Moving Average Arcgis

Ich habe eine Rasterkarte von US-Mittelwesten, die sehr spärlich ist, d. h. die Pixel von Interesse sind wenige genug, um nahezu unsichtbar zu sein, wenn sie in einer Skala betrachtet werden, wo alle Zustände von US-Mittelwesten sichtbar sind. Ich möchte dem in diesem PNAS-Papier (pnas. org/content/110/10/4134.full) beschriebenen Ansatz folgen, um eine bessere Karte zu erstellen, aber nicht sicher, wie es in ArcGIS repliziert wird. Jede Hilfe wäre willkommen. Das PNAS-Papier skizziert die folgenden Schritte: Wegen der geringen Größe und der verteilten Verteilung der Veränderungsbereiche war es schwierig, regionale Muster von LCLUC mit der ursprünglichen 56-m-Raumauflösung zu visualisieren. Als Ergebnis haben wir räumliche Glättung Techniken verwendet, um eine regionale Veränderung Oberfläche, die lokalen Hotspots der Veränderung hervorgehoben zu schaffen. Verwandte Ansätze werden in Bereichen wie der räumlichen Epidemiologie verwendet, um eine stabile Schätzung der Krankheitsraten zu erzeugen (48), wurden aber im Bereich der Landveränderungswissenschaft nicht breit angewandt. In unserem Glättungsansatz wurden Pixeln mit einer Auflösung von 56 Metern zuerst auf den Prozentsatz der Änderung bei einer Auflösung von 560 m aufgelagert. Dies wurde durchgeführt, indem 10-mal-10 Blöcke von 56-m Pixeln (d. h. 100 Pixelblöcke) und Summieren der binären Änderung innerhalb jedes Blocks (S4A) gemacht wurden. Als nächstes wurde ein 2D-Kernel verwendet, um eine geglättete Schätzung der prozentualen Veränderung für jedes der 560-m-Auflösungspixel (Fig. S4B) zu berechnen. Eine quartische Kernelfunktion wurde verwendet, um gleitende Mittelwerte über das Untersuchungsgebiet mit einer Bandbreite von 10 km zu berechnen. Die gleiche quartische Kernfunktion wurde verwendet, um die prozentuale Veränderung von Mais / Soja 2006 auf Grasland im Jahr 2011 zu glätten. Schließlich haben wir eine geglättete Karte der Graslandbedeckung im Jahr 2006 durch Aggregation der Grünlandpräsenz bei einer Auflösung von 56 m / M Auflösung und dann Glätten dieser aggregierten Deckschicht unter Verwendung desselben 10-km-Quarzkerns. Diese geglättete Grünland-Deckschicht wurde anschließend als der Nenner bei der Erzeugung einer Karte der relativen Raten der Grünland-Umwandlung verwendet. Soweit ich verstehe, ist dies das Flußdiagramm: 1. Verwenden Sie Blockstatistiken in ArcGIS um 10x10 Pixel von 56-m-Raster auf 560m Raster zu summieren. 2. 2D-Kernel glatter: nicht sicher, wie dies zu tun 3. Quartic-Kernel: nicht sicher, wie Um dies zu tun Nicht sicher, wie Fortschritt über Schritt 1 gefragt Aug 15 14 bei 0: 29How Filter arbeitet Das Filter-Tool kann verwendet werden, um entweder zu beseitigen störende Daten oder die Verbesserung der Funktionen sonst nicht sichtbar in den Daten. Filter erzeugen im Wesentlichen Ausgangswerte durch ein sich bewegendes, überlappendes 3x3-Zellen-Nachbarschaftsfenster, das durch das Eingabe-Raster scannt. Wenn der Filter über jede Eingangszelle läuft, werden der Wert dieser Zelle und seine 8 unmittelbaren Nachbarn verwendet, um den Ausgangswert zu berechnen. Im Werkzeug gibt es zwei Arten von Filtern: Tiefpass und Hochpass. Filtertypen Der Filtertyp LOW verwendet einen Tiefpaß oder Mittelwertbildung, Filter über dem Eingangsraster und glättet im wesentlichen die Daten. Der HIGH-Filtertyp verwendet ein Hochpaßfilter, um die Kanten und Grenzen zwischen den im Raster dargestellten Merkmalen zu verbessern. Tiefpassfilter Ein Tiefpassfilter glättet die Daten durch Verringerung der lokalen Variation und Entfernung von Rauschen. Er berechnet den mittleren (mittleren) Wert für jede 3 x 3 Nachbarschaft. Es ist im Wesentlichen gleichbedeutend mit dem Focal Statistics Tool mit der Option Mean statistic. Der Effekt ist, dass die hohen und niedrigen Werte innerhalb jeder Nachbarschaft ausgemittelt werden, wodurch die Extremwerte in den Daten reduziert werden. Es folgt ein Beispiel für die Eingangsnachbarschaftswerte für eine Verarbeitungszelle, die Mittenzelle mit dem Wert 8. Die Berechnung für die Verarbeitungszelle (die zentrale Eingangszelle mit dem Wert 8) besteht darin, den Mittelwert der Eingangszellen zu finden. Dies ist die Summe aller in der Nachbarschaft enthaltenen Werte, geteilt durch die Anzahl der Zellen in der Nachbarschaft (3 x 3 9). Der Ausgabewert für die Verarbeitungszellenposition wird 4,22 sein. Da der Mittelwert aus allen eingegebenen Werten berechnet wird, wird der höchste Wert in der Liste, der der Wert 8 der Verarbeitungszelle ist, ausgemittelt. Dieses Beispiel zeigt das resultierende Raster, das von Filter mit der Option LOW auf einem kleinen 5x5-Zellenraster erzeugt wird. Um zu veranschaulichen, wie NoData-Zellen behandelt werden, werden die Ausgabewerte mit dem Parameter Ignore NoData auf Data gesetzt, dann folgt NODATA: Eingabezellenwerte: Ausgabezellenwerte mit DATA-Optionsgruppe (NoData-Zellen in einem Filterfenster werden bei der Berechnung ignoriert): Output Zellenwerte mit NODATA-Optionsgruppe (die Ausgabe ist NoData, wenn eine beliebige Zelle im Filterfenster NoData ist): Im folgenden Beispiel weist das Eingangsraster einen anomalen Datenpunkt auf, der durch einen Datensammlungsfehler verursacht wird. Die Mittelungseigenschaften der LOW-Option haben den anomalen Datenpunkt geglättet. Beispiel für Filterausgang mit LOW-Option Hochpassfilter Das Hochpassfilter akzentuiert die Vergleichsdifferenz zwischen den Zellenwerten und ihren Nachbarn. Es hat die Wirkung, die Grenzen zwischen den Merkmalen hervorzuheben (zum Beispiel, wenn ein Wasserkörper auf den Wald trifft), wodurch die Kanten zwischen den Objekten schärfen. Sie wird allgemein als Randverstärkungsfilter bezeichnet. Mit der HOCH-Option werden die neun eingegebenen Z-Werte so gewichtet, dass sie tiefe Frequenzschwankungen beseitigen und die Grenze zwischen verschiedenen Bereichen hervorheben. Das 3 x 3-Filter für die HIGH-Option lautet: Beachten Sie, dass die Werte im Kernel 0 sind, da sie normalisiert sind. Das Highpass-Filter ist im Wesentlichen gleichbedeutend mit dem Focal Statistics-Tool mit der Summe-Statistikoption und einem bestimmten gewichteten Kernel. Die Ausgangs-z-Werte sind ein Hinweis auf die Glätte der Oberfläche, aber sie haben keine Beziehung zu den ursprünglichen z-Werten. Z-Werte sind auf Null mit positiven Werten auf der Oberseite einer Kante und negativen Werten auf der Unterseite verteilt. Bereiche, in denen die z-Werte nahe Null sind, sind Regionen mit nahezu konstanter Steigung. Bereiche mit Werten nahe z-min und z-max sind Regionen, in denen sich die Steigung schnell ändert. Es folgt ein einfaches Beispiel der Berechnungen für eine Bearbeitungszelle (die zentrale Zelle mit dem Wert 8): Die Berechnung für die Bearbeitungszelle (die zentrale Zelle mit dem Wert 8) ist wie folgt: Der Ausgabewert für die Bearbeitungszelle ist 29,5. Indem er seinen Nachbarn negative Gewichte gibt, akzentuiert das Filter das lokale Detail, indem es die Unterschiede oder die Grenzen zwischen Objekten herauszieht. Im folgenden Beispiel weist das Eingaberaster eine scharfe Kante entlang des Bereichs auf, in dem sich die Werte von 5,0 bis 9,0 ändern. Die Kantenverstärkungscharakteristik der HOCH-Option hat die Flanke erkannt. Verarbeitung von NoData-Zellen Die Option NoData in Berechnungen ignorieren steuert, wie NoData-Zellen im Nachbarschaftsfenster behandelt werden. Wenn diese Option aktiviert ist (die Option DATA), werden alle Zellen in der Nachbarschaft, die NoData sind, bei der Berechnung des Ausgabezellenwertes ignoriert. Wenn unchecked (die NODATA-Option), wenn eine beliebige Zelle in der Nachbarschaft NoData ist, ist die Ausgabezelle NoData. Wenn die Verarbeitungszelle selbst NoData ist, wird bei Auswahl der Option "NoData ignorieren" der Ausgabewert für die Zelle auf der Grundlage der anderen Zellen in der Nachbarschaft berechnet, die einen gültigen Wert haben. Natürlich, wenn alle Zellen in der Nachbarschaft sind NoData, die Ausgabe ist NoData, unabhängig von der Einstellung für diesen Parameter. Referenzen Gonzalez, R. C. und P. Wintz. 1977. Digitale Bildverarbeitung. Massachusetts: AddisonWesley. Hord, R. M. 1982. Digitale Bildverarbeitung von ferngesteuerten Daten. New York: Akademisch. Moik, J. G. 1980. Digitale Verarbeitung von ferngesteuerten Bildern. New York: Akademisch. Richards, J. A. 1986. Fernerkundung Digital-Bildanalyse: Eine Einführung. Berlin: Springer-Verlag. Rosenfeld, A. 1978. Bildverarbeitung und Anerkennung. Technischer Bericht 664. Universität von Maryland Computer Vision Laboratory. Verwandte Themen