Lebih

Ekstrak nilai raster ke poligon


Saya mencoba mengekstrak nilai raster dalam banyak poligon. Akan lebih baik jika saya dapat memilih antara mengatakan nilai raster maksimum atau rata-rata dalam poligon.

Misalnya, saya telah membuat grid kedalaman sebagai raster saya untuk memberikan kedalaman banjir. Sekarang saya ingin menghitung nilai raster tertinggi/rata-rata dalam setiap tapak bangunan untuk memperkirakan risiko banjir.

Saya telah mencoba statistik zona seperti yang direkomendasikan di beberapa posting serupa, tetapi hasilnya menghitung seragam untuk setiap poligon alih-alih setiap bangunan individu. Saya juga telah melakukan poligon untuk menunjuk dan mengekstrak nilai penilai ke titik, tetapi dalam beberapa kasus grid kedalaman tidak melintasi pusat tapak bangunan tempat titik ditempatkan.


Anda dapat menggunakan Statistik Zona sebagai Tabel (Analis Spasial) untuk jenis operasi ini. Alat ini menerima data vektor dan raster sebagai input. Anda dapat menggabungkan hasil ke kelas fitur input Anda jika diinginkan.


Menghapus area yang ditentukan poligon dari raster multiband: Penyelidikan klasifikasi lanskap

Saya mencoba untuk mengecualikan beberapa danau dan waduk dari klasifikasi lanskap yang diawasi tetapi saat ini saya belum menemukan cara untuk melakukan ini. Sejauh ini saya telah menggunakan alur kerja berikut:

1.Menggambar poligon -> Clip -> Extract by mask) menghasilkan hasil sebaliknya.

2.Gambar poligon -> "Raster ke Poligon" -> Reklasifikasi -> Tetapkan Null, tetapi klasifikasi ulang menghilangkan simbologi RGB

Saya menggunakan gambar Raster resolusi Tinggi Multiband
Saya sedang mengerjakan versi terbaru ARCmap untuk Desktop
Saya ingin mempertahankan simbologi Komposit RGB

Satu Jawaban

Itu menghapus pengaruh yang Anda cari dapat dicapai dengan alur kerja sederhana, ditangkap sebagai model. Input adalah raster dan kelas fitur poligon. Dalam contoh saya, satu poligon telah dipilih.


Sintaksis

Raster harus bertipe integer.

Kelas fitur keluaran yang akan berisi polyline yang dikonversi.

Menentukan nilai yang akan mengidentifikasi sel latar belakang. Dataset raster dilihat sebagai kumpulan sel latar depan dan sel latar belakang. Fitur linier terbentuk dari sel latar depan.

  • NOL —Latar belakang terdiri dari sel-sel nol atau kurang atau NoData. Semua sel dengan nilai lebih besar dari nol dianggap sebagai nilai latar depan.
  • NODATA —Latar belakang terdiri dari sel NoData. Semua sel dengan nilai yang valid milik latar depan.

Panjang minimum polyline yang menjuntai yang akan dipertahankan. Standarnya adalah nol.

Menyederhanakan garis dengan menghilangkan fluktuasi kecil atau tikungan asing darinya sambil mempertahankan bentuk dasarnya.

  • SIMPLIFY —Polyline akan disederhanakan menjadi bentuk yang lebih sederhana sehingga masing-masing berisi jumlah segmen minimum. Ini adalah default.
  • NO_SIMPLIFY —Polyline tidak akan disederhanakan.

Bidang yang digunakan untuk menetapkan nilai dari sel di raster input ke fitur polyline di set data output.


Sekarang setelah kita selesai mensimulasikan data, kita dapat memulai analisis. Pertama kita akan menggunakan data simulasi untuk menghasilkan faktor diskriminasi. Dengan kata lain kita perlu menentukan bagaimana tanda tangan isotop jaringan terkait dengan tanda presipitasi. Kami akan melakukan ini menggunakan model linier sehingga kami dapat membuat penugasan geografis untuk individu dari asal yang tidak diketahui.

di bawah ini kami mengekstrak informasi yang kami butuhkan untuk membuat penetapan isotop. Pertama, kita membutuhkan intersep dan kemiringan dari persamaan linier di atas.


Modul 1: Pengantar Analisis Spasial

Selamat datang para siswa yang terkasih, selamat datang kembali di kursus Analisis Spasial Geo Dalam Perencanaan Kota. Jadi, hari ini kita akan melihat Operasi Raster, kita berada di modul 2 tentang Imean kita akan melihat fungsionalitas GIS. Dan dasar-dasar analisis spasial telah kita bahas dengan analisis vektor, hari ini kita juga telah membahas 1 modul yang berkaitan dengan analisis raster.
Hari ini, kita berada di kuliah ke-10 di mana kita akan membahas tentang operasi raster. Bagaimana medan dapat divisualisasikan jika kita memiliki model elevasi digital yang juga merupakan data raster? Bagaimana medan dapat divisualisasikan? Apa saja cara berbeda untuk memvisualisasikannya? Dan bagaimana kita bisa melakukan klasifikasi data raster? Jadi, maksud saya singkat ke semua ini akan dibahas dalam kuliah hari ini.
(Lihat Waktu Slide: 01:15)
Jadi, konsep yang akan kita bahas hari ini adalah operasi raster, kita akan melihat ukuran jarak fisik. Kami akan melihat ke alokasi dan arah, kami akan melihat operasi data raster data tentang ekstraksi data. Kami juga akan membahas berbagai aspek buffering data raster dan melihat bagaimana perbedaannya dengan buffering vektor Anda yang telah kami maksudkan sebelumnya.
Kami juga akan melihat operasi untuk menganalisis dan memvisualisasikan medan menggunakan pendekatan yang berbeda. Seperti, salah satunya adalah menghitung relief yang diarsir, maksudnya kita juga bisa melakukan hillshading atau disebut juga dengan hypsometric shading kemudian kita akan menghitung kemiringan dan aspeknya. Dan akhirnya, kita akan melihat konsep klasifikasi data raster berbagai pendekatan dan bagaimana kita dapat menghitung kesalahan ketika kita melakukan perhitungan data raster.
(Lihat Waktu Slide: 02:26)
Jadi, maksud saya tentang operasi data ini yang telah kita bicarakan di kuliah sebelumnya, maksud saya tentang data yang dianalisis dalam konteks lokal di lingkungan atau konteks atau dalam konteks regional atau global. Jadi hari ini, pertama kita berbicara tentang ukuran jarak fisik yang saya maksud Anda sudah tahu bagaimana kita bisa mengukur jarak menggunakan vektor, tapi kita juga bisa menghitung jarak menggunakan raster&rsquos.
Jadi, jarak tersebut dapat kita hitung sebagai jarak fisik atau jarak biaya. Sekarang ukuran jarak fisik adalah ukuran Euclidean itu adalah ukuran jarak Euclidean yang telah kita lihat dan pada dasarnya adalah ukuran garis lurus. Dan jarak biaya adalah fungsi dari jarak fisik itu juga merupakan fungsi dari kecepatan pada segmen jalan tertentu atau juga pada kondisi jalan.
Jadi, faktor-faktor ini akan mengatur biaya melintasi link katakanlah, kita memiliki segmen jalan yang ditampilkan sebagai garis baik garis vektor atau garis raster kita dapat menghitung jarak fisik serta jarak biaya. Jadi, dalam konteks hari ini saya akan membahas tentang mencari tahu jarak sehubungan dengan kumpulan data raster.
Jadi, maksud saya kita biasanya mengukur jarak fisik seperti yang saya maksud sebagai produk dari resolusi masing-masing sel yaitu resolusi spasial Berapa ukuran sel raster dalam data raster tertentu dan kami mengukur maksud saya kalikan dengan jarak Maksud saya itu adalah akar kuadrat dari centroid dari piksel asal piksel ke piksel tujuan.
Jadi, maksud saya digunakan jarak yang diukur menggunakan rumus Euclidean Anda untuk menghitung jarak fisik dalam kasus raster apa perbedaan antara jarak data vektor dan jarak raster adalah bahwa dalam vektor Anda memiliki koordinat titik spesifik yang lebih akurat dalam hal mengukur jarak dimana dalam kasus raster kita biasanya mengukur jarak dari pusat piksel. Jadi, mungkin ada beberapa keterbatasan yang melekat dalam hal ukuran yang tepat ketika kita mengukur jarak menggunakan data raster.
Sekarang, ukuran jarak fisik itu menyangga sel sumber dan itu akan membuat buffer ke jarak maksimum yang ditentukan dan itu bisa menjadi operasi lingkungan juga atau bisa berarti operasi global. Sekarang, dalam kasus raster, maksud saya operasi data di mana kita mengukur jarak fisik, kita harus mengklasifikasi ulang data atau kita harus mengubah atau mengelompokkan kembali ukuran fisik ini karena karena ini akan menjadi ukuran jarak kontinu dalam kasus raster, maka kita akan memiliki untuk mendiskritisasi zona jarak.
Jadi, kita bisa melakukan ini ada operasi yang dikenal dengan nama yang berbeda dalam perangkat lunak yang berbeda operasi ini dikenal sebagai slicing yang dapat membagi fungsi jarak kontinu rasteri ke interval yang sama atau zona jarak area yang sama.
Sekarang, Anda dapat melihat contoh khusus ini di mana kita memiliki raster khusus ini di mana maksud saya adalah 2 sel yang dihubungkan oleh garis. Jadi, kami mengukur jarak centroid
dan kemudian yang saya maksud dari sel asal ke sel tujuan dan kemudian kami menghitung jarak menggunakan persamaan yang telah kami bicarakan.
Pada gambar kedua, Anda dapat melihat bahwa ada ukuran jarak terus menerus dari jaringan arus. Jadi, dalam hal ini telah dilakukan slicing untuk mengubah raster jarak kontinu menjadi zona jarak diskrit yang berbeda. Jadi, ini sangat penting setiap kali kita mengukur jarak fisik menggunakan operasi data raster untuk mengiris jarak, setelah kita mengukur jarak dari fitur linier.
(Lihat Waktu Slide: 07:12)
Sekarang, berbicara tentang alokasi dan arah, kita dapat mengukur jarak fisik dan menghasilkan raster alokasi dan arah misalnya, maksud saya kita dapat memiliki nilai sel dalam raster alokasi yang akan sesuai dengan sel sumber terdekat untuk sel yang akan kita lihat di
tentu saja melalui contoh. Jadi, nilai sel dalam raster arah itu umumnya akan sesuai dengan arah dalam hal derajat bahwa sel paling dekat dari sel sumber.
Jadi, maksud saya kita bisa menggunakan arah kompas misalkan kita mengambil ukuran searah jarum jam. Jadi, 90 derajat akan menjadi timur Anda, 180 derajat akan menjadi selatan Anda, 270 derajat akan menjadi barat, dan demikian pula 360 derajat atau 0 derajat akan menjadi Utara.
Jadi, dalam contoh khusus ini Anda dapat melihat lagi bahwa pada gambar pertama di sana Anda memiliki sel raster, yang menunjukkan ukuran jarak fisik dalam unit sel dari setiap sel ke sel terdekat. Jadi, Anda memiliki nilai sel tertentu yang bernilai 1 dan nilai 2 nilai 1 adalah sel sumber dan 2 adalah sel tujuan. Sekarang, nilai dalam sel khusus ini memberi Anda ukuran jarak dari pusat massa sel tertentu ini ke sel tetangga.
Jadi, dari 2 untuk pergi ke sel khusus ini Anda harus melintasi jarak 1,4 karena itu adalah akar kuadrat dari maksud saya 1 kuadrat ditambah 2 kuadrat. Jadi, itu akan memberi Anda root lebih dari 2 yang setara dengan 1,414 jadi, yang saya maksud dibulatkan menjadi 1,4. Jadi, Anda juga dapat melihat sel tertentu di mana sel ini dipindahkan dari 2. Jadi, kami mencari jarak dari masing-masing sel ini ke piksel terdekat.
Sekarang, pada gambar kedua Anda dapat melihat bahwa itu menunjukkan alokasi setiap sel ke sel sumber terdekat. Jadi, di mana pun yang saya maksud Anda memiliki sel sumber 1 dan 2 sel putih ini menunjukkan bahwa mereka dialokasikan yang saya maksud adalah yang paling dekat dengan sumber 1 dan sel yang menandai 2 berada paling dekat dengan sel 2. Sekarang di sini penting untuk perhatikan bahwa jarak dari pusat piksel 2 ini sel tujuan ke sel khusus ini adalah 2.2.
Dan jarak jarak ini juga sama dari pusat piksel sumber, jika ini adalah sumber dan ini adalah piksel tujuan, Anda melihat bahwa jarak ini sama dari sumber ini dan piksel tujuan. Jadi, kita harus mengalokasikannya ke salah satu sel, jadi dalam hal ini mungkin ada semacam anomali.
Sekarang, pada gambar ketiga lihat Anda dapat melihat bahwa itu memberi Anda arah dalam derajat dari setiap sel ke sel sumber terdekat. Jadi, maksud saya Anda akan mengukurnya dari maksud saya
dari 90 derajat dan kemudian kami mengatakan bahwa kami dapat mengukurnya searah jarum jam. Jadi, ini akan memberi Anda arah dalam derajat dari setiap sel ke sel terdekat.
Jadi, sel dalam gelap yang ditunjukkan pada baris nomor 3 dan kolom nomor 3 telah kami katakan bahwa jaraknya adalah 2.2 itu sama dari kedua 2 sel ini yang saya maksud dan arah 2 ke 43 ke itu dari sehubungan ke sel sumber 243 derajat adalah sehubungan dengan sel sumber.
(Lihat Waktu Slide: 11:22)
Sekarang, berbicara tentang ekstraksi data raster mungkin ada kasus di mana kita ingin mengekstrak nilai piksel yang tepat dari lokasi raster katakanlah, Anda mungkin mengatakan nilai suhu atau nilai presipitasi dari kumpulan data kontinu di India dan Anda mungkin ingin mengekstrak nilai data untuk kota tertentu atau lokasi tertentu. Jadi, kita mungkin perlu melakukan ekstraksi data dari titik atau wilayah tertentu sehingga dalam hal ini operasi ekstraksi data raster akan membuat yang baru
raster dengan hanya mengekstrak data dari raster yang ada maksud saya dan operasi ini mirip dengan kueri data raster.
Sekarang kumpulan data atau objek grafik maksud saya kita dapat menggunakan kueri atau ekspresi untuk menentukan area yang akan diekstraksi Anda dapat memiliki kueri yang sangat kompleks saat Anda menjalankannya atau Anda juga dapat memasukkannya ke dalam persamaan atau Anda dapat melihat apakah data sehingga Anda dapat memiliki berbagai cara untuk memberikan ekspresi kueri saat Anda melakukan ekstraksi ekspresi data raster.
Sekarang, maksud saya itu akan mengekstrak lokasi titik yang saya maksud misalnya, maksud saya Anda dapat memiliki interpolasi bilinear Kami telah berbicara tentang interpolasi bilinear ketika kami mempelajari pendekatan pengambilan sampel pendekatan pengambilan sampel ulang sehingga lingkungan terdekat yang saya maksud adalah operator interpolasi bilinear, kubik interpolasi, jadi kami telah melihat apa jenis interpolasi ini.
Jadi, kita dapat mengekstrak nilai menggunakan teknik interpolasi maksud saya seperti interpolasi bilinear kita dapat menggunakan teknik interpolasi lain juga dan itu akan melampirkan nilai khusus ini ke bidang baru maksud saya di lapisan baru. Jadi, ini bisa menjadi fitur titik. Artinya, kita dapat mengekstrak membuat kumpulan data vektor titik dan kita dapat mengekstrak nilai dari kumpulan data raster dan menandainya sebagai atribut ke tabel fitur atribut titik.
Sekarang, kumpulan data dapat berupa lapisan raster yang merupakan lapisan input atau dapat berupa lapisan fitur poligon dan alat ekstraksi pada dasarnya akan mengekstrak nilai sel yang ditentukan oleh lapisan poligon raster atau seperti pada poin sebelumnya kita berbicara tentang ekstraksi menggunakan fitur titikkita juga dapat melakukan operasi yang sama menggunakan fitur raster atau fitur poligon menggunakan fitur vektorpoligon atau fitur area raster.
Jadi, apa yang dapat kita lakukan adalah kita dapat mengekstrak nilai sel tersebut di dalam sel raster yang ditentukan yang seperti topeng atau lapisan poligon udara poligon dan tidak memberikan data ke sel yang berada di luar lapisan topeng raster atau lapisan fitur poligon.
(Lihat Waktu Slide: 14:38)
Kami juga dapat melakukan buffering seperti yang telah kami lakukan buffering dalam kasus lapisan vektor di mana dalam buffering suatu operasi akan memberi Anda jarak fisik mengukur jarak fisik dan itu juga mirip dengan maksud saya baik vektor dan operasi raster di mana kita dapat mengukur jarak dari fitur yang dipilih. Sekarang, ketika kita berbicara tentang operasi buffering vektor, kita telah menggunakan koordinat x dan y saat mengukur jarak.
Sekarang, kami juga dapat saya maksudkan dalam kasus buffering vektor Anda, kami telah melihat bahwa kami dapat membuat zona buffer yang sangat akurat dibandingkan dengan buffer raster Maksud saya ketika kami melakukan rasterbuffer, kami tidak dapat memiliki buffer yang akurat karena koordinat garis Anda akan menjadi koordinat sangat spesifik atau titik atau poligon akan sangat spesifik, sehingga Anda dapat membuat buffer yang sangat akurat, tetapi dengan kumpulan data raster Anda mungkin tidak dapat membuat buffer yang tepat seperti itu.
Jadi, operasi buffering vektor lebih fleksibel dan memberikan lebih banyak pilihan dalam hal penciptaan bahkan beberapa zona buffer tidak hanya satu buffer tunggal, tetapi beberapa zona buffer. Jadi, maksud saya, kita telah melihat bahwa kita dapat membuat zona penyangga terpisah untuk fitur yang dipilih berbeda atau kita dapat membubarkan zona penyangga dalam batas untuk semua fitur yang dipilih.
Jadi, maksud saya opsi ini tersedia dalam operasi buffering vektor tetapi ketika kita berbicara tentang buffering raster, ia menggunakan sel dalam mengukur jarak fisik dan umumnya menciptakan ukuran jarak berkelanjutan. Dan dalam alat ukur kita telah melihat bahwa kita secara umum, menyambung ukuran jarak yang saya maksud ketika kita memiliki nilai data kontinu ini, kita akan menyatukannya dan mengelompokkannya ke dalam wilayah jarak yang berbeda.
Jadi, kami mengatakan bahwa pemotongan diperlukan untuk menentukan zona penyangga karena operasi ini akan memberi Anda ukuran jarak yang berkelanjutan. Jadi, sulit untuk membuat atau memodifikasi ukuran jarak yang terpisah seperti dalam vektor yang saya maksud adalah mode buffering, kami telah mengatakan bahwa kami dapat membuat zona buffer terpisah untuk setiap fitur yang dipilih. Tetapi dalam hal data raster akan sulit bagi kita untuk membuat ukuran jarak terpisah menggunakan operasi berbasis raster.
(Lihat Waktu Slide: 17:22)
Sekarang, mari kita bicara tentang maksud saya mewakili data atau menganalisis dan memvisualisasikan data dalam kasus medan di mana kita berbicara tentang informasi ketinggian. Jadi, kami telah mengatakan salah satu contoh data tersebut dapat berupa model elevasi digital atau dapat berupa model medan digital sehingga secara umum, artinya kita dapat memvisualisasikan medan menggunakan model relief berbayang.
Jadi, dalam hal ini pada dasarnya kami menghitung rasio jumlah insulasi matahari langsung atau radiasi matahari langsung yang diterima pada permukaan tertentu dan umumnya pekerjaan itu dapat diselesaikan dalam nilai radian Anda. Jadi, Anda dapat melihat bahwa metode ini dapat digunakan dengan sangat baik untuk menghitung kuantitas nilai radian yang saya maksud secara fisik.
Jadi, ini adalah alat yang sangat menarik dimana kita membuat bayangan bukit yang akan mensimulasikan bayangan karena efek matahari di medan karena mungkin ada perubahan ketinggian medan, jadi Anda mungkin memiliki bukit atau gunung dan Anda bisa melihat efek dari bukit di
gambar dan Anda dapat melihat dimensi ketiga karena aspek relief berbayang ini. Ini akan membantu pemirsa untuk mengenali bentuk fitur bentang alam.
Sekarang, ada empat faktor yang umumnya akan mengontrol naungan bukit yang pertama adalah azimut matahari atau arah cahaya yang saya maksud dari mana cahaya matahari datang ke pandangan yang diberikan. Jadi, seperti yang telah kami katakan sebelumnya, konvensi adalah untuk mengukur, maksud saya, kami menetapkan 0 derajat ke utara dan kami mengukur arah searah jarum jam. Jadi, sekali lagi maksud saya timur Anda akan menjadi 90 derajat, selatan akan menjadi 180 derajat, barat akan menjadi 270 derajat dan lagi utara akan menjadi 0 atau 360 derajat.
Faktor berikutnya yang saya maksud mengontrol bayangan bukit atau relief berbayang adalah matahari yang merupakan sudut cahaya yang masuk sehubungan dengan cakrawala. Ada juga efek kemiringan, topografi mungkin memiliki semacam kemiringan. Jadi, tergantung pada sifat lereng, permukaan akan terpengaruh dan juga aspek arah di mana lereng itu memanjang. Jadi, kita akan melihat di slide berikutnya konsep yang berbeda dari kemiringan dan aspek.
(Lihat Waktu Slide: 20:17)
Sekarang, kita juga dapat melakukan bayangan bukit jadi ini dilakukan dengan menggunakan persamaan khusus ini. Maksud saya, di mana Anda memiliki faktor-faktor ini, yaitu R f adalah nilai pancaran relatif, a adalah sel segi atau araster atau segitiga. Sekarang kita memiliki A f yang merupakan aspek aspek yang saya maksud adalah kita dapat memiliki faset ketika kita memiliki NPWP jaringan tidak beraturan segitiga, jadi kita dapat memiliki faset atau bisa juga sel raster jadi kita bisa kita bisa menyebutnya sebagai faset Anda A s adalah matahari & rsquosazimut, H f adalah kemiringan segi & rsquos dan H s adalah ketinggian matahari.
Jadi, nilai-nilai ini dimasukkan ke dalam persamaan khusus ini untuk menghitung nilai R f yang merupakan nilai pancaran relatif dari sel raster. Jadi, persamaan yang saya maksud ini dapat dijalankan untuk menghasilkan nilai theradian dari sel raster atau bisa juga dijalankan pada jaringan tak beraturan triangulasi atau kumpulan data TIN yang merupakan kumpulan data vektor untuk menghitung efek hill shading.
(Lihat Waktu Slide: 21:36)
Sekarang, berbicara tentang aspek dan kemiringan kita berbicara tentang kemiringan dan aspek menjadi salah satu faktor yang pada dasarnya berdampak pada naungan bukit Anda. Jadi, berbicara tentang kemiringan pertama itu adalah turunan pertama dari elevasi yaitu laju perubahan elevasi terhadap jarak. Jadi, maksud saya itu dinyatakan sebagai persen kemiringan yang 100 kali rasio kenaikan dalam hal jarak vertikal Anda dengan jarak horizontal yang juga dikenal sebagai lari.
Sekarang, cara kedua di mana kemiringan Anda dinyatakan adalah kemiringan derajat di mana kita menghitung tangen busur sebagai rasio kenaikan di atas run. Sekarang, kita juga dapat mengerjakan aspek yang merupakan komponen arah kemiringan, katakanlah jika Anda memiliki piksel atau sel persegi panjang dan memiliki kemiringan tertentu jika Anda meletakkan setetes air di pusat piksel tertentu, aspeknya adalah arah. di mana air akan mengalir, setetes air akan dyne atau mengalir.
Jadi, pada dasarnya ini memberi Anda komponen arah kemiringan karena dari kemiringan Anda hanya dapat mengukur turunan pertama dari elevasi yaitu laju perubahan elevasi, tetapi hanya aspek yang akan memberi Anda sifat arah dari lereng. Jadi, sekali lagi kami menggunakan konvensi yang sama bahwa 0 adalah utara dan kami mengukurnya searah jarum jam.
Sekarang, ukuran aspek Anda juga dapat dikonversi, maksud saya, Anda dapat dengan mudah mengubahnya menjadi ukuran linier karena ini adalah istilah dalam derajat. Jadi, Anda dapat mengambil sinus atau cosinus dari nilai derajat tertentu ini dan Anda akan mendapatkan nilai mulai dari minus 1 hingga plus 1. Jadi, kita juga dapat mengubah nilai aspek ini menjadi ukuran linier. Jadi, maksud saya kita umumnya menggunakan kemiringan dan aspek secara ekstensif setiap kali kita memiliki data DM dan kita dapat menjalankannya pada berbagai jenis analisis.
Jadi, ini digunakan secara luas ketika kita mempelajari DAS, ketika kita ingin menghasilkan DAS dari model elevasi digital, kita dapat menggunakan kemiringan dan aspeknya. Jadi, saya harap Anda semua tahu tentang DAS, jika Anda tidak tahu tentang DAS, silakan lihat definisi apa itu DAS. Jadi, kita juga bisa menghitung satuan bentang alam, kita juga bisa melakukan ukuran morfometrik, kita bisa mengetahui maksud saya ukuran morfometrik ini bisa digunakan untuk mempelajari erosi tanah.
Kemiringan dan aspek ini juga dapat digunakan untuk analisis kesesuaian lokasi dalam hal pekerjaan perencanaan kota. Jadi, maksud saya, kita memiliki visual ini di mana Anda dapat melihat bahwa ukuran aspek dikelompokkan menjadi empat atau delapan arah mata angin utama. Jadi, pada gambar atas pertama Anda dapat melihatnya dikelompokkan sebagai timur laut barat dan selatan dan yang berikutnya Anda dapat melihat ada delapan arah utama di mana Anda memiliki sub elemen timur laut, tenggara, barat daya dan barat laut.
(Lihat Waktu Slide: 25:21)
Sekarang, mari kita masuk ke klasifikasi citra yang merupakan bagian terakhir dari kuliah ini. Jadi, ketika kita melakukan analisis raster, ini adalah alat yang sangat penting yang akan memberi kita semacam pemotongan data berdasarkan nilai input. Jadi, ini dapat dilakukan pada kumpulan data statistik, dapat dilakukan pada beberapa lapisan tematik dan Anda dapat mengklasifikasikannya semua kumpulan data yang berbeda dan nilai atribut berdasarkan input.
Jadi, Anda dapat menjalankan ini maksud saya algoritma yang sama konsep yang sama pada data vektor serta data raster. Jadi, dalam hal data raster kita biasanya melakukan klasifikasi citra citra penginderaan jauh, sehingga menghasilkan peta penggunaan lahan dan tutupan lahan. Jadi, maksud saya setiap kali kita menjalankan klasifikasi, umumnya akan menetapkan kelas yang berbeda untuk nilai piksel input. Penetapan cara klasifikasi gambar ini dilakukan didasarkan pada algoritma yang berbeda.
Jadi, beberapa algoritma ini ada yang diawasi atau ada yang tidak diawasi. Jadi, kita bisa mengetahui nilai reflektansi spektral dan jarak dari rata-rata kelas yang digunakan sebagai alat pemandu saat kita menjalankan algoritma klasifikasi ini. Jadi, maksud saya kita akan memilih kelas yang memiliki sifat reflektansi yang sama dengan rata-rata kelas pada pita panjang gelombang.
Maksud saya ketika kita berbicara tentang citra penginderaan jauh, kita memiliki panjang gelombang atau pita yang berbeda di mana data ditangkap atau disimpan. Jadi, kami dapat memiliki pita yang terlihat, kami dapat memiliki pita inframerah dekat, atau kami dapat memiliki pita inframerah termal Anda, atau pita gelombang mikro. Jadi, kami dapat memiliki pita yang berbeda di mana gambar dapat diperoleh dan kemudian kami dapat memilih algoritma untuk mengklasifikasikan data.
Sekarang, ada berbagai cara klasifikasi dapat dilakukan seperti yang telah kita bicarakan. Itu bisa dilakukan dalam mode terawasi, atau bisa dilakukan dalam mode tidak terawasi, atau bisa dilakukan dengan cara di mana kita bisa menggabungkan kedua metode ini yang juga dikenal sebagai pendekatan klasifikasi hibrid.
(Lihat Waktu Slide: 28:01)
Jadi, umumnya dalam klasifikasi terawasi yang pertama kita lakukan adalah membuat set pelatihan di mana kita memiliki data raster. Dan kami memilih beberapa wilayah atau area di mana kondisi tanah diketahui oleh kami atau penutup tanah diketahui oleh kami, jadi kami menggunakannya sebagai set pelatihan dan kemudian kami membuat file tanda tangan. Jadi, dari file tanda tangan ini kami mencoba menghitung statistik mean, varians, standar deviasi Anda.
Dan kami membuat tanda tangan yang saya maksud nilai untuk parameter statistik yang saya maksud ini. Kemudian yang kami lakukan adalah, kami mencoba mengambil setiap piksel dan mencoba mengukur jarak ke sarana sampel atau kelas pelatihan ini. Jadi, di mana pun jarak minimum digunakan, maksud saya piksel pada dasarnya ditetapkan ke kelas tertentu, sehingga ini adalah operasi terakhir yang kita lakukan pada kumpulan data.
Jadi, maksud saya dalam hal ini Anda sebagai pengguna akan memandu proses klasifikasi. Jadi, itu tergantung pada kecerdikan Anda tentang seberapa baik Anda menafsirkan data atau tentang pengetahuan Anda tentang kondisi lapangan. Sekarang, maksud saya, kita telah berbicara tentang memperoleh set pelatihan. Artinya, itu harus mewakili seluruh gambar. Jadi, piksel yang Anda gunakan sebagai set astraining, maksud saya akan memiliki representasi pada seluruh gambar.
Jadi, maksud saya kita dapat menetapkan kelas dan membuat file tanda tangan. Jadi kita bisa membuat nama atau kita bisa memberi warna pada sampel tanda tangan yang telah kita ambil. Jadi, piksel keluaran tersebut juga akan memiliki warna yang serupa, mereka akan memiliki nilai piksel yang sama dengan nomor kelas Anda di mana Anda telah memperoleh set pelatihan tanda tangan. Dan itu juga akan memiliki nama yang sama baik nama yang Anda tentukan sehingga nomenklatur yang sama akan dipertahankan dalam gambar keluaran.
Sekarang, set pelatihan digunakan oleh perangkat lunak untuk mengidentifikasi kelas dan maksud saya, kami memiliki berbagai jenis algoritma untuk klasifikasi yang digunakan dalam perangkat lunak&rsquos. Jadi, Anda dapat membaca tentang pengklasifikasi paralelepiped, maksud Anda, dapatkah saya membaca tentang pengklasifikasi kemungkinan maksimum Gaussian, Anda juga dapat memiliki jarak minimum untuk skema klasifikasi, atau kita juga dapat memiliki komponen prinsip.
(Lihat Waktu Slide: 31:07)
Jadi, ada berbagai jenis algoritma yang digunakan atau pendekatan yang digunakan ketika kita melakukan klasifikasi terbimbing. Jadi, dalam pengklasifikasi kemungkinan maksimum kami mencoba mengidentifikasi piksel dan mencari tahu jarak minimum ke rata-rata kelas yang berbeda dengan nilai piksel itu. Dan di mana pun probabilitas tertinggi ada berdasarkan statistik untuk setiap kelas di setiap band, maksud saya itu ditugaskan ke kelas tertentu itu.
Dan dalam hal ini asumsi dasar yang diambil adalah data berdistribusi normal. Jadi, jika Anda melihat histogram yang saya maksud dari citra satelit, umumnya Anda akan melihat semacam massa terbalik. Jadi, yang merupakan perwakilan dari distribusi normal dan itu adalah premis dasar dari algoritma klasifikasi kemungkinan maksimum yang diawasi ini bahwa data terdistribusi secara normal.
Sekarang, pendekatan satu detik kedua adalah jarak minimum. Jadi, maksud saya kita membuat kelas berdasarkan kelas terdekat dan maksud saya menghitung vektor rata-rata untuk menghitung jarak Euclidean. Jadi, ada pendekatan jarak yang berbeda, kami memiliki nama yang berbeda untuk jarak yang berbeda dan persamaan Anda. Salah satu cara untuk mengetahui jarak disebutkan pada ahli statistik hebat kami bahwa India telah menghasilkan Profesor Mahalanobis.
Sehingga dikenal dengan jarak Mahalanobis yang juga digunakan untuk melakukan klasifikasi terbimbing. Jika tidak, Anda memiliki berbagai jenis jarak seperti jarak Euclidean. Kami memiliki yang berikutnya yang dikenal sebagai paralelepiped di mana Anda menentukan sebuah kotak yang pada dasarnya batas-batas kelas tertentu batas atas dan bawah dari kelas tertentu.Dan itu didasarkan pada mean dan standar deviasi dari pelatih paralelepiped tertentu ini.
Jadi, maksud saya jika piksel memiliki nilai dalam pita yang berbeda dan berada dalam paralelepiped, kita menyebutnya memiliki paralelepiped, karena katakanlah Anda memiliki dua pita di lapisan raster input Anda, Anda mungkin memiliki dua pita. Jadi, jika Anda memplot nilai piksel itu dalam x dan y, Anda akan mendapatkan ruang fitur, Anda akan mendapatkan piksel akan terletak di ruang fitur tertentu.
Sekarang, Anda dapat membuat jajaran genjang paralel, jadi dan jika Anda memiliki lebih dari dua pita, maka data Anda akan meluas ke dimensi ketiga. Jadi, dalam hal ini Anda dapat mengekstrusi jajaran genjang tersebut menjadi paralelepiped, jadi begitulah namanya diturunkan. Jadi, maksud saya kita akan bekerja dengan data multidimensi dan ini adalah pendekatan di mana kita memberikan batas atas dan batas bawah dari nilai data pelatihan.
Dan di mana pun pikselnya jika berada di dalam epiped paralel tersebut, maka ia ditugaskan ke kelas tertentu dan mungkin saja kelas epiped paralel pelatihan mungkin tidak memadai untuk mencakup seluruh rentang nilai piksel. Jadi, akan ada beberapa piksel yang akan tetap tidak diklasifikasikan dalam kasus seperti itu. Jadi, maksud saya mungkin juga terjadi bahwa batas-batas paralelepiped bisa tumpang tindih satu sama lain.
Jadi, jika sebuah piksel berada dalam tumpang tindih seperti itu, ia akan dimasukkan ke dalam salah satu dari dua kelas tergantung pada rata-rata statistik dan nilai standar deviasi atau bisa juga dimasukkan ke dalam kelas yang tumpang tindih. Jadi, kami mengatakan bahwa jika piksel tidak termasuk dalam salah satu kelas paralelepiped ini, maka itu diklasifikasikan, maksud saya, diberikan atau ditetapkan sebagai tidak terklasifikasi atau ditetapkan sebagai kelas nol.
Jadi, di antara ini, pengklasifikasi paralelepiped adalah yang paling tidak intensif secara komputasi dan paling cepat. Jadi, maksud saya jika Anda ingin menjalankan yang saya maksud adalah klasifikasi cepat maka dalam hal ini klasifikasi paralel akan bagus. Namun, ia memiliki keterbatasan yang melekat dalam hal akurasi yang buruk dan bahwa banyak piksel Anda mungkin tetap dapat ditetapkan ke kelas nol atau mungkin tetap tidak diklasifikasikan.
Jadi, maksud saya kita melihat gambar khusus ini yang merupakan kelas fitur yang merupakan ruang fitur dari nilai data band 1 dan band 2. Jadi, kami memiliki batas kelas ini di mana Anda melihat kelas biru, kelas merah, dan kelas hijau. Dan panah ini memberi Anda vektor rata-rata vektor jarak yang memberi Anda jarak dari rata-rata awan data khusus ini.
(Lihat Waktu Slide: 36:35)
Selanjutnya kita juga dapat menggunakan metode klasifikasi tanpa pengawasan. Jadi, di mana data akan dibagi menjadi beberapa cluster tergantung pada berapa banyak jumlah cluster yang Anda inginkan dan kemudian Anda dapat mengedit cluster tersebut. Jadi, maksud saya ada dua langkah dasar yang digunakan untuk klasifikasi tak terawasi.
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 poligon yang akan diambil sebagian untuk dianalisa, fungsi clip mungkin bisa jadi andalan (lihat postingan yang lalu untuk fungsi clip). Sementara itu untuk raster, tidak dapat menggunakan clip 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.


Tonton videonya: Extract Raster Values to Shapefile in ArcGis (Oktober 2021).