Прогнозировать, используя регрессионную модель (Image Analyst)—ArcGIS AllSource

Доступно с лицензией Image Analyst.

Краткая информация

Прогнозирует значения данных с помощью выходных данных инструмента Регрессионная модель произвольных деревьев с обучением.

Использование

Если Входным растром является многоканальный растр, каждый канал рассматривается как независимая переменная. Последовательность каналов многоканального растра должна быть постоянна для входных растровых данных, используемых для обучения модели в инструменте Регрессионная модель произвольных деревьев с обучением.
Если Входные растры представлены многомерным растром (многомерный растровый слой, многомерный набор данных мозаики или многомерный CRF), все многомерные переменные должны быть одноканальными и содержать изменение StdTime или StdZ. Каждая многомерная переменная рассматривается как переменная предиктора. Будут использованы все многомерные переменные.
Регрессионная модель определена в файле определения регрессии Esri (.ecd). Он содержит всю информацию для определенного набора данных или нескольких наборов данных, и регрессионную модель. Она создается инструментами обучения регрессионной модели, например Регрессионная модель произвольных деревьев с обучением.
Входные растры должны быть теми же, которые использовались при обучении регрессионной модели. Например, входной растр должен содержать то же число элементов в списке, в том же порядке и каждый элемент должен соответствовать (включая переменные в многомерном растра).
Если какая-либо из независимых переменных в местоположении имеет значение NoData, соответствующий пиксел в результирующем растре также будет со значением NoData.
Размер выходной ячейки определяется первым входным растром или указывается в параметрах среды.
Если выходные данные представляют собой многомерный растр, используйте формат CRF или NetCDF. В других растровых форматах, например TIFF, хранятся отдельные наборы растровых данных. Растр без измерений не может хранить выходную информацию многомерного растра.

Параметры

Подпись	Описание	Тип данных
Входные растры	Одноканальные, многомерные или многоканальные наборы растровых данных или наборы данных мозаики, содержащие независимые переменные.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String
Выходной файл определения регрессии	Файл в формате JSON, содержащий информацию об атрибутах, статистику или другую информацию для регрессионной модели. Это файл с расширением .ecd. Этот файл содержит выходные данные инструмента Регрессионная модель произвольных деревьев с обучением.	File
Выходной растр прогнозирования	Растр прогнозируемых значений.	Raster Dataset

PredictUsingRegressionModel(in_rasters, in_regression_definition, out_raster_dataset)

Имя	Описание	Тип данных
in_rasters [in_rasters,...]	Одноканальные, многомерные или многоканальные наборы растровых данных или наборы данных мозаики, содержащие независимые переменные.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String
in_regression_definition	Файл в формате JSON, содержащий информацию об атрибутах, статистику или другую информацию для регрессионной модели. Это файл с расширением .ecd. Этот файл содержит выходные данные инструмента Регрессионная модель произвольных деревьев с обучением.	File
out_raster_dataset	Растр прогнозируемых значений.	Raster Dataset

Пример кода

PredictUsingRegressionModel, пример 1 (окно Python)

Этот скрипт окна Python демонстрирует прогнозирование значений данных на основе результатов работы инструмента PredictUsingRegressionModel.

# Import system modules 
import arcpy 
from arcpy.ia import * 

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst") 

predicted_raster = arcpy.ia.PredictUsingRegressionModel("weather_variables.crf";"dem.tif", r"c:\data\pm_trained.ecd") 
predicted_raster.save("C:/data/pm2.5_prediction.crf")

PredictUsingRegressionModel, пример 2 (автономный скрипт)

Этот автономный скрипт Python демонстрирует прогнозирование значений данных на основе результатов работы инструмента PredictUsingRegressionModel.

# Import system modules 
import arcpy 
from arcpy.ia import *  

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst") 

# Define input parameters 
in_weather_variables = "C:/Data/ClimateVariables.crf" 
in_dem_varaible = "C:/Data/dem.tif" 
in_target = "C:/Data/pm2.5_observations.shp" 
target_value_field = "mean_pm2.5" 
Target_date_field = "date_collected" 
Raster_dimension = “StdTime” 
out_model_definition = "C:/Data/pm2.5_trained_model.ecd" 
Out_importance_table = "C:/Data/pm2.5_importance_table.csv" 
max_num_trees = 50 
max_tree_depth = 30 
max_num_samples = 10000    

# Execute - train with random tree regression model 
arcpy.ia.TrainRandomTreesRegressionModel(in_weather_variables;in_dem_varaible, in_target, out_model_definition,  target_value_field, Target_date_field, Raster_dimension, max_num_trees, max_tree_depth, max_num_samples)

Параметры среды

Выравнивание ячеек, Размер ячейки, Сжатие, Текущая рабочая область, Экстент, Географические преобразования, GPU ID, NoData, Выходная система координат, Коэффициент параллельной обработки, Тип процессора, Пирамидные слои, Статистика растра, Метод пересчета, Временная рабочая область, Растр привязки, Размер листа

Связанные разделы

Отзыв по этому разделу?