Mit der Image Analyst-Lizenz verfügbar.
Zusammenfassung
Berechnet ein prognostiziertes multidimensionales Raster mithilfe des Ausgabe-Trend-Rasters aus dem Werkzeug Trend-Raster generieren.
Verwendung
Mit diesem Werkzeug wird die Ausgabe des Werkzeugs Trend-Raster generieren als multidimensionales Eingabe-Trend-Raster verwendet.
Dieses Werkzeug generiert ein multidimensionales Raster-Dataset im Cloud-Raster-Format (CRF). Aktuell werden keine anderen Ausgabeformate unterstützt.
Standardmäßig wird die multidimensionale Raster-Ausgabe mit dem Komprimierungstyp LZ77 komprimiert. Es wird jedoch empfohlen, stattdessen den Komprimierungstyp LERC festzulegen und den Maximalfehler entsprechend Ihren Daten anzupassen. Wenn Sie zum Beispiel Analyseergebnisse mit einer Genauigkeit von drei Dezimalstellen erwarten, dann sollten Sie den Wert 0,001 für diesen Maximalfehler verwenden. Dies eignet sich am besten, um unnötige Anforderungen an die Genauigkeit zu vermeiden, da andernfalls Verarbeitungszeit und Speichergröße zu sehr ansteigen würden.
Syntax
PredictUsingTrendRaster(in_multidimensional_raster, {variables}, {dimension_def}, {dimension_values}, {start}, {end}, {interval_value}, {interval_unit})| Parameter | Erklärung | Datentyp |
in_multidimensional_raster | Das multidimensionale Eingabe-Trend-Raster aus dem Werkzeug Trend-Raster generieren | Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; File |
variables [variables,...] (optional) | Ein oder mehrere Variablen, die in der Analyse vorhergesagt werden. Wenn keine Variablen angegeben sind, werden alle Variablen verwendet. | String |
dimension_def (optional) | Gibt die Methode an, die zum Bereitstellen von Vorhersagedimensionswerten verwendet wird.
| String |
dimension_values [dimension_values,...] (optional) | Die Dimensionswerte, die in der Vorhersage verwendet werden sollen. Das Format der Werte für Uhrzeit, Tiefe und Höhe muss mit dem Format der Dimensionswerte übereinstimmen, die zum Generieren des Trend-Rasters verwendet wurden. Wenn das Trend-Raster für die Dimension "StdTime" generiert wurde, ist das Format JJJJ-MM-TTThh:mm:ss, also z. B. 2050-01-01T00:00:00.. Mehrere Werte werden durch Semikolons getrennt angegeben. Dieser Parameter ist erforderlich, wenn der Parameter dimension_def auf BY_VALUE gesetzt ist | String |
start (optional) | Die Werte für Startdatum, Höhe oder Tiefe des Dimensionsintervalls, die in der Vorhersage verwendet werden sollen. | String |
end (optional) | Die Werte für Enddatum, Höhe oder Tiefe des Dimensionsintervalls, die in der Vorhersage verwendet werden sollen. | String |
interval_value (optional) | Die Anzahl der Schritte zwischen zwei Dimensionswerten, die in die Vorhersage einbezogen werden sollen. Der Standardwert ist 1. Um z. B. die Temperaturwerte alle fünf Jahre vorherzusagen, verwenden Sie den Wert 5. | Double |
interval_unit (optional) | Gibt die für den Intervallwert verwendete Einheit an. Dieser Parameter wird nur angewendet, wenn es sich bei der Analysedimension um eine Zeitdimension handelt.
| String |
Rückgabewert
| Name | Erklärung | Datentyp |
| out_multidimensional_raster | Das multidimensionale Ausgabe-Raster-Dataset im Cloud Raster Format (CRF). | Raster |
Codebeispiel
In diesem Beispiel wird eine Niederschlags- und Temperaturvorhersage für den 1. Januar 2050 und den 1. Januar 2100 generiert.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Execute
predictOutput = PredictUsingTrendRaster("C:/Data/LinearTrendCoefficients.crf",
"temp;precip", "BY_VALUE", "2050-01-01T00:00:00;2100-01-01T00:00:00")
# Save output
predictOutput.save("C:/Data/Predicted_Temp_Precip.crf")In diesem Beispiel werden prognostizierte NDVI-Werte für jeden Monat im Jahr 2025 generiert.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Define input parameters
inFile = "C:/Data/HarmonicTrendCoefficients.crf"
variables = "NDVI"
dimension_definition = "BY_INTERVAL"
start = "2025-01-01T00:00:00"
end = "2025-12-31T00:00:00"
interval_value = 1
interval_unit = "MONTHS"
# Execute - predict the monthly NDVI in 2025
predictOutput = PredictUsingTrendRaster(inFile, variables,
dimension_definition, '', start, end, interval_value, interval_unit)
# Save output
predictOutput.save("C:/data/predicted_ndvi.crf")Umgebungen
Lizenzinformationen
- Basic: Erfordert Image Analyst
- Standard: Erfordert Image Analyst
- Advanced: Erfordert Image Analyst