Der Ordner enthält mehrere Unterordner, eine ArcGIS Pro-Projektdatei (.aprx) und eine ArcGIS-Toolbox (.tbx). Bevor Sie die anderen Daten untersuchen, öffnen Sie die Projektdatei.

Das Projekt enthält die Karte eines Wohngebiets nahe Louisville, Kentucky. Diese Karte enthält die Bilddatei Louisville_Neighborhood.tif mit einer Auflösung von 6 Zoll, einer 4-Band-Luftaufnahme des Gebietes, und den Layer Parcels, eine Feature-Class mit Flurstücken. Die Bilddaten von Louisville_Neighborhood.tif stammen vom U.S. National Agriculture Imagery Program (NAIP).

Als Nächstes extrahieren Sie bestimmte Spektralbänder aus den Bilddaten.

Der Bereich Raster-Funktionen wird angezeigt.

Mit Raster-Funktionen lassen sich Vorgänge an einem Raster-Bild on-the-fly ausführen. Dabei bleiben die ursprünglichen Daten unverändert, und es wird kein neues Dataset erstellt. Die Ausgabe erfolgt in Form eines Layers, der nur in dem Projekt existiert, in dem die Raster-Funktion ausgeführt wurde. Sie verwenden die Funktion Bänder extrahieren, um ein Bild mit nur drei Bändern zu erstellen, damit Sie zwischen undurchlässigen und durchlässigen Oberflächen unterscheiden können.

Die Funktion Bänder extrahieren wird angezeigt.

Sie extrahieren die Bänder "Nahinfrarot" (Band 4), das die Vegetation hervorhebt, "Rot" (Band 1), das künstlich geschaffene Objekte und Vegetation hervorhebt, sowie "Blau" (Band 3), das Gewässer hervorhebt.

Mit dem Parameter Methode wird der Schlüsselworttyp festgelegt, mithilfe dessen Bänder durch Eingabe der Bandkombination referenziert werden. Für die vorliegenden Daten sind Band-IDs (eine einzelne Zahl je Band) die einfachste Möglichkeit, jedes Band zu benennen.

Der Parameter Fehlende Bandaktion gibt an, welche Aktion ausgeführt wird, wenn ein zur Extraktion vorgesehenes Band im Bild nicht enthalten ist. Mithilfe von Höchste Übereinstimmung wird das beste verfügbare Band ausgewählt.

Der neue Layer mit dem Namen Louisville Neighborhood Extracted Bands_Louisville_Neighborhood.tif wird zur Karte hinzugefügt. Damit werden nur die extrahierten Bänder angezeigt.

Der gelbe Layer Parcels liegt über dem Bild und könnte die Anzeige mancher Features erschweren. Da der Layer Parcels im Moment nicht benötigt wird, können Sie ihn vorerst ausblenden.

Der Layer Louisville Neighborhood Extracted Bands zeigt die Bilddaten mit der von Ihnen gewählten Bandkombination (4 1 3). Die Vegetation erscheint rot, Straßen erscheinen grau, und Dächer werden grau- oder blauschattiert dargestellt. Durch das Hervorheben des Unterschieds zwischen natürlichen und künstlich geschaffenen Oberflächen lassen sich diese später leichter klassifizieren.

Der Bereich Bildklassifizierungsassistent wird angezeigt.

Die erste Seite des Assistenten (gekennzeichnet durch den blauen Kreis oben im Assistenten) enthält mehrere grundlegende Parameter, die die Art der durchzuführenden Klassifizierung bestimmen. Diese Parameter haben Auswirkungen auf die anschließend im Assistenten angezeigten Schritte. Sie verwenden die Methode der überwachten Klassifizierung. Diese Methode basiert auf benutzerdefinierten Trainingsgebieten, aus denen hervorgeht, welche Pixel- oder Segmenttypen in welcher Weise klassifiziert werden sollten. (Im Gegensatz dazu wird bei einer unüberwachten Klassifizierung alles der Software überlassen, die über Klassifizierungen anhand von Algorithmen entscheidet.)

Bei der objektbasierten Klassifizierung wird ein als Segmentierung bezeichneter Prozess verwendet, um angrenzende Pixel basierend auf der Ähnlichkeit ihrer Spektraleigenschaften zu gruppieren.

Als Nächstes wählen Sie das Klassifizierungsschema aus. Das Klassifizierungsschema ist eine Datei, in der die für die Klassifizierung verwendeten Klassen angegeben sind. Ein Schema wird in einer Esri Klassifizierungsschemadatei (.ecs) gespeichert, die JSON-Syntax verwendet. In diesem Workflow ändern Sie das Standardschema NLCD2011. Dieses Schema basiert auf den von United States Geological Survey genutzten Landbedeckungstypen.

Mit dem nächsten Parameter wird der Wert für Ausgabeverzeichnis festgelegt. Dies ist der Workspace, in dem alle im Assistenten erstellten Ausgaben gespeichert werden. Zu diesen Ausgaben gehören Trainingsdaten, segmentierte Bilder, angepasste Schemas, Informationen zur Genauigkeitsbewertung, Zwischenausgaben und resultierende Klassifizierungsergebnisse.

Unter Optional brauchen Sie für Segmentiertes Bild, Trainingsgebiete oder Referenz-Dataset nichts einzugeben, da Sie im Vorfeld keines dieser Elemente erstellt haben.

Die nächste Seite des Bildklassifizierungsassistenten konzentriert sich auf die Segmentierung.

Es folgt der Parameter Räumliches Detail. Dieser legt die Gewichtung des Abstands zwischen Pixeln auf einer Skala von 1 bis 20 fest. Ein höherer Wert bedeutet, dass Pixel dichter beieinander liegen müssen, um zusammen gruppiert zu werden, sodass eine größere Anzahl an Segmenten entsteht. Mit einem niedrigeren Wert entstehen weniger Segmente, die auf dem Bild insgesamt einheitlicher sind. Sie verwenden einen niedrigen Wert, da nicht alle einander ähnlichen Features im Bild zusammen geclustert sind. Beispielsweise befinden sich Häuser und Straßen nicht immer in unmittelbarer Nähe und sind über das gesamte Bild verteilt.

Der nächste Parameter lautet Minimale Segmentgröße in Pixel. Im Unterschied zu den übrigen Parametern wird für diesen Parameter keine Skala von 1 bis 20 verwendet. Segmente, die weniger Pixel enthalten als der in diesem Parameter angegebene Wert, werden mit einem benachbarten Segment zusammengeführt. Sie möchten weder Segmente erhalten, die zu klein sind, noch sollen durchlässige und undurchlässige Segmente in einem Segment zusammengeführt werden. Der Standardwert ist in diesem Fall ausreichend.

Mit dem letzten Parameter – Nur Segmentgrenzen anzeigen – wird festgelegt, ob die Segmente mit schwarzen Grenzlinien dargestellt werden sollen. Dies ist hilfreich, um benachbarte Segmente, die ähnliche Farben aufweisen, voneinander zu unterscheiden. Es kann aber dazu führen, dass kleinere Segmente schwerer auszumachen sein werden. Einige der Features auf dem Bild, z. B. Häuser oder Auffahrten, sind ziemlich klein. Lassen Sie daher diesen Parameter deaktiviert.

Der Karte wird eine Vorschau der Segmentierung hinzugefügt. Sie wird auch unter dem Namen Preview_Segmented dem Bereich Inhalt hinzugefügt.

Auf den ersten Blick scheint der Ausgabe-Layer nicht die gewünschte Segmentierung aufzuweisen. Features wie die Vegetation wurden scheinbar in viele Segmente gruppiert, die ineinander verschwimmen, insbesondere links im Bild. In diesem Bereich scheint es auch Minisegmente zu geben, die lediglich aus einer Handvoll Pixel bestehen. Allerdings wird dieses Bild on-the-fly erstellt, was bedeutet, dass die Verarbeitung sich je nach Kartenausdehnung ändert. Bei voller Ausdehnung wird das Bild generalisiert, um Zeit zu sparen. Zum Verringern der Generalisierung vergrößern Sie den Ausschnitt, um besser erkennen zu können, wie die Segmentierung mit den von Ihnen ausgewählten Parametern aussieht.

Die Vorschau der Segmentierung wird erneut ausgeführt. Bei einer kleineren Kartenausdehnung gibt die Segmentierung die ausgesuchten Parameter genauer wieder: weniger Segmente und homogenere Ausgaben.

Der Wert 20 entspricht der Nummer, die allen Segmenten zugewiesen wird, die bei der Klassifizierung als undurchlässig identifiziert wurden. Hierbei handelt es sich lediglich um eine numerische Beschriftung, die nicht zur Verwendung in Berechnungen bestimmt ist.

Als Nächstes fügen Sie eine Subclass für graue Dachflächen hinzu.

In diesem Lernprogramm erstellen Sie keine weiteren Dachtypen. Bei einem Projekt, bei dem in den Bilddaten mehr verschiedenartige Gebäude enthalten sind, kann es jedoch sinnvoll sein, eine Landnutzungsart für rote Dächer zu erstellen, da sich deren Spektraleigenschaften von denen grauer Dächer unterscheiden.

Als Nächstes erstellen Sie mit dieser Klasse ein Trainingsgebiet auf der Karte.

Im Assistenten wird eine Zeile für das neue Trainingsgebiet hinzugefügt.

Bei der Erstellung von Trainingsgebieten sollten Sie pro Landnutzungstyp möglichst viele Pixel erfassen. Für dieses Lernprogramm reichen etwa sechs Stichproben pro Landnutzungsart aus. Bei einem konkreten Projekt, bei dem die Bilddaten eine wesentlich größere Ausdehnung abdecken, sind möglicherweise deutlich mehr Stichproben erforderlich.

Sie werden einige weitere Trainingsgebiete erstellen, um die Hausdächer darzustellen.

Jedes neu erstellte Trainingsgebiet wird dem Assistenten hinzugefügt. Obwohl Sie nur Trainingsgebiete für Dächer gezeichnet haben, existiert jedes Trainingsgebiet als eigene Klasse. Sie möchten abschließend alle grauen Dächer als gleichen Wert klassifizieren, weshalb Sie die erstellten Trainingsgebiete in einer Klasse zusammenführen.

Die Trainingsgebiete werden zu einer Klasse zusammengeführt. Sie können weitere Trainingsgebiete für graue Dächer hinzufügen und diese dann in der Klasse Gray Roofs zusammenführen. Am besten sammeln Sie Stichproben an allen Stellen des gesamten Bildes.

Als Nächstes fügen Sie weitere Landnutzungsarten hinzu.

Schatten sind keine echten Oberflächen und daher weder durchlässig noch undurchlässig. Jedoch werfen hoch aufragende Objekte wie Häuser oder Bäume üblicherweise Schatten, der häufig auf Grasflächen oder unbebaute Erdoberflächen fällt, die durchlässig sind.

Sie können den Layer Preview_Segmented aktivieren und deaktivieren, sodass der Layer Louisville Neighborhood Extracted Bands zu sehen ist und Sie sich ein besseres Bild von der Landschaft machen können.

Das angepasste Klassifizierungsschema wird gespeichert, damit Sie es erneut verwenden können.

Für den nächsten Parameter können Sie die maximale Anzahl von Referenzpunkten festlegen, die für die Definition jeder Klasse verwendet werden sollen. Da Sie alle Trainingsgebiete verwenden möchten, ändern Sie die maximale Anzahl von Beispielen pro Klasse auf 0. Durch das Ändern der maximalen Anzahl in 0 wird sichergestellt, dass alle Trainingsgebiete verwendet werden.

Als Nächstes trainieren Sie den Klassifikator und zeigen eine Vorschau an.

Der Prozess kann eine Weile dauern, da mehrere Prozesse ausgeführt werden. Zuerst wird das Bild segmentiert (die zuvor vorgenommene Segmentierung des Bildes war nicht permanent). Dann wird der Klassifikator trainiert, und die Klassifizierung wird durchgeführt. Wenn der Prozess abgeschlossen ist, wird eine Vorschau der Klassifizierung auf der Karte angezeigt.

Abhängig von den Trainingsgebieten kann die Vorschau der Klassifizierung ziemlich genau sein (die Farben im Dataset entsprechen den Farben, die Sie für die Klassen des Trainingsgebiets ausgewählt haben). Ihnen können jedoch einige Features auffallen, die nicht richtig klassifiziert wurden. Im Beispielbild gibt es z. B. südlich des Wohngebiets einen schlammigen Teich, der statt als Wasser fälschlicherweise als graues Dach klassifiziert wurde. Klassifizierung ist keine exakte Wissenschaft, weshalb immer mit dem einen oder anderen falsch klassifizierten Feature zu rechnen ist. Wenn Sie nur wenige Ungenauigkeiten feststellen, können Sie sie später im Assistenten manuell korrigieren. Bei einer großen Anzahl von Ungenauigkeiten sollten Sie weitere Trainingsgebiete erstellen. Zudem sind in diesem Fall Straßen und Auffahrten undurchlässig. Daher ändert sich die endgültige Klassifizierung in durchlässige und undurchlässige Landbedeckung nicht.

Als Nächstes wird die Seite Klassifizieren angezeigt. Auf dieser Seite führen Sie die eigentliche Klassifizierung durch und speichern sie in der Geodatabase.

Der Prozess wird ausgeführt, und der klassifizierte Raster-Layer Classified_Louisville wird zur Karte hinzugefügt. Es ähnelt der Vorschau.

Als Nächstes wird die Seite Klassen zusammenführen angezeigt. Auf dieser Seite führen Sie Subclasses in ihren übergeordneten Klassen zusammen. Das Raster weist gegenwärtig sieben Klassen auf, die jeweils für eine Landnutzungsart stehen. Für eine genaue Klassifizierung waren diese Klassen zwar wichtig, Sie interessieren sich aber nur dafür, ob eine Klasse durchlässig oder undurchlässig ist. Sie führen die Subclasses in den übergeordneten Klassen "Pervious" und "Impervious" zusammen, um ein Raster mit nur zwei Klassen zu erstellen.

Wenn Sie die erste Klasse ändern, wird der Karte eine Vorschau hinzugefügt. In der Vorschau ist das reklassifizierte Bild dargestellt. Wenn Sie alle Klassen ändern, sollte die Vorschau nur zwei Klassen enthalten, die durchlässige und undurchlässige Oberflächen darstellen.

Das Beispielbild enthält eine Ungenauigkeit: Einige kahle Landflächen südlich des Wohngebiets wurden fälschlicherweise als undurchlässig klassifiziert. Diese Flächen sind mit keinem undurchlässigen Objekt verbunden, also können Sie sie relativ einfach reklassifizieren.

Mit diesem Werkzeug können Sie auf der Karte ein Polygon zeichnen und alles innerhalb des Polygons reklassifizieren.

Mit dieser Einstellung werden alle Pixel im Polygon als durchlässige Oberflächen reklassifiziert. Als Nächstes reklassifizieren Sie die kahlen Landflächen.

Die kahlen Landflächen werden automatisch als eine durchlässige Oberfläche reklassifiziert.

Auch wenn Ihnen wahrscheinlich noch weitere Ungenauigkeiten in der Klassifizierung aufgefallen sind, nehmen Sie in diesem Lernprogramm keine weiteren Änderungen vor.

Das Werkzeug wird ausgeführt, und das reklassifizierte Raster wird zur Karte hinzugefügt.

Daraufhin wird der Bereich Geoverarbeitung angezeigt.

Mit diesem Werkzeug wird die Fläche einiger Klassen (in diesem Lernprogramm die der durchlässigen und undurchlässigen Flächen) in bestimmten Zonen (in diesem Lernprogramm je Flurstück) berechnet.

Beim Zonenfeld muss es sich um ein Attribut handeln, durch das die Zonen jeweils eindeutig identifiziert werden. Da die Flurstücks-ID für jedes Feature eine eindeutige Kennnummer aufweist, lassen Sie diesen Parameter unverändert.

Das Klassenwerte-Feld bestimmt das Feld, welches wiederum der Festlegung der Fläche dient. Da Sie in Ihrem reklassifizierten Raster (durchlässig und undurchlässig) die Fläche jeder Klasse ermitteln möchten, ist das Feld Class_name dafür geeignet.

Mit dem verbleibenden Parameter, Verarbeitungszellengröße, wird die Zellengröße für die Flächenberechnung festgelegt. Standardmäßig entspricht die Zellengröße der des Eingabe-Raster-Layers Louisville_Impervious, ein halber Fuß (in diesem Fall). Dieser Parameter bleibt unverändert.

Das Werkzeug wird ausgeführt, und die Tabelle wird dem Bereich Inhalt im Abschnitt Standalone-Tabellen hinzugefügt. Werfen Sie einen Blick auf die erstellte Tabelle.

Die Tabelle enthält ein Standardfeld ObjectID sowie drei weitere Felder. Das erste ist das Feld Parcel_ID aus dem Layer Parcels, das die eindeutige Kennnummer für jedes Flurstück anzeigt. Die übrigen beiden sind die Klassenfelder aus dem Raster-Layer Louisville_Impervious. In Feld Impervious wird die Fläche (in Fuß) der undurchlässigen Oberflächen je Flurstück angezeigt, während im Feld Pervious die Fläche der durchlässigen Oberflächen enthält.

Jetzt liegt Ihnen die Fläche der undurchlässigen Oberflächen je Flurstück vor, allerdings nur in einer Standalone-Tabelle. Als Nächstes verbinden Sie die Standalone-Tabelle mit dem Layer Parcels, sodass die Flächeninformationen im Layer verfügbar wird. Die Verbindung stellen Sie im Feld Flurstücks-ID her, das sowohl im Layer Parcels als auch in der Standalone-Tabelle vorhanden ist.

Das Fenster Verbindung hinzufügen wird angezeigt.

• Überprüfen Sie unter Eingabetabelle, ob Parcels ausgewählt ist.
• Als Eingabe-Join-Feld wählen Sie Parcel ID aus.
• Überprüfen Sie unter Join-Tabelle, ob die Tabelle Impervious_Area ausgewählt ist.
• Überprüfen Sie unter Join-Tabellen-Feld, ob Parcel_ID ausgewählt ist.

• IMPERVIOUS
• PERVIOUS

Die Ansicht Felder für die Attributtabelle Parcels wird angezeigt.

In der Ansicht Felder können Sie Felder hinzufügen oder löschen, deren Namen oder Aliasnamen ändern und weitere Einstellungen anpassen. Sie werden die Aliasnamen der beiden Flächenfelder ändern, damit diese aussagekräftiger sind.

Die Änderungen an der Attributtabelle werden gespeichert.

Der Bereich Symbolisierung für den Layer Parcels wird angezeigt. Momentan wird der Layer durch ein Symbol als gelbe Umrisslinie symbolisiert. Mit der Symbolisierung des Layers wollen Sie erreichen, dass größere Flächen mit undurchlässigen Oberflächen anders dargestellt werden als kleinere Flächen.

Mehrere Parameter sind jetzt verfügbar. Zunächst ändern Sie das Feld, das die Symbolisierung festlegt.

Die Symbolisierung auf der Karte ändert sich automatisch. Da jedoch nur wenige Klassen vorhanden sind, variiert die Symbolisierung der Flurstücke kaum.

Die Symbolisierung des Layers ändert sich erneut.

Die Flurstücke, in denen Flächen mit undurchlässigen Oberflächen am häufigsten vorkommen, stimmen offenbar mit den Positionen von Straßen überein. Diese Flurstücke sind sehr umfangreich und fast vollständig undurchlässig. Allgemein sind die Oberflächen größerer Flurstücke tendenziell eher undurchlässig. Aber auch zwischen kleineren Flurstücken kann es je nach der Größe des Gebäudes oder je nach der Entscheidung der Besitzer, eine undurchlässige Auffahrt oder Terrasse durch eine durchlässige zu ersetzen oder vielleicht ein begrüntes Dach auf dem Haus anzulegen, große Unterschiede geben.

Es ist zwar denkbar, den Layer nach dem Prozentsatz der undurchlässige Fläche zu symbolisieren, doch werden Abwassergebühren meist nach der Gesamtfläche ermittelt, nicht nach prozentualen Flächenanteilen.