Resolución adecuada para el análisis de regresión

Question

Estoy utilizando ArcMap 10.3. Soy un estudiante que trabaja en un problema de investigación en el que estoy tomando imágenes Landsat (con una resolución de 30 metros) y haciendo una regresión con otros conjuntos de datos capturados a diferentes escalas (hasta aproximadamente 1 km^2). A continuación, estoy volviendo a muestrear todo a 30 metros cuadrados antes de ejecutar la regresión.

Mi objetivo final es comprender la dinámica de la vegetación, por lo que quería reducir todo el análisis a los 30 metros cuadrados de Landsat. ¿O es este pensamiento incorrecto, es decir, debo ejecutar el análisis a la escala del conjunto de datos más grueso, siendo 1 km^2?

Por lo que he leído, en particular, Hengl 2006 "Finding the right pixel size", no hay una resolución de cuadrícula "ideal" y depende de la pregunta. Otro artículo que he leído, Tarnavsky 2007 "Multiscale geostatistical analysis of AVHRR, SPOT-VGT, and MODIS global NDVI products" recomienda elegir un tamaño de píxel que minimice la variabilidad espacial entre sensores. Sin embargo, otros documentos sugieren correcciones estadísticas para utilizar los datos multiescala.

Puedo hacer la regresión. Mi pregunta es si hay alguna norma sobre cómo abordar un análisis en el que todos los datos de entrada están a una escala diferente, en mi caso, que va desde 30 metros cuadrados hasta 1 km^2.

Answer 1

Lamentablemente, no existe ninguna norma. Principalmente por el hecho de que las diferentes aplicaciones tienen diferentes requisitos. Si el elemento clave de su estudio es observar la información a nivel de campo, entonces el uso de la resolución gruesa puede no ser una buena idea, sin embargo, si usted está mirando las tendencias regionales, entonces la baja resolución puede no ser un gran problema. Sin embargo, esto abre un nuevo ángulo a su proyecto: investigar cómo difieren los resultados cuando se adoptan diferentes enfoques.

Otra opción sería buscar cosas como StarFM para la desmezcla espacial de datos de resolución gruesa, utilizando datos de alta resolución correlacionados. Sin embargo, esto no es particularmente fácil.