此文档介绍了如何使用 ArcGIS Living Atlas of the World 上提供的停车场分类 - 美国预训练模型。 该模型用于从高分辨率航空 RGB 影像中检测和分类停车区域的像素。
美国的停车场占用了大量土地面积，特别是在城市和郊区更是如此。 使用停车位安装太阳能电池板是一种日益增长的趋势，称为太阳能停车场或太阳能车棚。 虽然太阳能在美国取得了实质性进展，但仍存在尚未开发的潜力。 通过在停车场上安装太阳能电池板，可以利用该空间进行太阳能发电，而无需额外的土地。 由此，它们不仅可以为停放的车辆提供遮阳，还可以产生清洁能源并降低建筑物和设施点的碳足迹。 它们还可以与电动汽车 (EV) 充电基础设施相结合，以估算电动汽车的潜在需求，电动汽车可以由安装在停车场的太阳能电池板供电，由此促进清洁交通的采用，降低对化石燃料的依赖，并进一步增强可持续性。 但传统上，需要对停车位进行手动数字化和分类，这是一项非常耗费人力和时间的任务。 在效率、精度、可扩展性、适应性、实时监控以及与可再生能源目标的集成方面，使用深度学习模型自动执行停车位分类和太阳能电池板容量计算的任务优于传统方法。
使用 GeoAI 进行停车位分类和太阳能电池板安装容量计算，可以在城市规划、土地利用优化、可再生能源部署和可持续交通方面具有潜在应用，并有助于实现国家/地区的可再生能源目标。
许可要求
要完成此工作流，需满足以下许可要求：
- ArcGIS Desktop - ArcGIS Pro 的 ArcGIS Image Analyst 扩展模块
- ArcGIS Enterprise - 已配置栅格分析的 ArcGIS Image Server。
- ArcGIS Online - ArcGIS Image for ArcGIS Online
模型概览
此模型具有以下特征：
- 输入 - 8 位三波段高分辨率（30 厘米 - 1.2 米）影像。 要检测小型停车场，强烈建议使用更高分辨率的影像。
- 输出 - 表示分类停车位的要素图层。
- 计算 - 此为计算密集型工作流，建议使用 CUDA 计算能力不低于 6.0 的 GPU。
- 适用地理位置 - 此模型预计适用于美国。
- 架构 - 此模型使用在 ArcGIS API for Python 中实施的基于 MMSegmentation 的 DeepLabV3Plus 模型架构。
- 准确率指标 - 此模型的平均精度得分为 0.75，召回率得分为 0.68。
- 局限性
- 此模型预计在商业铺砌停车场上运行良好。
- 但可能会与具有相似反射率的铺砌表面混淆。
访问和下载模型
从 ArcGIS Living Atlas of the World 下载停车场分类 - 美国预训练模型。 也可以从 ArcGIS Pro 直接访问模型，或在 ArcGIS Image for ArcGIS Online 中使用模型。
- 浏览至 ArcGIS Living Atlas of the World。
- 使用您的 ArcGIS Online 凭据进行登录。
- 搜索 Parking Lot Classification — USA，然后从搜索结果中打开项目页面。
- 单击下载按钮以下载模型。
您可以在 ArcGIS Pro 中直接使用下载的 .dlpk 文件，或者在 ArcGIS Enterprise 中上传并使用文件。 还可以根据需要微调预训练模型。
发布说明
以下为发布说明：
| 日期 | 描述 |
|---|---|
| 2023 年 7 月 | “停车场分类 - 美国”第一版发布 |