Answers:
第一种方法是计算栅格的斜率。如果您正在寻找开放源代码,尤其是对于栅格计算,我几乎总是建议使用GRASS。在这种情况下,您需要使用r.slope.aspect来计算坡度栅格。
此时,您有两个选择。如果您追求的是以特定点为中心的km 2以内的平均坡度,则可以在坡度输出上使用average方法尝试r.neighbours。或者,您可以尝试使用r.resample使栅格达到km 2像元,并且整个数据集的平均坡度为km 2。
据我所知,除了连续栅格外,没有特殊要求-尽管我可能会尝试对栅格进行切割/填充以使其平滑。
希望这可以帮助!
您需要了解有关高程测量的含义,获取方法和处理的一些信息,因为坡度计算对分辨率相当敏感。通常,您将获得较低的平均斜率,分辨率较低,或者单元格值为单元平均高程而不是点高程时。特别是,如果您的网格已通过任何类型的重新采样程序处理过,那将改变斜率(有时会发生很大变化)。同样要注意的是,一个区域内的平均坡度与基于同一区域内海拔的可比较平均数的坡度不同:前者将至少与后者相同,并且可能会更大。举一个极端的例子,西维吉尼亚州深切高原上的平均坡度较高,反映出崎terrain的地形,
几年前,我以30m分辨率,10m分辨率和一个LIDAR数据集(约1m分辨率)获得了同一地区(在爱达荷州)的三个DEM,并比较了它们的坡度分布。这是该研究的图形:
它表明,随着分辨率的提高,高坡度区域的比例会增加。从30m到LIDAR的变化很大:平均斜率增加了大约10度。此图也使您更仔细地观察:在低坡度区域您几乎看不到变化。显然,LIDAR DEM中的高坡度崎areas区域在10m和30m DEM中变得平滑,它们变成了中坡区域。真正的极端坡度(大约75度左右)仅出现在LIDAR数据集中。尽管可能存在关于哪个数据集更接近“真相”的问题,但显然,有关坡度分布的结论将随分辨率而变化。