Suite

Comment diviser un raster en x tuiles qui se chevauchent de x km ?


J'ai un raster que je divise en trois tuiles en utilisant la fonctionScinder le rasterdans ArcMap comme suit :

Comment puis-je diviser mon raster en trois tuiles qui se chevauchent de 2 km comme suit : ?


Le paquetage raster R a divisé l'image en multiples

J'ai une image comme ci-dessous. Il fait 2579*2388 pixels. Supposons que son coin inférieur gauche est à 0,0. À partir de cette image, je souhaite créer plusieurs images comme suit et les enregistrer dans le dossier de travail. Chaque image aura une taille de 100*100 pixels. Chaque image sera enregistrée par ses coordonnées en bas à gauche.

  1. la première image aura son coin inférieur gauche à 0,0. Le coin supérieur droit sera à 100 100 et l'image sera enregistrée sous le nom 0-0.jpg
  2. seconde aura son coin inférieur gauche à 10,0. Le coin supérieur droit sera à 110 100 et l'image sera enregistrée sous le nom 10-0.jpg
  3. Une fois la ligne du bas complétée, la coordonnée Y se déplacera de 10. Dans le cas de la deuxième ligne, la première image sera à 0,10 et cette image sera enregistrée sous le nom 0-10.jpg

quel est le moyen le plus rapide de le faire? existe-t-il un package R qui pourrait le faire très rapidement ?

Je comprends que dans le cas de l'image actuelle, il la divisera en environ 257*238 images. Mais j'ai suffisamment d'espace disque et j'ai besoin de chaque image pour effectuer une détection de texte.


Vue d'ensemble du jeu d'outils Ortho Mapping

L'ensemble d'outils Ortho Mapping comprend des outils qui vous permettent de créer une mosaïque d'images orthorectifiées à partir d'images de télédétection allant d'images satellite décrites par le modèle RPC (Rational Polynomial Coefficients) et d'images aériennes, y compris des images UAV ou UAS.

Le tableau suivant répertorie les outils disponibles dans le jeu d'outils Ortho Mapping et fournit une brève description de chacun.

Analyse la couverture des points de contrôle et identifie les zones nécessitant des points de contrôle supplémentaires pour améliorer le résultat de l'ajustement de bloc.

Combine les points de contrôle à une table de points de contrôle existante.

Applique les ajustements géographiques aux éléments de la mosaïque. Cet outil utilise le fichier de solution de l'outil Calculer les ajustements de bloc.

Crée un modèle stéréo d'une mosaïque, basé sur une paire stéréo fournie par l'utilisateur.

Cet outil est utilisé pour calculer les ajustements de la mosaïque. Cet outil créera un tableau de solutions qui peut être utilisé pour appliquer les ajustements réels.

Estime le modèle de caméra extérieure et le modèle de caméra intérieure à partir de l'en-tête EXIF ​​de l'image brute et affine les modèles de caméra. Le modèle est ensuite appliqué à la mosaïque avec la possibilité d'utiliser un modèle numérique de surface (DSM) haute résolution généré par un outil pour obtenir une meilleure orthorectification.

Calcule les points de contrôle entre la mosaïque et l'image de référence. Les points de contrôle peuvent ensuite être utilisés avec des points de rattachement pour calculer les ajustements de la mosaïque.

Calcule les points de rattachement entre les éléments de mosaïque superposés. Les points de rattachement peuvent ensuite être utilisés pour calculer les ajustements de la mosaïque.

Calcule les points 3D à partir de paires stéréo et génère un nuage de points sous la forme d'un ensemble de fichiers LAS.

Interpole un modèle numérique de terrain (DSM) ou un modèle numérique de surface (DSM) à partir d'un nuage de points, en utilisant l'une des méthodes d'interpolation fournies.


Contexte et résumé

L'hétérogénéité spatiale est un facteur important de complexité environnementale dans une région et influence la variation sous-régionale de (i) facteurs abiotiques tels que les micro/macro climats, la composition du sol, les processus dynamiques des systèmes hydrologiques et (ii) les facteurs biotiques tels que les espèces richesse et structure, complexité de la population, mouvement des animaux 1 . La topographie, mesurée par l'altitude et ses variables dérivées (par exemple, la pente et l'aspect), est essentielle pour caractériser l'hétérogénéité spatiale et l'environnement abiotique dans une zone donnée, entraînant par la suite des processus hydrologiques, géomorphologiques et biologiques 1,2. Par exemple, l'altitude a de nombreuses dépendances concernant la complexité topographique, les micro/macro climats ou la couverture terrestre, et peut être utilisée pour évaluer les modèles de biodiversité à travers le monde en reliant les occurrences d'espèces à des facteurs environnementaux 3,4. En plus d'utiliser l'élévation « brute » d'un modèle numérique d'élévation (MNE), une multitude de métriques topographiques peuvent être extraites du MNE pour mieux comprendre le contexte géographique physique et les propriétés paysagères d'une région d'étude 3,5. Par exemple, les courbures de la pente et du terrain (définies comme une mesure de la concavité et de la convexité, ou de la convergence et de la divergence) jouent un rôle important dans les réponses hydrologiques liées au bassin versant qui déterminent la direction de l'écoulement, la vitesse de ruissellement de l'eau, l'accumulation d'eau, l'érosion et l'humidité du sol. 6 . De même, la variation topographique influence fortement l'accumulation et l'hétérogénéité de la couverture neigeuse des montagnes/alpins 7 et la formation des glissements de terrain 8 . Tous ces facteurs régulent la disponibilité de l'eau dans le sol et influencent ainsi directement l'humidité de la végétation, ce qui constitue un élément important pour la modélisation des risques d'incendie de forêt 9 . Les attributs spécifiques du terrain peuvent également fournir des conditions importantes facilitant les mouvements et la migration des espèces mobiles telles que les oiseaux 10,11. De plus, les caractéristiques du terrain peuvent représenter des refuges vitaux pour les espèces sous le changement climatique 12 , une fonction qui varie probablement avec le grain spatial.

Traditionnellement, les DEM ont été dérivés de photographies aériennes avec stéréoscopie ou d'enquêtes au sol. Au cours des dernières décennies, les progrès de la technologie de télédétection ont contribué à la disponibilité de produits DEM avec différents grains spatiaux. Ces produits fournissent des informations maillées sur l'altitude de la surface terrestre, où les DEM à grains spatiaux fins (<10 m) dérivés de capteurs laser (par exemple, Light Detection and Ranging—LIDAR), et les DEMs sur des grains spatiaux moyens (10-100 m) à grossiers (>100 m) sont obtenus à partir de capteurs optiques (par exemple, le radiomètre spatial avancé d'émission et de réflexion thermiques—ASTER) et de capteurs radar (Shuttle Radar Topography Mission—SRTM) 13 . Outre un âge de couverture mondiale à grains spatiaux grossiers, des MNT nationaux et régionaux à grains fins sont également disponibles, tels que ArcticDEM (2 m), TanDEM-X (12 m), 3DEP (1 m), CDEM (25 m), AW3D (5 mètres). Néanmoins, ces DEM ne sont pas entièrement calibrés et leur extension locale ne permet pas une implémentation globale.

Les processus environnementaux et biologiques dépendent fortement du grain spatial des variables d'entrée 14,15. Par exemple, pour prédire avec succès les occurrences d'espèces à l'aide de modèles de distribution d'espèces, le grain spatial des variables environnementales doit correspondre et s'accorder avec la taille de l'échantillon et la précision des données spatiales, l'étendue des données sur les espèces, le mouvement et l'aire de dispersion, etc. des prédicteurs jusqu'à, par exemple, 50-100 km, peuvent être nécessaires pour faire correspondre des données d'atlas grossières, des informations de portée d'experts ou des enregistrements de points avec une incertitude spatiale élevée 16,17.

Une variété de DEM élaborés dans le cadre de différents projets sont actuellement disponibles et regroupés/listés sur http://worldgrids.org/doku.php/wiki:dem_sources. Cependant, le calcul et l'agrégation des variables dérivées de l'altitude à travers les grains spatiaux sont généralement effectués au cas par cas. Par conséquent, il manque un cadre cohérent et standardisé pour obtenir des variables topographiques à l'échelle de l'aire de répartition, alignées spatialement et prêtes à l'emploi à différents grains spatiaux. Les DEM actuellement disponibles peuvent ne pas avoir la qualité requise pour de nombreuses applications. Par exemple, ASTER GDEM contient des artefacts et des valeurs aberrantes (c. Ces anomalies peuvent produire d'importantes erreurs d'élévation à des échelles locales et entraver l'utilisation d'ASTER GDEM pour des applications spécifiques. Les applications hydrologiques, par exemple, nécessitent des intrants standardisés de haute qualité pour dériver les propriétés des bassins versants qui sont, à leur tour, utilisées pour suivre les débits et la qualité de l'eau. De même, la délimitation des bassins versants, les fossés de drainage et le réseau de canaux reposent de plus en plus sur des données numériques provenant de MNT et de mesures topographiques dérivées plutôt que sur une interprétation manuelle ou visuelle à partir de photographies ou de données au sol. De plus, comme la topographie est l'un des principaux moteurs des régimes locaux de température et de précipitation, les couches topographiques (altitude et aspect en particulier) sont des entrées importantes dans de nombreuses couches climatiques (par exemple, WorldClim http://www.worldclim.org/). Des erreurs ou des inexactitudes dans les entrées peuvent se propager à travers les analyses et les ensembles de données dérivés. L'assemblage de données facilement disponibles et de haute qualité est donc utile dans de nombreux domaines. La couverture mondiale et la comparabilité entre les différentes régions sont particulièrement pertinentes pour de nombreuses applications. Ceci est souligné par des processus d'évaluation tels que ceux de la Plate-forme intergouvernementale pour la biodiversité et les services écosystémiques (IPBES) 19 , où la disponibilité et la comparabilité mondiales des données sont cruciales. La modélisation des distributions d'espèces dans le monde, comme ciblée dans des projets tels que Map of Life (https://www.mol.org 20 ), nécessite une riche pile d'informations environnementales mondiales, qui à ce jour, n'a été que partiellement développée en ce qui concerne terrain.

Pour pallier le manque de variables topographiques facilement disponibles à l'échelle mondiale, nous avons calculé une série de variables topographiques dérivées de l'altitude sur la base du jeu de données 21 de données d'altitude de terrain multi-résolution mondiales de 250 m (ci-après « GMTED »). À titre de comparaison, nous avons également calculé les variables les plus pertinentes à l'aide du jeu de données largement utilisé 90 m Shuttle Radar Topographic Mission 22,23 SRTM4.1dev 24,25 (ci-après « SRTM »). Nous avons rééchantillonné (c'est-à-dire agrégé) chaque métrique en grains spatiaux plus grossiers (1, 5, 10, 50, 100 km) en utilisant plusieurs approches d'agrégation spatiale pour caractériser l'hétérogénéité topographique globale (voir la session Variables topographiques agrégées).

Au total, nous avons calculé 15 variables continues qui caractérisent la forme du relief (élévation, pente, aspect sinus/cosinus, est, nord, rugosité, indice de rugosité du terrain, indice de position topographique, mesure vectorielle de rugosité, profil/courbure tangentielle, premier/ dérivée partielle du second ordre) et 1 variable catégorielle, décrivant dix grandes classes de relief. Les variables (Data Citation 1) sont prêtes à être utilisées comme données d'entrée dans divers modèles et analyses environnementaux, et nous fournissons le code pour calculer les variables spécifiées par l'utilisateur (par exemple, coefficient de variation, plage) sur des grains spatiaux personnalisés. Les couches nouvellement développées conviennent aux analyses environnementales à grande échelle et sont disponibles en téléchargement sur Data Citation 1 et en téléchargement et visualisation sur http://www.earthenv.org/topography.


5. Dessinez des cartes

Il est maintenant temps de dessiner nos cartes. Tout d'abord, réorganisons les types d'espaces verts de manière préférée, supprimons les traits de soulignement et capitalisons.

Carte statique avec ggplot2 (et ggmap, ggspatial)

Nous utiliserons le ggmap bibliothèque pour télécharger un fond raster pour notre carte. Stamen Maps fournit une carte propre sans trop de couleurs ou d'étiquettes. N'oubliez jamais de vérifier la licence et l'attribution requise ! Nous devrons utiliser le cadre de délimitation rectangulaire que nous avons obtenu au début du didacticiel pour télécharger le raster.

Nous pouvons maintenant tracer en utilisant ggplot2:

Ce tracé peut être enregistré sous forme de fichier en utilisant ggsave() :

Carte interactive avec tmap

Le tmap La bibliothèque nous permet de créer facilement des cartes interactives en utilisant une syntaxe de type ggplot.

Cela devrait produire la même carte interactive que celle que vous avez vue au début du didacticiel (elle apparaîtra dans l'onglet Viewer de RStudio). Pour enregistrer le tmap en tant que fichier .html :


Introduction

Le modèle raster est un modèle logique largement utilisé pour la représentation de données dans les Systèmes d'Information Géographique (SIG) [25], [31] et pour le stockage d'images en général. Il est principalement utilisé dans les SIG pour stocker des informations de variables continues, qui couvrent tout l'espace et pour lesquelles une valeur spécifique à chaque point de l'espace peut exister. Essentiellement, le modèle raster représente ces informations sous forme de matrices de valeurs. Une matrice est construite en divisant l'espace en cellules de taille fixe, de sorte que chaque cellule représente la valeur de la caractéristique spatiale dans la région correspondante. Les représentations d'images raster stockent la valeur de chaque pixel dans une cellule de la matrice.

Le modèle raster est fréquemment utilisé dans les SIG pour stocker des données liées à des phénomènes géographiques naturels tels que la température, la vitesse du vent, le niveau des précipitations, l'élévation des terres, la pression atmosphérique, etc. D'autres informations non liées à la nature, telles que l'utilisation des terres, peuvent également être utilisées. représenté par ce modèle. Le modèle alternatif, le modèle vectoriel, représente généralement des variables discrètes qui ont des limites bien définies, en utilisant une collection de points et de segments. C'est un bon ajustement pour la représentation d'informations liées aux constructions artificielles, aux rivières, aux limites des lacs et des forêts, etc., mais pas pour d'autres qui ne peuvent pas être décrites avec quelques points et lignes.

Dans cet article, nous nous concentrons sur la représentation efficace des données raster. Comme indiqué précédemment, un raster est essentiellement une matrice, donc une représentation raster non compressée utiliserait beaucoup d'espace (par exemple, une image raster avec une résolution de seulement 0,5 km et une couverture mondiale nécessiterait une matrice de 80 000 × 40 000, ou environ 13 Go pour stocker un nombre entier par cellule, les images raster haute résolution modernes peuvent atteindre une résolution spatiale beaucoup plus élevée et nécessitent donc un espace de stockage beaucoup plus important). Pour cette raison, les représentations raster simples doivent généralement être stockées dans la mémoire secondaire. Des représentations raster compressées existent, mais elles sont principalement conçues pour réduire le stockage et ne fournissent pas un accès efficace. La plupart d'entre eux sont basés sur des techniques de compression bien connues telles que l'encodage de longueur d'exécution ou LZW [30]. Dans ces solutions compressées, l'espace requis devient beaucoup plus petit, en raison de la localité des jeux de données raster (continuité spatiale) : les cellules proches ont tendance à avoir des valeurs similaires. Cependant, dans la plupart d'entre eux, le fichier complet, ou au moins de gros morceaux du fichier, doit être décompressé même pour afficher une petite région de l'espace. Une technique bien connue, appelée carrelage [28], divise le raster en tuiles plus petites et de taille fixe et compresse chaque tuile indépendamment, offrant un certain niveau d'accès direct et tirant parti de la localité des valeurs pour améliorer la compression. Par exemple, le format d'image TIFF et son extension pour l'information géographique GéoTIFF 1 prend en charge cette partition en tuiles avec différentes techniques de compression dont LZW. Néanmoins, les tuiles doivent être relativement grandes pour permettre la compression.

Lorsque les collections de données sont stockées par un SIG dans un format compressé, comme ceux que nous décrivons précédemment, certaines des tâches de traitement qui impliquent le raster complet peuvent être effectuées en décompressant simplement les données. Cependant, de nombreuses opérations bénéficieraient d'un accès direct aux régions (par exemple, pour afficher une carte locale), ou de la possibilité de trouver les cellules dont la valeur se situe dans une certaine plage. Un exemple classique en est la visualisation des bandes de pression ou de température [32], où le raster est filtré pour afficher de manière différente les cellules selon la plage de valeurs à laquelle elles appartiennent. Un autre exemple consiste à récupérer les régions d'un raster avec une altitude supérieure à un seuil donné, pour trouver des zones d'alerte neige, ou en dessous d'une valeur, pour trouver des régions à risque d'inondation [22]. Les représentations raster compressées régulières n'ont pas indexage capacités sur les valeurs stockées dans le raster qui seraient nécessaires pour répondre à ce type de requêtes. Par conséquent, ces représentations doivent parcourir le raster complet afin de renvoyer les cellules qui contiennent une valeur donnée, même lorsque les résultats peuvent être limités à un petit sous-ensemble de cellules.

Il existe plusieurs approches pour fournir un accès direct aux valeurs dans un jeu de données raster. Par exemple, nous pouvons considérer le raster comme une matrice tridimensionnelle et utiliser des solutions de géométrie computationnelle pour répondre à toute requête impliquant des plages spatiales ou des plages de valeurs au moyen de requêtes de rapport de plage [9]. Cependant, ces solutions nécessitent un espace superlinéaire et ne conviennent donc pas aux grands ensembles de données impliqués. D'autres représentations de données raster qui visent à une interrogation efficace sont généralement basées sur des quadtrees [14], en particulier des variantes du quadtree linéaire [15], une structure de données conçue à l'origine pour la mémoire secondaire. Il existe d'autres représentations quadtree [10], [20] qui peuvent fonctionner en mémoire interne, et elles sont très efficaces pour traiter des rasters complets, mais elles manquent généralement de capacités de requête pour accéder à des régions ou des cellules spécifiques avec des valeurs spécifiques. Une extension du quadtree à 3 dimensions, ou oct-tree [26], pourrait prendre en charge ces requêtes d'une manière similaire aux solutions de géométrie computationnelle. Cette structure ne nécessite pas d'espace superlinéaire, mais ne fournit pas non plus de compression.

Les structures de données compactes ont été un sujet de recherche très actif au cours des dernières décennies. Ils visent à représenter tout type d'informations (textes, permutations, arbres, graphiques, etc.) dans un espace compressé, tout en supportant des algorithmes de requête et de traitement capables de travailler sur la représentation compacte. Cela permet aux structures de données compactes d'améliorer l'efficacité des structures de données classiques, grâce à leur stockage dans les niveaux supérieurs de la hiérarchie mémoire. Cependant, en ce qui concerne les informations spatiales, et plus précisément, la représentation et l'interrogation des données raster, la plupart des travaux antérieurs basés sur des représentations compactes manquent de prise en charge avancée des requêtes [10], [21].

Une solution simple pour stocker des données raster à l'aide de structures de données compactes pourrait être obtenue en lisant le raster par ligne et en stockant la séquence de valeurs. Nous pourrions utiliser n'importe quelle représentation de séquence compressée [3], [16], [17] pour renvoyer efficacement les cellules avec une valeur donnée (ou une plage de valeurs [17], [24]), mais dans ce type d'approche restreignant le la recherche dans une plage spatiale devient difficile. De plus, ces représentations de séquences atteignent au mieux l'espace d'entropie d'ordre zéro de la séquence, et ce n'est pas une réduction d'espace significative dans de nombreux cas, car elle ne peut pas exploiter pleinement la localité spatiale des valeurs dans les données raster.

Dans cet article, nous proposons plusieurs structures de données compactes pour les données raster qui supportent efficacement différentes requêtes, en particulier celles combinant l'indexation spatiale (filtrage de cellules dans une fenêtre spatiale) avec des filtres sur les valeurs (récupération de cellules avec une valeur spécifique ou dans une plage de valeurs) . Nous nous appuyons sur des structures de données compactes existantes qui représentent des ensembles de points dans une sorte de quadtree linéaire compressé, et les mettons à niveau pour stocker et interroger efficacement les données raster sous différentes formes : images binaires simples, matrices raster générales et même données raster évoluant dans le temps. Nous testons expérimentalement nos propositions pour démontrer leur faible encombrement et leurs bonnes performances dans ces nouveaux domaines d'application. Notez que nos structures de données peuvent être conçues comme une représentation compacte pour tout type de matrice. Néanmoins, ils s'appuient sur la localité des valeurs pour réaliser la compression, nous concentrons donc notre évaluation sur les données raster qui affichent une continuité spatiale.


Modélisation hydrologique

TECHNOLOGIES DES SYSTÈMES D'INFORMATION

Les progrès de la technologie des micro-ordinateurs se sont accompagnés de développements logiciels qui promettent de révolutionner la modélisation hydrologique et de la qualité de l'eau. Trois de ces technologies sont les systèmes d'information géographique (SIG), les systèmes experts (ES) et les techniques de visualisation (VT).

Systèmes d'information géographique

Une caractéristique des modèles hydrologiques à paramètres distribués sophistiqués est la grande quantité de données spatialement orientées dont ils ont besoin. Le SIG est une technologie de manipulation de données spatiales ( Zhang et al., 1990a , b ). Des données de différents types sont collectées sous forme de couches. Les couches typiques peuvent être les sols, la topographie et l'utilisation des terres. La capacité d'extraire, de superposer et de délimiter les caractéristiques des terres rend le SIG parfaitement adapté à la délimitation de sous-zones hydrologiquement homogènes.

Un SIG complet comprend le matériel et les logiciels utilisés pour effectuer des analyses géographiques ainsi que les bases de données et les personnes qui utilisent le système pour atteindre un ensemble spécifique d'objectifs ( Brown, 1986 ). Un SIG aura, en général, un moyen d'encoder et de convertir des données orientées géographiquement (ou spatialement) et la capacité de récupérer et d'afficher les informations à travers une variété de supports, notamment des écrans d'ordinateur, des imprimantes et des traceurs.

Deux techniques de base de représentation des données spatiales sont utilisées. Le premier est un format vectoriel dans lequel l'unité de base des données est un seul vecteur ou une ligne de carte. Les vecteurs forment des polygones qui renferment des informations similaires dans une couche de données. Un deuxième modèle de données est un format raster composé de cellules ou de pixels. Le format raster est communément appelé système de cellules de grille. La figure 13.15 illustre la base d'un système SIG raster. La figure montre comment les couches de données sont converties en cellules ayant des valeurs d'attribut. Ces couches peuvent alors former la base de données requise pour l'entrée dans un modèle hydrologique ou elles peuvent être combinées par des techniques de superposition pour générer les données d'entrée.

Graphique 13.15 . Une représentation du SIG.

Un modèle hydrologique peut effectuer une analyse sur la base des données importées et exporter les résultats par cellule vers le SIG. Le SIG peut alors préparer des visuels ou des cartes de l'analyse hydrologique résultante. Zhang et al. (1990b) ont interfacé un modèle de transport chimique dans la zone racinaire avec un SIG pour produire des cartes montrant la probabilité que le produit chimique appliqué dépasse la limite d'avis sanitaire de l'Environmental Protection Agency des États-Unis à une profondeur de 1 m.

La plupart des SIG sont des gestionnaires de données et ne contiennent pas eux-mêmes de capacité de modélisation hydrologique. Les modèles hydrologiques doivent être interfacés avec le SIG. Le SIG gère les données du modèle. Le modèle fournit à son tour au SIG les résultats d'une analyse qui peut être transformée en une couche SIG et cartographiée de diverses manières.

Les applications SIG se développeront rapidement au cours des prochaines années à mesure que les bases de données deviendront plus facilement disponibles et que les concepts et les logiciels seront mieux compris.

Systèmes experts

Les systèmes experts sont un sous-ensemble de « l'intelligence artificielle ». Les SE sont des logiciels informatiques qui offrent des conseils à l'utilisateur du logiciel en fonction de son propre stock de connaissances et de la réponse des utilisateurs à un certain nombre de règles ou de questions si-alors. ES obtiennent leurs connaissances des développeurs du logiciel et des utilisateurs du logiciel. Certains SE ont une capacité d'apprentissage dans la mesure où ils accumulent des connaissances en réponse à l'expérience de leurs utilisateurs.

Les SE sont potentiellement utiles dans la modélisation hydrologique et de la qualité de l'eau comme moyen de sélectionner des approches de modélisation appropriées basées sur les données disponibles et d'estimer les valeurs appropriées pour les paramètres du modèle. Les SE, lorsqu'ils sont correctement formulés et utilisés, permettent à un novice de prendre des décisions de modélisation similaires à celles d'un expert en modélisation. Pour que cela se produise, le logiciel composant l'ES doit avoir capturé en son sein des connaissances d'experts. Souvent, ces connaissances sont acquises en interrogeant des experts et en codant leurs réponses aux questions clés sous une forme qui capture les connaissances requises. Les meilleurs ES sont basés sur les connaissances de plus d'un expert.

ES ou tout autre outil de modélisation ne doit pas être totalement invoqué. L'utilisateur de tout modèle, y compris ceux contenant des ES, a la responsabilité ultime de s'assurer que la modélisation est effectuée correctement en utilisant les paramètres de modèle appropriés.

Technologie de visualisation

La technologie de visualisation est l'utilisation d'infographies pour améliorer la compréhension des résultats générés par ordinateur. Les météorologues télévisuels font bon usage de la technologie de visualisation lorsqu'ils montrent des systèmes de tempête balayant le pays et utilisent cette impression visuelle pour expliquer les prévisions météorologiques. De même, des techniques qui montreront le mouvement détaillé d'une violente tempête à travers un bassin versant ainsi que les élévations de débit de crue prévues et l'étendue de la zone d'inondation le long des cours d'eau drainant le bassin sont en cours de développement.

La technologie de visualisation englobera les modèles SIG et hydrologiques ainsi qu'un traitement parallèle à grande vitesse pour générer par ordinateur les informations graphiques requises. Cette technologie sera utile dans les centres de prévision des crues et pour expliquer les plans opérationnels d'urgence aux citoyens. Cela peut également aider à montrer aux citoyens l'étendue prévue des inondations lorsqu'une tempête se développe et donc la probabilité que leur propriété particulière soit touchée par l'inondation.

Problèmes

Étudier les techniques mathématiques pour trouver le maximum ou le minimum d'une fonction objectif par rapport à un seul paramètre inconnu. Envisagez à la fois des approches analytiques et numériques. Discuter de l'applicabilité et des mérites relatifs des approches de la modélisation hydrologique.

Identique au problème (13.1) mais avec plusieurs paramètres inconnus.

(a) Écrivez le codage informatique du modèle hydrologique illustré schématiquement à la Fig. 13.12 . (b) Sélectionnez un enregistrement hydrologique d'au moins 1 an dans un bassin versant d'une région humide et estimez les paramètres de ce modèle. (c) Discuter quantitativement et qualitativement dans quelle mesure le modèle décrit l'hydrologie du bassin sélectionné.

Discutez des avantages d'utiliser le modèle illustré à la figure 13.12 pour évaluer l'impact hydrologique de la coupe à blanc sur l'hydrologie d'un cours d'eau pour un bassin versant de 250 acres (100 ha). Incluez dans votre discussion comment le modèle pourrait être utilisé, votre opinion quant à savoir si le modèle produirait des résultats raisonnables et les quantités hydrologiques (apport en eau, débit de pointe, etc.) qui pourraient et ne pourraient probablement pas être évaluées avec ce modèle. Quels aspects du modèle seraient les plus importants dans cette application ? Comment ces aspects importants sont-ils reflétés dans le modèle en termes de paramètres et de structure du modèle ?

Sélectionnez un modèle hydrologique et un bassin versant. Estimer les paramètres du modèle et du bassin versant. Sélectionnez quatre des paramètres du modèle. Variez les valeurs des paramètres de 10, 20 et 50 % par rapport à leurs valeurs estimées et exécutez le modèle à l'aide de ces valeurs de paramètres. Variez les paramètres individuellement. Discuter de la sensibilité des paramètres par rapport aux estimations hydrologiques qui pourraient être faites avec le modèle.

Faites le problème (13.5) sauf que vous faites varier les paramètres simultanément par paires, en triple et tous simultanément.

Sélectionnez un modèle hydrologique. Discutez de la structure de base du modèle, du nombre de paramètres, de la façon dont les paramètres peuvent être estimés en l'absence de données sur le débit des cours d'eau, des situations où le modèle pourrait et ne pourrait pas produire des estimations hydrologiques fiables.

Préparez le codage informatique de l'unité modèle de base de la figure 13.4.

Appliquer le codage développé pour le problème (13.8) à un bassin versant sélectionné d'environ 50 acres (20 ha).

Comment l'impact d'un changement d'affectation des terres, comme l'exploitation minière à ciel ouvert sur les hydrogrammes de ruissellement, serait-il reflété dans le modèle illustré à la figure 13.4 ?

Pour un modèle hydrologique sélectionné, discutez de l'approche utilisée pour séquencer correctement l'hydrologie des sous-bassins versants (c'est-à-dire, discutez de l'approche de gestion du modèle pour combiner et acheminer les hydrogrammes).

Sélectionnez un bassin versant particulier pour lequel un enregistrement de débit est disponible. Sans aucune référence au débit, utilisez un modèle hydrologique pour estimer l'enregistrement hydrologique pour la même période que l'enregistrement disponible. Discutez des difficultés rencontrées. Discutez à quel point les enregistrements estimés ressemblent à l'enregistrement réel du débit.

Utilisez l'enregistrement de débit disponible du problème (13.12) pour améliorer les estimations des paramètres du modèle et répétez l'estimation et la discussion. Les flux estimés sont-ils plus en accord avec les flux observés après modification des paramètres ? Pourquoi?

Discuter des similitudes et des différences entre les modèles hydrologiques déterministes, paramétriques et stochastiques. Dans quelles conditions chacune de ces approches de modélisation serait-elle la plus appropriée ?

Discutez de la procédure que l'on pourrait utiliser pour vérifier les résultats d'une application d'un modèle hydrologique basé sur les événements (a) avec un bon enregistrement du débit et (b) en l'absence de données sur le débit.

Discutez de la procédure que l'on pourrait utiliser pour vérifier les résultats d'une application d'un modèle hydrologique de simulation continue (a) avec un bon enregistrement du débit et (b) en l'absence de données sur le débit.

Décrire les structures mathématiques de base d'un modèle hydrologique sélectionné comme le SWM ou le PRMS.

Discutez de l'avantage de l'estimation objective des paramètres basée sur des critères d'ajustement mathématiques par rapport au recours au jugement de l'utilisateur du modèle.

Dans quelle condition l'estimation des paramètres basée sur le jugement personnel serait-elle préférée à un critère d'ajustement mathématique objectif ?

Décrivez les caractéristiques souhaitables d'un modèle hydrologique qui sera utilisé comme cadre pour un modèle de qualité de l'eau.

Décrivez au moins deux approches de modélisation potentielles pour générer des hydrogrammes de ruissellement à partir de parcs de stationnement imperméables. Quels sont les avantages et les inconvénients de chaque approche. Quelle approche préférez-vous ? Pourquoi?

Développer un codage informatique pour l'un des modèles décrits pour le problème (13.21) . Testez le codage en simulant le ruissellement d'un parking hypothétique.


La première chose à faire est d'étudier la disposition des fichiers. Un VRT par définition se compose de blocs de 128x128 pixels. Pour un Geotiff, cela peut être n'importe quoi.

Vous pouvez le vérifier avec l'utilitaire gdalinfo ou :

Vérifiez également ceci pour les fichiers sous-jacents au VRT.

Lors de la lecture de morceaux, il est préférable de le faire en utilisant la taille de bloc native ou un multiple de celle-ci. Essayez donc de trouver l'« intersection » de toutes les tailles de blocs que vous utilisez. Donc, si votre VRT est de 128x128 et que votre Geotiff a 512x1, la lecture en blocs de 512x128 (ou un multiple) serait plus efficace.

Si cela n'est pas possible, il peut être utile de définir le cache de GDAL aussi haut que possible avec : gdal.SetCacheMax(2**30)

La valeur est en octets, donc 2**30 serait un Gio. Cela évite les E/S inutiles sur le disque (qui sont lentes).

De quel type de VRT s'agit-il, une mosaïque/pile « simple » ou contient-il toutes sortes de calculs ?

Vous pouvez également l'exécuter une fois avec deux fois le Geotiff en entrée, pour tester si c'est le VRT qui cause le retard (ou l'inverse).

Si vous avez beaucoup de nodata, vous pouvez optimiser un peu votre calcul. Mais cela semble si simple que je ne pense pas que ce soit près d'être le goulot d'étranglement dans ce cas.

Référence

J'ai fait un test rapide où j'ai délibérément lu en utilisant une taille de morceau inefficace. Utilisation d'un raster de 86400x43200 avec une taille de bloc de 86400x1. J'ai utilisé votre code pour lire le raster unique (pas d'écriture). Le MaxCache a été fixé à 1 Mio pour éviter de mettre beaucoup en cache, ce qui réduirait l'inefficacité.


Exemple de code

ContourWithBarriers exemple 1 (fenêtre Python)

Cet exemple crée des isolignes à partir d'un raster de grille Esri avec une entité barrière en entrée ainsi que des paramètres de base et d'intervalle spécifiés. La zone des contours en sortie sous forme de polylignes dans un fichier de formes.

ContourWithBarriers exemple 2 (script autonome)

Cet exemple crée des isolignes à partir d'un raster de grille Esri avec une entité barrière en entrée ainsi que des paramètres de base et d'intervalle spécifiés. La zone des contours de sortie sous forme de polylignes dans un fichier de formes.


Voir la vidéo: Decoupage raster sous ArcGis (Octobre 2021).