ใช้การหาด้วยระยะ

เครื่องมือเหล่านี้ จะช่วยคุณตอบคำถามบางส่วนที่พบบ่อยที่สุดในการวิเคราะห์เชิงพื้นที่: สิ่งใดอยู่ใกล้สิ่งใด และเส้นทางที่มีเหมาะสมที่สุดคือเส้นทางใด

• คำนวณระยะทาง คำนวณระยะทาง Euclidean, ทิศทางและการจัดสรรจากต้นทางเดียวหรือชุดของต้นทาง
• กำหนดโครงข่ายต้นทุนการเดินทางที่ดีที่สุด คำนวณโครงข่ายต้นทุนที่ดีที่สุดจากชุดของส่วนอินพุต
• กำหนดเส้นทางของค่าเดินทางเป็นเส้นรอบ คำนวณเส้นทางเส้นรอบที่มีต้นทุนต่ำที่สุดระหว่างต้นทางและปลายทางที่รู้จัก
• การสะสมระยะทาง คำนวณระยะทางสะสมสำหรับแต่ละเซลล์ไปยังต้นทาง เพื่อให้สามารถลากเส้นเป็นเส้นตรงระบุระยะทาง ระยะทางต้นทุน ระยะทางพื้นผิวจริง และ ตัวแปรแนวตั้งและแนวนอน
• การจัดสรรระยะทาง คำนวณการจัดสรรระยะทางสำรับแต่ละเซลล์ไปยังต้นทางที่แจ้งพิจารณาจากเส้นทางเป็นเส้นตรง ระยะทางต้นทุน ระยะทางพื้นผิว และตัวแปรแนวตั้งและแนวนอน
• เส้นทางที่เหมาะสมที่สุดในรูปแบบเส้น คำนวณเส้นทางที่เหมาะสมที่จุดจากปลายทางไปยังต้นทางในรูปแบบเส้น
• เส้นทางที่เหมาะสมที่สุดในรูปแบบแรสเตอร์ คำนวณเส้นทางที่เหมาะสมที่จุดจากปลายทางไปยังต้นทางในรูปแบบแรสเตอร์
• การเชื่อมต่อภูมิภาคที่เหมาะสมที่สุด คำนวณเครือข่ายเชื่อมต่อที่เหมาะสมที่สุด ระหว่างอย่างน้อยสองภูมิภาคอินพุท

การเรียนรู้เชิงลึก

เครื่องมือเหล่านี้ใช้เพื่อตรวจจับหรือเพื่อจำแนกฟีเจอร์เฉพาะในภาพหรือเพื่อจำแนกพิกเซลในชุดข้อมูลแบบแรสเตอร์ การเรียนรู้เชิงลึกเป็นวิธีการเรียนรู้ของเครื่องประดิษฐ์อัจฉริยะที่ตรวจจับฟีเจอร์ในภาพโดยใช้หลายชั้นข้อมูลในเครือข่ายประสาทซึ่งแต่ละชั้นสามารถแยกคุณลักษณะเฉพาะอย่างน้อยหนึ่งอย่างในภาพ เครื่องมือเหล่านี้ใช้โมเดลที่ได้รับการฝึกอบรมเพื่อตรวจสอบคุณลักษณะเฉพาะในกรอบการเรียนรู้เชิงลึกของบุคคลที่สามเช่น TensorFlow, CNTK และ Keras และฟีเจอร์เอาต์พุตหรือแผนที่คลาส

• จำแนกพิกเซลโดยใช้การเรียนรู้เชิงลึก สร้างแรสเตอร์ที่จำแนกประเภทโดยใช้โมเดลการเรียนรู้เชิงลึกที่ฝึก
• ตรวจหาวัตถุโดยใช้การเรียนรู้เชิงลึก สร้างคลาสฟีเจอร์ที่มีวัตถุที่ค้นพบแรสเตอร์อินพุตโดยใช้โมเดลการเรียนรู้เชิงลึกที่ฝึก
• จำแนกวัตถุโดยใช้การเรียนรู้เชิงลึก สร้างคลาสฟีเจอร์หรือตารางที่อินพุตวัตถุแต่ละรายการในอินพุตแรสเตอร์ถูกกำหนดด้วยเลเบลของคลาสโดยใช้โมเดลการเรียนรู้เชิงลึกที่ผ่านการฝึกอบรม

การวิเคราะห์หลายมิติ

เครื่องมือในชุดเครื่องมือการวิเคราะห์หลายมิติช่วยให้คุณสามารถวิเคราะห์ข้อมูลทางวิทยาศาสตร์ในรูปแบบหลายตัวแปรและหลายมิติ

ข้อมูลหลายมิติจะแสดงข้อมูลที่ถูกบันทึกไว้หลายครั้ง ทั้งความลึกและความสูง ข้อมูลประเภทนี้มักใช้ในส่วนของชั้นบรรยากาศ สมุทรศาสตร์และธรณีศาสตร์ ด้วยชุดเครื่องมือนี้ คุณจึงสามารถวิเคราะห์ข้อมูลแรสเตอร์หลายมิติในอยู่ในหลาย ๆ รูปแบบได้ ซึ่งรวมถึง netCDF, HDF, GRIB, ชุดข้อมูลโมเสกหลายมิติและ Esri’s Cloud Raster Format (CRF) ได้

ตารางต่อไปนี้แสดงรายการเครื่องมือวิเคราะห์หลายมิติและแสดงคำอธิบายสั้น ๆ ของแต่ละรายการ

• รวมแรสเตอร์หลายมิติ สร้างชุดข้อมูลแรสเตอร์หลายมิติโดยการรวมตัวแปรแรสเตอร์หลายมิติที่มีอยู่ตามแต่ละมิติ
• สร้างความผิดปกติหลายมิติ คำนวณความผิดปกติของแต่ละรายการในแรสเตอร์หลายมิติเพื่อสร้างแรสเตอร์หลายมิติ
• สร้างแนวโน้มแรสเตอร์ ประเมินแนวโน้มของพิกเซลแต่ละรายการพร้อมมิติสำหรับหนึ่งหรือหลายตัวแปรในแรสเตอร์หลายมิติ
• ทำนายการใช้แนวโน้มรัสเตอร์ คำนวณแรสเตอร์หลายมิติที่คาดการณ์โดยใช้แรสเตอร์แนวโน้มเอาต์พุตจากเครื่องมือ สร้างแนวโน้มแรสเตอร์
• ค้นหาสถิติอาร์กิวเมนต์ แยกค่ามิติข้อมูลหรือดัชนีแบนด์ซึ่งเป็นสถิติที่กำหนดไว้สำหรับแต่ละพิกเซลในแรสเตอร์หลายมิติหรือหลายแบนด์