Phân tích Raster cho phép bạn tiến hành phân tích các tập dữ liệu raster lớn bằng cách sử dụng ArcGIS Image Server. Điều này cho phép bạn phân tích lượng dữ liệu lớn hơn nhanh hơn bằng cách khai thác sức mạnh của máy chủ. Bộ công cụ hiện có sẵn cho nhiều trải nghiệm người dùng web Portal for ArcGIS bao gồm Tổng kết Dữ liệu, Phân tích Các mô hình, Sử dụng Vùng lân cận, Phân tích Hình ảnh, Phân tích Địa hình, Quản lý Dữ liệu và Deep Learning.
Tóm tắt Dữ liệu
Bộ công cụ này chứa một công cụ để tính toán một vài số liệu thống kê cho lớp raster trong ranh giới vùng mà bạn xác định.
- Tổng kết Raster Trong phạm vi tính toán số liệu thống kê cho các ô raster trong ranh giới vùng xác định.
Tổng kết Raster Trong phạm vi |
|
Tính toán một số tổng kết thống kê cho ô raster trong các vùng xác định.
Một số ứng dụng mẫu bao gồm:
- Với một lớp các phạm vi lưu vực sông và một lớp raster độ cao, tính toán khoảng độ cao trong mỗi lưu vực sông để xác định độ cao nào sẽ có dòng chảy mang năng lượng cao nhất.
- Với một lớp các đơn vị quản lý quản trị và một lớp raster của các danh mục sử dụng đất, tính toán các giá trị sử dụng đất trong phạm vi mỗi khu vực quản lý để xác định giá trị nào yêu cầu lượng công việc lớn nhất nhắm xác định kế hoạch quản lý.
Phân tích xu hướng
Các công cụ này giúp bạn xác định, định lượng, và trực quan hóa mô hình không gian trong dữ liệu của bạn.
- Tính toán mật độ lấy số lượng đã biết của một số hiện tượng và tạo bản đồ mật độ bằng cách trải rộng các số lượng này trên bản đồ.
- Nội suy Điểm dự đoán các giá trị tại các vị trí mới dựa trên đo lường từ một bộ sưu tập điểm.
Tính toán Mật độ |
|
Phân tích mật độ lấy số lượng đã biết của một số hiện tượng và tạo bản đồ mật độ bằng cách trải rộng các số lượng này trên bản đồ. Ví dụ, bạn có thể sử dụng công cụ này để hiển thị mật độ sét đánh hoặc lốc xoáy, truy cập vào các cơ sở chăm sóc sức khỏe, và mật độ dân số.
Nội suy Các điểm |
|
Công cụ này suy cho phép bạn dự đoán các giá trị tại vị trí mới dựa trên các phép đo từ một bộ sưu tập các điểm. Công cụ này lấy dữ liệu điểm với các giá trị tại từng điểm và trả về các khu vực được phân loại theo giá trị dự đoán. Ví dụ, bạn có thể sử dụng công cụ này để dự đoán lượng mưa trên một lưu vực dựa trên các phép đo thực hiện tại các đồng hồ đo lượng mưa riêng lẻ.
Sử dụng Vùng lân cận
Các công cụ này giúp bạn trả lời một trong các câu hỏi thường gặp nhất đặt ra trong phân tích không gian: “Cái gì gần cái gì?”
- Tính toán Khoảng cách tính toán khoảng cách Euclid, hướng và sự phân bổ từ một nguồn hoặc tập hợp nguồn.
- Xác định Mạng lưới Chi phí Đi lại Tối ưu tính toán mạng lưới chi phí tối ưu từ một tập hợp các khu vực đầu vào.
- Xác định Đường dẫn Chi phí Đi lại dưới dạng Đa tuyến tính toán đường dẫn đa tuyến tối ưu giữa các điểm nguồn và điểm đích đã biết.
Tính toán Khoảng cách |
|
Tính toán khoảng cách Euclid, hướng và sự phân bổ từ một nguồn hoặc tập hợp nguồn. Bạn có thể sử dụng công cụ này để xác định một vị trí cách một con đường, một tòa nhà hoặc một công viên bao xa. Bạn cũng có thể xác định bạn phải đi hướng nào từ một vị trí để quay lại nguồn theo hướng thẳng nhất. Bạn cũng có thể xem mọi vị trí trong khu vực nghiên cứu của bạn để biết vị trí nào gần nguồn nhất.
Xác định Mạng lưới Chi phí Đi lại Tối ưu |
|
Tính toán mạng lưới chi phí tối ưu từ một tập hợp các khu vực đầu vào.
Xác định Đường dẫn Chi phí Đi lại dưới dạng Đa tuyến |
|
Tính toán đường dẫn đa tuyến có chi phí tối ưu giữa các điểm nguồn và điểm đích đã biết.
Phân tích Hình ảnh
Các công cụ sau đây sẽ giúp bạn phân tích hình ảnh.
- Áp dụng Mẫu Chức năng Raster xử lý hình ảnh của bạn bằng chuỗi chức năng, được xác định bởi mẫu chức năng raster.
- Theo dõi Thảm thực vật phát hiện thảm thực vật trong một ảnh, dựa trên phép toán số học trên các dải sóng.
Áp dụng Raster Function Template |
|
Xử lý hình ảnh bằng chuỗi chức năng, như được xác định bởi mẫu chức năng raster.
Theo dõi Thảm thực vật |
|
Thực hiện một phép toán số học trên các dải sóng của lớp raster đa băng tần để phát hiện thông tin về lượng bao phủ của thảm thực vật ở khu vực nghiên cứu.
Phân tích Địa hình
Những công cụ này giúp bạn phân tích các bề mặt raster.
- Công cụ Tính toán Độ dốc giúp tính toán độ dốc của địa hình.
- Công cụ Nội suy hướng giúp tính toán hướng của đoạn dốc nhất cho từng vị trí.
- Công cụ Tạo Tầm nhìn giúp nhận biết những gì có thể nhìn thấy được từ bất kỳ điểm nào trong cảnh quan.
- Lưu vực sông tính toán khu vực hợp lưu phía trên (các) vị trí xác định trên một bề mặt.
Tính toán Độ dốc |
|
Nhận biết bề mặt có độ dốc của dữ liệu độ cao đầu vào. Độ dốc tượng trưng cho tỷ lệ thay đổi độ cao cho từng ô mô hình độ cao kỹ thuật số (DEM).
Suy ra Hướng |
|
Nhận biết hướng dốc xuống tốc độ thay đổi giá trị tối đa từ từng ô đến các vùng lân cận. Hướng có thể được coi là hướng dốc.
Tạo Tầm nhìn |
|
Xác định vị trí trên bề mặt raster hiển thị đối với nhiều người quan sát.
Lưu vực sông |
|
Xác định khu vực hợp lưu phía trên một tập hợp các ô trong một raster.
Quản lý Dữ liệu
Các công cụ này được dùng để quản lý dữ liệu địa lý hàng ngày và kết hợp dữ liệu trước khi phân tích.
- Trích xuất Raster cắt ra các phần từ tập dữ liệu raster để phân tích thêm.
- Gán lại Giá trị gán lại các giá trị khác nhau cho các ô raster.
- Chuyển đổi Đối tượng thành Raster sẽ raster hóa những dữ liệu dạng véc tơ.
- Chuyển đổi Raster thành Đối tượng sẽ véc tơ hóa dữ liệu raster.
Trích xuất Raster |
|
Trích xuất các ô từ một raster dựa trên giá trị, hình dạng hoặc phạm vi của tập dữ liệu khác.
Gán lại Giá trị |
|
Thay đổi một hoặc một khoảng giá trị ô sang giá trị mới.
Chuyển đổi Đối tượng thành Raster |
|
Tạo một tập dữ liệu raster mới từ tập dữ liệu đối tượng hiện có.
Chuyển đổi Raster thành Đối tượng |
|
Tạo một tập dữ liệu đối tượng mới từ tập dữ liệu raster hiện có.
Bộ công cụ Deep Learning
Các công cụ này được sử dụng để phát hiện đối tượng cụ thể trong hình ảnh hoặc để phân loại pixel trong bộ dữ liệu raster. Deep learning là một loại phương pháp học máy trí thông minh nhân tạo sử dụng nhiều lớp trong mạng lưới thần kinh nơi mà trong đó mỗi lớp có khả năng trích xuất một hoặc nhiều đối tượng duy nhất trong hình ảnh để phát hiện các đối tượng trong hình ảnh. Những công cụ này sử dụng các mô hình đã được đào tạo để phát hiện đối tượng cụ thể trong các deep learning framework của bên thứ ba—như TensorFlow, CNTK và Keras—và các đối tượng đầu ra hoặc bản đồ lớp.
- Phân loại Pixel sử dụng Deep Learning sử dụng một mô hình deep learning được đào tạo để tạo ra một raster được phân loại.
- Phát hiện Đối tượng sử dụng Deep Learning sử dụng một mô hình deep learning được đào tạo để tạo ra một lớp đối tượng chứa các đối tượng mà nó tìm thấy trong một raster đầu vào.
Phân loại Pixel sử dụng Deep Learning |
|
Chạy một mô hình deep learning được đào tạo trên một raster đầu vào để tạo ra một raster được phân loại, theo đó mỗi pixel hợp lệ có được gán một nhãn lớp.
Phát hiện Đối tượng sử dụng Deep Learning |
|
Chạy mô hình deep learning trên một raster đầu vào để tạo ra một lớp đối tượng chứa các đối tượng mà nó tìm thấy. Đối tượng có thể là các vùng bao hoặc đa giác quanh các đối tượng tìm thấy, hoặc các điểm ở tâm của đối tượng.