Mosaik-Dataset erstellen und Features aus Bilddaten extrahieren
Um Infrastrukturen zu identifizieren, die durch Naturgefahren wie Erdrutsche gefährdet sind, müssen Sie zunächst die Infrastruktur mit Ortsangaben kennen. Sie laden ein ArcGIS Pro-Projektpaket mit allen Daten herunter, die Sie für diesen Workflow brauchen, und erstellen ein Mosaik-Dataset für die Bilddaten. Anschließen greifen Sie auf ein trainiertes Deep-Learning-Modell in ArcGIS Living Atlas zu, das unter Verwendung künstlicher Intelligenz automatisch Gebäude-Footprints aus einem Bilddaten-Layer extrahiert hat.
Das Projektpaket herunterladen und öffnen
Zunächst laden Sie das ArcGIS Pro-Paket herunter und öffnen es. Es enthält alle für dieses Lernprogramm benötigten Daten und Karten.
- Laden Sie das Projektpaket Grenada-landslide-risk herunter.
Die Datei Grenada-landslide-risk.ppkx wird auf den Computer heruntergeladen.
Hinweis:
Eine .ppkx-Datei ist ein ArcGIS Pro-Projektpaket und kann Karten, Daten und weitere Dateien, die Sie in ArcGIS Pro öffnen können, enthalten. Weitere Informationen zum Verwalten von .ppkx-Dateien erhalten Sie in dieser Anleitung.
- Suchen Sie die heruntergeladene Datei auf Ihrem Computer. Doppelklicken Sie auf die Datei, um sie in ArcGIS Pro zu öffnen. Wenn Sie dazu aufgefordert werden, melden Sie sich mit Ihrem ArcGIS-Konto 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.
Das Projekt enthält zwei Karten, Building footprint extraction und Susceptibility analysis, die Sie in unterschiedlichen Teilen dieses Lernprogramms verwenden. Vorerst verwenden Sie die Karte Building footprint extraction.
- Vergewissern Sie sich, dass die Registerkarte Building footprint extraction ausgewählt ist.
Die Karte enthält nur die standardmäßige topographische Grundkarte, welche die Welt darstellt. Als Nächstes fügen Sie Bilddaten hinzu.
Ein Mosaik-Dataset erstellen
In diesem Abschnitt bereiten Sie das Bilddaten-Dataset vor, um die Gebäude-Footprints zu extrahieren.
Das heruntergeladene Projekt enthält Luftbilddaten, die einen Teil der Insel Grenada darstellen. Diese suchen Sie jetzt.
- Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie in der Gruppe Fenster auf den Bereich "Katalog".
Der Bereich Katalog wird angezeigt.
- Erweitern Sie im Bereich Katalog die Optionen Ordner, Grenada_landslide_risk, commondata und Aerial-imagery.
Der Ordner Aerial_imagery enthält 16 Luftbilder im TIFF-Format.
Damit sich diese Bilder wie ein einziger Layer verhalten, erstellen Sie ein Mosaik-Dataset. Zuerst erstellen Sie ein leeres Mosaik-Dataset als Container, und fügen anschließend die Bilddaten hinzu.
- Klicken Sie auf dem Menüband auf der Registerkarte Ansicht in der Gruppe Fenster auf Geoverarbeitung.
- Geben Sie im Bereich Geoverarbeitung in das Suchfeld den Text Mosaik-Dataset erstellen ein. Klicken Sie in der Ergebnisliste auf das Werkzeug Mosaik-Dataset erstellen, um es zu öffnen.
- Klicken Sie im Werkzeug Mosaik-Dataset erstellen auf der Registerkarte Parameter unter Ausgabeverzeichnis auf die Schaltfläche Durchsuchen.
- Klicken Sie im Fenster Ausgabeverzeichnis auf Datenbanken, wählen Sie grenada_landslide_risk.gdb, und klicken Sie auf OK.
- Unter Name des Mosaik-Datasets geben Sie Grenada_aerial_imagery ein.
- Klicken Sie auf die Schaltfläche Koordinatensystem auswählen, um zur Option Koordinatensystem zu gelangen.
Am besten verwenden Sie das Koordinatensystem WGS 1984 Complex UTM zone 20N für alle Daten Ihres Projekts, da es für die Insel Grenada eine gute Wahl ist.
- Geben Sie im Fenster Koordinatensystem den Text WGS 1984 Complex UTM Zone 20N in das Suchfeld ein. Erweitern Sie Projiziertes Koordinatensystem, UTM, WGS 1984, Nordhalbkugel, wählen Sie WGS 1984 Complex UTM Zone 20N aus, und klicken Sie auf OK.
- Übernehmen Sie die anderen Standardwerte, und klicken Sie auf Ausführen.
Das leere Mosaik-Dataset Grenada_aerial_imagery wird im Bereich Inhalt angezeigt.
Jetzt fügen Sie 16 TIFF-Bilder hinzu.
- Klicken Sie am unteren Rand des Bereichs Geoverarbeitung auf die Registerkarte Katalog.
- Erweitern Sie im Bereich Katalog die Einträge Datenbanken und grenada_landslide_risk.gdb.
- Klicken Sie mit der rechten Maustaste auf Grenada_aerial_imagery, und wählen Sie Raster hinzufügen aus.
- Wählen Sie die folgenden Werte für den Parameter Raster zu Mosaik-Dataset hinzufügen aus:
- Wählen Sie unter Eingabedaten die Option Ordner aus.
- Klicken Sie unter Eingabedaten auf die Schaltfläche Durchsuchen. Navigieren Sie im Fenster Eingabedaten zu Ordner > Grenada-landslide-risk, commondata, und wählen Sie Aerial_imagery aus. Klicken Sie auf OK.
- Erweitern Sie den Abschnitt Raster-Verarbeitung, und aktivieren Sie die Kontrollkästchen Statistiken berechnen und Raster-Pyramiden erstellen.
- Erweitern Sie den Abschnitt Mosaik-Nachbearbeitung, und aktivieren Sie die Kontrollkästchen Miniaturansichten erstellen und Übersichten aktualisieren.
- Übernehmen Sie die anderen Standardwerte, und klicken Sie auf Ausführen.
- Wenn der Prozess abgeschlossen ist, klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Grenada_aerial_imagery, und wählen Sie Auf Layer zoomen aus.
Das Mosaik-Dataset wird auf der Karte angezeigt. Die hellgrünen Linien zeigen die Grenzen der 16 TIFF-Bilder.
- Deaktivieren Sie im Bereich Inhalt das Kontrollkästchen neben Footprint, um den Layer zu deaktivieren.
Die Bilddaten werden jetzt als ein Layer angezeigt.
- Vergrößern und schwenken Sie die Karte, um die Standorte der Gebäude näher zu betrachten.
In diesem Teil Grenadas gibt es Hunderte von Gebäuden. Sie könnten jedes Gebäude manuell nachzeichnen und die Footprints als Features in einem Feature-Layer speichern, aber das wäre mühsam und zeitaufwändig. Stattdessen verwenden Sie Deep Learning, um die Gebäude-Footprints automatisch zu extrahieren.
Gebäude-Footprints mithilfe von Deep Learning extrahieren
Deep-Learning-Modelle können Features in Bilddaten klassifizieren oder erkennen. Das Erstellen und Trainieren eines eigenen Deep-Learning-Modells oder die Feinabstimmung eines bereits vortrainierten Modells ist eine anspruchsvolle Aufgabe. Der schwierigste und zeitaufwändigste Aspekt bei der Verwendung von Deep Learning besteht darin, Trainingsbeispiele zu erstellen, um einem Modell beizubringen, den Typ von Informationen zu erkennen, an dem Sie interessiert sind. Alternativ können Sie ein bestehendes Modell verwenden, das bereits für Sie trainiert wurde. ArcGIS Living Atlas of the World enthält eine wachsende Bibliothek solcher vortrainierter Deep-Learning-Modelle. Durch die Nutzung dieser Modelle können Sie direkt in die Extrahierung von Informationen mithilfe künstlicher Intelligenz einsteigen und Erkenntnisse aus Ihren Bilddaten gewinnen. Als Nächstes verwenden Sie ein vortrainiertes Modell aus ArcGIS Living Atlas, um Gebäude-Footprints in Ihrem Bilddaten-Layer zu erkennen.
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.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
- Klicken Sie auf die Registerkarte Toolboxes.
- Erweitern Sie Image Analyst Tools und Deep Learning, und klicken Sie auf das Werkzeug Objekte mit Deep Learning erkennen, um es zu öffnen.
- Legen Sie die folgenden Parameterwerte für Objekte mit Deep Learning erkennen fest:
- Für Eingabe-Raster wählen Sie Grenada_aerial_imagery.
- Für Ausgabe der erkannten Objekte geben Sie Grenada_Buildings ein.
- Klicken Sie für Modelldefinition auf die Schaltfläche Durchsuchen.
- Klicken Sie im Fenster Modelldefinition unter Portal auf Living Atlas. Geben Sie Building Footprint Extraction in das Suchfeld ein. Wählen Sie Building Footprint Extraction - USA aus, und klicken Sie auf OK.
Nachdem Sie das Deep-Learning-Modell ausgewählt haben, werden die Modellargumente automatisch geladen.
- Geben Sie für threshold den Wert 0,6 ein.
Hinweis:
Das erkannte Objekt wird nur zum Ausgabe-Dataset hinzugefügt, wenn das Konfidenzniveau gleich oder größer als der Schwellenwert ist. Der optimale Schwellenwert lässt sich nur durch Ausprobieren ermitteln.
- Klicken Sie auf die Registerkarte Umgebung.
- Wählen Sie für Prozessortyp die Option GPU aus.
Hinweis:
Abhängig von den technischen Daten des Computers kann die Ausführung des Werkzeugs 10 bis 20 Minuten beanspruchen. Optional können Sie das Werkzeug in kleinerem Umfang testen, um die Ausführungszeit zu verkürzen: Vergrößern Sie auf die Ausdehnung 1:2500, und ändern Sie auf der Registerkarte Umgebungen des Werkzeugs die Einstellung für Verarbeitungsausdehnung zu Aktuelle Anzeigeausdehnung.
- Übernehmen Sie alle anderen Standardwerte, und klicken Sie auf Ausführen.
Tipp:
Möglicherweise wird eine Warnung angezeigt, dass das vortrainierte Modell heruntergeladen wird. Warten Sie, bis der Download abgeschlossen ist, ohne weitere Aktionen durchzuführen.
Sie können den Fortschritt unter der Schaltfläche Ausführen beobachten, und über Details anzeigen weitere Informationen aufrufen.
Wenn der Vorgang abgeschlossen ist, wird der Ergebnis-Layer Grenada_Buildings im Bereich Inhalt und auf der Karte angezeigt. Es handelt sich um einen Feature-Layer, in dem jedes Polygon ein Gebäude darstellt.
- Klicken Sie optional im Bereich Inhalt mit der rechten Maustaste auf das Symbol Grenada_Buildings, und wählen Sie in der Farbauswahl eine Farbe, die den Layer deutlich sichtbar macht.
- Vergrößern Sie die Ansicht der Karte, und sehen Sie sich den Layer Grenada_Buildings genauer an.
Verwenden Sie das Werkzeug Vergleichen, um den Layer mit den extrahierten Gebäuden und die zugrunde liegenden Bilddaten besser vergleichen zu können.
- Stellen Sie sicher, dass im Bereich Inhalt der Layer Grenada_Buildings ausgewählt ist.
- Klicken Sie auf dem Menüband auf der Registerkarte Feature-Layer in der Gruppe Vergleichen auf Ausblenden.
- Ziehen Sie den Ziehpunkt auf der Karte wiederholt von einer Seite zur anderen, um den Layer mit den extrahierten Gebäuden auszublenden und den darunter liegenden Bilddaten-Layer anzuzeigen.
Tipp:
Sie können im Vergleichsmodus die Karte schwenken, indem Sie die Taste C auf der Tastatur drücken und mit der Maus ziehen.
Sie können feststellen, dass das Modell fast alle Gebäude erfolgreich erkannt hat.
Hinweis:
Wenn Sie diesen Workflow auf Ihre eigenen Bilddaten anwenden, sind Sie in bestimmten Fällen mit der Qualität der Ergebnisse der Gebäudeerkennung möglicherweise nicht zufrieden. In einer solchen Situation wäre ein guter nächster Schritt das Optimieren des vortrainierten Modells auf Ihre Daten. Weitere Informationen finden Sie im Lernprogramm Ein Deep-Learning-Modell mit Transfer Learning verbessern.
- Wenn Sie mit dem Erkunden fertig sind, klicken Sie im Menüband auf der Registerkarte Karte in der Gruppe Navigieren auf Erkunden, um den Vergleichsmodus zu beenden.
- Klicken Sie auf der Symbolleiste für den Schnellzugriff auf die Schaltfläche Speichern, um das Projekt zu speichern.
In der ersten Hälfte dieses Workflow haben Sie ein ArcGIS Pro-Projektpaket heruntergeladen und geöffnet. Dann haben Sie ein Mosaik-Dataset erstellt und ihm Luftbilddaten hinzugefügt. Sie haben Deep Learning mit einem vortrainierten Modell aus ArcGIS Living Atlas verwendet, um Gebäude-Footprints aus den Bilddaten zu extrahieren und die Ergebnisse in einem Feature-Layer zu speichern. Zum Schluss haben Sie die extrahierten Gebäude mit den Original-Bilddaten verglichen.
Analyse der Erdrutschanfälligkeit durchführen
Die Standorte der Gebäude sind Ihnen jetzt bekannt. Nun müssen Sie die Gebiete in Grenada identifizieren, die anfällig für Erdrutsche sind. Für diese Analyse verwenden Sie vier Raster-Layer und wenden Sie auf verschiedene Raster-Funktionen an, die in einer Raster-Funktionsvorlage enthalten sind. Abschließend vergleichen Sie den Ergebnis-Layer der Erdrutschanfälligkeit mit dem extrahierten Gebäude-Layer, um die am stärksten gefährdeten Bauwerke zu bestimmen.
Raster-Layer erkunden
Zur Analyse der Erdrutschanfälligkeit verwenden Sie vier Raster-Layer im TIFF-Format als Eingabe. Jeder stellt einen wichtigen Faktor bei der Bewertung der Erdrutschanfälligkeit dar:
- Bodentyp: Gebiete mit bestimmten Tonarten im Boden sind anfälliger für Erdrutsche.
- Höhe: Gebiete mit stärkeren Neigungen sind stärker gefährdet.
- Entfernung zu Flüssen: Gebiete in der Nähe von Flüssen sind stärker gefährdet.
- Flächennutzung: Gebiete mit Straßen, Gebäuden und künstlicher Vegetation sind stärker gefährdet, bewaldete Gebiete dagegen weniger.
Jetzt erkunden Sie die vier Layer.
- Klicken Sie auf die Registerkarte der Karte Susceptibility analysis.
Die Karte Susceptibility analysis wird angezeigt, und die vier Layer sind im Bereich Inhalt aufgeführt. Alle sind derzeit deaktiviert.
- Aktivieren Sie im Bereich Inhalt das Kontrollkästchen neben dem Layer Land_use.tif, um ihn zu aktivieren.
- Untersuchen Sie auf der Karte den Layer Land_use.tif sowie dessen Legende im Bereich Inhalt. Zoomen und schwenken Sie, um die im Layer enthaltenen Informationen besser zu verstehen.
- Aktivieren und untersuchen Sie auch Distance_to_rivers.tif, Elevation.tif und Soil_types.tif.
(A) Flächennutzung, (B) Entfernung zu Flüssen, (C) Höhe, (D) Bodentypen Tipp:
Erweitern Sie den Layer Soil_types.tif im Bereich Inhalt, um die Legende anzuzeigen. Schließen Sie ihn dann wieder, da die Legende viel Platz einnimmt.
Als Nächstes verwenden Sie diese Layer als Eingabe Ihrer Analyse der Erdrutschanfälligkeit.
Mithilfe einer Raster-Funktionsvorlage einen Layer für die Erdrutschanfälligkeit erstellen
Sie führen die Analyse der Erdrutschanfälligkeit mit den vier Raster-Layern als Eingabe durch. Anschließend wenden Sie verschiedene Raster-Funktionen an, die in einer Raster-Funktionsvorlage (RFT) gesammelt (verkettet) wurden. Diese RFT ist im Projektpaket enthalten, das Sie heruntergeladen haben. Zuerst öffnen Sie die RFT im Bearbeitungsmodus, um ihren Inhalt zu untersuchen.
Hinweis:
Raster-Funktionen sind Operationen, die die Verarbeitung dynamisch auf Raster anwenden, ohne das Ergebnis auf der Festplatte zu speichern. Da keine Zwischen-Datasets erstellt werden, lassen sich die Prozesse schnell anwenden.
- Klicken Sie im Menüband auf der Registerkarte Bilddaten in der Gruppe Analyse auf die Schaltfläche Raster-Funktionen.
- Klicken Sie im Bereich Raster-Funktionen auf die Registerkarte Projekt. Erweitern Sie ggf. den Abschnitt Grenada_landslide_risk.
Hinweis:
Falls Sie die Raster-Funktionsvorlage nicht sehen, führen Sie die folgenden Schritte aus:
Klicken Sie im Bereich Raster-Funktionen auf die Registerkarte Benutzerdefiniert. Klicken Sie neben "Landslide Grenada" auf die Schaltfläche Funktionen importieren. Navigieren Sie im Fenster Verarbeitungsvorlagen auswählen zu "Ordner > Grenada_Landslide_Risk > P30 > RasterFunctionTemplates > Grenada_Landslide_Risk", klicken Sie auf "Landslide Susceptibility.rft.xml" und anschließend auf OK.
- Klicken Sie mit der rechten Maustaste auf die RFT Landslide Susceptibility, und wählen Sie Bearbeiten aus.
Die RFT wird im Fenster des Funktions-Editors angezeigt.
Die vier grünen Elemente in der RFT stellen die vier Raster-Eingaben dar. Jedes gelbe Element stellt eine Raster-Funktion dar. Der Ablauf ist wie folgt:
- Zuerst werden einige Raster vorverarbeitet. Beispielsweise wird das Raster Elevation in ein Neigungs-Raster transformiert, in dem jede Zelle die Neigung des Terrains an der jeweiligen Position identifiziert (Funktion Neigung).
- Jedes Raster wird dann verarbeitet, sodass der ursprüngliche Wert jeder Zelle in einen Wert zwischen 1 und 10 transformiert wird. 10 steht dabei für das höchste Erdrutschrisiko und 1 für das niedrigste (die Funktion Neuzuordnung oder Berechnung).
- Anschließend werden die vier Ergebnis-Layer kombiniert (Gewichtete Summe) und in ein Ausgabe-Raster transformiert, in dem jede Zelle einen Wert zwischen 1 und 5 enthält, der die Gesamtbewertung der Erdrutschanfälligkeit darstellt (Neuzuordnung: Ergebnisse klassifizieren).
- Zum Schluss werden an die numerischen Werte zwischen 1 und 5 Beschriftungen angefügt, die die 5 Risikoklassen darstellen (Sehr niedrig, Niedrig, Mittel, Hoch, Sehr hoch), und mit einem relevanten Farbschema symbolisiert (Attributtabelle).
- Doppelklicken Sie optional auf einige Raster-Funktionen in der RFT, um zu sehen, wie sie eingerichtet sind.
- Wenn Sie Ihre Untersuchung abgeschlossen haben, schließen Sie das Fenster des Funktions-Editors für Landslide Susceptibility.rft.xml.
Jetzt wenden Sie die RFT auf Ihre Daten an.
- Klicken Sie im Bereich Raster-Funktionen auf die RFT Landslide Susceptibility, um sie zu öffnen.
- Wählen Sie die folgenden Parameter für Landslide Susceptibility aus:
- Wählen Sie für Soil Types die Option Soil_types.tif aus.
- Wählen Sie für Elevation die Option Elevation.tif aus.
- Wählen Sie für Land Use die Option Land_use.tif aus.
- Wählen Sie für Distance to Rivers die Option Distance_to_rivers.tif aus.
- Klicken Sie auf Neuen Layer erstellen, um den Layer für die Analyse der Erdrutschanfälligkeit zu generieren.
Der Ergebnis-Layer wird angezeigt.
In den roten Bereichen ist die Anfälligkeit für Erdrutsche am stärksten und in den grünen Bereichen am geringsten.
In diesem Abschnitt haben Sie eine Raster-Funktionsvorlage ausgeführt, um einen Raster-Layer der Erdrutschanfälligkeit zu erstellen.
Gebäude-Footprints mit den Ergebnissen der Erdrutschanfälligkeit vergleichen
Jetzt vergleichen Sie zuvor extrahierte Gebäude-Footprints visuell mit dem Layer der Erdrutschanfälligkeit, um gefährdete Bauwerke zu identifizieren. Zunächst kopieren Sie den Gebäude-Footprints-Layer in die aktuelle Karte.
- Klicken Sie auf die Registerkarte Building footprint extraction, und wechseln Sie zur ersten Karte.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Grenada_Buildings, und wählen Sie Kopieren aus.
- Klicken Sie auf die Registerkarte Susceptibility analysis, um zur zweiten Karte zurückzukehren.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Susceptibility analysis, und wählen Sie Einfügen aus.
Der Layer Grenada_Buildings wird der Karte hinzugefügt.
- Klicken Sie mit der rechten Maustaste auf den Layer Grenada_Buildings, und wählen Sie Auf Layer zoomen aus.
- Die Karte zoomt auf die Gebiete, aus denen Sie unter Verwendung des Deep-Learning-Modells Gebäude extrahiert haben.
Hinweis:
Damit dieses Lernprogramm nicht zu lang wird, haben Sie nur für einen Teil der Insel die Gebäude-Footprints extrahiert. In einer realen Situation würden Sie ggf. Gebäude-Footprints für die ganze Insel extrahieren.
- Deaktivieren Sie alle Eingabedaten-Layer (Soil_types.tif, Elevation.tif, Land_use.tif und Distance_to_rivers.tif), um die Anzeige zu beschleunigen.
- Zoomen und schwenken Sie durch die Karte, um Gebäude zu identifizieren, die in Hochrisikogebieten stehen (in Rot und Orange).
Wie es aussieht, befinden sich die meisten Gebäude auf Grenada in Gebieten mit geringerem Risiko. Einige Gebäude befinden sich jedoch in Hochrisikozonen (Orange).
Sie haben erfolgreich den Layer Landslide Susceptibility verwendet, um gefährdete Gebäude zu finden. Dies ist jedoch ein dynamischer Layer, der nur im Speicher vorhanden ist, da er mithilfe von Raster-Funktionen generiert wurde. Jetzt speichern Sie ihn auf Ihrem Computer, damit Sie ihn in Zukunft nutzen und leichter für Kollegen und Ihre Community freigeben können.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Landslide Susceptibility, zeigen Sie auf Daten, und wählen Sie Raster exportieren aus.
- Legen Sie im Bereich Raster exportieren die folgenden Parameterwerte fest:
- Überprüfen Sie, ob für Ausgabeformat das Format TIFF ausgewählt ist.
- Überprüfen Sie, ob für Koordinatensystem die Option WGS_1984_Complex_UTM_Zone_20N ausgewählt ist.
- Geben Sie unter Zellengröße für X und Y den Wert 5 ein.
Jede Zelle der Raster-Ausgabe steht für ein Quadrat auf der Bodenoberfläche mit der Größe 5 Meter mal 5 Meter.
- Übernehmen Sie alle anderen Standardwerte, und klicken Sie auf Exportieren.
Kurz darauf wird das neue Raster auf der Karte angezeigt. Es ähnelt dem dynamischen Layer. Allerdings ist es jetzt im Bereich Katalog gespeichert.
- Suchen Sie im Bereich Katalog unter Ordner > Grenada_landslide_risk nach Landslide Susceptibility.tif.
- Klicken Sie auf Strg+S, um Ihr Projekt zu speichern.
In diesem Lernprogramm haben Sie Bilddaten und andere Typen von Raster-Daten verwendet, um durch Erdrutsche gefährdete Bauwerke auf der Insel Grenada zu untersuchen. Sie haben in ArcGIS Pro ein Mosaik-Dataset erstellt und ihm Luftbilddaten hinzugefügt. Dann haben Sie auf ein vortrainiertes Deep-Learning-Modell in ArcGIS Living Atlas zugegriffen und damit die Extraktion von Gebäude-Footprints aus dem Luftbilddaten-Layer automatisiert. Als Nächstes haben Sie eine Raster-Funktionsvorlage verwendet, um eine Raster-Analyse zur Klassifizierung der Landschaft nach Erdrutschanfälligkeit durchzuführen. Sie haben den Layer der Erdrutschanfälligkeit mit den extrahierten Gebäude-Footprints verglichen, um gefährdete Bauwerke zu visualisieren. Zum Abschluss haben Sie das Raster der Erdrutschanfälligkeit auf die Festplatte gespeichert. Ihre Ergebnis-Layer stehen jetzt in weiteren Kartenerstellungs- und Analyse-Workflows für Sie oder andere Mitglieder Ihrer Community zur Verfügung.
