Suite

Un moyen facile d'extraire des cellules raster EN DEHORS d'une couche vectorielle (masque) dans QGIS?


J'ai un fichier raster mais je ne m'intéresse qu'aux cellules en dehors d'un certain polygone. Ce polygone est très irrégulier et dispersé dans le raster. Existe-t-il un moyen simple d'extraire uniquement les cellules en dehors de ce polygone ? Une sorte de commande "reverse clip" ? Je n'ai aucune connaissance en python. J'utilise QGIS. J'ai besoin d'une solution sans code.


Vous pouvez créer un nouveau fichier de formes contenant un seul polygone couvrant toute l'étendue. Ensuite, vous pouvez faire la différence entre votre polygone irrégulier et le polygone unique (menu Vectoriel --> Outils de géotraitement --> Différence). Maintenant, avec ce résultat, vous pouvez découper votre raster par calque de masque (menu Raster --> Extraction --> Découper le raster par calque de masque).


Les surfaces représentent des phénomènes qui ont des valeurs à chaque point de leur étendue. Les valeurs au nombre infini de points sur la surface sont dérivées d'un ensemble limité de valeurs d'échantillon. Celles-ci peuvent être basées sur des mesures directes, telles que des valeurs de hauteur pour une surface d'altitude, ou des valeurs de température pour une surface de température entre ces emplacements mesurés, les valeurs sont attribuées à la surface par interpolation. Les surfaces peuvent également être dérivées mathématiquement d'autres données, telles que les surfaces de pente et d'aspect dérivées d'une surface d'élévation, une surface de distance des arrêts de bus dans une ville ou des surfaces montrant une concentration d'activités criminelles ou une probabilité de coups de foudre.

  • Surfaces peuvent être représentés à l'aide de courbes de niveau ou d'isolignes, de tableaux de points, de TIN et de rasters. Cependant, la plupart des analyses de surface dans le SIG sont effectuées sur des données raster ou TIN.
  • Contours sont des ensembles de lignes de valeur égale à travers une surface. Ils sont fréquemment créés pour représenter des surfaces sur une carte.
  • Points peut être régulièrement ou irrégulièrement réparti sur une surface. Ils sont généralement utilisés comme entrée dans les outils d'interpolation, de krigeage ou de triangulation pour créer des surfaces raster ou TIN, bien qu'ils soient également parfois utilisés pour la représentation cartographique d'une surface telle que les indicateurs de direction du vent ou les flèches de direction de moindre coût.
  • Boites de conserves sont des réseaux de facettes triangulaires définis par des nœuds et des arêtes qui couvrent une surface. Les TIN sont construits à partir d'un ensemble de valeurs connues, ou hauteurs ponctuelles, qui sont utilisées comme nœuds initiaux dans la triangulation. Les lignes où la forme de la surface change brusquement, telles que les lignes de crête, les cours d'eau ou les routes, peuvent être incorporées dans les TIN en tant que lignes de rupture, et les zones qui partagent une valeur peuvent être incorporées en tant que polygones de remplissage. Les valeurs aux emplacements entre les nœuds peuvent être dérivées pour un TIN à l'aide d'une interpolation linéaire à partir des nœuds les plus proches. Les TIN sont généralement utilisés pour représenter les surfaces de terrain dans les applications d'ingénierie, car les hauteurs ponctuelles peuvent être irrégulièrement distribuées pour s'adapter aux zones de grande variabilité de la surface, et leurs valeurs et positions exactes sont conservées en tant que nœuds dans le TIN.
  • Rasters sont des matrices rectangulaires de cellules (ou pixels), dont chacune stocke une valeur pour la partie de la surface qu'elle couvre. Une cellule donnée contient une seule valeur, de sorte que la quantité de détails pouvant être représentée pour la surface est limitée à la taille des cellules raster. Les rasters sont les modèles de surface les plus couramment utilisés dans ArcGIS. La simplicité de la structure de données raster rend les calculs sur les rasters (ou les comparaisons entre rasters) plus rapides pour les rasters que pour les autres représentations de surface. Les rasters sont également utilisés pour stocker des cartes numérisées par imagerie et des informations catégorielles, telles que la classe d'utilisation des terres, qui est souvent dérivée de l'imagerie.

Méthodes de superposition

En général, il existe deux méthodes pour effectuer une analyse de superposition : la superposition d'entités (superposition de points, de lignes ou de polygones) et la superposition de raster. Certains types d'analyse de superposition se prêtent à l'une ou l'autre de ces méthodes. L'analyse de superposition pour trouver des emplacements répondant à certains critères est souvent mieux effectuée en utilisant une superposition de raster (bien que vous puissiez le faire avec des données d'entités). Bien entendu, cela dépend également du fait que vos données soient déjà stockées sous forme d'entités ou de rasters. Il peut être intéressant de convertir les données d'un format à l'autre pour effectuer l'analyse.

Superposition de fonctionnalités

Les éléments clés de la superposition d'entités sont la couche d'entrée, la couche de superposition et la couche de sortie. La fonction de superposition divise les entités de la couche en entrée où elles sont superposées par les entités de la couche de superposition. De nouvelles zones sont créées à l'intersection des polygones. Si la couche en entrée contient des lignes, les lignes sont divisées là où les polygones les croisent. Ces nouvelles entités sont stockées dans la couche de sortie — la couche d'entrée d'origine n'est pas modifiée. Les attributs des entités de la couche superposée sont attribués aux nouvelles entités appropriées dans la couche en sortie, avec les attributs d'origine de la couche en entrée.

Vous trouverez ci-dessous un exemple de superposition ligne sur polygone. La ligne est divisée aux limites du polygone et chacune des entités linéaires résultantes possède les attributs de ligne d'origine plus les attributs du polygone dans lequel elle se trouve.

Superposition de raster

Dans la superposition de raster, chaque cellule de chaque couche fait référence au même emplacement géographique. Cela le rend bien adapté à la combinaison des caractéristiques de plusieurs couches en une seule couche. Généralement, des valeurs numériques sont attribuées à chaque caractéristique, ce qui vous permet de combiner mathématiquement les couches et d'attribuer une nouvelle valeur à chaque cellule de la couche de sortie.

Vous trouverez ci-dessous un exemple de superposition de raster par ajout. Deux rasters en entrée sont additionnés pour créer un raster en sortie avec les valeurs de chaque cellule additionnées.

Cette approche est souvent utilisée pour classer les valeurs d'attribut par pertinence ou risque, puis les ajouter pour produire un classement global pour chaque cellule. Les différentes couches peuvent également se voir attribuer une importance relative pour créer un classement pondéré (les rangs dans chaque couche sont multipliés par la valeur de poids de cette couche avant d'être additionnés avec les autres couches).

Vous trouverez ci-dessous un exemple de superposition de raster par ajout pour la modélisation d'adéquation. Trois couches raster (pentes escarpées, sols et végétation) sont classées pour leur aptitude au développement sur une échelle de 1 à 7. Lorsque les couches sont ajoutées (en bas), chaque cellule est classée sur une échelle de 3 à 21.

Vous pouvez également affecter une valeur à chaque cellule de la couche de sortie en fonction de combinaisons uniques de valeurs provenant de plusieurs couches d'entrée.


Extraction basée sur le raster

Les outils d'extraction de données raster incluent des outils qui simplifient les données complexes ou bruyantes et des outils qui créent un sous-ensemble spatial ou un échantillon d'un raster.

Dans la deuxième catégorie se trouvent les outils du jeu d'outils Extraction, qui fournissent une variété d'outils pour sous-ensembles des rasters par formes et attributs, ainsi que pour convertir le raster en un ensemble de points avec l'outil Extraire les valeurs en points et l'outil Echantillon. D'autres outils incluent Resample, qui agrège les cellules en cellules plus grandes, et Clip , qui effectue une découpe de cookie rectangulaire d'un raster.


Paramètres

Jeu de données raster, mosaïque ou service d'imagerie à découper.

Les quatre coordonnées qui définissent l'étendue de la zone de délimitation utilisée pour découper le raster.

Si l'étendue de découpage spécifiée n'est pas alignée avec le jeu de données raster en entrée, l'outil de découpage vérifie que l'alignement approprié est utilisé. Cela peut entraîner une sortie légèrement différente de celle spécifiée dans l'outil.

Utilisez le bouton Effacer pour réinitialiser l'étendue du rectangle à l'étendue du jeu de données raster en entrée.

Le nom, l'emplacement et le format de l'ensemble de données en cours de création. Assurez-vous qu'il peut prendre en charge la profondeur de bits nécessaire.

Lors du stockage du jeu de données raster dans un format de fichier, vous devez spécifier l'extension de fichier :

  • .bil — Esri BIL
  • .bip — Esri BIP
  • .bmp —BMP
  • .bsq — Esri BSQ
  • .dat —ENVI DAT
  • .gif —GIF
  • .img —ERDAS IMAGINER
  • .jpg —JPEG
  • .jp2 —JPEG 2000
  • .png —PNG
  • .tif —TIFF
  • .mrf —MRF
  • .crf —CRF
  • Aucune extension pour Esri Grid

Lors du stockage d'un jeu de données raster dans une géodatabase, n'ajoutez pas d'extension de fichier au nom du jeu de données raster.

Lorsque vous stockez votre jeu de données raster dans un fichier JPEG, un fichier JPEG 2000, un fichier TIFF ou une géodatabase, vous pouvez spécifier un type de compression et une qualité de compression dans les environnements de géotraitement .

Un jeu de données raster ou une classe d'entités à utiliser comme étendue. La sortie du clip inclut tous les pixels qui coupent le rectangle de délimitation minimum.

Si une classe d'entités est utilisée comme étendue en sortie et que vous souhaitez découper le raster en fonction des entités surfaciques, cochez le paramètre Utiliser les entités en entrée pour la géométrie de découpage. Lorsque ce paramètre est coché, la profondeur de pixel de la sortie peut être promue. Par conséquent, assurez-vous que le format de sortie peut prendre en charge la profondeur de pixels appropriée.

La valeur des pixels à considérer comme NoData.

  • Non coché : le rectangle de délimitation minimum est utilisé pour découper les données.
  • Coché : la géométrie de la classe d'entités sélectionnée est utilisée pour découper les données. La profondeur de pixel de la sortie peut être augmentée, par conséquent, assurez-vous que le format de sortie peut prendre en charge la profondeur de pixel appropriée.
  • Coché : le nombre de colonnes et de lignes sera ajusté et les pixels seront rééchantillonnés pour correspondre exactement à l'étendue de découpage spécifiée.
  • Non coché : l'alignement des cellules du raster en entrée sera conservé et l'étendue en sortie sera ajustée en conséquence.

Jeu de données raster, mosaïque ou service d'imagerie à découper.

Les quatre coordonnées qui définissent l'étendue de la zone de délimitation utilisée pour découper le raster dans cet ordre : X-Minimum, Y-Minimum, X-Maximum, Y-Maximum.

Si l'étendue de découpage spécifiée n'est pas alignée avec le jeu de données raster en entrée, l'outil Découper vérifie que l'alignement approprié est utilisé. Cela peut entraîner une sortie légèrement différente de celle spécifiée dans l'outil.

Le nom, l'emplacement et le format de l'ensemble de données en cours de création. Assurez-vous qu'il peut prendre en charge la profondeur de bits nécessaire.

Lors du stockage du jeu de données raster dans un format de fichier, vous devez spécifier l'extension de fichier :

  • .bil — Esri BIL
  • .bip — Esri BIP
  • .bmp —BMP
  • .bsq — Esri BSQ
  • .dat —ENVI DAT
  • .gif —GIF
  • .img —ERDAS IMAGINER
  • .jpg —JPEG
  • .jp2 —JPEG 2000
  • .png —PNG
  • .tif —TIFF
  • .mrf —MRF
  • .crf —CRF
  • Aucune extension pour Esri Grid

Lors du stockage d'un jeu de données raster dans une géodatabase, n'ajoutez pas d'extension de fichier au nom du jeu de données raster.

Lorsque vous stockez votre jeu de données raster dans un fichier JPEG, un fichier JPEG 2000, un fichier TIFF ou une géodatabase, vous pouvez spécifier un type de compression et une qualité de compression dans les environnements de géotraitement .

Un jeu de données raster ou une classe d'entités à utiliser comme étendue. La sortie du clip inclut tous les pixels qui coupent le rectangle de délimitation minimum.

Si une classe d'entités est utilisée comme étendue en sortie et que vous souhaitez découper le raster en fonction des entités surfaciques, définissez le paramètre clipping_geometry sur ClippingGeometry . Cette option peut favoriser la profondeur de pixel de la sortie. Par conséquent, assurez-vous que le format de sortie peut prendre en charge la profondeur de pixels appropriée.

La valeur des pixels à considérer comme NoData.

Spécifie si les données seront découpées au rectangle de délimitation minimum ou à la géométrie de la classe d'entités.

  • AUCUN — Le rectangle de délimitation minimum sera utilisé pour découper les données. C'est la valeur par défaut.
  • ClippingGeometry — La géométrie de la classe d'entités spécifiée sera utilisée pour découper les données. La profondeur de pixel de la sortie peut être augmentée, par conséquent, assurez-vous que le format de sortie peut prendre en charge la profondeur de pixel appropriée.

Spécifie l'étendue à utiliser dans la sortie d'écrêtage.

  • MAINTAIN_EXTENT — Le nombre de colonnes et de lignes sera ajusté et les pixels seront rééchantillonnés pour correspondre exactement à l'étendue de découpage spécifiée.
  • NO_MAINTAIN_EXTENT — L'alignement des cellules du raster en entrée sera conservé et l'étendue en sortie sera ajustée en conséquence.

Exemple de code

Ceci est un exemple Python pour l'outil Clip.

Ceci est un exemple de script Python pour l'outil Clip.

Ceci est un exemple de script Python pour l'outil Clip utilisant clipping_geometry .


7.4 Analyse des changements d'occupation des sols

Souvent, nous sommes intéressés à comprendre comment la couverture terrestre a changé au fil du temps en raison de la croissance urbaine, de l'abandon de l'agriculture, de la coupe à blanc et d'autres activités d'utilisation des terres. Pour explorer les tendances de la couverture terrestre dans le comté de Walton, en Géorgie, nous importerons six années supplémentaires de données NLCD et les combinerons avec le jeu de données NLCD 2016 dans une pile raster. Ensuite, la pile entière est reclassée dans les sept classes d'occupation du sol plus larges à l'aide de la fonction subs().

La fonction ggplot() peut être utilisée avec facet_wrap() pour cartographier la série temporelle de l'occupation du sol.

Si vous regardez attentivement ces cartes, il est possible de voir des zones où la couverture terrestre change. Cependant, il est difficile d'avoir une idée claire des tendances globales - quelles classes d'occupation du sol changent et dans quelle mesure ? Il serait utile de calculer la superficie totale de chaque classe d'occupation du sol et de tracer les changements au fil du temps. Cependant, la limite rectangulaire de notre carte comprend le comté de Walton ainsi que d'autres zones environnantes qui s'inscrivent dans le rectangle. Restreindre ces résumés au comté de Walton nécessite les étapes suivantes. 1. Lire dans un shapefile des comtés de Géorgie. 2. Reprojetez le fichier de formes dans le même système de coordonnées que les données raster. 3. Extrayez le comté de Walton du fichier de formes. 4. Utilisez la fonction mask() pour convertir tous les pixels en dehors du comté de Walton en valeurs NA. 5. Utilisez la fonction crop() pour réduire la taille du raster aux frontières du comté de Walton.

La fonction freq() peut être utilisée pour extraire le nombre de cellules de chaque classe d'occupation du sol de chaque couche de la pile raster. La sortie peut être convertie en une base de données avec des classes d'occupation du sol sous forme de lignes et des années sous forme de colonnes. Avant de tracer le bloc de données, une série de dépliant Les fonctions sont utilisées pour sélectionner uniquement les colonnes d'intérêt, les renommer, les convertir en un format long avec une ligne pour chaque combinaison d'année et de classe d'occupation du sol, et convertir du comté de la cellule en kilomètres carrés.

Dans le code précédent, notez que le dépliant La fonction select() a été appelée explicitement en tant que dplyr::select() pour éviter toute confusion avec la fonction select() dans le raster paquet.

Le code suivant génère un graphique linéaire du changement de superficie pour chaque classe d'occupation du sol.

Une autre façon de représenter graphiquement les changements consiste à créer une sous-parcelle distincte pour chaque classe d'occupation du sol. Avant de générer ce graphique, la classe est convertie en un facteur avec des étiquettes correspondant aux noms de classe. Cette approche permet de s'assurer que la classe est traitée comme une variable catégorielle au lieu d'une variable numérique, et affiche l'étiquette pour chaque niveau de facteur dans la bande au-dessus de chaque facette.

Dans les deux graphiques précédents, il est très difficile de voir les tendances des classes d'occupation du sol les moins courantes. Pour voir leur changement plus clairement, l'échelle de l'axe des y peut être modifiée pour varier librement avec la plage de valeurs pour chaque classe.


R comme SIG pour les économistes

La couche de données sur les terres cultivées (CDL) est un produit de données produit par le National Agricultural Statistics Service du Département de l'agriculture des États-Unis. CDL fournit des informations géoréférencées, de haute précision, de 30 (après 2007) ou 56 (en 2006 et 2007) mètres de résolution, des informations sur la couverture des terres cultivées spécifiques aux cultures pour un maximum de 48 États contigus aux États-Unis de 1997 à aujourd'hui. Ce produit de données a été largement utilisé dans la recherche agricole. CropScape est un système interactif d'exploration de CDL Web (https://nassgeodata.gmu.edu/CropScape/), et il a été développé pour interroger, visualiser, diffuser et analyser les données CDL de manière géospatiale via des services Web géospatiaux standard dans un environnement accessible au public. environnement linéaire (Han et al., 2012).

Cette section montre comment utiliser le package CropScapeR (Chen 2020) pour télécharger et explorer les données CDL. Le package implémente certains des services de traitement géospatial les plus utiles fournis par CropScape et permet aux utilisateurs de traiter efficacement les données CDL dans l'environnement R. Plus précisément, le package CropScapeR fournit quatre fonctions qui implémentent différents types de services de traitement géospatial fournis par CropScape. Cette section présente ces fonctions tout en fournissant quelques exemples. GetCDLData() en particulier est la fonction la plus importante car elle vous permet de télécharger les données CDL brutes. Les autres fonctions fournissent aux utilisateurs les données CDL résumées ou transformées de manières particulières pouvant répondre aux besoins de certains utilisateurs.

Noter: Il existe un problème connu avec les utilisateurs Mac demandant des services de données CDL à l'aide de l'API CropScape, ce qui provoque des erreurs lors de l'utilisation des fonctions fournies par le package. Veuillez consulter la section 9.2.4 pour une solution de contournement.

Le package CropScapeR peut être installé directement à partir de « CRAN » :

La version de développement du package peut être téléchargée à partir de son site Web GitHub à l'aide des codes suivants :

Remerciements : Le développement du progiciel CropScapeR a été soutenu par l'accord USDA-NRCS n° NR193A750016C001 via le réseau des unités d'études écosystémiques coopératives. Toutes les opinions, constatations, conclusions ou recommandations exprimées sont celles des auteurs et ne reflètent pas nécessairement le point de vue du département américain de l'Agriculture.

9.2.1 GetCDLData : Télécharger les données CDL sous forme de données raster

GetCDLData() nous permet d'obtenir des données CDL pour n'importe quelle zone d'intérêt (AOI) au cours d'une année donnée. Il nécessite trois paramètres pour effectuer une demande de données valide :

  • aoi : Zone d'intérêt (AOI).
  • year : Année des données à demander.
  • type : Type de zone d'intérêt.

Les combinaisons de type AOI suivantes sont acceptées :

  • tout objet spatial en tant qu'objet sf ou sfc - type = "b"
  • comté (défini par un code FIPS de comté à 5 chiffres) - type = "f"
  • état (défini par un code FIPS d'état à 2 chiffres) - type = "f"
  • cadre de délimitation (défini par quatre points d'angle) - type = "b"
  • zone de polygone (définie par au moins trois coordonnées) - type = "ps"
  • point unique (défini par une coordonnée) - type = "p"

Cette section explique comment télécharger des données pour un objet sf, un comté et un état, car il s'agit probablement de la zone d'intérêt la plus courante. Consultez le site du package github (https://github.com/cbw1243/CropScapeR) pour voir comment fonctionnent les autres options.

9.2.1.1 Téléchargement des données CDL pour sf , county et state

Téléchargement de données CDL pour sf

Téléchargeons les données CDL 2018 pour la zone qui couvre les comtés de Champaign, Vermilion, Ford et Iroquois dans l'Illinois (une carte ci-dessous).

Lorsque vous utilisez un objet sf pour aoi , les données CDL seront téléchargées pour le cadre de délimitation (c'est pourquoi type = "b" ) qui englobe toute la zone géographique de l'objet sf quel que soit le type d'objets dans l'objet sf (que ce soit ce sont des points, des polygones, des lignes). Dans ce cas, les données CDL sont téléchargées pour la zone rouge de la carte ci-dessous.

Téléchargeons les données CDL pour les quatre comtés :

Comme vous pouvez le voir, les données téléchargées sont un objet RasterLayer 99 . Notez que les données CDL utilisent la projection conique à aire égale d'Albers.

Jetez un œil aux données CDL téléchargées.

Si vous ne voulez pas avoir de valeurs en dehors de l'objet sf, vous pouvez utiliser raster::mask() pour les transformer en NA comme suit :

Comme vous pouvez le voir ci-dessous, les valeurs en dehors des quatre comtés sont désormais NA (zone noire) :

Téléchargement des données CDL pour le comté

Le code suivant fait une demande de téléchargement des données CDL pour le comté de Champaign dans l'Illinois en 2018.

Dans le code ci-dessus, le code FIPS pour le comté de Champaign (17019) a été fourni à l'option aoi. Comme un comté est utilisé ici, l'argument type est spécifié comme « f ».

Téléchargement des données CDL pour l'état

Le code suivant fait une demande de téléchargement des données CDL pour l'état de l'Illinois en 2018.

Dans le code ci-dessus, le code FIPS d'état pour l'Illinois ( (17) ) a été fourni à l'option aoi. Comme un comté est utilisé ici, l'argument type est spécifié comme « f ».

9.2.1.2 Autres options de format

Vous pouvez enregistrer les données CDL téléchargées sous forme de fichier tif en ajoutant save_path = option à GetCDLData() comme suit :

Avec ce code, les données téléchargées seront enregistrées en tant que « IL_4.tif » dans le dossier « Data » résidant dans le répertoire de travail actuel.

La fonction GetCDLData vous permet de télécharger des données CDL sous forme de SF de points, où les coordonnées des points sont les coordonnées du centroïde des cellules raster. Cela peut être fait en ajoutant format = sf en option.

La première colonne ( value ) est le code de culture. Bien sûr, vous pouvez convertir manuellement un RasterLayer en un sf de points comme suit :

L'option format = sf permet à GetCDLData() d'effectuer cette conversion en interne pour ceux qui souhaitent que les données CDL soient un sf composé de points au lieu d'un RasterLayer .

9.2.2 Traitement des données après téléchargement des données

Les données raster téléchargées elles-mêmes ne sont pas immédiatement utilisables pour votre analyse économique. Typiquement, la variable d'intérêt est la fréquence des types d'utilisation des terres ou leurs parts. Vous pouvez utiliser raster::freq() pour obtenir la fréquence (le nombre de cellules raster) de chaque type d'utilisation des terres.

De toute évidence, une fois les fréquences trouvées, vous pouvez également obtenir facilement des partages :

À ce stade, les données ne vous disent pas quelle valeur correspond à quelle culture. Pour trouver les noms de cultures associés aux codes de cultures ( value ), vous pouvez obtenir la table de référence en utilisant les données (linkdata) du package CropScapeR. 100

Vous pouvez fusionner les deux ensembles de données en utilisant la valeur des données CDL et MasterCat de linkdata comme clés de fusion :

NoData in Crop correspond à la zone noire de la figure ci-dessus, qui est la partie des données raster qui ne chevauche pas la limite du comté de Champaign. Ces points avec NoData peuvent être supprimés en utilisant la fonction de filtre.

9.2.3 Autres formes de données CDL

Au lieu de télécharger les données CDL brutes, CropScape propose une option pour télécharger les données CDL résumées.

  • GetCDLComp : demander des données sur les changements d'utilisation des terres
  • GetCDLStat : obtenez des estimations de superficie du CDL
  • GetCDLImage : téléchargez les fichiers images des données CDL

Ceux-ci peuvent être utiles s'ils répondent à vos besoins, car vous pouvez ignorer les étapes de traitement post-téléchargement.

ObtenirCompCDL() : demander des données sur les changements d'affectation des terres

La fonction GetCDLComp permet aux utilisateurs de demander des données sur les changements d'occupation du sol au fil du temps à partir du CDL. Plus précisément, cette fonction renvoie les acres modifiées d'une catégorie de culture à une autre catégorie de culture entre deux ans pour une zone d'intérêt définie par l'utilisateur.

Voyons un exemple. Les codes suivants demandent des données sur les changements de superficie dans la couverture terrestre pour le comté de Champaign (FIPS = 17019) de 2017 (année1 = 2017) à 2018 (année2 = 2018).

Ce qui est renvoyé est un data.frame ( data.table ) qui a 5 colonnes. Les colonnes « De » et « À » sont des noms de cultures. La colonne « Count » est le nombre de pixels et « Acreage » est le nombre d'acres correspondant au nombre de pixels. La dernière colonne « aoi » est l'AOI sélectionnée. La première ligne du tableau de données retourné montre la superficie (c.-à-d. 40 362 acres) de maïs en continu en 2017 et 2018. La troisième ligne montre la superficie (c.-à-d. 240 506 acres) passée du maïs au soja en 2017 et 2018.

N'oubliez pas que la résolution spatiale passe de 56 mètres à 30 mètres à partir de 2008. Cela signifie que lorsque des données sont demandées pour les changements d'utilisation des terres de 2007 à 2008, deux couches raster CDL ont des résolutions spatiales différentes. Par conséquent, l'API CropScape ne parvient pas à résoudre le problème et renvoie un message d'erreur indiquant « Taille non concordante du fichier 1 et du fichier 2 ». La fonction GetCDLComp() résout manuellement ce problème en rééchantillonnant deux fichiers raster CDL à l'aide de la technique de rééchantillonnage du voisin le plus proche de sorte que les deux rasters aient les mêmes résolutions spatiales. Le raster de résolution plus fine est réduit à la résolution inférieure. Ensuite, les couches raster rééchantillonnées sont fusionnées pour calculer les modifications des terres cultivées. Les utilisateurs peuvent désactiver ce comportement par défaut en ajoutant l'option manual_try = FALSE. Dans ce cas, un message d'erreur de l'API CropScape sera renvoyé sans résultat de changement d'utilisation des terres.

ObtenirCDLStat() : obtenir des estimations de superficie du CDL

La fonction GetCDLStat permet aux utilisateurs d'obtenir la superficie par catégorie d'occupation du sol pour une zone d'intérêt définie par l'utilisateur en un an. Par exemple, les codes suivants demandent des données sur la superficie par catégories d'occupation du sol pour le comté de Champaign dans l'Illinois en 2018. Vous pouvez voir que le nombre de pixels est déjà converti en acres et que les noms de catégorie sont joints.

ObtenirImageCDL() : Télécharger les fichiers image des données CDL La fonction GetCDLImage permet aux utilisateurs de télécharger les fichiers image des données CDL. Cette fonction est très similaire à la fonction GetCDLData, sauf que les fichiers image sont renvoyés. Cette fonction peut être utile si vous souhaitez uniquement visualiser l'image des données CDL. Par défaut, l'image est enregistrée au format « png ». Vous pouvez également l'enregistrer au format « kml ».

9.2.4 Problème de certificat SSL sur Mac

SSL fait référence à Secure Sockets Layer et le certificat SSL affiche des informations importantes pour vérifier le propriétaire d'un site Web et chiffrer le trafic Web avec SSL/TLS pour sécuriser la connexion. C'est un problème connu que les utilisateurs Mac rencontrent l'erreur suivante lorsque GetCDLData() est utilisé : « Problème de certificat SSL : le certificat SSL a expiré ». Comme son nom l'indique, c'est parce que le serveur CropScape a un certificat expiré. Bien que cela affecte les utilisateurs Mac, les utilisateurs Windows ne doivent pas s'attendre à ce problème.

Pour éviter le problème pour les utilisateurs de Mac, CropScapeR propose une solution de contournement qui consiste à télécharger d'abord le fichier GeoTiff pour l'AOI demandée, puis à lire le fichier à l'aide de la fonction raster() en tant que RasterLayer . 101

Vous devez d'abord exécuter le code suivant avant de demander des données à CDL.

Maintenant, vous pouvez télécharger les données CDL en spécifiant le chemin du fichier avec l'option save_path comme ci-dessous :

Espérons que ce problème soit résolu par le mainteneur de CropScape afin que cette solution de contournement ne soit pas nécessaire pour les utilisateurs de Mac.

Les références

Chen, Bowen. 2020. CropScapeR : accédez aux données de la couche de données des terres cultivées via le service Web « Cropscape ».


Syntaxe

Raster en entrée à reclasser.

Champ désignant les valeurs qui seront reclassées.

L'objet Remap est utilisé pour spécifier comment reclasser les valeurs du raster en entrée.

Il existe deux manières de définir comment les valeurs seront reclassées dans le raster en sortie : RemapRange et RemapValue . Soit des plages de valeurs d'entrée peuvent être affectées à une nouvelle valeur de sortie, soit des valeurs individuelles peuvent être affectées à une nouvelle valeur de sortie.

Voici les formes des objets de remappage.

Indique si les valeurs manquantes dans la table de reclassement conservent leur valeur ou sont mappées à NoData.

  • DATA —Indique que si un emplacement de cellule sur le raster en entrée contient une valeur qui n'est pas présente ou reclassée dans une table de remappage, la valeur doit rester intacte et être écrite pour cet emplacement dans le raster en sortie. C'est la valeur par défaut.
  • NODATA — Signifie que si un emplacement de cellule sur le raster en entrée contient une valeur qui n'est pas présente ou reclassée dans une table de remappage, la valeur sera reclassée en NoData pour cet emplacement sur le raster en sortie.

Valeur de retour

Le raster reclassé en sortie.

La sortie sera toujours de type entier.


Télédétection et applications SIG

Un système d'information géographique stocke deux types de données qui se trouvent sur une carte : les définitions géographiques des caractéristiques de la surface de la terre et les attributs ou qualités que possèdent ces caractéristiques. Tous les systèmes n'utilisent pas la même logique pour y parvenir. La plupart, cependant, utilisent l'une des deux techniques fondamentales de représentation cartographique : vecteur et raster. (Ronald, 1993)

Avec la représentation vectorielle, les limites ou le tracé des entités sont définis par une série de points qui, lorsqu'ils sont reliés par des lignes droites, forment la représentation graphique de cette entité. Les points eux-mêmes sont codés avec une paire de nombres donnant les coordonnées X et Y dans des systèmes tels que la latitude/longitude ou les coordonnées de la grille de Mercator transverse universelle. Les attributs des entités sont ensuite stockés avec un logiciel de gestion de base de données (SGBD) traditionnel. Par exemple, une carte vectorielle de parcelles de propriété peut être liée à une base de données d'attributs contenant des informations contenant l'adresse, le nom du propriétaire, l'évaluation de la propriété et l'utilisation des terres. Le lien entre ces deux fichiers de données peut être un simple numéro d'identification qui est attribué à chaque entité de la carte.

La deuxième forme majeure de représentation est connue sous le nom de raster. Avec les systèmes matriciels, la représentation graphique des entités et les attributs qu'elles possèdent sont fusionnés dans des fichiers de données unifiés. En fait, ils ne définissent généralement pas du tout les caractéristiques. Au contraire, la zone d'étude est subdivisée en un maillage fin de cellules de grille dans lesquelles l'état ou l'attribut de la surface de la terre à chaque point de cellule est enregistré. Chaque cellule reçoit une valeur numérique qui peut alors représenter un identifiant de caractéristique, un code d'attribut qualitatif ou une valeur d'attribut quantitatif.

Par exemple, une cellule pourrait avoir la valeur « 6 » pour indiquer qu'elle appartient au district 6 (un identificateur d'entité), ou qu'elle est couverte par le type de sol 6 (un attribut qualitatif) ou qu'elle se trouve à 6 mètres au-dessus du niveau de la mer ( une valeur d'attribut quantitatif). Bien que les données que nous stockons dans ces cellules de grille ne se réfèrent pas nécessairement à des phénomènes qui peuvent être observés dans l'environnement, les grilles de données elles-mêmes peuvent être considérées comme des images - des images de certains aspects de l'environnement qui peuvent être rendues visibles grâce à l'utilisation d'un affichage raster. Dans un affichage raster, tel que l'écran de votre ordinateur, il existe également une grille de petites cellules appelées pixels. Le terme pixel est une contraction d'élément d'image. Les pixels peuvent varier dans leur couleur, leur forme ou leur ton gris. Pour faire une image, les valeurs des cellules dans la grille de données sont utilisées pour réguler directement l'apparence graphique de leurs pixels correspondants. Ainsi, dans un système raster, les données contrôlent directement la forme visible que nous voyons. Les données vectorielles et raster peuvent être représentées comme le montre la figure 26.1. (Ronald, 1993).


26.1. Représentation des données vectorielles et raster. (La source: Ronald, 1993).

26.3 Raster versus vecteur

Les systèmes raster sont généralement gourmands en données (bien qu'il existe de bonnes techniques de compactage des données) car ils doivent enregistrer des données à chaque emplacement de cellule, que cette cellule contienne ou non des informations intéressantes. Cependant, l'avantage de la structure de données raster est que l'espace géographique est défini uniformément d'une manière simple et prévisible. En conséquence, les systèmes matriciels ont une puissance analytique nettement supérieure à celle de leurs homologues vectoriels dans l'analyse de l'espace continu et sont donc parfaitement adaptés à l'étude de données qui changent continuellement dans l'espace, telles que le terrain, la biomasse végétale, les précipitations, etc. Le deuxième avantage du raster est que sa structure correspond étroitement à l'architecture des calculateurs numériques. En conséquence, les systèmes matriciels ont tendance à être très rapides dans l'évaluation des problèmes impliquant divers. La structure de données de base des systèmes vectoriels peut être décrite au mieux comme un réseau. En conséquence, il n'est pas surprenant de constater que les systèmes vectoriels ont d'excellentes capacités pour l'analyse de l'espace réseau. Ainsi, la différence entre raster et vecteur est moins une question de capacité inhérente que de différence dans les types d'espace qu'ils décrivent. Combinaisons mathématiques des données dans plusieurs grilles. Par conséquent, ils sont excellents pour évaluer les modèles environnementaux tels que ceux du potentiel d'érosion des sols et de l'adéquation de la gestion forestière. De plus, étant donné que l'imagerie satellitaire utilise une structure matricielle, la plupart des systèmes matriciels peuvent facilement incorporer ces données et certains offrent des capacités de traitement d'images complètes. Alors que les systèmes raster sont principalement orientés analyse, les systèmes vectoriels ont tendance à être davantage orientés vers la gestion de bases de données.

Vector systems are quite efficient in their storage of map data because they only store the boundaries of features and not what is inside those boundaries. Because the graphic representation of features is directly linked to the attribute database, vector systems usually allow one to roam around the graphic display with a mouse and inquire about the attributes of any displayed feature: the distance between points or along lines, the areas of regions defined on the screen, and so on. In addition, they can produce simple thematic maps of database queries such as, "show all sewer line sections over one meter in diameter installed before 1940." (Ronald, 1993)


Fig. 26.2. Comparison between Vector and Raster data representation. (Source: Ronald, 1993)

Compared to their raster counterparts, vector systems do not have as extensive a range of capabilities for analysis over continuous space. However, they do excel at problems concerning movements over a network and can undertake the most fundamental of GIS operations. For many, it is the simple database management functions and excellent mapping capabilities that make vector systems attractive. Because of the close affinity between the logic of vector representation and traditional map production, a pen plotter can be driven to produce a map that is indistinguishable from that produced by traditional means. As a result, vector systems are very popular in municipal applications where issues of engineering map production and database management predominate. Raster and vector systems each have their special strengths. Some GIS incorporate elements from both representational techniques. Many systems provide most functions for one technique and provide limited display and data transfer functions using the other. Which technique is most appropriate depends upon the application. A complete GIS setup may include a vector system, a raster system, or both, depending upon the types of tasks that must be done. While some applications are suitable to either vector or raster, usually one is more appropriate. Using a system that is not well suited to a particular task can be very frustrating and lead to unsatisfactory results. (Ronald, 1993)

26.4 Raster Calculator

The Raster Calculator provides you a powerful tool for performing multiple tasks. You can perform mathematical calculations using operators and functions, set up selection queries, or type in Map Algebra syntax. Up to 4 rasters can be used in a single expression. Inputs can be raster datasets or raster layers, coverage’s, shape files, tables, constants and numbers. The expressions are evaluated by the Raster Calculator on the fly and the user is provided with as status of the formula as he/she builds it. (http://www.ian-ko.com)


Fig. 26.3. Raster calculator showing expressions, functions and layers. (Source: http://www.ian-ko.com)

  • Rasters - Up to 4 rasters can be used. If the Raster Calculator is used from the GUI, the rasters are selected from the raster layers loaded in Arc Map. In the Toolbox implementation the input can be a raster layer or raster dataset. The 4 rasters are called Raster A, Raster B, Raster C and Raster D. Raster A is required, the other rasters are optional.

  • Expression - the formula to be used for the calculation to be performed. For shortness the rasters should be entered with their letters in the expression - A for Raster A, B for Raster B, etc. All the functions available can be typed in the expression box or selected from the calculator buttons provided. The functions are not case sensitive - SIN, Sin and sin will be accepted as correct entries. Note that the operator for EQUAL is "==" and NOT " text-align: justify padding-left: 30px">Output:

    If the Raster Calculator is used from the GUI, the raster dataset created when an expression is executed is a temp raster and is stored in the temp folder of ET Surface. If you want to save it as a permanent raster, use the Export Data tool.

    If the Toolbox implementation is used, the user is asked for an output name and location and the raster dataset created is permanent.

    (Source: http://www.ian-ko.com)

    The output raster dataset will

    • Be FLOAT type

    • Have the cell size of the Raster A (if any of the other rasters used have a different cell size, it will be resampled).

    • The extent will be calculated as the intersection of the extents of the input rasters.

    Functions performed by raster Calculator:

    • The Raster Calculator tool allows for creating and executing a Map Algebra expression that will output a raster.

    • Use the Layers and variables list to select the datasets and variables to use in the expression.

    • Numerical values and mathematical operators can be added to the expression by clicking the respective buttons in the tool dialog box. A list of commonly used conditional and mathematical tools is provided, allowing you to easily add them to the expression.

    • Full paths to data or data existing in the specified current workspace environment setting can be entered in quotes (""). Numbers and scalars can be directly entered into an expression.

    Most conventional vector data models maintain data as multiple attribute maps, e.g. forest inventory polygons linked to a database table containing all attributes as columns. This basic distinction of raster data storage provides the foundation for quantitative analysis techniques. This is often referred to as raster or map algebra. (http://planet.botany.uwc.ac.za).

    This is in contrast to most conventional vector data models that maintain data as multiple attribute maps, e.g. forest inventory polygons linked to a database table containing all attributes as columns. This basic distinction of raster data storage provides the foundation for quantitative analysis techniques. This is often referred to as raster or map algebra. (http://planet.botany.uwc.ac.za).

    Map algebra is a simple and an elegant set-based algebra for manipulating geographic data, proposed by Dr. Dana Tomlin in the early 1980s. It is a set of primitive operations in a geographic information system (GIS) which allows two or more raster layers ("maps") of similar dimensions to produce a new raster layer (map) using algebraic operations such as addition, subtraction etc. A set of tool that a GIS will typically provide is that for combining map layers mathematically. Modelling, in particular, requires that we be able to combine maps according to various mathematical combinations.

    For example, we might have an equation that predicts mean annual temperature as a result of altitude. Or, as another example, consider the possibility of creating a soil erosion potential map based on factors of soil erosion, slope gradient and rainfall intensity. Clearly we need the ability to modify data values in our maps by various mathematical operations and transformations and to combine factors mathematically to produce the final result.

    The Map Algebra tools will typically provide three different kinds of operations:

    1. The ability to arithmetically modify the attribute data values over space by a constant (i.e., scalar arithmetic).

    2. The ability to mathematically transform attribute data values by a standard operation (such as the trigonometric functions, log transformations and so on).

    3. The ability to mathematically combine (such as add, subtract, multiply, divide) different data layers to produce a composite result.

    This third operation is simply another form of overlay mathematical overlay, as opposed to the logical overlay of database query. To illustrate this, consider a model for snow melt in densely forested areas:


    where M is the melt rate in cm/day, T is the air temperature and D is the dew point temperature. Given maps of the air temperatures and dew points for a region of this type, we could clearly produce a snow melt rate map. To do so would require multiplying the temperature map by 0.19 (a scalar operation), the dew point map by 0.17 (another scalar operation) and then using overlay to add the two results. This ability to treat maps as variables in algebraic formulas is an enormously powerful capability.

    Map algebra provides one method to run spatial analyst tool. The Raster Calculator provides a powerful tool for performing multiple tasks. One can perform mathematical calculations using operators and functions, set up selection queries, or type in Map Algebra syntax. Inputs can be raster datasets or raster layers, coverages, shape files, tables, constants, and numbers. The set of operators is composed of arithmetical, relational, Boolean, bitwise, and logical operators that support both integer and floating-point values and combinatorial operators. (Ronald, 1993)

    26.4.2 Raster data formats

    Raster data models incorporate the use of a grid-cell data structure where the geographic area is divided into cells identified by row and column. This data structure is commonly called raster. While the term raster implies a regularly spaced grid other tessellated data structures do exist in grid based GIS systems. In particular, the quadtree data structure has found some acceptance as an alternative raster data model. (http://planet.botany.uwc.ac.za).

    A raster data structure is in fact a matrix where any coordinate can be quickly calculated if the origin point is known, and the size of the grid cells is known. Since grid-cells can be handled as two-dimensional arrays in computer encoding many analytical operations are easy to program. This makes tessellated data structures a popular choice for many GIS software. Several tessellated data structures exist, however only two are commonly used in GIS's. The most popular cell structure is the regularly spaced matrix or raster structure. The use of raster data structures allow for sophisticated mathematical modelling processes while vector based systems are often constrained by the capabilities and language of a relational DBMS. (http://planet.botany.uwc.ac.za).


    Since geographic data is rarely distinguished by regularly spaced shapes, cells must be classified as to the most common attribute for the cell. The problem of determining the proper resolution for a particular data layer can be a concern. If one selects too coarse a cell size then data may be overly generalized. If one selects too fine a cell size then too many cells may be created resulting in a large data volume, slower processing times, and a more cumbersome data set. As well, one can imply accuracy greater than that of the original data capture process and this may result in some erroneous results during analysis. So analysis mask. (http://planet.botany.uwc.ac.za).

    Resampling or interpolation (and reprojection) of inputs to target extent, cell size, and projection within region defined by analysis mask.


    Fig. 26.5. Mask Analysis. (Source: Slides)

    26.4.3 Vector-raster conversion

    As well, since most data is captured in a vector format, e.g. digitizing, data must be converted to the raster data structure. This is called vector-raster conversion. Most GIS software allows the user to define the raster grid (cell) size for vector-raster conversion. It is imperative that the original scale, e.g. accuracy, of the data be known prior to conversion. The accuracy of the data, often referred to as the resolution, should determine the cell size of the output raster map during conversion. (http://planet.botany.uwc.ac.za).

    26.4.3.1 Extracting information from surface

    Some tools extract vector features from surfaces, or produce tabular summaries or smaller raster samples of surfaces. (http://planet.botany.uwc.ac.za).

    The Sample tool creates a table that shows the values of a raster, or several rasters, at a set of sample point locations. The points can be in a point feature class or the cells in a raster that have values other than No Data. You might use this tool to get information about what occurs at a set of points, such as bird nesting sites, from terrain, distance to water, and forest type rasters.


    Fig. 26.6. Geology Raster Being Sampled at a set of points. (Source: http://resources.arcgis.com)

    The output table can be analyzed on its own or joined to the sample point features. Below is an example of the sample results table joined back to the original sample points.


    Fig. 26.7. Sample results Table joined back to the original sample points. (Source: http://resources.arcgis.com)

    The Extract tools create a new raster with a copy of the cells within some mask area. The Extract By Mask tool lets you use a polygon feature class to extract the raster data.


    Fig. 26.8. New Raster which has been created. (http://resources.arcgis.com)

    The Extract Values to Points tool creates a new feature class of points with the values of a single raster at a set of input point features. The Extract By Attributes tool selects cells of a raster based on a logical query. Extract By Polygon and Extract By Rectangle take lists of coordinate values that define an area and output a raster that is either inside or outside the polygon. Extract By Circle takes the centre coordinates and radius of a circle and outputs a raster that is either inside or outside the circle. Extract By Points takes a list of coordinate values that define a set of points and outputs a raster of the cell values at these points (or excluding these points). In all cases, the cells from the original raster that are not part of the Extract area are given No Data values. The 3D Analyst Surface Spot tool extracts elevation values from a surface for a set of point features and adds them to a Spot attribute of the points.

    26.5 Application of Raster Calculator

    In ArcGIS 10 the Spatial Analyst toolbox includes a Raster Calculator geoprocessing tool in the Map Algebra toolset. This is not the same raster calculator as in previous versions of ArcGIS, so keep reading to find out what it does, how it’s improved, and where to find more information.

    The Raster Calculator geoprocessing tool in ArcGIS 10 is designed to execute a single-line map algebra expression using multiple tools and operators listed on the tool dialog. When multiple tools or operators from the tool dialog are used in one expression, the performance of this equation will generally be faster than executing each of the operators or tools individually. (http://blogs.esri.com)


    Fig. 26.9. Raster calculator Tool Dialog. (Source: http://blogs.esri.com)

    The Raster Calculator tool has been designed to replace both the previous Raster Calculator from the Spatial Analyst toolbar and the Single Output Map Algebra geoprocessing tool. The Raster Calculator tool is like all other geoprocessing tools it honors geoprocessing environment settings, it can be added to Model Builder, and when used in Model Builder it supports variables in the expression. The ability to support variables in the expression makes the new Raster Calculator tool much more powerful and versatile than previous Map Algebra implementations.

    Fig. 26.10. Raster Calculator Model. (Source: http://blogs.esri.com)

    The Raster Calculator tool is used to execute Map Algebra expressions inside ArcGIS applications. The Raster Calculator is not supported in scripting because in ArcGIS 10 Map Algebra can be accessed directly when using the geoprocessing ArcPy site-package. This seamless integration of Map Algebra into Python extends the capabilities of Map Algebra by taking advantage of Python and third party Python modules and libraries making Map Algebra far more powerful than it has been in the past. The Map Algebra language in ArcGIS 10 is similar to 9.x Map Algebra with minor syntax changes due to the integration of Python most notably case sensitivity. (http://blogs.esri.com)

    26.6 Raster Calculation Example

    The grids below depict initial snow depth and average temperature over a day for an area.


    One way to calculate decrease in snow depth due to melt is to use a temperature index model that uses the formula

    Here and give the snow depth at the beginning and end of time step,T gives the temperature and m is melt factor m=0.5 cm/°C/day. Calculate the snow depth at the end of the day.

    Here using the [Eqn(26.2)] you can write

    New depth at 100m = [Snow 100m]–0.5×[temp at 150m] (26.3)

    Converting the outputs to 150m grid:

    For conversion of 100m grid to 150m grid, it will follow the nearest neighbourhood rule.

    First you have to convert the 100m grid to 150m grid. Then you have to choose the nearest grid. And after choosing the nearest grid apply the above formula.


    Converting temperature to 100m grid:

    For conversion follow the same nearest neighbour to the East and south for obtaining a 100 temperature grid.Then use the Eqn (26.3).


    26.7 Characteristics of Vector Data

    There is no limit to the attribute information which can be stored or linked to a particular feature object. Tabular data represent a special form of vector data which can include almost any kind of data, whether or not they contain a geographic component tabular data are not necessarily spatial in nature.

    A table whose information includes and is referenced by coordinates can be displayed directly on a map. The information which does not must be linked to other spatial data that do have coordinates before it can be displayed on a map. Vector data therefore consist of a series of discrete features described by their coordinate positions than graphically or in any regularly structured way. The vector model could be thought of as the opposite of raster data in this respect, since it does not fill the space it occupies not every conceivable location is represented, only those where some feature of interest exists.

    If we were to choose the vector model to represent some phenomenon that varies continuously and regularly across a region, such that the vector data necessarily become so densely populated as to resemble a raster grid, then we would probably have chosen the wrong data model for those data. (Liu and Mason, 2009).

    A zone calculated as the Euclidean distance from existing vector features, such as roads, is referred to as a buffer. Buffers are calculated at constant distance from the feature or at distances dictated by attribute values, and each zone will be the same width around the feature (see Fig. 26.11).


    Fig. 26.11. (a) Simple vector line feature map, labelled with attribute values (1 and 2) (b) output with buffers of constant distance (c) output map with buffers of distance defined by the attribute values shown in (a).

    (Source: Liu and Mason, 2009).

    Features with attribute value 1 having buffers twice the distance of those of features with attribute value 2. No-account is taken of the Earth’s curvature, so the zones will be at the same width regardless of the coordinate system. Negative distance values can be used, and these will cause a reduction in the size of the input feature. Buffers can also be generated on only one side of input features (should this be appropriate). The input layer in this case is a vector feature but the output may be a polygon file or raster. The same buffering operation can also be applied to raster data by first calculating the Euclidean distance and then reclassifying the output to exclude distances within or beyond specified thresholds the output will always be a raster in this case. Buffering in this way can be considered as the vector equivalent of conditional logic combined with raster dilation or erosion. (Liu and Mason, 2009).

    When boundaries exist between adjacent polygon or line features, they could be removed or dissolved because they have the same or similar values for a particular attribute (see Fig. 26.12).


    Fig. 26.12. Vector polygon features (a) and the Dissolved and simplified output map (b). (Source: Liu, and Mason, 2009)

    As in a geological map where adjacent litho logical units with similar or identical descriptions can sensibly be joined into one, the boundaries between them are removed by this process and the classes merged intone. Complications in the vector case arise if the features’ attribute tables contain other attributes (besides the one of interest being merged) which differ across the boundary choices must be made about how those other attributes should appear in the output dissolved layer. This is equivalent to merging raster classes through reclassification, or raster generalization/simplification. (Liu, and Mason, 2009).

    The geometry of a feature layer can be used as a mask to extract selectively a portion of another layer the input layer is thereby clipped to the extent of the mask (see Fig. 26.13). The feature layer to be clipped may contain point, line or polygon features but the feature being used as a mask must have area, i.e. it will always be polygon.

    Fig. 26.13. Vector polygon clipping, using an input vector layer from which an area will be extracted (a), the vector feature whose geometric properties will be used as the mask (b) and (c) the vector output clipped feature. (Source: Liu and Mason, 2009)

    The output feature attribute table will contain only the fields and values of the extracted portion of the input vector map, as the attributes of the mask layer are not combined. Clipping is equivalent to a binary raster zonal operation, where the pixels inside or outside the region are set as null, using a second layer to define the region or mask. (Liu and Mason, 2009).

    If two feature layers are to be integrated while preserving only those features that lie within the spatial extent of both layers, an intersection can be performed (see Figure 26.14).

    This is similar to the operation except that the two input layers are not necessarily of the same feature type. The input layers could be point, line and/or polygon, so the output features could also be point, line and/or polygon in nature.

    New vertices need to be created to produce the new output polygons, lines endpoints, through a process called cracking.


    Fig. 26.14. Intersection operation between two overlapping polygon features (a) the output intersecting polygon (b) which covers the extent and geometry of the area which the two inputs have in common the intersecting line (c) and points (d) shared by both polygons. The output attribute table contains only those fields and values that exist over the common area, line and points. (Source: Liu and Mason, 2009)

    Unlike the clip operation, the output attribute table contains fields and values from both input layers, over the intersecting feature/area. In the case of two intersecting polygons, intersection is equivalent to a Boolean operation using a logical AND (Min) operator between two overlapping raster images.

    When two input overlapping feature layers are required to be integrated such that the new output feature layer contains all the geometric features and attributes of two input layers, the union operation can be used (see Fig. 26.15).


    Fig. 26.15. Vector polygon union operation where two polygon features overlap (a) and the output object (b) covers the extent and geometry of both inputs. The output attribute table also contains the attribute fields and values of both input features. (Source: Liu and Mason, 2009)

    Since vector feature layers can contain only points or only polygons, here the inputs must be of the same type but the number of inputs is not limited to two. Again, new vertices will be created through cracking. This is similar to the intersect operation but the output will have the total extent of the input layers. New, minor polygons are created wherever polygons overlap. The attribute table of the output layer contains attribute fields of both the input layers, though some of the entries may be blank. In the polygon case, it is equivalent to a binary raster operation using logical OR (Max) operator between overlapping images. (Liu and Mason, 2009).

    Mots clés: Raster Calculator, Map Algebra, Raster data formats, Sampling rasters, Buffers, Dissolve, Clipping, Intersection


    Morphometric analysis in geographic information systems: applications of free software GRASS and R ☆

    Development and interpretation of morphometric maps are important tools in studies related to neotectonics and geomorphology Geographic Information Systems (GIS) allows speed and precision to this process, but applied methodology will vary according to available tools and degree of knowledge of each researcher about involved software.

    A methodology to integrate GIS and statistics in morphometric analysis is presented for the most usual morphometric parameters—hypsometry, slope, aspect, swath profiles, lineaments and drainage density, surface roughness, isobase and hydraulic gradient.

    The GIS used was the Geographic Resources Analysis Support System (GRASS-GIS), an open-source project that offers an integrated environment for raster and vector analysis, image processing and maps/graphics creation. Statistical analysis of parameters can be carried out on R, a system for statistical computation and graphics, through an interface with GRASS that allows raster maps and points files to be treated as variables for analysis.

    The basic element for deriving morphometric maps is the digital elevation model (DEM). It can be interpolated from scattered points or contours, either in raster or vector format it is also possible to use DEMs from NASA's Shuttle Radar Topographic Mission, with 30 m of ground resolution for the USA and 90 m for other countries.

    Proposed methodology can be adapted according to necessities and available tools. The use of free and open-source tools guarantees access to everyone, and its increasing popularization opens new development perspectives in this research field.


    Voir la vidéo: extract raster by mask QGIS (Octobre 2021).