Moyenne Mobile Arcgis

J'ai une carte raster du Midwest américain qui est très clairsemée, c'est-à-dire les pixels d'intérêt sont assez peu pour être presque invisble quand vu à une échelle où tous les états du Midwest américain sont visibles. J'aimerais suivre l'approche décrite dans ce document PNAS (pnas. orgcontent110104134.full) pour créer une meilleure carte, mais je ne sais pas comment la reproduire dans ArcGIS. Toute aide serait appréciée. Le PNAS décrit les étapes suivantes: En raison des petites tailles et de la distribution dispersée des zones de changement, il était difficile de visualiser les schémas régionaux de LCLUC à la résolution spatiale initiale de 56 m. En conséquence, nous avons utilisé des techniques de lissage spatial pour créer une surface de changement régional qui a mis en évidence les points chauds locaux de changement. Des approches connexes sont utilisées dans des domaines tels que l'épidémiologie spatiale pour générer une estimation stable des taux de maladie (48), mais n'ont pas été largement appliquées dans le domaine de la science des changements de terres. Dans notre approche de lissage, les pixels de changement à une résolution spatiale de 56 m ont d'abord été agrégés au pourcentage de changement à une résolution de 560 m. Cela a été fait en prenant 10 x 10 blocs de 56 m de pixels (c'est-à-dire 100 blocs de pixels) et en additionnant le changement binaire à l'intérieur de chaque bloc (figure S4A). Ensuite, nous avons utilisé un lissage de noyau 2D pour calculer une estimation lissée du pourcentage de changement pour chacun des pixels de résolution de 560 m (figure S4B). Une fonction de noyau quartique a été utilisée pour calculer les moyennes mobiles à travers la zone d'étude à une bande passante de 10 km. La même fonction de noyau quartique a été utilisée pour lisser la variation en pourcentage du maïs en 2006 en pâturage en 2011. Enfin, nous avons généré une carte lisse de la couverture des prairies en 2006 en agrégant la présence de prairies à 56 m de résolution en pourcentage de couverture de prairie à 560 m de résolution , Puis en lissant cette couche de couverture agrégée en utilisant le même noyau quartique de 10 km. Cette couche de couverture de prairie lissée a ensuite été utilisée comme dénominateur pour générer une carte des taux relatifs de conversion des prairies. Pour autant que je sache, c'est l'organigramme: 1. Utiliser les statistiques de bloc dans ArcGIS pour additionner 10x10 pixels de 56-m raster à 560m raster 2. 2D noyau plus lisse: ne savez pas comment faire 3. Quartic kernel: ne sais pas comment Pour ce faire Vous ne savez pas comment progresser au-delà de l'étape 1 demandée Aug 15 14 at 0: 29Comment fonctionne le filtre L'outil de filtrage peut être utilisé pour éliminer les données parasites ou améliorer les fonctionnalités autrement pas visiblement apparente dans les données. Les filtres créent essentiellement des valeurs de sortie par une fenêtre de voisinage de cellule 3x3 mobile et se chevauchant qui parcourt le raster d'entrée. Lorsque le filtre passe sur chaque cellule d'entrée, la valeur de cette cellule et de ses 8 voisins immédiats est utilisée pour calculer la valeur de sortie. Il existe deux types de filtres disponibles dans l'outil: passe-bas et passe-haut. Types de filtre Le filtre de type LOW emploie un filtre passe-bas ou moyennage sur le raster d'entrée et lisse essentiellement les données. Le type de filtre HIGH utilise un filtre passe-haut pour améliorer les bords et les frontières entre les entités représentées dans le raster. Filtre passe-bas Un filtre passe-bas lisse les données en réduisant les variations locales et en éliminant le bruit. Il calcule la valeur moyenne (moyenne) pour chaque voisinage 3 x 3. Il est essentiellement équivalent à l'outil Statistiques Focales avec l'option Statistique Moyenne. L'effet est que les valeurs haute et basse dans chaque quartier seront moyennées, en réduisant les valeurs extrêmes dans les données. Voici un exemple des valeurs de voisinage d'entrée pour une cellule de traitement, la cellule centrale avec la valeur 8. Le calcul pour la cellule de traitement (la cellule d'entrée centrale avec la valeur 8) consiste à trouver la moyenne des cellules d'entrée. Il s'agit de la somme de toutes les valeurs de l'entrée contenue dans le voisinage, divisée par le nombre de cellules dans le voisinage (3 x 3 9). La valeur de sortie pour l'emplacement de la cellule de traitement sera 4.22. Comme la moyenne est calculée à partir de toutes les valeurs d'entrée, la valeur la plus élevée de la liste, qui est la valeur 8 de la cellule de traitement, est calculée en moyenne. Cet exemple montre le raster résultant généré par Filter avec l'option LOW sur un petit raster de cellules 5x5. Pour illustrer la façon dont les cellules NoData sont traitées, les valeurs de sortie avec le paramètre Ignore NoData paramétré sur Data puis NODATA suivent: Valeurs de cellules d'entrée: Valeurs de cellules de sortie avec l'ensemble d'options DATA (les cellules NoData dans une fenêtre de filtre seront ignorées dans le calcul) (La sortie sera NoData si n'importe quelle cellule dans la fenêtre de filtre est NoData): Dans l'exemple suivant, le raster d'entrée a un point de données anormal causé par une erreur de collecte de données. Les caractéristiques moyennes de l'option LOW ont lissé le point de données anormal. Exemple de sortie de filtre avec option LOW Filtre passe-haut Le filtre passe-haut accentue la différence comparative entre les valeurs de cellules et ses voisins. Il a pour effet de mettre en évidence les limites entre les caractéristiques (par exemple, lorsqu'un plan d'eau rencontre la forêt), affinant ainsi les bords entre les objets. Il est généralement appelé filtre d'amélioration de bord. Avec l'option HIGH, les neuf valeurs d'entrée z sont pondérées de manière à supprimer les variations de basse fréquence et à mettre en évidence la frontière entre les différentes régions. Le filtre 3 x 3 pour l'option HIGH est: Notez que les valeurs dans le noyau somme à 0, puisqu'elles sont normalisées. Le filtre passe-haut est essentiellement équivalent à l'aide de l'outil Statistiques Focales avec l'option Somme statistique et d'un noyau pondéré spécifique. Les valeurs z de sortie sont une indication de la finesse de la surface, mais elles n'ont aucune relation avec les valeurs z initiales. Les valeurs Z sont distribuées autour de zéro avec des valeurs positives sur le côté supérieur d'un bord et des valeurs négatives sur le côté inférieur. Les zones où les valeurs z sont proches de zéro sont des régions à pente presque constante. Les zones dont les valeurs sont proches de z-min et z-max sont des régions où la pente change rapidement. Voici un exemple simple des calculs pour une cellule de traitement (la cellule centrale avec la valeur 8): Le calcul pour la cellule de traitement (la cellule centrale avec la valeur 8) est comme suit: La valeur de sortie pour la cellule de traitement sera 29.5. En donnant des poids négatifs à ses voisins, le filtre accentue le détail local en tirant sur les différences ou les limites entre les objets. Dans l'exemple ci-dessous, le raster d'entrée a un bord pointu le long de la région où les valeurs changent de 5,0 à 9,0. La caractéristique d'amélioration des bords de l'option HIGH a détecté le bord. Traitement des cellules de NoData L'option Ignorer NoData dans les calculs contrôle comment les cellules NoData dans la fenêtre de voisinage sont traitées. Lorsque cette option est cochée (l'option DATA), toutes les cellules dans le voisinage qui sont NoData seront ignorées dans le calcul de la valeur de la cellule de sortie. Lorsqu'elle n'est pas cochée (l'option NODATA), si une cellule dans le voisinage est NoData, la cellule de sortie sera NoData. Si la cellule de traitement elle-même est NoData, avec l'option Ignore NoData sélectionnée, la valeur de sortie pour la cellule sera calculée en fonction des autres cellules dans le voisinage qui ont une valeur valide. Bien sûr, si toutes les cellules du voisinage sont NoData, la sortie sera NoData, quel que soit le paramètre de ce paramètre. Références Gonzalez, R. C. et P. Wintz. 1977. Traitement numérique des images. Massachusetts: AddisonWesley. Hord, R. M. 1982. Traitement d'images numériques de données détectées à distance. New York: Académique. Moik, J. G. 1980. Traitement numérique d'images détectées à distance. New York: Académique. Richards, J. A. 1986. Analyse de l'image numérique par télédétection: une introduction. Berlin: Springer-Verlag. Rosenfeld, A. 1978. Traitement et reconnaissance d'images. Rapport technique 664. University of Maryland Computer Vision Laboratory. Rubriques connexesChoisir la meilleure ligne de tendance pour vos données Lorsque vous souhaitez ajouter une ligne de tendance à un graphique dans Microsoft Graph, vous pouvez choisir l'un des six différents types de régression de tendance. Le type de données que vous avez détermine le type de ligne de tendance à utiliser. Fiabilité de la ligne de tendance Une ligne de tendance est la plus fiable lorsque sa valeur R-carré est égale ou proche de 1. Lorsque vous ajustez une ligne de tendance à vos données, Graph calcule automatiquement sa valeur R-carré. Si vous le souhaitez, vous pouvez afficher cette valeur sur votre graphique. Une ligne de tendance linéaire est une ligne droite optimale qui est utilisée avec des ensembles de données linéaires simples. Vos données sont linéaires si le motif dans ses points de données ressemble à une ligne. Une ligne de tendance linéaire indique généralement que quelque chose augmente ou diminue à un rythme régulier. Dans l'exemple suivant, une ligne de tendance linéaire montre clairement que les ventes de réfrigérateurs ont augmenté constamment sur une période de 13 ans. Notez que la valeur R-carré est 0.9036, ce qui est un bon ajustement de la ligne aux données. Une ligne de tendance logarithmique est une ligne courbe optimale qui est la plus utile lorsque le taux de changement dans les données augmente ou diminue rapidement, puis se stabilise. Une ligne de tendance logarithmique peut utiliser des valeurs négatives et / ou positives. L'exemple suivant utilise une ligne de tendance logarithmique pour illustrer la croissance prédite de la population d'animaux dans une zone d'espace fixe, où la population s'est stabilisée en espace pour les animaux. Notez que la valeur R-carré est 0.9407, ce qui est un ajustement relativement bon de la ligne aux données. Une ligne de tendance polynomiale est une ligne courbe qui est utilisée lorsque les données fluctuent. Il est utile, par exemple, d'analyser les gains et les pertes sur un grand ensemble de données. L'ordre du polynôme peut être déterminé par le nombre de fluctuations des données ou par le nombre de virages (collines et vallées) apparaissant dans la courbe. Une ligne de tendance polynomiale Ordre 2 n'a généralement qu'une seule colline ou une seule vallée. L'ordre 3 a généralement une ou deux collines ou vallées. Ordre 4 a généralement jusqu'à trois. L'exemple suivant montre une ligne de tendance polynomiale Ordre 2 (une colline) pour illustrer la relation entre la vitesse et la consommation d'essence. Notez que la valeur R-carré est 0.9474, ce qui est un bon ajustement de la ligne aux données. Une ligne de tendance de puissance est une ligne courbe qui est mieux utilisée avec des ensembles de données qui comparent les mesures qui augmentent à un taux spécifique, par exemple, l'accélération d'une voiture de course à intervalles d'une seconde. Vous ne pouvez pas créer une ligne de tendance de puissance si vos données contiennent des valeurs nulles ou négatives. Dans l'exemple suivant, les données d'accélération sont représentées en traçant la distance en mètres par secondes. La ligne de tendance de puissance démontre clairement l'accélération croissante. Notez que la valeur R-squared est 0,9923, ce qui est un ajustement presque parfait de la ligne aux données. Une ligne de tendance exponentielle est une ligne courbe qui est plus utile lorsque les valeurs de données augmentent ou diminuent à des taux de plus en plus élevés. Vous ne pouvez pas créer une ligne de tendance exponentielle si vos données contiennent des valeurs nulles ou négatives. Dans l'exemple suivant, une ligne de tendance exponentielle est utilisée pour illustrer la quantité décroissante de carbone 14 dans un objet à mesure qu'il vieillit. Notez que la valeur R-squared est 1, ce qui signifie que la ligne correspond parfaitement aux données. Une ligne de tendance moyenne mobile lisse les fluctuations des données pour montrer un modèle ou une tendance plus clairement. Une ligne de tendance moyenne mobile utilise un nombre spécifique de points de données (définis par l'option Période), les met en moyenne et utilise la valeur moyenne comme point dans la ligne de tendance. Si Période est défini à 2, par exemple, la moyenne des deux premiers points de données est utilisée comme premier point dans la ligne de tendance moyenne mobile. La moyenne des deuxième et troisième points de données est utilisée comme deuxième point dans la ligne de tendance, et ainsi de suite. Dans l'exemple suivant, une ligne de tendance moyenne mobile indique le nombre de logements vendus sur une période de 26 semaines.