文摘
地理空间技术的发展打开了一个新时代的数据收集方法和分析过程。数字高程模型作为三维可视化的地球表面有很多映射和空间分析应用程序。主要的地形因素来自关键的光栅数据集通常低于二级的,例如,强度指数,在工程起着至关重要的作用,水文信息推导和地貌过程。表面强度的一个重要预测地形异质性通过计算海拔差异的绝对值在指定的中央周围像素。目前的研究调查的影响各种地形指标从数字高程模型在描述地形险峻获得利用分段主成分分析。这个流行的多变量统计技术应用进行全面的评估和治疗地形参数的信息冗余。同时,高度的标准差也提出了另一种方法来量化地形险峻。此外,定量和定性方法支持验证算法和比较他们的能力前面介绍的模型在文献中。研究结果表明,主成分分析提供了优越的性能与其他模型。此外,他们表明,高程的标准差可以使用,而不是可用的。
1。介绍
Geomorphometry,它被定义为地球科学的量化的地形分析1),主要集中在研究陆地景观和推导的大范围的环境变量(2,3]。最重要的数据源来执行这样的空间分析是数字高程模型(4]。数字高程模型是一个三维的光栅表示地表识别地理特征(5,6)通过插值地形使用现代地理空间技术(7- - - - - -9]。它可以通过传统地面地形调查或遥感方法(10- - - - - -13]。一般来说,民主党是应用于高质量的空间数据提取地形因素如斜坡,曲率,方面,排水网14- - - - - -18]。
一般来说,不规则在海拔使得培养困难和昂贵的遍历19,20.),但有用的保持新生儿驯鹿小牛对天气和风寒指数(21]。救助野生动物栖息地的强度是一个有价值的属性模型和影响植物多样性的主要组件之一,融雪模式和排水的关键元素营养obtainability [22- - - - - -25和这本书26]。许多先前的研究解决量化表面强度,一些统计上的这些调查采用分散的海拔山坡,方面,和向量正交平面方面的景观。Beasom et al。27)描述了一个方法来描述地表强度等值线的总长度的函数在一个研究领域。最近,莱利等。28)提出了一种方法来确定地形异质性通过计算地形险峻的索引值为每个网格单元和高程变化在一个指定的中央像素周围。萨平顿et al。29日)开发和测试一个矢量强度测量算法来估计景观强度随着网格细胞的三维取向的变化在一个移动的窗口通过分解成3 d向量斜率和方面。相比之下,Popit和Verbovšek [30.)确定了强度指数计算海拔最高和最低之间的差异对于每个单元格位置输出光栅。
在多元统计分析中,数据集的维度中扮演着一个关键的角色在决定问题的复杂性。最常见的一种技术来降低数据维度增加其可解释性的主成分分析介绍了皮尔森(31日]。目前,主成分分析被认为是一个强大的统计方法在图像处理由于其能力减少相关图像乐队导致一个更小的数据集(能够代表大多数最初的可变性32]。在过去的几十年里,PCA用于地质和遥感(33- - - - - -37]。例如,Petrişor et al。38突出集成地理信息系统的潜力和PCA对不发达国家作为决策支持工具。黄等。39)得出的结论是,主成分分析能提供准确的表示地形的复杂性比k - means聚类分布特征。然而,这种方法尚未引入的过程建模地形险峻。
正如之前提到的,没有最优的措施将会提供一个强大的工具来定义栖息地的可用性(40,41]。因此,选择一个适当的方法来评估这个指标是一个重要的任务。相比之下,GIS软件ArcGIS等提供了各种地理处理工具,但仍有一些差距,必须加以解决。这篇文章的主要目标是调查量化地形险峻的可变性特点,依靠PCA,高程标准差,和传统的指数。此外,利用ArcGIS空间工具模型构建器和Python脚本将为自动化开发流程。作为地形险峻的基础分析,生成DEM使用合成数据扫描地形图收购不同系数来模拟地球物理的陆地表面特性。一些地形的综合评价指标从DEM中提取使用PCA检查描述地形险峻。后,获得的表面强度的PCA和性病的方法比较从两个不同的文学模式采用一些统计方法和视觉描述。
2。材料和方法
地形与地球陆地表面的形状和特征,是一个中央控制元素在各种自然过程(42,43]。它必须定量评估(44)通过建立准确、可靠的地理空间数据(45]。地形分析是关心从DEM中提取地形属性光栅在GIS作为一个方便的环境来处理数据46]。一般来说,民主党质量和分辨率派生的关键影响因素(47- - - - - -49]。分析规模和选择方法确定不同的地形变量将在最终结果也扮演了一定的角色。表面强度是一个重要的地貌参数应用于地球科学和环境研究表明相邻网格之间的相对高程变化的细胞(50]。许多方法被应用来验证该算法是最适合描述地形险峻。主成分分析是利用在本研究评估地形因素之间的相关性,减少原始参数的维数描述表面强度。同时,还测试了高程的标准差是另一个强度模型。图1描述了一个方法流程图在当前的研究中采用量化救济强度。
2.1。案例描述
Wadi穆萨区域选择的案例研究(摩西)谷的Ma -西安省城镇在约旦。它的特点是美丽的自然风光和异构景观山脉东部(图2)。Wadi穆萨的地理位置位于安曼以南约200公里,30°15′N和30°30′00 00 N和35°10′00“E和35°30′00”E,如图3。这个地区的地形表面的高度从49米到1725米不等高于平均海平面(AMSL)。这个地区有几种类型的特性来评估不同地形条件下地形险峻的地图。事实上,地形救援的特点,如平面、丘陵、山区,对民主党的可靠性有重要影响(51),提取地形因素。网站的数字高程模型生成使用地形图规模的1/25000。地图扫描数字化是捕捉轮廓线的间隔10 m。之后,款方法,它意味着在ArcGIS 10.2的名义威尼斯平底渔船光栅,应用于10米精度的DEM模型来自CLs。这种算法是由哈钦森(52)以适应陆地表面的形状和排水结构。数据集的质量控制是由叠加和检查CLs提取建立DEM与原来的。图4说明了数据采集的流程图。
2.2。表面强度
地貌分析的地形几何测量广泛应用于理解各种自然过程,人类和环境的影响(53,54]。一般来说,栖息地的地形特征具有巨大的影响力和社会经济活动。现代地理空间技术的出现带来了新的方法来表示裸土和量化地形使用基于网格的民主党和开发新型算法提取geomorphometric属性(55,56]。社区工具共同进行DEM分析工作流通过计算指定的数据定义的焦点细胞内移动窗口,指定的中心点(57]。在这项研究中,一个3×3采样窗口有效转移在DEM表面识别地形信息,显示在图5。这一选择背后的主要原因是限制细胞大小的影响调查的结果模型由于更好的窗户需要高度精确的民主党(58]。
地形险峻指数分配每个栅格单元使用由莱利等描述的算法。28)通过计算平方根的平方之和中央像素和相邻的海拔差异在指定的社区,在方程(1),zo中央细胞的高度,z是每个邻居的高程网格单元的焦点,然后呢N是粗纱窗口的宽度(像素)的数量。因此,根据图5方程(2)写的。源代码是在Python编程开发的上下文中ArcPy计算三算法,显示在图6。
矢量强度测量提供了另一种过程量化地形险峻的变异细胞的三维定位在一个小区,呈现在图7。它最初是由霍布森(59支持),后来萨平顿et al。29日]。矢量强度测量可以从斜率,计算方面使用方程(3)。图8展示了一个完整的工作流ArcGIS模型构建器方案生成VRM网格DEM数据集。 在哪里n是样本容量(移动窗口的像素数量)和r中央细胞的合成矢量在一个给定的社区。
2.3。强度调节参数
地形指标见表1测试评估和分析强度映射来确定最具影响力的预测因素。这些参数包括六个地形特点:斜坡,方面,总曲率,表面粗糙度,地形起伏,地形位置索引。有关水文因素流力量指数,沉积物运输指数和地形湿度指数。图9演示了一个自动化工作流在ArcGIS模型构建器,使用标准工具从DEM中提取图像测量变量。
2.4。标准偏差的海拔
海拔的标准差是由像素级别的分析一个民主党通过滑动窗口扫描使用方程(5)。海拔的标准差是检查在本研究中是一种另类的强度测量。选择这种方法的关键是缓解计算其参数在ArcGIS与合理使用焦统计了大量空间数据集的处理时间。 在哪里N粗纱窗口的宽度,平均海拔在窗口,然后呢z是细胞的高度。因此,根据图5,它可以编写如下:
2.5。主成分分析
进行了主成分分析的简化算法如图10。一般来说,四个主要步骤是用于执行该方法基于地形因素。和协方差矩阵的相关性计算,然后定义了主成分,最后数据集和旋转转向新轴。通常,为了提高性能,避免数值的冲突,和训练强度值的稳定性,下列方程用于规范化结果(66年]。
2.6。模型的性能评价
如前所述,每个方法的强度获得网格划分为五个不同的类。这些类被定义为(1)水平,轻微的(2),中等(3),(4)高,和高(5),符合本研究的目标,从每个模型所确定的类比较采用混淆矩阵的原则总是用于评估机器学习中分类算法的性能。每个矩阵的行代表真正的类的实例,而每列占预测类案件。为一个特定的类等多个类矩阵的一个图所示11,它可以分为四个主要类别显示的次数模型:(1)真阳性(TP)正确地预测积极类,(2)真阴性(TN)精确估计- 1,(3)假阳性(FP)错误地预测积极类,和(4)假阴性(FN)错误地估计负类。因此,使用这个矩阵提供了一个简单和直接的方式调查两种不同的方法之间的匹配选择的强度建模方法。
一般来说,匹配任意两个评估模型在本研究中通过计算混淆矩阵的整体精度。精度定义为对应点的数量在所有情况下除以总数量的点选择的调查。此外,模型的性能在类级别是使用两种不同的方法评估:精度和召回,显示在图12。
3所示。结果与讨论
数字高程模型是许多应用程序的基础地球科学如地貌学、地质学、生态学和工程(67年- - - - - -69年]。因此,DEM-derived元素的精度必须被视为降低固有的错误。地形险峻从DEM中提取测量局部高程变化在一个定义的窗口。本研究的主要目的是进行比较分析来评估质量的PCA和性病算法生成的表面强度。这一分析包括代表地形强度指数和验证他们的表现。海拔的标准差确定使用焦统计3×3细胞附近的DEM数据集。所选的条件参数(图13)归一化,然后应用主成分分析方法来描述表面强度。另一方面,地理处理工作流在ArcGIS 10.2软件是由Python脚本自动化和模型构建器工具来计算三VRM指数,分别。
地形变量在表1都是用于开发一个初始PCA模型,选择最合适的通过其相关矩阵和特征值。事实上,曲率,双胞胎,TPI方面比其他指标显示非常低的相关性。每一对的皮尔森相关系数的选择数据集(样本量64635分)和描述性统计计算调查各种地形的影响参数对强度指标,如表所示2和3。因此,影响参数,高度与强度指数,被选为构建主成分分析模型。−1和1之间的皮尔逊相关系数各不相同,高值接近限制反映的意义。一般来说,蓝色是指有一个正相关的强度指数成正比的地形特征,而橙色代表负相关意味着强度指数成反比的地形特征。因此,斜率、TR和SR显示最高的相关性;此外,SPI和STI给了良好的相关性与不同强度的方法。因此,它是至关重要的使用它们来生成一个精确的PCA地图。虽然双胞胎与所有方法显示了一个重要的关系,它最小化模型的功能,利用PCA由于其负作用。进行了额外的分析来确定二元相关因素的主成分分析模型。表3主成分分析结果表明,趋势跟踪的其他方法。相比之下,检查参数之间的相关系数和VRM明显低于其他模型。例如,斜率之间的相关系数和强度指数从0.99减少到0.291当使用VRM模型。观察一个类似的下降在VRM的情况下,是否积极或消极的相关性。另一方面,数字14说明了相关情节来衡量的程度之间的协议模型和选择地形指标。的x设在所有图代表了强度指数(即每个调查的方法。主成分分析,三、性病和VRM)在上面提到的,和y设在地形参数。一般来说,三和性病算法显示几乎一样,三是高度相关斜率和老相比之下,PCA与几个变量之间虽然没有相关性VRM和比较的因素。
图15代表地形险峻地图生成的三、VRM PCA和性病算法研究领域的研究。这些数据集分成五个同质类(水平、轻微、中等、高、非常高)使用詹金斯自然分解优化(70年,71年]。事实上,最顺利的地区由不同深浅的灰色基调是完全与平原地区。此外,越崎岖地带,澄清了青色的颜色,完全看到周围山脉的顶端的,如图16。的图形化表达强度指数表明,纹理和颜色/ STD的音调模式匹配相应的三人。与此同时,这两个表面显示出轻微的差异与PCA,尤其在很高的强度。VRM指数也揭示了一个相当大的变化的音色补丁从其他算法。因此,目视检查了PCA方法实际上在测试的最优模型。然而,将进行进一步分析使用统计方法评估测试模型。
PCA模型被开发在案例研究中,使用选定的地形参数和协方差和相关性矩阵如表所示4和5。此外,表中提供的特征向量和特征值6和7,分别。通常,第一个组件的更新PCA累积贡献达到82.3%左右,而使用第一和第二组件可能超过95%。然而,使用的所有组件创建的表面强度达到最佳的准确性。
每一对的混淆矩阵的定义方法来评估他们的能力和变化,澄清,如图17。可以看出三和性病都是几乎相同的,他们为同一区域分类提供了一个总体精度(匹配)的99.7%。这意味着性病模型可以取代三没有任何负面影响。PCA和性病的区别和三可以表示为一个总体变化约为20%。PCA分类更分很高的类别相比,三是能够正确地识别约45%的点。这意味着PCA模型是更敏感的崎岖的地区与其他方法相比。PCA和VRM模型之间的两两比较显示,大约70%的总体差异;除此之外,在第一节课的比例分分类VRM几乎测试人口的97%。这一观测结果符合前面的结果在图14并意味着VRM方法无法检测温和,高,粗糙度非常高的地区。最后,性病和相关性三结果显示约44%的提取VRM因为大多数点分类类VRM模型的水平。
以下结果的比较和postanalysis将省略VRM模型和考虑PCA,三,性病的大多数VRM点集中在水平类别。图18提供了一种基于类的PCA之间的差距,三,性病结果通过盒子情节。一般来说,可以看出点的分布在每个主成分分析类需要一个更大的范围比三和性病传播类模型缩小到最小的程度。此外,它可以注意到的极限水平类PCA模型中的相等的水平,轻微,中等三和性病的总和。这意味着PCA方法增加了整个地区的强度索引值比三和性病的结果,尽管他们的地图看起来非常相似。另一方面,数据的正态分布的研究模型如图19。可以观察到的情节之间的唯一显著差异PCA和其他算法中定义的第一个类(高度),PCA完全遵循正态分布的地方。同时,其他类看起来很相似的传播所有的指标。一般来说,图20.主成分分析的结果显示了强劲的关系和三和性病。因此,回归方程(8)可用于三和性病模型转移到PCA Wadi穆萨提出了本文。这些方程的相关系数是0.9925和0.9926在三和性病,分别。这些模型可以找到应用程序在很多情况下克服高计算工作的必要性。
4所示。结论
地形崎岖地形分析的一个重要因素是许多应用程序在工程和地貌。介绍了几种算法在文献中显示表面强度的空间分布,但并不一定提供最优的解决方案。本研究提出了一种置换方式使用PCA和性病算法生成地形险峻。首先,各种DEM-derived地形指标的影响强度使用PCA模型研究。其次,该方法相比,是最常见的,即三和VRM的。事实上,强度指标的性能分析是依靠视觉检查和统计方法进行的。研究结果表明主成分分析应用到生成一个精确的强度的可行性地图与实际地形特征一致。性病模型实现起来比较简单,可在ArcGIS软件,并产生三几乎相同的结果,更复杂的方法,而VRM显示最低的性能。根据统计分析,强度指数最具影响力的变量是斜坡,TR,老和最后,需要进一步的研究来理解PCA的功能描述地形特征在不同景观(72年),在不同的尺度上。
缩写
| 三: | 地形强度指数 |
| 民主党: | 数字高程模型 |
| VRM: | 矢量强度测量 |
| 主成分分析: | 主成分分析 |
| 地理信息系统: | 地理信息系统 |
| STD: | 标准偏差的海拔 |
| CLs: | 轮廓线 |
| AMSL: | 平均海平面以上 |
| α: | 方面 |
| β: | 坡 |
| C: | 曲率 |
| SR: | 表面粗糙度 |
| TR: | 地形起伏 |
| TPI: | 地形位置索引 |
| 双胞胎: | 地形湿度指数 |
| SPI: | 流能力指数 |
| STI: | 沉积物运移指数。 |
数据可用性
部分或全部数据、模型或代码支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。