Dieses Deep-Learning-Modell wird zum Erkennen von Bäumen in hochauflösenden Drohnen- oder Luftbildern verwendet. Die Baumerkennung kann für Anwendungszwecke wie Vegetationsmanagement, Forstwirtschaft, Stadtplanung usw. verwendet werden. Aufgrund ihrer hohen räumlich-zeitlichen Abdeckung können hochauflösende Luft- und Drohnenbilder für die Baumerkennung verwendet werden.
Dieses Deep-Learning-Modell basiert auf DeepForest und wurde mit Daten des National Ecological Observatory Network trainiert.
Lizenzanforderungen
Für diesen Workflow gelten die folgenden Lizenzanforderungen:
- ArcGIS Desktop: ArcGIS Image Analyst-Erweiterung für ArcGIS Pro
- ArcGIS Enterprise: ArcGIS Image Server
- ArcGIS Online: ArcGIS Image for ArcGIS Online
Modelldetails
Dieses Modell hat die folgenden Merkmale:
- Eingabe: Hochauflösende Luftbilder (8-Bit, 3-Band)
- Ausgabe: Feature-Class, die erkannte Bäume enthält
- Berechnung: Dieser Workflow ist rechenintensiv. Empfohlen wird eine GPU mit Compute Capability Version 6.0 oder höher.
- Eignung für Geographien: Das Modell eignet sich gut für die Vereinigten Staaten.
- Architektur: Das Modell basiert auf dem DeepForest-Python-Paket und verwendet die in Torchvision implementierte RetinaNet-Modellarchitektur.
- Accuracy-Kennwerte: Das Modell hat einen Precision-Score von 0,66 und einen Recall-Score von 0,79.
Zugreifen auf das Modell und Herunterladen des Modells
Laden Sie das vortrainierte Modell Tree Detection – USA aus dem ArcGIS Living Atlas of the World herunter. Alternativ können Sie direkt über ArcGIS Pro auf das Modell zugreifen oder es in ArcGIS Image for ArcGIS Online verwenden.
- Navigieren Sie zu ArcGIS Living Atlas of the World.
- Melden Sie sich mit Ihren ArcGIS Online-Anmeldedaten an.
- Suchen Sie nach Tree Detection, und öffnen Sie in den Suchergebnissen die entsprechende Elementseite.
- Klicken Sie auf die Schaltfläche Herunterladen, um das Modell herunterzuladen.
Sie können die heruntergeladene .dlpk-Datei direkt in ArcGIS Pro verwenden, oder sie in ArcGIS Enterprise hochladen und dort verwenden. Außerdem können Sie das vortrainierte Modell bei Bedarf optimieren.
Versionshinweise
Es folgen die Versionshinweise:
Datum | Beschreibung |
---|---|
Mai 2022 |
|