“提示:- 教程基本都提供中文,点击页面菜单栏右上角可以切换语言为简体中文。- 资源来自:https://learn.arcgis.com/zh-cn/gallery/#?p=arcgispro,本文整理发布在我的博客[1]。
2023年12月11日第二期发布,以下是第二期内容,共3个教程
ArcGIS Pro 近期更新了三个非常好的教程,每个都展示了 ArcGIS Pro 强大的地理信息系统(GIS)功能。下面是这些教程的介绍,它们不仅各具特色,还非常实用。
通过迁移学习改进深度学习模型
这个教程重点介绍了如何使用迁移学习技术来改进深度学习模型,特别是在处理与训练模型时不同的数据类型时。在这个案例中,西雅图市的GIS分析师需要从航空影像中提取建筑物覆盖区,以支持城市规划活动。教程中强调了深度学习模型在处理与训练时使用的影像相似的数据时表现最好,而迁移学习则是一种优化模型以处理不同类型影像的方法。
迁移学习过程首先需要下载并打开包含所有必要数据的ArcGIS Pro工程包。这一步骤是整个工作流程的基础,确保用户有所需的所有资源来开始他们的项目。随后,用户需要调整影像数据,以确保它们与深度学习模型的要求相符。例如,如果模型期望的是三波段的输入(红、绿、蓝),用户则需要确保他们的影像数据也是在这三个波段上。这是一个关键的步骤,因为如果影像数据与模型要求不符,模型的表现可能会受到影响。
接下来,教程指导用户如何从ArcGIS Living Atlas of the World下载预训练的深度学习模型,并开始迁移学习过程。迁移学习涉及到对预训练模型进行微调,使其更好地适应新的数据集。在这个特定的案例中,用户将提供新的训练样本,以进一步训练模型以适应西雅图的航空影像数据。这一步骤的目的是提高模型在特定数据集上的表现,特别是在提取建筑物覆盖区方面。
直接应用预训练模型的结果
在该图像中,检测到的建筑物显示为粉色。由于分辨率不匹配,该模型可以检测到较大的建筑物,但很难识别任何较小的建筑物。使用迁移学习是一种可修复此问题的方法。迁移学习[3]是机器学习中的一种技术,从任务中学到的知识将被重用以提高相关任务的性能。在本例中,原来的任务是在 10-40 cm 分辨率的影像中检测建筑物,新任务是在 1 米分辨率的影像中检测建筑物。
教程的最终结果显示,通过迁移学习微调后的模型能够更精确地从西雅图社区的航空影像中提取建筑物覆盖区。这一成果证明了迁移学习作为一种方法,能有效提升深度学习模型在处理新颖或不同数据时的性能。这一点对于GIS分析师来说尤为重要,因为他们经常需要处理多样化的数据类型和来源。通过这种方法,他们可以更有效地应用深度学习技术于城市规划和其他相关领域的问题解决。
地图上的 Seattle_buildings 输出图层
处理将在几分钟后完成,Seattle_buildings 输出图层将显示在内容窗格中和地图上。
按城市化程度对区域进行分类
2020 年,联合国 (UN) 批准了城市化程度分类方法[5],用于对全球城市和农村区域进行分类。城市化通常可提供更多的便利设施和机会,同时也会带来诸如空气污染和犯罪增加等挑战。以标准化方式了解城市化有助于官员监测和报告一个国家或地区在实现联合国可持续发展目标[6] (SDG) 方面取得的进展,该目标于 2015 年通过,旨在呼吁采取行动以消除贫困和保护地球。
在本教程中,您将根据太平洋岛屿新喀里多尼亚的城市化程度对其进行分类。首先,您将创建一个人口格网,该格网使用统一形状和大小的空间单位来测量人口。您需要将此人口格网转换为城市化程度格网,该格网可基于人口条件将这些空间单位分类为城市或农村。最后,您将使用城市化程度格网将新喀里多尼亚的领土单位分类为城市或农村。
可以针对任何具有人口数据和构建表面栅格的国家或地区重复此工作流。在该工作流中,您将学习如何访问世界上几乎任何位置的构建表面栅格,从而将该工作流应用于您自己的人口数据。
教程的案例研究是太平洋岛屿新喀里多尼亚,学习者将学习如何创建一个人口格网,这是一种栅格图层,包含了统一形状和大小空间单位中的居住人数信息。这些信息有助于政府在资源分配和规划方面做出明智的决策。人口格网是确定一个区域城市化程度的重要第一步。
在这个教程中,学习者需要下载包含教程数据的ArcGIS Pro工程包,并使用其中的地图。这些地图使用摩尔维特(世界)等积投影,这对于进行精确的面积计算至关重要。
在 ArcGIS Pro 中识别面临山体滑坡风险的基础设施
这个ArcGIS Pro教程重点讲解了如何利用地理信息系统(GIS)技术来识别山体滑坡风险区域中的基础设施。教程设置在格林纳达岛,一个由于高降雨量、陡峭坡度和多样化土壤类型而容易发生山体滑坡的区域。在这个背景下,学习者扮演的角色是格林纳达政府的图像分析师,他们的任务是使用ArcGIS Pro中的深度学习分析技术从航空影像中提取建筑物覆盖区。
教程的第一步是下载并打开包含所需所有数据的ArcGIS Pro工程包。这些数据包括高分辨率的航空影像和高程数据,这些数据是理解和分析山体滑坡风险的关键。接下来,用户将通过访问ArcGIS Living Atlas中的预训练深度学习模型,使用人工智能从影像中自动提取建筑物覆盖区。这种方法避免了手动追踪和标记建筑物的繁琐过程,大大提高了效率。
在确定了建筑物的位置后,下一步是执行山体滑坡敏感性分析。这一步涉及到使用四个栅格图层作为输入,这些图层代表了影响山体滑坡风险的主要因素,如土壤类型、高程、与河流的距离和土地利用情况。这些图层被应用到单个栅格函数模板(RFT)中的多个栅格函数上,通过这个过程,每个像素的原始值被转换为表示滑坡风险等级的值。最后,将滑坡敏感性的结果图层与提取的建筑物图层进行比较,以确定哪些建筑物处于高风险区域。
高风险区域中的一些建筑物
格林纳达的大多数建筑物似乎都位于风险较低的区域。但是,一些建筑物出现在高风险区域(橙色)。
通过这个教程,学习者不仅能够理解并实践深度学习和栅格分析在实际应用中的重要性,还能够学会如何将这些高级技术应用于现实世界的问题,如自然灾害风险评估和城市规划。这为GIS专业人员提供了一个宝贵的学习资源,帮助他们使用先进的技术解决复杂的地理空间问题。
如果你对本文章有其它任何问题可以在博客的评论区留言,或者通过微信公众号发送私信给我。
2023年11月11日第一期发布,以下是第一期,共198个教程。
[1]
我的博客: https://blog.renhai-lab.tech/archives/arcgispro-courses
[2]
Improve a Deep Learning Model with Transfer Learning: https://learn.arcgis.com/zh-cn/projects/improve-a-deep-learning-model-with-transfer-learning/
[3]
迁移学习: https://en.wikipedia.org/wiki/Transfer_learning
[4]
Classify Areas by Degree of Urbanization: https://learn.arcgis.com/zh-cn/projects/classify-areas-by-degree-of-urbanization/
[5]
城市化程度分类方法: https://unstats.un.org/unsd/statcom/51st-session/documents/BG-Item3j-Recommendation-E.pdf
[6]
可持续发展目标: https://sdgs.un.org/goals
[7]
Identify Infrastructure at Risk of Landslides: https://learn.arcgis.com/zh-cn/projects/identify-infrastructure-at-risk-of-landslides/arcgis-pro/
[8]
我的博客: https://blog.renhai-lab.tech/
[9]
我的GITHUB: https://github.com/renhai-lab
[10]
我的GITEE: https://gitee.com/renhai-lab
[11]
微信公众号: renhai-lab: https://blog.renhai-lab.tech/upload/qrcode_for_gh_c0d228771707_258.jpg
[12]
我的知乎: https://www.zhihu.com/people/Ing_ideas
[13]
RSS: https://blog.renhai-lab.tech/rss.xml