Nguồn gốc của sọc ngang và dọc trong USEM DEMs là gì?


10

Khi xử lý dữ liệu DEM 30m và 10m được tải xuống qua Trình xem bản đồ quốc gia từ Bộ dữ liệu độ cao quốc gia, chúng tôi nhận thấy sự phân chia theo chiều ngang và dọc không chỉ trong các kết quả được tạo ra, mà chỉ trong các bóng đồi phân tích đơn thuần của các DEM thô. Có ai biết nguồn không? Nếu không phải là nguồn, có lẽ làm thế nào để loại bỏ những cổ vật này? Những cổ vật này trở nên rất rõ rệt khi sử dụng các DEM để tính toán các Chỉ số địa hình. Những cổ vật này vẫn còn ngay cả sau khi lấp đầy trầm cảm xảy ra.

Dưới đây là những hình ảnh cho thấy sự phân chia dữ liệu trong 30m và 10m từ các lưu vực sông ở cả Pennsylvania và Colorado, và một tính toán Chỉ số địa hình đã hoàn thành cho thấy các tạo tác cho một lưu vực sông ở Syracuse, NY.

Colorado - HUC8 - 10190004 - 10m

Colorado - HUC8 - 10190004 - 10m

Colorado - HUC8 - 10190004 - 30m

Colorado - HUC8 - 10190004 - 30m

Pennsylvania - HUC8 - 02040103 - 10m

Pennsylvania - HUC8 - 02040103 - 10m

Pennsylvania - HUC8 - 02040103 - 30m

Pennsylvania - HUC8 - 02040103 - 30m

Kết thúc tính toán TI cho lưu vực sông Onondaga ở Syracuse, NY

nhập mô tả hình ảnh ở đây

Câu trả lời:


15

Cố gắng trả lời câu hỏi của riêng tôi:

Nguyên nhân của việc loại bỏ trong các ví dụ tôi cung cấp hoàn toàn là do quy trình làm việc của tôi, không phải bất kỳ vấn đề di sản nào với cách dữ liệu ban đầu được lắp ráp hoặc ghép lại với nhau. Các DEM mà tôi đang xử lý đều được tạo ra từ các kỹ thuật mới hơn, bằng chứng là bản đồ này:

nhập mô tả hình ảnh ở đây

Hai phương pháp bao trùm các khu vực tôi đang làm việc là LIDAR và các cảm biến hoạt động khác hoặc nội suy tuyến tính phức tạp. Các kỹ thuật cũ hơn @Dan Patterson được tham chiếu là các kỹ thuật Photomapper thủ công và Gestalt. Thật vậy, USGS tham chiếu điều này trong liên kết NED @Dan Patterson chia sẻ:

Các DEM nguồn cũ được sản xuất bởi các phương thức hiện đã lỗi thời đã được lọc trong quá trình lắp ráp NED để giảm thiểu các tạo phẩm thường thấy trong dữ liệu được tạo ra bởi các phương thức này. Loại bỏ nhân tạo cải thiện đáng kể chất lượng của độ dốc, giảm bóng mờ và thông tin thoát nước tổng hợp có thể được lấy từ dữ liệu độ cao. Quá trình lọc loại bỏ nhân tạo không loại bỏ tất cả các tạo tác. Trong các khu vực nơi DEM duy nhất có sẵn được sản xuất bằng các phương pháp cũ hơn, thì "thoát y" vẫn có thể xảy ra. Việc xử lý NED cũng bao gồm các bước để điều chỉnh các giá trị trong đó các DEM liền kề không khớp nhau và để lấp đầy các vùng dữ liệu bị thiếu giữa các DEM. Các bước xử lý này đảm bảo rằng NED không có vùng trống và sự gián đoạn nhân tạo tối thiểu.

Vì vậy, những gì gây ra vấn đề thoát y của tôi?

Trong khi, để tính toán chính xác các giá trị TI trong SAGA GIS, chúng ta cần các đơn vị tế bào tính bằng mét, chứ không phải đo độ của Hệ thống tọa độ địa lý ban đầu, và vì vậy bước đầu tiên của quy trình làm việc của chúng tôi bao gồm sử dụng ArcMAP (Tôi ghét bộ công cụ chiếu của SAGA) chiếu DEM trong phép chiếu UTM chính xác. Trong bước này, có các tùy chọn khác nhau để lấy lại DEM. Trong tất cả các DEM và kết quả đầu ra đã bị tước, chúng tôi đã bỏ sai kỹ thuật lấy mẫu mặc định theo lựa chọn của chúng tôi- thuật toán lấy mẫu mặc định là Hàng xóm gần nhất, không bao giờ được sử dụng với một tập dữ liệu liên tục như dữ liệu evelation có trong DEM. Khi các DEM được chiếu bằng cách sử dụng mô hình nội suy tuyến tính hai chiều, không quan sát thấy các tạo tác ngang hoặc dọc trong DEM hoặc bất kỳ sản phẩm nào được tạo ra.

ESRI biết về điều này:

DEM dễ bị tạo tác. Nhiều DEM đã có một số tạo tác được giới thiệu trong quá trình tạo; ngọn đồi của những DEM đó sẽ phóng đại sự bất thường và làm cho chúng nhìn thấy được. Nếu DEM không có bất kỳ tạo tác nào trước khi nó được hiển thị dưới dạng một ngọn đồi, thì vấn đề có thể xảy ra do sử dụng phương pháp lấy mẫu không đúng khi chiếu dữ liệu DEM. Một DEM là dữ liệu raster liên tục. Phương pháp lấy mẫu song tuyến nên được sử dụng trong các phép chiếu raster hoặc bất kỳ phép biến đổi raster nào. Khi chiếu dữ liệu raster bằng công cụ Project Raster GP, không sử dụng phương pháp lấy mẫu mặc định. Thay vào đó, chọn phương pháp tái định hình song tuyến hoặc phương pháp lấy mẫu tích chập khối.

Nguồn: http://support.esri.com/en/ledgeledridease/Techarticles/detail/29127

Và USGS biết về điều này, nêu trong Câu hỏi thường gặp:

H: Phương pháp lấy mẫu nào là tốt nhất để bảo vệ độ chính xác của dữ liệu NED và đặc điểm địa hình?

Trả lời: Phép tích chập khốiphép nội suy song tuyến là các phương pháp ưa thích để lấy lại dữ liệu độ cao kỹ thuật số và sẽ dẫn đến sự xuất hiện mượt mà hơn. Hàng xóm gần nhất có xu hướng để lại các vật phẩm như bước cầu thang và dải định kỳ trong dữ liệu có thể không rõ ràng khi xem dữ liệu độ cao nhưng có thể ảnh hưởng đến các dẫn xuất, chẳng hạn như bóng mờ hoặc raster dốc. *

Nguồn: http://ned.usgs.gov/faq.html#RESAMPLE

Vì vậy, sự chấp nhận dại dột của tôi đối với các cài đặt mặc định trong ArcMap (và sự thiếu hiểu biết về kết quả của tôi) đã gây ra điều này. Một lỗi rất rõ ràng có lẽ.

Sống và học hỏi.


1

Có một vài bài viết về nguồn có thể của dải phân cách quá dài để sao chép ở đây và đăng, ví dụ

https://geonet.esri.com/message/248734?sr=search&searchId=8194652f-cac8-4737-93a2-c5dccdeb29ff&searchIndex=5#248734

http://ned.usgs.gov/about.html

http://www.ctmap.com/assets/pdfprojects/destripe.pdf

Một số vấn đề liên quan đến bản chất của dữ liệu.


Cảm ơn những liên kết hữu ích. Họ đã giúp tôi hiểu cách tôi sẽ quan sát dữ liệu DEM phân tách hoặc định hình thủ công (để sử dụng thuật ngữ ở đây: ctmap.com/assets/pdfprojects/destripe.pdf ) hoặc tự động xử lý dữ liệu bằng GPM (Gestalt Photomapper). Nhưng họ cũng dẫn đến các nguồn chỉ ra các DEM mà tôi đã tải xuống có nguồn gốc từ các kỹ thuật xử lý mới hơn. Chẳng hạn, bộ dữ liệu Colorado được tạo bằng cách sử dụng "Nội suy tuyến tính phức tạp và bộ dữ liệu PA sử dụng dữ liệu LIDAR. Tôi nghĩ rằng các kỹ thuật này sẽ giảm đáng kể việc phân loại. Có phải vậy không?
traggatmot 17/07/14

Hãy cố gắng tóm tắt thông tin trong các liên kết.
Aaron
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.