Использование модели

Вы можете использовать эту модель в инструменте Классифицировать пикселы с помощью глубокого обучения, доступном в наборе инструментов Image Analyst в ArcGIS Pro. Следуйте инструкциям ниже, чтобы использовать модель для сегментации паводковых вод на изображениях.

Рекомендуемая конфигурация изображений

Рекомендуется следующая конфигурация изображений:

• Изображения - растр, набор данных мозаики или сервис изображений. Растр должен представлять собой 6-канальный составной растр Harmonized Landsat 8 (HLSL30) или Harmonized Sentinel 2 (HLSS30). Модель также можно использовать с продуктами уровня 2 Sentinel-2 и Landsat 8, но лучше всего она работает с HLSL30 и HLSS30.

  Составной растр должен содержать следующие каналы: синий, зеленый, красный, узкий NIR, SWIR, и SWIR 2.

  Соответствующие номера каналов для вышеупомянутых каналов следующие:

  • Для HLSS30 и Sentinel-2: Band2, Band3, Band4, Band8A, Band11, Band12
  • Для HLSL30 и Landsat 8: Band2, Band3, Band4, Band5, Band6, Band7

• Разрешение - 30 метров

Использование модели

Выполните следующие шаги, чтобы классифицировать паводковые воды по изображениям:

1. Загрузите модель Prithvi - Flood Segmentation и добавьте слой изображений ArcGIS Pro.

   

2. Приблизьтесь к области интереса.
3. Перейдите к Инструментам на вкладке Анализ.

   

4. Перейдите на вкладку Наборы инструментов на панели Геообработка, выберите Инструменты Image Analyst и найдите инструмент Классифицировать пикселы с помощью глубокого обучения в разделе Глубокое обучение.

   

5. Задайте переменные на вкладке Параметры следующим образом:
   1. Входной растр - Выберите изображение.
   2. Выходной набор растровых данных - задайте выходной класс объектов, который будет содержать результаты классификации.
   3. Определение модели - Выберите файл .dlpk предварительно обученной или точно настроенной модели.
   4. Аргументы (необязательно) - Измените значения аргументов, если требуется.
      • padding - Количество пикселов на границе листов изображений, из которых складываются прогнозные данные для смежных листов. Увеличьте это значение, чтобы сгладить результат и одновременно уменьшить артефакты по краям. Максимальное значение padding может составлять половину значения размера листа.
      • batch_size - Количество листов изображений, обработанных на каждом этапе построения модели. Оно зависит от объема памяти видеокарты.
      • test_time_augmentation - Увеличивает время тестирования в процессе прогнозирования. Если задано значение true, то конечный результат объединит прогнозы перевернутых и повернутых вариантов входного изображения.
      • predict_background - если установлено значение True, класс фона также классифицируется.

   

6. Установите переменные на вкладке Параметры среды следующим образом:
   1. Экстент обработки - Выберите Текущий экстент отображения или любую другую опцию из ниспадающего меню.
   2. Размер ячейки (обязательно) - установите значение равным 30.

      Ожидаемое разрешение растра составляет 30 метров.

   3. Тип процессора - Выберите CPU или GPU.

      Рекомендуется выбрать GPU, если он доступен, и установить идентификатор GPU ID, чтобы указать, какой GPU будет использоваться.

   

7. Щелкните Запустить.

   Выходной слой добавится на карту.