El mejor método para agregar 1m de mosaico DEM a 10m DEM


11

Tengo un mosaico de un DEM derivado de LiDar de 1 m. Necesito generar un subconjunto de datos como un DEM de 10 m. Actualmente estoy usando la herramienta de agregado en ARCGIS 10 para producir un valor medio para cada nuevo píxel de 10 m. ¿Algún consejo sobre si esta es la mejor técnica para tal tarea? ¿Es el valor medio el mejor enfoque con este tipo de datos?


1
¿Puede explicar más su flujo de trabajo sobre por qué los datos deben volver a muestrearse a una resolución más baja? ¿Podría haber una mejor manera de hacerlo que reducir la resolución espacial como primer paso?
MLowry

Respuestas:


10

Un error común (que también he cometido) es reducir la muestra de un ráster utilizando la herramienta de remuestreo con interpolación bilineal. Consulte esta respuesta para obtener una explicación de por qué esto no es bueno. Un ráster se puede muestrear en tres pasos.

  1. El primer paso podría no ser necesario. Vuelva a proyectar el ráster a las extensiones de destino. Utilice la interpolación bilineal y mantenga el tamaño de la celda de salida igual que la resolución de entrada (p. Ej., 1 m). Use el punto de registro para "ajustar" las esquinas ráster a la proyección. Las extensiones de salida se pueden especificar en los "Entornos", y sugiero especificar las extensiones con un múltiplo de 10 m (o cualquier resolución). Estas extensiones controlarán dónde se determinan las estadísticas para el ráster final.

  2. Realizar estadísticas de bloque (que se encuentra en Herramientas de análisis espacial> Vecindario). Use un rectángulo con 10 celdas para altura y anchura, y elija "MEDIO" para un tipo de estadística. Pruebe diferentes formas y tipos, si lo desea. El tamaño de la celda es la relación de muestreo descendente.

  3. Dado que las estadísticas de bloque no cambian la resolución del ráster, el último paso es volver a muestrear (que se encuentra en Herramientas de administración de datos> Ráster> Procesamiento de ráster). Elija 10 my use "MÁS CERCANO" para elegir la estadística de bloque en el centro de la celda.

Los pasos 2 y 3 pueden reemplazarse con la sugerencia de Curtvprice de usar la herramienta Agregado , que producirá efectivamente los mismos resultados utilizando medios rectangulares.


2
whoa ¡He estado haciendo esto durante 20 años y no sabía que el remuestreo bilineal usa solo 4 puntos de datos cercanos! Esto definitivamente necesita un perfil más alto.
matt wilkie


4

Es importante tener en cuenta todos los puntos mencionados anteriormente y estoy completamente de acuerdo en que el remuestreo bilineal es bastante problemático. Aunque, tengo curiosidad por qué nadie está discutiendo convolución cúbica? El problema con el uso de una función de bloque es que la media es bastante irrelevante cuando la distribución no es normal o multimodal, como se esperaba con un DEM derivado de LIDAR.

Si tiene acceso a los datos LIDAR originales, simplemente interpole los datos a la resolución deseada utilizando la herramienta "Topo to Raster" en ArcGIS. Si solo tiene acceso al ráster DEM de 1 m, parece que el mejor método, aunque menos eficiente, sería convertir el ráster en puntos y usar una placa delgada o una spline bicúbica. Esto permitiría que la vecindad de remuestreo se ajuste a una curva no lineal a los datos.

Alternativamente, puede suavizar el ráster de 1 m utilizando un núcleo gaussiano, aproximándose al tamaño de la resolución de muestreo deseada (10x10), y luego un muestreo bilineal sería mucho más apropiado. Este enfoque le permitiría tener un control directo sobre el parámetro de suavizado y daría como resultado una distribución normal "localmente" donde la media se vuelve relevante como un indicador de tendencia central y se admite un ajuste lineal.


El propietario de la pregunta no se ve desde hace mucho tiempo aquí, pero tengo el mismo problema (mis rásteres lidar son de 0,5 m), así que llegué a la discusión :) Con respecto al ráster de conversión a puntos, para ArcGIS parece que es mucho más fácil para manejar grandes rásteres que millones de puntos.
nadya
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.