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, izmantojot: aprēķina statistiku rastru šūnām, kas atrodas definētās teritorijas robežās.
- Rīks Zonālā statistika kā tabula apkopo rastra vērtības citas datu kopas zonās un uzrāda rezultātus tabulā.
Apkopot rastru šajās robežās |
|
Šis rīks apkopo rastra vērtības citas datu kopas zonās.
Zonālā statistika kā tabula |
|
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.
- 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.
Aprēķināt blīvumu |
|
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 tuvumā esošos
Šie rīki palīdz atbildēt uz dažiem visbiežāk uzdotajiem jautājumiem par telpisko analīzi: Kādi objekti atrodas tuvumā? un Kāds ir optimālākais ceļš?
- 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 lauztu līniju aprēķina minimālo izmaksu lauzto līniju ceļu zināmiem galamērķiem un avotiem.
- Rīks Attāluma akumulēšana aprēķina akumulēto attālumu no katras šūnas līdz avotiem, nodrošinot taisnas līnijas attālumu, izmaksu attālumu un reālo virsmas attālumu, kā arī vertikālos un horizontālos koeficientus.
- Rīks Attāluma piešķiršana aprēķina attālumu no katras šūnas līdz norādītajiem avotiem, balstoties uz taisnas līnijas attālumu, izmaksu attālumu un reālo virsmas attālumu, kā arī vertikālajiem un horizontālajiem koeficientiem.
- Rīks Optimālais ceļš kā līnija aprēķina optimālo ceļu no galamērķiem uz avotiem kā līniju.
- Rīks Optimālais ceļš kā rastrs aprēķina optimālo ceļu no galamērķiem uz avotiem kā rastru.
- Rīks Optimālais reģionu savienojums aprēķina optimālo savienojamības tīklu starp diviem vai vairākiem ievades reģioniem.
Aprēķināt attālumu |
|
Šis rīks aprēķina Eiklīda attālumu, virzienu un sadalījumu no viena avota vai avotu kopas.
Optimālo ceļošanas izmaksu tīklu noteikšana |
|
Šis rīks aprēķina optimālo ceļošanas tīklu no ievades reģionu kopas.
Noteikt ceļošanas izmaksu ceļu kā polilīniju |
|
Šis rīks aprēķina minimālo izmaksu polilīniju ceļu starp avotiem un zināmiem galamērķiem.
Attāluma akumulācija |
|
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 |
|
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 |
|
Šis rīks aprēķina optimālo ceļu no galamērķiem uz avotiem kā līniju.
Optimāls ceļš kā rastrs |
|
Šis rīks aprēķina optimālo ceļu no galamērķiem uz avotiem kā rastru.
Optimāli reģiona savienojumi |
|
Šis rīks aprēķina optimālo savienojamības tīklu starp diviem vai vairākiem ievades reģioniem.
Analizēt attēlu
Šis rīks rīku kategorijā Analizēt attēlu palīdz analizēt attēlus:
- Rīks Pārraudzīt veģetāciju attēlā konstatē relatīvo veģetācijas pārklājumu, pamatojoties uz aritmētiskām darbībām joslās. Attēlu analīzei ir pieejami vairāki veģetācijas indeksi.
Veģetācijas monitorings |
|
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.
Datu pārvaldība
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.
- Rīks Pārvērst elementu par rastru vektora datus pārvērš rastra attēlā.
- Rīks Pārvērst rastru par elementu rastra datus pārvērš vektoru attēlā.
- Rīks Paraugs izgūst datus no rastra vai rastru kopām norādītās atrašanās vietās.
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.
Pārvērst elementu par rastru |
|
Izveidojiet jaunu rastra datu kopu no esošās elementu datu kopas.
Pārvērst rastru par elementu |
|
Izveidojiet jaunu elementu datu kopu no esošās rastra datu kopas.
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.
- Klasificēt pikseļus, izmantojot Deep Learning, veido klasificētu rastru, izmantojot Deep Learning modeli.
- Noteikt objektus, izmantojot Deep Learning izveido elementu klasi, kas satur objektus, kurus funkcija atrod ievades rastrā, izmantojot apmācītu Deep Learning modeli.
- Klasificēt objektus, izmantojot Deep Learning izveido elementu klasi vai tabulu, kurā katram ievades rastra ievades objektam tiek piešķirts klases apzīmējums, izmantojot apmācītu Deep Learning modeli.
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 |
|
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 |
|
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.
- Rīks Apkopot multidimensiju rastru ģenerē multidimensiju rastra datu kopu, dimensijā apkopojot esošā multidimensiju rastra mainīgos.
- Rīks Ģenerēt multidimensiju anomāliju aprēķina katra sektora anomāliju multidimensiju rastrā, lai ģenerētu multidimensiju rastru.
- Rīks Ģenerēt tendences rastru izvērtē katra pikseļa tendenci dimensijā vienam vai vairākiem multidimensiju rastra mainīgajiem.
- Rīks Prognozēt, izmantojot tendenču rastru aprēķina prognozēto multidimensiju rastru, izmantojot rīka Ģenerēt tendenču rastru izvades tendenču rastru.
- Rīks Atrast argumenta statistiku izgūst dimensijas vērtību jeb joslas indeksu, pie kura katram pikselim multidimensiju vai vairāku joslu rastrā tiek panākta konkrēta statistika.
Apkopot daudzdimensiju rastru |
|
Šis rīks ģenerē multidimensiju rastru datu kopu, apkopojot dimensijā esošos multidimensiju rastra mainīgos.
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 |
|
Šis rīks aprēķina katras sadaļas anomāliju multidimensiju rastrā, lai ģenerētu multidimensiju rastru.
Ģenerēt tendences rastru |
|
Šis rīks izvērtē katra pikseļa tendenci dimensijā vienam vai vairākiem multidimensiju rastra mainīgajiem.
Prognozēt, izmantojot tendenču rastru |
|
Šis rīks aprēķina prognozēto multidimensiju rastru, izmantojot rīka Ģenerēt tendenču rastru izvades tendenču rastru.