Считающаяся фантастическим домашним растением для начинающих, саговая пальма также хорошо растет в контейнерных садах и высаживается прямо в почву на открытом воздухе. Хотя они могут переносить слабое освещение, предпочтительнее яркий свет. Не допускайте чрезмерного полива их, так как корневая гниль — их враг.

Это член семейства саговниковых, так что это не настоящая пальма, но мы все равно включим его сюда, поскольку они популярны в Южной Калифорнии и их легко найти в местных питомниках.Помните, что листья могут быть острыми и что это очень медленно растущее растение (часто всего 1 дюйм в год).

Мы собираемся, простите за каламбур, сказать, что карликовая финиковая пальма — самая распространенная короткая пальма в садах Сан-Диего. Они элегантны и тонки (с кроной шириной до 3 футов на ствол), растут либо в виде нескольких стволов, либо из одного ствола, в зависимости от того, как вы их покупаете. Эти пальмы довольны частичным или полным солнцем и различными условиями полива (за исключением сырой почвы).Обратите внимание, что у основания листьев есть шипы.

Пальма пиндо имеет длинные перистые листья сине-зеленого цвета, которые изгибаются к земле из ствола 12-18 дюймов. Дерево дает ярко-оранжевые плоды, известные как финики пиндо, которые используются для приготовления желе из-за высокого содержания в них пектина (некоторые люди используют эти финики для изготовления вина). Эти ладони нуждаются в хорошем дренаже и могут выдерживать полное или частичное солнце.

Теперь это красивая и компактная пальма с полной головкой из ниспадающих листьев, которую, вероятно, следует рассмотреть для использования в садах Южной Калифорнии. Тонкий ствол (4-6 дюймов в ширину) Ravenea hildebrandtii редко вырастает более чем на 8 футов в высоту. Это дерево может противостоять полному солнцу на берегу, но ему понадобится тень внутри страны. Это дерево идеально подходит для жилых садов с ограничениями по высоте, где финиковая пальма может показаться слишком короткой.Обычно его можно найти у производителей пальмового дерева.

Parlor Palm — это удивительное домашнее растение, не требующее особого ухода, которое трудно убить, но, как вы можете видеть, оно хорошо растет и на улице. Его продают практически везде, но он предпочитает отфильтрованное солнце в помещении и тень на улице в солнечной Южной Калифорнии. Эта пальма любит обычную воду, но может переносить периоды засухи. Это медленный производитель родом из Мексики.

Эта пальма похожа на женскую ладонь (ниже), но с гораздо более длинными листьями и более густой растительностью. Это быстрорастущий куст, очень похожий на куст, с присасывающейся привычкой, так как у него не растет полноценный ствол. Каждый стебель несет около двенадцати темно-зеленых листьев, которые могут вырасти до 4 футов в длину. Эти пальмы предпочитают сначала питательную, плотную почву и много воды (после укоренения они устойчивы к засухе) в дополнение к полной или частичной тени.Вы можете массово посадить их для живой изгороди, но обратите внимание, что у основания растения есть шипы.

Леди пальмы — прекрасное дополнение к садам, пытающимся имитировать сады Юго-Восточной Азии или других тропических мест. Листья выглядят как руки с длинными пальцами и чаще всего выращиваются в помещении в Южной Калифорнии или в тени. Тем не менее, эти пальмы могут переносить частичный или полный утренний свет, если они должным образом акклиматизировались к солнцу до посадки.Они действительно требуют регулярного полива (чтобы имитировать тропический дождь), но могут выдерживать капельное орошение. При посадке на солнце листья становятся более светло-зелеными.

Яркий представитель семейства пальмовых, треугольная ладонь имеет длинные (до 15 футов) листья, которые отходят от ствола в форме треугольника. Также дерево цветет длинными белыми и зелеными цветами. Низкие эксплуатационные расходы и потребность в воде делают его устойчивым к засухе растением и выбором для новичков в пальмах, хотя многие любители выращивают его из-за формы..

Средиземноморская веерная пальма, очень популярная для садов Сан-Диего, имеет многоствольный вид и привлекательные сине-зеленые листья. Низкие потребности в воде делают его устойчивым к засухе, и он может хорошо себя чувствовать даже в мороз или при выращивании в больших контейнерных садах. Поместите его на частичное или полное солнце.

Пальму Мазари немного сложно найти, но ее популярность растет из-за ее уникального внешнего вида и способности адаптироваться ко многим типам почв.Оно родом из Афганистана и Паркистана и растет с нескольких стеблей от основания — у этого дерева нет надлежащего ствола, поэтому оно больше похоже на куст. Выбирайте между сортами с синими или зелеными листьями.

Это действительно привлекательная пальма, которую можно выращивать в одноствольных или многоствольных формах. Эксперты говорят, что лучше всего он выглядит, когда его высаживают группами. Chamaedorea plumosa хорошо растет в садах Южной Калифорнии и является еще одним сортом, который следует рассматривать в большей степени, чем он есть на самом деле.Пернатые листья падают на тощие стволы. Они могут переносить полное солнце или фильтрованное солнце и расти очень компактно. Эту пальму также можно выращивать как комнатное растение.

Какие маленькие пальмы у вас есть в саду?

Фото предоставлено: Верхнее фото Майи Думат — CC BY 2.0 на Flickr; саговая пальма, Flickr / [электронная почта защищена]; карликовая финиковая пальма, Flickr / starr-environmental; пиндо пальма, Flickr / [электронная почта защищена]; салон ладони, Flickr / [электронная почта защищена]; игольчатая ладонь, Flickr / [адрес электронной почты защищен]; леди ладонь, Flickr / starr-environmental; треугольная ладонь, Flickr / starr-environment; Средиземноморская веерная пальма, Flickr / jccsvq; Mazari Palm, Gabriele Kothe-Heinrich (собственная работа) [CC BY-SA 3.0], через Wikimedia Commons

Используйте глубокое обучение для оценки состояния пальм

Инвентаризация и оценка состояния каждой пальмы на плантации Коловаи, Тонга, потребуют много времени и большой рабочей силы. Чтобы упростить процесс, вы будете использовать модель глубокого обучения в ArcGIS Pro, чтобы определять деревья, а затем рассчитывать их состояние на основе оценки зеленого состояния растительности.Первый шаг — найти изображения, которые показывают Коловаи, Тонга, и имеют достаточно хорошее пространственное и спектральное разрешение для идентификации деревьев. Получив изображения, вы создадите обучающие образцы и преобразуете их в формат, который можно использовать в модели глубокого обучения. Чтобы модель могла распознать то, что ей нужно найти, вам необходимо определить изображения пальм, чтобы она могла идентифицировать похожие пиксели.

Загрузить данные

Точные изображения с высоким разрешением необходимы при извлечении объектов.Модель сможет идентифицировать пальмы только в том случае, если размер пикселя достаточно мал, чтобы различать навесы пальм. Кроме того, для расчета здоровья дерева вам понадобится изображение со спектральными полосами, которое позволит вам сгенерировать индекс здоровья растительности. Вы найдете и загрузите изображения для этого исследования из OpenAerialMap, открытого репозитория мультиспектральных изображений высокого разрешения.

1. Перейдите на веб-сайт OpenAerialMap.
2. Щелкните «Начать исследование».

   В интерактивном представлении карты вы можете масштабировать, панорамировать и искать изображения, доступные в любой точке планеты.Карта разбита на сетки. Когда вы указываете на сетку, появляется число. Это число указывает количество доступных изображений для этого ящика.

3. В поле поиска введите Коловай. В списке результатов щелкните Коловай.

   Это город на главном острове Тонгатапу с кокосовой плантацией.

4. При необходимости уменьшайте масштаб до тех пор, пока на карте не увидите метку Коловаи. Щелкните прямоугольник сетки прямо над Коловаи и выберите Подмножество Коловаи UAV4R (OSM-Fit) от Криштиану Джовандо.

5. Нажмите кнопку загрузки, чтобы загрузить необработанный файл .tif. Сохраните изображение в любом месте по вашему выбору.

   Из-за размера файла загрузка может занять несколько минут.

Взгляните на данные

Чтобы начать процесс классификации, вы создадите проект ArcGIS Pro с изображениями, которые вы загрузили, и сохраните несколько закладок для использования при создании обучающих выборок.

1. Запустите ArcGIS Pro. При появлении запроса войдите в систему, используя свою лицензионную учетную запись ArcGIS.

   Если у вас нет ArcGIS Pro или учетной записи ArcGIS, вы можете подписаться на бесплатную пробную версию ArcGIS.

2. В разделе «Создать» щелкните «Карта».

   Шаблон карты создает проект с 2D-картой.

3. В окне «Создать новый проект» назовите проект CoconutHealth. Сохраните проект в выбранном вами месте и нажмите OK.

   Проект открывается и отображает топографическую базовую карту.

4. На вкладке «Карта» в группе «Слой» щелкните «Добавить данные».

   Откроется окно «Добавить данные».

5. В окне «Добавить данные» в разделе «Компьютер» перейдите к изображению Колова, которое вы загрузили с OpenAerialMap. Выберите файл .tif и нажмите ОК.

   Изображение Колова добавлено на вашу карту. Слой отображается на панели «Содержание» по своему уникальному идентификатору, который не имеет смысла. Лучше всего переименовать слой на то, что вам понятно.

6. На панели «Содержание» дважды щелкните слой изображения и введите «Пальмы Коловаи». Нажмите Ввод.

7. Прокрутите и увеличьте масштаб карты, чтобы получить представление о том, как выглядит пальмовая ферма.

   На этом изображении видно большое количество кокосовых пальм. Подсчет их по отдельности, в поле или путем визуального осмотра изображения может занять несколько дней. Чтобы модель глубокого обучения выполняла эту работу за вас, вы создадите небольшой образец пальм, который будет использоваться для обучения вашей модели. Во-первых, вы создадите настраиваемое отображение карты, чтобы можно было быстро увеличивать различные области изображения.

8. В нижней части окна карты щелкните стрелку масштаба карты и выберите «Настроить».

   Откроется окно «Свойства шкалы».

9. Убедитесь, что в окне «Свойства шкалы» выбрана вкладка «Стандартные шкалы». В поле Масштаб введите 1: 500.

10. Щелкните «Добавить», затем щелкните «ОК».

    В список масштабов карты в вашем проекте добавлен настраиваемый масштаб. Вы будете использовать эту шкалу каждый раз при создании закладки.

11. На ленте на вкладке «Карта» в группе «Запрос» щелкните «Найти».

    Появится панель «Найти».

12. В поле поиска Locate вставьте следующие координаты и нажмите Enter: 175.3458501 ° з.д. 21.0

    0 ° ю.ш.

    Буква A появляется на вашей карте, чтобы отметить расположение координат. Вы создадите закладку для этого места, используя настраиваемый масштаб, чтобы вы могли сослаться на него в следующем разделе.

13. Щелкните список масштаба карты и выберите 1: 500.

    Вы видите увеличенное изображение координат на вашей карте.

14. На ленте на вкладке Карта в группе Навигация щелкните Закладки. В меню нажмите Новая закладка.

    Откроется окно «Создать закладку».

15. В окне «Создать закладку» введите Northwest palms и нажмите OK.
16. Создание закладок для следующих координат в масштабе 1: 500:
    palms

    Координаты	Имя закладки
    175.3413074 ° W 21.0949798 ° S
    175.3479054 ° W 21.1018014 ° S	Юго-западные пальмы
    175.3409475 ° W 21.1035265 ° S	Юго-восточные пальмы
    175.3479457 ° W 21.0959058 ° S	Центральные западные пальмы

    и сохраните проект
.

Создание схемы обучения

Создание хороших обучающих выборок необходимо при обучении модели глубокого обучения или любой модели классификации изображений. Кроме того, зачастую это самый трудоемкий этап процесса.Чтобы предоставить вашей модели глубокого обучения информацию, необходимую для извлечения всех пальм на изображении, вы создадите функции для ряда пальм, чтобы научить модель, какими могут быть размер, форма и спектральная характеристика кокосовых пальм. . Эти обучающие образцы создаются и управляются с помощью инструмента Label Objects for Deep Learning.

1. На ленте щелкните вкладку Изображения.

   ArcGIS Pro работает на основе контекста, поэтому определенные инструменты и вкладки будут доступны вам только в том случае, если связанные данные выбраны на панели Содержание.Чтобы активировать инструменты анализа изображений, необходимо выбрать растровый слой.

2. Убедитесь, что на панели «Содержание» выбрано «Пальмы Коловаи». Теперь вам доступны инструменты

   в группах «Классификация изображений», «Измерение» и «Инструменты». Активируется новая контекстная вкладка Растровый слой с вкладками Внешний вид и Данные.

3. В группе «Классификация изображений» щелкните «Инструменты классификации» и выберите «Обозначить объекты для глубокого обучения».

   Появится панель классификации изображений с пустой новой схемой.Вы создадите схему только с одним классом, потому что вас интересует только извлечение кокосовых пальм из изображений.

4. Щелкните правой кнопкой мыши «Новая схема» и выберите «Изменить свойства». В поле «Имя» введите «Кокосовые пальмы». В поле «Описание» добавьте краткое объяснение и нажмите «Сохранить».

   Схема переименована на панели классификации изображений. Теперь вы можете добавлять к нему образцы.

5. Щелкните правой кнопкой мыши «Кокосовые пальмы» и выберите «Добавить новый класс».
6. На панели «Добавить новый класс» установите следующие параметры:
   • В поле «Имя» введите Palm.
   • В поле «Значение» введите 1.
   • В поле «Цвет» выберите «Красный Марс».

7. Нажмите ОК.

   Класс Palm добавлен в схему Coconut Palms на панели классификации изображений. Вы создадите функции с помощью класса Palm для обучения модели глубокого обучения в каждой созданной вами закладке.

Создание обучающих выборок

Чтобы убедиться, что вы захватываете репрезентативную выборку деревьев в этом районе, вы оцифруете элементы по всему изображению.Эти функции считываются в модели глубокого обучения в определенном формате, называемом чипами изображений. Чипы изображений — это небольшие блоки изображений, вырезанные из исходного изображения. Создав достаточное количество функций на панели классификации изображений, вы экспортируете их как чипы изображений с метаданными.

1. На ленте щелкните вкладку Карта. В группе «Навигация» нажмите кнопку раскрывающегося списка «Закладки» и выберите закладку «Северо-западные пальмы».
2. На панели классификации изображений выберите класс Palm и щелкните инструмент «Круг».

   Вы воспользуетесь этим инструментом, чтобы нарисовать круги вокруг каждой пальмы на вашем текущем экране. Круги рисуются от центра объекта кнаружи, измеряя радиус объекта.

3. На карте щелкните центр пальмы и нарисуйте круг вокруг одного дерева.

   Новая пластинка ладони добавлена ​​в группу «Помеченные объекты» на панели классификации изображений. При обучении модели глубокого обучения на каждом чипе изображения все пальмы должны быть помечены как ладонь.Фишки изображения будут намного меньше, чем текущая карта, но вы создадите пальмовую запись для каждого дерева, которое сможете, чтобы убедиться, что есть много чипов изображения со всеми отмеченными пальмами.

4. Нарисуйте круги вокруг каждого дерева на отображении карты.

   Когда вы закончите, у вас будет примерно 100 образцов, записанных на панели «Диспетчер обучающих образцов».

5. Создайте обучающие образцы для каждой пальмы на каждой закладке.

   Чем больше образцов для обучения модели, тем лучше модель выполняет классификацию.

   Оцифровка обучающих выборок может занять много времени, но наличие большого количества выборок окупается. Чем больше образцов вы предоставите модели в качестве обучающих данных, тем более точные результаты она вернет.

6. Когда вы закончите создавать образцы, на панели классификации изображений нажмите «Сохранить».

7. В окне «Сохранить текущие обучающие образцы» в разделе «Проект» щелкните «Папки» и дважды щелкните папку проекта по умолчанию, CoconutHealth.
8. Назовите класс пространственных объектов PalmTraining и нажмите Сохранить.

   Последний шаг перед обучением модели — это экспорт обучающих выборок в правильный формат в виде чипов изображений.

9. На панели «Классификация изображений» щелкните вкладку «Экспорт данных обучения».

   Список обучающих выборок заменяется параметрами «Экспорт обучающих данных».

10. На вкладке «Экспорт данных обучения» введите следующие параметры:
    • Для папки вывода перейдите в папку проекта CoconutHealth и создайте новую папку с именем ImageChips.
    • В качестве формата изображения выберите формат JPEG.
    • Для размера фрагмента X и размера фрагмента Y введите 448.
    • Для параметра «Формат метаданных» выберите «Классы визуальных объектов PASCAL».

11. Нажмите «Выполнить».

    Инструмент запускается. Это может занять несколько минут.

12. На панели Каталог разверните Папки. Щелкните правой кнопкой мыши CoconutHealth и выберите «Обновить».

    Папка обновится и отобразит папку ImageChips.

13. Разверните ImageChips.

    Папка теперь заполнена образцами чипов изображений и метаданными.

14. Сохраните проект.

На этом уроке вы загрузили и добавили в проект изображения с открытым исходным кодом, создали обучающие образцы с помощью панели «Диспетчер обучающих образцов» и экспортировали их в формат, совместимый с моделью глубокого обучения для обучения. Затем вы определите все деревья на плантации.

Клонировать среду conda по умолчанию

Сначала вы создали обучающие образцы кокосовых пальм и экспортировали их как чипы изображений.Эти обучающие образцы можно использовать для обучения модели с помощью инструмента «Обнаружение объектов с использованием глубокого обучения» в ArcGIS Pro 2.5, который основан на таких фреймворках глубокого обучения, как TensorFlow, Keras или CNTK. Чтобы установить эти библиотеки глубокого обучения, вы клонируете среду Python по умолчанию с помощью командной строки Python. Вы можете узнать больше о наборе инструментов ArcGIS Pro Deep Learning и процессе установки фреймворков глубокого обучения в документации.

1. При необходимости сохраните проект и закройте ArcGIS Pro.
2. На рабочем столе найдите и запустите командную строку Python от имени администратора.

   Командная строка Python была загружена при установке ArcGIS Pro, поэтому она автоматически запускает файл инициализации propy.bat. Этот файл, который запускается вместо python.exe, распознает активную среду conda вашего приложения и позволяет запускать автономные сценарии с использованием этой среды.

   Для этого проекта вы хотите создать новую среду с именем deeplearning. Среда по умолчанию в ArcGIS Pro доступна только для чтения, поэтому вы клонируете ее, чтобы внести изменения.

3. Выполните следующую команду, чтобы создать новую среду conda путем клонирования среды ArcGIS Pro по умолчанию:

     conda create -n deeplearning –-clone arcgispro-py3  

   Процесс клонирования может занять несколько минут. Клонированные среды хранятся в папке envs по адресу% LOCALAPPDATA% \ Esri \ conda \ envs \. Системная переменная% LOCALAPPDATA% заменяет C: \ Users \ YourUserFolderName \ AppData \ Local \.

4. После создания новой среды выполните следующие команды, чтобы сменить каталог на эту папку:

     cd C: \ Program Files \ ArcGIS \ Pro \ bin \ Python \ envs \ deeplearning  

   Если ваша установка ArcGIS Pro не находится в папке Program Files, вместо этого вы должны использовать путь к вашей установке.Есть несколько папок по умолчанию, в которые можно клонировать среды Python. К ним относятся \ AppData \ Local \ ESRI \ conda \ envs и \ ArcGIS \ Pro \ bin \ Python \ envs, и они могут различаться в зависимости от предыдущей активной среды.

5. Выполните следующую команду, чтобы активировать новую среду и обновить путь к файлу в соответствии с местом, где вы сохранили клонированную среду:

   Это может занять несколько минут. Когда процесс активации завершится, имя активной среды появится в скобках перед местоположением папки.Активация новой среды указывает, что все вносимые вами изменения происходят только в выбранной среде. Это важно при выполнении нескольких проектов, которым требуются разные пакеты или разные версии пакетов. Теперь вы установите пакеты, необходимые для запуска модулю arcgis.learn.

6. Выполните следующие команды по очереди, чтобы установить зависимости пакетов глубокого обучения:

     conda install tensorflow-gpu = 1.14.0
   conda установить keras-gpu = 2.2,4
   conda install scikit-image = 0.15.0
   conda install Pillow = 6.1.0
   conda install fastai = 1.0.54
   conda install pytorch = 1.1.0
   conda install libtiff = 4.0.10 --no-deps  

   Для некоторых пакетов потребуется подтверждение установки. При появлении запроса введите y и нажмите Enter.

7. Используйте команду proswap, чтобы настроить среду проекта ArcGIS Pro для вашей среды углубленного изучения.

   Теперь у вас настроена среда conda со всеми библиотеками, необходимыми для работы инструментов глубокого обучения.

8. Закройте командную строку, затем снова откройте проект CoconutHealth.

   Необходимо обновить проект, чтобы разрешить обновление настроек новой среды. Перед тем, как начать процесс обучения модели глубокого обучения, вы воспользуетесь диспетчером пакетов Python, чтобы убедиться, что среда глубокого обучения активна в ArcGIS Pro.

9. На ленте щелкните вкладку Проект и выберите Python.

   Откроется диспетчер пакетов Python. Если вы ранее не использовали другие среды в ArcGIS Pro, активна среда по умолчанию, arcgispro-py3.Среды, созданные и активированные в командной строке, сохраняются только в этом экземпляре приглашения, если вы также не установили их как активные в ArcGIS Pro.

10. Для среды проекта убедитесь, что среда глубокого обучения активна.

    Теперь вы воспользуетесь инструментом «Обучение модели глубокого обучения», чтобы создать файл определения модели Esri (.emd), отформатированный для чтения инструментами геообработки ArcGIS, такими как «Обнаружение объектов с использованием глубокого обучения».

Обучить модель глубокого обучения

Инструмент геообработки Обучить модель глубокого обучения использует помеченные вами микросхемы изображений, чтобы определить, какие комбинации пикселей в данном изображении представляют пальмы.В процессе обучения создается файл определения модели Esri (.emd), который может использоваться другими инструментами глубокого обучения в ArcGIS. Вы заполните файл .emd, а затем воспользуетесь инструментом «Обнаружение объектов с помощью глубокого обучения», чтобы идентифицировать пальмы на изображении.

1. На ленте щелкните вкладку Анализ. В группе Геообработка нажмите Инструменты.
2. На панели «Геообработка» найдите и откройте инструмент «Обучение модели глубокого обучения».
3. Для ввода данных обучения перейдите в папку ImageChips, которую вы сохранили в папке проекта CoconutHealth.

   Папка ImageChips содержит две папки, два текстовых файла, файл .json и .emd, которые были созданы с помощью инструмента «Экспорт данных обучения для глубокого обучения». Файл esri_model_definition.emd — это шаблон, который будет заполнен специалистом по данным, обучившим модель, с такой информацией, как структура глубокого обучения, путь к файлу к обученной модели, имена классов, тип модели и спецификации изображения для изображение, используемое для обучения. Файл .emd — это мост между обученной моделью и ArcGIS Pro.

4. Для выходной модели создайте папку в папке проекта CoconutHealth с именем PalmDetection_25_SSD.

   Это соглашение об именах содержит информацию о параметрах, которые вы будете использовать для обучения модели. 25 — это количество эпох, которое вы будете использовать, а SSD означает Single Shot Detector, тип модели, который вы будете использовать.

5. Для Max Epochs введите 25.

   Эпоха — это полный цикл обучающего набора данных. В течение каждой эпохи набор обучающих данных, который вы сохранили в папке ImageChips, будет передаваться вперед и назад через нейронную сеть один раз.Значение по умолчанию — 20.

6. Разверните «Параметры модели» и убедитесь, что для параметра «Тип модели» установлено значение «Детектор одиночного выстрела».

   Тип модели будет определять алгоритм глубокого обучения и нейронная сеть, которую вы будете использовать для обучения своей модели. В этом случае вы используете метод Single Shot Detector, потому что он оптимизирован для обнаружения объектов.

7. Подтвердите остальные параметры.

   Аргументы модели, значения параметров, используемые для обучения модели, зависят от выбранного типа модели и могут быть настроены.Для получения дополнительной информации о выборе аргументов модели см. Документацию по обучению модели глубокого обучения.

   В зависимости от вычислительной мощности вашего компьютера запуск этого инструмента может занять некоторое время. Чтобы сразу же продолжить этот урок, загрузите предварительно обученный файл PalmDetection_25_SSD и перейдите к следующему разделу.

8. Нажмите «Выполнить».

Обнаружение пальм

Основная часть работы по извлечению объектов из изображений — это подготовка данных, создание обучающих выборок и обучение модели.Теперь, когда эти шаги выполнены, вы будете использовать обученную модель для обнаружения пальм на всех ваших изображениях. Обнаружение объектов — это процесс, который обычно требует нескольких тестов для достижения наилучших результатов. Есть несколько параметров, которые вы можете изменить, чтобы ваша модель работала наилучшим образом. Чтобы быстро проверить эти параметры, вы попытаетесь обнаружить деревья на небольшом участке изображения. Как только вы будете удовлетворены результатами, вы расширите средства обнаружения до полного изображения.

1. На панели «Геообработка» найдите и откройте инструмент «Обнаружение объектов с помощью глубокого обучения».

   Этот инструмент вызывает сторонний API глубокого обучения Python и использует указанную растровую функцию Python для обработки изображения.

2. Для инструмента «Обнаружение объектов с использованием глубокого обучения» введите следующие параметры:
   • Для входного растра выберите Kolovai Palms.
   • Для вывода обнаруженных объектов введите CoconutTrees.
   • Для определения модели перейдите к PalmDetection_25_SSD.emd (загруженному с данными урока, находящимся в C: \ DeepLearning \ Data) или к файлу .emd, созданному с помощью инструмента «Обучение модели глубокого обучения».
   • Заполнение: 0
   • Порог: 0,5
   • nms_overlap: 0,6
   • Для размера партии введите 1.
   • Установите флажок «Не максимальное подавление».
   • Для максимального коэффициента перекрытия введите 0,6.

   Дополнительные аргументы появятся в окне инструмента из-за информации в обученной модели. Специалист по анализу данных, который предоставил вам модель, должен дать предложения по каждому аргументу. Дополнительная информация об аргументах предоставляется, если вы хотите поэкспериментировать с разными значениями.В противном случае оставьте настройки по умолчанию.

   Пороговый аргумент — это порог достоверности — насколько достоверно можно назвать объект пальмой? Это число можно изменить для достижения желаемой точности.

   При выполнении свертки изображений в моделировании сверточной нейронной сети вы существенно сжимаете данные, и пиксели на краю изображения используются во время анализа гораздо меньше, чем внутренние пиксели. По умолчанию параметр заполнения равен 0, но параметр заполнения 1 означает, что к внешним краям изображения добавляется дополнительная граница пикселей, все со значением 0.Это уменьшает потерю информации из допустимых краевых пикселей и сжатие. Вы можете изменить параметр на 1 или 2, чтобы увидеть эффекты.

   Максимальный коэффициент перекрытия (также указываемый в аргументах Python как nms_overlap) определяет, насколько разрешено пересечение каждой функции. Параметр появляется дважды из-за аргументов, указанных в файле .emd, но не всегда добавляется. Меньшее число для этого аргумента указывало бы, что объекты не могут перекрываться, чтобы считаться отдельными функциями.Параметр batch_size определяет количество выборок, которые будут использоваться для обучения сети на каждой итерации обучения. Например, если у вас есть 1000 обучающих выборок (чипов изображений) и размер пакета 100, первые 100 обучающих выборок будут обучать нейронную сеть. На следующей итерации будут использованы следующие 100 выборок и так далее. В зависимости от объема памяти, доступной вашей машине, вы можете увеличить этот параметр, хотя обучение следует проводить только в точных квадратах. Например, вы можете использовать пакет из 4, 9, 16 и т. Д.

   Инструмент может занять некоторое время для запуска полного изображения, поэтому, если вы хотите поэкспериментировать с другими параметрами, вы измените степень обработки на меньшую область.

3. Увеличьте масштаб до 1: 500 где-нибудь на изображении.
4. Щелкните вкладку «Среды» в инструменте «Обнаружение объектов с помощью глубокого обучения». Измените Extent на Current Display Extent.
5. Нажмите «Выполнить».
6. Попробуйте изменить параметры, чтобы увидеть, улучшится ли ваша модель. Когда вы будете удовлетворены результатами в меньшем масштабе, измените степень обработки обратно на «По умолчанию», чтобы обработать все изображение.
7. Нажмите «Выполнить».

   Для запуска инструмента потребуется несколько минут, в зависимости от вашего оборудования и от того, работаете ли вы на ЦП, графическом процессоре или ОЗУ.

8. Сохраните проект.

Инструменты глубокого обучения в ArcGIS Pro зависят от обученной модели от специалиста по данным и функций вывода, которые поставляются с пакетом Python для стороннего программного обеспечения для моделирования глубокого обучения. На следующем уроке вы будете использовать растровые функции, чтобы получить оценку состояния растительности для каждого дерева в изучаемой области.

На предыдущем уроке вы использовали модель глубокого обучения для извлечения кокосовых пальм из изображения. В этом уроке вы будете использовать то же изображение для оценки здоровья растительности путем расчета индекса здоровья растительности.

Для оценки состояния растительности вы рассчитаете индекс видимой атмосферостойкости (VARI), который был разработан как косвенная мера индекса площади листа (LAI) и доли растительности (VF) с использованием только значений отражения от видимой длины волны:

  (R  g  - R  r ) / (R  g  + R  r  - R (R  g  - R  b ))  

где R _r , R _g и R _b — значения коэффициента отражения для красной, зеленой и синей полос соответственно (Gitelson et al.2002).

Обычно для оценки состояния растительности используются значения отражательной способности как в видимом, так и в ближнем инфракрасном (NIR) диапазонах длин волн, как и в случае с нормализованным индексом разности растительности (NDVI). Растровые данные Kolovai Palms, которые вы загрузили из OpenAerialMap, представляют собой многополосное изображение с тремя полосами, все в видимом электромагнитном спектре, поэтому вместо этого вы будете использовать VARI.

Вычислить VARI

Для измерения VARI требуется ввод трех каналов в растре Kolovai Palms.Для вычисления VARI вы будете использовать растровую функцию полосовой арифметики. Растровые функции работают быстрее, чем инструменты геообработки, потому что они не создают новый набор растровых данных. Вместо этого они выполняют анализ пикселей в реальном времени при панорамировании и масштабировании.

1. При необходимости откройте проект CoconutHealth в ArcGIS Pro.
2. На ленте щелкните вкладку Изображения. В группе Анализ щелкните Функции растра.
3. На панели «Функции растра» найдите и выберите растровую функцию «Полосная арифметика».

4. В функции Band Arithmetic Properties установите следующие параметры и нажмите Create new layer:
   • В качестве растрового выберите растровый слой Kolovai Palms.
   • В качестве метода выберите VARI. Функция требует, чтобы вы указали индекс полосы, который соответствует полосам ввода для формулы. В поле Input под параметром Band Indexes указано Red Green Blue, поэтому вы предоставите номера индексов диапазонов, которые соответствуют красному, зеленому и синему диапазонам, в указанном порядке.Убедитесь, что между каждой полосой есть один пробел.
   • Для индексов диапазонов введите 1 2 3.

   Слой VARI добавлен на панель содержания как Band Arithmetic_Kolovai Palms. Масштабируя и панорамируя область, вы можете видеть такие объекты, как береговая линия, дороги, здания и поля.

5. Убедитесь, что на панели Содержание выбран слой Band Arithmetic_Kolovai Palms.
6. На ленте щелкните контекстную вкладку Внешний вид.
7. В группе «Визуализация» выберите раскрывающееся меню «Тип растяжения» и выберите «Стандартное отклонение».

8. На панели «Содержание» дважды щелкните Band Arithmetic_Kolovai Palms и переименуйте его в VARI.

Извлечь VARI в кокосовые пальмы

Наличие растрового слоя, показывающего VARI, полезно, но не обязательно действенно. Чтобы выяснить, какие деревья требуют внимания, вам нужно знать средний VARI для каждого отдельного дерева. Чтобы найти значение VARI для каждого дерева, вы извлечете базовый средний VARI и обозначите их символами, чтобы показать, какие деревья здоровы, а какие требуют обслуживания.

Сначала вы преобразуете полигональные объекты в круги, чтобы представить пальмы.

1. На панели Геообработка найдите и откройте инструмент Элемент в точку. Введите следующие параметры и нажмите «Выполнить»:
   • Для входных объектов выберите слой CoconutTrees.
   • В качестве выходного класса пространственных объектов введите CoconutTrees_Points.

   У вас есть класс точечных объектов в центроиде каждого обнаруженного полигона. Если вы увеличите масштаб до различных мест и воспользуетесь инструментом «Измерение», вы увидите, что средний радиус пальм составляет примерно 3 метра.

2. На панели Геообработка найдите и откройте инструмент Буфер.
3. Укажите следующие параметры и нажмите «Выполнить»:
   • Для входных объектов выберите CoconutTrees_Points.
   • Для Выходного класса пространственных объектов выберите PalmTreesBuffer.
   • Для параметра «Расстояние» выберите 3 метра (убедитесь, что установлено значение «Линейные единицы»).

   У вас есть класс полигональных объектов, показывающий расположение и общую форму каждой вершины кокосовой пальмы.

4. На панели «Содержание» отключите слои VARI, CoconutTrees и CoconutTrees_Points.

   Затем вы извлечете среднее значение VARI для каждого многоугольника.

5. На панели Геообработка найдите и откройте инструмент Зональная статистика как таблица.
6. В инструменте «Зональная статистика как таблица» введите следующие параметры и нажмите «Выполнить»:
   • Для входных растровых данных или данных характерной зоны выберите PalmTreesBuffer.
   • В поле Зона выберите ORIG_FID.
   • Для растра входных значений выберите VARI.
   • Для выходной таблицы введите MeanVARI_per_Palm.
   • Установите флажок Игнорировать NoData в расчетах.
   • В качестве типа статистики выберите Среднее.

   Установка в поле Zone значения ORIG_FID гарантирует, что вы получите статистику для каждого дерева отдельно. Этот атрибут является уникальным идентификатором исходного слоя CoconutTrees.

   Выходная таблица добавлена ​​в нижнюю часть панели «Содержание». Если вы откроете его, вы увидите исходное значение FID и столбец под названием MEAN, содержащий среднее значение VARI. Вы присоедините эту таблицу к слою PalmTreesBuffer, чтобы получить класс пространственных объектов с оценкой достоверности и средним VARI для каждой обнаруженной пальмы.

7. На панели Геообработка найдите и откройте инструмент Соединить поле.
8. В инструменте «Поле соединения» введите следующие параметры и нажмите «Выполнить»:
   • Для таблицы ввода выберите PalmTreesBuffer.
   • Для поля ввода соединения выберите ORIG_FID.
   • Для таблицы соединения выберите MeanVARI_per_Palm.
   • В качестве выходного поля соединения выберите ORIG_FID.
   • Для полей соединения выберите MEAN.

   К слою PalmTreesBuffer теперь присоединено поле MEAN.Вы переименуете его и обозначите символами для лучшего понимания данных.

9. На панели «Содержание» дважды щелкните PalmTreesBuffer и переименуйте его в PalmTreesVARI.
10. На ленте на вкладке Внешний вид в группе Чертеж щелкните Символы.
11. В качестве основных символов выберите Градуированные цвета.

12. Для поля выберите СРЕДНИЙ.
13. При необходимости для параметра «Метод» выберите «Естественные разрывы» (Дженкс) и установите для «Классы» значение 4.
14. Для параметра «Цветовая схема» щелкните раскрывающееся меню и установите флажки «Показать все» и «Показать имена».Прокрутите и выберите схему Красный-Желтый-Зеленый (4 класса).

15. В разделе «Классы» щелкните каждую метку и переименуйте классы сверху вниз следующим образом: Требуется проверка, Снижение работоспособности, Умеренный и Здоровый.

    Теперь у вас есть карта с классом пространственных объектов, показывающим расположение, состояние и надежность модели для каждой пальмы на изображении.

16. Сохраните проект.

Дополнительный кредит: Назначение полевых задач и мониторинг прогресса проекта

Одним из самых больших преимуществ использования ArcGIS Pro для извлечения объектов и анализа изображений является то, что его можно интегрировать со всей платформой ArcGIS.На последнем уроке вы использовали инструменты глубокого обучения в ArcGIS Pro, чтобы определять кокосовые пальмы по изображениям. Пальмы могут храниться как пространственные объекты в классе пространственных объектов, который можно использовать в ГИС. Чтобы расширить рабочий процесс, вы можете опубликовать свои результаты в облаке, настроить шаблон веб-приложения для обеспечения качества, назначить задачи проверки дерева работникам в полевых условиях и отслеживать ход выполнения проекта с помощью панели мониторинга.

Опубликовать в ArcGIS Online

Чтобы использовать настраиваемые приложения для работы с данными, вам необходимо: опубликуйте пальмы как сервис объектов в ArcGIS Online или ArcGIS Enterprise.В ArcGIS Pro щелкните правой кнопкой мыши слой PalmTreesVARI на панели Содержание и выберите «Совместное использование», затем «Опубликовать как Интернет». Слой. Он будет опубликован в вашей учетной записи ArcGIS Online.

Узнать больше о публикации функции услуга.

Использование шаблонов приложений для анализа глубокого обучения точность

Инструменты глубокого обучения обеспечивают результаты с точностью, которая пропорционально точности обучающих выборок и качеству обученной модели. Другими словами, результаты не всегда идеальны.Вы можете оценить качество результаты модели, проверяя деревья, где оценка уверенности, хранящаяся в глубоком обучении результат ниже заданного значения. Вместо увеличения к каждому запись с использованием атрибутивного фильтра в ArcGIS Pro, настраиваемый шаблон веб-приложения Image Visit позволяет чтобы быстро проверить точность ваших результатов в Интернете заявление.

Узнайте больше о приложении Image Visit.

Использование Workforce for ArcGIS для выполнения полевых работ проверка

Workforce for ArcGIS — мобильное приложение который использует расположение объектов для координации вашего поля рабочая сила.Вы можете использовать приложение Workforce для назначения задач участникам вашей организации, чтобы все деревья с оценкой VARI указано как Требуется проверка, может быть назначено кому-либо в поле, отмечено и помечено предлагаемым лечением.

Узнайте больше о Workforce for ArcGIS.

Использование панели мониторинга операций для мониторинга проекта прогресс

Наконец, вы можете следить за ходом выполнения заданий отправлены в ваш проект Workforce for ArcGIS с помощью Operations Dashboard for ArcGIS.Operations Dashboard for ArcGIS — это настраиваемое веб-приложение, которое обеспечивает визуализацию и аналитику для работы в режиме реального времени взгляд на людей, услуги и задачи.

Подробнее о начале работы с Панель управления операциями.

На этом уроке вы получили изображения дронов с открытым исходным кодом и создал обучающие образцы пальм на изображении. Эти изображения чипы были предоставлены специалистам по данным в качестве чипов изображений и использовались обученная модель глубокого обучения для извлечения более 11000 пальм в изображение.

Вы узнали о глубоком обучении и анализе изображений, а также настраиваемые приложения на платформе ArcGIS. Вы можете использовать это рабочий процесс для любого количества задач, если у вас есть образы и знание моделей глубокого обучения. Например, вы можете использовать эти инструменты для оценки структурного ущерба в результате стихийных бедствий, подсчитать транспортных средств в городской местности или найти искусственные сооружения рядом с зоны геологической опасности.