Proceso de reconocimiento de árboles basado en el módulo de aprendizaje profundo de ArcGIS Pro
Preparación de datos: datos de imagen de luz visible oblicua de fotografía aérea
Construcción del entorno: descargue ArcGIS Pro, registre una cuenta (usuario estudiante) para iniciar sesión (el inicio de sesión debe realizarse en un entorno de red),
instale ArcGIS Pro, cargue el archivo crack e instale el paquete de idioma chino, clone el entorno de python (usando el primer paso, se instalará un entorno llamado aprendizaje profundo)
primer paso:
Instale el marco de aprendizaje profundo.
Abra el símbolo del sistema de Python en el directorio de instalación e ingrese el siguiente comando:
a.conda create --name deeplearning --clone arcgispro-py3
b. activate deeplearning
c. conda install tensorflow-gpu=1.14.0
d. conda install keras-gpu=2.2.4
e. conda install scikit-image=0.15.0
f. conda install Pillow=6.1.0
g. conda install fastai=1.0.54
h. conda install pytorch=1.1.0
i. conda install libtiff=4.0.10 --no-deps
j. proswap deeplearning
La instalación se ha completado
Paso 2:
Abra ArcGIS Pro, haga clic en Nuevo proyecto, seleccione el mapa para la plantilla del proyecto, ingrese el nombre del proyecto y la carpeta donde se encuentra el proyecto, y cree un archivo de proyecto.
tercer paso:
Haga clic en Agregar datos para cargar los datos necesarios en la ventana del mapa. El
mapa muestra los resultados:
el cuarto paso:
Dado que la imagen cargada carece de información de proyección, el sistema de coordenadas proyectadas se define en este paso. Haga clic en Geoprocesamiento, busque Definir proyección, seleccione la capa a la que desea agregar proyección y seleccione el sistema de coordenadas proyectadas apropiado.
Si se solicita la capa del conjunto de datos seleccionado, indica que hay un sistema de coordenadas y que no es necesario agregar un sistema de coordenadas.
el quinto paso:
Seleccione la capa, haga clic en la barra de herramientas Imagen, la herramienta de clasificación en Clasificación de imágenes, seleccione el objeto de etiquetado para el aprendizaje profundo, cree un esquema de clasificación, modifique el nombre del esquema y agregue una nueva clase.
seleccione dibujado a mano
Paso 6:
*** El paso más crítico es extraer los datos de la muestra estrictamente de acuerdo con el límite del árbol; de lo contrario, el resultado de la clasificación será menos preciso. El número de muestras no debe ser inferior a 50. El principio de selección es: selección uniforme de todo el ancho, representativa, se deben seleccionar múltiples tipos de árboles y los límites deben ser distinguibles *** Los
resultados de la selección se guardan
Paso 7:
Haga clic en Geoprocesamiento, importe y exporte datos de entrenamiento para el aprendizaje profundo, seleccione el ráster de entrada, la carpeta Shuxi Lake, seleccione el paso anterior para clasificar los datos de muestra, seleccione el campo de valor y la clase de objeto de visualización PASCAL en formato de metadatos. Haga clic en Ejecutar.
Paso 8:
Haga clic en Geoprocesamiento, ingrese el modelo de aprendizaje profundo de entrenamiento, seleccione la capa ráster, establezca la carpeta de salida y seleccione el archivo emd de definición del modelo generado en el paso anterior.
resultado de la operación:
Paso 9:
Haga clic en Geoprocesamiento, ingrese entidades a puntos y ejecute.
Resultado de la ejecución: Resultado
de la extracción final:
resumen:
(En este experimento, solo se seleccionaron 22 muestras, por lo que la precisión es baja y mejora la precisión en comparación con el primer experimento. El punto clave es el dibujo de la muestra en el sexto paso, y hay muchos datos mal identificados. Espero que los lectores lo estudiará cuidadosamente. , lo que puede mejorar la precisión)