Classificar Pixels Utilizando Aprendizagem Detalhada (Map Viewer)

A ferramenta Classificar Pixels Usando Aprendizagem Detalhada usa um modelo de aprendizagem detalhada para classificar os pixels em uma camada de imagens de acordo com uma lista definida de rótulos que indicam diferentes classes.

A saída é uma camada de imagem hospedada.

Exemplo

A ferramenta Classificar Pixels Usando Aprendizagem Detalhada pode ser usada como entrada para detecção de mudança categórica entre diferentes períodos de tempo. As camadas de imagens temáticas classificadas produzidas como saídas podem ser usadas como camadas de imagens de entrada para medir a mudança ao longo do tempo. Por exemplo, você pode usar esta ferramenta para criar uma camada de imagens temáticas para os subúrbios de uma grande cidade durante dois períodos com o mesmo tema de classificação. Ao comparar as camadas de imagens temáticas produzidas, a transição de áreas entre classes rotuladas pode ser medida e quantificada.

Anotações de uso

Classificar Pixels Usando Aprendizagem Detalhada inclui configurações para camadas de entrada, configurações de modelo e camada resultante.

Camadas de entrada

O grupo de camadas de entrada inclui os seguintes parâmetros:

  • Camada de entrada é a camada de imagens ou camada que será utilizada para a classificação. A camada de imagens selecionada deve ser baseada nos requisitos do modelo de aprendizagem detalhada que será usado para classificar os pixels.
  • Modo de processamento especifica como os itens raster na camada de imagem serão processados. Estas opções são as seguintes:
    • Processar como imagem em mosaico—Todos os itens raster no conjunto de dados do mosaico ou serviço de imagem serão mosaicados juntos e processados. Este é o padrão.
    • Processe todos os itens raster separadamente—Todos os itens raster no conjunto de dados de mosaico ou serviço de imagem serão processados ​​como imagens separadas.

Configurações do modelo

O grupo Configurações do modelo inclui os seguintes parâmetros:

  • Modelo para classificação de pixel é o modelo de aprendizagem detalhada que será usado para classificar os pixels. O modelo de aprendizagem detalhada deve estar localizado no ArcGIS Online para ser selecionado na ferramenta. Você pode selecionar seu próprio modelo, um modelo disponível publicamente no ArcGIS Online ou um modelo do ArcGIS Living Atlas of the World.
  • Argumentos do modelo especifica os argumentos de função definidos na classe de função raster do Python. Parâmetros adicionais de aprendizagem detalhada e argumentos para experimentos e refinamento são listados, como um limite de confiança para ajustar a sensibilidade. Os nomes dos argumentos são preenchidos a partir do módulo de Python.

Camada resultante

O grupo de Camada de resultado inclui os seguintes parâmetros:

  • Nome de saída especifica o nome da camada que é criada e adicionada ao mapa. O nome deve ser único. Se já existir uma camada com o mesmo nome em sua organização, a ferramenta falhará e você será solicitado a usar um nome diferente.
  • Tipo de camada de saída especifica o tipo de saída raster a ser criado. A saída pode ser uma camada de imagem mosaicada ou uma camada de imagem dinâmica.
  • Salvar na pasta especifica o nome de uma pasta em Meu conteúdo onde o resultado será salvo.

Ambientes

As configurações do ambiente de análise são parâmetros adicionais que afetam os resultados de uma ferramenta. Você pode acessar as configurações do ambiente de análise da ferramenta no grupo de parâmetros Configurações do ambiente.

Esta ferramenta respeita os seguintes ambientes de análise:

Saídas

A saída é uma camada de imagens temáticas classificadas com base no esquema de classificação definido no modelo de aprendizagem detalhada.

Requisitos de uso

Esta ferramenta requer o seguinte tipo de usuário e configurações:

  • Professional ou tipo de usuário Professional Plus
  • Papel de Publisher, Facilitador ou Administrator, ou um papel personalizado equivalente com o privilégio Análise de imagens​

Recursos

Utilize os seguintes recursos para saber mais: