使用模型

您可以在 ArcGIS Pro 中的 Image Analyst 工具箱提供的使用深度学习分类像素工具中使用此模型。 按照以下步骤使用模型分类影像中的农作物。

建议的影像配置

建议的影像配置如下：

• 影像 - 栅格、镶嵌数据集或影像服务。 包含协调后的 Landsat 8 (HLSL30) 或协调后的 Sentinel 2 (HLSS30) 数据的复合栅格，栅格包含 3 个时间步长，每步长 6 个波段，共 18 个波段。 该模型也适用于 Sentinel-2 和 Landsat 8 的二级产品，但与 HLSL30 和 HLSS30 配合使用的效果最佳。 为准备复合栅格，请下载 3 月至 9 月期间云量低的三个场景。 确保分别在作物季节初期、中期和末期捕获各一个场景。

  复合栅格应包含以下波段：蓝、绿、红、窄波近红外 (NIR)、SWIR 和 SWIR 2。

  上述波段的对应波段号码如下：

  • 对于 HLSS30 和 Sentinel-2：Band2、Band3、Band4、Band8A、Band11、Band12
  • 对于 HLSL30 和 Landsat 8：Band2、Band3、Band4、Band5、Band6、Band7

• 分辨率 - 30 米

使用模型

为从影像中分类作物，请完成以下步骤：

1. 下载 Prithvi - 农作物分类模型，并在 ArcGIS Pro 中添加影像图层。

   

2. 缩放至感兴趣区域。
3. 浏览至分析选项卡上的工具。

   

4. 单击地理处理窗格中的工具箱选项卡，选择影像分析工具，然后浏览至深度学习下的使用深度学习分类像素工具。

   

5. 按照以下说明设置参数选项卡上的变量：
   1. 输入栅格 - 选择影像。
   2. 输出栅格数据集 - 设置将包含分类结果的输出要素类。
   3. 模型定义 - 选择预训练模型或微调模型的 .dlpk 文件。
   4. 参数（可选）- 根据需要更改参数值。
      • padding - 影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。 增加此值以减少边伪影，使输出更加平滑。 内边距的最大值可以是切片大小值的一半。
      • batch_size - 模型推断每个步骤中处理的影像切片数。 这取决于显卡的内存。
      • test_time_augmentation - 在预测期间执行测试时数据增强。 如果值为 true，则输入影像的翻转和旋转变体的预测将合并到最终输出中。
      • predict_background - 如果设置为 True，则也会对背景进行分类。

   

6. 按照以下说明设置环境选项卡上的变量：
   1. 处理范围 - 从下拉菜单中选择当前显示范围或任意其他选项。
   2. 像元大小（必填项）- 将值设置为 30。

      预期栅格分辨率为 30 米。

   3. 处理器类型 - 选择 CPU 或 GPU。

      如果可以，建议您选择 GPU 并设置 GPU ID 以指定要使用的 GPU。

   

7. 单击运行。

   输出图层将添加到地图。