Créer une couche d’imagerie hébergée et extraire des entités de l’imagerie
Pour identifier les infrastructures vulnérables face aux dangers naturels, tels que les glissements de terrain, vous devez au préalable connaître les localisations des infrastructures. Une fois que vous vous êtes procuré l’imagerie aérienne représentant une portion de l’île de Grenade, vous créerez une couche d’imagerie en ligne hébergée sur le Cloud ArcGIS Online. Vous utiliserez ensuite les fonctionnalités d’analyse du Deep Learning dans ArcGIS Online pour extraire automatiquement les emprises des bâtiments de cette couche d’imagerie.
Télécharger les données et créer une couche d’imagerie tuilée
Vous allez d’abord télécharger un fichier compressé contenant l’imagerie aérienne pour l’avoir à disposition sur votre ordinateur local.
- Téléchargez le fichier Grenada_TIFF_files.zip.
- Recherchez le fichier Grenada_TIFF_files.zip téléchargé sur votre ordinateur.
Remarque :
La plupart des navigateurs Web téléchargent les fichiers dans le dossier Téléchargements de votre ordinateur, par défaut.
- Cliquez avec le bouton droit sur le fichier Grenada_TIFF_files.zip et décompressez-le dans un emplacement de votre ordinateur (par exemple, le lecteur C).
- Ouvrez le dossier Grenada_TIFF_files extrait pour l’examiner.
Le dossier contient 16 images TIFF, ainsi que leurs fichiers auxiliaires. Ensemble, ils représentent l’étendue de Grenade à analyser.
Maintenant que vous avez téléchargé l’imagerie sur votre ordinateur, vous êtes prêt à lancer le véritable processus.
Créer des couches d’imagerie tuilée en ligne
Comme vous souhaitez effectuer ce processus d’analyse sur le Cloud, vous allez charger les 16 images dans ArcGIS Online et les rassembler dans une même couche d’imagerie hébergée.
- Connectez-vous à votre compte d’organisation ArcGIS.
Remarque :
Si vous ne disposez pas d’un compte d’organisation, consultez les options disponibles pour accéder aux logiciels.
- Sur le ruban supérieur, cliquez sur Content (Contenu).
- Cliquez sur New item (Nouvel élément).
- Dans la fenêtre New item (Nouvel élément), cliquez sur Imagery Layer (Couche d’imagerie).
La page Create imagery layers (Créer des couches d’imagerie) s’ouvre.
Remarque :
Si l’option Imagery layer (Couche d’imagerie) ne figure pas dans le menu du nouvel élément, il se peut que vous n’ayez pas le type d’utilisateur (Professional ou Professional Plus) ou le privilège d’hébergement d’images.
- Dans l’onglet Step 1 – Get started (Étape 1 - Commencer), assurez-vous que la case Tiled Imagery Layer (Couche d’imagerie tuilée) est cochée.
Le type Tiled Imagery Layer (Couche d’imagerie tuilée) est optimisé pour le traitement et l’analyse distribués dans le Cloud. Il fonctionne bien pour votre analyse.
Remarque :
Pour en savoir plus sur les divers types de couches d’imagerie en ligne prises en charge par ArcGIS Online, consultez Your Guide to Sharing Imagery & Raster Data.
- Cliquez sur Next (Suivant). Dans l’onglet Step 2 – Configure layer (Étape 2 - Configurer la couche), pour Choose a layer configuration based on your imagery (Choisir une configuration de couche en fonction de l’imagerie), sélectionnez One Mosaicked Image (Image mosaïquée unique).
Cette option permet de collecter les 16 images dans une couche unique couvrant intégralement votre zone d’intérêt.
- Cliquez sur Next (Suivant). Dans l’onglet Step 3 – Define imagery (Étape 3 - Définir l’imagerie), pour Choose the raster type that best describes your imagery (Choisissez le type de raster qui décrit le mieux votre imagerie), conservez le paramètre Raster Dataset (Jeu de données raster).
- Pour Select input imagery (Sélectionner la couche d’imagerie en entrée), cliquez sur Browse (Parcourir).
- Dans la fenêtre Open (Ouvrir), accédez au dossier Grenada_TIFF_files téléchargé. Appuyez sur Ctrl+A pour sélectionner les 64 fichiers de la liste et cliquez sur Open (Ouvrir).
Le chargement des fichiers image commence. Vous pouvez en surveiller la progression dans la colonne Upload status (Statut de chargement).
- Une fois que tous les fichiers ont été chargés à 100 %, cliquez sur Next (Suivant).
- Dans l’onglet Step 4 – Set item details (Étape 4 - Définir les détails des éléments), pour Title (Titre), saisissez Grenada_aerial_imagery, suivi de vos initiales.
Remarque :
Lorsque vous créez une couche d’imagerie ou de classe d’entités dans ArcGIS Online, vous devez vous assurer que son nom est unique dans votre organisation. Pour cela, vous pouvez ajouter vos initiales à la fin de chaque couche que vous créez. Par exemple, si votre nom est Jane Smith, le nom de la couche est Grenada_aerial_imagery_JS.
- Saisissez les informations restantes concernant les images :
- Pour Tags (Balises), saisissez Grenade.
- Pour Summary (Résumé), saisissez Imagerie aérienne de l’île de la Grenade.
- Pour Save in folder (Enregistrer dans le dossier), acceptez l’emplacement proposé par défaut ou sélectionnez le dossier de votre choix dans votre compte ArcGIS Online.
- Cliquez sur Create (Créer).
Le processus de création de votre couche d’imagerie hébergée démarre. Au bout de quelques minutes, la page des détails des éléments de la nouvelle couche s’affiche. À partir des 16 images TIFF, vous avez créé une couche d’imagerie tuilée unique hébergée dans le Cloud ArcGIS Online. Vous allez maintenant ouvrir cette couche dans une carte Web et l’inspecter visuellement.
- Dans la page des détails des éléments de la couche d’imagerie, cliquez sur Open in Map Viewer (Ouvrir dans Map Viewer).
La couche d’imagerie apparaît dans une nouvelle carte.
- Effectuez un zoom avant et déplacez-vous autour de la carte pour inspecter les localisations des bâtiments de plus près.
Il existe des centaines de bâtiments dans cette partie de Grenade. Vous pourriez tracer manuellement chaque bâtiment et stocker les emprises en tant qu’entités dans une couche d’entités, mais cela serait fastidieux et prendrait beaucoup de temps. Au lieu de cela, vous allez utiliser le Deep Learning pour extraire automatiquement les emprises de bâtiment.
Extraire des emprises de bâtiment à l’aide du Deep Learning
Les modèles de Deep Learning peuvent classer ou détecter de manière efficace des entités dans l’imagerie. La création et l’entraînement de votre propre modèle ou l’optimisation d’un modèle pré-entraîné existant sont des tâches avancées. L’aspect le plus difficile et fastidieux dans l’utilisation du Deep Learning consiste à créer une série d’échantillons d’entraînement afin d’apprendre à un modèle à reconnaître le type spécifique d’informations qui vous intéresse.
Vous pouvez également utiliser un modèle existant entraîné automatiquement. ArcGIS Living Atlas of the World propose une bibliothèque toujours plus riche de tels modèles de Deep Learning pré-entraînés. À l’aide de ces modèles, vous pouvez commencer à utiliser immédiatement l’intelligence artificielle pour extraire des informations et obtenir de nouvelles perspectives à partir de votre imagerie. Vous utiliserez ensuite un modèle pré-entraîné de ArcGIS Living Atlas pour détecter des emprises de bâtiment dans votre couche d’imagerie.
- Dans la barre d’outils Settings (Paramètres), cliquez sur Analysis (Analyse).
- Dans le volet Analysis (Analyse), cliquez sur Tools (Outils).
- Dans la fenêtre Tools (Outils), cliquez sur la section Use deep learning (Utiliser le Deep Learning), puis sur l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning).
La fenêtre de l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning) apparaît.
Remarque :
Si la section Use deep learning (Utiliser le Deep Learning) ne figure pas dans la fenêtre Tools (Outils), il se peut que vous n’ayez pas le type d’utilisateur (Professional ou Professional Plus) ou le privilège d’hébergement d’images.
- Sous Input layer (Couche en entrée), définissez les valeurs de paramètre suivantes :
- Pour Input imagery layer or feature layer (Couche d’imagerie ou couche d’entités en entrée), cliquez sur Layer (Couche) et sélectionnez Grenada_aerial_imagery.
- Pour Processing mode (Mode de traitement), vérifiez que l’option Process as mosaicked image (Traiter comme une image mosaïquée) est sélectionnée.
Conseil :
Pour en savoir plus sur chaque paramètre, pointez le curseur sur le bouton i en regard du paramètre ou reportez-vous à la documentation de l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning).
- Sous Model settings (Paramètres du modèle), pour Model for object detection (Modèle pour la détection des objets), cliquez sur Select model (Sélectionner un modèle).
- Dans la fenêtre Select item (Sélectionner un élément), cliquez sur My content (Mon contenu) et sélectionnez Living Atlas (Living Atlas).
Une liste de modèles de Deep Learning pré-entraînés gérés par ArcGIS Living Atlas apparaît.
- Dans la zone de recherche, saisissez Extraction d’emprises de bâtiment.
- Dans la liste des résultats, sélectionnez Building Footprint Extraction - USA (Extraction d’emprises de bâtiment - États-Unis), puis cliquez sur Confirm (Confirmer).
Une fois que vous avez sélectionné le modèle de Deep Learning, ses arguments sont chargés automatiquement dans la fenêtre de l’outil.
- Sous Model arguments (Arguments du modèle), pour Threshold (Seuil), saisissez 0,6.
Les objets détectés ne sont ajoutés au jeu de données en sortie que si le niveau de confiance est égal ou supérieur à la valeur du seuil. Vous trouverez la valeur optimale du seuil en procédant par tâtonnements.
- Sous Result layer (Couche de résultat), pour Result layer name (Nom de la couche résultat), saisissez Grenada_buildings, suivi de vos initiales.
L’outil est prêt à être exécuté. Chaque fois que vous effectuez une analyse dans ArcGIS Online, des crédits Esri sont consommés dans le cadre de l’utilisation de ses ressources pour le traitement de vos données. Vous pouvez déterminer la quantité de crédits consommés par un outil avant de l’exécuter. Une fois que l’analyse a été exécutée, les crédits sont déduits des crédits disponibles de votre organisation.
- Cliquez sur Estimate credits (Estimer les crédits).
Au bout de quelques instants, le nombre de crédits nécessaires pour exécuter l’outil sur vos données apparaît : 10,63.
Remarque :
Le coût de l’exécution d’un outil d’analyse dans ArcGIS Online dépend de la complexité de l’analyse et du nombre de pixels à traiter. Vous pouvez réduire ce coût en exécutant l’outil sur une étendue plus petite : sur la carte, effectuez un zoom avant sur une zone d’intérêt, puis, dans la fenêtre de l’outil, développez la section Environment settings (Paramètres d’environnement) et, pour Processing extent (Étendue de traitement), sélectionnez Display extent (Étendue d’affichage).
- En bas de la fenêtre de l’outil, cliquez sur le bouton Run (Exécuter).
Au bout de quelques instants, une fenêtre contextuelle indique que le traitement a été soumis. L’exécution de l’outil peut prendre 10 à 15 minutes.
- Dans la fenêtre contextuelle, cliquez sur View status (Consulter le statut).
L’onglet History (Historique) apparaît et indique que le traitement est en cours d’exécution.
Conseil :
Vous pouvez également accéder à l’onglet History (Historique) en cliquant sur le bouton History (Historique) de la fenêtre de l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning).
Une fois que le traitement est terminé, le message de statut est mis à jour pour l’indiquer.
Remarque :
Vous pouvez cliquer sur le message de statut pour afficher des informations supplémentaires sur le traitement.
La couche de résultat, Grenada buildings - ObjectsDetected (Bâtiments Grenade - ObjectsDetected), est répertoriée dans la fenêtre Layers (Couches).
Elle apparaît également sur la carte. Il s’agit d’une couche d’entités dans laquelle chaque polygone représente un bâtiment.
- Appliquez un zoom avant sur la carte et examinez les résultats de l’analyse.
- Dans la fenêtre Layers (Couches), en regard de la couche Grenada buildings - ObjectsDetected (Bâtiments Grenade - ObjectsDetected), activez et désactivez le bouton Visibility (Visibilité).
Sur la carte, vous pouvez comparer les bâtiments de l’imagerie et les bâtiments détectés grâce au Deep Learning.
Imagerie uniquement (à gauche) et bâtiments détectés (à droite). Vous pouvez constater que le modèle parvenait à détecter avec succès la quasi-totalité des bâtiments de l’imagerie.
Jusqu’à présent, dans ce processus, vous avez créé une couche d’imagerie en ligne constituée de 16 images individuelles mosaïquées ensemble. Vous avez ensuite utilisé les fonctionnalités d’analyse du Deep Learning dans ArcGIS Online et un modèle pré-entraîné de ArcGIS Living Atlas pour extraire automatiquement les emprises des bâtiments de cette couche.
Vous disposez maintenant des bâtiments sous forme de couche d’entités que vous pouvez utiliser pour de nombreux types d’opérations. Dans le reste de ce didacticiel, vous utiliserez cette couche pour mieux comprendre en quoi les glissements de terrain potentiels peuvent affecter les structures des bâtiments dans la région.
Réaliser une analyse de probabilité de glissement de terrain
Maintenant que vous connaissez les localisations des bâtiments, vous devez identifier les zones de l’île de Grenade susceptibles d’être touchées par un glissement de terrain. Pour cette analyse, vous allez utiliser quatre couches raster et les appliquer à plusieurs fonctions raster rassemblées en un même modèle de fonction raster. Enfin, vous comparerez la couche des résultats de probabilité de glissement de terrain à la couche des bâtiments extraits pour identifier les structures présentant le risque le plus élevé.
Ouvrir la carte Web et explorer les couches d’analyse
Pour analyser la probabilité de glissement de terrain, vous allez utiliser en entrée quatre couches raster. Chacune représente un facteur principal dans l’évaluation des risques de glissement de terrain.
- Soil type (Type de sol) : les zones dont le sol contient des types spécifiques d’argile présentent un risque de glissement de terrain plus élevé.
- Elevation (Altitude) : les zones dont les pentes sont les plus raides présentent un risque plus élevé.
- Distance from rivers (Distance par rapport aux cours d’eau) : les zones les plus proches de cours d’eau présentent un risque plus élevé.
- Land use (Utilisation du sol) : les zones sur lesquelles sont construits des routes et des bâtiments et celles végétalisées de manière artificielle présentent un risque plus élevé, tandis que les zones boisées présentent un risque plus faible.
Vous allez maintenant explorer les quatre couches raster rassemblées automatiquement dans une carte Web partagée. Vous allez d’abord ouvrir la carte.
- Dans un nouvel onglet de votre navigateur Web, ouvrez la page des détails des éléments de la carte Web d’analyse des glissements de terrain à Grenade.
- Dans la page des détails des éléments, si nécessaire, connectez-vous avec votre compte d’organisation ArcGIS.
- Cliquez sur Open in Map Viewer (Ouvrir dans Map Viewer).
La carte Web représentant l’île de Grenade apparaît. Aucune couche n’apparaît actuellement à l’exception du fond de carte topographique car les couches sont désactivées.
Cette carte est hébergée dans une autre organisation ArcGIS Online et ne vous appartient pas. Avant de poursuivre l’analyse, enregistrez une copie de la carte Web dans votre propre compte.
- Dans la barre d’outils Contents (Contenu) (foncée), cliquez sur Save and open (Enregistrer et ouvrir) et choisissez Save as (Enregistrer sous).
- Dans la fenêtre Save map (Enregistrer la carte), acceptez les valeurs par défaut et cliquez sur Save (Enregistrer).
La carte que vous voyez correspond maintenant à votre propre copie enregistrée dans votre compte ArcGIS Online. Vous allez à présent examiner les quatre couches raster qui représentent les facteurs de risques de glissement de terrain importants.
- Dans la barre d’outils Contents (Contenu), cliquez sur Layers (couches).
- Dans la fenêtre Layers (Couches), en regard de la couche Land use (Utilisation du sol), activez le bouton Visibility (Visibilité).
La couche s’affiche sur la carte.
- Dans la barre d’outils Contents (Contenu), cliquez sur Legend (Légende).
La légende de la couche Land use (Utilisation du sol) apparaît.
Conseil :
La fenêtre Legend (Légende) affiche uniquement les informations sur la légende pour les couches actuellement visibles sur la carte.
- Examinez la couche Land use (Utilisation du sol) sur la carte avec sa légende dans la fenêtre Contents (Contenu). Effectuez un zoom avant sur la couche et déplacez-la pour mieux comprendre les informations qu’elle contient.
- Une fois que vous avez terminé votre examen, dans la fenêtre Contents (Contenu), cliquez sur Layers (Couches).
- Désactivez la visibilité pour Land use (Utilisation du sol) et activez-la pour Distance to rivers (Distance par rapport aux cours d’eau).
- Examinez la couche Distance to rivers (Distance par rapport aux cours d’eau). De même, examinez les couches Elevation (Altitude) et Soil types (Types de sol), en consultant leur légende, si nécessaire.
Remarque :
Les valeurs Distance to rivers (Distance par rapport aux cours d’eau) sont exprimées en mètres et affichent les distances jusqu’au cours d’eau le plus proche.
Les valeurs Elevation (Altitude) sont également exprimées en mètres et indiquent l’altitude au-dessus du niveau de la mer.
Quatre couches raster : (A) Land use (Utilisation du sol), (B) Distance to rivers (Distance par rapport aux cours d’eau), (C) Elevation (Altitude), (D) Soil types (Types de sol).
Vous allez à présent utiliser ces couches en entrée de votre analyse de probabilité de glissement de terrain.
Créez une couche Susceptibility (Probabilité) à l’aide d’un modèle de fonction raster.
Vous allez effectuer l’analyse de probabilité à l’aide des quatre couches raster en entrée. Vous les appliquerez à plusieurs fonctions raster rassemblées (ou chaînées) en un même modèle de fonction raster (RFT). Vous allez utiliser un RFT pré-existant partagé dans ArcGIS Online. Vous allez commencer par rechercher le RFT et en examiner le contenu.
- Sur la barre d’outils Settings (Paramètres), cliquez sur Analysis (Analyse).
- Dans la fenêtre Analysis (Analyse), cliquez sur Raster Functions (Fonctions raster).
Remarque :
Si l’option Raster Functions (Fonctions raster) ne figure pas dans la fenêtre Tools (Outils), il se peut que vous n’ayez pas le type d’utilisateur (Professional ou Professional Plus) ou les privilèges d’hébergement d’images et d’analyse.
- Dans la partie supérieure de la fenêtre Raster Functions (Fonctions raster), cliquez sur Open Raster Function Template (Ouvrir le modèle de fonction raster).
- Dans la fenêtre Browse raster function templates (Parcourir les modèles de fonction raster), cliquez sur My content (Mon contenu) et sélectionnez ArcGIS Online (ArcGIS Online).
Vous allez rechercher le RFT de votre choix dans ArcGIS Online.
- Dans la zone de recherche, saisissez Propriétaire de Landslide Susceptibility Grenada (Susceptibilité aux glissements de terrain à la Grenade) : Learn_ArcGIS. Dans la liste des résultats, pour Landslide Susceptibility Grenada (Susceptibilité aux glissements de terrain à la Grenade), cliquez sur More details (Plus de détails).
Un volet latéral affiche des informations supplémentaires sur le RFT.
- Dans la partie inférieure du volet latéral, cliquez sur View details (Afficher les détails).
La page des éléments du RFT apparaît dans un nouvel onglet de votre navigateur Web.
- Dans la page des détails des éléments, si nécessaire, connectez-vous avec votre compte d’organisation ArcGIS.
Pour examiner le contenu du RFT, vous allez l’ouvrir dans l’éditeur de fonctions raster.
- Cliquez sur Open in Raster Function Editor (Ouvrir dans l’éditeur de fonctions raster).
Au bout de quelques instants, dans la fenêtre Raster Function Editor (Éditeur de fonctions raster), le RFT affiche tous les éléments qu’il contient, chaînés.
Les quatre éléments verts du RFT représentent les quatre entrées de raster à fournir lors de l’exécution du RFT. Chaque élément jaune représente une fonction raster. Le traitement se déroule comme suit :
- Pour commencer, certains rasters sont pré-traités. Par exemple, le raster Elevation (Altitude) est converti en raster de pente dans lequel chaque cellule identifie la pente du terrain à sa localisation spécifique (fonction Slope (Pente)).
- Chaque raster est ensuite traité, de sorte que la valeur d’origine de chaque cellule soit convertie en une valeur de 1 à 10, 10 représentant le risque de glissement de terrain le plus élevé et 1, celui le plus faible (fonction Remap (Classification) ou Calculator (Calculatrice)).
- Les quatre couches de résultats sont ensuite combinées (Weighted Sum (Somme pondérée)) et converties en un raster en sortie dans lequel chaque cellule contient une valeur de 1 à 5 représentant le score global de probabilité de glissement de terrain (Remap: Classify Results (Classification : classer les résultats)).
- Enfin, les étiquettes sont associées à des valeurs numériques de 1 à 5 pour représenter cinq classes de risques (Very Low (Très faible), Low (Faible), Moderate (Modéré), High (Élevé), Very High (Très élevé)) et sont symbolisées avec une combinaison de couleurs pertinente (Attribute Table (Table attributaire)).
- Double-cliquez éventuellement sur certaines des fonctions raster du modèle RFT pour voir comment elles sont configurées.
Remarque :
Vous pouvez éventuellement cliquer sur le bouton Save As (Enregistrer sous) pour créer votre propre copie de ce RFT et la mettre à jour dans l’éditeur de fonctions raster. Toutefois, dans ce didacticiel, vous allez vous contenter d’appliquer le RFT existant à vos données, sans le modifier.
- Une fois que vous avez terminé votre examen, retournez à l’onglet de navigateur Web qui contient votre carte Web Grenada landslide analysis (Analyse des glissements de terrain à Grenade) avec la fenêtre Browse raster function templates (Parcourir les modèles de fonction raster) affichée.
Vous allez maintenant appliquer le modèle RFT à vos données.
- Dans la fenêtre Browse raster function templates (Parcourir les modèles de fonction raster), sélectionnez Landslide Susceptibility Grenada (Susceptibilité aux glissements de terrain à la Grenade) et cliquez sur Confirm (Confirmer).
Au bout de quelques instants, le RFT apparaît comme outil sur le côté de votre carte et répertorie ses paramètres requis.
- Dans la fenêtre Landslide Susceptibility Grenada (Susceptibilité aux glissements de terrain à la Grenade), sélectionnez les valeurs de paramètre en entrée suivantes :
- Pour Distance to Rivers (Distance par rapport aux cours d’eau), sélectionnez Distance to rivers (Distance par rapport aux cours d’eau).
- Pour Land Use (Utilisation du sol), sélectionnez Land use (Utilisation du sol).
- Pour Elevation (Altitude), sélectionnez Elevation (Altitude).
- Pour Soil Types (Types de sol), sélectionnez Soil types (Types de sol).
- Sous Result layer (Couche de résultat), pour Output name (Nom en sortie), saisissez Landslide susceptibility (Probabilité de glissement de terrain) suivi des initiales de votre nom.
- Vérifiez que le paramètre Result type (Type de résultat) est défini sur Tiled imagery layer (Couche d’imagerie tuilée).
- Cliquez sur Estimate credits (Estimer les crédits).
Au bout de quelques instants, le nombre estimé de crédits nécessaires pour exécuter l’outil sur vos données apparaît : 1,46.
- Cliquez sur Run (Exécuter).
Après trois ou quatre minutes, la couche de résultat apparaît.
- Dans la fenêtre Layers (Couches), vérifiez que la Visibility (Visibilité) de toutes les couches est désactivée, sauf pour la couche de résultat Landslide susceptibility (Probabilité de glissement de terrain).
- Dans la barre d’outils Content (Contenu), cliquez sur Legend (Légende) pour afficher la symbologie des couleurs des cinq classes Landslide susceptibility (Probabilité de glissement de terrain).
- Effectuez un zoom avant et déplacez-vous pour explorer la couche de résultat.
Les zones rouges sont les plus sujettes aux glissements de terrain et les zones vertes, les moins sujettes.
Dans cette section, vous avez examiné un modèle de fonction raster et l’avez exécuté pour créer une couche raster de probabilité de glissement de terrain.
Ajouter des emprises de bâtiment et comparer des couches
Vous allez maintenant comparer visuellement les emprises de bâtiment que vous avez extraites précédemment à la couche de probabilité de glissement de terrain afin d’identifier les structures à risque. Tout d’abord, vous allez ajouter la couche des emprises de bâtiment à la carte actuelle.
- Si nécessaire, dans la barre d’outils Contents (Contenu), cliquez sur Layers (Couches). Dans la fenêtre Layers (Couches), cliquez sur Add (Ajouter).
- Dans la fenêtre Add layer (Ajouter une couche), vérifiez que My content (Mon contenu) est sélectionné et recherchez Grenada_buildings dans la liste. Pour la couche Grenada_buildings, cliquez sur Add (Ajouter).
La couche s’affiche sur la carte. Effectuez un zoom avant dessus pour mieux la voir.
- En regard de l’option Add layer (Ajouter une couche), cliquez sur le bouton Back (Retour) pour retourner à la fenêtreLayers (Couches).
- Pour la couche Grenada_buildings, cliquez sur le bouton Options (Options) et sélectionnez Zoom to (Zoom sur).
Un zoom est appliqué à la carte sur la zone dans laquelle vous avez extrait les bâtiments à l’aide du modèle de Deep Learning.
Remarque :
Pour que ce didacticiel ne soit pas trop long, vous n’avez extrait les emprises de bâtiment que pour une portion de l’île. Dans la réalité, vous choisirez peut-être d’extraire les emprises de bâtiment de toute l’île.
- Effectuez un zoom avant sur la carte et déplacez-vous dessus pour identifier les bâtiments qui se trouvent dans des zones à risque élevé (représentés en rouge ou orange).
Il semble que la plupart des bâtiments de l’île de la Grenade soient situés dans des zones présentant un faible risque. Toutefois, certains bâtiments se trouvent dans des zones à risque (orange). Vous allez maintenant enregistrer votre carte.
- Dans la barre d’outils Contents (Contenu), cliquez sur Save and open (Enregistrer et ouvrir), puis sélectionnez Save (Enregistrer).
À présent, dans la barre d’outils Contents (Contenu), vous pouvez cliquer sur Share map (Partager la carte) et partager votre carte Web avec vos collègues et votre communauté. Vous pouvez également récupérer les couches résultant de votre analyse à tout moment en vous connectant à votre compte d’organisation ArcGIS et en cliquant sur Content (Contenu). Vous pouvez réutiliser ces couches de différentes manières.
Remarque :
Par exemple, vous pouvez les afficher dans une scène Web 3D. Notez que dans cet exemple de scène, les bâtiments s’affichent en tant qu’objets 3D car une extrusion de 10 mètres est appliquée aux emprises de bâtiment 2D. Pour en savoir plus sur les processus des scènes 3D, consultez le didacticiel Créer une scène.
Dans ce didacticiel, vous avez utilisé l’imagerie et d’autres types de données raster pour étudier les structures présentant un risque de glissement de terrain sur l’île de la Grenade. Vous avez commencé par télécharger 16 images TIFF aériennes dans ArcGIS Online et les rassembler dans une couche d’imagerie tuilée. Vous avez ensuite accédé à un modèle de Deep Learning pré-entraîné dans ArcGIS Living Atlas et l’avez utilisé pour extraire des emprises de bâtiment de la couche d’imagerie. Vous avez ensuite utilisé un modèle de fonction raster pour effectuer une analyse raster et établir une classification du paysage selon la probabilité de glissement de terrain. Enfin, vous avez comparé la couche de probabilité de glissement de terrain aux emprises de bâtiment extraites pour visualiser les structures à risque. La carte Web résultante peut maintenant être partagée avec vos collègues et votre communauté.
Vous trouverez d’autres didacticiels dans la bibliothèque des didacticiels.
