Rastrų analizė leidžia analizuoti didelius rastro duomenų rinkinius, naudojantis ArcGIS Image Server. Pasinaudojant serverio galimybėmis, galima greičiau išanalizuoti daugiau duomenų. Portal for ArcGIS internetinės paskyros vartotojui šiuo metu prieinami šie įrankių rinkiniai: Sumuoti duomenis, Analizuoti dėsningumus, Naudoti gretimybes, Analizuoti vaizdą, Analizuoti reljefą, Valdyti duomenis ir Gilusis mokymasis.
Šiame rinkinyje yra įrankis, skirtas į jūsų nurodyto ploto ribas patenkančio rastro sluoksnio statistikai skaičiuoti.
Sumuoti rastrą viduje |
apskaičiuoja į nurodytus plotus patenkančių rastro gardelių kai kuriuos suvestinius statistikos rodiklius.
Keli pritaikymo pavyzdžiai:
Šie įrankiai leidžia nustatyti, įvertinti ir atvaizduoti erdvinius duomenų dėsningumus.
Skaičiuoti tankį |
Tankio analizė paima žinomus reiškinių kiekius ir sukuria tankio žemėlapį, kuriame atvaizduojamas kiekybinių reikšmių paplitimas. Šį įrankį galite naudoti, pavyzdžiui, žaibo smūgių ar tornadų koncentracijos parodymui arba prieigos prie sveikatos apsaugos infrastruktūros ir gyventojų tankio parodymui.
Interpoliuoti taškus |
Šis įrankis leidžia prognozuoti reikšmes naujose vietose, remiantis esamais taškų rinkinio matavimais. Įrankis surenka taškų duomenis su reikšmėmis kiekviename taške ir pateikia plotus, klasifikuotus pagal prognozuotas reikšmes. Šį įrankį galite naudoti, pavyzdžiui, kritulių lygiui baseine prognozuoti, atsižvelgiant į atskirų kritulių matuoklių matavimus.
Šie įrankiai leidžia atsakyti į vieną dažniausių erdvinės analizės klausimų: kas yra greta ko?
Skaičiuoti atstumą |
Skaičiuoja Euklido atstumą, kryptį ir priskyrimą iš vieno šaltinio arba šaltinių rinkinio. Šį įrankį galite naudoti, kad apskaičiuotumėte, kaip toli nuo tam tikros vietovės yra kelias, pastatas arba parkas. Taip pat galite nustatyti, kokia kryptimi turite keliauti nuo vietovės, kad tiesiausiu keliu grįžtumėte prie pradinio taško. Savo analizuojamoje teritorijoje galite kiekvienai padėčiai rasti artimiausią pradinį tašką.
Nustatyti optimalių kelionės sąnaudų tinklą |
Skaičiuoja optimalių sąnaudų tinklą iš įvesties regionų rinkinio.
Nustatyti kelionės sąnaudų maršrutą kaip poliliniją |
Skaičiuoja mažiausių sąnaudų polilinijų maršrutą tarp pradinių taškų ir žinomų tikslinių vietų.
Toliau aprašytas įrankis padeda analizuoti vaizdus.
Taikyti rastrų funkcijos šabloną |
Apdoroja jūsų vaizdus naudodamas funkcijų seką, kaip nurodo rastrų funkcijos šablonas.
Stebėti augmeniją |
Atliekami aritmetiniai veiksmai daugiakanalio rastrinio sluoksnio kanaluose, kad būtų galima gauti informaciją apie tiriamo ploto padengimą augmenija.
Šie įrankiai padeda analizuoti paviršiaus duomenis.
Apskaičiuoti nuolydį |
Identifikuojamas paviršius, kuriame rodomas nuolydis pagal įvestus aukščių duomenis. Nuolydis apskaičiuojamas kaip kiekvieno skaitmeninio aukščių modelio (DEM) taško aukščio pokytis.
Nustatyti padėtį |
Identifikuojama didžiausio nuolydžio pokyčio reikšmės kryptis iš kiekvienos gardelės link jos gretimų gardelių. Padėtis gali būti laikoma nuolydžio kryptimi.
Kurti matymo lauką |
Rastro paviršiuje nustatomos vietos, kurios matomos tam tikriems stebėtojams.
Baseinas |
Nustato priklausantį plotą virš gardelių rinkinio rastre.
Šie bendro pobūdžio įrankiai skirti geografinių duomenų valdymui ir jų paruošimui analizei.
Išgauti rastrą |
Išgauti gardelę iš rastro pagal reikšmę, formą ar skirtingų duomenų rinkinių apimtį.
Iš naujo susieti reikšmes |
Pakeisti atskirų gardelių ar jų intervalų reikšmes naujomis reikšmėmis.
Konvertuoti elementus į rastrą |
Sukurti naują rastrinių duomenų rinkinį iš esamo elementų duomenų rinkinio.
Konvertuoti rastrą į elementus |
Sukurti naują elementų duomenų rinkinį iš esamo rastrinio duomenų rinkinio.
Šie įrankiai naudojami aptikti tam tikrus vaizdo elementus arba klasifikuoti rastrinio duomenų rinkinio pikselius. Gilusis mokymasis yra dirbtinio intelekto mašininio mokymosi metodas, kuris aptinka elementus vaizduose naudodamas kelis neuroninių tinklų sluoksnius, iš kurių kiekvienas gali gauti vieną ar daugiau unikalių vaizdo elementų. Tokie įrankiai naudoja modelius, kurie jau apmokyti aptikti tam tikrus elementus trečiųjų šalių giliojo mokymosi sistemose, pavyzdžiui, TensorFlow, CNTK ir Keras, ir išvesties elementuose arba klasių žemėlapiuose.
Klasifikuoti pikselius naudojant gilųjį mokymąsi |
Įvesties rastrui paleidžia apmokytą giliojo mokymosi modelį, kad sukurtų klasifikuotą rastrą, ir kiekvienam tinkamam pikseliui priskiriama klasės žymė.
Aptikti objektus naudojant gilųjį mokymąsi |
Įvesties rastrui naudoja apmokytą giliojo mokymosi modelį, kad sukurtų elementų klasę, kurioje yra įrankio rasti objektai. Elementai gali būti apriboti plotai arba poligonai aplink rastus objektus, arba taškai objektų centruose.