TRI, TPI, atau Kekasaran


12

Saya sedang mengerjakan proyeksi pemilihan lokasi di mana saya tidak akan dapat melakukan pengamatan in situ. Komponen utama dari proses pemilihan adalah kekasaran medan yang mendasarinya.

Saya berencana menggunakan GDALdem untuk membuat peta kasar yang diturunkan. Saya telah membaca kedua Wilson, dkk. Makalah 2007 dan dokumentasi GDALdem . Meskipun keduanya menawarkan wawasan tentang algoritma yang digunakan untuk menghasilkan indeks, hanya makalah Wilson yang menawarkan penilaian kesesuaian indeks.

Sangat penting, karena saya tidak dapat melakukan pengamatan in situ, bahwa indeks yang dipilih melebihi perkiraan kekasaran permukaan.

Dalam pengalaman Anda, indeks mana yang telah Anda manfaatkan, untuk aplikasi apa, dan mengapa?

Jawaban:



10

Makalah "Analisis Multiskala Kekasaran Permukaan Topografi di Lembah Midland, Skotlandia" oleh Grohmann et al., 2011 menjelaskan perbedaan antara enam metode penghitungan pengukuran kekasaran permukaan dari topografi digital 2D. Makalahnya sangat membantu karena ia memberikan perbandingan kuantitatif masing-masing metode menggunakan wilayah uji tunggal pada berbagai resolusi spasial dan ukuran jendela. Di akhir makalahnya ia menyatakan:

Standar deviasi kemiringan tetap menjadi satu-satunya ukuran kekasaran permukaan yang paling efektif karena kesederhanaan perhitungan, deteksi skala halus / bantuan regional, dan kinerja pada berbagai skala.

Dia juga merekomendasikan penggunaan dispersi vektor dan standar deviasi kelengkungan profil, berdasarkan kemampuannya untuk menggambarkan fitur medan. Dia menurunkan metode rasio wilayah karena "gagal membedakan antara bentuk-bentuk lahan di daerah-daerah dengan pertolongan rendah." Metode rasio area mirip dengan indeks Rugosity dari Lundblad et al., Tetapi mungkin ada beberapa perbedaan kecil dalam perhitungan (saya belum melihat kode untuk indeks Rugosity vs metode rasio area yang digunakan dalam Grohmann et al.) .

Saya memilih dua metode: standar deviasi kemiringan dan dispersi vektor; standar deviasi kemiringan untuk kesederhanaan / akurasi dan dispersi vektor karena sensitif terhadap variasi ketinggian lokal, yang cocok untuk area studi saya.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.