Rasterfunktionen und die ArcGIS API für Python 1.2

DavidJohnson5

<\/HEAD>

Eines der großartigen Dinge an der Arbeit im Lab ist, dass man die neuen Goodies unserer Core-Softwareentwickler ausprobieren kann, bevor sie veröffentlicht werden.  Als ich hörte, dass Version 1.2 der <\/SPAN><\/SPAN>ArcGIS API for Python<\/A> <\/SPAN>würde ein <\/SPAN><\/SPAN>neues Modul für Rasterfunktionen<\/A> enthalten würde, konnte ich es kaum erwarten, es auszuprobieren.  Jetzt, da v.1.2 der API veröffentlicht ist, kann ich Ihnen endlich ein <\/SPAN><\/SPAN>Jupyter Notebook<\/A> <\/SPAN>zeigen, das ein Beispiel für eine <\/SPAN>gewichtete Überlagerungsanalyse<\/A> mit Rasterfunktionen implementiert.  Die folgende Version dieses Notebooks ist nicht interaktiv und wurde als HTML exportiert.  Ich hoffe, es gibt Ihnen einige Ideen dafür, wie Sie die ArcGIS API for Python verwenden können, um Ihre eigene Rasteranalyse durchzuführen.<\/SPAN><\/P> <\/SPAN><\/P><\/P>Natürliche und zugängliche Gebiete im Bundesstaat Washington, USA finden<\/STRONG><\/SPAN><\/P>Die gewichtete Überlagerung ist eine Standard-GIS-Analysetechnik für Standort-Eignungs- und Reisekostenstudien. Dieses Notebook nutzt das neue "arcgis.raster.functions" Modul in der ArcGIS API for Python Version 1.2, um ein Beispiel einer gewichteten Überlagerungsanalyse zu demonstrieren.  Dieses Beispiel versucht Bereiche im Bundesstaat Washington zu identifizieren, die "natürlich" sind und gleichzeitig leicht bereisbar basierend auf den folgenden Kriterien:<\/SPAN><\/P>Höhe (niedriger ist besser)<\/LI>Steilheit des Geländes (flacher ist besser)<\/LI>Grad der menschlichen Veränderung der Landschaft (weniger ist besser)<\/LI><\/UL>Die Eingabedaten für diese Analyse umfassen ein DEM (Digitales Höhenmodell) und einen Datensatz, der den Grad der menschlichen Modifikation der Landschaft zeigt.<\/P>Im Allgemeinen kann die gewichtete Überlagerungsanalyse in drei Schritte unterteilt werden:<\/P>Normalisierung：Die Pixel in den Eingabe-Rasterdatensätzen werden basierend auf ihrer Eignung gemäß den Analyse-Kriterien auf eine gemeinsame Skala numerischer Werte neu klassifiziert.<\/LI>Gewichtung：Den normalisierten Datensätzen wird ein prozentualer Einfluss basierend auf ihrer Bedeutung für das Endergebnis zugewiesen, indem sie mit Werten von 0.0 bis 1.0 multipliziert werden. Die Summe der Werte muss gleich 1.0 sein.<\/LI>Summation：Die Summe der gewichteten Datensätze wird berechnet, um ein endgültiges Analyseergebnis zu erzeugen.<\/LI><\/OL><\/P>Wir beginnen mit der Verbindung zum GIS und dem Zugriff auf die Daten für die Analyse.<\/P><\/DIV><\/DIV><\/DIV>

GIS("https://dev004543.esri.com/arcgis", 'djohnsonRA')   
   print("Erfolgreich verbunden mit <</SPAN>{0}".format(web_gis.properties.name))
except:   
   print("")

Passwort eingeben:b7b7b7b7b7b7b7b7 
Erfolgreich verbunden mit ArcGIS Enterprise A

Suche im GIS nach den Eingabedaten für die Analyse

Human Modified Index

In [2]:

# Suche nach dem Human Modified Index Bild-Layer-Element anhand des Titels
item_hmi = web_gis.content.search('title : Human Modified Index', 'Imagery Layer')[0 ]
item_hmi 

Out[2]:

Human Modified Index  
Ein Maß für das Ausmaß der menschlichen Veränderung, der Index reicht von 0,0 für einen unberührten Landschaftszustand bis zu 1,0 für die am stärksten veränderten Gebiete.,<\/SPAN>
'Feature Layer'<\/SPAN>)[<\/SPAN>0<\/SPAN>]
<\/SPAN>item_studyarea<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[4]:<\/DIV><\/A><\/DIV>

State of Washington, USA<\/STRONG><\/SPAN> <\/SPAN><\/A>
Bundesstaat Washington, USAFeature Layer Collection von djohnsonRA <\/SPAN>
Zuletzt bearbeitet: 07. Juli 2017 <\/SPAN>
0 Kommentare, 2 Ansichten<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>In [5]:<\/DIV># Hole eine Referenz auf die Feature Layer vom Portal-Element
<\/SPAN>lyr_studyarea<\/SPAN> =<\/SPAN> item_studyarea<\/SPAN>.<\/SPAN>layers<\/SPAN>[<\/SPAN>0<\/SPAN>]
<\/SPAN>lyr_studyarea<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[5]:<\/DIV><FeatureLayer url:"<\/SPAN>https:\/\/dev004543.esri.com\/server/rest/services/Hosted/Washington/FeatureServer/1<\/A>"><\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>

Hole die Koordinatengeometrie des Untersuchungsgebiets<\/H4><\/DIV><\/DIV><\/DIV>In [6]:<\/DIV># Abfrage der Untersuchungsgebiets-Layer zur Ermittlung des Grenz-Features
<\span>
query_studyarea = lyr_studyarea.query(where=<'1=1'>)
# Hole die Koordinatengeometrie des Untersuchungsgebiets.

# Die Geometrie wird verwendet, um die Daten für Elevation und Human Modified Index zu extrahieren.

geom_studyarea = query_studyarea.features[0].geometry

# Setze die räumliche Referenz der Geometrie.

geom_studyarea['spatialReference'] = query_studyarea.spacial_reference

font-weight: fett; Schriftgröße: 25.998px; Rand: 0.538em 0px 0px;" id="toc-hId-1356367382" id="toc-hId-1356367382">Analyse-Daten anzeigen

Human Modified Index

In [9]:

# Hole eine Referenz zur imagery layer vom portal item
lyr_hmi = item_hmi.layers[0]
# Setze die layer extent auf die geografische Ausdehnung des study area und zeige die Daten an.
lyr_hmi.extent = extent_studyarealyr_hmi

Out[9]:

Elevation

In [10]:

# Hole eine Referenz zur imagery layer vom portal item
 lyr_dem  =  item_dem . layers [0] 
# Setze die layer extent auf die geografische Ausdehnung des study area und zeige die Daten an.
 lyr_dem . extent  =  extent_studyarea  lyr_dem 

Out[10]:

Slope (abgeleitet von elevation via der Slope raster function)

In [11]:

# Extrahieren Sie die Human Modified Index-Daten aus der Geometrie des Untersuchungsgebiets
hmi_clipped = clip(raster=lyr_hmi, geometry=geom_studyarea)
hmi_clipped

Out[13]:

Elevation#Elevation

In [14]:

# Extrahieren Sie die Elevation-Daten aus der Geometrie des Untersuchungsgebiets
elev_clipped = clip(raster=lyr_dem, geometry=geom_studyarea)
elev_clipped

Out[14]:

Slope#Slope

In [15]:

# Extrahieren Sie die Slope-Daten aus der Geometrie des Untersuchungsgebiets
slope_clipped = clip(raster=lyr_slope, geometry=geom_studyarea)
# Wenden Sie die Stretch-Funktion an, um die Anzeige der slope_clipped-Ebene zu verbessern.
slope_clipped_stretch = stretch(raster=slope_clipped, stretch_type='StdDev', 
                dra='true')
slope_clipped_stretch

Out[15]:

Führen Sie die Analyse durch

Schritt 1 – Normalisierung

Verwenden Sie die Remap-Funktion, um jeden Satz von Eingabedaten auf eine gemeinsame Skala von 1 bis 9 zu normalisieren, wobei 1 = am wenigsten geeignet und 9 = am besten geeignet ist.

# Erstellen Sie eine Farbkarte zur Anzeige der Analyseergebnisse mit neun Farben von Rot über Gelb bis Grün.
clrmap = [[1,230,0,0], [2,242,85,0], [3,250,142,0], [4,255,195,0], 
     [5,255,255,0], [6,197,219,0], [7,  #666666;">139<\/SPAN>,<\/SPAN> 181<\/SPAN>,<\/SPAN> 0<\/SPAN>], [8<\/SPAN>,<\/SPAN> 86<\/SPAN>,<\/SPAN> 148<\/SPAN>,<\/SPAN> 0<\/SPAN>],<\/SPAN>
<\/SPAN><\/SPAN><\/SPAN><\/SPAN><\/SPAN><\/SPAN><\/SPAN>         [<\/SPAN>9<\/SPAN>,<\/SPAN> 38<\/SPAN>,<\/SPAN> 115<\/SPAN>,<\/SPAN> 0<\/SPAN>]<\/SPAN>]<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>In [17]:<\/DIV># Normalisiere die Höhendaten<\/SPAN>
elev_normalized = remap(raster=elev_clipped,
                        input_ranges=[0,490, 490,980, 980,1470, 1470,1960, 1960,2450, 
                                      2450,2940, 2940,3430, 3430,3700, 3920,4100],
                        output_values=[9,8,7,6,5,4,3,2,1], astype='U8')

# Zeige das farblich zugeordnete Bild der neu klassifizierten Höhendaten an<\/SPAN>
colormap(elev_normalized, colormap=clrmap)&nbps;<\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[17]:<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>In [18]:<\/DIV># Normalisiere die Hangneigungsdaten
<\/SPAN>slope_normalized<\/>=<\/>remap<\/>(<\/>raster<\/>=<\/>slope_clipped<\/>,<\/>   
input_ranges<\/>=<\/>[<\/>0<\/>,<\/>1<\/>,<\/> 1<\/>,<\/>2<\/>,<\/> 2<\/>,<\/>3<\/>,<\/> 3<\/>,<\/>5<\/>,<\/> 5<\/>,<\/>7<\/>,<\/> 7<\/>,<\/>9<\/>,<\/> 9,

class="">],<\/SPAN>                 
                      output_values<\/SPAN>=<\/SPAN>[<\/SPAN>9<\/SPAN>,<\/SPAN>8<\/SPAN>,<\/SPAN>7<\/SPAN>,<\/SPAN>6<\/SPAN>,<\/SPAN>5<\/SPAN>,<\/SPAN>4<\/SPAN>,<\/SPAN>3<\/SPAN>,<\/SPAN>2<\/SPAN>,<\/SPAN>1<\/SPAN>],<\/SPAN>  astype<\/SPAN>=<\/SPAN>'U8'<\/SPAN>)

<\/SPAN># Zeige ein farbzugeordnetes Bild der neu klassifizierten HMI-Daten an
<\/SPAN>colormap<\/SPAN>(<\/SPAN>hmi_normalized<\/SPAN>,<\/SPAN> colormap<\/SPAN>=<\/SPAN>clrmap<\/SPAN>)<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[19]:<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>Schritt 2: Gewichtung<\/H3>Verwenden Sie den überladenen Multiplikationsoperator * , um jedem normalisierten Datensatz basierend auf seiner relativen Bedeutung für das Endergebnis ein Gewicht zuzuweisen.<\/P><\/DIV><\/DIV><\/DIV>In [20]:<\/DIV># Wende Gewichte auf die normalisierten Daten mit dem überladenen Multiplikations-
# operator "*" an.
<\/SPAN># - Human Modified Index (HMI): 60%
<\/Span># - Hangneigung (Slope): 25%\n # - Höhe (Elevation): 15%\n hmi_weighted<\/> =<\/> hmi_normalized<\/> * 0.6
slope_weighted<\/> =<\/> slope_normalized<\/> * 0.25
elev_weighted<\/> =<\/> elev_normalized<\/> * 0.15Schritt3:AdditionAddieren Sie die gewichteten Datensätze zusammen, um ein endgültiges Analyseergebnis zu erzeugen. class="">,0.8, 0.8,1.1],                    
         output_values=[9,8,7,6,5,4,3,2,1])       
      +         
      # Steigungsschicht       
      0.25 * remap(raster=clip(raster=lyr_slope, geometry=geom_studyarea),
 &amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;input_ranges=[0, 1, 1, 2, 2, 3, 3, 5, 5, 7, 7, 9, 9, 12, 12, 15,
 15, 100],&amp;amp;amp;amp;amp;amp;amp;amp;amp;
 output_values=[9, 8, 7, 6, 5, 4, 3, 2, 1])&amp;
 +&
 # Höhenlage-Schicht
 0.15 * remap(raster=clip(raster=lyr_dem,
geometry=geom_studyarea),
input_ranges=[-90,250,250,500,500,750,750,1000,
1000,1500,
1500,2000,
2000,2500,
2500,3000,
3000,5000],
output_values=[9,8,7,6,5,4,3,2,1])
),
colormap=clrmap,
type='U8')
result_dynamic_one_op





Out[22]:


























Erzeugen Sie ein dauerhaftes Analyseergebnis durch verteilte serverbasierte Rasterverarbeitung.
Portal for ArcGIS wurde um die Fähigkeit erweitert, verteilte serverbasierte Verarbeitung von Bild- und Rasterdaten durchzuführen. Diese Technologie ermöglicht es Ihnen die Leistung der Rasterverarbeitung zu steigern indem Daten verteilt verarbeitet werden können – selbst in voller Auflösung und vollem Umfang.
Sie können die Verarbeitungskapazitäten von ArcGIS Pro nutzen um die auf Rasterdaten anzuwendende Verarbeitung zu definieren und diese Verarbeitung verteilt über Ihr lokales Portal ausführen zu lassen. Die Ergebnisse dieser Verarbeitung sind als Web-Bildschicht verfügbar die in Ihrer ArcGIS-Organisation gehostet wird.
Für weitere Informationen siehe <\/SPAN>Raster analysis on Portal for ArcGIS<\/A><\/P><\/DIV><\/DIV><\/DIV>

In [23]:<\/DIV>

# Unterstützt das GIS Raster Analytics?<\/SPAN>\n<\/SPAN>import<\/SPAN> arcgis\n<\/SPAN>arcgis<\/SPAN>.<\/SPAN>raster<\/SPAN>.<\/SPAN>analytics<\/SPAN>.<\/SPAN>is_supported<\/SPAN>(<\/SPAN>web_gis<\/SPAN>)<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[23]:<\/DIV>True<\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>In [24]:<\/DIV># Die Funktion .save() ruft generate_raster aus dem arcgis.raster.analytics\n<\/SPAN># Modul auf, um die Analyse auf einem GIS-Server mit der Quellauflösung der \n# Eingabedatensätze durchzuführen <\/SPAN>und das Ergebnis als eine <\/SPAN>persistente Web-Bildschicht im GIS zu speichern.\n<\/SPAN>result_persistent<\/SPAN> =<\/SPAN> result_dynamic<\/SPAN>.<\/SPAN>save<\/SPAN>(<\/SPAN>"NaturalAndAccessible_WashingtonState"<\/SPAN>)\n<\/SPAN>result_persistent< \/SPAN> < \/PRE> < \/ DIV> < \/ DIV> < \/ DIV> < \/ DIV> < DIV class= " "> < DIV class= " "> < DIV class= " "> < DIV class= " " style= " color :#d84315 ; padding :0.4em ; "> Out[24] : < \/ DIV> < DIV class= " " style= " color :#000000 ; padding :0.4em ; "> < DIV class= " " style= " background :#f6fafa ; border :1px solid #cfcfcf ; padding :10px ; "> < DIV > < A href= " https:\/\/dev004543.esri.com\/arcgis/home/item.html?id=ecd792a607b24b0ab97f7b62d288c806 " style= " color :#337ab7 ; background-color :transparent ; text-decoration :underline ; " target= " _blank " rel= " nofollow noopener noreferrer " > < IMG class= " " src= " https:\/\/dev004543.esri.com\/arcgis/portalimages/desktopapp.png " style= " border :0px ; " \/ > < \/ A > < \/ DIV > < DIV > < A href= " https:\/\/dev004543.esri.com\/arcgis/home/item.html?id=ecd792a607b24b0ab97f7b62d288c806 " style= " color :#337ab7 ; background-color :transparent ; text-decoration :underline ; " target= " _blank " rel= " nofollow noopener noreferrer " > < SPAN style= " font-weight :bold ; " > < STRONG > NaturalAndAccessible_WashingtonState < \/ STRONG > < \/ SPAN > < SPAN > < \/ SPAN > < \/ A > < BR \/ > Analyse-Bilddienst generiert von GenerateRaster < IMG src= " https:\/\/dev004543.esri.com\/arcgis/home/js/jsapi/esri/css/images/item_type_icons/imagery16.png " style= " border :0px ; margin-top :1em ; " \/ > Bildschicht von djohnsonRA < SPAN > < \/ SPAN > < BR \/ > Zuletzt geändert am: 07. Juli 2017 < SPAN > < \/ SPAN > < BR \/ > 0 Kommentare, 0 Ansichten < \/ DIV > < \/ DIV > < \/ DIV > < \/ DIV > < \/ DIV > < \/ DIV > < \/ DIV > < DIV class= " " style= " color :#000000 ; background :linear-gradient(to right, transparent -40px, transparent 1px, transparent 1px, transparent 100%) ; border :1px solid transparent ; padding :5px ; "> < DIV > < DIV class= " " style= " color :#303f9f ; border-top :1px solid transparent ; padding :0.4em ; "> In [25]:< \/ DIV > < DIV > < DIV class= " " style= " background :#f7f7f7 ; border :1px solid #cfcfcf ; "> < DIV class= " " style= " background :transparent ; border :none ; margin :0.4em ; "> < PRE class= " lia-code-sample line-numbers language-none " >< SPAN class= " " style= " color :#408080 ; "># Anzeige des persistenten Ergebnisses
< / SPAN >< SPAN >lyr_result_persistent</ SPAN >< SPAN class = 

KhairulAmri252

Many Thanks for this example,Very Useful