Hochauflösende Bilddaten zur Bodenbedeckung mit GeoAI extrahieren
Ein Projekt erstellen und die Eingabedaten abrufen
Zunächst erstellen Sie ein ArcGIS Pro-Projekt und rufen die für den Workflow erforderlichen Eingabedaten ab.
- Öffnen Sie ArcGIS Pro. Melden Sie sich mit Ihrem ArcGIS-Konto an, falls Sie dazu aufgefordert werden.
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.
- Wählen Sie unter Neues Projekt die Option Karte aus.
- Legen Sie im Fenster Neues Projekt die folgenden Parameter fest:
- Geben Sie für Name den Namen Alexandra_Land_Cover ein.
- Klicken Sie unter Speicherort auf die Schaltfläche Durchsuchen, und wählen Sie den gewünschten Ordnerspeicherort aus.
- Klicken Sie auf OK.
Das Projekt wird geöffnet. Zunächst wird nur die Standard-Grundkarte angezeigt.
Sie werden Bilddaten von Drohnen hinzufügen, die ein Viertel des Township Alexandra in Südafrika zeigen. Die Bilddaten sind hochauflösend, wobei jedes Pixel ein Quadrat von etwa 2,5 x 2,5 Zentimetern am Boden darstellt. Sie wurden von South Africa Flying Labs aufgenommen. Der Layer wird in ArcGIS Online als Bildkachelservice gespeichert.
Hinweis:
South Africa Flying Labs ist eine gemeinnützige Organisation, die Bilddaten mit Drohnen in Südafrika erstellt und lokale Gemeinden mit dem Wissen und den Fähigkeiten ausstatten möchte, die zur Lösung sozialer Probleme in diesem Land erforderlich sind.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Layer auf die Schaltfläche Daten hinzufügen.
- Klicken Sie im Fenster Daten hinzufügen unter Portal auf ArcGIS Online. Geben Sie im Suchfeld Alexandra_Orthomosaic owner:Esri_Tutorials ein, und drücken Sie die Eingabetaste. Klicken Sie in der Liste der Ergebnisse auf den Layer Alexandra_Orthomosaic und dann auf OK.
Der gekachelte Bild-Layer wird angezeigt und die Karte wird darauf gezoomt.
Hinweis:
Dieser True-Ortho-Bild-Layer wurde aus mehreren Drohnenbildern abgeleitet. Er wurde in der Anwendung Site Scan for ArcGIS generiert und direkt von Site Scan in ArcGIS Online gespeichert.
Wenn Sie den in diesem Lernprogramm vorgeschlagenen Workflow auf Ihre eigenen Bilddaten anwenden möchten, finden Sie im Abschnitt Diesen Workflow auf eigene Bilddaten anwenden am Ende des Lernprogramms Tipps hierzu.
- Vergrößern und schwenken Sie die Karte, um die Standorte der Gebäude näher zu betrachten.
Als Nächstes laden Sie das Deep-Learning-Paket High Resolution Land Cover Classification – USA von ArcGIS Living Atlas herunter. Dieses Deep-Learning-Paket ist ein vortrainiertes Modell, das anhand eines großen Datasets trainiert wurde, um Features der Bodenbedeckung genau zu klassifizieren. Durch die Verwendung dieses bereits trainierten Modells können Sie das Wissen und die Expertise, die in das Modell eingebettet sind, nutzen, um die verschiedenen Bodenbedeckungstypen in Ihrem Untersuchungsgebiet zu extrahieren. Das spart Ihnen Zeit und Aufwand im Vergleich zum Training eines eigenen Modells.
- Wechseln Sie zu ArcGIS Living Atlas.
- Geben Sie in das Suchfeld High Resolution Land Cover Classification – USA ein, und drücken Sie die Eingabetaste.
- Klicken Sie in der Liste der Ergebnisse auf High Resolution Land Cover Classification – USA, um zur Elementseite des Modells zu wechseln.
- Lesen Sie auf der Elementseite des Modells die Beschreibung, um sich mit dem Modell vertraut zu machen.
Das Modell wurde für Bilddaten mit einer Auflösung von 80 bis 100 Zentimetern (oder 0,8 bis 1 Meter) trainiert. Dies bedeutet, dass es am besten mit Eingaben ähnlicher Auflösung funktioniert.
- Klicken Sie auf Herunterladen.
Hinweis:
In den meisten Webbrowsern werden heruntergeladene Dateien standardmäßig im Ordner "Downloads" gespeichert.
- Verschieben Sie das heruntergeladene Deep-Learning-Paket an einen einfach auffindbaren Speicherort auf Ihrem Computer.
- Drücken Sie Strg+S, um das Projekt zu speichern.
Pixel mit Deep Learning klassifizieren
Sie generieren nun einen Layer für die Bodenbedeckung mit dem Geoverarbeitungswerkzeug Pixel mit Deep Learning klassifizieren und dem vorab trainierten Modell, das Sie heruntergeladen haben.
Hinweis:
Die Verwendung von Deep-Learning-Werkzeugen in ArcGIS Pro setzt voraus, dass Sie die richtigen Deep-Learning-Bibliotheken auf Ihrem Computer installiert haben. Falls Sie diese Dateien nicht installiert haben, speichern Sie Ihr Projekt, schließen Sie ArcGIS Pro, 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. Nach Abschluss der Lektüre können Sie Ihr Projekt erneut öffnen und mit dem Lernprogramm fortfahren.
- Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie in der Gruppe Fenster auf Geoverarbeitung.
- Geben Sie im Bereich Geoverarbeitung in das Suchfeld Pixel mit Deep Learning klassifizieren ein. Klicken Sie in der Ergebnisliste aud das Werkzeug Pixel mit Deep Learning klassifizieren, um es zu öffnen.
- Legen Sie im Werkzeug Pixel mit Deep Learning klassifizieren folgende Parameter fest:
- Wählen Sie für Eingabe-Raster die Option Alexandra_Orthomosaic aus.
- Geben Sie für Ausgabe-Raster-Dataset den Namen Land_Cover_Raster ein.
- Klicken Sie für Modelldefinition auf die Schaltfläche Durchsuchen.
- Navigieren Sie im Fenster Modelldefinition zu dem von Ihnen heruntergeladenen Deep-Learning-Paket HighResolutionLandCoverClassification_USA.dlpk. Wählen Sie sie aus, und klicken Sie auf OK.
Nach wenigen Augenblicken werden die Modellargumente automatisch geladen.
- Suchen Sie unter Argumente, das Argument batch_size.
Die Klassifizierung der Pixel für das Deep Learning kann nicht in einem Durchlauf für das gesamte Bild durchgeführt werden. Stattdessen teilt das Werkzeug das Bild basierend auf dem Argumentwert tile_size in kleine Kacheln auf. Eine Batch-Größe von 4 bedeutet, dass das Werkzeug vier Bildkacheln auf einmal verarbeitet. Bei der Ausführung des Werkzeugs wird möglicherweise eine Fehlermeldung zu nicht ausreichendem Speicher angezeigt, weil Ihr Computer nicht über genügend Speicher für diese Verarbeitungsebene verfügt. In diesem Fall sollten Sie den Wert des Arguments batch_size für die Batch-Größe von 4 auf 2 oder sogar 1 verringern. Wenn Sie über einen leistungsstarken Computer verfügen, könnten Sie den Wert für batch_size auch erhöhen, um die Verarbeitung zu beschleunigen.
Zunächst behalten Sie den Standardwert 4 bei und akzeptieren auch die anderen Standardwerte für die Argumente. Als Nächstes legen Sie die Zellengröße fest, die bei der Ausführung des Werkzeugs verwendet werden soll.
- Klicken Sie auf die Registerkarte Umgebung.
- Geben Sie unter Raster-Analyse für Zellengröße den Wert 0,9 (das sind 0,9 Meter oder 90 Zentimeter) ein.
Die ursprüngliche Zellengröße (oder Pixelgröße) des Drohnenbildes beträgt 2,5 Zentimeter (oder 0,025 Meter). Dies ist eine sehr hohe Auflösung, die zu einer großen Anzahl von Pixeln zum Verarbeiten und damit zu einer längeren Verarbeitungszeit führen würde. Außerdem kann die geringe Zellengröße zu detailliert sein, um die Features genau zu klassifizieren. Wie Sie bereits erfahren haben, erwartet das Modell Bilddaten mit einer Zellengröße von 80 bis 100 Zentimetern (oder 0,8 bis 1 Meter). Durch Anpassung der verarbeiteten Zellengröße auf 0,9 Meter werden die Bilddaten automatisch auf diese größere Zellengröße umgewandelt, bevor sie als Eingabe für die Deep-Learning-Klassifizierung verwendet werden. Die Bilddaten werden nach dem Resampling viel näher an den Modellvorgaben liegen. Dadurch werden eine schnellere Verarbeitung und genauere Ergebnisse bei der Klassifizierung der Bodenbedeckung gewährleistet.
Hinweis:
Um besser zu verstehen, wie sich die Einstellung der Zellengröße auf die Ergebnisse auswirken kann, lesen Sie den Abschnitt "Imagery cell size" im Artikel Multiresolution Object Detection with Text SAM.
- Wählen Sie für Prozessortyp die Option GPU aus. Wählen Sie für GPU-ID den Wert 0 aus.
Hinweis:
Für dieses Lernprogramm wird eine NVIDIA-GPU mit mindestens 4 GB dediziertem Speicher empfohlen. Wenn Sie nur über eine CPU verfügen, sollte die Verarbeitung trotzdem möglich sein, aber sie dauert viel länger. Wählen Sie in diesem Fall die Option "CPU" aus. Weitere Informationen über GPUs und ihre Verwendung für Deep-Learning-Prozesse finden Sie im Abschnitt GPU-Verfügbarkeit prüfen des Lernprogramms Auf Deep-Learning-Workflows in ArcGIS Pro vorbereiten.
- Übernehmen Sie alle anderen Standardwerte, und klicken Sie auf Ausführen.
Während das Werkzeug ausgeführt wird, können Sie auf Details anzeigen klicken, um auf weitere Informationen zuzugreifen.
Tipp:
Wenn eine Fehlermeldung zu nicht ausreichendem Speicher angezeigt wird, dann sollten Sie den Wert des Argumentes batch_size für die Batch-Größe von 4 auf 2 oder sogar 1 verringern und den Prozess erneut ausführen.
Nach ein paar Minuten wird der Ergebnis-Layer Land_Cover_Raster im Bereich Inhalt und auf der Karte angezeigt. Es handelt sich um einen Raster-Layer, bei dem jeder Pixelwert eine von neun Bodenbedeckungskategorien darstellt.
Eine Liste der Bodenbedeckungstypen wird im Bereich Inhalt angezeigt.
- Zoomen und schwenken Sie, um den Layer Land_Cover_Raster zu erkunden.
Sie sehen verschiedene Features der Bodenbedeckung wie Vegetation, Gebäude, Gewässer und Straßen. Dieses hochauflösende Raster bietet wertvolle Einblicke in die Verteilung und Ausdehnung dieser Bodenbedeckungstypen im Gebiet des Townships Alexandra.
Hinweis:
Sie werden feststellen, dass die Vegetationsflächen mit einer insgesamt guten Genauigkeit extrahiert wurden, die Ergebnisse für die Gebäude jedoch von geringerer Qualität sind, insbesondere in den Gebieten mit inoffiziellen Wohnhäusern. Je nach Bildauflösung und Art der vorhandenen Gebäude kann die Qualität der Ergebnisse variieren, und es kann sinnvoll sein, verschiedene Methoden zum Extrahieren verschiedener Feature-Typen zu verwenden. Ein leistungsstarker Ansatz zum Extrahieren von Gebäuden mit hoher Genauigkeit wird im Artikel Multiresolution Object Detection with Text SAM beschrieben.
- Klicken Sie in der Symbolleiste für den Schnellzugriff auf die Schaltfläche Projekt speichern, um das Projekt zu speichern.
Einen Feature-Layer für die Bodenbedeckung erstellen
Nachdem Sie ein Raster zur Bodenbedeckung erstellt haben, kann es abhängig von Ihren Zielen nützlich sein, daraus einen Polygon-Layer abzuleiten. So können Sie Ihren Analyse-Workflow mit allen in ArcGIS Pro verfügbaren vektorbasierten Geoverarbeitungswerkzeugen fortsetzen. Dafür verwenden Sie das Werkzeug Raster in Polygon. Anschließend symbolisieren Sie den neuen Layer.
- Klicken Sie im Bereich Geoverarbeitung zwei Mal auf die Schaltfläche Zurück.
- Navigieren Sie zum Werkzeug Raster in Polygon, und öffnen Sie es.
- Legen Sie im Werkzeug Raster in Polygon die folgenden Parameter fest:
- Wählen Sie für Eingabe-Raster die Option Land_Cover_Raster aus.
- Wählen Sie unter Feld die Option Class aus.
- Für Ausgabe-Polygon-Features geben Sie Land_Cover_Features ein.
- Übernehmen Sie alle anderen Standardeinstellungen, und klicken Sie auf Ausführen.
Der Layer Land_Cover_Features wird erstellt und zur Karte hinzugefügt.
Hinweis:
Die Farbe des Layers wurde zufällig zugewiesen und kann daher variieren.
In dem neuen Layer wurden die verschiedenen Bodenbedeckungsflächen in Polygon-Features umgewandelt. Jedem Polygon ist ein Bodenbedeckungstyp zugeordnet. Sie symbolisieren nun den Layer, um diese Bodenbedeckungstypen sichtbar zu machen. Sie könnten jeden Typ einzeln symbolisieren und für jeden eine andere Farbe wählen. Um den Workflow zu beschleunigen, verwenden Sie jedoch eine Layer-Datei mit einer Symbolisierung, die bereits für Sie festgelegt wurde.
- Laden Sie die Layer-Datei Land_Cover_Symbology.lyrx herunter.
- Überprüfen Sie im Bereich Inhalt, ob der Layer Land_Cover_Features ausgewählt ist.
- Klicken Sie auf dem Menüband auf die Registerkarte Feature-Layer. Klicken Sie in der Gruppe Darstellung auf die Schaltfläche Symbolisierung.
Der Bereich Symbolisierung wird angezeigt.
- Klicken Sie im Bereich Symbolisierung auf die Schaltfläche "Optionen", und wählen Sie Symbolisierung importieren aus.
- Legen Sie im Werkzeug Symbolisierung aus Layer anwenden die folgenden Parameter fest:
- Bestätigen Sie, dass der Eingabe-Layer auf Land_Cover_Features festgelegt ist.
- Klicken Sie auf die Schaltfläche Durchsuchen, um zu Symbolisierungs-Layer zu gelangen. Navigieren Sie zum Ordner Downloads, wählen Sie die Datei Land_Cover_Symbology.lyrx aus, und klicken Sie auf OK.
Tipp:
Optional können Sie die Datei Land_Cover_Symbology.lyrx in den Projektordner Alexandra_Land_Cover verschieben und dort darauf zugreifen. Dies ist besonders nützlich, wenn Sie diese Symbolisierung für andere Layer erneut verwenden möchten.
- Klicken Sie auf Ausführen.
Der Layer Land_Cover_Features wird aktualisiert.
Die Bodenbedeckungstypen sind jetzt sichtbar. Weitere Details finden Sie in der Legende des Layers im Bereich Inhalt.
Hinweis:
Die vorgeschlagene Symbolisierung berücksichtigt Farbenblindheit.
Wenn Sie bei der Arbeit mit Ihren eigenen Daten lieber Ihr eigenes Farbschema gestalten möchten, verwenden Sie die Option Einzelwertsymbolisierung in ArcGIS Pro. Dies ermöglicht es Ihnen, ein Feld auszuwählen und manuell Farben für jeden Attributwert auszuwählen, um eine angepasste Symbolisierung für Ihre Bodenbedeckungsdaten zu erstellen. Wenn Sie mehr über die Auswahl von Farben für Karten erfahren möchten, finden Sie weitere Informationen hierzu im Lernprogramm Farben für Karten auswählen.
Gesamtvegetationsfläche berechnen
Sie identifizieren nun die Grünflächen (oder mit Vegetation bedeckten Flächen) in diesem Stadtteil von Alexandra und berechnen die Gesamtfläche, die sie bedecken.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer Land_Cover_Features, und wählen Sie Attributtabelle aus.
- Suchen Sie in der Attributtabelle Land_Cover_Features das Feld Class.
Hier werden die Werte für Bodenbedeckungstypen gespeichert. Zwei Bodenbedeckungstypen entsprechen mit Vegetation bedeckten Gebieten: Low Vegetation und Tree Canopy. Sie generieren eine Abfrage, die diese beiden Typen enthält.
- Klicken Sie auf Nach Attributen auswählen.
- Erstellen Sie im Fenster Nach Attributen auswählen unter Ausdruck den Ausdruck Wobei gilt: Class enthält die Werte Low Vegetation, Tree Canopy.
- Klicken Sie auf OK.
Alle Polygon-Features, die der Vegetation entsprechen, sind jetzt auf der Karte ausgewählt.
- Klicken Sie in der Attributtabelle auf die Schaltfläche Ausgewählte Datensätze anzeigen.
Es gibt 831 Polygone, die die Vegetation darstellen.
Hinweis:
Möglicherweise erhalten Sie eine leicht abweichende Anzahl.
Sie können nun sehen, wie viel Fläche diese 831 Polygone insgesamt bedecken.
- Klicken Sie mit der rechten Maustaste auf das Feld Shape_Area, und wählen Sie Statistiken erkunden aus.
Die Ansicht "Data Engineering" für Land_Cover_Features wird angezeigt. Sie zeigt verschiedene Statistiken zum Attribut Shape_Area an.
- Scrollen Sie horizontal, und suchen Sie die Zelle Sum.
Dieser Wert entspricht der Summe der Fläche aller aktuell ausgewählten Polygone.
Hinweis:
Möglicherweise erhalten Sie eine leicht abweichende Zahl.
Sie stellen fest, dass die mit Grünflächen bedeckte Gesamtfläche in diesem Stadtteil von Alexandra etwa 403.990 Quadratmeter oder 0,404 Quadratkilometer beträgt.
Einen Layer für Grünflächen erstellen
Als letzten Schritt erstellen Sie mit dem Werkzeug Features exportieren einen Layer, der nur die Grünflächen in Ihrem Untersuchungsgebiet enthält.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Land_Cover_Features, zeigen Sie auf Daten, und wählen Sie Features exportieren aus.
- Legen Sie im Fenster Features exportieren die folgenden Parameter fest:
- Vergewissern Sie sich, dass für Eingabe-Features der Eintrag Land_Cover_Features ausgewählt ist.
- Stellen Sie sicher, dass die Option Die ausgewählten Datensätze verwenden aktiviert ist.
- Geben Sie unter Ausgabe-Feature-Class den Text Green_Spaces ein.
Wenn die Option Die ausgewählten Datensätze verwenden aktiviert ist, werden nur die aktuell ausgewählten Polygon-Features in den neuen Layer exportiert.
- Klicken Sie auf OK.
Der neue Layer wird zur Karte hinzugefügt. Sie räumen etwas auf, um diesen neuen Layer besser sehen zu können.
- Schließen Sie die Ansicht "Data Engineering" für Land_Cover_Features. Schließen Sie die Attributtabelle.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Auswahl auf Aufheben, um die Feature-Auswahl auf dem Layer Land_Cover_Features zu entfernen.
- Klicken Sie im Bereich Inhalt auf die Kontrollkästchen Land_Cover_Features und Land_Cover_Raster, um diese Layer zu deaktivieren.
Die Karte zeigt jetzt nur noch den Layer Green_Spaces, der über den ursprünglichen Drohnenbildern angezeigt wird.
- Drücken Sie Strg+S, um das Projekt zu speichern.
Sie können den Layer Green_Spaces in beliebigen Karten oder Forschungsprojekten verwenden. Sie können ihn auch für Ihre Community freigeben, indem Sie ihn auf ArcGIS Online als Web-Layer veröffentlichen.
Diesen Workflow auf Ihre eigenen Bilddaten anwenden (optional)
Um diesen Workflow auf Ihre eigenen Bilddaten anzuwenden, bedenken Sie Folgendes:
- Speicherort für Ihre Bilddaten: In diesem Lernprogramm haben Sie einen Bild-Layer verwendet, der in Site Scan for ArcGIS aus unbearbeiteten Drohnenbildern generiert und in ArcGIS Online direkt aus Site Scan gespeichert wurde. Wenn Sie mit Ihren eigenen Daten arbeiten, können Sie diese ebenfalls auf ArcGIS Online hosten. Eine weitere Möglichkeit ist die Verwendung von auf Ihrem lokalen Computer gespeicherten Bilddaten.
Datenanforderungen des Modells: Wie auf der Seite High Resolution Land Cover Classification – USA erläutert, benötigt das Modell als Eingabe hochauflösende (80–100 cm) Bilddaten (8 Bit,-3 Bänder).
- Vorbereiten der Bilddaten: Die drei erwarteten Bänder sind Rot, Grün und Blau (oder RGB). Wenn Ihre Bilddaten mehr als drei Bänder enthalten, sollten Sie die relevanten Bänder extrahieren, bevor Sie mit dem Deep-Learning-Prozess fortfahren. Das Modell erwartet außerdem Bilddaten mit einer Pixeltiefe von 8 Bit. Falls Ihre Bilddaten eine andere Pixeltiefe aufweisen, z. B. 16 Bit, sollten Sie sie in 8 Bit konvertieren. Schritt-für-Schritt-Anleitungen zum Implementieren dieser Änderungen finden Sie im Abschnitt Relevante Bilddatenbänder auswählen des Lernprogramms Ein Deep-Learning-Modell mit Transfer Learning verbessern.
- Suchen nach Informationen zu Ihren Bilddaten: Wenn Sie nicht sicher sind, welche Eigenschaften Ihre Bilddaten haben (z. B. Anzahl der Bänder, Pixeltiefe oder Zellengröße), klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Bilddaten-Layer, und wählen Sie Eigenschaften aus. Klicken Sie im Bereich Eigenschaften auf den Bereich Quelle. Unter Raster-Informationen finden Sie die Werte für Anzahl der Bänder, die Zellengröße X, die Zellengröße Y und die Pixeltiefe.
- Experimentieren mit der Zellengröße: Wenn Sie das Geoverarbeitungswerkzeug Pixel mit Deep Learning klassifizieren verwenden, können Sie verschiedene Werte für Zellengröße ausprobieren, um zu sehen, welcher Wert das beste Ergebnis für Ihre Bilddaten liefert. 0,9 sollte jedoch gut zu dem Modell passen, da eine Zellengröße von 80 bis 100 Zentimetern (oder 0,8 bis 1 Meter) erwartet wird. Es wird davon abgeraten, Bilddaten mit einer gröberen Zellengröße zu verwenden, als vom Modell erwartet wird.
Experimentieren mit geringer Ausdehnung: Beim Experimentieren können Sie die Verarbeitung auf eine geringe Ausdehnung beschränken, um schneller Ergebnisse zu erzielen. Klicken Sie auf der Registerkarte Umgebungen unter Verarbeitungsausdehnung auf die Schaltfläche Ausdehnung darstellen, und zeichnen Sie ein kleines Polygon auf der Karte.
In diesem Lernprogramm haben Sie ein vorab trainiertes Deep-Learning-Modell verwendet, um hochauflösende Bilddaten einer Drohne in verschiedene Bodenbedeckungstypen auf Pixelebene für einen Stadtteil der Township Alexandra in Südafrika zu klassifizieren. Anschließend haben Sie den detaillierten Raster-Layer zur Bodenbedeckung in einen Vektor-Layer umgewandelt und diesen symbolisiert. Sie haben die Polygone ausgewählt, die die Vegetation darstellen, und die Gesamtfläche berechnet, die sie bedecken. Schließlich haben Sie einen Vektor-Layer erstellt, der nur die Grünflächen im Stadtteil enthält.
Weitere Informationen zu anderen Optionen für das Extrahieren der Bodenbedeckung mit GeoAI finden Sie im Artikel Unlocking Landscapes: Landcover Mapping using Pretrained Deep Learning Models.
Weitere vergleichbare Lernprogramme finden Sie in der Reihe Deep Learning in ArcGIS testen.
Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.
