分析を開始する前に、データにフィルターを適用して「塩と胡pepper」効果をクリーンアップすることを強くお勧めします。どのアルゴリズムも、データの現在の構造パターンと格闘します。単純なフォーカルマジョリティは、望ましくない結果をもたらす可能性があります。より堅牢な方法は、最小マッピング単位を指定できるふるいアプローチを適用することです。これは、GDAL のgdal_sieve.py関数raster > analysis > sieve
、QGIS の関数、またはArcGIS Gradient Metrics ToolboxのSieve関数を介して実行できます。
これは、数学的モルフォロジー演算子で対処できるもののように見えます(例えば、画像から道路を抽出する)。拡張演算子の後に閉じる演算子が続くと、廊下が明確になると思います。その後、開始演算子を適用してコリドーを削除し、ラスタを差分して、識別されたコリドーを個別のオブジェクトとして引き出します。これらのタイプの画像分解機能は、MSPAおよびGUIDOSソフトウェアでいくらか自動化されていますが、データの不連続性によって特に影響を受けます。
MSPA用のQGISプラグインと、GRASSで使用可能な機能(QGIS GUIで使用可能)があります。MSPAおよびGUIDOSの問題の1つは、画像サイズが制限されることです。残念ながら、ESRIソフトウェアでは、形態学的演算子はArcScanエクステンションでのみ利用可能です。いくつかの掘り下げにより、他のソフトウェアオプションと、カスタムカーネルマトリックスを使用したラスター代数を介して形態学的演算子を定義する方法が見つかります。
別のアプローチは、Sobalカーネル演算子などのエッジ検出フィルタリング方法です。ArcGIS Gradient Metrics ToolboxおよびspatialEco Rパッケージには、sobal関数があります。R実装の利点は、演算子の勾配関数を返すことができるのに対して、ArcGIS実装は1次関数のみを返すことです(必要なものはすべて)。私はと考えていオルフェオツールボックス(QGISのアドオンとして利用可能)がEdgeExtraction機能でsobalオプションがあります。