Pendekatan peta panas:
Pendekatan ini lebih memakan waktu, karena waktu perhitungan dari langkah-langkah pemrosesan. Itu bisa dilihat sebagai ide mungkin untuk lebih dekat ke solusi yang lebih umum.
Data uji:
- QGIS 2.18.16, GRASS GIS 7
- 4 Trek GPS
- dalam kotak 1x1 km
SAYA.)
Buat poin di sepanjang Trek GPS Anda dengan Plugin QGIS Temukan Poin di Sepanjang Garis ( https://plugins.qgis.org/plugins/LocatePoints/ ). Untuk pendekatan peta panas saya telah menggunakan interval 2m .
II.)
Buat peta panas dengan plugin peta panas QGIS. Saya telah menggunakan radius 40m. Saya menambah jari-jari sampai tidak ada lubang di raster keluaran. Anda harus mencoba ini dengan nilai radius yang berbeda.
AKU AKU AKU.)
DIedit Tidak perlu memegang nilai raster peta panas yang tepat.
Sekarang saya ingin menipiskan raster ke area "putih", di mana sebagian besar titik terkonsentrasi. Untuk itu saya menghitung ulang raster keluaran. Nilai min / maks dari raster keluaran adalah 0
dan 89.7935
. Saya hanya menggunakan nilai di atas 44
. Untuk itu saya menggunakan "aturan praktis". Bulatkan nilai maksimal dan bagi dengan dua. Kurangi nilai ini di waktu lain. 89/2 = 44,5
-> 44
. Saya telah menggunakan OSGeo4W Shell: gdal_calc -A heatmap.tif --calc="A>=44" --NoDataValue=0 --outfile=heatmap_44_NoData.tif
.
IV.)
Diedit
a) Polygonize peta panas yang dihitung ulang dengan Raster > Conversion > Polygonize ...
b) Sederhanakan poligon Vector > Geometry Tools > Simplify geometries
. Saya telah menggunakan toleransi 2
. Poligon yang lebih sederhana mengurangi waktu pemrosesan untuk kerangka.
c) Hitung kerangka: cari kerangka di Toolbox Pemrosesan. Gunakan v.voronoi.skeleton
alat dari perintah GRASS GIS 7.
Anda dapat melihat bahwa baris yang dihasilkan lebih mewakili posisi jejak yang paling mungkin daripada di jawaban pertama saya. Khusus untuk tikungan di Utara, garis rata-rata mengikuti tiga trek yang lebih dekat satu sama lain. Hal yang sama untuk tikungan di Timur.
Keuntungan dari pendekatan:
- hasil bagus yang wajar secara eksklusif menggunakan QGIS
Kekurangan:
- waktu pemrosesan untuk set data besar
- Anda harus mencoba parameter a priori (radius peta panas, nilai min / maks)
- sulit untuk mengotomatiskan langkah-langkah pemrosesan
- tidak diuji untuk tikungan / kurva sempit dan untuk trek yang benar-benar keluar dari garis
Jika seseorang dapat mengoptimalkan langkah-langkah pemrosesan, selamat datang Anda!