このフォルダーには、16 個の TIFF 画像およびその補助ファイルが含まれています。 これらを併せて使用して、解析したいグレナダの範囲を表します。

[イメージ レイヤーの作成] ページが開きます。

[タイル イメージ レイヤー] タイプは、クラウドでの分散処理と解析用に最適化されます。 今回の解析で適切に機能します。

このオプションにより、16 個のすべての画像を、対象地域全体を占める単体レイヤーにまとめることができます。

画像ファイルのアップロードが始まります。 [アップロード ステータス] 列で、進行状況を監視できます。

• [タグ] に「グレナダ」と入力します。
• [サマリー] に「グレナダ島の航空写真」と入力します。
• [フォルダーに保存] でデフォルトの場所を使用するか、ArcGIS Online アカウントの任意のフォルダーを選択します。

ホスト イメージ レイヤーを作成するプロセスが開始されます。 数分後、新しいレイヤーのアイテム詳細ページが表示されます。 16 個の TIFF 画像から、ArcGIS Online クラウドでホストされる単体のタイル イメージ レイヤーを作成しました。 次に、Web マップでレイヤーを開いて視覚的に調べます。

新しいマップにイメージ レイヤーが表示されます。

[ディープ ラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)] ツール ウィンドウが表示されます。

• [入力イメージ レイヤーまたはフィーチャ レイヤー] で [レイヤー] をクリックし、[Grenada_aerial_imagery] を選択します。
• [処理モード] で [モザイク画像として処理] が選択されていることを確認します。

ArcGIS Living Atlas で管理されている事前トレーニング済みディープ ラーニング モデルのリストが表示されます。

ディープ ラーニング モデルを選択すると、ツール ウィンドウにモデルの引数が自動的に読み込まれます。

検出されたオブジェクトは、信頼度が閾値の値以上のときのみ、オブジェクト データセットに追加されます。 最適な閾値の値を見つけるには、試行錯誤が必要です。

ツールが実行できる状態になっています。 ArcGIS Online で解析を実行する際はいつでも、データ処理に使用するリソースについて Esri のクレジットに関するコストが発生します。 解析実行前に、ツールが消費するクレジット数を特定できます。 解析を実行すると、ユーザーの組織が利用可能なクレジットからクレジットが差し引かれます。

しばらくすると、データに対してツールを実行するためにかかるクレジット数として [10.63] が表示されます

しばらくすると、プロセスが送信されたことがポップアップで通知されます。 ツールの実行には 10 分から 15 分かかることがあります。

プロセスが現在実行されていることを示す [履歴] タブが表示されます。

ヒント:

[ディープ ラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)] ツール ウィンドウで [履歴] ボタンをクリックしても、[履歴] タブにアクセスできます。

プロセスが完了すると、ステータス メッセージが更新されてその旨が表示されます。

結果レイヤーの [Grenada buildings - ObjectsDetected] が、[レイヤー] ウィンドウにリスト表示されます。

このレイヤーは、マップ上にも表示されます。 これは、各ポリゴンが建物を表すフィーチャ レイヤーです。

マップで、画像内の建物とディープ ラーニングを使用して検出した建物を比較できます。

モデルによって画像内のほとんどの建物が正しく検出されたことを確認できます。

Web マップが開いてグレナダ島が表示されます。 地形図ベースマップ以外のレイヤーは、オフになっているため、この時点では表示されていません。

このマップは別の ArcGIS Online 組織でホストされており、自分では所有していません。 解析を続行する前に、Web マップのコピーを自分のアカウントに保存します。

表示されているマップが、自分の ArcGIS Online アカウントに保存された自分専用のコピーになっています。 次に、重要な地滑りのリスク要因を表す 4 つのラスター レイヤーを調べます。

レイヤーがマップ上に表示されます。

[Land use] レイヤーの凡例が表示されます。

ArcGIS Online で、対象の RFT を検索します。

RFT の詳細情報が表示されたサイド ウィンドウが開きます。

RFT のアイテム ページが、Web ブラウザーの新しいタブに表示されます。

RFT の内容を確認するには、ラスター関数エディターで開きます。

しばらくすると、[ラスター関数エディター] ウィンドウに RFT が開き、含まれているすべてのエレメントが連結して表示されます。

RFT にある 4 つの緑のエレメントは、RFT の実行時に入力する必要がある 4 つのラスター入力を表しています。 それぞれの黄のエレメントは、ラスター関数を表します。 この処理は次のように進められます:

• まず、一部のラスターが事前処理されます。たとえば、[標高] ラスターは傾斜角ラスターに変換され、各セルは特定の場所におけるテレインの傾斜の険しさを示すようになります ([傾斜角] 関数)。
• 次に各ラスターが処理され、各セルの元の値が 1 から 10 までの値に変換されます。10 は地滑りのリスクが最も高いことを、1 は最も低いことを表します ([再分類] または [演算] 関数)。
• その後で、4 つの結果レイヤーが結合され ([加重合計])、出力ラスターに変換されます。出力ラスターの各セルには 1 から 5 までの値が含まれ、総合的な地滑り危険度のスコアを示します ([再分類: 結果の分類])。
• 最後に、1 から 5 までの数値にラベルが追加されて 5 段階のリスクが表され ([非常に低い]、[低い]、[中程度]、[高い]、[非常に高い])、割り当てられた配色 ([属性テーブル]) でシンボル表示されます。

RFT をデータに適用できるようになりました。

しばらくすると、マップの横に RFT がツールとして、必要なパラメーターとともに表示されます。

• [Distance to Rivers] に [Distance to rivers] を選択します。
• [Land Use] に [Land use] を選択します。
• [Elevation] に [Elevation] を選択します。
• [Soil Types] に [Soil types] を選択します。

しばらくすると、データに対してツールを実行するためにかかる推定クレジット数として [1.46] が表示されます

3 ～ 4 分後、結果レイヤーが表示されます。

赤のエリアは地滑りの危険度が最も高く、緑は最も低いエリアです。

レイヤーがマップ上に表示されます。 見やすくなるよう拡大表示します。

ディープ ラーニング モデルを使用して建物を抽出したエリアにマップが拡大されます。

グレナダのほとんどの建物は、危険度が低いエリアにあるようです。 しかし、危険度の高いゾーンにいくつかの建物があります (オレンジ)。 マップを保存します。