Verwenden des Modells

Sie können dieses Modell im Werkzeug Pixel mit Deep Learning klassifizieren verwenden, das in der Toolbox "Image Analyst" in ArcGIS Pro verfügbar ist. Führen Sie die folgenden Schritte aus, um das Modell zum Klassifizieren der Landbedeckung in Bildern zu verwenden.

Empfohlene Bilddatenkonfiguration

Die folgende Bilddatenkonfiguration wird empfohlen:

• Bilddaten: Landsat 8-Bilddaten (Sammlung 2, Level-2)
• Auflösung: 30 Meter
• Die folgenden Konfigurationen werden unterstützt:
  • Landsat 8-Bilddaten (Sammlung 2, Level-2): Oberflächenreflexion in Form eines Rasters, eines Mosaik-Datasets oder eines Image-Service
• Wenn Sie ein Raster-Produkt verwenden, stellen Sie sicher, dass Sie beim Hinzufügen der Bilddaten zur Karte das Oberflächenreflexionsprodukt auswählen. Wenn Sie ein Mosaik-Dataset verwenden, stellen Sie sicher, dass Sie beim Hinzufügen von Rastern den Raster-Typ "Landsat 8" und die Verarbeitungsvorlage "Oberflächenreflexion" auswählen.

Klassifizieren der Landbedeckung

Führen Sie die folgenden Schritte aus, um die Landbedeckung in den Bilddaten zu klassifizieren:

Datenvorbereitung:
1. Bereiten Sie die Daten gemäß dem folgenden Produkttyp vor:
   • Raster-Produkt
   1. Laden Sie das Modell Land Cover Classification (Landsat 8) auf den lokalen Computer herunter.
   2. Navigieren Sie zu dem Ordner mit den Bilddaten des Typs Landsat 8 (Sammlung 2, Level-2). Blenden Sie den Ordner ein, und suchen Sie das Raster-Produkt.
   3. Blenden Sie das als MTL.txt-Datei bereitgestellte Raster-Produkt ein, und wählen Sie das abgeleitete Raster-Dataset Oberflächenreflexion ein.

      

   • Mosaik-Dataset
   1. Erstellen oder suchen Sie ein Mosaik-Dataset in einer File-Geodatabase. Klicken Sie mit der rechten Maustaste auf das Mosaik-Dataset, und wählen Sie Raster zu Mosaik-Dataset hinzufügen aus.
   2. Wählen Sie im Dialogfeld des Werkzeugs den Raster-Typ Landsat 8 und die Verarbeitungsvorlage Oberflächenreflexion aus, und führen Sie das Werkzeug bis zum Abschluss aus.

      

   • Raster-Dataset
   1. Daten vom Typ "Landsat 8 (Sammlung 2)" werden in der Regel als TIFF-Datasets bereitgestellt, für die zur Verwendung als Raster-Produkt eine TXT-Metadatendatei erforderlich ist. Wenn diese Metadatenverteilung nicht verfügbar ist, können Sie mit dem Geoverarbeitungswerkzeug Bänder zusammensetzen oder mit der Raster-Funktion Bänder zusammensetzen ein Multiband-Bild erstellen. Dieses kann als Eingabe für die Inferenzierung verwendet werden.

      

      

Datenverarbeitung:
2. Zoomen Sie auf einen Interessenbereich.

   

3. Navigieren Sie zu Werkzeuge auf der Registerkarte Analyse.

   

4. Klicken Sie im Bereich Geoverarbeitung auf die Registerkarte Toolboxes, wählen Sie Image Analyst Tools aus, und navigieren Sie unter Deep Learning zum Werkzeug Pixel mit Deep Learning klassifizieren.

   

5. Legen Sie die Variablen auf der Registerkarte Parameter wie folgt fest:
   1. Eingabe-Raster: Wählen Sie die Bilddaten wie oben beschrieben aus.
   2. Klassifiziertes Ausgabe-Raster: Legen Sie das Ausgabe-Raster-Dataset fest, das die Klassifizierungsergebnisse enthalten soll.
   3. Modelldefinition: Wählen Sie die .dlpk-Datei des vortrainierten oder optimierten Modells aus. Verwenden Sie in diesem Fall das zuvor heruntergeladene Modell Land Cover Classification (Landsat 8).
   4. Verarbeitungsmodus: Wählen Sie den Modus Als mosaikiertes Bild verarbeiten aus.
   5. Argumente (optional): Ändern Sie gegebenenfalls die Werte der Argumente.
      • padding: Die Anzahl von Pixeln am Rahmen von Bildkacheln, aus denen Vorhersagen für benachbarte Kacheln verschmolzen werden. Erhöhen Sie den Wert, um die Ausgabe zu glätten und gleichzeitig Artefakte an den Kanten zu reduzieren. Der Maximalwert für Padding ist die Hälfte des Wertes für die Kachelgröße.
      • batch_size: Die Anzahl der in den einzelnen Schritten der Modellinferenz verarbeiteten Kacheln. Dieser Wert hängt vom Speicher der Grafikkarte ab.
      • predict_background: Wenn Sie "True" festlegen, wird auch die Hintergrundklasse klassifiziert.
      • test_time_augmentation: Führt beim Erstellen von Vorhersagen Test-Time Augmentation durch. Wenn "True" festgelegt ist, werden Vorhersagen für gekippte und gedrehte Varianten des Eingabebilds in der endgültigen Ausgabe zusammengeführt.
      • tile_size: Die Breite und Höhe der Bildkacheln, in die die Bilddaten für Vorhersagen unterteilt werden
      • landsat_imagery_level: Die Verarbeitungsebene der als Eingabe verwendeten Landsat 8-Bilddaten. Der Standardwert ist 2 für Landsat-Bilddaten (Sammlung 2, Level-2).

   

   Hinweis:

   Um direkt über ArcGIS Pro auf das Modell zuzugreifen (unterstützt in ArcGIS Pro 2.7 und höher), klicken Sie auf die Schaltfläche "Durchsuchen", und suchen Sie nach dem Modell.

   

6. Legen Sie die Variablen auf der Registerkarte Umgebungen wie folgt fest:
   1. Verarbeitungsausdehnung: Wählen Sie Aktuelle Anzeigeausdehnung oder eine andere Option aus dem Dropdown-Menü aus.
   2. Zellengröße (erforderlich): Legen Sie den Wert auf 30 fest.

      Die erwartete Raster-Auflösung ist 30 Meter.

   3. Prozessortyp: Wählen Sie CPU oder GPU aus.

      Wenn eine GPU verfügbar ist, wird empfohlen, die Option GPU auszuwählen und mit GPU-ID die zu verwendende GPU anzugeben.

   

Visualisierung:
7. Klicken Sie auf Ausführen.

   Der Ausgabe-Layer wird der Karte hinzugefügt.