Suite

Contours avec des valeurs négatives en utilisant l'exemple de modèle dans QGIS ?


J'ai un ensemble de données de niveau d'eau allant de -6 m sous le niveau de la mer à +30 mètres. Mais lorsque j'utilise l'exemple de modèle pour créer des contours à partir de points, la valeur de contour minimale est zéro (0). Quelle peut en être la raison ?

(J'utilise QGIS 2.4.0)

MISE À JOUR : j'ai essayé d'exécuter le modèle dans QGIS 2.6 et d'obtenir . Cela fonctionne bien lors de l'exécution d'un autre ensemble de données avec uniquement des valeurs positives. Quelle est la signification de l'erreur ?


Je l'ai trouvé! Modification du modèle dans la fenêtre « Processing modelelr » afin que la valeur de contour minimum inclue des valeurs négatives (par défaut, le niveau minimum est st à 0).

Je ne sais toujours pas ce qui a causé le message d'erreur que j'ai posté ci-dessus, mais cela pourrait simplement être un problème avec l'ensemble de données, car le modèle fonctionne bien sur d'autres ensembles de données.


Programme des systèmes d'information géographique (SIG)

Le programme Systèmes d'information géographique (SIG) est un effort interdisciplinaire visant à favoriser la collaboration scientifique, l'interopérabilité des données spatiales et le partage des connaissances à l'aide du SIG. Travaillant vers la définition, les normes et l'interopérabilité des informations atmosphériques pour la science utilisable, le programme SIG consiste à : 1) mener des recherches intégrant le système Terre et les sciences sociales à travers l'analyse spatiale et l'interopérabilité des informations géoréférencées 2) soutenir l'utilisation du SIG à la fois comme une analyse , et un outil d'infrastructure dans la recherche atmosphérique 3) améliorer la science utilisable et le partage des connaissances entre les groupes scientifiques, les éducateurs et les parties prenantes et 4) aborder les problèmes plus larges de la gestion des données spatiales, de l'interopérabilité et de la géoinformatique au sein des géosciences. Les activités de recherche actuelles du programme SIG se déroulent dans trois domaines thématiques :

  • Intégration des sciences atmosphériques et sociales aux SIG
  • Améliorer la convivialité des modèles météorologiques et climatiques
  • Mener des activités éducatives axées sur les SIG et renforcer les capacités à l'interface science-société.

Ces trois domaines correspondent directement au cadre de recherche sur les interactions entre la société et l'environnement (RISE) (Figure 1).


Outil de géotraitement QGIS pour les études de microzonation sismique de premier niveau¶

La microzonation sismique évalue l'aléa sismique à l'échelle locale en proposant d'identifier des zones de territoire caractérisées par un comportement sismique homogène. Le premier niveau de microzonage sismique a pour objectif de définir les propriétés lithologiques et la géométrie des unités géologiques qui caractérisent ces portions de territoire (microzones).

L'observation des dommages causés par un séisme montre souvent des variations à l'échelle locale causées non seulement par des structures géologiques mais aussi par différentes qualités et types de structures de bâtiments, entraînant différents risques sismiques.

La microzonation sismique évalue l'aléa sismique local, à travers l'identification de zones de territoire caractérisées par un comportement sismique homogène.

Les Lignes directrices et critères pour le microzonage sismique 2008 (http://www.protezionecivile.gov.it/jcms/it/view_pub.wp?contentId=PUB1137) fournissent des normes pour les études de microzonage sismique sur le territoire italien, ils distinguent trois niveaux de profondeur croissante ( de 1 à 3).

La microzonation sismique de premier niveau consiste en la création de trois cartes thématiques :

Carte de relevé contenant les relevés pour les études de microzonage sismique

Carte géolithologique, obtenue à partir de cartes géologiques et géomorphologiques à l'échelle détaillée intégrant les données lithologiques, stratigraphiques et géotechniques existantes liées aux levés

Carte de microzonation sismique de niveau 1 (principal produit de la microzonation de niveau 1), identifiant les microzones en trois catégories d'aléas locaux :

Zones stables sujettes à l'amplification au sol

La portée de ce travail est de contribuer à la création d'une méthodologie de traitement des données topographiques, géologiques, géophysiques et géotechniques visant à l'élaboration de cartes de microzonage sismique de niveau 1, grâce à l'utilisation d'outils open source.

L'outil Graphical Modeler intégré dans la dernière version de QGIS (2.8.1 au moment de la rédaction) a été utilisé pour la création d'un modèle de géotraitement simple. Cet outil est utile pour automatiser l'une des analyses couramment effectuées pour la création de cartes de microzonation sismique de niveau 1, en particulier pour identifier les zones instables en tant qu'entités surfaciques.

Le modèle utilise différents logiciels et bibliothèques open source (GRASS, GDAL, QGIS), démontrant l'utilité de QGIS en tant qu'interface simplifiée et unifiée pour les outils hétérogènes GFOSS (Geospatial Free and Open Source Software) (Fig. 1).

(Fig. 1) Capture d'écran du modèle de géotraitement. ¶

Le modèle prend en entrée (Fig. 2) :

Un fichier de formes de lignes de contour contenant un champ avec des valeurs d'altitude

Le nom du champ contenant les valeurs d'altitude

La résolution raster souhaitée en mètres pour DEM et Slope (10 par défaut)

Un fichier de formes de polygones à partir duquel les caractéristiques des zones d'intersection avec une pente supérieure à 15 degrés seront extraites

Nom de la couche de polygones résultante.

(Fig. 2) Formulaire de saisie du modèle (à gauche) et protocole d'exécution (à droite). ¶

Une fois lancé, le modèle effectue les opérations suivantes :

L'outil GRASS v.to.rast.attribute convertit les lignes d'élévation de contour en raster, en prenant le fichier de formes de contour, le nom du champ z et la résolution raster en entrée

L'outil GRASS r.surf.contour génère le modèle d'altitude en prenant en entrée la sortie temporaire rastérisée de l'étape précédente et la résolution raster

L'outil GDAL « gdaldem » génère la pente exprimée en degrés à partir du modèle d'élévation

L'outil GRASS r.mapcalculator est utilisé pour générer un raster de 1 bit identifiant les zones avec une pente supérieure à 15 degrés (cette valeur est codée dans les directives de microzonage, et elle est donc fixe), en utilisant l'expression :

où A est le raster de pente temporaire généré par gdaldem

L'outil GDAL "gdal_polygonize" convertit le raster 1 bit en polygones

L'outil QGIS « Intersection » permet de superposer les zones dont la pente est supérieure à 15 degrés avec la couche d'intersection choisie.

Le résultat est une couche polygonale avec des zones sujettes à l'instabilité en raison d'une valeur de pente supérieure à 15 degrés, extraite automatiquement d'une carte thématique telle qu'une couche polygonale de glissements de terrain (Fig. 3) ou une carte lithologique.

(Fig. 3) La sortie du modèle (en rouge) montre des zones très instables extraites d'une couche de glissements de terrain (orange). ¶


Matlab n'affiche pas les valeurs négatives

Je suis en train de créer un fichier matlab pour analyser les performances d'un avion. Ce que je veux faire, c'est voir où la puissance excédentaire est maximale et où la puissance excédentaire devient minimale. J'ai pu faire en sorte que matlab ne prenne pas plus en compte les valeurs que le Clmax (en utilisant NaN ).
Maintenant, je veux faire la même chose pour l'excès de puissance : je ne veux pas que mon tracé de contour affiche les valeurs négatives de PS. J'ai essayé de faire la même chose qu'avec le Cl, mais sans succès.

J'ai pensé à simplement ajouter un autre if (PS<0) ou même si PS<=D PS=NaN , mais cela ne semble pas fonctionner si je relance le programme et regarde le graphique.

Le fichier atmos.m est un fichier que j'ai créé où l'atmosphère et ses propriétés (comme la température, l'altitude et la densité) varient.
Ce que je veux faire maintenant :
Annulez les valeurs PS négatives et recherchez les valeurs sigma et v_temp pour lesquelles PS devient 0 . Cela me conduirait alors à l'altitude de croisière max.

Je suis nouveau sur matlab, et tout dans ce code a été fait en recherchant sur Internet et en regardant des films youtube. Tout commentaire sera grandement apprécié! J'ai trouvé ça:

dans un autre sujet, mais c'est le truc que j'ai essayé je suppose, qui ne fonctionne pas, sauf que j'utilise contour au lieu de surf.


Utilisez des nuances de vert pour les valeurs positives.

Utilisez la valeur absolue de vos valeurs négatives pour afficher ensuite différentes valeurs négatives dans les tons de rouge.

Récemment, j'ai pensé au même problème et j'ai fait un échantillon approximatif comme celui-ci.
Veuillez supposer que l'élément B a une valeur négative.

Les fonctions 'arc' et 'pie' de d3.js sont très pratiques à utiliser.

J'ai également ajouté des cercles concentriques, comme celui-ci.

Vous pouvez utiliser un graphique en anneau autour de la tarte, en utilisant l'un pour représenter les valeurs positives et les autres valeurs négatives. La clé ici étant la valeur qui représente 100 % est la même pour le positif et le négatif. Le résultat est une représentation visuelle de ce qui est positif, négatif et à quel point l'ensemble est globalement positif ou négatif.


Formats de données vectorielles

Le modèle de données vectorielles n'est qu'une stratégie générale pour représenter des objets. Il existe des dizaines de structures de données physiques (format de fichier) qui organisent la géométrie vectorielle et les attributs de différentes manières, avec des capacités uniques. Par exemple, certains formats sont capables de stocker la topologie tandis que d'autres ne peuvent pas stocker la géométrie et les attributs dans des fichiers séparés, tandis que d'autres (généralement appelés bases de données spatiales) stockent la géométrie sous la forme d'une colonne dans la table attributaire.

Les logiciels graphiques non SIG, y compris les programmes de CAO et de dessin tels qu'Adobe Illustrator, sont également basés sur le modèle vectoriel.


1 réponse 1

Vous devez modifier le dernier paramètre que vous passez à la fonction, qui est actuellement 100 , à 0 ou à une valeur négative, selon que vous souhaitez dessiner les enfants.

À partir des mêmes documents, max_level a le but suivant (la partie la plus applicable est en gras) :

max_level – Niveau maximal pour les contours dessinés. Si 0, seul le contour est dessiné. Si 1, le contour et tous les contours qui le suivent au même niveau sont dessinés. Si 2, tous les contours suivants et tous les contours situés à un niveau en dessous des contours sont tracés, et ainsi de suite. Si la valeur est négative, la fonction ne dessine pas les contours suivant contour mais dessine les contours fils de contour jusqu'au $| exttt|-1$ niveau.

Pour remplir le contour, utilisez une valeur négative pour le paramètre d'épaisseur :

épaisseur – Épaisseur des lignes avec lesquelles les contours sont dessinés. S'il est négatif (par exemple, =CV_FILLED), les intérieurs du contour sont dessinés.


Tout ce qui compte, c'est la différence entre deux valeurs AIC (ou, mieux, AICc), représentant l'ajustement à deux modèles. La valeur réelle de l'AIC (ou AICc), et si elle est positive ou négative, ne signifie rien. Si vous changez simplement les unités dans lesquelles les données sont exprimées, l'AIC (et l'AICc) changerait radicalement. Mais la différence entre l'AIC des deux modèles alternatifs ne changerait pas du tout.

Bottom line: Ignorez la valeur réelle de l'AIC (ou AICc) et si elle est positive ou négative. Ignorez également le rapport de deux valeurs AIC (ou AICc). Faites attention seulement à la différence.

où L est la valeur maximisée de la fonction de vraisemblance pour ce modèle et k est le nombre de paramètres dans le modèle.

Dans votre exemple -2Ln(L)+ 2k <0 signifie que la log-vraisemblance au maximum était > 0, ce qui signifie que la vraisemblance au maximum était > 1.

Il n'y a pas de problème avec une log-vraisemblance positive. C'est une idée fausse commune que la log-vraisemblance doit être négative. Si la vraisemblance est dérivée d'une densité de probabilité, elle peut tout à fait raisonnablement dépasser 1, ce qui signifie que la log-vraisemblance est positive, donc la déviance et l'AIC sont négatives. C'est ce qui s'est passé dans votre modèle.

Si vous pensez que la comparaison des AIC est un bon moyen de choisir un modèle, alors il serait toujours vrai que l'AIC (algébriquement) le plus bas est préféré et non celui avec la valeur AIC absolue la plus basse. Pour réitérer, vous voulez le nombre le plus négatif dans votre exemple.


Comment interpréter une carte topographique ?

L'altitude sur une carte peut être affichée à l'aide de courbes de niveau ou à l'aide de différentes bandes de couleurs ou de valeurs numériques pour indiquer la hauteur ou la profondeur. S'il est représenté sous forme numérique, il est certainement facile de lire la carte et d'évaluer le terrain. Mais il peut souvent devenir difficile pour une seule carte de montrer le gradient net ou lent de l'élévation. Ainsi, à bien des égards, un carte de contour s'avère être une bien meilleure solution pour montrer la variation d'altitude dans une zone. Voici quelques conseils pour interpréter une carte de contour :

  1. Il est important de noter que toutes les régions reliées par une seule courbe de niveau ont la même élévation.
  2. La zone à l'intérieur du contour est généralement en montée. La ligne de contour la plus intérieure représente le point le plus élevé.
  3. Plus les lignes sont proches les unes des autres, plus la pente est raide.
  4. Les lignes éloignées représentent des pentes graduelles.
  5. Lors de la lecture d'une carte d'altitude, il est important de noter l'étiquetage et l'échelle standard utilisés, appelés légende de la carte ou clé. L'altitude correcte peut être calculée en utilisant les valeurs qui sont données dans la clé
  6. Les V pointus sur les courbes de niveau indiquent un ruisseau avec le V pointant vers l'amont

Dans un carte à code couleur également connu sous le nom de carte en relief, différentes bandes de couleurs sont utilisées pour représenter les changements d'altitude. En règle générale, la couleur « marron » est utilisée pour représenter les élévations, le bleu pour représenter les plans d'eau, les limites en noir et la grille et les routes sont affichées en rouge. La couleur « vert » est utilisée pour montrer la présence de végétation ou de terrains couverts de prairies ou de forêts.

Dans de nombreuses cartes, alors que la couleur « marron » est utilisée pour montrer l'altitude, les altitudes les plus élevées sont représentées en rouge, blanc ou violet. La nuance de brun utilisée dans les élévations est claire dans la plus haute élévation qui s'assombrit ensuite à mesure que l'élévation baisse. Les pentes abruptes montrent un changement soudain de l'intensité de l'ombre donnant un effet tridimensionnel sur la carte.


Comparaison des modèles à l'aide des tests de déviance et de log-vraisemblance

Ceci est une mise à jour d'une question précédente que j'ai postée. Je recherche des éclaircissements sur la comparaison des modèles glm à l'aide de tests de déviance et de rapport de vraisemblance (j'ai mis à jour ma question pour la rendre plus claire). Je travaille avec R.

Je vais d'abord utiliser un exemple de régression logistique pour illustrer ma confusion.

Si je comprends bien, les modèles de régression logistique peuvent être comparés en comparant la déviance. La déviance est définie par -2xlog-vraisemblance (-2LL). Dans la plupart des cas, la valeur de la log-vraisemblance sera négative, donc multiplier par -2 donnera un écart positif. La déviance d'un modèle peut être obtenue de deux manières. Tout d'abord, vous pouvez utiliser la valeur indiquée sous « Déviance résiduelle » dans le résumé du modèle. Deuxièmement, vous pouvez obtenir la log-vraisemblance en exécutant « logLik(model) », puis en multipliant par -2. Dans les deux cas, vous obtiendrez la même valeur. Par exemple (tiré de Discovering Statistics using R by Field et al 2012) :

Lorsque l'on compare deux modèles, le modèle avec la déviance la plus faible est le meilleur modèle. Pour déterminer si la différence de déviances est significative, vous prenez les différences de déviances pour donner une valeur χ2 (c'est-à-dire χ2 = (-2LL1)-(-2LL2), avec une valeur p associée.

Passons maintenant à la partie déroutante (pour moi du moins). J'ai maintenant commencé des comparaisons de modèles entre des modèles binomiaux négatifs (NB) à l'aide de tests de rapport de vraisemblance, et d'après ce que je peux comprendre, ces tests sont très similaires à la comparaison des déviances dans les modèles de régression logistique. Pour comparer deux modèles NB, je compare à nouveau les valeurs de -2xlog-vraisemblance (-2LL). Pour obtenir -2LL, j'ai utilisé logLik(model) pour obtenir la log-vraisemblance de chaque modèle, puis j'ai multiplié par -2 pour obtenir -2LL. Encore une fois, dans la plupart des cas, le log-vraisemblance est négatif, donc le multiplier par -2 rend le -2LL positif (exemple tiré d'ici):

Cette fois cependant, la valeur de -2LL n'est pas équivalente à la « déviance résiduelle » dans le résumé du modèle. Ma première question est donc pourquoi dans le modèle de régression logistique ci-dessus, le -2LL et la déviance résiduelle sont égaux, mais ce n'est pas le cas dans le modèle NB ?

Pour comparer ensuite deux modèles binomiaux négatifs, je calcule la différence entre -2LL des deux modèles, qui a une distribution chi carré. Si la valeur p associée pour la différence dans le -2LL est inférieure à 0,05, alors un modèle correspond mieux aux données que l'autre. Par example:

Ma prochaine question est, sur la base des valeurs -2LL des deux modèles NB, quel modèle est le modèle le mieux adapté ? J'ai supposé que la valeur -2LL est analogue à l'écart dans la régression logistique en ce que le modèle avec la valeur la plus petite de -2LL est le modèle le mieux adapté (c'est-à-dire m1). Mon hypothèse est-elle correcte ? Ou est-ce que le modèle avec plus de paramètres s'adaptera toujours mieux aux données, c'est juste une question de savoir s'il est significativement meilleur ?

De plus, si vous comparez deux modèles NB à l'aide de la fonction anova(m1,m2), le -2LL est calculé comme 2xlogvraisemblance, plutôt que -2xlog-vraisemblance, qui donne des valeurs négatives. Dans ce cas, quel modèle est le mieux adapté ? (Encore une fois, j'ai supposé que le modèle avec la valeur la plus faible de -2xlog-vraisemblance est le modèle le mieux adapté)

Toute clarification est très appréciée. Je me rends compte qu'il existe des messages similaires sur CV, cependant ces autres messages n'ont toujours pas clarifié mes questions.