Membedakan koridor dari fragmen di peta habitat

12

Saya bertanya-tanya apakah seseorang telah berurusan dengan masalah seperti ini sebelumnya:

Saya ingin melukiskan fragmen berdasarkan piksel tetangga dari kelas yang sama (hutan) dengan ambang batas 3 piksel (yang secara biologis signifikan untuk spesies yang saya minati).

Perhatian saya adalah, lihat gambar terlampir sebagai contoh, bahwa kadang-kadang fragmen ini sebenarnya koridor, dan seringkali koridor dan fragmen aktual dikelompokkan menjadi fragmen yang sama karena kedekatannya.

masukkan deskripsi gambar di sini

Saya bertanya-tanya apakah ada cara untuk membedakan koridor dari fragmen berdasarkan bentuk, jumlah piksel di sekitarnya, dll.?

Misalnya, dalam kotak berikut, kemungkinan koridor ditunjukkan oleh kotak merah, dan fragmen dengan yang hijau.

Saya memiliki akses ke QGIS dan R.

masukkan deskripsi gambar di sini

distance remote-sensing editing features M514
sumber
Bisakah Anda menambahkan angka dengan jenis koridor yang ingin Anda ekstrak dari contoh?
radouxju

Jawaban:

4

Sebelum memulai analisis apa pun, saya sangat merekomendasikan menerapkan filter pada data Anda untuk membersihkan efek "garam dan merica". Algoritma apa pun akan berjuang dengan pola struktural data Anda saat ini. Mayoritas fokus sederhana kemungkinan akan menghasilkan hasil yang tidak diinginkan. Metode yang lebih kuat adalah menerapkan pendekatan saringan, di mana unit pemetaan minimal dapat ditentukan. Ini dapat dilakukan melalui fungsi gdal_sieve.py di GDAL, raster > analysis > sievefungsi di QGIS atau fungsi ayakan di ArcGIS Gradient Metrics Toolbox .

Ini terlihat seperti sesuatu yang dapat diatasi dengan operator Morfologi Matematika (mis., Mengekstraksi jalan dari citra ). Saya akan membayangkan bahwa operator pelebaran diikuti oleh operator Penutupan akan memperjelas koridor. Anda kemudian dapat menerapkan operator Pembuka, untuk menghapus koridor, dan membedakan raster untuk menarik koridor yang diidentifikasi sebagai objek yang terpisah. Jenis-jenis fungsi penguraian gambar ini agak otomatis dalam perangkat lunak MSPA dan GUIDOS tetapi, sekali lagi, akan sangat dipengaruhi oleh diskontinuitas dalam data Anda.

Ada plug-in QGIS untuk MSPA serta fungsi yang tersedia dalam GRASS (tersedia melalui GUI QGIS). Salah satu masalah dengan MSPA dan GUIDOS adalah ukuran gambar Anda terbatas. Sayangnya, dalam perangkat lunak ESRI, operator morfologi hanya tersedia di ekstensi ArcScan . Dengan beberapa penggalian, Anda akan menemukan opsi perangkat lunak lain serta metode untuk mendefinisikan operator morfologi melalui aljabar raster dengan matriks kernel khusus.

Pendekatan lain adalah metode penyaringan deteksi tepi seperti operator kernel Sobal . Ada fungsi sobal di dalam ArcGIS Gradient Metrics Toolbox dan juga dalam paket spatialEco R. Keuntungan dari implementasi R adalah Anda dapat mengembalikan fungsi gradien operator sedangkan implementasi ArcGIS hanya mengembalikan fungsi urutan 1 (yang mungkin Anda butuhkan). Saya percaya bahwa kotak alat Orfeo (tersedia sebagai tambahan QGIS) memiliki opsi sobal di fungsi EdgeExtraction.

Jeffrey Evans
sumber
mungkin menerapkan filter "salter and pepper" mungkin memiliki efek menghilangkan area habitat kecil yang penting untuk spesies target yang menghubungkan fragmen (meskipun kadang-kadang area kualitasnya kurang optimal). Saya akan memutuskan untuk menerapkan filter semacam itu berdasarkan karakteristik penyebaran spesies dan resolusi spasial data. Seekor burung (dengan kemampuan penyebaran umumnya lebih tinggi) dapat menggunakan bercak-bercak kecil itu sementara amfibi (dengan kemampuan penyebaran yang lebih rendah) mungkin tidak. Hanya sebuah pemikiran ..
Kamo
Ini selalu merupakan trade off tetapi unit pemetaan minimal harus menjelaskan hipotesis yang diberikan ini. Tetapi, Anda juga harus ingat bahwa keseimbangannya adalah bahwa model tersebut menunjukkan tingkat ketidakpastian tertentu dan Anda memperlakukan hasilnya sebagai absolut. Jujur, untuk mendukung pernyataan Anda, lanskap harus diperlakukan sebagai gradien probabilistik dan bukan proses binomial. Jenis penyaringan ini adalah praktik yang telah lama diterima dalam merepresentasikan lanskap yang lebih fungsional. Kecuali jika model memasukkan istilah akuntansi untuk struktur spasial dalam perkiraan, spasial tidak pasti adalah kenyataan.
Jeffrey Evans
5

Ini bukan solusi lengkap tetapi, periksa alat ini untuk analisis konektivitas (yang pertama mendekati apa yang Anda cari):

Juga pertimbangkan untuk melatih algoritma pembelajaran mesin untuk mengklasifikasikan instance Anda (koridor vs. fragmen). Anda dapat memberikan atribut spasial pada tingkat tambalan (misalnya, ukuran tambalan, rasio area perimeter, rasio lingkaran) dan fitur berbasis jarak (misalnya, jarak ke fragmen) untuk diklasifikasi. Untuk menghitung fitur tingkat tambalan yang diperlukan untuk klasifikasi, Anda dapat mencoba FragStats ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ).

Anda juga dapat mempertimbangkan 'sistem aturan berbasis pakar' yang lebih sederhana untuk mengklasifikasikan setiap contoh. Sebagai contoh, koridor akan memiliki rasio perimeter-area yang lebih tinggi daripada fragmen habitat dan sebagainya.

Lebih banyak hal menarik di sini untuk analisis konektivitas: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Namun, fakta bahwa beberapa koridor tidak memiliki 'konektivitas piksel penuh' akan menjadi masalah yang harus Anda selesaikan terlebih dahulu. Saya pikir Anda harus menentukan semacam kriteria ambang batas berbasis jarak untuk memutuskan apakah beberapa piksel merupakan bagian dari koridor atau tidak.

Kamo
sumber
0

Tampaknya itu tergantung pada bentuk fragmen Anda. Jika lebarnya lebih dari 2 (atau 3) kali tinggi (atau sebaliknya), Anda dapat menyebutnya koridor?

Sudahkah Anda sampai pada batasan fragmen?

Rodrigo
sumber