Vairāk

Aprēķiniet tuvākos punktus citiem punktiem, izmantojot GRASS

Aprēķiniet tuvākos punktus citiem punktiem, izmantojot GRASS


Man ir adrešu punktu slānis un vēlēšanu iecirkņu slānis. Mans uzdevums ir noteikt trīs iecirkņus, kas ir vistuvāk katrai adresei ielu tīklā.

Es domāju, ka atbilde ir v.distance, bet es esmu iestrēdzis, mēģinot izmantot šo rīku. Esmu sapludinājis savus divus punktu slāņus, un katram no tiem ir “tipa” lauks (“adrese” vai “balsošana”). Šķiet, ka rīks vēlas, lai nosacījums No KUR būtu

tips = adrese

… Un nosacījumam KUR

tips = balsošana

Esmu izmantojis v.net.maintenance, lai izveidotu ielu tīklu ar apvienotajiem punktiem kā ievades punktu vektoru karti. Tomēr iegūtajam slānim ir tikai ielu tīkla atribūti, piemēram, COST. Ja es ievadu šo slāni līdz v.distance kā

ievade = ielu_tīkla_ar apvienotiem_punktiem

… Es varu izmantot lauku COST, bet nav tipa lauka no_kurš vai uz_kur.

Esmu redzējis vairākus ziņojumus par šī rīka izmantošanu, bet atbildes nav.


Lūdzu, apsveriet iespēju izmantot v.net.path - atrod īsāko ceļu vektoru tīklā vai v.net.alloc - piešķir apakštīklus tuvākajiem centriem. Skatiet arī pieejamo vektoru tīkla algoritmu sarakstu. Komanda v.distance atradīs īsāko tiešo attālumu, bet jūs, iespējams, vēlaties sekot tīklam, lai iegūtu reālākus attālumus.


FIDIMO - bezmaksas un atvērtā koda uz ĢIS balstīts izplatības modelis upes zivīm

Mēs izstrādājām GRASS ĢIS rīku upes zivju izplatības modelēšanai (FIDIMO).

Kustības attālumu modelēšanai tiek izmantoti empīriskie leptokurtiskie zivju izkliedēšanas kodoli.

Kodoli tiek izmantoti rastrētiem upju tīkliem, ņemot vērā pārvietošanās šķēršļus.

FIDIMO ļauj prognozēt un simulēt zivju izplatīšanās laika un laika modeļus.

Šis rīks balstās uz bezmaksas un atvērtā pirmkoda programmatūru un ļauj veikt dažādus pielāgojumus.


1. Ievads

[2] Plūsmas un transporta procesu kvantitatīvo noteikšanu vadozes zonā apgrūtina labi zināmās grūtības novērtēt hidrauliskās īpašības. Šo īpašību prognozēšanai var izmantot pedotransfer funkcijas (PTF), ti. augsnes ūdens aizture, θ (h) un hidrauliskā vadītspēja, K(θ) vai K(h), funkcijas, kur θ ir tilpuma augsnes ūdens saturs, h ir augsnes kapilārā spiediena galva, un K ir hidrauliskā vadītspēja. PTF ir ierosināti, lai ērti prognozētu nepiesātinātās augsnes hidrauliskās īpašības no pedoloģiskajiem prognozētājiem [ Rawls et al., 1982 Bouma, 1989]. Ērtības attiecas uz izvairīšanos no hidrauliskiem mērījumiem, balstoties uz jau pieejamiem vai vieglāk izmērāmiem datiem. Tomēr, lai izveidotu PTF, ir nepieciešams diezgan visaptverošs prognozētāju un hidraulisko datu kopums. Turklāt šī ir empīriska pieeja, un PTF nevajadzētu izmantot, lai prognozētu hidrauliskos datus ārpus to apstākļu diapazona, kuriem tie ir kalibrēti, kamēr ir jānosaka prognozes nenoteiktība [ Schaap un Leij, 1998]. Galvenās augsnes īpašības, piemēram, teksturālās frakcijas, tilpuma blīvums un organisko vielu saturs, ir plaši izmantotas kā prognozētāji [ Minasnijs u.c., 1999 Schaap et al., 2001 Wösten et al., 2001 ].

[3] Sateces baseina mērogā, kur pat atbilstoša augsnes pamatīpašību mērīšana var nebūt iespējama, rodas jautājums, vai topogrāfiskos atribūtus varētu izmantot, lai aizstātu vai palielinātu augsnes pamatīpašības kā PTF prognozētājus. Augsnes veidošanos ietekmē veģetācija, izejmateriāls, mikroklimats, mitruma režīms un materiālu transports, kurus visus ietekmē topogrāfija. Šī (netiešā) topogrāfijas ietekme uz augsnes īpašībām un procesiem jau sen ir atzīta. Ruhe, 1956 Walker et al., 1968 Kārters un Čiolkošs, 1991]. Tāpēc topogrāfiskās īpašības var saistīt ar hidrauliskajām īpašībām. Augsnes atribūti tiešāk nodos daļu no korelācijas, taču ir arī iespējams, ka topogrāfiskie atribūti ietver jaunu informāciju prognozēšanai. Topogrāfiskie atribūti ir plaši pieejami, parādoties digitālajiem pacēluma modeļiem (DEM) un reljefa digitālajām analīzes metodēm. Papildu izšķirtspēja, ko nodrošina topogrāfiskie atribūti, var palīdzēt labāk interpretēt un prognozēt plūsmu un transportu sarežģītās dabiskās augsnes sistēmās.

[4] Sauro upes sateces baseins, kas atrodas Bazilikatas reģionā Itālijas dienvidos (1. attēls), tika izvēlēts kā gadījuma izpēte, lai kvantitatīvi noteiktu un noskaidrotu hidroloģiju baseina mērogā, kā arī virsmas eroziju un zemes degradāciju. . Tika pētītas augsnes, ainavas un hidrauliskās īpašības, lai prognozētu un izskaidrotu vietēja mēroga noteci un infiltrāciju. Šos procesus savukārt var izmantot, lai modelētu integrētu sateces baseina uzvedību, palielinot to. Netraucēti augsnes paraugi tika savākti pa kalna nogāzes šķērsgriezumu pētījuma teritorijā, lai noteiktu augsnes pamatīpašības, ūdens aizturi un hidraulisko vadītspēju. Turklāt tika veikta ainavas analīze, pamatojoties uz aerofotogrāfiju, topogrāfiskajām un ģeoloģiskajām kartēm, un tika veikts lauka apsekojums, lai noteiktu augsnes vienības ar dažādām hidrauliskām īpašībām [ Santīni u.c., 1999 ].

[5] Pētījuma vieta atrodas kalnainā apvidū ar dinamisku ģeomorfoloģiju un klimatu ar ilgu sausumu un dažiem intensīviem nokrišņiem rudens un ziemas mēnešos. Šie apstākļi ir izplatīti Vidusjūras reģionā un ir radījuši augsnes ar atšķirīgām īpašībām. Yaalon, 1997]. Daudzas augsnes veidojas uz kaļķainiem izejmateriāliem (t.i., kaļķakmens, karbonātu cementējošs smilšakmens, kaļķaini mālaini nogulumi), un sezonālie nokrišņi veicina karbonātu izskalošanos un dziļu nokrišņu veidošanos un dažos gadījumos māla materiāla ilūziju. Topogrāfija un spēcīgā nokrišņu sezonalitāte rada īpašas problēmas efektīvai un ilgtspējīgai lauksaimniecības ražošanai un ūdens apsaimniekošanai. Lai sasniegtu šādu ilgtspējības scenāriju, ir obligāti jāsaprot hidroloģijas nozīme sateces baseinā, kur sastopami dažādi poliponi. Romano un Santīni [1997] piemēroja PTF Gupta un Larsons [1979] , Rawls et al. [1982] , Rawls un Brakensiek [1989] un Vereecken et al. [1989], kas visi kā izejvielas izmanto tikai pamatinformāciju par augsni, lai prognozētu ūdens saturu kapilāru spiediena galvās h = 10, 100 un 1000 cm gar šķērsgriezumu. Paredzētais ūdens saturs parasti tika sadalīts, un šķiet, ka PTF saglabāja novērotā ūdens satura telpisko struktūru.

[6] Izvēlētajai paugurai topogrāfiskie atribūti varētu būt īpaši noderīgi kā prognozētāji, jo izmaiņas ģeoloģiskajos apstākļos un citi augsnes veidošanās faktori ir izteiktākas. Šis darbs ietver topogrāfisko atribūtu izmantošanu, lai prognozētu hidrauliskās īpašības vietās, kur bija pieejami arī augsnes atribūti. Protams, svarīgs pielietojums ir topogrāfisko atribūtu izmantošana “nepilnību aizpildīšanai”, ja nav pieejami vai ir ierobežoti augsnes atribūti. Lielākajai daļai, ja ne visiem konceptuāli balstītiem ūdensšķirtnes modeļiem ir nepieciešami dati par daudzām vietām, kur nebūs pieejamas augsnes vai hidrauliskās īpašības. Topogrāfiskos datus pēc tam varētu izmantot, lai secinātu augsnes īpašības vai tieši novērtētu hidrauliskās īpašības. Tālāk tiek apspriesti dažādi interpolācijas stratēģiju veidi Sinovskis u.c. [1997] un Heuvelink un Pebesma [1999]. Interpolācijai starp punktiem, kur ņemti paraugi no augsnes īpašībām, jāņem vērā topogrāfija, jo organizēto modeļu ietekme uz modeļa reakciju [ Merz un Plate, 1997 Western et al., 2001 ].

[7] Zemes virsmas modeļus jau sen izmanto ģeomorfologi [ Ruhe, 1975]. Pavisam nesen ir parādījušies vairāki pētījumi, kuros pētīta korelācija ar augsnes ūdens saturu [ Famiglietti u.c., 1998 Western et al., 1999] vai saglabāšanas dati [ Pachepsky et al., 2001 ]. Famiglietti u.c. [1998] un Western et al. [1999] uzraudzīja virszemes ūdens saturu laika gaitā, attiecīgi veicot destruktīvu paraugu ņemšanu un pēc laika domēna reflektometrijas. Ūdens saturs sakņu zonā ir vissvarīgākais enerģijas līdzsvarā, un tam ir liela ietekme uz siltuma un masas apmaiņu pie zemes un atmosfēras robežas. Zemas veģetācijas vietās attālināti var izmērīt tikai virszemes ūdens saturu (ti, līdz 5 cm dziļumam). Virszemes ūdens saturs nav raksturīgs mainīgs lielums, tas ir atkarīgs no tādiem faktoriem kā nokrišņi, saules starojums, veģetācija, ūdens slāņa dziļums un iepriekšējais mitruma režīms, un tas ir pakļauts ievērojamām laika izmaiņām. Korelācijas starp topogrāfiskajiem atribūtiem un augsnes hidrauliskajām funkcijām būtu lielākas intereses (apakš) virsmas plūsmas modelēšanai.

[8] Paaugstinājums var ietekmēt augsnes hidrauliskās īpašības, jo augsnes veidošanās faktori, piemēram, izejmateriāls, temperatūra un veģetācija mainās līdz ar augstumu. Virsmas augsnes strukturālās un teksturālās īpašības un līdz ar to arī hidrauliskās īpašības mainīsies līdz ar pacēlumu. Lielākā daļa pētījumu ir ziņojuši, ka ūdens saturs parasti ir zemāks augstākā augstumā [piemēram, Hawley et al., 1983]. Augsnes virsmas maksimālais slīpums (leņķis) nosaka ūdens plūsmas un visu izšķīdušo vielu plūsmu uz virsmas un pat virsmas tuvumā. Teritorijās ar stāvākām nogāzēm būs mazāka iefiltrēšanās un garozas veidošanās, un virszemes noteces būs lielākas, iespējams, ka virszemes ūdens saturs būs zemāks [ Moore et al., 1988] un augstāka hidrauliskā vadītspēja [ Casanova u.c., 2000 ]. Pachepsky et al. [2001] ziņoja par ūdens aiztures samazināšanos stāvākās nogāzēs pie starpposma kapilāru galvām (r 2 no 0,451 un 0,345 plkst. h = Attiecīgi 100 un 330 cm). Aspekta vai slīpuma orientācija raksturo slīpuma virzienu un līdz ar to plūsmu, ko izmanto, lai izveidotu veicinošās zonas. Hanna u.c. [1982] novēroja augstāku pieejamo ūdens saturu un Cerdà [1997] ziņoja par augstāku infiltrācijas līmeni uz ziemeļiem vērstām nogāzēm ziemeļu puslodē. Čīlē, Casanova u.c. [2000] atklāja augstāku vadītspēju slīpumam uz dienvidiem. Augstāks organisko vielu un māla saturs uz dienvidiem vērstajā nogāzē, iespējams, noved pie stabilākām makroporām un augstākas vadītspējas. Gan aspekts, gan slīpums ietekmē lietus intensitāti un starojuma ievadi, kas atstās iespaidu uz augsnes īpašībām un hidrauliskajām īpašībām.

[9] Zemes virsmas izliekums ir svarīgs sānu plūsmas modeļu noteicošais faktors. Profila vai slīpuma izliekumu izsaka ar slīpuma leņķa izmaiņām gar aspektu, negatīvās vērtības norāda uz ieliektu plūsmu ar palēninošu plūsmu, savukārt pozitīvas vērtības tiek atrastas izliektām virsmām ar plūsmas paātrinājumu. Tangenciālais izliekums kvantitatīvi nosaka izliekumu plaknē, kas šķērso aspektu, šis mainīgais sniedz informāciju par sānu plūsmu konverģenci un novirzi. Ja izliekumu mēra horizontālā plaknē, t.i., kas attiecas uz kontūrām, to sauc par plāna izliekumu. Vidējā izliekuma vērtība uzskaita virsmas kopējo ieliekumu vai izliekumu. Famiglietti u.c. [1998] parādīja negatīvu korelāciju starp virszemes ūdens saturu un trim izliekuma veidiem. Pachepsky et al. [2001] konstatēja, ka ūdens saturs pie h = 100 un 330 cm bija negatīvi korelēti ar profila izliekumu, ti, paātrināta plūsma pazemina aizturi (ar r 2 attiecīgi 0,266 un 0,310) un pozitīvi korelē ar tangenciālu izliekumu, ti, atšķirības veicina aizturi (ar r 2 0,423 un 0,432, attiecīgi). Potenciālais saules starojums, ko nosaka no slīpuma, aspekta un saules stāvokļa, ietekmē iztvaikošanas caurlaidību, ūdens saturs būs zemāks virsmām, kas saņem vairāk saules starojuma [ Western et al., 1999]. Saikne starp saules starojumu un hidrauliskajām īpašībām ir iedomājama, jo augsnes veidošanos ietekmē mitruma režīms, temperatūra un veģetācija. Veicinošais laukums un slīpums nosaka sauszemes plūsmas plūsmu un gradientu. Ir pierādīts, ka mitruma indekss, kas ir noderīgs virsmas noteces un erozijas novērtēšanai, ir pozitīvi saistīts ar virszemes ūdens saturu [ Moore et al., 1988 Famiglietti u.c., 1998 Western et al., 1999]. Citi topogrāfiskie atribūti, piemēram, saliktās plūsmas jaudas un nogulumu transportēšanas jaudas indeksi [ Moore et al., 1993] un pacēluma reljefa koeficients pacēluma šķībumam [ ASV armijas inženieru korpuss, 1993], ir izmantoti arī augsnes klasifikācijā un erozijas pētījumos.

[10] Šķiet ticami, ka topogrāfiskie atribūti var uzlabot PTF. Tomēr, Famiglietti u.c. [1998] citē vairākus pētījumus, kuros nebija būtiskas korelācijas starp topogrāfiskajiem atribūtiem un augsnes ūdens saturu. Ja ir būtiska korelācija ar hidrauliskajām īpašībām, tā būs ievērojami mazāka nekā augsnes īpašībām [ Pachepsky et al., 2001]. Turklāt topogrāfisko atribūtu izmantošana, kas ir nedaudz korelēti ar hidrauliskajām īpašībām, var izraisīt sliktāku PTF veiktspēju pārmērīgu parametru dēļ.

[11] Ar topogrāfiskajiem prognozētājiem saistītā nenoteiktība ir atkarīga arī no topogrāfisko datu telpiskās izšķirtspējas un mainīguma. Western et al. [1999] pētīja, cik labi ūdens saturu, arī ņemot vērā laika mainīgumu, paredzēja reljefa īpašības dažādās skalās. Potenciālais starojuma indekss maz izskaidro dispersiju, bet mitruma indekss izskaidro daļu no telpiskās dispersijas, jo īpaši lielākos nobīdes attālumos (& gt150 m). Protams, ne visa telpiskā mainība ir topogrāfiski sakārtota, un tikai organizēto daļu var izskaidrot ar reljefa atribūtiem. Variogrammas dati liecināja, ka vairāk nekā puse neizskaidrojamo dispersiju notiek mērogā, kas mazāks par DEM 10 m režģi. Western et al. [1999] apgalvoja, ka mainīgums starp DEM un kalna nogāzes skalas rodas novirzītas sānu plūsmas dēļ, ko var izskaidrot ar mitruma indeksu un kāpuma laukumu. Mainīgumu kalna nogāzē un sateces baseinā var izskaidrot attiecīgi ar aspektu un augsni vai veģetāciju.

[12] Ņemot vērā iepriekš minēto, šī pētījuma mērķis bija atklāt korelācijas starp hidrauliskajiem datiem un topogrāfiskajiem atribūtiem un izmantot tos PTF. Būs nepieciešami sīkāki novērojumi, lai noskaidrotu mehānismus, ar kuriem topogrāfija nosaka hidraulisko īpašību lielumu. Konkrētie mērķi ir šādi: (1) izpētīt sakarības starp augsnes un topogrāfiskajiem atribūtiem, saglabāšanas datiem un hidrauliskajiem parametriem paugura nogāzei Bazilikātā, Itālijā, (2) kalibrēt PTF ar augsnes un/vai topogrāfiskiem atribūtiem, izmantojot neironu tīkla analīzi un (3) pārbaudīt, vai topogrāfiskie atribūti var uzlabot PTF, ņemot vērā dažādus augsnes mitruma režīmus un atlikumu mainīgumu.


Aprēķiniet tuvākos punktus citiem punktiem, izmantojot GRASS - ģeogrāfiskās informācijas sistēmas

GRASS (ģeogrāfisko resursu analīzes atbalsta sistēma) ir uz publiska domēna rastra balstīta ĢIS, vektoru ĢIS, attēlu apstrādes sistēma un grafikas ražošanas sistēma. Izveidoja ASV armijas inženieru korpuss, Constriction Engineering Research Laboratory (ASV/CERL) un to uzlaboja daudzi citi, to plaši izmanto valdības iestādēs, universitātēs un komerciālajās organizācijās visā pasaulē. Tas ir rakstīts galvenokārt C dažādās UNIX mašīnās. Linux ir viena no tās spēcīgākajām ieviešanām.

GRASS satur vairāk nekā 40 programmas attēlu atveidošanai uz monitora un papīru vairāk nekā 60 rastra manipulācijas programmas vairāk nekā 30 vektoru manipulācijas programmas gandrīz 30 daudzpektru attēlu apstrādes manipulācijas programmas 16 datu pārvaldības programmas un 6 punktu failu pārvaldības programmas.

GRASS stiprās puses ir vairākās jomās. Vienkāršais lietotāja interfeiss padara to par ideālu platformu tiem, kas pirmo reizi apgūst ĢIS. Lietotāji, kuri vēlas rakstīt savu kodu, to var izdarīt, pārbaudot esošo avota kodu, saskaroties ar dokumentētajām ĢIS bibliotēkām un izmantojot GRASS programmētāju rokasgrāmatu. Tas ļauj GRASS pilnībā integrēt sarežģītāku funkcionalitāti.

Citas stiprās puses ir GRASS jauktās izšķirtspējas pionieris datu bāzē, jaukti ģeogrāfiskie pārklājuma apgabali datu bāzē, rastra attēlu saspiešanas paņēmieni, izmantojot darbības garuma kodēšanas un pārklasifikācijas uzmeklēšanas tabulas, GRASS displeja attēlu mērogošana uzreiz, lai aizpildītu displeju ekrāns, kā arī tā fundamentālais dizaina kritērijs-spēcīga datorizēta vides jautājumu zinātniskā analīze (nevis tikai vienkāršu procesu sarežģīta kartogrāfiskā iznākšana).

GRASS parasti tiek piegādāts kā bezmaksas avota kods, uz kuru neattiecas autortiesības un kas jāapkopo saimniekdatoros. Dažus apkopotos bināros failus var viegli iegūt bez maksas, izmantojot internetu. Tas darbojas dažādās UNIX platformās.


Aprēķiniet tuvākos punktus citiem punktiem, izmantojot GRASS - ģeogrāfiskās informācijas sistēmas

Masveida kustību procesi, piemēram, zemes nogruvumi, gružu plūsmas, klinšu lavīnas vai sniega lavīnas, mijiedarbojoties ar sabiedrību, var radīt zaudējumus vai pat katastrofas. Datoru modeļi, kas paredz ceļojuma attālumus, bīstamās zonas, trieciena enerģiju vai ceļojuma laiku, var palīdzēt sabiedrībai mazināt šādu procesu ietekmi un līdz ar to samazināt risku un zaudējumus (Hungr et al., 2005).

Fiziski balstīti dinamiskie modeļi tiek izmantoti konkrētu notikumu vai situāciju detalizētai analīzei (piemēram, Savage and Hutter, 1989 Takahashi et al., 1992 Iverson, 1997 Pudasaini and Hutter, 2007 McDougall and Hungr, 2004, 2005 Pitman and Le, 2005 Christen et al., 2010a, b Mergili et al., 2012b Pudasaini, 2012 Hergarten and Robl, 2015 Mergili et al., 2015). Tā kā procesi ir sarežģīti un ievades parametri ir neskaidri, mūsdienās tiek izmantoti vienkāršoti konceptuāli modeļi masu plūsmu kustībai kopā ar ĢIS (ģeogrāfiskās informācijas sistēmu). Šos modeļus var izmantot atsevišķiem notikumiem. Tomēr tie ir īpaši noderīgi, lai plašākā mērogā norādītu iespējamās ietekmes zonas. Hipotētiskie masas punkti tiek novirzīti no atbrīvošanas pikseļa, izmantojot digitālo pacēluma modeli (DEM), līdz tiek sasniegts noteikts pārtraukuma kritērijs. Lai modelētu plūsmas izplatīšanos uz sāniem, tiek izmantotas Montekarlo metodes (nejaušas pastaigas, Pīrsons, 1905 Gamma, 2000) vai vairāku plūsmas virzienu algoritmi (Horton et al., 2013).

Pārtraukuma kritēriji bieži ietver sasniedzamības leņķa sliekšņa vērtības (ti, ceļa vidējo slīpumu) vai horizontālos un vertikālos attālumus (Lied un Bakkehøi, 1980 Vandre, 1985 McClung and Lied, 1987 Burton and Bathurst, 1998 Corominas et al. ., 2003 Haeberli, 1983 Zimmermann et al., 1997 Huggel et al., 2002, 2003, 2004a, b), dažreiz saistīti ar apjomu (Rickenmann, 1999 Scheidl and Rickenmann, 2010). Tomēr šajās attiecībās parasti ir liela izkliedes pakāpe. Turklāt nav norādīti galvenie projektēšanas jautājumu parametri, piemēram, trieciena spiediens (Hungr et al., 2005).

Dažas pieejas ietver vienkāršotus fiziski pamatotus modeļus, kas atgriežas pie Voellmy masas plūsmas modeļa (1955), saistot bīdes vilkmi ar ātruma kvadrātu un pieņemot papildu Kulona berzes efektu (Pudasaini un Hutter, 2007). Viņi ņem vērā tikai plūstošās masas centru, bet ne tās deformāciju un plūsmas mainīgo telpisko sadalījumu. Šāda veida modeļus galvenokārt izmanto sniega lavīnām un gružu plūsmām (Perla et al., 1980 Gamma, 2000 Wichmann and Becht, 2003 Mergili et al., 2012a Horton et al., 2013).

ieviest r.randomwalk - brīvi pieejamu, visaptverošu un elastīgu rīku masu kustību maršrutēšanai

lai parādītu dažādas r.randomwalk funkcijas, jo īpaši attiecībā uz i) - iv) problēmu pārvarēšanu

lai apspriestu šī rīka iespējas un ierobežojumus.

Tālāk mēs aprakstīsim programmatūras rīku r.randomwalk (2. sadaļa). Turklāt mēs iepazīstināsim ar testa zonām un rezultātiem (3. sadaļa). Visbeidzot, mēs apspriedīsim secinājumus (4. nodaļa) un noslēgsim ar dažiem darba galvenajiem vēstījumiem (5. nodaļa).

R.randomwalk lietojumprogramma Skaitļošanas ieviešana

Analīze ar vairākām izlases apgabalu vai koordinātu apakškopām. Katrā modeļa izpildē vienu apakškopu izmanto, lai atpakaļ aprēķinātu sasniedzamības leņķa varbūtības blīvuma funkciju (PDF), bet otru apakškopu izmanto, lai apstiprinātu ar šo PDF iegūto trieciena varbūtības sadalījumu pret novērotajām nogulsnēšanās zonām.

Analīzes ar vairākām ievades parametru kombinācijām mainījās kontrolētā vai nejaušinātā veidā, ļaujot apsvērt parametru nenoteiktību un izpētīt parametru jutīgumu.

r.randomwalk tika izstrādāts un pārbaudīts ar Ubuntu 12.04 LTS, un paredzams, ka tas darbosies arī ar citām UNIX sistēmām. Ir pieejams vienkāršs lietotāja interfeiss. Tomēr rīks var tikt iedarbināts efektīvāk, izmantojot komandrindas parametrus, kas ļauj vienkārši sadalīt čaulas skripta līmenī. Šī funkcija atvieglo modeļu testēšanu, kombināciju ar citiem GRASS ĢIS moduļiem un procesu ķēžu apsvēršanu (t.i., izmantojot vienas analīzes rezultātu kā ievadi nākamajai). Loģiskais ietvars ir parādīts 1. attēlā, galvenie mainīgie, kas izmantoti r.randomwalk, ir apkopoti 1. tabulā.

R.randomwalk loģiskais ietvars. Tiek parādīti tikai šajā rakstā apskatītie komponenti.

Visi testi (sk. 3. nodaļu) tiek veikti ar Intel ® Core i7 975 ar 3,33 GHz un 16 GB RAM (DDR3, PC3-1333 MHz), izpētot ne vairāk kā astoņus kodolus, izmantojot hiperthreading.

Termins nejauša pastaiga attiecas uz Montekarlo pieeju objekta maršrutēšanai caur jebkura veida telpu. Šo terminu ieviesa Pīrsons (1905). Ierobežotas nejaušas gājienu pieejas tiek izmantotas, lai maršrutētu masu kustības, piemēram, gružu plūsmas caur augstuma kartēm (DEM), piem. Gamma (2000), Wichmann and Becht (2003), Mergili et al. (2012a) un Grūbers un Mergili (2013). Šādas metodes ļauj noteiktā mērā izplatīties kustībai, ņemot vērā arī citus maršruta virzienus, nevis straujāko nolaišanos. Tas ļauj izvairīties no plūsmu - vai jebkura cita veida masu kustības - koncentrēšanās uz lineārām iezīmēm, kas nebūtu reāli attiecībā uz gružu plūsmām, sniega lavīnām vai cita veida masu kustībām. Tomēr maršrutēšanu ierobežo vai sver tādi faktori kā slīpums vai plūsmas virziena saglabāšana. Alternatīva ierobežotai nejaušai pastaigu maršrutēšanai būtu vairāku plūsmas virzienu algoritms (Horton et al., 2013).

Vadības garums L ctrl un segmenta garums L seg. a) L ctrl lietošana, lai izvairītos no straujas plūsmas saliekšanās. b) Plūsmas ceļa izlīdzināšana, ieviešot segmentus ar maksimālo L segmenta garumu.

viens izlases gājienu komplekts vienai masas kustībai, sākot no noteiktas koordinātu kopas

vairāki izlases gājienu komplekti vienai masas kustībai, viens komplekts, sākot no katra atbrīvošanas apgabala pikseļa

nejaušu pastaigu komplekti vairākām masu kustībām pētījuma apgabalā (vai nu sākot no vienas koordinātu kopas uz masas kustību, vai no visiem pikseļiem, kas definēti kā atbrīvošanas apgabali)

viens izlases gājienu komplekts, sākot no katra pētāmā apgabala pikseļa.

Tiek piemēroti pārklāšanās noteikumi dažādām nejaušām pastaigām un nejaušu pastaigu kopām (sk. 2.4. Sadaļu).

R.randomwalk izmantoto galveno mainīgo kopsavilkums.

Lai ierobežotu kustību uz augšu, tiek ieviests lietotāja noteikts maksimālais vertikālais ieskrējiena augstums R max⁡. Tas ņem zemāko pacēlumu, kurā nejaušā gājiens ir izgājis kā atsauce.

Daži masu plūsmu veidi (t.i., tie, kuriem ir augsta viskozitāte) gandrīz nemaina strauju plūsmas virzienu. Lietotāja definēts horizontālais vadības attālums L ctrl nosaka katra soļa attālumu atpakaļ, pa kuru jāpalielina horizontālais kustības attālums (2.a att.).

Pārtraukuma kritēriju definēšanas iespējas. Karogi, kas tiek sniegti, izmantojot komandrindu vai lietotāja saskarni, nosaka pārtraukuma kritērija veidu. RC ir atbrīvošanas koordinātas (atbrīvošana no izlaišanas apgabalu augstākajiem punktiem), RP ir atbrīvošanas pikseļi (atbrīvošana no visiem pikseļiem atbrīvošanas apgabalos), • attiecas uz lielāko daļu lietojumprogrammu un ∘ attiecas uz dažām lietojumprogrammām.

Jebkura cita kaimiņu pikseļa px varbūtība kļūt par mērķa pikseļu ir P px = p px ∑ qx = 1 qx = npqx, p = fdef β tan⁡ β, kur n ir kopējais derīgo kaimiņu pikseļu skaits, un β ir vietējais slīpums starp pašreizējo pikseļu un aplūkojamo kaimiņu pikseli. f d un f β ir svēršanas faktori plūsmas virziena un slīpuma saglabāšanai. f d nosaka ievades parametrs d: f d = d 2 tādam pašam plūsmas virzienam kā iepriekšējais, f d = d 45 ∘ apgriezienam un f d = 1 90 ∘ pagriezienam.

Pārtraukuma kritēriji nejaušiem gājieniem (sk. 2.3. Iedaļu) ir tieši vai netieši saistīti ar nobraukto attālumu L max⁡, t.i., horizontālais garums starp atbrīvošanas pikseli un gala pikseļu, kas mērīts gar plūsmas ceļu. Sākotnējie testi atklāj, ka nejauša gājiena maršrutēšana pa rastra kartēm var radīt diezgan nevienmērīgus plūsmas ceļus (sk. 2.b zīm.). Līdz ar to attālums, kas aprēķināts, summējot visus attālumus starp pikseļiem un pikseļiem, var būt ievērojami garāks par atbilstošāko attālumu pa novērotajiem galvenajiem plūsmas ceļiem. Izmantojot attālumu starp pikseļiem un pikseļiem summas, tiktu nepietiekami novērtēts sasniedzamības leņķis un līdz ar to arī paredzamie pārvietošanās attālumi un trieciena apgabali. Mēs risinām šo problēmu, sadalot plūsmas ceļus taisnos segmentos ar lietotāja definētu maksimālo L segmenta garumu. Brauciena attālums L max⁡ tiek definēts kā visu segmentu garuma summa (sk. 2.b zīm.). Paredzams, ka lielākas L seg vērtības radīs īsākus pārvietošanās attālumus, jo ir izteiktāka ceļa izlīdzināšana.

Sasniedzamības leņķis ω T vai maksimālais ceļojuma attālums L max⁡ tiek aprēķināts no empīriskiem -statistiskiem noteikumiem vai attiecībām, pamatojoties uz novēroto notikumu analīzi (3. tabula). Tie parasti attiecas uz attālumu starp izplūdes zonas augstāko punktu un trieciena apgabala vistālāko vietu gar plūsmas ceļu (Fahrböschung saskaņā ar Heimu, 1932). Līdz ar to izlases gājieni, izmantojot šāda veida pārtraukuma kritēriju, jāsāk no koordinātu kopas, kas nosaka novērotās vai paredzamās masas kustības augstāko punktu. Kā alternatīvu var izmantot arī daļēji deterministisku modeli (Perla et al., 1980).

Empīriski statistiskās attiecības vai daļēji deterministisko modeli var izmantot lielā skaitā paralēlu aprēķinu ar nejaušinātām parametru a, b un c vērtībām (sk. 1. attēlu un 3. tabulu). Tas ļauj izpētīt neskaidrību ietekmi attiecībās. Vienlaicīgi tiek ņemts vērā tikai viens attiecību veids, un izvade sastāv no ietekmes indikatora indeksa III rastra kartes diapazonā no 0 līdz 1, kas atspoguļo pārbaudīto parametru kombināciju daļu, kas paredz ietekmi uz pikseļu (ti, kur ietekmes indikators punktu skaits (IIS) = 1). Turklāt visu modeļu palaišanas rezultāti tiek glabāti tādā veidā, kas ir gatavs analīzei, izmantojot parametru jutīguma un optimizācijas rīku AIMEC (Automated Indicator-based Model Evaluation and Comparison Fischer, 2013).

Ietekmes varbūtības rastra karte P I diapazonā no 0 līdz 1 tiek aprēķināta no lietotāja definēta iedeguma (ω T) vērtību parauga, ko izmanto, lai izveidotu kumulatīvo blīvuma funkciju (CDF). CDF attēlo varbūtību, ka kustība sasniedz pikseļus, kas saistīti ar katru iedeguma vērtību (ω T). Novēroto vērtību paraugu var sadalīt vienā masas kustību apakškopā, lai izveidotu CDF, un citā, lai aprēķinātu P I. Tas nodrošina skaidru atšķirību starp parametru optimizāciju un modeļa validāciju (sk. 2.5. Sadaļu). Paralēlo apstrādi var izmantot, lai atkārtotu daudzu nejaušu apakškopu analīzi, lai panāktu stabilāku rezultātu.

Ja ir pieejams notikumu uzskaite, novērotās ietekmes zonas var aprēķināt atpakaļ, maršrutējot katru nejaušu gājienu, līdz tas atstāj attiecīgās masas kustības novēroto trieciena zonu. Šo režīmu var izmantot, lai izpētītu ω T statistisko sadalījumu. Iegūto CDF var izmantot kā ievadi, lai novērtētu P I.

Noteikumu veidi un attiecības, ko atbalsta r.randomwalk. ω T ir sasniedzamības leņķis, L max⁡ ir ceļojuma attālums, V ir kustības apjoms, Z ir pacēluma zudums, Q p ir pīķa izlāde atlaišanas laikā un v T ir ātrums, beidzoties.

Tā paša masas punkta nejaušas pastaigas: trieciena biežums (IF) tiek palielināts par 1 katrai nejaušai pastaigai, paredzot ietekmi. IIS tiek palielināts par 1 katram modelim, ja vismaz 1 nejauša pastaiga paredz ietekmi. Vidējais ceļa leņķis - un līdz ar to arī P I - tiek iegūts no nejaušas pastaigas ar īsāko pārvietošanās attālumu (ti, taisnāko plūsmas ceļu un augstāko ω vērtību) attiecīgajā pikseļā.

Nejaušu gājienu kopas dažādiem masas punktiem: IF vērtības visām nejaušajām pastaigām, kas ietekmē pikseļus, tiek vienkārši sasummētas, bet katram pikselim tiek piemērots maksimālais IIS. Jautājums kļūst sarežģītāks, kad runa ir par P I: atkarībā no konkrētās lietojumprogrammas maksimālais vai vidējais no visiem nejaušo pastaigu kopumiem ir piemērotāks.

Iegūtās PI vai IIS kartes var automātiski pārklāt ar izlaišanas varbūtību (PR rezultāts: saliktā varbūtība PI, C Mergili un Chu, 2015) vai atbrīvošanas indikatora punktu (RIS rezultāts: trieciena bīstamības rādītājs - IHIS), un ar iedarbības rādītāja rādītājs (EIS), kas iegūts no zemes seguma (rezultāts: ietekmes riska rādītāja rādītājs - IRIS, skatīt 1. tabulu). Šīs darbības tālāk šajā rakstā nav aplūkotas, un tāpēc tās nav parādītas 1. attēlā.

r.randomwalk ietver trīs modeļa rezultātu apstiprināšanas iespējas. Visas trīs balstās uz pētāmās (-o) masu kustības (-u) novērotās nogulsnēšanās rastra kartes pieejamību. Visas novēroto trieciena zonu daļas ārpus novērotajām nogulsnēšanās zonām ir iestatītas bez datiem (3. att.).

Modeļa validācija ar ROC diagrammu, kas saistīta ar kļūdaini pozitīvu likmi r FP un patiesu pozitīvu likmi r TP. Šis validācijas veids ir piemērots prognozētāju rastra kartēm diapazonā no 0 līdz 1, piemēram, III vai P I. To var izmantot arī binārajām prognozēšanas kartēm (0 vai 1). Šādā gadījumā AUC ROC tiek aprēķināts tikai no diviem sliekšņa līmeņiem.

IIS patiesās pozitīvās (TP), patiesās negatīvās (TN), viltus pozitīvās (FP) un viltus negatīvās (FN) prognozes tiek skaitītas, pamatojoties uz pikseļiem un sakārtojot. Visi pikseļi ar IIS ≥ 1 tiek uzskatīti par novērotajiem pozitīvajiem (OP). Visi pikseļi ar IIS = 0 tiek uzskatīti par novērotajiem negatīvajiem (ON).

ROC (uztvērēja darbības raksturlielumi) diagrammas veido III vai P I: patiesā pozitīvā likme r TP (TP/OP) tiek attēlota pret viltus pozitīvo likmi r FP (FP/ON) dažādiem III vai P I līmeņiem. Platība zem līknes, kas savieno iegūtos punktus, AUC ROC tiek izmantota kā prognozes kvalitātes rādītājs (sk. 3. att.). Ja PF CDF ir iegūts no tā paša zemes nogruvumu kopas, r.randomwalk ietver iespēju nejauši sadalīt novēroto zemes nogruvumu kopu parametru optimizācijas komplektā un vienu validācijai. This is done for a user-defined number of times, exploiting multiple processors (see Sect. 2.3 and Fig. 1). It results in an ROC plot with multiple curves. Note that two ROC plots are produced: one of them builds on the original number of TN pixels. For the other one, the number of ON pixels is set to 5 times the number of OP pixels. Whilst the number of FP pixels remains unchanged, the number of TN pixels is modified accordingly. This procedure aims at normalizing the ROC curves in order to enable a comparison of the prediction qualities yielded for different study areas.

If only one mass movement is considered, a longitudinal profile may be defined by a set of coordinates of the profile vertices. The observed and predicted (IIS ≥ 1 or P I > 0) travel distances are measured and compared along this profile.

Test cases and results Acheron rock avalanche, New Zealand Area description and model parameterization

The Acheron rock avalanche in Canterbury, New Zealand (Fig. 4), was triggered approx. 1100 years BP (Smith et al., 2006). Within the present study, the release volume, V = 6.4 million m 3 , is approximated from the reconstruction of the pre-failure topography and is lower than the value of V = 7.5 million m 3 estimated by Smith et al. (2006). We use a 10 m resolution DEM derived by stereo-matching of aerial photographs. Impact, release and deposition areas are derived from field and imagery interpretation as well as from data published by Smith et al. (2006). All random walks start from the highest pixel of the release area.

We use this case study for demonstrating how to compute the impact indicator index III from an elevation map, the release area, and the release volume. Before doing so, we have to analyse the influence of the pixel size and the parameters n walks , R max⁡ , L ctrl , L seg , f β , and f d on the model result. Preliminary tests have shown that r.randomwalk yields plausible results with the number of random walks: n walks = 10 4 , R max⁡ = 10 m, L ctrl = 1000 m, L seg = 100 m, f β = 5, f d = 2 , and a pixel size of 20 m. These values are taken as a basis to explore the sensitivity of the model results to the variation of each parameter and the best fit of the parameters in terms of the travel distance, AUC ROC , and the size of the predicted impact area (Table 4). ω T = 11.62 ∘ , the angle of reach observed for the Acheron rock avalanche, is applied as the break criterion for all tests. Some of the tests are run in the back-calculation mode (flag b see Tables 2 and 4).

III is computed by executing r.randomwalk 100 times, with the parameter values optimized according to Table 4. We explore an empirical–statistical relationship for ω T derived from a compilation of 127 case studies (Fig. 5). The offset of the equation ( b in Eq. 4 and Fig. 5) is randomly sampled between the lower and upper envelopes of the regression. The quality of the prediction is evaluated using the ROC plot (see Figs. 1 and 3). Note that the Acheron rock avalanche (not included in the relationship developed in Fig. 5) is found close to the lower envelope, meaning that it was very mobile compared to most of the other events.

Acheron rock avalanche. (a) Panoramic view photo: M. Mergili, 28 February 2015. (b) Location and geometry.

Empirical–statistical relationship relating the angle of reach ω T to the volume V of avalanching flows of rock or debris. The data are compiled from Scheidegger (1973), Legros (2002), Jibson et al. (2006), Evans et al. (2009), Sosio et al. (2012), and Guo et al. (2014).

Figure 6 summarizes the findings of the test s 1–3 (see Table 4). Test 1 leads to the expected result that the predicted impact area increases with the number of random walks. However, the predicted impact area is also a function of the pixel size: with larger pixels, less random walks are needed to cover an area of similar size than with smaller pixels. Figure 6a further indicates that the possible impact area is not fully covered even at 10 5 random walks: no substantial flattening of the curves is observed. We conclude that (i) a very high value of n walks would be necessary to fully cover the possible impact area, and (ii) this would lead to a substantial overestimation of the observed impact area.

Tests of the parameters n walks , L ctrl , L seg , R max⁡ , f β , f d , and the pixel size. Where ranges of values are given in bold, the model is run with 100 random samples constrained by the minima and maxima indicated. Where values given in bold are separated by commas, in these cases exactly these values are tested.

Test n walks L ctrl (m) L seg (m) R max⁡ (m) f β f d Pixel size (m) 1 1 , 3 10 0 –10 6 1000 100 10 5 2 10, 20, 40 2 2 10 4 50, 1000 10–150 1000 5 2 10, 20, 40 3 1 , 2 , 3 10 4 50–1000 2 100 1000 2 5 2 10, 20, 40 2 1000–4000 1 , 3 10 1 , 3 20 1 , 3 4 1 , 3 10 4 1000 100 0–120 5 2 20 5 1 , 3 10 4 1000 100 10 0–10 2 20 6 1 , 3 10 4 1000 100 10 5 1–10 20

Test criteria: 1 impact area 2 travel distance L max⁡ (flag b) 3 AUC ROC .

Results of the tests 1–3 (number of test indicated in the yellow circle). Number of random walks plotted against (a) the impact area and (b) the area under the ROC curve. (c) Computed travel distance L max⁡ as a function of L seg (in the legend, the corresponding value of L ctrl is given in parentheses). (d) Computed L max⁡ as a function of L ctrl .

On the other hand, the quality of the prediction in terms of AUC ROC reaches a maximum at n walks ≈ 10 2 (pixel size 40 m) or n walks ≈ 10 3 (pixel size 20 m), decreasing with higher values of n walks . At a pixel size of 10 m, AUC ROC reaches a constant level at n walks ≈ 10 4 (see Fig. 6b). We may conclude that excessive numbers of random walks lead to an overestimation of the impact area rather than to a better prediction quality. Coarser pixel sizes allow one to achieve the same level of coverage and the same prediction quality at lower values of n walks . However, the pixel size has to be fine enough to account for the main geometric characteristics of the process under investigation (see Sect. 4). All further tests are performed with n walks = 10 4 .

Sensitivity of impact area and AUC ROC to selected input parameters. The numbers of the corresponding tests (see Table 4) are indicated in the yellow circles. (a) Control distance L ctrl (b) maximum run-up height R max⁡ (c) slope factor f β (d) direction factor f d .

Figure 6c illustrates that, at L ctrl = 1000 m, the travel distance computed within the observed impact area decreases with increasing values of L seg (tests 2 and 3 in Table 4). This pattern is well explained by Fig. 2b. At short segment lengths, the effects of flow paths frequently changing their direction are particularly evident for pixel sizes of 10 m and 20 m. L max⁡ drops below the observed value of 3550 m (see Fig. 4b) at 75 ≤ L seg ≤ 100 m. With L seg ≥ 3050 m, corresponding to the Euclidean distance between the release point and the terminal point of the Acheron rock avalanche, L max⁡ would also take a value of 3050 m. At L ctrl = 50 m (only shown for a pixel size of 20 m), r.randomwalk tends to predict too long travel distances, compared to the observation. This phenomenon occurs as flow directions are not well defined in the relatively plane deposition zone of the Acheron rock avalanche therefore, flow paths may frequently change their direction or even go backwards or in a circular way if such a behaviour is not impeded by sufficiently high values of L ctrl (see Fig. 2a). Figure 6d indicates that this undesired behaviour (visible in the area marked by the X in the gray circle) disappears at L ctrl > 200 m.

On the other hand, the value of L ctrl should not be chosen too high as this may negatively impact the model performance. In the case of the Acheron rock avalanche, a drop in AUC ROC is observed between L ctrl ≈ 2000 and L ctrl ≈ 2500 m (Fig. 7a). This drop is explained by an increasing number of false negative pixels in those areas, which cannot be reached by the random walks due to the strict constraint of flow direction.

Within the tested ranges of parameter values, the quality of the prediction is highest at values of R max⁡ ≈ 5 –10 m (see Fig. 7b) and f β ≥ 5 (see Fig. 7c), whilst it reaches it maximum at f d ≈ 2 –3 (see Fig. 7d). The predicted impact area increases with increasing R max⁡ and f d whilst it decreases with increasing f β .

Impact indicator score for the Acheron rock avalanche. (a) Classified III map. (b) ROC plot, building on normalized ON area (see Sect. 2.5).

Figures 6 and 7 indicate that the initial values of n walks , L ctrl , L seg R max⁡ , f β , f d , and the pixel size suggested in Sect. 3.1.1 and Table 4 are within the optimum range of values (see Sect. 4). Therefore, they are used for computing the impact indicator index for the Acheron rock avalanche (Fig. 8a). Concerning the break criteria, this can be classified as a forward analysis. As expected from Fig. 5, where the Acheron rock avalanche falls in between the envelopes of the relationship employed, the upper part of the observed impact area displays a value of III = 1, whilst the remaining part of the observed impact area displays values of 1 > III > 0, decreasing towards the terminus. As the event was comparatively mobile within the context of the relationship used (see Sect. 3.1.1 and Fig. 5), the values of III are close to zero in the terminal area, and the area with III > 0 does not reach far beyond the observed terminus. Note that the maximum value of III is 0.8, meaning that 20 % of all model runs did not even start due to very high values of ω T yielded with the randomized values of b (see Fig. 5). Evaluation against the observed deposit yields a value of AUC ROC = 0.94 (see Fig. 8b). All values of AUC ROC shown in Figs. 6 and 7 and the ROC plot of Fig. 8b build on normalized ON areas (see Sect. 2.5).

III was generated within a computational time of 188 s.

Kao Ping Watershed, Taiwan Area description and model parameterization

Between 7 and 9 August 2009, Typhoon Morakot struck Taiwan and triggered enormous landslides, causing significant land cover change (Fig. 9). More than 22 000 landslides were recorded in southern Taiwan (Lin et al., 2011). One of the hot spots of mass wasting was the Kao Ping Watershed (Wu et al., 2011), where the extremely heavy rainfall (in total, more than 2000 mm depth and 90 h duration) triggered a catastrophic landslide in the Hsiaolin Village (Kuo et al., 2013).

Location, terrain and landslide inventory of the Kao Ping Watershed, Taiwan. Comparison of the satellite images illustrates the landslide-induced land cover changes associated with the Typhoon Morakot. The landslide inventory builds on the interpretation of the FORMOSAT-2 imagery.

A set of random walks ( n walks = 10 4 ) is started from each release point (i.e., the highest pixel of each landslide). Each random walk stops as soon as it would leave the impact area of the same landslide (back calculation, flag b).

After completing all random walks for the study area, the statistical distribution of ω T is analysed. All landslides with L max⁡ < 100 m are excluded. A fraction of 20 % out of all landslides (i.e., all values of ω T associated with those landslides) is randomly selected and retained for validation. Using visual comparison, we have identified the log-normal distribution as the most suitable type of distribution for this purpose. Consequently, the log-normal CDF stands for the probability that a moving mass point leaves the observed impact area at or below the associated threshold of ω T .

We perform a forward analysis of P I by starting a set of random walks ( n walks = 10 4 ) from the release points of the retained landslides, and assigning the cumulative density associated with the average angle of path to each pixel. The result is validated against the observed deposition zones of the retained landslides by means of an ROC plot.

Steps 2. and 3. are repeated for 100 randomly selected subsets (parallel processing is applied). The final map of P I is generated by applying for each pixel the maximum of the values yielded by all the model runs.

We refer to this work flow as test 1 and repeat the analysis with starting random walks not only from the release points but also from all the pixels within the observed release areas (test 2). This means that the CDF is derived from a much larger sample of data than when considering only one point per landslide for starting random walks. We exclude all sets of random walks yielding L max⁡ < 100 m, use a log-normal CDF and start a set of only 10 3 random walks from each release pixel for computing P I .

Starting sets of 10 4 random walks from the highest points of all landslides (test 1) results in a range of values of 16.0 ≤ ω T ≤ 43.5 ∘ , an average of 30.4 ∘ , and a standard deviation of 5.2 ∘ (derived from n = 132 landslides, excluding those with L max⁡ < 100 m). Repeating the analysis with 10 4 random walks started from each pixel within the landslide release areas (test 2), we observe a range of values 16.4 ≤ ω T ≤ 44.1 ∘ , an average of 26.9 ∘ , and a standard deviation of 4.8 ∘ ( n = 1563 ). Figure 10 illustrates the histograms, probability density, and cumulative density functions derived from both analyses. Even though the ranges of values are similar in both tests, test 1 yields (i) a higher average of ω T and (ii) a broader range of values than test 2 (i) is explained by the fact that those random walks starting from lower parts of the release areas are expected to leave the observed impact area at lower values of ω T (ii) is most likely the consequence of a number of rather small landslides with high or low values of ω T strongly reflected in the statistics. Such outliers are less prominent in the statistics of test 2 due to the much higher number of cases, most of them related to the larger landslides.

Each of the impact probabilities shown in Fig. 11 represents the overlay of 100 analyses where random sets of 80 % of the landslides are used for deriving the CDF and the remaining 20 % are used for computing the impact probabilities. The maps illustrate the maximum values of P I out of the overlay of the 100 results. Each of the results is derived using a slightly different CDF. Both tests yield largely similar patterns of P I . We note that (i) test 2 predicts larger impact areas and higher values of P I than test 1, and (ii) some random walks take the wrong direction in test 2 (indicated by “1” in the yellow circle in Fig. 11b), a phenomenon not observed for test 1 (i) is explained by the higher number – and the broader distribution – of release pixels in test 2, compared to test 1. The reason for (ii) is that random walks starting from the highest point of an observed landslide are forced to flow into the observed landslide area (test 1), a constraint not applicable when starting random walks from each release pixel (test 2). In this case it happens that pixels located at or near a crest produce random walks in both directions. In test 1, the computational time amounted to 63 s for deriving the CDF and 8613 s for calculating P I . In test 2, these times increased to 1719 and 9752 s, respectively. The relatively slight increase with regard to P I results from the reduced value of n walks in test 2.

Histograms, probability densities, and cumulative densities of ω T of mass movements in the test area in the Kao Ping Watershed. (a) Result for a set of 10 4 random walks started from the highest point of each landslide (test 1). (b) Result for a set of 10 4 random walks started from each pixel within the release areas of all landslides (test 2).

The prediction quality is tested for each of the 100 model runs for the two tests, producing sets of 100 ROC curves (Fig. 12). AUC ROC = 0.917 ± 0.038 for test 1 and 0.920 ± 0.029 for test 2, both computed with the original number of TN pixels (see Sect. 2.5).

The methodology shown in test 1 can be employed to make forward predictions for defined expected future landslides, given that a sufficient set of observed landslides of similar behaviour is available to derive the CDF.

The methodology demonstrated in test 2 can be used in combination with maps of landslide release probability to explore the composite probability of a landslide impact (see Sects. 2.4 and 4).

Impact probability in the range 0–1. (a) Result of test 1 (random walks starting from the highest point of each landslide cumulative density according to Fig. 10a). (b) Result of test 2 (random walks starting from all release pixels cumulative density according to Fig. 10b).

ROC plots illustrating the prediction quality of (a) test 1 and (b) test 2, using the original number of TN pixels (see Sect. 2.5).

In either case the statistics (see Fig. 10) have to be derived with the same type of approach later used for producing the P I map.

Gunt Valley, Tajikistan Area description and model parameterization

As most mountain areas worldwide, the Pamir of Tajikistan experiences a significant retreat of the glaciers. One of the consequences thereof consists in the formation and growth of lakes, some of which are subject to glacial lake outburst floods (GLOFs), which may evolve into destructive debris flows (Mergili and Schneider, 2011 Mergili et al., 2013 Gruber and Mergili, 2013). No records of historic GLOFs in the test area are known to the authors. However, in August 2002 a GLOF in the nearby Shakhdara Valley evolved into a debris flow, which destroyed the village of Dasht, claiming dozens of lives (Mergili et al., 2011).

The frequency of such events is low and historical data are sparse. Consequently, possible travel distances of GLOFs may not be derived in a purely statistical way. Instead, we have to use published empirical–statistical relationships and simple rules to produce an impact indicator score (IIS) map.

We compute IIS with regard to GLOFs for a 2106 km 2 study area in the Gunt Valley (Fig. 13). The analysis builds on the ASTER GDEM (Advanced Spaceborne Thermal Emission and Reflection Radiometer – Global Digital Elevation Model) V2 and the coordinates and characteristics (estimates of V and Q p ) of 113 lakes in the area (Gruber and Mergili, 2013).

A set of random walks ( n walks = 10 4 ) is routed from the outlet of each lake through the DEM. Six break criteria are combined to compute IIS, partly following Gruber and Mergili (2013). The relationships and rules employed as break criteria are summarized in Table 5. Rule 1 is applied with ω T = 11 ∘ (test 1 – according to Haeberli, 1983 and Huggel et al., 2003, 2004a, b for debris flows from glacier- or moraine-dammed lakes, and Zimmermann et al., 1997 for coarse- and medium-grained debris flows) and with ω T = 7 ∘ (test 2 – Zimmermann et al., 1997 for fine-grained debris flows). All other rules and relationships are used for both tests. For each pixel, IIS consists in the number of relationships or rules predicting an impact (i.e., IIS takes values in the range 0–6).

R max⁡ , L ctrl , L seg , f β , and f d are set to the optimum values found for the Acheron rock avalanche, the pixel size is set to 60 m.

Figure 14 illustrates the possible impact areas of GLOFs in the Gunt Valley study area according to the relationships listed in Table 5.

Figure 14a shows the impact indicator score IIS i.e., the number of relationships predicting an impact, resulting from test 1 (rule 1 applied with ω T = 11 ∘ ). Except for one prominent exception, IIS > 3 (possible debris flow impact) only for the largely uninhabited upper portions of the tributaries to the Gunt Valley. In contrast, a possible flood impact (1 ≤ IIS ≤ 3 ) is predicted for much of the main valley. test 2 (rule 1 applied with ω T = 7 ∘ ) predicts a possible debris flow impact also for part of the main valleys (see Fig. 14b). The IF (per cent of random walks impacting each pixel) for test 1 is shown in Fig. 14c for a subsection of the test area, classified by quantiles. IF is strongly governed by the width of the movement, i.e. by the local topography, and may serve as a surrogate for the expected depth rather than as for the probability of an impact.

The test area in the Gunt Valley, Tajikistan. (a) Location, topography, glaciers and lakes. (b) Proglacial lake in the upper Varshedzdara Valley photo: M. Mergili, 18 August 2011.

Empirical–statistical relationships and simple rules used for computing the IIS of GLOFs in the Gunt Valley (see Table 3).

IDtest Relationship Reference Process 1 1 ω T = 11 ∘ Haeberli (1983) Zimmermann et al. (1997) Flood or debris flow Huggel et al. (2003, 2004a, b) 1 2 ω T = 7 ∘ Zimmermann et al. (1997) 2 1 , 2 ω T = 18 Q p - 0.07 Huggel (2004) 3 1 , 2 L max = 1.9 V 0.16 Z 0.83 Rickenmann (1999) 3 4 1 , 2 ω T = 6 ∘ Flood 5 1 , 2 ω T = 4 ∘ 6 1 , 2 ω T = 2 ∘ Haeberli (1983) Huggel et al. (2004a)

1 , 2 ID(s) of test(s) where the rule or relationship is applied. 3 A bulking factor of 5 is applied to V (modified after Iverson, 1997).

Note that Fig. 14 only indicates the tendency of an already released GLOF to impact certain pixels. It does not provide any information on the susceptibility of a certain lake to produce a GLOF at all. Earlier, Mergili and Schneider (2011) and Gruber and Mergili (2013) have attempted to combine GLOF release indicators with impact indicators and land cover maps to generate hazard and risk indicator maps. However, the results of their studies may underestimate the possible impact areas as the travel distance was computed on a pixel-to-pixel basis, possibly yielding too low values of ω T (see Figs. 2 and 6).

The robustness and appropriateness of the rules and relationships for low-frequency events, such as GLOFs (see Table 5), is questionable. The rules building on a unique value of ω T overpredict the possible impact areas for those lakes where not enough water is available to produce a flood in downstream valleys. Applying the rules and relationships for debris flows implies a blind assumption that enough entrainable sediment is available to produce a debris flow. Whilst ω T ≥ 11 ∘ is considered the worst case for debris flows of GLOFs from glacier- or moraine-dammed lakes in the European Alps according to Haeberli (1983) and Huggel et al. (2002), ω T = 9.3 ∘ was measured for the 2002 Dasht Event, the only well-documented GLOF near the test area (Mergili et al., 2011). Also the relationship proposed by Rickenmann (1999) severely underestimates the travel distance of this event, even when massive bulking is assumed. Applying ω T = 7 ∘ as given by Zimmermann et al. (1997) for fine-grained debris flows might be more suitable as worst-case assumption for debris flows from GLOFs in the Pamir, even though this threshold leads to very conservative predictions.

We have measured computational times of 1520 s for test 1 and 1556 s for test 2.

Possible GLOF impact areas in the Gunt Valley, Tajikistan. (a) Impact indicator score derived with test 1. (b) Impact indicator score derived with test 2. (c) Impact frequency derived with test 1, classified by quantiles.


4. Summary and Conclusions

[40] Unsaturated hydraulic and other soil properties were determined at 50-m intervals along a 5-km hillslope as part of a study regarding the hydrology, surface erosion, and land degradation of the Sauro river catchment area in Basilicata, Southern Italy. Several studies have shown that hydraulic properties, especially surface water content, might be correlated with topographical attributes. The present work was undertaken to quantify if hydraulic parameters could be predicted more accurately when topographical attributes were included as predictors in PTFs.

[41] Analysis of Spearman rank correlations revealed that the retention parameters are somewhat correlated with z, β, cosϕ and potential solar radiation. A fairly strong correlation was found between z and OC and silt fraction while an inverse relation was found with ρb and sand fraction. Correlations between retention and topographical parameters tend to be smaller than those between the former and basic soil properties and retention parameters. Virtually no correlation was found between retention parameters and curvature of the land surface, presumably due to errors involved in the determination of curvature. The data set did not reveal correlation between Ks and soil properties, but Ks was correlated with β and potential radiation in spring (fall) and winter. Correlation was also investigated for observed water contents. In the wet range (low h), topography was more strongly correlated with water content than retention parameters.

[42] Twenty-one ANNs were developed to predict retention parameters, Ks, and water contents at h = 50 cm and 12 bar. The prediction of retention parameters could be improved by 10% by including topography. The most accurate prediction was obtained (RMSE = 0.0327 cm 3 cm −3 ) with ANN 9, which used textural fractions, ρb, OC, z, and β as predictors. Furthermore OC became a better predictor when the PTF also includes z, with which it is highly correlated. The water content at h = 50 cm could be predicted 26% more accurately (RMSE = 0.0231 cm 3 cm −3 for ANN 18 with texture, ρb, OC, z, β, and potential solar radiation as input), but improvement for Ks was modest. The predictions of ANNs were further investigated by plotting RMSE, ME, and PE as a function of h. Predictions with and without topographical attributes were most accurate in the wet range. Semivariograms of the hydraulic parameters and their residuals for ANNs 2, 3, 9 and 12 showed that the ANN could explain some of the (spatial) variability, especially for θs and, to a smaller extent, α and n.

[43] The data of this study suggest that including topographical attributes as predictors for PTFs may lead to improvements in the prediction of hydraulic parameters. On the basis of the semivariograms, including topographical variables is most useful for the poorly predictable θr un n, and to predict spatial variability in θs and α. The implications of differently predicted retention curves were demonstrated with simulated water content profiles. The small influence of topography on predictions, as already reported in some earlier studies, is not surprising because most “information” from topography will already be included in the basic soil properties and there may be considerable uncertainty associated with topographical attributes.

[44] An even more promising use of topographical variables involves the prediction of either soil or hydraulic parameters when limited or no basic soil properties are available. Such a scenario will be common for study of the vadose zone over larger scales such as catchments. Given the empiricism of neural networks and the use of only one transect to calibrate them, the results of this study can not readily be applied for predictions at other locations where conditions may be different. However, this study should provide the impetus for further use of topographical attributes as predictors for hydraulic data.


Burgeoning population coupled with lack of holistic approaches in planning process has resulted in degradation of natural resources (land and water) in dry arid regions of Karnataka. The Kolar district in Karnataka state, India was chosen for this study. It is located in the southern plain regions

(semi-arid agro-climatic zone) extending over an area of 8238.47 sq km between 77°21' to 78°35' E longitude and 12°46' to 13°58' N latitude. Kolar is divided into II taluks. The distribution of rainfall is during southwest and northeast monsoon seasons. The average population density of the dis­trict is around 2.09 persons per hectare.

The district forms part of northern extremity of the Bangalore plateau and since Kolar lies off the coast, it does not enjoy the full benefit of northeast monsoon and being cut off by the high Western Ghats. The rainfall from the southwest monsoon is also prevented, depriving of both the monsoons and subjected to recurring drought. The rainfall is not only scanty, but also erratic in nature. The district is devoid of sig­nificant perennial surface water resources. The ground water


How to connect QGIS to oracle spatial :

1.) Firstly you should have downloaded QGIS with GDAL/OGR required oracle library for bridging oracle connectivity and must have installed oracle on your machine. If oracle library is not installed, see the following post : Install QGIS for oracle connection via OSGeo4w.

2.) After starting the QGIS application, select Add Vector Layer as shown below:

3.) A new window will pop up on clicking the above, now select Database Radio button as appeared in Source. Now in Database Type drop down box, select Oracle Spatial. If you have properly installed QGIS with the requirement stated above Oracle spatial would be present.

4.) In the same Add Vector Layer window, select new button under connection label. This will open up a simple form with following Connection information to be filled, i.e, Type, Name, Host, Database, Port, Username and Password.

Here is the way to fill up the information :

a.) Type : In type select oracle spatial from drop down box.

Type : Oracle Spatial

b.) Name : Type in any desired name you wish to give to connection

c.) Host : For finding your host name, make a query in your oracle sql plus application as written below:

This will return the 32 bit address as shown below in figure:

d.) Database : Write database name, i.e the name you have given while installing oracle software.

e.) Port : Enter port number i.e 1521

f.) Username : Enter username

g.) Password : Enter corresponding password of username

Now select Test Connection button. This will pop up another window which gives you an information of your successful connection, as shown below.


Note the string url connection to connect QGIS to oracle spatial and click OK.

5.) Again in the vector data layer window, select the connection that you made named as Demo and click on Open button .

6.) Now select the coordinate system for your database, which will be prompted after proceeding from step 5.

7.) If all steps are successfully done, you can see your spatial table, with your vector data spatial view as shown below:

Jūtieties brīvi comment below, if you are having any problem to connect Oracle Spatial to QGIS Quantum GIS (Geographic information System) or if you want to discuss for the same topic. You can also see QGIS tutorial further. And yes, don’t forget to subscribe and follow on twitter for getting updates related to GIS post.


Burgeoning population coupled with lack of holistic approaches in planning process has resulted in degradation of natural resources (land and water) in dry arid regions of Karnataka. The Kolar district in Karnataka state, India was chosen for this study. It is located in the southern plain regions

(semi-arid agro-climatic zone) extending over an area of 8238.47 sq km between 77°21' to 78°35' E longitude and 12°46' to 13°58' N latitude. Kolar is divided into II taluks. The distribution of rainfall is during southwest and northeast monsoon seasons. The average population density of the dis­trict is around 2.09 persons per hectare.

The district forms part of northern extremity of the Bangalore plateau and since Kolar lies off the coast, it does not enjoy the full benefit of northeast monsoon and being cut off by the high Western Ghats. The rainfall from the southwest monsoon is also prevented, depriving of both the monsoons and subjected to recurring drought. The rainfall is not only scanty, but also erratic in nature. The district is devoid of sig­nificant perennial surface water resources. The ground water


Data Mining the Internet Archive

I learned some of the basics of python over 5 years ago in the context of using it in a Geographic Information System (GIS). At the time, I learned it while using a windows-based computer. I was told that python was a powerful programming language, but since we only used it within the confines of a GIS , I had never truly discovered its usefulness outside of this world…until now, through the programming historian. As I look through these examples through the lens of an information professional, I can clearly see the advantages of being able to search through various collections in internet archive with the use of a programming language. With the use of some of these python modules and scripts, information professionals can extract various bits of information from collections held in Internet Archive, quickly and easily (well, after the setup is complete that is).


Skatīties video: CS50 2016 - Week 1 - C