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: Sentinel-2-Bilddaten
• Auflösung: 10 Meter
• Die folgenden Konfigurationen werden unterstützt:
  • Sentinel-2-L2A-Bilddaten (empfohlen): BOA-Produkt (Bottom Of Atmosphere, Unterrand der Atmosphäre) in der Form eines Rasters, eines Mosaik-Datasets oder eines Image-Service
  • Sentinel-2-L1C-Bilddaten: Wenn Sie ein Mosaik mit dem Werkzeug Manage Sentinel-2 imagery erstellen, können Sie den multispektralen Layer mit der Einstellung Keine für die Verarbeitungsvorlage verwenden.

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. Navigieren Sie zu dem Ordner mit den Sentinel-2-L2A-Daten. Blenden Sie den Ordner ein, und suchen Sie das Raster-Produkt.
   2. Blenden Sie das als .xml-Datei bereitgestellte Raster-Produkt ein, und wählen Sie das abgeleitete Raster-Dataset BOA-Reflexion aus.

      

   • Mosaik-Dataset
   1. Erstellen Sie ein Mosaik-Dataset mithilfe des Geoverarbeitungswerkzeugs Mosaik-Dataset erstellen. Legen Sie die Variablen auf der Registerkarte Parameter wie folgt fest:
      • Ausgabeverzeichnis: Wählen Sie eine Geodatabase aus.
      • Name des Mosaik-Datasets: Geben Sie einen Namen für das Mosaik-Dataset an.
      • Koordinatensystem: Wählen Sie ein Koordinatensystem für das Ausgabe-Mosaik-Dataset aus.
      • Produktdefinition: Wählen Sie Keine aus.

      

   2. Öffnen Sie zum Hinzufügen des Rasters zum Mosaik-Dataset das Geoverarbeitungswerkzeug Raster zu Mosaik-Dataset hinzufügen. Legen Sie die Variablen auf der Registerkarte Parameter wie folgt fest:
      • Mosaik-Dataset: Wählen Sie das Eingabe-Mosaik-Dataset aus.
      • Raster-Typ: Wählen Sie aus der Dropdown-Liste den Eintrag Sentinel-2 aus.
      • Verarbeitungsvorlagen: Wählen Sie aus der Dropdown-Liste die Vorlage BOA-Reflexion aus.
      • Eingabedaten: Wählen Sie aus der Dropdown-Liste den Eintrag Ordner aus, navigieren Sie zu den SAFE-Dateien, und fügen Sie sie hinzu.

      

      Hinweis: Bei Bedarf können Sie mit dem Geoverarbeitungswerkzeug Bänder zusammensetzen oder mit der gleichnamigen Raster-Funktion ein Multiband-Bild erstellen, das als Eingabe für die Inferenz verwendet werden kann.

Datenverarbeitung:
2. Laden Sie das Modell Land Cover Classification (Sentinel-2) herunter, fügen Sie den Bilddaten-Layer in ArcGIS Pro hinzu, und 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 aus.
   2. Ausgabe-Raster-Dataset: Legen Sie die Ausgabe-Feature-Class fest, die die Klassifizierungsergebnisse enthalten soll.
   3. Modelldefinition: Wählen Sie die .dlpk-Datei des vortrainierten oder optimierten Modells aus.
   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
      • output_label_level: Die Corine Land Cover-Ebene (CLC) der Ausgabebeschriftungen. Der Standardwert ist 2 für CLC-Level 2 (15 Landbedeckungsklassen). Verwenden Sie 1 für CLC-Level 1 (5 Landbedeckungsklassen).
      • sentinel_imagery_level: Die Verarbeitungsebene der als Eingabe verwendeten Sentinel-2-MSI-Bilddaten. Der Standardwert ist 2 für Level-2A-Bilddaten. Verwenden Sie für die Verarbeitung von Level-1C-Bilddaten den Wert 1.
      • merge_classes: Nur zutreffend, wenn "output_label_level" auf 2 festgelegt ist. Wenn "True" festgelegt ist, werden Meeresgewässer und Binnengewässer in der Klasse "Waters" und Meeresfeuchtgebiete und Binnenfeuchtgebiete in der Klasse "Wetlands" zusammengeführt. Legen Sie alternativ "False" fest, um separate Klassen zu erstellen.
      • radiometric_offset_correction: Korrigiert den radiometrischen Versatz von -1000 in Bilddaten, die nach dem 25. Januar 2022 aufgenommen wurden, in Sentinel-2-L2A-Bilddaten. (Hinweis: Überprüfen Sie, ob Ihr Datenanbieter für Daten, die nach Januar 2022 aufgenommen wurden, einen Versatz angewendet hat. Für Quellen wie Azure und Copernicus muss der Parameter "radiometric_offset_correction" auf "True" festgelegt sein. Legen Sie den Parameter für AWS-Daten auf "False" fest, da auf diese bereits radiometrische Versatzkorrekturen angewendet wurden und sie nicht erneut korrigiert werden müssen.)

   

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 10 fest.

      Die erwartete Raster-Auflösung ist 10 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.

   

7. Klicken Sie auf Ausführen.

   Der Ausgabe-Layer wird der Karte hinzugefügt.