Distinguir corredores de fragmentos en un mapa de hábitat


12

Me preguntaba si alguien ha tenido problemas con este tipo de problema antes:

Quiero delinear fragmentos basados ​​en píxeles vecinos de la misma clase (bosque) con un umbral de distancia de 3 píxeles (que es biológicamente significativo para mi especie de interés).

Mi preocupación es, vea la imagen adjunta para ver un ejemplo, que a veces estos fragmentos son en realidad corredores, y a menudo los corredores y los fragmentos reales se agrupan en un mismo fragmento debido a su proximidad.

ingrese la descripción de la imagen aquí

Me pregunto si hay una manera de distinguir los corredores de los fragmentos en función de la forma, el número de píxeles circundantes, etc.

Por ejemplo, en el siguiente cuadro, los posibles corredores están indicados por los cuadros rojos y los fragmentos por los verdes.

Tengo acceso a QGIS y R.

ingrese la descripción de la imagen aquí


¿podría agregar una figura con el tipo de corredores que le gustaría extraer del ejemplo?
radouxju

Respuestas:


4

Antes de comenzar cualquier análisis, recomendaría aplicar un filtro a sus datos para limpiar el efecto "sal y pimienta". Cualquier algoritmo tendrá problemas con el patrón estructural actual de sus datos. Una mayoría focal simple probablemente arrojaría resultados indeseables. Un método más robusto es aplicar un enfoque de tamiz, donde se puede especificar una unidad de mapeo mínimo. Esto se puede hacer a través de la función gdal_sieve.py en GDAL, la raster > analysis > sievefunción en QGIS o la función de tamizado en el ArcGIS Gradient Metrics Toolbox .

Esto parece algo que podría abordarse con los operadores de Morfología matemática (por ejemplo, extraer caminos de las imágenes ). Me imagino que un operador de dilatación seguido de un operador de cierre aclararía los pasillos. A continuación, puede aplicar un operador de apertura para eliminar los corredores y diferenciar los rásteres para extraer los corredores identificados como objetos separados. Estos tipos de funciones de descomposición de imágenes están algo automatizadas en el software MSPA y GUIDOS pero, una vez más, se verían notablemente afectadas por las discontinuidades en sus datos.

Hay un complemento QGIS para MSPA , así como funciones disponibles en GRASS (disponible a través de la GUI QGIS). Uno de los problemas con MSPA y GUIDOS es que tiene un tamaño limitado de imagen. Desafortunadamente, en el software ESRI, los operadores morfológicos solo están disponibles en la extensión ArcScan . Con un poco de excavación, encontrará otras opciones de software, así como métodos para definir operadores morfológicos a través del álgebra ráster con matrices de kernel personalizadas.

Otro enfoque serían los métodos de filtrado de detección de bordes, como un operador de kernel Sobal . Hay una función sobal en ArcGIS Gradient Metrics Toolbox , así como en el paquete spaceialEco R. La ventaja de la implementación de R es que puede devolver la función de gradiente del operador, mientras que la implementación de ArcGIS solo devuelve la función de primer orden (que puede ser todo lo que necesita). Creo que la caja de herramientas Orfeo (disponible como un complemento QGIS) tiene una opción simple en la función EdgeExtraction.


quizás aplicar un filtro de "sal y pimienta" puede tener el efecto de eliminar pequeñas áreas de hábitat importantes para los fragmentos de conexión de especies objetivo (aunque a veces áreas de calidad subóptima). Decidiría aplicar dicho filtro en función de las características de dispersión de las especies y la resolución espacial de los datos. Un pájaro (con una capacidad de dispersión generalmente más alta) puede usar esos pequeños parches, mientras que un anfibio (con una capacidad de dispersión comparativamente más baja) no. Solo un pensamiento ..
Kamo

Esto siempre es una compensación, pero la unidad de mapeo mínima debe tener en cuenta esta hipótesis dada. Pero, también debe tener en cuenta que el balance es que el modelo exhibe un cierto grado de incertidumbre y está tratando el resultado como un absoluto. Honestamente, para respaldar su afirmación, el paisaje debe tratarse como un gradiente probabilístico y no como un proceso binomial. Este tipo de filtrado es una práctica ampliamente aceptada en la representación de paisajes más funcionales. A menos que el modelo incluya un término que explique la estructura espacial en las estimaciones, la incertidumbre espacial es una realidad.
Jeffrey Evans

5

No es una solución completa, pero consulte estas herramientas para el análisis de conectividad (la primera se aproxima bien a lo que está buscando):

También considere entrenar un algoritmo de aprendizaje automático para clasificar sus instancias (corredor vs. fragmentos). Puede asignar atributos espaciales a nivel de parche (por ejemplo, tamaño de parche, relación de área de perímetro, relación de círculo) y características basadas en distancia (por ejemplo, distancia a fragmentos) para clasificar. Para calcular las características de nivel de parche necesarias para la clasificación, puede probar FragStats ( https://www.umass.edu/landeco/research/fragstats/fragstats.html ).

También puede considerar un 'sistema de reglas basado en expertos' más simple para clasificar cada instancia. Por ejemplo, los corredores tendrán una mayor relación de área perimetral que los fragmentos de hábitat, etc.

Más cosas interesantes aquí para análisis de conectividad: http://conservationcorridor.org/corridor-toolbox/programs-and-tools/

Sin embargo, el hecho de que algunos corredores no tengan 'conectividad de píxeles completa' será un problema que primero debe resolver. Creo que debe definir algún tipo de criterio de umbral basado en la distancia para decidir si algún píxel es parte de un corredor o no.


0

Parece que depende de la forma de tu fragmento. Si el ancho es más de 2 (o 3) veces la altura (o lo contrario), ¿puede llamarlo corredor?

¿Ya has llegado a la delimitación de los fragmentos?

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.