Phương pháp tốt nhất để tổng hợp khảm DEM 1m đến 10m DEM


11

Tôi có một bức tranh ghép DEM có nguồn gốc LiDar 1m. Tôi cần xuất ra một tập hợp con của dữ liệu dưới dạng DEM 10m. Tôi hiện đang sử dụng công cụ tổng hợp trong ARCGIS 10 để tạo giá trị trung bình cho mỗi pixel 10m mới. Bất kỳ lời khuyên về việc đây là kỹ thuật tốt nhất cho nhiệm vụ như vậy? Là giá trị trung bình là cách tiếp cận tốt nhất với loại dữ liệu này?


1
Bạn có thể giải thích thêm về quy trình làm việc của mình về lý do tại sao dữ liệu cần được lấy mẫu lại ở độ phân giải thấp hơn không? Có thể có một cách tốt hơn để làm điều đó hơn là hạ thấp độ phân giải không gian như bước đầu tiên?
MLowry

Câu trả lời:


10

Một lỗi phổ biến (mà tôi cũng đã mắc phải) là lấy mẫu raster bằng cách sử dụng công cụ lấy mẫu lại với phép nội suy song tuyến tính. Xem câu trả lời này để được giải thích tại sao điều này không tốt. Một raster có thể được lấy mẫu xuống trong ba bước.

  1. Bước đầu tiên có thể không được yêu cầu. Reproject raster đến phạm vi mục tiêu. Sử dụng phép nội suy song tuyến tính và giữ kích thước ô đầu ra giống như độ phân giải đầu vào (ví dụ: 1 m). Sử dụng điểm đăng ký để "chụp" các góc raster vào hình chiếu. Các phạm vi đầu ra có thể được chỉ định trong "Môi trường" và tôi khuyên bạn nên chỉ định các phạm vi có bội số 10 m (hoặc bất kỳ độ phân giải nào). Các phạm vi này sẽ kiểm soát nơi số liệu thống kê được xác định cho raster cuối cùng.

  2. Thực hiện Thống kê khối (được tìm thấy trong Công cụ phân tích không gian> Vùng lân cận). Sử dụng một hình chữ nhật có 10 ô cho cả chiều cao và chiều rộng và chọn "MEAN" cho loại thống kê. Hãy thử các hình dạng và loại khác nhau, nếu bạn muốn. Kích thước ô là tỷ lệ lấy mẫu xuống.

  3. Vì thống kê khối không thay đổi độ phân giải raster, bước cuối cùng là Lấy mẫu lại (tìm thấy trong Công cụ quản lý dữ liệu> Raster> Xử lý raster). Chọn 10 m và sử dụng "NEAREST" để chọn thống kê khối ở giữa ô.

Bước 2 và 3 có thể được thay thế bằng đề xuất của Curtvprice để sử dụng công cụ Tổng hợp , sẽ mang lại hiệu quả tương tự bằng các phương tiện hình chữ nhật.


2
Ái chà. Tôi đã làm công cụ này trong 20 năm và không biết rằng việc lấy mẫu song tuyến chỉ sử dụng 4 điểm dữ liệu gần đó! Điều này chắc chắn cần một hồ sơ cao hơn.
matt wilkie

6

Bạn có thể cắt một bước ra khỏi quy trình bằng cách sử dụng công cụ Tổng hợp, điều này tránh việc phải sao chép tất cả các ô giá trị tóm tắt đó và Lấy mẫu lại.


Lời khuyên tốt, ít bước để thực hiện.
nadya

4

Tất cả các điểm được đề cập ở trên đều quan trọng cần lưu ý và tôi hoàn toàn đồng ý rằng việc lấy lại song tuyến là khá có vấn đề. Mặc dù, tôi tò mò tại sao không ai thảo luận về tích chập khối? Vấn đề với việc sử dụng hàm khối là giá trị trung bình khá không liên quan khi phân phối không bình thường hoặc đa phương thức, như mong đợi với DEM có nguồn gốc.

Nếu bạn có quyền truy cập vào dữ liệu gốc, chỉ cần nội suy dữ liệu đến độ phân giải mong muốn bằng công cụ "Topo to Raster" trong ArcGIS. Nếu bạn chỉ có quyền truy cập vào raster DEM 1m, thì có vẻ như phương pháp tốt nhất, mặc dù kém hiệu quả nhất, sẽ là chuyển đổi raster thành các điểm và sử dụng một tấm mỏng hoặc spline Bi-cube. Điều này sẽ cho phép vùng lân cận lấy mẫu lại khớp với đường cong phi tuyến với dữ liệu.

Ngoài ra, bạn có thể làm mịn raster 1m bằng hạt nhân Gaussian, xấp xỉ kích thước của độ phân giải mẫu lại mong muốn của bạn (10 x 10), và sau đó một mẫu thử song tuyến sẽ phù hợp hơn nhiều. Cách tiếp cận này sẽ cho phép bạn có quyền kiểm soát trực tiếp thông số làm mịn và sẽ dẫn đến phân phối bình thường "cục bộ" trong đó giá trị trung bình trở nên phù hợp như là một chỉ báo về xu hướng trung tâm và sự phù hợp tuyến tính được hỗ trợ.


Chủ sở hữu câu hỏi đã không được nhìn thấy trong một thời gian dài ở đây, nhưng tôi có cùng một vấn đề (raster của tôi là 0,5 m), vì vậy tôi đã thảo luận :) Về raster chuyển đổi thành điểm, đối với ArcGIS có vẻ dễ dàng hơn nhiều để xử lý các raster lớn hơn hàng triệu điểm.
nadya
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.