Rastra analīze ļauj veikt lielu rastra datu kopu analīzi, izmantojot ArcGIS Image Server. Tādējādi varat ātrāk analizēt lielāku datu apjomu, izmantojot servera jaudu.Pašlaik, izmantojot Portal for ArcGIS tīmekļa lietotāju pieredzi, pieejamās rīku kopas ir šādas: Apkopot datus, Analizēt modeļus, Izmantot tuvumu, Analizēt attēlu, Analizēt reljefu, Pārvaldīt datus, Deep Learning un Daudzdimensiju analīze.

Apkopot datus


Rīki tiek izmantoti, lai aprēķinātu norādītās teritorijas (zonas) rastra slāņa statistiku.

Apkopot rastru šajās robežās

Rīks Apkopot rastru šajās robežās:

Šis rīks apkopo rastra vērtības citas datu kopas zonās.


Zonālā statistika kā tabula

Rīka Zonālā statistika kā tabula diagramma

Šis rīks apkopo rastra vērtības citas datu kopas zonās un uzrāda rezultātus tabulā.


Modeļu analīze


Šie rīki palīdzēs jums identificēt, aprēķināt un vizualizēt jūsu datu telpiskos modeļus.

Aprēķināt blīvumu

Blīvuma aprēķināšanas rīks

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

Punktu interpolēšanas rīks

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 tuvumā esošos


Šie rīki palīdz atbildēt uz dažiem visbiežāk uzdotajiem jautājumiem par telpisko analīzi: Kādi objekti atrodas tuvumā? un Kāds ir optimālākais ceļš?

Aprēķināt attālumu

Aprēķināt attālumu

Šis rīks aprēķina Eiklīda attālumu, virzienu un sadalījumu no viena avota vai avotu kopas.


Optimālo ceļošanas izmaksu tīklu noteikšana

Rīka Optimālo ceļošanas izmaksu tīklu noteikšana ilustrācija

Šis rīks aprēķina optimālo ceļošanas tīklu no ievades reģionu kopas.


Noteikt ceļošanas izmaksu ceļu kā polilīniju

Rīka Noteikt ceļošanas izmaksu ceļu kā polilīniju ilustrācija

Šis rīks aprēķina minimālo izmaksu polilīniju ceļu starp avotiem un zināmiem galamērķiem.


Attāluma akumulācija

Rīka Attāluma akumulācija attēlojums

Šis rīks aprēķina akumulēto attālumu no katras šūnas līdz avotiem, nodrošinot taisnas līnijas attālumu, izmaksu attālumu, reālo virsmas attālumu, kā arī vertikālos un horizontālos koeficientus.


Attāluma piešķiršana

Rīka Attāluma piešķiršana attēlojums

Šis rīks aprēķina attālumu no katras šūnas līdz norādītajiem avotiem, pamatojoties uz taisnas līnijas attālumu, izmaksu attālumu, reālo virsmas attālumu, kā arī vertikālajiem un horizontālajiem koeficientiem.


Optimāls ceļš kā līnija

Attēlojums rīkam Optimāls ceļš kā līnija

Šis rīks aprēķina optimālo ceļu no galamērķiem uz avotiem kā līniju.


Optimāls ceļš kā rastrs

Rīka Optimāls ceļš kā rastrs attēlojums

Šis rīks aprēķina optimālo ceļu no galamērķiem uz avotiem kā rastru.


Optimāli reģiona savienojumi

Rīka Optimāli reģiona savienojumi attēlojums

Šis rīks aprēķina optimālo savienojamības tīklu starp diviem vai vairākiem ievades reģioniem.


Analizēt attēlu


Šis rīks rīku kategorijā Analizēt attēlu palīdz analizēt attēlus:

Veģetācijas monitorings

Portāla veģetācijas pārraudzības rīks

Veic aritmētisku darbību vairākjoslu rastra slāņa joslās, lai atklātu pētījumu teritorijas veģetācijas seguma informāciju.


Reljefa analīze


Šos rīkus var izmantot, lai analizētu rastra virsmas.

Aprēķināt slīpumu

Portāla rīks 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

Portāla rīks 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

Rīks Izveidot redzamības lauku

Nosaka novietojumus uz rastra virsmas, kas ir redzami vērotāju kopai.


Ūdensšķirtne

Ūdensšķirtnes uzdevums

Nosaka atbilstošo teritoriju virs rastra šūnu kopas.


Datu pārvaldība


Šie rīki tiek izmantoti gan ikdienas ģeogrāfisko datu pārvaldīšanai, gan datu apvienošanai pirms analīzes.

Izvilkt rastru

Portāla rīks Izvilkt rastru

Izvelciet šūnas no rastra, pamatojoties uz citas datu kopas vērtību, formu vai pārklājumu.


Pārkartēt vērtības

Portāla rīks Pārkartēt vērtības

Mainiet atsevišķas šūnu vērtības vai to diapazonus uz jaunām vērtībām.


Pārvērst elementu par rastru

Rīks Pārvērst elementu par rastru

Izveidojiet jaunu rastra datu kopu no esošās elementu datu kopas.


Pārvērst rastru par elementu

Rīks Pārvērst rastru par elementu

Izveidojiet jaunu elementu datu kopu no esošās rastra datu kopas.


Paraugs

Paraugs

Izveido tabulas vai punktu elementu klasi ar datu vērtībām norādītajās atrašanās vietās, kas izgūtas no rastra vai rastru kopas.


Deep Learning


Šie rīki tiek izmantoti, lai noteiktu vai klasificētu konkrētus attēla elementus 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 izgūt 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.

Funkcija Klasificēt pikseļus, izmantojot Deep Learning

Funkcija Klasificēt pikseļus, izmantojot Deep Learning

Šis rīks izmanto apmācītu Deep Learning modeli uz ievades rastra, lai izgatavotu klasificētu rastru, un katram derīgajam pikselim ir piešķirta klases atzīme.


Funkcija Noteikt objektus, izmantojot Deep Learning

Funkcija Noteikt objektus, izmantojot Deep Learning

Šis rīks izmanto trenētu Deep Learning modeli uz ievades rastra, lai izveidotu elementu klasi, kurā ir atrastie objekti. Šie elementi var būt lodziņi vai laukumi ap atrastajiem objektiem vai punkti objektu centros.


Klasificēt objektus, izmantojot Deep Learning

Klasificēt objektus, izmantojot Deep Learning

Šis rīks izmanto Deep Learning modeli ievades rastra vai papildu elementu klasei, lai izveidotu elementu klasi vai tabulu, kurā katram ievades objektam ir piešķirts klases apzīmējums.


Multidimensiju analīze


Multidimensiju analīzes rīku komplektā pieejamie rīki jums ļauj analizēt zinātniskos datus dažādu mainīgo un dimensiju ietvaros.

Multidimensiju dati ir dažādos laikos, dziļumos un augstumos savākti dati. Šī veida datus parasti izmanto atmosfēras, okeanogrāfijas un zemes zinātnē. Šajā rīku komplektā jūsu varat analizēt multidimensiju rastra datus dažādos formātos, tostarp netCDF, HDF, GRIB, multidimensiju mozaīkas datu kopā un Esri Cloud Raster Format (CRF).

Tālāk redzamajā tabulā ir norādīti multidimensiju analīzes rīki un īss katra rīka aprasts.

Apkopot daudzdimensiju rastru

Apkopot daudzdimensiju rastru

Šis rīks ģenerē multidimensiju rastru datu kopu, apkopojot dimensijā esošos multidimensiju rastra mainīgos.


Atrast argumenta statistiku

Atrast argumenta statistiku

Šis rīks izgūst dimensijas vērtību jeb joslas indeksu, pie kura katram pikselim multidimensiju vai vairāku joslu rastrā tiek panākta konkrēta statistika.


Ģenerēt daudzdimensiju anomāliju

Ģenerēt daudzdimensiju anomāliju

Šis rīks aprēķina katras sadaļas anomāliju multidimensiju rastrā, lai ģenerētu multidimensiju rastru.


Ģenerēt tendences rastru

Ģenerēt tendences rastru

Šis rīks izvērtē katra pikseļa tendenci dimensijā vienam vai vairākiem multidimensiju rastra mainīgajiem.


Prognozēt, izmantojot tendenču rastru

Prognozēt, izmantojot tendenču rastru

Šis rīks aprēķina prognozēto multidimensiju rastru, izmantojot rīka Ģenerēt tendenču rastru izvades tendenču rastru.