Як об'єднати нерівномірно вибіркові категоричні дані?


10

Я шукаю метод для сітки категоричних даних. Я витягнув з морських карт та польових аркушів колекцію точок із зазначенням характеру поверхні дна океану. Ці дані є категоричними, а не числовими, і їх регулярно і навіть випадково не відбирають. Морські карти створюються для допомоги у навігації та прив’язці; вони не створені для відображення середовища проживання. Таким чином, більше зондувань проводиться поблизу берега, де відносно невелика глибина може становити небезпеку для навігації та де кораблі мають тенденцію до прив’язки. Окрім берега, де глибина більш ніж достатня для навігації та прив’язки, це недоцільно, звучання проводиться набагато рідше.

Хтось ще намагався створити сітчасті підкладкові карти з морських карт?

Я дивився на полігони Тіссена (Vornoi), але концентрація звучання вздовж берега призводить до тонкої «сотової стінки» уздовж берега, великих полігонів на березі моря та між довгими пирогоподібними полігонами, що тягнуться до берегів. Сітка з використанням найближчого сусіда дає майже такий же результат.

Мені потрібен спосіб обмежити вплив мілководних, поблизу берегових точок - спосіб обмеження цих довгих пирогоподібних багатокутників. У глибших водах я не сподіваюсь, що природа дна буде продовженням найближчого берегового дна. Я почав думати по двох лініях - обидва використовуючи глибину. Перший - зважування вибору "найближчого" сусіда, використовуючи різницю глибини між осередком сітки та сусідніми точками. Інша проблема - відбір сусідніх точок, які відрізняються глибиною, ніж визначені допуски. Або, можливо, замість заздалегідь заданого допуску, я міг би поглинати діапазони глибин, а потім обмежити вибір сусідніх точок лише тим, що знаходиться в такому ж діапазоні глибин або бункері.

Будь-які думки щодо того, як реалізувати будь-який із цих двох варіантів?

З часу спілкування з колегами на інших форумах я переглянув пару інших підходів. Перший передбачає використання бар'єру - контуру глибини 100 м - для обмеження впливу даних про берег. Завдання такого підходу полягає в тому, що будь-яка інтерполяція ESRI, яка може використовувати бар'єри, призначена для роботи з постійними даними, а не з розривними даними. Я міг би використовувати бар'єри, щоб розбити точки на мілководді біля берега та глибші точки, перш ніж створити полігони Тіссена. Однак, я очікую, що надзвичайні ефекти краю, оскільки ArcGIS створює полігони Тіссена для прямокутних областей, а не для складних областей.

Другий підхід - запропонований декількома колегами - був кринг. Я спочатку звільнив кригінг з рук, тому що лише коли-небудь вважав це за постійні дані. Завдання кригінгу полягає в тому, що він також не розроблений для категоричних даних. Тепер я дивлюся на кокрирування глибиною та характером поверхні, але будь-який тип крігінгу передбачає використання цілих числових кодів для природи поверхні. Після цього отримані цифрові коди з плаваючою комою повинні бути зменшені до початкового цілого числення. Не дуже.

Чи може хтось запропонувати інші рядки? (Можна, можливо, використовувати аналіз місцевості. Наприклад, схили, крутіші від кута спокою, не можуть бути осадами. Я шукаю щось простіше, і, в будь-якому випадку, я не маю даних при достатньому просторовому дозволі.)

З повагою,

Відповіді:


4

Підхід кригінгу, відповідним чином реалізований, є перспективним.

В якості вихідного пункту розгляньте "узагальнені лінійні геостатистичні моделі", описані Diggle & Ribeiro в " Геостатистиці на основі моделі" (Springer 2007). Основна ідея приваблива і гнучка: просторовий стохастичний процес (який просторово є безперервним ) визначає різні ймовірності категорій. Один використовує спостережувані категорії в нерегулярних точках для висновку статистичних властивостей цього основного процесу, включаючи його структуру просторової кореляції (варіограма). Потім Крігінг створює поверхню ймовірності, що відповідає спостереженням. У цей момент ви можете виконати геостатистичне моделювання або зробити карти, пов'язані з ймовірностями (я думаю, такі, як карти категорій максимальної ймовірності).

Це звучить витончено, і це так. Однак обговорення Діггела та Рібейро є досить доступним - хоча воно математичне і передбачає певні знання статистики, але воно не сильно покладається на жодне - і більшість їх методик реалізовані в описаних ними пакетах , geoRі geoRGLM. Насправді, справедливо трактувати цю книгу як посібник для цих пакунків.

Як свідчать інші теми на цьому веб-сайті, інтерфейс R з GIS-даними (включаючи форм-файли та різні растрові формати) порівняно легко, тому це не проблема.

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.