Применение глубокого обучения для оценки здоровья пальм

Кокосы и кокосовые продукты являются важным товаром в экономике Тонги. На плантациях, таких, как около города Коловаи, растут тысячи пальм. Инвентаризация каждого из этих деревьев требует много времени и ресурсов. Альтернатива – можно исследовать состояние здоровья и местоположение деревьев при помощи дистанционного зондирования и глубокого обучения. В этом учебном пособии вы примените инструменты глубокого обучения в ArcGIS Pro для создания обучающих выборок и запустите модель глубокого обучения для идентификации деревьев на плантации. Затем вы оцените здоровье деревьев при помощи вычисления Индекса устойчивости к видимой атмосфере (VARI), чтобы определить, какие деревья нуждаются в осмотре или обслуживании.

Последний раз это руководство тестировалось 28 апреля 2023 года с помощью ArcGIS Pro 3.1. Если у вас другая версия ArcGIS Pro, результат и функциональность могут отличаться.

Требования

• ArcGIS Pro (см. варианты доступа к программному обеспечению)
• ArcGIS Image Analyst
• Библиотеки глубокого обучения для ArcGIS Pro.
• Рекомендуется: графический процессор NVIDIA с минимум 8 ГБ выделенной памяти.
• Дополнительные инструкции см. в учебном пособии Подготовка к глубокому обучению в ArcGIS Pro.
• Дополнительно: роль администратора или издателя в организации ArcGIS

Создание обучающих примеров

Для инвентаризации и оценки здоровья каждой пальмы на плантации Коловай, 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 и размеры деревьев.

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.

Загрузка снимков

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 поле поиска введите Kolovai и нажмите Enter. В списке результатов щелкните Kolovai.

   Карта приблизится к Коловаи. 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 поле сетки прямо над Коловаи.

   

5. На боковой панели щелкните Kolovai UAV4R Subset (OSM-Fit) by Cristiano Giovando.

   

6. Щелкните кнопку скачивания, чтобы загрузить необработанный файл .tif. Сохраните изображение в выбранном вами месте.

   

   Из-за размера файла загрузка может занять несколько минут.

   Имя файла по умолчанию 5b1b6fb2-5024-4681-a175-9b667174f48c.

Изучение данных

Чтобы начать процесс классификации, вы загрузите проект ArcGIS Pro, содержащий несколько закладок, которые помогут вам в процессе создания обучающих выборок.

1. Скачайте файл Palm_Tree_Detection .zip и распакуйте его содержимое на свой компьютер.

   Из-за размера файла загрузка может занять несколько минут.

2. При необходимости, откройте извлеченную папку Palm_Tree_Detection. Откройте папку Kolovai. Дважды щелкните файл проекта ArcGIS Kolovai.

   Если будет предложено, войдите под учетной записью ArcGIS Online или ArcGIS Enterprise.

   Примечание:

   Если у вас нет учетной записи организации, см. варианты доступа к программному обеспечению.

   Проект открывается с пустой картой; вы добавите изображения, которые вы скачали.

3. На ленте, на вкладке Карта в группе Слой щелкните Добавить данные.

   

   Откроется окно Добавить данные.

4. В окне Добавить данные в разделе Компьютер найдите снимок Коловаи (напомним, что файл называется 5b1b6fb2-5024-4681-a175-9b667174f48c, скачанный с OpenAerialMap. Выберите файл .tif и нажмите OK.

   Примечание:

   Если появится окно Вычислить статистику, нажмите Да.

   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.

5. На панели Содержание дважды щелкните текущее имя слоя и введите Imagery. Нажмите Enter.

   

6. 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 выборку пальм, чтобы обучить вашу модель.

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.

Примечание:

Создание обучающего набора данных влечет за собой оцифровку сотен объектов и может занять много времени. Если вы не хотите создавать обучающие выборки, набор данных предоставлен в базе геоданных Results в папке Provided Results. Вы можете перейти к разделу Создание кусочков изображений.

1. На панели Содержание убедитесь, что слой Imagery выбран.
2. На ленте щелкните вкладку Изображения. В группе Классификация изображений щелкните Инструменты классификации и выберите Отметить объекты для глубокого обучения

   

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

3. На панели Классификация изображений щелкните правой кнопкой Новая схема и выберите Редактировать свойства.

   

4. Для Имени введите Кокосовые пальмы.

   

5. Щелкните Сохранить.

   Схема переименована на панели Классификации изображений. Теперь вы можете добавить в нее классы.

6. Правой кнопкой мыши щелкните Кокосовые пальмы и выберите Добавить новый класс.

   

   Откроется панель Добавить новый класс. Вы установите некоторые параметры для вашего класса, который будет обучать модель.

7. Для Имени введите Пальма.

   

   Далее идет значение или код, используемый компьютером при обучении модели. Пальмам будет присвоено значение 1.

8. Для Значения введите 1.

   

   Наконец, вы выберете цвет, используемый при идентификации объектов. Выбранный цвет является произвольным, но, поскольку вы оцифровываете объекты на снимках, которые в основном зеленые, желтый хорошо виден.

9. Для Цвета выберите ярко-желтый, например Солнечно-желтый.

   Подсказка:

   Чтобы увидеть название цвета, наведите указатель мыши на квадрат цвета.

   

10. Нажмите OK.

    

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

Создание обучающих примеров

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 Закладки и выберите Training Location 1.

   

   Карта приближается к первой области образцов пальм, которую вы идентифицируете.

2. На панели Классификации изображений выберите класс Пальма и щелкните 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.

   

   Новая запись пальм добавлена в группу Отмеченные объекты на панели Классификации изображений. 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.

   Примечание:

   Если вам нужны дополнительные рекомендации, которые помогут вам понять, как рисовать эти круги, или если вы хотите пропустить оцифровку деревьев, то набор данных для обучения доступен в папке, которую вы скачали. На ленте, на вкладке Карта в группе Слой щелкните Добавить данные. Перейдите к папке Databases, и дважды щелкните базу геоданных Results. Щелкните PalmTraining и ОК.

   По окончании с экстентом первой закладки у вас получится около 180 примеров, записанных на панели Менеджер обучающих выборок.

   

   Вот несколько деталей, которые помогут вам определить деревья:

   • Вы можете масштабировать и перемещать карту, чтобы облегчить оцифровку, но не забудьте оцифровать как можно больше деревьев в пределах экстента закладки.
   • Если вы не уверены в точном расположении дерева, его можно пропустить. Вы должны быть уверены, что вы создаете точные обучающие выборки.
   • Это нормально, если круги, которые вы рисуете, перекрываются.
   • Ваша окончательная модель будет учитывать размер деревьев, которые вы идентифицируете, поэтому обязательно отметьте как маленькие, так и большие пальмы.

5. Создайте обучающие выборки для каждой пальмы на каждой из шести оставшихся закладок Training Location.

   

   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.

   Например, обучающий набор данных, используемый для обучения модели, представленной в этом уроке, содержал более 600 образцов.

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

   

7. В окне Сохранить текущие обучающие выборки в разделе Проект щелкните Базы данных и дважды щелкните на базе геоданных проекта по умолчанию Kolovai.gdb.
8. Назовите класс объектов PalmTraining и щелкните Сохранить.
9. Закройте панель Классификация изображений. Если появится окно Надписать объекты, нажмите Да.

   Хотя вы сохранили обучающие образцы в базе геоданных, вам необходимо обновить базу геоданных, чтобы получить доступ к этому набору данных.

10. Щелкните вкладку Вид на ленте. В группе Окна щелкните Панель Каталог.

    

    Появится панель Каталог.

11. Разверните Базы данных. Щелкните правой кнопкой Kolovai и выберите Обновить.

    Теперь класс объектов PalmTraining видимый.

    

12. На Панели быстрого доступа щелкните Сохранить.

    

Создание кусочков изображения

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

1. В верхней части окна приложения ArcGIS Pro в Поиске команд, введите Экспорт обучающих данных для глубокого обучения. Щелкните Экспорт обучающих данных для глубокого обучения.

   

   Откроется панель Геообработка.

   Вы установите параметры для создания кусочков изображения. Сначала вы выберете изображения, которые будут использоваться для обучения.

2. Для Входного растра выберите Imagery.

   

   Затем вы создадите папку для хранения кусочков изображения.

3. Для Выходной папки введите imagechips.

   

   Далее вы выберете класс пространственных объектов, содержащий созданные вами обучающие выборки.

4. Для параметра Входной класс объектов или Классифицированный растр, или Таблица найдите базу геоданных Kolovai. Щелкните PalmTraining и ОК.

   

   Примечание:

   Если вы не рисовали обучающие выборки, вам предоставляется набор данных. Перейдите к Databases, и откройте базу геоданных Results. Выберите PalmTraining и щелкните ОК.

   Затем вы выберете поле из ваших обучающих данных, которое содержит значение класса для каждого нарисованного вами объекта. Напомним, что у класса пальм значение 1.

5. Для Поля значений класса выберите Classvalue.

   

   Далее вы выберете выходной формат для ваших кусочков. Выбранный формат зависит от типа модели глубокого обучения, которую вы хотите обучить.

6. Для Формата изображения выберите Формат JPEG.

   

   Далее вы установите размер в пикселях для каждого из ваших кусочков изображения. Размер чипа изображения определяется размером объектов, которые вы пытаетесь обнаружить. Если объект больше размера листа по осям x и y, ваша модель не даст хороших результатов.

7. Для Размера листа по X и Размера листа по Y введите 448.

   

   Теперь вы убедитесь, что формат вывода правильный. Это также зависит от типа модели глубокого обучения, которую вы создаете.

8. Для Формата метаданных убедитесь, что выбраны Виртуальные объектные классы PASCAL.

   

   Прежде чем запускать инструмент и создавать кусочки изображения, вы зададите параметры среды инструмента. В частности, вам нужно знать разрешение изображения. Лучше всего создавать кусочки изображений с тем же разрешением, что и исходное изображение.

9. Выберите вкладку Параметры среды.

   

10. В разделе Анализ растра для Размер ячейки выберите Такое же, как у слоя изображений.

    

11. Щелкните Запустить.

    В зависимости от аппаратного обеспечения вашего компьютера работа инструмента займет несколько минут.

    Кусочки изображений созданы и готовы к использованию для обучения модели глубокого обучения.

12. Сохраните проект.

В этом модуле 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 создадите модель глубокого обучения и определите все деревья на плантации.

Выявление пальмовых деревьев при помощи модели глубокого обучения

Прежде чем вы сможете начать обнаруживать пальмы, вам необходимо обучить модель. При обучении модели берутся данные обучающей выборки и повторно передаются через нейронную сеть. Этот ресурсоемкий процесс будет обрабатываться инструментом геообработки, но именно так модель узнает, что является пальмой, а что нет. Получив модель, вы примените ее к изображениям, чтобы автоматически идентифицировать деревья.

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. Вы будете использовать эти обучающие образцы для обучения модели глубокого обучения single-shot detector (SSD).

В зависимости от аппаратного обеспечения вашего компьютера обучение модели может занять более часа. Рекомендуется использовать компьютер с подходящим графическим процессором (GPU). Если вы не хотите тренировать модель, то готовая модель глубокого обучения уже есть в папке Provided Results. При желании вы можете сразу перейти к разделу этого урока, посвященному обнаружению пальм.

1. На ленте в Поиске команд введите Тренировка модели глубокого обучения. Выберите Тренировать модель глубокого обучения.

   Откроется панель Геообработка.

   Во-первых, вы настроите инструмент на использование обучающих образцов.

2. На панели Геообработка для Входных обучающих данных, перейдите к папке проекта Kolovai. Выберите папку imagechips и щелкните OK.

   

   Загрузка папки может занять несколько секунд.

   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.

   Затем вы создадите папку для хранения модели.

3. Для Выходной модели введите classify_palms.

   

   Далее вы установите количество эпох, в течение которых будет работать ваша модель. 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.

4. Для Максимальное число периодов времени введите 50.

   

   Затем вы убедитесь, что обучаете правильный тип модели для обнаружения объектов на изображениях. 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.

5. Разверните Параметры модели и убедитесь, что Тип модели установлен на Single Shot Detector (выявление объектов).

   

   Далее вы зададите размер пакета. Этот параметр определяет собой число обучающих примеров, которые обучаются одновременно.

6. Для Размера пакета введите 8.

   

   Затем вы убедитесь, что модель работает для всех 100 эпох.

7. Разверните Дополнительно и снимите отметку Завершить, когда модель перестанет улучшаться.

   

8. Примите остальные параметры по умолчанию.

   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.

   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.

9. Дополнительно, если на вашем компьютере есть GPU, щелкните вкладку Параметры среды. В разделе Тип процессора в Тип процессора выберите GPU.

   

10. Щелкните Запустить.

    Примечание:

    Работа этого инструмента может занять более часа.

    Если модель не запускается, может помочь уменьшение параметра Размер пакета. Вы можете задать для этого параметра 4 или 2, а затем запустить инструмент повторно. Однако это может снизить качество результатов вашей обученной модели.

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.

Примечание:

Если вы не обучали модель в предыдущем разделе, то в папке Provided Results вы найдете уже готовый пакет для глубокого обучения.

Классификация объектов - это процесс, интенсивно потребляющий ресурсы компьютера, он может занять достаточно продолжительное время, которое зависит от вашего аппаратного обеспечения. Если вы решите не обнаруживать пальмы, результаты уже предоставлены, и вы можете сразу перейти к разделу Уточнить обнаруженные объекты.

1. На ленте щелкните вкладку Карта. В группе Навигация щелкните Закладки. Выберите Область обнаружения.
2. На ленте в Поиске команд, введите Обнаружение объектов с использованием глубокого обучения. Выберите Выявить объекты при помощи глубокого обучения.

   Во-первых, вы установите изображения, на которых вы хотите обнаружить объекты.

3. В инструменте Выявить объекты при помощи глубокого обучения для Входного растра выберите Изображения.

   

   Далее вы назовете класс объектов обнаруженных объектов.

4. Для Выходные выявленные объекты введите DetectedPalms.

   

   Далее вы выберете созданную вами модель для обнаружения пальм.

5. Для Определение модели перейдите к папке classify_palms. Щелкните файл пакета модели глубокого обучения classify_palms.dlpk. Нажмите OK.

   Примечание:

   Если вы не обучали модель глубокого обучения, то перейдите к папке проекта. Откройте Provided Results. Откройте classify_palms. Щелкните файл пакета модели глубокого обучения classify_palms.dlpk. Нажмите OK.

   

   Далее вы установите некоторые аргументы модели. Аргументы используются для настройки работы модели для получения оптимальных результатов.

   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. Параметр padding добавляет к внешним краям изображения дополнительную границу из пикселов. Это сокращает потерю информации из корректных пикселов на краях и сокращений. Вы оставите эту настройку.

   

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

6. В threshold введите 0.2.

   

   После этого вы зададите аргумент nms_overlap. Он контролирует степень пересечения каждого объекта. Меньшее число для этого аргумента будет указывать, что объекты не могут перекрываться, чтобы считаться отдельными элементами.

7. В nms_overlap оставьте значение по умолчанию 0.1.

   

   Далее вы зададите размер пакета.

8. В batch_size введите 8.

   

   Перед запуском инструмента вы зададите некоторые параметры среды.

9. Выберите вкладку Параметры среды.

   Затем вы зададите экстент обработки. Этот параметр заставляет инструмент обрабатывать только изображения, попадающие в текущий экстент карты. Поскольку процесс обнаружения объектов требует значительных аппаратных средств, лучше всего запустить инструмент на небольшой площади, чтобы проверить параметры, прежде чем запускать его на полном наборе данных изображений.

10. В разделе Экстент обработки задайте Экстент как Текущий экстент отображения.

    

    После выбора Текущего экстента отображения будут показаны координаты ограничивающей рамки географического экстента.

11. В разделе Анализ растра для Размер ячейки выберите Такой же, как у слоя изображений.
12. Дополнительно, если в вашем компьютере установлен GPU, в разделе Тип процессора для Тип процессора выберите GPU.
13. Щелкните Запустить.

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

    Посмотрите свои результаты. Вы можете попробовать поэкспериментировать с аргументами, чтобы увидеть, как это повлияет на ваши результаты.

    Если у вас есть аргументы, дающие хорошие результаты, вы обнаружите пальмы на всем изображении.

14. На вкладке Параметры среды для Экстента обработки выберите По умолчанию.
15. Щелкните Запустить.

    Поскольку инструмент работает с полным набором данных изображений, время обработки может увеличиваться в зависимости от аппаратного обеспечения вашего компьютера.

    Примечание:

    Если вы не запустите модель для обнаружения пальм, то вам будет предоставлен набор данных о пальмах. Чтобы добавить класс объектов DetectedPalms на карту, на ленте на вкладке Карта в группе Слой щелкните Добавить данные. Перейдите к папке Kolovai, а затем к Provided Results, откройте базу геоданных Results и дважды щелкните класс объектов DetectedPalms.

    Когда инструмент завершит работу, посмотрите свои результаты. Цвет ваших окончательных результатов может отличаться от предоставленного изображения.

    

    Вы заметите, что некоторые из ваших пальм имеют перекрывающиеся объекты. Это означает, что многие деревья были идентифицированы несколько раз, что приводит к ошибочному подсчету общего количества деревьев. После того, как вы измените символы, чтобы прояснить эту проблему, вы удалите эти перекрывающиеся объекты с помощью инструмента геообработки.

    

16. На панели Содержание дважды щелкните символ слоя DetectedPalms.

    

    Появится панель Символы.

17. Перейдите на вкладку Свойства.

    

18. Для Оформления установите следующее:

    • В опции Цвет установите Нет цвета.
    • Для Цвет контура выберите Solar Yellow.
    • Для Ширины контура введите 1,5.

    

19. Щелкните Применить.

    Теперь, когда символы были изменены, снова посмотрите на свои результаты.

    

    Далее вы удалите повторяющиеся полигоны.

20. Сохраните проект.

Уточнение обнаруженных объектов

Обеспечение точного подсчета пальм очень важно. Многие деревья были подсчитаны несколько раз, для решения этой проблемы вы будете использовать инструмент Не максимальное подавление. Однако вы должны быть осторожны; кроны пальм могут перекрываться. Таким образом, вы удалите объекты, которые явно дублируют одно и то же дерево, при этом гарантируя, что отдельные деревья с некоторым перекрытием не будут удалены.

1. На ленте в поле Поиск команд введите Не максимальное подавление. Выберите Не максимальное подавление.

   Сначала вы выберете слой пальм, созданный моделью.

2. Для Входного класса объектов выберите DetectedPalms.

   

   Примечание:

   Если вы пропустили предыдущий раздел, вам предоставляется набор данных о пальмах. Чтобы добавить класс объектов DetectedPalms на карту, на ленте на вкладке Карта в группе Слой щелкните Добавить данные. Перейдите к папке Kolovai, а затем к Provided Results, откройте базу геоданных Results и дважды щелкните класс объектов DetectedPalms.

   Каждая пальма в этом наборе данных имеет показатель достоверности, показывающий, насколько точно модель идентифицировала каждый объект. Вы введете это поле в инструмент.

3. Для Поля балла достоверности выберите Confidence.

   

   Каждый обнаруженный объект также был отмечен соответствующим классом. Напомним, что у этой модели был один класс, Palm. Это было записано, когда вы использовали модель.

4. Для Поля значений класса выберите Class.

   

5. Для Типа выходного класса пространственных объектов введите DetectedPalms_NMS.

   

   Коэффициент максимального перекрытия определяет, сколько перекрытий может быть между двумя объектами, прежде чем они будут считаться одним и тем же объектом. Более высокое значение указывает на то, что между двумя объектами может быть большее перекрытие. Объект с меньшей достоверностью удаляется. Вы настроите инструмент на удаление всех деревьев с перекрытием более 50 процентов.

6. Для Коэффициента максимального перекрытия введите 0.5.

   

7. Щелкните Запустить.

   Новый слой добавится на панель Содержание. Он имеет те же символы, что и слой DetectedPalms.

8. На панели Содержание выключите слой Detected Palms.

   Вы увидите, что в новом слое меньше деревьев с перекрытием.

   Вы можете повторно запускать инструмент по мере необходимости с другими значениями Коэффициента максимального перекрытия для достижения оптимальных результатов.

9. Удалить слой DetectedPalms из карты.
10. На панели Содержание дважды щелкните DetectedPalms_NMS и переименуйте его в Detected Palm Trees.

    

11. Выключите слой Detected Palm Trees.
12. Сохраните проект.

Вы только что обучили и использовали модель для обнаружения пальм. Далее вы примените растровые функции для получения оценки состояния здоровья для каждого обнаруженного дерева в изучаемой области.

Примечание:

Важно понимать, что результаты вашей модели могут быть не идеальными в первый раз. Обучение и внедрение модели глубокого обучения — это процесс, который может занять несколько итераций, чтобы обеспечить наилучшие результаты. Лучших результатов можно добиться, выполняя следующие действия:

• Увеличение исходного размера выборки объектов
• Обеспечение того, чтобы ваши обучающие выборки точно отображали объекты, которые вы хотите обнаружить
• Убедитесь, что ваши обучающие образцы включают объекты разных размеров
• Настройка параметров инструментов геообработки
• Повторное обучение существующей модели с использованием расширенных параметров инструмента Тренировать модель глубокого обучения

Оценка здоровья растительности

В предыдущем модуле вы использовали модель глубокого обучения для извлечения пальмовых деревьев со снимка. В этом модуле 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 R_r, R_g и R_b – 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). Однако снимки, 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 снимка OpenAerialMap. 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. На ленте щелкните вкладку Изображения. В группе Анализ щелкните Функции растра.

   

   Появится панель Функции растра.

2. На панели Растровые функции найдите и выберите растровую функцию Арифметика каналов.

   

3. В Свойствах Арифметики каналов задайте следующие параметры:

   • Для Растр выберите растровый слой Imagery.
   • Для Метод выберите VARI. В функции для формулы требуется указать номер индекса 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.

   

4. Щелкните Создать новый слой.

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

   

5. На панели Содержание убедитесь, выбран слой Арифметики каналов_Imagery.

   Далее вы измените способ отображения растра на карте, чтобы сделать символы VARI более понятными.

6. Щелкните на ленте вкладку Растровый слой.
7. В группе Отображение раскройте ниспадающее меню Тип растяжки и выберите Средне-квадратичное отклонение.

   

8. На панели Содержание переименуйте слой Арифметики каналов_Imagery 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 точки.

1. На ленте в Поиске команд введите Объект в точку. Выберите Объект в точку.
2. В инструменте Объект в точку введите следующие параметры:

   • В качестве Входных объектов выберите слой Detected Palm Trees.
   • Для Выходного класса объектов введите PalmTree_Points

   

3. Щелкните Запустить.

   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. На следующем шаге вы создадите полигональный слой с 3-метровым буфером вокруг каждой точки.

   Примечание:

   Инструмент Измерить находится на ленте dj вкладке Карта в группе Запрос.

4. На ленте в Поиске команды введите Попарный буфер. Выберите Попарный буфер.
5. В инструменте Попарный буфер введите следующие параметры:

   • Для Входных объектов выберите PalmTree_Points.
   • Для Выходного класса объектов введите PalmTreeBuffer.
   • В Расстояние введите 3 и выберите Метры.

   

6. Щелкните Запустить.

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

7. На панели Содержание выключите слои VARI b PalmTree_Points.

   На карте показаны предполагаемые кроны пальм со снимка.

   

   Далее вы извлечете среднее значение VARI для каждого полигона. Инструмент Зональная статистика в таблицу просматривает каждый созданный вами полигон по одному, находит все пиксели VARI, попадающие в полигон, и вычисляет среднее значение VARI для этого полигона.

8. На ленте в Поиске команды введите Зональная статистика в таблицу. Выберите Зональная статистика в таблицу.
9. В инструменте Зональная статистика в таблицу задайте следующие параметры:

   • Для Входные векторные или растровые данные зон выберите PalmTreeBuffer.
   • Для Поле зоны выберите ORIG_FID.
   • Для Входной растр значений выберите VARI.
   • Для Выходная таблица введите MeanVARI_per_Palm.
   • Убедитесь, что отмечено 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 DetectPalms.

   

10. Щелкните Запустить.

    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 PalmTreeBuffer, чтобы получить класс объектов со значением среднее VARI, для каждого выявленного дерева.

11. На ленте в Поиске команды введите Соединение полей. Выберите Соединение полей.
12. В инструменте Соединение полей введите следующие параметры:

    • Для Входной таблицы выберите PalmTreeBuffer.
    • Для Входное поле соединения выберите ORIG_FID.
    • Для Соединяемая таблица выберите MeanVARI_per_Palm.
    • Для Поля соединяемой таблицы выберите ORIG_FID.
    • В опции Перенос полей выберите MEAN.

    

13. Щелкните Запустить.

    Слой PalmTreeBuffer теперь получил присоединенное поле с именем MEAN. Вы переименуете этот слой и присвоите ему символы, чтобы данные стали понятны.

14. На панели Содержание переименуйте слой PalmTreeBuffer в Palm Trees VARI.

    

15. На панели Содержание убедитесь, что выбран Palm Trees VARI. На ленте на вкладке Векторный слой в группе Отображение выберите Символы.

    

    Появится панель Символы.

16. Под Основные символы выберите Градуированные цвета.

    

17. Для Поля выберите MEAN.

    

18. Если необходимо, для Метод выберите Естественные границы и задайте4 для Классы.

    

19. Для Цветовой схемы щелкните ниспадающее меню, отметьте Показать все и Показать названия. Прокрутите выберите схему Красно-желто-зеленый (4 класса).

    

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

    

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

    

21. Сохраните проект.

Дополнительно: 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 ArcGIS Workforce для выполнения полевой проверки

ArcGIS Workforce – 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 об ArcGIS Workforce

Применение ArcGIS Dashboards для мониторинга выполнения работ

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

Более подробно о начале работы с ArcGIS Dashboards

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 более 11 000 пальм на снимке.

Вы узнали о глубоком обучении и анализе изображений, а также о настраиваемых приложениях в системе 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 сооружений рядом с зонами геологического риска.

Вы можете найти больше учебных пособий в галерее учебных пособий.

Авторские права третьих лиц

• Снимки для этого учебного пособия были загружены из хранилища OpenAerialMap.
• Изображение обучающей карты предоставлено Хансом Эйсконеном на Unsplash.