GIS-analüüs põllumajanduses mullaseire näitel

Transcription

1 GIS-analüüs põllumajanduses mullaseire näitel Tambet Kikas Põllumajandusuuringute Keskus 1

2 Põhimõtteline protsessi skeem Punktandmed saadetakse serverisse Välitöödel mullaproovide kogumine, GPS seadme abil Analüüsitud andmed väljastatakse tabelandmetena Punktandmete ja tabel - andmete liitmine GIS analüüs Mullaproov saadetakse laboratooriumisse Väetistarbe GIS andme - baasi koostamine. Tootjale tulemuste väljastamine 2

3 ATV, mullapuur 3

4 Pihuarvuti, integreeritud GPS seadmega S 4 4

5 Proovikogumisala välispiirajana kasutatakse PRIA põllumassiivide andmeid 6

6 1. Esimese sammuna genereeritakse proovi - kogumisalade Proovikogumisala võrgustik (GRID), välispiirajana sõltuvalt põllu suurusest kasutatakse ja proovi PRIA - kogumis põllumassiivide metoodikast võib GRID andmeid olla erineva suurusega 7

7 1.2.Esimese Proovikogumise sammuna genereeritakse erinevad näited. proovi Proovikogumisala kogumisalade võrgustik välispiirajana (GRID), Keskmine sõltuvalt proov põllu kasutatakse PRIA suurusest koosnebja25-40 proovi põllumassiivide kogumis väiksemast metoodikast proovist. andmeid Proovi võib GRID sügavus ollaca erineva suurusega cm 8

8 Esimese Proovikogumise sammuna 3. Igale keskmistatud genereeritakse erinevad näited. proovi Proovikogumisala proovile, võrgustik mis kogumisalade välispiirajana punktina asetseb (GRID), Keskmine sõltuvalt proov põllu kasutatakse PRIA GRID i tsentroidis, suurusest koosneb ja25-40 proovi põllumassiivide omistatakse kordumatu kogumis väiksemast metoodikast proovist. andmeid Proovi võib GRID sügavus ollaca erineva ID number suurusega cm

9 Esimese Proovikogumise Laboratoorium sammuna 3. Igale keskmistatud genereeritakse erinevad väjastab näited. proovi Proovikogumisala proovile, võrgustik mis kogumisalade analüüsitulemused välispiirajana punktina asetseb (GRID), tabelandmetena, Keskmine sõltuvalt proov põllu kasutatakse PRIA GRID i tsentroidis, suurusest koosneb ruumiliste ja25-40 proovi ja põllumassiivide omistatakse kordumatu tabelandmete kogumis väiksemast metoodikast proovist. sidumine andmeid Proovi võib toimub GRID sügavus IDnumber numbri ollaca erineva abil ID suurusega cm

10 Esimese Proovikogumise Laboratoorium Atribuutidega sammuna 3. Igale keskmistatud genereeritakse erinevad väärtustatud väjastab näited. proovi Proovikogumisala proovile, võrgustik mis kogumisalade analüüsitulemused punktandmed välispiirajana punktina asetseb (GRID), tabelandmetena, interpoleeritakse Keskmine sõltuvalt proov põllu kasutatakse PRIA GRID i tsentroidis, vastavalt suurusest koosneb ruumiliste metoodikale ja25-40 proovi ja - ja põllumassiivide omistatakse kordumatu tabelandmete koostatakse kogumis väiksemast metoodikast väetistarbe proovist. sidumine andmeid Proovi võib toimub ja mullareaktsiooni GRID sügavus IDnumber numbri ollaca erineva abil ID vahemikväärtuste suurusega cm kaardid

11 ESRI funktsionaalsus Vastavalt tööpõhimõtetele jagunevad interpoleerimis algoritmid kolme suurde gruppi : kauguskaalutud interpoleerimine eeldab, et mida kaugemal asuvad punktid üksteisest seda vähem mõjutab nende väärtus uute punktide väärtuseid, trendipinnad kasutavad kõikide etteantud punktide väärtuseid ja loovad vastava funktsiooniga üldise pinna, kriging arvestab nähtuse kolme omadust üldist trendi, kohalikke variatsioone ja müra, andes lõpptulemusena ka hinnangu interpoleeritud tulemuse täpsusele. Enamlevinud interpoleerimismeetodid on kõik esindatud ESRI Spatial Analyst Tools menüüs: lähima naabri (väärtuse) - Natural neighbor, pöördkaugusega kaalutud - Inverse distance weighted, trend Trend, kriging - Kriging (best linear unbiased estimator), splain Spline. 12

12 ESRI funktsionaalsus Sagedamini on kasutatav pöördvõrdeline kauguskaalutud (Inverse Distance Weighted) meetod, kus mudelis arvutatakse igale pikslile väärtus lähimate teadaolevate väärtuste keskmisena, kusjuures lähemalasetsevatele punktidele omistatakse suurem kaal kui kaugemalasetsevatele punktidele. IDW on üldjuhul kiire interpoleerimis - meetod, kuid on väga tundlik üksikute ja klastrina esinevate andmepunktide suhtes. 13

13 ESRI funktsionaalsus Ilmselt sobivaim interpoleerimisviis mullaseire lähteandmetest väetistarbekaartide tootmiseks suurtel pindadel on IDW kuna: seireandmed on piisavalt täpsed ja jagunevad põllu piires ruumiliselt ühtlaselt, võimalik on kasutada interpoleerimisel välispiirajat (Barrier) mis muudab tulemuse ühe põllu piires tunduvalt täpsemaks ja tööprotsessi oluliselt kiiremaks, 14

14 ESRI funktsionaalsus Barriers funktsiooni kasutamine on hädavajalik naabruses asuvate põldude puhul, et vältida naaberpõllul asuvate punktide mõjusid interpoleerimistulemusele. 15

15 ESRI funktsionaalsus Interpoleerimisparameetrite määratlemisel on oluline leida optimaalsed suurused, et tööptotsess ei oleks liiga aeglane ja samas ei kannataks lõpptulemuse täpsus. Oluline on määratleda sobiv väjundrastri piksli suurus, liiga suur piksel muudab tulemuse ebatäpseks, liiga väike pikendab oluliselt tööks kuluvat aega. Eksponent (power optional) on enamus juhtudel otstarbekas valida keskmine suurus 0,5 ja 3 vahele. Otsinguraadius ja punktide arv mis arvutusprotsessis osalevad on samuti mõtekas valida sõltuvalt andmete olemist. Otsinguraadius näiteks ei pruugi olla väga palju suurem punktidevahelisest reaalsest kaugusest. Punktide hulk mis arvtuses osaleb võiks olla nii väike kui võimalik, kuid piisav et lõpptulemus oleks usaldusväärne. Samuti mõjutab töö kiirust välispiiraja (polyline) objekti nurgapunktide arv, mida vähem neid on seda kiirem on arvutusprotsess. 16

16 ESRI funktsionaalsus Eelnevalt kirjeldatud lähenemine võimaldab suhteliselt kiiresti jõuda lähteandmetest esmase tulemuseni. Protsessile kuluv aeg on tunduvalt lühem kui interpoleeridaa põlde eraldiseisvate üksustena ühekaupa. Kui lähteandmed on korrektsed ja metoodika kontrollitud, siis ei vähene oluliselt ka lõpptulemuse täpsus ja usaldusväärsus. 17