أكثر

استخراج القيمة النقطية إلى المضلع


أحاول استخراج قيم نقطية داخل مضلعات متعددة. سيكون من الرائع لو كان بإمكاني الاختيار بين الحد الأقصى أو متوسط ​​قيمة البيانات النقطية داخل المضلع.

على سبيل المثال ، لقد قمت بإنشاء شبكات عميقة كخطوط نقطية لإعطاء عمق الفيضان. الآن أود حساب أعلى / متوسط ​​قيمة نقطية داخل كل أثر بناء لتقدير مخاطر الفيضانات.

لقد جربت إحصائيات المنطقة كما هو موصى به في عدد قليل من المنشورات المتشابهة ، لكن النتائج تحسب موحدة لكل مضلع بدلاً من كل مبنى فردي. لقد قمت أيضًا بعمل مضلع للإشارة واستخراج قيمة المقيم إلى النقطة ، ولكن في بعض الحالات لا تعبر شبكة العمق مركز أثر المبنى حيث يتم وضع النقطة.


يمكنك استخدام إحصائيات المنطقة كجدول (محلل مكاني) لهذا النوع من العمليات. تقبل الأداة كلاً من بيانات المتجه والبيانات النقطية كمدخلات. يمكنك ضم النتائج إلى فئة ميزات الإدخال إذا كنت ترغب في ذلك.


إزالة منطقة محددة على شكل مضلع من خطوط نقطية متعددة النطاقات: استعلام عن تصنيف أفقي

أحاول استبعاد العديد من البحيرات والخزانات من تصنيف المناظر الطبيعية الخاضع للإشراف ولكن في الوقت الحالي لم أجد طريقة للقيام بذلك. لقد استخدمت حتى الآن مهام سير العمل التالية:

1.رسم مضلعًا - & gt Clip - & gt Extract عن طريق القناع) يولد النتيجة المعاكسة.

2- ارسم مضلعًا - & gt & quotRaster to Polygon & quot - & gt Reclassify - & gt Set Null ، لكن إعادة التصنيف تزيل رموز RGB

أنا أستخدم صورة نقطية عالية الدقة متعددة النطاقات
أنا أعمل على أحدث إصدار من ARCmap لسطح المكتب
أود الاحتفاظ بترميز RGB المركب

إجابة واحدة

ال محو التأثير الذي تبحث عنه يمكن تحقيقه بسير عمل بسيط ، يتم التقاطه كنموذج. المدخلات عبارة عن فئة نقطية ومميزة مضلعة. في المثال الخاص بي تم تحديد مضلع واحد.


بناء الجملة

يجب أن تكون البيانات النقطية من نوع عدد صحيح.

فئة ميزة الإخراج التي ستحتوي على الخطوط المتعددة المحولة.

تحدد القيمة التي ستحدد خلايا الخلفية. يتم عرض مجموعة البيانات النقطية كمجموعة من الخلايا الأمامية وخلايا الخلفية. يتم تشكيل المعالم الخطية من الخلايا الأمامية.

  • الصفر — تتكون الخلفية من خلايا من صفر أو أقل أو بدون بيانات. تعتبر جميع الخلايا ذات القيمة الأكبر من الصفر قيمة مقدمة.
  • NODATA - تتكون الخلفية من خلايا NoData. تنتمي جميع الخلايا ذات القيم الصالحة إلى المقدمة.

الحد الأدنى لطول الخطوط المتعددة المتدلية التي سيتم الاحتفاظ بها. الافتراضي هو صفر.

يبسط الخط عن طريق إزالة التقلبات الصغيرة أو الانحناءات الخارجية منه مع الحفاظ على شكله الأساسي.

  • تبسيط - سيتم تبسيط الخطوط المتعددة الخطوط إلى أشكال أبسط بحيث يحتوي كل منها على أقل عدد ممكن من المقاطع. هذا هو الافتراضي.
  • NO_SIMPLIFY - لن يتم تبسيط الخطوط المتعددة.

الحقل المستخدم لتعيين قيم من الخلايا في البيانات النقطية المدخلة إلى المعالم متعددة الخطوط في مجموعة بيانات الإخراج.


الآن بعد أن انتهينا من محاكاة البيانات ، يمكننا بدء التحليل. أولاً سنستخدم البيانات المحاكاة لتوليد عامل التمييز. بعبارة أخرى ، نحتاج إلى تحديد كيفية ارتباط تواقيع نظائر النسيج بتوقيعات الترسيب. سنفعل ذلك باستخدام نموذج خطي حتى نتمكن من إجراء تخصيصات جغرافية للأفراد من أصول غير معروفة.

أدناه نستخرج المعلومات التي نحتاجها لعمل تعيينات نظيرية. أولاً ، سنحتاج إلى التقاطع والميل من المعادلة الخطية أعلاه.


الوحدة 1: مقدمة في التحليل المكاني

نرحب بالطلاب الأعزاء ، مرحبًا بكم مرة أخرى في هذه الدورة التدريبية حول التحليل الجغرافي المكاني في التخطيط الحضري. لذا ، سننظر اليوم في عمليات البيانات النقطية ، فنحن في الوحدة 2 فيما يتعلق بـ Imean ، وسننظر في وظائف نظم المعلومات الجغرافية. وأساسيات التحليل المكاني التي تناولناها مع تحليل المتجهات ، تعاملنا اليوم أيضًا مع وحدة واحدة متعلقة بالتحليل النقطي.
اليوم ، نحن في المحاضرة العاشرة حيث سنناقش عمليات المسح النقطي كيف يمكن تصور التضاريس إذا كان لدينا نموذج ارتفاع رقمي وهو أيضًا بيانات نقطية؟ كيف يمكن تصور التضاريس؟ ما هي الطرق المختلفة لتصوره؟ وكيف يمكننا القيام بتصنيف البيانات النقطية؟ لذا ، أعني موجزًا ​​عن كل هذه الأمور التي ستتم مناقشتها في محاضرة اليوم و rsquos.
(راجع وقت الشرائح: 01:15)
إذن ، المفاهيم التي سنغطيها اليوم هي عمليات المسح ، سننظر في مقياس للمسافة المادية. سننظر في التخصيص والاتجاه ، وسننظر في عملية البيانات النقطية فيما يتعلق باستخراج البيانات. سنقوم أيضًا بتغطية جوانب مختلفة من التخزين المؤقت للبيانات النقطية ونرى كيف يختلف عن التخزين المؤقت للمتجه الذي كنا أقصده سابقًا.
سننظر أيضًا في عمليات تحليل وتصور التضاريس باستخدام طرق مختلفة. مثل ، أحدها هو حساب التضاريس المظللة ، أعني أنه يمكننا أيضًا القيام بتظليل التلال أو يُعرف أيضًا باسم التظليل المتناقص ومن ثم علينا حساب المنحدر والجانب. وأخيرًا ، سننظر في مفاهيم تصنيف البيانات النقطية والمقاربات المختلفة وكيف يمكننا حساب الخطأ عندما نقوم بحساب البيانات النقطية.
(راجع وقت الشرائح: 02:26)
لذا ، أعني فيما يتعلق بعمليات البيانات هذه التي تحدثنا عنها في وقت سابق ، أعني محاضرًا فيما يتعلق بالبيانات التي يتم تحليلها في سياق محلي في حي أو سياق أو في سياق إقليمي أو عالمي. اليوم ، نتحدث أولاً عن قياس المسافة المادية ، وهذا يعني أنك تعرف بالفعل كيف يمكننا قياس المسافات باستخدام المتجه ، ولكن يمكننا حساب المسافات باستخدام النقطية و rsquos أيضًا.
لذلك ، يمكننا حساب هذه المسافات على أنها مسافة مادية أو مسافة تكلفة. الآن مقياس المسافة الفيزيائية هو مقياس إقليدي وهو مقياس للمسافة الإقليدية التي رأيناها مسبقًا وهو في الأساس مقياس للخط المستقيم. ومسافة التكلفة هي دالة للمسافة المادية وهي أيضًا دالة للسرعة على جزء معين من الطريق أو أيضًا على حالة الطريق.
لذلك ، فإن هذه العوامل هي التي تحكم تكلفة عبور الرابط ، لنفترض أن لدينا جزء طريق يظهر كخط إما خط متجه أو خط نقطي يمكننا حساب المسافة المادية بالإضافة إلى مسافة التكلفة. لذلك ، في اليوم & rsquos أعني السياق الذي نتحدث فيه عن معرفة المسافة فيما يتعلق بمجموعة البيانات النقطية.
لذلك ، أعني أننا نقيس بشكل عام المسافة المادية كما أعني كنتيجة لدقة كل خلية وهي الدقة المكانية ، ما هو حجم الخلايا النقطية في البيانات النقطية الخاصة بك ونقيس أقصد ضربها مع المسافة أعني أن هذا هو الجذر التربيعي للنقطة الوسطى لبكسل أصل البكسل إلى بكسل الوجهة.
لذلك ، أعني أنه يتم استخدام المسافة التي يتم قياسها باستخدام الصيغة الإقليدية الخاصة بك لحساب المسافة المادية في حالة النقطية ، ما الفرق بين مسافة بيانات المتجه والمسافة النقطية في أنه في المتجه لديك إحداثيات النقطة المحددة التي تكون أكثر دقة من حيث قياس المسافة حيث في حالة النقطية نقيس عمومًا المسافة من مركز البكسل. لذلك ، قد تكون هناك بعض القيود المتأصلة في القياس الدقيق عندما نقيس المسافة باستخدام البيانات النقطية.
الآن ، المسافة المادية التي تقيسها تحمي الخلايا المصدر وستنشئ مخازن مؤقتة إلى أقصى مسافة محددة ويمكن أن تكون أيضًا عملية مجاورة أو يمكن أن تكون Imean عملية عالمية. الآن ، في حالة البيانات النقطية ، أعني تشغيل البيانات حيث نقوم بقياس المسافة المادية ، سيتعين علينا إعادة تصنيف البيانات أو سنضطر إلى تحويل أو إعادة تجميع هذا المقياس المادي لأن هذا سيكون قياسًا مستمرًا للمسافة في حالة وجود خطوط نقطية لذلك سيكون لدينا لتقدير منطقة المسافة.
لذلك ، يمكننا القيام بذلك ، هناك عملية تُعرف باسم مختلف و rsquos في برامج مختلفة و rsquost تُعرف هذه العملية باسم التقطيع والتي يمكن أن تقسم دالة المسافة المستمرة للنقطية إلى فترات متساوية أو منطقة مسافة متساوية.
الآن ، يمكنك أن ترى هذا المثال المعين حيث لدينا هذا النقطي المحدد حيث أعني هاتين الخليتين المتصلتين بخطوط. لذلك ، نقيس المسافة النقطية الوسطى
ثم نعني من الأصل إلى الخلية الوجهة ثم نحسب المسافة باستخدام المعادلة التي تحدثنا عنها بالفعل.
في الصورة الثانية ، يمكنك أن ترى أن هناك قياسًا مستمرًا للمسافة من شبكة التدفق. لذلك ، في هذه الحالة ، تم إجراء تشريح لتحويل المسافة النقطية المستمرة إلى منطقة مسافة منفصلة منفصلة. لذلك ، هذا مهم للغاية عندما نقيس المسافة المادية باستخدام عملية البيانات النقطية لقطع المسافة ، بمجرد قياس المسافة من ميزة خطية.
(راجع وقت الشرائح: 07:12)
الآن ، بالحديث عن التخصيص والاتجاه ، يمكننا قياس المسافة المادية وإنتاج التخصيص وخطوط الاتجاه على سبيل المثال ، أعني أنه يمكننا الحصول على قيمة الخلية في تحديد الموقع النقطي والتي تتوافق مع أقرب خلية مصدر لتلك الخلية التي سنراها في
في الوقت المناسب من خلال مثال. لذلك ، فإن قيمة الخلية في الاتجاه النقطي تتوافق بشكل عام مع الاتجاه من حيث الدرجات التي تكون فيها الخلية أقرب إلى الخلية المصدر.
لذلك ، أعني أنه يمكننا استخدام اتجاه البوصلة ، لنفترض أننا نأخذ قياسًا باتجاه عقارب الساعة ، لذلك ، 90 درجة ستكون شرقك ، و 180 درجة ستكون جنوبك ، و 270 درجة غربًا ، وبالمثل 360 درجة أو 0 درجة ستكون الشمال.
لذلك ، في هذا المثال بالذات ، يمكنك أن ترى مرة أخرى أنه في الصورة الأولى هناك لديك الخلايا النقطية ، والتي تُظهر قياس المسافة الفعلية في وحدات الخلية من كل خلية إلى أقرب خلية ، لذلك ، لديك قيم الخلية المحددة هذه والتي هي القيمة 1 والقيمة 2 هي القيمة 1 هي الخلية المصدر و 2 هي الخلية الوجهة. الآن ، القيم الموجودة في هذه الخلية المعينة تمنحك قياس المسافة من النقطه الوسطى لهذه الخلية المعينة إلى الخلايا المجاورة.
لذا ، من 2 للذهاب إلى هذه الخلية بالذات ، سيتعين عليك اجتياز مسافة 1.4 لأن هذا هو الجذر التربيعي لأعني 1 تربيع زائد 2 تربيع. إذن ، هذا سيعطيك جذرًا على 2 وهو ما يعادل 1.414 ، وهذا يعني أنه تم تقريبه لأعلى إلى 1.4. لذلك ، يمكنك أيضًا رؤية هذه الخلية المعينة التي تم إزاحة هذه الخلية من 2. لذا ، فإننا نكتشف المسافة من كل خلية إلى أقرب بكسل.
الآن ، في الصورة الثانية ، يمكنك أن ترى أنها تعرض تخصيص كل خلية لخلية المصدر القريب. لذلك ، أينما كنت أعني أن لديك خلية المصدر 1 و 2 هذه الخلايا البيضاء ، فإنها تظهر أنه تم تخصيصها ، أعني أنها أقرب إلى المصدر 1 والخلايا 2 هي الأقرب إلى الخلية 2. الآن من المهم هنا لاحظ أن المسافة من النقطة المركزية لهذا البكسل 2 الخلية الوجهة إلى هذه الخلية المعينة هي 2.2.
والمسافة هذه المسافة هي نفسها أيضًا من مركز البكسل المصدر ، إذا كان هذا هو المصدر وهذا هو بكسل الوجهة ، فسترى أن هذه المسافة هي نفسها من كل من هذا المصدر وبيكسل الوجهة. لذا ، علينا تخصيصه لإحدى الخلايا ، لذلك في هذه الحالة يمكن أن يكون هناك نوع من الشذوذ.
الآن ، في الصورة الثالثة ، يمكنك أن ترى أنها تعطيك الاتجاه من حيث الدرجات من كل خلية إلى أقرب خلية مصدر. لذا ، أعني أنك ستقيسها من أعني
من 90 درجة ثم قلنا أنه يمكننا قياسها في اتجاه عقارب الساعة. لذلك ، سيعطيك هذا الاتجاهات من حيث الدرجات من كل خلية إلى أقرب خلية.
لذا ، فإن الخلية المظلمة التي تظهر في الصف رقم 3 والعمود رقم 3 التي قلناها أن المسافة هي 2.2 وهي نفسها من هاتين الخليتين أعني والاتجاه من 2 إلى 43 منها فيما يتعلق إلى الخلية المصدر 243 درجة فيما يتعلق بالخلية المصدر.
(راجع وقت الشرائح: 11:22)
الآن ، عند الحديث عن استخراج البيانات النقطية ، قد تكون هناك حالات نريد فيها استخراج قيمة البكسل الدقيقة لموقع نقطي ، لنفترض ، على سبيل المثال ، قد تقول قيم درجة الحرارة أو قيم هطول الأمطار لمجموعة بيانات مستمرة عبر الهند وقد ترغب في استخراج قيمة البيانات لـ مدينة معينة أو موقع معين. لذلك ، قد نحتاج إلى استخراج بيانات لنقاط أو مناطق محددة ، لذا في هذه الحالة ، ستنشئ عملية استخراج البيانات النقطية عنصرًا جديدًا
نقطية عن طريق استخراج البيانات فقط من البيانات النقطية الموجودة أعني وهذه العملية تشبه استعلام البيانات النقطية.
الآن مجموعة بيانات أو كائن رسومي أعني أنه يمكننا استخدام استعلام أو تعبير لتعريف المجالات المراد استخراجها ، يمكنك الحصول على استعلام معقد للغاية عند تشغيله أو يمكنك وضعه في معادلة أو يمكنك معرفة ما إذا كان حتى تتمكن من الحصول على طرق مختلفة لإعطاء تعبير aquery عندما تقوم باستخراج تعبير البيانات النقطية.
الآن ، أعني أنه سيستخرج مواقع النقاط التي أعنيها على سبيل المثال ، أعني أنه يمكنك الحصول على استيفاء ثنائي الخطي كنا قد تحدثنا بالفعل عن الاستيفاء ثنائي الخطوط عندما كنا ندرس طرق أخذ العينات ، لذا فإن أقرب حي أقوم بتشغيل الاستيفاء الثنائي الخطي ، المكعب الاستيفاء ، لذلك رأينا ما هي هذه الأنواع من الاستيفاء.
لذلك ، يمكننا استخراج القيمة باستخدام أقصد تقنيات الاستيفاء مثل التداخل الثنائي ، يمكننا استخدام تقنية الاستيفاء الأخرى أيضًا ، وسوف نعلق هذه القيمة الخاصة بالحقل الجديد الذي أعنيه في الطبقة الجديدة. لذلك ، يمكن أن تكون ميزة نقطية ، يمكننا استخراج إنشاء مجموعة بيانات نقطية ويمكننا استخراج القيم من مجموعة البيانات الرئيسية ووضع علامة عليها كسمة لجدول سمة النقطة.
الآن ، يمكن أن تكون مجموعة البيانات عبارة عن طبقة نقطية تمثل طبقة الإدخال أو يمكن أن تكون طبقة مميزة مضلعة وستقوم أدوات الاستخراج بشكل أساسي باستخراج قيم الخلية التي يتم تحديدها بواسطة طبقة المضلع النقطية كما في النقطة السابقة التي كنا نتحدث عن الاستخراج باستخدام يمكن أيضًا إجراء نفس العملية باستخدام ميزة نقطية أو ميزة مضلع باستخدام ميزة مضلع متجه أو ميزة منطقة نقطية.
لذا ، ما يمكننا القيام به هو أنه يمكننا استخراج قيم الخلية تلك داخل خلايا محددة من البيانات النقطية والتي تشبه القناع أو طبقة المضلع الهوائي ولا يتم تخصيص أي بيانات للخلايا التي تقع خارج طبقات القناع الخاصة بالمسح النقطي أو طبقة معالم المضلع.
(راجع وقت الشرائح: 14:38)
يمكننا أيضًا القيام بالتخزين المؤقت كما فعلنا التخزين المؤقت في حالة طبقة المتجهات حيث يمنحك التخزين المؤقت للعمليات المسافة المادية لقياس المسافة المادية وهو مشابه أيضًا لأعني كل من عمليات المتجه والعمليات النقطية حيث يمكننا قياس المسافات من الميزة المختارة. الآن ، عندما كنا نتحدث عن عمليات التخزين المؤقت للمتجهات ، استخدمنا إحداثيات x و y أثناء قياس المسافات.
الآن ، يمكننا أيضًا أن أعني في حالة التخزين المؤقت للمتجه الذي رأيناه أنه يمكننا إنشاء كل مناطق عازلة دقيقة مقارنةً بالمخزن النقطي أعني عندما نقوم بعمل ملف تخزين نقطي لا يمكننا الحصول على مثل هذه المخازن المؤقتة الدقيقة لأن إحداثيات خطك ستكون ستكون إحداثيات محددة جدًا أو إحداثيات النقطة أو المضلع محددة جدًا ، لذا يمكنك إنشاء مخازن مؤقتة دقيقة للغاية ، ولكن باستخدام مجموعات البيانات النقطية ، قد لا تتمكن من إنشاء مثل هذه المخازن المؤقتة الدقيقة.
لذلك ، كانت عملية التخزين المؤقت للمتجهات أكثر مرونة وتوفر المزيد من الخيارات من حيث إنشاء منطقة عازلة متعددة ليس فقط منطقة عازلة واحدة ، ولكن مناطق عازلة متعددة. لذلك ، أعني أننا رأينا أنه يمكننا إنشاء مناطق عازلة منفصلة لميزات مختارة مختلفة أو يمكننا حل المناطق العازلة في الحدود لجميع الميزات المحددة.
لذلك ، أعني أن هذه الخيارات متاحة في عمليات التخزين المؤقت للمتجهات ولكن عندما نتحدث عن التخزين المؤقت للبيانات النقطية ، فإنه يستخدم الخلايا في قياس المسافات المادية وعادةً ما ينشئ مقاييس مسافة مستمرة. وفي أداة القياس ، رأينا أننا بشكل عام ، نلصق مقاييس المسافة هذه ، أعني عندما يكون لدينا قيم البيانات المستمرة هذه ، سنقوم بتقسيمها وتجميعها في مناطق مسافة مختلفة.
لذلك ، قلنا أن التقطيع مطلوب لتحديد المناطق العازلة لأن هذه العملية ستمنحك قياسًا مستمرًا للمسافة. لذلك ، من الصعب إنشاء أو تعديل مقاييس المسافات المنفصلة كما هو الحال في المتجه ، أعني وضع التخزين المؤقت الذي قلناه أنه يمكننا إنشاء مناطق عازلة منفصلة لكل ميزة محددة. ولكن في حالة البيانات النقطية ، سيكون من الصعب علينا إنشاء قياس مسافة منفصل باستخدام العملية القائمة على البيانات النقطية.
(راجع وقت الشرائح: 17:22)
الآن ، دعنا نتحدث عن أعني تمثيل البيانات أو تحليل البيانات وتصورها في حالة التضاريس حيث نتحدث عن معلومات الارتفاع. لذلك ، قلنا أن أحد أمثلة البيانات يمكن أن يكون نموذجًا رقميًا للارتفاع أو يمكن أن يكون نموذجًا رقميًا للتضاريس بشكل عام ، Imean يمكننا تصور التضاريس باستخدام نموذج إغاثة مظلل.
لذلك ، في هذا ، نحسب بشكل أساسي نسبة كمية العزل الشمسي المباشر أو الإشعاع الشمسي المباشر المتلقاة على سطح معين ، ومن الشغل عمومًا أنه يمكن حساب قيم الراديان الخاصة بك. لذلك ، يمكنك أن ترى أن هذه الطريقة يمكن استخدامها بشكل جيد للغاية لحساب الكميات الفيزيائية التي أعنيها من قيم الراديان.
لذلك ، هذه هي الأداة الشيقة للغاية حيث نقوم بإنشاء تظليل التل الذي يحاكي التظليل بسبب تأثير الشمس على التضاريس لأنه قد تكون هناك تغييرات في ارتفاعات التضاريس ، لذلك قد يكون لديك تلال أو جبال ويمكنك أن ترى تأثير هذه التلال أو الجبال. التلال في
الصورة ويمكنك إدراك البعد الثالث بسبب هذا الجانب من التضاريس المظللة. سيساعد المشاهدين على التعرف على شكل ميزات الشكل الأرضي.
الآن ، هناك أربعة عوامل تتحكم بشكل عام في تظليل التل ، أولها هو سمت الشمس و rsquos أو اتجاه الضوء الذي أقصده من ضوء الشمس و rsquos يأتي إلى المشهد المعطى. لذا ، كما قلنا سابقًا ، فإن الاتفاقية هي القياس ، أعني أننا خصصنا 0 درجة إلى الشمال ونقيس الاتجاه بطريقة اتجاه عقارب الساعة. لذا ، مرة أخرى ، أعني أن شرقك سيكون 90 درجة ، والجنوب 180 درجة ، والغرب 270 درجة ، والشمال مرة أخرى سيكون 0 أو 360 درجة.
العامل التالي الذي أعنيه يتحكم في تظليل التل أو الإغاثة المظللة سيكون الشمس و rsquosaltitude وهي زاوية الضوء الوارد فيما يتعلق بالأفق ، كما أن تأثير المنحدر قد يكون للتضاريس نوع من المنحدر. لذلك ، اعتمادًا على طبيعة المنحدر ، سيتأثر السطح وكذلك الاتجاه الذي يمتد فيه المنحدر. لذلك ، سنرى في شرائحنا اللاحقة المفاهيم المختلفة للميل والجانب.
(راجع وقت الشرائح: 20:17)
الآن ، يمكننا أيضًا عمل تظليل التل بحيث يتم ذلك باستخدام هذه المعادلة المحددة التي أعني فيها أن لديك هذه العوامل التي هي R f هي قيم الإشعاع النسبية ، a هي الواجهة أو الخلية النجمية أو المثلث. الآن لدينا A f وهو جانب الوجوه ، أعني أنه يمكننا الحصول على afacet عندما يكون لدينا TIN شبكة غير منتظمة مثلثة ، لذلك يمكننا أن يكون لدينا وجه أو يمكن أن يكون خلية نقطية أيضًا حتى نتمكن من تسميتها كواجهة الخاص بك هو الشمس و rsquosazimuth ، H f هو منحدر و rsquos و H هو ارتفاع الشمس و rsquos.
لذلك ، يتم وضع هذه القيم في هذه المعادلة تحديدًا لحساب قيمة R f وهي قيم الإشعاع ذات الصلة للخلية النقطية. لذلك ، يمكن تشغيل هذه المعادلة لتوليد القيم الثيولوجية للخلايا النقطية أو يمكن أيضًا تشغيلها على شبكة غير منتظمة مثلثة أو مجموعة بيانات TIN وهي مجموعة بيانات متجهة لحساب تأثيرات تظليل التل.
(راجع وقت الشرائح: 21:36)
الآن ، الحديث عن الجانب والمنحدر الذي كنا نتحدث عنه كان المنحدر والجانب أحد العوامل التي لها تأثير أساسي على تظليل التل. لذا ، بالحديث عن المنحدر أولاً ، فهو المشتق الأول للارتفاع وهو معدل تغير الارتفاع بالنسبة إلى المسافة. لذلك ، أعني أنه يتم التعبير عنه كنسبة مئوية من الميل وهو 100 ضعف نسبة ذلك من حيث المسافة العمودية إلى المسافة الأفقية التي تُعرف أيضًا باسم المدى.
الآن ، الطريقة الثانية التي يعبر بها عن ميلك هي درجة الميل الذي نحسب فيه مماس القوس على أنه نسبة الارتفاع على المدى. الآن ، يمكننا أيضًا تحديد الجانب الذي هو المكون الاتجاهي للمنحدر ، لنفترض أنه إذا كان لديك بكسل أو خلية مستطيلة وله ميل معين إذا وضعت قطرة ماء عند النقطة الوسطى لهذا البكسل المحدد ، فسيكون الجانب هو الاتجاه حيث تتدفق المياه ، فإن قطرة الماء سوف تتدفق أو تتدفق.
لذلك ، فهو يمنحك بشكل أساسي المكون الاتجاهي للمنحدر لأنه من slopey يمكنك فقط قياس المشتق الأول للارتفاع وهو معدل تغير الارتفاع ، ولكن الجانب فقط هو الذي يمنحك الطبيعة الاتجاهية للمنحدر ميل. لذا ، مرة أخرى ، نستخدم نفس الاصطلاح القائل بأن 0 هو الشمال ونقيسه في اتجاه عقارب الساعة.
الآن ، يمكن أيضًا تحويل مقاييس الجانب الخاصة بك ، مما يعني أنه يمكنك بسهولة تحويلها إلى قياس خطي لأن هذه الشروط هي بالدرجات. لذلك ، يمكنك إما أن تأخذ جيبًا أو جيبًا لقيم الدرجات المعينة هذه وستحصل على قيم تتراوح من ناقص 1 إلى زائد 1. لذلك ، يمكننا أيضًا تحويل قيم العرض إلى مقاييس خطية. لذلك ، أعني أننا نستخدم بشكل عام المنحدر والجانب على نطاق واسع كلما كانت لدينا بيانات DM ويمكننا تشغيلها على أنواع مختلفة من التحليل.
لذلك ، يتم استخدامه على نطاق واسع عندما ندرس مستجمعات المياه ، عندما نريد إنشاء مستجمعات المياه من نموذج ارتفاع رقمي يمكننا استخدام المنحدر والجانب. لذا ، آمل أن تكون جميعًا على دراية بمستجمعات المياه ، إذا لم تكن على دراية بمستجمعات المياه ، فيرجى النظر في تعريف ماهية مستجمعات المياه. لذلك ، يمكننا أيضًا عمل وحدات المناظر الطبيعية ، ويمكننا أيضًا مقاييس دومورفومترية ، ويمكننا معرفة ما أعنيه أنه يمكن استخدام هذه المقاييس الشكلية لدراسة تآكل التربة.
يمكن أيضًا استخدام هذا المنحدر والجانب لتحليل ملاءمة الموقع في حالة وظيفة التخطيط الحضري. لذا ، أعني أن لدينا هذه المرئيات التي يمكنك من خلالها رؤية أن المقاييس الجانبية مجمعة إما في أربعة أو ثمانية اتجاهات أساسية. لذلك ، في الصورة العلوية الأولى ، يمكنك أن ترى أنها مجمعة على أنها شمال شرق وغرب وجنوب ، وفي الصورة التالية يمكنك أن ترى ثمانية اتجاهات أساسية يكون فيها عنصر فرعي من الشمال الشرقي والجنوب الشرقي والجنوب الغربي والشمال الغربي.
(راجع وقت الشرائح: 25:21)
الآن ، دعونا ندخل في تصنيف الصور الذي هو الجزء الأخير من هذه المحاضرة. لذلك ، عندما نبدأ في تحليل البيانات النقطية ، فهذه أداة مهمة للغاية من شأنها أن تمنحنا نوعًا من تشريح البيانات بناءً على قيم الإدخال. لذلك ، يمكن القيام بذلك على مجموعات البيانات الإحصائية ، ويمكن القيام بذلك على طبقات مواضيعية متعددة ويمكنك تصنيفها جميع مجموعات البيانات المختلفة وقيم السمة بناءً على المدخلات.
لذا ، يمكنك تشغيل هذا أعني نفس الخوارزمية نفس المفاهيم على بيانات المتجه وكذلك بيانات النظام. لذلك ، في حالة البيانات النقطية ، نقوم عمومًا بتصنيف صور الاستشعار عن بعد ، لذلك فإنه يولد استخدام الأراضي وخرائط الغطاء الأرضي. لذلك ، أعني أنه كلما قمنا بإجراء التصنيف ، فإنه بشكل عام يقوم بتعيين فئات مختلفة لقيم بكسل الإدخال. يعتمد التعيين بالطريقة التي يتم بها تصنيف الصور هذا على خوارزميات مختلفة.
لذلك ، بعض هذه الخوارزميات إما خاضعة للإشراف أو أن بعض الخوارزميات غير خاضعة للإشراف ، لذلك يمكننا معرفة قيم الانعكاس الطيفي والمسافة من الفئة التي يتم استخدامها كأداة إرشادية أثناء تشغيل خوارزميات التصنيف هذه. لذا ، أعني هل نختار فئة لها نفس خصائص الانعكاس الخاصة بوسائل الفئة في نطاقات الطول الموجي.
أعني عندما نتحدث عن صورة الاستشعار عن بعد لدينا أطوال موجية أو نطاقات مختلفة يتم فيها التقاط البيانات أو تخزينها. لذلك ، يمكننا الحصول على النطاقات المرئية الخاصة بك ، ويمكن أن يكون لدينا نطاقات الأشعة تحت الحمراء القريبة ، أو يمكن أن يكون لدينا نطاقات الأشعة تحت الحمراء الحرارية ، أو نطاقات الميكروويف ، لذلك ، يمكن أن يكون لدينا نطاقات مختلفة يمكن من خلالها الحصول على الصورة ومن ثم يمكننا الاختيار خوارزمية لتصنيف البيانات.
الآن ، هناك طرق مختلفة يمكن من خلالها إجراء التصنيف الذي تحدثنا عنه ، يمكن أن يتم إما في وضع خاضع للإشراف ، أو يمكن إجراؤه في وضع غير خاضع للإشراف ، أو يمكن إجراؤه بطريقة يمكننا من خلالها الجمع بين هاتين الطريقتين المعروفين أيضًا كنهج تصنيف هجين.
(راجع وقت الشرائح: 28:01)
لذلك ، بشكل عام في التصنيف الخاضع للإشراف ، ما نقوم به أولاً هو إنشاء مجموعة تدريب لدينا فيها بيانات نقطية. ونختار بعض المناطق أو المناطق التي تكون فيها الشروط الأساسية معروفة لنا أو يكون الغلاف الأرضي معروفًا لنا ، لذلك نستخدم ذلك كمجموعات تدريب ثم نقوم بإنشاء ملف توقيع. لذلك ، من ملفات التوقيع هذه نحاول حساب إحصائيات المتوسط ​​، التباين ، الانحراف المعياري.
وننشئ التوقيع أعني قيم هذه أعني المعلمات الإحصائية. ثم ما نفعله هو أننا نحاول أن نأخذ كل بكسل ونحاول قياس المسافة إلى وسائل هذه العينات أو الفصول التدريبية. لذلك ، أينما تكون المسافة هي الحد الأدنى ، أعني أن البكسل يتم تخصيصه أساسًا لتلك الفئة المعينة ، بحيث تكون هذه هي العملية الأخيرة التي نقوم بها على مجموعة البيانات.
لذلك ، أعني في هذه الحالة أنك كمستخدم من شأنه أن يوجه عملية التصنيف. لذلك ، يعتمد الأمر على براعتك في مدى براعتك في تفسير البيانات أو على معرفتك بظروف الأرض. الآن ، أعني أننا تحدثنا بالفعل عن الحصول على مجموعات التدريب Imean ، يجب أن تكون ممثلة للصورة بأكملها. لذا ، فإن وحدات البكسل التي تستخدمها مجموعات متدرجة ، أعني أنه سيكون لها تمثيل على الصورة بأكملها.
لذا ، أعني أنه يمكننا تعيين فئات وإنشاء ملف توقيع. حتى نتمكن من إنشاء اسم أو يمكننا تعيين لون لعينات التوقيع التي أخذناها. لذلك ، سيكون لهذه البيكسلات الناتجة أيضًا لونًا مشابهًا سيكون لها نفس قيم البكسل مثل رقم الفصل الخاص بك الذي حصلت فيه على مجموعات التدريب الخاصة بالتوقيع. وسيكون له أيضًا نفس الاسم ، إما الاسم الذي تحدده بحيث يتم الاحتفاظ بنفس التسمية في صورة الإخراج.
الآن ، يتم استخدام مجموعة التدريب بواسطة البرنامج لتحديد الفئات وأعني أن لدينا أنواعًا مختلفة من خوارزميات التصنيف المستخدمة في البرنامج و rsquos. لذلك ، يمكنك أن تقرأ عن المصنف متوازي السطوح ، هل يمكن أن أعني أن تقرأ عن مصنف احتمالية الحد الأقصى من Gaussian ، يمكنك أيضًا الحصول على الحد الأدنى للمسافة لمخطط التصنيف ، أو يمكننا أيضًا الحصول على مكون أساسي.
(راجع وقت الشرائح: 31:07)
لذلك ، هناك أنواع مختلفة من الخوارزميات المستخدمة أو الأساليب المستخدمة عندما نقوم بتصنيف تحت الإشراف. لذلك ، في مصنف الاحتمالية القصوى ، نحاول تحديد البكسل ومعرفة الحد الأدنى للمسافة إلى متوسط ​​الفئات المختلفة لقيمة البكسل هذه. وحيثما يوجد أعلى احتمال استنادًا إلى الإحصائيات الخاصة بكل فئة في كل نطاق ، أعني أنه يتم تعيينه لتلك الفئة المعينة.
وفي هذه الحالة ، فإن الافتراض الأساسي المتخذ هو أن البيانات يتم توزيعها بشكل طبيعي. لذا ، إذا رأيت المدرج التكراري أعني لصورة القمر الصناعي عمومًا ، فسترى نوعًا من الكتلة المقلوبة. لذلك ، وهو ما يمثل التوزيع الطبيعي وهذا هو الافتراض الأساسي لخوارزمية تصنيف الاحتمالية القصوى التي يتم الإشراف عليها والتي يتم توزيع البيانات بشكل طبيعي.
الآن ، الطريقة الثانية هي الحد الأدنى للمسافة. لذلك ، أعني أننا نقوم بإنشاء الفئات بناءً على أقرب فئة ونعني بحساب المتجهات المتوسطة التي تحسب المسافة الإقليدية. لذلك ، هناك طرق مختلفة للمسافات لدينا أسماء مختلفة للمسافات المختلفة ومعادلاتك. تمت تسمية إحدى هذه الطرق لاكتشاف المسافة في الإحصائي العظيم لدينا أن الهند أنتجت الأستاذ ماهالانوبيس.
لذلك ، تُعرف باسم مسافة Mahalanobis والتي تُستخدم أيضًا للقيام بالتصنيف الخاضع للإشراف. وإلا لديك أنواع مختلفة من المسافات مثل المسافة الإقليدية. لدينا الخيار التالي الذي يُعرف بالتوازي الذي تحدد فيه مربعًا يكون أساسًا حدود فئة معينة الحدود العليا والسفلى لفئة معينة ، ويستند إلى المتوسط ​​والانحراف المعياري لهذه المدربين المتوازيين المعينين.
لذا ، أعني أنه إذا كان البيكسل يحتوي على قيم في نطاقات مختلفة ويقع ضمن خط متوازي السطوح نسميه له خط متوازي ، فلنفترض أن لديك شريطين في طبقة البيانات النقطية المدخلة ، فقد يكون لديك نطاقان. لذلك ، إذا قمت برسم قيمة البكسل في x و y ، فستحصل على مساحة ميزة ستحصل على وحدات البكسل الموجودة في مساحة الميزة المحددة هذه.
الآن ، يمكنك إنشاء متوازي الأضلاع متوازي السطوح ، لذلك وفي حالة وجود أكثر من نطاقين ، فإن بياناتك ستمتد إلى البعد الثالث. لذلك ، في هذه الحالة ، يمكنك بثق متوازي الأضلاع إلى خط متوازي ، هكذا يتم اشتقاق الاسم. لذا ، أعني أننا سنعمل مع بيانات متعددة الأبعاد وهذا نهج نعطي فيه الحدود العليا والحدود السفلية لقيم بيانات التدريب.
وحيثما كان البيكسل يقع ضمن تلك الخطوط المتوازية ، فإنه يتم تعيينه إلى فئة معينة وقد يحدث أن فئات التدريب المتوازي قد لا تكون كافية لتغطية النطاق الكامل لقيم البكسل. لذلك ، سيكون هناك بعض وحدات البكسل التي ستظل غير مصنفة في مثل هذه الحالة. لذا ، أعني أنه قد يحدث أيضًا أن تتداخل حدود الخط المتوازي مع بعضها البعض.
لذلك ، في حالة وقوع بكسل داخل مثل هذا التداخل ، فإنه سيضعه في إحدى الفئتين اعتمادًا على المتوسط ​​الإحصائي وقيم الانحراف المعياري أو يمكن أيضًا وضعه في فئة تداخل. لذلك ، قلنا أنه إذا لم يندرج البيكسل في أي من هذه الفئات المتوازية ، فإنه مصنف أعني أنه تم إعطاؤه أو تعيينه على أنه غير مصنف أو يتم تعيينه كفئة فارغة.
لذلك ، من بين هذه المصنفات المتوازية هي الأقل كثافة من الناحية الحسابية والأكثر سرعة. لذا ، أعني إذا كنت تريد إجراء الجري ، فأنا أعني التصنيف السريع ، ففي هذه الحالة سيكون التصنيف الموازي جيدًا. ولكن ، لها حدودها المتأصلة من حيث ضعف الدقة وقد يتم تعيين العديد من وحدات البكسل الخاصة بك إلى فئة فارغة أو قد تظل غير مصنفة.
لذلك ، أعني أننا نرى هذه الصورة المعينة التي تمثل فئة الميزة وهي مساحة الميزات لقيم بيانات النطاق 1 والنطاق 2. إذاً ، لدينا حدود الفصل هذه التي ترى فيها فئة ablue ، وفئة حمراء ، وفئة خضراء. وتعطيك هذه الأسهم متجهات متوسط ​​متجه المسافة التي تمنحك المسافة من متوسط ​​سحابة البيانات هذه.
(راجع وقت الشرائح: 36:35)
بعد ذلك يمكننا أيضًا استخدام طريقة تصنيف غير خاضعة للرقابة. لذلك ، حيث يتم تقسيم البيانات إلى عدد من المجموعات اعتمادًا على عدد المجموعات التي تريدها وبعد ذلك يمكنك تحرير هذه المجموعات. لذلك ، أعني أن هناك خطوتين أساسيتين حيث يتم استخدامه في التصنيف غير الخاضع للإشراف.
So, first is we generate the clusters and the second is we assign the classes of the pixels to thisparticular clusters. So, some of the I mean algorithms which come under this unsupervisedclassification are the K means or the ISODATA classification which are basically iterativealgorithms. That basically your the entire data of a particular band would be partitioned intothe number of classes that you desire.

Log in to save your progress and obtain a certificate in Alison’s free Diploma in Geo Spatial Analysis in Urban Planning online course

Sign up to save your progress and obtain a certificate in Alison’s free Diploma in Geo Spatial Analysis in Urban Planning online course


Mengambil Sebagian Data Raster dengan Extract by Mask – ArcGIS

Data raster yang sudah terklasifikasi terkadang perlu untuk diambil bagian tertentu seperti pepohonan, lahan kosong, dan sebagainya. Jika data مضلع yang akan diambil sebagian untuk dianalisa, fungsi clip mungkin bisa jadi andalan (lihat postingan yang lalu untuk fungsi مقطع). Sementara itu untuk raster, tidak dapat menggunakan مقطع khusus raster (raster clip) melainkan dengan extract by mask. Fungsi ini dapat diakses melalui folder spatial analysis tools – extraction – extract by mask pada ArcCatalog. Jadi misalnya kita memiliki peta raster yang sudah terklasifikasi. Ciri-ciri jika sudah terklasifikasi adalah bisa melihat atribut berupa tabel dari peta tersebut (dengan mengklik kanan dan pilih open atribute table).

Pada tabel di atas kelas 𔄛” yang merupakan kelas built-up area akan kita ekstrak menjadi satu peta raster tersendiri. Oleh karena itu data pada baris di value ketiga harus disorot terlebih dahulu hingga berwarna kebiruan seperti di atas. Jika sudah, kembali ke extract by mask, isi seperti gambar di bawah ini.

Perhatikan baik input maupun output diisi dengan file yang sama. Sesungguhnya walaupun sama, karena kita sudah menyorot (select) pada bagian tertentu di tabel maka bagian yang disorot itulah yang akan diekstrak. Ok, semoga bermanfaat.


Distance Vector Algorithms

The Distance Vector (DV) algorithm is iterative, asynchronous, and distributed. It is distributed in that each node receives some information from one or more of its directly attached neighbors, performs a calculation, and then distributes the results of its calculation back to its neighbors. It is iterative in that this process continues on until no more information is exchanged between neighbors. The least costs are related by the celebrated Bellman-Ford equation. In the DV algorithm, each node talks to only its directly connected neighbors, but it provides its neighbors with least-cost estimates from itself to all the nodes (that it knows about) in the network.


Can't clip a raster to a polygon -only extent

I'm new to QGIS (long time ARC user) and I'm unable to figure out how to clip a raster to a polygon outline. I've tried a few different polygons and the tool raster>extraction>clip raster by mask layer. However when I run the tool it clips to the extent of the polygon (I. E. A rectangle ) rather than the outline. Sure I'm missing a tick box in settings somewhere! Any help appreciated!

Yes, you need to uncheck a box. Find the tick box "Match the extent of the clipped raster to the extent of the mask layer" and uncheck it. Then it will clip based on the polygon.

I'm not sure, but I think this is just a matter of symbology. All rasters are rectangular (your result is a raster, right?), it's just that with a ɼlip' the result is a rectangular raster some kind of 'mask' to remove the parts of the raster not wanted (by remove, I mean remove from view and/or calculations, all rasters are still rectangular). I think if you fiddle with symbology, the clip worked the way you thought.


Crop a Raster Using Vector Extent

We can use the crop function to crop a raster to the extent of another spatial object. To do this, we need to specify the raster to be cropped and the spatial object that will be used to crop the raster. R will use the extent of the spatial object as the cropping boundary.

We can see from the plot above that the full CHM extent (plotted in green) is much larger than the resulting cropped raster. Our new cropped CHM now has the same extent as the aoi_boundary_HARV object that was used as a crop extent (blue border below).

We can look at the extent of all the other objects.

Which object has the largest extent? Our plot location extent is not the largest but is larger than the AOI Boundary. It would be nice to see our vegetation plot locations with the Canopy Height Model information.


VoronoiDiagram

This tool creates a vector Voronoi diagram for a set of vector points. The Voronoi diagram is the dual graph of the Delaunay triangulation. The tool operates by first constructing the Delaunay triangulation and then connecting the circumcenters of each triangle. Each Voronoi cell contains one point of the input vector points. All locations within the cell are nearer to the contained point than any other input point.

A dense frame of 'ghost' (hidden) points is inserted around the input point set to limit the spatial extent of the diagram. The frame is set back from the bounding box of the input points by 2 x the average point spacing. The polygons of these ghost points are not output, however, points that are situated along the edges of the data will have somewhat rounded (paraboloic) exterior boundaries as a result of this edge condition. If this property is unacceptable for application, clipping the Voronoi diagram to the convex hull may be a better alternative.


شاهد الفيديو: المضلعات 1 تصحيح واقفال المضلعات المفتوحة المحكمة (شهر اكتوبر 2021).