Puede utilizar este modelo en la herramienta Clasificar píxeles con aprendizaje profundo disponible en la caja de herramientas de Image Analyst de ArcGIS Pro. Siga los pasos que se indican a continuación para utilizar el modelo para clasificar cultivos en imágenes.
Configuración de imágenes recomendada
La configuración de imágenes recomendada es la siguiente:
- Imágenes: ráster, dataset de mosaico o servicio de imágenes. Ráster compuesto que consta de 3 periodos de tiempo con 6 bandas cada uno, con un total de 18 bandas de Landsat 8 armonizado (HLSL30) o Sentinel 2 armonizado (HLSS30). El modelo también puede utilizarse con productos de nivel 2 de Sentinel-2 y Landsat 8, pero el modelo funciona mejor con HLSL30 y HLSS30. Para preparar el ráster compuesto, descargue tres escenas con bajo porcentaje de imagen oculta que se produzcan entre marzo y septiembre. Asegúrese de capturar una escena al principio de la temporada, otra a la mitad y la tercera hacia el final de la temporada de cultivo.
El ráster compuesto debe contener las siguientes bandas: Azul, Verde, Rojo, estrecha de infrarrojo cercano, SWIR, y SWIR 2.
Los números de banda correspondientes a las bandas mencionadas son los siguientes:
- Para HLSS30 y Sentinel-2: Banda2, Banda3, Banda4, Banda8A, Banda11, Banda12
- Para HLSL30 y Landsat 8: Banda2, Banda3, Banda4, Banda5, Banda6, Banda7
- Resolución: 30 metros
Utilizar el modelo
Siga estos pasos para clasificar los cultivos a partir de las imágenes:
- Descargue el modelo Prithvi - Clasificación de cultivos y agregue la capa de imágenes en ArcGIS Pro.
- Acerque la visualización a un área de interés.
- Vaya a Herramientas en la pestaña Análisis.
- Haga clic en la pestaña Cajas de herramientas del panel Geoprocesamiento, seleccione Herramientas de Image Analyst y vaya a la herramienta Clasificar píxeles con aprendizaje profundo en Aprendizaje profundo.
- Establezca las variables de la pestaña Parámetros de la siguiente manera:
- Ráster de entrada: seleccione las imágenes.
- Dataset de ráster de salida: establezca la clase de entidad de salida que contendrá los resultados de la clasificación.
- Definición de modelo: seleccione el archivo .dlpk del modelo preentrenado o ajustado.
- Argumentos (opcional): cambie los valores de los argumentos si es necesario.
- padding: número de píxeles en el borde de las teselas de imágenes desde los cuales se combinarán las predicciones de las teselas adyacentes. Aumente el valor para suavizar la salida y reducir los artefactos de los bordes. El valor máximo del relleno puede ser la mitad del valor del tamaño de tesela.
- batch_size: número de teselas de imágenes procesadas en cada paso de la inferencia del modelo. Esto depende de la memoria de la tarjeta gráfica.
- test_time_augmentation: aplica un aumento del tiempo de prueba durante la predicción. Si se establece en True, las predicciones de variantes rotadas y volteadas de la imagen de entrada se fusionarán en la salida final.
- predict_background: si se establece como True, la clase de fondo también se clasifica.
- Establezca las variables de la pestaña Entornos de la siguiente manera:
- Extensión de procesamiento: seleccione Extensión de visualización actual o cualquier otra opción del menú desplegable.
- Tamaño de celda (obligatorio): establezca el valor en 30.
La resolución ráster esperada es de 30 metros.
- Tipo de procesador: seleccione CPU o GPU.
Se recomienda seleccionar GPU, si está disponible, y establecer Id. de GPU para especificar la GPU que se va a utilizar.
- Haga clic en Ejecutar.
La capa de salida se agrega al mapa.
