Skip To Content

Mit Trend-Raster vorhersagen (Image Analyst)

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})
ParameterErklärungDatentyp
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.

  • BY_VALUEDie Vorhersage wird für einen einzelnen Dimensionswert oder eine Liste von Dimensionswerten berechnet, der bzw. die vom Parameter Werte (dimension_values in Python) definiert wird. Dies ist die Standardeinstellung.Dies ist der Fall, wenn Sie beispielsweise die jährlichen Niederschläge für die Jahre 2050, 2100 und 2150 vorhersagen möchten.
  • BY_INTERVALDie Vorhersage wird für ein Intervall der Dimension berechnet, die durch einen Anfangs- und einen Endwert definiert ist.Dies ist der Fall, wenn Sie beispielsweise die jährlichen Niederschläge für alle Jahre zwischen 2050 und 2150 vorhersagen möchten.
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, muss das Format JJJJ-MM-TTThh:mm:ss, also z. B. 2050-01-01T00:00:00, verwendet werden. 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 das Wertintervall verwendete Einheit an. Dieser Parameter wird nur angewendet, wenn es sich bei der Analysedimension um eine Zeitdimension handelt.

  • HOURSDie Vorhersage wird für jede Stunde in dem durch die Parameter start, end und interval_value definierten Zeitraum berechnet.
  • DAYSDie Vorhersage wird für jeden Tag in dem durch die Parameter start, end und interval_value definierten Zeitraum berechnet.
  • WEEKSDie Vorhersage wird für jede Woche in dem durch die Parameter start, end und interval_value definierten Zeitraum berechnet.
  • MONTHSDie Vorhersage wird für jeden Monat in dem durch die Parameter start, end und interval_value definierten Zeitraum berechnet.
  • YEARSDie Vorhersage wird für jedes Jahr in dem durch die Parameter start, end und interval_value definierten Zeitraum berechnet.
String

Rückgabewert

NameErklärungDatentyp
out_multidimensional_raster

Das multidimensionale Ausgabe-Raster-Dataset im Cloud Raster Format (CRF).

Raster

Codebeispiel

PredictUsingTrendRaster – Beispiel 1 (Python-Fenster)

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")
PredictUsingTrendRaster – Beispiel 2 (eigenständiges Skript)

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")

Lizenzinformationen

  • Basic: Erfordert Image Analyst
  • Standard: Erfordert Image Analyst
  • Advanced: Erfordert Image Analyst

Verwandte Themen