- 1.Con函数
有一幅30m分辨率的土地利用类型分类数据,现在要把研究数据(500m)按照这个土地利用类型裁剪,只保留耕地区域,如果采用栅格转矢量再裁剪,内存占用过大,容易死机
这里采用栅格计算器的Con函数
函数的基本语句:con(条件(语句),真(语句),假(语句))
若“真(语句)”或“假(语句)”存在缺失,则对应栅格单元的值赋值为空(NoData)
所以有
con("clcd"== 1,"dtvdi")
上述式子的意思是:栅格“clcd“中等于1的地方保持dtvdi的值,缺失的假语句对应的地区(clcd其他值)为NoData
也就是说,Con函数中,作为判断的栅格和输出数值的栅格可以不一致,而NoData都没有数据了,已经无所谓来自哪个栅格了。
- 2.栅格计算器计算不同分辨率数据&离散数据的重采样
这里两个栅格分辨率不同,但是默认可以进行计算,在环境设置–Raster storage–Resample里,注意对于离散数据(分类数据)只能用NEAREST。
如果不是环境设置而是Toolbox的Resample工具,则还会有第二个适合离散数据的众数算法
首先,最邻近分配法是速度最快的插值方法。这一方法主要用于离散数据(如土地利用分类数据),因为这一方法不会更改像元的值。使用这一方法进行重采样,最大空间误差将是像元大小的一半。
其次,众数算法根据过滤器窗口中频率最高的数值来作为像元的新值。其与最邻近分配法一样,主要用于离散数据;但与最邻近分配法相比,众数算法通常可生成更平滑的结果。众数算法将在与输出像元中心最接近的输入空间中查找相应的4 x 4像元,并使用4 x 4相邻点的众数作为像元的新值。
原文链接:https://blog.csdn.net/zhebushibiaoshifu/article/details/128448615
当然,在离散数据重采样中,首选最近邻