50% coverage of national harvested crop area within buffer zones of the RWS (countries with heterogeneous topography in crop-growing regions may require a larger fraction of total crop area). Selection of RWS proceeds as follows:

                                      (a) Identify existing qualified weather stations[2] within DCZs. Quantify amount of harvested area for the crop in question within each buffer zone surrounding all existing qualified weather stations located within DCZs selected under step #1 above. For each of these buffer zones, exclude harvested area that falls outside the CZ in which a weather station is located.

                                      (b) Select RWS from existing weather stations within DCZs. Identify all existing weather stations located within DCZs that contain >1% of national harvested area for the crop in question within the 100km buffer zone, clipped by the DCZ. Rank weather stations for their clipped harvested crop area. Select the weather station with greatest harvested area and then re-rank all other weather stations that are further away than 180 km of the selected station. Select from among remaining weather stations the one with greatest harvested area, re-rank, and so forth until total harvested area in buffer zones of selected weather stations reaches 50% of total national harvested crop area. If, after achieving 50% coverage, there is one or more DCZ with >5% total national crop area that do not contain a selected weather station, select an additional existing weather station in the crop production area within those DCZs (again, having >1% of national harvested area to qualify). If, after selecting among existing weather stations within DCZs, there is still less than 50% coverage, select among existing weather stations located in other CZs with <5% of national crop area if the weather station's clipped buffer zone contains >1% of national crop area. If 50% coverage is still not achieved, proceed to step 2c.

                                      (c) Selection of hypothetical RWS (if needed). For countries that do not have adequate existing weather stations to achieve 50% coverage of harvested area within DCZs (as in 2b above), or if there is a DCZ without an existing weather station, hypothetical weather stations are selected to achieve 50% coverage and/or to have at least one RWS in each DCZ with >5% total area. Hypothetical weather stations are located in areas with greatest crop area density within the DCZ using a procedure to minimize the number of hypothetical stations needed. As per #2a above, only harvested area within the DCZ in which the hypothetical weather station is located is counted within the buffer zone for that hypothetical weather station point.

                                      (d) The final RWS set. Existing and hypothetical weather stations selected in steps 2a, 2b, and 2c become the RWS for a specific country/crop/water regime (irrigated or rainfed) combination. The set may contain only existing weather stations or it may contain both existing and hypothetical stations. In all cases, however, harvested area within buffer zones is not double-counted. In most cases, a surprisingly small number of RWS is required to achieve 50% coverage of national crop area (Tables 2 to 9) because production of a given crop is concentrated in a few major zones of production. For a few countries and crops, however, production is highly dispersed or topography is not homogeneous such that there are a large number of small CZs. In these cases final total harvested area within buffer zones of selected RWS may not reach 50% coverage.[3]

                                      3. Backfilling weather data for hypothetical RWS. Minimum weather data requirements are listed in footnote[2]. For countries and crops in which there are not adequate numbers and distribution of existing weather stations, we will ask country GYGA country agronomists to search for existing weather data near the location of hypothetical RWS. Maps with preferred locations of these hypothetical RWS will be provided to country agronomists. Sources of data can include: (i) weather stations located at experimental field research and crop breeding sites used by universities, national agricultural research institutes, international CGIAR centers (e.g. CRISAT, AfricaRice, IITA, CIMMYT, IRRI), and (ii) weather data obtained by collaborating projects also seeking actual weather data (AgMIP, CCCAF, HarvestChoice, etc). The following preference hierarchy shall be used in identifying additional weather data sources:

                                      (a) First preference: an existing weather station with good quality, 20+yr data located as close as possible to the hypothetical RWS and within the same CZ

                                      (b) Second preference: an existing weather station with good quality data of at least 10 years located as close as possible to the hypothetical RWS and within the same CZ

                                      (b) Third preference: an existing weather station with less than 20yr weather data (but a minimum of one complete year, preferably 3-5 years). We will generate a long-term weather database for that location by calibration/correlation with NASA-Power data for temperature and solar radiation, and TRMM data for rainfall (link to detailed weather generation method).

                                      (c) Fourth preference: a hybrid weather database. In some places there are long-term rainfall data without other required weather data. In cases where the location of these long-term rainfall data are close to locations with short-term weather data as in 3c above, a "hybrid" weather database may be created using a combination of existing weather data, generated weather data and actual rainfall data.

                                      (d) Last option: Where no weather data are available, we will use the most appropriate source of gridded weather data such as: the TRMM dataset (http://trmm.gsfc.nasa.gov/), containing satellite-based rainfall data, the CRU TS 3 dataset, (Mitchell and Jones, 2005), or the ERA-40 re-analysis dataset (Uppala et al., 2005), the latter two containing among others monthly temperature data.

                                      4. Cropping system and soil data. Collection of data on cropping systems and soil type is tightly focused on the RWS selected by steps 2a, 2b and 2c above. Unfortunately few countries collect and report data on cropping systems at sub-national scales. Hence, in many cases country agronomists will be the "expert" source for estimates of the proportion of total harvested area within a RWS's buffer zone represented by a given cropping system x soil type combination. Site visits to the RWS locations allow collecting information about the area distribution of these systems. Soil parameters will be obtained from existing soil maps and derived crop simulation model parameters (ISRIC-WISE or if available, national maps). Only the most important cropping systems x soil type combinations will be considered.

                                      5. Actual farm yields. The preferred sources of data for actual yields are sub-district or municipality data that is as congruent as possible with crop area distribution within RWS buffer zones. For irrigated crops, the most recent 5-year mean for actual farm yields is preferred, rather than a shorter or longer time series, to avoid an atypical value that may occur in an unusual year and to avoid confounding effects of a yield time trend due to adoption of improved technologies (van Ittersum et al. 2013). For rainfed crops, the most recent 10-year mean for actual farm yields is preferred due to greater year-to-year variability in yield. Where such yield data are not available, actual yield data from household surveys can be used (e.g. those collected by some CGIAR Centers, the World Bank, national agricultural research programs, and other institutions) if they were taken in RWS buffers or similar areas. Where no sub-national data exist near a RWS or roughly congruent with a CZ, GYGA country agronomists may targeted survey led by the GYGA country agronomist, or use the national average yield. Detailed description of preferred methods for obtaining actual yield data can be found here.

                                      6. Simulation of Yp and Yw. Yp and/or Yw will be simulated for each cropping system x soil type x RWS (CSxSoilxRWS) identified in step 2b or 2c. Desired attributes of crop models used for yield gap assessment are provided in Table 1. Estimated Yp and Yw values are upscaled from RWS to the CZ level by weighting for the proportion of harvested area for each RWS x Soil x CS combination. Results at CZ level are used to upscale to the national level by weighting for the proportion of harvested area for each CZ. Annual variability in Yp and Yw will be evaluated at the RWS buffer zone scale and also at CZ and national levels by weighted averaging based on harvested area. Because time-series of actual farm yields at the RWS spatial scale are not likely available in most countries, annual variability in Yg will not be estimated. Instead, Yg will be a fixed value based on average Yp or Yw at each spatial scale and the associated value of Ya. If Ya is only available at a national level, Yg will be estimated by a single value of Ya and will vary only to the extent that Yp or Yw vary at different spatial scales, from the RWS, to CZ, administrative units and nation.

                                      Underpinning assumptions and uncertainties:

                                      1. Availability of weather data. We will be able to find good weather data within the key crop areas. If not, we have to be ready to accept gridded weather data. Generating weather data from incomplete datasets (method to be proposed by Justin et al.) may imply a lot of work if we have to do this for many cases. So, with this proposal we must be ready to accept gridded weather data, at least to get started in year 1, or until actual weather data becomes available.

                                      2. When is a weather data source located in an acceptable place? Ideally it should be in the center of a region with high density of harvested crop area. At a minimum, point 2b above specifies that weather data points must be located within CZ-clipped buffer zones with >1% of national harvested crop area.

                                      3. Uncertainty in crop model simulations. There can be large differences in simulations of Yp and Yw between different crop models using the same data set. Some of these differences occur because some models are better suited, and more rigorously validated for certain locations/conditions than others. Our preferences for desired model attributes addresses this concern to a large extent (see Table 1 below). Likewise, the transparency issue becomes important so that the model used and model inputs are available for all to see within the GYGA for all RWS where Yp and Yw are estimated.

                                      4. What happens if new weather and crop area distribution data become available? Do we need to do a new sampling of soil and management data within the CZ? In the short term, we fix the location of the buffer zones as a result of the protocols 2a, 2b and 2c above. If new, better quality weather data become available as per our preference list under 2a-c, we assign those weather data to an existing buffer zone. In the longer term (say every 3-4 yr) we can update the entire analysis for a country and revise the selection of RWS and sometimes even crop area distribution as influenced by access to improved weather and/or crop distribution data.


                                      Even though the field of spatial databases is more than 40 years old, most existing logical data models are highly focused either on spatial objects (vector data models) or spatial fields (raster data models). Furthermore, spatial index structures and query algorithms are still proposed for one of the approaches and little research work has been dedicated to index structures and query algorithms where both types of information are needed. However, due to the current high availability of different types of data, it is much more common nowadays that applications require querying vector and raster data at the same time.

                                      This paper presents a method to perform a spatial query between a vector data set represented using an R-tree and a raster data set represented using a compact and space-efficient data structure called k 2 -tree that saves main memory space. Therefore, the method described in this paper solves two problems: first, it can be used to evaluate queries between vector and raster data without having to convert one of the data sets to the other data model and second, it saves main memory space, thus obtaining a more scalable system.


                                      Videoya baxın: Riyaziyyat - Perimetr mövzusuna giriş (Oktyabr 2021).