Énigme géospatiale écologique


15

Je recherche une solution différente et plus élégante à un problème de statistique spatiale. Les données brutes consistent en une coordonnée xy pour chaque arbre individuel (c'est-à-dire converties en un fichier point .shp). Bien qu'il ne soit pas utilisé dans cet exemple, chaque arbre possède également un polygone correspondant (c'est-à-dire en tant que .shp) qui représente le diamètre de la couronne. Les deux images à gauche montrent des estimations de densité de noyau à l'échelle du paysage (KDE) dérivées d'un fichier .shp ponctuel de l'emplacement des arbres individuels - l'un de 1989 et l'autre de 2009. Le graphique de droite montre la différence entre les deux KDE où seules les valeurs +/- 2 écarts-types de la moyenne sont affichées. La calculatrice raster d'Arc a été utilisée pour effectuer le calcul simple (2009 KDE - 1989 KDE) nécessaire pour produire la superposition de raster sur l'image de droite.

Existe-t-il une méthode plus appropriée pour analyser la densité des arbres ou le changement de la surface de la canopée au fil du temps, statistiquement ou graphiquement? Compte tenu de ces données, comment évalueriez-vous le changement entre les données sur les arbres de 1989 et 2009 dans un environnement géospatial? Les solutions dans ArcGIS, Python, R, Erdas et ENVI sont encouragées.

entrez la description de l'image ici


3
Avez-vous les données d'origine sur l'emplacement des arbres de 1989? Sinon, les KDE utilisent-ils au moins les mêmes noyaux (et les mêmes bandes passantes)? Les données arborescentes constituent-elles un recensement complet de la région ou s'agit-il d'une sorte d'échantillon (et si oui, comment les membres de cet échantillon ont-ils été sélectionnés)? Qu'est-ce qui constitue un «changement» dans votre étude et comment aimeriez-vous le mesurer (par exemple, comme un changement absolu de la densité des arbres ou un changement relatif)?
whuber

1
@whuber: Les emplacements d'origine des arbres peuvent être considérés comme des données de recensement, car chaque arbre du DOQQ a été inventorié. Le KDE était basé sur des points dérivés des données du recensement. Je m'intéresse principalement à la détection de nouveaux arbres et au changement de couvert végétal.
Aaron

1
Les KDE peuvent être inappropriés ici car le changement d'emplacement de l'arborescence et les nombres changeront la bande passante et donc les résultats. Avez-vous envisagé de créer un raster zonal de taille arbitraire (disons 100 mx 100 m) et d'obtenir à chaque fois des arbres / cellule et une zone / cellule d'arbre, puis de calculer une différence entre les temps?
blindjesse

@blindJesse: Vous avez un bon point. Comme alternative, j'ai essayé de convertir les polygones de diamètre de la canopée de 2009 et 1989 en rasters, puis de reclasser les rasters en données binaires. De là, je peux exécuter un script de statistiques focales de fenêtre mobile sur la différence entre les deux.
Aaron

1
Je ne suis toujours pas sûr de la forme des données brutes, Aaron. Lorsque vous écrivez «chaque arbre ... a été inventorié», cela signifie-t-il que chaque arbre individuel a été identifié et attribué des coordonnées? Ou peut-être que cela signifie que quelqu'un a dessiné un polygone et dit: "J'ai trouvé 39 érables rouges et 13 chênes blancs ici?" Comprendre les forces et les limites des données originales est crucial pour obtenir la réponse canonique que vous recherchez.
whuber

Réponses:


8

Premier problème:

Vous regardez un mélange de minima. Un arbre gigantesque avec une couronne de taille acre ressemble beaucoup , interprété sur une base de densité de points / noyau, comme un champ sans arbres du tout. Vous ne vous retrouverez avec des valeurs élevées que là où il y a de petits arbres à croissance rapide, aux lisières et dans les interstices de la forêt. Le plus délicat est que ces arbres plus petits et denses sont beaucoup plus susceptibles d'être obscurcis par l'ombre ou l'occlusion ou d'être non résolubles à une résolution de 1 mètre, ou d'être agglomérés ensemble parce qu'ils sont une touffe de la même espèce.

La réponse de Jen est correcte sur cette première partie: jeter les informations du polygone est un gaspillage. Il y a cependant une complication. Les arbres à croissance ouverte ont une couronne beaucoup moins verticale et plus étendue, toutes choses étant égales par ailleurs, qu'un peuplement équien ou un arbre dans une forêt mature. Pour plus d'informations, voir # 3.

Deuxième problème:

Vous devriez idéalement travailler avec une comparaison de pommes à pommes. S'appuyer sur NDVI pour l'un et B&W pour l'autre introduit un biais inconnaissable dans vos résultats. Si vous ne pouvez pas obtenir de données appropriées pour 1989, vous pouvez plutôt utiliser des données B&W dégradées pour 2009, ou même essayer de mesurer le biais dans les données 2009 par rapport au B&W et extrapoler les résultats NDVI pour 1989.

Il peut ou non être plausible d'aborder ce point du point de vue du travail, mais il y a de fortes chances qu'il soit soulevé dans un examen par les pairs.

Troisième problème:

Qu'essayez-vous précisément de mesurer? La densité du noyau n'est pas une valeur sans valeurmétrique, elle vous donne un moyen de trouver des zones de jeunes pousses qui se tuent rapidement (sous réserve des limitations d'ombrage / d'occlusion ci-dessus); Seuls ceux qui ont le meilleur accès à l'eau / au soleil, le cas échéant, survivront dans quelques années. La couverture de la canopée serait une amélioration de la densité du noyau pour la plupart des tâches, mais cela pose également des problèmes: elle traite un grand peuplement d'arbres âgés de 20 ans, qui vient à peine de fermer la canopée, tout comme un 100 établi -Année forêt. Les forêts sont difficiles à quantifier de manière à préserver les informations; Un modèle de hauteur de canopée est idéal pour de nombreuses tâches, mais impossible à obtenir historiquement. La mesure que vous utilisez est mieux choisie en fonction d'une élaboration de vos objectifs. Que sont-ils?

Éditer:

L'objectif est de détecter l'expansion des garrigues dans les prairies indigènes. Les méthodes statistiques sont toujours parfaitement valables ici, elles nécessitent simplement une élaboration et des choix subjectifs pour être appliquées.

  • Calculez une mesure de base de la couverture de la canopée. Cela peut impliquer une approche quadrillée directement sur les polygones de couronne, ou transformer les polygones de couronne en raster + les estomper si vous avez besoin d'une version plus continue.
  • Essayez de séparer les classes de paysage dans lesquelles effectuer votre analyse, en fonction du pourcentage de couverture de la canopée. Les techniques statistiques avec lesquelles vous travaillez dans une forêt à couvert fermé peuvent être différentes de celles que vous utilisez sur une prairie presque nue, ou même être exclues de manière défendable de l'analyse. Une petite partie de vos paysages comprendra "l'expansion de la garrigue", et le choix de la façon de sous-définir cet effet et d'ignorer les données qui ne sont pas pertinentes vous appartient en tant que statisticien.
  • Je ne sais pas si cela fonctionnera sur une période de 20 ans (et cela fonctionnera mieux avec des époques intermédiaires supplémentaires), mais essayez de faire attention au diamètre de la couronne comme indicateur de l'âge des arbres. Il y a une question de définition que vous devez vous poser, si le doublement de la taille d'une couronne existante représente une "expansion", ou si cela nécessite de nouveaux arbres. Si c'est le dernier, vous avez une idée si elles sont nouvelles (au moins, pour certaines classes de paysage que vous avez sélectionnées ci-dessus, où vous pouvez vérifier un certain degré d'accès au soleil).
  • Selon vos objectifs écologiques, il peut être intéressant non seulement d'explorer directement la densité des arbres, mais également d'explorer la fragmentation du paysage à l'aide de packages tels que Fragstats .
  • À long terme: Assurez-vous qu'aucun jeu de données LIDAR du comté ne traîne en attente d'être utilisé comme validation et évaluation de la précision pour votre capacité à distinguer les couronnes dans le jeu de données 2009.

Merci Chris, vous évoquez de nombreux trous légitimes dans l'approche KDE pour changer la détection. J'ai eu du mal à trouver le meilleur moyen de faire face à la différence de qualité d'image entre 2009 et 1989. Je conviens qu'un ensemble de données de formation est justifié pour comparer la sortie d'images. Le but de ces données est d'évaluer l'expansion des broussailles dans les prairies indigènes. Je suppose que la meilleure approche consiste à utiliser la puissance de ces données de recensement et, en fait, à ne pas utiliser une approche statistique - mais plutôt une approche descriptive.
Aaron

Pas nécessairement. Réponse modifiée avec quelques suggestions.
MappingTomorrow

5

Le problème avec votre approche KDE est qu'elle lisse toute la zone et réduit ainsi les lacunes que vous voudrez peut-être trouver.

Quand j'ai lu que vous utilisiez NDVI pour la détection des cimes des arbres, je me demande à quoi ressemblent les polygones de cimes? ces polygones sont-ils vraiment simples avec un ID d'arbre associé?

Si vous avez le luxe d'avoir des polygones pour chaque couronne d'arbre et que vous souhaitez savoir où une couronne d'arbre a été perdue, je pense qu'il y a deux possibilités; un vecteur et une solution raster.

vecteur

  1. combiner tous les polygones d'une année afin qu'il ne reste aucun polys qui se chevauchent. les polys simples sont très bien. cela conduira à deux fichiers de formes
  2. utilisez la superposition ou l'intersection pour trouver des zones où 1989 et 2009 ne correspondent plus (plus).

raster

  1. convertir tous les polygones de chaque année en un raster binaire avec 0 = notree et 1 = tree. utiliser une haute résolution, par exemple 0,5 m et une interpolation bilinéaire? cela garantira que les bords sont lisses
  2. soustrayez les images binaires (2009-1989) et vous devriez obtenir quelque chose de similaire à votre premier résultat mais sans les KDE lissés

J'espère que ça marche :) Je n'ai pas essayé ces idées mais j'ai simplement noté ce qui m'est venu à l'esprit. bonne chance!

oh ... peut-être, vous pourriez aussi simplement faire une approche de comptage de quadrat. pour chaque année, découpez votre zone en utilisant une grille vectorielle de 100x100m, comptez les points en polygones et comparez les deux modèles différents. juste une autre idée ...


Jens, excellente analyse du problème écologique. Votre réponse succincte identifie à la fois un problème sérieux avec l'approche KDE et a vraiment aidé à une marche à suivre globale.
Aaron

2

Un changement général de la végétation peut être calculé à l'aide d'une analyse numérique des changements. Pour exécuter cette analyse, vous aurez d'abord besoin d'une image à 4 bandes (R, G, B et NIR) pour 1989 et 2009. Ensuite, à l'aide d'un logiciel de télédétection (comme ENVI ou Erdas), exécutez une analyse NDVI sur chaque image . L'analyse NDVI compare le rapport bande NIR - bande rouge / bande NIR + pixels de la bande rouge. Le résultat de cette équation donne des valeurs de pixels qui vont de -1 à 1. Les pixels qui ont une valeur inférieure à zéro ne montrent aucune réflectance dans la bande NIR. De même, les pixels qui ont une valeur supérieure à zéro reflètent la lumière NIR et sont donc considérés comme de la végétation. Le processus d'analyse numérique des changements consiste simplement à soustraire une image NDVI de l'autre (soustraire 1989 à 2009). Veuillez consulter le lien ci-dessous pour une discussion plus approfondie.

http://www.bioline.org.br/pdf?er07006


Merci pour une réponse et une référence qui suscitent la réflexion. Les NDVI ont été créés à partir des DOQQ NAIP 4 bandes de 1 m de 2009 pour dériver l'emplacement des arbres. Cependant, l'imagerie NAIP de 1989 à 1 m n'est disponible qu'en échelle de gris - ces images ont donc dû être manipulées différemment afin de dériver l'emplacement des arbres. Il peut y avoir trop de «bruit de fond» pour cette étude en utilisant des NDVI générés à partir de la MT ou d'autres images à basse résolution pour l'analyse numérique des changements. Merci encore!
Aaron
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.