Ein Modell trainieren

Die Landnutzungs- und Landbedeckungsklassifizierung (Land-Use Land-Cover, LULC) bietet einen Überblick über die allgemeinen Kategorien der Landnutzung und Landbedeckung für große geographische Gebiete, basierend Fernerkundungsbilddaten. Sie spielt eine entscheidende Rolle in verschiedenen Bereichen wie Umweltüberwachung, Ressourcenmanagement, Erhaltung der Biodiversität, Risikominderung bei Katastrophen und Analyse des Klimawandels. Sie erleichtert die systematische Überwachung von Änderungen in der Landnutzung, die effiziente Zuweisung von Ressourcen, die Erhaltung von Lebensräumen, die Identifizierung von Gebieten, die anfällig für Katastrophen sind, und die Bewertung der Auswirkungen des Klimawandels.

Sie verwenden das Werkzeug Mit AutoDL trainieren zum Trainieren mehrerer Modelle und zur Identifizierung des leistungsstärksten Modells zur Klassifizierung der Landbedeckung anhand von SAR-Bilddaten (Synthetic Aperture Radar).

Die Daten herunterladen und analysieren

Zunächst laden Sie ein Projekt herunter, das die von Ihnen verwendeten Trainingsdaten enthält.

  1. Laden Sie das Paket AutoDL_tutorial.ppkx herunter.

    Die Datei AutoDL_tutorial.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.

    Das Projektpaket ist etwa 4,3 GB groß, daher kann der Download etwas Zeit in Anspruch nehmen.

  2. Suchen Sie die heruntergeladene Datei auf Ihrem Computer.

    Hinweis:

    Je nach Web-Browser werden Sie möglicherweise vor dem Herunterladen aufgefordert, den Speicherort der Datei auszuwählen. In den meisten Browsern werden heruntergeladene Dateien standardmäßig im Ordner "Downloads" gespeichert.

  3. Doppelklicken Sie auf das Projektpaket AutoDL_tutorial.ppkx.
    Hinweis:

    Das gepackte Projekt wird in den Ordner Dokumente extrahiert. Dieser Prozess extrahiert das komprimierte Projekt und die Daten an einen neuen Speicherort und kann einige Zeit in Anspruch nehmen. Der Pfad zum Projekt entspricht in etwa C:\Users\username\Documents\ArcGIS\Packages\AutoDL_tutorial_7bd31e. Die letzten Ziffern des Namens des letzten Ordners werden zufällig generiert.

    Wenn Sie mit dem ursprünglichen Zustand des Projekts beginnen möchten, können Sie diesen Ordner umbenennen oder löschen und auf die Projektpaketdatei AutoDL_tutorial.ppkx doppelklicken, um eine Kopie des Projekts zu erstellen.

    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.

    Für das Werkzeug Mit AutoDL trainieren ist ArcGIS Pro Version 3.2 oder höher erforderlich.

  4. Wenn Sie dazu aufgefordert werden, melden Sie sich mit Ihrem ArcGIS Online-Organisationskonto an.

    Eine Karte wird mit einem Teil Deutschlands angezeigt. Auf der topografischen Grundkarte wird der Bild-Layer LULCRaster2018.tif angezeigt.

    Der Raster-Layer mit der Landnutzung und Landbedeckung wird auf der Karte angezeigt.

    Der Layer LULCRaster.tif ist ein klassifiziertes Raster, das Level-1 LULC-Klassen anzeigt. Dieses Klassifizierungssystem bietet eine umfassende Kategorisierung der Erdoberfläche in allgemeine Landnutzungs- und Landbedeckungstypen, wie z. B. städtische Gebiete, landwirtschaftliche Flächen, Wälder, Gewässer und Feuchtgebiete. Sie stellt die grundlegendste Klassifizierungsebene dar und bietet einen Überblick über die wichtigsten Landkategorien für umfangreiche Analysen.

  5. Klicken Sie auf dem Menüband auf der Registerkarte Karte im Abschnitt Navigieren auf Lesezeichen, und wählen Sie das Lesezeichen Speyer aus.

    Lesezeichen "Speyer"

    Die Karte wird auf den südwestlichen Teil des Layers LULCRaster2018.tif gezoomt.

    Detailansicht eines bebauten Gebiets in der Nähe eines Flusses mit landwirtschaftlich genutztem und bewaldetem Land

    Der Layer zeigt ein bebautes Gebiet in der Nähe eines Flusses mit Wald- und Landwirtschaftsflächen.

  6. Deaktivieren Sie im Bereich Inhalt den Layer LULCRaster2018.tif, und aktivieren Sie den Layer SARImagery2018.tif.

    Der Layer "SARImagery2018.tif" im Bereich "Inhalt" aktiviert

    Der Layer SARImagery2018.tif wurde aus SAR-Fernerkundungsbilddaten (Sentinel-1 Ground Range Detected (GRD)) aus dem Jahr 2018 abgeleitet. Dieser Layer hat eine Auflösung von 10 Metern und ist im TIFF-Format mit drei Bändern gespeichert.

    Hinweis:

    Die ursprünglichen SAR-Bilddaten wurden heruntergeladen und zur Vorbereitung der Analyse verarbeitet. Es wurde ursprünglich bestehend aus zwei Polarisationsbändern, VV und VH, heruntergeladen. Mithilfe der Raster-Funktion Bandarithmetik wurde dann das VV/VH-abgeleitete Band erstellt. Diese Band besteht aus dem VV-Band geteilt durch das VH-Band. Diese Bandkombination ist nützlich, da sie Unterschiede bei der Streuung hervorhebt, was Rückschlüsse auf die Oberflächeneigenschaften zulässt. Nach dieser Verarbeitung wurde das Geoverarbeitungswerkzeug Bänder zusammensetzen verwendet, um eine Komposition aus VV, VH und VV/VH mit einer Pixeltiefe von 8-Bit ohne Vorzeichen zu erstellen.

    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.

    Detailansicht der SAR-Bilddaten desselben Gebiets

    Sentinel-1-Daten werden regelmäßig gesammelt, was den Vergleich verschiedener Bilder ermöglicht, um Veränderungen im Laufe der Zeit zu erkennen.

    Alle Pixel dieser Bilddaten manuell in Level-1 LULC-Klassen zu klassifizieren, wäre ein langer und mühsamer Prozess. Ein Deep-Learning-Modell kann die LULC-Klassifizierung in Bilddaten automatisieren, sodass Sie regelmäßig neue Daten erhalten, diese klassifizieren und Veränderungen im Vergleich zu älteren Bildern erkennen können. In diesem Lernprogramm testen Sie den Prozess, um festzustellen, ob Sie diesen Workflow verwenden können, um Ihre Landnutzungs- und Landbedeckungsdaten jährlich zu aktualisieren und um Änderungen im Laufe der Zeit zu identifizieren und zu berichten.

Die Trainingsdaten erkunden

Das Projektpaket enthält die Trainingsbeispiele, die Sie verwenden, um ein Modell mit der besten Performance zu trainieren und zu finden. Diese Beispiele wurden mit dem Werkzeug Trainingsdaten für Deep Learning exportieren erstellt. Die Schritte zur Vorbereitung dieser Daten liegen außerhalb des Themas dieses Lernprogramms. Hier erfahren Sie mehr über die dafür notwendigen Schritte.

  1. Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie im Abschnitt Fenster auf den Bereich "Katalog".

    Schaltfläche für den Bereich "Katalog"

  2. Blenden Sie im Bereich Katalog zuerst Ordner und dann nacheinander den Ordner AutoDL_tutorial und den Ordner trainingdata ein.

    Speicherort der Trainingsdaten

    Der Ordner trainingdata enthält die Trainingsdaten, die Sie verwenden.

    Der Ordner images enthält Bildschnipsel, die mit dem Werkzeug Trainingsdaten für Deep Learning exportieren aus dem Layer SARImagery2018.tif extrahiert wurden.

    Der Ordner labels enthält Beschriftungsbilder mit den klassifizierten Landbedeckungstypen.

    Um ein Deep-Learning-Modell zur Klassifizierung dieser Bilddaten zu trainieren, werden dem Modell die Bildschnipsel und die entsprechenden Beschriftungen zur Verfügung gestellt, sodass das Modell lernen kann, welche Klassen welchen SAR-Bandkombinationen zugeordnet sind.

Mehrere Modelle trainieren

Eine der Herausforderungen beim Deep Learning besteht in der Bestimmung der zu verwendenden Modellarchitektur. Dieser Prozess der Auswahl und des Trainings eines Modells kann unübersichtlich und langwierig sein, da die Modelle unterschiedliche Stärken und Schwächen haben und unterschiedliche Eingaben und Parameter erfordern. Mit dem Werkzeug Mit AutoDL trainieren können Sie eine Reihe von Modellarchitekturen für das Training festlegen. Anschließend werden sie trainiert und getestet, und es wird ein Bericht erstellt, welches Modell die beste Leistung erzielt hat.

Mit dem Werkzeug Mit AutoDL trainieren wird ein Deep-Learning-Modell trainiert, indem Training-Pipelines erstellt werden und ein Großteil des Trainingsprozesses automatisiert wird. Dazu gehören Datenerweiterung, Modellauswahl, Hyperparameter-Optimierung und Batch-Größen-Deduktion. Zu den Ausgaben gehören Performance-Kennzahlen des besten Modells für die Trainingsdaten und ein trainiertes Deep-Learning-Modellpaket (.dlpk-Datei), das in den Werkzeugen Features mit KI-Modellen extrahieren oder Pixel mit Deep Learning klassifizieren zur Klassifizierung anderer Bilder verwendet werden kann.

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. Nach Abschluss der Lektüre können Sie Ihr Projekt erneut öffnen und mit dem Lernprogramm fortfahren.

  1. Klicken Sie auf dem Menüband auf der Registerkarte Analyse im Abschnitt Geoverarbeitung auf Werkzeuge.

    Schaltfläche "Werkzeuge" im Abschnitt "Geoverarbeitung" der Registerkarte "Analyse" des Menübands

  2. Geben Sie im Bereich Geoverarbeitung in das Suchfeld train using autodl ein. Klicken Sie in den Suchergebnissen auf das Werkzeug Mit AutoDL trainieren.

    Das Werkzeug "Mit AutoDL trainieren" in den Suchergebnissen

  3. Klicken Sie im Bereich des Werkzeugs Mit AutoDL trainieren für Eingabe-Trainingsdaten auf die Schaltfläche Durchsuchen. Navigieren Sie zu Ordner und dem Ordner AutoDL_tutorial, klicken Sie auf den Ordner trainingdata und dann auf OK.

    Dialogfeld "Durchsuchen" der Eingabe-Trainingsdaten mit dem ausgewählten Ordner "trainingdata"

  4. Klicken Sie für Ausgabemodell auf die Schaltfläche Durchsuchen. Navigieren Sie zum Ordner AutoDL_tutorial, geben Sie ClassifiedSARLULC ein, und klicken Sie auf Speichern.

    Dialogfeld "Durchsuchen" des Ausgabemodells mit neu hinzugefügtem Namen "ClassifiedSARLULC"

    Hierdurch wird ein neuer Ordner erstellt, der die Ausgabe des trainierten Modells oder der Modelle enthält.

    Als Nächstes geben Sie an, welche Zeit das Werkzeug für das Training der Modelle verwenden soll.

  5. Geben Sie für Limit für Gesamtzeit (Stunden) den Wert 4 ein.

    Werkzeug "Mit AutoDL trainieren" mit dem für "Limit für Gesamtzeit (Stunden)" festgelegten Wert von 4 Stunden

    Das Werkzeug verwendet für den Task bis zu vier Stunden. Abhängig von der GPU Ihres Computers die Verarbeitung die gesamte Zeit in Anspruch nehmen oder der Task kann schneller abgeschlossen werden.

    Auf der Grundlage des Formats der Trainingsdaten sehen Sie eine Liste der unterstützten neuronalen Netzwerke, die speziell für die Klassifizierung von Pixeln entwickelt wurden.

  6. Blenden Sie den Abschnitt Erweiterte Optionen ein.

    Abschnitt "Erweiterte Optionen"

  7. Klicken Sie für Neuronale Netzwerke auf Viele hinzufügen.

    Schaltfläche "Viele hinzufügen" für "Neuronale Netzwerke"

    Die Liste Neuronale Netzwerke wird angezeigt.

    Auswahlliste "Neuronale Netzwerke"

  8. Überprüfen Sie die folgenden neuronalen Netzwerke:
    • HRNet
    • PSPNetClassifier
    • UnetClassifier
  9. Klicken Sie auf Hinzufügen.

    Die neuronalen Netzwerke werden der Liste der Netzwerke hinzugefügt, die mit dem Werkzeug Mit AutoDL trainieren trainiert und bewertet werden sollen.

    Zur Liste für das Training und die Bewertung hinzugefügte Netzwerke

    Hierbei handelt es sich um neuronale Netzwerke, die Pixel in einem Raster mithilfe semantischer Segmentierung klassifizieren. Sie werden häufig zur Klassifizierung der Landbedeckung verwendet.

  10. Aktivieren Sie das Kontrollkästchen Ausgewertete Modelle speichern.

    Aktiviertes Kontrollkästchen "Ausgewertete Modelle speichern"

    Sie haben angegeben, dass das Werkzeug Mit AutoDL trainieren zum Training und zur Bewertung der drei Modelle vier Stunden lang ausgeführt werden soll.

    Hinweis:

    Wenn Sie über einen Computer mit einer geeigneten GPU verfügen, können Sie das Werkzeug ausführen, um die drei Modelle die nächsten vier Stunden lang zu trainieren und zu bewerten. 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. Wahlweise können Sie den Schritt des Lernprogramms überspringen und einen zuvor vorbereiteten Ordner mit allen Ausgaben des Werkzeugs prüfen. Wenn Sie das Training des Modells nicht durchführen möchten, lesen Sie die nächsten vier Schritte, und beginnen Sie im nächsten Abschnitt mit der Überprüfung der Trainingsergebnisse des Modells.

  11. Klicken Sie auf die Registerkarte Umgebung.

    Registerkarte "Umgebungen"

  12. Geben Sie im Abschnitt Prozessortyp für GPU-ID den Wert 0 ein.

    "GPU-ID" auf den Wert "0" festgelegt

    Wenn Ihre CUDA-fähige GPU eine andere GPU-ID hat, verwenden Sie diese ID-Nummer. Dies kann erforderlich sein, wenn Ihr Computer über mehrere GPUs verfügt.

  13. Klicken Sie optional auf Ausführen.

    Der Prozess wird bis zu vier Stunden dauern.

    Sie können während der Verarbeitung des Werkzeugs Meldungen über den Status des Prozesses anzeigen.

  14. Klicken Sie unten im Bereich Mit AutoDL trainieren auf Details anzeigen.

    Link "Details anzeigen"

  15. Klicken Sie auf die Registerkarte Meldungen.

    Meldungen des Werkzeugs auf der Registerkarte "Meldungen"

    Nach Abschluss des Prozesses können Sie die Ausgaben im Bereich Meldungen anzeigen.

    Meldungen der Kennwerte im Ergebnis zum Trainieren des Modells

    Beim Trainingsprozess wählt das Werkzeug zufällig 10 Prozent des Trainings-Datasets aus, um sie für die Validierung zu reservieren, und trainiert die Modelle mit den anderen 90 Prozent. Im Verlauf des Trainings berechnet das Modell, wie gut die vorhergesagten Werte mit den Werten im Validierungs-Dataset übereinstimmen. Die Tabelle fasst zusammen, wie gut jedes Modell abgeschnitten hat. Teilweise aufgrund dieser zufälligen Auswahl von Stichproben zur Validierung sind Trainingsmodelle mit diesem Werkzeug nicht deterministisch. Das Werkzeug legt bei jeder Ausführung auch zufällig einige Anfangsbedingungen fest. Weitere Informationen hierzu finden Sie in der Hilfe für das Werkzeug. Bei gleichen festgelegten Trainingsdaten können verschiedene Modelle als das beste Modell ausgewählt werden, und in dieser Tabelle werden unterschiedliche Werte angezeigt.

    Die Tabelle enthält Spalten für Trainings- und Validierungsverluste. Der Trainingsverlust zeigt die Lernfähigkeit des Modells. Der Validierungsverlust zeigt, wie gut das Modell für den Validierungssatz funktioniert hat, und somit, wie allgemeingültig das Lernen war. Niedrigere Werte für diese beiden Messgrößen weisen auf eine bessere Trainingsleistung hin. In diesem Fall schnitt das Modell "UnetClassifier" in Bezug auf Trainingsverlust und Validierungsverlust am besten ab.

    Das Modell "PSPNetClassifier" weist einen höheren Genauigkeitswert auf als die anderen Modelle. Bei der Genauigkeit sind höhere Werte besser.

    Genauigkeit und Stückeln sind Maße dafür, wie gut das Modell Pixel richtig klassifiziert hat. Das Modell "PSPNetClassifier" weist ebenfalls einen höheren Genauigkeitswert auf als die anderen Modelle.

    Die Lernrate ist ein Hyperparameter, der beim Training der neuronalen Netzwerke verwendet wird. Wenn Sie keinen Wert angeben, wird er von dem Trainingswerkzeug berechnet. Das Werkzeug versucht, die Lernrate zu optimieren, indem es Geschwindigkeit und Qualität gegeneinander abwägt. Der in der Tabelle aufgeführte Wert für die Lernrate ist vor allem dann von Interesse, wenn Sie als fortgeschrittener Benutzer das Modell weiter trainieren möchten und eine Anleitung zur Auswahl des Wertes für die Lernrate für dieses zusätzliche Training benötigen.

    Die Spalte "Zeit" gibt die Zeit an, die für das Training jedes Modells benötigt wird. Sie werden feststellen, dass die Zeit beim ersten Modell länger ist als bei den anderen. Dies liegt daran, dass ein gewisser Mehraufwand beim Verarbeiten von Daten für das erste Modell anfällt, der dann von den nachfolgenden Modellen wiederverwendet wird.

    Das Backbone ist das Standard-Modell-Backbone. Wenn Sie den Parameter AutoDL-Modus auf Erweitert statt auf Einfach festlegen, werden möglicherweise mehrere Backbones versucht.

  16. Schließen Sie den Bereich Meldungen.

Die Ergebnisse des Modell-Trainings überprüfen

Das von Ihnen heruntergeladene Projektpaket enthält einen komprimierten Ordner mit den Ergebnissen des Werkzeugs Mit AutoDL trainieren. Diese überprüfen Sie jetzt.

  1. Navigieren Sie im Bereich Katalog zu Ordner und dann zum Ordner AutoDL_tutorial. Klicken Sie mit der rechten Maustaste auf den Ordner userdata, und wählen Sie Pfad kopieren aus.

    Option "Pfad kopieren"

  2. Fügen Sie im Microsoft File Explorer den Pfad in das Feld für den Pfad ein.

    Datei-Explorer mit dem Pfad zum Ordner "userdata"

    Der Pfad lautet in etwa C:\Users\username\Documents\ArcGIS\Packages\AutoDL_tutorial_7bd31e\userdata.

    In diesem Ordner befinden sich zwei ZIP-Archive. Das Archiv LULCClassifierModel.zip enthält die Ergebnisse, die durch Ausführen des Werkzeugs Mit AutoDL trainieren mit den zuvor festgelegten Einstellungen erstellt wurden.

    Das Archiv TrainingData.zip enthält die Daten, die zum Erstellen der Trainingsdaten verwendet wurden.

  3. Klicken Sie mit der rechten Maustaste auf LULCClassifierModel.zip, und wählen Sie Alle extrahieren aus.

    Option "Alle extrahieren"

  4. Klicken Sie auf Extrahieren.

    Fenster "Extrahieren" mit dem Werkzeug für komprimierte Dateien, das den Pfad der Ausgabe anzeigt

  5. Öffnen Sie den Ordner LULCClassifierModel.

    Extrahierter Ordner im Datei-Explorer

    Dieser Ordner enthält mehrere Ausgaben, die beim Ausführen des Werkzeugs erstellt wurden. Zu diesen zählen folgende:

    • ModelCharacteristics ist ein Ordner mit Bildern, die in der Datei README.html verwendet werden.
    • models ist ein Ordner, der alle trainierten Modelle enthält, die anhand der Teilmenge der Trainingsdaten bewertet wurden.
    • ArcGISImageClassifier ist ein Python-Skript mit Code, der zur Klassifizierung von Bilddaten für den Trainingsprozess verwendet wird.
    • ClassifiedSARLULC.dlpk ist ein vollständiges Paket mit allen in einem Modellausgabeordner gespeicherten Dateien, einschließlich des trainierten Modells, der Modelldefinitionsdatei und der Datei mit den Kennwerten des Modells. Dieses Paket kann in ArcGIS Online und ArcGIS Enterprise als trainiertes Modellelement für die Verwendung durch andere Benutzer freigegeben werden.
    • ClassifiedSARLULC.emd ist eine Modelldefinitionsdatei, die Modellinformationen zur Kachelgröße, zu Klassen, zum Modelltyp usw. enthält.
    • ClassifiedSARLULC.pth ist eine vortrainierte Gewichtungsdatei, die normalerweise im PyTorch-Format gespeichert ist.
    • model_metrics.html ist eine HTML-Seite mit Details zur verwendeten Lernrate und zur Genauigkeit des trainierten Modells.
    • README.html ist eine HTML-Seite mit Details zur Bewertung von Modellen und zur Genauigkeit des Modells mit der besten Performance.

    Der Inhalt des extrahierten Ordners im Datei-Explorer

  6. Doppelklicken Sie auf die Datei README.html.

    Daraufhin wird die Seite in einer Browser-Registerkarte geöffnet. Diese Seite zeigt Informationen über das Modell mit der besten Performance, wie es im Vergleich zu den anderen Modellen abgeschnitten hat und wie gut es LULC anhand Ihrer Eingabedaten klassifizieren konnte.

    Im Abschnitt Trainings- und Validierungsverlust wird ein Diagramm der Anzahl der Fehler beim Training des Modells im Zeitverlauf angezeigt. Bei der Ausführung des Werkzeugs wurden 90 Prozent Ihrer Eingabedaten zum Trainieren des Modells und 10 Prozent zum Validieren des Modells auf seine Genauigkeit verwendet. Im Idealfall sollten diese Verlustwerte mit zunehmender Anzahl der verarbeiteten Bilder (Stapel) im Laufe der verfügbaren Zeit abnehmen und sich einander annähern.

    Bericht über das Modell mit der besten Performance

    Hinweis:

    Da die Validierungsstichproben zufällig aus dem Trainingssatz der Bildschnipsel ausgewählt und einige Hyperparameter zufällig festgelegt werden, um mit dem Training zu beginnen, können die Kennzahlen für Trainings- und Validierungsverlust bei jeder Ausführung des Werkzeugs unterschiedlich sein, selbst bei Verwendung desselben Datasets für das Training.

    In diesem Diagramm können Sie sehen, dass für die ersten 60 Stapel verarbeiteter Bilder der in der Linie Validation angezeigte Fehler hoch ist, aber für jeden Stapel stark variiert. Nach 60 Stapeln nimmt die Fehlerquote im Prozess Validation ab und variiert weniger, mit Ausnahme eines Ausschlags bei 120. Die Anzahl der Fehler in der Linie Train nimmt stetig ab.

    Der Abschnitt Analysis of the model zeigt die Genauigkeit der Datenklassen an. Das Modell enthielt technisch fünf Klassen: vier für die Landbedeckung und eine für NoData. Ein höherer Genauigkeitswert bedeutet, dass das Modell mehr Vertrauen in seine Ergebnisse hat. Hier erfahren Sie mehr über die Interpretation der Präzisions- und Genauigkeitsstatistiken von Deep-Learning-Werkzeugen.

    Analyse der Modelltabelle

    Schließlich werden auf dieser Seite einige Beispielschnipsel angezeigt, mit denen Ihre ursprünglichen LULC-Trainingsdaten, Ground Truth, auf der linken Seite und die Vorhersagen des Modells (Predictions) auf der rechten Seite verglichen werden. Im Idealfall entspricht die Vorhersage weitestgehend den ursprünglichen Überprüfungsdaten.

  7. Schließen Sie die Seite README im Webbrowser.
  8. Klicken Sie auf der Symbolleiste für den Schnellzugriff auf die Schaltfläche Projekt speichern.

    Schaltfläche "Projekt speichern"

Sie haben ein Deep-Learning-Modell für die LULC-Klassifizierung auf Basis von Sentinel-1-Bilddaten aus dem Jahr 2018 trainiert und festgestellt, dass das Modell mit der besten Performance für diesen Task auf der UnetClassifier-Architektur basiert. Als Nächstes verwenden Sie dieses Modell, um die Landbedeckung in den 2024 aufgenommenen Sentinel 1-Bilddaten automatisch zu klassifizieren.


Das Modell anwenden

Wenn ein Deep-Learning-Modell erstellt ist, kann es verwendet werden, um die Landbedeckung anhand ähnlicher Daten, die zu unterschiedlichen Zeitpunkten erfasst wurden, schnell zu klassifizieren. So können Sie die Veränderung der Landbedeckung im Laufe der Zeit überwachen. Nehmen wir zum Beispiel an, Sie nehmen das von Ihnen erstellte Modell und verwenden es, um die 2024 erfassten Sentinel-1-Bilddaten desselben geographischen Gebiets zu klassifizieren.

Das trainierte Modell zur Klassifizierung neuer Bilddaten verwenden

Als Nächstes verwenden Sie das Deep-Learning-Modell, um die 2024 gesammelten Sentinel-1-Bilddaten mit dem Werkzeug Pixel mit Deep Learning klassifizieren zu klassifizieren.

  1. Klicken Sie in ArcGIS Pro auf die Registerkarte der Karte Modell bereitstellen.

    Registerkarte der Karte "Modell bereitstellen"

    Die Karte Modell bereitstellen zeigt den Layer SARImagery2024.tif an.

    Karte "Modell bereitstellen"

  2. Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche Zurück.
  3. Geben Sie in das Suchfeld classify pixels using deep learning ein. Klicken Sie in den Suchergebnissen auf das Werkzeug Pixel mit Deep Learning klassifizieren.

    Suchergebnis für das Werkzeug "Pixel mit Deep Learning klassifizieren"

  4. Wählen Sie im Werkzeug Pixel mit Deep Learning klassifizieren für den Parameter Eingabe-Raster die Datei SARImagery2024.tif aus.

    "Eingabe-Raster" festgelegt auf "SARImagery2024.tif"

  5. Geben Sie für Ausgabe-Raster-Dataset den Namen ClassifiedLULC2024 ein.

    Parameter "Ausgabe-Raster-Dataset" festgelegt auf "ClassifiedLULC2024"

  6. Klicken Sie für Modelldefinition auf die Schaltfläche Durchsuchen, und navigieren Sie zum Ordner ClassifiedSARLULC. Klicken Sie auf das Deep-Learning-Paket ClassifiedSARLULC.dlpk.
    Hinweis:

    Wenn Sie das Modell nicht auf Ihrem Computer trainiert haben, können Sie das trainierte Modell verwenden, das mit dem Projekt bereitgestellt wird. Navigieren Sie in der Struktur des Projektordners zum Ordner userdata\ClassifiedSARLULC\ClassifiedSARLULC, und klicken Sie auf das Deep-Learning-Paket ClassifiedSARLULC.dlpk.

    Die Datei "ClassifiedSARLULC.dlpk" im Ordner "ClassifiedSARLULC"

    Das Werkzeug mit der angegebenen Modelldefinitionsdatei

    Nachdem das Deep-Learning-Paket vom Werkzeug geladen wurde, wird die Tabelle Argumente des Modells angezeigt. Übernehmen Sie die Standardwerte. Sie können die Verarbeitungszeit verkürzen, indem Sie die Stapelgröße auf 8 oder 16 erhöhen, wenn Sie einen Computer mit einer GPU mit mindestens 8 GB dediziertem VRAM verwenden. Wenn Ihre GPU über weniger als 8 GB VRAM verfügt, müssen Sie die Stapelgröße möglicherweise auf 2 verringern.

    Tabelle "Argumente"

  7. Klicken Sie auf die Registerkarte Umgebung.
  8. Geben Sie im Abschnitt Raster-Analyse für Zellengröße den Wert 10 ein.

    Die Zellengröße der SAR-Daten stimmt nicht genau mit der Zellengröße überein, mit der das Modell trainiert wurde. Sie können also festlegen, dass die Ausgabe eine Zellengröße von 10 haben soll.

  9. Wählen Sie für Prozessortyp die Option GPU aus.

    Der Prozess der Klassifizierung dieses Bildes kann 40 Minuten oder länger dauern. Optional können Sie die Ausführung des Werkzeugs überspringen und die Ausgabe des Werkzeugs anzeigen, die im Projektpaket enthalten ist.

  10. Geben Sie im Abschnitt Prozessortyp für GPU-ID den Wert 0 ein.

    Wenn Ihre CUDA-fähige GPU eine andere GPU-ID hat, verwenden Sie diese ID-Nummer. Dies kann erforderlich sein, wenn Ihr Computer über mehrere GPUs verfügt.

  11. Klicken Sie optional auf Ausführen.

    Wenn Sie das Werkzeug ausführen, können Sie sich die Ergebnisse nach Abschluss auf der Karte ansehen.

    Hinweis:

    Die Farben der Bildklassen werden zufällig zugewiesen. Sie können diese bei Bedarf ändern. Klicken Sie mit der rechten Maustaste auf ein Klassensymbol, und wählen Sie in der Farbpalette eine Farbe aus

  12. Wenn Sie das Werkzeug nicht ausgeführt haben, klicken Sie auf die Registerkarte der Karte Ergebnisse, um die Ergebnisse des Werkzeugs anzuzeigen.

    Die klassifizierten Bilddaten werden angezeigt.

    Karte "Ergebnisse"

    Hinweis:

    Deep Learning ist kein deterministischer Prozess, sodass die Ergebnisse, die Sie erhalten, leicht abweichen können.

    Sie können das Raster von 2024 mit dem Raster von 2018 vergleichen, um großflächige Landnutzungsänderungen im Laufe der Zeit zu erkennen. Nachdem das Deep-Learning-Modell trainiert wurde, können Sie es jedes Jahr oder häufiger auf neue SAR-Bilddaten anwenden. Dieses trainierte Modell kann Teil eines effektiven Workflows werden, um Veränderungen der Landbedeckung im Laufe der Zeit zu überwachen.

  13. Drücken Sie Strg+S, um das Projekt zu speichern.

In diesem Lernprogramm haben Sie das Werkzeug Mit AutoDL trainieren verwendet, um mehrere Modelle zur Klassifizierung der Landbedeckung anhand von Sentinel-1-SAR-Bilddaten zu trainieren und automatisch zu ermitteln, welche Modelle am besten funktionieren. Anschließend haben Sie das Modell mit der besten Performance auf neuere Bilddaten angewendet.

Hinweis:
Esri stellt in ArcGIS Living Atlas 60 vortrainierte Modelle bereit, mit denen die Klassifizierung von Bilddaten und die Erkennung von Objekten beschleunigt werden kann. Diese Modelle können kostenlos heruntergeladen und direkt auf kompatible Bilddaten angewendet werden. Außerdem können Sie diese vortrainierten Modelle mit eigenen Trainingsdaten optimieren. Dies beansprucht in der Regel weniger Zeit, als ein Modell von Grund auf neu zu trainieren. Sehen Sie sich beispielsweise die Lernprogramme Objekte mit einem vortrainierten Deep-Learning-Modell erkennen und Überschwemmungen mit SAR-Daten und Deep Learning kartieren an.

In dieser Lernprogrammreihe finden Sie weitere Lernprogramme zum Thema "Deep Learning".

Weitere Informationen zur Vorbereitung von SAR-Bilddaten für Deep-Learning-Workflows finden Sie in diesem Lernprogramm.