Vairāk

Kā vidēs> rastra analīze> šūnu lielums darbojas ArcGIS?

Kā vidēs> rastra analīze> šūnu lielums darbojas ArcGIS?


Kā darbojas vide> Rastra analīze> Šūnas izmērs, veidojot rastru no daudzstūra, izmantojot ArcGIS?

Esmu mēģinājis rīkoties gan ar “Ieejas maksimums”, gan ar “Ievades minimums”, un šķiet, ka nekas nemainās: rīks izveido to pašu rastru.


Makss un Mins pieņem, ka jūsu ievadītie dati ir esošie rastri. Ja apvienojat 2 rastrus kopā ar dažādiem šūnu izmēriem un izmantojat opciju “minimālais”, izvades rastra šūnu lielums būs mazākais šūnu lielums starp ieejām.

Šūnas lieluma parametra vērtība '20' izmantos jūsu datu vienības, ti. ja jūsu dati ir UTM - kas ir metri - jūsu izvades rastra šūnu izmērs būtu 20 m.


Kā darbojas vide> Rastra analīze> Šūnas izmērs, veidojot rastru no daudzstūra?

Tas var nedarboties, ja vien viena no jūsu ieejām nav rastrs. Veidojot rastru no daudzstūra, vienīgais ievadījums ir vektora daudzstūra slānis. Es iestatītu sava šūnu lieluma vides mainīgo uz esošu rastru, kuru jūs cerētu, ka jūsu izejas dati sakritīs (un arī Snap Raster iestatīs uz to pašu slāni). Ja jums nav nepieciešams strādāt ar citiem rastriem, tad es vienkārši norādītu numuru.


Metodā Konvertēt vienības vienību konvertēšanas veids ir atkarīgs no iesaistīto koordinātu sistēmu veidiem. Ir trīs scenāriji, kas noteikti zemāk.

Projekts starp dažādām projicētām koordinātu sistēmām

Projektējot no vienas projicētās koordinātu sistēmas (PCS) uz citu PCS, lineārās vienības vajadzības gadījumā tiek pārveidotas ar attiecīgo koeficientu. Ja kartes vienības ir vienādas, projicējot starp diviem PCS, lineāra vienību pārveidošana nenotiks. Ja lineārās vienības atšķiras no sākotnējā un prognozētā apjoma, lineārā vienību pārveidošana notiks. Piemēram, ja kartes vienības ir metros un projektētās vienības ir pēdās, 10 metri no sākotnējā apjoma būs 32,8084 pēdas paredzētajā apjomā.

Transformācija starp dažādām ģeogrāfiskām koordinātu sistēmām

Pārveidojot no vienas ģeogrāfiskās koordinātu sistēmas (GCS) uz citu GCS, leņķiskās vienības tiek pārveidotas.

Projekts starp PCS un GCS

Projicējot no GCS uz PCS vai PCS uz GCS, izejas šūnas lielumu aprēķina, pamatojoties uz četru sānu un divu diagonāļu proporciju vidējo lielumu sākotnējā apjomā. Šis attēls parāda sākotnējo apjomu PCS un paredzēto apjomu GCS. Sākotnējā sānu un diagonāļu garumi ir a0, b0, c0, d0, e0 un f0, un atbilstošie garumi prognozētajā apjomā ir a1, b1, c1, d1, e1 un f1.

Prognozētā apjoma šūnu lielums tiek aprēķināts šādi:

Ierobežojumi

Šai pieejai ir šādi ierobežojumi:

  • Projektējot no viena PCS uz citu, tas neņem vērā traucējumus. Piemēram, prognozētais 1 metra attālums UTM zonā noteiktā vietā var nepārsniegt tādu pašu zemes attālumu kā 1 metrs Albers projekcijā.
  • Projektējot no GCS uz PCS vai PCS uz GCS, tiek aprēķināti tikai četri sākotnējā apjoma stūra punkti, lai aprēķinātu sānu un diagonāļu garumu. Tas var radīt pārmērīgus traucējumus atkarībā no projekcijas un apjoma.

Lai izvairītos no šiem ierobežojumiem, ieteicams norādīt analīzei piemēroto šūnu izmēra projekcijas metodi.


Kāpēc izmantot izšķirtspējas saglabāšanas šūnu izmēra projekcijas metodi?

Izmantojot metodi “saglabāt izšķirtspēju”, projektētajā apjomā tiek saglabāts tāds pats kvadrātveida šūnu skaits, kāds ir sākotnējā apjomā. Izvades šūnas lielums tiek aprēķināts, pamatojoties uz prognozētā apjoma laukumu attiecībām sākotnējā apjomā. Šī pieeja ir balstīta uz to, kā Esri programmatūra pašlaik izvēlas šūnu lielumu, pārejot no kameras attēla koordinātu sistēmas uz ģeodēzisko (GCS vai PCS) sistēmu. Šī metode precīzāk aprēķina kvadrātveida šūnas vidējo lielumu visām GCS un PCS kombinācijām nekā noklusējuma metode “vienību konvertēšana”.

Ja sākotnējā taisnstūra apjoma un (formas saglabāšanas) paredzētās platības laukumi ir A0 un A1, tad kvadrātveida šūnu laukumi ir attiecīgi apm0 = A0/ n un apm1 = A1/ n

Tā kā šūnu skaits abos gadījumos paliek nemainīgs, platības un kvadrātveida šūnas laukuma attiecība ir vienāda, A0/ apm0 = A1/ apm1

un izvades šūnas lielums ir CellSize_projected = √ ((A1/ A0) * apm0)

Šajā metodē šūnu lieluma konversijas koeficients ir √ (A1/ A0)

Apskatīsim divus piemērus, lai redzētu, kā “saglabāt izšķirtspēju” metode izvēlas labāku izvades šūnu lielumu nekā “pārveidot vienības”.

1. piemērs:

Paņemsim pacēluma rastru (R_input), kas atrodas Vermontā (2. attēls), PCS (NAD_1983_StatePlane_Vermont_FIPS_4400) un projicēsim to citā PCS (WGS 1984 World Mercator), izmantojot noklusējuma šūnu izmēra projekcijas metodes, “pārveidot vienības” (R_out_CU) un “saglabāt izšķirtspēju” (R_out_PR). Šeit abas telpiskās atsauces ir formas saglabāšana, kur ievadītā telpiskā atsauce ir piemērota stāvokļa līmenī, bet izvades telpiskā atsauce ir piemērota visai pasaulei. Pēc tam mēs salīdzināsim ģeodēzisko attālumu starp šūnu centriem, lai noteiktu, kura metode precīzāk saglabā ģeodēzisko attālumu.

Pirms mēs salīdzinām ģeodēziskos attālumus starp abām metodēm, mēs varam saprast, kādi ir dažādi veidi, kā rastrs tiek projicēts ArcGIS Pro. Kad ArcGIS Pro kartei pievienojat rastru, kartes telpiskā atsauce kļūst tāda pati kā rastra telpiskā atsauce. Piemēram, ja pirmajam pievienotajam slānim ir NAD_1983_StatePlane_Vermont_FIPS_4400 PCS, kartei būs tāda pati telpiskā atsauce, un visi pārējie slāņi projicēs lidojumā, lai tie atbilstu šai telpiskajai atsaucei. Šī lidojuma rastra projekcija ir paredzēta bagātīgākai displeja pieredzei, taču tā nesaglabā rastra struktūru (dažādās šūnās var būt dažādi projicējami izmēri, pagriezieni un izkropļojumi). Tomēr, ja jūs projektējat rastru, izmantojot rīku Project Raster vai norādot ģeoprocesora rīka vidi Output Coordinate System, rastrs faktiski tiek projicēts jaunā rastra struktūrā (katra šūna ir identisks taisnstūris izejas telpiskajā atsaucē ar sāniem paralēli uz koordinātu sistēmas asīm). Mērot ģeodēzisko attālumu, lai salīdzinātu šūnu lieluma projekcijas metodes, ieteicams izmantot faktisko projicēto rastru, nevis to, kas tiek projicēts lidojumā.

3. attēlā ievades rastra šūnas izmērs R_input ir 30 metri. Tas ir aptuveni tāds pats kā tā ģeodēziskais zemes attālums, kuru varat uzzināt, izmantojot rīku Measure ArcGIS Pro.

Kad rastrs tiek projicēts, izmantojot ‘pārvērst mērvienības’, izejas rastra, R_out_CU, paredzamais šūnas izmērs paliek 30 metri, bet WGS 1984 World Mercator 30 m ir daudz mazāks attālums uz zemes, 21 metrs. Tātad rastra projekcija, izmantojot metodi “pārveidot vienības”, ir nevajadzīgi palielinājusi izejas rastra izšķirtspēju. Ja mēs projektētu pretējā virzienā (sākot no WGS 1984 World Mercator), tad mēs būtu zaudējuši ievērojamu daudzumu rastra datu. Ja tas pats rastrs tiek projicēts, izmantojot ‘saglabāt izšķirtspēju’ metodi, tā šūnu izmērs kļūst 42 metri, un ģeodēziskais zemes attālums paliek 30 metri, kas ir vienāds ar ievades rastra ģeodēzisko attālumu.

2. piemērs:

Šajā piemērā mēs projicēsim no UTM zonas uz blakus esošo zonu, kas var notikt, mozaīkojot kopā daudz un dažādus DEM lielākai (valsts lieluma) teritorijai. 4. attēlā ņemsim rastru (R_input2) WGS 1984 UTM 11N zonā un projicēsim to blakus esošajā zonā WGS 1984 UTM 12N, izveidojot izvadi (R_out_CU2) un (R_out_PR2) attiecīgi “pārveidot vienības” un “saglabāt izšķirtspēju”. . No šejienes mēs atkal salīdzināsim ģeodēzisko attālumu starp šūnu centriem, lai noteiktu, kura metode precīzāk saglabā ģeodēzisko attālumu.

Šūnas lielums ievades rastram R_input2 ir 30 metri, kas ir aptuveni tāds pats kā ģeodēziskais zemes attālums šajā apgabalā. Kad rastrs tiek projicēts, izmantojot metodi “pārveidot vienības”, izvades rastra šūnas lielums R_out_CU2 kļūst par 30 metriem un ģeodēziskais zemes attālums kļūst par aptuveni 31 metru. Ja tas pats rastrs tiek projicēts, izmantojot “saglabāt izšķirtspēju” metodi, tā šūnu izmērs kļūst par 28,99 metriem, un ģeodēziskais zemes attālums ir 30 metri, kas ir tāds pats kā ievades rastrs.

Abos piemēros šķiet, ka “saglabājiet izšķirtspēju” metode labāk saglabā ģeodēzisko zemes attālumu starp šūnu centriem nekā metodi “pārveidot vienības”. Citas ievades un izvades telpisko atsauču kombinācijas, protams, var parādīt atšķirību starp metodēm, taču kopumā var droši teikt, ka metode “saglabāt izšķirtspēju” ir labāka pieeja ģeodēziskā attāluma saglabāšanai, projektējot datu kopas.

Svarīga metodes “saglabāt izšķirtspēju” īpašība ir tā, ka izvades šūnas lielums ir atkarīgs no datu kopas atrašanās vietas. Tā pati ievades un izvades telpiskās atsauces kombinācija nodrošinās atšķirīgu izvades šūnu lielumu, ja ievades rastra datu kopa atrodas citā ģeogrāfiskā vietā. Ja jums ir jāizmanto viens šūnas izmērs dažādām rastra datu kopām (piemēram, blakus esošo DEM elementu apstrādei), veicot elementu rastra analīzi, norādiet vienu rastra datu kopu, kas jāizmanto kā šūnu lieluma avots.

Nākamreiz, kad izmantojat Spatial Analyst ģeogrāfiskās apstrādes rīku vai komandu Python, lai:

  • izveidot izvadi ar telpisku atsauci, kas atšķiras no ievades datu kopas atsauces,
  • izmantot ievades datu kopas ar dažādām telpiskām atsaucēm,
  • norādiet analīzes šūnas izmēru, izmantojot datu kopu ar atšķirīgu telpisko atsauci,

pievērsiet uzmanību izvades šūnas izmēram un apsveriet iespēju izmantot vai nu saglabāšanas izšķirtspējas, vai apjoma centra metodes. Pēc noklusējuma projekcijas metode veiks ‘pārveidot vienības’, kas pastāvēja iepriekšējās ArcGIS versijās, taču, kā jau redzējām, šī metode var nevajadzīgi palielināt vai samazināt jūsu vērtīgo rastra datu izšķirtspēju.

Papildu resursi


Kā tiek aprēķināts šūnu lielums, izmantojot apjoma centra metodi

Apjoma centra metode projicē sākotnējā apjoma centru izejas koordinātu sistēmā. Izejas šūnas lielumu aprēķina, ņemot vidējo projicēto attālumu no centra punkta līdz četriem blakus esošajiem punktiem.

Šis attēls attēlo piecus punktus sākotnējā apjomā, kur viens no punktiem atrodas centrā, un to ieskauj četri citi punkti sākotnējā šūnu lieluma attālumā no centra punkta.

Jauno šūnu lielumu aprēķina, ņemot vidējo paredzēto garumu šādi:

a, b, c un d ir attālumi no centra punkta līdz četriem blakus esošajiem punktiem paredzētajā apjomā.

Ierobežojums

Metodes Centra apjoma ierobežojums ir tāds pats kā Rezerves izšķirtspējas metodei. Izmantojiet to pašu rastra datu kopu, lai norādītu šūnu lielumu, vienlaikus veicot dažādu elementu rastra analīzi lielā platībā.


Izmantojiet analīzes vides

Poga Analīzes vides tiek izmantots, lai piekļūtu rastra un attēlu apstrādes vidēm, kas attiecas uz visiem rastra analīzes rīkiem. Rūtī Rastra analīze atverot logu Analīzes vides, varat modificēt izejas koordinātu sistēmas, apstrādes apjoma, snap rastra, šūnu lieluma un maskas iestatījumus.

Norāda rezultāta attēlu slāņa koordinātu sistēmu.

Ir pieejamas šādas iespējas:

  • Tas pats, kas ievade - analīzes rezultāts būs tajā pašā koordinātu sistēmā kā ievade. Tas ir noklusējums.
  • Kā norādīts - analīzes rezultāts būs jūsu izvēlētajā koordinātu sistēmā. Kad šī opcija ir atlasīta, noklikšķiniet uz globusa pogas un izvēlieties no zināmo koordinātu sistēmu saraksta vai pievienojiet telpisko atsauci WKID paredzētajā lodziņā.
  • Slānis & ltname & gt - analīzes rezultāts būs tajā pašā koordinātu sistēmā kā esošais slānis, kuru izvēlaties savā tīmekļa kartē.

Norāda apjomu vai robežu, kas tiks izmantota analīzes veikšanas laikā. Analīzē tiks izmantoti visi pikseļi vai šūnas, kas pilnībā atrodas norādītajā apjomā vai krustojas.

Ir pieejamas šādas iespējas:

  • Noklusējums - analīzei izmantoto apjomu nodrošina rīks.
  • Kā norādīts - apjomu nosaka jūsu norādītās koordinātas.
  • Slānis & ltnosaukums & gt - analīzes apstrādei izmantotais apjoms būs tāds pats kā esošā slāņa telpiskais apjoms, kuru izvēlaties savā tīmekļa kartē.

Pielāgo izvades rastra slāņa pakāpi, lai tā atbilstu norādītā Snap Raster slāņa šūnu izlīdzināšanai.

Norāda šūnas izmēru vai izšķirtspēju, kas tiks izmantota izejas rastra slāņa izveidošanai rastra analīzē. Noklusējuma izejas izšķirtspēju nosaka lielākais ievades rastra slāņa šūnu lielums.

Ir pieejamas šādas iespējas:

  • Ievades minimums - izmantojiet mazāko šūnu izmēru no visiem ievades slāņiem.
  • Ievades maksimums - izmantojiet lielāko šūnu izmēru no visiem ievades slāņiem. Tas ir noklusējums.
  • Kā norādīts - norādiet skaitlisko vērtību, lai iestatītu šūnu lielumu. Ja tas ir atlasīts, noklusējuma vērtība ir 1.
  • Slānis & ltname & gt - iestatiet šūnas lielumu uz izvēlēto rastra slāni.

Norāda slāni, kas tiks izmantots, lai definētu jūsu interesējošo jomu analīzei. Analīzes operācijā tiks ņemtas vērā tikai tās šūnas, kas ietilpst analīzes maskā.

  • Maska var būt gan rastra, gan iezīmju slānis.
  • Ja analīzes maska ​​ir rastrs, visas šūnas, kurām ir vērtība, tiks uzskatītas par maskas definēšanu. Šūnas maskas rastrā, kas nav NoData, tiks uzskatītas par ārpus maskas, un analīzes rezultātu slānī tās būs NoData.
  • Ja analīzes maska ​​ir iezīmju slānis, izpildes laikā tā tiks iekšēji pārveidota par rastru. Šī iemesla dēļ pārliecinieties, ka šūnas lielums un snap rastrs ir atbilstoši iestatīti jūsu analīzei.

Atverot logu Analīzes vides no rastra analīzes rīku paneļa, iespējams, redzēsit papildu analīzes vides. Daži rastra analīzes rīki ievēro vairākas analīzes vides, kas norādītas zemāk esošajā tabulā. Tā kā ne visi rīki ievēro visas vides, tiem var piekļūt no atsevišķiem rīkiem, nevis no rastra analīzes rūts.

Norādiet, kā interpolēt pikseļu vērtības, pārveidojot rastra datu kopu. Šī vide tiek izmantota, ja ievade un izvade nesakrīt vienā rindā, mainās pikseļu izmērs, kad dati tiek pārvietoti, vai šo situāciju kombinācija.

Ir pieejamas šādas iespējas:

  • Tuvākā apkaime - galvenokārt tiek izmantota atsevišķiem datiem, piemēram, zemes lietošanas klasifikācijai, jo tā nerada jaunas pikseļu vērtības. Šī metode ir piemērota arī nepārtrauktiem datiem, ja vēlaties saglabāt sākotnējās atstarošanas vērtības attēlos, lai veiktu precīzu daudzspektrālu analīzi. Tas ir visefektīvākais apstrādes laika ziņā, taču izejas attēlā tas var radīt nelielas pozicionēšanas kļūdas. Izejas attēlu var kompensēt līdz pusei pikseļu, kas var izraisīt attēla pārtraukumus un nevienmērīgu izskatu.
  • Bilinārā interpolācija - šī metode ir vispiemērotākā nepārtrauktiem datiem. Tas veic bilināru interpolāciju un nosaka šūnu jauno vērtību, pamatojoties uz četru tuvāko ievades šūnu centru svērto vidējo attālumu. Tas rada izejas attēlu, kas pēc izskata ir vienmērīgāks nekā tuvākā apkaime, bet maina atstarošanas vērtības, kā rezultātā attēla izšķirtspēja kļūst neskaidra vai zaudēta.
  • Kubiskā konvekcija - piemērota nepārtrauktiem datiem. Šī metode veic kubisko konvekciju un nosaka šūnu jauno vērtību, pamatojoties uz gludas līknes uzstādīšanu caur 16 tuvākajiem ievades šūnu centriem. Rezultāts ģeometriski ir mazāk izkropļots nekā rastrs, kas iegūts, izmantojot tuvāko apkārtni, un ir asāks nekā Bilinear interpolācija. Dažos gadījumos tā rezultātā izejas pikseļu vērtības var būt ārpus ievades šūnu vērtību diapazona. Ja tas ir nepieņemami, tā vietā izmantojiet Bilinear interpolācijas metodi. Kubiskā konvekcija ir skaitļošanas ziņā intensīva, un tās apstrāde prasa ilgāku laiku.

Norādiet, vai palaist analīzi, izmantojot CPU vai GPU. Ja procesora tipa vide ir tukša, rīks datu apstrādei izmanto CPU.

  • CPU - apstrāde izmantos CPU. Centrālā procesora apstrādi var paralēlizēt vairākos kodolos un gadījumos, kā to apstrādā paralēlais apstrādes faktors.
  • GPU - apstrādē tiks izmantots GPU. GPU ir efektīvs grafikas un attēlu apstrādē, kur to ļoti paralēlā struktūra padara tos efektīvus lielu datu bloku atkārtotā apstrādē. Rastra analīzes rīki, kas ievēro šo vidi, var sadalīt savu darbu starp GPU gadījumiem vairākās rastra analīzes serveru mašīnās, kā to apstrādā paralēlais apstrādes faktors.

Definējiet, cik attēla sadaļu tiks apstrādātas pirms darba ņēmēju procesu restartēšanas, lai novērstu ilgstošas ​​darbības iespējamās kļūmes. Noklusējuma vērtība ir 0.

Norādiet rastra apstrādes pakalpojumu gadījumu skaitu, kurus var izmantot jūsu datu apstrādei.

Ja rīks nepilda procesora tipu vai procesora tipa vide ir iestatīta uz CPU, vide Parallel processing factor kontrolē rastra apstrādes (CPU) pakalpojumu gadījumus. Ja procesora tips ir iestatīts uz GPU, vide Parallel processing factor kontrolē rastra apstrādes GPU gadījumu skaitu.

Iestatot paralēlo apstrādes koeficientu, varat pieprasīt paralēlu darbinieku skaitu, kurus rastra analīzes attēlu serveris izmanto viena rastra analīzes uzdevuma apstrādei. Tomēr, ja kopējais paralēlo procesu skaits pārsniedz maksimālo rastra apstrādes (CPU vai GPU) pakalpojumu gadījumu skaitu, papildu paralēlie procesi tiks ievietoti rindā.

Ja paralēlās apstrādes koeficients nav norādīts, kas ir noklusējums, rīks izmantos 80 procentus no maksimālā rastra apstrādes pakalpojumu gadījumu skaita. Paralēlo apstrādes koeficientu var norādīt vai nu vesels skaitlis, vai arī procents.

Nosaka, cik atkārtoti mēģinās veikt to pašu darba ņēmēja procesu, ja notiek nejauša neveiksme, apstrādājot konkrētu darbu. Noklusējuma vērtība ir 0.


Parametri

Ievades rastrs, kas jāapkopo.

Tas var būt vesels skaitlis vai peldošā komata tips.

Faktors, ar kuru reizināt ievades rastra šūnu lielumu, lai iegūtu vajadzīgo izejas rastra izšķirtspēju.

Piemēram, šūnu faktora vērtības trīs rezultātā izejas šūnu lielums būtu trīs reizes lielāks nekā ievades rastra lielumam.

Vērtībai jābūt veselam skaitlim, kas lielāks par 1.

Nosaka, kā tiks noteikta katras izvades šūnas vērtība.

  • Summa - ievades šūnas vērtību summa (kopsumma). Tas ir noklusējums.
  • Maksimums - lielākā ievades šūnu vērtība.
  • Mean - ievades šūnu vidējā vērtība.
  • Mediāna - ievades šūnu vidējā vērtība.
  • Minimālais - mazākā ievades šūnu vērtība.

Definē, kā rīkoties ar ievades rastra robežām, ja tā rindas vai kolonnas nav šūnas faktora reizinājums.

    Pārbaudīts - paplašina ievades rastra augšējo vai labo robežu, lai kopējais šūnu skaits rindā vai kolonnā būtu šūnu faktora reizinājums. Veicot aprēķinu, šīm izvērstajām šūnām tiek piešķirta vērtība NoData.

Izmantojot šo opciju, izvades rastrs var aptvert lielāku telpisko apjomu nekā ievades rastrs.

Izmantojot šo opciju, izvades rastrs var aptvert mazāku telpisko apjomu nekā ievades rastrs.

Ja ievades rastra rindu un kolonnu skaits ir šūnu faktora reizinājums, šie atslēgvārdi netiek izmantoti.

Norāda, vai apkopojuma aprēķinā tiek ignorētas NoData vērtības.

    Pārbaudīts - norāda, ka, ja kādai no šūnām, kas ietilpst izejas rastra lielākas šūnas telpiskā platībā, pastāv NoData vērtības, nosakot izvades šūnu atrašanās vietu vērtību, NoData vērtības tiks ignorētas. Izvades šūnas vērtības noteikšanai tiks izmantotas tikai ievades šūnas izejas šūnas robežās, kurām ir datu vērtības.

Ja tiek izmantots Nepārbaudīts, tiek domāts, ka tad, ja kopas šūnās ir vērtība NoData, nav pietiekami daudz informācijas, lai veiktu norādītos aprēķinus, kas nepieciešami izejas vērtības noteikšanai.

Atgriešanās vērtība

Rezultātā apkopotais rastrs.

Tā ir pazeminātas izšķirtspējas ievades rastra versija.

Ievades rastrs, kas jāapkopo.

Tas var būt vesels skaitlis vai peldošā komata tips.

Faktors, ar kuru reizināt ievades rastra šūnu lielumu, lai iegūtu vajadzīgo izejas rastra izšķirtspēju.

Piemēram, šūnu faktora vērtības trīs rezultātā izejas šūnu lielums būtu trīs reizes lielāks nekā ievades rastra lielumam.

Vērtībai jābūt veselam skaitlim, kas lielāks par 1.

Nosaka, kā tiks noteikta katras izvades šūnas vērtība.

Rupjākajā izvades šūnā iekļauto ievades šūnu vērtības apkopo vienā no šiem statistikas datiem:

  • SUM - ievades šūnu vērtību summa (kopsumma). Šī ir noklusējuma vērtība.
  • MAXIMUM - lielākā ievades šūnu vērtība.
  • MEAN - ievades šūnu vidējā vērtība.
  • MEDIAN - ievades šūnu vidējā vērtība.
  • MINIMUM - mazākā ievades šūnu vērtība.

Definē, kā rīkoties ar ievades rastra robežām, ja tā rindas vai kolonnas nav šūnas faktora reizinājums.

  • EXPAND - paplašina ievades rastra augšējo vai labo robežu, lai kopējais šūnu skaits rindā vai kolonnā būtu šūnu faktora reizinājums. Šīm izvērstajām šūnām tiek piešķirta vērtība NoData. Izmantojot šo opciju, izvades rastrs var aptvert lielāku telpisko apjomu nekā ievades rastrs. Tas ir noklusējums.
  • TRUNCATE - samazina izejas rastra rindu vai kolonnu skaitu par 1. Tas saīsinās atlikušās šūnas uz ievades rastra augšējās vai labās robežas, padarot ievades rastra rindu vai kolonnu skaitu par šūnu faktora reizinājumu . Izmantojot šo opciju, izvades rastrs var aptvert mazāku telpisko apjomu nekā ievades rastrs.

Ja ievades rastra rindu un kolonnu skaits ir šūnu_faktora reizinājums, šie atslēgvārdi netiek izmantoti.

Norāda, vai apkopojuma aprēķinā tiek ignorētas NoData vērtības.

  • DATI - norāda, ka, ja kādai no šūnām, kuras ietilpst izejas rastra lielākas šūnas telpiskā platībā, pastāv NoData vērtības, nosakot izvades šūnu atrašanās vietu vērtību, NoData vērtības tiks ignorētas. Izvades šūnas vērtības noteikšanai tiks izmantotas tikai ievades šūnas izvades šūnas robežās, kurām ir datu vērtības. Tas ir noklusējums.
  • NODATA - norāda, ka, ja kādai šūnai, kas atrodas izejas rastra lielākas šūnas telpiskā apjomā, ir vērtība NoData, šīs izvades šūnas atrašanās vietas vērtība būs NoData. Ja tiek izmantota šī opcija, tas nozīmē, ka tad, kad šūnas apvienojumā satur vērtību NoData, nav pietiekami daudz informācijas, lai veiktu norādītos aprēķinus, kas nepieciešami, lai noteiktu izvades vērtību.

Atgriešanās vērtība

Rezultātā apkopotais rastrs.

Tā ir pazeminātas izšķirtspējas ievades rastra versija.

Koda paraugs

Šis piemērs apkopo rastru, vidēji aprēķinot vērtības ar šūnu koeficientu 3, un tiek iegūts TIFF rastrs.

Šis piemērs apkopo rastru, vidēji aprēķinot vērtības ar šūnu koeficientu 3, un tiek parādīts režģa rastrs.


[1] Bārnss, Lemans, Mulla. “Prioritārā plūdi: optimāls depresijas aizpildīšanas un ūdenstilpes marķēšanas algoritms digitālajiem augstuma modeļiem”. Datori un ģeozinātnes. 62. sējums, 2014. gada janvāris, 117. – 127. Lpp., Doi: ”10.1016 / j.cageo.2013.04.024”.

Neerajs Rajasekars

Neerajs Rajasekars ir vecākais produktu inženieris rastru analīzes grupā Esri. Viņa darbs ir vērsts uz novatorisku risinājumu izstrādi rastriem balstītai analīzei un skaitļošanai ArcGIS platformā. Viņš specializējas virszemes un pazemes ūdeņu modelēšanā un ir ieguvis maģistra grādu civilajā un vides inženierijā Stanforda universitātē.


Kā vidēs> rastra analīze> šūnu lielums darbojas ArcGIS? - Ģeogrāfiskās informācijas sistēmas

Количество зарегистрированных учащихся: 28 тыс.

Участвовать бесплатно

Izmantojiet savas ĢIS zināšanas šajā kursā par ģeotelpisko analīzi, koncentrējoties uz analīzes rīkiem, 3D datiem, darbu ar rastriem, projekcijām un vides mainīgajiem. Visās četrās šī kursa nedēļās mēs kopīgi izstrādāsim projektu - kaut ko unikālu šajā kursā - sākot no projekta koncepcijas, līdz datu izgūšanai, sākotnējo datu pārvaldībai un apstrādei un visbeidzot līdz mūsu analīzes produktiem. Šajā nodarbībā četru nedēļu garu moduļu laikā uzzināsiet ģeotelpiskās un vides analīzes pamatus: 1. nedēļa: ekskursija ArcToolbox un iemācieties izmantot parastos ģeotelpiskās analīzes rīkus, kas iebūvēti ArcGIS 2. nedēļā: gūstiet darba izpratni par rastra datu modeļiem: simbolizējiet , pārprojektēt, pārklāt un novērtēt rastrus. Apiet apkārt 3D datu modeļus un novērojumu interpolāciju 3D virsmās un rastros. 3. nedēļa: padziļināti iepazīstieties ar projekcijām un koordinātu sistēmām, kas ir pamatotas visai ĢIS. Uzziniet, kā izmantot vides mainīgos, lai ierobežotu analīzi un iegūtu labākas kvalitātes datu produktus. 4. nedēļa: paplašiniet zināšanas par simboloģiju. Uzziniet, kā vizuāli attēlot datus, klasificējot tos loģiskās grupās un pēc tam simbolizējot tos kartē. Pieņemiet ģeotelpisko un vides analīzi kā atsevišķu kursu vai kā daļu no ģeogrāfiskās informācijas sistēmu (ĢIS) specializācijas. Pirms šī kursa apguves jums ir jābūt līdzvērtīgai pieredzei, kā pabeigt pirmo un otro šīs specializācijas kursu & quot; ĢIS pamati & quot un & quot; ĢIS datu formāti, dizains un kvalitāte & quot; Pabeidzot šo trešo klasi specializācijā, jūs iegūsiet prasmes, kas nepieciešamas, lai gūtu panākumus pilnā programmā.

Рецензии

Noderīga informācija par telpisko analīzi, rastriem, koordinātu sistēmām. N nUn ekskursija gida pavadībā, lai tuvotos personīgam projektam. N nNodarbības ir labi strukturētas, un skolotājam ir viegli sekot līdzi.

Man patika šī daļa lielākoties no trim GIS specializācijas kursiem, kurus esmu nopelnījis. Paldies Dr Nick Santos par interaktīvo mācīšanu, uzdevumiem un projektiem.

Datu klasificēšana un skatīšana

Šajā trešajā modulī mēs sāksim runāt par projekcijām. Ja jūs ņemat specializāciju kopā ar mums, varat atcerēties, ka mēs to apspriedām pirmajā kursā, taču tas būs padziļināts, tehniskāks pārskats par projekcijām un koordinātu sistēmām. Moduļa otrajā pusē mēs uzzināsim par vides mainīgajiem. Šī moduļa beigās jūs varēsiet aprakstīt koordinātu sistēmas, projicētās koordinātu sistēmas, salīdzināt dažādu projekciju plusus un mīnusus un definēt, kādi ir vides mainīgie un kam tie tiek izmantoti. Jums būs arī iespēja faktiski sākt analizēt savus datus kursa projektā.

Преподаватели

Niks Santoss

Ģeotelpisko lietojumu pētnieks

Текст видео

[MŪZIKA] Sveiki vēlreiz un sveicināti. Šajā lekcijā es jums parādīšu trīs jaunus vides iestatījumus, šūnas lieluma, maskas un snap rastra vides iestatījumus, kas darbojas ar rastra datiem. Pēc manas pieredzes viņi labi sader kopā, un tie parasti ir nepieciešami dažāda veida rastra analīzei. Pirmkārt, jūs pamanīsit, ka šeit beidzot tiek izmantoti daži jauni dati, salīdzinot ar pēdējām trim lekcijām. Mēs izmantojam to pašu digitālo augstuma modeli, kuru izmantojām. Bet tā vietā, lai ar to izmantotu dažus funkciju datus, mums tagad fonā ir rastrs, kas ir vēl viens vēsturisks zemes seguma rastrs 1966. gadam. Un iemesls, kāpēc es to izmantoju, ir tāpēc, ka tas ir divsimt piecdesmit metru šūnu lielumā kur mūsu digitālais augstuma modelis ir trīsdesmit metru šūnu lielumā. Jums, iespējams, vajadzētu to redzēt no sava videoklipa šeit, kur tas izskatās ļoti gludi, un šeit mēs varam redzēt šī saraksta malas šeit. Ja es tuvinātu grafika izšķirtspēju, kur pikseļi sarakstā bija pikseļi manā ekrānā. Mēs šeit esam pietuvināti. Bet tad, ja es tuvināšu šo rastra & # x27s izšķirtspēju, es saņemu tālummaiņu, kur es vairs pat nevaru redzēt otru rastru, tik ļoti atšķirīgu šūnu izmēru šeit. Es atkal tuvināšu šo slāni. Tagad iedomājieties problēmu, kurā es kalkulatorā vēlos strādāt ar zemes seguma rastru un digitālā augstuma modeļa rastru. Un šis digitālā pacēluma modelis jau ir efektīvi apgriezts, tas ir iegūts interesējošajā apgabalā, kas šeit efektīvi riņķo. Un es patiešām vēlos analizēt datus tikai šajā apgabalā, salīdzinot ar visiem apgabaliem, kas atrodas šajā reģionālajā zemes seguma ieguldītājā. Tātad, ja es tuvināšos atpakaļ pie slāņa, man ir jāizdomā veids, kā panākt, lai šis zemes kodola saraksts un šis digitālais pacēluma modelis atbilstu un tiešām, šī ir joma, kas mani interesē. Tāpēc man ne tikai jāpievieno viņiem bet arī man ir nepieciešams, lai viņi tikai analizētu laukumu šajā digitālā augstuma modelī. Tāpēc man ir jautājums, kur ir kāda atklātā laukuma zona, šī zaļā zona, kurai zemes seguma sarakstā ir astoņas vērtības, kas šeit atrodas digitālā augstuma modeļa apgabalā. Nu, es to varu izdarīt, šeit izmantojot vienkāršu atribūtu izrakstu. Un, ja es eju uz ievades sarakstu, es varu izvēlēties Blank Cover Roster un es varu teikt, kur klauzulas vērtība ir vienāda ar astoņām. Un tas visu astoņu rastra šūnu vērtību novedīs pie jauna rastra un visu pārējo atstās kā nulli. Bet, ja es vēlos, lai tas atrodas šajā augstuma līmeņa zonā, man būtu jādodas uz vides iestatījumiem. Es tūlīt iestatīšu divus konkrētus iestatījumus. Vispirms rastra analīzē es iestatīšu masku uz Leavenworth Digital Elevation Model. Maska dažiem no jums var būt pazīstama no citām attēlu apstrādes disciplīnām, taču tā nav pazīstama tik daudziem no jums. Maska ļauj jums teikt jebkur šajā maskas slāņa pikseļos, atgrieziet man pikseļus analīzes slānī. Jebkurā vietā, kur nav attēla, vai ir nulles vērtības, es nevēlos, lai šie dati tiktu apstrādāti. Nedodiet man to atpakaļ, izņemot šīs nulles vērtības. Un jūs varat nodrošināt rastra masku vai daudzstūra masku, kas tiks pārveidota par rastru, un, ja daudzstūri nav pilnībā savienoti, ja starp tiem ir atvērta telpa, tas joprojām tikai piešķir jums tos pikseļus, kas pārklājas ar daudzstūri. Tajā pašā laikā es atkal iestatīšu apstrādes apjomu tāpat kā digitālā augstuma modeli, jo pretējā gadījumā pat ar masku tas aizpildīs pārējo apgabalu ar nulles vērtībām. Visu ceļu līdz sākotnējam zemes seguma žurnālu apjomam. Tā kā & # x27s prasa laiku, tas aizņem vietu diskā, es vienkārši negribu to darīt. Tāpēc es arī iestatīšu apstrādes apjomu. Un tad, lai vienlaicīgi parādītu citu vides iestatījumu, es iestatīšu šūnu lielumu žurnāla analīzei. Parasti tas ir gudrs un saka maksimālo ievadi, sniedzot man vismazāk precīzu aprēķinu. Patiesībā tas ir visprecīzākais. Bet tas ir vismazāk rastra šūnu. It gives you the coarsest raster that's involved in an analyses as the cell size. Because that's really the limiting factor on your analyses. You can't really get more precise than that raster. Even if your other data's at higher resolution. So, it usually chooses the largest cell size. The maximum inputs. But in this case we want to resample the roster at the same time so we're going to set same as Leavenworth's elevation level and then click OK. Now, I want to confirm first the it honors these environment settings. So I'm going to go to tool help and it does honor cell size. It does honor extent, and it does honor mask. So, I should be okay to use all of these environment settings in this calculation here. And I'll call this open space in Leavenworth area, and hit OK to run it. Its going to run, as usual, and it gives me those values back as a new raster and if I leave only it on, I can see that 1 it only gave me data back and outline of that raster two. It's at the new cell size, I can see that from here. Even though it's chunky still, because the land cover roster's chunky. I can see from here that it's at that cell size, which was actually at ten meters, not thirty, because it has that really smooth edge. But when I zoom in I can see that it has the tiny roster chunks here, instead, the 250 meter size being kind of a holdover from the original is still pulling out a bunch of cells there. But I can see that those are many cells in there with the pixel inspector. So those environment settings came out as the mask. And as the cell size. But, I still might have a bit of a problem. If I wanted to take this into raster calculator, my cells don't align. I get these weird edges here. With the pixel inspector I can see that. I'm partially overlapping a bunch of other cells. And if I wanted to take these into roster calculator for further analysis along with the digital ovation model. Maybe I wanted to subset the open space that is above or below certain elevation for analysis for a specific habitat or something. Or to find a park location that I would like to build. Since these cells don't align that makes our analysis much more imprecise. And so what I want to do is I also want to set a snap raster. And you can think of a snap raster kind of visceral. The way it's talking about. Like a snap. As if the corner of these cells ended up snapping up. So that they attach to the corner of the other raster cells and completely realign the raster as the output. So let's run that tool again. I'll go to results and we'll run it as it was. And I'll rename it since it already has the output, and I'll just add snap to the end. And then under environments, our processing extent's already set because we did that before and under raster analysis, we have our self-sizing mask. Also under processing extent, we have snap raster. And we can specify any raster to align the corners of our cells to. A click here, Leavenworth Digital Elevation Model UTM. And I don’t have to use the snap raster on something where I'm actually going to align the cell sizes. But it's generally good to. If I did a snap raster where I didn't align the cell sizes as well it would in fact align the bottom left corner of the raster to the same corner of the input raster. And then using its cell size would build up from there. So you can get some alignment if you want that but the best way to do it is to make the cell size the same and a snap raster. And that way you get completely overlapping cells. And because we're changing the cell size and the actual location of the cells with the snap raster we are going to get re-sampling here. So, that's important to know. And let's run this one more time. Click OK. And OK to run. Zoom back out And we get another one here and let's zoom in and take a look again. Okay, so we still have a problem. I didn't get it right yet, did I? The snap roster wasn't the only thing I needed. And in fact, even though this layer overlays the other part, it's possible that it was snapping correctly. But it's not aligning correctly with the cells still, due to another factor. And this genuinely took me a moment to figure out. See if you can figure out what might be going on. Okay, so the thing that I know about that you don't is that this data set and this data set are different coordinate systems. And what that means is that even if the bottom left corner snaps, it doesn't necessarily mean that the cells align from there, or they overlap at that point. The bottom left corners are in the same spot, but since they're not in the same coordinate systems, the cells kind of converge in direction. So I'm going to run this again, and I can set my environment settings. So I have a processing extent, [INAUDIBLE] below. I have my snap raster set to the digital elevation model. And then I'm going to set my output coordinate system to the digital elevation model. Remove these extras that accumulated while I was trying alternatives. And then I'm just going to make sure that my raster analysis is still set. Okay, now with the snap raster and the output coordinate system set so that set to the same as the layer I ultimately want to align with, as well as the processing extent, not necessary, but again speeds it up. And then my cell size set and my mask, I should get what I wanted here. And I'll call it snapped, and UTM. Click OK to run it. And there we go. It overlaps with the digital elevation model cells the way it should. And if I want to, let's just do a swipe, actually. I was going to make it semi-transparent, but we'll do a quick swipe of this and take that layer and use the Swipe tool. And we can see that the cells align perfectly at the edges there. So that's it for this lecture. In this lecture I think we all learned something, and we covered the cell size environment setting where it will down scale or upscale the cell size of raster for you. While it's doing another analysis. We looked at the analysis mask, which basically extracts data, and only analyzes an area based upon a masked dataset that you provide. And we looked at the snap raster environment setting, which aligns cells in a raster based on the bottom left corner. But it doesn't perfectly align it as we all learned unless you set that output coordinate system to be the same as the snap raster that you've selected. That's it for our lesson on environment settings. There's plenty more about different environment options that you can look at but that's all we're going to cover in this course. So I encourage you to take a look at some of the others if you think they'll be relevant to your work. And now you should have a good, general understanding of environment settings. To take with you as you go look at those other options. See you next time.


Symbolize the solar radiation layer

Next, you will symbolize the Solar_Rad layer. For your analysis, you will use uniform symbology for all solar radiation raster layers to ensure that they can be compared visually. You will apply a layer file with predefined symbology to the layer. This layer file was included with the project data.

The Symbology pane appears.

The layer file is applied to the layer. The new symbology appears on the map.

Red and orange colors indicate higher amounts of solar radiation, while yellow and blue tones indicate lower amounts. (Cells that are outside the Building_Footprints layer have a value of NoData and are not displayed.)

North-facing roof slopes tend to receive less solar energy than south-facing ones. Additionally, roofs blocked by trees or other buildings sometimes receive less solar energy.

You have mapped annual solar energy on Glover Park rooftops. First, you created a solar radiation raster layer. Then, you converted the units of measurement and symbolized the layer for visualization purposes. Next, you will identify rooftops suitable for solar panels.


Train_classifier¶

arcgis.raster.analytics. train_classifier ( input_raster , input_training_sample_json , classifier_parameters , segmented_raster = None , segment_attributes = 'COLORMEAN' , dimension_value_field = None , * , gis = None , future = False , ** kwargs ) ¶

The Train Classifier task is a service to train image classifiers and return an .ecs file in dictionary format. The .ecs file is used in the classify function.

Apraksts

Required ImageryLayer object

Optional JSON. This is the dictionary representation of the training samples. To convert feature layer to JSON, perform:

query_result = <feature_layer>.query() input_training_sample_json = query_result.to_json

Set input_training_sample_json to None, for iso method.

Required dict. The classifier algorithm and parameters used in the supervised training.


Skatīties video: ArcGIS Pro duomenų panaudojimo galimybės