27
Přednáška 4 1GIS2 Pokročilé aplikace digitálních modelů terénu, rastrová algebra, rastrové modelování FŽP UJEP

Přednáška 4

  • Upload
    hedda

  • View
    38

  • Download
    5

Embed Size (px)

DESCRIPTION

Přednáška 4. 1GIS2 Pokročilé aplikace digitálních modelů terénu, rastrová algebra, rastrové modelování FŽP UJEP. Rastrové analýzy. Analýzy spojitosti (konektivity) zajímají nás funkční vztahy na rozhraních elementárních ploch( pixelů), prostorové šíření jevů na zájmovém území - PowerPoint PPT Presentation

Citation preview

Page 1: Přednáška 4

Přednáška 41GIS2

Pokročilé aplikace digitálních modelů terénu, rastrová algebra, rastrové modelování

FŽP UJEP

Page 2: Přednáška 4

Rastrové analýzy

•Analýzy spojitosti (konektivity) • zajímají nás funkční vztahy na rozhraních elementárních

ploch( pixelů), prostorové šíření jevů na zájmovém území• př.: proudové analýzy, analýzy viditelnosti, analýzy časové

dostupnosti, cenové povrchy...

•Analýzy kontextu (kontiguity) • zajímají nás funkční vztahy, podobnost sousedících ploch• vytváření spojitých oblastí obsahujících funkčně příbuzné

plochy• př.: řízená, neřízená klasifikace, reklasifikace dat

•Rastrová algebra• spojování výsledků dílčích analýz do jednoho funkčního

celku• př.: erozní modely, předpovědi výskytu nerostných surovin,

výběr vhodných lokalit pro výstavbu, zemědělské využití...

Page 3: Přednáška 4

Analýzy spojitosti – přímá viditelnost

•výpočet přímé viditelnosti (Line of Sight)

•princip spočívá ve výpočtu postupného šíření paprsku z místa pozorovatele postupně na všechny body v rastru.

•obvykle se uchovávají v dočasně vytvářených rastrech data o výšce paprsku nad terénem a výškovém úhlu stanoveném první překážkou

•další definované parametry:

•výška v místě pozorovatele, cíle (např. výška antény, ...)

•úhlová výseč z místa pozorovatele (např. směrovost antény)

•minimální, maximální výškový úhel (např. parametry mincovního dalekohledu )

•min. a max. rádius

(např. výkon vysílače, vysílací stín...)

Page 4: Přednáška 4

Analýzy spojitosti – přímá viditelnost• vstupní data – DTM (rastr nebo TIN) + umístění pozorovatele (bod,

linie, polygon)

• výstupní data – podle komplexnosti modulu rastr s hloubkou 1 bit (je vidět není vidět) nebo vyšší (výškový úhel pod kterým je cíl vidět, minimální výška nad překážkou...)

• aplikace: umístění vysílačů, rozhleden, návrh tur. tras., urbanistické studie, návrhy dopravních komunikací...

• odvozené aplikace – šíření hluku ... – nutné doplnit další faktory, např. závislost na vzdálenosti (inverzně kvadraticky)

Page 5: Přednáška 4

Analýzy spojitosti – sluneční záření

• roční suma přijaté energie

• optimální výškový úhel pro příjem maximálního množství energie v závislosti na zem. poloze

• poměr energie vegetačního období k celému roku, etc...

Page 6: Přednáška 4

Analýzy spojitosti – sluneční záření

modely:

• SolarFlux (ArcINFO), Solei (IDRISI), SRAD, r.sun (GRASS)

• parametry modelů se obecně liší, obecně jsou používány mimo jiné tyto:

• výška, expozice, sklon (z DMT)

• datum, časový interval -> odvozením zenitový úhel a azimut slunce – astronomické výp.

• parametry atmosféry – ztráty, rozptyl, refrakce...

aplikace:

• zemědělství – optimální výběr lokality v závislosti na náročnosti plodiny

• energetika – výběr optimální lokality pro fotovoltaické elektrárny...

Page 7: Přednáška 4

Analýzy spojitosti – hydrologické modelování

• určování povodí (odtokových pánví, oblastí)

• určování rozvodí

• směr proudění, akumulace srážek, délka proudu

• analýza vsakovacích oblastí

• kapacity odtoku

• ...

Základním nástrojem pro většinu dalších analýz je směr proudění (flow direction) – praktický příklad z ArcGIS:

směr proudění

Page 8: Přednáška 4

Hydrologické modelování

Směr proudění

DMT

směr proudění

maximální změna výšky ve směru proudění

Page 9: Přednáška 4

Hydrologické modelování

odtokové oblasti (dílčí povodí) - Basins

rozvodí - Watershed

• na základě směru proudění vygenerování linií rozvodí a rozdělení území do jednotlivých odtokových oblastí

• chyby v DMT – zdánlivě bezodtoké oblasti, nesmyslné odtokové oblasti

digitální ortofoto, stínovaný reliéf, odtokové oblasti

Page 10: Přednáška 4

Hydrologické modelování

Akumulace • lze vytvořit schéma hydrologické sítě včetně modelovaných

průtoků

Page 11: Přednáška 4

Hydrologické modelování

Délka toku • vzdálenost konkrétního místa k ústí (resp.odtoku ze zájmové oblasti)

měřený podél vodního toku

Page 12: Přednáška 4

Modelování morfologické struktury reliéfuPracujeme s pojmy:

• Sklon svahu • Orientace svahu (expozice)

• Gradient (směr největšího spádu)• Normálová křivost

• křivost normálového řezu bodě A(x,y) jako průsečnici plochy s rovinou obsahující normálu N k topografické ploše a tečny n ke spádnici, tak že rovina řezu je kolmá na tečnou rovinu k topografické ploše v daném bodě A(x,y).

• Horizontální křivost• Poloměr horizontální křivost R_k je

svislým průmětem poloměru normálové křivosti do roviny horizontálního řezu.

Právě s pomocí hodnoty normálové křivosti můžeme charakterizovat jednotlivé morfometrické formy georeliéfu. Tyto formy jsou od sebe odděleny inflexními body. Pokud je normální křivost > 0, pak forma je konvexní (vypouklá) a pokud normální křivost < 0, tak je forma konkávní (dutá).

Page 13: Přednáška 4

využití - automatizované členění zájmové oblasti na jednotlivé morfologické tvary

Modelování morfologické struktury reliéfu

atd...

Page 14: Přednáška 4

Modelování morfologické struktury reliéfu

příklad implementace v ArcGIS Spatial Analyst:

A = [(Z1 + Z3 + Z7 + Z9) / 4 - (Z2 + Z4 + Z6 + Z8) / 2 + Z5] / L4 B = [(Z1 + Z3 - Z7 - Z9) /4 - (Z2 - Z8) /2] / L3

C = [(-Z1 + Z3 - Z7 + Z9) /4 + (Z4 - Z6)] /2] / L3

D = [(Z4 + Z6) /2 - Z5] / L2

E = [(Z2 + Z8) /2 - Z5] / L2

F = (-Z1 + Z3 + Z7 - Z9) / 4L2

G = (-Z4 + Z6) / 2L

H = (Z2 - Z8) / 2L

I = Z5

Z = Ax ²y ² + Bx ²y + Cxy ² + Dx ² + Ey ² + Fxy + Gx + Hy + I

hodnota pixelu je rovna druhé derivaci povrchu DMT

aplikace: určování morfologických tvarů, analýza kvality DMT

Page 15: Přednáška 4

Modelování morfologické struktury reliéfu

digitální model terénu byl s největší pravděpodobností vygenerován z vrstevnic a vzhledem ke skokovým změnám morfologie lze usuzovat na nepříliš kvalitní výběr metody a jejích parametrů....

Page 16: Přednáška 4

Modelování plošné kvantity jevu

Zájmové území se rozdělí na pravidelný grid o zadaném rozlišení, pro každou buňku gridu se zvolenou metodou vypočte průměrná hodnota jevu připadající na tuto buňku.

Příklad: plošně vyjádřená hustota obyvatel v ČR na základě bodové vrstvy obcí s počtem obyvatel. (pro přehlednost doplněno proporčním symbolem)

Page 17: Přednáška 4

Vzdálenostní analýzy

nejjednodušší případ: modelování přímé vzdálenosti k centrům• pro většinu úkolů nepříliš praktické• výsledkem rastr udávající v definovaných jednotkách vzdálenost k nejbližšímu

centru ( v případě bodů) nebo nejbližšímu bodu na útvaru (v případě linií nebo ploch)

• vedlejším výsledkem směr k nejbližšímu centru, alokace (=Thiessenova teselace)• příklad: vzdálenost, směr a alokační oblasti letišť v ČR

Page 18: Přednáška 4

Analýzy spojitosti

• vzdálenostní analýzy, aplikace cenových povrchů

• jaká je nejkratší vzdušná vzdálenost mezi dvěma místy

• jaká je dojezdová vzdálenost k nejbližší nemocnici

• které oblasti jsou nejhůře pokryté záchrannou službou

• modelování vhodnosti lokality, predikce výskytu

• kde je nejvhodnější lokalita pro novou školu, nákupní centrum, skládku...

• kde mám za daných podmínek největší pravděpodobnost výskytu konkrétního rostlinného druhu

• modelování šíření látek v ovzduší, vodě...

• obsah znečištění NOx, O3, ...

• geostatistika

• pokročilé interpolace dat

• generalizace

• zonální analýzy

Page 19: Přednáška 4

Vzdálenostní analýzy

Za jak dlouho dojedu do nejbližšího centra?

Do kterého centra mám nejblíž?

Jakým směrem to je do nejbližšího centra?

...srovnej s Voronoi diagramy...

Page 20: Přednáška 4

Vzdálenostní analýzy – princip výpočtu

princip výpočtu vzdálenosti do konkrétního bodu:

vzdálenost „přes hranu“ 1

vzdálenost „úhlopříčně“ 2

do kterého centra to mám nejblíž

kterým směrem je nejbližší centrum

(1° - 360°; 0 je rezervovaná hodnota)

Page 21: Přednáška 4

Aplikace cenových povrchů (cost surface)

• cenový povrch = vyjádření ceny za kterou lze projít přes plochu dané buňky

• oblasti bez dat (NULL <> 0) slouží jako neprostupná bariéra

• vzdálenostní analýzy, časová dostupnost – jako hodnoty pixelů se volí čas (t= s/v); po silnici lze jet rychlostí 90 km/h, 10 metrů projedu za ....

směr pro cestu zpět do centra

Page 22: Přednáška 4

Modelování vhodnosti lokality, predikce výskytu

• kombinace několika faktorů

• bodové ohodnocení každého faktoru

• rastrovou algebrou vypočtený rastr s vhodně zadanými váhami jednotlivých parametrů

• výběr místa pro výstavbu RD:• využití půdy

• nadmořská výška

• blízkost školy

• blízkost nákupních center

• ....

v konečném kroku potřeba využít rastrovou algebru

Page 23: Přednáška 4

Rastrová algebra• výpočty se provádění po jednotlivých buňkách rastrů• základní algebraické operace + + logické operátory (AND, OR, NOT...) + relační

operátory (<, >, =, <>, ...) + základní mat. funkce (goniometrické, logaritmy, zaokrouhlení,...)

• pokud mají rastry různé rozlišení, interně se během výpočtu převzorkují

Které oblasti v rastru mají nadmořskou výšku mezi 50 a 1000 m?

Page 24: Přednáška 4

Generalizace•obvykle finální krok po provedené klasifikaci

•začištění výsledu analýzy

•vhodné před statistickým vyhodnocením, interpretací, prezentací dat

•opatrně, můžete znehodnotit výsledek

Page 25: Přednáška 4

Další dodatečné úpravy rastrů

rozdělení na spojité oblasti s unikátním ID

„vytažení“ izočar ze rastru obsahujícího spojitá data

Page 26: Přednáška 4

Další dodatečné úpravy rastrů

vytvoření obalové zóny v rastrové reprezentaci

skeletizace – „vytažení“ kostry, nezbytné před automatickou vektorizací

Page 27: Přednáška 4

Další dodatečné úpravy rastrů

vyhlazení průběhu hranic (smooth)

na ukázkovém obrázku se zjednoduší průběh hranic a vyplní oblasti bez dat

nahrazení hodnotou, která se nejčastěji vyskytuje v okolí pixelu (shrink) – na příkladu se nahradí pixely s hodnotou 5

hodnota expanduje do nejbližšího okolí (expand)–na příkladu se pixely s hodnotou 5 rozšíří do svého okolí

...atd...