Nano Hash - криптовалюты, майнинг, программирование

ГИС / ArcPy: извлечение данных о землепользовании из растра и назначение полигонов шейп-файлов

У меня есть две карты для одной и той же области (1) растровая карта землепользования и (2) шейп-файл с тысячами подводных бассейнов. Я пытаюсь назначить тип землепользования из растра (карта 1) каждому суб-водоразделу (карта 2) на основе правила большинства. Я пробовал пространственное соединение, но результат оказался неправильным. Как лучше всего это сделать в ArcMap или в arcpy?

gis raster arcpy
12.04.2016

  • Не могли бы вы лучше описать, что кажется неправильным в полученных вами результатах? Пространственное соединение будет первым методом, который я попробую, поэтому мне понадобятся более подробные сведения, чтобы помочь в устранении неполадок. 13.04.2016
  • Моя цель - определить землепользование с максимальной площадью в перекрывающейся области и назначить это землепользование в многоугольнике шейп-файла. В пространственном объединении я использовал «ПЕРЕСЕЧЕНИЕ» как опцию сопоставления. В «Карте поля функций объединения» я использовал «режим» как «правило слияния»; другие параметры правила слияния: Frist, Last, Min, Max, Count, Sum, Mean, StD, Median & Range. Когда я использую «Режим», он дает тип «землепользования», который чаще всего встречается в перекрывающейся области. Но мой желаемый результат - найти такой тип землепользования, который имеет наибольшую площадь в перекрывающейся области. 13.04.2016

Ответы:


1

Я бы рекомендовал использовать Зональную статистику в виде таблицы (пространственный аналитик) для выполнения этой задачи. Вот общий рабочий процесс:

  1. Запустите Зональную статистику в виде таблицы, используя параметр «Большинство "статистика.
  2. Присоединитесь к таблице с классом пространственных объектов водораздела, используя Поле соединения (данные Управление)
import arcpy, os
from arcpy.sa import *
arcpy.CheckOutExtension("Spatial")

# Your watershed feature class
watersheds = r'C:\path\to\your\geodatabase.gdb\watersheds'

# Your land cover raster
raster = r'C:\path\to\your\landcover_raster.tif'

# The workspace where the output table will go
zone_table = r'C:\path\to\your\geodatabase.gdb'

# Perform the zonal statistics and output a table
arcpy.sa.ZonalStatisticsAsTable (watersheds, 'watershed_id', raster, zone_table, 'DATA', 'MAJORITY')

# Join the table to the watershed feature class by the OBJECTID field (for feature class)
arcpy.JoinField_management(watersheds, 'watershed_id', zone_table, 'OBJECTID', 'MAJORITY')
26.04.2016
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..