Які практики існують для моделювання придатності земель?

В даний час я використовую "класичний" растровий підхід поділу досліджуваної області на клітини. Усі вхідні шари перетворюються в растри з однаковою роздільною здатністю комірки та отримують рейтинг придатності.

Остаточний рейтинг придатності для кожної комірки обчислюється шляхом комбінування рейтингу кожного шару з ваговими коефіцієнтами для відображення важливості факторів.

Заключна маска застосовується для виключення будь-яких ділянок, таких як водні тіла, непридатні для запропонованого землекористування.

Проблеми з таким підходом включають:

• вибір роздільної здатності комірки, яка має великі розміри для отримання значущих результатів, або високу роздільну здатність, що дає помилкове відчуття точності.
• знаходження зважувань для кожного з вхідних параметрів.

Чи є якісь інші проблеми чи альтернативи для створення карт придатності для земельних ділянок?

Альтернатива, яка добре відома в деяких колах, але, здається, взагалі не відома в ГІС, - це теорія вартості мультиатрибутів . Це теоретично обґрунтований спосіб встановлення точних методів оцінювання, що включають дві або більше характеристик (ознак). Це відбувається шляхом систематичного розгляду компромісів серед атрибутів. Наприклад, з проблемами придатності ви б врахували, яка зміна висоти потрібна, щоб компенсувати задану зміну схилу, щоб зберегти ту саму придатність, з аналогічними міркуваннями для всіх можливих пар ознак.

Інформація, що надається теорією, включає:

1. Можливо, ваги одного підмножини атрибутів змінюються залежно від рівнів іншого підмножини атрибутів. Коли це відбувається, проста система зважування неможлива - потрібні складніші формули.

2. Коли такі залежності не мають (або не є сильними), часто можна знайти, як повторно виразити атрибути (наприклад, прийняття їх логарифмів або квадратних коренів або взаємних зворотів) таким чином, що проста система зваженого балу правильно представляє значення кожної комбінації атрибутів. (Простий тест на це називається " відповідною умовою компромісу ".)

Я не думаю, що я ніколи не бачив звіту про додаток до ГІС-балів (який включає всі дослідження придатності), який визнає необхідність перевірити незалежність атрибутів (1) або заважає оцінити правильний спосіб вираження атрибутів (2) . Якщо ця робота не виконана, жодна система балів не має законних претензій на загальну точність або корисність при прийнятті рішень.

Це питання набагато важливіше, ніж вирішення чи МАУП з точки зору створення продукту, який справді корисний для прийняття рішень щодо розміщення.

Одним терміном, який використовується для опису цієї проблеми, є "Проблема з можливістю зміни в зоні ареалу", і документ, який я прочитав на цю тему, - це надмірне обмінювання та проблема, що може змінюватися на ареальному рівні . Підхід авторів полягає у вивченні аналізу на кількох різних просторових масштабах, щоб переглянути, у якій точці відбувається конвергенція.

Це задовільне рішення для вивчення одного параметра, але коли їх багато, це стає складніше. У цьому випадку, можливо, ви можете використати ModelBuilder або Python для свого аналізу і запустити його кілька разів, змінюючи розмір комірки, щоб перевірити, чи є у вас помітно різні результати. Залежно від вашого часу (та обчислювальної потужності) ви можете шукати конвергенцію математично (зупиняйтеся, коли різниця менша за певний відсоток) або судити про неї більш якісно.

Аспект, висота та нахил спочатку походять від одного і того ж джерела растру, тому приємно про продовження використання растрових даних, це те, що ви можете зберігати однакову роздільну здатність для цих входів, не втрачаючи інформацію через повторний відбір проб. (Цей абзац здебільшого недійсний і недійсний, якщо ви використовуєте інші джерела даних у багатьох інших резолюціях. :))

Корисне розширення, ніж придумати ваги вручну, - це використовувати відомі випадки того, що ви моделюєте, придатність і передати його в статистичну програму, як у: http://spatial-analyst.net/wiki/index. php? title = Species_Distribution_Modelling # Habitat_Subility_Analysis

Таким чином ви тренуєте свою придатність, використовуючи відомі сайти, а не WAG. Звичайно, це швидше більше ...