モデルの使用

このモデルは、ArcGIS Pro の Image Analyst ツールボックスからアクセスできる [ディープ ラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)] ツールで使用できます。 以下の手順でモデルを使用して、画像の農作物を分類します。

画像の推奨構成

以下の画像構成をお勧めします。

• 画像 - ラスター、モザイク データセット、またはイメージ サービス。 Harmonized Landsat 8 (HLSL30) または Harmonized Sentinel 2 (HLSS30) の 6 バンド、合計で 18 バンドの 3 つの時間ステップから成るコンポジット ラスター。 このモデルは、Sentinel-2 および Landsat 8 のレベル 2 プロダクトでも使用できますが、HLSL30 と HLSS30 で使用するのが最も効果的です。 コンポジット ラスターを作成するために、3 月から 9 月の間に発生した、雲量の少ない 3 つのシーンをダウンロードします。 季節の序盤に 1 つ目、中盤に 2 つ目、終盤に 3 つ目のシーンを取得します。

  コンポジット ラスターは、青、緑、赤、ナロー NIR、SWIR、および SWIR 2 のバンドを含んでいる必要があります。

  前述のバンドのバンド番号は以下のとおりです。

  • HLSS30 と Sentinel-2 の場合: Band2、Band3、Band4、Band8A、Band11、Band12
  • HLSL30 と Landsat 8: Band2、Band3、Band4、Band5、Band6、Band7

• 解像度 - 30 メートル

モデルの使用

次の手順で、画像から農作物を分類します。

1. Prithvi - Crop Classification モデルをダウンロードし、ArcGIS Pro にイメージ レイヤーを追加します。

   

2. 対象地域にズームします。
3. [解析] タブの [ツール] を参照します。

   

4. [ジオプロセシング] ウィンドウの [ツールボックス] タブをクリックして [Image Analyst ツール] を選択し、[ディープ ラーニング] の [ディープ ラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)] ツールを参照します。

   

5. [パラメーター] タブで、次のように変数を設定します。
   1. [入力ラスター] - 画像を選択します。
   2. [出力ラスター データセット] - 分類結果を含む出力フィーチャクラスを設定します。
   3. [モデル定義] - 事前トレーニングされた、または微調整されたモデルの .dlpk ファイルを選択します。
   4. [引数] (オプション) - 必要に応じて引数の値を変更します。
      • [padding] - 隣接するタイルの予測がブレンドされる画像タイルの境界のピクセル数。 値を大きくすると、エッジ アーティファクトが減少し、出力が滑らかになります。 パディングの最大値には、タイル サイズの値の半分を設定できます。
      • [batch_size] - モデル推論の各ステップで処理された画像タイルの数。 これは、お使いのグラフィックス カードのメモリに応じて異なります。
      • [test_time_augmentation] - 予測中にテスト時間の延長を実行します。 true の場合、入力画像の反転および回転バリアントの予測は、最終出力にマージされます。
      • predict_background - True を設定した場合、背景クラスも分類されます。

   

6. [環境] タブで、次のように変数を設定します。
   1. [処理範囲] - ドロップダウン メニューから [現在の表示範囲] または他の選択肢を選択します。
   2. [セル サイズ] (必須) - 値を「30」に設定します。

      必要なラスター解像度は 30 メートルです。

   3. [プロセッサー タイプ] - [CPU] または [GPU] を選択します。

      可能であれば [GPU] を選択し、[GPU ID] に、使用する GPU を指定することをお勧めします。

   

7. [実行] をクリックします。

   出力レイヤーがマップに追加されます。