Suite

Correction de la topographie locale dans le calcul du TRI à partir du DEM dans ArcGIS


J'étudie actuellement l'utilisation de différents équipements pour calculer le TRI à partir de données d'altitude à l'aide d'ArcGIS. D'après les méthodes disponibles (http://gis4geomorphology.com/roughness-topographic-position/), la robustesse calculée est influencée par l'altitude globale, c'est-à-dire qu'une pente peut être lisse mais avoir un TRI plus élevé qu'une surface plane bosselée.

Existe-t-il un moyen de corriger cette influence de la topographie locale ? J'aimerais idéalement créer un indice de robustesse relative où la couche raster est purement basée sur la robustesse plutôt que sur l'altitude?

Informations Complémentaires

Je voudrais calculer la rugosité d'un terrain, en particulier un volcan avec une coulée de lave solidifiée. En théorie (photographies du site) la coulée de lave est considérée comme plus rugueuse que le volcan. Cependant, en utilisant les méthodes de calcul de la robustesse, le volcan est considéré comme rugueux et la coulée de lave considérée comme lisse. Je voudrais supprimer cette topographie locale pour calculer la rugosité basée essentiellement sur la géologie seule.


La question (telle que clarifiée dans un commentaire) demande comment

supprimer la pente locale pour calculer la robustesse relative.

Il existe un moyen simple de le faire. Il repose sur le calcul de la pente en utilisant les mêmes données locales que la robustesse (qui est généralement un voisinage carré de 3 par 3). Je me souviens avoir vérifié qu'ArcGIS calcule la ou les pentes et l'aspect exactement de cette manière : son algorithme équivaut à ajuster un plan aux neuf valeurs de voisinage à l'aide des moindres carrés ordinaires, puis à signaler la pente et l'aspect de ce plan.

Nous pouvons donc exploiter les résultats de l'ajustement des moindres carrés pour conclure que ce qui suit est la solution pour une grille de taille de cellule c :

Pour obtenir la robustesse locale, soustrayez 6 * c^2 * s^2 de la robustesse topographique.

(La constante "6" est dérivée de 9 - la quantité de données locales - moins 3, le nombre de paramètres utilisés pour décrire le plan local (une élévation moyenne, une pente et un aspect). Cette formule peut être étendue vers d'autres quartiers en remplaçant simplement « 6 » par trois de moins que le nombre de cellules dans ces quartiers, en supposant un voisinage commun est utilisé pour la rugosité topographique, l'altitude moyenne et les calculs de pente.)

La "rugosité locale" dans ce sens est la somme des carrés des écarts entre les données d'altitude et les altitudes correspondantes du plan ajusté localement, tandis que la robustesse topographique est la somme des carrés des écarts entre les données et l'altitude moyenne dans le voisinage .

(L'utilisation de sommes de cette manière produit des valeurs qui dépendent de la taille de la cellule et des dimensions du voisinage. Ces éléments arbitraires du calcul le rendent un peu moins que scientifique ou significatif. Il serait préférable de calculer signifier écarts au carré et de normaliser le rayon du voisinage utilisé. Mais ces questions devraient être discutées ailleurs ; ici, admettons simplement que les sommes sont souhaitées et reconnaissons qu'il est simple de convertir de telles sommes en valeurs moyennes.)

Exemple

Soit la taille de la cellule de 3 mètres et supposons que les élévations dans un quartier, également en mètres, sont

55 58 57 54 56 51 52 53 59

Ces moyennes sont de 55 + 58 +… + 59 = 55. Les dénivelés par rapport à cette moyenne sont

0 3 2 -1 1 -4 -3 -2 4

Sa "rugosité topographique" est la somme des carrés de ces résidus, égale à (0^2 + 3^2 +… + 4^2) = 60.

Le plan des moindres carrés a ces valeurs ajustées :

55 56 57 54 55 56 53 54 55

Les différences entre les données et cet ajustement sont

0 2 0 0 1 -5 -1 -1 4

La robustesse locale est la somme de leur carrés, égal à 0^2 + 2^2 +… + 4^2 = 48. Il n'a cependant pas été nécessaire de le calculer séparément, car la pente au carré est de 2/9. (Le SIG calculera cela. Pour vérifier l'exemple, regardez l'ajustement, qui s'incline évidemment du coin supérieur droit au coin inférieur gauche sur la ligne diagonale des 55. Il chute de 2 mètres sur la diagonale de chaque cellule : de 57 vers le bas à 55 jusqu'à 53 en allant du haut à droite vers le bas à gauche. Le théorème de Pythagore nous dit que le carré de la diagonale est 3^2 + 3^2. La pente au carré est donc égale à 2^2 / (3^2 + 3^ 2) = 2/9.)

Il ne nous reste donc plus qu'à calculer

48 = 60 - 6 * 3^2 * 2/9

Choses à surveiller

Il est important de calculer correctement la pente. Tel qu'utilisé ici, il s'agit du rapport "montée/course" habituel - pas d'un angle. Calculez la pente en pourcentage et divisez par 100, ou calculez la tangente de la pente en tant qu'angle. Assurez-vous d'utiliser les mêmes unités de mesure pour les coordonnées de position et les élévations.

L'utilisation d'une projection très précise, bien que souhaitable, n'est pas nécessaire : les distorsions induites par les projections sont localement linéaires et cela ne modifiera pas l'ajustement plan car le plan est donné par une fonction linéaire des coordonnées. Le formule car l'avion se trompera et le pente aura tort, mais tout s'annule ! Par conséquent, il est probablement préférable de travailler avec les données d'origine plutôt que de les reprojeter, éliminant ainsi les erreurs de rééchantillonnage. (Le rééchantillonnage réduit presque toujours la robustesse ; plus vous rééchantillonnez souvent, plus vous biaisez les estimations de robustesse vers le bas.) Vous pouvez ensuite reprojeter les résultats comme bon vous semble.

J'aurais dû mentionner que le calcul de robustesse d'origine est décrit à /a/6059/664. Elle nécessite deux sommes focales et quelques combinaisons arithmétiques ("map algebra").


Les emplacements en entrée peuvent être une classe d'entités ponctuelles ou une table de coordonnées de points. La table peut être une table de géodatabase, un fichier .dbf, une table INFO ou un fichier de table texte.

Lors de la saisie d'emplacements par table, une liste d'emplacements doit être spécifiée avec une coordonnée x,y. En utilisant un fichier de coordonnées, chaque ligne doit contenir une paire x,y séparée par un espace ou une tabulation. Ce qui suit est un exemple:

Alternativement, vous pouvez spécifier la pente (degrés) et l'aspect dans la table de localisation. En plus des coordonnées x,y, le fichier doit contenir la pente et la valeur d'aspect pour chaque emplacement. Ce qui suit est un exemple:

Pour les configurations de plusieurs jours, la plage maximale de jours est d'un an au total (365 jours ou 366 jours pour les années bissextiles). Si le jour de début est supérieur au jour de fin, les calculs de temps seront effectués l'année suivante.

Par exemple, [jour de début, jour de fin] = [365, 31], représente le 31 décembre au 31 janvier de l'année suivante. Pour un exemple de [1, 2], l'heure est incluse pour le premier jour de 0:00 heures (1er janvier) à 0:00 (2 janvier). Le jour de début et le jour de fin ne peuvent pas être égaux.

La valeur de l'année pour la configuration de l'heure est utilisée pour déterminer une année bissextile. Il n'a aucune autre influence sur l'analyse du rayonnement solaire car les calculs sont fonction de la période de temps déterminée par les jours juliens.

Pour les configurations de temps intra-journal, la plage de temps maximale est d'un jour (24 heures). Les calculs ne seront pas effectués sur plusieurs jours (par exemple, de 12h00 à 12h00 le lendemain). L'heure de début doit être inférieure à l'heure de fin.

L'utilisation d'un facteur z est indispensable pour corriger les calculs lorsque les unités z de surface sont exprimées en unités différentes des unités x,y du sol. Pour obtenir des résultats précis, les unités z doivent être les mêmes que les unités terrestres x,y. Si les unités ne sont pas les mêmes, utilisez un facteur z pour convertir les unités z en unités x,y. Par exemple, si vos unités x,y sont des mètres et vos unités z sont des pieds, vous pouvez spécifier un facteur z de 0,3048 pour convertir les pieds en mètres.

Il est recommandé d'avoir vos données dans un système de coordonnées projetées avec des unités de mètres. Si vous choisissez d'exécuter l'analyse avec un système de coordonnées sphériques, vous devrez spécifier un facteur z approprié pour cette latitude. Voici une liste de quelques facteurs z appropriés à utiliser si les unités x,y sont des degrés décimaux et les unités z sont des mètres :

Le décalage de hauteur ne doit être spécifié qu'en mètres.

La latitude de la zone du site (unités : degré décimal, positif pour l'hémisphère nord et négatif pour l'hémisphère sud) est utilisée dans des calculs tels que la déclinaison solaire et la position solaire. Étant donné que l'analyse solaire est conçue pour les échelles du paysage et les échelles locales, il est acceptable d'utiliser une valeur de latitude pour l'ensemble du DEM. Pour des régions géographiques plus larges, il est nécessaire de diviser la zone d'étude en zones de latitudes différentes.

Pour les rasters de surface en entrée contenant une référence spatiale, la latitude moyenne est automatiquement calculée, sinon la latitude sera par défaut de 45 degrés. Lors de l'utilisation d'une couche d'entrée, la référence spatiale de la trame de données est utilisée.

La taille du ciel est la résolution des rasters du champ de vision, de la carte du ciel et de la carte du soleil qui sont utilisés dans les calculs de rayonnement (unités : cellules par côté). Il s'agit de représentations raster hémisphériques orientées vers le haut du ciel et n'ayant pas de système de coordonnées géographiques. Ces rasters sont carrés (nombre égal de lignes et de colonnes).

L'augmentation de la taille du ciel augmente la précision des calculs mais augmente également considérablement le temps de calcul.

Lorsque le paramètre d'intervalle de jour est petit (par exemple, < 14 jours), une taille de ciel plus grande doit être utilisée. Au cours de l'analyse, la carte du soleil (déterminée par la taille du ciel) est utilisée pour représenter les positions du soleil (traces) pour des périodes de temps particulières afin de calculer le rayonnement direct. Avec des intervalles de jour plus petits, si la résolution de la taille du ciel n'est pas assez grande, les traces du soleil peuvent se chevaucher, entraînant des valeurs de rayonnement nulles ou inférieures pour cette trace. L'augmentation de la résolution fournit un résultat plus précis.

La valeur maximale de la taille du ciel est de 10 000. Une valeur de 200 est la valeur par défaut et est suffisante pour les DEM entiers avec des intervalles de jours importants (par exemple, > 14 jours). Une valeur de taille du ciel de 512 est suffisante pour les calculs à des emplacements ponctuels où le temps de calcul est moins problématique. À des intervalles de jours plus courts (par exemple, < 14 jours), il est recommandé d'utiliser des valeurs plus élevées. Par exemple, pour calculer l'ensoleillement pour un emplacement à l'équateur avec un intervalle de jours = 1, il est recommandé d'utiliser une taille de ciel de 2 800 ou plus.

Des intervalles de jour supérieurs à 3 sont recommandés car les traces du soleil sur trois jours se chevauchent généralement, selon la taille du ciel et la période de l'année. Pour les calculs de l'année entière avec un intervalle mensuel, l'intervalle de jour est désactivé et le programme utilise en interne des intervalles de mois calendaires. La valeur par défaut est 14.

Étant donné que le calcul du champ de vision peut être très intensif, les angles d'horizon ne sont tracés que pour le nombre de directions de calcul spécifiées. Les valeurs valides doivent être des multiples de 8 (8, 16, 24, 32, etc.). Typiquement, une valeur de 8 ou 16 est adéquate pour les zones avec une topographie douce, alors qu'une valeur de 32 est adéquate pour une topographie complexe. La valeur par défaut est 32.

Le nombre de directions de calcul nécessaires est lié à la résolution du MNT d'entrée. Le terrain naturel à une résolution de 30 mètres est généralement assez lisse, donc moins de directions sont suffisantes pour la plupart des situations (16 ou 32). Avec des DEM plus fins, et en particulier avec des structures artificielles incorporées dans les DEM, le nombre de directions doit augmenter. Augmenter le nombre de directions augmentera la précision mais augmentera également le temps de calcul.

La case à cocher Créer des sorties pour chaque intervalle offre la possibilité de calculer l'ensoleillement intégré sur une période de temps spécifiée ou l'ensoleillement pour chaque intervalle d'une série temporelle. Par exemple, pour la période d'une journée avec un intervalle d'une heure, cocher cette case créera des valeurs d'ensoleillement horaires, sinon, l'ensoleillement intégré pour la journée entière est calculé.

Le paramètre Créer des sorties pour chaque paramètre d'intervalle affecte le nombre d'attributs pour les entités en sortie. Lorsqu'elle est cochée pour l'analyse du rayonnement ponctuel, la classe d'entités en sortie inclut des attributs supplémentaires (t0, t1, t2, etc.), qui indiquent les valeurs de rayonnement ou de durée pour chaque intervalle de temps (intervalle d'heure lorsque la configuration de temps est inférieure à un jour, ou intervalle lorsque plusieurs jours).

La quantité de rayonnement solaire reçue par la surface n'est qu'une partie de ce qui serait reçu en dehors de l'atmosphère. La transmissivité est une propriété de l'atmosphère qui s'exprime comme le rapport de l'énergie (moyenne sur toutes les longueurs d'onde) atteignant la surface terrestre à celle qui est reçue à la limite supérieure de l'atmosphère (extraterrestre). Les valeurs vont de 0 (aucune transmission) à 1 (transmission complète). Les valeurs généralement observées sont de 0,6 ou 0,7 pour des conditions de ciel très clair et de 0,5 uniquement pour un ciel généralement clair.

La valeur de l'énergie reçue à la surface de la terre correspond au chemin le plus court à travers l'atmosphère (c'est-à-dire que le soleil est au zénith, ou directement au-dessus) et au niveau de la mer. Pour les zones au-delà du tropique du Capricorne et du tropique du Cancer, le soleil ne peut jamais être au zénith exact, même pas à midi cependant, cette valeur se réfère toujours au moment où le soleil est au zénith. Étant donné que l'algorithme corrige les effets d'élévation, la transmittivité doit toujours être donnée pour le niveau de la mer.

La transmissivité a une relation inverse avec le paramètre de proportion diffuse.

Voir Environnements d'analyse et Spatial Analyst pour plus de détails sur les environnements de géotraitement qui s'appliquent à cet outil.


Algorithmes de pente pour les modèles numériques d'élévation à l'arc

Les calculs de pente et d'aspect fournissent l'un des produits dérivés les plus utiles des modèles numériques d'élévation (MNE). La pente et l'aspect affectent la mobilité et l'ensoleillement, de sorte que les utilisateurs dans des domaines aussi divers que l'armée et l'écologie se soucie des résultats. Il existe au moins une demi-douzaine d'algorithmes de pente distincts et une multitude d'études (par exemple, Carter, 1992 Florinsky, 1998 Guth, 1995 Hodgson, 1998 Jones, 1998 Zhou et Liu, 2004a, 2004b et d'innombrables autres plus récemment) ont examiné les algorithmes de pente et les effets de la résolution et de la précision des données sur les résultats calculés. Cependant, à l'exception de brèves mentions dans Guth (1995, p.32 2009, p.352 2010), les discussions publiées supposent implicitement une UTM rectangulaire ou une grille de type UTM pour le DEM car elles se réfèrent à une valeur unique pour l'espacement des données. Cet article explorera les implications de cette hypothèse et son importance lorsque les meilleurs DEM à moyenne résolution (espacement postérieur de 10 à 100 m) utilisent tous un espacement à la seconde d'arc.

Trois DEM courants utilisent des coordonnées géographiques : le National Elevation Dataset du US Geological Survey (USGS NED, Gesch et autres, 2002) le National Geospatial-Intelligence Agency’s Digital Terrain Elevation Data ( NGA DTED, National Imagery and Mapping Agency, 2000) et la Shuttle Radar Topography Mission (SRTM, Slater et autres, 2006). Ces ensembles de données ont un espacement horizontal de 30 (DTED-0 et SRTM-30) à 1/ 9 (quantités limitées de NED). Une grande partie de ces données est disponible gratuitement sur le WWW : 30 et 3 (SRTM) pour le monde entier, et 1 données pour les États-Unis (à la fois SRTM et NED). Gratuit signifie à la fois facile à obtenir et gratuit. En raison de leur disponibilité immédiate, ces DEM ont été largement utilisés dans le monde entier.

Tous les DEM mondiaux espacés de 1 à 3 secondes d'arc utilisent des coordonnées géographiques : SRTM (Slater et autres, 2006), ASTER, ALOS, TandemX, ASTER, tout comme de nombreuses données USGS 3DEP (anciennement USGS NED, Gesch et autres, 2002) et les données numériques d'élévation du terrain de la National Geospatial-Intelligence Agency (NGA DTED, National Imagery and Mapping Agency, 2000). Une grande partie de ces données est disponible gratuitement sur le WWW pour le monde entier. Gratuit signifie à la fois facile à obtenir et gratuit. En raison de leur disponibilité immédiate, ces DEM ont été largement utilisés dans le monde entier.

L'approche traditionnelle, caractérisée par un commentaire sur GDAL : " Le gdaldem suppose généralement que les unités x, y et z sont identiques. Si les unités x (est-ouest) et y (nord-sud) sont identiques, mais que les unités z (élévation) sont différentes, l'option échelle (-s) peut être utilisée pour définir le rapport entre les unités verticales et horizontales. Pour les projections LatLong près de l'équateur, où les unités de latitude et les unités de longitude sont similaires, les unités d'altitude (z) peuvent être converties pour être compatibles en utilisant scale=370400 (si l'altitude est en pieds) ou scale=111120 (si l'altitude est en mètres). Pour les emplacements non proches de l'équateur, il serait préférable de reprojeter votre grille à l'aide de gdalwarp avant d'utiliser gdaldem. " (https://gdal.org/programs/gdaldem.html ) ArcGIS a longtemps utilisé la même approche (https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/applying-az -factor.htm), mais dispose désormais d'une option géodésique qui produit des résultats corrects. S'il n'y avait pas d'alternative, l'acceptation des changements de grille induits par le rééchantillonnage pourrait se justifier. Cependant, si la grille pouvait être utilisée dans sa forme native, cela devrait produire un meilleur résultat.

Les formules géodésiques (Vincenty, 1975) peuvent être utilisées pour calculer l'espacement des MNT avec des coordonnées en latitude et longitude.

Fig. Espacement en mètres pour un 1 DEM en fonction de la latitude.

Fig. Différence en pourcentage dans l'espacement des données E-W du haut vers le bas d'une cellule 1 d'un DEM lat/long.

Fig. Erreur maximale sur la valeur de la pente calculée à l'aide d'un espacement constant des données E-W égal à la valeur au centre d'un MNT, pour un MNT centré près de 55 N

Guth (2010) a proposé 5 façons de traiter le calcul de la pente et de l'aspect pour l'arc deuxième DEM

Reprojetez le DEM sur un système cartésien projeté, tel que UTM. Cela modifie le DEM et ne peut pas l'améliorer, et il n'y a aucune raison d'accepter la nécessité d'une reprojection.

Utiliser un seul facteur de conversion pour relier les degrés aux mètres et ignorer les différences entre les espacements x et y. Cela ne fonctionne que très près de l'équateur. Un certain nombre de programmes SIG en 2020 n'offrent encore que cette option et suggèrent l'option de reprojection autrement (ou toujours, car l'équateur est un endroit rare pour utiliser un MNT).

Supposons que le DEM a un cadre rectangulaire, avec un espacement constant dans tout le DEM mais un espacement x et y différent. Cela fonctionne pour les petites zones, pas à haute latitude où l'espacement x change rapidement (voir la figure ci-dessus)

Supposons que le DEM a un cadre trapézoïdal (quasi-rectangulaire), avec un espacement constant y dans tout le DEM mais un espacement x qui varie avec la latitude. C'est la solution optimale, et a peu de pénalité de performance. Lorsque le DEM est ouvert, le logiciel calcule l'espacement x à chaque ligne de la grille DEM, en utilisant des formules géodésiques comme Vincenty (1975).

Supposons que le DEM a un cadre trapézoïdal, avec des espacements x et y variables qui varient avec la latitude. C'est exagéré, car l'espacement y change très peu.

Pseudo-code d'algorithme de pente préféré

Variables pour les DEM secondes d'arc. Ceux-ci sont calculés à l'ouverture du DEM, ainsi que la projection et l'initialisation du référentiel.

  • AverageYSpace : calculé une fois pour un DEM, et les différences peuvent être ignorées. C'est la moyenne de l'espacement y en haut et en bas du DEM
  • AverageXSpace : calculé une fois pour un DEM, et pour une petite zone, les différences peuvent être ignorées. Plus la zone est grande et plus la latitude est élevée, plus les erreurs d'utilisation de cette approximation sont importantes. Si vous voulez procéder ainsi, remplacez UseXSpace dans les formules ci-dessous
  • UseXSpace : l'espacement pour chaque ligne du DEM est calculé et stocké lorsque le DEM est ouvert, et tous les calculs utilisent la valeur de la ligne où le calcul est effectué. Il n'y a pas de pénalité de performance significative.

Pente := sqrt(sqr(dzdx) + sqr(dzdy))

GetAspect(dzdx,dzdy) utilise une fonction ATAN2 et ajuste pour la convention de boussole géographique que 0 est le nord et que les valeurs augmentent dans le sens des aiguilles d'une montre (la convention mathématique 0 est l'est et les valeurs augmentent dans le sens inverse des aiguilles d'une montre)

Pseudo-code d'algorithme de pente préféré pour dzdx et dzdy

EightNeighboursUnweighted (Evans 3FD, Heerdegen et Beran, 1982 Sharpnack et Akin, 1969 Horn, 1981 Wood, 1996 (PhD) )

dzdx := (zne + ze + zse - zsw - zw - znw) / 6 / UseXSpace (variable, fonction de la latitude calculée et stockée à l'ouverture de DEM)

dzdy := (znw + zn + zne - zsw - zs - zse) / 6 / AverageYSpace

Autres algorithmes pseudo-code pour dzdx et dzdy

FourNeighbors (2FD, Fleming et Hoffer, 1979 (Rapport technique du Laboratoire Purdue cité dans Zhou et Liu, 2004) Zevenbergen et Thorne, 1987 Ritter, 1987 )

dzdy := (zn - zs) * 0.5 / AverageYSpace

dzdx := (ze - zw) * 0.5 / UseXSpace

HuitVoisinsWeighted (3FDWRSD, méthode Horn 1981)

dzdy := 0,125 * ((znw + 2 * zn + zne) - (zsw + 2 * zs + zse)) / AverageYSpace

dzdx := 0,125 * ((zne + 2 * ze + zse) - (znw + 2 * zw + zsw)) / UseXSpace

EightNeighborsWeightedByDistance ( 3FDWRD, Différence finie de troisième ordre pondérée par l'inverse de la distance Unwin, 1981 )

dzdy := 1 / (4 + 2 * 2) * ((znw + 2*zn + zne) - (zsw + 2*zs + zse)) / AverageYSpace

dzdx := 1 / (4 + 2 * 2) * ((zne + 2*ze + zse) - (znw + 2*zw + zsw)) / UseXSpace

FrameFiniteDifference (Actes de conférence FFD, Chu et Tsai 1995 cités dans Zhou et Liu, 2004)

dzdy := (znw - zsw + zne - zse) * 0.25 / AverageYSpace

dzdx := (zse - zsw + zne - znw) * 0.25 / UseXSpace

Différence simple (SIMPLE-D, Jones 1998)

dzdy := (z - zs) * 0.5 / AverageYSpace

dzdx := (z - zw) * 0.5 / UseXSpace

Jones (1998) a proposé une méthode "diagonale de Ritters" qui utilise les quatre voisins diagonaux du NE, SE, SW et NW. Bien que cela s'adapte facilement à une grille carrée, pour une grille rectangulaire, les deux dérivées partielles ne seront pas perpendiculaires. . Cet algorithme n'apportant pas d'avantages significatifs, je n'essaierai pas de l'adapter pour une grille géographique.

DISCUSSION

Comparer les résultats de l'algorithme géographique avec un algorithme UTM n'est pas simple, pour plusieurs raisons :

  1. La réinterpolation produit des nœuds de grille à différents emplacements, vous ne pouvez donc pas comparer les résultats des deux DEM car ils calculent la pente à différents emplacements.
  2. La réinterpolation produit une grille avec un nombre différent de nœuds de grille.
  3. La plupart des algorithmes de réinterpolation lissent probablement le MNT d'origine, de sorte que les statistiques globales peuvent être différentes.

Nous avons examiné les distributions de pente pour 4 versions du quadrangle de Westgard Pass, en Californie : deux DEM SDTS espacés de 10 m et 30 m, et deux DEM NED espacés de 1/3 et 1 . La réinterpolation de ces DEM a été effectuée. par l'USGS, qui utilise les DEM SDTS comme source pour NED. Les 10 m et 1/3 montrent des pentes légèrement plus raides, comme prévu pour un DEM avec un espacement plus petit, et sont généralement en accord les uns avec les autres. De même, les 30 m et 1 Les DEM sont généralement d'accord les uns avec les autres. Dans les deux paires à des échelles comparables, les distributions diffèrent.


Comment la modification d'un MNT pour refléter l'hydrologie connue affecte-t-elle l'analyse de terrain ultérieure ?

De nombreux modèles numériques d'élévation (MNE) ont des difficultés à reproduire les modèles hydrologiques dans les paysages plats. Les efforts visant à améliorer les performances du DEM dans la réplication de l'hydrologie connue ont inclus une variété de techniques douces (c'est-à-dire basées sur des algorithmes) et dures, telles que "Gravure en flux» ou « reconditionnement de surface » (ex. Se mettre d'accord ou alors ANUDEM). En utilisant une représentation du réseau de cours d'eau connu, ces méthodes creusent ou déforment mathématiquement le MNT original pour améliorer la précision avec laquelle la position du cours d'eau, la longueur du cours d'eau et les limites du bassin versant reproduisent les conditions hydrologiques connues. Cependant, ces techniques modifient de façon permanente le MNT et peuvent affecter les analyses ultérieures (par exemple la pente). Cet article explore l'impact des méthodes de correction hydrologique couramment utilisées (Gravure en flux, D'accord.aml et ANUDEM v4.6.3 et ANUDEM v5.1) ont sur la nature globale d'un MNT, constatant que différentes méthodes produisent des résultats non convergents pour les paramètres du bassin versant (tels que les limites du bassin versant, la position et la longueur du cours d'eau) et compromettent différemment l'analyse du terrain secondaire.

Toutes les méthodes de correction hydrologique ont amélioré avec succès le calcul du bassin versant, de la position et de la longueur du cours d'eau par rapport à l'utilisation du MNT sans aucune modification, mais elles ont toutes augmenté la pente du bassin versant. Aucune méthode unique n'est la plus performante dans toutes les catégories. Différentes méthodes de correction hydrologique ont modifié l'altitude et la pente dans différents modèles spatiaux et grandeurs, compromettant la capacité de dériver les paramètres du bassin versant et d'effectuer une analyse de terrain secondaire à partir d'un seul DEM. La modification d'un MNA pour mieux refléter l'hydrologie connue peut être utile, mais la connaissance de l'ampleur et de la configuration spatiale des changements est nécessaire avant d'utiliser un MNA pour des analyses ultérieures.


3 Échelles spatiales et détermination de la classe d'altitude

Pour examiner la géomorphologie locale au sein de chaque bassin, nous développons une échelle spatiale caractéristique basée sur l'élévation du terrain. Nous proposons que les classes d'altitude donnent une indication de la façon dont le paysage est auto-organisé et fournissent une échelle naturelle pour observer les interactions du climat et de la topographie au sein de chaque bassin. Ces classes sont utilisées comme échelle spatiale représentative à laquelle nous exécutons le modèle physico-statistique. Pour déterminer la plage des classes d'élévation pour chacun des six bassins affichés à la figure 1, nous créons d'abord des histogrammes des élévations de sortie pour les ruisseaux Strahler de premier ordre. Celles-ci sont toutes regroupées par intervalles de 10 m car c'est la précision des données topographiques. Les classes d'élévation sont déterminées en isolant des modes distincts dans la distribution des exutoires de premier ordre (Figure 2). La plage d'élévation associée à chaque classe d'élévation a été déterminée en identifiant les élévations des intervalles de fréquence la plus basse de chaque côté des pics. Le critère pour déterminer les divisions de classe est qu'un minimum doit être inférieur de 25 % au maximum précédent, sinon il s'agit d'un minimum local et non utilisé comme division de classe. La continuité locale dans le paysage lors de la détermination des classes d'élévation est également requise. Comme de nombreux bassins présentent des régions avec des changements d'altitude rapides, les limites d'altitude de chaque bande ont été perturbées pour imposer des transitions continues entre les classes d'altitude, c'est-à-dire, n'importe où dans le bassin (sauf à la limite), la classe d'altitude Oui est toujours entre les cours Oui − 1 et Oui + 1 (Figure 3). Nous émettons l'hypothèse que chaque classe d'altitude marque une région distincte de comportement hydrogéomorphique. Les intervalles spécifiques pour les divisions des classes d'altitude déterminées pour les six bassins versants sont fournis à la figure 3. Les résultats du modèle physico-statistique présenté à la section 7 confirment que ces délimitations indépendantes des classes d'altitude sont bien représentatives de la physique dominante.


Contenu

La contamination des sols par les éléments lourds peut être trouvée dans les environnements urbains, ce qui peut être attribué aux transports et aux industries ainsi qu'aux niveaux de fond (les minéraux lessivant les éléments lourds dus aux intempéries). En outre, certaines des zones les plus contaminées se trouvent autour des mines, comme celles de Slovénie, de Bosnie-Herzégovine et des États-Unis (Sulphur Bank Superfund Site, en Californie). [5] [6] [7] Dans une zone d'étude, le SIG est utilisé pour l'analyse de la relation spatiale des contaminants dans le sol.

Contamination des sols en Slovénie Modifier

À Idrija, en Slovénie, où la deuxième plus grande mine de mercure (Hg) au monde est exploitée, une quantité importante d'émissions de Hg dans l'atmosphère est due à un processus superficiel d'adsorption de Hg depuis et vers les surfaces des particules de sol, ce qui entraîne une diffusion de Hg à travers le pores du sol. [8] Pour calculer le flux d'émission de Hg, un modèle d'émission de Hg a été développé :

dans lequel le FHg est le flux d'émission de Hg, Eune est l'énergie d'activation, R est la constante des gaz, Ts est la température du sol, n et m sont des constantes, [Hg]s est la concentration de Hg, et 0,003* Rz tient compte du rayonnement solaire puisque le rayonnement solaire a un effet sur la température, donc le rayonnement solaire a un effet sur le flux d'émission de Hg. [9] Une fois les données de concentration de Hg recueillies, un modèle schématique a été préparé pour l'entrée SIG, qui consistait en un modèle numérique d'élévation (DEM), une carte satellite d'utilisation des terres et des données EARS. [10] [11] [12] [13] En utilisant la méthode de pondération par distance inverse (IDW) des outils géostatistiques dans ArcGIS 9.3, un modèle raster de la concentration de Hg a été produit pour la région d'Idrija. [14] [15] [16] [17]

Sous certains paramètres hydrologiques, certains aquifères sont plus sujets à la contamination que d'autres aquifères. Les paramètres pris en compte lors du calcul de la vulnérabilité des aquifères à la contamination sont : la profondeur de l'eau (facteur d), la recharge nette (facteur r), le milieu aquifère (facteur a), le milieu du sol (facteur s), la topographie (facteur t ), l'impact de la zone vadose (facteur i) et la conductivité hydraulique (facteur c), qui ensemble définissent DRASTIQUE. [18] [19] De plus, il existe un facteur de pondération associé à chacun des paramètres qui peut aller de un à cinq. De plus, plus les chiffres de l'indice DRASTIC sont faibles après l'évaluation de l'aquifère, plus le risque de contamination de l'aquifère dans cette zone est faible. [20] Ces sept paramètres dérivent le score d'indice récapitulatif DRASTIC, qui détermine ceux qui sont plus sujets à la contamination que les autres. L'importance du score de l'indice récapitulatif DRASTIC est qu'il montre les zones qui sont plus sujettes à ce résultat, l'État ou les autorités locales, en fonction de l'échelle, mettront en place les mesures nécessaires pour prévenir ou atténuer la contamination de l'approvisionnement en eau. À l'aide du SIG, une carte a été développée pour les sept comtés (Hillsborough, Polk, Manatee, Hardee, Sarasota, DeSoto et Charlotte) en Floride, qui montre le score d'indice récapitulatif DRASTIC pour le système aquifère de Floride, le système aquifère superficiel et d'autres roches aquifère. La carte développée est une combinaison de plusieurs couches empilées les unes sur les autres, comme indiqué dans Figure 1.

Figure 1: Il s'agit de l'indice récapitulatif DRASTIC pour l'ouest de la Floride, et le bleu est la zone la moins vulnérable de l'aquifère et le rouge serait la plus grande vulnérabilité.


Application du processus de hiérarchie analytique et du SIG pour la cartographie du potentiel écotouristique dans le district de Kullu, Himachal Pradesh, Inde

Le but de cette étude est d'identifier un site écotouristique potentiel à l'aide d'un processus de hiérarchie analytique (AHP) et d'un système d'information géographique (SIG) dans le district de Kullu, Himachal Pradesh, Inde. Pour cette analyse, 13 éléments tels que la pente, la rugosité topographique, la végétation, l'accessibilité aux eaux de surface, l'altitude, la zone protégée, le climat, la visibilité, la proximité de la route, la proximité du village, le sol, les eaux souterraines et la géologie ont été pris en considération. Les données et informations spatiales requises ont été recueillies à partir d'images satellitaires et de cartes disponibles. L'AHP est largement utilisé pour fournir des critères et un poids de classe, et le SIG est utilisé efficacement pour l'identification de la zone appropriée pour l'écotourisme. Le résultat révèle le fait que sur le total des terres géographiques du district, 41% de la superficie est considérée comme une zone appropriée élevée à très élevée pour le développement de sites écotouristiques.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Les références

ADNKS (2017) Système d'enregistrement de la population basé sur l'adresse. Statistiques démographiques. https://adres.nvi.gov.tr/Home. Consulté le 26 juin 2018

Akbulak C (2010) Analitik hiyerarşi süreci ve coğrafi bilgi sistemleri ile Yukarı Kara Menderes Havzası’nın arazi kullanımı uygunluk analizi. Uluslararası İnsan Bilimleri Dergisi 7(2):557-576

Akıncı H, Özalp AY, Turgut B (2013) Analyse de l'adéquation de l'utilisation des terres agricoles à l'aide de la technique SIG et AHP. Calcul Electron Agric 97:71-82

Al-Shalabi MA, Mansor SB, Ahmed NB, Shiriff R (2006) GIS based multicriteria approaches to housing site suitability assessment. In: XXIII FIG congress, October 8–13, Germany

Altınbaş Ü (2006) Toprak etüd ve haritalama. Ege Üniversitesi Basımevi, Bornova

Al-Yahyai S, Charabi Y, Gastli A, Al-Badi A (2012) Wind farm land suitability indexing using multi-criteria analysis. Renew Energy 44:80–87

Asakereh A, Soleymani M, Sheikhdavoodi MJ (2017) A GIS-based fuzzy-AHP method for the evaluation of solar farms locations: case study in Khuzestan province, Iran. Sol Energy 155:342–353

Ashraf MI, Zhao Z, Bourque CPA, Meng FR (2012) GIS-evaluation of two slope-calculation methods regarding their suitability in slope analysis using high-precision LiDAR digital elevation models. Hydrol Process 26(8):1119–1133

Bale CL, Williams JB, Charley JL (1998) The impact of aspect on forest structure and floristics in some Eastern Australian sites. For Ecol Manag 110(1–3):363–377

Bandyopadhyay S, Jaiswal RK, Hegde VS, Jayaraman V (2009) Assessment of land suitability potentials for agriculture using a remote sensing and GIS based approach. Int J Remote Sens 30(4):879–895

Barakat A, Ennaji W, El Jazouli A, Amediaz R, Touhami F (2017) Multivariate analysis and GIS-based soil suitability diagnosis for sustainable intensive agriculture in Beni-Moussa irrigated subperimeter (Tadla plain, Morocco). Model Earth Syst Environ 3(1):3

Barral MP, Oscar MN (2012) Land-use planning based on ecosystem service assessment: a case study in the Southeast Pampas of Argentina. Agr Ecosyst Environ 154:34–43

Bojorquez-Tapia LA, Diaz-Mondragon S, Ezcurra E (2000) GIS-based approach for participatory decision making and land suitability assessment. Int J Geogr Inf Sci 15(2):129–151

Brans JP, Vincke P (1985) Note—a preference ranking organisation method: (the PROMETHEE method for multiple criteria decision-making). Manag Sci 31:647–656

Burrough PA, McDonnell RA (1998) Creating continuous surfaces from point data. In: Principles of geographic information systems. Oxford University Press, Oxford

Cengiz T, Akbulak C (2009) Application of analytical hierarchy process and geographic information systems in land-use suitability evaluation: a case study of Dümrek village (Çanakkale, Turkey). Int J Sustain Dev World Ecol 16(4):286–294

Cengiz T, Akbulak C, Özcan H, Baytekin H (2013) Gökçeada’da optimal arazi kullanımının belirlenmesi. Tarım Bilimleri Dergisi 19:148–162

Chandio IA, Matori AN, Yusof K, Talpur MH, Aminu M (2014) GIS-based land suitability analysis of sustainable hillside development. Procedia Eng 77:87–94

Chen CT (2000) Extensions of the TOPSIS for group decision-making under fuzzy environment. Fuzzy Sets Syst 114(1):1–9

Chen J (2007) Rapid urbanization in China: a real challenge to soil protection and food security. CATENA 69(1):1–15

Chen Y, Khan S, Paydar Z (2010) To retire or expand? A fuzzy GIS-based spatial multi-criteria evaluation framework for irrigated agriculture. Irrig Drain 59(2):174–188

CLC-Corine Land Cover (2012) European Environment Agency. www.eea.europa.eu

Collins MG, Steiner FR, Rushman MJ (2001) Land-use suitability analysis in the United States: historical development and promising technological achievements. Environ Manag 28(5):611–621

Dedeoğlu M, Dengiz O (2019) Generating of land suitability index for wheat with hybrid system aproach using AHP and GIS. Comput Electron Agric 167:105062

Dezert J, Tacnet JM, Batton-Hubert M. Smarandache F (2010) Multi-criteria decision making based on DSmT-AHP. In BELIEF: workshop on the theory of belief functions. Belief Functions and Applications Society (BFAS)

Dinç U, Şenol S (1997) Toprak etüd ve haritalama. ÇÜ Ziraat Fakültesi Genel Yayın (161)

Driessen PM, Konijn NT (1992) Land-use systems analysis. WAU and Interdisciplinary Research (INRES)

Dunn M, Hickey R (1998) The effect of slope algorithms on slope estimates within a GIS. Cartography 27(1):9–15

Elaalem M, Comber A, Fisher P (2011) A comparison of fuzzy AHP and ideal point methods for evaluating land suitability. Trans GIS 15(3):329–346

Ennaji W, Barakat A, El Baghdadi M, Oumenskou H, Aadraoui M, Karroum LA, Hilali A (2018) GIS-based multi-criteria land suitability analysis for sustainable agriculture in the northeast area of Tadla plain (Morocco). J Earth Syst Sci 127(6):79

Everest T (2017) Assessment of land use efficiency in Ezine district of Çanakkale. Turk J Argic Res 4(2):109–123

Everest T, Akbulak C, Özcan H (2011) Arazi kullanım etkinliğinin değerlendirilmesi: Edirne ili Havsa ilçesi örneği. Anadolu Tarım Bilimleri Dergisi 26(3):251–257

FAO (1977) A framework for land evaluation. Int Inst Land Reclam Improv 22:87

FAO (1989) Guidelines for land use planning. Interdepartmental working group on land planning. FAO, Rome

Feizizadeh B, Blaschke T (2013) Land suitability analysis for Tabriz County, Iran: a multi-criteria evaluation approach using GIS. J Environ Plan Manag 56(1):1–23

Gabet EJ, Mudd SM (2009) A theoretical model coupling chemical weathering rates with denudation rates. Geology 37(2):151–154

Goulden T, Hopkinson C, Jamieson R, Sterling S (2016) Sensitivity of DEM, slope, aspect and watershed attributes to LiDAR measurement uncertainty. Remote Sens Environ 179:23–35

Habibie MI, Noguchi R, Shusuke M, Ahamed T (2019) Land suitability analysis for maize production in Indonesia using satellite remote sensing and GIS-based multicriteria decision support system. GeoJournal 1–31

Hashemizadeh A, Ju Y, Dong P (2019) A combined geographical information system and best–worst method approach for site selection for photovoltaic power plant projects. Int J Environ Sci Technol 1–16

Hobbs JE (2020) Food supply chains during the COVID‐19 pandemic. Can J Agric Econ/Revue canadienne d’agroeconomie

Horn BK (1981) Hill shading and the reflectance map. Proc IEEE 69(1):14–47

Kapluhan E (2013) Türkiye’de Kuraklık ve Kuraklığın Tarıma Etkisi. Marmara Coğrafya Dergisi 27:487–510

Kazemi H, Akinci H (2018) A land use suitability model for rainfed farming by multi-criteria decision-making analysis (MCDA) and geographic information system (GIS). Ecol Eng 116:1–6

Kerr WA (2020) The COVID-19 pandemic and agriculture: short- and long-run implications for international trade relations. Can J Agr Econ. https://doi.org/10.1111/cjag.12230

KHGM (1999) T. C. Prime Ministry Services of the General Directorate of Village Services, provincial report (Çanakkale) no: 17, Ankara

Kinnell PIA (2000) The effect of slope length on sediment concentrations associated with side-slope erosion. Soil Sci Soc Am J 64(3):1004–1008

Kuria D, Ngari D, Waithaka E (2011) Using geographic information systems (GIS) to determine land suitability for rice crop growing in the Tana delta. J Geogr Reg Plan 4(9):525–532

Li G, Messina JP, Peter BG, Snapp SS (2017) Mapping land suitability for agriculture in Malawi. Land Degrad Dev 28(7):2001–2016

Maddahi Z, Jalalian A, Zarkesh MMK, Honarjo N (2017) Land suitability analysis for rice cultivation using a GIS-based fuzzy multi-criteria decision making approach: central part of Amol district, Iran. Soil Water Res 12:29–38

Malckzewski J, Ogryczak W (1995) The multiple criteria location problem: 1. A generalized network model and the set of efficient solutions. Environ Plan 27:1931–1960

Malczewski J (2004) GIS-based land-use suitability analysis: a critical overview. Prog Plan 62(1):3–65

Mesgaran MB, Madani K, Hashemi H, Azadi P (2017) Iran’s land suitability for agriculture. Sci Rep 7(1):7670

Meyer MD, North MP, Gray AN, Zald HS (2007) Influence of soil thickness on stand characteristics in a Sierra Nevada mixed-conifer forest. Plant Soil 294(1–2):113–123

Mohammadizadeh MJ, Karbassi AR, Nabi Bidhendi GR, Abbaspour M (2016) Integrated environmental management model of air pollution control by hybrid model of DPSIR and FAHP. Glob J Environ Sci Manag 2(4):381–388

Mokarram M, Aminzadeh F (2010) GIS-based multicriteria land suitability evaluation using ordered weight averaging with fuzzy quantifier: a case study in Shavur Plain, Iran. Int Arch Photogramm Remote Sens Spat Inf Sci 38(2):508–512

Mokarram M, Mirsoleimani A (2018) Using fuzzy-AHP and order weight average (OWA) methods for land suitability determination for citrus cultivation in ArcGIS (case study: Fars province Iran). Phys A Stat Mech Appl 508:506–518

Montgomery DR (2007) Soil erosion and agricultural sustainability. Proc Natl Acad Sci 104(33):13268–13272

Mora-Arroyo JP, Sánchez-Azofeifa GA, Rivard B, Calvo JC, Janzen DH (2005) Dynamics in landscape structure and composition for the Chorotega region, Costa Rica from 1960 to 2000. Agric Ecosyst Environ 106(1):27–39

MTA (2018) General directorate of mineral research and exploration. Geology of Turkey. http://yerbilimleri.mta.gov.tr/anasayfa.aspx. Accessed 30 June 2018

Mustafa AA, Singh M, Sahoo RN, Ahmed N, Khanna M, Sarangi A, Mishra AK (2011) Land suitability analysis for different crops: a multi criteria decision making approach using remote sensing and GIS. Researcher 3(12):61–84

Özcan H (2015) Storie index ve arazi derecelendirme sistemi. Toprak etüt ve haritalama el kitabı. Gıda, Tarım ve Hayvancılık Bakanlığı, Tarım Reformu Genel Müdürlüğü, pp 509–547

Özcan T, Çelebi N, Esnaf Ş (2011) Comparative analysis of multi-criteria decision making methodologies and implementation of a warehouse location selection problem. Expert Syst Appl 38(8):9773–9779

Özcan H, Aydemir S, Çullu MA, Günal H, Eren M, Kadir S, Ekinci H, Everest T, Sungur A, FitzPatrick EA (2018) Vertisols. In: The soils of Turkey. Springer, Cham, pp 169–206

Ozdemir MS, Saaty TL (2006) The unknown in decision making: what to do about it. Eur J Oper Res 174(1):349–359

Özkan K, Kantarci MD (2008) Beysehir golu havzasi’nin orman yetisme ortami alt bolgeleri ve yoreleri gruplari. Fac For J 2:123–135

Özyazıcı MA, Dengiz O, Sağlam M, Turan İD (2016) Determination of land suitability site for some forage legumes using multi-criteria assessment and geostatistical approach. PONTE Int Sci Res J 72:3

Parlak M (2012) Determination of soil erosion over different land uses by mini rainfall simulator. J Food Agric Environ 10(3–4):929–933

Parry JA, Ganaie SA, Bhat MS (2018) GIS based land suitability analysis using AHP model for urban services planning in Srinagar and Jammu urban centers of J&K, India. J Urban Manag 7:46–56

Pimentel D, Harvey C, Resosudarmo P, Sinclair K, Kurz D, McNair M, Blair R (1995) Environmental and economic costs of soil erosion and conservation benefits. Science 267(5201):1117–1123

Poudel PB, Poudel MR, Gautam A, Phuyal S, Tiwari CK, Bashyal N, Bashyal S (2020) COVID-19 and its global impact on food and agriculture. J Biol Today’s World 9(5):221

Qiu L, Zhu J, Pan Y, Hu W, Amable GS (2017) Multi-criteria land use suitability analysis for livestock development planning in Hangzhou metropolitan area, China. J Clean Prod 161:1011–1019

Richards BK, Stoof CR, Cary IJ, Woodbury PB (2014) Reporting on marginal lands for bioenergy feedstock production: a modest proposal. BioEnergy Res 7(3):1060–1062

Ricketts T, Imhoff M (2003) Biodiversity, urban areas, and agriculture: locating priority ecoregions for conservation. Conserv Ecol 8(2):1

Saaty TL (1980) The analytic hierarchy process: planning, priority setting, resources allocation. McGraw, New York, p 281

Selby MJ (1976) Slope erosion due to extreme rainfall: a case study from New Zealand. Geogr Ann Ser A Phys Geogr 58(3):131–138

Sharma R, Kamble SS, Gunasekaran A (2018) Big GIS analytics framework for agriculture supply chains: a literature review identifying the current trends and future perspectives. Comput Electron Agric 155:103–120

Siche R (2020) What is the impact of COVID-19 disease on agriculture? Sci Agropecu 11(1):3–6

Steinitz C (1976) Hand-drawn overlays: their history and prospective uses. Landsc Archit 66:444–455

Tercan E, Dereli MA (2020) Development of a land suitability model for citrus cultivation using GIS and multi-criteria assessment techniques in Antalya province of Turkey. Ecol Ind 117:106549

Thornthwaite CW (1948) An approach to a rational classification of climate. Geogr Rev 38:55–94

Travis MR, Elsner GH, Iverson WD, Johnson CG (1975) VIEWIT computation of seen areas, slope, and aspect for land use planning. Gen. Tech. Rep. PSW-GTR-11. Pacific Southwest Research Station, Forest Service, US Department of Agriculture, Berkeley, CA

Tzeng GH, Huang JJ (2011) Multiple attribute decision making: methods and applications. Chapman and Hall/CRC, London

Wachowiak MP, Walters DF, Kovacs JM, Wachowiak-Smolíková R, James AL (2017) Visual analytics and remote sensing imagery to support community-based research for precision agriculture in emerging areas. Comput Electron Agric 143:149–164

WRB (2014) World reference base for soil resources 2014 international soil classification system for naming soils and creating legends for soil maps. FAO, Rome

Yimer F, Ledin S, Abdelkadir A (2006) Soil property variations in relation to topographic aspect and vegetation community in the south-eastern highlands of Ethiopia. For Ecol Manag 232(1–3):90–99

Zevenbergen LW, Thorne CR (1987) Quantitative analysis of land surface topography. Earth Surf Proc Land 12(1):47–56

Zhang J, Su Y, Wu J, Liang H (2015) GIS based land suitability assessment for tobacco production using AHP and fuzzy set in Shandong province of China. Comput Electron Agric 114:202–211

Zolekar RB (2018) Integrative approach of RS and GIS in characterization of land suitability for agriculture: a case study of Darna catchment. Arab J Geosci 11(24):780

Zolekar RB, Bhagat VS (2015) Multi-criteria land suitability analysis for agriculture in hilly zone: remote sensing and GIS approach. Comput Electron Agric 118:300–321


Introduction

Given global warming and air-pollution induced by burning fossil fuels, utilizing renewable energies –such as solar energy- is indispensable in modern power networks. Solar energy as a clean, affordable, and sustainable source to generate electrical power is of great interest in arid and sim-arid regions. However, identifying the optimal location to benefit the maximum potential of solar energy is a big challenge.

There is a wide range of research papers that have attempted to extract the optimum location in multi-criteria decision-making (MCD) problems. For instance, voltage deviation and power loss 1,2,3 have been chosen as a cost function and optimum location for generators that are used renewable energies have been identified. In such problems, the main objective is to maintain the power system at a proper operating level. Hence, in such problems, the researchers are facing an optimization problem and finding the optimum cost function value and maintaining technical constraints at a proper level is indispensable. As it is obvious, the cost function in these problems is known and explicit, however, the main question is that what is the proper method when we are encountering with an MCD problem? In MCD problems, the main objective is to extract the proper weights for each input layer.

To reach this goal, the geographical information system (GIS) techniques can be used to determine the optimal location for solar PV farms spatially 4 . Considering geographical, topographical and soil data, Xu et al. 5 have determined potential locations for constructing coal-fired power plant sites using GIS. However, they considered only one sample point for each polygon while, each parameter can vary in all geographical directions. GIS-based methods have been effectively used in different aspects of energy domain including renewable energy 6,7,8,9 , planning infrastructure projects 10,11 , energy demand estimation 12,13 , energy consumption modeling 14,15 , site planning of renewable energy powerplants 16,17 and visual impact assessment 18,19 .

Anwarzai et al. 20 utilized a multi-criteria decision analysis in GIS (GIS-MCD) to identify wind and solar energy capacities. Sarmiento et al. 21 used a decision support tool to determine the solar radiation amount in Salta province, Argentina. Alavipoor et al. 22 considered climatic parameters such as the number of dusty days, relative humidity, and topography parameters (slope and elevation) as input data in GIS to prepare maps showing appropriate sites for solar PV farms 22 .

GIS-based techniques can also be utilized to investigate the spatial variability of solar energy 23,24,25,26 . Wang et al. 27 utilized satellite images with different spatial resolutions to determine the optimal location for constructing a nuclear power plant. Their results revealed the capability of Landsat-8 in comparison with other satellite imagery data. Although Wang et al. 27 utilized red infrared to obtain more accurate results, they only considered a single parameter (temperature) to monitor the thermal plume of the nuclear power plant. Whereas, spatial data such as topography and climatic parameters are necessary to obtain more accurate results. Asakereh et al. 28 have used a combination of fuzzy and AHP methods to determine an appropriate location for solar PV farms. Mierzwiak and Calka 29 used a multi-criteria analysis to determine a suitable location for solar PV farms. Also, Idris and Abd Latif 30 have used GIS multi-criteria decision-making systems to determine suitable areas for establishing power plants in Pahang, Raub. They have deployed fuzzy_AHP for allocating weights to different layers to produce a suitability map without considering the confidence level in their computations. Moreover, TOPSIS, AHP, and fuzzy methods can also be utilized to determine the optimal location in MCD problems 31,32 . In addition, Karimi et al. 33 have considered some parameters such as land slope, elevation, distance from roads, distance from water resources, distance to faults, distance to rural regions, and land use to obtain optimum solution spatially. However, climatic factors that have a great impact on obtaining an optimum site for solar farms have not been investigated.

One of the main limitations associated with fuzzy_AHP or MCD systems is that these methods are not able to consider the uncertainty of model inputs into account. Despite the merits claimed in the literature, the methods used in the previous studies are able to produce a single suitability map without considering the uncertainty or confidence interval of produced results. Various climatic and socio-economic parameters need to be taken into account to determine suitable sites for constructing solar PV farms. As data related to each parameter might be obtained with different accuracy and different confidence level, the uncertainty of produced maps locating suitable sites for constructing PV farms needs to be taken into account. In fact, generating the suitability maps with a known confidence level would benefit management practices and decision-makers to select a specific site for constructing PV farms commensurate with their social and economic restrictions. In this case, the Dempster-Shafer (DS) theory, which is a generalized form of the Bayesian theory, proposes a set of principles to combine data from various sources to determine the uncertainty of input data 34 .

This study proposes a new framework combining the DS theory with a fuzzy system to identify the optimum solar farm sites in the Fars province, Iran. In the first step, a fuzzy system is used to homogenize the data from different input parameters, and in the second stage, the fuzzy outputs are introduced to AHP and DS systems. Finally, the accuracy of the generated map using the fuzzy_AHP (without considering the confidence level) will be compared with the generated maps using the fuzzy_DS method with confidence levels of 95%, 99%, and 99.5%, and capabilities of these two methods will be evaluated.

The contributions are this paper are summarized as follows:

This study proposes a new framework combining the DS theory and fuzzy system that incorporates a probabilistic uncertainty model to determine the uncertainty of the decision system and is able to generate suitability maps with desired confidence levels. According to the best author knowledge, in the power engineering system, this is the first study that considers the uncertainty of different sources in generating maps with different confidence levels showing the suitability of different areas for the construction of solar PV farms.

All input data is acquired in a real scenario, Fars province, Iran.

In this paper, different risk levels are investigated such that the operator will be able to select the proper output according to the available budget, load profile, etc.

In order to overcome burden time and boost solving procedure, a 4-pixel × 4-pixel windows is utilized.

Finally, to validate the fuzzy_DS method capability, its results are compared with those obtained by the fuzzy_AHP method.


Acknowledgments

I gratefully acknowledge J. Weiss for statistical help and E. Fridley for field assistance K. Woods, J. Mayer, and M. Clauser for providing additional field help K. Langdon, J. Renfro, and GSMNP park staff for providing logistical support and T. Jobe, P. White, and T. Lookingbill for providing thoughtful discussion. This study was supported by the National Parks Ecological Research Fellowship program, a partnership between the National Park Service (NPS), the Ecological Society of America, and the National Park Foundation, and funded through a generous grant from the Andrew W. Mellon Foundation.


Voir la vidéo: Change Projection - Coordinate System in ArcMap (Octobre 2021).