Distinguere i corridoi dai frammenti in una mappa dell'habitat


12

Mi chiedevo se qualcuno avesse già approfondito questo tipo di problema prima:

Voglio delineare frammenti basati su pixel vicini della stessa classe (foresta) con una soglia di distanza di 3 pixel (che è biologicamente significativa per la mia specie di interesse).

La mia preoccupazione è, vedi l'immagine allegata per un esempio, che a volte questi frammenti sono in realtà corridoi, e spesso corridoi e frammenti reali sono raggruppati in uno stesso frammento a causa della loro vicinanza.

inserisci qui la descrizione dell'immagine

Mi chiedo se c'è un modo per distinguere i corridoi dai frammenti in base alla forma, al numero di pixel circostanti, ecc.?

Ad esempio, nel riquadro seguente, i possibili corridoi sono indicati dai riquadri rossi e i frammenti da quelli verdi.

Ho accesso a QGIS e R.

inserisci qui la descrizione dell'immagine


potresti per favore aggiungere una figura con il tipo di corridoi che vorresti estrarre dall'esempio?
Radouxju,

Risposte:


4

Prima di iniziare qualsiasi analisi, consiglio vivamente di applicare un filtro ai dati per ripulire l'effetto "sale e pepe". Qualsiasi algoritmo sarà in difficoltà con l'attuale modello strutturale dei tuoi dati. Una semplice maggioranza focale produrrebbe probabilmente risultati indesiderati. Un metodo più solido sta applicando un approccio setaccio, in cui è possibile specificare un'unità di mappatura minima. Questo può essere fatto tramite la funzione gdal_sieve.py in GDAL, la raster > analysis > sievefunzione in QGIS o la funzione setaccio in ArcGIS Gradient Metrics Toolbox .

Sembra qualcosa che potrebbe essere affrontato con gli operatori di morfologia matematica (ad es. Estrarre strade dalle immagini ). Immagino che un operatore di dilatazione seguito da un operatore di chiusura chiarirebbe i corridoi. È quindi possibile applicare un operatore Apertura, per rimuovere i corridoi e differenziare i raster per tirare i corridoi identificati come oggetti separati. Questi tipi di funzioni di decomposizione delle immagini sono in qualche modo automatizzati nel software MSPA e GUIDOS ma, ancora una volta, sarebbero notevolmente influenzati dalle discontinuità nei dati.

Esiste un plug-in QGIS per MSPA e funzioni disponibili in GRASS (disponibile tramite la GUI di QGIS). Uno dei problemi con MSPA e GUIDOS è che le dimensioni dell'immagine sono limitate. Sfortunatamente, nel software ESRI, gli operatori morfologici sono disponibili solo nell'estensione ArcScan . Con alcuni scavi troverai altre opzioni software e metodi per definire gli operatori morfologici attraverso l'algebra raster con matrici di kernel personalizzate.

Un altro approccio sarebbe metodi di filtraggio del rilevamento dei bordi come un operatore del kernel Sobal . Esiste una funzione sobale nella Casella degli strumenti Metriche gradiente di ArcGIS e nel pacchetto spatialEco R. Il vantaggio dell'implementazione R è che è possibile restituire la funzione gradiente dell'operatore mentre l'implementazione ArcGIS restituisce solo la funzione del 1 ° ordine (che potrebbe essere tutto ciò che serve). Credo che la toolbox Orfeo (disponibile come componente aggiuntivo QGIS) abbia un'opzione sobal nella funzione EdgeExtraction.


forse l'applicazione di un filtro "Salter and pepper" potrebbe avere l'effetto di rimuovere piccole aree importanti dell'habitat per le specie bersaglio che collegano frammenti (anche se a volte aree di qualità non ottimale). Deciderei di applicare un tale filtro in base alle caratteristiche di dispersione delle specie e alla risoluzione spaziale dei dati. Un uccello (con capacità di dispersione generalmente più elevata) può usare quelle piccole chiazze mentre un anfibio (con capacità di dispersione comparativamente più bassa) non può. Solo un pensiero ..
Kamo,

Questo è sempre un compromesso, ma l'unità di mappatura minima dovrebbe tenere conto di questa ipotesi. Ma devi anche tenere a mente che l'equilibrio è che il modello mostra un certo grado di incertezza e stai trattando il risultato come un assoluto. Onestamente, per sostenere la tua affermazione, il paesaggio dovrebbe essere trattato come un gradiente probabilistico e non come un processo binomiale. Questo tipo di filtro è una pratica a lungo accettata nel rappresentare paesaggi più funzionali. A meno che il modello non includa un termine che tiene conto della struttura spaziale nelle stime, l'incertezza spaziale è una realtà.
Jeffrey Evans,

5

Non è una soluzione completa, ma dai un'occhiata a questi strumenti per l'analisi della connettività (i primi approssimano bene ciò che stai cercando):

Prendi anche in considerazione la formazione di un algoritmo di apprendimento automatico per classificare le tue istanze (corridoio vs. frammenti). È possibile assegnare attributi spaziali a livello di patch (ad es. Dimensioni della patch, rapporto dell'area perimetrale, rapporto del cerchio) e caratteristiche basate sulla distanza (ad es. Distanza dai frammenti) da classificare. Per calcolare le funzionalità a livello di patch necessarie per la classificazione, puoi provare FragStats ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ).

Puoi anche considerare un "sistema di regole basato sugli esperti" più semplice per classificare ciascuna istanza. Ad esempio, i corridoi avranno un rapporto area perimetrale più elevato rispetto ai frammenti di habitat e così via.

Altre cose interessanti qui per le analisi di connettività: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Tuttavia, il fatto che alcuni corridoi non abbiano una "connettività full pixel" sarà un problema che devi risolvere per primo. Penso che devi definire una sorta di criterio di soglia basato sulla distanza per decidere se qualche pixel fa parte o meno di un corridoio.


0

Sembra che dipende dalla forma del tuo frammento. Se la larghezza è più di 2 (o 3) volte l'altezza (o il contrario), potresti chiamarlo corridoio?

Sei già arrivato alla delimitazione dei frammenti?

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.