Überschwemmungen mit SAR-Daten und Deep Learning kartieren
Um diese Analyse durchzuführen, extrahieren Sie zunächst die Pixel, die Wasser in den Sentinel-1-SAR-Bilddaten vor und nach der Überschwemmung darstellen, indem Sie ein mit Deep Learning trainiertes Modell verwenden. Anschließend führen Sie eine Änderungserkennung zwischen den beiden extrahierten Wasser-Rastern durch, um die überschwemmten Flächen zu identifizieren. Schließlich berechnen Sie die gesamte von der Überschwemmung betroffene Oberfläche in Quadratkilometern.
Das Projekt einrichten und die Daten erkunden
Zunächst laden Sie das Projekt herunter, das alle Daten für dieses Lernprogramm enthält, und öffnen es in ArcGIS Pro. Anschließend beginnen Sie mit der Erkundung der Daten.
- Laden Sie das Paket Flood_mapping herunter.
Die Datei Flood_mapping.ppkx wird auf Ihren 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.
Tipp:
In den meisten Webbrowsern werden Dateien in den Ordner "Downloads" heruntergeladen.
- Doppelklicken Sie auf die Datei Flood_mapping.ppkx, 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-Konto verfügen, informieren Sie sich über die Optionen für den Zugriff auf die Software.
Das Projekt wird geöffnet.
Das Projekt enthält vier Karten: Compare SAR Imagery, Post Flood, Pre Flood und Change Detection. Für den Anfang arbeiten Sie mit der ersten Karte.
- Stellen Sie sicher, dass die Karte Compare SAR Imagery ausgewählt ist.
Die Karte enthält zwei SAR-Satellitenbilder (Synthetic Aperture Radar): Pre_Flood_SAR_Composite und Post_Flood_SAR_Composite. Sie zeigen den Interessenbereich vor und nach der Überschwemmung, die sich 2019 in St. Louis ereignete. Derzeit ist nur der Layer mit der Darstellung vor der Überschwemmung sichtbar, der über der Grundkarte Weltweite topografische Karte angezeigt wird. Die schwarzen oder dunkleren Grautöne zeigen wasserbedeckte Gebiete an und grenzen die Flüsse Mississippi, Illinois und Missouri deutlich ab.
Satelliten mit SAR-Sensoren erzeugen Bilder auf der Grundlage der Radartechnologie. Eine der Stärken von SAR besteht darin, dass sowohl bei Tag als auch bei Nacht und selbst bei Wolken, Rauch oder Regen klare Bilder erstellt werden können. Dies macht SAR-Bilddaten zu einer sehr guten Wahl für die Kartierung von Überschwemmungen.
Hinweis:
Weitere Informationen über SAR finden Sie in dem Lernprogramm SAR-Satellitenbilder erkunden und der Reihe Erste Schritte mit SAR-Satellitenbildern.
Diese zwei Layer wurden aus SAR-Bilddaten des Typs Sentinel-1 GRD abgeleitet, die am 23. Februar und 11. Juni 2019 erfasst wurden.
Hinweis:
Die ursprünglichen Sentinel-1 GRD-Datasets wurden mit einigen Vorverarbeitungsschritten für die Analyse vorbereitet, unter anderem durch die Erstellung von Kompositbildern. Wie Sie Sentinel-1 GRD-Datasets für Ihren eigenen Interessenbereich erhalten und wie Sie diese vorbereiten können, erfahren Sie im zweiten Modul dieses Tutorials, Diesen Workflow auf Ihren eigenen Interessenbereich anwenden.
Sie verwenden das Werkzeug Ausblenden, um die beiden Bilder zu vergleichen.
- Klicken Sie im Bereich Inhalt auf den Layer Pre_Flood_SAR_Composite, um ihn auszuwählen.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer. Klicken Sie in der Gruppe Vergleichen auf Ausblenden.
- Ziehen Sie auf der Karte von oben nach unten, um den Layer Pre_Flood_SAR_Composite zu entfernen und den Layer Post_Flood_SAR_Composite darunter anzuzeigen.
Auf dem Bild nach der Überschwemmung gibt es viel mehr wasserbedeckte Flächen, die in Schwarztönen angezeigt werden.
Zum Vergleich: Optische Satellitenbilder (Sentinel-2) für den Zeitraum nach der Überschwemmung zeigen aufgrund der Wetterbedingungen eine dicke Wolkenschicht und konnten nicht verwendet werden, um überschwemmte Flächen am Boden zu erkennen.
Optische Sentinel-2-Bilddaten nach der Überschwemmung mit einer dicken Wolkenschicht. - Drehen Sie auf der Karte zum Verkleinern und Vergrößern das Mausrad, und blenden Sie weiter aus, um die SAR-Bilddaten im Detail zu untersuchen.
Tipp:
Um bei aktiviertem Werkzeug Ausblenden die Karte zu schwenken, drücken Sie die Taste C, und ziehen Sie den Mauszeiger.
- Um den Modus "Ausblenden" zu beenden, klicken Sie auf dem Menüband auf die Registerkarte Karte und dann in der Gruppe Navigieren auf das Werkzeug Erkunden.
Ein vortrainiertes Deep-Learning-Modell herunterladen
Um die Pixel zu extrahieren, die in den SAR-Bildern Wasser repräsentieren, verwenden Sie ein vortrainiertes Deep-Learning-Modell namens Water Body Extraction (SAR) - USA Es wurde für die Erkennung von Wasserpixeln in SAR-Bildern trainiert und ist erhältlich über denArcGIS Living Atlas of the World. Sie laden das Modell auf Ihren Computer herunter.
Hinweis:
Der ArcGIS Living Atlas of the Worldist die verlässliche GIS-Datensammlung von Esri, die auch eine wachsende Bibliothek von Deep-Learning-Modellen enthält.
- Öffnen Sie ArcGIS Living Atlas of the World im Webbrowser.
- Geben Sie auf der Startseite in das Suchfeld Water Body Extraction (SAR) - USA ein, und klicken Sie auf die Schaltfläche "Suchen".
- Klicken Sie in der Ergebnisliste auf Water Body Extraction (SAR) - USA, um die Elementseite des Modells zu öffnen.
Die Elementseite enthält eine Dokumentation zu dem Modell. Sie enthält zudem einen Link zu einem Handbuch, in dem die Verwendung des Modells erläutert wird.
- Klicken Sie oben auf der Seite unter Übersicht auf Herunterladen.
Die Modelldatei wird auf den Computer heruntergeladen.
- Suchen Sie die heruntergeladene Datei WaterbodyExtractionSAR_USA.dlpk auf dem Computer, und verschieben Sie sie an einen Speicherort, der leicht zu finden ist, z. B. C:\GeoAI.
Wasserpixel extrahieren
Sie verwenden nun das heruntergeladene, vortrainierte Modell, um die Wasserpixel aus dem Bild vor der Überschwemmung zu extrahieren. Sie verwenden dazu das Geoverarbeitungswerkzeug Pixel mit Deep Learning klassifizieren.
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, 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. Anschließend können Sie Ihr Projekt erneut öffnen und mit dem Lernprogramm fortfahren.
Sie extrahieren die Wasserpixel auf der zweiten Karte.
- Klicken Sie auf die Kartenregisterkarte Pre Flood.
Diese Karte enthält den Layer Pre_Flood_SAR_Composite. Die Verarbeitung des gesamten SAR-Bildes mit dem Werkzeug Pixel mit Deep Learning klassifizieren kann je nach den Spezifikationen Ihres Computers zwischen 40 Minuten und 4 Stunden dauern. Um dieses Lernprogramm kurz zu halten, werden Sie nur einen kleinen Teil des Bildes verarbeiten.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte in der Gruppe Navigieren auf Lesezeichen, und wählen Sie Smaller extent aus.
Die Karte wird im mittleren Bereich des SAR-Bildes auf eine kleinere Ausdehnung verkleinert.
Sie öffnen jetzt das Werkzeug und legen seine Parameter fest.
- Klicken Sie auf dem Menüband auf der Registerkarte Ansicht 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 Pre_Flood_SAR_Composite aus.
- Geben Sie als Ausgabe-Raster-Dataset den Namen Pre_Flood_Water_Small_Extent ein.
Sie rufen jetzt das Modell Water Body Extraction (SAR) - USA ab.
- Klicken Sie neben dem Parameter Modelldefinition auf die Schaltfläche Durchsuchen.
- Navigieren Sie im Fenster Modelldefinition zu dem Ordner, in dem Sie das Modell gespeichert haben, klicken Sie auf WaterbodyExtractionSAR_USA.dlpk und dann 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. Das Werkzeug schneidet das Bild stattdessen in kleine Stücke, die als Bildschnipsel bezeichnet werden. Eine Batch-Größe von 4 bedeutet, dass das Werkzeug vier Bildschnipsel 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. Änderungen des Wertes batch_size wirken sich nicht auf die Qualität der Ergebnisse, sondern nur auf die Effizienz des Klassifizierungsprozesses des Modells aus.
Zunächst behalten Sie den Standardwert 4 bei.
- Geben Sie unter Argumente für test_time_augmentation True ein.
Wenn dieses Argument auf True festgelegt ist, wird eine Datenerweiterung vorgenommen: Es werden mehrere Versionen von Bildchips durch Kippen und Drehen erstellt, und die daraus resultierenden Vorhersagen werden in der endgültigen Ausgabe zusammengeführt.
Hinweis:
In der Dokumentation zu dem Werkzeug Pixel mit Deep Learning klassifizieren finden Sie weitere Information zu den Modellargumenten.
Sie legen nun die Verarbeitungsausdehnung über die Parameter Umgebungen fest, um sie auf den kleineren Teil des Bildes zu beschränken, der aktuell auf der Karte angezeigt wird.
- Klicken Sie auf die Registerkarte Umgebung.
- Klicken Sie unter Ausdehnung auf die Schaltfläche Aktuelle Anzeigeausdehnung
Die Ausdehnungskoordinaten werden in den Parametern Oben, Links, Rechts und Unten auf Basis der aktuellen Ausdehnung der Karte aktualisiert.
- Wählen Sie für Prozessortyp die Option GPU aus. Geben Sie als GPU-ID den Wert 0 ein.
Hinweis:
In diesem Lernprogramm wird davon ausgegangen, dass Ihr Computer über eine NVIDIA-GPU verfügt. Ist dies nicht der Fall, wählen Sie die Option CPU aus. Die Verarbeitung der Daten dauert dann jedoch wesentlich länger. 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.
Nun sind Sie bereit, das Werkzeug auszuführen.
Vorsicht:
Je nach den Spezifikationen Ihres Computers wird dieser Prozess einige Zeit in Anspruch nehmen. Auf einem Computer mit einer 4-GB-Nvidia-GPU dauert er etwa 7 Minuten.
Wenn Sie es vorziehen, diesen Prozess nicht auszuführen, um Zeit zu sparen, können Sie stattdessen ein Ausgabe-Raster öffnen, das im Projekt bereitgestellt wurde. Navigieren Sie im Bereich Katalog zu Datenbanken und Flood_mapping.gdb. Klicken Sie mit der rechten Maustaste auf Pre_Flood_Water_Small_Extent_Provided und wählen Sie Zu aktueller Karte hinzufügen aus.
- Wenn Sie den Prozess selbst ausführen möchten, klicken Sie auf Ausführen.
Während das Werkzeug ausgeführt wird, können Sie auf Details anzeigen klicken, um auf weitere Informationen zuzugreifen.
Tipp:
Wenn eine Fehlermeldung erhalten, 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.
Nachdem der Prozess abgeschlossen ist, wird das Ausgabe-Raster Pre_Flood_Water_Small_Extent im Bereich Inhalt angezeigt.
- Klicken Sie in der Symbolleiste für den Schnellzugriff auf die Schaltfläche Projekt speichern, um das Projekt zu speichern.
Sie haben die Wasserpixel aus den Bilddaten vor der Überschwemmung für einen Teil der Region St. Louis mit dem Werkzeug Pixel mit Deep Learning klassifizieren und dem vortrainierten Modell Water Bodies Extraction (SAR) – USA extrahiert. Im Anschluss betrachten Sie die Ergebnisse.
Die Wasser-Raster-Ausgabe betrachten
Sie verwenden das Werkzeug Ausblenden, um das Wasser-Raster vor der Überschwemmung und das SAR-Bild zu vergleichen.
- Stellen Sie im Bereich Inhalt sicher, dass der Layer Pre_Flood_Water_Small_Extent ausgewählt ist.
- Klicken Sie auf dem Menüband auf der Registerkarte Raster-Layer auf Ausblenden.
- Ziehen Sie auf der Karte von oben nach unten, um den Layer Pre_Flood_Water_Small_Extent zu entfernen und den Layer Pre_Flood_SAR_Composite darunter anzuzeigen.
Beobachten Sie beim Ausblenden, wie die extrahierten Wasserpixel, die in Violett angezeigt werden, mit den dunkleren Bereichen des SAR-Bildes übereinstimmen. Da es sich um ein SAR-Bild aus der Zeit vor der Überschwemmung handelt, entsprechen diese Pixel permanenten Gewässern wie Flüssen und Seen.
Als Nächstes müssen Sie die Wasserpixel aus dem SAR-Bild nach der Überschwemmung extrahieren und dabei dieselben Schritte befolgen. Um dieses Lernprogramm kurz zu halten, wurde dieser Schritt bereits für Sie abgeschlossen. Sie überprüfen jetzt die Ausgabe.
- Klicken Sie auf die Kartenregisterkarte Post Flood.
Diese Karte enthält das SAR-Bild nach der Überschwemmung und das daraus extrahierte Wasser-Raster in der gleichen kleineren Ausdehnung wie zuvor.
- Wählen Sie im Bereich Inhalt den Layer Post_Flood_Water_Small_Extent aus.
- Ziehen Sie auf der Karte von oben nach unten, um den Layer Post_Flood_Water_Small_Extent zu entfernen und den Layer Post_Flood_SAR_Composite darunter anzuzeigen.
Beobachten Sie beim Ausblenden, wie die extrahierten Wasserpixel, die in Violett angezeigt werden, mit den dunkleren Bereichen des SAR-Bildes übereinstimmen. Da es sich um ein SAR-Bild aus der Zeit nach der Überschwemmung handelt, entsprechen diese Pixel sowohl permanenten Gewässern, wie Flüssen und Seen, als auch Flächen, die infolge der Überschwemmung mit Wasser bedeckt sind.
- Um den Modus "Ausblenden" zu beenden, klicken Sie auf dem Menüband auf die Registerkarte Karte und dann auf die Schaltfläche Erkunden.
Nachdem Sie nun die Wasserpixel aus den Bildern vor und nach der Überschwemmung extrahiert haben, geht es im nächsten Schritt darum, zu verstehen, was sich zwischen den beiden Bildern geändert hat.
Analyse zur Änderungserkennung durchführen
Um die überschwemmten Flächen zu identifizieren, müssen Sie eine Analyse zur Änderungserkennung durchführen und die Raster vor und nach der Überschwemmung vergleichen. Sie möchten die Pixel finden, die von Nicht-Wasser- zu Wasserpixeln wurden. Der Assistent "Änderungserkennung" unterstützt Sie bei der Durchführung dieser Analyse, für die sie die vierte Karte verwenden.
- Klicken Sie auf die Kartenregisterkarte Änderungserkennung.
Diese Karte enthält die aus den SAR-Bildern extrahierten Wasser-Raster vor und nach der Überschwemmung.
Hinweis:
Diese größeren Raster wurden mit dem Werkzeug Pixel mit Deep Learning klassifizieren und denselben Parametern wie zuvor erstellt. Die einzige Ausnahme ist der Parameter Ausdehnung, der als die Schnittmenge der Eingaben definiert wurde.
Sie führen die Analyse zur Änderungserkennung für diese größere Ausdehnung durch. Doch zunächst müssen Sie einen Schritt zur Vorverarbeitung durchführen. Die mit dem Werkzeug Pixel mit Deep Learning klassifizieren erstellten Wasser-Raster enthalten nur eine einzige Klasse mit dem Wert 1, die für Wasserpixel steht.
Für die Durchführung der Analyse zur Änderungserkennung ist jedoch ein binäres Raster erforderlich. Das binäre Raster wird zwei Klassen haben: 0 für Nicht-Wasserpixel und 1 für Wasserpixel Sie generieren diese binären Raster mit dem Werkzeug Gleich.
- Klicken Sie im Bereich Geoverarbeitung zwei Mal auf die Schaltfläche Zurück.
- Suchen Sie nach dem Werkzeug Gleich, und öffnen Sie es.
Sie wenden das Werkzeug zunächst auf das Raster vor der Überschwemmung an.
- Legen Sie im Werkzeug Gleich die folgenden Parameter fest:
- Für Eingabe-Raster oder konstanter Wert 1 wählen Sie die Option Pre_Flood_Water aus.
- Geben Sie für Eingabe-Raster oder konstanter Wert 2 den Wert 1 ein.
- Geben Sie für Ausgabe-Raster Pre_Flood_Binary ein.
Für jedes Pixel gibt das Werkzeug den Wert 1 zurück, wenn Eingabe-Raster oder konstanter Wert 1 gleich Eingabe-Raster oder konstanter Wert 2 ist. Andernfalls gibt das Werkzeug den Wert 0 zurück.
- Klicken Sie auf Ausführen.
Kurz darauf wird das binäre Raster der Karte hinzugefügt.
Das binäre Raster hat zwei Klassen: 0, in Grau symbolisiert (Nicht-Wasser) und 1, in Rot symbolisiert (Wasser).
- Verwenden Sie das Werkzeug Gleich auf dieselbe Weise, um das Raster Post_Flood_Binary zu erstellen.
Nach dem Ausführen des Werkzeugs wird das binäre Raster nach der Überschwemmung zur Karte hinzugefügt.
Sie führen jetzt die Analyse zur Änderungserkennung durch.
- Klicken Sie im Menüband auf der Registerkarte Bilddaten in der Gruppe Analyse auf Änderungserkennung, und wählen Sie Assistent "Änderungserkennung".
- Legen Sie im Bereich Assistent "Änderungserkennung" auf der Registerkarte Konfigurieren die folgenden Parameter fest:
- Wählen Sie für Methoden der Änderungserkennung die Option Kategorische Änderung aus.
- Wählen Sie für Von Raster die Option Pre_Flood_Binary aus.
- Wählen Sie für In Raster die Option Post_Flood_Binary aus.
Die binären Rasterwerte repräsentieren Kategorien (Wasser oder Nicht-Wasser), weshalb Sie die Option Kategorische Änderung auswählen.
Hinweis:
Weiter Informationen finden Sie unter Erkennung kategorischer Änderungen.
Hinweis:
Wenn Sie die Warnung Die Standardfelder "Rot", "Blau" und "Grün" wurden nicht gefunden erhalten, ignorieren Sie sie.
- Klicken Sie auf Weiter.
- Legen Sie auf der Registerkarte Klassenkonfiguration die folgenden Parameter fest:
- Vergewissern Sie sich, dass unter Filtermethode die Option Nur veränderte Bereiche ausgewählt ist.
- Aktivieren Sie für Von-Klassen das Kontrollkästchen neben 0.
- Aktivieren Sie für Bis-Klassen das Kontrollkästchen neben 1.
Es werden nur die Pixel erkannt, die von Nicht-Wasserpixeln (0) zu Wasserpixeln (1) geworden sind. Diese Pixel stellen die überschwemmten Flächen dar.
- Klicken Sie auf Weiter.
- Legen Sie auf der Registerkarte Erzeugung der Ausgabe die folgenden Parameter fest:
- Geben Sie für Ausgabe-Dataset die Datei Flood.crf ein.
- Übernehmen Sie die anderen Standardwerte.
- Klicken Sie auf Ausführen.
Kurz darauf wird das Ausgabe-Raster Flood.crf der Karte hinzugefügt. Es enthält zwei Pixelklassen:
- 0>1, die die Pixel darstellt, die von Nicht-Wasser zu Wasser wurden und den überschwemmten Flächen entsprechen. Diese Klasse wird in Rosa symbolisiert.
- Andere, die alle anderen Pixel darstellt. Diese Klasse wird mit Keine Farbe (transparent) symbolisiert.
Die Überschwemmung visualisieren und die betroffenen Flächen berechnen
Sie ändern die Symbolisierung, um die Ergebnisse besser sehen zu können, und berechnen dann die Gesamtoberfläche, die von der Überschwemmung betroffen ist.
- Klicken Sie im Bereich Inhalt unter Flood.crf mit der rechten Maustaste auf das Symbol 0->1, um die Farbpalette zu öffnen. Wählen Sie ein dunkles Rot aus, zum Beispiel Weihnachtsstern-Rot.
- Deaktivieren Sie die Kontrollkästchen neben den Layern Post_Flood_Binary, Pre_Flood_Binary und Post_Flood_Extracted_Water, um sie zu deaktivieren.
- Klicken Sie mit der rechten Maustaste auf das Symbol für Post_Flood_Extracted_Water, und wählen Sie ein dunkles Blau, zum Beispiel Kretablau, aus.
- Auf der Karte wird der extrahierte Überschwemmungs-Layer in Rot angezeigt, und als Referenz werden die Gewässer vor der Überschwemmung in Blau dargestellt.
Schließlich berechnen Sie die gesamte von der Überschwemmung betroffenen Oberfläche in Quadratkilometern.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer Flood.crf, und wählen Sie Attributtabelle aus.
Die Attributtabelle für Flood.crf wird angezeigt. Sie enthält zwei Zeilen, eine für jede Klasse: 0->1 (Überschwemmungspixel) und Andere (andere Pixel). Die Spalte Fläche enthält die Gesamtfläche für jede Klasse in Quadratmetern. Für die Überschwemmungs-Klasse sind es 524.619.200,703 Quadratmeter.
Hinweis:
Da die Deep-Learning-Klassifizierung kein deterministischer Prozess ist, können die von Ihnen ermittelten Bereichszahlen leicht abweichen.
Werte in Quadratmetern können schwer zu interpretieren sein, daher fügen Sie ein neues Feld hinzu, um die Fläche in Quadratkilometern anzugeben.
- Klicken Sie in der Attributtabelle auf die Schaltfläche Berechnen.
- Legen Sie im Fenster Feld berechnen die folgenden Parameter fest:
- Geben Sie für Feldname (vorhanden oder neu) Area_km2 ein.
- Wählen Sie für Feldtyp die Option Double (64-bit floating point) aus.
Die Fläche in Quadratkilometern ist die Fläche in Quadratmetern geteilt durch 1.000.000. Sie werden den entsprechenden Ausdruck bilden.
- Doppelklicken Sie unter Ausdruck für Felder auf Fläche. Vervollständigen Sie unter Area_km23 = den Ausdruck, indem Sie /1000000 eingeben.
Der vollständige Ausdruck lautet wie folgt: !Area! / 1000000.
- Klicken Sie auf Ausführen.
Es wird ein neues Feld Area_km2 angezeigt, das mit Werten gefüllt ist. Die überschwemmten Flächen umfassen etwa 525 Quadratkilometer.
- Schließen Sie die Attributtabelle für Flood.crf.
- Drücken Sie Strg+S, um das Projekt zu speichern.
In diesem Workflow haben Sie zunächst die Pixel extrahiert, die Wasser in den Sentinel-1-SAR-Bilddaten vor und nach der Überschwemmung darstellen, indem Sie ein mit Deep Learning trainiertes Modell verwendet haben. Anschließend haben Sie eine Änderungserkennung zwischen den beiden extrahierten Wasser-Rastern durchgeführt, um die überschwemmten Flächen zu identifizieren. Schließlich haben Sie berechnet, dass bei den Überschwemmungen im Mittleren Westen 2019 in der Region St. Louis eine Fläche von 525 Quadratkilometern überschwemmt wurde.
Diesen Workflow auf Ihren eigenen Interessenbereich anwenden (optional)
Die Sentinel-1-Bilddaten sind für die gesamte Erde verfügbar. Wenn Sie den soeben erlernten Workflow auf Ihren eigenen Interessenbereich anwenden möchten, erfahren Sie in diesem optionalen Modul, wo Sie die Daten finden und für die Analyse vorbereiten.
Sentinel-1 GRD-Daten finden
Die in diesem Workflow verwendeten Daten sind Sentinel-1 GRD-Daten (Ground Range Detected). Eine der Websites, von der Sie Sentinel-1 GRD-Daten für jeden beliebigen Ort der Erde kostenlos herunterladen können, ist die Website ASF Data Search Vertex. Im Folgenden finden Sie eine Anleitung zum Herunterladen von SAR-Datasets ähnlich denen in diesem Lernprogramm für eine Ausdehnung Ihrer Wahl.
- Erstellen Sie ein kostenfreies Earthdata-Anmeldekonto, falls noch nicht vorhanden.
- Melden Sie sich auf der Website ASF Data Search Vertex auf der oberen Werkzeugleiste mit Ihren Earthdata-Anmeldeinformationen an.
- Überprüfen Sie, ob auf der oberen Werkzeugleiste für Search Type die Option Geographic Search ausgewählt ist. Überprüfen Sie, ob für Dataset die Option Sentinel-1 ausgewählt ist.
- Zoomen Sie auf der Karte mit dem Mausrad auf Ihren Interessenbereich. Klicken und ziehen Sie, um ein Rechteck um die Ausdehnung Ihres Interessenbereichs zu zeichnen, und klicken Sie erneut, um das Rechteck abzuschließen.
Das Feld Area of Interest auf der oberen Werkzeugleiste enthält nun die Koordinaten des soeben erstellten Shape.
- Füllen Sie mit den Kalender-Widgets die Felder Start Date und End Date aus. Klicken Sie auf Filter.
- Wählen Sie im Fenster Filters unter Additional Filters die folgenden Optionen aus:
- Wählen Sie für File Type die Option L1 Detected High-Res Dual-Pol (GRD-HD) aus.
- Wählen Sie für Beam Mode die Option IW aus.
- Wählen Sie für Polarization die Option VV+VH aus.
- Wählen Sie für Direction die Option Ascending aus.
- Klicken Sie auf Suchen.
Kurz darauf wird eine Liste von SAR-Szenen angezeigt, die Ihren Suchkriterien entsprechen.
- Klicken Sie in der Liste für eine Szene Ihrer Wahl auf die Schaltfläche Zoom to scene, um eine Vorschau des Bildes auf der Karte anzuzeigen.
- Wenn Sie mit dem Bild zufrieden sind, klicken Sie in der dritten Spalte auf der rechten Seite für das Dataset GRD-HD auf die Schaltfläche Download.
Das Dataset wird in den Ordner "Downloads" auf Ihrem Computer heruntergeladen.
Sentinel-1 GRD-Beispieldaten herunterladen
Sobald Ihnen die Daten für Ihren Interessenbereich zur Verfügung stehen, müssen Sie einige Vorverarbeitungsschritte durchführen, um die Daten für die Analyse vorzubereiten. Zu Übungszwecken laden Sie ein Sentinel-1 GRD-Beispiel-Dataset herunter und öffnen es in Ihrem ArcGIS Pro-Projekt. Dies ist das Dataset, das verwendet wurde, um den Layer Post_Flood_SAR_Composite zu erstellen, mit dem Sie bereits in diesem Lernprogramm gearbeitet haben.
- Laden Sie die Datei Data_preparation.zip herunter, und navigieren Sie zu dieser Datei auf Ihrem Computer.
- Klicken Sie in Windows Explorer mit der rechten Maustaste auf die Datei Data_preparation.zip, und entpacken Sie sie auf Ihrem Computer mit einem Werkzeug wie 7-Zip. Wählen Sie als Speicherort z. B. den Ordner C:\data aus.
- Klicken Sie in ArcGIS Pro, auf dem Menüband, auf der Registerkarte Ansicht, in der Gruppe Fenster auf den Bereich Katalog.
Der Bereich Katalog wird angezeigt.
- Klicken Sie im Bereich Katalog mit der rechten Maustaste auf Ordner, und wählen Sie Ordnerverbindung hinzufügen aus.
- Navigieren Sie im Fenster Ordnerverbindung hinzufügen zum Ordner Data_preparation, wählen Sie ihn aus, und klicken Sie auf OK.
Sie öffnen nun das Bild von Sentinel-1 GRD in einer neuen Karte.
- Klicken Sie im Bereich Katalog auf den Pfeil neben Ordner, Data_preparation, Sentinel1 und S1A_IW_GRDH_1SDV_20190611T235618_20190611T235643_027639_031E97_AC44.SAFE, um diese Ordner einzublenden.
- Klicken Sie mit der rechten Maustaste auf manifest.safe, zeigen Sie auf Hinzufügen zu neuer, und wählen Sie Karte aus.
- Wenn Sie aufgefordert werden, Pyramiden und Statistiken zu erstellen, klicken Sie auf OK.
Hinweis:
Pyramiden sind Übersichten des Bildes in unterschiedlichem Maßstab mit reduzierter Auflösung, durch die sich die Darstellungsgeschwindigkeit steigern lässt. Statistiken sind notwendig, damit bestimmte Tasks für die Bilddaten durchgeführt werden können, z. B. das Rendering mit einer Streckung. Weitere Informationen zum Erstellen von Pyramiden und Berechnen von Statistiken
Nach ein paar Minuten wird das Bild der neuen Karte mit dem Namen IW_manifest hinzugefügt.
Das Bild ist für die Vorverarbeitung bereit.
Orbit- und geometrische Terrainkorrektur anwenden
Zunächst wenden Sie die Orbit- und geometrische Terrainkorrektur an.
Hinweis:
Wenn Sie diese beiden Schritte überspringen, funktionieren die Klassifizierung und die Analyse zur Änderungserkennung für das Deep Learning trotzdem, Sie riskieren jedoch, dass die Ergebnisse nicht genau auf der Karte verortet sind.
Ganz gleich, wie genau der Orbit eines Satelliten justiert ist, kommt es aufgrund von Gravitationseinflüssen und anderen Faktoren zu einer Drift der Satellitenposition. Aktuelle Orbitdateien geben die exakte Satellitenposition zum Zeitpunkt der Bildaufnahme an. Sie verwenden das Werkzeug Orbitdatei herunterladen, um die relevante Orbitdatei herunterzuladen.
- Wechseln Sie zum Bereich Geoverarbeitung. Klicken Sie ggf. auf die Schaltfläche Zurück.
- Suchen Sie das Werkzeug Orbitdatei herunterladen, und öffnen Sie es.
- Legen Sie für das Werkzeug Orbitdatei herunterladen folgende Parameter fest:
- Wählen Sie für Eingaberadardaten den Eintrag IW_manifest aus.
- Überprüfen Sie, ob für Orbittyp die Option Sentinel Precise ausgewählt ist.
- Stellen Sie unter Authentifizierung und Data Store sicher, dass die Felder Benutzername und Kennwort leer sind.
- Klicken Sie auf Ausführen.
Eine neue Datei mit der Dateierweiterung .EOF wird in den Ordner .SAFE heruntergeladen. Als Nächstes aktualisieren Sie mit der heruntergeladenen Datei die Orbitinformationen im SAR-Bild. Dazu nutzen Sie das Werkzeug Orbitkorrektur anwenden.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück. Suchen Sie das Werkzeug Orbitkorrektur anwenden, und öffnen Sie es.
- Wählen Sie für Eingaberadardaten den Eintrag IW_manifest aus.
Der Parameter Eingabeorbitdatei wird automatisch mit der heruntergeladenen Orbitdatei gefüllt.
- Klicken Sie auf Ausführen.
Nach der Werkzeugausführung wird die Meldung "Orbitkorrektur anwenden" abgeschlossen angezeigt. Ein neuer Layer wird nicht erstellt, jedoch wird das ursprüngliche Bild aktualisiert. Als Nächstes führen die Orthorektifizierung mit dem Werkzeug Geometrische Terrainkorrektur anwenden durch. Orthorektifizierung bezeichnet die Korrektur von sichtbaren Positionsverschiebungen von Bodenobjekten, die durch den Sensorsichtwinkel und Höhenunterschiede am Bodens entstehen. In diesem Prozess wird ein Layer mit einem digitalen Höhenmodell (DEM) verwendet. Sie verwenden das Modell, das im Ordner Data_preparation enthalten ist.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück. Suchen Sie das Werkzeug Geometrische Terrainkorrektur anwenden, und öffnen Sie es.
- Legen Sie für das Werkzeug Geometrische Terrainkorrektur anwenden folgende Parameter fest:
- Wählen Sie für Eingaberadardaten den Eintrag IW_manifest aus.
- Vergewissern Sie sich, dass das Feld Ausgaberadardaten automatisch ausgefüllt wird.
- Aktivieren Sie für Polarisationsbänder die Kontrollkästchen VV und VH.
- Klicken Sie für DEM-Raster, auf die Schaltfläche Durchsuchen, navigieren Sie zu Ordner > Data_preparation > DEM, wählen Sie DEM.tif aus, und klicken Sie auf OK.
- Klicken Sie auf Ausführen.
Hinweis:
Die Ausführung des Werkzeugs Geometrische Terrainkorrektur anwenden kann ungefähr 10 Minuten dauern.
Nach Abschluss des Vorgangs wird die Ausgabedatei IW_manifest_GTC.crf angezeigt.
Sie haben auf das Bild eine Orbit- und geometrische Terrainkorrektur angewendet: alle Pixel sind nun genau positioniert.
3-Band-Komposit erstellen und zuschneiden
Sie bereiten die Daten weiter vor, indem Sie ein 3-Band-Komposit-Raster ableiten und es so zuschneiden, dass es genau Ihrem Interessenbereich entspricht.
Wenn Sie ein vortrainiertes Deep-Learning-Modell verwenden, müssen Sie dem Modell Eingaben bereitstellen, die den Daten ähnlich sind, auf denen es trainiert wurde. Wie Sie in der Dokumentation zum vortrainierten Modell Water Body Extraction (SAR) - USA nachlesen können, wird als Eingabe ein Sentinel-1-SAR-Polarisationsband-Raster (8-Bit, Dreiband, C-Band, GRD, VH) erwartet.
Dies bedeutet Folgendes:
- Das Eingaberaster erfordert eine Pixeltiefe von 8 Bit ohne Vorzeichen.
- Das Eingaberaster sollte aus drei Bändern bestehen, wobei jedes Band eine Kopie ist, die mit dem VH-Polarisationsband identisch ist.
Hinweis:
Das vortrainierte Modell Water Body Extraction (SAR) - USA verwendet die Architektur DeepLab, die als Eingabe ein 3-Bild erwartet. Da das VH-SAR-Band in der Regel gut geeignet ist, um Wasser zu erkennen, wurde beim Training des Modells beschlossen, ein 3-Band-Komposit zu erstellen, bei dem das VH-Band dreimal wiederholt wird.
Ihr ursprüngliches Sentinel-1-Dataset hat eine Pixeltiefe von 16 Bit ohne Vorzeichen und enthält zwei Polarisationsbänder – VH und VV.
Tipp:
Wenn Sie diese Informationen über das Sentinel-1-Dataset selbst abrufen möchten, klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer IW_manifest, und wählen Sie die Option Eigenschaften aus. Klicken Sie im Fenster Eigenschaften auf die Registerkarte Quelle, und blenden Sie die Abschnitte Raster-Informationen, Metadaten des Bandes und Raumbezug ein. Nützliche Informationen sind die Anzahl der Bänder, Bandnamen (VV und VH), Pixeltiefe und Koordinatensystem.
Sie verwenden die Raster-Funktion Bänder extrahieren um ein 8-Bit-3-Band-Komposit abzuleiten.
- Klicken Sie im Menüband auf der Registerkarte Bilddaten in der Gruppe Analyse auf die Schaltfläche Raster-Funktionen.
- Suchen Sie im Bereich Raster-Funktionen nach der Funktion Bänder extrahieren, und öffnen Sie sie.
- Legen Sie in der Raster-Funktion Bänder extrahieren auf der Registerkarte Parameter folgende Parameter fest:
- Wählen Sie für Raster die Datei IW_manifest_GTC.crf aus.
- Wählen Sie für Methode die Option Bandnamen aus.
- Wählen Sie für Band dreimal die Option VH aus.
- Der Parameter Kombination wird automatisch mit dem Ausdruck VH VH VH gefüllt.
- Klicken Sie auf die Registerkarte Allgemein, und wählen Sie die folgenden Einstellungen aus:
- Geben Sie für Name den Text Post_Flood_SAR_Composite ein.
- Wählen Sie für Ausgabepixeltyp den Typ 8 Bit ohne Vorzeichen aus.
- Klicken Sie auf Neuen Layer erstellen.
Das SAR-Komposit wird der Karte hinzugefügt. Abschließend schneiden Sie es mit dem Werkzeug Nach Maske extrahieren genau auf Ihren Interessenbereich zu. Durch die Verringerung der Ausdehnung wird der Zeitaufwand für die Ausführung der Werkzeuge für die Deep-Learning-Klassifizierung und -Änderungserkennung reduziert.
- Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück. Suchen Sie nach dem Werkzeug Nach Maske extrahieren, und öffnen Sie es.
- Legen Sie für das Werkzeug Nach Maske extrahieren die folgenden Parameter fest:
- Wählen Sie für Eingabe-Raster die Datei Post_Flood_SAR_Composite_manifest_GTC.crf aus.
- Geben Sie für Ausgabe-Raster den Text Post_Flood_SAR_Composite_Clipped ein.
Sie stellen die spezifische Ausdehnung Ihres Interessenbereichs dar.
- Klicken Sie unter Analyseausdehnung auf die Schaltfläche Ausdehnung darstellen.
- Ziehen Sie auf der Karte ein Rechteck, das der Ausdehnung Ihres Interessenbereichs entspricht.
Hinweis:
Für dieses Lernprogramm können Sie eine beliebige Ausdehnung wählen.
Im Bereich Inhalt wird das Rechteck als neuer Layer mit dem Namen Extract by Mask Analysis Extent angezeigt.
- Wählen Sie im Werkzeug Nach Maske extrahieren für Eingabe-Raster oder -Feature-Masken-Daten, den Layer Extract by Mask Analysis Extent aus.
- Klicken Sie optional auf die Registerkarte Umgebungen. Klicken Sie für Ausgabe-Koordinatensystem auf die Schaltfläche Koordinatensystem auswählen, um ein neues Koordinatensystem auszuwählen und eine neu projizierte Ausgabe zu erhalten.
WGS 1984 UTM Zone 15N war zum Beispiel die Projektion, die für die Daten gewählt wurde, die Sie zuvor in diesem Lernprogramm verwendet haben. Weitere Informationen zu Projektionen finden Sie in dem Lernprogramm Die richtige Projektion auswählen.
- Klicken Sie auf Ausführen.
Kurz darauf wird die Ausgabe der Karte hinzugefügt.
- Deaktivieren Sie im Bereich Inhalt alle Layer außer Post_Flood_SAR_Composite_Clipped, World Topographic Map und World Hillshade.
Der Layer Post_Flood_SAR_Composite_Clipped wurde auf dieselbe Weise vorbereitet wie das Bild Post_Flood_SAR_Composite, das Sie zu Beginn dieses Lernprogramms verwendet haben. Der Layer kann als Eingabe für die Klassifizierung und die Änderungserkennung für das Deep Learning verwendet werden. Bedenken Sie, dass sie auch die Bilddaten aus der Zeit vor der Überschwemmung mit dem gleichen Workflow vorbereiten müssen.
- Drücken Sie Strg+S, um das Projekt zu speichern.
In diesem Lernprogramm haben Sie die Überschwemmung in der Region St. Louis, Missouri, im Jahr 2019 kartiert. Sie haben die Wasserpixel in den Sentinel-1-SAR-Bilddaten vor und nach der Überschwemmung mithilfe eines vortrainierten Deep-Learning-Modells extrahiert. Anschließend haben Sie eine Änderungserkennung zwischen den beiden extrahierten Wasser-Rastern durchgeführt, um die überfluteten Gebiete zu identifizieren. Schließlich haben Sie die gesamte von der Überschwemmung betroffene Oberfläche in Quadratkilometern berechnet. Optional haben Sie gelernt, wo Sie Daten für Ihren eigenen Interessenbereich finden und wie Sie diese für die Analyse vorbereiten können.
Weitere vergleichbare Lernprogramme finden Sie in der Reihe Deep Learning in ArcGIS testen.
