Lagi

Mengekstrak nilai warna dari lapisan untuk membangun indeks menggunakan ArcPy/ArcMap?


Universitas saya ingin peta yang kami buat menjadi lebih standar dan kami mengubah semua warna pada peta vektor dasar kami.

Standar baru perlu diindeks dan saya memiliki tugas membuat spreadsheet/dokumen yang akan membantu kami di masa mendatang.

Ada hampir 100 lapisan yang perlu saya indeks, misalnya, nama lapisan poligon, warna isian (nilai rgb), warna batas, dan lebar batas.

Saya baru saja mulai belajar ArcPy jadi saya berharap akan ada metode GUI yang bisa saya ikuti dan jika tidak, apa yang harus saya cari dalam skrip ArcPy.

Bagaimana cara mengekstrak informasi ini?


Ada cara tetapi tidak mudah, karena melibatkan pembuatan definisi layanan dan membaca file XML.

1) Menggunakan fungsi arcpy CreateMapSDDraft dan StageService_server Anda dapat membuat file .sd.

2) Buka zip file "nama layanan".sd.

3) Buka zip file ... v101”nama layanan”.msd.

4) File… layers”layername”.xml menyimpan kode warna (RGB/CMYK dll.) seperti yang terlihat di bawah ini

Jadi Anda dapat mengotomatiskan seluruh proses menggunakan python.


Saya setuju dengan komentar dari @ianbroad:

Ini terdengar seperti proses manual. Saya tidak percaya arcpy memiliki cara untuk mengekstrak warna isian, warna batas, atau lebar batas. Kemungkinan besar Anda bisa mendapatkan informasi ini dengan ArcObjects, tetapi orang lain harus mengonfirmasinya.

dan @Fezter:

Apakah layak bagi Anda untuk menyimpan file lyr yang menyimpan semua itu? Anda dapat membuka semua lapisan Anda menjadi MXD dengan semua set simbologi. Kemudian, ulangi melalui mereka dan gunakan arcpy.SaveToLayerFile_management

Secara pribadi, saya akan mengikuti metode yang disarankan @ Fezter, yang saya lihat digunakan dengan sangat efektif di beberapa situs tempat saya berkonsultasi.


Semua metode

Bidang Metode Nilai dalam tabel DynamicValue menentukan tindakan yang terjadi saat Asisten Atribut diaktifkan dan fitur diubah atau dibuat di ArcMap. Empat bidang dalam tabel DynamicValue (Metode Nilai, Nama Tabel, Nama Bidang, dan Info Nilai) harus dikonfigurasi untuk menggunakan metode Asisten Atribut. Bidang yang tersisa menentukan kapan metode Asisten Atribut harus diterapkan.

Jika metode yang Anda gunakan membuat rekaman baru, rekaman tersebut tidak tersedia hingga semua aturan telah diproses untuk fitur yang memicu aturan. Metode berikut menghasilkan catatan baru:

  • Fitur Salin
  • Buat Rekaman Tertaut
  • Buat Garis Tegak Lurus
  • Buat Garis Tegak Lurus ke Garis
  • Membagi Fitur Berpotongan

71 metode Asisten Atribut berikut dapat dikonfigurasi di tabel DynamicValue Anda:

metode Keterangan
Sudut Menghitung sudut geografis atau aritmatika fitur garis.
Nomor otomatis Menemukan nilai terbesar di bidang dan menghitung nilai berurutan berikutnya.
Atribut Kaskade Memperbarui semua kemunculan nilai saat nilai yang sesuai di tabel lain diubah.
Fitur Salin Menyalin fitur saat atribut diperbarui ke nilai yang ditentukan.
Salin Rekaman Tertaut Memperbarui atribut fitur dengan nilai dari tabel terkait.
Buat Rekaman Tertaut Membuat catatan baru di lapisan fitur dengan hubungan ke tabel menggunakan hubungan kunci utama/asing.
Buat Garis Tegak Lurus Membangun garis tegak lurus dari titik input dan garis berpotongan. Panjang garis ditentukan oleh parameter Panjang.
Buat Garis Tegak Lurus ke Garis Membangun garis tegak lurus dari titik input ke garis terdekat.
Nama Pengguna Saat Ini Mengisi nama pengguna saat ini.
Statistik Tepi Menyediakan statistik pada bidang tertentu untuk semua tepi yang terhubung dalam jaringan geometris.
Ekspresi Menjalankan VBScript yang dievaluasi oleh MSScriptControl. Dapat digunakan untuk mengakses fungsi bawaan dan logika kondisional (pernyataan if).
Statistik Fitur Meringkas nilai atribut dari fitur yang terpengaruh sebagai rangkaian statistik atau nilai yang dihitung tunggal.
Bidang Menyalin nilai dari satu bidang ke bidang lain dalam kelas fitur yang sama.
Pemicu Lapangan Memperbarui bidang ke nilai yang ditentukan saat nilai bidang lain diperbarui.
Dari Edge Field Menyalin nilai bidang dari fitur From Edge yang terhubung ke fitur persimpangan yang terhubung.
Dari Persimpangan Beberapa Bidang Tepi Menyalin nilai untuk semua Dari Tepi yang terhubung ke persimpangan ke serangkaian bidang di lapisan sumber.
Dari Statistik Tepi Menghitung statistik pada bidang tertentu untuk semua fitur yang terhubung ke From Edges dalam jaringan geometris.
Dari Lapangan Persimpangan Menyalin nilai bidang dari fitur From Junction yang terhubung ke fitur edge yang terhubung. Dapat juga menyalin nama kelas fitur di awal baris yang sedang diedit.
Buat ID Menaikkan baris dalam tabel yang tidak berversi dan menyimpan nilai yang baru bertambah itu.
Hasilkan ID Dengan Intersect Menghasilkan pengidentifikasi unik untuk fitur berdasarkan pengidentifikasi fitur kisi yang berpotongan.
Dapatkan Alamat Dari Centerline Mengekstrak informasi alamat dari titik terdekat di jalan. Ini mirip dengan geocode terbalik, tetapi layanan locator tidak digunakan.
Dapatkan Alamat Menggunakan Layanan ArcGIS Melakukan geocode terbalik menggunakan layanan ArcGIS yang ditentukan.
Dapatkan Alamat Menggunakan Geocoder Melakukan geocode terbalik menggunakan geocoder.
GUID Membuat pengidentifikasi unik global (GUID).
Perpotongan Boolean Menyimpan nilai jika fitur pemicu memotong fitur di lapisan yang ditentukan.
Hitungan berpotongan Menghitung jumlah fitur yang berpotongan dan menyimpan hitungan di bidang yang ditentukan.
Tepi berpotongan Menyalin nilai bidang dari fitur tepi berpotongan pertama.
Fitur berpotongan Menyalin nilai dari fitur yang berpotongan di lapisan yang ditentukan.
Jarak Fitur Berpotongan Menghitung jarak sepanjang fitur garis di mana garis berpotongan dengan fitur lain.
Detail Lapisan Berpotongan Mengekstrak nama atau jalur file dari lapisan yang berpotongan.
Berpotongan Raster Mengekstrak nilai sel raster di lokasi fitur. Jika fitur berupa garis atau poligon, nilai raster pada pusat fitur digunakan.
Statistik Berpotongan Menghitung statistik pada bidang tertentu untuk fitur yang berpotongan.
Rotasi Persimpangan Menyimpan sudut rotasi fitur persimpangan berdasarkan fitur tepi yang terhubung.
Nilai Terakhir Mengulangi nilai terakhir yang digunakan dalam bidang.
Garis Lintang Menyimpan nilai koordinat y yang diproyeksikan ke derajat desimal WGS84.
Panjang Menghitung panjang fitur garis dan luas fitur poligon.
Tautan Tabel Aset Memperbarui bidang dalam tabel atau lapisan dengan nilai dari fitur yang dipilih.
Garis bujur Menyimpan nilai koordinat x yang diproyeksikan ke derajat desimal WGS84.
Info Peta Menyimpan informasi dari metadata dokumen peta saat ini atau info versi dari lapisan yang sedang diedit.
Panjang Minimum Menolak fitur garis yang baru dibuat jika panjang garis kurang dari jarak yang ditentukan.
Beberapa Nilai Berpotongan Bidang Menyalin nilai dari fitur berpotongan baru ke dalam lapisan target.
Fitur Terdekat Menyalin nilai dari fitur terdekat di lapisan tertentu.
Atribut Fitur Terdekat Menyalin serangkaian nilai dari fitur terdekat di lapisan tertentu.
Mengimbangi Mengisi lokasi titik jarak tertentu dari fitur garis terdekat.
Nilai Sebelumnya Memantau bidang, dan ketika diubah, menyimpan nilai sebelumnya di bidang lain.
Mengingatkan Mengidentifikasi record yang berisi nilai null. Jika bidang menggunakan subtipe atau domain, opsi tersebut disajikan dalam kotak dialog untuk dipilih pengguna.
Tetapkan Ukuran Mengisi m-koordinat fitur garis. Nilai-M dapat digunakan untuk menambahkan peristiwa rute ke peristiwa titik dan garis secara dinamis di sepanjang fitur garis.
Samping Menentukan apakah fitur titik berada di kiri atau kanan fitur garis yang sesuai.
Membagi Fitur Berpotongan Memisahkan fitur yang bersinggungan dengan fitur di lapisan sumber.
stempel waktu Mengisi tanggal dan waktu saat ini.
Ke Tepi Lapangan Menyalin nilai bidang dari fitur To Edge yang terhubung ke fitur persimpangan yang terhubung.
Ke Tepi Beberapa Bidang Berpotongan Menyalin nilai untuk semua To Edges yang terhubung ke persimpangan ke serangkaian bidang di lapisan sumber.
Ke Tepi Statistik Menghitung statistik pada bidang tertentu untuk semua fitur yang terhubung ke To Edges dalam jaringan geometris.
Ke Lapangan Persimpangan Menyalin nilai dari fitur To Junction yang terhubung ke fitur edge yang terhubung. Dapat juga menyalin nama kelas fitur di akhir baris yang sedang diedit.
Memicu Acara Asisten Atribut Dari Edge Memicu Asisten Atribut untuk fitur From Edge.
Memicu Acara Asisten Atribut Dari Junction Memicu Asisten Atribut untuk fitur Dari Persimpangan.
Fitur Pemicu Atribut Asisten Acara Berpotongan Memicu Asisten Atribut untuk fitur yang berpotongan.
Memicu Acara Asisten Atribut Ke Edge Memicu Asisten Atribut untuk fitur To Edge.
Memicu Acara Asisten Atribut Ke Persimpangan Memicu Asisten Atribut untuk fitur To Junction.
Perbarui Dari Bidang Tepi Menyalin nilai bidang dari persimpangan ke fitur From Edge yang terhubung.
Perbarui Dari Bidang Persimpangan Menyalin nilai bidang dari tepi yang terhubung ke fitur Dari Persimpangan yang terhubung.
Perbarui Fitur Berpotongan Memperbarui bidang dalam fitur yang berpotongan dengan nilai atau nilai bidang dari fitur yang dimodifikasi atau dibuat.
Perbarui Rekaman Tertaut Menemukan rekaman terkait di tabel atau lapisan lain dan memperbarui bidang dalam rekaman tersebut.
Perbarui Ke Bidang Tepi Menyalin nilai bidang dari persimpangan ke fitur To Edge yang terhubung.
Perbarui Ke Bidang Persimpangan Menyalin nilai bidang dari tepi yang terhubung ke fitur To Junction yang terhubung.
Validasi Pencarian Atribut Memverifikasi nilai bidang terhadap entri dalam tabel pencarian.
Validasi Atribut Membandingkan nilai dalam bidang input ke semua templat fitur untuk kelas fitur.
Validasi Konektivitas Memvalidasi jumlah koneksi pada fitur dan menolak pengeditan jika kriteria tidak terpenuhi.
Validasi Domain Memvalidasi entri data pada bidang dengan domain terhadap domain. Jika nilai berada di luar rentang atau tidak dalam daftar nilai berkode, pengeditan dibatalkan.
Koordinat X Menghitung koordinat-x fitur dalam unit basis data.
Koordinat Y Menghitung koordinat y dari fitur dalam unit basis data.

Sudut

Menghitung sudut geografis atau aritmatika fitur garis.

Untuk mengonfigurasi metode ini, isi berikut ini di tabel DynamicValue:

Nama Tabel Nama Bidang Metode Nilai Informasi Nilai
Nama kelas fitur Bidang yang digunakan untuk menyimpan sudut yang dihitung SUDUT

Aturan ini hanya dapat dikonfigurasi pada fitur linier, dan nilai sudut harus diisi dalam bidang Float atau Double.


Pengantar

Deteksi anomali untuk menganalisis data spatio-temporal tetap menjadi masalah yang berkembang pesat setelah semakin banyak sensor canggih yang terus menghasilkan kumpulan data skala besar. Misalnya, pelacakan GPS kendaraan, media sosial, jaringan keuangan dan log router, dan kamera pengintai resolusi tinggi semuanya menghasilkan data spatio-temporal dalam jumlah besar. Teknologi ini juga penting dalam konteks keamanan siber karena data siber disertai dengan alamat IP yang dapat dipetakan ke geolokasi dan cap waktu tertentu. Namun, pendekatan keamanan siber saat ini tidak dapat memproses informasi semacam ini secara efektif. Untuk mengilustrasikan kekurangan ini, pertimbangkan skenario serangan penolakan layanan (DDoS) terdistribusi di mana paket jaringan mungkin berasal dari alamat IP yang berbeda dengan lokasi yang jarang. Dalam kasus seperti itu, sistem analisis spatio-temporal [1] diperlukan untuk menganalisis pola spasial serangan DDoS. Namun, lingkungan analitik berorientasi pengguna untuk keamanan siber dengan tanda spasial-temporal saat ini terbatas pada metode statistik tradisional seperti deteksi outlier spasial-temporal dan deteksi hotspot [2]. Catatan Kaki 1 Selain itu, sebagian besar pekerjaan saat ini dalam analisis skala besar berfokus pada otomatisasi tugas analisis, seperti mendeteksi aktivitas yang mencurigakan dalam gerakan area yang luas dan interval waktu. Tetapi pendekatan ini tidak memberi para analis data keamanan siber dengan fleksibilitas untuk menggunakan kreativitas dan menemukan tren baru dalam data saat beroperasi pada kumpulan data yang sangat besar. Solusi saat ini menjadi penghalang karena membutuhkan keahlian multidisiplin.

Salah satu solusi yang mungkin untuk melakukan analitik pada data spatio-temporal skala besar adalah dengan mengambil metadata pola titik spasial [5], dan menerapkan pendekatan pemrosesan dan penyimpanan metadata [6], bersama dengan pengetahuan domain yang diperoleh dengan pembelajaran mesin dan sarana statistik. Keuntungan tambahan dari metode ini adalah bahwa meta-data menyembunyikan detail pola titik sehingga memberikan privasi sambil tetap mendukung berbagai analitik.

Dengan demikian, kami mengusulkan kerangka kerja untuk melakukan analitik dengan data spatio-temporal yang memiliki properti berikut:

Perlindungan privasi: Kami menggunakan analisis meta data pelacakan sebagai indikator perilaku subjek. Geolokasi subjek tidak akan diekspos ke pengguna sistem.

Skalabilitas tinggi: Kami dapat mengambil pola perilaku untuk jumlah data yang berbeda karena indeks Morisita menyediakan skalabilitas yang disesuaikan dengan jumlah data pelacakan yang berbeda.

Kenyamanan: Kami merancang cara yang nyaman untuk memetakan peristiwa anomali ancaman dunia maya ke ancaman fisik karena ancaman dunia maya dapat divisualisasikan di peta nyata.

Secara lebih rinci, kami mengusulkan kerangka kerja untuk menyimpan dan memproses data spatio-temporal skala besar melalui infrastruktur "pola titik berbasis metadata", sambil memberikan analisis metadata kepada pengguna yang menyembunyikan detail data spatio-temporal skala besar dan menyediakan mereka dengan antarmuka front-end yang memungkinkan mereka menjalankan berbagai pemeriksaan keamanan termasuk deteksi outlier untuk satu subjek, deteksi grup anomali, deteksi perilaku anomali, dan deteksi peristiwa anomali. Selanjutnya, data spatio-temporal disimpan di berbagai penyimpanan data. Akibatnya, kerangka kerja ini menyediakan fitur analitik berkinerja tinggi, fleksibilitas, dan ekstensibilitas.

Kontribusi teoretis dan kebaruan pekerjaan kami terletak pada kombinasi metode dari bidang analisis spatio-temporal, pembelajaran mesin, dan analisis statistik. Dengan mengekstraksi metode yang relevan dari ketiga bidang penelitian ini, kami menciptakan alat yang efektif dan efisien untuk deteksi anomali dengan memantau tingkat dunia maya dan fisik, secara bersamaan.


GEOG 390: Sistem Udara Tak Berawak


Tujuan dari tugas ini adalah untuk bekerja dengan pengolahan citra multi-spektral di Pix4D dan menggunakan citra itu untuk menyelesaikan analisis data nilai tambah kesehatan vegetasi untuk sebuah situs di Fall Creek, Wisconsin.

Kamera yang digunakan untuk menangkap citra untuk tugas ini adalah MicaSense RedEdge 3. Kamera ini mampu mengambil lima foto dalam lima pita spektral yang berbeda. Teknologi ini memungkinkan lebih presisi dalam analisis pertanian dan vegetasi daripada sensor RGB standar. Lima pita berbeda dalam urutan dari panjang gelombang terpendek ke terpanjang adalah sebagai berikut: pita 1 adalah filter biru, pita 2 adalah filter hijau, pita 3 adalah filter merah, pita 4 adalah filter tepi merah, dan pita 5 adalah yang terdekat. filter inframerah (NIR). Kamera RedEdge juga memerlukan parameter khusus untuk pengambilan dan analisis gambar yang tepat. Tabel berikut (tabel 1) adalah daftar parameter tersebut dari manual pengguna RedEdge.

Tabel 1: Parameter sensor MicaSense RedEdge 3

Metode

Langkah pertama untuk tugas ini adalah memproses citra penerbangan yang diambil dari situs di Pix4D. Ini dilakukan dengan menggunakan metode yang sama seperti tugas sebelumnya, namun kali ini, template Ag Multispektral digunakan. Ini menciptakan lima geotiff orthomosaic, satu untuk masing-masing pita spektral. Pada gambar 1, template diperlihatkan diatur ke Ag Multispektral. Ini tidak secara otomatis menghasilkan orthomosaic yang diperlukan untuk analisis lebih lanjut, jadi geotiff orthomosaic dan opsi selanjutnya diperiksa.

Gambar 1: Opsi pemrosesan Pix 4D

Setelah pemrosesan selesai, langkah selanjutnya adalah menyusun kelima pita spektral menjadi satu orthomosaic RGB. Untuk melakukan ini, berbagai geotiff untuk masing-masing pita dibawa ke ArcMap dan alat "pita komposit" digunakan. Alat ini bekerja dengan memasukkan masing-masing dari lima pita spektral sebagai raster input. Kemudian pengguna cukup memberikan nama dan lokasi ke raster keluaran dan komposit dibuat.

Gambar 2: Alat Pita Komposit di ArcMap

Gambar 3: Penyesuaian simbologi pada properti lapisan untuk komposit RGB
Gambar 4: Berbagai lapisan komposit
Tiga peta kemudian diproduksi di ArcMap dengan lapisan multispektral yang berbeda (lihat bagian hasil). Dari situ, langkah selanjutnya adalah melakukan analisis data nilai tambah di ArcGIS Pro. Analisis ini menunjukkan permukaan permeabel dan impermeabel untuk situs yang diberikan. Untuk melakukan ini, langkah-langkah untuk analisis data nilai tambah dari tugas 4 digunakan bersama dengan data dari tugas ini.

Langkah pertama adalah melakukan segmentasi citra (gambar 5). Hal ini membuat nilai pita spektral tidak terlalu rumit dan membantu pengguna memecah citra menjadi permukaan yang permeabel dan impermeabel dengan lebih baik. Segmentasi citra di ArcGIS Pro dilakukan dengan memasukkan raster komposit dan mengikuti petunjuk dari alat.


Gambar 5: Citra Tersegmentasi

Gambar 6: Klasifikasi permukaan

Gambar 7: Manajer sampel pelatihan dengan 5 kelas khusus

Gambar 8: Hasil klasifikasi
Setelah citra diklasifikasikan, langkah terakhir adalah menjalani reklasifikasi di mana citra yang diklasifikasikan dikategorikan menjadi permukaan tembus dan kedap air (alias permukaan kedap air). Ini dilakukan dengan memasukkan nilai 0 untuk permukaan kedap air dan 1 untuk permukaan tembus air (gambar 9 dan tabel 2).
Gambar 9: Reklasifikasi alat

Tabel 2: Reklasifikasi pervious dan impervious
Ini menghasilkan rendering nilai tambah dari data asli yang digunakan untuk membuat peta yang menunjukkan permukaan situs yang tembus cahaya dan kedap air.

Terakhir, peta indeks vegetasi perbedaan ternormalisasi (NDVI) dibuat. Peta ini menunjukkan kesehatan vegetasi, dan dianalisis dengan cara yang mirip dengan peta warna palsu yang dibuat untuk tugas ini. Karena template Ag Multispektral digunakan saat memproses citra dalam Pix4D, raster NDVI diproduksi. Peta dibuat dengan melapisi NDVI dengan DSM yang juga diproduksi di Pix4D dan menggunakan efek hillshade.

Hasil

Peta 1: Orthomosaic RGB

Peta 1 menunjukkan gambar orthomosaic pita merah, hijau, dan biru konvensional. Karena menggabungkan gambar dari setiap pita warna bersama-sama dan memiliki gambar yang agak buruk untuk dikerjakan, beberapa area di peta tampaknya mengandung lebih banyak warna merah daripada di kehidupan nyata. Namun, pemirsa dapat melihat objek apa dalam gambar yang mewakili dan dapat menafsirkan area "merah muda" yang tertutup rumput di bagian selatan gambar sebagai area dengan kesehatan vegetasi yang buruk. Jika area ini memiliki vegetasi yang sehat, kemungkinan besar akan menjadi hijau, seperti ladang tanaman di bagian barat peta. Karena gambar ini dalam tampilan RGB standar, ada kemungkinan area vegetasi yang buruk dan perubahan rona merah muda yang tidak biasa dikaitkan dengan kualitas gambar yang diambil dalam penerbangan ini. Mungkin rendering pita warna yang berbeda akan membantu menentukan ketidakpastian dengan peta 1.

Membandingkan peta 3 dengan peta 2, tidak ada banyak perbedaan antara keduanya. Keduanya rendering warna palsu kecuali, satu menggunakan pita RedEdge dan yang lainnya menggunakan pita IR dekat. Menggunakan pita IR dekat membuat area vegetasi yang lebih sehat semakin jenuh. Tampaknya ini membantu untuk membedakan area luas vegetasi sehat dari area luas vegetasi tidak sehat, namun beberapa detail yang lebih halus dalam varians kesehatan vegetasi hilang oleh kejenuhan ini. Pagar antara dua properti dan area yang tidak terawat di sebelah kanan halaman pemilik rumah adalah contoh bagus dari kehilangan ini karena saturasi warna.

Peta 4: Nilai Tambah Permukaan Pervious dan Impervious

Pada peta 4, area berwarna biru menunjukkan permukaan yang tembus (atau permeabel) dan area khaki menunjukkan permukaan yang kedap air (atau kedap air). Beberapa daerah kedap air di dekat kanan atas peta sebenarnya tembus air, tetapi ArcGIS Pro menafsirkannya sebagai daerah kedap air. Hal ini bisa disebabkan oleh kualitas citra atau kesalahan pengguna saat mengklasifikasikan citra yang tersegmentasi. Juga, seluruh asrama yang mengelilingi gambar diperhitungkan sebagai permukaan yang kedap air, namun area ini seharusnya tidak disertakan.
Peta 5: raster NDVI
Peta kelima dan terakhir dari analisis ini tentu saja adalah peta 5. Karena template Ag Multispektral digunakan dalam pemrosesan gambar dengan Pix4D, raster NDVI dihasilkan. Dengan gradien yang digunakan untuk peta ini, fitur lanskap menjadi diperkaya dan area dengan kesehatan vegetasi yang buruk ditampilkan dalam warna merah berkarat sementara area dengan kesehatan vegetasi yang baik ditampilkan sebagai nila. Pada bagian vegetasi yang lebih besar dengan kesehatan yang sama, seperti area rumput selatan, pengguna dapat melihat variasi yang sangat detail dalam kesehatan vegetasi. Tampaknya juga ada interpretasi yang salah tentang nilai-nilai di peta ini dengan satu-satunya pengecualian nyata adalah bayangan yang dilemparkan oleh rumah.

Kesimpulan

Jelas bahwa menggunakan template Ag Multispektral di Pix4D serta sensor MicaSense RedEdge 3 adalah pilihan yang fantastis untuk petani, ahli biologi, manajemen lapangan golf, dan aplikasi serupa lainnya. Teknologi ini memungkinkan pengguna untuk benar-benar mendapatkan analisis mendalam tentang kesehatan vegetasi mereka. Kemunduran teknologi ini akan mencakup potensi besar untuk informasi palsu dari kesalahan pengguna. Selama penerbangan yang mengumpulkan gambar yang digunakan untuk analisis ini, pilot secara tidak sengaja menyalakan kamera saat UAV mendaki ke ketinggian penerbangan yang direncanakan. Kecelakaan seperti ini berpengaruh pada kualitas dan akurasi analisis. Jika saya dapat melakukan tugas ini lagi, perbaikan potensial untuk kesalahan ini adalah menghilangkan gambar-gambar itu dari pemrosesan sama sekali. Jika gambar dari UAV diambil dengan sangat hati-hati dan akurat dan pengguna menyelesaikan semua langkah manipulasi data dengan benar, teknologi ini berpotensi memberikan analisis informasi pertanian dan vegetasi berbasis teknologi yang mutakhir.


Validasi Teknis

Kami menemukan bahwa 62.758 (93,5%) dari 67.141 plot yang tersedia digunakan setidaknya sekali untuk imputasi. Dalam menilai keakuratan dataset yang diperhitungkan, ada beberapa pertanyaan terkait. Ukuran kesepakatan akhir adalah seberapa baik set data yang diperhitungkan mereplikasi kondisi di lapangan, yang dapat dinilai di lokasi yang dipilih dengan membandingkan atribut kisi keluaran ID plot dengan satu set plot FIA yang baru saja diukur. Karena data LANDFIRE target didasarkan pada citra satelit untuk tahun 2014, set data yang diperhitungkan juga memiliki vintage 2014, dan kami menggunakan subset plot FIA yang diukur pada tahun 2014 untuk menilai keakuratan set data yang diperhitungkan (menggunakan plot FIA dari tahun-tahun sebelumnya tidak akan memperhitungkan pertumbuhan atau gangguan berikutnya antara waktu plot diukur dan 2014). Kami memperoleh lokasi dari 2.319 plot FIA multikondisi yang diukur pada tahun 2014 dan memanfaatkannya dalam validasi kumpulan data yang diperhitungkan. Keakuratan dataset yang diperhitungkan sangat bergantung pada variabel prediktor yang diambil dari data target LANDFIRE sehingga masalah kedua adalah seberapa baik data target LANDFIRE itu sendiri dibandingkan dengan kondisi di lapangan, yang dapat dinilai menggunakan set FIA yang sama. plot dari 2014. Kesalahan dan ketidakakuratan dalam kumpulan data target LANDFIRE secara alami akan menyebar ke kumpulan data yang diperhitungkan. Logikanya, maka masuk akal juga untuk membandingkan dataset yang diperhitungkan dengan data target LANDFIRE berdasarkan piksel demi piksel untuk semua 2.841.601.981 piksel jika metodologinya berkinerja baik, maka nilai tutupan hutan (EVC), tinggi (EVG) , dan kelompok vegetasi (EVG) yang berasal dari plot hutan yang diperhitungkan akan sesuai dengan nilai dalam data LANDFIRE target. Kesepakatan diukur dalam hal akurasi produsen (probabilitas bahwa kategori di lapangan menerima klasifikasi itu di peta yang diperhitungkan) dan akurasi pengguna (probabilitas bahwa kelas yang diperhitungkan sebenarnya mewakili kelas itu di lapangan). Singkatnya, validasi dilakukan untuk mengukur kesepakatan antara: 1) kondisi plot yang diukur di lapangan oleh FIA di lokasi dari 2.319 plot multi-kondisi dan dataset yang diperhitungkan di lokasi yang sama ini, 2) kondisi plot di lokasi dari 2.319 plot FIA dan data target LANDFIRE di lokasi yang sama ini, dan 3) data target grid LANDFIRE dan data grid yang diperhitungkan. Karena kami menambahkan kode gangguan sebagai variabel prediktor baru, kami juga menilai akurasinya dengan membandingkan jaringan yang diperhitungkan dan data target LANDFIRE.

Kesepakatan antara data referensi FIA dan set data yang diperhitungkan

Kami memeriksa kecocokan dalam tiga atribut yang berbeda untuk mengukur kesepakatan antara kumpulan data grid yang diperhitungkan dan data referensi FIA, di lokasi dari 2.319 plot FIA multi-kondisi yang diukur pada tahun 2014: 1) tutupan hutan (EVC), 2) ketinggian hutan (EVH), dan 3) dua jenis pohon dengan luas basal tertinggi. Kami memilih ukuran terakhir sebagai pengganti EVG, karena spesies pohon adalah karakteristik langsung dan terukur dari plot hutan dan tidak tunduk pada ketidakpastian dalam kategorisasi kelompok vegetasi (EVG). Jejak terentang dari satu plot FIA (Gbr. 2) adalah radius 40,25 m dan mencakup beberapa piksel 30 × 30m 4 . Luas gabungan dari empat subplot adalah 672 meter persegi, angka yang relatif dekat dengan ukuran piksel tunggal citra 30 × 30m (900 meter persegi). Kami memeriksa semua piksel yang centroidnya berada dalam radius plot FIA untuk kecocokan dalam atribut ini (EVC, EVH, dan spesies pohon), karena satu atau lebih dari empat subplot mungkin jatuh pada piksel ini. Untuk setiap piksel dalam radius plot FIA, kami menggunakan nomor pengidentifikasi plot dari plot yang diperhitungkan untuk mencari nilai yang sesuai untuk EVC, EVH, dan spesies pohon. Kami mencatat apakah nilai EVC dan EVH setidaknya satu piksel dalam radius plot cocok dengan nilai yang dihitung untuk plot. Sebagai ukuran akurasi imputasi lainnya, kami menghitung apakah nilai penutup tertimbang piksel dalam radius plot berada dalam 10% dari nilai plot, dan apakah nilai tinggi tertimbang berada dalam jarak 5 m dari nilai plot. Untuk mengevaluasi apakah komposisi spesies serupa di FIA dan data yang diperhitungkan, kami menghitung luas basal setiap pohon hidup menggunakan diameter (bidang DIA dalam tabel TREE dari FIADB), yang kemudian dikalikan dengan jumlah pohon per acre (bidang TPA_UNADJ dalam tabel TREE), dan luas dasar dijumlahkan untuk setiap spesies pada plot menggunakan kode spesies (bidang SPCD dalam tabel TREE). Kami kemudian mengidentifikasi spesies dengan dua area dasar teratas untuk setiap plot, dan memeriksa untuk melihat apakah ada piksel dalam tapak plot yang memiliki setidaknya satu dari dua spesies teratas yang sama.

Dari 2.319 plot multikondisi yang diperoleh untuk validasi, 2.858 memiliki setidaknya satu piksel berhutan dalam radius plotnya (98,1%). Ada beberapa kemungkinan alasan untuk perbedaan ini, termasuk karena topeng piksel berhutan berasal dari data target LANDFIRE, mungkin ada contoh di mana piksel berhutan tetapi LANDFIRE tidak mengklasifikasikannya seperti itu atau FIA mungkin telah mengukur pohon di plot. tetapi total pertanggungan mungkin turun di bawah ambang batas pertanggungan 10%. Tempat sampah penutup setidaknya satu piksel dalam radius plot cocok dengan nilai plot dalam 44,0% kasus, dan nilai penutup tertimbang berada dalam 10% dari nilai plot dalam 48,7% kasus (Tabel 2). Tinggi bin setidaknya satu piksel dalam radius plot cocok dengan nilai plot dalam 85,7% kasus, dan nilai tinggi bobot piksel dalam radius plot berada dalam jarak 5 m dari nilai plot dalam 70,3% kasus. Setidaknya satu dari dua spesies dengan area basal tertinggi di plot juga merupakan salah satu dari dua spesies teratas pada setidaknya satu piksel dalam radius plot dalam set data yang diperhitungkan dalam 76,7% kasus. Sementara spesies pohon itu sendiri bukan merupakan prediktor atau variabel respons, kumpulan data yang diperhitungkan memprediksi spesies pohon dengan tingkat keterampilan yang cukup tinggi.

Kesepakatan antara data referensi FIA dan dataset LANDFIRE target

Kami mengulangi analisis yang dijelaskan di bagian di atas menggunakan dataset LANDFIRE target, bukan set data yang diperhitungkan. Tingkat di mana kecocokan terjadi serupa untuk variabel EVC dan EVH apakah membandingkan nilai plot dengan grid LANDFIRE atau ke grid yang diperhitungkan (Tabel 2). Secara khusus, nilai penutup setidaknya satu piksel dalam radius plot cocok dalam 43,7% kasus (dibandingkan 44,0% dalam data yang diperhitungkan), sedangkan nilai penutup tertimbang piksel dalam radius plot berada dalam 10% dari nilai plot di 48,7% kasus (dibandingkan 48,7% kasus dalam data yang diperhitungkan Tabel 2). Nilai tinggi setidaknya satu piksel dalam radius plot cocok dalam 85,4% kasus (dibandingkan 85,7% kasus dalam data yang diperhitungkan), sedangkan nilai tinggi tertimbang piksel dalam radius plot berada dalam jarak 5 m dalam 70,2% kasus (dibandingkan 70,3% kasus dalam data yang diperhitungkan). Tampaknya keakuratan dataset yang diperhitungkan dalam kategori penutup dan tinggi sangat didorong oleh data target, sebuah pertanyaan yang diselidiki lebih teliti di bagian berikutnya.

Kesepakatan antara target LANDFIRE dan set data yang diperhitungkan

Di sini, kami membandingkan data LANDFIRE input grid dan dataset diperhitungkan output grid pada basis piksel-ke-piksel karena kedua set data adalah grid 30 × 30m. Karena data LANDFIRE target digunakan untuk menghasilkan rangkaian variabel prediktor yang digunakan untuk memilih plot yang paling cocok untuk setiap piksel, jika imputasi hutan acak dilakukan dengan baik, nilai variabel ini harus serupa dalam data yang diperhitungkan.

Dari raster ID plot yang diperhitungkan, kami membuat raster berdasarkan karakteristik plot: satu raster untuk tutupan (EVC), satu untuk ketinggian (EVH), dan satu untuk kelompok vegetasi (EVG). Masing-masing raster ini kemudian digabungkan dengan raster target LANDFIRE dan nilainya dibandingkan berdasarkan piksel demi piksel sebagai ukuran akurasi imputasi.

Topeng hutan dari data LANDFIRE termasuk 2.841.601.981 piksel yang kami hubungkan dengan plot FIA. Raster yang diperhitungkan memiliki kelas tutupan hutan yang sama dengan raster tutupan LANDFIRE pada 97,2% piksel. Kesepakatan antara target dan data yang diperhitungkan berada di atas 92% untuk delapan dari sembilan wadah penutup, dengan akurasi produsen terendah pada 79% untuk wadah penutup 95% (Tabel 3). Tempat sampah ini memiliki lebih sedikit plot yang tersedia untuk diperhitungkan (Gbr. 5 dan 6), sehingga algoritma hutan acak lebih sulit untuk mencocokkan nilai tutupan sekaligus mencocokkan tinggi dan kelompok vegetasi (dua variabel respons lainnya). Memang, akurasi produsen cenderung meningkat dengan jumlah plot yang tersedia untuk imputasi di kelas penutup (Gbr. 6). The proportion of the landscape falling into each of the nine cover bins was similar across the three data sources (FIA plots, LANDFIRE data, and imputed dataset) (Fig. 5). However, the proportions were more similar between the imputed and target data than to the FIA plots. Since FIA plot locations are likely representative of the landscape as a whole, this suggests that LANDFIRE may have underestimated the number of pixels in the cover classes with midpoints of 15%, 55%, 65%, and 95%, and overestimated the number of pixels in the 75% and 85% cover classes (Fig. 5).


Tonton videonya: बहभज गरड बनन वल आरकगस फशनट बनए Create (Oktober 2021).