Vairāk

QGIS modelētājs - kā iegūt daudzstūrus ar vairākiem argumentiem?

QGIS modelētājs - kā iegūt daudzstūrus ar vairākiem argumentiem?


Es izmantoju QGIS modelētāju, lai iegūtu rindas nevis pēc viena, bet vairākiem atribūtiem. Piemēram, man ir ceļu tīkls, un es vēlos iegūt tikai ceļu ar rakstzīmju vērtībām laukā TYPE: value_one un value_two. Kā to izdarīt, izmantojot QGIS modelētāju?


izmantojiet vai operatoru: "||" vai un, ja vēlaties abus: "&&"

Piemēram, "val1" || "val2"


Viena no iespējamām atbildēm ir izmantot vairākus Izraksts pēc atribūta funkcijas.

Alternatīvi, Atlasiet pēc izteiksmes un Krustojums pēc tam varētu izmantot. In Atlasiet pēc izteiksmes funkciju, ir iespējams izveidot tādus izteicienus kā:

"Variable_name" = 'Value_one' VAI "Variable_name" = 'Value_two'

Vairāku attēlu projicēšana uz objektu ar UV projekta pārveidotājiem

Esmu tikko ķēries pie UV projekta pārveidotāja. Esmu iztinusi savu objektu UV kartē ar attēlu, kuru vēlos projicēt, un pēc tam to izmantoju, izmantojot kameru kā projektoru.

Tomēr es vēlos projicēt no vairākiem leņķiem. Tāpēc es izveidoju citu UV karti tādā pašā veidā ar savu otro attēlu un izveidoju citu UV projekta pārveidotāju. Bet tas nedarbosies, jo vienlaikus varu izvēlēties tikai 1 UV karti. Es vēlos, lai abas projekcijas tiktu sajauktas (vai, vēl labāk, tiktu izvēlētas programmiski, atbilstoši kurai virsmai normālam ir tuvāks leņķis pret projektoru, kad es beidzot pāreju pie šī procesa automatizācijas Python).

Lūk, kā tas izskatās, projicējot no kreisās puses kameras. Tas projicē to pašu attēlu, kādu redzētu, ja māja būtu pareizi teksturēta. Tāpat labajā pusē esošajai kamerai no tās leņķa ir pienācīgi teksturētas mājas attēls, kas ir gatavs "aizpildīt nepilnības" no tā, ko kreisā kamera nevar redzēt.


3 atbildes 3

Pēc tam varat piekļūt parametram funkcijas iekšpusē, izmantojot šoIsAString.

Nē, jums nav nepieciešams prototips.

Es teiktu, ka nekad vairs neizmantosiet String. Kad kods kļūs lielāks un atmiņas izmantošana būs kritiska, jūs nonāksit strupceļā. Es zinu, ka tas ir ērtāk, bet pamēģiniet char masīvus. Kaut kas kā:

Es nomainīju funkciju uz bool. Tas nozīmē, ka varat to izmantot if paziņojumā, kur vēlaties, lai tas tiktu pabeigts pirms koda turpināšanas.

Jums pašam vajadzēs piešķirt atmiņu masīvam, kas to deklarē šādi:

Šeit es piešķiru 32 baitus datiem un vienu papildu baitu rakstzīmei, kas nozīmē "virknes beigas" (tas ir 0).


3 atbildes 3

“Nav statistiski nozīmīgs” nozīmē, ka jūsu novērotais rezultāts, visticamāk, notiks (parasti tas nozīmē ar varbūtību> 5%) ar hipotēzi, ka abas metodes ir vienlīdz labas (nulles hipotēze).

Tātad problēma ir izdomāt, cik iespējams būtu novērot rezultātu saskaņā ar šo hipotēzi. Šajā gadījumā tas varētu būt saistīts ar:

  • šī konkrētā datu kopa dod priekšroku izlases meža algoritmam
  • jums paveicās ar nejaušiem procesiem algoritmos

Otrajā jautājumā jūs noteikti varat veikt eksperimentu vairākas reizes un noskaidrot, vai nejaušā meža metode pastāvīgi pārspēj otru.

Ja jums ir pietiekami liela testa datu kopa, varat to nejauši sadalīt un pārbaudīt, vai jūsu rezultāti ir konsekventi dažādās apakškopās.

Tomēr, kā es minēju iepriekš sniegtajā komentārā, ir svarīgi uzdot sev jautājumu un norādīt (ziņojot par rezultātiem), kādus pasākumus veicāt, lai pārbaudītu to nozīmīgumu. Pārāk daudzi cilvēki pakļauj šos jautājumus zem paklāja vai vienkārši apgalvo, ka tie ir nozīmīgi, nesniedzot sīkāku informāciju.

Ņemiet vērā, ka daži žurnāli ir aizlieguši noteiktus statistiskās pārbaudes veidus ļaunprātīgas izmantošanas dēļ.


Dažādi DEM veidi

Populārākie DEM veidi ir DSM, DTM, Point Cloud un 3D. Sīkāka informācija ir šāda:

DSM vai digitālais virsmas modelis:Tas parāda zemes pacēlumu, kā arī visas lietas uz zemes, piemēram, koku ēku, torņus un visu. Tas var noderēt, uzstādot mobilos signālu torņus, kas ļautu jums labāk izprast, kā šīs zemes struktūras ietekmēs signāla plūsmu.

DTM vai digitālais reljefa modelis:Šis modelis parāda tukšu zemes virsmu, neņemot vērā nevienu koku vai struktūru uz virsmas. DTM tipa modelis kļūst noderīgāks, ja ņem vērā ūdens līmeni, kas var applūst apkārtnē, vai būvniecībai nepieciešamo netīrumu daudzumu.

Kontūras:Kontūras apzīmē reljefu ar līnijām ar tādu pašu pacēluma vērtību. Aplūkojot visas līnijas kopā, 2D kartē redzēsit reljefa 3D attēlu. Kontūras, lai gan šobrīd nav ļoti populāras, joprojām tiek izmantotas kalnu reljefa izpētei, un tas lielā mērā ir atkarīgs no zemes apsekojuma datiem.

Punktu mākonis: Tie būtībā ir pacēluma DSM vai digitāla reljefa modelis, bet punktu mākoņa formātā. Tas nozīmē, ka tā punkti ir nejauši novietoti kā mākonis. Un līdz ar to punktu mākoņa modelis.

3D:Šis 3D ir nākotnes attēls. Tā ir 2D attēlu pārveidošana par 3D attēlojumu. Jūs ne tikai iegūstat attēlus no augšas. Jūs redzat virsmu no jebkura leņķa, kas sniedz jums reālu skatu uz pasauli.

Turklāt DEM var tikt attēlots kā rastrs, kas ir kvadrātu režģis, kas pazīstams kā augstuma karte, vai kā uz vektoru balstīts trīsstūrveida neregulārs tīkls, kas pazīstams kā TIN. TIN bieži sauc par primāro DEM, bet rastra DEM - par sekundāro DEM. Pastāv dažādas metodes, lai iegūtu datus par pacēluma izpēti. daži no tiem ietver:

  • Lidars
  • Stereofotogrammetrija no gaisa apsekojumiem
  • Struktūra no kustības
  • Interferometrija no radara datiem
  • Kinemātiskais GPS reālā laikā
  • Topogrāfiskās kartes
  • Doplera radars
  • Fokusa variācija
  • Dronu mērīšana un kartēšana
  • Diapazona attēlveidošana.

Daudzi no kartētājiem sagatavo DEM daudzos veidos, bieži izmantojot attālinātās izpētes datus, nevis zemes apsekošanas datus. DEM tiek izmantoti DIS, un tie ir pamats digitāli sagatavotām reljefa kartēm. Viens ļoti spēcīgs izmantotais paņēmiens ir interferometriskais sintētiskās apertūras radars, kurā divas radara satelīta pārejas apkopo datus, lai izveidotu digitālu pacēluma karti ar aptuveni desmit metru izšķirtspēju.

Pirmos izmantojamos pacēluma datus par ievērojamu zemes daļu sniedza SPOT1 satelīts 1986. gadā. Papildu datus, izmantojot šo pašu paņēmienu, 1991. gadā sniedza Eiropas attālās uzrādes satelīts ERS, 2000. gadā - Shuttle Radar Topography Mission, SRTM, izmantojot vienas caurlaides SAR un uzlaboto kosmosa termiskās emisijas un atstarošanas radiometru, ASTER 2000 instrumentus Terra satelītā, izmantojot dubultās caurlaides SAR.

Vecākās metodes ietvēra DEM ģenerēšanu, izmantojot interpolācijas digitālās kontūru kartes, kuras tika izveidotas tiešā zemes apsekojumā. Lai gan tagad tā nav ļoti izplatīta metode, to joprojām izmanto kalnu apgabalos.

DEM tiek plaši izmantots reljefa izpētei un dažādiem citiem saistītiem apsekojumiem. Daži no izplatītākajiem lietojumiem ir šādi:

  • DEM parasti izmanto ĢIS
  • Arheoloģiskai izpētei
  • Uzlabotas vadītāja palīdzības sistēmas
  • Inteliģenta transporta sistēma
  • Precīza lauksaimniecība un mežsaimniecība
  • Virsmas analīze
  • Bāzes kartēšana
  • Lidojuma simulācija
  • Satelītu navigācija
  • Redzes līnijas analīze
  • Reljefa kartes
  • Civilā inženierija
  • Zemes izpēte ģeomorfoloģijai
  • Gravimetrija un fiziskā ģeodēzija
  • 2D attēlu labošana no UAV vai satelīta
  • Reljefa parametru atvasināšana ģeomorfoloģijai
  • Informācijas iegūšana par ūdens plūsmu hidroloģijai vai masveida kustībai, piemēram, zemes nogruvumiem
  • Augsnes mitruma modelēšana ar kartogrāfisko DTW indeksu
  • Reljefa karšu veidošana
  • 3D vizualizācijas atveidošana
  • 3D lidojumu plānošana un TERCOM
  • Paaugstinātu karšu izveide reljefam vai stratēģiskai zemes izpētei.

Dati par ietekmi uz cilvēku

Bioloģiskās daudzveidības zudumam ir daudz iemeslu, tostarp mežu izciršana, lauksaimniecības attīstība, urbanizācija, piesārņojums un klimata pārmaiņas. Lai saglabātu bioloģisko daudzveidību, ir svarīgi izprast veidu, kādā cilvēki mijiedarbojas ar vidi, un to, kā no tā izrietošās izmaiņas ietekmē Zemes sistēmas.

Virsmas atstarošana

2019. gada 10. jūlijā iegūtajā Landsat attēlā ir redzami mežu izciršanas punkti no eļļas palmu plantāciju izveidošanas Peru.

Virsmas atstarošanās ir noderīga veģetācijas zaļuma mērīšanai, ko pēc tam var izmantot, lai noteiktu fenoloģiskās pārejas datumus, ieskaitot sezonas sākumu, maksimuma periodu un sezonas beigas. Mērenas izšķirtspējas instrumenti, kas galvenokārt tiek izmantoti šim mērījumam, ietver NASA mērenas izšķirtspējas attēlveidošanas spektroradiometra (MODIS) instrumentu gan uz Terra un Aqua satelītiem, gan Visible Infrared Imaging Radiometer Suite (VIIRS) uz kopīgās NASA/NOAA Suomi nacionālās polāro orbītas partnerības ( Suomi AES) satelīts. MODIS atstarošanas produkti ir pieejami ar 250 m, 500 m, 1000 m un 5600 m telpisko izšķirtspēju. VIIRS atstarošanas produkti ir pieejami ar 500 m un 1000 m telpisko izšķirtspēju. MODIS dati tiek iegūti ik pēc vienas līdz divām dienām, savukārt plašāks VIIRS vāla platums nodrošina ikdienas globālo pārklājumu.

Uzlabotais kosmosa termiskās emisijas un atstarošanas radiometrs (ASTER)-NASA un Japānas Ekonomikas tirdzniecības un rūpniecības ministrijas sadarbības centieni-ir vēl viens augstas izšķirtspējas instruments, kas iegūst redzamus un gandrīz infrasarkanos (VNIR) atstarošanas datus 15 m izšķirtspējā un SWIR (līdz 2009. gadam) atstarošanas dati 30 m izšķirtspējā. Ņemiet vērā, ka ASTER ir uzdevums ar uzdevumu, kas nozīmē, ka tas iegūst datus tikai tad, kad tas ir paredzēts konkrētiem mērķiem, padarot tā laika izšķirtspēju mainīgu atkarībā no jūsu interesējošā mērķa reģiona. ASTER Surface Reflectance produkti tiek apstrādāti pēc pieprasījuma, tāpēc tie ir jāpieprasa ar papildu parametriem. Ņemiet vērā, ka vienā pasūtījumā ir ierobežots līdz 2000 granulām.

Pētniecības kvalitātes virsmas atstarošanas datu produktiem var piekļūt tieši, izmantojot Earthdata Search vai NASA zemes procesu izplatītā aktīvā arhīva centra (LP DAAC) datu kopu MODIS, VIIRS un ASTER ir pieejami kā HDF faili, taču tos var arī pielāgot GeoTIFF:

LP DAAC nodrošina arī rīku, ko sauc par lietojumprogrammu analīzei gatavu paraugu iegūšanai un izpētei (AppEEARS). AppEEARS piedāvā vienkāršu un efektīvu veidu, kā piekļūt, pārveidot un vizualizēt ģeotelpiskos datus no dažādiem federālajiem datu arhīviem. MODIS un VIIRS virsmas atstarošanas dati ir pieejami AppEEARS, kā arī USGS Landsat Analysis Ready Data (ARD) virsmas atstarošanas produkts. Citi produkti, kas noderīgi bioloģiskās daudzveidības lietojumos, ir pieejami programmā AppEEARS, tostarp Daymet ikdienas laika parametri, augsnes mitruma aktīvās pasīvās (SMAP) produkti un MODIS sniega segas produkti.

NASA Oak Ridge National Laboratory DAAC (ORNL DAAC) arī nodrošina rīkus MODIS un VIIRS zemes datu pēciestatīšanai pēc pieprasījuma. Jo īpaši subsets API ļauj lietotājiem izgūt MODIS un VIIRS datu produktu pielāgotas apakškopas, analīzi un vizualizāciju.

Lai iegūtu lielāku izšķirtspēju, Landsat 7 uzlabotā tematiskā kartētāja (ETM+) sensors un Landsat 8 operatīvais zemes attēlveidošanas (OLI) instruments iegūst datus ar 30 m telpisko izšķirtspēju VNIR ik pēc 16 dienām (vai mazāk, attālinoties no ekvatora). Landsat 8 tika izstrādāts kā NASA un USGS sadarbība. USGS tagad vada satelītu operācijas un datu arhivēšanu Zemes resursu novērošanas un zinātnes (EROS) centrā.

Landsat datus var atklāt, izmantojot Earthdata Search, tomēr, lai lejupielādētu datus, jums būs nepieciešama USGS Earth Explorer pieteikšanās.

Vēl viena augstas izšķirtspējas iespēja ir jaunais (bet pagaidām provizoriskais) projekts Harmonized Landsat un Sentinel-2 (HLS), kas nodrošina nemainīgu virsmas atstarojumu un atmosfēras spilgtuma datus no OLI, kas atrodas uz kopīgā NASA/USGS Landsat 8 satelīta un Multi- Spectral Instrument (MSI) uz Eiropas satelītiem Copernicus Sentinel-2A un Sentinel-2B. Kombinētais mērījums ļauj veikt globālus zemes novērojumus ik pēc 2–3 dienām ar 30 metru (m) telpisko izšķirtspēju. Izpētiet darba sākšanu ar mākoņdatošanas HLS datiem Python Jupyter piezīmjdatorā, lai iegūtu EVI laikrindas no HLS.


Materiāli un metodes

Augu materiāls un lauka izkārtojums

Pavasara kvieši (Triticum aestivum L.) vaislas līnijas, ko izmantoja CT mērījumiem, bija no Starptautiskā kukurūzas un kviešu uzlabošanas centra (CIMMYT) kviešu selekcijas programmas. Izmēģinājumi tika stādīti 2017. gada 21. novembrī Normana E Borlauga eksperimentu stacijā (27 뀢 �.6 ″N, 109 끕 �.7 ″W) Ciudad Obregon, Sonora, Meksika 2017. un#x201318. . Eksperiments sastāvēja no 1800 unikāliem pavasara kviešu ierakstiem, kas tika izplatīti 60 izmēģinājumos. Katrs izmēģinājums tika sakārtots kā alfa režģa dizains divos blokos. Zemes gabali kalpoja kā eksperimentālas vienības un bija 1,7 m × 3,4 m lieli, kas sastāv no paceltas gultas stādīšanas uz divām gultām, kas atrodas 0,8 m attālumā viena no otras, ar pāra rindām katrā gultā ar 0,15 m atstarpi katram parauglaukumam. Sīkāka informācija ir atrodama 1. papildu tabulā.

Ziemas kvieši (Triticum aestivum) audzēšanas līnijas no Kanzasas Valsts universitātes kviešu audzēšanas programmas tika izmantotas NDVI nojumes un agrīnās stadijas zemes seguma mērījumiem. Viens izmēģinājums nojumes NDVI mērījumiem tika apsēts 2017. gada 19. septembrī KSU Ashland Bottom Agronomy Farm (39 ଇ �.2 ″N, 96 뀷 �.6 ″W), Manhetenā, Kanzasā un citā izmēģinājumā agrīnās stadijas zemes seguma mērījumiem tika apsēts 2018. gada 17. septembrī saimniecībā KSU (39 ଇ �.4 ″N, 96 뀷 �.1 ″W). Kopumā 2017. un#x201318 un 2018. un#x201319 sezonā tika iestādīti 146 un 150 ziemas kviešu ieraksti. Katras sezonas laikā viss lauka eksperiments tika sakārtots divos blokos. Ieraksti ietvēra vaislas līnijas un pārbaudes šķirnes. Katrā blokā vaislas līnija tika stādīta vienā parauglaukumā, bet pārbaudes tika stādītas vairākas reizes. Eksperimentālais gabals bija individuāls sešu rindu gabals ar 20 cm (8 ″) rindu atstarpi ar zemes gabala izmēriem 1,5 m un#x00D7 2,4 m. Sīkāka informācija par katru lauka eksperimentu ir uzskaitīta 1. papildu tabulā.

Lai uzlabotu ortomozaisko un ortorektēto attēlu ģeotelpisko precizitāti, zemes kontroles punkti (G), kas sastāv no spilgti baltiem/atstarojošiem kvadrātveida marķieriem, tika vienmērīgi sadalīti lauka eksperimentā pirms attēla iegūšanas un tika izmērīti līdz cm līmeņa izšķirtspējai. GCP Obregonā, Meksikā, tika aptaujāti, izmantojot Trimble R4 RTK (Trimble Inc., Sunnyvale, Kalifornija, ASV) Globālo pozicionēšanas sistēmu (GPS). GKP Kanzasā tika apsekotas, izmantojot Precis BX305 reālā laika kinemātiskās (RTK) globālās navigācijas satelītu sistēmas (GNSS) vienību (Tersus GNSS Inc., Šanhaja, Ķīna).

UAS, sensori un attēlu iegūšana

Attēlu iegūšanai izmantotā UAS bija DJI Matrice 100 (DJI, Shenzhen, Ķīna). Lidojumu plāni tika izveidoti, izmantojot Litchi Android lietotni (VC Technology Ltd., Apvienotā Karaliste) un CSIRO misijas plānotāja lietojumprogrammu 2 DJI Matrice100. Attiecīgi lidojuma ātrums, lidojuma pacēlums virs zemes un platums starp diviem paralēliem lidojuma ceļiem tika pielāgots, pamatojoties uz pārklāšanās ātrumu un kameras redzamības lauku. Abas kameras tika automātiski iedarbinātas ar borta GNSS vienību, ievērojot nemainīgu nobraukto attālumu. Lidojuma iestatījumu kopsavilkums ir norādīts 2. papildtabulā.

Lai savāktu termisko attēlu no pavasara kviešu audzētavām, FLIR VUE Pro R termokameru (FLIR Systems, Amerikas Savienotās Valstis) nēsāja DJI Matrice 100. Desmit 0,25 m un#x00D7 0,25 m kvadrātveida baltas metāla loksnes, kas uzstādītas uz 0,50 m stabiem tika izmantoti kā GCP. Divas datu vākšanas tika veiktas laikā no pulksten 11:00 līdz 13:00 2018. gada 2. martā un 19. martā, graudu iepildīšanas posmā. Gaisa attēla pārklāšanās ātrums starp diviem ģeotelpiski blakus esošiem attēliem tika iestatīts uz 80% gan secīgi, gan sāniski, lai nodrošinātu optimālu ortomozaisko fotoattēlu izšūšanas kvalitāti. Abi lidojumi tika iestatīti 60 m virs zemes līmeņa (AGL) ar ātrumu 5 m/s, un tie varēja aptvert 3600 vaislas zemes gabalus aptuveni 16 minūšu laikā. Lai saglabātu attēla pikseļu informāciju, FLIR kamera tika iestatīta tā, lai uzņemtu radiometriskos JPEG (R-JPEG) attēlus.

MicaSense RedEdge-M multispektrālā kamera (MicaSense Inc., Amerikas Savienotās Valstis) tika izmantota ziemas kviešu nojumes attēlu savākšanai gan 2017., gan#x201318., Gan 2018. un#x201319. Kā GCP tika izmantotas baltas kvadrātveida flīzes ar izmēru 0,30 m un#x00D7 0,30 m. Deviņi un četri GKP tika ievietoti un apsekoti laukā attiecīgi 2017. un#x201318 un 2018. un#x201319 sezonā. Visi UAS lidojumi tika veikti laikā no 11:00 līdz 14:00. 2017. un#x201318 sezonā kopumā tika veikti pieci UAS lidojumi graudu iepildīšanas posmā, un četri UAS lidojumi tika veikti rudens sākuma periodā 2018. un#x201319 sezonā. Detalizēti lidojuma datumi ir uzskaitīti 2. papildtabulā. Gaisa attēlu pārklāšanās ātrums starp diviem ģeotelpiski blakus esošiem attēliem tika iestatīts uz 80% gan secīgi, gan sāniski, lai nodrošinātu optimālu ortomozaisko fotoattēlu izšūšanas kvalitāti. Visi UAS lidojumi tika iestatīti ar ātrumu 20 m AGL ar ātrumu 2 m/s, un tie varēja aptvert 360 (2017. un#x201318. Gada sezona) un 336 (2018. un#x201319. Gada) gabalus attiecīgi 14 un 11 minūtēs. Lai saglabātu attēla pikseļu intensitāti, kamera MicaSense RedEdge-M tika iestatīta tā, lai uzņemtu nesaspiestus TIFF attēlus.

Ortomozaisko un ortoreficēto attēlu ģenerēšana

Šajā pētījumā modeļi, kas aprīkoti ar iezīmi, kas iegūta no ortomozaiskā attēla, tika izmantoti kā etalona kontrole, ar kuru salīdzināt aplēses no modeļiem, kas aprīkoti ar tām pašām iezīmēm, kas iegūtas no vairākiem atsevišķiem ortoreģistrētiem attēliem. Atšķirībā no Deery et al. (2016), šajā pētījumā mums joprojām vajadzēja ģenerēt visa lauka ortomozaisko attēlu kā sākumpunktu, lai aprēķinātu katra atsevišķa attēla stāvokli. Fotogrammetrijas procesā neapstrādāta attēla pikseļi tika projicēti uz to reālo ģeogrāfisko atrašanās vietu. Pēc šīs ortorektifikācijas katrs atsevišķs neapstrādāts attēls tika pārvērsts par ortorektizētu attēlu. Tāpēc nebija nepieciešams manuāli identificēt lauka paraugus katrā ortorektificētajā attēlā, jo to pašu formas failu ar zemes gabala robežām varēja izmantot, lai identificētu diagrammu, kas pastāv dažādos ortoreģistrētos attēlos. Ortomozaisku un ortorektisku attēlu ģenerēšana no neapstrādātiem attēliem sastāvēja no (1. solis) attēlu priekšapstrādes (ieskaitot radiometrisko kalibrēšanu), (2. solis) GCP noteikšana, (3. darbība) fotogrammetrijas procesa (4. darbība) un ortomozaisko attēlu un ortorektisko attēlu eksporta (kā parādīts 1. attēlā), kā sīkāk paskaidrots turpmāk. Procedūra tika īstenota, izmantojot Python, un avota kods ir pieejams tiešsaistē 3.

1. attēls. Darbplūsma, lai no neapstrādātiem attēliem izveidotu ortomozaiskus un ortorektīvus attēlus.

Attēlu priekšapstrādes procedūra multispektrālajiem attēliem pārveidoja pikseļu vērtību katrā neapstrādātā spektrālajā attēlā par atstarošanos pirms fotogrammetrijas procesa. Tomēr šajā posmā pikseļu vērtības neapstrādātos termiskos attēlos netika pārvērstas par temperatūras vērtībām. Tā kā katrs MicaSense RedEdge-M kameras sprūda ģenerēja piecus attēlus no katras spektrālās joslas (zilā, sarkanā, zaļā, tuvās infrasarkanās un RedEdge), pilnīguma pārbaude noņem attēlus ar mazāk nekā piecām joslām. Atbilstoši attēla rekvizītos iestrādātajam augstumam (t.i., kameras augstumam virs vidējā jūras līmeņa) attēli tika sadalīti divās grupās -#zemē uzņemti un gaisā uzņemti attēli. Pēc tam MicaSense radiometriskās kalibrēšanas paneļi tika automātiski noteikti no attēliem, kas uzņemti uz zemes, ja tādi ir. Pēc MicaSense radiometriskās kalibrēšanas procedūras 4 tika aprēķināti visu piecu joslu kalibrēšanas koeficienti un pēc tam piemēroti gaisā uzņemtajiem attēliem, neapstrādātus attēlus pārvēršot atstarojošos attēlos turpmākajam fotogrammetrijas procesam.

GCP noteikšanas procedūra automātiski identificēja GCP katrā gaisā uzņemtajā attēlā, ja tāds bija, un saskanēja ar GCP ar tuvāko GCP uzmērīto pozīciju no attēla pozīcijas. Tā kā kviešu laukā kā GCP tika izmantotas baltas kvadrātveida flīzes ar iepriekš zināmu izmēru, attēla apstrādes laikā varēja noteikt skaidrus GCP modeļus. Atbilstoši attēla pozīcijām (t.i., garuma un platuma grādiem), kas iestrādātas attēla rekvizītos, aptaujātais GCP, kura koordinātas ģeogrāfiski bija tuvu attēla pozīcijai, tika saskaņots ar attēlā konstatēto GCP. Izvietošanas laikā starp katriem diviem GCP tika atstāts pietiekami daudz vietas (t.i., > 20 m), lai vienā attēlā nebūtu vairāku GSP, un lai UAS varētu noteikt pietiekami precīzu ģeogrāfisko atrašanās vietu, lai noteiktu, kurš GCP tika attēlots. Visi attēla failu nosaukumi un atklātās GCP koordinātas tika saglabātas sarakstā, lai ģeometriskajai optimizācijai veiktu fotogrammetrijas procesu. Sakarā ar zemo termokameras izšķirtspēju un neskaidro GCP modeli termiskajos attēlos, GCP tika manuāli atklāti termisko attēlu fotogrammetrijas procesā.

Aerofotogrāfijas fotogrammetriskā apstrāde ietvēra retu punktu mākoņu ģenerēšanu, ģeotelpisko optimizāciju, blīvu punktu mākoņu ģenerēšanu un trīsdimensiju (3D) modeļu ģenerēšanu. Process tika īstenots, izmantojot Agisoft PhotoScan Python API (versija 1.4.0, Agisoft LLC, Krievija). Pēc procesa tika eksportēts visa lauka eksperimenta ortomozaisks attēls. Visi attēli, kas tika izmantoti ortomozaiskā attēla radīšanai, tika eksportēti kā ortorektīvi attēli ar attēla robežas (ti, ziemeļrietumu un dienvidaustrumu stūri) koordinātām un sākotnējo kameras atrašanās vietu (ti, garumu, platumu un augstumu), kur attēls tika uzņemts, iestrādāts attēla īpašības.

Sižeta līmeņa iezīmju ieguve

Sižeta līmeņa fenotipisko vērtību ieguve no ortomozaiskiem un ortorektizētiem attēliem sastāvēja no tā, ka (1) viena parauga attēli tika apgriezti no visa lauka ortomozaikas vai no vairākiem ortorektizētiem attēliem, no kuriem katrs aptvēra nelielu visa lauka daļu (2). pikseļu vērtību pārvēršana iezīmju vērtībās, izmantojot rastra aprēķinu, un (3) grafiskā līmeņa iezīmju apkopošana katrā attēlā (kā parādīts 2. attēlā). Procedūra tika īstenota, izmantojot Python, un avota kods ir pieejams tiešsaistē 5.

2. attēls. Darbplūsma zemes gabala līmeņa iezīmju iegūšanai no ortomozajiem un ortoreģistrētiem attēliem.

Pēc visa lauka ortomozaiskā attēla ģenerēšanas kvantu ģeogrāfiskās informācijas sistēmā (QGIS, www.qgis.org) pusautomātiski tika izveidota lauka karte un daudzstūru formas fails, kas apzīmē katra parauga četrus stūrus. HTP ģeoprocesora spraudnis (Wang et al., 2016). Konkrēti, četri visa eksperimenta lauka stūra punkti vispirms tika manuāli definēti QGIS. Pēc tam, izmantojot QGIS Python skriptu, katra diagrammas četru daudzstūra stūru koordinātas tika automātiski aprēķinātas ar iepriekš zināmo diagrammas ģeometrisko izmēru (garumu un platumu). Visbeidzot, katram diagrammas daudzstūrim tika piešķirts parauga ID, izmantojot HTP ģeoprocesora spraudni (Wang et al., 2016). Saskaņā ar lauka karti katra parauglaukuma attēlu varētu apgriezt no visa lauka eksperimenta ortomozaiskā attēla un saglabāt kā GeoTiff attēlu. Atšķirībā no visa lauka eksperimenta ortomozaiskā attēla, katrs ortoreģistrētais attēls aptvēra tikai nelielu daļu no visa lauka. Tāpēc tika apgriezti un saglabāti tikai GeoTiff attēli, kas tika pilnībā iekļauti ortorektētajā attēlā. Rezultātā katru diagrammu attēloja viens apgriezts ortomozaisks GeoTiff attēls un vairāki ortorektificēti GeoTiff attēli.

Lai iegūtu CT iezīmi, pikseļu vērtības katrā GeoTiff attēlā, kas satur termisko infrasarkano joslu, tika tieši izmantotas kā absolūtās temperatūras mērījumu indikatori, jo (1) R-JPEG attēlos ir iekļauti temperatūras dati katrā pikseļā 6 un (2) Sagan un citi. (2019) ir pierādījis, ka absolūto temperatūru var pārveidot no pikseļu vērtības pēc lineārā vienādojuma:

kur TermiskiIR ir pikseļu vērtība GeoTiff attēla termiskās infrasarkanās joslas robežās, T ir absolūtais temperatūras mērījums pēc Celsija grādiem, un K un T0 ir nemainīgi parametri. Šajā pētījumā K un T0 tika iestatīti kā 0.04 un �.15 (Flir Systems Inc., 2017 Williamson et al., 2019 Song and Park, 2020).

Lai ģenerētu NDVI iezīmi no GeoTiff attēla no piecu joslu multispektrāla GeoTiff attēla, rastra aprēķina laikā tika izmantots šāds vienādojums:

kur NIR un sarkans ir multispektrālo GeoTiff attēlu gandrīz infrasarkanā un sarkanā josla, un NDVI ir izejas rastra slānis.

Lai aprēķinātu nojumes GC, piecu joslu multispektrālais GeoTiff attēls vispirms tika pārveidots par RGB GeoTiff attēlu, padarot sarkano, zaļo un zilo joslu. Pēc tam RGB attēls tika pārveidots par Hue-Saturation-Value (HSV) GeoTiff attēlu. Visbeidzot, no HSV attēla Hue joslas tika ģenerēts binārs attēls, manuāli atlasot sliekšņa vērtības, atstājot baltus pikseļus, kas attēlo nojumes laukumu RGB attēlā. Šajā pētījumā sliekšņa vērtība tika izvēlēta no pirmās attēlu datu kopas (2018. gada 3. oktobris) un tika piemērota nākamajām attēlu datu kopām.

CT un NDVI pazīmju iegūšanai mēs izmantojām visu nulles vērtību režīmu (2. attēls) zemes gabala zonā kā grafika līmeņa CT un NDVI. Tas bija paredzēts, lai kompensētu troksni no ne-veģetatīvajiem pikseļiem zemes gabala teritorijā, lai gan lielāko daļu zemes gabalu attēla iegūšanas laikā pilnībā pārklāja nojumes. Zemes gabala līmeņa agrīnās stadijas zemes segums (GC 2. attēlā) tika aprēķināts kā kopējais balto pikseļu procentuālais daudzums binārajā attēlā. Tā rezultātā katram zemes gabala līmeņa iezīmju veidam, kas iegūts no ortomozaiskā attēla, bija tikai viens novērojums uz zemes gabala, turpretī tām pašām iezīmēm, kas iegūtas no ortorektētiem attēliem, bija vairāki novērojumi, pa vienam katram ortoreģistrētam attēlam, kurā šis grafiks šķita pilnīgs.

Divos datumos savāktie ortomozaiskie un ortorektētie attēli (2. papildu tabula) tika izmantoti, lai iegūtu divas neatkarīgas CT iezīmes datu kopas. Līdzīgi attēli, kas savākti piecos un četros datumos, tika izmantoti, lai iegūtu attiecīgi piecas un četras neatkarīgas datu kopas NDVI un GC pazīmēm (2. papildu tabula).

Statistiskā analīze

Katrai iegūtajai pazīmei, proti, CT, NDVI un GC, tika norādīti četri vispārēji lineāri jaukti modeļi (I līdz IV modelis). Katrai iezīmei novērojumiem, kas iegūti no ortomozaiskā attēla, tika uzstādīts nulles modelis (I modelis) (viens novērojums katram I parauga paraugam)a) un vidējo no vairākiem novērojumiem uz zemes gabala, kas iegūti no ortorektificētajiem attēliem (I modelisb). Atlikušie trīs modeļi (II, III un IV) tika piestiprināti iezīmēm, kas iegūtas no ortorektizētiem attēliem (t.i., vairāki novērojumi uz zemes gabala), un to mērķis bija atpazīt dažādus datu vākšanas procesa aspektus. Modeļa uzstādīšana tika īstenota, izmantojot ASReml-R (Ver. 4) paketi R (Butler et al., 2009 Gilmour et al., 2015), un dispersijas komponentus novērtēja pēc atlikušās maksimālās varbūtības (REML) (Butler et al., 2009 Gilmour et al., 2015). Tālāk ir sniegta papildu informācija par katru modeli.

I modelis

I modelis tika izstrādāts, lai ietilptu vienā novērojumā katram parauglaukumam, un šis vienīgais novērojums tika iegūts no viena ortomozaisa attēla katrā parauglaukumā (gm, I modelisa) vai vidēji aprēķinot vairākus diagrammas līmeņa novērojumus (y r ¯), kas iegūti no ortorektētiem attēliem (I modelisb). Konkrēti,

kur virsraksti (Ia) un (esb) norāda modeli, kuram katrs parametrs atbilst. Katrā modelī μ attēlo pārtveršanu, Gi ir nejaušā i ieraksta nejaušā ietekme, kas tiek izplatīta kā iid G i ∼ N ⁢ (0, σ G 2), B j ir j -tā bloka nejaušais efekts, kas tiek izplatīts kā iid B j & #x223C N ⁢ (0, σ B 2), R k ⁢ (j) ir k rindas nejaušā ietekme, kas ligzdota blokā un tiek pieņemta kā izplatīta kā iid R (j) ⁢ k ∼ N ⁢ (0, σ R 2), C l ⁢ (j) ir nejaušā ietekme uz pirmo kolonnu, kas ievietota blokā un izplatīta kā iid C (j) ⁢ l & #x223C N ⁢ (0, σ C 2) Visbeidzot, ei ⁢ j ⁢ k ⁢ l (I a) ∼ N ⁢ (0, σ e (I a) 2) un ei ⁢ j ⁢ k ⁢ l (I b) ∼ N ⁢ (0, σ e (I b) 2) ir modelim specifiski atlikumi. unikāls ijkl sižetam.

II modelis

Ņemot vērā daudzos novērojumus katrā parauglaukumā, kas tika iegūti no ortorektizētiem attēliem (gr), ir iespējams novērtēt mainīgumu starp novērojumiem zemes gabalā (ti, zemes gabala dispersiju), paplašinot I modeli šādi.

kur μ, Gi,Bj,Rk(j), un Cl (j) ir definēti kā I modelim. Tikmēr (R×C)(B)kl(j) (II) ir atsevišķa parauga nejaušais efekts, ko identificē, apvienojot k rindu un pirmo kolonnu j blokā, pieņemot, ka iid ir sadalīts (R × C) ⁢ (B) k &#. x2062 l ⁢ (j) (II) ∼ N ⁢ (0, σ R × C ⁢ (B) (II) 2) un ε i ⁢ j ⁢ k ⁢ l ⁢ m (II) ir novērojuma atlikušais troksnis, kas savākts uz ijkl th diagrammas m ortorektificēto attēlu un pieņemts kā iid izplatīts ε i ⁢ j & #x2062 k ⁢ l ⁢ m (II) ∼ N ⁢ (0, σ ε (II) 2) Proti, II modelī pārpalikušie termini ε i ⁢ j ⁢ k ⁢ l ⁢ m (II) ir unikāli katram ijklm novērojumam noteiktā parauglaukumā un tādējādi atspoguļo paraugu tehnisko replikāciju (ti, apakšizlasi) datu vākšanas procesā.

III modelis

Atgādiniet, ka katrs ortogrāfiski labots attēls ietver vairākus attēlus kameras redzamības laukā (3. un#x20135. Attēls) un ka attēli tika uzņemti UAS pēc serpentīna trajektorijas (pārvietojoties pa kolonnas virzienu un apgriežoties robežrindās), lai aptvertu visu lauks. Tāpēc III modelim mēs apsveram rindu un kolonnu telpisko efektu specifikācijas aizstāšanu ar attēla klasterizācijas efektu šādi:

3. attēls. Kameras azimuta leņķa ilustrācija. RGB attēlu uztvēra UAS, parādot nelielu lauka daļu. Zilais punkts attēloja kameras projicēto stāvokli uz zemes. Sarkanie punkti attēloja katra zemes gabala centru. Kameras azimuta leņķis (θ) bija leņķis starp patiesajiem austrumiem (kā 0 °) un vektoru no diagrammas centra līdz kameras pozīcijai.

4. attēls. Ortomoza un ortorektiski CT attēli. Neapstrādāti termiskie attēli CT tika uzņemti 2018. gada 2. martā 60 m AGL un tika apstrādāti, lai radītu (A) daļēja lauka ortomozaisks attēls un vairāki lauka sadaļu ortorektīvi attēli, no kuriem divi ir attēloti šeit (B, C). Melni daudzstūri, ko norobežo plānas punktētas līnijas katrā attēlā, iezīmē zemes gabala robežas. Melni daudzstūri biezās punktētās līnijās izceļ interešu lauka sadaļu, kas ir kopīga trim attēliem. Katrā attēlā melna zvaigzne iezīmē vienu un to pašu sižetu. Temperatūras diapazons (pēc Celsija grādiem) ir atzīmēts katrā attēlā. Nepārtrauktās zilās zonas (B, C) ir neefektīvi pikseļi neapstrādātu attēlu ortorektivizācijas dēļ.

5. attēls. NDVI ortomozaiski un ortorektiski attēli. Neapstrādāti NDVI attēli tika uzņemti 2018. gada 4. aprīlī pie 20 m AGL no 2017. un#x201318 kviešu lauka eksperimenta un tika apstrādāti, lai radītu (A) lauka bloka ortomozaisks attēls un vairāki šāda bloka sadaļu ortorektīvi attēli, no kuriem divi ir attēloti šeit (B, C). Melni daudzstūri, ko norobežo plānas punktētas līnijas katrā attēlā, iezīmē zemes gabala robežas. Yellow rectangles in dashed lines delimit the same subset of six plots in all three images. The range of NDVI (unitless) is marked in each image. The continuous white areas (B,C) are non-effective pixels due to orthorectification to the raw images.

where μ, Gi, un Bj are defined as for Model II. In turn, I n ( III ) is the random effect of the n th image and is assumed distributed as iid I n ( III ) ∼ N ⁢ ( 0 , σ I ( III ) 2 ) Meanwhile, each plot is identified by the combination of the i th entry in the j th block, namely ( G × B ) i ⁢ j ( III ) and assumed iid ( G × B ) i ⁢ j ( III ) ∼ N ⁢ ( 0 , σ G × B ( III ) 2 ) Finally, ε i ⁢ j ⁢ n ( III ) is the left-over residual noise of the observation collected on the n th orthorectified image of the ij th plot, assumed distributed as iid ε i ⁢ j ⁢ n ( III ) ∼ N ⁢ ( 0 , σ ε ( III ) 2 ) Much like in Model II, residual terms ε i ⁢ j ⁢ n ( III ) in model III are unique to an observation within a plot and thus represent technical replication (i.e., subsampling) in the data collection process.

Model IV

Model IV extends Model III to recognize that orthorectified images on a given plot are captured from different angles. Thus, Model IV incorporated camera view angle as an explanatory covariate in the linear predictor. This angle is defined from the center of the field plot to the camera’s position where the image is captured. As the UAS’s altitude could not be held constant during image acquisition, the absolute camera height above the ground level could not be accurately measured. Therefore, only the latitude and longitude (i.e., y and x coordinates) values of both the plot center and the camera were used to calculate the camera azimuth angle (Figure 3). Model IV was specified as follows:

kur Xijn is the camera azimuth angle corresponding to the n th orthorectified image for the ij th plot, β is the associated partial regression coefficient, and all remaining terms are defined as in Equation (6).

Model Comparison

Specific model comparisons were targeted to address questions of interest. Specifically, Model Ib was compared to Model Ia to evaluate the effect of an averaged plot-level observation extracted from multiple orthorectified images compared to a single observation extracted from blended pixels in an orthomosaic image. Next, Model II was compared to Model I to investigate the effect of subsampling on estimation of the additive genetic variance (and functions thereof) based on multiple plot-level observations extracted from orthorectified images (II) compared to a single plot-level observation extracted from an orthomosaic image (Ia) or from the average of multiple orthorectified images (Ib). Furthermore, a comparison between Models II and III were intended to consider alternative ways of accounting for spatial variation, namely through rows and columns (II) vs. image clusters (III). Finally, Model IV expanded Model III to adjust for potential technical effects of the UAS with respect to the camera view angle.

Two metrics were selected for model comparisons, specifically the broad-sense heritability (H 2 ) or repeatability, and the Bayesian Information Criterion (BIC) (Neath and Cavanaugh, 2012).

For all models, variance component estimates were used to compute H 2 as follows. Specifically, to Models Ia un esb (Equations 3 to 4), H 2 was calculated as,

Using estimates of the entry-level variance σ ε 2 and the plot-level variance σ e 2 from Models Ia un esb, un r defined as the number of plots per entry (i.e., number of blocks). For Models II, III, and IV (Equation 5 to 7), the calculation of H 2 included plot-level variance estimates (i.e., σ R × C ⁢ ( B ) ( II ) 2 , σ G × B ( III ) 2 , σ G × B ( IV ) 2 ) , and estimates of σ ε 2 characterizing subsampling, weighted by the number of subsamples (n) per plot, calculated as the harmonic mean number of observations across plots. Specifically, for model II

And for each of Models III and IV:

As Models Ia, Esb, and II have different response variables, and BIC is used for model comparison assuming the same set of observations on the response variable, BIC is only used for Models II, III and IV in this study. Values of BIC were obtained from the ASReml-R (Ver. 4) package output. Smaller values of BIC are considered to indicate better fitting models.

Datu pieejamība

Data associated with these experiments, including the cropped, plot-level orthomosaic images and corresponding orthorectified images, can be accessed at the public repository 7 .


A topological enabled three-dimensional model based on constructive solid geometry and boundary representation

Ordinary triangular mesh model can be constructed from discrete point cloud. However, this kind of model contains large amount of data. It is not only difficult to split, but also lacks topological relation information. We proposed a CSG–BRep (Constructive Solid Geometry—Boundary Representation) topological model to overcome these problems. CSG–BRep model can record topological relationship of 3D model in great detail. We first introduced aspects of the topological model: location, orientation and sub-shape. Then we proposed two algorithms to access topological structure. We also proposed algorithms for performing Boolean operation on CSG–BRep models. Finally, we demonstrated CSG–BRep construction using LIDAR point cloud as a data source. We would show that, compared to ordinary triangular mesh model, CSG–BRep model is composable and can effectively reduce data volume. In addition, CSG–BRep model has detailed topological relation information, allowing further querying and analysis of 3D spatial topological information.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


‘High-level’ functions¶

Several ‘high level’ functions have been implemented for SpatRaster objects. ‘High level’ functions refer to functions that you would normally find in a computer program that supports the analysis of raster data. Here we briefly discuss some of these functions. All these functions work for raster datasets that cannot be loaded into memory. See the help files for more detailed descriptions of each function.

The high-level functions have some arguments in common. The first argument is typically a SpatRaster ‘x’ or ‘object’. It is followed by one or more arguments specific to the function (either additional SpatRaster objects or other arguments), followed by a filename=”” and “…” arguments.

The default filename is an empty character “”. If you do not specify a filename, the default action for the function is to return a raster object that only exists in memory. However, if the function deems that the raster object to be created would be too large to hold memory it is written to a temporary file instead.

The “…” argument allows for setting additional arguments that are relevant when writing values to a file: the file format, datatype (e.g. integer or real values), and a to indicate whether existing files should be overwritten.

Modifying a SpatRaster object¶

There are several functions that deal with modifying the spatial extent of SpatRaster objects. The crop function lets you take a geographic subset of a larger raster object. You can crop a SpatRaster by providing an extent object or another spatial object from which an extent can be extracted (objects from classes deriving from Raster and from Spatial in the sp package). An easy way to get an extent object is to plot a SpatRaster and then use drawExtent to visually determine the new extent (bounding box) to provide to the crop function.

trim crops a SpatRaster by removing the outer rows and columns that only contain NA values. In contrast, extend adds new rows and/or columns with NA values. The purpose of this could be to create a new SpatRaster with the same Extent of another, larger, SpatRaster such that they can be used together in other functions.

The merge function lets you merge 2 or more Raster objects into a single new object. The input objects must have the same resolution and origin (such that their cells neatly fit into a single larger raster). If this is not the case you can first adjust one of the Raster objects with use (dis)aggregate or resample .

aggregate and disaggregate allow for changing the resolution (cell size) of a SpatRaster object. In the case of aggregate , you need to specify a function determining what to do with the grouped cell values mean . It is possible to specify different (dis)aggregation factors in the x and y direction. aggregate and disaggregate are the best functions when adjusting cells size only, with an integer step (e.g. each side 2 times smaller or larger), but in some cases that is not possible.

For example, you may need nearly the same cell size, while shifting the cell centers. In those cases, the resample function can be used. It can do either nearest neighbor assignments (for categorical data) or bilinear interpolation (for numerical data). Simple linear shifts of a Raster object can be accomplished with the shift function or with the extent function. resample should not be used to create a Raster* object with much larger resolution. If such adjustments need to be made then you can first use aggregate.

With the warp function you can transform values of SpatRaster object to a new object with a different coordinate reference system.

Here are some simple examples.

Aggregate and disaggregate.

flip lets you flip the data (reverse order) in horizontal or vertical direction – typically to correct for a ‘communication problem’ between different R packages or a misinterpreted file. rotate lets you rotate longitude/latitude rasters that have longitudes from 0 to 360 degrees (often used by climatologists) to the standard -180 to 180 degrees system. With t you can rotate a SpatRaster object 90 degrees.

Overlay¶

The overlay function can be used as an alternative to the raster algebra discussed above. Overlay, like the functions discussed in the following subsections provide either easy to use short-hand, or more efficient computation for large (file based) objects.

With overlay you can combine multiple Raster objects (e.g. multiply them). The related function mask removes all values from one layer that are NA in another layer, and cover combines two layers by taking the values of the first layer except where these are NA .

calc allows you to do a computation for a single SpatRaster object by providing a function. If you supply a SpatRaster , another SpatRaster is returned. If you provide a multi-layer object you get a (single layer) SpatRaster if you use a summary type function (e.g. sum but a RasterBrick if multiple layers are returned. stackApply computes summary type layers for subsets of a RasterStack or RasterBrick .

Reclassify¶

You can use cut or reclassify to replace ranges of values with single values, or subs to substitute (replace) single values with other values.

Set all values above 4 to NA

Divide the first raster with two times the square root of the second raster and add five.

Remove from r all values that are NA in w .

Identify the cell values in u that are the same as in s .

Replace NA values in w with values of r .

Change value between 0 and 2 to 1, etc.

Substitute 2 with 40 and 3 with 50.

Focal functions¶

The focal function currently only work for (single layer) SpatRaster objects. They make a computation using values in a neighborhood of cells around a focal cell, and putting the result in the focal cell of the output SpatRaster. The neighborhood is a user-defined matrix of weights and could approximate any shape by giving some cells zero weight. It is possible to only computes new values for cells that are NA in the input SpatRaster.

Attālums¶

There are a number of distance related functions. distance computes the shortest distance to cells that are not NA . pointDistance computes the shortest distance to any point in a set of points. gridDistance computes the distance when following grid cells that can be traversed (e.g. excluding water bodies). direction computes the direction toward (or from) the nearest cell that is not NA . adjacency determines which cells are adjacent to other cells. See the gdistance package for more advanced distance calculations (cost distance, resistance distance)

Spatial configuration¶

Function clump identifies groups of cells that are connected. boundaries identifies edges, that is, transitions between cell values. area computes the size of each grid cell (for unprojected rasters), this may be useful to, e.g. compute the area covered by a certain class on a longitude/latitude raster.

Predictions¶

The package has two functions to make model predictions to (potentially very large) rasters. predict takes a multilayer raster and a fitted model as arguments. Fitted models can be of various classes, including glm, gam, and RandomForest. The function interpolate is similar but is for models that use coordinates as predictor variables, for example in Kriging and spline interpolation.

Vector to raster conversion¶

The raster package supports point, line, and polygon to raster conversion with the rasterize function. For vector type data (points, lines, polygons), objects of Spatial* classes defined in the sp package are used but points can also be represented by a two-column matrix (x and y).

Point to raster conversion is often done with the purpose to analyze the point data. For example to count the number of distinct species (represented by point observations) that occur in each raster cell. rasterize takes a SpatRaster object to set the spatial extent and resolution, and a function to determine how to summarize the points (or an attribute of each point) by cell.

Polygon to raster conversion is typically done to create a SpatRaster that can act as a mask, i.e. to set to NA a set of cells of a SpatRaster object, or to summarize values on a raster by zone. For example a country polygon is transferred to a raster that is then used to set all the cells outside that country to NA whereas polygons representing administrative regions such as states can be transferred to a raster to summarize raster values by region.

It is also possible to convert the values of a SpatRaster to points or polygons, using as.points and as.polygons . Both functions only return values for cells that are not NA . Unlike rasterToPolygons , rasterToPoints is reasonably efficient and allows you to provide a function to subset the output before it is produced (which can be necessary for very large rasters as the point object is created in memory).


Monday, April 24, 2017

Assignment 9: Mission Planning with C3P

Ievads

The purpose of this assignment was to learn about proper mission planning when it pertains to flying a UAV. To do this, C3P Mission Planning Software was used which ensures a safe and effective UAV flight plan. Throughout this assignment, all of the proper steps to planning any UAV mission will be discussed as well as potential issues and solutions to using the C3P Mission Planning software.

Mission Planning Essentials

The first step in planning any UAV mission is to examine the study site. By looking at maps, 3D models, or, better yet, physically going to the site, the pilot can make note of any potential hazards such as power lines, radio towers, buildings, terrain, and crowds of people. It is also important to note whether there will be wireless data available or not. If not, then the pilot will need to cache the data obtained from the flight. Once observation has taken place and potential hazards/obstacles are noted, the pilot can now start to plan the mission. Using any geospatial data available and drawing out multiple potential mission plans (using C3P Mission Planner in this case) is best practice. Then, checking that the weather is suitable for flying a UAV and ensuring that all required equipment is fully charged and ready to go are the last steps required before the pilot is well prepared for the mission.

Once the pilot is ready to depart, a final weather and equipment check should be done. If the forecast appears suitable for a UAV flight and all of the necessary equipment is packed, the pilot is prepared to head out to the site.

At the site, before the pilot is ready takeoff a few final steps should be completed the first being site weather. The pilot should document the wind speed and direction, temperature, and dew point of the study site. From there, the pilot should assess the field's vegetation terrain potential electromagnetic interference (EMI) from power lines, underground metals/cables, power stations, etc and launch site elevation. Lastly, the units the team will be working in should be established and standard throughout the project thereafter, the mission/s should be reevaluated given any unforeseen characteristics of the site, the network connectivity should be confirmed, and all field observations should be documented in the pre-flight check and flight log.

Once all of these steps have been completed, the pilot is ready to fly.

Using the C3P Mission Planning Software

The first step to create a mission plan in C3P is to relocate the "home", "takeoff", "rally", and "land" locations to the study site on the map. Next, the user will draw a flight path using the draw tool. Depending on the individual site, the user can draw the path by point, line, or area. The tool also has a measurement option for precise flight path drawing. Once the user has drawn the flight path, the mission settings are adjusted. The mission settings include altitude, UAV speed, frontal and side overlap, ground sampling distance (GSD), overshoot, and camera type (figure 1).


Skatīties video: add Google Map Terrain Satellite Layer in QGIS