الهدف من chmloader هو تنزيل بيانات نموذج ارتفاع المظلة (CHM) من هذا العمل الأخير الذي قام به تولان وآخرون. (2024). يمكن العثور على ملخص رفيع المستوى لهذا العمل هنا. يتم تنزيل البيانات من وحدة تخزين AWS s3 - ويمكن العثور على مزيد من التفاصيل حول المجموعة هنا
يمكنك تثبيت chmloader بهذه الطريقة:
# install.packages("pak")
pak :: pkg_install( " TESS-Laboratory/chmloader " ) هذا مثال أساسي يوضح لك كيفية تنزيل بعض البيانات. تستخدم الدالة download_chm gdalwarp (عبر sf::gdal_utils ) لاسترداد البيانات المطلوبة بكفاءة من عدة مربعات - الدقة الافتراضية هي 1 متر ولكن يمكن إعادة إسقاطها حسب الحاجة باستخدام وسيطة res .
library( chmloader )
parana_cuiana <- sf :: st_point(c( - 61.89 , - 4.12 )) | >
sf :: st_sfc( crs = 4326 ) | >
sf :: st_buffer( 3000 )
pc_chm <- download_chm(
parana_cuiana ,
filename = tempfile( fileext = " .tif " )
)
terra :: plot( pc_chm , col = hcl.colors( 256 , " viridis " ))توفر هذه الحزمة أيضًا وظيفة بسيطة لإنشاء مخططات لمقارنة آليات تبادل المعلومات المختلفة. الهدف من هذه الوظيفة هو تمكين التقييم البسيط والقوي لـ Tolan et al. (2024) بيانات آلية تبادل المعلومات مع النماذج المستندة إلى LiDAR وغيرها من المنتجات المشتقة من التعلم الآلي. تأتي حزمة chmloader مع مجموعة صغيرة من مجموعات بيانات CHM المستندة إلى LiDAR، المستمدة من مجموعة بيانات نموذج كائن الغطاء النباتي التابعة لوكالة البيئة الإنجليزية. فيما يلي مثال باستخدام إحدى مجموعات البيانات النموذجية هذه من Fingle Woods، Devon، المملكة المتحدة:
fingle_woods <- reference_data( " fingle_woods " )
compare_models( fingle_woods , aggregate = 10 , drop_zeros = TRUE )
# > ℹ meta/WRI CHM not provided, downloading now...
# > ✔ CHM downloaded successfully! لاحظ في هذا المثال، أنه يتم استخدام الوسيطة aggregate لتقليل دقة كل من المرجع وMeta/WRI CHM بعامل 10 (مما يؤدي إلى نموذج 10 م) واختبار كل من نموذج المقياس الخشن هذا بالإضافة إلى النموذج الأصلي 1 م نموذج. قد تساعد هذه الوظيفة في الكشف عن الدقة الحقيقية لـ Meta/WRI CHM، وكيفية مقارنتها بالنموذج القائم على LiDAR عبر المقاييس.
كما يتم استخدام الوسيطة drop_zeros لإزالة القيم الصفرية من كل من مخطط الكثافة ثنائي الأبعاد والإحصائيات المشتقة، حيث تكون القيم من البيانات المرجعية/المعيارية وMeta/WRI CHM صفرًا. يعد هذا مفيدًا بشكل خاص عندما يكون الاهتمام الرئيسي هو تقييم مظلة الشجرة بدلاً من عدم وجود الأشجار و/أو عندما يكون غطاء الأشجار متناثرًا؛ ومع ذلك، فإن قيمة drop_zeros الافتراضية هي FALSE .
