Làm thế nào để đại diện cho xu hướng theo thời gian?


34

Tôi có một chuỗi thời gian của các raster trong đó các ô của mỗi raster đại diện cho một số giá trị tại một thời điểm nhất định.

Tôi muốn tạo một bản đồ làm nổi bật cường độ của các xu hướng tích cực hoặc tiêu cực trong giá trị này theo thời gian cho mỗi ô.

Cách tiếp cận hơi ngây thơ của tôi là điều chỉnh hồi quy tuyến tính đơn giản (X = time và Y = value) cho từng ô và xuất mảng dốc cho raster (như hình ảnh ví dụ bên dưới). Điều này có thể được lọc bằng cách chỉ xuất kết quả quan trọng.

chuỗi thời gian từ bốn ô riêng lẻ

Độ dốc từ hồi quy tuyến tính

Làm thế nào khác tôi có thể đại diện cho xu hướng theo thời gian trong một thời gian raster?

Tôi quan tâm đến các kỹ thuật chung không hướng dẫn cụ thể phần mềm.

Câu trả lời:


15

Vẽ các sườn dốc ước tính, như trong câu hỏi, là một điều tuyệt vời để làm. Tuy nhiên, thay vì lọc theo mức độ quan trọng - hoặc kết hợp với nó - tại sao không vạch ra một số biện pháp về mức độ mỗi hồi quy phù hợp với dữ liệu? Đối với điều này, lỗi bình phương trung bình của hồi quy dễ dàng được giải thích và có ý nghĩa.

Ví dụ, Rmã dưới đây tạo ra một chuỗi thời gian gồm 11 raster, thực hiện hồi quy và hiển thị kết quả theo ba cách: ở hàng dưới cùng, như các lưới riêng biệt của độ dốc ước tính và lỗi bình phương; ở hàng trên cùng, vì lớp phủ của các lưới đó cùng với các sườn bên dưới thực sự (mà trong thực tế bạn sẽ không bao giờ có, nhưng được mô phỏng bằng máy tính để so sánh). Lớp phủ, vì nó sử dụng màu cho một biến (độ dốc ước tính) và độ sáng cho một biến khác (MSE), không dễ diễn giải trong ví dụ cụ thể này, nhưng cùng với các bản đồ riêng ở hàng dưới cùng có thể hữu ích và thú vị.

Bản đồ

(Vui lòng bỏ qua các huyền thoại chồng chéo trên lớp phủ. Lưu ý rằng sơ đồ màu cho bản đồ "Độ dốc thực" không hoàn toàn giống với bản đồ của các độ dốc ước tính: lỗi ngẫu nhiên khiến một số độ dốc ước tính kéo dài phạm vi cực đoan hơn độ dốc thực sự. Đây là một hiện tượng chung liên quan đến hồi quy trung bình .)

BTW, đây không phải là cách hiệu quả nhất để thực hiện một số lượng lớn hồi quy cho cùng một khoảng thời gian: thay vào đó, ma trận chiếu có thể được tính toán trước và áp dụng cho từng "ngăn xếp" pixel nhanh hơn so với tính toán lại cho mỗi hồi quy. Nhưng điều đó không quan trọng đối với minh họa nhỏ này.


# Specify the extent in space and time.
#
n.row <- 60; n.col <- 100; n.time <- 11
#
# Generate data.
#
set.seed(17)
sd.err <- outer(1:n.row, 1:n.col, function(x,y) 5 * ((1/2 - y/n.col)^2 + (1/2 - x/n.row)^2))
e <- array(rnorm(n.row * n.col * n.time, sd=sd.err), dim=c(n.row, n.col, n.time))
beta.1 <- outer(1:n.row, 1:n.col, function(x,y) sin((x/n.row)^2 - (y/n.col)^3)*5) / n.time
beta.0 <- outer(1:n.row, 1:n.col, function(x,y) atan2(y, n.col-x))
times <- 1:n.time
y <- array(outer(as.vector(beta.1), times) + as.vector(beta.0), 
       dim=c(n.row, n.col, n.time)) + e
#
# Perform the regressions.
#
regress <- function(y) {
  fit <- lm(y ~ times)
  return(c(fit$coeff[2], summary(fit)$sigma))
}
system.time(b <- apply(y, c(1,2), regress))
#
# Plot the results.
#
library(raster)
plot.raster <- function(x, ...) plot(raster(x, xmx=n.col, ymx=n.row), ...)
par(mfrow=c(2,2))
plot.raster(b[1,,], main="Slopes with errors")
plot.raster(b[2,,], add=TRUE, alpha=.5, col=gray(255:0/256))
plot.raster(beta.1, main="True slopes")
plot.raster(b[1,,], main="Estimated slopes")
plot.raster(b[2,,], main="Mean squared errors", col=gray(255:0/256))

4

Những gì bạn đang mô tả là "Phát hiện thay đổi". Có nhiều kỹ thuật để phát hiện thay đổi bằng cách sử dụng raster. Có lẽ phổ biến nhất là sự khác biệt hình ảnh trong đó bạn trừ đi một hình ảnh khác để tạo ra một hình ảnh thứ ba. Mặc dù, nó phụ thuộc vào loại dữ liệu bạn đang cố gắng so sánh. Từ hình ảnh của bạn, có vẻ như bạn đang so sánh các thay đổi về độ dốc theo thời gian (trừ khi khu vực này là đối tượng của các công trình đất đai lớn, điều này không có khả năng thay đổi nhiều). Tuy nhiên, nếu bạn đang so sánh thay đổi hạng đất theo thời gian, bạn có thể sử dụng một cách tiếp cận khác.

Tôi đã xem qua bài viết này của D. Lu et al. trong đó họ so sánh các phương pháp phát hiện thay đổi khác nhau. Đây là bản tóm tắt:

Phát hiện thay đổi kịp thời và chính xác các đặc điểm bề mặt của Trái đất là vô cùng quan trọng để hiểu mối quan hệ và tương tác giữa các hiện tượng tự nhiên và con người để thúc đẩy việc ra quyết định tốt hơn. Dữ liệu viễn thám là nguồn chính được sử dụng rộng rãi để phát hiện thay đổi trong những thập kỷ gần đây. Nhiều kỹ thuật phát hiện thay đổi đã được phát triển. Bài viết này tóm tắt và xem xét các kỹ thuật. Các tài liệu trước đây đã chỉ ra rằng sự khác biệt về hình ảnh, phân tích thành phần chính và so sánh sau phân loại là các phương pháp phổ biến nhất được sử dụng để phát hiện thay đổi. Trong những năm gần đây, phân tích hỗn hợp quang phổ, mạng lưới thần kinh nhân tạo và tích hợp hệ thống thông tin địa lý và dữ liệu viễn thám đã trở thành các kỹ thuật quan trọng cho các ứng dụng phát hiện thay đổi. Các thuật toán phát hiện thay đổi khác nhau có giá trị riêng và không có cách tiếp cận duy nhất nào là tối ưu và áp dụng cho mọi trường hợp. Trong thực tế, các thuật toán khác nhau thường được so sánh với kết quả phát hiện thay đổi tốt nhất cho một ứng dụng cụ thể. Nghiên cứu các kỹ thuật phát hiện thay đổi vẫn là một chủ đề tích cực và cần có các kỹ thuật mới để sử dụng hiệu quả dữ liệu viễn thám ngày càng đa dạng và phức tạp có sẵn hoặc dự kiến ​​sẽ sớm có sẵn từ các cảm biến vệ tinh và trên không. Bài viết này là một khám phá toàn diện về tất cả các phương pháp phát hiện thay đổi lớn được thực hiện như được tìm thấy trong tài liệu. các thuật toán khác nhau thường được so sánh với kết quả phát hiện thay đổi tốt nhất cho một ứng dụng cụ thể. Nghiên cứu các kỹ thuật phát hiện thay đổi vẫn là một chủ đề tích cực và cần có các kỹ thuật mới để sử dụng hiệu quả dữ liệu viễn thám ngày càng đa dạng và phức tạp có sẵn hoặc dự kiến ​​sẽ sớm có sẵn từ các cảm biến vệ tinh và trên không. Bài viết này là một khám phá toàn diện về tất cả các phương pháp phát hiện thay đổi lớn được thực hiện như được tìm thấy trong tài liệu. các thuật toán khác nhau thường được so sánh với kết quả phát hiện thay đổi tốt nhất cho một ứng dụng cụ thể. Nghiên cứu các kỹ thuật phát hiện thay đổi vẫn là một chủ đề tích cực và cần có các kỹ thuật mới để sử dụng hiệu quả dữ liệu viễn thám ngày càng đa dạng và phức tạp có sẵn hoặc dự kiến ​​sẽ sớm có sẵn từ các cảm biến vệ tinh và trên không. Bài viết này là một khám phá toàn diện về tất cả các phương pháp phát hiện thay đổi lớn được thực hiện như được tìm thấy trong tài liệu.


4

Có một tiện ích ArcGIS được phát triển bởi Trung tâm Khoa học Môi trường Thượng Trung Mỹ có tên là Curve Fit: Công cụ hồi quy raster cấp độ pixel có thể là thứ bạn đang theo đuổi. Từ tài liệu:

Curve Fit là một phần mở rộng cho ArcMap ứng dụng GIS, cho phép người dùng chạy phân tích hồi quy trên một loạt các bộ dữ liệu raster (hình ảnh tham chiếu địa lý). Người dùng nhập một mảng các giá trị cho một biến giải thích (X). Một bộ dữ liệu raster đại diện cho biến trả lời tương ứng (Y) được ghép với mỗi giá trị X được nhập bởi người dùng. Curve Fit sau đó sử dụng các kỹ thuật hồi quy tuyến tính hoặc phi tuyến (tùy thuộc vào lựa chọn của người dùng) để tính toán một mô hình toán học duy nhất tại mỗi pixel của bộ dữ liệu raster đầu vào. Curve Fit đưa ra các bề mặt raster của ước tính tham số, lỗi và suy luận đa mô hình. Curve Fit là cả một công cụ giải thích và dự đoán, cung cấp cho các nhà lập mô hình không gian khả năng thực hiện các chức năng thống kê quan trọng ở quy mô tốt nhất.

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.