Rastra analīze ļauj veikt lielu rastra datu kopu analīzi, izmantojot ArcGIS Image Server. Tādējādi varat ātrāk analizēt lielāku datu apjomu, izmantojot servera jaudu. Rīku kopas, kas pašlaik ir pieejamas, izmantojot Portal for ArcGIS tīmekļa lietotāju pieredzi, ir Apkopot datus, Analizēt modeļus, Izmantot tuvumu, Analizēt attēlu, Analizēt reljefu, Pārvaldīt datus un Deep Learning.
Apkopot datus
Šajā rīku komplektā ir iekļauts rīks, kas ļauj aprēķināt rastra slāņa statistiku jūsu definētās platības robežās.
- Apkopot rastu šeit: aprēķina statistiku rastru šūnām, kas atrodas definētās platības robežās.
Apkopot rastru šeit: |
|
Aprēķina kopsavilkuma statistiku rastru šūnām definētās platībās.
Daži pielietojumu piemēri:
- Ja ir dots ūdensšķirtnes platības slānis un augstuma rastra slānis, aprēķiniet augstuma diapazonu katrā ūdensšķirtnē, lai noteiktu, kurās no tām ir spēcīgākā ūdens plūsma.
- Ja ir dots administratīvās pārvaldības vienību slānis un zemes lietojuma kategoriju rastra slānis, aprēķiniet zemes lietojuma dispersiju katrā pārvaldības platībā, lai noteiktu, kurās no tām jāiegulda visvairāk darba, lai izveidotu pārvaldības plānu.
Modeļu analīze
Šie rīki palīdzēs jums identificēt, aprēķināt un vizualizēt jūsu datu telpiskos modeļus.
- Rīks Blīvuma aprēķināšana izmanto kādas parādības zināmo daudzumu un izveido blīvuma karti, izklājot šo daudzumu visā kartē.
- Rīks Interpolēt punktus sniedz iespēju prognozēt vērtības jaunos izvietojumos, pamatojoties uz mērījumiem no punktu kolekcijas.
Blīvuma aprēķināšana |
|
Rīks Blīvuma aprēķināšana izmanto kādas parādības zināmo daudzumu un izveido blīvuma karti, izklājot šo daudzumu visā kartē. Varat izmantot šo rīku, piemēram, lai attēlotu zibens spērienu vai tornado koncentrāciju, piekļuvi veselības aprūpes iestādēm un apdzīvotības blīvumu.
Punktu interpolēšana |
|
Šis rīks sniedz iespēju prognozēt vērtības jaunos izvietojumos, pamatojoties uz mērījumiem no punktu kolekcijas. Rīks izmanto punkta datus ar vērtībām katrā punktā un atgriež teritorijas, ko klasificē prognozētās vērtības. Varat izmantot šo rīku, piemēram, lai prognozētu lietusgāžu līmeni ūdensšķirtnē, pamatojoties uz mērījumiem, kas iegūti no atsevišķām lietus mērierīcēm.
Lietot tuvumu
Šie rīki palīdz jums atbildēt uz vienu no visbiežāk uzdotajiem jautājumiem par telpisko analīzi: “Kas atrodas tuvumā kam?”
- Rīks Aprēķināt attālumu aprēķina Eiklīda attālumu, virzienu un sadalījumu no viena avota vai avotu kopas.
- Rīks Optimālo ceļošanas izmaksu tīkla noteikšana aprēķina optimālo izmaksu tīklu no ievades reģionu kopas.
- Rīks Noteikt ceļošanas izmaksu ceļu kā polilīniju aprēķina minimālo izmaksu polilīniju ceļu starp avotiem un zināmiem galamērķiem.
Aprēķināt attālumu |
|
Aprēķina Eiklīda attālumu, virzienu un sadalījumu no viena avota vai avotu kopas. Jūs varat izmantot šo rīku, lai noteiktu, kādā attālumā no ceļa, ēkas vai parka atrodas novietojums. Jūs varat arī noteikt, kurā virzienā no novietojuma jums jāceļo, lai atgrieztos atpakaļ pie avota pa vistaisnāko ceļu. Jūs varat redzēt ikvienu novietojumu pētāmajā teritorijā, kas ir vistuvākais avots.
Optimālo ceļošanas izmaksu tīklu noteikšana |
|
Aprēķina optimālo ceļošanas izmaksu tīklu no ievades reģionu kopas.
Noteikt pārvietošanas izmaksu ceļu kā polilīniju |
|
Aprēķina minimālo izmaksu polilīniju ceļu starp avotiem un zināmiem galamērķiem.
Analizēt attēlu
Zemāk norādītais rīks palīdz analizēt attēlus.
- Rīks Lietot rastra funkciju sagatavi apstrādā jūsu attēlus, izmantojot funkciju vai funkciju virkni, kā norādīts rastra funkcijas sagatavē.
- Pārraudzīt veģetāciju attēlā nosaka veģetāciju, pamatojoties uz aritmētiskām joslu darbībām.
Lietot rastra funkciju sagatavi |
|
Apstrādā jūsu attēlus, izmantojot funkciju vai funkciju virkni, kā norādīts rastra funkcijas sagatavē.
Pārraudzīt veģetāciju |
|
Veic aritmētisku darbību vairākjoslu rastra slāņa joslās, lai atklātu pētījumu teritorijas veģetācijas seguma informāciju.
Reljefa analīze
Šos rīkus var izmantot, lai analizētu rastra virsmas.
- Rīks Slīpuma aprēķināšana aprēķina reljefa slīpumu.
- Rīks Aspekta atvasināšana aprēķina stāvākā slīpuma virzienu katram novietojumam.
- Rīks Redzamības lauka izveide nosaka, ko var redzēt no jebkura punkta ainavā.
- Rīks Ūdensšķirtne aprēķina atbilstošo teritoriju virs identificētajām atrašanās vietām uz virsmas.
Aprēķināt slīpumu |
|
Identificē virsmu, kas norāda ievades augstuma datu slīpumu. Slīpums norāda augstuma maiņas līmeni katrai digitālā augstuma modeļa (digital elevation model — DEM) šūnai.
Atvasināt aspektu |
|
Identificē lejupvērstā slīpuma virzienu maksimālajam vērtības maiņas līmenim no katras šūnas uz tās kaimiņiem. Aspektu var uzskatīt par slīpuma virzienu.
Izveidot redzamības lauku |
|
Nosaka novietojumus uz rastra virsmas, kas ir redzami vērotāju kopai.
Ūdensšķirtne |
|
Nosaka atbilstošo teritoriju virs rastra šūnu kopas.
Pārvaldīt datus
Šie rīki tiek izmantoti gan ikdienas ģeogrāfisko datu pārvaldīšanai, gan datu apvienošanai pirms analīzes.
- Izvilkt rastru izgriež rastra datu kopas fragmentus turpmākas analīzes veikšanai.
- Pārkartēt vērtības piešķir dažādas vērtības rastru šūnām.
- Konvertēt elementu par rastru rastrē vektora datus.
- Konvertēt rastru par elementu vektorizē rastra datus.
Izvilkt rastru |
|
Izvelciet šūnas no rastra, pamatojoties uz citas datu kopas vērtību, formu vai pārklājumu.
Pārkartēt vērtības |
|
Mainiet atsevišķas šūnu vērtības vai to diapazonus uz jaunām vērtībām.
Konvertēt elementu par rastru |
|
Izveidojiet jaunu rastra datu kopu no esošās elementu datu kopas.
Konvertēt rastru par elementu |
|
Izveidojiet jaunu elementu datu kopu no esošās rastra datu kopas.
Rīku komplekta Deep Learning
Šie rīki tiek izmantoti, lai noteiktu specifiskas attēla iezīmes vai klasificētu pikseļus rastra datu kopā. Deep Learning ir mākslīgā intelekta mašīnmācību metode, kas nosaka elementus attēlos, izmantojot vairākus slāņus neironu tīklos, kur katrs slānis spēj izvilkt vienu vai vairākus unikālus attēla elementus. Šie rīki izmanto modeļus, kas ir trenēti noteikt īpašas iezīmes trešās puses Deep Learning struktūrās, piemēram, TensorFlow, CNTK un Keras—un izvades elementus vai klases kartes.
- Klasificēt pikseļus, izmantojot Deep Learning, veido klasificētu rastru, izmantojot Deep Learning modeli.
- Noteikt objektus, izmantojot Deep Learning, uzveido elementu klasi, kas satur objektus, kurus tā atrod ievades rastrā, izmantojot trenētu Deep Learning modeli.
Funkcija Klasificēt pikseļus, izmantojot Deep Learning |
|
Tiek palaists trenēts Deep Learning modelis uz ievades rastra, lai radītu klasificētu rastru, kuram katram derīgajam pikselim ir piešķirta klases atzīme.
Funkcija Noteikt objektus, izmantojot Deep Learning |
|
Tiek palaists trenēts Deep Learning modelis uz ievades rastra, lai izveidotu funkciju klasi, kurā ir atrastie objekti. Šie elementi var būt lodziņi vai laukumi ap atrastajiem objektiem vai punkti objektu centros.