随机改变栖息地类型的栅格图？

我有一个苏格兰特定地区的栖息地类型栅格。我需要通过改变栖息地来创建未来的栖息地场景，以评估鸟类的种群生存力。

例如，将来该地区的林业可能会增加10％。我想通过以一定大小的块随机添加林业来更改当前地图。到目前为止，我正在沿着从栅格中选择随机点的思路进行思考，以识别可能发生林业的区域，并使用某种细胞自动机来生长正确大小的块。

这似乎是解决此问题的最佳方法吗？有没有更好的方法？

如果这是最好的方法，那么我该如何在R中做到这一点呢？（我目前正在与CellularAutomata包一起查看“ spatstat”中的rpoints函数）

如果它们中有更简单的方法，我也可以访问GRASS，QGis和ArcMap 10。

您是否考虑过使用马尔可夫链？这实际上是“概率细胞自动机”，从而提供了所需的随机性。它没有为现有一代的本地邻居规定新一代，而是为新一代指定了概率分布。该分布可以根据例如相同或相似区域的图像的时间序列来估计。

从直觉上讲，该模型表示一个单元不一定会从有林过渡到无林（反之亦然），但过渡的机会取决于周围的土地覆盖。它可以处理多种类型的覆盖物，复杂的邻里配置，甚至可以概括为“记住”土地覆盖物演变的最新历史。

可以使用Map Algebra语句来实现转换，这使得该方法在任何基于栅格的GIS中都可行，即使那些没有直接或快速访问像元级数据的GIS也是如此。使用R使其更加容易。

例如，考虑仅具有两个类别（白色和黑色）的此初始配置：

为了说明可能发生的情况，我创建了一个参数化模型（不基于任何数据），其中向黑色的过渡发生的可能性为1-q ^ k，其中k是3 x 3邻域内黑电池的平均数目（k = 0、1 / 9、2 / 9，...，1）。当q小或大多数邻域已经为黑色时，新单元格将为黑色。这是第十代的四个独立模拟，其中q的五个值从0.25降至0.05：

显然，该模型具有CA的许多特征，但它也包括随机效应，可用于探索替代结果。

码

下面在中实现仿真R。

#
# Make a transition from state `x` using a kernel having `k.ft` as
# its Fourier transform.
#
transition <- function(x, k.ft, q=0.1) {
  k <- zapsmall(Re(fft(k.ft * fft(x), inverse=TRUE))) / length(x)
  matrix(runif(length(k)) > q^k, nrow=nrow(k))
}
#
# Create the zeroth generation and the fft of a transition kernel.
#
n.row <- 2^7 # FFT is best with powers of 2
n.col <- 2^7
kernel <- matrix(0, nrow=n.row, ncol=n.col)
kernel[1:3, 1:3] <- 1/9
kernel.f <- fft(kernel)

set.seed(17)
x <- matrix(sample(c(0,1), n.row*n.col, replace=TRUE, prob=c(599, 1)), n.row)
#
# Prepare to run multiple simulations.
#
y.list <- list()
parameters <- c(.25, .2, .15, .1, .05)
#
# Perform and benchmark the simulations.
#
i <- 0
system.time({
  for (q in parameters) {
    y <- x
    for (generation in 1:10) {
      y <- transition(y, kernel.f, q)
    }
    y.list[[i <- i+1]] <- y
  }
})
#
# Display the results.
#    
par(mfrow=c(1,length(parameters)))
invisible(sapply(1:length(parameters), 
       function(i) image(y.list[[i]], 
                         col=c("White", "Black"),
                         main=parameters[i])))