Liste der ArcGIS Image Analyst-Geoverarbeitungswerkzeuge

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

Geoverarbeitungswerkzeuge

Die Erweiterung Image Analyst stellt zahlreiche Geoverarbeitungswerkzeuge bereit. In der folgenden Tabelle 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.

WerkzeugBeschreibung

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.

Werkzeuge im Toolset "Änderungserkennung"

Klassifizierung und Mustererkennung

Mit den Werkzeugen in "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 verfügbaren Werkzeuge im Toolset Klassifizierung und Mustererkennung aufgeführt und kurz beschrieben:

WerkzeugBeschreibung

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 Schwerpunkten 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.

Werkzeuge im Toolset "Klassifizierung und Mustererkennung"

Deep Learning

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

WerkzeugBeschreibung

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.

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 AI-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 neue 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.

Werkzeuge im Toolset "Deep Learning"

Extraktion

Mit dem Toolset "Extraktion" können Sie eine Teilmenge von Pixeln aus einem Raster extrahieren, entweder anhand ihrer Attribute oder anhand ihrer räumlichen Position.

WerkzeugBeschreibung

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.

Werkzeuge im Toolset "Extraktion"

Interpolation

Mit dem Toolset "Interpolation" können Sie unterschiedliche Datentypen visualisieren.

WerkzeugBeschreibung

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.

Werkzeuge im Toolset "Interpolation"

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. "Raster berechnen" erstellt mithilfe der Python-Syntax einen einzelnen Map Algebra-Ausdruck und führt diesen aus.

Weitere Informationen zu "Raster berechnen" finden Sie unter Überblick über das Toolset "Map Algebra".

Mathematik

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

  • Allgemein
  • Bedingungsfunktionen
  • Logisch
    • Bitweise
    • Boolesch
    • Kombinatorisch
    • Logisch
    • Relational
  • Trigonometrisch

Mathematik (allgemein)

Die allgemeinen mathematischen Werkzeuge 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 verfügbaren allgemeinen mathematischen Werkzeuge aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

Abs

Den absoluten Wert der Zellen in einem Raster berechnen.

Divide

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.

Square

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.

Werkzeuge im allgemeinen mathematischen Toolset

Mathematik (Bedingungsfunktionen)

Die mathematischen Werkzeuge für Bedingungsfunktionen ermöglichen Ihnen die Steuerung der Ausgabewerte anhand der für die Eingabewerte geltenden Bedingungen. 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 verfügbaren mathematischen Werkzeuge mit Bedingungen aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

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 zu bestimmen, aus welchem Raster in einer Liste von Eingabe-Rastern der Ausgabe-Zellenwert bezogen 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.

Werkzeuge im mathematischen Toolset "Bedingungsfunktionen"

Mathematik (Logisch)

Die logischen mathematischen Werkzeuge 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, logisch und relational. In den folgenden Tabellen werden die verfügbaren logischen mathematischen Werkzeuge aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

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.

Bitweise mathematische Werkzeuge

WerkzeugBeschreibung

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.

Boolesche mathematische Werkzeuge

WerkzeugBeschreibung

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.

Kombinatorische mathematische Werkzeuge

WerkzeugBeschreibung

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.

Relationale mathematische Werkzeuge

WerkzeugBeschreibung

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.

Logische mathematische Werkzeuge

Mathematik (Trigonometrisch)

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

WerkzeugBeschreibung

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.

Werkzeuge im mathematischen Toolset "Trigonometrisch"

Motion Imagery

Das Toolset "Motion Imagery" enthält Werkzeuge zur Verwaltung, Verarbeitung und Analyse von bewegten Bilddaten wie Full-Motion-Video-Daten. In der folgenden Tabelle werden die im Toolset "Motion Imagery" verfügbaren Werkzeuge aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

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 Bildmittelpunkts, 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.

Werkzeuge im Toolset "Motion Imagery"

Multidimensionale Analyse

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

WerkzeugBeschreibung

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.

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.

Werkzeuge im Toolset "Multidimensionale Analyse"

Überlagerung

Das Werkzeug im Toolset "Überlagerung" führt verschiedene Operationen für mehrere überlagerte Raster aus. In der folgenden Tabelle werden die verfügbaren Überlagerungswerkzeuge aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

Gewichtete Summe

Überlagert mehrere Raster, wobei jedes mit der jeweiligen Gewichtung multipliziert und anschließend die Summe gebildet wird.

Werkzeuge im Toolset "Überlagerung"

Statistiken

Verwenden Sie die Statistikwerkzeuge, um statistische Operationen auf lokaler, Nachbarschafts- oder zonaler Basis auszuführen. In der folgenden Tabelle werden die verfügbaren Werkzeuge, mit denen statistische Analysen durchgeführt werden können, aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

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.

Werkzeuge im Toolset "Statistiken"

Synthetic Aperture Radar

ArcGIS-Geoverarbeitungs-Toolset, das Werkzeuge enthält, mit denen SAR-Daten (Synthetic Aperture Radar) korrigiert, verarbeitet und analysiert werden können. In der folgenden Tabelle werden die verfügbaren Werkzeuge für Synthetic Aperture Radar aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

Geometrische Terrainkorrektur anwenden

Orthorektifiziert die SAR-Eingabedaten (Synthetic Aperture Radar) mithilfe eines Range-Doppler-Algorithmus für die Rückwärtsgeokodierung.

Orbitkorrektur anwenden

Aktualisiert die Orbitinformationen im SAR-Dataset (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 den SAR-Eingabedaten (Synthetic Aperture Radar).

SAR-Indizes berechnen

Berechnet verschiedene SAR-Indizes, 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 SAR-Eingabedaten (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, Despeckle zu mindern und die Verarbeitungszeit der SAR-Werkzeuge zu reduzieren.

Thermales Rauschen entfernen

Korrigiert Störungen durch Rückstreuung, die durch thermales Rauschen verursacht werden, in den SAR-Eingabedaten (Synthetic Aperture Radar), sodass ein nahtloseres Bild entsteht.

Werkzeuge im Toolset "Synthetic Aperture Radar"

Dienstprogramme

Das Toolset "Dienstprogramme" enthält Werkzeuge für die Vor- und Nachverarbeitung von Bilddaten und abgeleiteten Produkten.

WerkzeugBeschreibung

Binäre Maske erstellen

Das Toolset "Dienstprogramme" enthält Werkzeuge für die Vor- und Nachverarbeitung von Bilddaten und abgeleiteten Produkten.

Werkzeuge im Toolset "Überlagerung"

Verwandte Themen


In diesem Thema
  1. Geoverarbeitungswerkzeuge