Liste der ArcGIS Image Analyst-Geoverarbeitungswerkzeuge—ArcGIS Pro

Die Erweiterung ArcGIS Image Analyst stellt eine Auswahl an Geoverarbeitungswerkzeugen in ArcGIS Pro bereit.

Geoverarbeitungswerkzeuge

Die Erweiterung Image Analyst stellt zahlreiche Geoverarbeitungswerkzeuge bereit. In den folgenden Tabellen und den zugehörigen Toolsets werden diese Werkzeuge entsprechend ihrer Funktionalität in Kategorien aufgegliedert.

Änderungserkennung

Das Toolset "Änderungserkennung" enthält Werkzeuge zur Erkennung von Änderungen zwischen Raster-Datasets.

Werkzeuge im Toolset "Änderungserkennung"
Werkzeug	Beschreibung
Veränderungen mit CCDC analysieren	Überprüft mit der CCDC-Methode (Continuous Detection and Classification) Veränderungen von Pixelwerten im Zeitverlauf und generiert ein Veränderungsanalyse-Raster, das die Modellergebnisse enthält.
Änderungen mit LandTrendr analysieren	Überprüft mit der Landsat-Methode zur Erkennung von Störungs- und Regenerationstendenzen (LandTrendr) Veränderungen von Pixelwerten im Zeitverlauf und generiert ein Veränderungsanalyse-Raster, das die Modellergebnisse enthält.
Veränderungs-Raster berechnen	Berechnet den absoluten, relativen, kategoriellen oder spektralen Unterschied zwischen zwei Raster-Datasets.
Veränderung mit Veränderungsanalyse-Raster erkennen	Generiert mit dem vom Werkzeug Veränderungen mit CCDC analysieren oder Änderungen mit LandTrendr analysieren ausgegebenen Veränderungsanalyse-Raster ein Raster, das Pixeländerungsinformationen enthält.

Klassifizierung und Mustererkennung

Mit den Werkzeugen im Toolset "Klassifizierung und Mustererkennung" können Sie Muster in Bilddaten suchen, erkennen und quantifizieren. Sie können klassische statistische und erweiterte Bildklassifizierungs- und Regressionsanalysetechniken des maschinellen Lernens für segmentierte und pixelbasierte Raster-Datasets durchführen. Zusätzliche Werkzeuge stehen zur Verfügung, um die Genauigkeit von Trainingssätzen und Klassifizierungen sowie die Optimierung von Klassenkarten sicherzustellen. In der folgenden Tabelle werden die Werkzeuge im Toolset "Klassifizierung und Mustererkennung" aufgeführt und kurz beschrieben:

Werkzeuge im Toolset "Klassifizierung und Mustererkennung"
Werkzeug	Beschreibung
Raster klassifizieren	Klassifiziert ein Raster-Dataset basierend auf einer Esri Classifier Definition (.ecd)-Datei und Raster-Dataset-Eingaben. Die .ecd-Datei enthält alle Informationen, die für die Durchführung einer bestimmten, von Esri unterstützten Klassifizierungsart erforderlich sind. Die Eingaben in dieses Werkzeug müssen den Eingaben entsprechen, die zur Generierung der erforderlichen .ecd-Datei verwendet werden.
Raster mit Spektren klassifizieren	Klassifiziert ein Multiband-Raster-Dataset mit Spektralabgleichsverfahren. Die Eingabe-Spektraldaten können als Point-Feature-Class oder als .json-Datei bereitgestellt werden.
Konfusionsmatrix berechnen	Berechnet eine Konfusionsmatrix mit Unterlassungs- und Überlassungsfehlern und leitet anschließend einen Kappa-Übereinstimmungsindex, eine Intersection Over Union (IoU) und eine Gesamtgenauigkeit zwischen der klassifizierten Karte und den Referenzdaten ab.
Segmentattribute berechnen	Berechnet einen Satz von Attributen, die mit dem segmentierten Bild verknüpft sind. Das Eingabe-Raster kann ein Einzelband- oder 3-Band-, 8-Bit-segmentiertes Bild sein.
Punkte für Genauigkeitsbewertung erstellen	Erstellt zufällig ausgewählte Punkte für die Genauigkeitsbewertung nach der Klassifizierung.
Trainingsgebiete aus Ursprungspunkten erstellen	Generiert Trainingsgebiete aus Ursprungspunkten wie Genauigkeitsbewertungs- oder Trainingsgebietspunkten. Trainingsgebiete werden in der Regel aus einer vorhandenen Quelle gewonnen, z. B. aus einem thematischen Raster oder einer Feature-Class.
Trainingsgebiete überprüfen	Untersucht die Genauigkeit einzelner Trainingsgebiete. Die Cross Validation-Genauigkeit wird anhand der zuvor generierten Klassifizierungstrainingsergebnisse in einer .ecd-Datei und den Trainingsgebieten berechnet. Ausgegeben werden ein Raster-Dataset mit den falsch klassifizierten Klassenwerten und ein Trainingsgebiet-Dataset mit dem Genauigkeitswert für die einzelnen Trainingsgebiete.
Lineare spektrale Entmischung	Führt eine Subpixel-Klassifizierung durch und berechnet den Anteil verschiedener Landbedeckungstypen für einzelne Pixel.
Mit Regressionsmodell vorhersagen	Verwendet die Ausgabe des Werkzeugs Regressionsmodell "Random Trees" trainieren, um Datenwerte vorherzusagen.
Kachel-Artefakte des Raster-Segments entfernen	Korrigiert Segmente oder Objekte, die von den Kachelgrenzen abgeschnitten werden, wenn die Segmentierung als Raster-Funktion ausgeführt wird. Dies ist ein hilfreiches Werkzeug für bestimmte regionale Prozesse, wie zum Beispiel die Segmentierung von Bildern, die Inkonsistenzen neben den Kachelgrenzen aufweisen. Dieser Verarbeitungsschritt ist im Werkzeug Mean Shift-Segmentierung enthalten. Er sollte nur für ein segmentiertes Bild verwendet werden, das nicht mit diesem Werkzeug erstellt wurde.
Mean Shift-Segmentierung	Gruppiert benachbarte Pixel mit ähnlichen Spektraleigenschaften in Segmente.
ISO-Cluster-Klassifikator trainieren	Generiert eine Esri Classifier Definition-Datei (.ecd) anhand der ISO-Cluster-Klassifizierung.
Klassifikator "Nächste Nachbarn (K)" trainieren	Generiert unter Verwendung der Klassifizierungsmethode "K-Nächster-Nachbar (KNN)" eine Esri Klassifikator-Definitionsdatei (.ecd).
Maximum-Likelihood-Klassifikator trainieren	Generiert eine Esri Classifier Definition-Datei (.ecd) anhand der Klassifizierungsdefinition des Maximum-Likelihood-Klassifikators.
Random Trees-Klassifikator trainieren	Generiert eine Esri Classifier Definition-Datei (.ecd) anhand der Random-Trees-Klassifizierung.
Regressionsmodell "Random Trees" trainieren	Modelliert unter Verwendung der Analyse der Zufallsbäume ("Random Trees") die Beziehung zwischen erklärenden Variablen und einem Ziel-Dataset.
Support Vector Machine-Klassifikator trainieren	Generiert eine Esri Classifier Definition-Datei (.ecd) anhand der Klassifizierungsdefinition für Support Vector Machine (SVM).
Punkte für Genauigkeitsbewertung aktualisieren	Aktualisiert das Target-Feld in der Attributtabelle, um Bezugspunkte mit dem klassifizierten Bild zu vergleichen.

Deep Learning

Die Werkzeuge im Toolset "Deep Learning" erkennen Features in Bilddaten, indem sie mehrere Layer in künstlichen neuronalen Netzwerken verwenden, in denen jeder Layer mindestens ein eindeutiges Feature im Bild extrahieren kann. In der folgenden Tabelle werden die Deep-Learning-Werkzeuge aufgeführt und kurz beschrieben:

Werkzeuge im Toolset "Deep Learning"
Werkzeug	Beschreibung
Objekte mit Deep Learning klassifizieren	Führt ein trainiertes Deep-Learning-Modell in einem Eingabe-Raster und einer optionalen Feature-Class aus und erstellt eine Feature-Class oder Tabelle, in der jedem Eingabeobjekt oder -Feature eine Klassen- oder Kategoriebeschriftung zugewiesen ist.
Pixel mit Deep Learning klassifizieren	Führt ein trainiertes Deep-Learning-Modell auf einem Eingabe-Raster zur Erstellung eines klassifizierten Rasters aus, bei dem jedem gültigen Pixel eine Klassenbeschriftung zugewiesen ist.
Genauigkeit für Objekterkennung berechnen	Berechnet die Genauigkeit eines Deep-Learning-Modells, indem die mit dem Werkzeug Objekte mit Deep Learning erkennen erkannten Objekte mit Überprüfungsdaten verglichen werden.
Veränderung mit Deep Learning erkennen	Führt ein trainiertes Deep-Learning-Modell zur Erkennung von Änderungen zwischen zwei Rastern aus.
Passpunkte ermitteln	Ermittelt Bodenpasspunkte in einem Mosaik-Dataset.
Objekte mit Deep Learning erkennen	Führt ein trainiertes Deep-Learning-Modell auf einem Eingabe-Raster zur Erstellung einer Feature-Class aus, die die gefundenen Objekte enthält. Bei den Features kann es sich um Rahmen oder Polygone um die gefundenen Objekte oder um Punkte im Mittelpunkt der Objekte handeln.
Trainingsdaten für Deep Learning exportieren	Verwendet ein Fernerkundungsbild zum Konvertieren von beschrifteten Vektor- oder Raster-Daten in Training-Datasets für Deep Learning. Die Ausgabe ist ein Ordner mit Bildschnipseln und ein Ordner mit Metadaten-Dateien im angegebenen Format.
Features mit KI-Modellen extrahieren	Führt ein oder mehrere vortrainierte Deep-Learning-Modelle für ein Eingabe-Raster aus, um Features zu extrahieren und die Nachbearbeitung der inferenzierten Ausgaben zu automatisieren.
Non Maximum Suppression	Identifiziert doppelte Features in der Ausgabe des Werkzeugs Objekte mit Deep Learning erkennen in einem Nachbearbeitungsschritt und erstellt eine Ausgabe ohne doppelte Features.
Deep-Learning-Modell trainieren	Trainiert ein Deep-Learning-Modell mit der Ausgabe des Werkzeugs Trainingsdaten für Deep Learning exportieren.
Mit AutoDL trainieren	Trainiert ein Deep-Learning-Modell, indem Training-Pipelines erstellt und ein Großteil des Trainingsprozesses automatisiert wird, z. B. die Datenerweiterung, Modellauswahl, Hyperparameter-Optimierung und Batch-Größen-Deduktion.

Extraktion

Mit dem Werkzeug im Toolset "Extraktion" können Sie eine Teilmenge von Pixeln aus einem Raster extrahieren, entweder anhand ihrer Attribute oder anhand ihrer räumlichen Position. In der folgenden Tabelle wird das Werkzeug "Extraktion" kurz beschrieben:

Werkzeug im Toolset "Extraktion"
Werkzeug	Beschreibung
Stichprobe	Erstellt eine Tabelle oder eine Point-Feature-Class, die für definierte Positionen die Werte der Zellen aus einem Raster oder einer Gruppe von Rastern anzeigt. Die Positionen werden durch Raster-Zellen, Punkte, Polylinien oder Polygone definiert.

Interpolation

Mit den Werkzeugen im Toolset "Interpolation" können Sie unterschiedliche Datentypen interpolieren. In der folgenden Tabelle sind die Interpolationswerkzeuge mit einer kurzen Beschreibung aufgeführt:

Werkzeuge im Toolset "Interpolation"
Werkzeug	Beschreibung
Aus raumzeitlichen Punkten interpolieren	Interpoliert zeitbezogene Punktdaten in ein multidimensionales Raster.
Optimale Interpolation	Gleicht Daten, die aus mehreren Quellen miteinander kombiniert werden und ein interpoliertes Ausgabe-Raster ergeben, statistisch an.

Map Algebra

Map Algebra ist eine Möglichkeit, durch das Erstellen von Ausdrücken in einer algebraischen Sprache eine Raster-Analyse durchzuführen. Mit dem Werkzeug Raster berechnen könnten Sie Ausdrücke erstellen, die ein Raster-Dataset ausgeben. Das Werkzeug Raster berechnen erstellt mithilfe der Python-Syntax einen einzelnen Map Algebra-Ausdruck und führt diesen aus.

Weitere Informationen zum Werkzeug Raster berechnen finden Sie unter Überblick über das Toolset "Map Algebra" in Image Analyst.

Mathematik

Zur Durchführung von mathematischen Operationen für Raster-Datasets stehen mehr als 60 mathematische Werkzeuge zur Verfügung. Diese Werkzeuge sind in die folgenden Funktionsbereiche unterteilt:

Allgemein
Bedingt
Logisch
- Bitweise
- Boolesch
- Kombinatorisch
- Logisch
- Relational
Trigonometrisch

Mathematik (allgemein)

Die Werkzeuge im mathematischen Toolset "Allgemein" wenden eine mathematische Operation auf die Eingabe an. Diese Werkzeuge lassen sich in mehrere Kategorien unterteilen. Die arithmetischen Werkzeuge führen grundlegende mathematische Operationen aus, z. B. Addition und Multiplikation. Es gibt Werkzeuge, die verschiedene Typen von Potenzierungsoperationen ausführen. Dazu gehören neben den grundlegenden Potenzoperationen auch Exponentialgrößen und Logarithmen. Die restlichen Werkzeuge werden entweder zur Vorzeichenkonvertierung oder zur Konvertierung zwischen ganzzahligen Datentypen und Gleitkommadatentypen verwendet. In der folgenden Tabelle werden die allgemeinen mathematischen Werkzeuge aufgeführt und kurz beschrieben:

Werkzeuge im allgemeinen mathematischen Toolset
Werkzeug	Beschreibung
Abs	Den absoluten Wert der Zellen in einem Raster berechnen.
Teilen	Die Werte von zwei Rastern auf Zellenbasis teilen.
Exp	Die Exponentialfunktion zur Basis e der Zellen in einem Raster berechnen.
Exp10	Die Exponentialfunktion zur Basis 10 der Zellen in einem Raster berechnen.
Exp2	Die Exponentialfunktion zur Basis 2 der Zellen in einem Raster berechnen.
Float	Jeden Zellenwert eines Rasters in eine Gleitkommadarstellung konvertieren.
Int	Konvertiert die einzelnen Zellenwerte eines Rasters durch Abschneiden in eine ganze Zahl.
Ln	Den natürlichen Logarithmus (Basis e) von Zellen in einem Raster berechnen.
Log10	Den Logarithmus der Basis 10 von Zellen in einem Raster berechnen.
Log2	Den Logarithmus der Basis 2 von Zellen in einem Raster berechnen.
Minus	Den Wert des zweiten Eingabe-Rasters vom Wert des ersten Eingabe-Rasters auf Zellenbasis subtrahieren.
Mod	Den Rest (Modulo) der Teilung des ersten Rasters durch das zweite Raster auf Zellenbasis ermitteln.
Negate	Das Vorzeichen der Zellenwerte des Eingabe-Rasters (Multiplikation mit -1) auf Zellenbasis ändern.
Plus	Die Werte von zwei Rastern auf Zellenbasis addieren.
Power	Die Zellenwerte in einem Raster mit den Werten in einem anderen Raster potenzieren.
Round Down	Für jede Zelle in einem Raster wird die nächstniedrigere Ganzzahl zurückgegeben, die als Gleitkommazahl angegeben wird.
Round Up	Gibt für jede Zelle in einem Raster die nächsthöhere Ganzzahl zurück, die als Gleitkommazahl angegeben wird.
Quadratisch	Das Quadrat der Zellenwerte in einem Raster berechnen.
Square Root	Die Quadratwurzel der Zellenwerte in einem Raster berechnen.
Times	Die Werte von zwei Rastern auf Zellenbasis multiplizieren.

Mathematik (Bedingungsfunktionen)

Mit den Werkzeugen im mathematischen Toolset "Bedingungsfunktionen" können Sie die Ausgabewerte anhand der für die Eingabewerte geltenden Bedingungen festlegen. Es können zwei verschiedene Typen von Bedingungen angewendet werden: entweder Abfragen zu den Attributen oder eine Bedingung, die auf der Position der bedingten Anweisung in einer Liste beruht. In der folgenden Tabelle werden die mathematischen Werkzeuge mit Bedingungen aufgeführt und kurz beschrieben:

Werkzeuge im mathematischen Toolset "Bedingungsfunktionen"
Werkzeug	Beschreibung
If-Else-Bedingungen	Wertet die einzelnen Eingabezellen eines Eingabe-Rasters anhand von If-Else-Bedingungen aus.
Raster-Auswahl	Verwendet den Wert eines Positions-Rasters, um das Eingabe-Raster zu bestimmen, das für den Ausgabezellenwert verwendet wird.
Auf NULL setzen	Legt identifizierte Zellenpositionen basierend auf einem angegebenen Kriterium auf "NoData" fest. "NoData" wird zurückgegeben, wenn eine Bedingungsauswertung "true" (wahr) ergibt, und ein durch ein anderes Raster angegebener Wert wird zurückgegeben, wenn die Bedingungsauswertung "false" (falsch) ergibt.

Mathematik (Logisch)

Die Werkzeuge im mathematischen Toolset "Logisch" werten die Werte der Eingaben aus und bestimmen die Ausgabewerte auf der Grundlage boolescher Logik. Diese Werkzeuge verarbeiten Raster-Datasets in fünf Hauptkategorien: bitweise, boolesch, kombinatorisch, relational und logisch. In den folgenden Tabellen werden die logischen mathematischen Werkzeuge aufgeführt und kurz beschrieben:

Werkzeuge "Bitwise" im mathematischen Toolset "Logisch"
Werkzeug	Beschreibung
Bitwise And	Führt eine bitweise AND-Operation für die binären Werte von zwei Eingabe-Rastern aus.
Bitwise Left Shift	Führt eine bitweise LEFT SHIFT-Operation für die binären Werte von zwei Eingabe-Rastern aus.
Bitwise Not	Führt eine bitweise NOT-Operation (Komplement) für den binären Wert eines Eingabe-Rasters aus.
Bitwise Or	Führt eine bitweise OR-Operation für die binären Werte von zwei Eingabe-Rastern aus.
Bitwise Right Shift	Führt eine bitweise RIGHT SHIFT-Operation für die binären Werte von zwei Eingabe-Rastern aus.
Bitwise XOr	Führt eine bitweise Operation mit ausschließendem OR für die binären Werte von zwei Eingabe-Rastern aus.

Werkzeuge "Boolean" im mathematischen Toolset "Logisch"
Werkzeug	Beschreibung
Boolean And	Führt eine "Boolean And"-Operation für die Zellenwerte von zwei Eingabe-Rastern durch. Wenn beide Eingabewerte TRUE (ungleich 0) sind, lautet der Ausgabewert 1. Wenn eine oder beide Eingaben FALSE (0) sind, lautet der Ausgabewert 0.
Boolean Not	Führt eine "Boolean Not"-Operation (Komplementoperation) für die Zellenwerte des Eingabe-Rasters durch. Wenn die Eingabewerte TRUE (ungleich 0) sind, lautet der Ausgabewert 1. Wenn die Eingabewerte FALSE (0) sind, lautet die Ausgabe 1.
Boolean Or	Führt eine "Boolean Or"-Operation für die Zellenwerte von zwei Eingabe-Rastern aus. Wenn einer oder beide Eingabewerte TRUE (ungleich 0) sind, lautet der Ausgabewert 1. Wenn beide Eingabewerte FALSE (0) sind, lautet der Ausgabewert 0.
Boolean XOr	Führt eine Operation mit "Boolean eXclusive Or" für die Zellenwerte von zwei Eingabe-Rastern aus. Wenn ein Eingabewert TRUE (ungleich 0) und der andere FALSE (0) ist, lautet die Ausgabe 1. Wenn beide Eingabewerte TRUE oder beide FALSE sind, lautet die Ausgabe 0.

Kombinatorische Werkzeuge im mathematischen Toolset "Logisch"
Werkzeug	Beschreibung
Combinatorial And	Führt eine kombinatorische AND-Operation für die Zellenwerte von zwei Eingabe-Rastern durch. Wenn beide Eingabewerte TRUE (ungleich 0) sind, hat die Ausgabe für jede Kombination von Eingabewerten einen anderen Wert. Wenn eine oder beide Eingaben FALSE (0) sind, ist der Ausgabewert 0.
Combinatorial Or	Führt eine kombinatorische OR-Operation für die Zellenwerte von zwei Eingabe-Rastern durch. Wenn einer der beiden Eingabewerte wahr (ungleich 0) ist, hat die Ausgabe für jede eindeutige Kombination von Eingabewerten einen anderen Wert. Wenn beide Eingaben falsch (0) sind, ist der Ausgabewert 0.
Combinatorial XOr	Führt eine "Combinatorial eXclusive Or"-Operation für die Zellenwerte von zwei Eingabe-Rastern durch. Wenn ein Eingabewert TRUE (ungleich 0) ist und der andere FALSE (0), hat die Ausgabe für jede eindeutige Kombination von Eingabewerten einen anderen Wert. Wenn beide Eingaben TRUE oder beide FALSE sind, ist der Ausgabewert 0.

Relationale Werkzeuge im mathematischen Toolset "Logisch"
Werkzeug	Beschreibung
Equal To	Führt auf Zellenbasis eine relationale "Equal To"-Operation für zwei Eingaben aus. Gibt 1 für Zellen zurück, bei denen das erste Raster mit dem zweiten Raster identisch ist, andernfalls 0.
Greater Than	Führt auf Zellenbasis eine relationale "Greater Than"-Operation für zwei Eingaben aus. Gibt 1 für Zellen zurück, bei denen das erste Raster größer ist als das zweite Raster, andernfalls 0.
Greater Than Equal	Führt auf Zellenbasis eine relationale "Greater Than or Equal To"-Operation für zwei Eingaben aus. Gibt 1 für Zellen zurück, bei denen das erste Raster größer als das zweite Raster oder gleich ist, andernfalls 0.
Less Than	Führt auf Zellenbasis eine relationale "Less Than"-Operation für zwei Eingaben aus. Gibt 1 für Zellen zurück, bei denen das erste Raster kleiner als das zweite Raster ist, andernfalls gibt es 0 zurück.
Less Than Equal	Führt auf Zellenbasis eine relationale "Less Than or Equal To"-Operation für zwei Eingaben aus. Gibt 1 für Zellen zurück, bei denen das erste Raster kleiner als das zweite Raster oder gleich ist, andernfalls 0.
Not Equal	Führt auf Zellenbasis eine relationale "Not Equal To"-Operation für zwei Eingaben aus. Gibt 1 für Zellen zurück, bei denen das erste Raster ungleich dem zweiten Raster ist, und 0, wenn es gleich ist.

Logische Werkzeuge im mathematischen Toolset "Logisch"
Werkzeug	Beschreibung
Diff	Ermittelt auf Zellenbasis die Werte der ersten Eingabe, die sich logisch von den Werten der zweiten Eingabe unterscheiden. Wenn sich die Werte der beiden Eingaben unterscheiden, wird der Wert der ersten Eingabe ausgegeben. Wenn die Werte der beiden Eingaben identisch sind, beträgt die Ausgabe 0.
InList	Ermittelt auf Zellenbasis die Werte der ersten Eingabe, die in einer Menge anderer Eingaben enthalten sind. Für jede Zelle gilt: Wenn der Wert des ersten Eingabe-Rasters in irgendeiner der Listen der anderen Eingaben gefunden wird, wird dem Ausgabe-Raster dieser Wert zugewiesen. Wenn kein Wert gefunden wird, enthält die Ausgabezelle den Wert "NoData".
Is NULL	Ermittelt auf Zellenbasis, welche Werte im Eingabe-Raster den Wert "NoData" aufweisen. Gibt den Wert 1 zurück, wenn der Eingabewert "NoData" lautet, andernfalls 0.
Over	Für die Zellenwerte in der ersten Eingabe, die ungleich 0 sind, entspricht der Ausgabewert dem der ersten Eingabe. Wenn die Zellenwerte 0 betragen, entspricht die Ausgabe dem Wert des zweiten Eingabe-Rasters.
Test	Führt mittels eines logischen Ausdrucks eine boolesche Auswertung des Eingabe-Rasters aus. Wenn der Ausdruck als TRUE ausgewertet wird, ist der Ausgabezellenwert 1. Wenn der Ausdruck als FALSE ausgewertet wird, ist der Ausgabezellenwert 0.

Mathematik (Trigonometrisch)

Mit den Werkzeugen im mathematischen Toolset "Trigonometrisch" können Sie verschiedene trigonometrische Berechnungen an den Werten in einem Eingabe-Raster durchführen. In der folgenden Tabelle werden die trigonometrischen mathematischen Werkzeuge aufgeführt und kurz beschrieben:

Werkzeuge im mathematischen Toolset "Trigonometrisch"
Werkzeug	Beschreibung
ACos	Den Arkuskosinus von Zellen in einem Raster berechnen.
ACosH	Den Areakosinus von Zellen in einem Raster berechnen.
ASin	Den Arkussinus von Zellen in einem Raster berechnen.
ASinH	Den Areasinus von Zellen in einem Raster berechnen.
ATan	Den Arkustangens von Zellen in einem Raster berechnen.
ATan2	Den Areatangens von Zellen in einem Raster berechnen.
ATanH	Den Areatangens von Zellen in einem Raster berechnen.
Cos	Den Kosinus von Zellen in einem Raster berechnen.
CosH	Den Kosinus Hyperbolicus von Zellen in einem Raster berechnen.
Sin	Den Sinus von Zellen in einem Raster berechnen.
SinH	Den Sinus Hyperbolicus von Zellen in einem Raster berechnen.
Tan	Den Tangens von Zellen in einem Raster berechnen.
TanH	Den Tangens Hyperbolicus von Zellen in einem Raster berechnen.

Motion Imagery

Mit den Werkzeugen im Toolset "Motion Imagery" können bewegte Bilddaten wie Full-Motion-Video-Daten verwaltet, verarbeitet und analysiert werden. In der folgenden Tabelle werden die im Toolset "Motion Imagery" verfügbaren Werkzeuge aufgeführt und kurz beschrieben:

Werkzeuge im Toolset "Motion Imagery"
Werkzeug	Beschreibung
Videobilder in Bilder extrahieren	Extrahiert Videobilder und die zugehörigen Metadaten aus einem FMV-kompatiblen Video-Stream und speichert die Daten in einem Verzeichnis.
Video-Metadaten in Feature-Class	Extrahiert die Metadaten der Plattform, des Bildmittelpunktes, des Bildumrisses und der Attribute aus einem FMV-kompatiblen Video und speichert die Feature-Daten in einem Verzeichnis.
Video-Multiplexer	Erstellt eine Videodatei, die eine archivierte Video-Stream-Datei und eine zugehörige Metadatendatei kombiniert, die durch einen Zeitstempel synchronisiert werden.

Multidimensionale Analyse

Mit den Werkzeugen im Toolset "Multidimensionale Analyse" können Analysen wissenschaftlicher Daten für mehrere Variablen und Dimensionen durchgeführt werden. In der folgenden Tabelle werden die Werkzeuge für die multidimensionale Analyse aufgeführt und kurz beschrieben:

Werkzeuge im Toolset "Multidimensionale Analyse"
Werkzeug	Beschreibung
Multidimensionales Raster aggregieren	Generiert ein multidimensionales Raster-Dataset durch Kombinieren vorhandener multidimensionaler Raster-Variablen entlang einer Dimension.
Gleitende Dimensionsstatistiken	Berechnet in einem Moving Window und entlang einer bestimmten Dimension Statistiken für multidimensionale Daten.
Argumentstatistiken suchen	Extrahiert den Dimensionswert oder Bandindex, bei dem in einem multidimensionalen Raster oder einem Multiband-Raster ein bestimmter statistischer Wert für jedes Pixel erreicht wird.
Multidimensionale Abweichung generieren	Berechnet die Abweichung für jeden Ausschnitt in einem vorhandenen multidimensionalen Raster, um ein neues multidimensionales Raster zu generieren.
Trend-Raster generieren	Schätzt den Trend für jedes Pixel entlang einer Dimension für eine oder mehrere Variablen in einem multidimensionalen Raster.
Multidimensionale Hauptkomponenten	Reduziert die Anzahl der Komponenten, die zur Varianz des gesamten multidimensionalen Rasters beitragen können, sodass räumliche und zeitliche Muster leichter erkannt werden können.
Korrelation von multidimensionalen Rastern	Analysiert können Korrelationen zwischen zwei Variablen in einem oder zwei multidimensionalen Rastern.
Mit Trend-Raster vorhersagen	Berechnet ein prognostiziertes multidimensionales Raster mithilfe des Ausgabe-Trend-Rasters aus dem Werkzeug Trend-Raster generieren.
Kategorisiertes Raster zusammenfassen	Generiert eine Tabelle, die die Pixelanzahl für jede Klasse der einzelnen Ausschnitte eines kategorisierten Eingabe-Rasters enthält.

Überlagerung

Das Werkzeug im Toolset "Überlagerung" führt verschiedene Operationen für mehrere überlagerte Raster aus. In der folgenden Tabelle wird das Überlagerungswerkzeug kurz beschrieben:

Werkzeug im Toolset "Überlagerung"
Werkzeug	Beschreibung
Gewichtete Summe	Überlagert mehrere Raster, wobei jedes mit der jeweiligen Gewichtung multipliziert und anschließend die Summe gebildet wird.

Statistiken

Mit den Werkzeugen im Toolset "Statistiken" werden statistische Raster-Operationen auf lokaler, Nachbarschafts- oder zonaler Basis ausgeführt. In der folgenden Tabelle werden die Statistikwerkzeuge aufgeführt und kurz beschrieben:

Werkzeuge im Toolset "Statistiken"
Werkzeug	Beschreibung
Zellenstatistiken	Berechnet eine Pro-Zellen-Statistik für mehrere Raster. Die verfügbaren Statistiken sind: "Mehrheit", "Maximum", "Mittelwert", "Medianwert", "Minimum", "Minderheit", "Perzentil", "Bereich", "Standardabweichung", "Summe" und "Varianz".
Argumentstatistiken suchen	Extrahieren Sie den Dimensionswert (z. B. Datum, Höhe oder Tiefe), bei dem eine bestimmte Statistik in den Rastern eines multidimensionalen Raster-Datasets erreicht wird.
Focal Statistics	Berechnet für jede Eingabezellenposition eine Statistik der Werte innerhalb einer angegebenen Nachbarschaft.
Zonale Statistiken	Fasst die Werte eines Rasters innerhalb der Zonen eines anderen Datasets zusammen.
Zonale Statistiken als Tabelle	Summiert die Werte eines Rasters innerhalb der Zonen eines anderen Datasets und gibt die Ergebnisse als Tabelle aus.

Synthetic Aperture Radar

Mit den Werkzeugen im Toolset "Synthetic Aperture Radar" können SAR-Daten (Synthetic Aperture Radar) korrigiert, verarbeitet und analysiert werden. In der folgenden Tabelle werden die Werkzeuge für Synthetic Aperture Radar aufgeführt und kurz beschrieben:

Werkzeuge im Toolset "Synthetic Aperture Radar"
Werkzeug	Beschreibung
Koregistrierung übernehmen	Resampling der sekundären Single-Look-Complex-Daten (SLC) für das SLC-Referenz-Gitternetz unter Verwendung eines digitalen Höhenmodells (Digital Elevation Model, DEM) und der Metadaten für den Orbitzustandsvektor.
Geometrische Terrainkorrektur anwenden	Orthorektifiziert SAR-Eingabedaten (Synthetic Aperture Radar) mithilfe eines Range-Doppler-Algorithmus für die Rückwärtsgeokodierung.
Orbitkorrektur anwenden	Aktualisiert die Orbitinformationen in den Sentinel-1 SAR-Daten (Synthetic Aperture Radar) mithilfe einer genaueren Datei mit Orbitzustandsvektoren (OSV).
Radiometrische Kalibrierung anwenden	Konvertiert die Reflektivität von SAR-Eingabedaten (Synthetic Aperture Radar) in physikalische Einheiten für die normalisierte Rückstreuung. Dazu wird die Reflektivität unter Verwendung einer Bezugsebene normalisiert.
Radiometric Terrain Flattening anwenden	Korrigiert radiometrische Verzerrungen aufgrund der Topografie in SAR-Eingabedaten (Synthetic Aperture Radar).
Kohärenz berechnen	Berechnet die Ähnlichkeit zwischen den komplexen Referenz- und sekundären Eingaberadardaten.
SAR-Indizes berechnen	Berechnet verschiedene SAR-Indizes für SAR-Daten (Synthetic Aperture Radar), z. B. den Radar Vegetation Index (RVI), den Radar Forest Degradation Index (RFDI) und den Canopy Structure Index (CSI).
SAR-Einheiten konvertieren	Konvertiert die Skalierung von SAR-Eingabedaten (Synthetic Aperture Radar) zwischen Amplitude und Intensität, zwischen linear und Dezibel (dB) sowie zwischen komplex und Intensität.
Farbkompositbild erstellen	Erstellt ein Dreiband-Raster-Dataset aus einem Multiband-Raster-Dataset.
Despeckle	Korrigiert Speckle in den SAR-Eingabedaten (Synthetic Aperture Radar). Speckle entsteht bei kohärenter Beleuchtung als körniger bzw. "Salz und Pfeffer"-Effekt.
Helle Meeresobjekte erkennen	Erkennt potenzielle helle Objekte, die vom Menschen geschaffen wurden, z. B Schiffe, Bohrinseln und Windmühlen. Gleichzeitig werden die SAR-Daten (Synthetic Aperture Radar) außerhalb der Interessensregion maskiert.
Dunkle Meeresbereiche erkennen	Erkennt potenzielle dunkle Pixel, die zu Ölteppichen oder Algen gehören, und clustert diese Pixel. Gleichzeitig werden die SAR-Daten (Synthetic Aperture Radar) außerhalb der Interessensregion markiert.
Orbitdatei herunterladen	Lädt die aktualisierten Orbitdateien für die Sentinel-1-SAR-Daten (Synthetic Aperture Radar) herunter.
Multilook	Ermittelt die Durchschnittswerte von SAR-Daten (Synthetic Aperture Radar) durch Bereichs- und Azimut-Looks, um sich quadratischen Pixeln zu nähern, mindert Speckle-Folgen und reduziert die Verarbeitungszeit der SAR-Werkzeuge.
Thermales Rauschen entfernen	Korrigiert Störungen, die in den SAR-Eingabedaten (Synthetic Aperture Radar) durch thermales Rauschen verursacht werden, sodass ein nahtloseres Bild entsteht.

Dienstprogramme

Mit dem Werkzeug im Toolset "Dienstprogramme" kann für Bilddaten und abgeleitete Produkte eine Vor- und Nachverarbeitung durchgeführt werden. In der folgenden Tabelle wird das Werkzeug im Toolset "Dienstprogramme" kurz beschrieben:

Werkzeug im Toolset "Dienstprogramme"
Werkzeug	Beschreibung
Binäre Maske erstellen	Das Toolset "Dienstprogramme" enthält Werkzeuge für die Vor- und Nachverarbeitung von Bilddaten und abgeleiteten Produkten.