【2017UC回顾】栅格大数据结合AI技术，推进高分影像的应用
分享
-
2017-11-03
ArcGIS 10.5版本中，影像服务器（ArcGIS Image Server）新增栅格大数据分析能力，提供多种即用型工具、支持灵活的工具扩展、实现栅格大数据分布式存储与计算，帮助您挖掘多源影像背后的价值。
1
便捷易用的工具集
栅格大数据工具集已集成在ArcGIS多个产品中，包括ArcGIS Pro、Portal for ArcGIS以及ArcGIS API for Python等。主题演示中以Portal为例，展示了栅格大数据丰富工具集的简单易用。
在Portal Map Viewer中，提供了便捷易用的栅格大数据工具集，包括统计分析、空间插值、植被覆盖、地形分析、基础处理等十余种工具。
演示以影像服务的在线分发为例，对栅格大数据进行裁切处理：通过“提取栅格”工具，选择待裁切的图层，设定范围、名称并提交执行，分发结果以crf格式进行存储，并以一个全新的图层在Portal中注册。
在Server Manager页面可以查看栅格大数据后台分布式部署及运算原理——通过三台计算机搭建的一个影像服务器集群，其计算资源以实例的形式预分配给多个GP服务使用。
针对裁切处理，主要使用三个服务：①在RasterAnalysisTools中启动裁切功能后，影像以分景或分块的方式自动传输到集群中所有节点；②在RasterProcessing中进行分布式并行计算，根据处理的数据量动态分配处理资源；③完成后的结果将调用RasterRendering进行渲染展示。
2
灵活的动态分析模型
除即用型工具外，还可在ArcGIS Pro中对栅格大数据工具进行扩展。ArcGIS Pro提供了灵活的处理方式，可通过栅格函数及其动态模型的构建对大数据分布式处理工具进行定制扩展。演示中以全国560景Landsat影像作为数据源，通过自定义分析模型，调用栅格大数据分布式计算能力，高效实现多源指数产品计算。
Landsat是国家级地区大尺度变化监测的重要数据源，通过ArcGIS镶嵌数据集，对560景Landsat影像进行管理，利用栅格函数构建动态处理模型。
以多源指数产品计算为例，通过栅格函数，对Landsat影像进行源数据信息识别、波段组合，拉伸，添加掩膜工具去除图像周边无效区域，添加统计值工具，削减ETM传感器的条带影响，添加表观反射率工具进行大气校正，最后通过波段运算获得多种指数产品。在执行函数的过程中，选择将数据发送到web端，即可以调用分布式的栅格大数据工具进行计算，获得多种指数产品：
通过在2台8核16GB内存的RA集群，对全国560景Landsat影像进行表观辐亮度计算、SAVI指数计算、重分类、数据生产等处理过程分钟级即可完成，大大提高了处理效率。
3
人工智能助力栅格大数据分析挖掘
ArcGIS也不断实现与新技术的对接，如集成人工智能深度学习算法，使得栅格大数据的计算与处理更智能、更精确。演示中展示了将微软人工智能技术（AI）与ArcGIS平台相结合在高分图像分类中应用。
在ArcGIS Pro中，通过四个视窗来对比传统方法与深度学习在高分影像分类中的成果。通过添加大量的海湾地区分类样本，训练后的AI模型保留了传统分类结果的高精度。
将训练好的AI分类模型，应用到从未提供过样本的奥兰多地区，发现在传统分类中存在误差单位区域，深度学习方法同样提供了较高精度的分类结果。
房屋与道路的混合区是高分图像分类的难点。当AI分类的结果也不够完美时，可通过添加新样本修正模型，从而获得较高的分类准确率。基于AI的图像分类具有更灵活的精度改善方式。
通过ArcGIS栅格大数据计算框架，采用深度学习模型获取整个奥兰多县高分辨率图像分类结果，只需要几个小时就可以完成，大大改善了高分图像由于处理时间长、光谱信息不丰富造成的应用范围小、分类精度低等问题。栅格大数据工具为大规模多源影像的应用提供了坚实的基础。
4
小结
栅格大数据工具为用户提供模型定制及使用平台，帮助您从影像管理、分发、共享走向信息挖掘！
分享
结束啦
我们下次再见啦~
文章来源：https://mp.weixin.qq.com/s/fqsjHVeAGkrbMo3m8ShFCg
1
便捷易用的工具集
栅格大数据工具集已集成在ArcGIS多个产品中，包括ArcGIS Pro、Portal for ArcGIS以及ArcGIS API for Python等。主题演示中以Portal为例，展示了栅格大数据丰富工具集的简单易用。
在Portal Map Viewer中，提供了便捷易用的栅格大数据工具集，包括统计分析、空间插值、植被覆盖、地形分析、基础处理等十余种工具。
演示以影像服务的在线分发为例，对栅格大数据进行裁切处理：通过“提取栅格”工具，选择待裁切的图层，设定范围、名称并提交执行，分发结果以crf格式进行存储，并以一个全新的图层在Portal中注册。
在Server Manager页面可以查看栅格大数据后台分布式部署及运算原理——通过三台计算机搭建的一个影像服务器集群，其计算资源以实例的形式预分配给多个GP服务使用。
针对裁切处理，主要使用三个服务：①在RasterAnalysisTools中启动裁切功能后，影像以分景或分块的方式自动传输到集群中所有节点；②在RasterProcessing中进行分布式并行计算，根据处理的数据量动态分配处理资源；③完成后的结果将调用RasterRendering进行渲染展示。
2
灵活的动态分析模型
除即用型工具外，还可在ArcGIS Pro中对栅格大数据工具进行扩展。ArcGIS Pro提供了灵活的处理方式，可通过栅格函数及其动态模型的构建对大数据分布式处理工具进行定制扩展。演示中以全国560景Landsat影像作为数据源，通过自定义分析模型，调用栅格大数据分布式计算能力，高效实现多源指数产品计算。
Landsat是国家级地区大尺度变化监测的重要数据源，通过ArcGIS镶嵌数据集，对560景Landsat影像进行管理，利用栅格函数构建动态处理模型。
以多源指数产品计算为例，通过栅格函数，对Landsat影像进行源数据信息识别、波段组合，拉伸，添加掩膜工具去除图像周边无效区域，添加统计值工具，削减ETM传感器的条带影响，添加表观反射率工具进行大气校正，最后通过波段运算获得多种指数产品。在执行函数的过程中，选择将数据发送到web端，即可以调用分布式的栅格大数据工具进行计算，获得多种指数产品：
- NDVI归一化植被指数可以广泛应用于监测和预测农业生产，协助预测火险区域及绘制沙漠扩侵图；
- SAVI土壤植被指数可以帮助我们了解土壤特征，预测干旱等；
- MNDWI归一化水体指数可以帮助我们获得感兴趣的水体范围，了解水体微细特征，如悬浮沉积物的分布、水质的变化等。
通过在2台8核16GB内存的RA集群，对全国560景Landsat影像进行表观辐亮度计算、SAVI指数计算、重分类、数据生产等处理过程分钟级即可完成，大大提高了处理效率。
3
人工智能助力栅格大数据分析挖掘
ArcGIS也不断实现与新技术的对接，如集成人工智能深度学习算法，使得栅格大数据的计算与处理更智能、更精确。演示中展示了将微软人工智能技术（AI）与ArcGIS平台相结合在高分图像分类中应用。
在ArcGIS Pro中，通过四个视窗来对比传统方法与深度学习在高分影像分类中的成果。通过添加大量的海湾地区分类样本，训练后的AI模型保留了传统分类结果的高精度。
将训练好的AI分类模型，应用到从未提供过样本的奥兰多地区，发现在传统分类中存在误差单位区域，深度学习方法同样提供了较高精度的分类结果。
房屋与道路的混合区是高分图像分类的难点。当AI分类的结果也不够完美时，可通过添加新样本修正模型，从而获得较高的分类准确率。基于AI的图像分类具有更灵活的精度改善方式。
通过ArcGIS栅格大数据计算框架，采用深度学习模型获取整个奥兰多县高分辨率图像分类结果，只需要几个小时就可以完成，大大改善了高分图像由于处理时间长、光谱信息不丰富造成的应用范围小、分类精度低等问题。栅格大数据工具为大规模多源影像的应用提供了坚实的基础。
4
小结
栅格大数据工具为用户提供模型定制及使用平台，帮助您从影像管理、分发、共享走向信息挖掘！
分享
结束啦
我们下次再见啦~
文章来源：https://mp.weixin.qq.com/s/fqsjHVeAGkrbMo3m8ShFCg
