Создание обучающих выборок

Для инвентаризации и оценки здоровья каждой пальмы на плантации Коловаи, Тонга, требуется много времени и трудовых ресурсов. Для упрощения процесса вы примените модель глубокого обучения в ArcGIS Pro, чтобы идентифицировать деревья, а затем вычислить состояние их здоровья на основании измерения вегетационного индекса зелености. Первый шаг – найти снимок на Коловаи, Тонга, имеющий достаточно хорошее пространственное и спектральное разрешение, чтобы идентифицировать деревья. После получения снимка вы создадите обучающие выборки и конвертируете их в формат, который может использовать модель глубокого обучения. Для того, чтобы модель распознавала то, что ей назначено находить, необходимо задать изображения пальмовых деревьев, чтобы она идентифицировала сходные пикселы.

Загрузка данных

Для извлечения объектов необходимо точное изображение высокого разрешения. Модель сможет идентифицировать пальмы только в том случае, когда размер пикселов достаточно мал, чтобы различать кроны пальм. Дополнительно, для вычисления состояния здоровья деревьев необходим снимок со спектральными каналами, обеспечивающими построение индекса здоровья растительности. Для этого урока вы найдете и скачаете снимок с OpenAerialMap, открытого хранилища мультиспектральных изображений высокого разрешения.

  1. Перейдите к веб-сайту OpenAerialMap.
  2. Щелкните Start Exploring.

    В интерактивном виде карты можно изменять масштаб, перемещаться и искать снимки по всей планете. Карта разбита на сетку. Когда вы указываете на ячейку сетки, появляется число. Это число указывает на количество доступных изображений для данной ячейки.

  3. В окне поиска введите Kolovai. В списке результатов щелкните Kolovai.

    Это город с кокосовой плантацией на главном острове Тонгатапу.

  4. При необходимости уменьшайте масштаб до тех пор, пока на карте не появится надпись Kolovai. Щелкните ячейку сетки непосредственно над Коловаи и щелкните Kolovai UAV4R Subset (OSM-Fit) by Cristiano Giovando.

    Выбрать лист снимка Kolovai

  5. Щелкните кнопку скачивания, чтобы загрузить необработанный (raw) файл .tif . Сохраните изображение в выбранном вами месте.

    Скачать изображение

    Из-за размера файла загрузка может занять несколько минут.

Изучение данных

Для того, чтобы начать процесс классификации, вы создадите проект ArcGIS Pro со скачанным снимком и сохраните несколько закладок, которые будете использовать при создании обучающих выборок.

  1. Start ArcGIS Pro. If prompted, sign in using your licensed ArcGIS account.
    Примечание:

    If you don't have ArcGIS Pro or an ArcGIS account, you can sign up for an ArcGIS free trial.

  2. В разделе Новый щелкните Карта.

    Шаблон Карты создает проект с 2D-картой.

  3. В окне Создать новый проект назовите проект CoconutHealth. Сохраните этот проект в местоположении по вашему выбору и щелкните OK.

    Проект откроется, в нем будет показана Топографическая базовая карта.

  4. На вкладке Карта в группе Слой щелкните Добавить данные.

    Добавление данных на карту

    Откроется окно Добавить данные.

  5. В окне Добавить данные в разделе Компьютер найдите снимок Коловаи, скачанный с OpenAerialMap. Выберите файл .tif и нажмите OK.

    Снимок Коловаи добавлен на карту. На панели Содержание слой указан по его уникальному идентификатору, который не несет большого смысла. Лучше переименовать слой на что-то более понятное.

  6. На панели Содержание дважды щелкните на слое и введите Пальмы Коловаи. Нажмите Enter.

    Переименование слоя

  7. Перемещайте и масштабируйте карту, чтобы понять, как выглядит плантация пальм.

    На снимке видно большое количество коксовых пальм. Чтобы сосчитать их, на местности или по снимку, понадобится несколько дней. Для того, чтобы модель глубокого обучения сделала эту работу за вас, вы создадите небольшую выборку пальм, чтобы обучить вашу модель. Сначала вы создадите пользовательское отображение карты, чтобы быстро перемещаться к различным областям на снимке.

  8. Внизу окна карты щелкните стрелку масштабов карты и выберите Настроить.

    Создание пользовательского экстента масштабов

    Откроется окно Свойства масштаба.

  9. В окне Свойства масштаба проверьте, что выбрана вкладка Стандартные масштабы. В окне Масштаб введите 1:500.

    Создание пользовательского масштаба

  10. Щелкните Добавить, затем ОК.

    Пользовательский масштаб добавлен к списку масштабов карты в проекте. Вы примените этот масштаб при создании создании закладок.

  11. На ленте на вкладке Карта в группе Запрос щелкните Найти.

    Кнопка Найти

    Появится панель Найти местоположение.

  12. В строку поиска Местоположений вставьте следующие координаты и нажмите Enter: 175.3458501°W 21.0901350°S.

    На карте появится буква A, отмечающая местоположение координат. Вы отметите это место закладкой, применив пользовательский масштаб, чтобы вы могли обратиться к нему в следующем разделе.

  13. Щелкните список масштабов карты и выберите 1:500.

    Вы видите приближенное изображение координатного местоположения на карте.

  14. На ленте на вкладке Карта в группе Навигация щелкните Закладки. В меню щелкните Новая закладка.

    Создать закладку

    Появится окно Создать закладку.

  15. В окне Создать закладку напечатайте Северо-западные пальмы и щелкните OK.
  16. Создайте закладки для следующих координат в масштабе 1:500:

    КоординатыИмя закладки

    175.3413074°W 21.0949798°S

    Центрально-восточные пальмы

    175.3479054°W 21.1018014°S

    Юго-западные пальмы

    175.3409475°W 21.1035265°S

    Юго-восточные пальмы

    175.3479457°W 21.0959058°S

    Центрально-западные пальмы

  17. Закройте панель Найти местоположение и сохраните проект.

Создание схемы обучения

Для обучения модели глубокого обучения или любых моделей классификации изображений необходимо создание хороших обучающих выборок. И часто это самый затратный по времени шаг процесса. Для того, чтобы предоставить модели глубокого обучения информацию, необходимую для извлечения всех пальмовых деревьев на снимке, вы создадите объекты из некоторого числа пальм, чтобы объяснить модели, какой размер, форма и спектральная сигнатура может быть у пальм. Эти обучающие образцы создаются и управляются с помощью инструмента Отметить объекты для глубокого обучения.

  1. На ленте щелкните вкладку Изображения.

    ArcGIS Pro работает на контекстной основе, поэтому определенные инструменты и вкладки становятся доступными, только если на панели Содержание выбраны соответствующие данные. Для активации инструментов анализа растров необходимо выбрать растр.

  2. На панели Содержание убедитесь, что выбран Пальмы Коловаи.

    Теперь вам доступны инструменты в группах Классификация изображений, Измерение и Инструменты. И стала активной контекстная вкладка Растровый слой с вкладками Оформление и Данные.

  3. В группе Классификация изображений щелкните Инструменты классификации и выберите Отметить объекты для глубокого обучения

    Инструмент классификации изображений

    Панель Классификация изображений отображается с новой пустой схемой. Вы создадите схему только с одним классом, так как вам необходимо извлечь из снимка только кокосовые пальмы.

  4. Щелкните правой кнопкой Новая схема и выберите Редактировать свойства. Для Имени введите Кокосовые пальмы. В Описание добавьте краткое объяснение Сохранить.

    Схема переименована на панели Классификации изображений. Теперь можно добавлять в нее примеры.

  5. Правой кнопкой мыши щелкните Кокосовые пальмы и выберите Добавить новый класс.
  6. На панели Добавить новый класс задайте следующие параметры:

    • Для Имени введите Пальма.
    • Для Значения введите 1.
    • Для Цвета выберите Красный марс.

    Свойства класса

  7. Нажмите OK.

    Класс Пальма добавлен в схему Кокосовые пальмы на панели Классификации изображений. Вы создадите объекты в классе Пальма на каждой созданной закладке, чтобы научить модель глубокого обучения.

Создание обучающих выборок

Чтобы обеспечить репрезентативную выборку деревьев в каждой области, вы оцифруете деревья по снимку. Эти объекты записываются в модель глубокого обучения в определенном формате, называемом кусочками изображений. Кусочки изображения – это небольшие блоки изображений, вырезанные из основного изображения. После того, как вы создадите достаточное число объектов на панели Классификации изображений, вы экспортируете их как кусочки изображений с метаданными.

  1. На ленте щелкните вкладку Карта. В группе Навигация щелкните кнопку ниспадающего списка Закладки и выберите закладку Северо-западные пальмы.
  2. На панели Классификации изображений выберите класс Пальма и щелкните инструмент Окружность.

    Инструмент Окружность

    При помощи этого инструмента вы нарисуете окружности вокруг каждой пальмы в текущем отображении. Круги нарисованы от центра объекта наружу, измеряя радиус объекта.

  3. На карте щелкните центр пальмового дерева и нарисуйте круг, охватывающий отдельное дерево.

    Создание обучающей выборки

    Новая запись пальм добавлена в группу Отмеченные объекты на панели Классификации изображений. При обучении модели глубокого обучения каждый чип изображения должен содержать в себе все пальмовые деревья, помеченные как пальма. Кусочки изображения будут намного меньше, чем текущее отображение карты, но вы создадите записи пальм для каждого дерева, чтобы убедиться, что есть много кусочков изображений со всеми отмеченными пальмами.

  4. Нарисуйте окружности вокруг каждого дерева в отображении карты.

    Обучающая выборка пальмовых деревьев

    По окончании у вас получится около 100 примеров, записанных на панели Менеджер обучающих выборок.

  5. Создайте обучающие выборки для каждой пальмы на каждой из закладок.

    Обзор обучающих данных

    Примечание:

    Чем больше примеров для обучения в модели, тем лучше модель выполнит классификацию.

    Оцифровка обучающей выборки может занять время, но но это окупается большим количеством выборок. Чем больше примеров вы предоставите модели в обучающих данных, тем более точный результат получится.

  6. Когда закончите создавать выборку, на панели Классификации изображений щелкните Сохранить.

    Сохранить обучающую выборку

  7. В окне Сохранить текущие обучающие выборки в разделе Проект щелкните Папки и дважды щелкните папку проекта по умолчанию CoconutHealth.
  8. Назовите класс объектов PalmTraining и щелкните Сохранить.

    Последним шагом перед обучением модели является экспорт обучающей выборки в допустимый формат, кусочки изображений.

  9. На панели Классификации изображений щелкните вкладку Экспорт обучающих данных.

    Список обучающих образцов заменен параметрами Экспорт обучающих данных.

  10. На вкладке Экспорт обучающих данных введите следующие параметры:

    • Для Выходной папки, перейдите в папку проекта CoconutHealth и создайте новую папку с именем ImageChips.
    • Для формата изображения выберите JPEG.
    • Для Размера листа по X и Размера листа по Y введите 448.
    • Для Формата метаданных выберите PASCAL Visual Object Classes.

    Экспорт кусочков изображения для обучения

  11. Щелкните Запустить.

    Инструмент запустится. Это может занять несколько минут.

  12. На панели Каталог разверните Папки . Щелкните правой кнопкой CoconutHealth и выберите Обновить.

    Папка обновится, чтобы показать папку ImageChips.

  13. Разверните папку ImageChips.

    Папка теперь заполнена примерами кусочков изображений и метаданными.

  14. Сохраните проект.

На этом уроке вы скачали и добавили изображение из открытого источника в проект, создали обучающую выборку при помощи панели Менеджер обучающих выборок и экспортировали ее в формат, подходящий для обучения модели глубокого обучения. Далее вы идентифицируете все деревья на плантации.


Выявление пальмовых деревьев при помощи модели глубокого обучения

Клонируйте среду conda по умолчанию

Ранее вы создали обучающую выборку кокосовых пальм и экспортировали ее в кусочки изображения. Эта обучающая выборка может быть использована для обучения модели с помощью опции Выявить объекты с использованием инструмента Глубокого обучения в ArcGIS Pro 2.5, который опирается на структуры глубокого обучения, такие как TensorFlow, Keras или CNTK. Чтобы установить эти библиотеки глубокого изучения, вы клонируете среду Python по умолчанию с помощью командной строки Python. Вы можете узнать больше о наборе инструментов Глубокого обучения ArcGIS Pro и процессе установки сред глубокого обучения в документации.

  1. При необходимости сохраните свой проект и закройте ArcGIS Pro.
  2. На рабочем столе найдите и запустите командную строку Python от имени администратора.

    Командная строка Python была загружена при установке ArcGIS Pro, поэтому она автоматически запускает файл инициализации propy.bat. Этот файл, который запускается вместо python.exe, распознает активную среду conda вашего приложения и позволяет запускать автономные сценарии с использованием этой среды.

    Для этого проекта вам нужно создать новую среду с именем deeplearning. Среда по умолчанию в ArcGIS Pro доступна только для чтения, поэтому вы будете клонировать ее для внесения изменений.

  3. Запустите следующую команду, чтобы создать новую среду conda путем клонирования среды ArcGIS Pro по умолчанию:
    conda create -n deeplearning –-clone arcgispro-py3

    Процесс клонирования может занять несколько минут. Клонированные среды хранятся в папке envs по адресу %LOCALAPPDATA%\Esri\conda\envs\. Системная переменная %LOCALAPPDATA% является заменой для C:\Users\YourUserFolderName\AppData\Local\.

  4. После создания новой среды запустите следующие команды, чтобы изменить вашу директорию на эту папку:
    cd C:\Program Files\ArcGIS\Pro\bin\Python\envs\deeplearning
    Примечание:

    Если ваша установка ArcGIS Pro не находится в папке Program Files, вы должны использовать вместо нее путь установки. Существует несколько папок по умолчанию, в которые могут быть клонированы среды Python. Они включают \AppData\Local\ESRI\conda\envs, и \ArcGIS\Pro\bin\Python\envs, и могут варьироваться в зависимости от предыдущей активной среды.

  5. Выполните следующую команду, чтобы активировать новую среду и обновить путь к файлу в соответствии с тем, где вы сохранили клонированную среду:
    activate deeplearning

    Это может занять несколько минут. По завершении процесса активации имя активной среды отображается в скобках перед расположением папки. Активация новой среды означает, что все сделанные вами изменения происходят только в выбранной среде. При выполнении нескольких проектов, в которых требуются разные пакеты или разные версии пакетов, это важно. Теперь вы установите пакеты, необходимые для запуска модуля arcgis.learn.

    Активируйте новую среду

  6. Запустите следующие команды по одной для установки зависимостей пакета глубокого обучения:
    conda install tensorflow-gpu=1.14.0
    conda install keras-gpu=2.2.4
    conda install scikit-image=0.15.0
    conda install Pillow=6.1.0
    conda install fastai=1.0.54
    conda install pytorch=1.1.0
    conda install libtiff=4.0.10 --no-deps
    Примечание:

    Некоторые пакеты потребуют от вас подтверждения установки. При появлении запроса введите y и нажмите Enter.

  7. Используйте команду proswap, чтобы установить среду проекта ArcGIS Pro в вашу среду.deeplearning.
    proswap deeplearning

    Теперь у вас есть среда conda со всеми библиотеками, необходимыми для работы инструментов глубокого обучения.

  8. Закройте командную строку, затем снова откройте ваш проект CoconutHealth.

    Необходимо обновить проект, чтобы разрешить обновление новых параметров среды. Перед началом процесса обучения модели глубокого обучения вы будете использовать Менеджер пакета Python, чтобы подтвердить, что среда deeplearning активна в ArcGIS Pro.

  9. На ленте щелкните вкладку Проект и выберите Python..

    Открывается Менеджер пакета Python. Если вы ранее не использовали разные среды в ArcGIS Pro, среда по умолчанию, arcgispro-py3, активна. Среды, созданные и активированные в командной строке, сохраняются только в этом экземпляре, если только вы не установите их как активные в ArcGIS Pro.

  10. Для Параметров среды проекта, убедитесь, что среда deeplearning активна.

    Управление средами в ArcGIS Pro

    Теперь вы будете использовать инструмент Тренировка модели глубокого обучения, чтобы создать файл определения модели Esri (.emd), отформатированный для чтения инструментами геообработки ArcGIS, такими как Выявить объекты при помощи глубокого обучения.

Тренировка модели глубокого обучения

Инструмент геообработки Тренировка модели глубокого обучения использует чипы изображений, которые вы пометили, чтобы определить, какие комбинации пикселов в данном изображении представляют пальмы. В процессе обучения создается файл определения модели Esri (.emd), который может использоваться другими инструментами глубокого обучения в ArcGIS. Вы заполняете файл .emd, а затем используете инструмент Выявить объекты при помощи глубокого обучения, чтобы идентифицировать пальмы на изображении.

  1. На ленте щелкните вкладку Анализ. В группе Геообработка щелкните Инструменты.
  2. На панели Геообработка найдите и откройте инструмент Тренировка модели глубокого обучения.
  3. Для Входных обучающих данных, перейдите в папку ImageChips, которую вы сохранили в папке проекта CoconutHealth.

    В папке ImageChips содержатся две папки, два текстовых файла, .json и файл .emd, которые созданы инструментом Экспорт обучающих данных для глубокого обучения. Файл esri_model_definition.emd – это шаблон, который будет заполнен специалистом по данным, обучившим модель, информацией, такой как среда глубокого обучения, файловый путь к обученной модели, имена классов, тип модели и спецификации изображения, использованные при обучении. Файл .emd – это мост между обученной моделью и ArcGIS Pro.

  4. Для Выходной модели создайте папку в папке проекта CoconutHealth и назовите ее PalmDetection_25_SSD.

    Это имя содержит информацию о параметрах, которые вы будете использовать для обучения модели. 25 - это количество эпох, которые вы будете использовать, а SSD обозначает Single Shot Detector, тип модели, который вы будете использовать.

  5. Для Max Epochs введите 25.

    Эпоха – это полный цикл набора обучающих данных. В течение каждой эпохи обучающий набор данных, который вы сохраняли в папке ImageChips, будет передан вперед и назад через нейронную сеть один раз. Значение по умолчанию равно 20.

  6. Разверните Параметры модели и убедитесь, что Тип модели установлен на Single Shot Detector.

    Тип модели будет определять алгоритм глубокого обучения и нейронную сеть, которые вы будете использовать для обучения вашей модели. В этом случае вы используете метод Single Shot Detector, потому что он оптимизирован для обнаружения объектов.

    Файл EMD

  7. Примите остальные параметры.

    Аргументы модели, значения параметров, используемые для обучения модели, варьируются в зависимости от выбранного типа модели и могут настраиваться. Для получения дополнительной информации о выборе аргументов модели см. документацию Тренировать модель глубокого обучения.

    Примечание:

    В зависимости от вычислительной мощности вашего компьютера, запуск этого инструмента может занять некоторое время. Чтобы немедленно приступить к этому уроку, загрузите предварительно обученный файл PalmDetection_25_SSD и перейдите к следующему разделу.

  8. Щелкните Выполнить.

Выявление пальм

Основная часть работы по извлечению объектов из изображений – это подготовка данных, создание обучающих выборок и обучение модели. Теперь эти шаги выполнены и вы примените обученную модель для обнаружения пальмовых деревьев на снимке. Обнаружение объекта – это процесс, который обычно требует нескольких тестов для достижения наилучших результатов. Есть несколько параметров, которые вы можете изменить, чтобы позволить вашей модели работать лучше. Чтобы быстро проверить эти параметры, вы попытаетесь обнаружить деревья на небольшом фрагменте изображения. Как только вы будете удовлетворены результатами, вы расширите инструменты обнаружения до полного изображения.

  1. На панели Геообработка, найдите и откройте инструмент Выявить объекты при помощи глубокого обучения.

    Этот инструмент вызывает сторонний Python API глубокого обучения и использует определенную растровую функцию Python для обработки изображения.

  2. Для инструмента Выявить объекты при помощи глубокого обучения введите следующие параметры:

    • Для Входного растра выберите Kolovai Palms.
    • Для Выходные выявленные объекты введите CoconutTrees.
    • Для Определения модели, перейдите к PalmDetection_25_SSD.emd (загружается с данными урока, расположенным в C:\DeepLearning\Data) или к файлу .emd, который был создан с помощью инструмента Тренировать модель глубокого обучения.
    • Padding: 0
    • Threshold: 0.5
    • nms_overlap: 0.6
    • Для Размера пакета введите 1.
    • Включите опцию Не максимальное подавление.
    • Для Коэффициента максимального перекрытия введите 0.6.

    В окне инструмента появятся дополнительные аргументы, благодаря информации обученной модели. Специалист по обработке и анализу данных, который предоставил вам модель, должен предоставить рекомендации для каждого аргумента. Об аргументах предоставляется дополнительная информация, если вы хотите поэкспериментировать с другими значениями. В противном случае, сохраните настройки по умолчанию.

    Аргумент threshold – это пороговое значение достоверности: насколько велика должна быть достоверность, чтобы отметить объект как пальму? Это число можно настроить для достижения желаемой точности.

    При выполнении свертки изображений в сверточном моделировании нейронных сетей вы существенно сокращаете данные, а пикселы на краю изображения используются гораздо меньше во время анализа, по сравнению с внутренними пикселами. По умолчанию параметр padding равен нулю 0, а параметр padding, равный 1, означает, что к внешним краям изображения добавляется дополнительная граница из пикселов, каждый со значением 0. Это сокращает потерю информации из корректных пикселов на краях и сокращений. Можете измените параметр на 1 или 2, чтобы увидеть эффект.

    Дополнение пикселов

    Коэффициент максимального перекрытия (также отображается в аргументах Python как nms_overlap) контролирует степень пересечения каждого объекта. Параметр появляется дважды из-за аргументов, указанных в файле .emd, но не всегда добавляется. Меньшее число для этого аргумента будет указывать, что объекты не могут перекрываться, чтобы считаться отдельными элементами. Параметр batch_size задает количество выборок, которое будет использовано для обучения сети в каждой итерации обучения. Например, если имеется 1 000 обучающих выборок (кусочков изображений), а размер пакета (batch size) равен 100, первые 100 обучающие выборки будут обучать нейронную сеть. В следующей итерации будут использоваться следующие 100 и т.д. В зависимости от объема памяти, имеющейся на вашем компьютере, вы можете увеличить этот параметр, хотя обучение следует проводить только в идеальных квадратных пакетах. Например, вы можете использовать пакет 4, 9, 16 и далее.

    Выполнение инструмента для полного изображения может занять некоторое время, так что если вы хотите поэкспериментировать с другими параметрами, измените экстент обработки на меньшую область.

  3. Приблизьтесь к масштабу 1:500 где-нибудь на снимке.
  4. Щелкните вкладку Параметры среды в инструменте Выявить объекты при помощи глубокого обучения. Измените Экстент на Текущий экстент отображения.
  5. Щелкните Запустить.
  6. Попробуйте изменить параметры, чтобы увидеть, улучшается ли ваша модель. Как только вы будете удовлетворены результатами в меньшем масштабе, измените степень обработки обратно на Default, чтобы обработать все изображение.
  7. Щелкните Запустить.

    Выполнение инструмента займет несколько минут, в зависимости от используемого аппаратного обеспечения: CPU, GPU или RAM.

    Объекты, выявленные инструментами глубокого обучения

  8. Сохраните проект.

Инструменты глубокого обучения в ArcGIS Pro зависят от обученной модели от специалиста по изучению и анализу данных и функций вывода, которые поставляются с пакетом Python для стороннего программного обеспечения для моделирования глубокого обучения. На следующем уроке вы примените растровые функции для получения оценки состояния здоровья для каждого дерева в изучаемой области.


Оценка здоровья растительности

На предыдущем уроке вы использовали модель глубокого обучения для извлечения пальмовых деревьев на снимке. На этом уроке вы используете этот же снимок для оценки здоровья растительности при помощи вычисления индекса здоровья растительности.

Для получения сведений о здоровье растительности вы вычислите Индекс устойчивости к видимой атмосфере (VARI), который был разработан как косвенный показатель индекса листовой поверхности (LAI) и доли растительности (VF), используя только значения отражения от видимой длины волны:

(Rg - Rr) / (Rg + Rr - R(Rg - Rb))

где Rr, Rg и Rb – значения отражения для красного, зеленого и синего каналов соответственно (Gitelson et al. 2002).

Обычно для оценки состояния здоровья растительности используются значения отражения и в видимых, и в ближнем инфракрасном (NIR) диапазонах длин волн, как для Стандартизованного индекса различий растительного покрова (NDVI). Но растровые данные для пальм Коловаи, скачанные из OpenAerialMap, – это многоканальное изображение с 3 каналами, все в видимом электромагнитном спектре, поэтому вы будете использовать VARI.

Вычисление VARI

Для измерения VARI в качестве входных данных необходимы три канала растра Пальмы Коловаи. Для вычисления VARI вы примените растровую функцию Арифметика каналов. Растровые функции работают быстрее инструментов геообработки, так как они не создают новые наборы растровых данных. Вместо этого они выполняют анализ в реальном времени по пикселам, по мере перемещения и масштабирования.

  1. Если необходимо, откройте проект CoconutHealth в ArcGIS Pro.
  2. На ленте щелкните вкладку Изображения. В группе Анализ щелкните Функции растра.
  3. На панели Растровые функции найдите и выберите растровую функцию Арифметика каналов.

    Функция Арифметика каналов

  4. В Свойствах Арифметики каналов задайте следующие параметры и щелкните Создать новый слой:

    • Для Растр выберите растровый слой Пальмы Коловаи.
    • Для Метод выберите VARI. В функции для формулы требуется указать индекс каналов, соответствующий входным каналам. Параметр Входные данные под полем для Индексов каналов показывает Red Green Blue, поэтому вы предоставите номера индексов каналов в соответствующем порядке: Red, Green и Blue. Проверьте, что между индексами есть пробел.
    • Для Индекс каналов введите 1 2 3.

    Параметры Арифметики каналов

    Слой VARI добавлен на панель Содержание как Арифметики каналов_Пальмы Коловаи. Перемещаясь и масштабируя снимок, можно увидеть объекты береговой линии, дорог, зданий и полей.

    Результат VARI

  5. На панели Содержание убедитесь, выбран слой Арифметики каналов_Пальмы Коловаи.
  6. На ленте щелкните контекстную вкладку Оформление.
  7. В группе Отображение раскройте ниспадающее меню Тип растяжки и выберите Средне-квадратичное отклонение.

    Изменение типа растяжки растра

  8. На панели Содержание дважды щелкните Арифметики каналов_Пальмы Коловаи и переименуйте его в VARI.

Извлечение VARI для кокосовых пальм

Наличие растрового слоя, показывающего VARI, пригодиться, но не дает места для необходимых действий. Чтобы выяснить, какие деревья требуют внимания, необходимо знать среднее значение VARI для каждого отдельного дерева. Для того, чтобы найти среднее значение VARI для каждого дерева, вы извлечете лежащее в основе среднее значение VARI и присвоите ему символы, чтобы увидеть, какие деревья здоровы, а каким требуется помощь.

Сначала вы конвертируете полигоны объектов в круги, чтобы представить пальмы.

  1. На панели Геообработка найдите и откройте инструмент Объект в точку. Введите следующие параметры и щелкните Запустить:

    • Для Входные объекты выберите слой CoconutTrees.
    • Для Выходной класс объектов введите CoconutTrees_Points.

    Инструмент Объект в точку

    Вы получили класс точечных объектов – центроидов каждого выявленного полигона. Если приблизиться к различным местоположениям и применить инструмент Измерить, можно увидеть, что средний радиус пальмовых деревьев составляет приблизительно 3 метра.

  2. На панели Геообработка найдите и откройте инструмент Буфер.
  3. Укажите следующие параметры и щелкните Запустить:

    • Для Входные объекты выберите CoconutTrees_Points.
    • Для Выходной класс объектов выберите PalmTreesBuffer.
    • Для Расстояние выберите 3 метра (проверьте, что значение задано в Линейных единицах).

    Вы получили класс полигональных объектов, изображающий местоположение и общую форму верхушек каждой пальмы.

  4. На панели Содержание выключите слои VARI, CoconutTrees и CoconutTrees_Points.

    Буфер для пальмовых деревьев

    Далее вы извлечете среднее значение VARI для каждого полигона.

  5. На панели Геообработка найдите и откройте инструмент Зональная статистика в таблицу.
  6. В инструменте Зональная статистика в таблицу введите следующие параметры и щелкните Запустить:

    • Для Входные векторные или растровые данные зон выберите PalmTreesBuffer.
    • Для Поле зоны выберите ORIG_FID.
    • Для Входной растр значений выберите VARI.
    • Для Выходная таблица введите MeanVARI_per_Palm.
    • Включите опцию Игнорировать значение NoData при вычислениях.
    • Для Тип статистики выберите Среднее.

    Указание для Поля зоны ORIG_FID обеспечит получение статистики для каждого отдельного дерева. Этот атрибут является уникальным идентификатором из исходного слоя CoconutTrees .

    Параметры инструмента Зональная статистика в таблицу

    Внизу панели Содержание добавится выходная таблица. Если ее открыть, вы увидите исходное значение FID и столбец с названием MEAN, содержащий среднее значение VARI. Вы присоедините эту таблицу к слою PalmTreesBuffer, чтобы получить класс объектов и со значением Confidence, и средним VARI, для каждого выявленного дерева.

  7. На панели Геообработка найдите и откройте инструмент Соединение полей.
  8. В инструменте Соединение полей введите следующие параметры и щелкните Запустить:

    • Для Входная таблица выберите PalmTreesBuffer.
    • Для Входное поле соединения выберите ORIG_FID.
    • Для Соединяемая таблица выберите MeanVARI_per_Palm.
    • Для Выходное поле соединения выберите ORIG_FID.
    • Для Соединяемые поля выберите MEAN.

    Слой PalmTreesBuffer теперь получил присоединенное поле с именем MEAN. Вы переименуете его и присвоите символы, чтобы данные стали понятны.

  9. На панели Содержание дважды щелкните PalmTreesBuffer и переименуйте его в PalmTreesVARI.
  10. На ленте во вкладке Оформление в группе Отображение щелкните Символы.
  11. Под Основные символы выберите Градуированные цвета.

    Символы градуированных цветов

  12. Для Поля выберите MEAN.
  13. Если необходимо, для Метод выберите Естественные границы и задайте4 для Классы.
  14. Для Цветовой схемы щелкните ниспадающее меню, отметьте Показать все и Показать названия. Прокрутите выберите схему Красно-желто-зеленый (4 класса).

    Схема Красно-желто-зеленый

  15. В Классах щелкните каждую подпись и переименуйте классы сверху вниз следующим образом: Необходима инспекция, Ухудшение здоровья, Среднее и Здорово.

    Подпись категорий

    Теперь вы получили карту с классами объектов, показывающую местоположение, здоровье и достоверность модели для каждого пальмового дерева на снимке.

    Состояние здоровья деревьев на снимке

  16. Сохраните проект.

Дополнительное задание: Назначение полевых задач и мониторинг процесса выполнения проекта

Одним из преимуществ использования ArcGIS Pro для извлечения объектов и анализа снимков является то, что его можно интегрировать со всей платформой ArcGIS. На последнем уроке вы использовали инструменты глубокого обучения в ArcGIS Pro для идентификации кокосовых пальм на снимке. Пальмовые деревья можно сохранить как объекты в классе объектов, который подходит для использования в ГИС GIS. Для продолжения рабочего процесса можно опубликовать результаты в облаке, настроить шаблон веб-приложения для проведения контроля качества, назначить задачи по инспекции деревьев полевым рабочим и отслеживать выполнение при помощи операционная панели.

Публикация на ArcGIS Online

Для того, чтобы использовать настраиваемые приложения с вашими данными, необходимо опубликовать данные о пальмах как сервис объектов в ArcGIS Online или ArcGIS Enterprise. В ArcGIS Pro щелкните правой кнопкой слой PalmTreesVARI на панели Содержание и выберите Общий доступ, а затем – Опубликовать как веб-слой. Он будет опубликован в вашей учетной записи ArcGIS Online.

Более подробно о публикации сервиса объектов.

Использование шаблонов приложений для просмотра точности глубокого обучения

Инструменты глубокого обучения предоставляют результаты с точностью, пропорциональной точности обучающих выборок и качеству обученной модели. Другими словами, результаты не всегда совершенны. Вы можете оценить качество результатов модели, проверив ее через деревья, где величина Confidence, сохраненная в результатах глубокого обучения, меньше заданного значения. Вместо того, чтобы приближаться к каждой записи при помощи фильтра атрибутов в ArcGIS Pro, настраиваемый шаблон веб-приложения Image Visit позволит быстро просмотреть точность результатов в веб-приложении.

Более подробно о приложении Image Visit.

Применение Workforce for ArcGIS для выполнения полевой проверки

Workforce for ArcGIS – мобильное приложение, которое использует местоположения объектов для координирования работы полевых сотрудников. Можно использовать приложение Workforce для назначения задач участникам вашей организации, чтобы все деревья со значением VARI, указанным как Необходима инспекция, были назначены кому-либо из полевых работников, проверены и отмечены предлагаемым лечением.

Более подробно о Workforce for ArcGIS.

Применение Operations Dashboard для мониторинга выполнения работ

Наконец, вы можете отслеживать ход выполнения заданий, отправленных в вашем проекте Workforce for ArcGIS с помощью Operations Dashboard for ArcGIS. Operations Dashboard for ArcGIS – настраиваемое веб-приложение, которое предоставляет визуализацию и аналитику для оперативного просмотра людей, служб и задач в реальном времени.

Более подробно о начале работы с Operations Dashboard.

На этом уроке вы получили снимки с БПЛА из открытого источника данных и создали на снимке обучающие выборки пальмовых деревьев. Эти кусочки изображений были переданы специалисту по изучению и анализу данных и применены для обучения модели глубокого обучения для извлечения примерно 11 000 пальм на снимке.

Вы узнали о глубоком обучении и анализе изображений, а также о настраиваемых приложениях на платформе ArcGIS. Если у вас имеется снимок и знания о моделях глубокого обучения, этот рабочий процесс можно применять для множества задач. Например, эти инструменты можно применять для изучения результатов повреждения сооружений при природных катастрофах, количестве транспорта в городских территориях или поиска антропогенных сооружений рядом с зонами геологического риска.

You can find more lessons in the Learn ArcGIS Lesson Gallery.