Daugiau

Išgauti spalvų vertes nuo sluoksnio iki sukurti indeksą naudojant „ArcPy“ / „ArcMap“?

Išgauti spalvų vertes nuo sluoksnio iki sukurti indeksą naudojant „ArcPy“ / „ArcMap“?


Mano universitetas nori, kad mūsų sukurti žemėlapiai taptų labiau standartizuoti, todėl mes keičiame visas pagrindinio vektoriaus žemėlapio spalvas.

Naujas standartas turi būti indeksuojamas, ir aš turiu užduotį sukurti skaičiuoklę / dokumentą, kuris mums padės ateityje.

Yra beveik 100 sluoksnių, kuriuos man reikia indeksuoti, pvz., Daugiakampio sluoksnio pavadinimu, užpildo spalva (rgb reikšmės), krašto spalva ir kraštinės pločiu.

Tik neseniai pradėjau mokytis „ArcPy“, todėl tikėjausi, kad bus GUI metodas, kurio galėčiau laikytis, o jei ne, ko turėčiau ieškoti „ArcPy“ scenarijuje.

Kaip išgauti šią informaciją?


Yra būdas, bet nėra lengvas, nes jis apima paslaugos apibrėžimo sukūrimą ir XML failų skaitymą.

1) Naudodami „arcpy“ funkciją „CreateMapSDDraft“ ir „StageService_server“ galite sukurti .sd failą.

2) Išpakuokite „service name“ .sd failą.

3) Išpakuokite… v101 ”paslaugos pavadinimas” .msd failą.

4) Faile… layer ”layname” .xml yra spalvų kodai (RGB / CMYK ir kt.), Kaip parodyta žemiau

Taigi galite automatizuoti visą procesą naudodami pitoną.


Sutinku su @ianbroad komentarais:

Atrodo, kad tai gali būti rankinis procesas. Nemanau, kad arcpy gali išgauti užpildo spalvą, kraštinės spalvą ar kraštinės plotį. Greičiausiai šią informaciją galėtumėte gauti naudodamiesi „ArcObjects“, tačiau kažkas kitas turėtų tai patvirtinti.

ir @Fezter:

Ar būtų įmanoma išsaugoti lyr failus, kuriuose saugomi visi tie daiktai? Galite atidaryti visus savo sluoksnius į MXD su visu simbolių rinkiniu. Tada pakartokite juos ir naudokite arcpy.SaveToLayerFile_management

Asmeniškai aš laikyčiausi „@ Fezter“ pasiūlyto metodo, kurį mačiau taikantį labai efektyviai kai kuriose svetainėse, kuriose konsultuojuosi.


Visi metodai

Vertės metodo lauke „DynamicValue“ lentelėje apibrėžiami veiksmai, kurie atliekami, kai įgalinamas atributų padėjėjas ir funkcijos yra modifikuojamos ar sukuriamos „ArcMap“. Keturi laukai lentelėje „DynamicValue“ (Reikšmės metodas, Lentelės pavadinimas, Lauko pavadinimas ir Reikšmės informacija) turi būti sukonfigūruoti naudoti Atributų padėjėjo metodą. Likę laukai apibrėžia, kada turėtų būti taikomas „Atributo padėjėjo“ metodas.

Jei jūsų naudojamas metodas sukuria naują įrašą, šis įrašas negalimas, kol visos taisyklės, suaktyvinusios taisyklę suaktyvinusį objektą, nebus apdorotos. Šie metodai sukuria naujus įrašus:

  • Kopijuoti ypatybes
  • Sukurti susietą įrašą
  • Sukurkite statmeną liniją
  • Sukurkite statmeną tiesę tiesei
  • Padalinta susikertanti funkcija

Šie 71 „Attribute Assistant“ metodai gali būti sukonfigūruoti jūsų „DynamicValue“ lentelėje:

Metodas apibūdinimas
Kampas Apskaičiuoja tiesės ypatybės geografinį arba aritmetinį kampą.
Autonumber Randa didžiausią lauko vertę ir apskaičiuoja kitą eilės vertę.
Kaskados atributai Atnaujina visus vertės atvejus, kai keičiama atitinkama reikšmė kitoje lentelėje.
Kopijuoti ypatybes Nukopijuoja funkciją, kai atributas atnaujinamas iki nurodytos vertės.
Kopijuoti susietą įrašą Atnaujinamas objekto atributas su verte iš susijusios lentelės.
Sukurti susietą įrašą Sukuriamas naujas įrašas funkcijų sluoksnyje, susijęs su lentele, naudojant pirminio / svetimo rakto santykį.
Sukurkite statmeną liniją Sukuria statmeną tiesę nuo įvesties taško ir kertančią tiesę. Linijos ilgis nurodomas parametru Ilgis.
Sukurkite statmeną tiesę tiesei Sukuria statmeną tiesę nuo įvesties taško iki artimiausios tiesės.
Dabartinis vartotojo vardas Surašo dabartinį vartotojo vardą.
Krašto statistika Pateikia visų sujungtų kraštų geometrinio tinklo statistiką nurodytame lauke.
Išraiška Vykdo „VBScript“, kurį įvertino „MSScriptControl“. Galima naudoti norint pasiekti integruotas funkcijas ir sąlyginę logiką (jei sakiniai).
Funkcijų statistika Apibendrina paveikto objekto atributų reikšmes kaip statistikos seriją arba vieną apskaičiuotą vertę.
Laukas Nukopijuoja vertę iš vieno lauko į kitą toje pačioje klasėje.
Lauko trigeris Atnaujina lauką iki nurodytos vertės, kai atnaujinama kito lauko reikšmė.
Iš krašto lauko Nukopijuoja lauko vertę iš prijungtos „From Edge“ funkcijos į prijungtą jungties funkciją.
Nuo krašto kelių laukų sankirtos Nukopijuoja visų nuo jungčių sujungtų kraštų reikšmes į laukų seriją šaltinio sluoksnyje.
Iš krašto statistikos Apskaičiuoja nurodyto lauko visų funkcijų, susietų su „From Edges“, geometrinio tinklo statistiką.
Iš sankryžos lauko Nukopijuoja lauko vertę iš prijungtos „From Junction“ funkcijos į prijungto krašto funkciją. Taip pat gali nukopijuoti funkcijų klasės pavadinimą šiuo metu redaguojamos eilutės pradžioje.
Generuoti ID Padidina eilutę neapverstoje lentelėje ir išsaugo tą naujai padidintą vertę.
Generuoti ID pagal sankirtą Generuoja unikalius funkcijų identifikatorius, pagrįstus susikertančių tinklo elementų identifikatoriais.
Gaukite adresą iš centrinės linijos Ištraukia adreso informaciją iš artimiausio kelio taško. Jis panašus į atvirkštinį geokodą, tačiau lokatoriaus paslauga nenaudojama.
Gaukite adresą naudodami „ArcGIS“ paslaugą Atlieka atvirkštinį geokodą naudodamas nurodytą „ArcGIS“ paslaugą.
Gaukite adresą naudodami „Geocoder“ Atlieka atvirkštinį geokodą naudodamas geokoderį.
GUID Sukuria visuotinai unikalų identifikatorių (GUID).
Susikertantis loginis Saugoma vertė, jei suaktyvinanti funkcija susikerta su nurodyto sluoksnio ypatybe.
Susikertantis grafas Apskaičiuoja susikertančių funkcijų skaičių ir išsaugo skaičių nurodytame lauke.
Kertantis kraštas Nukopijuoja lauko vertę iš pirmojo susikertančio krašto elemento.
Kertantis bruožas Nukopijuoja vertę iš susikertančio elemento nurodytame sluoksnyje.
Susikertantis objekto atstumas Apskaičiuoja atstumą išilgai linijos požymio, kur liniją kerta kita ypatybė.
Susikertanti sluoksnio informacija Ištraukia susikertančio sluoksnio pavadinimą arba failo kelią.
Susikertantis rastras Ištraukia rastro langelio vertę objekto vietoje. Jei bruožas yra linija ar daugiakampis, naudojama rastro reikšmė ypatybės centroide.
Susikertanti statistika Skaičiuoja kryžminančių funkcijų nurodyto lauko statistiką.
Junction Rotation Saugo sankryžos elemento pasukimo kampą pagal sujungtų kraštų ypatybes.
Paskutinė vertė Pakartoja paskutinę lauko reikšmę.
Platuma Saugoma y koordinačių vertė, suprojektuota WGS84 dešimtainiais laipsniais.
Ilgis Apskaičiuoja linijos požymių ilgį ir daugiakampio požymių plotą.
Susieti lentelės turtą Atnaujina lentelės ar sluoksnio lauką su pasirinktos funkcijos verte.
Ilguma Saugoma x koordinačių vertė, suprojektuota WGS84 dešimtainiais laipsniais.
Žemėlapio informacija Saugoma informacija iš dabartinio žemėlapio dokumento metaduomenų arba redaguojamo sluoksnio informacijos apie versiją.
Minimalus ilgis Atmeta naujai sukurtą linijos funkciją, jei linijos ilgis yra mažesnis nei nurodytas atstumas.
Kelios lauko susikertančios vertės Nukopijuoja reikšmes iš naujų susikertančių funkcijų į tikslinį sluoksnį.
Artimiausias bruožas Nukopijuoja vertę iš artimiausio nurodyto sluoksnio elemento.
Artimiausi funkcijų atributai Nukopijuoja reikšmių seriją iš artimiausio objekto nurodytame sluoksnyje.
Įskaitymas Nurodo taško vietą nurodytu atstumu nuo artimiausios linijos funkcijos.
Ankstesnė vertė Stebi lauką, o kai jis pakeičiamas, ankstesnę vertę išsaugo kitame lauke.
Prašymas Nustato įrašus, kuriuose yra nulinės vertės. Jei lauke naudojamas potipis arba domenas, šios parinktys pateikiamos dialogo lange, kurį vartotojas gali pasirinkti.
Nustatykite matus Gyvena tiesių ypatybių m koordinates. M reikšmės gali būti naudojamos maršruto įvykiams pridėti prie taško ir linijos įvykių dinamiškai pagal linijos ypatybes.
Šoninė Nustato, ar taško ypatybė yra kairėje ar dešinėje nuo atitinkamos linijos ypatybės.
Padalinta susikertanti funkcija Skirstomos funkcijos, susikertančios su šaltinio sluoksnio ypatybėmis.
Laiko žymė Surašo dabartinę datą ir laiką.
Į krašto lauką Nukopijuoja lauko vertę iš prijungtos funkcijos į prijungtą jungties funkciją.
Norėdami susikirsti kelis laukus Nukopijuoja visų prie jungčių, sujungtų su sankryža, reikšmes į laukų seriją šaltinio sluoksnyje.
Į krašto statistiką Apskaičiuoja visų funkcijų, susietų su geometrinio tinklo „To Edges“, statistiką nurodytame lauke.
Į sankryžos lauką Nukopijuoja vertę iš prijungtos prie jungties funkcijos į prijungto krašto funkciją. Taip pat gali nukopijuoti funkcijų klasės pavadinimą šiuo metu redaguojamos eilutės pabaigoje.
Suaktyvinti atributo padėjėjo įvykį iš krašto Suaktyvina „From Edge“ funkcijos atributų padėjėją.
Suaktyvinti atributo padėjėjo įvykį iš sankryžos Suaktyvina „From Junction“ funkcijos atributų padėjėją.
Suaktyvinti atributo padėjėjo įvykio susikertančią funkciją Suaktyvina susikertančių funkcijų atributų padėjėją.
Suaktyvinti pagalbinio atributo įvykį į kraštą Suaktyvina „To Edge“ funkcijos atributų padėjėją.
Suaktyvinkite atributo padėjėjo įvykį prie jungties Suaktyvina „Atsijungti“ funkcijos „Atributų padėjėjas“ funkciją.
Atnaujinti iš krašto lauko Nukopijuoja lauko reikšmę iš sankryžos į prijungtą „From Edge“ funkciją.
Atnaujinti iš jungties lauko Nukopijuoja lauko vertę iš prijungto krašto į prijungtą funkciją Iš jungties.
Atnaujinti susikertančią funkciją Kertančio objekto lauką atnaujina vertė arba lauko reikšmė iš modifikuoto ar sukurto objekto.
Atnaujinti susietą įrašą Randa susijusius įrašus kitoje lentelėje ar sluoksnyje ir atnaujina tų įrašų lauką.
„Update to Edge“ laukas Nukopijuoja lauko reikšmę iš sankryžos į prijungtą „To Edge“ funkciją.
„Update to Junction“ laukas Nukopijuoja lauko vertę iš prijungto krašto į prijungtą prie jungties funkciją.
Patvirtinti atributų paiešką Patikrina lauko reikšmes pagal paieškos lentelės įrašus.
Patvirtinti atributus Palygina įvesties laukų reikšmes su visais funkcijų klasės funkcijų šablonais.
Patvirtinti ryšį Patvirtina objekto jungčių skaičių ir atmeta pakeitimus, jei neatitinka kriterijų.
Patvirtinti domeną Patvirtina duomenų įvedimą lauke su domenais pagal domeną. Jei vertė yra už diapazono ribų arba jos nėra užkoduotų reikšmių sąraše, redagavimas nutraukiamas.
X koordinatė Apskaičiuoja objekto x koordinatę duomenų bazės vienetuose.
Y Koordinatė Apskaičiuoja y ypatybę duomenų bazės vienetuose.

Kampas

Apskaičiuoja tiesės ypatybės geografinį arba aritmetinį kampą.

Norėdami sukonfigūruoti šį metodą, „DynamicValue“ lentelėje užpildykite:

Lentelės pavadinimas Lauko pavadinimas Vertės metodas Informacija apie vertę
Funkcijos klasės pavadinimas Laukas, naudojamas apskaičiuotam kampui laikyti KAMPAS

Ši taisyklė gali būti sukonfigūruota tik tiesinėmis funkcijomis, o kampo vertė turi būti užpildyta laukuose „Plūduriuojantis“ arba „Dvigubas“.


Įvadas

Anomalijų aptikimas analizuojant laiko ir laiko duomenis išlieka sparčiai didėjančia problema po vis didesnio skaičiaus pažangių jutiklių, kurie nuolat kuria didelio masto duomenų rinkinius. Pavyzdžiui, transporto priemonės GPS sekimas, socialinė žiniasklaida, finansinių tinklų ir maršrutizatorių žurnalai bei didelės skiriamosios gebos stebėjimo kameros sukuria didžiulį laiko ir erdvės duomenų kiekį. Ši technologija taip pat svarbi kibernetinio saugumo kontekste, nes kibernetiniai duomenys turi IP adresą, kuris gali susieti su konkrečia geografine vieta ir laiko žyme. Vis dėlto dabartiniai kibernetinio saugumo metodai negali veiksmingai apdoroti šios rūšies informacijos. Norėdami iliustruoti šį trūkumą, apsvarstykite paskirstyto paslaugų atsisakymo (DDoS) atakos scenarijų, kai tinklo paketai gali būti iš skirtingų IP adresų su retomis vietomis. Tokiu atveju reikia analizuoti erdvės ir laiko analizės sistemą [1], kad būtų galima išanalizuoti DDoS atakos erdvinį modelį. Vis dėlto, į vartotoją orientuota kibernetinio saugumo analitinė aplinka su laiko ir erdvės ženklais šiuo metu apsiriboja tradiciniais statistikos metodais, tokiais kaip erdvinio ir laiko atskyrimas ir viešosios interneto prieigos taško aptikimas [2]. 1 išnaša Be to, didžioji dabartinio plataus masto analizės darbo dalis yra sutelkta į analizės užduočių automatizavimą, pavyzdžiui, įtartinos veiklos aptikimą plačiu judesiu ir laiko intervalais. Tačiau šie metodai nesuteikia kibernetinio saugumo duomenų analitikams laiko ir erdvės ženklų, leidžiančių naudoti kūrybiškumą ir atrasti naujas duomenų tendencijas valdant itin didelius duomenų rinkinius. Dabartiniai sprendimai yra draudžiami, nes jiems reikalingas daugiadisciplininis įgūdžių rinkinys.

Vienas iš galimų sprendimų atlikti analizę tokiuose didelio masto erdvės ir laiko duomenyse yra gauti erdvinių taškų modelių metaduomenis [5] ir taikyti metaduomenų apdorojimo ir saugojimo metodus [6] kartu su srities žiniomis, gautomis mašininio mokymosi ir statistikos priemonėmis. Papildomas šio metodo pranašumas yra tas, kad metaduomenys slepia taškų modelių detales ir taip suteikia privatumo, tuo pačiu palaikydami įvairią analizę.

Taigi mes siūlome analizės su laiko ir laiko duomenimis atlikimo sistemą, kuri turėtų šias savybes:

Privatumo apsauga: Mes naudojame duomenų stebėjimo metaanalizę kaip subjektų elgesio rodiklį. Tiriamojo geografinė vieta nebus paveikta sistemos vartotojo.

Didelis mastelis: Mes galime gauti elgesio modelį skirtingiems duomenų kiekiams, nes „Morisita“ indeksas suteikia mastelį, pritaikytą skirtingiems stebėjimo duomenų kiekiams.

Patogumas: Mes sukūrėme patogų būdą, kaip atvaizduoti kibernetinės grėsmės anomalijos atvejus fizinei grėsmei, nes kibernetinę grėsmę galima vizualizuoti realiame žemėlapyje.

Mes siūlome sistemą, kad būtų galima saugoti ir apdoroti didelės apimties laiko ir laiko duomenis naudojant „metaduomenimis pagrįsto taško modelio“ infrastruktūrą, vartotojams pateikiant metaduomenų analizę, kuri slepia didelių laiko ir laiko duomenų detales ir teikia juos su priekine sąsaja, leidžiančia atlikti įvairius saugumo patikrinimus, įskaitant vieno subjekto išorinių, anomalijų grupių, anomalijų elgesio ir anomalijų įvykių aptikimą. Be to, laiko-laiko duomenys saugomi įvairiose duomenų saugyklose. Todėl ši sistema suteikia aukšto našumo analitines savybes, lankstumą ir išplėtimą.

Teorinis mūsų darbo indėlis ir naujumas slypi metodų derinyje iš laiko ir erdvės analizės, mašininio mokymosi ir statistinės analizės sričių. Išskirdami tinkamus metodus iš šių trijų tyrimų sričių, mes sukūrėme veiksmingą ir efektyvią anomalijų aptikimo priemonę, vienu metu stebėdami kibernetinį ir fizinį lygius.


GEOG 390: Nepilotuojamos oro sistemos


Šios užduoties tikslas buvo dirbti su daugiaspektrinių vaizdų apdorojimu „Pix4D“ ir naudoti šiuos vaizdus, ​​norint užbaigti augalijos sveikatos pridėtinės vertės duomenų analizę Fall Creek mieste, Viskonsine.

Fotoaparatas, naudojamas fiksuoti šios užduoties vaizdus, ​​buvo „MicaSense RedEdge 3“. Ši kamera gali padaryti penkias nuotraukas penkiomis skirtingomis spektro juostomis. Ši technologija leidžia tiksliau atlikti žemės ūkio ir augmenijos analizę nei standartinis RGB jutiklis. Penkios skirtingos juostos, išdėstytos nuo trumpiausio bangos iki ilgiausio, yra šios: 1 juosta yra mėlyna, 2 juosta yra žalia, 3 juosta yra raudona, 4 juosta yra raudona, o 5 juosta yra arti infraraudonųjų spindulių (NIR) filtras. „RedEdge“ kamerai taip pat reikalingi konkretūs parametrai, kad būtų galima tinkamai fotografuoti ir analizuoti. Ši lentelė (1 lentelė) yra šių parametrų sąrašas iš „RedEdge“ vartotojo vadovo.

1 lentelė: „MicaSense RedEdge 3“ jutiklio parametrai

Metodai

Pirmasis šios užduoties žingsnis buvo „Pix4D“ apdoroti iš svetainės paimtus skrydžio vaizdus. Tai buvo padaryta naudojant tuos pačius metodus kaip ir ankstesnės užduotys, tačiau šį kartą buvo naudojamas „Ag Multispectral“ šablonas. Tai sukuria penkis ortomozinius geotifus, po vieną kiekvienai spektro juostai. 1 paveiksle parodyta, kad šablonas turi būti nustatytas Ag daugiaspektris. Tai automatiškai negamino ortomozikos, reikalingos tolesnei analizei, todėl buvo patikrintas ortomozinės geotifas ir tolesni variantai.

1 paveikslas: „Pix 4D“ apdorojimo parinktys

Baigus apdorojimą, kitas žingsnis buvo sudaryti visas penkias spektro juostas į vieną RGB ortomozą. Norėdami tai padaryti, įvairūs kiekvienos juostos geotifai buvo perkelti į „ArcMap“ ir naudojamas „sudėtinių juostų“ įrankis. Šis įrankis veikia įvesdamas kiekvieną iš penkių spektro juostų kaip įvesties rastrus. Tada vartotojas tiesiog priskiria vardą ir vietą išvesties rastrui ir sukuriamas kompozitas.

2 paveikslas: „Composite Bands“ įrankis „ArcMap“

3 paveikslas: RGB kompozito sluoksnio savybių simbologijos koregavimas
4 paveikslas: Įvairūs sudėtiniai sluoksniai
Tada „ArcMap“ buvo sukurti trys žemėlapiai su skirtingais daugiaspektriais sluoksniais (žr. Rezultatų skyrių). Kitas žingsnis buvo atlikti pridėtinės vertės duomenų analizę naudojant „ArcGIS Pro“. Ši analizė rodo laidžius ir nepralaidžius duotai vietai paviršius. Norėdami tai padaryti, buvo atlikti 4 užduoties pridėtinės vertės duomenų analizės veiksmai kartu su šios užduoties duomenimis.

Pirmasis žingsnis buvo segmentuoti vaizdus (5 pav.). Dėl to spektro juostos vertės yra ne tokios sudėtingos ir geriau vartotojui padeda suskaidyti vaizdus į laidžius ir nelaidžius paviršius. Vaizdų segmentavimas „ArcGIS Pro“ buvo atliktas įvedant sudėtinį rastrą ir vykdant įrankio nurodymus.


5 paveikslas: segmentuoti vaizdai

6 pav. Paviršiaus klasifikavimas

7 paveikslas: 5 pavyzdžių vadovų mokymo pavyzdys

8 paveikslas: Klasifikavimo rezultatas
Po to, kai vaizdai buvo klasifikuoti, paskutinis žingsnis turėjo būti perklasifikuotas, kai klasifikuoti vaizdai buvo suskirstyti į pralaidžius ir nelaidžius paviršius (dar žinomus kaip pralaidūs nepralaidūs paviršiai). Tai buvo padaryta įvedant 0 nepralaidžių paviršių ir 1 pralaidžių paviršių vertes (9 pav. Ir 2 lentelė).
9 paveikslas: perklasifikavimo įrankis

2 lentelė. Pralaidus ir nelaidus perklasifikavimas
Dėl to buvo sukurta pridėtinė vertė pirminiams duomenims, kurie buvo panaudoti sudarant žemėlapį, kuriame pavaizduoti pralaidūs ir nepralaidūs svetainės paviršiai.

Galiausiai buvo sukurtas normalizuoto vegetacijos indekso (NDVI) žemėlapis. Šis žemėlapis parodo augmenijos sveikatą ir yra analizuojamas panašiai kaip netikri spalvų žemėlapiai, atlikti šiai užduočiai. Kadangi apdorojant vaizdus „Pix4D“ buvo naudojamas „Ag Multispectral“ šablonas, buvo sukurtas NDVI rastras. Žemėlapis buvo padarytas sluoksniuojant NDVI su DSM, taip pat pagamintu „Pix4D“, ir naudojant kalvų efektą.

Rezultatai

1 žemėlapis: RGB ortomozaika

1 žemėlapis rodo įprastą raudonos, žalios ir mėlynos spalvos ortomozos vaizdą. Dėl kiekvienos spalvų juostos vaizdų derinimo ir šiek tiek prastų vaizdų darbui atrodo, kad kai kuriose žemėlapio vietose yra daugiau raudonų atspalvių nei realiame gyvenime. Vis dėlto žiūrovas gali išsiaiškinti, kokie vaizde esantys objektai reprezentuoja, ir „rausvą“ žolėmis padengtą plotą pietinėje vaizdo dalyje gali interpretuoti kaip blogos augalijos būklės zoną. Jei šiose vietovėse būtų sveika augmenija, greičiausiai jos būtų žalios, panašiai kaip pasėlių laukas vakarinėje žemėlapio dalyje. Kadangi šis vaizdas yra standartiniame RGB ekrane, yra tikimybė, kad prastos augmenijos plotai ir neįprastas rožinio atspalvio poslinkis bus priskirtas šio skrydžio metu padarytų vaizdų kokybei. Galbūt skirtingų spalvų juostų perteikimas padės nustatyti netikrumą naudojant 1 žemėlapį.

Palyginus 3 žemėlapį su 2 žemėlapiu, tarp jų nėra didelio skirtumo. Abi yra neteisingos spalvų perteikimo priemonės, išskyrus tai, kad viena naudoja „RedEdge“ juostą, o kita - artimą IR juostą. Netolimos IR juostos naudojimas dar labiau prisotina sveikesnės augmenijos plotus. Panašu, kad tai padeda atskirti didelius sveikos augalijos plotus nuo didelių nesveikos augalijos plotų, tačiau ši sotus praranda kai kurias smulkesnes vegetacijos sveikatos dispersijos detales. Gyvatvorė tarp dviejų savybių ir nesutvarkyta teritorija, esanti namo savininko vejos dešinėje, yra geri šių nuostolių dėl spalvų sodrumo pavyzdžiai.

4 žemėlapis: Pridėtinės vertės pralaidūs ir nepralaidūs paviršiai

4 žemėlapyje mėlynos spalvos plotai rodo pralaidžius (arba laidžius) paviršius, o chaki spalvos - nepralaidžius (arba nepralaidžius) paviršius. Kai kurios nepralaidžios zonos, esančios netoli žemėlapio viršutinio dešiniojo krašto, iš tikrųjų yra pralaidžios, tačiau „ArcGIS Pro“ jas interpretavo kaip nepralaidžias. Taip gali nutikti dėl vaizdų kokybės arba vartotojo klaidos klasifikuojant segmentuotus vaizdus. Be to, visas vaizdą supantis laiptelis buvo laikomas nelaidžiu paviršiumi, tačiau ši sritis neturėjo būti įtraukta.
5 žemėlapis: NDVI rastras
Penktasis ir paskutinis šios analizės žemėlapis, žinoma, yra žemėlapis 5. Kadangi „Ag Multispectral“ šablonas buvo naudojamas apdorojant vaizdus su „Pix4D“, buvo sukurtas NDVI rastras. Naudojant šiam žemėlapiui naudojamą gradientą, kraštovaizdžio ypatybės praturtėja, o blogos augalijos būklės teritorijos yra parudavusios raudonos spalvos, o geros vegetacijos teritorijos - kaip indigo. Didesnėse augalijos dalyse, kurių sveikata yra panaši, pavyzdžiui, pietiniame žolės plote, vartotojas gali labai išsamiai pamatyti augmenijos sveikatos skirtumus. Atrodo, kad šiame žemėlapyje yra ir minimalių klaidingų vertybių interpretacijų, išskyrus vienintelę realią išimtį - namo metamą šešėlį.

Išvados

Akivaizdu, kad „Ag Multispectral“ šablono naudojimas „Pix4D“ ir „MicaSense RedEdge 3“ jutiklis yra puiki galimybė ūkininkams, biologams, golfo aikštynų valdymui ir kitoms panašioms programoms. Ši technologija leidžia vartotojui iš tikrųjų nuodugniai išanalizuoti savo augmenijos sveikatą. Nustačius šią technologiją būtų didelis melagingos informacijos iš vartotojo klaidų potencialas. Skrydžio metu, kuriame buvo surinkti šiai analizei naudojami vaizdai, pilotas netyčia įjungė kamerą, kol UAV lipo į numatytą skrydžio aukštį. Tokios nesėkmės daro įtaką analizės kokybei ir tikslumui. Jei galėčiau vėl atlikti šią užduotį, galimas šios klaidos sprendimas gali būti visiškai pašalinti tuos vaizdus nuo apdorojimo. Jei vaizdai iš UAV daromi labai atsargiai ir tiksliai, o vartotojas teisingai atlieka visus manipuliavimo duomenimis veiksmus, ši technologija gali suteikti pažangiausią žemės ūkio ir kitos augmenijos informacijos analizę.


Techninis patvirtinimas

Mes nustatėme, kad 62 758 (93,5%) iš 67 141 turimų apskaitos barelių buvo naudojami bent kartą priskaičiuoti. Vertinant priskirtojo duomenų rinkinio tikslumą, yra keli aktualūs klausimai. Galutinis susitarimo matas yra tai, kaip priskirtas duomenų rinkinys atkartoja sąlygas ant žemės, kurį galima įvertinti pasirinktose vietose, lyginant sklypo ID išvesties tinklelio atributus su neseniai išmatuotų FIA sklypų rinkiniu. Kadangi tiksliniai LANDFIRE duomenys buvo pagrįsti palydoviniais vaizdais už 2014 metus, priskirtasis duomenų rinkinys taip pat turi 2014 m. Derinį, o mes naudojome 2014 m. FIA diagramų pogrupį, kad įvertintume priskirtojo duomenų rinkinio tikslumą (naudodami FIA diagramas iš ankstesniais metais nebūtų atsižvelgta į vėlesnį augimą ar trukdžius tarp siužeto matavimo laiko ir 2014 m.). Gavome 2319 daugialypių FIA sklypų, išmatuotų 2014 m., Vietas ir jas panaudojome patvirtindami priskirtą duomenų rinkinį. Apskaičiuoto duomenų rinkinio tikslumas labai priklauso nuo numatančiųjų kintamųjų, kurie buvo gauti iš tikslinių LANDFIRE duomenų, todėl antras klausimas yra tai, kaip gerai patys tiksliniai LANDFIRE duomenys, palyginti su sąlygomis vietoje, kuriuos galima įvertinti naudojant tą patį FIA rinkinį siužetai nuo 2014 m. LANDFIRE tikslinio duomenų rinkinio klaidos ir netikslumai natūraliai plinta į priskirtą duomenų rinkinį. Logiška, kad taip pat prasminga priskirtą duomenų rinkinį palyginti su LANDFIRE tiksliniais duomenimis pagal pikselius po pikselių visiems 2 841 601 981 pikseliui, jei metodika veikia gerai, tada miško dangos (EVC), aukščio (EVG) vertės ir vegetacijos grupė (EVG), gaunama iš priskirtų miško sklypų, gerai atitiks tikslinių LANDFIRE duomenų vertes. Susitarimas buvo vertinamas pagal gamintojo tikslumą (tikimybę, kad kategorija vietoje gavo tą klasifikaciją priskirtame žemėlapyje) ir vartotojo tikslumą (tikimybę, kad priskirtoji klasė iš tikrųjų atstovauja tai klasei ant žemės). Apibendrinant, patvirtinimas buvo atliktas siekiant įvertinti susitarimą tarp: 1) sklypo sąlygų, kurias FIA išmatavo ant žemės 2319 daugialypių sklypų vietose, ir priskirtų duomenų rinkinio tose pačiose vietose, 2) sklypo sąlygų tose vietose iš 2319 FIA siužetų ir LANDFIRE tikslinių duomenų tose pačiose vietose ir 3) LANDFIRE tinklelio tiksliniai duomenys ir priskirti tinkleliai. Kadangi pridėjome trikdžių kodą kaip naują nuspėjamąjį kintamąjį, mes taip pat įvertinome jo tikslumą, lygindami priskirtą tinklelį ir LANDFIRE tikslinius duomenis.

FIA informacinių duomenų ir priskirtojo duomenų rinkinio susitarimas

Mes patikrinome atitikmenis trimis skirtingais atributais, kad galėtume kiekybiškai įvertinti susitarimą tarp tinklelio priskaičiuoto duomenų rinkinio ir FIA etaloninių duomenų 2319 daugialypių FIA sklypų, išmatuotų 2014 m., Vietose: 1) miško danga (EVC), 2) miško aukštis (EVH) ir 3) dvi medžių rūšys, turinčios didžiausią pamatinį plotą. Mes pasirinkome paskutinę priemonę vietoj EVG, nes medžių rūšys yra tiesioginė ir išmatuojama miško sklypo charakteristika ir joms vegetacijos grupės (EVG) kategorijos neapibrėžtumas. Vieno FIA sklypo (2 pav.) Išskleistas plotas yra 40,25 m spinduliu ir apima kelis 30 × 30 m taškus 4. Bendras keturių sklypų plotas yra 672 kvadratiniai metrai, o tai palyginti artima vieno pikselio 30 × 30 m vaizdų (900 kvadratinių metrų) dydžiui. Mes patikrinome visus taškus, kurių centroidas pateko į FIA diagramos spindulį, kad atitiktų šiuos atributus (EVC, EVH ir medžių rūšys), nes vienas ar keli iš keturių papročių galėjo nukristi ant šių taškų. Kiekvienam FIA diagramos spindulyje esančiam pikseliui mes panaudojome priskirtos diagramos diagramos identifikatoriaus numerį, kad rastume atitinkamas EVC, EVH ir medžių rūšių vertes. Mes užfiksavome, ar bent vieno taško EVC ir EVH vertės sklypo spinduliu sutapo su sklype apskaičiuota verte. Kaip kitą imputacijos tikslumo matą, mes apskaičiavome, ar taškų svertinė padengimo vertė siužeto spinduliu neviršija 10% siužeto vertės ir ar sverto aukščio vertė neviršija 5 m nuo siužeto vertės. Norėdami įvertinti, ar rūšių sudėtis FIA ir priskirtuose duomenyse buvo panaši, apskaičiavome kiekvieno gyvo medžio bazinį plotą, naudodami skersmenį (DIA laukas FIADB TREE lentelėje), kuris tada padaugintas iš medžių skaičiaus už akrą (TPA_UNADJ laukas TREE lentelėje), o kiekvieno sklypo rūšies bazinis plotas buvo susumuotas naudojant rūšies kodą (SPCD laukas TREE lentelėje). Tada mes nustatėme rūšis su dviem viršutiniais kiekvieno sklypo pagrindiniais plotais ir patikrinome, ar sklypo pėdsakuose esančiuose taškuose yra bent viena iš tų pačių dviejų viršutinių rūšių.

Iš 2319 daugialypių apskaitos barelių, gautų patvirtinimui, 2 858 jų sklypo spinduliu buvo bent vienas miškingas pikselis (98,1%). Yra kelios galimos šio neatitikimo priežastys, įskaitant tai, kad miškingų pikselių kaukė buvo gauta iš tikslinių LANDFIRE duomenų, gali būti atvejų, kai pikselis yra miškingas, tačiau LANDFIRE jo nepriskyrė tokiems arba FIA galėjo matuoti medžius sklype bet bendras draudimas galėjo nukristi žemiau 10% draudimo ribos. Bent vieno pikselio viršelio dėklas sklypo spinduliu atitiko siužeto vertę 44,0% atvejų, o svertinė viršelio vertė buvo 10% siužeto vertės 48,7% atvejų (2 lentelė). Bent vieno pikselio aukščio dėžutė siužeto spinduliu atitiko siužeto vertę 85,7% atvejų, o sveriamų pikselių aukščio vertė siužeto spinduliu - 5 m nuo siužeto vertės 70,3% atvejų. Bent viena iš dviejų rūšių, turinčių didžiausią pamatinį plotą sklype, 76,7% atvejų taip pat buvo viena iš dviejų rūšių, esančių bent viename pikselyje sklypo spinduliu priskirtame duomenų rinkinyje. Nors pati medžių rūšis nebuvo nei nuspėjamasis, nei atsako kintamasis, priskirtasis duomenų rinkinys medžių rūšis numato gana aukšto lygio įgūdžiais.

FIA informacinių duomenų ir tikslinio LANDFIRE duomenų rinkinio susitarimas

Mes pakartojome analizę, aprašytą aukščiau esančiame skyriuje, naudodami tikslinį LANDFIRE duomenų rinkinį, o ne priskirtą duomenų rinkinį. EVC ir EVH kintamųjų rodikliai buvo panašūs, nesvarbu, ar diagramos vertės lyginamos su LANDFIRE tinkleliais, ar su apskaičiuotu tinkleliu (2 lentelė). Konkrečiai, bent vieno pikselio padengimo vertė siužeto spinduliu sutapo 43,7% atvejų (palyginti su 44,0% apskaičiuotais duomenimis), o sverto pikselių viršelio vertė siužeto spinduliu buvo 10% siužeto vertės 48,7% atvejų (palyginti su 48,7% atvejų priskirtuose duomenyse 2 lentelėje). Bent vieno pikselio aukščio vertė siužeto spinduliu sutapo 85,4% atvejų (lyginant su apskaičiuotais duomenimis 85,7% atvejų), o sverto pikselių aukščio vertė siužeto spinduliu buvo 5 m atstumu 70,2% atvejų (palyginti su 70,3% priskirtų duomenų atvejų). Atrodo, kad priskirtų duomenų rinkinio tikslumą viršelio ir aukščio kategorijose labai lemia tiksliniai duomenys, klausimas išsamiau ištirtas kitame skyriuje.

Susitarimas tarp tikslinio LANDFIRE ir priskirtų duomenų rinkinių

Čia mes palyginome tinklelio įvesties LANDFIRE duomenis ir tinklelio išvesties priskirtą duomenų rinkinį pikselių-pikselių pagrindu, nes abu duomenų rinkiniai yra 30 × 30 m tinkleliai. Kadangi tiksliniai LANDFIRE duomenys buvo naudojami kuriant nuspėjamųjų kintamųjų rinkinį, naudojamą kiekvienam pikseliui geriausiai derančiam sklypui parinkti, jei atsitiktinių miškų priskyrimas buvo geras, priskirtuose duomenyse šių kintamųjų vertės turėtų būti panašios.

Iš priskirtų sklypų ID rastro sugeneravome rastrus pagal sklypo charakteristikas: vieną rastrą dangai (EVC), vieną aukštiui (EVH) ir vieną augalijos grupei (EVG). Kiekvienas iš šių rastrų buvo sujungtas su LANDFIRE tiksliniu rastru ir vertėmis, palyginus taškus po taškų, kaip imputacijos tikslumo matą.

Į miškingąją LANDFIRE duomenų kaukę pateko 2 841 601 981 pikseliai, kuriems priskyrėme FIA ​​siužetus. Apskaičiuotasis rastras turėjo tą pačią miško dangos klasę kaip ir LANDFIRE padengimo rastras 97,2% pikselių. Tikslinių ir priskirtų duomenų sutarimas buvo didesnis nei 92% aštuoniose iš devynių dangčių šiukšliadėžių, o mažiausias gamintojo tikslumas - 79% - 95% uždengimo dėžėje (3 lentelė). Šioje dėžėje buvo daug mažiau apskaitos barelių (5 ir 6 pav.), Todėl atsitiktinių miškų algoritmui buvo sunkiau suderinti dangos vertes, tuo pačiu derinant aukščio ir augmenijos grupę (kitus du atsako kintamuosius). Iš tiesų, gamintojo tikslumas didėjo priklausomai nuo apskaitos barelių skaičiaus, kurį galima priskirti viršelio klasei (6 pav.). The proportion of the landscape falling into each of the nine cover bins was similar across the three data sources (FIA plots, LANDFIRE data, and imputed dataset) (Fig. 5). However, the proportions were more similar between the imputed and target data than to the FIA plots. Since FIA plot locations are likely representative of the landscape as a whole, this suggests that LANDFIRE may have underestimated the number of pixels in the cover classes with midpoints of 15%, 55%, 65%, and 95%, and overestimated the number of pixels in the 75% and 85% cover classes (Fig. 5).