Je recherche une solution différente et plus élégante à un problème de statistique spatiale. Les données brutes consistent en une coordonnée xy pour chaque arbre individuel (c'est-à-dire converties en un fichier point .shp). Bien qu'il ne soit pas utilisé dans cet exemple, chaque arbre possède également un polygone correspondant (c'est-à-dire en tant que .shp) qui représente le diamètre de la couronne. Les deux images à gauche montrent des estimations de densité de noyau à l'échelle du paysage (KDE) dérivées d'un fichier .shp ponctuel de l'emplacement des arbres individuels - l'un de 1989 et l'autre de 2009. Le graphique de droite montre la différence entre les deux KDE où seules les valeurs +/- 2 écarts-types de la moyenne sont affichées. La calculatrice raster d'Arc a été utilisée pour effectuer le calcul simple (2009 KDE - 1989 KDE) nécessaire pour produire la superposition de raster sur l'image de droite.
Existe-t-il une méthode plus appropriée pour analyser la densité des arbres ou le changement de la surface de la canopée au fil du temps, statistiquement ou graphiquement? Compte tenu de ces données, comment évalueriez-vous le changement entre les données sur les arbres de 1989 et 2009 dans un environnement géospatial? Les solutions dans ArcGIS, Python, R, Erdas et ENVI sont encouragées.
Réponses:
Premier problème:
Vous regardez un mélange de minima. Un arbre gigantesque avec une couronne de taille acre ressemble beaucoup , interprété sur une base de densité de points / noyau, comme un champ sans arbres du tout. Vous ne vous retrouverez avec des valeurs élevées que là où il y a de petits arbres à croissance rapide, aux lisières et dans les interstices de la forêt. Le plus délicat est que ces arbres plus petits et denses sont beaucoup plus susceptibles d'être obscurcis par l'ombre ou l'occlusion ou d'être non résolubles à une résolution de 1 mètre, ou d'être agglomérés ensemble parce qu'ils sont une touffe de la même espèce.
La réponse de Jen est correcte sur cette première partie: jeter les informations du polygone est un gaspillage. Il y a cependant une complication. Les arbres à croissance ouverte ont une couronne beaucoup moins verticale et plus étendue, toutes choses étant égales par ailleurs, qu'un peuplement équien ou un arbre dans une forêt mature. Pour plus d'informations, voir # 3.
Deuxième problème:
Vous devriez idéalement travailler avec une comparaison de pommes à pommes. S'appuyer sur NDVI pour l'un et B&W pour l'autre introduit un biais inconnaissable dans vos résultats. Si vous ne pouvez pas obtenir de données appropriées pour 1989, vous pouvez plutôt utiliser des données B&W dégradées pour 2009, ou même essayer de mesurer le biais dans les données 2009 par rapport au B&W et extrapoler les résultats NDVI pour 1989.
Il peut ou non être plausible d'aborder ce point du point de vue du travail, mais il y a de fortes chances qu'il soit soulevé dans un examen par les pairs.
Troisième problème:
Qu'essayez-vous précisément de mesurer? La densité du noyau n'est pas une valeur sans valeurmétrique, elle vous donne un moyen de trouver des zones de jeunes pousses qui se tuent rapidement (sous réserve des limitations d'ombrage / d'occlusion ci-dessus); Seuls ceux qui ont le meilleur accès à l'eau / au soleil, le cas échéant, survivront dans quelques années. La couverture de la canopée serait une amélioration de la densité du noyau pour la plupart des tâches, mais cela pose également des problèmes: elle traite un grand peuplement d'arbres âgés de 20 ans, qui vient à peine de fermer la canopée, tout comme un 100 établi -Année forêt. Les forêts sont difficiles à quantifier de manière à préserver les informations; Un modèle de hauteur de canopée est idéal pour de nombreuses tâches, mais impossible à obtenir historiquement. La mesure que vous utilisez est mieux choisie en fonction d'une élaboration de vos objectifs. Que sont-ils?
Éditer:
L'objectif est de détecter l'expansion des garrigues dans les prairies indigènes. Les méthodes statistiques sont toujours parfaitement valables ici, elles nécessitent simplement une élaboration et des choix subjectifs pour être appliquées.
la source
Le problème avec votre approche KDE est qu'elle lisse toute la zone et réduit ainsi les lacunes que vous voudrez peut-être trouver.
Quand j'ai lu que vous utilisiez NDVI pour la détection des cimes des arbres, je me demande à quoi ressemblent les polygones de cimes? ces polygones sont-ils vraiment simples avec un ID d'arbre associé?
Si vous avez le luxe d'avoir des polygones pour chaque couronne d'arbre et que vous souhaitez savoir où une couronne d'arbre a été perdue, je pense qu'il y a deux possibilités; un vecteur et une solution raster.
vecteur
raster
J'espère que ça marche :) Je n'ai pas essayé ces idées mais j'ai simplement noté ce qui m'est venu à l'esprit. bonne chance!
oh ... peut-être, vous pourriez aussi simplement faire une approche de comptage de quadrat. pour chaque année, découpez votre zone en utilisant une grille vectorielle de 100x100m, comptez les points en polygones et comparez les deux modèles différents. juste une autre idée ...
la source
Un changement général de la végétation peut être calculé à l'aide d'une analyse numérique des changements. Pour exécuter cette analyse, vous aurez d'abord besoin d'une image à 4 bandes (R, G, B et NIR) pour 1989 et 2009. Ensuite, à l'aide d'un logiciel de télédétection (comme ENVI ou Erdas), exécutez une analyse NDVI sur chaque image . L'analyse NDVI compare le rapport bande NIR - bande rouge / bande NIR + pixels de la bande rouge. Le résultat de cette équation donne des valeurs de pixels qui vont de -1 à 1. Les pixels qui ont une valeur inférieure à zéro ne montrent aucune réflectance dans la bande NIR. De même, les pixels qui ont une valeur supérieure à zéro reflètent la lumière NIR et sont donc considérés comme de la végétation. Le processus d'analyse numérique des changements consiste simplement à soustraire une image NDVI de l'autre (soustraire 1989 à 2009). Veuillez consulter le lien ci-dessous pour une discussion plus approfondie.
http://www.bioline.org.br/pdf?er07006
la source