Подготовка к глубокому обучению
Для обучения модели автоматической классификации спутниковых изображений необходимо, чтобы на вашем компьютере были соответствующие библиотеки глубокого обучения. Сначала нужно убедиться в том, что ваша система настроена корректно и содержит нужные библиотеки. Затем вы загрузите изображения Landsat 8 и создадите обучающие метки, указывающие, где на изображении присутствуют мангровые заросли. Наконец, вы экспортируете эти метки для обучения модели глубокого обучения классификации пикселей.
Настройка и загрузка учебных данных
Убедитесь, что ваша машина правильно настроена для глубокого обучения, а после этого загрузите данные, необходимые для этого руководства. Они включает в себя снимки Landsat 8 и ареалы распространения мангровых лесов из набора данных Организации Объединенных Наций Global Mangrove Watch.
- Прежде чем вы сможете использовать инструменты глубокого обучения, убедитесь, что ваша машина готова.
Примечание:
Для использования инструментов глубокого обучения в ArcGIS Pro необходимо, чтобы на вашем компьютере были установлены библиотеки глубокого обучения. Если эти файлы еще не установлены, убедитесь, что ArcGIS Pro закрыто и следуйте инструкциям по установке в статье Подготовка к глубокому обучению в ArcGIS Pro. В этих инструкциях вы также можете узнать, как проверить, можно ли запускать рабочие процессы глубокого обучения, используя ваше оборудование и программное обеспечение, а также познакомится с другими советами по использованию. После завершения вы можете продолжить работу с руководством.
- Загрузите файл Classify_Mangroves_Tutorial_Data.zip для этого урока в подходящее местоположение на своем компьютере и извлеките содержимое.
- В Проводнике откройте Classify_Mangroves_Tutorial_Data. Откройте Classify Mangroves.
- Дважды щелкните файл проекта Classify Mangroves ArcGIS Pro.
Открывается ArcGIS Pro, показывая карту региона Мумбаи, Индия.
- Щелкните вкладку Вид на ленте. В группе Окна щелкните кнопку Панель Каталог.
Появится панель Каталог.
- На панели Каталог разверните Папки . Разверните Classify Mangroves.
Это директория файлов проекта.
- Разверните папку Landsat 8 imagery и разверните папку Landsat imagery 2016.
Снимки Landsat предоставляются в виде серии файлов.
Примечание:
Дополнительные изображения Landsat 8 можно загрузить из приложения EarthExplorer Геологической службы США. Дополнительные ареалы мангровых лесов можно загрузить с сайта Global Mangrove Watch.
- Разверните LC08_L2SP_148047_20160128_20200907_02_T1_MTL.txt.
Примечание:
Это второй элемент в папке, обозначенный значком спутника.
Различные продукты Landsat видны и могут быть добавлены на карту. Вы будете использовать Surface Reflectance, который является цветным изображением.
- Щелкните правой кнопкой Surface Reflectance и выберите Добавить к текущей карте.
- Если появится окно Вычислить статистику, нажмите Да.
После расчета статистики снимки Landsat добавляются на карту и в панель Содержание.
- В панели Содержание дважды щелкните слой Surface Reflectance_LC08_L2SP_148047_20160128_20200907_02_T1_MTL.
Откроется окно Свойства слоя. Вы переименуете слой, чтобы название было более коротким.
- На вкладке Общие для Имя введите Отражение поверхности 2016.
Далее вы посмотрите разрешение снимков Landsat. Разрешение важно, когда вы готовитесь к обучению модели глубокого обучения.
- В окне Свойства слоя щёлкните вкладку Источник.
- Раскройте Информация о растре.
Рядом с Размер ячейки X и Размер ячейки Y вы увидите, что разрешение этого растра равно 30x30. Далее вы определите единицу измерения размера ячейки.
- Разверните Пространственная привязка.
Значение Линейных единиц измерения — Метры. Разрешение этого растра 30 метров. Это означает, что каждый пиксел изображения Landsat представляет область 30 на 30 метров на земной поверхности.
- Нажмите OK.
- На Панели быстрого доступа щелкните Сохранить.
Вы скачали проект ArcGIS Pro и добавили в него снимки Landsat 8. Далее вы будете использовать эти наборы данных для обучения модели, которая будет использоваться для автоматической классификации мангровых лесов.
Тренировка модели глубокого обучения
Обучение модели глубокого обучения требует преобразования данных ГИС в формат, который можно использовать для классификации изображений. Сначала, используя снимки 2016 года, вы вручную отметите местонахождение мангровых лесов. Эти отмеченные местоположения известны как метки. Далее эти определенные вами метки будут использоваться для обучения модели. После создания модели вы примените ее к изображениям 2021 года, чтобы автоматически классифицировать мангровые леса.
Примечание:
Ареалы расположения мангровых лесов были предоставлены вам Организацией Объединенных Наций. Вы можете использовать предоставленный набор данных или создать свои собственные метки, выполнив следующие действия. Если вы хотите использовать предоставленный набор данных мангровых лесов, перейдите к разделу Экспорт обучающих данных этого урока.
Подготовка обучающих меток
Сначала вы создадите метки. Эти метки представляют собой участки изображения, про которые точно известно, что они представляют мангровые леса. Они могут быть созданы вручную путем оцифровки полигонов по изображениям.
- На ленте щелкните вкладку Карта. В группе Навигация щелкните Закладки и выберите Мангровые леса.
На карте появится область с мангровыми лесами.
- На ленте щелкните вкладку Изображения. В группе Классификация изображений щелкните Инструменты классификации и выберите Менеджер обучающих выборок.
Появится панель Классификация изображений. Эта панель позволяет вам создавать разные классы для различных объектов, чтобы модель классифицировала их на изображениях. Вы добавите класс, который будет использоваться для мангровых лесов. Этот класс будет храниться в пользовательской схеме.
- На панели Классификация изображений щелкните Создать новую схему.
Схема по умолчанию удалена.
- Щелкните кнопку Добавить новый класс.
Примечание:
Если вы не видите кнопку Добавить новый класс, увеличьте ширину панели Классификация изображений.
Во-первых, вы зададите классу имя.
- Для Имя введите мангровые леса.
Далее вы присвоите этому классу значение. Компьютер считает это значение, когда модель будет обучаться. Мангровые леса будут определены значением 1.
- Для Значения введите 1.
Наконец, вы назначите классу цвет. Этот цвет будет использоваться при оцифровке областей мангровых лесов по изображениям. Черный цвет хорошо виден на снимках для этого проекта.
- Для Цвет выберите Черный.
- Нажмите OK.
Класс мангровых лесов теперь доступен в вашей новой схеме. Вы сохраните изменения, внесенные в схему, перед ее использованием.
- Над Новая схема щелкните Сохранить.
- Для Имя введите Классификация мангровых лесов.
- Для Описание введите Схема, используемая для меток мангровых лесов на снимках Landsat 8.
- Для Выходное местоположение перейдите к папке Classify Mangroves и нажмите ОК.
- Щелкните Сохранить.
Новая схема и класс мангровых лесов сохранены.
- Сохраните проект.
Схема сохраняется и может использоваться другими пользователями или для других проектов.
Создайте обучающие метки
Теперь, когда вы создали новый класс меток, вы будете использовать его для оцифровки областей мангровых лесов по карте.
- В разделе Классификация мангровых лесов щелкните мангровые леса.
Класс становится активным. Далее вы выберете способ оцифровки ареалов мангровых лесов по снимку.
- Щелкните инструмент Полигон.
Вы выбрали класс мангровых лесов и нужный инструмент рисования. Теперь вы начнете отмечать на изображениях области мангровых лесов.
- На карте щелкните один раз, чтобы начать очерчивать область мангровых лесов. Продолжайте щелкать, чтобы добавить вершины и создать замкнутую область. Щелкните дважды, когда закончите рисовать первую область.
Примечание:
Чтобы отменить создание полигона во время оцифровки, нажмите клавишу Esc.
Завершенный объект имеет черный контур.
Чтобы окончательная модель имела наилучшие результаты, рекомендуется оцифровать как можно больше ареалов мангровых лесов. Также вы хотите убедиться, что области, которые вы оцифровываете, содержат только мангровые леса.
Продолжайте очерчивать области мангровых лесов на изображениях. Когда вы закончите оцифровку меток, сохраните полученные результаты в базе геоданных.
- В панели Классификация изображений над Класс щелкните Сохранить.
Вам предложат сохранить полигоны как класс пространственных объектов. Вы сохраните их в базе геоданных вашего проекта по умолчанию.
- В окне Сохранить текущие обучающие выборки в разделе Проект разверните Базы данных. Щелкните Classify Mangroves.gdb.
- Для Имя введите mangrove и нажмите Сохранить.
Ваши оцифрованные области сохранены. Теперь вы удалите обучающие выборки с карты.
- Закройте панель Классификация изображений.
Появится окно Менеджер обучающих выборок с предложением сохранить изменения.
- Щелкните Да.
Чтобы новый класс пространственных объектов появился в вашей базе геоданных, необходимо ее обновить.
- На панели Каталог раскройте папку Базы данных. Разверните Classify Mangroves.gdb.
- Выберите Classify Mangroves.gdb и нажмите F5.
Ваша база геоданных обновлена, и слой мангровых лесов теперь отображается как класс пространственных объектов. Однако эти данные необходимо преобразовать в формат, пригодный для обучения модели.
Экспорт обучающих данных
Теперь, когда обучающие данные созданы, вы будете использовать инструмент геообработки Экспорт обучающих данных для глубокого обучения, чтобы преобразовать данные в формат, который можно использовать для глубокого обучения. Выходные данные этого процесса называются кусочками изображения. Снимки Landsat будут разбиты на эти кусочки или маленькие листы, которые будут использоваться для обучения модели. Этот первый инструмент геообработки определяет, как будут создаваться кусочки изображения.
- На ленте в Поиске команд, введите Экспорт обучающих данных для глубокого обучения. В списке результатов поиска выберите Экспорт обучающих данных для глубокого обучения.
Откроется панель Геообработка. Сначала вы выберете изображения, которые будут использоваться для обучения.
- Для Входной растр выберите Отражение поверхности 2016.
Далее вы создадите папку, в которой будут храниться обучающие данные.
- Для Выходная папка перейдите к папке Classify Mangroves. Щелкните правой кнопкой мыши на Classify Mangroves и выберите Папка.
- Для имени папки введите MangroveTrainingData.
- Выберите папку и щелкните OK.
Далее вы выберете созданный ранее класс пространственных объектов, определяющий области мангровых лесов на снимках.
- Для Входной класс объектов или Классифицированный растр, или Таблица перейдите к базе геоданных Classify Mangroves и выберите класс объектов mangrove.
Примечание:
Если вы не создавали свой класс пространственных объектов мангровых лесов с помощью Менеджера обучающих выборок, выберите класс пространственных объектов MangroveForest.
- Нажмите OK.
- Для Поля значений класса выберите Classvalue.
Примечание:
Если вы используете класс пространственных объектов MangroveForest, выберите поле pxlval.
Следующий набор параметров, Размер листа, сохранит значения по умолчанию. Однако эти значения можно использовать для увеличения или уменьшения размера кусочков, создаваемых этим инструментом. Размер по умолчанию 256x256 пикселов. Шаг определяет степень перекрытия создаваемых кусочков. По умолчанию каждый кусочек перекрывается на 128 пикселов или 50 процентов. Увеличение перекрытия увеличит количество создаваемых кусочков.
Последний параметр этого инструмента — Формат метаданных. Этот параметр определяет тип создаваемой модели глубокого обучения. Поскольку вы выполняете пиксельную классификацию мангровых лесов, вы выберете формат Классифицированные листы.
- Для Формат метаданных выберите Классифицированные листы.
И, наконец, вы установите размер выходной ячейки обучающих данных равным 30 метрам. Это разрешение равно разрешению снимков Landsat 8.
- В разделе Экспорт обучающих данных для глубокого обучения нажмите Параметры среды.
- В разделе Анализ растра для Размер ячейки введите 30.
- Щелкните Запустить.
Инструмент геообработки разделит изображение на кусочки, используя правильный формат для классификации пикселов. Нарезка на кусочки необходима, потому что в большинстве случаев полное изображение не помещается в память компьютера. Также, на основе областей, которые вы оцифровали, инструмент знает, какие области на изображениях являются мангровыми лесами.
Далее вы изучите выходные данные инструмента.
- В панели Каталог разверните папку MangroveTrainingData и папку images.
Файлы изображений — это кусочки, которые были созданы.
- Щелкните правой кнопкой мыши файл 000000000.tif и выберите Добавить к текущей карте.
- Если появится окно Вычислить статистику, нажмите Да.
- В панели Содержание щелкните правой кнопкой мыши 000000000.tif и выберите Приблизить к слою.
Лист отображается на карте. Это небольшой фрагмент снимка Landsat.
Примечание:
Показанное изображение основано на классе пространственных объектов MangrovesForest, использованном в качестве входных данных для инструмента Экспорт обучающих данных для глубокого обучения. Если вы оцифровали участки мангровых лесов самостоятельно, ваши кусочки изображений будут выглядеть по-другому. Возможно, вам придется добавить несколько кусочков, прежде чем вы найдете кусочек с участками белого цвета, представляющими мангровые леса.
Обучить модель
На данный момент вы оцифровали участки мангровых лесов и экспортировали их в формат, который можно использовать для обучения. Теперь вы обучите модель.
Примечание:
В зависимости от аппаратного обеспечения вашего компьютера обучение модели может занять до нескольких часов. Рекомендуется использовать компьютер с подходящим Графическим процессором (GPU). На случай, если вы не хотите обучать модель, вам предоставлен пакет глубокого обучения в папке Classify Mangroves, и вы можете перейти к следующему разделу Развертывание модели глубокого обучения.
- На ленте в Поиске команд введите Тренировка модели глубокого обучения. В списке результатов поиска выберите Тренировка модели глубокого обучения.
Откроется панель Геообработка. Сначала вы выберете обучающие данные, а затем зададите некоторые параметры модели глубокого обучения.
- Для Входные обучающие данные перейдите к папке Classify Mangroves и щелкните папку MangroveTrainingData. Нажмите OK.
Далее вы выберете, где сохранить модель глубокого обучения.
- Для Выходная модель перейдите к папке Classify Mangroves. Создайте новую папку и назовите ее MangroveClassifier.
- Выберите папку MangroveClassifier и нажмите OK.
Теперь вы определите количество итераций, известных как эпохи, которые будет запускать модель.
- Убедитесь, что для параметра Максимальное число эпох задано 20.
На основе формата обучающих данных, которые вы экспортировали ранее, вы установите тип модели, специфичный для классификации пикселов.
- Разверните Параметры модели и убедитесь, что Тип модели — U-Net (Классификация пикселов).
U-Net — это модель глубокого обучения, которая классифицирует пикселы растра с помощью семантической сегментации. Эта модель используется для классификации земельного покрова.
Далее вы установите количество обучающих выборок, которые будут обрабатываться для обучения по одной за раз. Увеличенный размер пакета ускорит обработку ваших обучающих данных.
- Для Размера пакета введите 16.
Далее вы измените параметр, чтобы обеспечить выполнение обучения для всех 20 эпох.
- Разверните Дополнительно и снимите отметку Завершить, когда модель перестанет улучшаться.
И, наконец, если у вас есть графический процессор, то вы настроите этот инструмент для запуска на нем для более быстрой обработки. Если его нет, пропустите следующий шаг.
- Дополнительно, если на вашем компьютере есть GPU, щелкните вкладку Параметры среды. Для Типа процессора выберите GPU.
- Щелкните Запустить.
Примечание:
Если модель не запускается, возможно, вам нужно настроить параметр Размер пакета. Возможность обработки пакетов большего размера зависит от графического процессора вашего компьютера. Если у вас мощный GPU, то одновременно вы сможете обрабатывать до 64 обучающих выборок. Если ваш GPU не очень мощный, вы можете задать для этого параметра 8, 4 или 2, а затем запустить инструмент повторно.
Во время работы инструмента вы можете видеть ход обучения.
- Щелкните Просмотреть подробности.
Появится окно Подробная информация.
- Щелкните вкладку Сообщения.
В Сообщениях отображается производительность модели для каждой эпохи из 20 запущенных. Особенно обратите внимание на то, как точность модели повышается или приближается к 1.
Примечание:
Поскольку модель обучается каждый раз по-разному при запуске этого инструмента, ваши сообщения могут отличаться о тех, что представлены на рисунке выше.
- Закройте окно Тренировка модели глубокого обучения.
Когда инструмент геообработки завершит работу, вы увидите выходные данные.
- В Проводнике перейдите в папку вашего проекта. Откройте папку MangroveClassifier.
Папка содержит ряд выходных данных, которые можно использовать для классификации изображений:
- MangroveClassifier.pth - это обученная модель, обычно она сохраняется в формате PyTorch.
- MangroveClassifier.emd - это файл определения модели, который содержит информацию модели о размере листов, классах и типе модели.
- model_metrics.html содержит сведения об использованном уровне обучения и итоговой точности модели.
- MangroveClassifier.dlpk - это полный пакет всех файлов, которые хранятся в папке результатов модели, включая обученную модель, файл определения модели, а также файл метрик модели. Этот пакет можно опубликовать в ArcGIS Online и ArcGIS Enterprise как элемент для общего доступа.
Вы изучите файл model_metrics, чтобы увидеть, как работает ваша модель.
- Откройте файл model_metrics.
Откроется ваш веб-браузер по умолчанию. На этой странице представлена информация о вашей модели и о том, насколько хорошо она смогла классифицировать мангровые леса с помощью ваших входных обучающих данных.
В разделе Потери при обучении и проверке отображается график величины ошибки, которая присутствовала в модели во время обучения. Когда модель была запущена, некоторые из входных данных использовались для обучения модели, а некоторые - для проверки модели, либо для тестирования модели на предмет ее точности. В идеальном случае вы увидите, что эти значения снижаются по мере увеличения числа обработанных снимков по ходу 20 эпох.
Анализ модели отображает точность классов данных. В вашей модели технически было два класса: один для мангровых зарослей и один для NoData. Более высокое значение точности означает, что модель более уверена в своих результатах.
Наконец, на этой странице показаны несколько образцов кусочков, сравнивающих исходные обучающие данные мангровых лесов Истинно точно (слева) и Прогнозы модели (справа). В идеале прогноз должен точно соответствовать исходным достоверным данным.
- Закройте страницу model_metrics в веб-браузере.
- Закройте Проводник.
Перед развертыванием модели вы очистите кеш графического процессора, чтобы убедиться, что в нем достаточно памяти для классификации изображений Landsat 2021 года. Если на вашем компьютере нет графического процессора, вы можете пропустить этот шаг.
- В ArcGIS Pro в панели Каталог и разверните Наборы инструментов. Разверните Classify Mangroves.tbx.
Предоставленный скрипт в этом наборе инструментов не имеет никаких входных данных.
- Откройте скрипт Очистить кэш и нажмите Запустить.
- Сохраните проект.
Вы создали обучающую модель, оцифровав области мангровых лесов по снимкам Landsat 8, сделанных в 2016 году. Затем вы взяли свой класс объектов мангровых лесов, преобразовали его в формат, подходящий для обучения модели глубокого обучения, и использовали его для создания пакета глубокого обучения. Далее вы будете использовать новую модель для автоматической классификации мангровых лесов на снимках Landsat 8, сделанных в 2021 году.
Применение модели
После создания модели глубокого обучения ее можно многократно использовать для быстрой классификации земного покрова в интересующей области. Вы возьмете созданную вами модель и используете ее для классификации мангровых зарослей в той же географической области, что и исходные обучающие данные. Однако снимки Landsat будут более свежими.
Развертывание модели глубокого обучения
Теперь вы возьмете изображения Landsat за 2021 год и воспользуетесь своей моделью глубокого обучения, чтобы проанализировать или классифицировать эти изображения и определить ареал распространения мангровых зарослей.
Примечание:
Если вы не обучали модель в предыдущем разделе, вы можете использовать пакет глубокого обучения из папки Classify Mangroves.
Классификация изображения - это процесс, интенсивно потребляющий ресурсы компьютера, продолжительность которого зависит от вашего аппаратного обеспечения. Классифицированный растр ареалов распространения мангровых зарослей был взят в Classify Mangroves.gdb. Если вы решите не классифицировать изображение, вы можете перейти к разделу Изучение результатов.
- В панели Содержание удалите слой Surface Reflectance 2016.
- В панели Каталог разверните папку Landsat 8 imagery. Разверните папку Landsat imagery 2021.
- Разверните файл LC08_L2SP_148047_20201224_20210310_02_T1_MTL.txt.
Примечание:
Это второй элемент в папке, обозначенный значком спутника.
- Добавьте растр Surface Reflectance на карту. Если появится запрос о вычислении статистики, щелкните Да.
- В панели Содержание переименуйте слой Surface Reflectance_LC08_L2SP_148047_20201224_20210310_02_T1_MTL в Отражение поверхности 2021.
- Щелкните правой кнопкой Отражение поверхности 2021 и выберите Приблизить к слою.
Ваши снимки 2021 года добавлены на карту, и их можно классифицировать. Вы будете использовать инструмент геообработки Классифицировать пикселы при помощи глубокого обучения, чтобы применить вашу модель глубокого обучения к этим изображениям.
- На ленте в Поиске команд введите Классифицировать пикселы при помощи глубокого обучения. В списке результатов поиска выберите Классифицировать пикселы при помощи глубокого обучения.
- Для Входной растр выберите Отражение поверхности 2021.
- Для Выходного набора растровых данных введите MangroveExtent2021.
- Для Определение модели перейдите к папке MangroveClassifier. Щелкните пакет глубокого обучения MangroveClassifier.
Примечание:
Если вы не обучали модель глубокого обучения, перейдите к папке Classify Mangroves и откройте папку Deep learning package. Щелкните MangroveClassifier.
- Нажмите OK.
Существуют и другие аргументы модели, которые при необходимости можно настроить для улучшения вашей модели. Эти параметры переносятся с момента обучения модели.
- В разделе Аргументы для batch_size введите 16.
Наконец, вы зададите параметры среды инструмента.
- Выберите вкладку Параметры среды.
- В разделе Анализ растра для Размер ячейки введите 30.
- В разделе Тип процессора укажите Тип процессора как GPU.
- Щелкните Запустить.
Примечание:
Возможность указать размер пакета равным 16 зависит от вашего графического процессора. Если инструмент не запускается, попробуйте изменить этот параметр на 8, 4 или 2.
По окончании работы инструмента результаты добавляются на карту.
Примечание:
В зависимости от точности вашей модели ваши результаты будут различаться. Цвет также может отличаться.
Изучение результатов
Прежде чем вы начнете сравнивать изменения ареала распространения мангровых зарослей с течением времени, вы изучите, насколько хорошо результаты вашей модели соотносятся со снимками.
Примечание:
Если вы не запускали инструмент Классифицировать пиксели с помощью глубокого обучения в предыдущем разделе, вам будут предоставлены результаты работы этого инструмента. В панели Каталог разверните Classify Mangroves.gdb. Добавьте растр MangroveExtent2021 на карту.
- Перейдите к закладке Mangroves.
- В панели Содержание переименуйте MangroveExtent2021 на Экстент мангровых лесов 2021 и оставьте слой выбранным.
- Щелкните на ленте вкладку Растровый слой. В группе Сравнить щелкните Спрятать.
Инструмент Спрятать позволяет щелкнуть и переместиться по карте, чтобы скрыть один слой, открыв слой, лежащий под ним.
- Перетащите курсор на карте, чтобы открыть слой Отражение поверхности 2021, находящийся под слоем Экстент мангровых лесов 2021.
Возможность спрятать карту и сравнить два слоя поможет вам визуализировать результаты вашей модели.
Примечание:
В зависимости от того, где вы разместите указатель на экране, вы можете скрывать слой по вертикали или по горизонтали.
Прежде чем двигаться дальше, вы вернетесь к инструменту Исследовать, который позволит вам перемещаться по карте.
- На ленте щелкните вкладку Карта. В группе Навигация щелкните кнопку Исследовать.
- Сохраните проект.
Теперь, когда вы завершили процесс обучения и использовали рабочий процесс глубокого обучения, вы сравните полученные результаты с экстентом мангровых лесов в 2016 году.
Обнаружение изменений
Чтобы лучше понять, где мангровые леса находятся под угрозой исчезновения, а где их рост не нарушается, вы выполните растровый анализ ареалов мангровых лесов за 2016 и 2021 год, чтобы изучить их динамику.
Растеризация обучающих меток
Чтобы увидеть, где изменилось покрытие мангровых лесов, необходимо, чтобы оба слоя мангровых лесов были в растровом формате. Выходной слой модели глубокого обучения уже является растром, а данные, предоставленные Global Mangrove Watch за 2016 год, - нет. Вы конвертируете этот полигональный слой мангровых лесов 2016 года в растр.
- В панели Содержание включите слой Mangrove Forest и отключите слой Mangrove Extent 2021.
Вы увидите контур покрытия мангровых лесов в 2016 году.
Этот слой вы будете конвертировать в растр.
- На ленте щелкните вкладку Изображения. В группе Анализ щелкните Функции растра.
Появится панель Функции растра. Функции растра позволяют создавать и анализировать наборы растровых данных.
- В окне поиска введите Растеризовать объекты. Нажмите Enter.
- В разделе Конвертация щелкните Растеризовать объекты.
Появится функция Растеризовать объекты. Для начала вы возьмете растр, который определяет экстент и разрешение выходного растра.
- Для Растр выберите Surface Reflectance 2021.
Далее вы выберете полигональный слой, который хотите конвертировать в растр.
- Для Входные объекты выберите Mangrove Forest.
Вы укажете поле, которое классифицирует каждый полигональный объект со значением 1 как мангровые леса.
- Для Поле выберите pxlval.
- Щелкните Создать новый слой.
- Отключите слой Mangrove Forest.
Новый растровый слой мангровых лесов в 2016 году добавлен на карту.
- Переименуйте Rasterize Features_Surface Reflectance 2021 в Mangrove Extent 2016.
Сравнение экстентов мангровых лесов
Теперь у вас есть два растра, представляющих ареалы мангровых лесов в 2016 и 2021 годах, вы будете использовать ряд растровых функций, чтобы преднастроить шаблон для сравнения двух экстентов мангровых лесов и определения того, где ареалы расширились, уменьшились, либо остались такими же. Перед запуском шаблона вы изучите, как он работает.
Сначала вы импортируете шаблон растровой функции.
- В панели Функции растра очистите поиск.
- Щелкните вкладку Пользовательский.
- Перейдите к Custom1 и щелкните Импорт функций.
- Перейдите к папке Classify Mangroves. Выберите шаблон функции растра Compute Mangrove Cover Change. Нажмите OK.
Шаблон будет добавлен в раздел Custom1.
- В разделе Custom1 щелкните правой кнопкой мыши на Compute Mangrove Cover Change. Выберите Редактировать.
Откроется окно Редактор функций с шаблоном Compute Mangrove Cover Change.
Шаблон запустится с зелеными элементами в левой части. Они представляют два растра мангровых лесов, которые нужно сравнить. Оба растра связаны с функцией Is Null. Эта функция обрабатывает входные растры и выявляет области, которые были классифицированы как мангровые леса, и области, которые были классифицированы как области без данных. Далее функция Con конвертирует области без данных в области со значением 0. Для мангровых лесов задано значение 1, которое вы определили при построении обучающих выборок ранее в этом уроке. В данный момент у вас есть два растра, один на 2016 год, и один на 2021, но теперь это бинарные растры, где областям мангровых лесов присвоено значение 1, а остальным областям - 0. Итоговая функция, Compute Change, вычитает растр мангровых лесов 2021 из растра 2016. Поскольку области мангровых лесов и прочие области были конвертированы в значения 0 и 1, итоговый результат покажет области, в которых наблюдается прирост мангровых лесов (значения 1), области, где они угнетаются (значения -1), а также области без изменений (0).
- Закройте окно Редактор функций.
- В панели Функции растра щелкните шаблон Compute Mangrove Cover Change.
Откроется растровая функция. Вы настроите этот инструмент так же, как и инструмент геообработки.
- В разделе Is Null задайте 2016 Mangroves как Mangrove Extent 2016.
- В разделе Is Null задайте 2021 Mangroves как Mangrove Extent 2021.
- Щелкните Создать новый слой.
Новый слой добавлен на карту. Фиолетовым цветом на нем будут показаны области, где ареалы лесов расширились, а зеленым - где уменьшились. Белым показаны области без изменений. Вы настроите символы таким образом, чтобы это было более понятно.
Примечание:
Ваши результаты могут измениться в зависимости от результатов работы модели глубокого обучения.
- В панели Содержание переименуйте Compute Mangrove Cover Change_Mangrove Extent 2016_Mangrove Extent 2021 в Mangrove Cover Change.
- Щелкните правой кнопкой мыши слой Mangrove Cover Change и нажмите Символы.
Появится панель Символы. Далее вы настроите символы и удалите белые области со значением 0.
- Щелкните вкладку Маска.
- Поставьте отметку для опции Показать значение фона.
Символы на карте обновятся.
- В панели Содержание отключите слой Mangrove Extent 2016.
Итоговые результаты видны, но их сложно разглядеть на снимке. Вы измените прозрачность снимка, чтобы результаты были заметнее.
- На панели Содержание выберите слой Surface Reflectance 2021.
- Щелкните на ленте вкладку Растровый слой. В группе Эффекты для Прозрачность введите 50 и нажмите Enter.
Теперь итоговые результаты видны более явно
Результаты анализа показывают, где ареалы мангровых лесов расширились или уменьшилась с 2016 по 2021 год. Выбор подходящих условных знаков подчеркивает эти закономерности и упрощает визуализацию этих изменений во времени.
Примечание:
Экспорт образцов, моделей обучения и моделей разработки глубокого обучения также можно сделать с помощью ArcGIS Notebooks с ArcGIS API for Python и arcgis.learn module. Чтобы посмотреть примеры того, как инструменты геообработки можно использовать для обработки снимков в среде блокнотов, перейдите в панель Каталог и разверните папку Notebooks. Вы увидите образцы блокнотов, использующие те же процедуры, которые вы применили в этом уроке.
В этом уроке вы использовали снимки для создания и применения модели глубокого обучения. Сначала вы создали обучающий набор данных, затем конвертировали его в формат классификации пикселов. Вы обучили модель для распознавания мангровых лесов на снимках Landsat 8. Затем вы применили модель для более свежих снимков. И, наконец, изменения мангровых лесов были показаны на карте таким образом, что стало понятно, где их ареалы расширяются, а где исчезают. Полученные результаты можно использовать в планировании восстановления мангровых лесов. Кроме того, вашу модель глубокого обучения можно использовать для классификации мангровых лесов по всему миру.
Помимо классификации мангровых лесов Esri включает обученные модели в ArcGIS Living Atlas для изучения процесса классификации снимков и выявления объектов. Эти модели бесплатны для скачивания и вы можете развернуть их для любых подходящих снимков. Также вы можете настроить эти предварительно обученные модели для собственных обучающих данных, что, как правило, занимает меньше времени, чем обучение модели с нуля.
Вы можете найти больше учебных пособий в галерее учебных пособий.
