Korridore von Fragmenten in einer Habitatkarte unterscheiden


12

Ich habe mich gefragt, ob sich schon jemand mit dieser Art von Problem beschäftigt hat:

Ich möchte Fragmente auf der Basis benachbarter Pixel derselben Klasse (Wald) mit einer Abstandsschwelle von 3 Pixeln abgrenzen (was für meine interessierende Art biologisch signifikant ist).

Ich befürchte, dass diese Fragmente manchmal tatsächlich Korridore sind und Korridore und tatsächliche Fragmente aufgrund ihrer Nähe häufig zu einem gleichen Fragment zusammengefasst werden.

Bildbeschreibung hier eingeben

Ich frage mich, ob es eine Möglichkeit gibt, die Korridore anhand der Form, der Anzahl der umliegenden Pixel usw. von den Fragmenten zu unterscheiden.

Zum Beispiel werden in der folgenden Box mögliche Korridore durch die roten Kästchen und Fragmente durch die grünen gekennzeichnet.

Ich habe Zugang zu QGIS und R.

Bildbeschreibung hier eingeben


Könnten Sie bitte eine Zahl mit der Art der Korridore hinzufügen, die Sie aus dem Beispiel extrahieren möchten?
Radouxju

Antworten:


4

Bevor Sie mit einer Analyse beginnen, sollten Sie unbedingt einen Filter auf Ihre Daten anwenden, um den "Salz- und Pfeffereffekt" zu beseitigen. Jeder Algorithmus hat Probleme mit dem aktuellen Strukturmuster Ihrer Daten. Eine einfache Fokusmehrheit würde wahrscheinlich zu unerwünschten Ergebnissen führen. Eine robustere Methode ist die Anwendung eines Siebansatzes, bei dem eine Minimal-Mapping-Einheit angegeben werden kann. Dies kann über die Funktion gdal_sieve.py in GDAL, die raster > analysis > sieveFunktion in QGIS oder die Siebfunktion in der ArcGIS Gradient Metrics Toolbox erfolgen .

Dies scheint etwas zu sein, das mit Operatoren der mathematischen Morphologie angegangen werden könnte (z. B. Extrahieren von Straßen aus Bildern ). Ich würde mir vorstellen, dass ein Dilatationsoperator, gefolgt von einem Closing-Operator, die Korridore verdeutlicht. Sie können dann einen Eröffnungsoperator anwenden, um die Korridore zu entfernen, und die Raster unterscheiden, um die identifizierten Korridore als separate Objekte zu ziehen. Diese Art von Bildzerlegungsfunktionen sind in der MSPA- und GUIDOS-Software etwas automatisiert, würden aber auch hier insbesondere durch die Diskontinuitäten in Ihren Daten beeinträchtigt.

Es gibt ein QGIS-Plug-In für MSPA sowie verfügbare Funktionen in GRASS (verfügbar über die QGIS-GUI). Eines der Probleme mit MSPA und GUIDOS ist, dass Sie in der Bildgröße begrenzt sind. In der ESRI-Software sind morphologische Operatoren leider nur in der ArcScan- Erweiterung verfügbar . Mit einigem Graben finden Sie andere Softwareoptionen sowie Methoden zum Definieren von morphologischen Operatoren durch Raster-Algebra mit benutzerdefinierten Kernel-Matrizen.

Ein anderer Ansatz wären Kantenerkennungs-Filtermethoden wie ein Sobal-Kernel-Operator . In der ArcGIS Gradient Metrics Toolbox sowie im spatioEco R-Paket gibt es eine umfassende Funktion . Der Vorteil der R-Implementierung besteht darin, dass Sie die Gradientenfunktion des Operators zurückgeben können, während die ArcGIS-Implementierung nur die Funktion 1. Ordnung zurückgibt (was möglicherweise alles ist, was Sie benötigen). Ich glaube, dass die Orfeo-Toolbox (als QGIS-Add-On verfügbar) eine umfassende Option in der EdgeExtraction-Funktion hat.


Vielleicht kann die Anwendung eines "Salz- und Pfeffer" -Filters dazu führen, dass kleine wichtige Lebensraumbereiche für die Zielarten entfernt werden, die Fragmente verbinden (obwohl manchmal Bereiche mit nicht optimaler Qualität vorliegen). Ich würde entscheiden, einen solchen Filter basierend auf den Ausbreitungseigenschaften der Art und der räumlichen Auflösung der Daten anzuwenden. Ein Vogel (mit im Allgemeinen höherer Ausbreitungsfähigkeit) kann diese kleinen Flecken verwenden, während ein Amphibie (mit vergleichsweise geringerer Ausbreitungsfähigkeit) dies möglicherweise nicht tut. Nur ein Gedanke ..
Kamo

Dies ist immer ein Kompromiss, aber die minimale Abbildungseinheit sollte diese gegebene Hypothese berücksichtigen. Sie müssen jedoch auch berücksichtigen, dass das Modell eine gewisse Unsicherheit aufweist und Sie das Ergebnis als absolut behandeln. Ehrlich gesagt, sollte die Landschaft als probabilistischer Gradient und nicht als binomischer Prozess behandelt werden, um Ihre Behauptung zu stützen. Diese Art der Filterung ist eine seit langem akzeptierte Praxis bei der Darstellung von funktionaleren Landschaften. Sofern das Modell keinen Ausdruck für die räumliche Struktur in die Schätzungen einbezieht, ist die räumliche Unsicherheit Realität.
Jeffrey Evans

5

Es ist keine vollständige Lösung, aber sehen Sie sich diese Tools für die Konnektivitätsanalyse an (die ersten entsprechen genau Ihren Suchkriterien):

Erwägen Sie auch, einen Algorithmus für maschinelles Lernen zu trainieren, um Ihre Instanzen (Korridor vs. Fragmente) zu klassifizieren. Sie können räumliche Attribute auf Patch-Ebene (z. B. Patch-Größe, Umfangsflächenverhältnis, Kreisverhältnis) und entfernungsbasierte Features (z. B. Entfernung zu Fragmenten) zur Klassifizierung angeben. Zur Berechnung der für die Klassifizierung erforderlichen Funktionen auf Patch-Ebene können Sie FragStats ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ) verwenden.

Sie können auch ein einfacheres, auf Experten basierendes Regelsystem in Betracht ziehen, um jede Instanz zu klassifizieren. Korridore haben beispielsweise ein höheres Perimeterflächenverhältnis als Habitatfragmente und so weiter.

Weitere interessante Informationen für Konnektivitätsanalysen finden Sie hier: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Die Tatsache, dass einige Korridore keine vollständige Pixelkonnektivität aufweisen, muss jedoch zuerst behoben werden. Ich denke, dass Sie eine Art entfernungsbasiertes Schwellenwertkriterium definieren müssen, um zu entscheiden, ob ein Pixel Teil eines Korridors ist oder nicht.


0

Es scheint, dass es von der Form Ihres Fragments abhängt. Wenn die Breite mehr als das Zwei- (oder Dreifache) der Höhe (oder des Gegenteils) beträgt, können Sie von einem Korridor sprechen?

Sind Sie schon zur Abgrenzung der Fragmente gekommen?

Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.