Suite

Calculer l'échelle d'un raster


Un raster a une taille de cellule de 200 mètres. Quelle est l'échelle correspondante du raster ?

Nouveau dans le SIG, utilisant ESRI, le semestre est presque terminé mais cette question est déroutante. Je ne pensais pas que vous pouviez calculer l'échelle du raster dans la mesure où l'on vous donne une taille de cellule de 200 mètres et à ma connaissance, ou à mon manque, l'échelle correspondante serait celle que l'ensemble de données utilise ou que vous ajustez l'échelle à.


Les rasters n'ont pas vraiment d'échelle, ils ont une résolution, qui dans votre cas est de 200 m. Vous pouvez calculer une échelle de visualisation appropriée pour une résolution raster donnée en fonction de la capacité à distinguer les entités.

L'article du blog ArcGIS sur l'échelle de la carte et la résolution raster traite de ceci :

En 1987, Waldo Tobler, cartographe analytique renommé (maintenant émérite de l'Université de Californie-Santa Barbara) a écrit : « La règle est : divisez le dénominateur de l'échelle de la carte par 1 000 pour obtenir la taille détectable en mètres. La résolution est la moitié de ce montant.

(couper)

Voici donc la résolution appropriée pour un ensemble sélectionné d'échelles de carte :

Par exemple, si vous n'étiez pas sûr de la résolution d'imagerie que vous deviez acquérir pour détecter des entités à une échelle de carte de 1:50 000, en utilisant la règle de Tobler ci-dessus, vous pouvez déterminer cette imagerie d'une résolution d'environ 25 m [50 000/(1000*2)] serait suffisant.

De même, si vous avez besoin de connaître l'échelle de cartographie à partir d'une résolution d'imagerie connue, vous pouvez le faire à l'aide de la formule ci-dessous :

Échelle de la carte = Résolution raster (en mètres) * 2 * 1000

Deux, comme utilisé dans l'équation ci-dessus, double la résolution. Ensuite, ce nombre est multiplié par 1000 pour obtenir l'échelle de la carte.

Voici un exemple. Supposons que vous ayez un raster avec une résolution de 30 mètres. Chaque pixel mesure 30 mètres sur une taille (une superficie de 900 mètres carrés). Vous doublez cela pour obtenir quatre pixels (deux lignes et deux colonnes) avec une résolution de 60 mètres sur une taille (une superficie de 3600 mètres carrés). Ensuite, vous multipliez cette résolution de 60 mètres par 1000 pour obtenir une échelle de carte de 60 000.

(couper)


selon notre bon ami "Tobler", qui a déclaré que pour calculer l'échelle de la carte, multipliez la résolution raster (qui devrait être en mètres) par 2 multiplié par 1000. Donc, dans ma question ci-dessus, mon équation s'est terminée comme ceci ici :

échelle de la carte = 200 mètres x 2 x 1000

échelle de la carte = 1:400 000

voilà

bien sûr, toutes les excellentes sources de données méritent les crédits appropriés, donc après avoir jonglé avec l'inverse d'une autre équation, j'ai en quelque sorte dérivé la réponse dont j'avais besoin ! Merci ESRI, en classe et pour l'enseignement en laboratoire. Merci Rajnagi !!

la référence que j'ai utilisée a été initialement publiée par rajnagi le 12 décembre 2010

"A l'échelle de la carte et à la résolution raster"

Par Rajinder Nagi, ingénieur produit cartographique Esri

http://blogs.esri.com/esri/arcgis/2010/12/12/on-map-scale-and-raster-resolution/


  • Accepte et traite directement les valeurs d'entrée continues sans exiger que les valeurs soient regroupées en catégories.
  • Permet d'appliquer des fonctions continues linéaires et non linéaires aux données d'entrée.
  • Rééchelonne les valeurs d'entrée sur une échelle d'évaluation continue à virgule flottante.

Revoir le vocabulaire essentiel de cet outil peut aider à comprendre les explications suivantes.

  1. Appliquez la fonction spécifiée aux valeurs raster en entrée.
  2. Transformez linéairement les valeurs de la fonction en une échelle d'évaluation spécifiée. Dans une échelle d'évaluation ascendante, les valeurs de fonction minimale et maximale sont définies respectivement sur le minimum ( De l'échelle ) et le maximum ( À l'échelle ) spécifiés de l'échelle d'évaluation. Cependant, l'échelle d'évaluation peut également être inversée pour une échelle décroissante.

L'illustration suivante montre un exemple de graphique de fonction Puissance pour présenter les concepts généraux et la terminologie associés à l'application d'une fonction de transformation.

Un exemple de tracé de la fonction Puissance, avec une valeur de 2 pour l'exposant et une échelle d'évaluation de 1 à 10

La plage de données d'entrée pour cet exemple est de 3 000 à 5 000. La valeur la plus basse dans le raster en entrée est définie sur la valeur du seuil inférieur et la plus élevée sur le seuil supérieur (vu sur l'axe des x), la fonction Puissance étant contrainte (ajustement) entre les seuils. Les paramètres de contrôle de forme définissent la forme de la fonction, tels que le décalage d'entrée et l'exposant pour la fonction Puissance, vous permettant de contrôler où la fonction commence et à quelle vitesse elle augmentera. Les valeurs de fonction résultantes de la fonction Puissance sont ensuite transformées linéairement en échelle d'évaluation pour attribuer les valeurs de sortie. Dans le graphique ci-dessus, une échelle d'évaluation de 1 à 10 a été définie à l'aide des paramètres Échelle De et Échelle À, comme on peut le voir sur l'axe des y.

Par défaut, la valeur minimale du raster en entrée est affectée à la valeur de seuil inférieur et la valeur maximale à la valeur de seuil supérieur.

  • Les fonctions linéaires et symétriques linéaires, par définition, sont ajustées puisque le minimum et le maximum des fonctions sont définis au minimum (le seuil inférieur) et au maximum (le seuil supérieur) du Raster en entrée .
  • Une version ajustée des fonctions Exponentiel et Logarithme est appliquée aux valeurs du Raster en entrée .
  • Autant de paramètres que possible sont dérivés du raster en entrée (par exemple, le point médian , le facteur et le décalage en entrée ) pour obtenir le meilleur ajustement pour Gaussian, Near, Small, MS Small, Large, MS Large, Power, Logistic Growth , et les fonctions Logistic Decay.
  1. Si une cellule d'entrée a une valeur inférieure au seuil inférieur , elle sera affectée à la valeur définie dans le paramètre Valeur inférieure au seuil.
  2. Si une cellule d'entrée a une valeur supérieure au seuil supérieur , elle sera affectée à la valeur définie dans le paramètre Valeur au-dessus du seuil.
  3. Toutes les valeurs de cellule, y compris et entre le seuil inférieur et le seuil supérieur , seront affectées à l'échelle d'évaluation correspondante en fonction de la valeur de la fonction, f(x). Dans certains cas, lorsqu'un paramètre de contrôle de forme (par exemple, Étaler et Exposant ) est modifié, le raster en sortie peut ne pas avoir de cellules affectées aux valeurs d'échelle De ou À.

Par défaut, les paramètres définissant la forme de la fonction (par exemple, Spread ou Base factor ) seront calculés pour ajuster au mieux (contraindre) la fonction au minimum et au maximum du Raster en entrée . Cependant, les paramètres de contrôle de forme peuvent être modifiés pour affiner l'ajustement de la fonction à l'interaction de préférence du phénomène avec les valeurs des critères. Lorsqu'une valeur est spécifiée pour un paramètre de contrôle de forme, la fonction résultante, en conjonction avec les valeurs de seuil inférieure et supérieure, sera utilisée pour redimensionner les valeurs raster en entrée, la version ajustée de la fonction ne sera pas utilisée.

Les échelles De et A définissent les valeurs supérieure et inférieure de l'échelle d'évaluation continue. La plus petite valeur de fonction est affectée à la valeur définie pour l'échelle De et la plus grande valeur de fonction est affectée à la valeur définie pour l'échelle À. Toutes les valeurs de fonction intermédiaires sont affectées aux valeurs d'évaluation appropriées.

L'échelle d'évaluation peut être définie pour aller de bas à haut (par exemple, 1 à 10) ou de haut à bas (par exemple, 10 à 1).

Les valeurs Valeur inférieure au seuil et Valeur supérieure au seuil sont affectées à toutes les cellules qui ont une valeur d'entrée inférieure et supérieure aux seuils, respectivement. Ces valeurs sont affectées directement au raster en sortie final et ces cellules ne sont pas prises en compte dans le traitement de la fonction de transformation.

Dans la boîte de dialogue de l'outil, généralement lorsque le seuil inférieur ou le seuil supérieur est modifié, les paramètres de contrôle de la forme (paramètres définissant la forme de la fonction, par exemple, Spread ou Facteur de base) sont automatiquement recalculés. Cependant, lorsqu'un paramètre de contrôle de forme est modifié, les valeurs de seuil inférieur et de seuil supérieur ne changeront pas automatiquement, et si le seuil inférieur ou le seuil supérieur est modifié par la suite, le paramètre de contrôle de forme modifié (et tout autre paramètre de contrôle de forme associé ) conservera le réglage modifié et il ne sera pas recalculé.

Les paramètres de contrôle de forme pour la fonction (par exemple, Spread ou Base factor ) et les seuils inférieur et supérieur sont basés sur des statistiques calculées pour l'étendue de traitement actuelle, la taille de cellule et les paramètres d'environnement raster d'accrochage. Si aucun de ces éléments n'est défini, les statistiques associées à l'étendue totale du raster en entrée sont utilisées.

  • L'étendue de traitement de l'environnement, la taille de cellule ou le raster d'accrochage sont définis avant le lancement de la boîte de dialogue de l'outil.
  • Le raster en entrée n'a pas de statistiques.

Dans la boîte de dialogue de l'outil, si l'étendue de traitement de l'environnement, la taille de cellule ou le raster d'accrochage est modifié après la saisie d'un raster en entrée et la spécification d'une fonction, les paramètres de la fonction peuvent être définis sur vide (aucune valeur dans le paramètre). Cliquez sur le bouton Calculer les statistiques pour remplir les paramètres afin d'afficher les valeurs de la nouvelle étendue. Si le seuil inférieur , le seuil supérieur ou tout autre paramètre de contrôle de forme est modifié en saisissant une valeur, l'outil suivra que ces paramètres ont été modifiés. Si l'étendue du traitement est modifiée, les valeurs de ces paramètres resteront telles que spécifiées après avoir cliqué sur le bouton Calculer les statistiques.

  1. Exécutez Rescale by Function en appliquant une fonction linéaire aux valeurs d'entrée de 1 500 à 3 200 et définissez les valeurs au-dessus et en dessous des seuils sur 0.
  2. Exécutez l'outil une deuxième fois sur le même raster en entrée, cette fois, en appliquant une fonction exponentielle aux valeurs supérieures à 3 200 et jusqu'à 5 000, et définissez les valeurs au-dessus et en dessous des seuils sur 0.
  3. Ajoutez les deux rasters en sortie résultants avec l'outil Plus.

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


1 réponse 1

L'ensemble de données fidèle a déjà une colonne pour la densité qui est les estimations de la densité 2D pour l'attente et les éruptions. Vous pouvez constater que les éruptions et l'attente dans l'ensemble de données sont des points dans une grille. Lorsque vous utilisez geom_raster , il ne calcule pas la densité pour vous. Au lieu de cela, il trace la densité en fonction des coordonnées x, y, dans ce cas, est la grille. Par conséquent, si vous appliquez simplement la transformation log sur y, cela déformera la différence entre y (à l'origine, ils sont également espacés) et c'est pourquoi vous voyez l'espace dans votre tracé. J'ai utilisé des points pour visualiser les effets :

Si vous voulez vraiment transformer y à l'échelle logarithmique et produire le diagramme de densité, vous devez utiliser le jeu de données fidèle avec geom_density_2d .

Mise à jour : utilisez geom_rect et fournissez des valeurs personnalisées xmin, xmax, ymin, ymax pour s'adapter aux espaces de l'échelle du journal.

Étant donné que geom_raster utilise la même taille de tuiles, vous devrez probablement utiliser geom_tile ou geom_rect pour créer le tracé. Mon idée est de calculer la taille (largeur) de chaque carreau et d'ajuster le xmin et le xmax pour chaque carreau pour combler l'écart.


SIG : Systèmes d'Information Géographique - Introduction

L'objectif du cours est de donner des connaissances théoriques et pratiques de base sur les concepts et méthodes de traitement et d'analyse des données géographiques avec les Systèmes d'Information Géographique, SIG. Il fournit également une introduction à la cartographie et à la géodésie. Le cours met en évidence les problèmes géographiques généraux au sein de l'environnement et de la société à travers des applications SIG pratiques, des conditions suédoises et internationales et varie en échelle du local au régional.

Le cours "Système d'Information Géographique, introduction" vous donne les bases de la représentation et de l'analyse des éléments spatiaux. Le cours met en évidence les problèmes géographiques généraux de la société et de l'environnement et comment ils peuvent être traités à l'aide du SIG. Vous apprenez la cartographie de base, y compris les projections et les systèmes de référence géographiques, les données géographiques numériques (cartes, images et tableaux), l'analyse de base des données au format vectoriel et raster et la présentation des données géographiques au format cartographique à l'aide d'applications à l'échelle régionale et locale. Les bases de données et la gestion des données d'attributs sont également incluses dans le cours. Après avoir terminé le cours, vous aurez une solide connaissance de base sur la façon de travailler avec les données géographiques numériques et les SIG.


5. Numérisation raster

Les systèmes de télédétection fonctionnent généralement de la même manière que le scanner numérique que vous avez peut-être connecté à votre ordinateur personnel. Des scanners comme celui illustré ci-dessous créent une image numérique d'un objet en enregistrant, pixel par pixel, l'intensité de la lumière réfléchie par l'objet. Le composant qui mesure la réflectance s'appelle la tête de balayage, qui se compose d'une rangée de minuscules capteurs qui convertissent la lumière en charges électriques. Les scanners couleur peuvent avoir trois sources lumineuses et trois ensembles de capteurs, un pour les longueurs d'onde bleue, verte et rouge de la lumière visible. Lorsque vous appuyez sur un bouton pour numériser un document, la tête de numérisation est propulsée rapidement sur l'image, un petit pas à la fois, enregistrant de nouvelles rangées de signaux électriques au fur et à mesure. Les données de télédétection, comme les images produites par votre scanner de bureau, se composent de valeurs de réflectance disposées en lignes et en colonnes qui constituent des grilles raster.

Une fois que la tête de balayage a converti les réflectances en signaux électriques, un autre composant, appelé convertisseur analogique-numérique, convertit les charges électriques en valeurs numériques. Bien que les réflectances puissent varier de 0 % à 100 %, les valeurs numériques vont généralement de 0 à 255. En effet, les valeurs numériques sont stockées sous forme d'unités de mémoire appelées bits. Un bit représente un seul entier binaire, 1 ou 0. Plus il y a de bits de données stockés pour chaque pixel, plus les réflectances peuvent être représentées avec précision dans une image numérisée. Le nombre de bits stockés pour chaque pixel est appelé le peu profond d'une image. Une image de 8 bits est capable de représenter 2 8 (256) valeurs de réflectance uniques. Un scanner de bureau couleur peut produire des images 24 bits dans lesquelles 8 bits de données sont stockés pour chacune des longueurs d'onde bleue, verte et rouge de la lumière visible.

Comme vous pouvez l'imaginer, numériser la surface de la Terre est considérablement plus compliqué que numériser un document papier avec un scanner de bureau. Contrairement au document, la surface de la Terre est trop grande pour être numérisée en une seule fois, et doit donc être numérisée pièce par pièce et mosaïquée plus tard. Les documents sont plats, mais la forme de la Terre est courbe et complexe. Les documents restent immobiles pendant qu'ils sont numérisés, mais la Terre tourne continuellement autour de son axe à une vitesse de plus de 1 600 kilomètres par heure. Dans le scanner de bureau, la tête de numérisation et le document ne sont séparés que par une plaque de verre. Les systèmes de détection par satellite peuvent être à des centaines ou des milliers de kilomètres de leurs cibles, séparés par une atmosphère qui est loin d'être aussi transparente que le verre. Et tandis qu'un document dans un scanner de bureau est éclairé de manière uniforme et cohérente, la quantité d'énergie solaire réfléchie ou émise par la surface de la Terre varie avec la latitude, la période de l'année et même l'heure de la journée. Toutes ces complexités se combinent pour produire des données avec des distorsions géométriques et radiométriques qui doivent être corrigées avant que les données ne soient utilisées pour l'analyse. Plus loin dans ce chapitre, nous aborderons certaines des techniques de traitement d'images utilisées pour corriger les données d'images de télédétection.


Opérations de zone

Une opération zonale est utilisée sur des groupes de cellules de valeur similaire ou de caractéristiques similaires, sans surprise appelées zones (par exemple, parcelles de terrain, unités politiques/municipales, plans d'eau, types de sol/végétation). Ces zones pourraient être conceptualisées comme des versions matricielles de polygones. Les rasters zonaux sont souvent créés en reclassant un raster en entrée en quelques catégories seulement (voir Section 8.2.2 « Opérations de voisinage »). Les opérations zonales peuvent être appliquées à un seul raster ou à deux rasters superposés. Étant donné un seul raster en entrée, les opérations zonales mesurent la géométrie de chaque zone du raster, telle que la surface, le périmètre, l'épaisseur et le centroïde. Étant donné deux rasters dans une opération zonale, un raster en entrée et un raster zonal, une opération zonale produit un raster en sortie, qui résume les valeurs de cellule dans le raster en entrée pour chaque zone dans le raster zonal (Figure 8.7 « Opération zonale sur un jeu de données raster ").

Figure 8.7 Opération zonale sur un jeu de données raster

Les opérations et les analyses zonales sont précieuses dans des domaines d'étude tels que l'écologie du paysage où la géométrie et la disposition spatiale des parcelles d'habitat peuvent affecter de manière significative le type et le nombre d'espèces qui peuvent y résider. De même, les analyses zonales peuvent quantifier efficacement les corridors d'habitat étroits qui sont importants pour le mouvement régional des espèces animales migratrices incapables de voler qui traversent des zones autrement densément urbanisées.


A propos des images raster dans les dessins

Par:

Les images raster se composent d'une grille rectangulaire de petits carrés ou de points appelés pixels. Par exemple, une photographie d'une maison est constituée d'une série de pixels colorisés pour représenter l'apparence d'une maison. Une image raster référence les pixels d'une grille spécifique.

Les images raster, comme de nombreux autres objets de dessin, peuvent être copiées, déplacées ou découpées. Vous pouvez modifier une image avec des modes de préhension, ajuster une image pour le contraste, découper l'image avec un rectangle ou un polygone, ou utiliser une image comme arête de coupe pour un rognage.

Les formats de fichier image pris en charge par le programme incluent les formats les plus couramment utilisés dans les principaux domaines d'application d'imagerie technique : infographie, gestion de documents, ingénierie, cartographie et systèmes d'information géographique (SIG). Les images peuvent être à deux tons, en gris 8 bits, en couleur 8 bits ou en couleur 24 bits. Les images avec une profondeur de couleur de 16 bits ne sont pas prises en charge.

Plusieurs formats de fichiers image prennent en charge les images avec des pixels transparents. Lorsque la transparence de l'image est activée, le programme reconnaît ces pixels transparents et permet aux graphiques de la zone de dessin de « apparaître à travers » ces pixels. (Dans les images à deux tons, les pixels d'arrière-plan sont traités comme transparents.) Les images transparentes peuvent être en niveaux de gris ou en couleur.


Conversion de raster en vectoriel¶

En nuestra discusión de datos vectoriales, explicamos que a menudo los datos ráster se utilizan como una imagen de fondo, que luego se utilizada como une base desde la cual se pueden digitalizar objetos espaciales.

Une autre approche consiste à utiliser des programmes informatiques avancés pour extraire automatiquement les caractéristiques vectorielles des images. Certaines caractéristiques telles que les routes apparaissent dans une image sous la forme d'un changement soudain de couleur par rapport aux pixels voisins. Le programme informatique recherche de tels changements de couleur et crée des caractéristiques vectorielles en conséquence. Ce type de fonctionnalité n'est normalement disponible que dans des logiciels SIG très spécialisés (et souvent coûteux).


Publications avant 2010

Emch, M. E. (1999) Risque de maladie diarrhéique à Matlab, Banglesh. Sciences sociales et médecine 49 , 519-530.

Ali, M., M. Emch, C. Ashley & P. K. Streatfield (2001) Mise en œuvre d'un système d'information géographique médicale : concepts et utilisations. Journal de la santé, de la population et de la nutrition 19, 100-110.

Ali, M., M. E. Emch, M. Tofali & A. H. Baqui (2001) Implications of Health Care Provision on Acute Lower Respiratory Infection Mortality in Bangladesh Children. Sciences sociales et médecine, 52, 267-277.

Emch, M. E. 2001. L'écologie humaine de la déforestation au Bangladesh. Dans Déforestation, environnement et développement durable : une analyse comparative éd. D. Vajpeyi, 71-90. Westpoint, Connecticut Praeger.

Emch, M. E. & M. Ali (2001) Modèles spatiaux et temporels des maladies diarrhéiques à Matlab, Bangladesh. Environnement et Aménagement A, 33, 339-350.

Ali, M., M. Emch, J. P. Donnay, M. Yunus & R. B. Sack (2002) identifiant les facteurs de risque environnementaux pour le choléra endémique au Bangladesh. Santé & Lieu, 8, 201-210.

Ali, M., M. Emch, J. P. Donnay, M. Yunus & R. B. Sack (2002) L'épidémiologie spatiale du choléra dans une zone d'épidémie au Bangladesh. Sciences sociales et médecine, 55, 1015-1024.

Ali, M., M. E. Emch & J. P. Donnay (2002) Filtrage spatial à l'aide d'un système d'information géographique raster : méthodes de mise à l'échelle des données sanitaires et environnementales. Santé & Lieu, 8,85-92.

Ali, M., M. E. Emch, M. Yunus & R. B. Sack (2002) Les niches environnementales de Vibrio Cholerae 0139 sont-elles différentes de celles de Vibrio Cholerae El Tor ? Journal international des maladies infectieuses, 5, 214-219.

Emch, M. E., A. Naheed et M. Ali. 2002. Maladie tropicale. Dans Encyclopédie de l'Asie moderne éd. D. Levinson et K. Christensen. New York : les fils de Charles Scribner.

Salim, M. D., T. Strauss & M. Emch (2002) Un système intelligent intégré au SIG pour l'optimisation de la gestion des actifs pour l'entretien des routes et des ponts Intelligence Artificielle Appliquée, 628-637.

Ali, M., Y. Wagatsuma, M. Emch & R. F. Breiman (2003) Utilisation du système d'information géographique pour définir le risque spatial de transmission de la dengue au Bangladesh : rôles pour Aedes Albopictus dans une épidémie urbaine. Journal américain de médecine tropicale et d'hygiène, 69, 634-640.

Emch, M. E. (2003) L'écologie humaine de la culture du cacao maya dans le district de Toledo, Belize Écologie humaine 31, 111-131.

Emch, M. E. & M. Ali. 2003. Analyse de grappes spatiales pour la recherche étiologique et l'identification des facteurs de risque socio-environnementaux. Dans Systèmes d'Information Géographique et Application Santé éd. O. Khan et R. Skinner, 172-187. Hershey, Pennsylvanie : édition du groupe d'idées

Ali, M., M. Emch, L. v. Seidlein, M. Yunus, D. A. Sack, J. Holmgren, M. Rao & J. D. Clemens (2005) Herd Immunity Confere by Killed Oral Cholera Vaccines in Bangladesh.Lancette, 366, 44-49.

Ali, M., JK Park, D. Thiem, L. v. Seidein, D. Canh, ME Emch & JD Clemens (2005) Taille du quartier et vérification géographique locale des événements de santé : test d'homogénéité d'Uisng Hartley pour sélectionner l'optimum Taille du quartier. Revue internationale des géographies de la santé 4.

Emch, M., J. Quinn, M. PetersonM & M. Alexander (2005) Changement de couvert forestier dans le district de Toledo, Belize de 1975 à 1999 : une perspective de télédétection. Le géographe professionnel 57, 256-267.

Ali, M., P. Goovaerts, N. Nazia, M. Z. Haq, M. Yunus & M. Emch (2006) Application du krigeage de Poisson à la cartographie de l'incidence du choléra et de la dysenterie dans une zone endémique du Bangladesh. Journal international des géographies de la santé, 5, 1-11.

Emch, M., M. Ali, M. Yunus, J. K. Park, D. Sack & J. D. Clemens (2006) Relationahip entre la couverture vaccinale contre le choléra oral tué au niveau du quartier et l'efficacité préventive : preuves de l'immunité collective. Journal international d'épidémiologie, 35, 1044-1050.

Emch, M. & M. Peterson (2006) Changement de couverture forestière de mangrove dans les Sundarbans du Bangladesh de 1989 à 2000 : une approche de télédétection. Géocarto International 21, 5-12.

Martn, N. & N. Theodore. 2006. Districts de fabrication prévus dans Normes d'urbanisme et de design urbain éd. Association A.P. Hoboken, Pays-Bas : Wiley.

McGrath, S. & N. Martin. 2006. Travail non réglementé : l'application est-elle la prochaine bataille dans la lutte pour les droits des travailleurs ? Dans Micro monde réel : un lecteur de microéconomie de Dollars & Sense éd. D. Au coin du feu et C. Tilly, 41-44. Boston : Dollars et bon sens

Theodore, N., N. Martin & R. Hollon (2006) Sécurisation de la ville : marchés émergents dans la fourniture privée de services de sécurité à Chicago. Justice sociale 33, 85-100.

.Emch, M., M. Ali, M. Yunus, D. Sack, C. Acosta et J. D. Clemens (2007) Calcul de l'efficacité dans les essais de vaccins ramdomisés : mesures globales ou locales ? Santé & Lieu, 13, 238-248.

Martin, N., S. Morales & N. Theodore (2007) Centres de travailleurs migrants : lutte contre la déclassement sur le marché du travail à bas salaire. GéoJournal 68, 155-165.

Theodore, N. & N. Martin (2007) Migrant Civil Society: New Voices in the Struggle Over Community Development Journal des Affaires Urbaines, 29, 269-287.

Theodore, N., N. Martin et R. Hollon. 2007. Der öffentliche Sektor als Sicherheitsmarkt in Chicago In Kontrollierte Urbanität. Zur Neoliberalisierung städtischer Sicherheitspolitikéd. V. Eick, J. Sambale et E. Töpfer, 83-105. Bielefeld : Transcription Verlag.

Wan, X.-F., G. Chen, F. Luo, M. Emch et R. Donis (2007) Un algorithme de génotype quantitatif reflétant les niches de grippe aviaire H5N1. Bioinformatique 23, 2368-2375.

Wan, X. F., X. M. Wu, G. LIn, S. B. Holton, R. A. Desmone, C. R. Shyu, Y. Guan et M. Emch (2007) Identification informatique des réassortiments dans les virus de la grippe aviaire.Doses aviaires, 51, 434-439.

Ali, M., M. Emch, M. Yunus, D. Sack, A. Lopez, J. Holmgren & J. Clemens (2008) Vaccine Protection of Bangladesh Infants and Young Children Against Cholera: Implications for Vaccine Deployment and Person to -Transmission de personne. Le Journal des maladies infectieuses pédiatriques, 27, 33-37.

Cordero-Guzman, H., N. Martin, V. Quiroz-Becerra & N. Theodore (2008) Voter avec leurs pieds : organisations à but non lucratif et mobilisation des immigrants Scientifique américain du comportement, 52, 598-617.

Emch, M., M. Ali & M. Yunus (2008) Zones à risque et facteurs de risque au niveau du quartier pour Shigella dysenteriae 1 et Shigella flexneri : implications pour le développement de vaccinsSanté & Lieu, 14, 96-105.

Emch, M., C. Feldacker, M. S. Islam & M. Ali (2008) Saisonnalité du choléra de 1974 à 2005 : examen des tendances mondiales Journal international des géographies de la santé, 7, 1-33.

Emch, M., C. Feldacker, M. Yunus, P. K. Streatfield, V. Thiem, D. Canh & M. Ali (2008) Facteurs environnementaux locaux du choléra au Bangladesh et au Vietnam. Journal américain de médecine tropicale et d'hygiène, 78, 823-832.

Mena, C. F., S. J. Walsh & R. E. Bilsborrow (2008) Succession de forêts secondaires dans le nord de l'Amazonie équatorienne : interactions entre les personnes, le lieu et l'environnement. Changement environnemental régional.

Wan, X.-F., T. Nguyen, C. Smith, Z. Zhao, M. Carrel, C. Davis, A. Balish, F. Luo, M. Emch, A. Klimov & R. Donis (2008) Évolution des virus hautement pathogènes de la grippe aviaire H5N1 au Vietnam entre 2001 et 2007. PLoS One, 3, 10.

Ali, M., M. Emch, M. Yunus & J. Clemens (2009) Modélisation de l'hétérogénéité spatiale du risque de maladie et évaluation de l'impact de la vaccination Vaccin, 27, 3724-3729.

Arévalo, E. B. & M. A. Ros-Tonen (2009) Discours, négociations de pouvoir et organisation politique autochtone dans les partenariats forestiers : le cas de Selva de Matavén, Colombie.Écologie humaine, 37, 733-747.

Carrel, M., M. Emch, K. Streatfield & M. Yunus (2009) Regroupement spatio-temporel du choléra : l'impact de la lutte contre les inondations à Matlab, Bangladesh, 1983-2003. Santé & Lieu, 15,771-781.

Cravey, A. J. (2009) Créer un lien culturel. Historien junior de Tar Heel, 49, 30-32.

DeFilippis, J., N. Martin, A. Bernhardt & S. McGrath (2009) Sur le caractère et l'organisation du travail non réglementé dans les villes des États-Unis. Géographie urbaine, 30, 63-90.

Emch, M., M. Ali, E. D. Root & M. .Yunus (2009) Analyse de connectivité spatiale et environnementale dans les essais de vaccins Sciences sociales et médecine, 68, 631-637.

Hwang, T., L. Band & T. Hales (2009) Processus écosystémiques à l'échelle du bassin versant : extension de la théorie de l'optimalité de la parcelle au bassin versant. Recherche sur les ressources en eau 45, 1-20.

Root, E. D., R. Meyer & M. Emch (2009) Données probantes sur le regroupement localisé des naissances de gastroschisis en Caroline du Nord, 1999-2004. Sciences sociales et médecine, 68, 1361-1367.

Wan, X.-F., M.E. Emch & Z.-M. Zhao. 2009. Avancées dans l'évolution moléculaire du virus de la grippe A en Vision globale de la lutte contre la grippe, éd. P.M. Mitrasinovic. New York : Nova Science Publishers Inc.


Calculer l'échelle d'un raster - Systèmes d'Information Géographique

Jeu de données raster montrant la probabilité de concentrations élevées de nitrate dans les eaux souterraines du Colorado, régions hydrogéomorphes et estimations de l'utilisation d'engrais non incluses. 1.0 Données numériques raster

Les projets de réglementation fédérale (US Environmental Protection Agency, Pesticides and Ground Water State Management Plan Regulation Proposed Rule, US Federal Register, v. 61, n° 124, 26 juin 1996, p. 33260-33301) peuvent exiger que chaque État élabore un Plan national de gestion des pesticides (PMP) pour les herbicides atrazine, alachlor, métolachlor et simazine. Le Colorado Agricultural Chemicals and Groundwater Protection Program--un effort de coopération du Colorado Department of Agriculture (CDA), du Colorado Department of Public Health and Environment (CDPHE) et de la Colorado State University Cooperative Extension (CSUCE)--développe un PMP pour chacun des herbicides et bénéficierait d'une carte qui pourrait être utilisée pour prédire la probabilité de détection d'atrazine et de DEA dans les eaux souterraines. La carte pourrait être intégrée au PMP et fournir une base hydrogéologique solide pour la gestion de l'atrazine au Colorado. D'autres organisations et programmes qui pourraient bénéficier de cartes prédisant la probabilité de détection d'atrazine, de DEA et de concentrations élevées de nitrate dans les eaux souterraines comprennent l'industrie agrochimique, les gouvernements des comtés et des villes, les agriculteurs, les commissions de planification et de zonage, les programmes d'éducation pour les applicateurs , et les programmes de l'État liés à la protection des têtes de puits, à l'eau potable, à Home-A-Syst et aux meilleurs plans de gestion (BMP&aposs). Pour répondre à ces besoins, le US Geological Survey (USGS), en coopération avec le CDA, le CDPHE et le CSUCE, a mené une étude pour développer des cartes permettant de prédire la probabilité de détecter de l'atrazine et (ou) de la DEA et des concentrations élevées de nitrate dans les eaux souterraines. dans le Colorado.

L'échelle la plus fine à laquelle cet ensemble de données doit être utilisé est de 1: 250 000, qui est l'échelle des données sur les sols utilisées pour développer cet ensemble de données. Cet ensemble de données a été créé en combinant plusieurs couches différentes de données SIG, y compris l'utilisation d'herbicides, l'utilisation d'engrais, les régions hydrogéomorphes, la couverture terrestre et les sols. Les données sur l'utilisation d'herbicides ont été obtenues auprès de Battaglin et Goolsby (1994), qui ont préparé des couvertures SIG des estimations d'utilisation d'herbicides pour les 20 herbicides les plus utilisés aux États-Unis voisins sur la base des données compilées par Gianesi et Puffer (1991). Les estimations de Gianesi et Puffer&aposs (1991) pour chaque comté comprenaient le nombre d'acres traités, les livres d'ingrédient actif utilisées et les livres utilisées par mile carré. Bien que les données sur la superficie cultivée représentent l'année de croissance 1987, les estimations d'utilisation d'herbicides reflètent généralement les quantités utilisées en 1989 (Gianessi et Puffer, 1991). Lorsque les grilles de probabilité finales ont été créées pour cette étude, l'utilisation d'atrazine n'a été attribuée qu'aux zones des couvertures SIG qui délimitent la couverture des terres agricoles irriguées (classification de la couverture des terres des pâturages/foin et cultures en rangs) car ce sont les zones où la plupart, , l'utilisation agricole d'atrazine se produit. Les estimations de l'utilisation d'engrais azotés pour 1997 ont été élaborées par David Lorenz (U.S. Geological Survey, communication écrite, 2001). Premièrement, les estimations de la quantité totale d'engrais azotés vendus au Colorado en 1997 ont été obtenues auprès de l'Association of American Plant Food Control Officials (AAPFCO) de l'Université du Kentucky. Le total à l'échelle de l'État a été calculé au prorata pour chaque comté sur la base des montants des dépenses d'engrais par les agriculteurs qui ont été déclarés dans le recensement de l'agriculture de 1997. Lorsque les grilles de probabilité finales ont été créées pour cette étude, l'utilisation d'engrais azotés a été attribuée uniquement aux zones couvertes par le SIG qui délimitent la couverture des terres agricoles (classification de la couverture des terres des pâturages/foin et cultures en rangs). Un ensemble de données SIG délimitant les régions hydrogéomorphes du Colorado a été développé pour cette étude. Les régions hydrogéomorphes sont similaires dans leur concept aux aquifères régionaux mais se distinguent des aquifères régionaux en ce que les régions hydrogéomorphes sont délimitées sur la base des emplacements géographiques généraux des matériaux géologiques et non sur les emplacements réels des aquifères. A comprehensive coverage of regional aquifers for all of Colorado was not available, but hydrogeomorphic regions satisfied the needs of this study. Hydrogeomorphic regions were delineated by combining information from three sources. The first source was the geologic map of Colorado (Tweto, 1979), which was digitized by Green (1992). Unconsolidated alluvial regions were delineated by using the alluvial, gravel, eolian, and glacial deposits of Quaternary age that are delineated on the geologic map of Colorado. The second source was a GIS coverage delineating the boundary of the High Plains aquifer (Cederstrand and Becker, 1999) that was compiled from a digital coverage created for publication of paper maps in McGrath and Dugan (1993). The third source was a GIS coverage digitized from reports that delineate the boundary of the valley-fill aquifer in the lower Arkansas River Basin (Hurr and Moore, 1972 Nelson and others, 1989a, 1989b, 1989c). Land-cover data for Colorado were obtained from National Land Cover Data (NLCD) developed by the U.S. Geological Survey (2000). NLCD were produced as part of a cooperative project between the U.S. Environmental Protection Agency and the USGS to produce a consistent land-cover GIS data layer for the conterminous United States based on 30-meter- resolution Landsat thematic mapper (TM) data. The NLCD contains 21 categories of land-cover information. The NLCD files were too large for the computers available to this study to manipulate in raw form, so the files were generalized to 60-meter resolution. This generalization may have improved the consistency of the data by reducing the number of isolated single-cell occurrences of a particular land-cover classification, which were probably an artifact of spectral processing and not true differences in land cover. Soils data were obtained from the State Soil Geographic (STATSGO) database (U.S. Department of Agriculture, 1991). The finer scale Soil Survey Geographic (SSURGO) database (U.S. Department of Agriculture, 1995) was not available for all regions in Colorado. The STATSGO data were not suitable for use by this study in raw form, so STATSGO data compiled by Schwarz and Alexander (1995) were used. These later data included weighted averaging of many of the soil characteristics contained in the database. The U.S. Department of Agriculture (1993) provides more information on these soil characteristics. REFERENCES CITED IN ABOVE TEXT Battaglin, W.A., and Goolsby, D.A., 1994, Spatial data in GIS format on agricultural chemical use, land use, and cropping practices in the United States: U.S. Geological Survey Water-Resources Investigations Report 94-4176, 87 p., accessed July 3, 2001, from URL https://water.usgs.gov/lookup/getspatial?herbicide1 Cederstrand, J.R., and Becker, M.F., 1999, Digital map of aquifer boundary for the High Plains aquifer in parts of Colorado, Kansas, Nebraska, New Mexico, Oklahoma, South Dakota, Texas, and Wyoming: U.S. Geological Survey Open-File Report 99-267, accessed July 3, 2001, from URL https://water.usgs.gov/lookup/getspatial?ofr99-267_aqbound Gianessi, L. P., and Puffer, Cynthia, 1991, Herbicide use in the United States: Washington, D.C., Resources for the Future, December 1990 (revised April 1991), 128 p. Green, G.N., 1992, The digital geologic map of Colorado in ARC/INFO format: U.S. Geological Survey Open-File Report 92-507, metadata accessed January 31, 2001, from URL http://geo-nsdi.er.usgs.gov/metadata/open-file/92-507/metadata.faq.html Hurr, R.T., and Moore, J.E., 1972, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River valley, Bent County, Colorado: U.S. Geological Survey Hydrologic Investigations Atlas HA-0461, scale 1:62,500, 2 sheets. McGrath, Timothy, and Dugan, J.T., 1993, Water-level changes in the High Plains aquifer--Predevelopment to 1991: U.S. Geological Survey Water-Resources Investigations Report 93-4088, 53 p. Nelson, G.A., Hurr, R.T., and Moore, J.E., 1989a, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River Valley, Prowers County, Colorado: U.S. Geological Survey Open-File Report 89-254, scale 1:62,500, 3 sheets. Nelson, G.A., Hurr, R.T., and Moore, J.E., 1989b, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River Valley, Crowley and Otero Counties, Colorado: U.S. Geological Survey Open-File Report 89-255, scale 1:62,500, 3 sheets. Nelson, G.A., Hurr, R.T., and Moore, J.E., 1989c, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River Valley, Pueblo County, Colorado: U.S. Geological Survey Open-File Report 89-256, scale 1:62,500, 3 sheets. Rupert, M. G., 2003, Probability of detecting atrazine/desethyl-atrazine and elevated concentrations of nitrate in ground water in Colorado: U.S. Geological Survey Water-Resources Investigations Report 02-4269, 35 p., http://water.usgs.gov/pubs/wri/wri02-4269/. Schwarz, G.E., and Alexander, R.B., 1995, State Soil Geographic (STATSGO) data base for the conterminous United States: U.S. Geological Survey Open-File Report 95-449, accessed March 10, 2001, from URL https://water.usgs.gov/lookup/getspatial?ussoils Tweto, Ogden, comp., 1979, Geologic map of Colorado: U.S. Geological Survey, scale 1:500,000, 1 sheet. U.S. Department of Agriculture, 1991, State Soil Geographic (STATSGO) data base: U.S. Department of Agriculture, Soil Conservation Service, Miscellaneous Publication 1492, 88 p. U.S. Department of Agriculture, 1993, Soil survey manual: U.S. Department of Agriculture, Handbook 18, 437 p. U.S. Department of Agriculture, 1995, Soil Survey Geographic (SSURGO) data base: U.S. Department of Agriculture, Natural Resources Conservation Service, Miscellaneous Publication 1527, 31 p. U.S. Geological Survey, 2000, National land cover dataset: U.S. Geological Survey Fact Sheet 108-00, 3 p., accessed November 14, 2000, from URL http://mapping.usgs.gov/mac/isb/pubs/factsheets/fs10800.html 2003 Variable, input data used to develop this dataset were developed during the 1980&aposs and 1990&aposs.

None Planned -109.813 -101.475 41.574 36.424 USGS Thesaurus Ground water Ground-water vulnerability Ground-water probability Ground-water susceptibility Vulnerability Susceptibility Probabilité Nitrate Atrazine Desethyl-atrazine Ground-water quality Ground-water contamination Probability of ground-water contamination inlandWaters ISO 19115 Topic Categories élévation informations géoscientifiques inlandWaters

Geographic Names Information System

Michael G. Rupert U.S. Geological Survey Hydrologist Mailing 201 W. 8th Street, Suite 200 Pueblo Colorado

USA 1-888-275-8747 719-544-7155 [email protected]

This dataset was produced through a cooperative effort with Rob Wawrzynski of the Colorado Department of Agriculture, Bradford Austin of the Colorado Department of Public Health and Environment, and Regan Waskom and Troy Bauder of the Colorado State University Cooperative Extension. Microsoft Windows XP Professional Operating System Version 5.1.2600 ArcInfo version 8.2 GRID cells were randomly selected from this dataset and checked to ensure the correct probability values were calculated using the logistic regression equation and the input datasets on herbicide use, fertilizer use, hydrogeomorphic regions, land cover, and soils. Not applicable for raster data The extent of this dataset is the entire State of Colorado

This dataset was developed by combining information from multiple datasets the horizontal accuracy is dependent on the combined accuracy from all of the input datasets, which is impossible to quantify. Probably the best estimate of the horizontal accuracy is determined by the STATSGO soils data, developed at 1:250,000 scale.

Spatial data in GIS format on agricultural chemical use, land use, and cropping practices in the United States Vector digital data U.S. Geological Survey Water-Resources Investigations Report U.S. Geological Survey Water-Resources Investigations Report 94-4176

2,000,000 Online 1987 Based upon 1987 Census of Agriculture cropping data USGS WRIR 94-4176 Atrazine use for each county in Colorado Cederstrand, J.R., and Becker, M.F., U.S. Geological Survey

Digital map of aquifer boundary for the High Plains aquifer in parts of Colorado, Kansas, Nebraska, New Mexico, Oklahoma, South Dakota, Texas, and Wyoming Version 1.0 Vector digital data U.S. Geological Survey Open-File Report U.S. Geological Survey Open-File Report 99-267

1000000 Online 1980 Other_Citation_Details These data were compiled from paper maps developed by McGrath Online_Linkage http://water.usgs.gov/GIS/metadata/usgswrd/ofr99-267.htm) USGS OFR 99-267 One of three datasets used to delineate hydrogeomorphic regions in Colorado. Green, G.N., U.S. Geological Survey

The digital geologic map of Colorado in ARC/INFO format Version 1.0 Vector digital data U.S. Geological Survey Open-File Report U.S. Geological Survey Open-File Report 92-507

These data were digitized from the original scribe sheets used to prepare the published Geologic Map of Colorado (Tweto, Ogden, 1979, Geologic map of Colorado: U.S. Geological Survey, scale 1:500,000, 1 sheet. http://geo-nsdi.er.usgs.gov/metadata/open-file/92-507 /metadata.faq.html 500,000 Online 1979 Based on 1979 geologic map USGS OFR 92-507 One of three datasets used to delineate hydrogeomorphic regions in Colorado. David Lorenz, U.S. Geological Survey

Estimates of nitrogen fertilizer use, 1997 Vector digital data Data not formally published Data not published

David Lorenz, U.S. Geological Survey

Unpublished data on file at U.S. Geological Survey office, Mounds View, Minnesota 2,000,000 Online 1997 Based on 1997 estimates Not formally published Estimates of fertilizer use in each county of Colorado during 1997. Schwarz, G.E., and Alexander, R.B., U.S. Geological Survey

State Soil Geographic (STATSGO) database for the conterminous United States. Version 1.1 Vector digital data U.S. Geological Survey Open-File Report U.S. Geological Survey Open-File Report 95-449

Soils data in this coverage were originally obtained from the State Soil Geographic (STATSGO) database (U.S. Department of Agriculture, 1991, State Soil Geographic (STATSGO) data base: U.S. Department of Agriculture, Soil Conservation Service, Miscellaneous Publication 1492, 88 p.). Schwarz and Alexander (1995) performed weighted averaging of many of the soil characteristics contained in the original STATSGO database. https://water.usgs.gov/lookup/getspatial?ussoils 250,000 Online 1991 STATSGO data published in 1991 USGS OFR 95-449 Soils data for the State of Colorado U.S. Geological Survey

National land cover dataset Version 20000909 Raster digital data online data online data

Data should be considered preliminary because they were still being assessed for accuracy at the time of this publication. http://edc2.usgs.gov/lccp/nlcd/show_data.asp?code=CO&state=Colorado 30-meter GRID cells Online 1992 Based on 1992 satellite imagery NLCD This dataset supplied land use/land cover data for the State of Colorado. Commission géologique des États-Unis

Boundary of valley-fill aquifer in the lower Arkansas River Basin 1 Vector digital data not published not published

Data not published. Data were digitized from original mylar sheets produced by Hurr and Moore (1972, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River valley, Bent County, Colorado: U.S. Geological Survey Hydrologic Investigations Atlas HA-0461, scale 1:62,500, 2 sheets), Nelson, G.A., Hurr, R.T., and Moore, J.E. (1989a, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River Valley, Prowers County, Colorado: U.S. Geological Survey Open-File Report 89-254, scale 1:62,500, 3 sheets), Nelson, G.A., Hurr, R.T., and Moore, J.E. (1989b, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River Valley, Crowley and Otero Counties, Colorado: U.S. Geological Survey Open-File Report 89-255, scale 1:62,500, 3 sheets), and Nelson, G.A., Hurr, R.T., and Moore, J.E. (1989c, Hydrogeologic characteristics of the valley-fill aquifer in the Arkansas River Valley, Pueblo County, Colorado: U.S. Geological Survey Open-File Report 89-256, scale 1:62,500, 3 sheets). None 62,500 digital 1989 Based on 1989 publications not published One of three datasets used to delineate hydrogeomorphic regions in Colorado.

Projected all input datasets to a common projection and datum (Colorado Albers, NAD 27)

The 30-meter NLCD GRIDS were too large for the computers available for this study to manipulate in raw form, so the files were generalized to 60-meter resolution. The "RESAMPLE" command with the "nearest neighbor assignment" option in GRID was used to generalize the NLCD GRIDS to 60 meters.

One of the independent variables used in the logistic regression models was the percentage of certain land-cover classifications within 500-meter and 2,000-meter buffers around each well. To transfer these logistic regression models to the probability GRIDS, GRIDS were constructed that contained the percentage of certain land-cover classifications within 500-meter and 2,000-meter buffers around each individual grid cell. These GRIDS were produced from the 60-meter NLCD GRID produced by the previous step. These GRIDS were made in three substeps. 1) First, make individual GRIDS coded as one for "land cover present" and zero for "land cover not present" for the following land-cover classifications: low-intensity residential, shrubland, pasture/hay, row crops, and small grains land-cover classifications. As an example, low-intensity residential land cover is coded as "21" in the NLCD GRID, so the following equation was used in GRID to convert the dataset: low_res_g = con(nlcd_60m_g eq 21,1,0) 2) Second, add up the number of cells of low-intensity residential cells in each buffer: temp_num_g = focalsum(low_res_g,circle,33) where 33 is the 2,000-meter radius in number of cells. Use 8 if you are calculating 500-meter radius. 3) Third, calculate the percentage of low-intensity residential cells by dividing the number of cells in each buffer by the total possible: low_res_pct_g = (temp_num_g / float(3409)) * 100 where 3409 is the total number of 60-meter cells within a 2,000-meter buffer. Use 197 if you are calculating 500-meter buffers.

Convert polygon coverages of atrazine use, fertilizer use, hydrogeomorphic regions, and the various soils factors to 60-meter GRIDS. Use the "setwindow" and "setcell" commands in GRID to assure that all new GRIDS line up with the NLCD data, then use the "polygrid" command to convert the coverages to GRIDS.

Construct new atrazine-use and fertilizer-use GRIDS where atrazine and fertilizer use estimates are only assigned to agricultural lands all other land-cover categories are assigned values of zero. To do this, construct grids that are assigned 1 for agricultural land cover and zero for all other land-cover types. Multiply those GRIDS by the original atrazine and fertilizer use GRIDS. The resultant GRIDS have atrazine and fertilizer use estimates only for GRID cells in agricultural lands.

Next, construct the actual probability GRIDS. The GRIDS were constructed by calculating the probability of detecting atrazine/desethyl-atrazine or nitrate in ground water using the equation developed with logistic regression (see Rupert, 2003, Probability of detecting atrazine/desethyl-atrazine and elevated concentrations of nitrate in ground water in Colorado: U.S. Geological Survey Water-Resources Investigations Report 02-4269, 35 p., http://water.usgs.gov/pubs/wri/wri02-4269/). The following is an example of the logistic regression equation: Prob = (e**(a + b*chem_use + c*land_cover + d*soils))/(1+e**(a + b*chem_use + c*land_cover + d*soils)) In other words, the probability of detecting the compound in ground water is equal to "e raised to the regression equation" divided by "one plus e raised to the regression equation," where "a," "b," "c," and "d" are the model coefficients calculated by logistic regression. The probability GRIDS were constructed in four steps. The first was to calculate the regression equation: "temp1 = (a + b*Chem_use + c*land_cover + d*soils)" The second step was to calculate the actual probability value for every 60-meter cell in Colorado, times 100 to convert it to percent: "temp2 = 100 * (exp (temp1)/(1+exp(temp1))" The third step was to clip out portions of the State that weren&apost included in the model (only alluvial aquifers were mapped, so the mountainous regions of the State were clipped out). temp3 = temp2 * clip_grid The fourth step was to set all the non-mapped grid cells to "null" final_grid = setnull(temp3 eq 0, temp3) The regression coefficients used for the eight probability GRIDS constructed by this project are listed in Rupert (2003)

Randomly selected at least 20 GRID cells in each of the 8 probability GRIDS and calculated probability value by hand to ensure that the probability values were correctly calculated.


Voir la vidéo: Delete cells of Raster in ArcGIS (Octobre 2021).