¿Cómo calcular la pendiente promedio en una cuadrícula?

Esta es en realidad una pregunta de dos partes:

1. ¿Qué métodos existen para calcular la pendiente promedio por unidad (por ejemplo, km²) para un área determinada? ¿Existen requisitos especiales en los datos, como información adicional además de las mediciones de altura?
2. ¿Qué SIG de código abierto implementan métodos utilizables para calcular la pendiente promedio en una cuadrícula (por ejemplo, archivo TIF)?

El primer enfoque es calcular la pendiente para el ráster. Si está buscando código abierto, particularmente para cálculos ráster, casi siempre sugeriría GRASS. En este caso, buscas r.slope.aspect para calcular tu ráster de pendiente.

En este punto tienes dos opciones. Si buscas la pendiente promedio dentro de un km ² centrada en un punto específico, puedes probar r.bighbours con el método promedio en la salida de la pendiente. Alternativamente, podría intentar r.resample para llevar su ráster a las celdas de km ² , y tendría una pendiente promedio de km ² en todo el conjunto de datos.

Hasta donde sé, no hay requisitos especiales, aparte de un ráster continuo, aunque podría intentar cortar / rellenar el ráster para suavizarlo primero.

¡Espero que esto ayude!

Necesita saber algo sobre el significado, el método de adquisición y el procesamiento de las mediciones de elevación, porque los cálculos de pendiente son bastante sensibles a la resolución. Obtendrá pendientes promedio más bajas, generalmente, con una resolución más gruesa o cuando los valores de las celdas son elevaciones promedio de las celdas en lugar de elevaciones puntuales. En particular, si su grilla ha sido procesada por algún tipo de procedimiento de remuestreo, eso cambiará las pendientes (a veces dramáticamente). Tenga en cuenta, también, que la pendiente promedio dentro de una región no es la misma que la pendiente basada en un promedio comparable de elevaciones dentro de la misma región: la primera será al menos tan grande como la última y puede ser tremendamente más grande. Como un ejemplo extremo, la pendiente promedio en las mesetas profundamente incisas de Virginia Occidental es alta, lo que refleja el terreno accidentado,

Editar

Hace unos años obtuve tres DEM de la misma área (en Idaho) con una resolución de 30 m, una resolución de 10 my un conjunto de datos LIDAR (resolución de 1 m) y comparé sus distribuciones de pendientes. Aquí hay un gráfico de ese estudio:

Muestra que a medida que la resolución se hace más fina, la proporción de áreas de alta pendiente aumenta. El cambio de 30m a LIDAR es sustancial: la pendiente media aumenta en aproximadamente 10 grados. Este gráfico también recompensa una mirada más cercana: puede ver pequeños cambios en las áreas de baja pendiente. Aparentemente, las áreas escarpadas de alta pendiente en el DEM LIDAR se suavizan en los DEM de 10 my 30 m, donde se convierten en áreas de pendiente media. Las pendientes realmente extremas (más de 75 grados más o menos) solo aparecen en el conjunto de datos LIDAR. Aunque puede haber preguntas sobre cuál de estos conjuntos de datos está más cerca de la "verdad", claramente las conclusiones que uno extrae sobre las distribuciones de pendientes variarán con la resolución.