Suite

Exportation (uniquement) de l'itération finale à partir d'ArcGIS ModelBuilder ?


J'utilise un itérateur dans ModelBuilder (1) pour fusionner des fichiers, en utilisant une boucle de rétroaction (2). Le fichier de sortie est nommé "Output_%n%.txt", (3), donc chaque fichier est unique.

Maintenant, je fusionne un bon nombre de fichiers, donc j'essaie d'accélérer le processus. Comme je ne me soucie pas des fichiers intermédiaires, je peux les écrire dans in_memory. Mais je voudrais enregistrer le fichier final, à savoir : "Output_167.txt" dans C:myfile plutôt que dans in_memory.

(0) Oui, APPEND fonctionnerait, mais cela a d'autres applications.

(1) http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#//00400000001n000000.htm

(2) http://webhelp.esri.com/arcgisdesktop/9.3/index.cfm?TopicName=Iteration_using_feedback

(3) http://resources.arcgis.com/en/help/main/10.1/index.html#//002w0000005s000000


Que diriez-vous de les écrire tous dans in_memory car la prochaine étape consiste à écrire l'ensemble de données final, vous savez ce qu'est %n%, il devrait donc être assez facile de l'exporter. Hornbydd 24 octobre à 7:51

@Hornbydd Des mois plus tard, je comprends enfin votre réponse. Je ne savais pas comment obtenir n, j'ai réalisé que dans ce but précis, j'utilisais une boucle FOR, avec un paramètre de modèle. Il faudra un peu de découpage de texte, mais je peux extraire le n de %n%. Pour les cas où je ne le suis pas, comme l'itération sur les lignes d'un ensemble de données, je peux utiliser max(ID) pour obtenir le nombre d'itérations.


Prise de décision multicritères respectueuse de l'environnement au moindre coût pour la modélisation du réseau ferroviaire de l'Érythrée

Un développement approprié du transport ferroviaire est essentiel pour des avantages socio-économiques et environnementaux durables. Néanmoins, en Érythrée, un pays qui avait autrefois un système ferroviaire dynamique, il est actuellement non fonctionnel. Il existe également des investissements sectoriels ambitieux en Éthiopie et au Soudan voisins, pressant l'Érythrée de revitaliser son système de transport ferroviaire décimé. Par conséquent, cette étude a utilisé le modèle d'établissement de la population, des critères environnementaux et physiques comme intrants d'une prise de décision multicritère à moindre coût pour la modélisation du réseau ferroviaire de l'Érythrée. Ainsi, sept itinéraires ferroviaires, couvrant une distance totale de 1 610 km, ont été modélisés. Quatre vont du nord au sud, tandis que trois vont de l'est à l'ouest. Ce réseau ferroviaire desservira 5 des 6 régions administratives de l'Érythrée, où résident 93 % des 5,8 millions d'habitants estimés. En outre, il desservira les 21 centres urbains, où une population estimée à 1 658 749 vit environ 70 % de la population urbaine de l'Érythrée. En outre, il stimulera l'intégration régionale, la paix et son développement, dans une région géographique autrement ravagée par les conflits.

analystes spatiaux (SA), chemin de moindre coût, aide à la décision multicritères, transport ferroviaire, Érythrée, socio-économique, durabilité environnementale

Le développement durable du service de transport ferroviaire est essentiel pour la croissance économique, l'intégration régionale et le développement social [1-4]. Selon Sugawara [2], un chemin de fer entre le port et le centre du pays Le transport ferroviaire américain prend en charge une importation et une exportation estimées à 1 839 millions de tonnes de fret, d'une valeur de 3,193 milliards de dollars en 2007. De plus, l'agriculture américaine dépend fortement du service de transport ferroviaire, de sorte que la suppression les réseaux ferroviaires actuels des États-Unis, pourraient réduire la productivité agricole américaine de 60% [4]. Le service de transport ferroviaire est également essentiel pour réduire le temps de trajet et le trafic, la santé écologique et l'amélioration du confort de voyage [1]. Les Américains perdent 3,7 milliards d'heures et 2,3 milliards de gallons de carburant dans les embouteillages par an, ce qui est estimé à 200 milliards de dollars. L'amélioration du réseau ferroviaire devrait réduire la congestion routière, la consommation de carburant et les émissions de polluants [2]. De plus, une étude a rapporté qu'une augmentation de 10 % du nombre de populations utilisant des trains de voyageurs, réduirait la consommation de carburant de 50 % [3].

Malgré tous ces avantages socio-économiques essentiels, le service de transport ferroviaire érythréen est aujourd'hui inexistant. Ceci malgré, historiquement, l'Érythrée avait un système ferroviaire dynamique qui remonte à la fin du 19ème siècle. À l'époque coloniale, les Italiens ont construit un chemin de fer de 337 km (c'est-à-dire 209 mi) qui relie la ville portuaire de Massawa à la mine d'or de Bisha à l'ouest de la ville d'Agordat [5, 6]. Cependant, le pays est tombé sous l'administration militaire britannique en 1941. Cela fait suite à la défaite de l'Italie par les forces alliées lors de la Seconde Guerre mondiale. Sous l'administration britannique, les infrastructures publiques de l'Érythrée, y compris le chemin de fer, ont été vandalisées et détournées dans le cadre des compensations de guerre. Depuis que le chemin de fer n'était pas fonctionnel [7], il est donc nécessaire de revitaliser le réseau ferroviaire moderne du pays.

En outre, deux grands pays voisins, l'Éthiopie et le Soudan, investissent massivement dans leurs infrastructures de transport ferroviaire à l'échelle nationale et renforcent ainsi l'intégration régionale. Par exemple, l'Éthiopie a construit récemment un chemin de fer de 750 km (460 milles) [8]. Il relie Addis-Abeba, la capitale du pays, à Djibouti, ville portuaire de la mer Rouge. En outre, l'Éthiopie a également lancé un ambitieux projet de réseau ferroviaire national, qui couvre une distance de 4 780 km [9]. L'objectif de ce plan ambitieux est de relier le pays au Kenya au sud, au Soudan à l'ouest et à l'Érythrée au nord. De même, le réseau ferroviaire du Soudan envisage également un plan ambitieux de développement des infrastructures ferroviaires. La Sudan Railways Corporation, qui gère actuellement le plus long réseau (c'est-à-dire 4 578 km) du continent africain, envisage d'étendre le réseau à ses pays voisins, le Tchad, l'Éthiopie et le Soudan du Sud [10]. C'est en réponse à ces plans d'expansion ambitieux que l'Érythrée est pressée de revitaliser son système de transport ferroviaire.

De plus, plusieurs attributs de la situation géographique, de l'environnement et de la culture uniques de l'Érythrée qui attireraient des touristes du monde entier, incitent à la présence d'un service de transport ferroviaire robuste dans le pays. L'Érythrée a un littoral étendu sur plus de 1000 km, peu peuplé et limité à l'intervention humaine de celui-ci. Par conséquent, le littoral et la plage de sable de l'Érythrée sont parmi les plus propres au monde pour les attractions touristiques internationales. La mer Rouge est riche en récifs coralliens, ce qui offre un potentiel de tourisme naturel extensif pour les visiteurs [11]. Contrairement à d'autres rivages concurrents, le long de la mer Rouge, les zones côtières des basses terres de l'Érythrée ne sont qu'à deux heures des hautes terres près d'Asmara, la capitale, qui présente un souffle remarquable d'un climat tempéré plus frais.

Par conséquent, l'objectif de cette étude était de concevoir et de planifier un réseau ferroviaire, avec une empreinte environnementale moindre, pour l'Érythrée. Il a déployé à cet effet l'algorithme de chemin à moindre coût multicritères pour modéliser les routes ferroviaires de l'Érythrée. De plus, l'étude a évalué les impacts socio-économiques et politiques du service de transport ferroviaire modélisé. La planification traditionnelle des itinéraires ferroviaires des levés manuels d'ingénierie sur le terrain est de plus en plus complétée par des techniques modernes assistées par SIG pour une conception efficace et de qualité [12]. Par conséquent, une planification d'itinéraire moderne assistée par SIG, intégrée dans des outils d'analyse spatiale, est déployée. De multiples critères environnementaux, topographiques, sociaux et culturels ont été pris en compte pour une conception et une planification rentables des itinéraires ferroviaires [13, 14].


Minimiser les impacts de la désertification dans une région aride : une étude de cas du désert occidental d'Irak

Actuellement, la désertification est un problème majeur dans le désert occidental de l'Irak. La nature rude, l'éloignement et la taille du désert rendent difficile et coûteux la surveillance et l'atténuation de la désertification. Par conséquent, cette étude a proposé une méthode complète et rentable, via l'intégration de systèmes d'information géographique (SIG) et de techniques de télédétection (RS) pour estimer le risque potentiel de désertification, identifier les zones les plus vulnérables et déterminer les sites les plus appropriés. pour la conservation de l'eau de pluie. Deux indices, à savoir l'indice de végétation différentiel normalisé (NDVI) et l'indice de dégradation des terres (LDI), ont été utilisés pour une évaluation cadastrale de la dégradation des terres. Les résultats de la carte combinée d'adéquation de la collecte des eaux de pluie et des cartes des changements de NDVI et de LDI ont révélé que 65% des terres hautement appropriées pour la collecte des eaux de pluie se trouvent dans le grand changement et 35% dans le petit changement du NDVI, et 85% des terres hautement les terres appropriées se situent dans des zones avec un changement modéré et 12% se situent dans un fort changement de LDI. L'adoption de la combinaison linéaire pondérée (WLC) et des méthodes booléennes dans l'environnement SIG, et l'analyse du NDVI avec les changements LDI peuvent permettre aux hydrologues, aux décideurs et aux planificateurs de déterminer et de minimiser rapidement le risque de désertification et de prioriser la détermination de sites adaptés à la récupération des eaux de pluie.

1. Introduction

Avec les attentes et les besoins croissants des citoyens locaux, les pays en développement se tournent vers un plus grand développement des ressources pour créer des projets durables. Cependant, la désertification est un problème de dégradation des sols qui représente d'énormes défis environnementaux et des impacts négatifs, en particulier en termes de développement agricole et socio-économique futur dans les régions semi-arides et arides, de nombreux chercheurs [1–3] définissent la désertification comme la dégradation des terres résultant de différents facteurs, contenant la différence climatique et les activités humaines dans les zones semi-arides, arides et subhumides sèches. Les conditions climatiques et physiques ont produit des pertes naturelles généralisées et une érosion cumulative des sols par l'eau et le vent qui entraînent une diminution de la productivité biologique de la terre [4, 5]. La désertification apparaît une fois que la dégradation des terres se développe irréparable ou lorsque la perte de la productivité totale atteint 50 à 66 % [6]. Actuellement, la désertification est un problème majeur dans le désert occidental de l'Irak et entraîne des déplacements de population. Au total, 4 263 familles ont été déplacées à cause de la désertification entre décembre 2007 et juin 2009 [7]. De plus, la désertification a causé la détérioration des plantes et des couvertures du sol qui a affecté de manière préjudiciable près de 70 % des terres arides. La superficie totale exposée à la désertification en Irak est estimée à 167 000 km 2 , ce qui représente 40 % de sa superficie totale de 437 500 km 2 [8, 9].

Par conséquent, le phénomène de désertification, en particulier dans le désert occidental de l'Irak dans un avenir proche, est irréfutable, à moins que des méthodes et des recherches efficaces ne soient menées pour développer une base de données concernant cette menace environnementale. La nature sévère, l'éloignement et la taille du désert rendent difficile et coûteux la compréhension de cette menace environnementale. Parallèlement à cet effort, des plans d'atténuation peuvent également être mis en œuvre pour minimiser le risque de désertification. Cependant, ce processus serait limité ou entravé par un manque d'information. Par conséquent, une solution efficace pour atténuer le problème de la désertification est nécessaire.

L'une des méthodes proposées pour réduire le risque et l'impact de la désertification dans cette étude est la récupération des eaux de pluie (RWH). RWH est un élément important dans tout système de ressources en eau pour assurer un approvisionnement continu, afin de répondre à la demande pour les usages domestiques, l'élevage, l'agriculture et les petites industries [10-13]. De plus, le système de récupération des eaux de pluie proposé devrait être en mesure de maintenir une ressource en eau durable et de minimiser le risque de dégradation supplémentaire des ressources dans la région. Quatre procédures sont prises en considération pour une RWH durable consistant en la sélection de critères appropriés, l'évaluation de la pertinence du classement pour chaque critère, le choix des emplacements et la génération de cartes d'adéquation destinées aux sites proposés pour inscription pour la RWH. Le processus de RWH durable peut être long et difficile lorsque l'ensemble de ces procédures a été pris en compte en particulier dans les grands bassins versants avec des données limitées. Les systèmes d'information géographique (SIG) et les techniques de données géospatiales sont intégrés pour trouver des données de référence relatives aux sécheresses, à la désertification et à la dégradation, et pour faciliter le processus d'obtention d'une CEP durable qui peut affecter directement le développement et les activités agricoles dans les régions arides [14-16] .

La combinaison de données géospatiales avec des approches SIG a guidé une grande attention vers l'identification de sites appropriés pour la RWH. L'adaptation des données géospatiales aux techniques SIG a permis de produire sans effort une base de données concernant le potentiel hydrologique d'une zone [17, 18]. Plusieurs méthodes et critères ont été appliqués pour identifier les sites appropriés pour la CEP. De nombreux chercheurs [19–23] ont appliqué des données géospatiales avec SIG pour identifier des sites appropriés pour les structures RWH. Étant donné que le manque d'eau est le problème majeur dans les zones semi-arides et arides, ces régions bénéficieraient des résultats de la recherche sur la gestion de l'eau. Les enquêtes liées à la sélection d'emplacements appropriés pour la RWH ont révélé que la prise en compte des critères physiques et socio-économiques est importante pour la RWH.

Les études antérieures discutées précédemment nécessitaient une disponibilité et une accessibilité considérables des données pour atteindre leurs objectifs. Compte tenu de la disponibilité limitée des données et de la gravité de la désertification dans la zone d'étude du désert occidental de l'Irak, l'objectif principal de cette étude est de proposer une méthode complète et rentable pour identifier et minimiser les impacts de la désertification grâce à la combinaison de données géospatiales. avec les techniques SIG. Le développement rapide de la technologie des images satellites et des SIG signifie que ces composants sont facilement accessibles à des coûts raisonnables. Ce facteur est très important, en particulier dans les zones où les données sont rares ou indisponibles.

L'objectif de cette étude est d'utiliser l'indice de dégradation des terres (LDI) et l'indice de végétation différentielle normalisé (NDVI) pour estimer le risque potentiel de désertification, identifier les zones les plus vulnérables et déterminer les sites les plus appropriés pour la RWH. La méthode proposée peut aider les décideurs et les planificateurs à se référer et à déterminer rapidement le risque potentiel de désertification, ainsi qu'à établir des priorités pour déterminer des sites appropriés pour la RWH afin de minimiser le risque de désertification.

2. Zone d'étude

Wadi Al-Gahdaf est situé dans le désert occidental de l'Irak. Cette zone d'étude est située à l'est de l'Euphrate, entre 32° 20′ 14″ à 33° 08′ 00″ N et 40° 01′ 00″ à 43° 30′ 00″ E et a un bassin versant de 8513 km 2 (figure 1). Le bassin versant connaît un environnement aride avec des hivers frais et des étés secs. Il est classé désertique en raison des faibles précipitations annuelles moyennes comprises entre 100 et 150 mm. Environ 48 % des précipitations se produisent pendant l'hiver, 16 % en automne et 36 % au printemps [24]. L'évaporation annuelle moyenne est de 3300 mm, et l'évaporation moyenne mensuelle fluctue considérablement avec les saisons. Des parties considérables de la zone d'étude sont recouvertes d'un sol très fertile, dans lequel poussent différents types de végétation, tels que des tulipes, des lys, des coloquintes et de nombreux types de fleurs poussent pendant les saisons des pluies. De nombreux arbustes et plantes épineuses résistants à la sécheresse sont cultivés tout au long de l'année, couvrant également de vastes zones, en particulier dans les larges vallées et les dépressions, telles que la coloquinte et le thym. Les affleurements rocheux exposés de calcaire dur fournissent une base solide pour la construction de barrières ou de barrages.

La zone d'étude est considérée comme une partie très importante du désert irakien occidental car elle représente l'une des principales vallées qui reçoit une quantité importante de précipitations pendant la saison des pluies, et elle est également confrontée à des problèmes liés à la désertification. Ainsi, une solution efficace pour atténuer le problème de la désertification est nécessaire. Un barrage en terre est une technique pour conserver l'eau de pluie pendant les périodes pluvieuses pour une utilisation pendant les périodes sèches, et cela est considéré comme un moyen efficace pour développer un approvisionnement en eau durable en Irak.

3. Exigences en matière de données

Les données utilisées pour cette étude sont minimes et peuvent être divisées en trois grandes catégories, à savoir les images satellites, les données météorologiques et les caractéristiques du sol. Les images satellite qui incluent le capteur d'imagerie terrestre opérationnel (Landsat 8), le capteur de cartographie thématique et le modèle d'élévation numérique de la mission de topographie radar navette (SRTM) de 30 mètres ont été fournies par le United States Geological Survey (USGS). L'OLI et l'ETM + fournissent des données à une résolution spatiale de 30 m pour le visible, le proche infrarouge (NIR) et l'infrarouge à ondes courtes, et de 15 m pour les bandes panchromatiques [25, 26]. La zone d'étude coïncidait avec l'étendue de la scène des images Landsat (chemin/ligne : 169/037, 169/038, 170/037, 170/038, 171/037 et 171/038). Au total, 6 images OLI et 6 images Landsat 7 ETM + sur la zone d'étude ont été téléchargées à partir du United States Geological Survey (USGS) (https://earthexplorer.usgs.gov/). Les images ont été acquises pendant les saisons sèches et humides. Les images ont été corrigées géométriquement et atmosphériquement. Selon la projection UTM-WGS84 Zone 38 N, les systèmes de coordonnées de toutes les données utilisées ont été unifiés. Des données à long terme et fiables sur les précipitations quotidiennes et mensuelles de 34 ans de 1980 à 2013 sont également utilisées dans cette étude. Vingt-trois échantillons ont été prélevés dans toute la zone d'étude et les caractéristiques du sol ont été déterminées en laboratoire. Les principales sources de données utilisées dans cette recherche sont présentées dans le tableau 1.

4. Méthodologie

La méthodologie de recherche peut être divisée en deux sections principales : (1) une analyse de l'évolution du LDI et du NDVI à l'aide de données géospatiales en 1999 et 2014 pour définir la dégradation des terres existante et (2) la détermination de sites appropriés pour la RWH à minimiser l'impact de la désertification via Model Builder dans ArcGIS 10.2. Cela comprend la sélection de sites appropriés, la classification de l'adéquation pour chaque critère et l'analyse SIG pour la génération de cartes d'adéquation basées sur la combinaison de la combinaison linéaire pondérée (WLC) et des opérateurs booléens pour ordonner les zones alternatives en fonction du classement par rapport à critère d'évaluation.La méthodologie globale est présentée à la figure 2, tandis que les spécificités de chaque grande section sont données dans les sections suivantes.

4.1. Détermination de l'étendue de la désertification

Le NDVI et le LDI ont été utilisés comme indicateurs du phénomène de désertification dans la zone d'étude. Des cartes thématiques ont été élaborées pour la période de 1999 à 2013 et des méthodologies détaillées sont données dans les paragraphes suivants.

4.1.1. Indice de végétation par différence normalisée (NDVI)

L'application du NDVI a inclus l'impact de diverses conditions atmosphériques sur la végétation [27-29], la surveillance de la sécheresse [30], l'identification de la production et du rendement des cultures [31] et des études sur la désertification [32, 33]. La plupart de ces études se sont limitées à quantifier le degré de désertification à l'aide du NDVI. Cet indice est un outil efficace pour quantifier le risque et surveiller les changements de désertification car il estime le changement de végétation en fonction de la réponse spectrale de l'occupation du sol [34, 35]. Le logiciel ERDAS IMAGINE a été utilisé pour déterminer les changements de densité de végétation et les zones pour la période de 1999 à 2013. Le NDVI a été estimé à l'aide des équations suivantes [36].

Depuis le capteur mappeur thématique :

B3 est la valeur de réflectance spectrale de la bande 3 (0,63-0,69) μm, et B4 est la réflectance spectrale de la bande 4 (0,77-0,90) μm. Depuis le capteur imageur terrestre opérationnel :

B4 est la réflectance spectrale de la bande 4 (0,64-0,67) μm, et B5 est la réflectance spectrale de la bande 5 (0,85-0,88) μm.

Les valeurs NDVI ont fluctué entre -1 et +1. Les valeurs supérieures à 0 représentent la végétation existante. Plus précisément, les valeurs comprises entre 0,0 et 0,2 représentent les zones de végétation basse, et les valeurs supérieures à 0,2 représentent les zones de végétation dense. Les valeurs NDVI comprises entre -1 et 0 représentent les zones non végétalisées, c'est-à-dire les terres abandonnées et les terres urbaines. La méthode de découpage en densité a été appliquée pour classer le niveau de gamme NDVI afin d'estimer l'efficacité des variations de végétation entre 1999 et 2013.

4.1.2. Indice de dégradation des terres (LDI)

L'indice de dégradation des terres (LDI) reflète l'état des stands et la couverture des terres dégradées, et il a une signification physique et biologique claire [37]. Le LDI est représentatif du degré total de difficulté à rééduquer les terres dégradées dans une région déterminée [38]. Le LDI peut être utilisé pour améliorer et démontrer davantage le phénomène de désertification dans la zone d'étude. De nombreux chercheurs [3, 39] ont appliqué le LDI pour évaluer et analyser les aléas de l'extension de la dégradation des sols. Le LDI a été utilisé par Meng et al. [40] pour déterminer la dégradation des sols à partir des bandes 2 et 3 du capteur mappeur thématique et des bandes 3 et 4 du capteur imageur terrestre opérationnel. Chacune de ces deux bandes a été utilisée car elles donnent une réflectance élevée pour la dégradation du sol. Meng et al. [40] ont suggéré quatre classes de dégradation du sol, à savoir <30 (extrême), (30-60) forte, (60-90) modérée et >90 légère. L'estimation de LDI à l'aide du capteur de cartographie thématique est donnée par

B2 est la réflectance spectrale de la bande 2 (0,52-0,60) μm et B3 est la réflectance spectrale de la bande 3 (0,63-0,69) μm.

L'estimation de LDI à l'aide du capteur d'imageur terrestre opérationnel (Landsat 8) est donnée par

B3 est la valeur de réflectance spectrale de la bande 3 (0,53–0,59) μm et B4 est la réflectance spectrale de la bande 4 (0,64-0,67) μm.

4.2. Identification du site le plus approprié pour les structures RWH

Différents critères et contraintes affectent directement le processus de prise de décision concernant le choix du site. Cette étude propose une méthode robuste pour faciliter ce processus combinant le WLC avec les opérateurs booléens pour ordonner les zones alternatives selon les favoris par rapport aux critères d'évaluation. Ces méthodes sont les jugements de décision les plus utilisés en SIG [41–43].

4.2.1. Opération de combinaison linéaire pondérée

Le WLC intègre les cartes en attribuant un score normalisé à chaque catégorie et donne du poids aux critères eux-mêmes [44]. La technique WLC a été réalisée en deux étapes : (i) multiplier le poids de chaque paramètre par les taux de catégorie du même paramètre et (ii) ajouter toutes les couches de critères dans le calculateur raster. La méthode WLC a été adoptée en raison de sa flexibilité dans le choix des sites appropriés. Plusieurs chercheurs ont adopté cette méthode dont [45–48]. Six critères ont été pris en compte dans cette étude dans l'identification des sites les plus appropriés pour la collecte des eaux de pluie, à savoir la pente, les précipitations et le ruissellement, l'utilisation/la couverture des sols, la texture du sol, l'éloignement des terres irriguées et l'éloignement des routes. Les critères sont mesurés à l'aide d'une variété d'échelles et de mesures. Chaque critère a d'abord été classé individuellement en utilisant des valeurs de pixel de 0 à 10, comme indiqué en détail dans le tableau 2. Les zones les moins pratiques ont été classées en 1, tandis que les zones les plus appropriées ont été classées en 10.. Les pondérations, la classification, les échelles de pertinence et les scores sont basés sur des études antérieures réalisées dans des zones d'étude de même nature [45, 46, 49-51].

Pour chaque critère, la carte à l'échelle a été produite avec des quantités de pixels comprises entre 0 et 10. La carte d'adéquation combinée a été créée en fusionnant ces couches de critères à l'aide du calculateur raster. Les montants d'adéquation ont ensuite été classés en cinq catégories, à savoir l'adéquation très faible, faible moyenne, élevée et très élevée. Les six critères qui sont importants pour sélectionner les emplacements potentiels pour RWH sont discutés dans ce qui suit (Figure 3) : (1) Profondeur de ruissellement : c'est un critère essentiel pour sélectionner un site approprié pour RWH et est utilisé pour évaluer l'approvisionnement en eau possible par ruissellement [20, 52]. Le numéro de courbe (CN), qui est attendu de la conséquence de la couverture terrestre et du type de sol sur la relation pluie/ruissellement, a été utilisé pour estimer la profondeur du ruissellement [52-54]. Ces données ont été manipulées dans le SIG à l'aide du modèle d'analyse spatiale pour générer une carte numérique de la profondeur de ruissellement dans la zone d'étude sur la base de l'équation suivante :

Q représente la profondeur de ruissellement (mm) P est la pluviométrie (mm) S représente la rétention maximale possible après le début du ruissellement (mm) et jeune représente un prélèvement primaire (mm) qui contient toutes les pertes avant le début de l'infiltration, du ruissellement, de l'évaporation et de l'interception de l'eau par la végétation et est spécifié comme jeune = 0.2S à partir de l'analyse des informations sur les précipitations pour les petits bassins versants [55]. L'équation (5) peut donc être exprimée sous la forme

S peut être calculé en utilisant CN comme

CN se situe entre 0 et 100, et cette valeur signifie le ruissellement contraint à une quantité de précipitations spécifiée. Des valeurs élevées de CN montrent qu'une proportion considérable de la pluie développera un ruissellement de surface [56]. La carte CN et les données de précipitations pour la zone d'étude ont été utilisées pour déduire la couche de profondeur de ruissellement en termes de précipitations extrêmes horaires de l'ensemble de la zone de recherche (Figure 3 (a)). Les valeurs minimales et maximales de la profondeur de ruissellement varient entre 7 et 35 mm, le ruissellement augmentant dans la partie aval. La première catégorie de <20 mm, représente 17%, la deuxième catégorie de 20-25 mm représente 22%, la troisième catégorie de 25-30 mm représente 32%, la quatrième catégorie de 30-35 mm représente 16%, et la dernière catégorie de >35 mm représente 13% de l'ensemble de la zone. (2) Pente : la génération de ruissellement dépend aussi fortement de la pente qui affecte la vitesse d'écoulement, la quantité de sédimentation et les quantités de matériaux de construction nécessaires pour ériger la structure RWH. Critchley et al. [57] ont recommandé qu'une structure RWH ne soit pas adaptée aux pentes supérieures à 5% car les taux d'érosion sont plus élevés et nécessitent des travaux de terrassement plus importants [46]. Un DEM généré à partir des données SRTM pour la zone de recherche a été utilisé pour générer la carte des pentes qui a été classée en cinq catégories (Figure 3(b)) : la première catégorie de <2%, représente 9%, la deuxième catégorie de 2% à 3 % représente 9%, la troisième catégorie de 3% à 4% représente 10%, la quatrième catégorie de 4% à 5% représente 10%, et la dernière catégorie de >5% représente 62% de l'ensemble de la zone. (3) Texture du sol : la catégorie de texture du sol est déterminée par le pourcentage d'argile, de limon et de sable, qui affecte le taux d'infiltration et le ruissellement de surface. Les sols à texture moyenne et fine sont généralement plus adaptés à la RWH en raison de leur meilleure rétention d'eau. Étant donné la faible perméabilité de l'argile et sa capacité à retenir l'eau récoltée, les sites à sol argileux se sont avérés les meilleurs pour le stockage de l'eau [58]. Par conséquent, la texture du sol est un facteur critique pour la sélection des sites pour l'EPF. Une carte des sols a été générée à partir d'échantillons de sol prélevés sur 23 sites de la zone d'étude à l'aide d'une tarière, à des profondeurs allant de 20 à 40 cm. Les distributions granulométriques ont été utilisées pour classer les échantillons de sol selon la méthode USGS de classification de texture. L'outil d'analyse spatiale avec plate-forme SIG a été utilisé pour développer la carte des sols (Figure 3(c)). Une grande partie de la zone d'étude est recouverte de loam argilo-sableux, ce qui représente un sol fertile lorsque l'eau est disponible. Comme le montre la figure 3(c), la carte des sols a été classée en cinq classes, c'est-à-dire que la première catégorie (sable limoneux) représente 30 %, la deuxième catégorie (loam argilo-sableux) représente 59 %, la troisième catégorie (argile limoneuse loam) représente 5 %, la quatrième catégorie (loam argileux) représente 3 % et la dernière catégorie (loam) représente 3 % de la superficie totale. (4) L'occupation des sols (LULC) : Kahinda et al. [59] ont trouvé qu'une végétation plus dense représente les taux d'infiltration les plus élevés et le ruissellement plus faible. La carte d'utilisation/couverture des terres a été extraite de l'image satellite Landsat 8 prise en juin 2019. L'utilisation/couverture des terres, à la suite d'une classification supervisée, a catégorisé la zone d'étude en trois catégories principales consistant en : herbe et végétation (17 %), résidentielles (2 %) et terres stériles (81 %) (figure 3(d)). (5) Distance des terres irriguées : il est crucial que les sites de la structure RWH soient proches de la zone cultivable [21]. Par conséquent, la distance des terres irriguées a été adoptée dans cette étude. Le NDVI a été utilisé pour identifier la zone verte (végétation en croissance irriguée/activité). Une carte du couvert végétal a été dérivée de l'image satellite Landsat 8 prise en avril 2019. Le couvert végétal représente 25 % de l'ensemble de la zone d'étude (Figure 3(e)). (6) Distance des routes : les routes ont une importance socio-économique considérable pour la population de la zone dans la région d'étude en fournissant un accès à l'eau et à l'herbe pour leur bétail. Les routes existantes à proximité du site proposé contribuent à réduire les coûts de transport. Les gens, là-bas, peuvent conduire leurs camions et camions-citernes sur ces routes d'un endroit à un autre. La distance de la route a été classée en quatre classes 250 à 500, 500 à 1 000, 1 000 à 2 000 et >2 000 m (Figure 3(f)). Les moins de 250 m ne recommandaient pas d'interdire toute incohérence future entre la structure RWH et les routes [50]. Une carte de ce paramètre a été obtenue, sur la base des zones tampons adoptées dans le tableau 1, à partir d'images Landsat 8 prises en juin 2019.

4.2.2. Opération de superposition booléenne

La méthode de superposition booléenne sépare l'opération de sélection de site en fonction de l'utilisation (le OU) ou (le ET), elle est croustillante (faux ou vrai) et elle est limitée à un petit emplacement discret. De nombreux chercheurs [15, 60] ont adopté cette approche. L'approche de superposition booléenne est une méthode importante pour éliminer une zone spécifique identifiée par la méthode WLC. L'ordre du flux et la distance des failles sont adoptés dans cette méthode. Les détails des deux critères sont discutés comme suit (Figure 4) : (1) Distance des failles : les failles sont un obstacle majeur lors de la détermination d'un système RWH. L'emplacement des failles est déterminé par l'utilisation d'une carte géologique disponible de la zone de recherche. L'exclusion de la zone de faille des sites adoptés est critique lors de l'identification d'un site pour la RWH [46]. Par conséquent, une valeur de 0 est attribuée aux zones situées à une distance de 1 000 m ou moins de la zone de faille, tandis qu'une valeur de 1 est attribuée aux zones situées à plus de 1 000 m (Figure 4(a)). (2) Ordre des cours d'eau : l'ordre des cours d'eau signifie le lien hiérarchique entre les sections de cours d'eau et permet la catégorisation des bassins versants de drainage selon leur taille. L'adéquation de la RWH dépend fortement de la densité de l'oued, et les régions très denses sont les plus appropriées. L'analyse de l'ordre des cours d'eau est très importante pour la sélection du site pour la RWH. Un ordre des cours d'eau inférieur a une infiltration et une perméabilité plus élevées. Un ordre de flux supérieur à un quatrième ordre reçoit la valeur 1, tandis qu'un ordre de flux inférieur à un tiers reçoit la valeur 0 dans cette étude [52]. La carte thématique de l'ordre des cours d'eau est classée comme très faible (2), faible (3), modérée (4), élevée (5) et très élevée (6). Un ordre de cours d'eau supérieur (sixième) a été montré dans la partie nord-est avec une longueur totale de 214,7 km la longueur totale du cinquième ordre est de 152,2 km la longueur totale du quatrième ordre est de 296,4 km la longueur totale du troisième ordre est de 643 km (Figure 4(b)).

4.3. Développement de sites potentiels pour la récupération des eaux de pluie

Pour identifier les sites possibles pour RWH, la base de données SIG vectorielle et raster a été établie à l'aide de Model Builder dans ArcGIS 10.2. Une fois ce processus terminé, des cartes d'aptitude ont été élaborées. Les zones appropriées pour RWH ont été déterminées en redimensionnant toutes les couches de critères WLC, c'est-à-dire la pente, les précipitations et le ruissellement, l'utilisation/la couverture des terres, la texture du sol, la distance des terres irriguées et la distance des routes et en les combinant par un outil d'analyse spatiale avec le plate-forme d'ArcGIS 10.2. Des outils d'analyse spatiale avec des calculateurs raster ont été utilisés dans la plate-forme ArcGIS pour les critères booléens, c'est-à-dire l'ordre des cours d'eau et la distance aux failles pour obtenir les sites avec des valeurs de 1 qui convenaient pour RWH. Par la suite, l'aptitude des terres des méthodes WLC et booléennes combinées a été catégorisée en fonction du NDVI et du LDI pour déterminer les zones qui devraient être considérées en premier et qui étaient les plus appropriées pour les structures RWH.

5. Résultats et discussion

L'application du NDVI est un outil efficace pour quantifier le risque et surveiller les changements de désertification, qui incluent l'impact de diverses conditions atmosphériques sur la végétation, et la surveillance de la sécheresse. La méthode de découpage de la densité a été utilisée pour classer le changement de NDVI de 1999 à 2013. Les résultats montrent que la zone avec un changement significatif de NDVI est de 6 981 km 2 , ce qui représente 82 % de la zone d'étude totale, tandis que la zone avec un faible changement du NDVI est de 1 532 km 2 , ce qui représente 18 % de la zone d'étude totale. Le taux de dégradation du couvert végétal a atteint 18 % en moins de 15 ans. Par conséquent, le pourcentage de terres classées comme non végétalisées a augmenté et devrait s'accélérer en raison du phénomène de désertification dans la région d'étude (Figure 5).

Outre le NDVI, le LDI pourrait également être utilisé pour améliorer et prouver davantage le phénomène de désertification dans la zone d'étude. Les résultats des changements de LDI ont été principalement classés comme une dégradation extrême (766 km 2 , représente 9 %), une forte dégradation (5363 km 2 , représente 63 %), suivie d'une dégradation modérée (2299 km 2 , représente 27 %), et aucune dégradation (85 km 2 , représente 1 %) pour la période de 1999 à 2013 (Figure 6). L'évolution de la dégradation des terres s'est accentuée en raison du phénomène de désertification dans la région d'étude.

À la suite de l'analyse NDVI et LDI, le pourcentage de terres classées comme non végétalisées a augmenté et devrait s'accélérer en raison du phénomène de désertification dans la région d'étude. Par conséquent, RWH est un élément important pour minimiser le risque de désertification. Cette étude visait à simplifier le processus de détermination des sites appropriés sur la base d'une combinaison de la méthode WLC et de la superposition booléenne pour ordonner la zone alternative selon les favoris en ce qui concerne les critères de valorisation. Après avoir déterminé les propriétés des bassins versants à l'étape du SIG, les sites d'aptitude à la RWH ont été déterminés à l'aide d'une évaluation multicritères pour six critères, à savoir la profondeur de ruissellement, la texture du sol, la pente, l'utilisation des terres (LULC), la distance des routes et la distance des terres irriguées, adoptées dans l'étape WLC. Toutes les couches des critères ont été combinées dans le calculateur raster pour obtenir une carte définitive des critères WLC (Figure 7). La carte des résultats montre que la valeur maximale calculée par la méthode WLC est de 46, tandis que la valeur minimale est de 16. Les différences entre la valeur maximale et minimale de la méthode WLC peuvent être divisées en trois classes. Pour ce travail dans la zone d'étude, les valeurs comprises entre 36 et 46 représentent une zone appropriée (16 %), les valeurs comprises entre 26 et 36 représentent des zones modérément appropriées (60 %) et les valeurs comprises entre 16 et 26 représentent des zones non adaptées (24 %) pour l'ensemble de la zone d'étude (Figure 7). La carte des critères WLC montre que la zone la plus en aval de la zone d'étude est propice à la RWH. La principale texture du sol dans les régions appropriées était l'argile, le loam argileux et le loam argileux limoneux, et était cultivé de manière intensive. De plus, les régions propices à la RWH présentaient une diversité de profondeur de ruissellement comprise entre 30 et 40 mm et des pentes variant entre 2% et 4%. La carte des résultats est en accord avec les études d'Adham et al. et Mbilinyi et al. [20, 58]. Ces études ont démontré que les zones avec des pentes fines à modérées incorporées avec de l'argile et du loam argileux étaient appropriées pour la RWH.

Dans le désert occidental de l'Irak, la rareté des ressources en eau de surface et le coût élevé des investissements dans les eaux souterraines en raison de la profondeur de 200 m dans certaines régions, nécessitent une gestion particulière et efficace des ressources en eau [9, 21]. Un barrage en terre est une méthode pour conserver l'eau de pluie pendant les périodes pluvieuses pour une utilisation pendant les périodes sèches, et il est considéré comme un moyen efficace pour développer un approvisionnement en eau durable en Irak. Par conséquent, la méthode de superposition booléenne a été utilisée pour limiter les sites potentiels pour la RWH dans l'ensemble du réseau de drainage saisonnier. Sur la base des failles réparties dans l'ensemble de la zone d'étude et de l'ordre des cours d'eau, une carte de constatation de la superposition booléenne a été générée, comme illustré à la figure 8. Il s'agit d'une méthode importante pour exclure certaines zones identifiées par le processus WLC.Les résultats de la superposition booléenne, pour laquelle la valeur 1 représente 35% et la valeur 0 représente 65%, montrent que le potentiel très élevé pour les sites RWH représente le cours d'eau le plus élevé (sixième ordre), ce qui a été montré dans l'exutoire du bassin versant de la zone d'étude.

La carte des résultats des critères WLC et les critères booléens excessifs ont été multipliés pour produire la carte raster finale (Figure 9). La carte résultante comprenait trois unités qui ont été utilisées comme marqueurs pour les sites possibles de CEP en raison de leur adéquation : convenable, modéré et inapproprié. Ces unités signifiaient que seulement 2 % du bassin versant est convenable, 24 % du bassin versant est modérément convenable et 74 % du bassin versant n'est pas approprié.

Selon l'analyse des sites potentiels pour la RWH dans le bassin versant avec les changements de NDVI et LDI, il a été démontré que 65% des sites hautement appropriés sont dans des zones avec un grand changement de NDVI, et 35% des sites hautement appropriés sont dans zones avec un petit changement de NDVI, tandis que 90 % des sites modérément appropriés sont dans des zones avec un grand changement de NDVI, et 10 % des sites modérément appropriés sont dans des zones avec un petit changement de NDVI, 85 % des sites hautement appropriés sont dans des zones avec un changement modéré de LDI, 12% des sites hautement appropriés sont dans des zones avec un grand changement, et seulement 3% des sites hautement appropriés sont dans des zones sans changement.

En comparaison avec la littérature, l'adaptation des méthodes WLC et booléennes dans l'environnement SIG et l'analyse du NDVI avec les changements LDI peuvent permettre aux hydrologues, aux décideurs et aux planificateurs de déterminer rapidement et de minimiser le risque de désertification et de prioriser pour déterminer sites appropriés pour RWH. De plus, cette méthodologie peut aider les décideurs et les planificateurs à estimer le risque potentiel de désertification, à identifier les zones les plus vulnérables et à déterminer les sites les plus appropriés pour la CEP.

6. Conclusion

Il est très difficile de revitaliser une région qui a une forte probabilité de souffrir d'une désertification partielle ou totale. Par conséquent, il est plus efficace et économique de protéger la terre avant sa dégradation et de minimiser les impacts négatifs de la désertification. Cela peut être fait de plusieurs manières, notamment en maintenant les ressources en eau, en exportant ces ressources et en utilisant des méthodes technologiquement avancées pour les protéger d'une perte totale.

Cette étude s'est concentrée sur l'utilisation de la RS avec le SIG pour minimiser la désertification dans le désert occidental de l'Irak, en tenant compte des conditions existantes de dégradation des sols et des sites possibles estimés pour la RWH. Les résultats montrent que les changements de LDI avec des dégradations extrêmes, fortes et modérées ont augmenté de 9 %, 63 % et 27 %, respectivement, pour la période 1999 à 2013. soit 82% de la zone d'étude totale, tandis que les zones avec un changement marginal de NDVI étaient de 1 532 km 2 (18% de l'ensemble de la zone d'étude). Le taux de dégradation du couvert végétal a atteint 18 % en moins de 15 ans. Les résultats de la carte combinée d'aptitude à la collecte des eaux de pluie et des cartes des changements de végétation et de dégradation ont révélé que 65% des sites hautement appropriés se trouvent dans des zones avec un grand changement de NDVI, et 35% des sites hautement appropriés sont dans des zones avec un petit changement de NDVI. NDVI, tandis que 90 % des sites modérément adaptés se trouvent dans des zones avec un grand changement de NDVI et 10 % des sites modérément adaptés se trouvent dans des zones avec un faible changement de NDVI. De plus, 85 % des sites hautement adaptés se trouvent dans des zones à changement modéré LDI, 12 % des sites hautement adaptés se trouvent dans des zones à fort changement et seulement 3 % des sites hautement adaptés se trouvent dans des zones sans changement.

La carte d'adéquation est utile aux décideurs et aux hydrologues pour une référence et une détermination rapides du risque potentiel de désertification, ainsi que l'identification de sites appropriés pour la RWH afin de minimiser le risque de désertification. La méthode proposée est efficace en termes de temps et de coût, en particulier pour les zones d'étude d'étendue où la disponibilité des données est rare. La validation de cette approche a été prouvée en utilisant la nature et les caractéristiques de la zone d'étude.

Disponibilité des données

Les données sont incluses dans le manuscrit.

Les conflits d'intérêts

Les auteurs déclarent n'avoir aucun conflit d'intérêts.

Contributions des auteurs

KNS, SOS, NA, AHK, NSM et JA étaient responsables de la conceptualisation, KNS, SOS, NA, AHK, NSM et JA ont été impliqués dans la curation des données KNS, SOS, NA, AHK, NSM et JA ont aidé à l'analyse formelle KNS, SOS, NA, AHK, NSM et JA ont enquêté sur l'étude KNS, SOS, NA, AHK, NSM et JA ont fourni la méthodologie NA a réalisé l'administration du projet KNS, SOS, NA, AHK, NSM et JA ont contribué aux ressources KNS , SOS, NA, AHK, NSM et JA ont validé l'étude, KNS, SOS, NA, AHK, NSM et JA étaient responsables de la visualisation KNS, SOS, NA, AHK, NSM et JA ont rédigé le brouillon original, KNS, SOS, NA, AHK, NSM et JA ont revu et édité le manuscrit. Tous les auteurs ont lu et accepté la version publiée du manuscrit.

Les références

  1. N. Zeng et J. Yoon, « Expansion des déserts du monde due à la rétroaction de la végétation et de l'albédo sous le réchauffement climatique », Lettres de recherche géophysique, vol. 36, non. 17, numéro d'article L17401, 2009. Afficher sur : Site de l'éditeur | Google Scholar
  2. W. C. Futrell, « Conférence des Nations Unies sur l'environnement et le développement », dans Politique verte : un guide de A à Z, SAGE Publications, Inc., Thousand Oaks, CA, USA, 1992. Voir sur : Google Scholar
  3. M. d'Angelo, G. Enne, S. Madrau et L. Percich, « Atténuer la dégradation des terres dans les systèmes agro-sylvo-pastoraux méditerranéens : une approche basée sur les SIG » Catena, vol. 40, non. 1, pp. 37–49, 2000. Voir sur : Site de l'éditeur | Google Scholar
  4. Convention des Nations Unies pour lutter contre la désertification dans les pays connaissant de graves sécheresses et/ou désertification, en particulier en Afrique, ONU, p. 1 v. (paginations diverses), 1994.
  5. S. O. Sulaiman, N. Al-Ansari, A. Shahadha, R. Ismaeel et S. Mohammad, « Évaluation des équations empiriques du transport des sédiments : étude de cas du fleuve Euphrate à l'ouest de l'Irak », Revue arabe des géosciences, vol. 14, non. 10, pp. 1-11, 2021. Voir sur : Site de l'éditeur | Google Scholar
  6. J. C. Katyal et P. L. G. Vlek, « Désertification : concept, causes et amélioration », Bonn, vol. 33, 2000. Voir sur : Site de l'éditeur | Google Scholar
  7. J. P. Chauzy et G. Appave, « Communiquer efficacement sur les migrations, OIM World migration report », dans Reportage aux frontières méridionales : journalisme et débats publics sur l'immigration aux États-Unis et dans l'UE, Routledge Studies in Global Information, Londres, Royaume-Uni, 2012. Voir sur : Google Scholar
  8. N. Al-Ansari, M. Ezz-Aldeen, S. Knutsson et S. Zakaria, « Récolte de l'eau et optimisation des réservoirs dans certaines zones de la montagne du sud de Sinjar, en Irak », Journal de génie hydrologique, vol. 18, non. 12, pp. 1607–1616, 2013. Voir sur : Site de l'éditeur | Google Scholar
  9. S. O. Sulaiman, A. H. Kamel, K. N. Sayl et M. Y. Alfadhel, « Gestion et durabilité des ressources en eau sur le désert occidental d'Irak », Sciences de la Terre environnementales, vol. 78, non. 16, p. 495, 2019. Voir sur : Site de l'éditeur | Google Scholar
  10. A. Agarwal et S. Narain, « Faire de la gestion de l'eau l'affaire de tous : collecte de l'eau et développement rural en Inde », Gatekeeper Ser., non. 87, Institut international pour l'environnement et le développement, Londres, Royaume-Uni, 1999. Voir sur : Google Scholar
  11. S. Kolekar, S. Chauhan, H. Raavi, D. Gupta et V. Chauhan, "Site selection of water conservation mesures by using RS and GIS: a review," Avancées en sciences et technologies informatiques, vol. 10, non. 5, pp. 805-813, 2017. Voir sur : Google Scholar
  12. K. N. Sayl, N. S. Muhammad, Z. M. Yaseen et A. El-shafie, « Estimation des variables physiques du système de collecte des eaux de pluie à l'aide d'une approche intégrée de télédétection basée sur le SIG », Gestion des ressources en eau, vol. 30, non. 9, pp. 3299–3313, 2016. Voir sur : Site de l'éditeur | Google Scholar
  13. S. O. Sulaiman, G. Al-Dulaimi et H. Al Thamiry, « Simulation du coefficient de dispersion longitudinale des rivières naturelles à l'aide d'un modèle informatique souple hybride », dans Actes de la 11e Conférence internationale 2018 sur les développements en ingénierie des systèmes électroniques (DeSE), pp. 280-283, Cambridge, Royaume-Uni, septembre 2018. Voir sur : Google Scholar
  14. M. Mekonnen, A. M. Melesse et S. D. Keesstra, « Estimation du ruissellement spatial et cartographie des sites potentiels de collecte d'eau : une perspective SIG et télédétection, nord-ouest de l'Éthiopie », dans Dynamique du paysage, sols et processus hydrologiques dans des climats variés, A. M. Melesse et W. Abtew, Eds., Springer International Publishing, Berlin, Allemagne, 2016, Springer Geography. Voir sur : Google Scholar
  15. K. N. Sayl, N. S. Muhammad et A. El-Shafie, « Approche robuste pour un positionnement optimal et un classement des structures potentielles de collecte des eaux de pluie (RWH) : une étude de cas de l'Irak » Revue arabe des géosciences, vol. 10, non. 18, numéro d'article 413, 2017. Voir sur : Site de l'éditeur | Google Scholar
  16. A. B. A. Najm, I. M. Abdulhameed et S. O. Sulaiman, « Exigences en eau des cultures sous diverses approches du coefficient kc en utilisant l'évaluation et la planification de l'eau (WEAP) » International Journal of Design & Nature et Écodynamique, vol. 15, non. 5, pp. 739-748, 2020. Voir sur : Site de l'éditeur | Google Scholar
  17. M. G. Kumar, A. K. Agarwal et R. Bali, « Délimitation de sites potentiels pour les structures de collecte d'eau à l'aide de la télédétection et du SIG », Journal de la Société indienne de télédétection, vol. 36, non. 4, pp. 323–334, 2008. Voir sur : Site de l'éditeur | Google Scholar
  18. A. S. Mustafa, S. O. Sulaiman et O. M. Hussein, « Application du modèle SWAT pour les charges sédimentaires des vallées transmises au réservoir de haditha » Journal de l'ingénierie, vol. 22, non. 1, pp. 184-197, 2016. Voir sur : Google Scholar
  19. A. K. Kadam, S. S. Kale, N. N. Pande, N. J. Pawar et R. N. Sankhua, « Identification des sites potentiels de collecte d'eau de pluie d'une région basaltique semi-aride de l'ouest de l'Inde, à l'aide de la méthode SCS-CN » Gestion des ressources en eau, vol. 26, non. 9, pp. 2537-2554, 2012. Voir sur : Site de l'éditeur | Google Scholar
  20. A. Adham, K. N. Sayl, R. Abed et al., « Une approche basée sur le SIG pour identifier des sites potentiels pour la récolte d'eau de pluie dans le désert occidental d'Irak » Recherche internationale sur la conservation des sols et de l'eau, vol. 6, non. 4, pp. 297–304, 2018. Voir sur : Site de l'éditeur | Google Scholar
  21. K. Sayl, A. Adham et C. J. Ritsema, « Une analyse multicritères basée sur un SIG dans la modélisation de sites optimaux pour la collecte des eaux de pluie », Hydrologie, vol. 7, non. 3, numéro d'article 51, 2020. Voir sur : Site de l'éditeur | Google Scholar
  22. A. Ammar, M. Riksen, M. Ouessar et C. Ritsema, « Identification des sites appropriés pour les structures de collecte des eaux de pluie dans les régions arides et semi-arides : une revue » Recherche internationale sur la conservation des sols et de l'eau, vol. 4, non. 2, pp. 108-120, 2016. Voir sur : Site de l'éditeur | Google Scholar
  23. A. Pandey, V. M. Chowdary, B. C. Mal et P. P. Dabral, « Télédétection et SIG pour l'identification de sites appropriés pour les structures de conservation des sols et de l'eau », Dégradation des terres et développement de l'amp, vol. 22, non. 3, pp. 359-372, 2011. Voir sur : Site de l'éditeur | Google Scholar
  24. K. N. Sayl, N. S. Muhammad et A. El-Shafie, « Optimisation de la courbe surface-volume-élévation à l'aide de la méthode GIS-SRTM pour la collecte des eaux de pluie dans les zones arides » Sciences de la Terre environnementales, vol. 76, non. 10, p. 368, 2017. Voir sur : Site de l'éditeur | Google Scholar
  25. G. Modica, F. Solano, A. Merlino et al., « Utilisation de l'imagerie landsat 8 pour la détection du chêne-liège (Quercus suber L.) forêts : une étude de cas en Calabre (Italie) », Revue de génie agricole, vol. 47, non. 4, pp. 205–215, 2016. Voir sur : Site de l'éditeur | Google Scholar
  26. E. Ozelkan, G. Chen et B. B. Ustundag, « Surveillance et comparaison de la sécheresse basées sur des objets à plusieurs échelles dans l'agriculture pluviale et irriguée à partir de l'imagerie Landsat 8 OLI » Revue internationale d'observation appliquée de la Terre et de géoinformation, vol. 44, pp. 159-170, 2016. Voir sur : Site de l'éditeur | Google Scholar
  27. V. Soufflet, D. Tanré, A. Begue, A. Podaire et P. Y. Deschamps, « Atmospheric effects on NOAA AVHRR data over Sahelian regions », Revue internationale de télédétection, vol. 12, non. 6, pp. 1189-1203, 1991. Voir sur : Site de l'éditeur | Google Scholar
  28. J. R. G. Townshend et C. O. Justice, « Variabilité spatiale des images et surveillance des changements dans l'indice de végétation par différence normalisée », Revue internationale de télédétection, vol. 16, non. 12, pp. 2187-2195, 1995. Voir sur : Site de l'éditeur | Google Scholar
  29. J. M. Paruelo, M. F. Garbulsky, J. P. Guerschman et E. G. Jobbágy, « Deux décennies de changements normalisés de l'indice de végétation par différence en Amérique du Sud : identifier l'empreinte du changement global » Revue internationale de télédétection, vol. 25, non. 14, pp. 2793–2806, 2004. Voir sur : Site de l'éditeur | Google Scholar
  30. Z. Wan, P. Wang et X. Li, « Utilisation de la température de surface des terres MODIS et des produits d'indice de végétation par différence normalisée pour surveiller la sécheresse dans les grandes plaines du sud, aux États-Unis » Revue internationale de télédétection, vol. 25, non. 1, pp. 61-72, 2004. Voir sur : Site de l'éditeur | Google Scholar
  31. V. K. Boken et C. F. Shaykewich, « Amélioration d'un modèle de rendement du blé opérationnel à l'aide d'un indice de végétation par différence normalisé basé sur la phase phénologique », Revue internationale de télédétection, vol. 23, non. 20, pp. 4155–4168, 2002. Voir sur : Site de l'éditeur | Google Scholar
  32. R. Becerril-Piña, C. Díaz-Delgado, C. A. Mastachi-Loza et E. González-Sosa, « Intégration des techniques de télédétection pour la surveillance de la désertification au Mexique », Évaluation des risques humains et écologiques : une revue internationale, vol. 22, non. 6, pp. 1323–1340, 2016. Voir sur : Site de l'éditeur | Google Scholar
  33. J. Tomasella, R. M. Silva Pinto Vieira, A. A. Barbosa, D. A. Rodriguez, M. d. Oliveira Santana et M. F. Sestini, « Tendances de la désertification dans le nord-est du Brésil au cours de la période 2000-2016 », Revue internationale d'observation appliquée de la Terre et de géoinformation, vol. 73, pp. 197-206, 2018. Voir sur : Site de l'éditeur | Google Scholar
  34. M. Dagnachew, A. Kebede, A. Moges et A. Abebe, « Effets de la variabilité climatique sur l'indice de végétation par différence normalisée (NDVI) dans le bassin versant de la rivière Gojeb, bassin d'omo-gibe, Éthiopie » Avancées en météorologie, vol. 2020, p. 16, 2020. Voir à : Site de l'éditeur | Google Scholar
  35. X. Zhang, Y. Yamaguchi, F. Li, B. He et Y. Chen. Avancées en météorologie, vol. 2017, p. 9, 2017. Voir sur : Site de l'éditeur | Google Scholar
  36. J. Wright, T. M. Lillesand et R. W. Kiefer, « Remote sensing and image interpreting », Le Journal de Géographie, vol. 146, non. 3, pp. 448-449, 1980. Voir sur : Site de l'éditeur | Google Scholar
  37. Y. Yue, M. Li, A.-x. Zhu et al., « Surveillance de la dégradation des terres sur le plateau d'Ordos en Chine à l'aide d'une expertise et d'une approche basée sur BP-ANN », Durabilité, vol. 8, non. 11, numéro d'article 1174, 2016. Voir sur : Site de l'éditeur | Google Scholar
  38. A. M. Fadhil, « Détection de la dégradation des terres à l'aide de la technologie de géo-information pour certains sites en Irak », J. Al-Journal des sciences de l'Université Al-Nahrain, vol. 12, non. 3, pp. 94–108, 2009. Afficher sur : Site de l'éditeur | Google Scholar
  39. R. Halbac-Cotoara-Zamfir, D. Smiraglia, G. Quaranta, R. Salvia, L. Salvati et A. Giménez-Morera, « Land dégradation and mitigation policies in the mediterranean region: a brief commenty », Durabilité, vol. 12, non. 20, ID d'article 8313, 2020. Voir sur : Site de l'éditeur | Google Scholar
  40. B. Meng, J. Ge, T. Liang et al., « Evaluation de l'erreur d'inversion de télédétection pour la biomasse aérienne des prairies alpines sur la base de données satellitaires multi-sources » Télédétection, vol. 9, non. 4, numéro d'article 372, 2017. Voir sur : Site de l'éditeur | Google Scholar
  41. J. Malczewski, « Analyse de l'adéquation de l'utilisation des terres basée sur le SIG : un aperçu critique », Progrès dans la planification, vol. 62, non. 1, pp. 3-65, 2004. Voir sur : Site de l'éditeur | Google Scholar
  42. D.I. Heywood, S.C. Cornelius et S.J. Carver, Une introduction aux systèmes d'information géographique, Pearson Prentice Hall, Londres, Royaume-Uni, 2011.
  43. J.R. Eastman, Idrisi pour Windows : Guide de l'utilisateur : Version 2.0, Clark University, Département de géographie, Worcester, MA, États-Unis, 1997.
  44. A. Yalcin, "Carte de sensibilité aux glissements de terrain basée sur SIG utilisant un processus de hiérarchie analytique et des statistiques bivariées à Ardesen (Turquie): comparaisons de résultats et de confirmations", Catena, vol. 72, non. 1, pp. 1-12, 2008. Voir sur : Site de l'éditeur | Google Scholar
  45. S. M. J. Baban et K. Wan-Yusof, « Modélisation de sites optimaux pour la localisation de réservoirs en milieu tropical », Gestion des ressources en eau, vol. 17, non. 1, pp. 1-17, 2003. Voir sur : Site de l'éditeur | Google Scholar
  46. R. Al-Adamat, A. Diabat et G. Shatnawi, « Combiner le SIG avec la prise de décision multicritère pour l'emplacement des bassins de collecte d'eau dans le nord de la Jordanie », Journal des environnements arides, vol. 74, non. 11, pp. 1471-1477, 2010. Afficher sur : Site de l'éditeur | Google Scholar
  47. H. Q. Hashim et K. N. Sayl, « Détection de sites appropriés pour la planification de la collecte des eaux de pluie dans une région aride à l'aide d'un système d'information géographique », Géomatique appliquée, vol. 13, non. 2, pp. 235-248, 2020. Voir sur : Site de l'éditeur | Google Scholar
  48. K. N. Sayl, A. S. Mohammed et A. D. Ahmed, « Approche basée sur le SIG pour la sélection du site de collecte des eaux de pluie », Série de conférences IOP : Science et génie des matériaux, vol. 737, non. 1, numéro d'article 012246, 2020. Voir sur : Site de l'éditeur | Google Scholar
  49. M. A. Khudhair, K. N. Sayl et Y. Darama, « Sélection de site pour la structure de collecte des eaux de pluie à l'aide de la télédétection et du SIG », Série de conférences IOP : Science et génie des matériaux, vol. 881, non. 1, numéro d'article 012170, 2020. Voir sur : Site de l'éditeur | Google Scholar
  50. R. Al-Adamat, S. Al-Ayyash, H. Al-Amoush et al., « La combinaison des connaissances autochtones et de la géo-informatique pour le site de collecte de l'eau dans la badia jordanienne » Journal du Système d'Information Géographique, vol. 4, non. 4, pp. 366-376, 2012. Voir sur : Site de l'éditeur | Google Scholar
  51. V.K.Rana et T. M. V. Suryanarayana, « Méthode de prise de décision multicritères basée sur le SIG pour identifier les zones de stockage potentielles des eaux de ruissellement dans le bassin versant », Annales du SIG, vol. 26, non. 2, pp. 149-168, 2020. Voir sur : Site de l'éditeur | Google Scholar
  52. K. N. Sayl, N. S. Muhammad et A. El-Shafie, « Identification des sites potentiels pour la collecte des eaux de ruissellement », Actes de l'Institution des Ingénieurs Civils-Gestion de l'Eau, vol. 172, non. 3, pp. 135-148, 2019. Voir sur : Site de l'éditeur | Google Scholar
  53. A. S. Muneer, K. N. Sayl et A. H. Kamel, "Modélisation du ruissellement dans les régions arides à l'aide de la télédétection et du système d'information géographique (SIG)", International Journal of Design & Nature et Écodynamique, vol. 15, non. 5, pp. 691–700, 2020. Voir sur : Site de l'éditeur | Google Scholar
  54. H. Q. Hashim et K. N. Sayl, « L'application du modèle de réseau à base radiale, du SIG et de la reconnaissance de bande de réflectance spectrale pour le calcul du ruissellement » International Journal of Design & Nature et Écodynamique, vol. 15, non. 3, pp. 441-447, 2020. Voir sur : Site de l'éditeur | Google Scholar
  55. A. M. Melesse et S. F. Shih, « Estimation de la profondeur des eaux de ruissellement distribuée dans l'espace à l'aide d'images Landsat et d'un SIG », Informatique et électronique dans l'agriculture, vol. 37, non. 1–3, pp. 173–183, 2002. Voir sur : Site de l'éditeur | Google Scholar
  56. J. Krois et A. Schulte, « Évaluation multicritères basée sur le SIG pour identifier des sites potentiels pour les techniques de conservation des sols et de l'eau dans le bassin versant de ronquillo, au nord du Pérou » Géographie appliquée, vol. 51, pp. 131-142, 2014. Voir sur : Site de l'éditeur | Google Scholar
  57. W. Critchley, K. Siegert et C. Chapman, Récolte de l'eau, FAO, Rome, Italie, 1991, https://www.fao.org/docrep/U3160E/u3160e00.HTM.
  58. B. P. Mbilinyi, S. D. Tumbo, H. F. Mahoo et F. O. Mkiramwinyi, « Système d'aide à la décision basé sur le SIG pour identifier les sites potentiels pour la collecte des eaux de pluie », Physique et Chimie de la Terre, Parties A/B/C, vol. 32, non. 15–18, pp. 1074–1081, 2007. Voir sur : Site de l'éditeur | Google Scholar
  59. J. M. Kahinda, E. S. B. Lillie, A. E. Taigbenu, M. Taute et R. J. Boroto, « Developing suitability maps for rainwater Harvesting in South Africa » Physique et Chimie de la Terre, Parties A/B/C, vol. 33, non. 8–13, pp. 788–799, 2008. Voir sur : Site de l'éditeur | Google Scholar
  60. I. A. Alwan, N. A. Aziz et M. N. Hamoodi, « Identification potentielle des sites de collecte d'eau à l'aide d'une évaluation spatiale multicritères dans la province de Maysan, en Irak » ISPRS Journal International de Géo-Information, vol. 9, non. 4, ID d'article 235, 2020. Voir sur : Site de l'éditeur | Google Scholar

Droits d'auteur

Copyright © 2021 Khamis Naba Sayl et al. Il s'agit d'un article en libre accès distribué sous la licence Creative Commons Attribution, qui permet une utilisation, une distribution et une reproduction sans restriction sur n'importe quel support, à condition que l'œuvre originale soit correctement citée.


Syntaxe de script

HDFSDSToArcGISRaster_GeoEco (inputFile, outputRaster, sdsName, xLowerLeftCorner, yLowerLeftCorner, cellSize, nodataValue, transpose, mirror, flip, swapHemispheres, coordinateSystem, projectedCoordinateSystem, GeographicTransformation, resamplingTechnique, projectedCellRize, registrationPoint, clippingPoint)

Au moment où cet outil a été écrit, deux versions majeures de HDF étaient en cours de développement : HDF, qui était à la version 4.2r1, et HDF5, qui était à la version 5-1.6.5. Cet outil peut traiter les fichiers HDF mais pas les fichiers HDF5. Il peut également traiter le HDF-EOS, une version spécialisée du HDF, mais pas le HDF5-EOS.

Pour plus d'informations sur les formats HDF, veuillez consulter http://www.hdfgroup.org.

Si vous fournissez un fichier compressé dans un format de compression pris en charge, il sera automatiquement décompressé. S'il s'agit d'une archive (par exemple .zip ou .tar), elle doit contenir exactement un fichier, qui ne doit pas se trouver dans un sous-répertoire.

Nom d'un ensemble de données scientifiques (SDS) dans le fichier HDF.

Si vous ne connaissez pas le nom de la FDS, fournissez votre meilleure estimation. Si une SDS n'existe pas avec ce nom, une ValueError sera levée. Le message d'erreur listera les noms de toutes les SDS présentes dans le fichier d'entrée. Sélectionnez l'un de ces noms et réessayez.

Vous pouvez également utiliser l'outil Extraire l'en-tête HDF pour vider l'en-tête HDF dans un fichier texte. Dans ce fichier, chaque FDS sera appelée une "variable". Vous pouvez trouver leurs noms en recherchant dans le fichier les valeurs "Variable Name infinity" (INF) ou "not a number" (NAN). Une ValueError sera levée si ces valeurs sont découvertes.

Le format raster ArcGIS prend en charge le type de données flottant 32 bits mais pas le type de données double 64 bits. Si vous fournissez une SDS avec le type de données double, elle sera convertie en raster flottant 32 bits à l'aide de l'outil de géotraitement ArcGIS ASCII vers raster. Le comportement de l'outil dans cette situation n'est pas documenté. Dans ArcGIS 9.1, cela semble être :

Les valeurs où l'exposant est compris entre -38 et +38 sont correctement représentées dans le raster flottant 32 bits résultant, bien qu'une certaine précision soit perdue en raison de la mantisse plus petite du type de données flottant 32 bits.

Les valeurs où l'exposant est inférieur à -38 (par exemple -39, -40, etc.) sont converties en 0.

Les valeurs où l'exposant est supérieur à +38 sont converties en -INF ou +INF, selon le signe de la valeur (par exemple -5.3083635279597874e-212 apparaît comme -1.#INF dans l'interface graphique ArcCatalog, tandis que 2.5502286890301497e+084 apparaît comme 1.#INF).

L'outil ArcGIS 9.1 ASCII vers raster présente également quelques bizarreries lors de la conversion de rasters entiers :

Pour les données entières signées 8 bits, l'outil créera un raster 16 bits si la valeur -128 apparaît, à moins que -128 ne soit désigné comme valeur NODATA. La spécification d'une valeur NODATA différente, telle que 0, génère toujours un raster de 16 bits si -128 apparaît.

De même, pour les données entières signées 16 bits, l'outil créera un raster 32 bits si la valeur -32768 apparaît dans le fichier ASCII, à moins qu'il ne soit désigné comme valeur NODATA.

Pire encore, pour les données entières signées 32 bits, l'outil signalera une erreur si la valeur -2147483648 apparaît à moins qu'elle ne soit désignée comme la valeur NODATA. Encore plus étrange, la valeur -2147483647 est toujours traduite en NODATA, quoi qu'il arrive.

Pour tous les types de données entières, l'outil produit un comportement étrange lorsque vous spécifiez une valeur NODATA qui n'est pas la plus petite valeur possible pour le type de données. Par exemple, si la plage de données de 0 à 255 et 0 est désignée comme la valeur NODATA, l'outil produit un raster d'entiers non signés de 8 bits. Mais si 1 est désigné comme valeur NODATA, il produit un raster 16 bits et ArcCatalog indique sous Propriétés du jeu de données raster que la valeur NoData est -32768, bien que l'outil Identifier affiche les cellules qui ont la valeur 1 sont en fait NODATA. Des résultats étranges similaires peuvent être obtenus pour des rasters d'entiers d'autres types de données, lorsque vous désignez un NODATA qui n'est pas la plus petite valeur possible.

Coordonnée X du coin inférieur gauche du raster.

La coordonnée correspond au coin de la cellule en bas à gauche, pas au centre de cette cellule. Par exemple, si le raster est une projection géographique de la Terre entière, la coordonnée du coin inférieur gauche serait -180,0, correspondant à une longitude de 180 degrés Ouest.

Coordonnée Y du coin inférieur gauche du raster.

La coordonnée correspond au coin de la cellule en bas à gauche, pas au centre de cette cellule. Par exemple, si le raster est une projection géographique de la Terre entière, la coordonnée du coin inférieur gauche serait -90,0, correspondant à une latitude de 90 degrés Sud.

Par exemple, si le raster est une projection géographique de la Terre entière, avec 720 colonnes et 360 lignes, il aurait une taille de cellule de 0,5, correspondant à 1/2 degré géographique.

Le format de données sous-jacent nécessite que les cellules soient carrées. Il n'est pas possible de spécifier une taille de cellule pour chaque dimension.

Valeur qui indique qu'une cellule ne contient aucune donnée.

Si True, l'image sera transposée (inversée autour de l'axe diagonal) avant la conversion. Utilisez cette option pour corriger une image dont l'axe est/ouest va de haut en bas au lieu de gauche et de droite.

Si True, l'image sera retournée autour de l'axe vertical avant la conversion. Utilisez cette option pour corriger une image qui est "l'image miroir" de ce qu'elle est censée être.

Si True, l'image sera retournée autour de l'axe horizontal avant la conversion. Utilisez cette option pour corriger une image à l'envers.

Si True, les hémisphères est et ouest de l'image seront permutés. Utilisez cette option pour changer l'orientation d'une image globale d'une orientation 0 à 360 centrée sur l'océan Pacifique à une orientation -180 à +180 centrée sur l'océan Atlantique, ou vice versa.

Système de coordonnées à définir pour le raster en sortie.

Si aucune valeur n'est fournie, le système de coordonnées du raster en sortie restera indéfini.

Nouveau système de coordonnées vers lequel projeter le raster en sortie.

Le raster ne peut être projeté dans un nouveau système de coordonnées que si la projection d'origine est définie. Une erreur sera générée si vous spécifiez un nouveau système de coordonnées sans définir le système de coordonnées d'origine.

L'outil ArcGIS Project Raster est utilisé pour effectuer la projection. La documentation de cet outil recommande de spécifier également une taille de cellule pour le nouveau système de coordonnées.

J'ai remarqué que pour certains systèmes de coordonnées, l'outil ArcGIS 9.2 Project Raster semble couper le raster projeté dans une mesure arbitraire trop petite. Par exemple, lors de la projection d'une image globale de chlorophylle MODIS Aqua de 4 km en coordonnées géographiques vers Lambert_Azimuthal_Equal_Area avec un méridien central de -60 et une latitude d'origine de -63, l'image résultante est tronquée pour ne montrer qu'un quart de la planète. Ce problème ne se produit pas lorsque Project Raster est appelé de manière interactive à partir de l'interface utilisateur d'ArcGIS, il se produit uniquement lorsque l'outil est appelé par programme (la méthode ProjectRaster_management du géoprocesseur). Ainsi, vous ne le verrez peut-être pas lorsque vous utilisez Project Raster vous-même, mais cela peut arriver lorsque vous utilisez des outils MGET qui appellent Project Raster dans le cadre de leurs opérations de géotraitement.

Si vous rencontrez ce problème, vous pouvez le contourner comme ceci :

Tout d'abord, exécutez cet outil sans spécifier de nouveau système de coordonnées, pour obtenir le raster en sortie dans le système de coordonnées d'origine.

Dans ArcCatalog, utilisez l'outil Projeter le raster pour projeter le raster dans le nouveau système de coordonnées. Vérifiez que tout le raster est présent, qu'il n'a pas été découpé dans une mesure trop petite.

Dans ArcCatalog, recherchez l'étendue du raster projeté en cliquant dessus avec le bouton droit dans l'arborescence du catalogue, en sélectionnant Propriétés et en faisant défiler jusqu'à Etendue.

Maintenant, avant d'exécuter l'outil MGET qui projette le raster, définissez le paramètre d'environnement Etendue sur les valeurs que vous avez recherchées. Si vous appelez l'outil MGET de manière interactive à partir d'ArcCatalog ou d'ArcMap, cliquez sur le bouton Environnements dans la boîte de dialogue de l'outil, ouvrez Paramètres généraux, modifiez la liste déroulante Étendue sur "Comme spécifié ci-dessous" et saisissez les valeurs que vous avez recherchées. Si vous l'invoquez à partir d'un modèle de géotraitement, cliquez avec le bouton droit sur l'outil dans le modèle, sélectionnez Créer une variable, À partir de l'environnement, Paramètres généraux, Étendue. Cela placera l'étendue en tant que variable dans votre modèle, attachée à l'outil MGET. Ouvrez la variable Etendue, remplacez-la par "Comme spécifié ci-dessous" et saisissez les valeurs que vous avez recherchées. Si vous appelez l'outil MGET par programme, vous devez définir la propriété Extent du géoprocesseur sur les valeurs que vous avez recherchées. Veuillez consulter la documentation ArcGIS pour plus d'informations à ce sujet et les paramètres d'environnement en général.

Exécutez l'outil MGET. L'étendue du raster en sortie doit maintenant être de la bonne taille.

Une méthode de transformation utilisée pour convertir entre le système de coordonnées d'origine et le nouveau système de coordonnées.

Ce paramètre est une nouvelle option introduite par ArcGIS 9.2. Vous devez disposer d'ArcGIS 9.2 pour utiliser ce paramètre.

Ce paramètre n'est nécessaire que lorsque vous spécifiez que le raster doit être projeté dans un nouveau système de coordonnées et que ce nouveau système utilise un système de référence différent du système de coordonnées d'origine, ou qu'il existe une autre différence entre les deux systèmes de coordonnées qui nécessite une transformation. Pour déterminer si une transformation est nécessaire, je recommande la procédure suivante :

Tout d'abord, exécutez cet outil sans spécifier de nouveau système de coordonnées, pour obtenir le raster en sortie dans le système de coordonnées d'origine.

Ensuite, utilisez l'outil ArcGIS 9.2 Project Raster sur le raster en sortie pour le projeter dans le système de coordonnées souhaité. Si une transformation géographique est nécessaire, cet outil vous en demandera une. Notez le nom exact de la transformation que vous avez utilisée.

Enfin, si une transformation était nécessaire, saisissez le nom exact dans cet outil, réexécutez-le et vérifiez que le raster en sortie a été projeté comme vous le souhaitez.

Algorithme de rééchantillonnage à utiliser pour projeter le raster d'origine dans un nouveau système de coordonnées. L'outil ArcGIS Project Raster est utilisé pour effectuer la projection et accepte les valeurs suivantes :

NEAREST - interpolation du voisin le plus proche

BILINAIRE - interpolation bilinéaire

Vous devez spécifier l'un de ces algorithmes pour projeter vers un nouveau système de coordonnées. Une erreur sera générée si vous spécifiez un nouveau système de coordonnées sans sélectionner d'algorithme.

La taille de cellule du système de coordonnées projeté. Bien que ce paramètre soit facultatif, pour obtenir les meilleurs résultats, la documentation ArcGIS vous recommande de toujours le spécifier lors de la projection dans un nouveau système de coordonnées.

Les coordonnées x et y (dans l'espace de sortie) utilisées pour l'alignement des pixels.

Ce paramètre est une nouvelle option introduite par ArcGIS 9.2. Vous devez disposer d'ArcGIS 9.2 pour utiliser ce paramètre. Il est ignoré si vous ne spécifiez pas que le raster doit être projeté dans un nouveau système de coordonnées.

Rectangle auquel le raster doit être découpé.

Si un système de coordonnées projetées a été spécifié, le découpage est effectué après la projection et les coordonnées du rectangle doivent être spécifiées dans le nouveau système de coordonnées. Si aucun système de coordonnées projetées n'a été spécifié, les coordonnées doivent être spécifiées dans le système de coordonnées d'origine.

L'outil ArcGIS Clip est utilisé pour effectuer le clip. Le rectangle de découpage doit être transmis à cet outil sous la forme d'une chaîne de quatre nombres séparés par des espaces. L'interface utilisateur d'ArcGIS formate automatiquement la chaîne correctement lors de l'appel de cet outil à partir de l'interface utilisateur d'ArcGIS, vous n'avez pas à vous soucier du format. Mais lorsque vous l'invoquez par programmation, veillez à fournir une chaîne correctement formatée. Les numéros sont ordonnés GAUCHE, BAS, DROITE, HAUT. Par exemple, si le raster se trouve dans un système de coordonnées géographiques, il peut être découpé à 10 W, 15 S, 20 E et 25 N avec la chaîne :

Des nombres entiers ou décimaux peuvent être fournis.

Mapper l'expression algébrique à exécuter sur le raster en sortie.

ATTENTION: Le générateur de modèle de géotraitement ArcGIS peut supprimer de manière aléatoire et silencieuse la valeur de ce paramètre. Il s'agit d'un bogue dans ArcGIS. Avant d'exécuter un modèle que vous avez enregistré, ouvrez cet outil et vérifiez que la valeur du paramètre existe toujours.

L'expression est exécutée une fois le raster converti projeté et découpé (si ces options sont spécifiées). Utilisez la chaîne inputRaster sensible à la casse pour représenter le raster sur lequel vous souhaitez maintenant effectuer une algèbre cartographique. Par exemple, pour convertir le raster en raster d'entiers et ajouter 1 à toutes les cellules, utilisez cette expression :

La chaîne inputRaster est sensible à la casse. Avant d'exécuter l'expression d'algèbre de carte, la chaîne est remplacée par le chemin d'accès à un raster temporaire qui représente le raster en sortie généré. L'expression finale doit comporter moins de 4 000 caractères, sinon ArcGIS signalera une erreur.

L'outil ArcGIS Single Output Map Algebra est utilisé pour exécuter l'expression d'algèbre cartographique. Vous devez disposer d'une licence pour l'extension ArcGIS Spatial Analyst afin d'effectuer l'algèbre cartographique.

La syntaxe de l'algèbre cartographique peut être très pointilleuse. Voici quelques conseils qui vous aideront à réussir avec cet outil :

Avant d'utiliser cet outil, créez et testez votre expression d'algèbre cartographique à l'aide de l'outil ArcGIS Single Output Map Algebra. Collez ensuite l'expression dans cet outil et modifiez-la pour utiliser la variable inputRaster plutôt que la valeur de test que vous avez utilisée avec Single Output Map Algebra.

Si vous développez votre expression directement dans cet outil, commencez par une expression très simple. Vérifiez qu'il fonctionne correctement, ajoutez-en un peu et vérifiez à nouveau. Répétez ce processus jusqu'à ce que vous ayez construit l'expression complète.

Séparez toujours les opérateurs mathématiques des chemins raster à l'aide d'espaces. Dans l'exemple ci-dessus, l'opérateur / contient un espace de chaque côté. Suivez ce modèle. Dans certaines circonstances, ArcGIS ne parviendra pas à traiter les expressions d'algèbre raster qui ne séparent pas les chemins raster des opérateurs utilisant des espaces. Le message d'erreur signalé n'indique généralement pas qu'il s'agit du problème, et le retrouver peut être très frustrant.

Si True, des pyramides seront créées pour le raster en sortie, ce qui améliorera sa vitesse d'affichage dans l'interface utilisateur d'ArcGIS. Il s'agit de la dernière étape effectuée dans le traitement de post-conversion.


FindAndConvertToArcGISRasters Méthode

Recherche des images dans les fichiers CoastWatch POES AVHRR dans un répertoire et les convertit en rasters ArcGIS.

Classer:CoastWatchAVHRR
Utilisation prévue :Recommandé pour les appelants externes
COM :Exposé en tant que méthode FindAndConvertToArcGISRasters de la classe COM GeoEco.CoastWatchAVHRR
ArcGIS :Exposé en tant qu'outil de géotraitement Rechercher des images CoastWatch et convertir en rasters ArcGIS
Type de méthode :Méthode de classe

Usage

mis à jourOutputWorkspace = CoastWatchAVHRR.FindAndConvertToArcGISRasters( inputDirectory , outputWorkspace [ , caractère générique [ , rechercheArbre [ , taille min [ , taille max [ , minDateCréé [ , maxDateCréé [ , minDateModifié [ , maxDateModified [ , variables [ , codes de région [ , satellites [ , minImageDate [ , maxDateImage [ , minDayOfYear [ , maxDayOfYear [ , scèneTimes [ , skipMaskingForGraphicsVariable [ , skipCloudMaskingForCloudVariable [ , masqueTerre [ , nuageVariable [ , sunZenithVariable [ , utilisezDayCloudTest1 [ , utilisezDayCloudTest2 [ , utilisezDayCloudTest3 [ , utilisezDayCloudTest4 [ , utilisezDayCloudTest5 [ , utilisezDayCloudTest6 [ , utilisezDayCloudTest7 [ , maskWhenDayCloudMaskExceeds [ , useNightCloudTest1 [ , useNightCloudTest2 [ , useNightCloudTest3 [ , useNightCloudTest4 [ , useNightCloudTest5 [ , useNightCloudTest6 [ , useNightCloudTest7 [ , maskWhenNightCloudMaskExceeds [ , minNuageuxVoisins [ , ProjectedCoordinateSystem [ , GéographiqueTransformation [ , technique de rééchantillonnage [ , projectedCellSize [ , point d'inscription [ , découpageRectangle [ , mapAlgèbreExpression [ , construire des pyramides [ , outputRasterPythonExpression [ , modulesÀImporter [ , sauterExistant [ , écraserExistant ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] ] )

Arguments

espace de travail de sortie

Type Python :unicode
Longueur minimale:1
Longueur maximale:255
Doit exister :Non

Espace de travail pour recevoir les rasters ArcGIS.

caractère générique

Type Python :unicode
Valeur par défaut: u'*.[CcHh][WwDd][Ff]*'
Longueur minimale:1

Expression générique "glob" de style UNIX spécifiant les fichiers CoastWatch à rechercher.

La syntaxe glob prend en charge les modèles suivants :

  • ? - correspond à n'importe quel caractère
  • * - correspond à zéro ou plusieurs caractères
  • [seq] - correspond à n'importe quel caractère dans seq
  • [!seq] - correspond à tout caractère unique qui n'est pas dans seq

seq est un ou plusieurs caractères, tels que abc. Vous pouvez spécifier des plages de caractères à l'aide d'un tiret. Par exemple, a-z0-9 spécifie tous les caractères de l'alphabet anglais et les chiffres décimaux 0 à 9.

Vous pouvez spécifier des sous-répertoires dans l'expression glob. Par exemple, l'expression CoastWatch*/2006* trouvera tous les fichiers commençant par 2006 qui sont contenus dans des répertoires commençant par CoastWatch.

Le système d'exploitation détermine si / ou est utilisé comme séparateur de répertoire. Sous Windows, les deux fonctionneront. Sur la plupart des versions d'UNIX, / doit être utilisé.

Le système d'exploitation détermine si la correspondance est sensible à la casse. Sous Windows, la correspondance est insensible à la casse. Sur la plupart des versions d'UNIX, la correspondance est sensible à la casse.

Ce n'est pas grave si votre expression correspond à des fichiers qui ne sont pas des fichiers CoastWatch. Par exemple, l'expression *.hdf peut correspondre à certains fichiers HDF non CoastWatch. Ces fichiers seront ignorés.

rechercheArbre

Type Python :bool
Valeur par défaut: Faux

Si True, les sous-répertoires seront recherchés.

taille min

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 0

Taille minimale, en octets, des fichiers à rechercher. S'il est fourni, seuls les fichiers de cette taille ou plus seront trouvés.

taille max

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 0

Taille maximale, en octets, des fichiers à rechercher. S'il est fourni, seuls les fichiers de cette taille ou moins seront trouvés.

minDateCréé

Type Python :dateheure.dateheure ou alors Rien
Valeur par défaut:Rien

Date minimale de création, dans le fuseau horaire local, des fichiers à rechercher, telle que rapportée par le système d'exploitation. S'il est fourni, seuls les fichiers créés à cette date ou après seront trouvés. Vous pouvez indiquer une date avec ou sans heure. Si vous ne fournissez pas d'heure, il est supposé qu'il est minuit.

maxDateCréé

Type Python :dateheure.dateheure ou alors Rien
Valeur par défaut:Rien

Date maximale de création, dans le fuseau horaire local, des fichiers à rechercher, telle que rapportée par le système d'exploitation. S'il est fourni, seuls les fichiers créés à ou avant cette date seront trouvés. Vous pouvez indiquer une date avec ou sans heure. Si vous ne fournissez pas d'heure, il est supposé qu'il est minuit.

minDateModifié

Type Python :dateheure.dateheure ou alors Rien
Valeur par défaut:Rien

Date minimale de modification, dans le fuseau horaire local, des fichiers à rechercher, telle que rapportée par le système d'exploitation. S'il est fourni, seuls les fichiers qui ont été modifiés à cette date ou après seront trouvés. Vous pouvez indiquer une date avec ou sans heure. Si vous ne fournissez pas d'heure, il est supposé qu'il est minuit.

maxDateModifié

Type Python :dateheure.dateheure ou alors Rien
Valeur par défaut:Rien

Date maximale de modification, dans le fuseau horaire local, des fichiers à rechercher, telle que rapportée par le système d'exploitation. S'il est fourni, seuls les fichiers qui ont été modifiés à cette date ou avant seront trouvés. Vous pouvez indiquer une date avec ou sans heure. Si vous ne fournissez pas d'heure, il est supposé qu'il est minuit.

variables

Type Python :liste de unicode, ou alors Rien
Valeur par défaut:Rien
Longueur minimale:0

Variables CoastWatch à rechercher dans les fichiers trouvés. Chaque variable correspond à une image dans le fichier. Si des variables sont fournies, seules les images de ces variables seront trouvées dans les fichiers. Si aucune n'est fournie, toutes les images des fichiers seront trouvées.

Au moment d'écrire ces lignes, le programme CoastWatch était connu pour avoir publié des fichiers avec ces variables :

Veuillez consulter la documentation de CoastWatch pour plus d'informations sur ces variables. En général, la plupart des utilisateurs sont intéressés par la variable "sst", qui est la température de surface de la mer estimée, et la variable "cloud", qui est un masque de bits indiquant quels tests de nuages ​​ont échoué pour ce pixel. Une valeur de 0 pour la variable cloud indique que tous les tests cloud ont réussi et CoastWatch a une grande confiance dans la validité de la valeur SST pour ce pixel.

regionCodes

Type Python :liste de unicode, ou alors Rien
Valeur par défaut:Rien
Longueur minimale:0

Codes de région CoastWatch pour les fichiers à rechercher. Si des régions sont fournies, seuls les fichiers correspondant à ces régions seront trouvés. Si aucun n'est fourni, tous les fichiers seront trouvés.

Cette fonction trouve les codes de région en examinant les métadonnées CoastWatch à l'intérieur des fichiers, et non en examinant le nom du fichier. Ainsi, il fonctionnera correctement avec les anciens fichiers CoastWatch qui n'incluent pas la région dans le nom du fichier.

Étant donné que les métadonnées CoastWatch n'incluent pas explicitement le code de région, il doit être déduit des autres métadonnées d'image. La mise en œuvre actuelle de cette fonction reconnaît les régions suivantes :

Ces régions sont extraites de la section 9.5 du guide de l'utilisateur NOAA KLM modifié le 7 novembre 2005. Si un fichier n'est pas pour l'une de ces régions, il ne sera trouvé que si vous ne spécifiez aucun code de région. Si vous souhaitez que d'autres codes de région soient ajoutés à cet outil, veuillez contacter l'auteur.

satellites

Type Python :liste de unicode, ou alors Rien
Valeur par défaut:Rien
Longueur minimale:0

Satellites pour les fichiers à trouver. Si des satellites sont fournis, seuls les fichiers contenant les données de ces satellites seront trouvés. Si aucun n'est fourni, tous les fichiers seront trouvés.

Au moment d'écrire ces lignes, le programme CoastWatch était connu pour avoir publié des données provenant des satellites suivants :

Date minimale de l'image, en UTC, pour les fichiers à trouver. S'ils sont fournis, seuls les fichiers contenant des images prises à cette date ou après seront trouvés. Vous pouvez indiquer une date avec ou sans heure. Si vous ne fournissez pas d'heure, il est supposé qu'il est minuit.

DateImagemax

Type Python :dateheure.dateheure ou alors Rien
Valeur par défaut:Rien

Date maximale de l'image, en UTC, pour les fichiers à trouver. S'ils sont fournis, seuls les fichiers contenant des images prises à ou avant cette date seront trouvés. Vous pouvez indiquer une date avec ou sans heure. Si vous ne fournissez pas d'heure, il est supposé qu'il est minuit.

minDayOfYear

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 1

Jour d'image minimum de l'année, en UTC, pour les fichiers à trouver. S'ils sont fournis, seuls les fichiers contenant des images prises à ce jour de l'année ou après seront trouvés. Le premier jour de l'année est toujours 1, et le dernier jour de l'année est 365 pendant les années non bissextiles et 366 pendant les années bissextiles.

maxDayOfYear

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 1

Jour d'image maximum de l'année, en UTC, pour les fichiers à trouver. S'ils sont fournis, seuls les fichiers contenant des images prises le ou avant ce jour de l'année seront trouvés. Le premier jour de l'année est toujours 1, et le dernier jour de l'année est 365 pendant les années non bissextiles et 366 pendant les années bissextiles.

scèneTimes

Type Python :liste de unicode, ou alors Rien
Valeur par défaut:Rien
Longueur minimale:0

CoastWatch "temps de scène" pour les fichiers à trouver. S'il est fourni, seuls les fichiers contenant des images avec ces temps de scène seront trouvés. Si aucun n'est fourni, tous les fichiers seront trouvés.

Au moment d'écrire ces lignes, le programme CoastWatch était connu pour avoir publié des données avec les heures de scène suivantes :

Le temps de la scène affecte, entre autres, les tests de nuage utilisés pour générer l'image de masque de nuage. Veuillez consulter la documentation CoastWatch pour plus d'informations.

skipMaskingForGraphicsVariable

Type Python :bool
Valeur par défaut: Vrai

Si True et que la variable graphique est en cours de conversion, les options de masque restantes seront ignorées et aucun masquage ne sera effectué. Le raster en sortie affichera la variable graphique dans toute son étendue non masquée. Si False, ou si une autre variable est en cours de conversion, le masquage sera effectué.

skipCloudMaskingForCloudVariable

Type Python :bool
Valeur par défaut: Vrai

Si True et que la variable de nuage est en cours de conversion, les options de masque de nuage seront ignorées et aucun masquage de nuage ne sera effectué (bien que d'autres options de masque seront utilisées). Si False, ou si une autre variable est en cours de conversion, les options de masque de nuage seront utilisées.

masqueTerre

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels classés comme terrestres par la variable graphique CoastWatch seront masqués.

La variable graphique est obtenue en appelant le programme cwgraphics de CoastWatch Utilities sur le fichier d'entrée. J'ai observé que ce programme ne produit pas toujours un masque de terrain 100% identique à la variable graphique contenue dans le fichier d'entrée. Par exemple, lorsque j'ai exécuté cwgraphics sur 2005_108_1841_n16_er.hdf, j'ai remarqué que plusieurs pixels, principalement près des bords des images, différaient de ceux obtenus en visualisant la variable graphique dans 2005_108_1841_n16_er.hdf à l'aide du programme cdat.

Je ne connais pas la raison de cet écart. Ma théorie est que le programme cwgraphics ne lit pas du tout la variable graphique du fichier d'entrée. Au lieu de cela, il ne lit que l'étendue géographique, puis produit un nouveau masque terrestre à partir de sa base de données dans le répertoire d'installation de CoastWatch Utilities. Les versions plus récentes de CoastWatch Utilities peuvent inclure des masques terrestres mis à jour qui diffèrent de ceux utilisés par CoastWatch dans le passé. Mais ce n'est qu'une théorie. Dans tous les cas, l'écart semble être assez insignifiant et ne devrait pas affecter la plupart des utilisateurs.

nuageVariable

Type Python :unicode ou alors Rien
Valeur par défaut: tu "nuage"
Longueur minimale:1

Nom de la variable CoastWatch à extraire du fichier CoastWatch d'entrée et à utiliser comme masque de nuage (par exemple, "cloud"). Si le fichier d'entrée ne contient pas la variable cloud, le masquage cloud ne sera pas effectué pour ce fichier.

Une limitation de cet outil est qu'il ne peut extraire la variable cloud que du fichier CoastWatch d'entrée, il ne peut pas l'extraire d'un autre fichier. Cet outil ne peut donc pas effectuer de masquage de nuage sur les fichiers CWF (sauf ceux qui contiennent la variable cloud), car les CWF ne contiennent généralement qu'une seule variable (par exemple, sst) en plus de la variable graphique. Si vous devez effectuer un masquage de nuage sur des fichiers CWF, je vous recommande de convertir les CWF contenant la variable de nuage et les autres variables d'intérêt en un seul HDF, puis de traiter le HDF à la place.

L'implémentation actuelle de cet outil a été conçue pour fonctionner sur le masque de nuage CLAVR 8 bits représenté par la variable "cloud" dans les fichiers CoastWatch. Il n'a pas été conçu pour fonctionner sur la variable "cloudx", qui est un nouveau masque de nuage expérimental CLAVR-x disponible dans les fichiers HDF récents de CoastWatch. Néanmoins, si vous souhaitez opérer sur la variable cloudx, vous pouvez la spécifier à la place de cloud et choisir les options de masque appropriées à la place.

sunZenithVariable

Type Python :unicode ou alors Rien
Valeur par défaut: u'sun_zenith'
Longueur minimale:1

Nom de la variable CoastWatch à extraire du fichier CoastWatch d'entrée et à utiliser comme image du zénith solaire (par exemple, "sun_zenith").

Une limitation de cet outil est qu'il ne peut extraire l'image du zénith solaire que du fichier d'entrée CoastWatch, il ne peut pas l'extraire d'un autre fichier. Par conséquent, étant donné que cet outil utilise l'image du zénith solaire lors du masquage des nuages ​​sur des images avec une heure de scène jour/nuit, il ne peut pas effectuer de masquage des nuages ​​sur les fichiers CWF, car les CWF ne contiennent généralement qu'une seule variable (par exemple, sst) en plus de la variable graphique. Si vous devez effectuer un masquage de nuage sur des fichiers CWF, je vous recommande de convertir les CWF contenant le nuage, sun_zenith et les autres variables d'intérêt en un seul HDF, puis de traiter le HDF à la place.

Selon Peter Hollemans, chercheur de CoastWatch, lorsque l'heure de la scène d'une image est "le jour", tous les pixels du masque de nuage utilisent des tests de nuage de jour, et quand il fait "nuit", tous les pixels utilisent des tests de nuage de nuit. Lorsque l'heure de la scène est "jour/nuit", la décision des tests à utiliser est basée sur le zénith solaire pour ce pixel.

Selon Peter, pour les fichiers HDF CoastWatch, les pixels avec un zénith solaire > 80 degrés utilisent les tests de nuages ​​nocturnes, et <= 80 utilisent les tests de nuages ​​diurnes. Cet outil met en œuvre cette logique. Si vous spécifiez que le masquage des nuages ​​doit être effectué pour une image jour/nuit mais qu'aucune image du zénith solaire n'est disponible, cet outil supposera que des tests de nuages ​​nocturnes ont été utilisés pour chaque pixel et un avertissement sera émis. Pour une raison quelconque, CoastWatch produit occasionnellement des images jour/nuit sans sun_zenith ou d'autres variables présentes dans les images diurnes. Si je me souviens bien, Peter a dit qu'il est prudent de supposer pour ces images que tous les pixels sont nocturnes.

L'image du zénith solaire est ignorée pour les heures de scène autres que "jour/nuit" (par exemple "jour" ou "nuit").

Après quelques recherches, je trouve que les pixels du masque de nuage près de la ligne du zénith solaire à 80 degrés sont problématiques, pour deux raisons :

  • Selon Peter, la ligne de coupure du zénith solaire <= 80 ne va pas s'aligner parfaitement avec le passage des tests de nuages ​​diurnes aux tests nocturnes car les angles du zénith solaire sont arrondis au 0,01 le plus proche lorsqu'ils sont écrits dans le fichier HDF, donc quelques pixels avec les valeurs de 80,003 par exemple seront arrondies à 80 même si elles ont subi un traitement avec les tests de nuages ​​nocturnes. Peter a déclaré: "Je suppose que c'est le défaut du stockage des données d'angle dans HDF sous forme d'entiers mis à l'échelle (cette décision était principalement due à des problèmes de taille de fichier)."
  • Le basculement entre les tests de jour et les tests de nuit ne se manifeste pas par une transition nette dans les pixels du masque de nuage. Les pixels diurnes ne semblent pas s'appuyer proprement sur les pixels nocturnes. Au contraire, une bande de pixels avec des valeurs étranges sépare les deux de manière irrégulière. Peter a déclaré : « La transition apparente entre les tests de jour et de nuit est liée aux fonctions de voisinage. Les tests d'uniformité utilisent une boîte 2x2 de valeurs de données à droite et en dessous d'une valeur donnée dans le tableau pour vérifier qu'une condition est vraie, et le les résultats du test d'uniformité marquent tous les pixels de la case 2x2 avec les résultats du test, que tous ces pixels soient de jour ou de nuit. Le jour et la nuit ont des tests d'uniformité, de sorte que les résultats des tests d'uniformité à la limite jour/nuit sont mélangés Le mélange est généralement acceptable car les résultats sont destinés à être utilisés pour le masquage SST et non pour l'évaluation du type de nuage et le mélange ne se produit que dans des conditions nuageuses, pas des conditions SST claires."

Peter a dit qu'il ne savait pas ce qui était fait pour les fichiers CWF jour/nuit de CoastWatch. J'en ai examiné quelques-uns de la région du Nord-Est, et il est apparu qu'ils sont également passés des tests de nuages ​​diurnes aux tests nocturnes au milieu de l'image. Mais le site de distribution de la NOAA (http://www.class.noaa.gov) ne semblait avoir des CWF contenant la variable sun_zenith que pour les dates postérieures à la fin de 1999.

Peter a mentionné que le programme cwangles de CoastWatch Utilities pouvait calculer le zénith solaire, mais les valeurs ne seraient qu'approximatives car le programme supposait que tous les pixels étaient obtenus par le capteur au même moment. J'ai essayé cette approche, mais la ligne du zénith solaire à 80 degrés ne correspondait pas à la ligne où les tests de nuages ​​semblaient basculer. Pour cette raison, je ne pense pas que les fichiers CWF jour/nuit seront utilisables pour les utilisateurs qui souhaitent utiliser certains tests cloud et en ignorer d'autres.

useDayCloudTest1

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test de nuage brut réfléchissant CLAVR-1 (bit 1 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Selon Peter Hollemans, chercheur de CoastWatch, le même test CLAVR-1 est utilisé pour les fichiers CWF et HDF, mais pour les fichiers HDF, les seuils CLAVR-x sont utilisés à la place des seuils CLAVR-1.

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useDayCloudTest2

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test d'uniformité de réflectance CLAVR-1 (bit 2 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Selon Peter Hollemans, chercheur de CoastWatch, le même test CLAVR-1 est utilisé pour les fichiers CWF et HDF, mais pour les fichiers HDF, les seuils CLAVR-x sont utilisés à la place des seuils CLAVR-1.

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif, et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useDayCloudTest3

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test de nuage du rapport de réflectance CLAVR-1 (bit 3 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Selon Peter Hollemans, chercheur de CoastWatch, le même test CLAVR-1 est utilisé pour les fichiers CWF et HDF, mais pour les fichiers HDF, les seuils CLAVR-x sont utilisés à la place des seuils CLAVR-1.

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useDayCloudTest4

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test d'albédo du canal 3 du CLAVR-1 (bit 4 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels nocturnes.Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useDayCloudTest5

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test d'uniformité thermique CLAVR-1 (bit 5 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useDayCloudTest6

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test CLAVR-1 Four Minus Five (bit 6 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useDayCloudTest7

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels diurnes qui ont échoué au test de nuage thermique brut CLAVR-1 (bit 7 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

maskQuandJourNuageMaskExceeds

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 0

Si une valeur est fournie, les pixels diurnes avec une valeur de masque de nuage supérieure à cette valeur seront masqués.

Le masque de nuage CoastWatch est un masque de bits, où chaque bit représente le succès (0) ou l'échec (1) d'un test de nuage CLAVR donné. Ainsi, les valeurs de masque de nuage ne sont PAS destinées à être interprétées comme une plage, comme un spectre, où 0 représente "très clair" et 255 représente "très nuageux". Néanmoins, certains utilisateurs de cet outil ont déterminé que pour leur étude, le meilleur compromis entre la minimisation de l'erreur SST et la minimisation du nombre de pixels masqués par les nuages ​​était obtenu en masquant tous les pixels où le masque de nuage dépassait une certaine valeur. Cette option a été implémentée spécifiquement pour ces utilisateurs et n'est pas recommandée pour une utilisation générale. Si vous utilisez cette option, veillez à étudier de nombreuses images de masque de nuage avant de sélectionner une valeur.

Si une valeur est fournie à la fois pour ce paramètre et pour les bits de test cloud spécifiés par les paramètres précédents, tous ces paramètres seront effectifs. En d'autres termes, un pixel nuageux peut être masqué en échouant à un test de nuage spécifique, ou en dépassant la valeur minimale du masque de nuage, ou les deux. .

Ce paramètre est ignoré pour les pixels nocturnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage. Pour plus d'informations sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest1

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test de nuage thermique brut CLAVR-1 (bit 1 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest2

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test d'uniformité thermique CLAVR-1 (bit 2 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest3

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test CLAVR-1 Uniform Low Stratus (bit 3 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest4

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test CLAVR-1 Four Minus Five (bit 4 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest5

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test CLAVR-1 Cirrus (bit 5 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest6

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test d'albédo du canal 3B CLAVR-x (bit 6 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Selon Peter Hollemans, chercheur de CoastWatch, ce test n'a pas été utilisé pour les fichiers CWF de CoastWatch et donc le bit 6 sera toujours à 0, indiquant le succès, pour les pixels du masque de nuage nocturne CWF.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

useNightCloudTest7

Type Python :bool
Valeur par défaut: Vrai

Si True, les pixels nocturnes qui ont échoué au test d'uniformité d'albédo du canal 3B CLAVR-x (bit 7 du masque de nuage) seront masqués. Si False, ce test cloud sera ignoré.

Selon Peter Hollemans, chercheur de CoastWatch, ce test n'a pas été utilisé pour les fichiers CWF de CoastWatch et donc le bit 7 sera toujours à 0, indiquant le succès, pour les pixels du masque de nuage nocturne CWF.

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage.

Dans les masques de cloud CoastWatch, le bit 1 est le bit le moins significatif et une valeur de 0 pour un bit indique que le test de cloud a réussi, tandis que 1 indique qu'il a échoué. Pour plus de détails sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

maskQuandNuitNuageMaskExceeds

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 0

Si une valeur est fournie, les pixels nocturnes avec une valeur de masque de nuage supérieure à cette valeur seront masqués.

Le masque de nuage CoastWatch est un masque de bits, où chaque bit représente la réussite (0) ou l'échec (1) d'un test de nuage CLAVR donné. Ainsi, les valeurs de masque de nuage ne sont PAS destinées à être interprétées comme une plage, comme un spectre, où 0 représente "très clair" et 255 représente "très nuageux". Néanmoins, certains utilisateurs de cet outil ont déterminé que pour leur étude, le meilleur compromis entre la minimisation de l'erreur SST et la minimisation du nombre de pixels masqués par les nuages ​​était obtenu en masquant tous les pixels où le masque de nuage dépassait une certaine valeur. Cette option a été implémentée spécifiquement pour ces utilisateurs et n'est pas recommandée pour une utilisation générale. Si vous utilisez cette option, assurez-vous d'étudier de nombreuses images de masque de nuage avant de sélectionner une valeur.

Si une valeur est fournie à la fois pour ce paramètre et pour les bits de test cloud spécifiés par les paramètres précédents, tous ces paramètres seront effectifs. En d'autres termes, un pixel nuageux peut être masqué en échouant à un test de nuage spécifique, ou en dépassant la valeur minimale du masque de nuage, ou les deux. .

Ce paramètre est ignoré pour les pixels diurnes. Pour une discussion sur la façon dont les pixels sont classés comme diurnes ou nocturnes, veuillez consulter la documentation du paramètre de fichier de masque de nuage. Pour plus d'informations sur les tests cloud, veuillez consulter la documentation CoastWatch et CLAVR.

minNuageuxVoisins

Type Python :entier ou alors Rien
Valeur par défaut:Rien
Valeur minimum: 1

Nombre minimum de voisins qu'un pixel nuageux doit avoir pour que ce pixel soit masqué.

Vous pouvez utiliser cette option pour ignorer les pixels nuageux isolés qui ne sont pas regroupés. Par exemple, si vous spécifiez la valeur 1, les pixels nuageux seront ignorés et ne seront pas utilisés dans le processus de masquage à moins qu'au moins un de leurs huit voisins ne soit également nuageux.

Si un voisin n'est pas nuageux mais qu'il est masqué pour une autre raison (par exemple, il s'agit d'un terrain), il ne compte pas comme étant nuageux.

Cette option est ignorée lorsque le masquage des nuages ​​n'est pas effectué.

ProjectedCoordinateSystem

Type Python :unicode ou alors Rien
Valeur par défaut:Rien
Longueur minimale:1

Nouveau système de coordonnées vers lequel projeter le raster.

Le raster ne peut être projeté dans un nouveau système de coordonnées que si la projection d'origine est définie. Une erreur sera générée si vous spécifiez un nouveau système de coordonnées sans définir le système de coordonnées d'origine.

L'outil ArcGIS Project Raster est utilisé pour effectuer la projection. La documentation de cet outil recommande de spécifier également une taille de cellule pour le nouveau système de coordonnées.

J'ai remarqué que pour certains systèmes de coordonnées, l'outil ArcGIS 9.2 Project Raster semble couper le raster projeté dans une mesure arbitraire trop petite. Par exemple, lors de la projection d'une image globale de chlorophylle MODIS Aqua de 4 km en coordonnées géographiques vers Lambert_Azimuthal_Equal_Area avec un méridien central de -60 et une latitude d'origine de -63, l'image résultante est tronquée pour ne montrer qu'un quart de la planète. Ce problème ne se produit pas lorsque Project Raster est appelé de manière interactive à partir de l'interface utilisateur d'ArcGIS, il se produit uniquement lorsque l'outil est appelé par programme (la méthode ProjectRaster_management du géoprocesseur). Ainsi, vous ne le verrez peut-être pas lorsque vous utilisez Project Raster vous-même, mais cela peut arriver lorsque vous utilisez des outils MGET qui appellent Project Raster dans le cadre de leurs opérations de géotraitement.

Si vous rencontrez ce problème, vous pouvez le contourner comme ceci :

  • Tout d'abord, exécutez cet outil sans spécifier de nouveau système de coordonnées, pour obtenir le raster dans le système de coordonnées d'origine.
  • Dans ArcCatalog, utilisez l'outil Projeter le raster pour projeter le raster dans le nouveau système de coordonnées. Vérifiez que tout le raster est présent, qu'il n'a pas été découpé dans une mesure trop petite.
  • Dans ArcCatalog, recherchez l'étendue du raster projeté en cliquant dessus avec le bouton droit dans l'arborescence du catalogue, en sélectionnant Propriétés et en faisant défiler jusqu'à Etendue.
  • Maintenant, avant d'exécuter l'outil MGET qui projette le raster, définissez le paramètre d'environnement Etendue sur les valeurs que vous avez recherchées. Si vous appelez l'outil MGET de manière interactive à partir d'ArcCatalog ou d'ArcMap, cliquez sur le bouton Environnements dans la boîte de dialogue de l'outil, ouvrez Paramètres généraux, modifiez la liste déroulante Étendue sur "Comme spécifié ci-dessous" et saisissez les valeurs que vous avez recherchées. Si vous l'invoquez à partir d'un modèle de géotraitement, cliquez avec le bouton droit sur l'outil dans le modèle, sélectionnez Créer une variable, À partir de l'environnement, Paramètres généraux, Étendue. Cela placera l'étendue en tant que variable dans votre modèle, attachée à l'outil MGET. Ouvrez la variable Etendue, remplacez-la par "Comme spécifié ci-dessous" et saisissez les valeurs que vous avez recherchées. Si vous appelez l'outil MGET par programme, vous devez définir la propriété Extent du géoprocesseur sur les valeurs que vous avez recherchées. Veuillez consulter la documentation ArcGIS pour plus d'informations à ce sujet et les paramètres d'environnement en général.
  • Exécutez l'outil MGET. L'étendue du raster doit maintenant être de la bonne taille.

Une méthode de transformation utilisée pour convertir entre le système de coordonnées d'origine et le nouveau système de coordonnées.

Ce paramètre est une nouvelle option introduite par ArcGIS 9.2. Vous devez disposer d'ArcGIS 9.2 pour utiliser ce paramètre.

Ce paramètre n'est nécessaire que lorsque vous spécifiez que le raster doit être projeté dans un nouveau système de coordonnées et que ce nouveau système utilise un système de référence différent du système de coordonnées d'origine, ou qu'il existe une autre différence entre les deux systèmes de coordonnées qui nécessite une transformation. Pour déterminer si une transformation est nécessaire, je recommande la procédure suivante :

  • Tout d'abord, exécutez cet outil sans spécifier de nouveau système de coordonnées, pour obtenir le raster dans le système de coordonnées d'origine.
  • Ensuite, utilisez l'outil ArcGIS 9.2 Project Raster sur le raster pour le projeter dans le système de coordonnées souhaité. Si une transformation géographique est nécessaire, cet outil vous en demandera une. Notez le nom exact de la transformation que vous avez utilisée.
  • Enfin, si une transformation était nécessaire, saisissez le nom exact dans cet outil, réexécutez-le et vérifiez que le raster a été projeté comme vous le souhaitez.

Algorithme de rééchantillonnage à utiliser pour projeter le raster d'origine dans un nouveau système de coordonnées. L'outil ArcGIS Project Raster est utilisé pour effectuer la projection et accepte les valeurs suivantes :

  • NEAREST - interpolation du voisin le plus proche
  • BILINAIRE - interpolation bilinéaire
  • CUBIC - circonvolution cubique

Vous devez spécifier l'un de ces algorithmes pour projeter vers un nouveau système de coordonnées. Une erreur sera générée si vous spécifiez un nouveau système de coordonnées sans sélectionner d'algorithme.

TailleCellule projetée

Type Python :flotter ou alors Rien
Valeur par défaut:Rien

La taille de cellule du système de coordonnées projeté. Bien que ce paramètre soit facultatif, pour obtenir les meilleurs résultats, la documentation ArcGIS vous recommande de toujours le spécifier lors de la projection dans un nouveau système de coordonnées.

point d'enregistrement

Type Python :unicode ou alors Rien
Valeur par défaut:Rien
Longueur minimale:1
Doit correspondre à l'expression régulière : ([-+]?[0-9]*.?[0-9]+([eE][-+]?[0-9]+)?)s+([-+]?[0- 9]*.?[0-9]+([eE][-+]?[0-9]+)?)

Les coordonnées x et y (dans l'espace de sortie) utilisées pour l'alignement des pixels.

Ce paramètre est une nouvelle option introduite par ArcGIS 9.2. Vous devez disposer d'ArcGIS 9.2 pour utiliser ce paramètre. Il est ignoré si vous ne spécifiez pas que le raster doit être projeté dans un nouveau système de coordonnées.

découpageRectangle

Type Python :unicode ou alors Rien
Valeur par défaut:Rien
Longueur minimale:1
Doit correspondre à l'expression régulière : ([-+]?[0-9]*.?[0-9]+([eE][-+]?[0-9]+)?)s+([-+]?[0- 9]*.?[0-9]+([eE][-+]?[0-9]+)?)s+([-+]?[0-9]*.?[0- 9]+([eE][-+]?[0-9]+)?)s+([-+]?[0-9]*.?[0-9]+([eE][- +]?[0-9]+) ?)

Rectangle auquel le raster doit être découpé.

Si un système de coordonnées projetées a été spécifié, le découpage est effectué après la projection et les coordonnées du rectangle doivent être spécifiées dans le nouveau système de coordonnées. Si aucun système de coordonnées projetées n'a été spécifié, les coordonnées doivent être spécifiées dans le système de coordonnées d'origine.

L'outil ArcGIS Clip est utilisé pour effectuer le clip. Le rectangle de découpage doit être transmis à cet outil sous la forme d'une chaîne de quatre nombres séparés par des espaces. L'interface utilisateur d'ArcGIS formate automatiquement la chaîne correctement lors de l'appel de cet outil à partir de l'interface utilisateur d'ArcGIS, vous n'avez pas à vous soucier du format. Mais lorsque vous l'invoquez par programmation, veillez à fournir une chaîne correctement formatée. Les numéros sont ordonnés GAUCHE, BAS, DROITE, HAUT. Par exemple, si le raster se trouve dans un système de coordonnées géographiques, il peut être découpé à 10 W, 15 S, 20 E et 25 N avec la chaîne :

Des nombres entiers ou décimaux peuvent être fournis.

mapAlgèbreExpression

Type Python :unicode ou alors Rien
Valeur par défaut:Rien
Longueur minimale:1
Longueur maximale:4000

Expression d'algèbre cartographique à exécuter sur le raster.

ATTENTION: Le générateur de modèle de géotraitement ArcGIS peut supprimer de manière aléatoire et silencieuse la valeur de ce paramètre. Il s'agit d'un bogue dans ArcGIS. Avant d'exécuter un modèle que vous avez enregistré, ouvrez cet outil et vérifiez que la valeur du paramètre existe toujours.

L'expression est exécutée une fois le raster converti projeté et découpé (si ces options sont spécifiées). Utilisez la chaîne inputRaster sensible à la casse pour représenter le raster sur lequel vous souhaitez maintenant effectuer une algèbre cartographique. Par exemple, pour convertir le raster en raster d'entiers et ajouter 1 à toutes les cellules, utilisez cette expression :

La chaîne inputRaster est sensible à la casse. Avant d'exécuter l'expression d'algèbre de carte, la chaîne est remplacée par le chemin d'accès à un raster temporaire qui représente le raster généré.L'expression finale doit comporter moins de 4 000 caractères, sinon ArcGIS signalera une erreur.

L'outil ArcGIS Single Output Map Algebra est utilisé pour exécuter l'expression d'algèbre cartographique. Vous devez disposer d'une licence pour l'extension ArcGIS Spatial Analyst afin d'effectuer l'algèbre cartographique.

La syntaxe de l'algèbre cartographique peut être très pointilleuse. Voici quelques conseils qui vous aideront à réussir avec cet outil :

  • Avant d'utiliser cet outil, créez et testez votre expression d'algèbre cartographique à l'aide de l'outil ArcGIS Single Output Map Algebra. Collez ensuite l'expression dans cet outil et modifiez-la pour utiliser la variable inputRaster plutôt que la valeur de test que vous avez utilisée avec Single Output Map Algebra.
  • Si vous développez votre expression directement dans cet outil, commencez par une expression très simple. Vérifiez qu'il fonctionne correctement, ajoutez-en un peu et vérifiez à nouveau. Répétez ce processus jusqu'à ce que vous ayez construit l'expression complète.
  • Séparez toujours les opérateurs mathématiques des chemins raster à l'aide d'espaces. Dans l'exemple ci-dessus, l'opérateur / contient un espace de chaque côté. Suivez ce modèle. Dans certaines circonstances, ArcGIS ne parviendra pas à traiter les expressions d'algèbre raster qui ne séparent pas les chemins raster des opérateurs utilisant des espaces. Le message d'erreur signalé n'indique généralement pas qu'il s'agit du problème, et le retrouver peut être très frustrant.

Si True, des pyramides seront créées pour le raster, ce qui améliorera sa vitesse d'affichage dans l'interface utilisateur d'ArcGIS.

outputRasterPythonExpression

Type Python :unicode ou alors Rien
Valeur par défaut: u'os.path.join(outputWorkspace, metadata['Region code'], metadata['Satellite'], metadata['Variable'], metadata['Image datetime'].strftime('%Y'), metadata[ 'Abréviation'] + métadonnées['Image datetime'].strftime('%Y%j%H%M'))'
Longueur minimale:1

Expression Python utilisée pour calculer le chemin absolu d'un raster en sortie. L'expression peut être n'importe quelle instruction Python appropriée pour être transmise à la fonction eval et doit renvoyer une chaîne Unicode. L'expression peut faire référence aux variables suivantes :

  • directoryToSearch - la valeur fournie pour le paramètre de répertoire à rechercher
  • outputWorkspace - la valeur fournie pour le paramètre d'espace de travail de sortie
  • inputFile - le chemin absolu vers le fichier CoastWatch d'entrée
  • métadonnées - un dictionnaire de métadonnées CoastWatch sur le fichier et la variable (voir ci-dessous)

stocke le raster dans l'espace de travail de sortie dans une structure de sous-répertoires basée sur le code de région CoastWatch, le satellite, etc. Par exemple, si la variable sst du fichier 2007_066_0459_n17_wn.hdf était extraite dans le répertoire de sortie C:CoastWatch avec l'expression ci-dessus, le chemin du raster en sortie serait :

Les clés suivantes sont disponibles dans le dictionnaire de métadonnées. Le type de données Python de la valeur de la clé apparaît entre parenthèses. N'oubliez pas que si la valeur n'est pas une chaîne, vous devez la convertir en une avant de pouvoir l'utiliser dans la fonction os.path de Python :

    'Variable' (str) - Nom complet de la variable CoastWatch qui a été extraite du fichier pour traitement. Au moment d'écrire ces lignes, le programme CoastWatch était connu pour avoir publié des fichiers avec ces variables :

Pour plus d'informations sur la syntaxe Python, veuillez consulter la documentation Python.

modulesÀImporter

Type Python :liste de unicode, ou alors Rien
Valeur par défaut: [ u'os.path' ]
Longueur minimale:0

Modules Python à importer avant d'évaluer l'expression. Si vous avez besoin d'accéder à des fonctions ou des classes Python fournies par un module plutôt que d'être intégrées à l'interpréteur, répertoriez le module ici. Par exemple, pour pouvoir utiliser la classe datetime dans votre expression, listez le module datetime ici. Dans votre expression, vous devez faire référence à la classe en utilisant son nom complet, datetime.datetime.

sauterExistant

Type Python :bool
Valeur par défaut: Faux

Si True, la conversion sera ignorée pour les rasters en sortie qui existent déjà.

écraserExistant

Type Python :bool
Valeur par défaut: Faux

Si True et skipExisting ont la valeur False, les rasters en sortie existants seront écrasés.


Voir la vidéo: ModelBuilder Introduction (Octobre 2021).