Розрізнення коридорів від фрагментів на карті середовища проживання


12

Мені було цікаво, чи хтось раніше розбирався з таким питанням:

Я хочу окреслити фрагменти на основі сусідніх пікселів того ж класу (лісу) з порогом відстані 3 пікселів (що є біологічно значущим для мого виду інтересів).

Моє занепокоєння - див. Приклад прикладеного зображення, що іноді ці фрагменти насправді є коридорами, а часто коридори та фактичні фрагменти групуються в один фрагмент через їх близькість.

введіть тут опис зображення

Мені цікаво, чи є спосіб відрізнити коридори від фрагментів за формою, кількістю оточуючих пікселів тощо?

Наприклад, у наступному полі можливі коридори позначені червоними полями, а фрагменти - зеленими.

У мене є доступ до QGIS та R.

введіть тут опис зображення


ви можете, будь ласка, додати фігуру з типом коридорів, які ви хотіли б витягнути з прикладу?
radouxju

Відповіді:


4

Перш ніж розпочати будь-який аналіз, я настійно рекомендую застосувати фільтр до даних, щоб очистити ефект "солі та перцю". Будь-який алгоритм буде боротися з поточною структурною схемою ваших даних. Проста фокусна більшість, ймовірно, дасть небажані результати. Більш надійним методом є застосування ситового підходу, де можна вказати одиницю мінімального відображення. Це можна зробити за допомогою функції gdal_sieve.py в GDAL, raster > analysis > sieveфункції в QGIS або функції сита в панелі інструментів градієнтів ArcGIS .

Це схоже на те, що можна вирішити з операторами математичної морфології (наприклад, витяг доріг із зображень ). Я б міг уявити, що оператор розширення, за яким йде оператор закриття, прояснить коридори. Потім ви можете застосувати оператор "Відкриття", щоб видалити коридори та відрізняти растри, щоб вивести ідентифіковані коридори як окремі об'єкти. Ці типи функцій декомпозиції зображень дещо автоматизовані в програмному забезпеченні MSPA та GUIDOS, але, знову ж таки, помітно вплинуть розриви у ваших даних.

Існує плагін QGIS для MSPA , а також доступні функції в GRASS (доступні через графічний інтерфейс QGIS). Однією з проблем з MSPA та GUIDOS є те, що ви обмежені в розмірі зображення. На жаль, у програмному забезпеченні ESRI морфологічні оператори доступні лише у розширенні ArcScan . За допомогою деякого копання ви знайдете й інші програмні параметри, а також методи визначення морфологічних операторів за допомогою растрової алгебри із власні матрицями ядра.

Інший підхід - це методи фільтрації виявлення ребер, такі як оператор ядра Sobal . Існує собальна функція в ArcGIS Gradient Metrics Toolbox , а також у пакеті prostEco R. Перевагою реалізації R є те, що ви можете повернути функцію градієнта оператора, тоді як реалізація ArcGIS повертає лише функцію 1-го порядку (що може бути все, що вам потрібно). Я вважаю, що панель інструментів Orfeo (доступна як доповнення QGIS) має функцію "ультразвуковий" у функції EdgeExtraction.


можливо, застосування фільтра «солоний та перцевий» може призвести до видалення невеликих важливих ареалів проживання для цільових видів, що з'єднують фрагменти (хоча іноді ділянки недостатньої якості). Я вирішив би застосувати такий фільтр, виходячи з характеристик розповсюдження видів та просторової роздільної здатності даних. Птах (із загалом більш високою здатністю до розсіювання) може використовувати ці невеликі патчі, тоді як земноводні (із порівняно меншою здатністю до розсіювання) можуть не робити. Просто думка ..
Камо

Це завжди є компромісом, але мінімальна карта відображає цю гіпотезу. Але ви також повинні мати на увазі, що рівновага полягає в тому, що модель проявляє певну ступінь невизначеності, і ви ставитесь до результату як до абсолютного. Чесно кажучи, щоб підтримати ваше твердження, до ландшафту слід ставитися як до ймовірнісного градієнта, а не до біноміального процесу. Цей тип фільтрації є давно прийнятою практикою представлення більш функціональних ландшафтів. Якщо модель не включила в оцінки термін, що враховує просторову структуру, просторова невизначеність є реальністю.
Джеффрі Еванс

5

Це не повне рішення, але ознайомтеся з цими інструментами для аналізу зв’язків (перший добре відповідає тому, що ви шукаєте):

Також розглянемо підготовку алгоритму машинного навчання для класифікації ваших примірників (коридор проти фрагментів). Ви можете надати просторові атрибути на рівні патчу (наприклад, розмір пластиру, співвідношення площі периметра, відношення кола) та на основі відстані (наприклад, відстань до фрагментів) для класифікації. Для обчислення функцій рівня патча, необхідних для класифікації, ви можете спробувати FragStats ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ).

Ви також можете розглянути більш просту "систему експертних правил", щоб класифікувати кожен екземпляр. Наприклад, коридори матимуть більший коефіцієнт площі периметра, ніж фрагменти середовища проживання тощо.

Більше цікавих матеріалів тут для аналізу зв’язків: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Однак той факт, що деякі коридори не мають "повного підключення пікселів", стане проблемою, яку потрібно спочатку розібратися. Я думаю, що вам потрібно визначити якийсь пороговий критерій, заснований на відстані, щоб вирішити, чи є якийсь піксель частиною коридору чи ні.


0

Здається, це залежить від форми вашого фрагмента. Якщо ширина більше, ніж у 2 (або 3) рази перевищує висоту (або навпаки), ви можете назвати це коридором?

Ви ще прийшли до розмежування фрагментів?

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.