Vorbereitungen für das Deep Learning treffen
Damit Sie ein Modell für die automatische Klassifizierung von Satellitenbildern trainieren können, müssen sich die erforderlichen Deep-Learning-Bibliotheken auf Ihrem Computer befinden. Zunächst müssen Sie überprüfen, ob Ihr System über die richtigen Einstellungen und Bibliotheken verfügt. Dann laden Sie Landsat-8-Bilddaten herunter und erstellen für das Training Beschriftungen, die angeben, an welchen Stellen im Bild Mangroven vorhanden sind. Zuletzt exportieren Sie die Beschriftungen, um damit ein Deep-Learning-Modell zur Pixelklassifizierung zu trainieren.
Lernprogrammdaten einrichten und herunterladen
Vergewissern Sie sich, dass Ihr Rechner korrekt für Deep Learning eingerichtet ist. Dann laden Sie die für dieses Lernprogramm benötigten Daten herunter. Dazu gehören Landsat-8-Bilddaten und Standorte von Mangrovenwäldern aus dem Dataset "Global Mangrove Watch" der Vereinten Nationen.
- Bevor Sie die Deep-Learning-Werkzeuge verwenden können, müssen Sie sicherstellen, dass Ihr Rechner bereit ist.
Hinweis:
Die Verwendung der Deep-Learning-Werkzeuge in ArcGIS Pro setzt voraus, dass Sie die richtigen Deep-Learning-Bibliotheken auf Ihrem Computer installiert haben. Falls Sie diese Dateien nicht installiert haben, stellen Sie sicher, dass ArcGIS Pro geschlossen ist, und führen Sie die unter Auf Deep Learning in ArcGIS Pro vorbereiten beschriebenen Schritte aus. In diesen Anweisungen erfahren Sie neben weiteren nützlichen Tipps, wie Sie überprüfen können, ob Ihr Computer die Hardware- und Softwareanforderungen zum Ausführen von Deep-Learning-Workflows erfüllt. Anschließend können Sie mit diesem Lernprogramm fortfahren.
- Laden Sie die Datei Classify_Mangroves_Tutorial_Data.zip für dieses Lernprogramm herunter, und extrahieren Sie den Inhalt an einen geeigneten Speicherort auf Ihrem Computer.
- Öffnen Sie im Datei-Explorer die Datei Classify_Mangroves_Tutorial_Data. Öffnen Sie dann die Datei Classify Mangroves.
- Doppelklicken Sie auf die ArcGIS Pro-Projektdatei Classify Mangroves.
ArcGIS Pro wird mit einer Karte der Region um Mumbai, Indien, geöffnet.
- Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie in der Gruppe Fenster auf die Schaltfläche Bereich "Katalog".
Der Bereich Katalog wird angezeigt.
- Blenden Sie im Bereich Katalog das Element Ordner ein. Blenden Sie Classify Mangroves ein.
Dies ist das Dateiverzeichnis des Projekts.
- Blenden Sie den Ordner Landsat 8 imagery und dann den Ordner Landsat imagery 2016 ein.
Die Landsat-Bilddaten werden in mehreren Dateien bereitgestellt.
Hinweis:
Weitere Landsat-8-Bilddaten können aus der EarthExplorer-App des United States Geological Survey heruntergeladen werden. Weitere Standorte von Mangroven können über Global Mangrove Watch heruntergeladen werden.
- Blenden Sie das Element LC08_L2SP_148047_20160128_20200907_02_T1_MTL.txt ein.
Hinweis:
Dabei handelt es sich um das zweite Element im Ordner, das mit einem Satellitensymbol gekennzeichnet ist.
Die verschiedenen Landsat-Produkte sind sichtbar und können einer Karte hinzugefügt werden. Sie verwenden das Produkt Surface Reflectance, bei dem es sich um Farbbilddaten handelt.
- Klicken Sie mit der rechten Maustaste auf Surface Reflectance, und wählen Sie Zu aktueller Karte hinzufügen aus.
- Klicken Sie ggf. im Fenster Statistiken berechnen auf Ja.
Nachdem die Statistiken berechnet wurden, werden die Landsat-Bilddaten der Karte und dem Bereich Inhalt hinzugefügt.
- Doppelklicken Sie im Bereich Inhalt auf den Layer Surface Reflectance_LC08_L2SP_148047_20160128_20200907_02_T1_MTL.
Das Fenster Layer-Eigenschaften wird angezeigt. Sie benennen den Layer um und geben ihm einen kürzeren Namen.
- Geben Sie auf der Registerkarte Allgemein für Name den Text Surface Reflectance 2016 ein.
Als Nächstes betrachten Sie die Auflösung der Landsat-Bilddaten. Bei den Vorbereitungen für das Training eines Deep-Learning-Modells bildet die Auflösung einen wichtigen Aspekt.
- Klicken Sie im Fenster Layer-Eigenschaften auf die Registerkarte Quelle.
- Blenden Sie Raster-Information ein.
Den Angaben Zellengröße X und Zellengröße Y ist zu entnehmen, dass das Raster eine Auflösung von 30 x 30 hat. Als Nächstes bestimmen Sie die Maßeinheit der Zellengröße.
- Erweitern Sie Raumbezug.
Der Wert unter Lineare Einheit lautet Meter. Die Auflösung dieses Rasters beträgt 30 Meter. Das bedeutet, dass jedes in den Landsat-Bilddaten enthaltene Pixel 30 Meter auf 30 Meter auf dem Erdboden misst.
- Klicken Sie auf OK.
- Klicken Sie auf der Symbolleiste für den Schnellzugriff auf Speichern.
Sie haben ein ArcGIS Pro-Projekt heruntergeladen und dem Projekt Landsat-8-Bilddaten hinzugefügt. Als Nächstes trainieren Sie anhand dieser Datasets ein Modell, um Mangrovenwälder damit automatisch zu klassifizieren.
Deep-Learning-Modell trainieren
Zum Trainieren eines Deep-Learning-Modells müssen GIS-Daten in ein Format konvertiert werden, das zum Klassifizieren von Bilddaten verwendet werden kann. Zunächst markieren Sie anhand von Bilddaten aus dem Jahr 2016 die Standorte von Mangroven manuell. Diese markierten Standorte werden als Beschriftungen bezeichnet. Anschließend werden diese von Ihnen identifizierten Beschriftungen zum Trainieren des Modells verwendet. Das erstellte Modell wenden Sie auf Bilddaten aus dem Jahr 2021 an, um Mangrovenwälder automatisch zu klassifizieren.
Hinweis:
Die Mangrovenstandorte wurden von den Vereinten Nationen bereitgestellt. Sie können wahlweise das bereitgestellte Dataset verwenden oder mit den folgenden Schritten eigene Beschriftungen erstellen. Wenn Sie das bereitgestellte Mangroven-Dataset verwenden möchten, fahren Sie direkt mit dem Abschnitt "Die Trainingsdaten exportieren" in diesem Lernprogramm fort.
Die Trainingsbeschriftungen vorbereiten
Als Erstes erstellen Sie Beschriftungen. Bei diesen Beschriftungen handelt es sich um Bereiche der Bilder, von denen Sie wissen, dass sie Mangroven enthalten. Sie können durch manuelles Digitalisieren oder Zeichnen von Polygonen in den Bildern erstellt werden.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf Lesezeichen, und wählen Sie Mangroves aus.
In der Karte wird ein Gebiet mit Mangroven angezeigt.
- Klicken Sie auf dem Menüband auf die Registerkarte Bilddaten. Klicken Sie in der Gruppe Bildklassifizierung auf Klassifizierungswerkzeuge, und wählen Sie Trainingsgebiet-Manager aus.
Der Bereich Bildklassifizierung wird angezeigt. In diesem Bereich können Sie verschiedene Klassen für die unterschiedlichen Features erstellen, die das Modell in den Bilddaten klassifizieren soll. Sie fügen eine Klasse hinzu, die für Mangroven verwendet werden soll. Diese Klasse wird in einem benutzerdefinierten Schema gespeichert.
- Klicken Sie im Bereich Bildklassifizierung auf Neues Schema erstellen.
Das Standardschema wird entfernt.
- Klicken Sie auf die Schaltfläche Neue Klasse hinzufügen.
Hinweis:
Wenn Sie die Schaltfläche Neue Klasse hinzufügen nicht sehen, erhöhen Sie die Breite des Bereichs Bildklassifizierung.
Als Erstes geben Sie der Klasse einen Namen.
- Geben Sie für Name die Zeichenfolge mangrove ein.
Als Nächstes weisen Sie der Klasse einen Wert zu. Dieser Wert wird beim Trainieren des Modells vom Computer gelesen. Mangroven werden mit dem Wert 1 definiert.
- Geben Sie für Wert den Wert 1 ein.
Schließlich legen Sie eine Farbe für die Klasse fest. Diese Farbe verwenden Sie, wenn die Mangrovengebiete in den Bildern digitalisiert werden. Schwarz ist in den Bildern für dieses Projekt gut zu sehen.
- Wählen Sie für Farbe die Option Schwarz aus.
- Klicken Sie auf OK.
Die Klasse "mangrove" ist jetzt in Ihrem neuen Schema verfügbar. Sie speichern die am Schema vorgenommene Änderung, bevor Sie das Schema verwenden.
- Klicken Sie über Neues Schema auf Speichern.
- Geben Sie für Name die Zeichenfolge Mangrove classification ein.
- Geben Sie für Beschreibung die Zeichenfolge Schema used to label mangroves from Landsat 8 imagery ein.
- Navigieren Sie für Ausgabeverzeichnis zum Ordner Classify Mangroves, und klicken Sie auf OK.
- Klicken Sie auf Speichern.
Das neue Schema und die Klasse "mangrove" wurden gespeichert.
- Speichern Sie Ihr Projekt.
Das Schema ist gespeichert und kann von anderen Benutzern oder für andere Projekte verwendet werden.
Die Trainingsbeschriftungen erstellen
Nachdem Sie eine neue Beschriftungsklasse erstellt haben, verwenden Sie diese zum Digitalisieren von Gebieten mit Mangrovenwäldern in der Karte.
- Klicken Sie unter Mangrove classification auf mangrove.
Die Klasse wird aktiviert. Als Nächstes wählen Sie aus, wie Sie Gebiete mit Mangroven in den Bildern digitalisieren möchten.
- Klicken Sie auf das Werkzeug Polygon.
Sie haben die Klasse "mangrove" und ein geeignetes Zeichenwerkzeug ausgewählt. Nun beginnen Sie, Mangrovengebiete in den Bildern zu markieren.
- Klicken Sie einmal auf die Karte, um mit dem Abgrenzen eines Mangrovengebiets zu beginnen. Klicken Sie wiederholt, um Stützpunkte hinzuzufügen und ein geschlossenes Gebiet zu erstellen. Doppelklicken Sie, wenn Sie mit dem Zeichnen des ersten Gebiets fertig sind.
Hinweis:
Um das Polygon beim Digitalisieren abzubrechen, drücken Sie die ESC-Taste.
Das fertige Feature ist schwarz umrandet.
Um mit dem endgültigen Modell die besten Ergebnisse zu erzielen, sollten Sie so viele Mangrovengebiete wie möglich digitalisieren. Stellen Sie außerdem sicher, dass die digitalisierten Gebiete nur Mangrovenwälder enthalten.
Fahren Sie mit dem Abgrenzen von Mangrovengebieten in den Bildern fort. Wenn Sie mit dem Digitalisieren von Beschriftungen fertig sind, speichern Sie die Ergebnisse in einer Geodatabase.
- Klicken Sie im Bereich Bildklassifizierung über Klasse auf Speichern.
Sie werden aufgefordert, die Polygone als Feature-Class zu speichern. Sie speichern sie in der Standard-Geodatabase des Projekts.
- Blenden Sie im Fenster Speichern Sie die aktuellen Trainingsgebiete unter Projekt die Option Datenbanken ein. Klicken Sie auf Classify Mangroves.gdb.
- Geben Sie mangrove als Name ein, und klicken Sie auf Speichern.
Die digitalisierten Gebiete werden gespeichert. Jetzt entfernen Sie die Trainingsgebiete aus der Karte.
- Schließen Sie den Bereich Bildklassifizierung.
Daraufhin wird das Fenster Trainingsgebiet-Manager angezeigt, in dem Sie gefragt werden, ob Sie die Änderungen speichern möchten.
- Klicken Sie auf Ja.
Die Geodatabase muss aktualisiert werden, damit die neue Feature-Class angezeigt wird.
- Blenden Sie im Bereich Katalog den Container Datenbanken ein. Blenden Sie Classify Mangroves.gdb ein.
- Wählen Sie Classify Mangroves.gdb aus, und drücken Sie F5.
Die Geodatabase wird aktualisiert, und der Mangroven-Layer wird jetzt als Feature-Class angezeigt. Für das Modelltraining müssen diese Daten jedoch in das richtige Format konvertiert werden.
Die Trainingsdaten exportieren
Nachdem die Trainingsdaten erstellt wurden, verwenden Sie nun das Geoverarbeitungswerkzeug Trainingsdaten für Deep Learning exportieren, um die Daten in ein Format zu konvertieren, das für Deep Learning verwendet werden kann. Die Ausgabe dieses Prozesses wird als Bildschnipsel bezeichnet. Die Landsat-Bilddaten werden in diese Schnipsel bzw. kleinen Kacheln aufgeteilt, die zum Trainieren des Modells verwendet werden. Dieses erste Geoverarbeitungswerkzeug bestimmt, wie die Schnipsel erstellt werden.
- Geben Sie auf dem Menüband in Befehlssuche die Zeichenfolge Trainingsdaten für Deep Learning exportieren ein. Wählen Sie in der Liste der Suchergebnisse den Eintrag Trainingsdaten für Deep Learning exportieren aus.
Daraufhin wird der Bereich Geoverarbeitung angezeigt. Zuerst wählen Sie die Bilddaten aus, die für das Training verwendet werden sollen.
- Wählen Sie für Eingabe-Raster die Option Surface Reflectance 2016 aus.
Als Nächstes erstellen Sie einen Ordner zum Speichern der Trainingsdaten.
- Navigieren Sie für Ausgabeordner zum Ordner Classify Mangroves. Klicken Sie mit der rechten Maustaste auf Classify Mangroves, und wählen Sie Ordner aus.
- Geben Sie MangroveTrainingData als Name für den Ordner ein.
- Wählen Sie den Ordner aus, und klicken Sie dann auf OK.
Als Nächstes wählen Sie die zuvor erstellte Feature-Class aus, mit der die Mangrovengebiete in den Bilddaten definiert werden.
- Navigieren Sie für Eingabe-Feature-Class, klassifiziertes Eingabe-Raster oder Eingabetabelle zur Geodatabase Classify Mangroves, und wählen Sie die Feature-Class mangrove aus.
Hinweis:
Wenn Sie keine eigene Feature-Class "mangrove" mit dem Trainingsgebiet-Manager erstellt haben, wählen Sie die Feature-Class MangroveForest aus.
- Klicken Sie auf OK.
- Wählen Sie für Klassenwertefeld die Option Classvalue aus.
Hinweis:
Wenn Sie die Feature-Class MangroveForest verwenden, wählen Sie das Feld pxlval aus.
Für die nächste Gruppe von Parametern, Kachelgröße, behalten Sie die Standardwerte bei. Diese Werte können jedoch verwendet werden, um mit dem Werkzeug größere oder kleinere Schnipsel zu erstellen. Die Standardgröße beträgt 256 x 256 Pixel. Mit Stride legen Sie fest, wie stark sich die erstellten Schnipsel überlappen. Standardmäßig besteht zwischen den einzelnen Schnipseln eine Überlappung von 128 Pixel oder 50 Prozent. Bei einer höheren Überlappung steigt die Anzahl der erstellten Schnipsel.
Der letzte Parameter für dieses Werkzeug lautet Metadatenformat. Dieser Parameter bestimmt, welchen Typ von Deep-Learning-Modell Sie erstellen können. Da Sie eine Pixelklassifizierung von Mangroven durchführen möchten, wählen Sie das Format Klassifizierte Kacheln aus.
- Wählen Sie für Metadatenformat die Option Klassifizierte Kacheln aus.
Abschließend legen Sie die Ausgabezellengröße der Trainingsdaten auf 30 Meter fest. Diese Auflösung entspricht der der Landsat 8-Bilddaten.
- Klicken Sie unter Trainingsdaten für Deep Learning exportieren auf die Registerkarte Umgebungen.
- Geben Sie unter Raster-Analyse für Zellengröße den Wert 30 ein.
- Klicken Sie auf Ausführen.
Das Geoverarbeitungswerkzeug teilt die Bilddaten in Schnipsel im für die Pixelklassifizierung geeigneten Format auf. Die Aufteilung ist notwendig, da die vollständigen Bilddaten auf den meisten Computern nicht auf einmal in den Speicher passen würden. Das Werkzeug erkennt außerdem basierend auf den von Ihnen digitalisierten Gebieten, bei welchen es sich um Mangrovengebiete handelt.
Als Nächstes erkunden Sie die Ausgaben des Werkzeugs.
- Blenden Sie im Bereich Katalog die Ordner MangroveTrainingData und images ein.
Die Bilddateien entsprechen den erstellten Schnipseln.
- Klicken Sie mit der rechten Maustaste auf die Datei 000000000.tif, und wählen Sie Zu aktueller Karte hinzufügen aus.
- Klicken Sie ggf. im Fenster Statistiken berechnen auf Ja.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf 000000000.tif, und wählen Sie Auf Layer zoomen aus.
Die Kachel wird auf der Karte angezeigt. Sie entspricht einem kleinen Teil der Landsat-Bilddaten.
Hinweis:
Das angezeigte Bild ergibt sich aus der Verwendung der Feature-Class MangrovesForest als Eingabe für das Werkzeug Trainingsdaten für Deep Learning exportieren. Wenn Sie eigene Mangrovengebiete digitalisieren, sehen die Schnipsel anders aus. Möglicherweise müssen Sie ein paar Schnipsel hinzufügen, bis Sie ein Schnipsel mit weißen Gebieten finden, die Mangrovenwälder darstellen.
Das Modell trainieren
Bis jetzt haben Sie Mangrovengebiete digitalisiert und in einem Format exportiert, das für das Training verwendet werden kann. Jetzt kann das Modell trainiert werden.
Hinweis:
Abhängig von der Hardware Ihres Computers kann das Training des Modells mehrere Stunden dauern. Es wird empfohlen, einen Computer mit einem dedizierten Grafikprozessor (GPU) zu verwenden. Wenn Sie das Modell nicht trainieren möchten, finden Sie im Ordner Classify Mangroves ein Deep-Learning-Paket und können mit dem nächsten Abschnitt, "Das Deep-Learning-Modell bereitstellen", fortfahren.
- Geben Sie im Menüband in Befehlssuche den Befehl Deep-Learning-Modell trainieren ein. Wählen Sie in der Liste der Suchergebnisse den Eintrag Deep-Learning-Modell trainieren aus.
Daraufhin wird der Bereich Geoverarbeitung angezeigt. Als Erstes wählen Sie Ihre Trainingsdaten aus und legen dann einige Parameter für das Deep-Learning-Modell fest.
- Navigieren Sie für Eingabe-Trainingsdaten zum Ordner Classify Mangroves, und klicken Sie auf den Ordner MangroveTrainingData. Klicken Sie auf OK.
Als Nächstes wählen Sie aus, wo das Deep-Learning-Modell gespeichert werden soll.
- Navigieren Sie für Ausgabemodell zum Ordner Classify Mangroves. Erstellen Sie einen neuen Ordner, und geben Sie ihm den Namen MangroveClassifier.
- Wählen Sie den Ordner MangroveClassifier aus, und klicken Sie auf OK.
Jetzt legen Sie die Anzahl der Iterationen, die als Epochen bezeichnet werden, für die Ausführung des Modells fest.
- Vergewissern Sie sich, dass für Max. Epochen der Wert 20 festgelegt ist.
Basierend auf dem Format der Trainingsdaten, die Sie zuvor exportiert haben, legen Sie einen speziell für die Pixelklassifizierung geeigneten Modelltyp fest.
- Blenden Sie Modellparameter ein, und vergewissern Sie sich, dass Modelltyp auf U-Net (Pixelklassifizierung) festgelegt ist.
U-Net ist ein Deep-Learning-Modell zum Klassifizieren von Pixeln in einem Raster mithilfe von semantischer Segmentierung. Dieses Modell wird für die Landnutzungsklassifizierung verwendet.
Als Nächstes legen Sie die Anzahl der Trainingsgebiete fest, die beim Training einzeln verarbeitet werden sollen. Bei einem größeren Batch werden die Trainingsdaten schneller verarbeitet.
- Geben Sie für Batch-Größe den Wert 16 ein.
Als Nächstes ändern Sie einen Parameter, um sicherzustellen, dass das Training für alle 20 Epochen ausgeführt wird.
- Blenden Sie Erweitert ein, und deaktivieren Sie das Kontrollkästchen Beenden, wenn sich das Modell nicht mehr verbessert.
Wenn Sie über eine GPU verfügen, legen Sie abschließend fest, dass das Werkzeug in der GPU Ihres Computers ausgeführt wird, um die Verarbeitung zu beschleunigen. Fahren Sie andernfalls mit dem nächsten Schritt fort.
- Optional klicken Sie (wenn der Computer über eine GPU verfügt), auf die Registerkarte Umgebungen. Wählen Sie für Prozessortyp die Option GPU aus.
- Klicken Sie auf Ausführen.
Hinweis:
Wenn das Modell nicht ausgeführt wird, müssen Sie möglicherweise den Parameter Batch-Größe anpassen. Ob größere Batches verarbeitet werden können, hängt von der GPU des Computers ab. Mit einer leistungsstarken GPU können Sie bis zu 64 Trainingsgebiete gleichzeitig verarbeiten. Bei einer weniger leistungsstarken GPU müssen Sie diesen Parameter möglicherweise auf 8, 4 oder 2 festlegen und das Werkzeug erneut ausführen.
Während der Ausführung des Werkzeugs können Sie den Trainingsfortschritt sehen.
- Klicken Sie auf Details anzeigen.
Das Fenster Details wird angezeigt.
- Klicken Sie auf die Registerkarte Meldungen.
Für jede der 20 ausgeführten Epochen wird in Meldungen die Performance des Modells angezeigt. Insbesondere werden Sie feststellen, dass die Genauigkeit des Modells zunimmt oder sich 1 nähert.
Hinweis:
Da das Modell bei jeder Ausführung des Werkzeugs unterschiedlich trainiert wird, können die Meldungen Ihres Modells anders aussehen als im oben gezeigten Bild.
- Schließen Sie das Fenster Deep-Learning-Modell trainieren.
Nach Abschluss des Geoverarbeitungswerkzeugs sehen Sie sich die Ergebnisse an.
- Navigieren Sie in Explorer zum Ordner Ihres Projekts. Öffnen Sie den Ordner MangroveClassifier.
Der Ordner enthält eine Reihe von Ausgaben, die Sie zum Klassifizieren von Bilddaten verwenden können:
- MangroveClassifier.pth ist ein trainiertes Modell, das normalerweise im PyTorch-Format gespeichert wird.
- MangroveClassifier.emd ist eine Modelldefinitionsdatei, die Modellinformationen zur Kachelgröße, zu Klassen und zum Modelltyp enthält.
- model_metrics.html enthält Details zur verwendeten Lernrate und zur endgültigen Genauigkeit des Modells.
- MangroveClassifier.dlpk ist ein vollständiges Paket mit allen in einem Modellausgabeordner gespeicherten Dateien, einschließlich des trainierten Modells, der Modelldefinitionsdatei und der Datei mit den Kennwerten des Modells. Dieses Paket kann in ArcGIS Online und ArcGIS Enterprise als Element freigegeben werden, auf das andere zugreifen können.
Sie untersuchen die Datei model_metrics, um die Leistung Ihres Modells zu ermitteln.
- Öffnen Sie die Datei model_metrics.
Daraufhin wird Ihr Standardwebbrowser angezeigt. Auf dieser Seite finden Sie die Informationen zum Modell und dazu, wie gut Mangroven mit Ihren Eingabe-Trainingsdaten klassifiziert werden konnten.
Im Abschnitt Trainings- und Validierungsverlust wird ein Diagramm der Anzahl der Fehler beim Training des Modells im Zeitverlauf angezeigt. Bei der Ausführung des Modells wurden einige Ihrer Eingabedaten zum Trainieren des Modells und einige zum Validieren des Modells oder zum Testen des Modells auf seine Genauigkeit verwendet. Im Idealfall nehmen diese Werte im Lauf der 20 Epochen ab, während die Anzahl der verarbeiteten Bilder zunimmt.
Unter Analysis of the model wird die Genauigkeit der Datenklassen angezeigt. Das Modell enthielt technisch zwei Klassen: eine für Mangroven und eine für NoData. Ein höherer Genauigkeitswert bedeutet, dass das Modell mehr Vertrauen in seine Ergebnisse hat.
Schließlich werden auf dieser Seite einige Beispielschnipsel angezeigt, mit denen Ihre ursprünglichen Mangroventrainingsdaten, Ground Truth, auf der linken Seite und die Vorhersagen des Modells (Predictions) auf der rechten Seite verglichen werden. Im Idealfall entspricht die Vorhersage weitestgehend den ursprünglichen Überprüfungsdaten.
- Schließen Sie die Seite model_metrics im Webbrowser.
- Schließen Sie den Explorer.
Löschen Sie vor der Bereitstellung des Modells den Cache der GPU, um sicherzustellen, dass genug Speicher zum Klassifizieren der Landsat-Bilddaten aus 2021 verfügbar ist. Wenn der Computer nicht mit einer GPU ausgestattet ist, können Sie diesen Schritt überspringen.
- Blenden Sie in ArcGIS Pro im Bereich Katalog die Option Toolboxes ein. Blenden Sie Classify Mangroves.tbx ein.
Für das in dieser Toolbox bereitgestellte Skript sind keine Eingaben vorhanden.
- Öffnen Sie das Skript Clear Cache, und klicken Sie auf Ausführen.
- Speichern Sie Ihr Projekt.
Sie haben ein Trainingsmodell erstellt, indem Sie Gebiete mit Mangroven aus im Jahr 2016 aufgenommenen Landsat 8-Bilddaten digitalisiert haben. Anschließend haben Sie Ihre Feature-Class "mangrove" in ein für das Training eines Deep-Learning-Modells geeignetes Format konvertiert und sie zum Erstellen eines Deep-Learning-Paketes verwendet. Als Nächstes verwenden Sie das neue Modell für die automatische Klassifizierung von Mangroven in Landsat 8-Bilddaten, die im Jahr 2021 aufgenommen wurden.
Das Modell anwenden
Wenn Sie ein Deep-Learning-Modell erstellt haben, können Sie es wiederholt verwenden, um schnell die Landbedeckung in einem Interessenbereich zu klassifizieren. Sie verwenden das erstellte Modell zum Klassifizieren von Mangroven im gleichen geographischen Bereich wie bei den Originaltrainingsdaten. Die Landsat-Bilddaten sind jedoch aktueller.
Das Deep-Learning-Modell bereitstellen
Nun verwenden Sie Landsat-Bilddaten aus 2021 mit Ihrem Deep-Learning-Modell, um die Bilddaten zu inferenzieren (oder klassifizieren) und die Ausdehnung der Mangroven zu ermitteln.
Hinweis:
Wenn Sie nicht im vorherigen Modul ein Modell trainiert haben, wurde im Ordner Classify Mangroves ein Deep-Learning-Paket bereitgestellt, das Sie verwenden können.
Die Klassifizierung von Bilddaten ist ein GPU-intensiver Prozess, der abhängig von der Hardware Ihres Computers eine Weile dauern. In Classify Mangroves.gdb wurde ein klassifiziertes Raster von Mangrovenstandorten bereitgestellt. Wenn Sie die Bilddaten nicht klassifizieren möchten, können Sie direkt zum Abschnitt "Die Ergebnisse auswerten" springen.
- Entfernen Sie im Bereich Inhalt den Layer Surface Reflectance 2016.
- Blenden Sie im Bereich Katalog den Ordner Landsat 8 imagery ein. Blenden Sie den Ordner Landsat imagery 2021 ein.
- Blenden Sie die Datei LC08_L2SP_148047_20201224_20210310_02_T1_MTL.txt ein.
Hinweis:
Dabei handelt es sich um das zweite Element im Ordner, das mit einem Satellitensymbol gekennzeichnet ist.
- Fügen Sie das Raster Surface Reflectance der Karte hinzu. Wenn Sie gefragt werden, ob die Statistiken berechnet werden sollen, klicken Sie auf Ja.
- Ändern Sie im Bereich Inhalt den Namen des Layers Surface Reflectance_LC08_L2SP_148047_20201224_20210310_02_T1_MTL in Surface Reflectance 2021.
- Klicken Sie mit der rechten Maustaste auf Surface Reflectance 2021, und wählen Sie Auf Layer zoomen aus.
Ihre Bilddaten von 2021 werden jetzt in der Karte angezeigt und können klassifiziert werden. Sie verwenden das Geoverarbeitungswerkzeug Pixel mit Deep Learning klassifizieren, um Ihr Deep-Learning-Modell auf diese Bilddaten anzuwenden.
- Geben Sie auf dem Menüband in Befehlssuche die Zeichenfolge Pixel mit Deep Learning klassifizieren ein. Wählen Sie in der Liste der Suchergebnisse den Eintrag Pixel mit Deep Learning klassifizieren aus.
- Wählen Sie für Eingabe-Raster die Option Surface Reflectance 2021 aus.
- Geben Sie für Ausgabe-Raster-Dataset den Namen MangroveExtent2021 ein.
- Navigieren Sie für Modelldefinition zum Ordner MangroveClassifier. Klicken Sie auf das Deep-Learning-Paket MangroveClassifier.
Hinweis:
Wenn Sie kein Deep-Learning-Modell trainiert haben, navigieren Sie zum Ordner Classify Mangroves, und öffnen Sie den Ordner Deep Learning Package. Klicken Sie auf MangroveClassifier.
- Klicken Sie auf OK.
Es gibt weitere Modellargumente, die Sie bei Bedarf festlegen können, um Ihr Modell zu verbessern. Diese Parameter wurden vom Training des Modells übernommen.
- Geben Sie unter Argumente für batch_size den Wert 16 ein.
Zum Schluss legen Sie die Umgebung des Werkzeugs fest.
- Klicken Sie auf die Registerkarte Umgebung.
- Geben Sie unter Raster-Analyse für Zellengröße den Wert 30 ein.
- Legen Sie unter Prozessortyp die Option Prozessortyp auf GPU fest.
- Klicken Sie auf Ausführen.
Hinweis:
Ob Sie die Batch-Größe auf 16 festlegen können, hängt von der GPU ab. Wenn das Werkzeug nicht ausgeführt wird, ändern Sie diesen Parameter in 8, 4 oder 2.
Nach der Ausführung des Werkzeugs werden der Karte die Ergebnisse hinzugefügt.
Hinweis:
Je nach Genauigkeit Ihres Modells können die Ergebnisse unterschiedlich ausfallen. Die Farbe kann ebenfalls variieren.
Die Ergebnisse auswerten
Bevor Sie mit dem Vergleich der Veränderung der Mangrovenabdeckung im Zeitverlauf beginnen, bewerten Sie die Ergebnisse Ihres Modells im Vergleich mit den Bilddaten.
Hinweis:
Wenn Sie das Werkzeug Pixel mit Deep Learning klassifizieren im vorherigen Abschnitt nicht ausgeführt haben, werden die Ergebnisse für Sie bereitgestellt. Blenden Sie im Bereich Katalog die Option Classify Mangroves.gdb ein. Fügen Sie das Raster MangroveExtent2021 der Karte hinzu.
- Wechseln Sie zum Lesezeichen Mangroves.
- Ändern Sie im Bereich Inhalt den Namen MangroveExtent2021 in Mangrove Extent 2021, und behalten Sie die Auswahl des Layers bei.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer. Klicken Sie in der Gruppe Vergleichen auf Ausblenden.
Mit dem Werkzeug Ausblenden können Sie auf die Karte klicken und sie verschieben, um einen Layer zu verbergen und den darunter liegenden Layer sichtbar zu machen.
- Machen Sie in der Karte durch Ziehen den Layer Surface Reflectance 2021 unter dem Layer Mangrove Extent 2021 sichtbar.
Durch Verwenden des Werkzeugs "Ausblenden" und Vergleichen der beiden Layer können Sie die Ergebnisse Ihres Modells besser visualisieren.
Hinweis:
Abhängig von der Position des Zeigers auf dem Bildschirm können Sie vertikal oder horizontal ziehen.
Bevor Sie fortfahren, wechseln Sie zurück zum Werkzeug "Erkunden", mit dem Sie sich in der Karte bewegen können.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf die Schaltfläche Erkunden.
- Speichern Sie Ihr Projekt.
Nachdem Sie einen Deep-Learning-Workflow trainiert und verwendet haben, vergleichen Sie nun diese Ergebnisse mit der Mangrovenausdehnung von 2016.
Veränderungen erkennen
Um besser zu verstehen, wie und wo Mangrovenwälder bedroht sind oder wachsen, ermitteln Sie mithilfe einer Raster-Analyse zwischen den Mangrovenausdehnungen in den Jahren 2016 und 2021, wo diese Wälder wachsen bzw. zurückgehen.
Trainingsbeschriftungen rastern
Damit Sie sehen können, wo sich die Mangrovenabdeckung verändert, müssen beide Mangroven-Layer in einem Raster-Format vorliegen. Der Ausgabe-Layer des Deep-Learning-Modells liegt bereits als Raster vor, aber bei den von Global Mangrove Watch für die Mangrovenausdehnungen im Jahr 2016 bereitgestellten Daten ist dies nicht der Fall. Sie konvertieren diesen Polygon-Layer der Mangroven von 2016 in ein Raster.
- Aktivieren Sie im Bereich Inhalt den Layer Mangrove Forest, und deaktivieren Sie den Layer Mangrove Extent 2021.
Sie können den Umriss der Mangrovenabdeckung im Jahr 2016 sehen.
Diesen Layer konvertieren Sie in ein Raster.
- Klicken Sie auf dem Menüband auf die Registerkarte Bilddaten. Klicken Sie in der Gruppe Analyse auf die Schaltfläche Raster-Funktionen.
Der Bereich Raster-Funktionen wird angezeigt. Mit Raster-Funktionen können Sie Raster-Datasets erstellen und analysieren.
- Geben Sie Features rastern in das Suchfeld ein. Drücken Sie die Eingabetaste.
- Klicken Sie unter Konvertierung auf Features rastern.
Die Raster-Funktion Features rastern wird angezeigt. Als Erstes wählen Sie ein Raster aus, mit dem die Ausdehnung und Auflösung des Ausgabe-Rasters festgelegt wird.
- Wählen Sie für Raster die Option Surface Reflectance 2021 aus.
Als Nächstes wählen Sie den Polygon-Layer aus, den Sie in ein Raster konvertieren möchten.
- Wählen Sie für Eingabe-Features die Option Mangrove Forest aus.
Sie legen das Feld fest, mit dem die einzelnen Polygon-Features als Mangroven mit dem Wert 1 klassifiziert werden.
- Wählen Sie für Feld das Feld pxlval aus.
- Klicken Sie auf Neuen Layer erstellen.
- Deaktivieren Sie den Layer Mangrove Forest.
Der Karte wird ein neuer Raster-Layer mit den Mangrovenwäldern im Jahr 2016 hinzugefügt.
- Ändern Sie den Namen Rasterize Features_Surface Reflectance 2021 in Mangrove Extent 2016.
Mangrovenausdehnungen vergleichen
Sie haben nun zwei Raster, die die Ausdehnung der Mangroven in den Jahren 2016 und 2021 darstellen, und verwenden eine Reihe von Raster-Funktionen in einer vordefinierten Vorlage, um die beiden Ausdehnungen der Mangrovenwälder zu vergleichen und so herauszufinden, wo diese zugenommen bzw. abgenommen haben oder gleich geblieben sind. Bevor Sie die Vorlage ausführen, erkunden Sie ihre Funktionsweise.
Als Erstes importieren Sie die Raster-Funktionsvorlage.
- Löschen Sie im Bereich Raster-Funktionen die Suche.
- Klicken Sie auf die Registerkarte Benutzerdefiniert.
- Zeigen Sie auf Benutzerdefiniert1, und klicken Sie auf Funktionen importieren.
- Navigieren Sie zum Ordner Classify Mangroves. Wählen Sie die Raster-Funktionsvorlage Compute Mangrove Cover Change aus. Klicken Sie auf OK.
Die Vorlage wird unter Benutzerdefiniert1 hinzugefügt.
- Klicken Sie unter Benutzerdefiniert1 mit der rechten Maustaste auf Compute Mangrove Cover Change. Klicken Sie auf Bearbeiten.
Das Fenster Funktions-Editor wird mit der Vorlage Compute Mangrove Cover Change geöffnet.
Die Vorlage beginnt mit den grünen Elementen auf der linken Seite. Diese stellen die beiden Mangrovenraster dar, die verglichen werden sollen. Beide Raster sind mit der Raster-Funktion Is Null verknüpft. Diese liest die Eingabe-Raster und ermittelt die Gebiete, die als Mangroven klassifiziert sind und diejenigen, die als Gebiete ohne Daten klassifiziert sind. Als Nächstes konvertiert die Raster-Funktion If-Else-Bedingungen die Gebiete ohne Daten in Gebiete mit dem Wert 0. Die Mangroven haben nach wie vor den Wert 1, den Sie bereits beim Erstellen der Trainingsgebiete in diesem Lernprogramm festgelegt haben. Zurzeit sind zwar immer noch zwei Raster vorhanden, eines für 2016 und eines für 2021, aber die Raster sind jetzt binäre Raster, in denen den Gebieten mit Mangroven der Wert 1 und den Gebieten ohne Mangroven der Wert 0 zugewiesen ist. Mit der letzten Funktion, Veränderungen berechnen, wird das Raster für Mangroven im Jahr 2021 vom Raster für 2016 subtrahiert. Da die Gebiete mit Mangroven und die Gebiete ohne Mangroven in Nullen und Einsen konvertiert wurden, zeigt die Ausgabe Gebiete, in denen die Mangrovenabdeckung zugenommen hat (Wert 1), Gebiete, in denen die Mangrovenabdeckung abgenommen hat (Wert -1), und Gebiete ohne Veränderungen (Wert 0).
- Schließen Sie das Fenster Funktions-Editor.
- Klicken Sie im Bereich Raster-Funktionen auf die Vorlage Compute Mangrove Cover Change.
Die Raster-Funktion wird angezeigt. Sie konfigurieren die Ausführung dieses Werkzeugs wie bei einem Geoverarbeitungswerkzeug.
- Unter Is Null legen Sie 2016 Mangroves auf Mangrove Extent 2016 fest.
- Unter Is Null legen Sie 2021 Mangroves auf Mangrove Extent 2021 fest.
- Klicken Sie auf Neuen Layer erstellen.
Der Karte wird ein neuer Layer hinzugefügt. Mit diesem Layer werden Gebiete, in denen die Mangrovenabdeckung zugenommen hat, in Violett dargestellt, während Bereiche mit einem Rückgang bei den Mangroven in Grün angezeigt werden. In dem weiß angezeigten Gebiet war keine Veränderung zu beobachten. Sie passen die Symbolisierung an, um dies zu verdeutlichen.
Hinweis:
Die Ergebnisse fallen abhängig von den Ergebnissen Ihres Deep-Learning-Modells unterschiedlich aus.
- Ändern Sie im Bereich Inhalt den Namen Compute Mangrove Cover Change_Mangrove Extent 2016_Mangrove Extent 2021 in Mangrove Cover Change.
- Klicken Sie mit der rechten Maustaste auf den Layer Mangrove Cover Change, und klicken Sie auf Symbolisierung.
Der Bereich Symbolisierung wird angezeigt. Als Nächstes konfigurieren Sie die Symbolisierung und entfernen die weißen Gebiete mit dem Wert 0.
- Klicken Sie auf die Registerkarte Maske.
- Aktivieren Sie das Kontrollkästchen Hintergrundwert anzeigen.
Die Kartensymbolisierung wird aktualisiert.
- Deaktivieren Sie im Bereich Inhalt den Layer Mangrove Extent 2016.
Die Endergebnisse sind sichtbar, in den Bilddaten jedoch nur schwer zu erkennen. Ändern Sie daher die Transparenz für die Bilddaten, sodass die Ergebnisse besser zu erkennen sind.
- Wählen Sie im Bereich Inhalt den Layer Surface Reflectance 2021 aus.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer. Geben Sie in der Gruppe Effekte für Transparenz den Wert 50 ein, und drücken Sie die Eingabetaste.
Die Endergebnisse sind jetzt besser zu erkennen.
Aus den Ergebnissen dieser Analyse geht hervor, wo die Mangrovenabdeckung zwischen 2016 und 2021 zugenommen bzw. abgenommen hat. Durch Auswählen der richtigen Symbolisierung treten diese Muster zutage, sodass die Veränderungen der Bodenbedeckung im Zeitverlauf leichter erkennbar sind.
Hinweis:
Zum Exporting von Beispielen, Trainieren von Modellen und Bereitstellen von Deep-Learning-Modellen können Sie auch ArcGIS Notebooks mit ArcGIS API for Python und das arcgis.learn-Modul verwenden. Beispiele für die Verwendung dieser Geoverarbeitungswerkzeuge zum Verarbeiten von Bilddaten in einer Notebook-Umgebung finden Sie im Bereich Katalog, indem Sie den Ordner Notebooks einblenden. Sie sehen vier Beispiel-Notebooks, in denen die gleichen Prozesse verwendet werden, die Sie in diesem Lernprogramm angewendet haben.
Sie haben in diesem Lernprogramm Bilddaten verwendet, um ein Deep-Learning-Modell zu erstellen, und anschließend das Modell angewendet. Zuerst haben Sie ein Training-Dataset erstellt, das in ein Pixelklassifizierungsformat konvertiert wurde. Sie haben ein Modell für die Erkennung von Mangroven Landsat 8-Bilddaten trainiert. Dann haben Sie das Modell auf neuere Bilddaten angewendet. Schließlich wurde die Veränderung der Mangrovenwälder in der Karte angezeigt, um zu verdeutlichen, wo sich diese Baumart ausbreitet und wo sie verloren geht. Diese Ergebnisse können bei der Planung von Maßnahmen zur Regenerierung und Erhaltung der Mangroven genutzt werden. Darüber hinaus kann Ihr Deep-Learning-Modell genutzt werden, um Lebensräume von Mangroven in aller Welt zu klassifizieren.
Neben der Klassifizierung von Mangroven stellt Esri in ArcGIS Living Atlas eine Reihe von vortrainierten Modellen bereit, mit denen die Klassifizierung von Bilddaten und die Erkennung von Objekten beschleunigt werden kann. Diese Modelle können kostenfrei heruntergeladen werden, und Sie können sie direkt für kompatible Eingabebilddaten bereitstellen. Außerdem können Sie diese vortrainierten Modelle mit eigenen Trainingsdaten optimieren. Dies beansprucht in der Regel weniger Zeit, als ein Modell von Grund auf neu zu trainieren.
Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.
