Compararea modelelor spațiale în date raster categorice pentru regiuni arbitrare folosind R

Compararea valorilor unei metrici de peisaj non-spațial

Valorile peisajelor sunt o modalitate obișnuită de a cuantifica modelul spațial al datelor raster categorice. Există sute de astfel de metrici, fiecare indicând un aspect diferit al modelului peisajului.¹ Important este că unele valori sunt sensibile la aranjarea spațială a categoriilor, în timp ce altele nu. Un exemplu de metrică non-spațială este indicele de diversitate Shannon (SHDI), care cuantifică diversitatea peisajului pe baza numărului de categorii și a proporțiilor acestora. Cu cât valoarea SHDI este mai mare, cu atât peisajul este mai divers.

Acum, dacă calculăm SHDI pentru cele două rastere, putem compara valorile pentru a vedea cât de diferită este diversitatea peisajelor. Noua valoare indică diferența în diversitatea celor două peisaje.

library(landscapemetrics)
clc2000_tartu_shdi = lsm_l_shdi(clc2000_tartu)    # 1.15
clc2018_tartu_shdi = lsm_l_shdi(clc2018_tartu)    # 1.19
clc2018_poznan_shdi = lsm_l_shdi(clc2018_poznan)  # 1.21
abs(clc2018_tartu_shdi$value - clc2000_tartu_shdi$value)

abs(clc2018_poznan_shdi$value - clc2000_tartu_shdi$value)

abs(clc2018_poznan_shdi$value - clc2018_tartu_shdi$value)

Aici, rezultatele arată că: a) diversitatea peisajului Tartu a crescut între 2000 și 2018, b) diversitatea peisajului Poznań este mai mare decât peisajul Tartu în 2018 și c) în același timp, cel mai asemănător peisajele sunt Tartu în 2018 și Poznań în 2018.

Compararea valorilor unei metrici de peisaj

Multe valori de peisaj existente pot fi, de asemenea, utilizate pentru a cuantifica modelul datelor raster categorice cu contextul spațial. De exemplu, metrica densității marginilor (ED) cuantifică cantitatea de margine din peisaj (unde marginea este o lungime a graniței dintre două categorii). Cu cât valoarea ED este mai mare, cu atât peisajul are mai multe margini – acest lucru poate fi interpretat ca un peisaj mai fragmentat.

Diferența dintre ED pentru cele două raster-uri indică cât de diferit sunt fragmentate peisajele.

library(landscapemetrics)
clc2000_tartu_ed = lsm_l_ed(clc2000_tartu)    # 24.7
clc2018_tartu_ed = lsm_l_ed(clc2018_tartu)    # 24.6
clc2018_poznan_ed = lsm_l_ed(clc2018_poznan)  # 18.9
abs(clc2018_tartu_ed$value - clc2000_tartu_ed$value)

abs(clc2018_poznan_ed$value - clc2000_tartu_ed$value)

abs(clc2018_poznan_ed$value - clc2018_tartu_ed$value)

Aceste comparații arată o perspectivă diferită asupra peisajelor: a) fragmentarea peisajului Tartu (aproape) nu s-a schimbat între 2000 și 2018, b) peisajul Poznań este mai puțin fragmentat decât peisajul Tartu în 2018 și c) cel mai diferit. peisajele sunt Tartu în 2018 și Poznań în 2018.

Exemplele de mai sus folosesc peisajmetrică pachet (Hesselbarth și colab. 2019).

Comparația valorilor entropiei lui Zhao pentru mozaicurile de peisaj

Recent, au fost propuse câteva metrici noi legate de complexitatea peisajelor.² Pentru rasterele categorice, include metrica entropiei lui Zhao (Zhao și Zhang 2019). Cu cât valoarea entropiei lui Zhao este mai mare, cu atât peisajul este mai complex. Astfel, diferența absolută dintre valorile entropiei lui Zhao pentru două rastere indică cât de diferit sunt complexe peisajele, cu valori scăzute indicând complexitate similară și valori ridicate indicând complexitate diferită.

library(bespatial)
clc2000_tartu_bes = bes_m_zhao(clc2000_tartu)   # 0.0372
clc2018_tartu_bes = bes_m_zhao(clc2018_tartu)   # 0.0385
clc2018_poznan_bes = bes_m_zhao(clc2018_poznan) # 0.0406
abs(clc2018_tartu_bes$value - clc2000_tartu_bes$value)

abs(clc2018_poznan_bes$value - clc2000_tartu_bes$value)

abs(clc2018_poznan_bes$value - clc2018_tartu_bes$value)

Această măsură de complexitate sugerează că ambele rastere pentru Tartu au o complexitate similară, în timp ce rasterul Poznań este mai complex decât rasterele Tartu. În plus, cele mai diferite peisaje sunt Tartu în 2000 și Poznań în 2018.

Acest exemplu folosește spaţială pachet (Nowosad 2024).

Diferența unei semnături spațiale între două rastere

O abordare alternativă a utilizării unei singure metrici de peisaj pentru compararea tiparelor spațiale în date raster categorice ale regiunilor arbitrare este calcularea unei semnături spațiale a peisajului. O semnătură spațială este un vector de valori care descriu modelul spațial al peisajului. O astfel de semnătură se poate baza pe un vector de co-ocurență (golfuleţ; un vector care arată cât de des este adiacentă fiecare pereche de categorii). Apoi, semnăturile spațiale pentru două rastere pot fi comparate folosind o măsurătoare de distanță, cum ar fi divergența Jensen-Shannon (Jasiewicz și Stepinski 2013). Cu cât valoarea rezultatului este mai mică, cu atât modelele spațiale ale celor două rastere sunt mai asemănătoare.

Semnătura spațială poate fi calculată folosind motiv pachet (Nowosad 2021) și în comparație cu filentropie pachet (HG 2018).

library(motif)
library(philentropy)
clc2000_tartu_sign = lsp_signature(clc2000_tartu, type = "cove", threshold = 1)
clc2018_tartu_sign = lsp_signature(clc2018_tartu, type = "cove", threshold = 1)
clc2018_poznan_sign = lsp_signature(clc2018_poznan, type = "cove", threshold = 1)
jensen_shannon(clc2000_tartu_sign$signature((1)),
               clc2018_tartu_sign$signature((1)), 
               testNA = FALSE, unit = "log2")       # 0.0011

jensen_shannon(clc2000_tartu_sign$signature((1)),
               clc2018_poznan_sign$signature((1)), 
               testNA = FALSE, unit = "log2")       # 0.0912

jensen_shannon(clc2018_tartu_sign$signature((1)),
               clc2018_poznan_sign$signature((1)), 
               testNA = FALSE, unit = "log2")       # 0.0826

Aici, folosind această semnătură spațială, putem observa că peisajele din Tartu sunt mult mai asemănătoare între ele decât cu peisajul Poznań.