Das Projekt einrichten und die Daten untersuchen
Sie richten das ArcGIS Pro-Projekt ein und untersuchen die Eingabedaten. Doch zunächst lernen Sie einige Grundlagen über den Workflow für maschinelles Lernen, den Sie in diesem Lernprogramm verwenden werden.
Informationen zum Workflow für maschinelles Lernen
Das grundlegende Konzept des maschinellen Lernens besteht darin, dass der Computer aus Stichprobendaten lernt und das Gelernte auf unbekannte Daten anwendet. Eine Möglichkeit, dies zu erreichen, besteht darin, ein Regressionsmodell zu trainieren und es zur Vorhersage neuer Ergebnisse zu verwenden. Das ist der Ansatz, den Sie in diesem Lernprogramm verfolgen werden.
Sie möchten die Aboveground Biomass (AGB; oberirdische Biomasse) in mehreren Countys im Bundesstaat Georgia vorhersagen. Sie benötigen folgende Daten:
- Ziel-Stichprobendaten: Hierbei handelt es sich um eine Reihe bekannter AGB-Werte für Stichprobenpositionen. Sie verwenden Punktdaten, die aus einem GEDI-Satelliten-LIDAR-Trajektorie-Dataset extrahiert wurden, wie im folgenden Beispielbild dargestellt.
- Erklärende Variablen: Dies sind Daten, die die AGB-Stichprobenwerte erklären können und hilfreich sind, um AGB-Werte für neue Gebiete vorherzusagen. Sie verwenden multispektrale Landsat 9-Satellitenbilddaten, digitale Höhenmodelldaten (DEM) und zusätzliche abgeleitete Raster-Layer. Die folgenden Beispielbilder zeigen die Landsat-Bilddaten (links) und die DEM-Rasterdaten (rechts).
Die multispektralen Landsat 9-Satellitenbilder wurden als erklärende Variable gewählt, weil die Spektraleigenschaften des Sensors auf die Vegetation reagieren, die in direktem Zusammenhang mit der Biomasse steht. Das digitale Höhenmodell (DEM) erfasst die topologische Variabilität und die Komplexität des Terrains, beides Faktoren, die ebenfalls das Wachstum der Vegetation beeinflussen können.
Sie trainieren das Modell mit den Ziel-Stichprobendaten und den erklärenden Variablen als Eingabe. Während des Trainings wird das Modell die Beziehungen zwischen den Stichprobenwerten und den erklärenden Variablen erfassen. Wenn Sie mit dem Modell zufrieden sind, verwenden Sie es, um die AGB-Werte für die gesamte Ausdehnung der Countys in Georgia vorherzusagen. Die Ausgabe erfolgt in Form eines Rasters, wie im folgenden Beispielbild gezeigt, bei dem die höheren AGB-Werte in Dunkelgrün und die niedrigeren Werte in Weiß oder Hellgrün angezeigt werden.
Das Projekt herunterladen und öffnen
Zunächst laden Sie das Projekt herunter, das die Daten für dieses Lernprogramm enthält, und öffnen es in ArcGIS Pro.
- Laden Sie die Datei Estimate_Biomass.zip herunter, und navigieren Sie zur heruntergeladenen Datei auf Ihrem Computer.
Hinweis:
In den meisten Webbrowsern werden heruntergeladene Dateien standardmäßig im Ordner "Downloads" gespeichert.
Die Datei .zip hat eine Größe von 2,9 GB, und das Herunterladen kann einige Minuten dauern.
- Klicken Sie mit der rechten Maustaste auf die Datei Estimate_Biomass.zip, und entpacken Sie sie an einen Speicherort auf dem Computer, z. B. Laufwerk C.
- Öffnen Sie den entpackten Ordner Estimate_Biomass, und doppelklicken Sie auf Estimate_Biomass.aprx, um das Projekt in ArcGIS Pro zu öffnen.
- Wenn Sie dazu aufgefordert werden, melden Sie sich mit Ihrem ArcGIS-Organisationskonto an.
Hinweis:
Wenn Sie über keinen Zugriff auf ArcGIS Pro oder über kein ArcGIS-Organisationskonto verfügen, informieren Sie sich über die Optionen für den Zugriff auf die Software.
Das Projekt wird geöffnet.
Auf der Karte werden die Grenzen des Untersuchungsgebiets als ein orangefarbenes Polygon dargestellt. Dieses Gebiet repräsentiert 20 Countys in Georgia.
Eingabedaten untersuchen
Sie untersuchen nun die restlichen Eingabedaten des Projekts. Fügen Sie zunächst das Landsat-Bild der Karte hinzu.
- Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie in der Gruppe Fenster auf den Bereich "Katalog".
- Blenden Sie im Bereich Katalog Ordner, Estimate_Biomass und InputData ein.
- Blenden Sie unter InputData LC09_L2SP_018038_20221004_20230327_02_T1 ein.
Es handelt sich um eine Szene mit Landsat 9-Satellitenbildern, die sieben Spektralbänder mit Oberflächenreflexionswerten enthält:
- Band 1: Küstenaerosol
- Band 2: Blau
- Band 3: Grün
- Band 4: Rot
- Band 5: Nahinfrarot (NIR)
- Band 6: Kurzwelleninfrarot (SWIR 1)
- Band 7: Kurzwelleninfrarot (SWIR 2)
Hinweis:
Sie können ziehen, um das Fenster zu verbreitern und längere Dateinamen vollständig anzuzeigen.
Diese Bänder werden als erklärende Variablen verwendet. Sie fügen die Landsat-Szene der Karte hinzu.
- Klicken Sie mit der rechten Maustaste auf LC09_L2SP_018038_20221004_20230327_02_T1_MTL.txt, und wählen Sie Zu aktueller Karte hinzufügen aus.
- Wenn Sie aufgefordert werden, die Statistiken zu berechnen, klicken Sie auf Ja.
Nach einem kurzen Moment wird das Bild auf der Karte angezeigt. Sie benennen die Szene in einen kürzeren Namen um.
- Klicken Sie im Bereich Inhalt auf den Layer Surface Reflectance_LC09_L2SP_018038_20221004_20230327_02_T1_MTL, um ihn auszuwählen, und klicken Sie erneut darauf, um in den Bearbeitungsmodus zu wechseln. Ändern Sie den Namen in Landsat9, und drücken Sie die Eingabetaste.
Sie ändern das Bild-Rendering in "Natural Color", einer Kombination von roten, grünen und blauen Bändern. Die dargestellten Farben kommen dem nahe, was das menschliche Auge normalerweise sehen würde.
- Überprüfen Sie im Bereich Inhalt, ob der Layer Landsat9 ausgewählt ist.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer, und klicken Sie in der Gruppe Rendering auf die Schaltfläche Symbolisierung.
- Legen Sie im Bereich Symbolisierung die folgenden Parameterwerte fest:
- Stellen Sie für Primäre Symbolisierung sicher, dass die Option RGB ausgewählt wurde.
- Wählen Sie für Rot die Option SRB4 aus.
- Wählen Sie für Grün die Option SRB3 aus.
- Wählen Sie für Blau die Option SRB2 aus.
Das Bild-Rendering wird aktualisiert, und es wird das Rendering "Natural Color" verwendet.
- Schließen Sie den Bereich Symbolisierung.
Anschließend fügen Sie der Karte das digitale Höhenmodell (DEM) hinzu.
- Blenden Sie im Bereich Katalog im Ordner InputData den Ordner LC09_L2SP_018038_20221004_20230327_02_T1 aus.
- Klicken Sie mit der rechten Maustaste auf DSM.tif, und wählen Sie die Option Zu aktueller Karte hinzufügen aus.
- Benennen Sie im Bereich Inhalt den Layer DEM.tif in DEM um.
- Untersuchen Sie den Layer DEM auf der Karte.
Das DEM stellt Höhendaten bereit. Die helleren Farbtöne geben Gebiete mit größeren Höhenwerten und die dunkleren Farben Gebiete mit geringeren Höhenwerten an.
Dieser Layer wird auch als eine erklärende Variable verwendet. Anschließend überprüfen Sie die GEDI-Daten.
- Blenden Sie im Bereich Katalog unter InputData den Ordner GEDI_L4A ein.
Dieser Ordner enthält acht GEDI-Dateien, die als Stichproben mit bekannten AGB-Werten oder als Trainingsziele verwendet werden sollen. Beachten Sie, dass es sich hierbei um Trajektorie-HDF5-Dateien handelt: Es sind keine Rasterdateien, sondern Trajektorie-Daten. Im weiteren Verlauf dieses Workflow erhalten Sie Informationen zur Handhabung dieser Daten und erfahren, wie Sie sie auf der Karte anzeigen.
Es gibt zwei weitere Daten-Layer im Bereich Inhalt. Sie haben bereits den Layer AOI gesehen, der das allgemeine Untersuchungsgebiet kennzeichnet. Darüber hinaus gibt es den Layer Counties, der die County-Grenzen angibt. Sie aktivieren diesen Layer.
- Blenden Sie im Bereich Inhalt den Pfeil neben dem Layer Counties ein, um die Legende anzuzeigen, und aktivieren Sie das Kontrollkästchen neben dem Layer Counties, um ihn zu aktivieren.
- Überprüfen Sie die Layer AOI und Counties (orange und hellviolett) auf der Karte.
Sie verwenden diese zwei Layer in der Analyse.
- Klicken Sie auf die Kontrollkästchen neben den Layern Counties, DEM und Landsat9, um sie zu deaktivieren, da sie in den nächsten Workflow-Schritten nicht benötigt werden.
- Klicken Sie auf der Symbolleiste für den Schnellzugriff auf Speichern, um das Projekt zu speichern.
In diesem Teil des Workflow haben Sie nach einem Überblick über den Workflow für maschinelles Lernen das ArcGIS Pro-Projekt eingerichtet. Sie haben die Eingabedaten untersucht: eine Sieben-Band-Landsat9-Szene, ein DEM-Raster, GEDI-Daten und einige Grenz-Layer.
GEDI-Daten verarbeiten und extrahieren
AGB bezeichnet lebende Vegetation oberhalb des Bodens, gemessen als Masse pro Einheit, in der Regel Megagramm ((d. h. Tonne) pro Hektar). Die physische Messung der AGB in einem großen Untersuchungsgebiet ist arbeitsintensiv und nahezu unmöglich. Im Gegensatz dazu ist die Schätzung der AGB anhand von Fernerkundungsdaten eine gute Alternativlösung.
GEDI ist eine Satelliten-LIDAR-Mission der NASA, die die 3D-Struktur der Erdoberfläche misst. Dazu gehören die Höhe der Baumkronen und ihre vertikale Struktur, d. h. übereinander gestapelte Layer von Bäumen und Sträuchern, die zusammen mehr oder weniger Biomasse ergeben können. GEDI erfasst Referenzpunkte entlang der Sensorspuren. Aus diesen Messungen kann die oberirdische Biomassedichte (AGBD) abgeleitet werden, und das GEDI L4A-Produkt enthält diese abgeleiteten AGBD-Punktwerte. Das folgende Beispielbild zeigt die Überschneidungen der GEDI-Spuren für die Erfassung der AGBD-Stichprobendaten im Untersuchungsgebiet dieses Lernprogramms.
Solche Daten werden in Form von trajektorisch strukturierten HDF5-Dateien geliefert und können in ArcGIS als Trajektorie-Dataset, einem Geodatabase-Datenmodell zur Verwaltung einer Sammlung von Trajektorie-Dateien, eingebracht werden. Sie erstellen nun ein Trajektorie-Dataset, fügen die bereitgestellten GEDI-Daten hinzu und extrahieren die relevanten AGBD-Punktdaten, die später im Workflow als Trainingsgebiete verwendet werden.
Trajektorie-Dataset erstellen
Sie erstellen zunächst ein leeres Trajektorie-Dataset in der Projekt-Geodatabase.
- Blenden Sie im Bereich Katalog den Container Datenbanken ein.
- Klicken Sie mit der rechten Maustaste auf Estimate_Biomass.gdb, klicken Sie dann auf Neu, und wählen Sie die Option Trajektorie-Dataset aus.
Im Bereich Geoverarbeitung wird das Werkzeug Trajektorie-Dataset erstellen geöffnet.
- Geben Sie für Name des Trajektorie-Datasets den Text Gedi ein.
- Übernehmen Sie die anderen Standardwerte, und klicken Sie auf Ausführen.
Das Trajektorie-Dataset wird im Bereich Inhalt angezeigt. Es enthält die Sublayer Footprint und Punkt.
Dieses Dataset ist derzeit leer und wird als Container für die GEDI-Daten dienen.
GEDI-Daten zum Trajektorie-Dataset hinzufügen
Sie fügen nun dem soeben erstellten leeren Trajektorie-Dataset die für diesen Workflow bereitgestellten GEDI-Daten hinzu.
- Wechseln Sie zurück zum Bereich Katalog.
- Blenden Sie im Bereich Katalog die Geodatabase Estimate_Biomass.gdb ein, klicken Sie mit der rechten Maustaste auf Gedi, und wählen Sie die Option Trajektorien hinzufügen aus.
Zunächst richten Sie den Typ und die Eigenschaften des Trajektorie-Datasets ein.
- Wählen Sie im Bereich Daten zu Trajektorie-Dataset hinzufügen für Trajektorie-Typ die Option GEDI aus.
- Klicken Sie unter Trajektorie-Typ auf die Schaltfläche Eigenschaften.
- Klicken Sie im Fenster Eigenschaften "Trajektorie-Typ" auf die Registerkarte Trajektorie.
Die bereitgestellten GEDI-Daten sind vom Typ L4A, so dass Sie die Eigenschaften entsprechend einstellen müssen.
- Wählen Sie unter Produktfilter die Option GEDIL4A aus.
- Aktivieren Sie unter Bodenspuren das Kontrollkästchen neben dem Feld Name, um alle Spuren auszuwählen.
Die GEDI-Daten werden in Form von acht verschiedenen Strahlen erfasst, und Sie möchten alle einbeziehen.
- Aktivieren Sie unter Vordefinierte Variablen das Kontrollkästchen für die Variable Aboveground Biomass Density.
Dies ist die einzige Variable, die in diesem Dataset für Sie von Interesse ist.
- Klicken Sie auf OK, um die Eigenschaften zu speichern.
- Wählen Sie im Bereich des Werkzeugs Daten zu Trajektorie-Dataset hinzufügen unter Eingabedaten die Option Ordner aus, und klicken Sie dann auf die Schaltfläche Durchsuchen.
- Blenden Sie im Fenster Eingabedaten die Einträge Ordner, Estimate_Biomass und InputData ein, klicken Sie auf GEDI_L4A und dann auf OK.
- Übernehmen Sie im Bereich des Werkzeugs Daten zu Trajektorie-Dataset hinzufügen alle anderen Standardwerte, und klicken Sie auf Ausführen.
Nach einem kurzen Moment werden die GEDI-Daten dem Trajektorie-Dataset hinzugefügt und auf der Karte angezeigt. Verkleinern Sie die Ansicht, bis das gesamte Dataset angezeigt wird.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer Gedi, und wählen Sie die Option Auf Layer zoomen aus.
Die grünen Polygone, die Nordamerika durchkreuzen, stellen die Footprints der Trajektorien des GEDI-Sensors dar. Diese spezifischen Trajektorien wurden ausgewählt, weil sie sich mit dem Untersuchungsgebiet überschneiden.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Sublayer Footprint, und wählen Sie die Option Attributtabelle aus.
Die Attributtabelle Footprint wird angezeigt.
Jede Zeile entspricht einer Trajektorie und enthält Informationen über sie. Das Feld Anzahl gibt beispielsweise die Anzahl der Punkte in jeder Trajektorie an.
- Schließen Sie die Tabelle Footprint.
Sie betrachten nun die einzelnen Punkte in den Trajektorien.
- Aktivieren Sie im Bereich Inhalt den Layer AOI. Klicken Sie mit der rechten Maustaste auf den Layer AOI, und wählen Sie die Option Auf Layer zoomen aus.
Tipp:
Wenn der GEDI-Trajektorie-Layer auf der Karte nicht angezeigt wird, verkleinern Sie die Karte ein wenig.
- Deaktivieren Sie den Layer Footprint, und aktivieren Sie den Sublayer Punkt.
Die Anzeige des Punkt-Layers kann einige Zeit in Anspruch nehmen, da er Hunderttausende von Punkten enthält.
- Vergrößern Sie die Ansicht für ein gewünschtes Gebiet, bis Sie die einzelnen Punkte sehen können.
Jeder Punkt enthält einen AGBD-Wert.
Sie haben GEDI-Daten zu einem Trajektorie-Dataset hinzugefügt und untersucht.
Relevante AGBD-Punktdaten extrahieren
Nur die GEDI-Punkte innerhalb des Untersuchungsgebiets sind für Ihren Workflow relevant. Sie extrahieren nun mit dem Werkzeug Ausschneiden die Punkte, die sich innerhalb der Grenzen des Layers AOI befinden. Die Ausgabe ist ein Punkt-Feature-Layer.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
- Geben Sie in das Suchfeld Geoverarbeitung den Begriff Clip ein. Klicken Sie in der Ergebnisliste auf das Werkzeug Ausschneiden, um es zu öffnen.
- Geben Sie im Bereich des Werkzeugs Ausschneiden die folgenden Parameter ein:
- Wählen Sie für Eingabe-Features oder -Dataset die Option Punkt aus.
- Wählen Sie für Clip-Features die Option AOI aus.
- Geben Sie für Ausgabe-Features oder -Dataset den Text AGBD_observations als Namen der Ausgabe ein.
- Klicken Sie auf Ausführen.
Kurz darauf wird der Punkt-Layer AGBD_observations der Karte hinzugefügt. Sie werden diesen näher untersuchen.
- Deaktivieren Sie im Bereich Inhalt den Layer Gedi, da Sie ihn in diesem Workflow nicht mehr benötigen.
- Klicken Sie mit der rechten Maustaaste auf den Layer AGBD_observations, und wählen Sie die Option Auf Layer zoomen aus.
Sie sehen, dass der Layer AGBD_observations nur die Punkte innerhalb des Untersuchungsgebiets enthält.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer AGBD_observations, und wählen Sie die Option Attributtabelle aus.
Die Attributtabelle AGBD_observations wird angezeigt.
Jede Zeile entspricht einem Punkt, und das Feld AGBD gibt den Wert der oberirdischen Biomassedichte für jeden Punkt an (in Tonnen pro Hektar). Insgesamt enthält dieser Layer 106.159 Punkte.
- Schließen Sie die Attributtabelle AGBD_observations.
Als Nächstes werden Sie eine importierte Symbolisierung auf diesen Layer anwenden, um ihn besser zu visualisieren.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
- Suchen und öffnen Sie das Werkzeug Symbolisierung aus Layer anwenden.
- Wählen Sie im Werkzeug Symbolisierung aus Layer anwenden für Eingabe-Layer den Layer AGBD_observations aus.
- Klicken Sie auf die Schaltfläche Durchsuchen, um zu Symbolisierungs-Layer zu gelangen. Navigieren Sie zu Ordner > Estimate_Biomass > InputData, und wählen Sie die Layer-Datei AGBD.lyrx aus.
- Klicken Sie auf Ausführen.
Die Karte wird aktualisiert.
Der Layer AGBD_observations wird nun mit einer Symbolisierung angezeigt, bei der die Punkte in dunklen Grüntönen die höchsten AGBD-Werte und die Punkte in hellgelben Farbtönen die niedrigsten AGBD-Werte anzeigen. Dieser Layer wird während des Modelltrainings als bekannte Stichproben oder Trainingsziele verwendet.
- Drücken Sie Strg+S, um das Projekt zu speichern.
In diesem Teil des Workflow haben Sie ein Trajektorie-Dataset erstellt und die AGBD-Variable aus den Trajektorie-Daten der GEDI-Stufe 4A in dieses Dataset aufgenommen. Sie haben dann die relevanten AGBD-Punkte als Feature-Layer extrahiert und symbolisiert.
Abgeleitete erklärende Variablen vorbereiten
Jetzt bereiten Sie zusätzliche erklärende Variablen aus der ursprünglichen Landsat 9-Szene und dem DEM-Raster vor. Dazu erstellen Sie sieben Spektralindizes, die aus der Landsat-9-Szene abgeleitet werden, und ein Ausrichtungs-Raster, das aus dem DEM abgeleitet wird.
Spektralindizes generieren
Ein Spektralindex kombiniert über eine mathematische Formel verschiedene Spektralbänder und berechnet in der Regel ein Verhältnis. Das Ergebnis ist ein neues Rasterbild, das ein bestimmtes Phänomen hervorhebt, z. B. Vegetation, Wasser, Stadtentwicklung oder Feuchtigkeit. Diese Spektralindex-Layer liefern zusätzliche Informationen, um unterschiedliche Vegetationsbedingungen zu berücksichtigen, was wiederum zu einer besseren Vorhersage der AGB-Werte führt.
Hinweis:
Weitere Informationen zu gängigen Spektralindizes
Sie erstellen mehrere Indizes, die als zusätzliche erklärende Variablen dienen:
- NDVI: Normalized Difference Vegetation Index (Normalisierter differenzierter Vegetationsindex)
- EVI: Enhanced Vegetation Index (Erweiterter Vegetationsindex)
- PVI: Perpendicular Vegetation Index (Senkrechter Vegetationsindex)
- NBR: Normalized Burn Ratio (Normierte Brennrate)
- NDWI: Normalized Difference Water Index (Normalisierter differenzierter Wasserindex)
- NDBI: Normalized Difference Built-up Index (Normalisierter differenzierter Index für Bebauungsdichte)
- MSI: Moisture Stress Index (Index für die Feuchtigkeit)
Sie beginnen mit dem NDVI, der zur Unterscheidung zwischen einer intakten Vegetation und einer ungesunden oder fehlenden Vegetation dient. Dazu verwenden Sie die Raster-Funktion Bandarithmetik.
- Deaktivieren Sie im Bereich Inhalt den Layer AGBD_observations.
- Klicken Sie im Menüband auf der Registerkarte Bilddaten in der Gruppe Analyse auf die Schaltfläche Raster-Funktionen.
- Geben Sie im Bereich Raster-Funktionen in die Suchleiste den Begriff Bandarithmetik ein.
- Klicken Sie in der Liste der Ergebnisse auf die Raster-Funktion Bandarithmetik, um sie zu öffnen.
- Legen Sie im Bereich der Raster-Funktion Bandarithmetik-Eigenschaften die folgenden Parameter fest:
- Wählen Sie für Raster die Option Landsat9 aus.
- Wählen Sie für Methode die Option NDVI aus.
- Geben Sie unter Bandindizes die Werte 5 4 ein; sie entsprechen dem für die NDVI-Berechnung benötigten nahinfraroten Band bzw. roten Band.
- Klicken Sie auf die Registerkarte Allgemein, und geben Sie als Name NDVI ein.
- Klicken Sie auf Neuen Layer erstellen.
Der Karte wird ein neuer Layer mit dem Namen NDVI_Landsat9 hinzugefügt. Das Raster in der Karte enthält berechnete NDVI-Werte, die zwischen -1 (keine Vegetation) und 1 (gesunde Vegetation) liegen.
Als Nächstes erstellen Sie die anderen Spektralindex-Layer – EVI, NBR, PVI, NDWI und NDBI – gemäß denselben Schritten.
- Wiederholen Sie die Schritte 4 bis 7 mit den folgenden Bandeinstellungen:
Name/Methode Beschreibung (als Hinweis) Bandindizes Bandnamen EVI
Enhanced Vegetation Index
5 4 2
NIR, Red, Blue
NBR
Normalized Burn Ratio (zur Identifizierung von Spuren von Waldbränden)
5 7
NIR, SWIR 2
PVI
Perpendicular Vegetation Index
5 4 0.3 0.5
NIR, Red (sowie Neigungs- und Gradientenwerte)
NDWI
Normalized Difference Water Index
5 3
NIR, Green
NDBI
Normalized Difference Built-up Index
6 5
SWIR 1, NIR
Bei der Raster-Funktion Bandarithmetik wird unter Methode die Option MSI (Moisture Stress Index) nicht aufgeführt. Sie verwenden zur Berechnung stattdessen die Option Benutzerdefiniert, und geben dazu die mathematische Formel explizit wie folgt an: B6 / B5, wobei die Bänder durch B + [eine Bandnummer] gekennzeichnet werden. Nach dieser Formel wird also das SWIR-1-Band durch das NIR-Band geteilt.
- Wiederholen Sie die Schritte 4 bis 7, um den MSI-Layer zu erstellen. Verwenden Sie dazu die folgenden Parameter:
- Wählen Sie für Raster die Option Landsat9 aus.
- Wählen Sie unter Methode die Option Benutzerdefiniert aus.
- Geben Sie unter Bandindizes B6 / B5 ein.
- Geben Sie unter Allgemein für Name die Bezeichnung MSI ein.
Alle sieben Index-Layer sind nach diesem Vorgang der Karte hinzugefügt und im Bereich Inhalt aufgeführt.
Einen Ausrichtungs-Layer aus dem DEM ableiten
Mithilfe der Raster-Funktion Ausrichtung leiten Sie jetzt einen Ausrichtungs-Layer aus dem DEM-Layer ab. Die Ausrichtung gibt an, in welche Richtung die einzelnen Abwärtsneigungen verlaufen (Norden, Süden, Osten, Westen). Sie ist als erklärende Variable insofern von Bedeutung, als die Sonneneinstrahlung je nach Ausrichtungswert variiert, was sich auf das Wachstum der Vegetation auswirkt.
- Suchen Sie im Bereich Raster-Funktionen nach der Raster-Funktion Ausrichtung, und öffnen Sie diese.
- Wählen Sie im Bereich der Raster-Funktion Ausrichtung unter Raster den Layer DEM aus.
- Klicken Sie auf Neuen Layer erstellen.
Der Karte wird ein Layer mit dem Namen Aspect_DEM hinzugefügt.
Im nächsten Abschnitt verwenden Sie alle erstellten Layer mit erklärenden Variablen als Eingabe für das Modell des maschinellen Lernens. Da diese auf der Karte jedoch nicht angezeigt werden müssen, deaktivieren Sie sie.
- Deaktivieren Sie im Bereich Inhalt alle sieben Spektralindex-Layer sowie die Layer DEM und Aspect_DEM.
- Drücken Sie Strg+S, um das Projekt zu speichern.
In diesem Teil des Workflow haben Sie sieben aus der Landsat-Szene abgeleitete Layer und einen aus dem DEM abgeleiteten Ausrichtungs-Layer vorbereitet. Diese Layer werden beim Trainieren des Regressionsmodells als erklärende Variablen zusätzlich zu der Landsat-Szene und dem DEM verwendet.
Regressionsmodell trainieren und Biomassedichte vorhersagen
Sie haben nun die Stichprobendaten für das Trainingsziel und die erklärenden Variablen vorbereitet. Als Nächstes verwenden Sie diese Daten als Eingabe, um Ihr Regressionsmodell zu trainieren und die Beziehungen zwischen bekannten AGBD-Werten und erklärenden Variablen zu erfassen. Anschließend überprüfen Sie die Performance Ihres Modells, bereinigen die Daten und trainieren Ihr Modell neu, um eine höhere Performance zu erzielen. Anschließend verwenden Sie das resultierende Modell, um die AGBD-Werte für das gesamte Untersuchungsgebiet vorherzusagen. Dann fassen Sie die Ergebnisse zusammen, um die durchschnittliche AGBD nach County im Untersuchungsgebiet zu ermitteln.
Regressionsmodell "Random Trees" trainieren
Zuerst trainieren Sie das Modell, um die Biomasse mit dem Werkzeug Regressionsmodell "Random Trees" trainieren vorherzusagen. Die Regression Random Forest ist ein Ansatz des maschinellen Lernens, bei dem zum Zeitpunkt des Trainings eine Vielzahl von Entscheidungsbäumen erstellt wird.
- Klicken Sie ggf. im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
Hinweis:
Wenn Sie die Registerkarte Geoverabeitung geschlossen haben, können Sie sie erneut öffnen, indem Sie auf dem Menüband in der Gruppe Geoverarbeitung zu der Registerkarte Analyse gehen und auf Werkzeuge klicken.
- Suchen und öffnen Sie das Werkzeug Regressionsmodell "Random Trees" trainieren.
Sie definieren die Eingaben für die erklärenden Variablen.
- Im Bereich des Werkzeugs Regressionsmodell "Random Trees" trainieren fügen Sie für Eingaberaster die Layer Landsat9, und DEM sowie alle acht Layer mit abgeleiteten erklärenden Variablen hinzu.
Vorsicht:
Sie sollten in dem Werkzeug Regressionsmodell "Random Trees" trainieren und später in dem Werkzeug Mit Regressionsmodell vorhersagen die Layer in exakt derselben Reihenfolge verwenden.
Sie wechseln dann zu den AGBD-Stichprobendaten für das Ziel.
- Wählen Sie für Ziel-Raster oder -Punkte die Option AGBD_observations aus.
- Wählen Sie für Zielwertefeld die Option AGBD aus.
Das resultierende Ausgabemodell ist eine .ecd-Datei. Sie wählen einen Namen für diese Datei aus.
- Klicken Sie für Ausgabe-Regressionsdefinitionsdatei auf die Schaltfläche Durchsuchen.
- Navigieren Sie im Fenster Ausgabe-Regressionsdefinitionsdatei zu Ordner > Estimate_Biomass und geben Sie für Name Biomass_model.ecd ein, und klicken Sie auf Speichern.
Die Ausgabe enthält einige Zusatzdateien, die Sie verwenden können, um die Genauigkeit des Modells nachzuvollziehen. Sie legen die Namen für diese Dateien fest.
- Blenden Sie im Bereich des Werkzeugs Regressionsmodell "Random Trees" trainieren die Option Zusätzliche Ausgaben ein.
- Klicken Sie für Ausgabetabelle zur Bedeutung auf die Schaltfläche Durchsuchen, navigieren Sie zu Ordner > Estimate_Biomass, und geben Sie für Name Importance.csv ein.
- Klicken Sie für Ausgabe-Scatterplots auf die Schaltfläche Durchsuchen, navigieren Sie zu Ordner > Estimate_Biomass, und geben Sie für Name Biomass_scatterplots.pdf ein.
Abschließend richten Sie die Parameter für die Trainingsoptionen ein.
- Blenden Sie Trainingsoptionen ein.
- Geben Sie für Prozentsatz der Stichproben für Tests 5 ein, und übernehmen Sie alle anderen Standardwerte.
Hinweis:
Der Wert von 5 Prozent (anstelle des Standardwerts von 10) stellt sicher, dass weniger Daten zu Testzwecken verwendet werden und mehr Daten für das Training zur Verfügung stehen.
- Klicken Sie auf Ausführen.
Nach ein paar Minuten ist das Modelltraining abgeschlossen.
Modell-Performance überprüfen
Um die Modell-Performance nachzuvollziehen, überprüfen Sie nun die Ergebnisse des Werkzeugs Regressionsmodell "Random Trees" trainieren. Workflows für maschinelles Lernen sind oft iterativ. Sie müssen entscheiden, ob das Modell optimal funktioniert oder ob die Bereinigung einiger Eingabedaten seine Performance verbessern könnte. In letzterem Fall müssen Sie das Modell mit den bereinigten Daten neu trainieren.
Zunächst sehen Sie sich den Inhalt der Tabelle Importance.csv an, aus der hervorgeht, welche der erklärenden Variablen mehr oder weniger in die Vorhersage der Zielwerte der Stichprobe eingegangen sind. Sie erstellen ein Balkendiagramm, das diese Ergebnisse zusammenfasst.
- Klicken Sie im Bereich Inhalt unter Standalone-Tabellen mit der rechten Maustaste auf den Tabellen-Layer Importance.csv, klicken Sie auf Diagramm erstellen und wählen Sie die Option Balkendiagramm aus.
Ein Diagrammbereich für Importance.csv und der Bereich Diagrammeigenschaften werden angezeigt.
- Legen Sie im Bereich Diagrammeigenschaften folgende Parameter fest:
- Wählen Sie für Kategorie oder Datum die Option Explanatory_Variables aus.
- Wählen Sie für Aggregation die Option <Keine> aus.
- Klicken Sie unter Numerische Felder auf Auswählen, aktivieren Sie das Feld Bedeutung und klicken Sie dann auf Übernehmen.
Im Diagrammbereich Importance.cvs wird das Diagramm Importance by Explanatory_Variable angezeigt.
Sie können feststellen, dass die Landsat-Spektralbänder, insbesondere SWIR 1 (Landsat9_6) und Nahinfrarot (Landsat9_5) eine entscheidende Rolle bei der Erklärung (oder Vorhersage) der Biomassewerte spielen. Darüber hinaus leisten mehrere Bandindizes einen wesentlichen Beitrag, insbesondere MSI_Landsat9, PVI_Landsat9 und NDBI_Landsat9. Andererseits tragen die Layer DEM und Aspect-DEM am wenigsten bei, was schlüssig ist, da es sich bei diesem Untersuchungsgebiet überwiegend um flaches Terrain handelt. In anderen Ausdehnungen mit größeren Höhenvariationen wäre die Bedeutung der Höhendaten jedoch wahrscheinlich größer. Als Nächstes überprüfen Sie das Scatterplots-Dokument.
Hinweis:
Der Random-Trees-Algorithmus ist nicht deterministisch. Die Ergebnisse können daher jeweils ein wenig unterschiedlich ausfallen.
- Schließen Sie den Diagrammbereich Importance.cvs.
- Navigieren Sie in File Explorer zu dem Ordner Estimate_Biomass und doppelklicken Sie auf die Datei Biomass_scatterplot.pdf, um sie zu öffnen.
In der PDF-Datei zeigt der erste Scatterplott für jeden im Training verwendeten Referenzpunkt folgende Informationen an:
- Den ursprünglich bekannten Wert (x-Achse)
- Den vorhergesagten Wert nach Abschluss des Trainings (y-Achse)
Den R2-Wert, der von 0 bis 1 reicht. Er dient als Indikator für die Modell-Performance. Ein R2-Wert von 0,834 für die Trainings-Performance ist akzeptabel. Während sich die meisten Werte unter 1.000 konzentrieren, können Sie einige extrem hohe Werte beobachten, die von knapp unter 1.000 bis über 4.000 verstreut sind.
Sie vermuten, dass es sich bei diesen Punkten um fehlerhafte Ausreißer handeln könnte, die die Lern-Performance des Modells beeinträchtigen. Um zu entscheiden, ob die extremen Punkte beibehalten oder aus den Trainingsdaten entfernt werden sollen, überprüfen Sie sie auf der Karte. Zunächst sehen Sie sich ein Histogrammdiagramm für den Layer AGBD_observations an, um einen genaueren Schwellenwert für die Ausreißerpunkte zu auszuwählen.
- Schließen Sie die PDF-Datei, und gehen Sie zurück zu ArcGIS Pro.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer AGBD_observations, und wählen Sie die Option Attributtabelle aus.
- Klicken Sie in der Attributtabelle mit der rechten Maustaste auf das Feld AGBD, und wählen Sie die Option Statistiken visualisieren aus.
Die Statistiken für das Feld "AGBD" werden in einem Histogrammdiagramm mit dem Namen Verteilung von AGBD angezeigt.
Das Histogrammdiagramm zeigt die Verteilung der Punkt-Features AGBD_observations für alle möglichen AGBD-Werte an. Sie sehen, dass die meisten Punkte AGBD-Werte von weniger als 700 haben und nur wenige Punkte Werte von mehr als 1.000 aufweisen. Sie wählen 1.000 als Schwellenwert, um Ausreißerpunkte zu definieren.
Sie ändern nun die Anzeige auf der Karte so, dass die Erkundung der Punkte mit höheren Werten einfacher wird.
- Ziehen Sie im Bereich Inhalt den Layer Landsat9 an eine Position knapp über dem Layer Aspect_DEM und aktivieren Sie die Layer AGBD_observations und Landsat9.
- Klicken Sie mit der rechten Maustaaste auf den Layer AGBD_observations, und wählen Sie die Option Symbolisierung aus.
- Wählen Sie im Bereich Symbolisierung für Primäre Symbolisierung den Eintrag Einzelsymbol aus.
Hinweis:
Das Symbol kann unterschiedliche Farben aufweisen.
Diese Symbolisierung erleichtert es Ihnen, die von Ihnen ausgewählten Punkte auf der Karte zu sehen.
Tipp:
Sie können den Diagrammbereich verkleinern, um die Karte größer darzustellen.
Sie wählen nun die AGBD-Punkte mit hohen Werten aus.
- Stellen Sie im Bereich Inhalt sicher, dass der Layer AGBD_observations ausgewählt wurde.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte in der Gruppe Auswahl auf Nach Attributen auswählen.
- Erstellen Sie im Fenster Nach Attributen auswählen unter Ausdruck den Ausdruck Wobei gilt: AGBD ist größer als 1.000.
- Klicken Sie auf OK.
Es werden etwa 40 Punkte ausgewählt, die auf der Karte in Zyan-Blau angezeigt werden.
Sie überprüfen jetzt einige dieser Punkte einzeln.
- Klicken Sie auf die Registerkarte AGBD_observations, und klicken Sie unten im Bereich auf die Schaltfläche Ausgewählte Datensätze anzeigen.
Es werden jetzt nur die ausgewählten Features in der Tabelle aufgelistet.
- Doppelklicken Sie auf den Zeilenkopf für das erste Feature.
Auf der Karte wird der Punkt gelb dargestellt.
- Vergrößern Sie die Ansicht, bis Sie die Bilddaten darunter sehen können.
Der Punkt fällt auf eine Art weniger dichtes Grasland, das keinen AGBD-Wert über 1.000 haben sollte. Im Gegensatz dazu können Sie sehen, dass benachbarte Punkte nicht in Zyan-Blau angezeigt werden, da sie nicht ausgewählt wurden. Das bedeutet, dass ihr AGBD-Wert unter 1.000 liegt und nicht ungewöhnlich hoch ist.
- Doppelklicken Sie in der Attributtabelle auf den Zeilenkopf für das dritte Feature.
Der Punkt fällt ebenfalls auf eine Art weniger dichtes Grasland, das keinen AGBD-Wert über 1.000 haben sollte. Sie können erkennen, dass diese Punkte mit hohen Werte Ausreißer sind, die fehlerhaft sein müssen. Sie löschen diese Punkte.
AGBD-Beobachtungen bereinigen und das Modell erneut trainieren
Sie löschen nun die Ausreißer-Punkte mit hohen Werten. Sie löschen auch die Punkte, die einen NULL-Wert haben, da sie für das Training nicht von Nutzen sind. Anschließend trainieren Sie das Modell neu.
- Klicken Sie im Bereich Inhalt auf AGBD_observations, und wählen Sie die Option Auf Layer zoomen aus.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte auf die Schaltfläche Attribute.
Im Fenster Nach Attributen auswählen ist die erste Klausel Wobei gilt: AGBD ist größer als 1.000 noch vorhanden. Sie fügen eine zweite Klausel hinzu, um die Features mit NULL-Werten auszuwählen.
- Klicken Sie im Fenster Nach Attributen auswählen auf die Schaltfläche Klausel hinzufügen.
- Erstellen Sie für die neue Klausel den Ausdruck Oder AGBD ist NULL, und klicken Sie auf OK.
In der Attributtabelle AGBD_observations sind nun über 20.000 Punkte ausgewählt, die zwischen abnorm hohen Werten und NULL-Werten liegen.
- Klicken Sie in der Werkzeugleiste der Attributtabelle auf die Schaltfläche Auswahl löschen.
- Klicken Sie auf Ja, wenn Sie dazu aufgefordert werden, die Löschung der Daten zu bestätigen.
Sie speichern diese Änderungen.
- Klicken Sie auf dem Menüband auf der Registerkarte Bearbeiten in der Gruppe Änderungen verwalten auf Speichern.
Die ausgewählten Punkte werden aus der Feature-Class AGBD_observations gelöscht. Anschließend führen Sie das Trainingswerkzeug mit den aktualisierten Daten erneut aus, um ein Modell mit höherer Performance zu erhalten.
- Klicken Sie auf dem Menüband auf der Registerkarte Analyse in der Gruppe Geoverarbeitung auf Verlauf.
Der Bereich Verlauf wird angezeigt. Er enthält den Verlauf aller Werkzeuge, die Sie bis jetzt in diesem Projekt ausgeführt haben.
- Doppelklicken Sie im Bereich Verlauf auf den Eintrag Regressionsmodell "Random Trees" trainieren.
Das Werkzeug Regressionsmodell "Random Trees" trainieren wird mit allen Parameterwerten angezeigt, die Sie ursprünglich verwendet haben.
Sie benennen die Ausgaben um, damit die ursprünglichen Ergebnisse nicht überschrieben werden.
- Benennen Sie für Ausgabe-Regressionsdefinitionsdatei Biomass_model.ecd in Biomass_model2.ecd um.
- Blenden Sie Zusätzliche Ausgaben ein, benennen Sie Importance.csv in Importance2.csv und Biomass_scatterplots.pdf in Biomass_scatterplots2.pdf um.
- Klicken Sie auf Ausführen.
Nach ein paar Minuten wird das Modell neu trainiert.
- Navigieren Sie in File Explorer zu dem Ordner Estimate_Biomass und doppelklicken Sie auf die Datei Biomass_scatterplots2.pdf, um sie zu öffnen.
In der PDF-Datei sehen Sie im ersten Scatterplot, dass die Modell-Performance auf R2= 0,888 (von zuvor R2= 0,834) gesteigert wurde. Sie können auch feststellen, dass alle Werte im Scatterplot jetzt kleiner als 1.000 sind.
Sie haben auch bessere Ergebnisse im zweiten und dritten Scatterplot in der PDF-Datei erzielt, die die Modell-Performance anhand von Testpunkten aufzeigen.
- Schließen Sie die PDF-Datei, und gehen Sie zurück zu ArcGIS Pro.
Vorhersage der Biomasse erstellen
Sie verwenden das Modell nun, um die Biomasse für das gesamte Untersuchungsgebiet vorherzusagen. Dazu verwenden Sie das Werkzeug Mit Regressionsmodell vorhersagen. Die Eingabe umfasst dieselben erklärenden Variablen, die Sie für das Modelltraining verwendet haben (Siebenband-Landsat-Szene, DEM-Layer, Spektralindex-Layer und Aspekt-Layer).
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
- Suchen und öffnen Sie das Werkzeug Mit Regressionsmodell vorhersagen.
- Im Bereich des Werkzeugs Mit Regressionsmodell vorhersagen fügen Sie für Eingaberaster die Layer Landsat9 und DEM sowie alle acht Layer mit abgeleiteten erklärenden Variablen in derselben Reihenfolge wie zuvor hinzu.
Vorsicht:
Es ist wichtig, dass Sie für diese Layer im Werkzeug Mit Regressionsmodell vorhersagen dieselbe Reihenfolge verwenden, wie zuvor im Werkzeug Regressionsmodell "Random Trees" trainieren.
Sie arbeiten jetzt mit dem trainierten Modell.
- Klicken Sie für Eingabe- Regressiondefinitionsdatei auf die Schaltfläche Durchsuchen, navigieren Sie zu Ordner > Estimate_Biomass, klicken Sie auf Biomass_model2.ecd und dann auf OK.
Abschließend geben Sie einen Namen für die Ausgabe ein.
- Geben Sie für Vorhergesagtes Ausgabe-Raster Biomass_prediction.crf ein.
- Klicken Sie auf Ausführen.
Nach einigen Minuten wird dem Layer der resultierende Layer hinzugefügt. Sie ändern jetzt das Farbschema.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf das Symbol Biomass_prediction.crf.
- Aktivieren Sie in der Dropdown-Liste für Farbschema das Kontrollkästchen Namen anzeigen, und wählen Sie das Farbschema Blue-Green (Continuous) aus.
- Deaktivieren Sie die Layer AGBD_observations und Landsat9.
- Deaktivieren Sie alle abgeleiteten Layer (Spektralindizes und Ausrichtungs-Layer).
- Überprüfen Sie auf der Karte den Layer Biomass_prediction.crf.
Dunkle Grüntöne zeigen die Gebiete mit der höchsten Biomassedichte an, während helle oder weiße Farbtöne auf eine geringe Dichte oder das Fehlen von Biomasse hinweisen.
Biomassedichte nach County zusammenfassen
Abschließend fassen Sie die Biomassedichte pro County zusammen. Mit Hilfe des Polygon-Layers Counties und des Werkzeugs Zonale Statistiken als Tabelle ermitteln Sie die durchschnittliche Biomassedichte pro County und erstellen ein Diagramm, das einen Überblick über Ihre Ergebnisse gibt.
- Aktivieren Sie im Bereich Inhalt den Layer Counties.
Die Grenzen der Counties werden auf der Karte angezeigt.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
- Suchen Sie das Werkzeug Zonale Statistiken als Tabelle, und öffnen Sie es.
- Legen Sie im Bereich des Werkzeugs Zonale Statistiken als Tabelle die folgenden Parameter fest:
- Wählen Sie für Eingabe-Raster oder -Feature-Zonen-Daten die Option Counties aus.
- Vergewissern Sie sich, dass für Zonenfeld die Option Name ausgewählt ist.
- Wählen Sie für Eingabe-Raster die Option Biomass_prediction.crf aus.
- Geben Sie für Ausgabetabelle den Text Average_biomass_by_county ein.
- Wählen Sie für Statistiktyp die Option Mittelwert aus.
- Übernehmen Sie alle anderen Standardwerte, und klicken Sie auf Ausführen.
Die Tabelle Average_biomass_by_county wird dem Bereich Inhalt hinzugefügt.
- Klicken Sie im Bereich Inhalt unter Standalone-Tabellen mit der rechten Maustaste auf die Tabelle Average_biomass_by_county, klicken Sie auf Diagramm erstellen und wählen Sie die Option Balkendiagramm aus.
- Definieren Sie auf der Registerkarte Daten im Bereich Diagrammeigenschaften folgende Parameter:
- Wählen Sie für Kategorie oder Datum die Option NAME aus.
- Wählen Sie für Aggregation die Option <Keine> aus.
- Klicken Sie unter Numerische Felder auf Auswählen, aktivieren Sie das Feld MEAN und klicken Sie dann auf Übernehmen.
- Wählen Sie unter Sortieren die Option Y-Achse absteigend aus.
- Klicken Sie auf den Bereich Allgemein, und legen Sie die folgenden Parameter fest:
- Geben Sie für Diagrammtitel den Titel Average biomass by county ein.
- Geben Sie als Titel der X-Achse den Titel Counties ein.
- Geben Sie als Titel der Y-Achse den Titel Biomass density (in metric tons per hectare) ein.
- Zeigen Sie im Diagrammbereich Average_biomass_by_county das Diagramm Average biomass by county an.
Aus dem Balkendiagramm geht hervor, dass einige Countys wie Telfair, Houston, Macon und Ben Hill eine höhere durchschnittliche Biomassedichte aufweisen. Nach dem Bericht der United States Energy Information Administration nutzt fast die Hälfte der Haushalte in Georgia Biomasse als Brennstoff, und 80 Prozent davon in ländlichen Gebieten. Die Kenntnis über den Status der Biomasse in diesen ländlichen Gebieten wird der Regierung helfen, praktische Maßnahmen zur Eindämmung des Biomasseverbrauchs und zum Schutz der Wälder und dem Erhalt der biologischen Vielfalt zu entwickeln.
Hinweis:
Sie können auch die Tabelle Biomass_by_county mit dem Layer Counties verbinden, um eine thematische Karte zu erstellen, die die durchschnittliche Biomasse nach County zeigt. Klicken Sie dazu im Bereich Inhalt mit der rechten Maustaste auf den Layer Counties, wählen Sie die Option Verbindungen und Beziehungen aus, und wählen Sie Verbindung hinzufügen aus.
- Drücken Sie Strg+S, um das Projekt zu speichern.
In diesem Lernprogramm haben Sie nach der Einrichtung des Projekts und der Untersuchung der Daten ein Trajektorie-Dataset mit GEDI-Daten vorbereitet und die relevanten AGBD-Punktdaten für das Untersuchungsgebiet extrahiert. Sie haben Rasterfunktionen verwendet, um erklärende Variablen vorzubereiten. Sie haben dann ein Modell zur Vorhersage der Biomassedichte trainiert. Sie haben die Modell-Performance untersucht, die Daten bereinigt und das Modell neu trainiert, um eine höhere Performance zu erzielen. Sie haben dieses leistungsfähigere Modell verwendet, um die Biomassedichte in Ihrem gesamten Untersuchungsgebiet vorherzusagen. Und schließlich haben Sie die Ergebnisse zusammengefasst, um die durchschnittliche Biomassedichte pro County im Untersuchungsgebiet zu erhalten.
Um diesen Workflow so kurz wie möglich zu halten, haben Sie ein relativ kleines Untersuchungsgebiet gewählt. Um einen ähnlichen Workflow auf große Gebiete anzuwenden, die mehrere Landsat-Szenen umfassen und Bilder mit Wolken oder Schatten enthalten, wird empfohlen, sich zunächst damit zu befassen, wie Wolken und Schatten entfernt werden, um die resultierenden Bilder dann in einem Mosaik Dataset zusammenzustellen. Weitere Informationen finden Sie unter Python-Workflow und Workflow ohne Code, um ein wolkenloses Bild aus Satellitenbildern zusammenzusetzen. Da die in diesem Lernprogramm verwendeten Daten auch über Cloud-Plattformen wie AWS oder Microsoft Planetary Computer zugänglich sind, können Sie die Funktionen des direkten Datenzugriffs und des Cloud-basierten Computings mit ArcGIS Pro nutzen. Weitere Informationen finden Sie in dem Artikel Cloud-Based Aboveground Biomass Mapping using Landsat and GEDI Data.
Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.
