Vairāk

Kuru rastra izšķirtspēju (DEM) es varu iegūt no lidar datiem ar mainīgu režģa platumu?

Kuru rastra izšķirtspēju (DEM) es varu iegūt no lidar datiem ar mainīgu režģa platumu?


Man ir ASCII faili * .xyz formātā, un es vēlos no tā ģenerēt DEM. Saskaņā ar informāciju par datiem * .xyz faili satur mainīgu režģa platumu - no 1 metra līdz 4 metriem. Sekojot nelielai datu daļai (pārrēķinot punktos):

Vai ir iespējams ģenerēt (ar interpolāciju) rastru ar vēlamo izšķirtspēju (1,2,3 vai 4 metri)? Ja es no tā ģenerēju 1 metru rastru, kāda, jūsuprāt, ir iegūtā rastra kvalitāte?

Es vispār izmantoju ArcGIS.


Mani uztrauc tas, ka lidars nav sistemātisks paraugs, kā parādīts jūsu piemērā. Šķiet, ka šie dati jau ir režģēti un pēc tam retināti, pamatojoties uz reljefu vai veģetācijas izmaiņām. Ņemot vērā neliela attāluma variācijas un novēroto kopu telpisko modeli, mans minējums ir tāds, ka veģetācijas dēļ (piemēram, koki) tika saglabāta augstāka punktu atstarpe. Viens jautājums būtu, vai šie punktu dati ir tukša zeme, vai arī tajā ir saglabājusies veģetācija?

Ja šie dati faktiski ir iepriekš režģoti, tad, lietojot interpolāciju ar lielāku izšķirtspēju nekā novērotā punktu atstarpe, var izplatīties neobjektivitāte no jebkura iepriekš izmantotā algoritma. Tas varētu dot jums kaut ko līdzīgu atvasinājumu novirzei, kas novērota 10 m USGS DEM.

Tas nozīmē, ka, neņemot vērā neobjektivitāti, lielākas izšķirtspējas atstarpes, iespējams, tiek atbalstītas neatkarīgi no lietojuma. Ja jūs esat pēc veģetācijas un tas atrodas punktos, jūs vēlaties, lai izšķirtspēja, kurā tā tiek attēlota. Ja lielāks blīvums atspoguļo lielāku reljefa variāciju, tad 4 m atstatums ir viendabīgāks un, ja apstrādes procedūra bija derīga, tiek atbalstīta augstāka izšķirtspēja.

Tas, protams, ir balstīts uz pieņēmumu, ka dati ir atšķaidīti, balstoties uz kaut kādiem viendabīguma / neviendabīguma kritērijiem, ir pareizs. Izņemot īpašus analītiskus mērķus, man jāatzīst, ka esmu pilnībā neizpratnē, kāpēc kāds to darītu.


Ja neatrodaties pilsētas teritorijā, augstuma interpolēšana no 4 metru punktu blīvuma līdz 1 m režģim ir diezgan droša, it īpaši, ja attālums starp 1 m atspoguļo lielāku reljefa reljefu (piemēram, upes gultni). Pārliecinieties, vai izmantojat precīzu interpolatoru, lai saglabātu augstumu zināmos punktos, jo LIDAR ir precīzs un precīzs.


Jūs sakāt, ka jums ir ArcGIS, bet jums būs nepieciešami Spatial Analyst vai 3D Analyst paplašinājumi. Es piekrītu iepriekšminētajiem komentāriem. SA izmantojiet IDW vai Natural Neighbor interp. Izmantojot vides iestatījumus, iestatiet apjomu un šūnu lielumu. Varētu arī izveidot TIN no šiem punktiem, pēc tam izmantot rīku TIN to Raster.


Lai atbalstītu lielāko daļu lietotāju, ir nepieciešami divi pamatelementu attēlojumi: zemes un virsmas augstums. Zemes augstumu dažkārt dēvē par tukšu zemi vai kailu zemi vai digitālo augstuma modeli (DEM), turpretī zemes augstumu parasti nosaka zeme un tajā esošās lietas, ieskaitot ēkas, koku lapotnes, tiltus utt. ieslēgts. Virsmas augstumu dažkārt sauc par digitālās virsmas modeli (DSM). Daži lieto arī digitālā reljefa modeļa (DTM) terminu, lai apzīmētu DEM datus, kas glabāti un modelēti tieši no punktiem.

Parasti DEM ir nepieciešams, lai ortogrāfiski koriģētu gaisa attēlus, turpretim skatu aprēķinos jāizmanto DSM.

Ceturtais attēlojums ir hidrogrāfiski izpildīts DEM. Šis ir īpašs DEM gadījums, kas izstrādāts saskaņā ar stingrām metodēm un kvalitātes pārbaudēm, kas izmantojamas hidroloģiskajā modelēšanā, piemēram, ūdens plūsmas modelēšanā. Šāda veida DEM nav piemērojams daudzās organizācijās vai lietojumprogrammās, bet, ja piemērojams, tas tiks minēts šīs darbplūsmas atlikušajā daļā.

Uzmanību:

Dati par augstumu vai virsmas galvenokārt tiek izmantoti 3D skatījumos, lai attēlotu zemi, piemēram, reljefa modeli. Jums var būt virsmas, kas nepārstāv zemi, piemēram, ozona slānis, kas atrodas virs zemes virsmas, vai ģeoloģiskie substrāti, kas atrodas zem zemes virsmas. Izmantojot LERC saspiešanas metodi, lai apkalpotu virsmas, kas nav zemes līmenī, ir ļoti ieteicams datus publicēt ar visiem detalizācijas līmeņiem. Tas nodrošina, ka, apskatot datus, netuviniet tālāku attālumu nekā rupjāka izšķirtspēja, kas pārtrauks satura renderēšanu. Tas ir mazāk jautājums par augstuma saturu, kas veicina zemes virsmu, jo virsmu var izmantot, lai aizpildītu visas iespējamās nepilnības.


Nacionālā LIDAR programma

Vides aģentūras nacionālās LIDAR programmas mērķis ir līdz 2021. gada beigām visā Anglijā sniegt precīzus augstuma datus ar 1m telpisko izšķirtspēju. Aptauja, sākot ar 2016. gada novembri, ir sadalīta aptuveni 230 loģiskos blokos. Apsekojumi tiek veikti ziemas mēnešos ( aptuveni katru gadu no novembra līdz aprīlim) un publicēti DEFRA datu pakalpojumu portālā.

LIDAR ir gaisa kartēšanas tehnika, kas precīzi mēra reljefa un virsmas objektu augstumu uz zemes, izmantojot skenēšanas lāzeru, kas mēra attālumu starp lidmašīnu un zemi. No šīs attālās uzrādes metodes mēs ražojam vairākus lejupielādei pieejamus produktus:

LIDAR punktu mākonis: ir diskrētie LIDAR atgriešanās gadījumi, kas tiek izmantoti virsmas modeļu izveidē. Piegādāti * .laz formātā, diskrētās LIDAR atgriešanās ir klasificētas zemes, zemas, vidējas un augstas veģetācijas klasēs, izmantojot automatizētu klasifikācijas procesu.

Digitālais (-ie) virsmas modelis (-i) (DSM) tiek veidots no pēdējā vai vienīgā sensorā atgrieztā LIDAR impulsa un satur visus zemes un virsmas objektus.

Digitālais (-ie) reljefa modelis (-i) (DTM) tiek izveidots no pēdējā atgriešanās LIDAR impulsa, kas klasificēts kā grunts, filtrējot virsmas objektus. DTM tiek veikta manuāla filtrēšana, lai uzlabotu automatizētās klasifikācijas kārtību, lai iegūtu visticamāko zemes virsmas modeli. Arī vietas, kurās nav datu, piemēram, ūdenstilpes, tiek aizpildītas, lai nodrošinātu, ka modelī nav nepilnību.

Pirmās atgriešanās (-u) digitālais (-ie) virsmas modelis (-i) (FZ DSM) tiek izveidots no pirmā vai vienīgā sensorā atgrieztā LIDAR impulsa un satur visus zemes un virsmas objektus. Tas, visticamāk, atgriezīs pacēlumus no koku augšas vai tuvu virsotnei un ēku malām. To bieži var izmantot nojumes augstuma modelēšanā un ēku kontūru izgatavošanā.

Intensitātes virsmas modelis (-i) (Int DSM) ir lāzera gaismas daudzuma mērījums no katra lāzera impulsa, kas atspoguļo objektu. Šī atstarojamība ir izmantotā tuvā infrasarkanā viļņa garuma funkcija un mainās atkarībā no virsmas objekta sastāva, kas atspoguļo atgriešanos un krituma leņķi. Intensitātes virsmas modelis rada pelēktoņu attēlu, kur tumšākas virsmas, piemēram, ceļi, atstaro mazāk gaismas nekā citas virsmas, piemēram, veģetācija.

Visi produkti ir pieejami 5 km flīzēs, kas pielāgoti munīcijas apsekojuma režģim. Flīzes ir nosauktas pēc unikālā apsekojuma ID, OS režģa atsauces un aptaujas ID pirmā un pēdējā aptaujas datuma (PXXXXXOSOSOSSDFLOWNEDFLOWN. *). Virsmas modeļi ir pieejami GeoTiff rastra formātā, savukārt punktu mākonis ir pieejams * .laz. Ir pieejams arī indeksu katalogs, kurā sniegta specifiska aptaujas informācija par katru elementu. Paziņojums par attiecinājumu: © Vides aģentūras autortiesības un / vai datubāzes tiesības 2015. Visas tiesības aizsargātas.


Digitālā augstuma modeļa dati

Digitālie augstuma modeļi (DEM) ir zemes virsmas attēlošana, ja katrs režģa pikselis satur augstuma vērtību. DEM izšķirtspēju bieži ziņo radiālos mērījumos, piemēram, loka sekundēs.

Globālie digitālā augstuma modeļi

Globālie topogrāfiskie dati, tostarp topogrāfija un batimetrija, ir pieejami ar 1 loka minūtes izšķirtspēju kā daļa no ETOPO1 datu kopas (piezīme: NOAA & # 039s ETOPO1 datu kopa ir novecojusi). Augstākās izšķirtspējas DEM datu kopa visai pasaulei (izņemot batimetriju) ir 30 loka sekundes GTOPO30 DEM, kuras nominālā izšķirtspēja uz zemes ir

1 km. Nesenā Shuttle radaru topogrāfijas misija (SRTM) atgriezās 3 loka sekundes (

90 m) izšķirtspējas dati lielākajai daļai kontinentu no 60N līdz 60S.

Nacionālie digitālā augstuma modeļi

Lielai daļai ASV Nacionālā augstuma datu kopa satur 1 loka sekundi un 1/3 loka sekundi (

Attiecīgi 30 m un 10 m) izšķirtspējas dati. SRTM 1 loka sekundes DEM dati ir pieejami arī par Amerikas Savienotajām Valstīm.

Reģionālie digitālā augstuma modeļi

Maziem ASV reģioniem ir pieejami augstas izšķirtspējas digitālā augstuma modeļi. Nacionālajā augstuma datu kopā ir aptuveni 1/9 loka sekundes (

3m) izšķirtspējas DEM dati, galvenokārt par pilsētu teritorijām. Gan ASV Lauksaimniecības departamentā, gan ASV piekrastes un ģeodēziskajos datos ir daži gaisā izvietoti interferometriski sintētiskās apertūras radari (IfSAR) ar izšķirtspēju 1–5 metri maziem reģioniem. Vairāki konsorciji ASV piedāvā arī metru izšķirtspējas DEM, kas iegūti no gaismas detektoriem un diapazona (LiDAR) gaisa skeneriem. GEON rīko tiešsaistes rīku, lai apstrādātu LiDAR punktu mākoņus ar GIS saderīgās DEM.


Kaudze

Kaudze sastāv no sakārtotas telpiski pārklājas režģu (slāņu) kopas, kas daudzveidīgo analīzei tiek uzskatīta par vienu vienību. Kopu analīze, klasifikācija un galveno komponentu analīze darbojas uz slāņiem kaudzē.

Stekam ir šādas īpašības:

  • Slāņu komplekts ar katru slāni, kas atbilst režģim
  • Kartes pakāpe vai BND
  • Šūnas lielums
  • Datu tips
  • Projekcija

Katram slānim, kas norādīts kaudzē, ir indeksa numurs, kas norāda tā secību kaudzē. Režģiem, kas veido kaudzīti, jābūt vienā un tajā pašā darbvietā.

Ievades slāņu robežas var precīzi, daļēji vai vispār pārklāties, bet kaudzi veido tikai apgabals, kurā slāņi pārklājas. Steka BND ir vieta, kur krustojas tās slāņu robežas. Daudzfaktoru analīzes funkcijas aprēķini notiek apgabalā, kas pārklājas. Ja starp ievades slāņiem nav kopīgas zonas, kaudze ir tukša un aprēķini nenotiek.

Steka šūnas lielums pēc noklusējuma ir rupjākais kaudzes slānis.

Jūs varat apvienot jebkuru skaitu ievades režģa datu veidu (reālu vai veselu skaitli) kaudzē. Tomēr, pirms lietojat daudzveidīgo tehniku, jums jāapzinās, ko vērtības apzīmē, kategoriskos vai nepārtrauktos datus, kā arī vērtību diapazonu vai relatīvo diapazonu. Dažās analīzēs kaudzes ievades datu tips nosaka izejas datu tipu.

Projekcijas informācija, kas saistīta ar ievades režģiem, tiek glabāta kopā ar skursteni. Tā kā kaudze tiek uzskatīta par vienu vienību, visiem kaudzes režģiem jābūt vienā projekcijā. Projekcijas informācija tiek izmantota, lai nodrošinātu, ka katrs kaudzes režģis aizņem to pašu ģeogrāfisko apgabalu.

Režģa kaudzes glabāšana

Steks tiek glabāts direktoriju struktūrā, kas līdzīga režģim vai pārklājumam. Steka direktorijā ir divi faili: ārēja INFO STK tabula un ASCII PRJ fails. Reālie režģi, kas veido kaudzīti, netiek glabāti kaudzē. Tie ir parastie režģi jūsu darbvietā. Tas nozīmē, ka jebkuru režģi var izmantot vairāk nekā vienā kaudzē. STK tabulā ir saglabāti režģu nosaukumi, kas veido kaudzīti, un to atbilstošās indeksa vērtības:

INDEX vienums norāda režģa pozīciju kaudzē, savukārt GRID vienumā ir uzskaitīti režģa nosaukumi, kas veido kaudzīti. Ievades režģu telpiskie dati netiek dublēti kaudzē. Tā rezultātā kaudze vienmēr atspoguļo ievades režģu jaunāko versiju. STK fails ir tikpat pieejams kā jebkurš cits INFO fails. Jūs varat pievienot vienumus aprakstošiem nolūkiem, piemēram, vienumu datu apkopošanas datuma glabāšanai, taču neizmantojiet INFO, lai mainītu INDEX vienuma vērtības vai nosaukumus GRID vienumā. Visas manipulācijas ar šiem vienumiem jāveic tikai, izmantojot dažādas grēdā esošās komandas, kas pieejamas tīklā.

PRJ fails, ja tāds ir, glabā kaudzes projekcijas informāciju:

Ja projekcija nav zināma visiem kaudzes ievades režģiem, PRJ fails netiek izveidots.

Režģa kaudzes nosaukumu nevar saglabāt, izmantojot atstarpes, to nevar sākt ar skaitli un tas nedrīkst būt garāks par 9 rakstzīmēm.


LIDAR pārklājums NYS

LiDAR dati ir pieejami lejupielādei, izmantojot mūsu jauno FTP serveri, kas atrodas vietnē ftp://ftp.gis.ny.gov/elevation/LIDAR/. Pašlaik mums ir lejupielādējami vairāk nekā 50 LiDAR projekti, kas datēti ar 2002. gadu.

LiDAR datu kopas ir diezgan lielas, parasti tās sastāv no daudzām flīzēm ar dažām flīzēm līdz 1 GB. Mūsu pārbaude liek mums ļoti ieteikt izmantot FTP klientu (piemēram: FileZilla, WinSCP) ar automātisko restartēšanu, lai lejupielādētu šīs flīzes.

Datu kopas tiek organizētas pa projektiem. Lielākajai daļai 2007. gada un turpmāko projektu ir pieejams pilnu punktu mākonis .LAS var lejupielādēt. Šiem punktu mākoņiem būs vismaz 2 klasifikācijas: 1. klase un 2. klase. Iepriekšējie projekti ir XYZ, XYZI vai shapefile formāti, kas lejupielādējami. Daudzi no projektiem ir no federālajiem vai apgabala projektiem - dati tiek darīti pieejami pēc saņemšanas. Ja tie ir pieejami, metadati ir saglabāti katra projekta saknē kopā ar rāvējslēdzēju flīžu indeksu ar tiešu lejupielādes ceļu, ja izvēlaties lejupielādēt pa flīzēm pa flīzēm, izmantojot GIS programmatūru.


Ko mums stāsta histogramma?

Histogramma parāda, kā dati tiek sadalīti. Katra diagrammas tvertne vai josla apzīmē pikseļu skaitu vai biežumu, kas ietilpst atkritumu tvertnes norādītajā diapazonā.

Varat izmantot argumentu break =, lai histogrammā norādītu mazāk vai vairāk pārtraukumu. Ņemiet vērā, ka šis arguments nenodrošina precīzu pārtraukumu skaitu, kādu jūs varētu vēlēties savā histogrammā.

Alternatīvi, jūs varat norādīt noteiktus pārtraukuma punktus, kurus vēlaties izmantot R, kad tas ievieto datus.

pārtraukumi = c (1600, 1800, 2000, 2100)

Šajā gadījumā R uzskaitīs pikseļu skaitu, kas rodas katrā vērtību diapazonā, šādi:

bin 1: pikseļu skaits ar vērtību starp 1600-1800 bin 2: pikseļu skaits ar vērtību starp 1800-2000 bin 3: pikseļu skaits ar vērtību starp 2000-2100


Kuru rastra izšķirtspēju (DEM) es varu iegūt no lidar datiem ar mainīgu režģa platumu? - Ģeogrāfiskās informācijas sistēmas

Zemāk redzamā karte parāda datu kopu apjomu, kas pašlaik ir pieejami, izmantojot OpenTopography. Šie topogrāfiskie dati ir pieejami dažādos formātos atkarībā no tā, kurš datus ieguvis un kādi produktu veidi tika piegādāti. Pieejamās datu veidu klases ietver: punktu mākoņu datus, standarta digitālo augstuma modeļus (DEM) un Google Earth attēlu failus. Punktu mākoņu datiem ir pieejami arī tīmekļa rīki, lai šos datus apstrādātu pielāgotos DEM.

Atklājami arī apjomi, metadati un saites uz piekļuvi datu kopām, kuras mitina citi tiešsaistes lidar datu centri.

Navigācija zemāk esošajā kartē tiek veikta, izmantojot tālummaiņas joslu un navigācijas bultiņas augšējā kreisajā stūrī. Lai veiktu atlasi, noklikšķiniet uz pogas & quot; Izvēlēties reģionu & quot; un kartē uzzīmējiet rūtiņu, kas atbilst lidar datu kopas interesējošajai daļai. Rezultāti parādīsies zem kartes. Pieejamie dati tiek rādīti kā punkti vai daudzstūri kartes centrā, ko kodē datu centrs.


HDF apakšdatu kopas iegūšana rastram vai data.frame R

Pašlaik es cenšos strādāt ar CALIPSO LiDAR datiem. Faili tiek izplatīti HDF4 (pārbaudīja to ar HDFView). Mani interesējošā apakšdatu kopa ir Cloud Top Height, kas tiek glabāta vienkāršā tabulā (56160 rindas, 5 kolonnas):

Līdz šim es izmēģināju divas lietas:

A) HDF apakšdatu kopas pārveidošana par GeoTiff, izmantojot gdal_translate (pakete gdalUtils)

Rezultāts bija rastra fails, kurā acīmredzami trūka jebkādas telpiskās informācijas (izmēri, paplašinājums, crs, izšķirtspēja), tāpēc es pēc tam laboju dažas lietas.

Tas ir rezultāts: .

Kā redzat, rezultāts ir dažas dīvainas līnijas, kur tai jābūt kvadrātveida pikseļiem. Pieņemu, ka man trūkst dažu paziņojumu gdal_translate zvanā? Arī visi pielāgojumi pēc tam šķiet mazliet satriecoši vai teiksim kā “neprofesionāli”.

B) Tabulas (apakšdatu kopas) pārveidošana par datu rāmi (lai otrajā posmā to pārveidotu par rastru)

Pirms dažām dienām es nācu klajā ar ideju pārveidot apakšdatu kopu (kas būtībā ir “tikai” tabula) datu rāmī un otrajā solī to pārveidot par rastru, kur es visu telpisko informāciju drīzāk norādīju “no nulles”. nekā pēc tam to pielāgot kā manā pirmajā mēģinājumā. Tomēr es neatradu nevienu komandu / pakotni, lai to izdarītu, un es joprojām neesmu pārliecināts, ka tas ir pareizs veids.

Kas man beigās vajadzīgs: Pareizs (ģeoreferencēts utt.) Rastrs (56160 rindas, 5 kolonnas), kas satur apakšdatu kopas vērtības no HDF4 faila.

Mans jautājums: Kā es varu iegūt HDF4 apakšdatu kopu un pārveidot to par rastru, kuram ir iepriekš minētās specifikācijas?

Jebkura palīdzība ir ļoti pateicīga (un tā kā šis ir mans pirmais ieraksts SO: atvainojiet, ja šim jautājumam trūkst jebkādu šajā forumā nepieciešamo formu, tiek kritizēta arī kritika)


Skatīties video: CS50 2017 - Lecture 3 - Algorithms