Daugiau

Kaip normalizuoti arba pakeisti NDVI rastrinį vaizdą

Kaip normalizuoti arba pakeisti NDVI rastrinį vaizdą


Apdorojau skirtingų metų 3 ir 4 juostų grupes, kad gautu NDVI reikšmes, galimos normalizuoto skirtumo vegetacijos indekso reikšmės yra nuo -1,0 iki +1,0. Juostos buvo pataisytos atmosferoje, naudojant dos1 korekciją.

NDVI buvo apskaičiuotas mano tiriamam plotui, o vertės, kurios kiekvienos rastrinio sluoksnio savybės statistiniame parametre buvo nurodytos kaip mažiausias, didžiausias, vidutinis ir standartinis nuokrypis kiekvienais atitinkamais metais, yra šios:

1993 -0.15 0.73 0.22 0.099 1998 -0.41 0.85 0.33 0.13 2002 0.0009 0.629 0.165 0.07 2009 -0.061 0.55 0.19 0.068 2011 -0.067 0.596 0.165 0.064

Mano klausimas yra toks: kaip aš galiu normalizuoti visus kiekvienų metų rastrus, kad galėčiau pamatyti santykinius pokyčius kiekvienais metais. Kitaip tariant, aš noriu išgauti santykinį indeksą visoje tyrimo srityje, bet neaišku, kurį diapazoną turėčiau pasirinkti savo atvejui, į kurį mano rastrinės vertės suskirstytos į vienodo intervalo indeksą. Kaip aš galiu pakeisti šias vertes

Tada žaliosios augmenijos dalis (GVF) turėjo būti apskaičiuota naudojant tą pačią lygtį kaip ir Hu ir Jia, 2010, naudojami pietų Kinijos mieste Guangdžou, kaip minėta dokumente-8 lygtis, taip pat vadinama linijiniu maišymo modeliu.

GVF = NDVI - NDVImin / NDVImax - NDVImin, kur NDVImin ir NDVImax buvo parinkti atitinkamai kaip 0,05 ir 0,70, ir šios vertės, gautos iš AVHRR 10 dienų sudėtinių duomenų.

Noriu normalizuoti (arba pasakyti, kad transformuoju, jei neklystu) visas reikšmes iki 0–1, kad galėčiau palyginti kiekvieno žalioje augmenijoje esančio pikselio dalį ir ištirti tikrąjį augmenijos vaidmenį. Kaip galėčiau išvesti savo regiono diapazoną. Ar pirmiausia turiu pakeisti mastelį 0–255? Kadangi tai yra atskiri duomenys, o ne tęstinis svyruoja nuo -1 iki +1.

Linijinis spektrinis išmaišymas, naudojant vaizdu pagrįstą galūnių surinkimo metodą, buvo naudojamas skirtinguose tyrimuose, siekiant nustatyti NDVImin (plika žemė) ir NDVImax (tanki augmenija) diapazoną.


Manau, kad įrankis, kurio ieškote, yra perklasifikuotas. Galite sukurti klases savo skirtingiems NDVI rinkiniams. Be to, jūs turite galimybę pasirinkti skirtingą klasifikavimo metodą, pvz., Natūralias jenkas, geometrinius, procentilius ir kt. Aš dirbu panašiame tyrime, kuriame naudojau 4 klases; nederlinga, žolė / ganykla, miškai ir miškas.


Ar „Keras ImageDataGenerator“ gali pakeisti vaizdą tarp -1 ir 1

Šiuo metu kuriu vaizdų GAN savo vietiniame kataloge. Taigi aš naudoju „Keras.ImageDataGenerator“ konstruktorių flow_from_dir konstruktorių.

Norėčiau normalizuoti savo vaizdus nuo -1 iki 1, tai įprasta GANs sukelti tanh aktyvaciją.

Man kyla problemų keičiant vaizdą, pvz., Įgyvendinant 1/127.5 -1 argumente „rescale“.


USGS EROS archyvas - Augmenijos stebėjimas - „eMODIS“ nuotolinio stebėjimo fenologija

Produktų, gautų iš „eMODIS“ duomenų (nuo 2001 m. Iki dabar), metinis devynių istorinių nuotolinio stebėjimo fenologijos metrikų, susijusių su nepaprastomis Jungtinėmis Valstijomis, įrašas yra 250 m.

Vakarų regiono eMODIS fenologijos sezono pradžia 2001 m.
(Viešoji nuosavybė)

Nuotolinio stebėjimo fenologijos (RSP) rinkinys yra devynių metinių fenologinių rodiklių rinkinys, skirtas nepaprastoms Jungtinėms Valstijoms. JAV geologijos tarnybos (USGS) Žemės išteklių stebėjimo ir mokslo (EROS) centro tyrėjai naudoja palydovinių jutiklių surinktus duomenis sezoniniams augmenijos pokyčiams stebėti. Du palydoviniai jutikliai, teikiantys neapdorotus duomenis RSP programai, yra Nacionalinės vandenynų ir atmosferos administracijos (NOAA) poliariai skriejantys palydovai ir labai aukštos skiriamosios gebos radiometras (AVHRR) ir vidutinės skiriamosios gebos vaizdo spektrofotometras (MODIS), nešiojamas nacionalinėje aeronautikoje Kosmoso administracijos (NASA) „Terra“ ir „Aqua“ palydovai. Palydovo duomenys iš pradžių transformuojami į Normalized Difference Vegetation Index (NDVI) reikšmes. AVHRR NDVI ir eMODIS NDVI yra pagrindas RSP. NDVI laiko eilutes galima apibendrinti ir išanalizuoti, kad būtų gauti devyni pagrindiniai fenologiniai rodikliai, atspindintys visą vegetacijos sezoną. Šie duomenys yra galinga priemonė dokumentuoti augalų gyvenimo ciklo tendencijas laikui bėgant ir nustatyti klimato kaitos poveikį ekosistemoms.

Nuotolinio stebėjimo fenologijos produktai

Nuotolinio stebėjimo fenologijos produktus galima įsigyti dviem failų formatais su geografinėmis koordinatėmis, nurodytomis „Lambert Azimuthal“ vienodo ploto žemėlapių tinklelyje:

  • Georeferencinis pažymėtų vaizdų failų formatas (GeoTIFF) yra TIFF failas su įterpta geografine informacija. Tai standartinis GIS programų vaizdo formatas.
  • „Band Sequential“ (BSQ) vaizdo failas yra dvejetainis rastrinis formatas su pridedamu antraštės failu, apibūdinančiu failo išdėstymą ir formatavimą.

„EarthExplorer“ siūlo kasmet registruoti AVHRR fenologijos duomenis 1 km raiška, datuojamą 1989 m., Ir „eMODIS“ fenologijos duomenis 250 m raiška, datuojamus 2001 m.. Yra devyni metiniai istoriniai nuotolinio stebėjimo fenologijos rodikliai, skirti Jungtinėms Valstijoms. kiekvienam duomenų rinkiniui.

Fenologinė metrika

Parametras Akronimas Fenologinis aprašymas
Amplitudė AMP Maksimalus baldakimo fotosintezės aktyvumo padidėjimas virš bazinės linijos (mastelio NDVI).
Trukmė DUR Fotosintezės trukmė (dienų skaičius).
NDVI sezono pabaiga EOSN Fotosintezės aktyvumo lygis išmatuojamos fotosintezės pabaigoje (NDVI vertė).
Sezono pabaigos laikas EOST Matuojamos fotosintezės pabaiga augmenijos baldakime (metų diena).
Didžiausias NDVI MAKS Maksimalus fotosintezės aktyvumas baldakime (NDVI vertė).
Maksimalus laikas MAXT Maksimalios fotosintezės laikas baldakime (metų diena).
NDVI sezono pradžia SOSN Fotosintezės aktyvumo lygis išmatuojamos fotosintezės pradžioje (NDVI vertė).
Sezono pradžia SOST Matuojamos fotosintezės pradžia augalijos baldakime (metų diena).
Integruota į laiką NDVI TIN Stogelio fotosintezės aktyvumas per visą auginimo sezoną (interpoliuojamas NDVI).

Konkrečių metų atsisiuntimo pakete yra GeoTIFF arba dvejetainis failas kiekvienai iš devynių metrikų, esančių ZIP faile. Faktinė pradinių duomenų pradžios ir pabaigos data bei išsamus kiekvieno fenologinio rodiklio aprašymas pateikiami kiekvieno atsisiuntimo metu pateiktuose metaduomenyse.

Padengimo žemėlapiai

Apsaugos žemėlapius, kuriuose nurodoma, ar yra „eMODIS Phenology“ produktai, galima atsisiųsti.

Papildoma informacija

Prieiga prie duomenų

„EarthExplorer“ galima ieškoti, peržiūrėti ir atsisiųsti fenologijos duomenis. AVHRR fenologijos ir eMODIS fenologijos kolekcijos yra Augalijos stebėjimo kategorijoje.


Vaizdai, automatika ir programos

Sveiki atvykę į paskutinį specializacijos kursą (žinoma, nebent tęsite pagrindinį projektą!). Naudodamiesi žiniomis, kurias sužinojote apie ArcGIS, atlikite technines užduotis, tokias kaip rastriniai skaičiavimai ir tinkamumo analizė. Šioje klasėje jums patiks atlikti erdvinę analizę ir GIS programas per keturis savaites trunkančius modulius: 1 savaitė: sužinosite viską apie nuotoliniu būdu aptinkamus ir palydovinius vaizdus ir susipažinsite su elektromagnetiniu spektru. Šios savaitės pabaigoje galėsite rasti ir atsisiųsti palydovinius vaizdus internete ir naudoti juos dviem įprastoms analizės rūšims: NDVI ir apmokytiems klasifikatoriams. 2 savaitė: sužinosite, kaip naudoti „ModelBuilder“ kuriant dideles apdorojimo darbo eigas, kuriose naudojami parametrai, išankstinės sąlygos, kintamieji ir naujas įrankių rinkinys. Mes taip pat išnagrinėsime keletą temų, kurių iš tikrųjų neturime laiko išsamiai aptarti, tačiau galbūt sužadinsime jūsų norą mokytis ateityje kitomis galimybėmis: geokodavimu, laiku įgalintais duomenimis, erdvine statistika ir „ArcGIS Pro“. 3 savaitė: trečią savaitę mes sukursime ir naudosime skaitmeninius aukščio modelius naudodami keletą naujų specifinių įrankių, tokių kaip iškirpimo užpildymo įrankis, kalvų šešėliai, peržiūros angos ir dar daugiau. Taip pat pereisime kelis įprastus algoritmus, įskaitant labai svarbų: tinkamumo analizę. 4 savaitė: paskutinę savaitę pradėsime kalbėdami apie keletą erdvinių analitikų įrankių, kurių dar neturėjome palietę specializacijoje: Regionų grupė, norėdami sukurti savo zonas, Pagrindinė statistika, norėdami išlyginti kalvų atspalvį, Perklasifikuoti, kad pakeistumėte reikšmes, ir Taškinis tankis tankio paviršiui sukurti. Galiausiai, mes baigsime kalbėdami apie dar keletą dalykų, kuriuos galbūt norėsite daugiau išnagrinėti, kai pradėsite savarankiškai mokytis apie GIS temas. Paimkite geoerdvinę ir aplinkos analizę kaip atskirą kursą arba kaip geografinių informacinių sistemų (GIS) specializacijos dalį. Prieš eidami į šį kursą turėtumėte turėti lygiavertę patirtį baigdami pirmąjį, antrąjį ir trečiąjį šios specializacijos kursus, „GIS pagrindai“, „GIS duomenų formatai, dizainas ir kokybė“ ir „Geospatialinė ir aplinkos analizė“. Baigę ketvirtą klasę įgysite įgūdžių, reikalingų norint sėkmingai pasiekti specializacijos akmenį.

Получаемые навыки

Geografinė informacinė sistema (GIS), vaizdų analizė, erdvinė analizė, palydoviniai vaizdai, GIS programos

Рецензии

Labai geras kursas, tačiau tam tikros šiame kurse įvertintos temos nebuvo gerai paaiškintos, ypač nuotolinio vaizdo apdorojimas (atsisiuntimas ir valdymas GIS)

Nuostabus kursas! gerai organizuotas, labai informatyvus, turtingas ištekliais ir naudinga medžiaga, su puikiu diskusijų forumu kurso dalykams aptarti.

Šiame modulyje mes sužinosime viską apie nuotolinį stebėjimą ir palydovinius vaizdus, ​​pradedant įvadu į nuotoliniu būdu aptinkamus duomenis ir elektromagnetinį spektrą, prieš sužinodami apie palydovų ir oro vaizdų fiksavimą ir duomenų produktus. Sužinosite, kaip rasti ir atsisiųsti palydovinius vaizdus internete ir kaip juos naudoti atliekant du skirtingus įprastus analizės tipus: NDVI ir apmokytą klasifikaciją. Antroje pamokoje sužinosite, kaip naudoti kai kuriuos pagrindinius įrankius, kad palaikytumėte vaizdų analizę naudodami rastrinę skaičiuoklę ir erdvinį analitiką.

Преподаватели

Nikas Santosas

Текст видео

[MUZIKA] Sveiki visi ir sveiki sugrįžę. Šioje paskaitoje aš jums parodysiu, kaip apskaičiuoti normalizuotą vegetacijos skirtumo indeksą arba NDVI. Kurį galime naudoti norėdami nustatyti, ar kažkas yra sveika augmenija, mažiau sveika augmenija, ar visai ne augmenija, naudojant nuotoliniu būdu aptinkamus vaizdus. Tam naudosiu „LandSat“ duomenis, kuriuos atsisiuntėme paskutinėje paskaitoje, bet tai yra jo pogrupis. Aš jums suteikiu „LandSat“ grupes nuo penkių iki penkių, taigi jūs neturite viso to atsisiųsti, ir mes tai naudosime apskaičiuodami NDVI. Iš pradžių aš jums parodysiu, kaip ir kodėl tai svarbu, arba kaip mes jį gauname, žiūrėdami į atspindėtą spektrą, tada mes ieškosime, kaip mes galime apskaičiuoti NDVI, remdamiesi ta informacija iš atspindėtas spektras. Tada mes tai darysime „ArcMap“ dviem skirtingais būdais, pirmiausia naudodami vaizdo analizės langą ir tada naudodami rastrinę skaičiuoklę. Taigi vienas iš pirmųjų dalykų, kurį turime suprasti naudodamiesi NDVI, yra tai, kaip atrodo atspindžio spektrai ir ką atspindėjimas reiškia mūsų duomenų analizei. Taigi tegul & # x27s nubrėžia greitą ašį, o šioje ašyje, y ašyje, mes turime atspindį, todėl mes tai išmatuosime procentais, kad & # x27s 100%, kad & # x27s 0 čia apačioje ir 50 in vidurys. Ką tai reiškia, esant nuliui, niekas neatsispindi nieko, todėl negalime iš tikrųjų suvokti jokių duomenų, nėra šviesos, atspindinčios mūsų jutiklį. 50% atspindžio reikšmė reiškia, kad 50% šviesos, pataikiusios į kažką, atsispindi kai kuriems stebėtojams. Tada iki 100 viršaus iki pat viršaus 100% šviesos, kad ką nors pasiektų, kai kuriems stebėtojams atsispindi kaip kosmose, pavyzdžiui, palydovinės kameros. „X“ ašyje mes turime bangos ilgius, todėl tegul & # x27s palengvina rašymą ir mes tai atliksime. Čia kairėje pusėje sakykime, kad mes turime kažką panašaus į 400 nanometrų, kad & # x27s 400 ir tegul pasakys, kad čia turime apie 700 ir tada mes neturėsime visiškai tiesinės skalės, mes & # x27 „x27ll“ čia yra kažkas panašaus į 1200. Tai reiškia, kad čia turime mėlyną šviesą, viduryje - žalią šviesą, o po to - šalia infraraudonųjų spindulių. Taigi, atsiprašau, kad šiek tiek prašau rašyti ranka, ir mes galime nubrėžti kreives, kurios tinka čia, atspindi skirtingus dalykus, todėl galime labai greitai pažvelgti į augmeniją. Augalija atspindi, jei mes apie tai galvojame, augalija matomame spektre atspindi daugiau žalios šviesos nei mėlyna ar raudona, nes ji atrodo žalia. Taigi žalia šviesa atsispindi nuo jos ir grįžta pas mus ir kas vyksta fotosintezuojant mėlyną ir raudoną šviesą ir tarsi kreivėje tarp jų. Taigi, kas tai atrodo, yra kažkas panašaus į tai, kur jis yra žemai mėlynoje šviesoje, jis šiek tiek daugiau atsispindi žalioje šviesoje ir vėl grįžta raudonoje šviesoje. Dabar jis neviršija 50, jis labiau panašus į 25, bet šiai iliustracijai tai gerai. Ir tada mes einame netoli infraraudonųjų spindulių ir šiek tiek lyginame. Taigi čia yra didelis dalykas, kad jis atspindi labai mažai mėlynos, labai mažai raudonos, šiek tiek žalios spalvos ir daug artimo infraraudonųjų spindulių. Ir vėl tai yra ne iki 100% atspindinčių medžiagų, bet ji yra gana didelė. Na, kaip mes galime atskirti skirtingus dalykus, jei mes turime tik šias keturias juostas, mes turime mėlyną, žalią, raudoną ir infraraudonąją. Na, kaip atrodo, jei norime kažko panašaus į vandenį? Na, vandens rūšis čia būna žemai, vanduo nelabai atspindi daug ką, todėl vanduo čia tarsi juda žemyn ir yra gana žemas, po augmenija. Bet tada kaip su plika dirva? Na, plikas dirvožemis prasideda žemai, bet net ne taip žemai, kaip žalia ir rūšis, per šį elektromagnetinio spektro diapazoną kyla gana tolygiai. Taigi, kas yra įdomu, jei norime atskirti sveiką augmeniją nuo pliko dirvožemio, galime sakyti, kad artimas infraraudonųjų spindulių spindulys turėtų būti didesnis nei oro dirvožemis, taigi artimo infraraudonųjų spindulių vertė turėtų būti didesnė ir raudona vertė turėtų būti žemesnis. Nors plikame dirvožemyje jie yra gana arti, jie labai skiriasi. Taigi, sveika augmenija yra aukšta, netoli infraraudonųjų spindulių, mažai raudona ir net palyginti žali, nes žalios spalvos turėtų būti apie 15, 20%. Tuo tarpu infraraudonųjų spindulių spinduliais jis turėtų būti arčiau 50%. Taigi, jei norime, galime dar kartą pakeisti savo skalę kairėje pusėje, tik norėdami patikrinti, ką mes žiūrime, ką nustato kiekviena iš šių kreivių, taigi kiekviena iš šių spalvų sako, kiek šviesos iš jų atsimuša. kiekviename skirtingame bangos ilgyje. Taigi čia tegul sukuria & # x27s, apgailestaujame, kad & # x27s atkreipia tokias juostas, kurios gali nulipti nuo čia nustatytos žemės. Taigi aš ketinu laikyti šias ir tokias grupes čia. Taigi sakykime, kad # #2727 yra žemės nustatymo juosta, o tarp tų dviejų juodų linijų yra mėlynos spalvos juosta. Ir mes galime tikėtis, kad plika žemė įdegyje yra santykinai žema, bet aukštesnė už žaliuojančią augmeniją ir aukštesnė už vandenį mėlynoje. Tada mes čia turime žemės nustatytą juostą žaliai šviesai, ir ten yra panašus jų išdėstymas, bet tada raudonoje šviesoje jie yra gana skirtingi. Vandens yra mažai, augalijos dar gana mažai, bet tada čia plika žemė ima keltis aukščiau, tai tikrai galime pradėti matyti. Jei raudonoje srityje tai atspindi 30% ar daugiau, tai tikriausiai nėra augmenija, tai tikriausiai kažkas kita, pavyzdžiui, plika žemė. Ir tada, jei jūs tikrai norėjote patvirtinti, galite pasakyti, kad mes labai gerai atspindime artimoje „LandSat“ infraraudonųjų spindulių juostoje ir žemesnėje arba raudonos juostos žemoje dalyje, tai gali būti sveika augmenija. Bet jei tai atspindi vidutiniškai labai artimą infraraudonųjų spindulių juostoje ir vidutiniškai vis dar raudonoje juostoje, tai gali būti plika žemė. Taigi, kaip mes tai skaitytume ir kam galėtume jį naudoti. Taigi pažvelkime į tai, kas yra Normalizuoto skirtumo vegetacijos indeksas arba NDVI teorinės minties eksperimento prasme. Pirmiausia mes naudojame jį kaip įvairiausių aplinkos matavimų tarpininką, nes tai puikus būdas pamatyti, kaip veikia ekosistema per savo augmenijos sveikatą. Taigi, tai, ko iš tikrųjų bandome iš to išgelbėti, yra augmenijos sveikata ir dalis to, kodėl mes tai naudojame kaip tarpinį patarimą visoms šioms kitoms reikmėms, ar ją surinkti yra gana pigus, nes pastatyta beveik infraraudonųjų spindulių šviesa į daugybę jutiklių. Telefono kamera ar kišenėje esanti skaitmeninė kamera gali aptikti infraraudonųjų spindulių ryšį, jei pašalinsite filtrą. Pagal numatytuosius nustatymus veikia tik mėlyna, žalia ir raudona spalvos, bet tai reiškia, kad ant jo esantis raudonas jutiklis iš tikrųjų yra jautrus raudonai ir šalia infraraudonųjų spindulių, todėl priešais jutiklį jis turi filtrą, kuris užstoja šalia infraraudonųjų spindulių šviesą, taigi jūs gaunate tik matoma šviesa. Taigi juos labai lengva konvertuoti, jutikliai yra lengvai prieinami visur ir todėl NDVI yra puikus tuo, kad apskritai naudoja tik šalia infraraudonųjų spindulių ir raudoną šviesą, o juos lengva užfiksuoti pigiais būdais. NDVI apskaičiavimo algoritmas ima artimą infraraudonųjų spindulių juostą ir atima raudonos juostos & # x27s vertę, tada padalija ją iš tų dviejų juostų sumos. Tai bus daugiau prasmės per akimirką, mes apie tai šiek tiek pakalbėsime. Taigi, jei vis dar įdomu, ką tai reiškia? Mes ten pateksime. Ir iš esmės pagalvokite apie tai tokiu būdu, kad sveiki augalai sugeria daug daugiau raudonos šviesos, nes jie ją naudoja fotosintezei, tiesa, jie naudoja ją maistui gaminti. Taigi jie sugeria raudoną šviesą, jie atspindi žalią šviesą ir sugeria mėlyną šviesą. Jie taip pat atspindi daug šviesos artimajame infraraudonajame spindulyje. Taigi jie atspindi artimą infraraudonųjų spindulių šviesą didelėmis vertėmis. Mes matėme, kad atspindinčiuose spektruose matote aukštą infraraudonųjų spindulių vertę ir šiek tiek mažesnę nei žalios raudonos šviesos vertės. Taigi, jei artimas infraraudonųjų spindulių atspindys didėja, kaip tai daroma su sveika augmenija, didėja ir viršutinės bei apatinės dalies vertė, kuri yra normalizuoto vegetacijos skirtumo indekso normalizavimo dalis. Bet padidėjus raudonai šviesai, viršus sumažėja. Taigi, jei augalai atspindi daugiau raudonos šviesos, tai reiškia, kad jie nenaudoja jos fotosintezei, jie yra mažiau sveiki. Taigi, kai mes atimame raudoną šviesą iš artimojo infraraudonųjų spindulių, gaunant didesnes raudonas vertes, mūsų didžiausia vertė mažėja. Tai priartina vertę prie 0 ar net iki -1. Jei tai atspindi daugiau raudonos šviesos, tai atspindi netoli infraraudonųjų spindulių, tai tikriausiai net nėra augmenija. Tada, kai raudonasis atspindys mažėja, kaip ir augalams sugeriant, vėl didėja didžiausia vertė. Taigi, kai raudona spalva artėja prie nulio, mes priartėjame prie grynos infraraudonųjų spindulių vertės, o viršuje - arčiau, viršus ir apačia priartėja prie vienos, jei, tarkime, 100% artimųjų infraraudonųjų spindulių, kuriuos atspindi & # x27s. minus raudonos lemputės nulį, tarkime, esant teorinei situacijai. Ir tada mes gauname 100 plius 0 apačioje. Taigi mes turime 100 daugiau nei 100, lygių 1. Taigi NDVI arčiau 1 labiau tikėtina, kad tai bus sveika augmenija. Arčiau 0 labiau tikėtina, kad bus nesveika augmenija. Ir paprastai kažkur žemiau 0 tikriausiai nėra augalija. Taigi vertė yra nuo -1 iki 1. Ir mes jas pamatysime akimirksniu. Ir yra kitų normalizuotų indeksų, kuriuos galite naudoti norėdami išfiltruoti tai, ką matome iš oro. Yra vienas vandens nustatymui, ir yra kitų, kurie naudoja skirtingas juostas bandydami pasiekti tam tikrą elektromagnetinio spektro sąveiką. Šiuo atveju mes žinome, kad netoli infraraudonųjų spindulių yra daug augmenijos, o raudonos spalvos yra mažai, todėl galime sukurti šį mažą mažą algoritmą, kad pamatytume, ar galime išskleisti augmeniją naudodami tik tas dvi informacijos juostas. Taigi, kaip tai atrodo praktiškai, jei turime netoli infraraudonųjų spindulių, atėmus raudoną, arba šalia infraraudonųjų spindulių plius raudona spalva, yra „RasterCalculator“ išraiška. Taigi mes sujungtume juostas, o tai yra paveikslėlis, kuriame mes tiesiog turime mėlyną, žalią, raudoną ir infraraudonąją spinduliuotę, taigi kur raudona yra „Band3“, o šalia infraraudonųjų spindulių - „Band4“. Bet naudojant „Landsat“, tai yra vienas aukštyn, taigi raudona spalva yra 4, o šalia infraraudonųjų spindulių - 5. Tačiau, įsivaizduokite, kad dabar turime tik keturių juostų vaizdą, taigi, mes darome beveik infraraudonųjų spindulių vaizdą „imageBand4- imageBand3“, kuris yra raudonas, ir tada padalykite jį iš ImageBand4 + ImageBand3. Arba galime naudoti vaizdo analizės langą. Aš jums tai taip pat parodysiu, kuris gali mums apskaičiuoti šią vertę, mums nereikia prisiminti šio konkretaus skaičiavimo. Taigi leiskite pažvelgti, kaip tai veikia „ArcMap“. Čia turiu savo „Landsat“ sceną, kuri šiuo atveju rodo tik matomą šviesą. 4 juosta yra raudona, 3 juosta yra žalia, o 2 juosta yra mėlyna, ir aš noriu peržiūrėti NDVI. Pirmiausia tegul tai daro tik vaizdo analizės langas. Taigi galiu pereiti į „Windows & gt Image Analysis“ ir ji išskrenda. Ir jei aš pasirinksiu landsat_scene čia, čia, žemyn, yra nedidelis apdorojimo mygtukas, kuriame yra nedidelis lapelis NDVI. Prieš spustelėdamas aš jį nustatysiu, nes pagal numatytuosius nustatymus jis gali būti neteisingai nustatytas, bet NDVI skirtuke turiu pasakyti, kuri mano paveikslėlio juosta yra raudona, o kuri - infraraudonųjų spindulių. Taigi, iš pradžių tai gali būti kažkas panašaus, sakykime, todėl man reikia pasakyti, kad 4 juosta yra raudona, o 5 juosta yra netoli infraraudonųjų spindulių. Iš pradžių tikriausiai taip bus ir mes, ir mes turėsime pažymėti mygtuką Mokslinis rezultatas. Spustelėsiu „Gerai“ ir dabar spustelėsiu tą lapo mygtuką, kad gautų NDVI. Čia man pateikiama iliustracija, taigi, kur žalia spalva labiau tikėtina, kad yra sveika augmenija, o tada spalvos, kurios nėra žalios, visiškai nėra augmenija. Taigi galite pamatyti, kaip tie ežerai išlenda. Tada čia galime pamatyti sunkią augaliją kalnuose, o čia esančiuose žemės ūkio rajonuose iškyla didelės NDVI vertės. Tai tik spalvų žemėlapio rastras. Čia dalykams priskiriamos tam tikros spalvos, o vertybės ypač nieko nereiškia. Tai tik iliustracija mūsų pačių akims. Taigi leiskite & # x27s naudoti mokslinės išvesties parinktį ir paleiskite ją dar kartą. Ir šiuo atveju mes gauname daugiau to, apie ką aš kalbėjau. Didelė 1 vertė ir maža neigiamos 1 vertė. Ir mes galime pastebėti, kad ežerai, o ne augmenija, yra artimesni neigiamam 1. Ir kad arčiausiai baltos spalvos yra tos vertės, kurias anksčiau matėme žemės ūkio regionuose, o kalnuose greičiausiai tai buvo augmenija. Tai, kas vyksta čia, yra atminkite, kad jie turi aukštą artimą infraraudonųjų spindulių ir mažą raudonos spalvos atspindį. Taigi, jei iš artimojo infraraudonųjų spindulių atimsime raudoną spalvą, viršuje turėsime kokią nors aukštą, teigiamą vertę, o jei atimsime ar pridėsime artimą infraraudonąjį spindulį prie raudonos apačioje, gausime panašią vertę apačioje. Kadangi raudona spalva yra maža, ji tampa nereikšminga lygties viršuje ir apačioje. Tai labai mažas skirtumas. Taigi mes beveik tik dalijame infraraudonąjį spindulį patys, gauname kažką artimo prie 1. Ir tai rodo kaip ryškią šio konkretaus vaizdo vietą, sakydami, kad tai greičiausiai yra augmenija. Dabar, jei nenaudosiu Vaizdo analizės lango, jei noriu tai padaryti naudodamas „Raster Calculator“, man reikės įkelti šias juostas atskirai į savo žemėlapį. Taigi galiu eiti į „Pridėti duomenis“. Taigi eisiu į mygtuką „Pridėti duomenis“ ir šiam demonstravimui daviau penkių juostų „Landsat“ duomenų versiją, kad nereikėjo visko atsisiųsti, o aš eisiu rasti savo kompiuteryje. Ir jei aš vėl dukart spusteliu į juostas, aš savo žemėlapio dokumente galiu pridėti tik dvi reikiamas juostas kaip atskiras juostas. Atsisiųsdami failai bus aplanke „Dokumentai“, esančiame „ArcGIS“ aplanke „Paketai“, nes čia yra išgaunami žemėlapių paketai. Taigi tame aplanke galėsite rasti paketą, kurį ką tik ištraukėte, su šiuo pavadinimu, tada ten esančiame „ArcGIS 10.3“ aplanke. Geografinė duomenų bazė, kurioje yra šie duomenys. Taigi, jei atsisiųsite tam skirtą žemėlapių paketą, tai bus ten, kur jis bus. Taigi dabar, kai turiu abu šiuos dalykus, galiu juos naudoti rastro skaičiuoklėje. Taigi, jei einu į „ArcToolbox“, erdvinio analitikų žemėlapio algebroje eikite į „Rastro skaičiuoklę“. Ir aš turiu priėjimą prie šių dviejų grupių. Šios dvi juostos yra rastrinės rastro skaičiuoklėje. Aš galiu tarsi sukonstruoti šios lygties versiją. Taigi pirmiausia leiskite & # x27s padaryti tai taip, kaip žinau, yra šiek tiek negerai, bet tai atrodys gerai. Taigi pabandykime tai išbandyti kartu. Taigi pirmiausia leiskime tai padaryti taip, kaip mes žinome. Mes žinome, kad turime paimti artimiausią infraraudonųjų spindulių juostą ir atimti raudoną juostą. Ir grupuokite tuos, kad tai įvyktų atskirai. Operacijų tvarka pirmiausia atliekamas tas atimimas, tada aš tą vertę padalysiu iš šios kitos vertės. Aš darau beveik infraraudonųjų spindulių plius raudoną. Tada šis papildymas įvyks dar prieš pasidalijimą. Taigi atimimas įvyks, pridėjimas įvyks, o tada atimtos vertės bus padalytos iš pridėtų verčių. Aš leisiu jai jį įdėti į numatytąją geografinę duomenų bazę, aš pavadinsiu jį „ndvi_try1“ ir spustelėsiu „Gerai“. Tai bus paleisti rastrinę skaičiuoklę. Ir ką aš čia gaunu, ar aš gaunu tris vertybes. Ne čia esančių spalvų rampoje esančių verčių diapazonas, gaunu 3 reikšmes, -1, 0 ir 1. Ir tai & # x27s, nes ji jas aiškino kaip sveikojo skaičiaus rastrus. Įvesties rastrai yra ne tie. Įvesties rastras yra sveiko skaičiaus rastras, kuriame visos šios vertės yra sveiko skaičiaus kiekvienos juostos intensyvumo vertės. Taigi, einame nuo 0 iki 44 825. Taigi, kadangi jis naudoja # sveikų skaičių rastrus, jis skaičiuoja sveiką skaičių ir išvestimi pateikia ne tik dešimtainius kablelius, bet ir skaičius. Taigi paimkime, kad ką tik bėgome, ir bandykite tai dar kartą, ir aš tai padarysiu „ndvi_try2“. Tai, ką turime padaryti, yra skiltyje „Matematika“, čia yra „Float“ funkcija. Taigi mes čia įterpsime „Float“ funkciją. Ir iš esmės, prieš atlikdami matematikos operaciją, mes priverstume kiekvieną iš jų paversti plūduriuojančiais rastrais. Tiesą sakant, mes netgi galime tai perkelti už mūsų ribų, prieš atlikdami padalijimą. Galėtume atimti kaip sveikus skaičius, bet tada turime padalyti kaip slankiojo kablelio rastrus. Taigi aš kiekvieną iš šių dalių apvyniosiu „Float“ funkcija, kad paverčiau ją iš esmės dvigubais rastrais, ar ne? Kintamasis taškas arba dvigubas duomenų tipas. Taigi mes juos paverčiame vienu iš tų, tada mes dalijamės tarp tų naujų slankiojo kablelio rastrų. Tai vadinama duomenų perdavimu, kai jie konvertuojami iš dviejų tipų duomenų. Šiuo atveju sveikąjį skaičių išmetame kaip dvigubą, tada mes galime atlikti slankiojo kablelio matematiką kaip padalijimą. Taigi pabandykime tai išbandyti, o aš spustelėsiu „Gerai, oi“. Kažkur tikriausiai sujaukiau skliaustus. Ir čia nereikia papildomų skliaustų. Tada aš čia turiu papildomą skliaustą. Taigi, aš spustelėsiu Gerai ir vėl čia paleisiu Rastro skaičiuoklę. Ir dabar mes gauname daug daugiau to, ko tikėjomės anksčiau, arba to, ką turėjome anksčiau, remdamiesi tuo, kai „ArcGIS“ mums apskaičiavo NDVI. Ir jei noriu, galiu vėl naudoti „Image Analysis“. Tiesiog aš čia išjungsiu šiuos kitus sluoksnius ir tiesiog turėsiu jo apskaičiuotą NDVI ir mūsų apskaičiuotą NDVI. Mes tiesiog perbraukime ir tiesiog pamatysime, kaip tai veikia, ar jei jis vizualiai atrodo panašiai. Tiesą sakant, jūs negalite pamatyti, kad aš perbraukiu, nes jam priskirtos spalvų rampos yra vienodos, o vertės tarp jų yra vienodos. Gerai, todėl dabar mes žinome, kaip apskaičiuoti NDVI dviem skirtingais būdais. Jei NDVI vis dar šiek tiek painioja, dar nesijaudinkite dėl to. Norėčiau, kad jūs iš to atimtumėte, kai apskaičiuojate NDVI, arčiau 1 esančios vertės daug labiau tikėtina, kad bus augmenija. Daug kartų 0,5 vis dar yra augmenija. Bet vertybės, artėjant prie 0, šiaip nėra vegetacija ar sveika augmenija. Ir tada, kai priartėsite prie -1, daugiau žiūrėsite į dalykus, kurie apskritai nėra augmenija. Taigi, jei tai atsimenate, tai yra svarbiausia dalis. Tada apskaičiuoti jį vis tiek yra šiek tiek sudėtingiau. Galite pabandyti dar kartą peržiūrėti šio vaizdo įrašo dalis arba užduoti klausimą diskusijų forumuose. Pabandykite tai sutvarkyti, kad šiek tiek suprastumėte, kas vyksta. Tačiau daugiausiai šio kurso metu reikia žinoti, kaip jį interpretuoti ir tada, kai jis egzistuoja, kad galėtumėte toliau ieškoti, kaip jį apskaičiuoti, jei jums to reikia, kai tik susiduriate su savo darbu. Gerai, kad tai būtų šiai paskaitai. Šioje paskaitoje aptarėme atspindinčius spektrus, tada taip pat apžvelgėme, kas yra NDVI, ir kaip tai apskaičiuoti dviem atskirais būdais „ArcGIS“. Vaizdo analizės lange naudodami NDVI įrankį ir naudodami rastrinę skaičiuoklę. Žinau, kad tai buvo ilga paskaita, bet tikiuosi, kad ji buvo verta. Pasimatysim kitą kartą.


Bibliotekų importavimas ir „SparkSession“ sukūrimas

Toliau importuosime reikalingas bibliotekas ir priklausomybes iš EarthAI. Tai savo ruožtu sukuria naują „SparkSession“. Tai apima „earth_on_demand“, rastrinius kadrus ir „pyspark“

„RasterFrames“ yra erdvinė erdvė atviro kodo „Python“, „Scala“ ir SQL rastrinio apdorojimo biblioteka, prieinama per kelis mechanizmus. „RasterFrames“ pateikia į „DataFrame“ orientuotą savavališkų geodalinių rastrinių duomenų rodinį, įgalinantį erdvinio laikotarpio užklausas, žemėlapio algebros rastrines operacijas ir sąveikumą su „Spark ML“.


Kaip, kada ir kodėl turėtumėte normalizuoti / standartizuoti / pakeisti savo duomenis?

Prieš pasinerdami į šią temą, pirmiausia galite pradėti nuo kai kurių apibrėžimų.

„Pakeisti skalę“ vektorius reiškia, kad reikia pridėti arba atimti konstantą ir tada padauginti arba padalyti iš konstantos, kaip tai darytumėte, jei pakeistumėte duomenų matavimo vienetus, pavyzdžiui, kad temperatūra būtų pakeista iš Celsijaus į Farenheitą.

„Normalizavimas“ vektorius dažniausiai reiškia dalijimąsi iš vektoriaus normos. Tai taip pat dažnai reiškia perskaičiavimą pagal vektoriaus minimumą ir diapazoną, kad visi elementai būtų nuo 0 iki 1, taigi visos duomenų rinkinio skaitinių stulpelių reikšmės būtų bendros.

„Standartizavimas“ vektorius dažniausiai reiškia atimti vietos matą ir padalyti iš mastelio mato. Pvz., Jei vektoriuje yra atsitiktinių reikšmių su Gauso skirstiniu, galite atimti vidurkį ir padalyti iš standartinio nuokrypio ir taip gauti „standartinį normalų“ atsitiktinį kintamąjį, kurio vidurkis yra 0 ir standartinis nuokrypis 1.

Perskaitę šį įrašą sužinosite:

  • Kodėl turėtumėte standartizuoti / normalizuoti / keisti duomenis
  • Kaip standartizuoti savo skaitmeninius atributus, kad vidutinis ir vienetinis dispersija būtų 0, naudojant standartinį skaliarą
  • Kaip normalizuoti skaitinius atributus tarp 0 ir 1 diapazono, naudojant min-max skaliarą
  • Kaip normalizuoti naudojant tvirtą skaliarą
  • Kada pasirinkti standartizavimą ar normalizavimą

Kodėl turėtumėte standartizuoti / normalizuoti kintamuosius:

Standartizavimas:

Standartizuoti ypatybes aplink centrą ir 0 standartiniu nuokrypiu 1 yra svarbu, kai lyginame skirtingų matavimų matavimus. Kintamieji, kurie matuojami skirtingomis skalėmis, nevienodai prisideda prie analizės ir gali sukurti baisą.

Pvz., Kintamasis, kuris svyruoja nuo 0 iki 1000, nusvers kintamąjį, kuris svyruoja tarp 0 ir 1. Naudojant šiuos kintamuosius be standartizavimo, analizėje bus gautas kintamasis, kurio svertis yra didesnė. Duomenų pavertimas palyginamomis skalėmis gali išvengti šios problemos. Tipiškos duomenų standartizavimo procedūros išlygina diapazoną ir (arba) duomenų kintamumą.

Normalizavimas:

Panašiai normalizavimo tikslas yra pakeisti duomenų rinkinio skaitinių stulpelių reikšmes į bendrą skalę, neiškraipant reikšmių diapazonų skirtumų. Mokant mašinomis, kiekvienam duomenų rinkiniui nereikia normalizuoti. Jis reikalingas tik tada, kai funkcijų diapazonai skiriasi.

Pavyzdžiui, apsvarstykite duomenų rinkinį, kuriame yra dvi savybės: amžius ir pajamos (x2). Kur amžius svyruoja nuo 0 iki 100, o pajamos - nuo 0 iki 100 000 ir daugiau. Pajamos yra maždaug 1000 kartų didesnės nei amžius. Taigi, šios dvi savybės yra labai skirtingos. Kai atliksime tolesnę analizę, pvz., Daugialypę tiesinę regresiją, priskirtos pajamos iš esmės paveiks rezultatą dėl didesnės jo vertės. Bet tai nebūtinai reiškia, kad jis yra svarbesnis kaip nuspėjamasis. Taigi duomenis normalizuojame, kad visi kintamieji būtų vienodo diapazono.

Kada turėtumėte naudoti normalizavimą ir standartizavimą:

Normalizavimas yra gera technika, kurią reikia naudoti, kai nežinote savo duomenų paskirstymo arba kai žinote, kad paskirstymas nėra Gauso (varpo kreivė). Normalizavimas yra naudingas, kai jūsų duomenys skiriasi skalėmis, o jūsų naudojamas algoritmas nedaro prielaidų apie jūsų duomenų paskirstymą, pvz., K artimiausius kaimynus ir dirbtinius neuroninius tinklus.

Standartizavimas daroma prielaida, kad jūsų duomenys turi Gauso (varpo kreivės) paskirstymą. Tai nebūtinai turi būti tiesa, tačiau technika yra efektyvesnė, jei jūsų atributų pasiskirstymas yra Gauso. Standartizavimas yra naudingas, kai jūsų duomenys skiriasi skalėmis, o jūsų naudojamas algoritmas daro prielaidas apie jūsų duomenis, turinčius Gauso skirstinį, pvz., Tiesinę regresiją, logistinę regresiją ir linijinę diskriminantų analizę.

Duomenų rinkinys:

Norėdamas parodyti šio straipsnio pavyzdžius, panaudojau „Kaggle“ paskolų klubo paskolų duomenų rinkinį.

Importuojamos bibliotekos:

Importuojamas duomenų rinkinys:

Importuokime tris stulpelius - paskolos sumą, įkainį ir įmoką bei pirmąsias 30000 eilučių duomenų rinkinyje (kad sumažintume skaičiavimo laiką)

Jei importuosite visus duomenis, kai kuriuose stulpeliuose nebus vertybių. Naudodami „pandas drop na“ metodą, galite paprasčiausiai atsisakyti eilučių su trūkstamomis reikšmėmis.

Pagrindinė analizė:

Dabar išanalizuokime pagrindines mūsų duomenų rinkinio statistines vertes.

Skirtingi kintamieji pateikia skirtingus vertės intervalus, todėl skirtingus dydžius. Skiriasi ne tik minimalios ir maksimalios vertės, bet ir skirtingo pločio diapazonai.

Standartizavimas (standartinis skaliaras):

Kaip jau aptarėme anksčiau, standartizavimas (arba Z balo normalizavimas) reiškia kintamojo centravimą ties nuliu ir dispersijos standartizavimą ties 1. Procedūra apima kiekvieno stebėjimo vidurkio atėmimą ir dalijant iš standartinio nuokrypio:

Standartizavimo rezultatas yra tai, kad funkcijos bus keičiamos taip, kad jos turėtų įprasto įprasto paskirstymo savybes

kur μ yra vidurkis (vidurkis) ir σ yra standartinis nuokrypis nuo vidurkio.

„Sci-Kit-Learn“ iš „StandardScaler“ pašalina vidurkį ir skalauja duomenis pagal vieneto dispersiją. Mes galime importuoti „StandardScalar“ metodą iš „sci-kit learn“ ir pritaikyti jį savo duomenų rinkinyje.

Dabar leiskite & # 8217s patikrinti vidutines ir standartinio nuokrypio reikšmes

Kaip ir tikėtasi, kiekvieno kintamojo vidurkis dabar yra apie nulį, o standartinis nuokrypis yra 1. Taigi visos kintamųjų vertės yra tame pačiame diapazone.

Vis dėlto mažiausia ir didžiausia reikšmės skiriasi priklausomai nuo to, kaip kintamasis buvo paskirstytas, ir tam didelę įtaką turėjo pašaliniai rodikliai.

Normalizavimas (Min-Max Scalar):

Taikant šį metodą, duomenys keičiami į fiksuotą diapazoną - paprastai nuo 0 iki 1.
Skirtingai nuo standartizavimo, šio riboto diapazono kaina yra ta, kad galų gale turėsime mažesnius standartinius nuokrypius, kurie gali slopinti pašalinių efektų poveikį. Taigi „MinMax Scalar“ yra jautrus pašaliniams rodikliams.

„Min-Max“ mastelis paprastai atliekamas naudojant šią lygtį:

Importuokime „MinMaxScalar“ iš „Scikit-learn“ ir pritaikysime jį savo duomenų rinkiniui.

Dabar patikrinkime vidurkio ir standartinio nuokrypio reikšmes.

Po „MinMaxScaling“ skirstiniai nėra sutelkti ties nuliu, o standartinis nuokrypis nėra 1.

Tačiau mažiausios ir didžiausios vertės yra standartizuojamos pagal kintamuosius, skiriasi nuo standartizavimo.

Tvirtas skalaras (mastelis iki medianos ir kvantilių):

Mastelis naudojant medianą ir kvantiles susideda iš medianos atimimo iš visų stebėjimų ir tada padalijimo iš tarpkvartilių skirtumo. It Scales funkcijos, naudojant statistiką, kuri yra patikima pašaliniams.

Tarpkvartilinis skirtumas yra skirtumas tarp 75 ir 25 kvantilių:

Skaičiuojamų verčių apskaičiavimo lygtis:

Pirmiausia, importuokite „Scust“ iš „RobustScalar“.

Dabar patikrinkite vidutines ir standartinio nuokrypio reikšmes.

Kaip matote, skirstiniai nėra sutelkti į nulį, o standartinis nuokrypis nėra 1.

Minimalios ir maksimalios vertės taip pat nėra nustatytos pagal tam tikras viršutines ir apatines ribas, kaip antai „MinMaxScaler“.

Tikiuosi, kad šis straipsnis jums buvo naudingas. Laimingo mokymosi!

Literatūra

Kaip, kada ir kodėl turėtumėte normalizuoti / standartizuoti / pakeisti savo duomenis? iš pradžių buvo paskelbtas leidinyje „Towards AI - Multidisciplinary Science Journal on Medium“, kur žmonės tęsia pokalbį, pabrėždami ir atsakydami į šią istoriją.


Kiekvieno vaizdo keitimas iš naujo atskirai su kerais

Esu pradedantysis, dirbantis prie paprasto CNN, kad galėčiau klasifikuoti rentgeno detektoriaus vaizdus. Dėl šaltinio intensyvumo visų vaizdų maksimalios vertės skiriasi. Noriu pakeisti „ImageDataGenerator“, kad šie vaizdai būtų [0,1] diapazone, bet nerandu, kaip tai padaryti kiekvienam vaizdui. Kiek suprantu, žmonės paprastai tiesiog dalijasi iš 255, nes tai yra RGB max, bet mano atveju maksimumas gali būti bet koks tarp 1 ir serveralinio milijono. Ar kas nors sugalvoja, kaip tai padaryti naudojant „ImageDataGenerator“? Ačiū už sugaištą laiką!

Redaguoti: Aš perbėgau savo vaizdus ir visus juos normalizavau prieš tiekdamas juos į generatorių. Tuomet juos apžiūrėjus paaiškėjo, kad generatorius juos sumažino iki rgb reikšmių (manau, kad dėl spalvos_režimo). Tada aš naudoju perskaičiavimą su standartiniu 1./255 ir gavau laukiamą maksimalią reikšmę 1. Tačiau pridėjus atgal pavyzdį_stw_ normalizavimą vėl gaunu didesnes nei 1. Aš suprantu, kodėl tai vyksta, bet nesu tikras, kuri Svarbiau laikytis „taisyklės“: normalizuoti iki [0,1] arba naudoti samplewise_std_normalization


Duomenų produktai iš SUAS rinko vaizdus

Nauji apdorojimo metodai, kuriuos sukūrė NUPO tyrėjai, kad panaudotų aukštesnės skiriamosios gebos duomenis, surinktus sUAS, sukuria pažangiausius geoerdvinių duomenų produktus, reikalingus geriausiai paremti DOI mokslinius tyrimus.

Geoerdviniai produktai, kuriuos galima sukurti iš UAS surinktų vaizdų, yra šie:

Ortofotografijos

Neapdoroti vaizdai, užfiksuoti fotoaparato jutikliais, paverčiami ortofotografijomis naudojant ortorektifikavimo procesą. Šis procesas pašalina topografijos ir bet kokio jutiklio pasvirimo efektus, kad būtų sukurta vienodos skalės aerofotografija be iškraipymų. Norint nustatyti aukštos skiriamosios gebos ortofotografiją, sUAS vaizdų ortografija naudojama naudojant „Structure from Motion“ (SfM) programinę įrangą ir tikslius skrydžio metu gautus GNSS duomenis. Šios ortofotografijos žemės mėginių atstumai gali būti mažesni nei 5 centimetrai. Didelės skiriamosios gebos ortofotografijų serijas galima sujungti į vientisą ortomozą, kuri yra įprasta technika, naudojama gaminant bazinius žemėlapius, palaikančius geoerdvinę analizę.

Natūralios spalvos (RGB) vaizdai iš komerciškai prieinamų pigių skaitmeninių vieno objektyvo refleksinių fotoaparatų, be veidrodžių keičiamų objektyvų fotoaparatų arba „point-and-shoot“ kamerų gali generuoti ortofotografijas, naudojamas gaminant labiausiai paplitusį pagrindinio žemėlapio tipą - natūralios spalvos ortomozą. .

Terminiai vaizdai iš tokių jutiklių kaip „FLIR Vue Pro R“ fiksuoja bekontaktinius temperatūros matavimus, generuojančius šilumines ortofotografijas. Terminėse ortofotografijose yra 16 bitų radiometriniu būdu kalibruoti rastriniai duomenys. Kiekviename pikselyje yra susieta absoliuti paviršiaus temperatūra.

Spalvotos infraraudonųjų spindulių ortofotografijos ir ortomozaikos generuojamos iš daugiaspektrinių jutiklių, tokių kaip „MicaSense RedEdge“ ir „MicaSense Altum“. Šie jutikliai aptinka matomus ir beveik infraraudonųjų spindulių bangos ilgius (atskirose juostose), reikalingus vegetatyvinei analizei paremti.

Šiaurės rytų Indianos tyrimo vietos ortomozaika sukurta iš „Ricoh GR“ natūralių spalvų vaizdų

Taškiniai debesys ir 3D modeliai

Taškiniai debesys yra geografinių duomenų taškų visuma trimatėje koordinačių sistemoje, gaunama arba SfM apdorojimo metodais (fotogrametriškai iš sutampančių rastrinių vaizdų), arba tiesiogiai surinkta LiDAR skaitytuvų. Tikros spalvos taškiniai debesys generuojami apdorojant natūralių spalvų vaizdus „SfM“ programinėje įrangoje arba sujungiant šiuos vaizdus su „LiDAR“ duomenimis, surinktais toje pačioje vietoje.

3D modelio, kuris buvo sukurtas „Velnių bokštui“ Vajominge, iš arti

Kontūrai

Iš UAS taškinių debesų gautos aukščio vertės yra idealus duomenų šaltinis kontūro linijoms generuoti. Kontūro linijos reiškia vienodą paviršiaus aukštį, o kontūrų intervalai - aukščio skirtumą tarp vienas po kito einančių kontūrų. Kontūriniai žemėlapiai naudojami reljefo vizualizacijoms parodyti slėnius, kalvų viršūnes ir šlaitų statumą.

Kontūrai virš Piute slėnio Kalifornijos pietuose nustatomi pagal 1,4 colio žemės mėginio atstumą (GSD)

Aukščio modeliai (DEM, DSM, DTM)

Skaitmeninio aukščio modelis (DEM) yra bendrinis skaitmeninių topografinių ir batimetrinių duomenų terminas. DEM arba skaitmeninis reljefo modelis (DTM) reiškia pliko žemės reljefo x, y koordinačių sistemą ir z reikšmes, t. Y. Augmenijos ir žmogaus sukurtų ypatumų tuštumą. Skaitmeniniai paviršiaus modeliai (DSM) yra DEM forma, kurioje be augmenijos ir žmogaus sukurtų savybių yra natūralaus reljefo paviršiaus paviršiaus aukštiniai. Tiek sUAS gauti LiDAR duomenys, tiek fotogrametrijos išvestiniai taškų debesies duomenys gali būti naudojami kuriant tikslius DEM / DTM ir DSM.

Misūrio vakarinės šakės kasyklos skaitmeninis paviršiaus modelis sukurtas iš aukštos raiškos vaizdų (5–10 cm pikselių dydžio) ir aukščio duomenų (6–10 cm vertikalios ir 2–4 cm horizontalios raiškos)

Išskirtos savybės

Didelės skiriamosios gebos ortomozaika, sukurta iš vaizdų, surinktų mažo aukščio UAS skrydžiuose, yra idealus šaltinis, norint tiksliai identifikuoti nedidelio masto (& lt1 m) ir didesnio masto objektus (& gt1 m), išskiriant funkciją. Šis automatizuotas procesas atpažįsta erdvinius ir spektrinius vaizdo atvaizdus ir gali apibūdinti arba klasifikuoti tas ypatybes į naujai apibrėžtą duomenų rinkinį. Objektų, identifikuotų naudojant požymių išskyrimą, pavyzdžiai apima atskirų medžių lajų apybraižą ir paukščių ar kitų gyvūnų identifikavimą populiacijai įvertinti.

Išgautos paukščių vietos prie Chase ežero nacionalinio laukinės gamtos prieglobsčio pelikanų lizdų (raudonos), kormoranų lizdai (mėlynos spalvos), kirų / snieguotų paprastųjų nemandžialapių lizdai (juodi)

Normalizuotas vegetacijos skirtumo indeksas (NDVI)

Ortomozaikos, pagamintos iš UAS, rinko daugiaspektrius vaizdus su juostomis matomoje raudonojo ir artimojo infraraudonųjų spindulių (NIR) diapazone, gali būti naudojamos normalizuoto augalijos indekso (NDVI) žemėlapiams generuoti. NDVI skaičiavimai sukuria standartizuotą indeksą, naudojant raudonos šviesos kiekį, palyginti su NIR šviesa, atspindėta iš augalo. Ryškiai raudonas NDVI spalvų rampos ekranas rodo sritis, kuriose didelis NIR atspindys susijęs su sveikais augalais. Mėlyni spalvų rampos atspalviai rodo mažesnį NIR atspindėjimą ir galbūt mažiau sveiką augmeniją.

Normalizuotas diferencinės augalijos indeksas (NDVI), gautas iš ortomozos iš infraraudonųjų spindulių vaizdų, paimtų iš maždaug 400 pėdų AGL virš Sycan upės Klamath baseine Oregone


Įvadas

Nuo dešimtojo dešimtmečio vidurio arklių Vakarų Nilo viruso (WNV) protrūkių skaičius ir jų sunkumas padidėjo (Castillo-Olivares ir Wood, 2004). Protrūkiai neseniai užfiksuoti Maroke (1996 m.), Izraelyje (1998–2000 m.), Italijoje (1998 m.) Ir Prancūzijoje (2000 m., 2004 m.). Šiaurės Amerikos arklių WNV ligos protrūkis sprogo 2002 m., Beveik 15 000 laboratoriškai patvirtintų atvejų 44 Amerikos valstijose, 5 Kanados provincijose ir 3 Meksikos valstijose. Žirgai yra ypač jautrūs WNV infekcijai, jiems gali pasireikšti ūminiai encefalomielito klinikiniai požymiai, tokie kaip ataksija, užpakalinės kojos parezė, raumenų drebulys ir fascikuliacijos bei gulėjimas. Nors 80% nukentėjusių arklių pasveiksta per 3-4 savaites, nedidelė dalis turi nuolatinių neurologinių trūkumų. Gydymas yra palaikomasis, įskaitant priešuždegiminių vaistų, vitaminų, skysčių ir antibiotikų naudojimą (Ostlund et al., 2001, Porter et al., 2003, Salazar et al., 2004, Snook et al., 2001, Trock et al. , 2001, Ward ir kt., 2005). WNV ligos kaina JAV arklių pramonei yra didelė, ir ši liga išlieka svarbi zoonozė.

WNV palaikoma uodų ir laukinių paukščių perdavimo ciklo metu. Uodų rūšis Culex pipiens ir C. salinarius gali būti svarbūs WNV vektoriai arklių populiacijose kai kuriose JAV (Nasci ir kt., 2002). Pernešėjas perneša WNV leidžia nustatyti ligos židinius pagal specifinius buveinių veiksnius, tokius kaip augmenija ir stovintis vanduo (White, 2001). Tinkamų vektorinių uodų buveinių vietą galima nustatyti pagal vegetacijos dangos ypatybes. Normalizuoto skirtumo vegetacijos indeksas (NDVI), gautas iš nuotoliniu būdu aptiktų vaizdų, siejamas su fotosintetiniu aktyvumu spinduliu ir buvo naudojamas apibūdinant augalijos dangą. Jis apskaičiuojamas pagal išmatuotas ryškumo vertes, pagrįstas vegetacijos absorbcija, pralaidumu ir atspindžiu elektromagnetinio spektro matomuose raudonos ir artimos infraraudonųjų spindulių bangos ilgiuose (Derring ir Haas, 1980, Jensen, 1996, Lyon ir McCarthy, 1995).

NDVI yra dažniausiai naudojamas vegetacijos indeksas atliekant sveikatos tyrimus (Kitron ir Kazmierczak, 1997). Nuotolinio stebėjimo naudojimas epidemiologijoje pagrįstas loginės sekos, susiejančios orlaivio ar palydovo jutiklio radiacijos spinduliavimo matus, su ligos ir ją atitinkančio vektoriaus ar šeimininko matavimais, sukūrimu (Crombie et al., 1999). NDVI duomenys, surinkti Nacionalinės vandenynų ir atmosferos administracijos pažangiosios labai didelės skiriamosios gebos radiometro (AVHRR) palydovo, turi vidutinę erdvinę skiriamąją gebą (1 km 2), bet didelę laiko skiriamąją gebą (Senay ir Elliott, 2000). NDVI buvo naudojamas klasifikuojant buveinių tinkamumą ligų pernešėjams, pvz Ixodes scapularis (Ogden ir kt., 2006) ir I. pacificus (Eisen ir kt., 2006) erkės (Laimo liga), Anofelis spp. uodai (maliarija) (Shililu ir kt., 2003) ir Culicoides spp. (mėlynojo liežuvio liga) (piniginė ir kt., 2004).

AVHRR palydovų jutiklių duomenys buvo naudojami apibūdinant WNV pasiskirstymą Šiaurės Amerikoje (Rogers ir kt., 2002). Remiantis šia analize, buvo pasiūlyta, kad švelni 1998–1999 m. Žiema JAV šiaurės rytuose sudarė palankias sąlygas WNV perdavimui ir galbūt leido geriau išgyventi žiemojančių uodų žiemą. Didesnės NDVI vertės (nurodančios tinkamą vektoriaus buveinę) buvo siejamos su žmonių WNV atvejų grupėmis Niujorke (Brownstein ir kt., 2002). Atliekant nevakcinuotų arklių populiacijos, esančios šiaurės Indianos valstijoje, JAV, tyrimą dėl WNV encefalomielito protrūkio, aptiktas didesnis NDVI, palyginti su kontrole, patalpose (Ward ir kt., 2005). Buvo padaryta išvada, kad NDVI gali būti naudinga nustatant WNV perdavimo židinius. Nuotoliniu būdu aptikti duomenys taip pat buvo naudojami norint nustatyti galimus aplinkos rizikos veiksnius, susijusius su arklių WNV liga, Camargue, Prancūzija (Leblond et al., 2007). Biotipai, apimantys ryžių laukus ir atvirą vandenį, buvo siejami su WNV atvejų buvimu. Tačiau šio tyrimo metu pasiekta palydovinių duomenų laiko skiriamoji geba (3 mėnesiai) buvo problema. Kadangi WNV perdavimas gali būti fokusuotas (Komar ir kt., 2001), naudojant palydovinius vaizdus rizikai įvertinti neatrinktose vietose galima žymiai papildyti ribotus lauko išteklius (Brownstein ir kt., 2002).

Šio tyrimo tikslas buvo išsiaiškinti, ar NDVI buvo susijęs su arklių Vakarų Nilo viruso ligos sezoniškumu - laikotarpiais, viršijančiais ar mažesnius už vidutinius atvejus - Teksase nuo 2002 iki 2004 m. Ilgalaikis tyrimo tikslas yra sukurti išankstinio perspėjimo sistema dėl WNV ligos rizikos arklių populiacijose.


Medžiagos ir metodai

Tyrimo srities aprašymas

Šis tyrimas buvo atliktas Vaghimros zonos Velykų dalyje, Amharos nacionalinėje regioninėje valstybėje, Etiopijoje. Jis yra 435 km nuo Bahir Dar ir 720 km nuo Adis Abebos. Geografiškai Waghimra zona yra tarp 12 ° 15 'ir 13 ° 16' šiaurės platumos ir 38 ° 20 'ir 39 ° 17' rytų ilgumos (1 pav.). Labiausiai paplitę zonos bruožai yra tvirta topografija, kuriai būdingi kalnai, stačios nuokalnės ir giliai įbrėžti slėniai (Berhanu 2015). Jo vidutinis metinis kritulių kiekis yra nuo 150 iki 700 mm, o didžiausias kritulių kiekis būna vasaros sezono metu, kuris prasideda birželio viduryje ir baigiasi rugsėjo pradžioje. Lietaus pobūdis šioje srityje yra gana nepastovus ir nenuspėjamas.

Tiriamos teritorijos vietos žemėlapis

Duomenų šaltinis ir duomenų rinkimo metodai

Šiam tyrimui augmenijos būklei stebėti buvo naudojamas pagreitintas MODIS (eMODIS) NDVI Terra vaizdas 250 m erdvinėje skiriamojoje geboje. Kadangi šiuo tyrimu siekiama įvertinti žemės ūkio sausros duomenis apie pasėlių auginimo sezono mėnesius nuo birželio iki rugsėjo 17 metų laikotarpiui (2000–2016 m.), Jie buvo atsisiųsti iš (https://earthexplorer.usgs.gov svetainė). Patobulinti / pagreitinti / išplečiami MODIS (eMODIS) duomenys suteikia atskirą geostacionariosios Žemės orbitos žymėtojo vaizdo failo formatą (GeoTIFF) kiekvienam produktui per 10 dienų, leidžiant vartotojams atsisiųsti tik jiems reikalingus failus. Pavyzdžiui, į 2015 m. Birželio mėn. „EMODIS NDVI“ vaizdus įtraukti NDVI duomenys nuo birželio 1–10, 6–15, 11–20, 16–25, 21–30 ir 26–5 – liepos 5 d. (Zhumanova ir kt., 2018). . Šiame tyrime pasėlių auginimo sezonui analizuoti buvo imtasi 21–30 dienų eMODIS NDVI vaizdų intervalai.

Mėnesio kritulių duomenys, užfiksuoti 17 metų, buvo surinkti iš Etiopijos nacionalinės meteorologijos tarnybos agentūros. Kritulių duomenys buvo naudojami analizuojant ryšį tarp NDVI su kritulių kintamumu, kad būtų galima nustatyti standartinį kritulių indeksą (SPI). Be to, pagal tų stočių platumos / ilgumos failus buvo paruoštas sezoninis kritulių žemėlapis (1 lentelė ir 2 pav.). Siekiant patvirtinti kritulių kiekį ir palydovinius indeksus, žemės ūkio produkcijos derlingumo duomenys buvo surinkti iš Waghimra zonos žemės ūkio biuro 2000–2016 m.

Meteorologinės stoties vieta Waghimra Etiopijos zona

Duomenų apdorojimas ir analizė

Vieną savaitės ar 10 dienų sudėtinį „eMODIS“ duomenų rinkinį sudaro NDVI, kokybės, įsigijimo atvaizdas, įgijimo lentelės ir metaduomenų failai. Šiame tyrime NDVI metrikai apskaičiuoti buvo naudojami NDVI ir kokybės duomenys. Kokybės failai buvo naudojami norint gauti „eMODIS NDVI“ vaizdo produkto patikimumą, kuris apskaičiuojamas „ArcGIS 10.5“ erdvinės analizės įrankyje (1 ekv.).

kur patikimas NDVI = patikimas NDVI vaizdas, kurio vertės svyruoja nuo 0 iki 10 000, QC = kokybės vaizdas, kurio vertės yra nuo 0 iki 10, kur 0 yra geros vertės ir 10 yra užpildymo vertės, NDVI yra vaizdas, kurio vertės svyruoja nuo - 2000 iki 10 000, kur - 2000 yra užpildymo vertės ir - nuo 1999 iki 10 000 yra tinkamas diapazonas. Pritaikius skalės faktorių (skalės koeficientas yra 0,0001), NDVI reikšmės svyruoja nuo - 0,2 iki 1,0, kur galiojantis / normalus galiojantis ar įprastas NDVI svyruoja nuo 0,0 iki 0,1 (Zhu ir kt., 2013) (Eq. 2).

Laiko eilutės NDVI variacija buvo apskaičiuota apskaičiuojant NDVI naudojant „eMODIS NDVI“ duomenų rinkinį 2000–2016 metams, taip pat naudojama generuojant kiekvieno sezono maksimalias, mažiausias ir vidutines NDVI reikšmes 2000–2016 metams, naudojant „ArcGIS 10.5“ aplinkos erdvinę erdvę analizės įrankis. Pagal slenkstinę vertę buvo apskaičiuotas vegetacijos būklės indeksas. Norint nustatyti vidutinę mėnesio ir sezono NDVI reikšmių sudėtinę vertę, buvo pritaikytas „ArcGIS 10.5“ plūduriuojančių (matematikos) ir ląstelių statistikos įrankių rinkinys.

Vegetacijos būklės indeksas (VCI)

Normalizuoti skirtingą vegetacijos indeksą (NDVI) praeityje buvo plačiai naudojamas vegetacijos stebėjimui, jį dažnai labai sunku interpretuoti atsižvelgiant į vegetacijos būklę, ypač lyginant skirtingas ekosistemas. Augalijos būklės indeksas atspindi bendrą kritulių, dirvožemio drėgmės, oro sąlygų ir žemės ūkio praktikos poveikį (Kogan 1995). Dabartiniam NDVI palyginimui su istoriniu vegetacijos būklės indeksu buvo naudojamasi (Liu ir Kogan 1996). Atitinkamai tokiose srityse kaip Waghimra Skirtingų ekosistemų ir nevienalytės topografijos VCI yra svarbus norint palyginti oro poveikį vietovėse, kuriose yra skirtingi ekologiniai ir ekonominiai ištekliai, nes indeksas geriau už NDVI fiksuoja kritulių dinamiką, ypač geografiškai nevienalytėse vietovėse.

VCI buvo naudojamas klimato poveikiui augmenijai įvertinti. Šis indeksas naudingiausias vegetacijos metu, nes tai yra vegetacijos gyvybingumo matas. Kai augmenija neveikia (ne vasaros sezonu), VCI negalima naudoti drėgmės stresui ar sausrai matuoti. Skirtingose ​​pasaulio vietose vegetacijos būklės indeksas buvo plačiai naudojamas vegetacijos sąlygoms stebėti (Bhuiyan ir kt., 2006 Winkler ir kt., 2017, Demisse ir kt., 2018, Tadesse ir kt., 2014). Viskas, kas pabrėžia augmeniją, įskaitant vabzdžius, ligas ir maistinių medžiagų trūkumą, sumažins augalų augimą ir dėl to sumažės VCI vertės. Be to, vietovės, kuriose yra didelis drėkinimas, gali neatsakyti į kritulių trūkumus (Quiring ir Papakryiakou 2003). Kaip parodyta Eq. (3) Augalijos būklės indeksas normalizuoja NDVI pagal pikselių pikselių dydį tarp didžiausios ir mažiausios NDVI vertės (Liou ir Mulualem 2019). Kiekvienam mėnesiniam ir sezoniniam NDVI vaizdui VCI bus apdorojamas nuo 2000 iki 2016 m. Naudojant „ArcGIS“ rastro skaičiuoklę (3 ekv.).

kur NDVImax ir NDVImin yra apskaičiuojami pagal ilgalaikį to mėnesio įrašą, o j yra einamojo mėnesio indeksas „ArcGIS“ ląstelių statistikoje. VCI vertė matuojama procentais nuo 1 iki 100, atspindint vegetacijos būklės pokytį nuo ypač žemo iki didelio VCI (Liu ir Kogan 1996). VCI vertės nuo 50 iki 100% rodo silpnas arba optimalias / normalias sąlygas, o VCI vertės, esančios arti nulio procento, atspindi ypatingą sausą sezoną (Thenkabail ir kt., 2004). VCI buvo perklasifikuota į penkias grupes (2 lentelė).

Standartizuotas kritulių indeksas (SPI)

Standartinis kritulių indeksas, kurį sukūrė Mckee ir kt. (1993) yra plačiausiai naudojamas indeksas sausros įvykių dydžiui ir trukmei kalibruoti. SPI naudojama sausros pasiskirstymo tam tikrame regione sunkumui ir erdviniams modeliams tirti (Guttman 1998 ir Wattanakij et al. 2006). Guttmanas (1998) palygino Palmerso sausros sunkumo indeksą (PDSI) ir SPI ir rekomenduoja SPI kaip sausros indeksą, nes jį lengva nustatyti ir jis turi didesnę erdvinę nuoseklumą. Jis buvo naudojamas daugelyje tyrimų, siekiant nustatyti kritulių pasiskirstymo dažnį, pvz., Laiko skalių poveikį sausros parametrams ir sausros modelių erdvinę klasifikaciją (Edossa ir kt., 2010 Hayes ir kt., 2011, Gebrehiwot ir kt., 2011, Mohammedas) ir kt., 2018). Šiame tyrime buvo apskaičiuotos SPI vertės dviem laiko skalėmis (trijų mėnesių SPI-3). Sezoniniai kritulių duomenys buvo naudojami kaip įvestis apskaičiuojant 2000–2016 m. Laikotarpio SPI. Erdvinis meteorologinės sausros pasiskirstymas buvo parengtas pagal tų stočių platumos / ilgumos failus (1 lentelė ir 2 pav.).

Programinė įranga, kuri automatiškai apskaičiuoja SPI vertę, naudodama stebimus mėnesio kritulių duomenis, kad nustatytų istorinę sausrą 1, 3, 6, 9, 12, 36 ir 48 mėnesių skalėje. Jį galima laisvai rasti svetainėje (https://drought.unl.edu/droughtmonitoring/SPI/SPI Program.aspx).

Matematiškai SPI apskaičiuojamas pagal šią empirinę formulę (4 ekv.)

kur, (Xij = sezoninis kritulių kiekis ir Xim yra jo ilgalaikis sezoninis vidurkis ir σ yra jo standartinis nuokrypis). SPI rezultatai, apskaičiuoti pagal sezoninius kritulių duomenis, buvo priskirti kiekvienai tiriamos zonos tinklelio ląstelei ir perklasifikuoti pagal sausros sunkumo klases (3 lentelė). Teigiamos SPI vertės rodo, kad kritulių kiekis yra didesnis nei vidutinė kritulių dalis, o neigiamos vertės rodo mažiau nei vidutinę kritulių kiekį. Meteorologinių stočių SPI vertės buvo erdviškai interpoliuojamos naudojant atvirkštinį ArcGIS erdvinės analizės įrankių dėžutės atstumo svorį, kad būtų sukurtas sausros sunkumo žemėlapis daugelyje laiko zonų.

Sausros dažnio analizė

Šiame tyrime pagal žemės ūkio ir metrologinės sausros indeksus gauti sezoniniai dažnių žemėlapiai buvo perklasifikuoti į bendrą skalę, atsižvelgiant į sausros dažnį. Norėdami sukurti sausros dažnio žemėlapį, kiekvienas sausros indeksas buvo perklasifikuotas į dvejetainius vaizdus kiekvienai sausros sunkumo klasei. Šie žemėlapiai pridedami siekiant gauti lengvų, vidutinių, sunkių ir labai didelių sausrų dažnį kiekviename pikselių lygyje tiek žemės ūkio, tiek meteorologinės sausros metu. Tada buvo pridėti sunkumo žemėlapiai, kad būtų galima gauti žemės ūkio ir meteorologinės sausros rizikos žemėlapius. Sausros atsiradimo tikimybę tam tikroje srityje galima suskirstyti į didelės, vidutinės ir mažos sausros tikimybės zonas, kai sausra būna atitinkamai daugiau nei 50%, 30-50% ir mažiau nei 30% metų (Lemma 1996). Remiantis šiais kriterijais, kiekvienos sausros klasės dažnio žemėlapiai yra perklasifikuojami į penkias klases pagal sausros pasireiškimo dažnumą tyrimo laikotarpiais: 0–2 klasifikuojami kaip ne sausros 3–4 kaip nedideli sausrai 5–8 kaip vidutinio sausumo 9–13 tokia pat sunki sausra kaip 13–16, kaip ir labai didelė sausra. Galiausiai žemės ūkio ir meteorologinių sausrų dažnių žemėlapių žemėlapiai buvo pasverti pagal įtakos procentą, o tada sujungti naudojant pervertintą svertinę analizę (3 pav.).