Fonctions Raster et l'API ArcGIS pour Python 1.2

DavidJohnson5

<\/HEAD>

L'un des grands avantages de travailler dans le Lab est que vous pouvez expérimenter les nouveautés de nos développeurs principaux avant leur sortie.  Quand j'ai entendu dire que la version 1.2 de l' <\/SPAN><\/SPAN>ArcGIS API for Python<\/A> <\/SPAN>inclurait un <\/SPAN><\/SPAN>nouveau module pour raster functions<\/A>, je ne pouvais pas attendre pour l'essayer.  Maintenant que la v.1.2 de l'API est sortie, je peux enfin vous montrer un <\/SPAN><\/SPAN>Jupyter Notebook<\/A> <\/SPAN>que j'ai construit et qui contient un exemple d'une <\/SPAN>analyse weighted overlay<\/A> implémentée avec raster functions.   Voici une version non interactive de ce notebook que j'ai exportée en HTML.  j'espère que cela vous donnera des idées sur la façon dont vous pourriez utiliser l'ArcGIS API for Python pour effectuer votre propre analyse raster.<\/P>

 <\/SPAN><\/P><\/P>Trouver des zones naturelles et accessibles dans l'État de Washington, USA<\/STRONG><\/SPAN><\/P>Le weighted overlay est une technique d'analyse SIG standard pour les études d'adéquation des sites et des coûts de déplacement. Ce notebook utilise le nouveau module "arcgis.raster.functions" dans l'ArcGIS API for Python version1.2 pour démontrer un exemple d'analyse weighted overlay.  cet exemple tente d'identifier les zones dans l'État de Washington qui sont "naturelles" tout en étant faciles à parcourir selon les critères suivants:<\/P>élévation (plus bas est mieux)<\/LI>pente du terrain (plus plat est mieux)<\/LI>degré d'altération humaine du paysage (moins est mieux)<\/LI><\/UL>Les données d'entrée pour cette analyse comprennent un MNE (Modèle Numérique d'Élévation) et un jeu de données montrant le degré de modification humaine du paysage.<\/P>En général, l'analyse weighted overlay peut être divisée en trois étapes:<\/P>Normalisation  Les pixels dans les jeux de données raster d'entrée sont reclassés sur une échelle commune de valeurs numériques basée sur leur adéquation selon les critères d'analyse.<\/LI>Pondération  Les jeux de données normalisés se voient attribuer un pourcentage d'influence basé sur leur importance pour le résultat final en les multipliant par des valeurs allant de  00 à  11 . La somme des valeurs doit être égale à  11 .<\/LI>Somme  La somme des jeux de données pondérés est calculée pour produire un résultat final d'analyse.<\/LI><\/OL><\/P>Nous commencerons par nous connecter au GIS et accéder aux données pour l'analyse.<\/P><\/DIV><\/DIV><\/DIV>

Se connecter au GIS<\/H2><\/DIV><\/DIV><\/DIV >Dans [1]:< / DIV >< DIV class = "">< DIV class = "" style = "background:#f7f7f7;border:-1 px solid#cfcfcf;">< DIV class = "" style = "background:-transparent;border:-none;margin:-04 em;"># importer GIS depuis le module arcgis.gis
< / SPAN >< SPAN class = "" style = "color:#008000;font-weight:-bold ">from< / SPAN > < SPAN class = "" style = "color:#0000ff;font-weight:-bold ">arcgis.gis< / SPAN > < SPAN class = "" style = "color:#008000;font-weight:-bold ">import< / SPAN > < SPAN class = "">GIS
< / SPAN >< SPAN class = "">
< / SPAN >< SPAN class = "" style = "color:#408080 "># Se connecter au GIS.
< / SPAN >< SPAN class = "" style = "color:#008000;font-weight:-bold ">try< / SPAN >< SPAN class = "">:< / SPAN >   
   web_gis GIS("https://dev004543.esri.com/arcgis", 'djohnsonRA')   
   print("Connecté avec succès à < /SPAN>{0}".format(web_gis.properties.name))
except:   
   print("")

Entrez le mot de passe : ········ 
Connecté avec succès à ArcGIS Enterprise A

Recherchez dans le GIS les données d'entrée pour l'analyse

Indice modifié par l'homme

In [2]:

# Rechercher l'élément de couche d'imagerie Human Modified Index par titre
item_hmi = web_gis .content .search ( 'title :Human Modified Index', 'Imagery Layer') [ 0 ] 
item_hmi 

Out[2] :

, <\/SPAN>
'Feature Layer'<\/SPAN>)[<\/SPAN>0<\/SPAN>]
<\/SPAN>item_studyarea<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Sortie[4]:<\/DIV><\/A><\/DIV>

State of Washington, USA<\/STRONG><\/SPAN> <\/SPAN><\/A>
State of Washington, USACollection de Feature Layer par djohnsonRA <\/SPAN>
Derni\u00e8re modification : 07 juillet 2017 <\/SPAN>
0 commentaires, 2 vues<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>Dans [5]:<\/DIV># Obtenir une r\u00e9f\u00e9rence au feature layer depuis l'item du portail
<\/SPAN>lyr_studyarea<\/SPAN> =<\/SPAN> item_studyarea<\/SPAN>.<\/SPAN>layers<\/SPAN>[<\/SPAN>0<\/SPAN>]
<\/SPAN>lyr_studyarea<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Sortie[5]:<\/DIV><FeatureLayer url:"<\/SPAN>https:\/\/dev004543.esri.com\/server/rest/services/Hosted/Washington/FeatureServer/1<\/A>"><\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>

Obtenir la g\u00e9om\u00e9trie des coordonn\u00e9es de la zone d\u2019\u00e9tude<\/H4><\/DIV><\/DIV><\/DIV>Dans [6]:<\/DIV># Interroger la couche de la zone d\u2019\u00e9tude pour obtenir la limite du feature
<\\/Span>query_studyarea Afficher les données d'analyse

Human Modified Index

In [9]:

# Obtenir une référence à la couche d'imagerie depuis l'élément du portail
lyr_hmi = item_hmi.layers[0]
# Définir l'étendue de la couche à l'étendue géographique de la zone d'étude et afficher les données.
lyr_hmi.extent = extent_studyarealyr_hmi

Out[9]:

Élévation

In [10]:

# Obtenir une référence à la couche d'imagerie depuis l'élément du portail
lyr_dem = item_dem.layers[0]
# Définir l'étendue de la couche à l'étendue géographique de la zone d'étude et afficher les données.
lyr_dem.extent extent_studyarealyr_dem

# Extraire les données de l'Indice Humain Modifié à l'intérieur de la géométrie de la zone d'étude
hmi_clipped = clip(raster=lyr_hmi, geometry=geom_studyarea)
hmi_clipped

Out[13]:

Élévation

#Elevation

In [14]:

# Extraire les données d'Élévation à l'intérieur de la géométrie de la zone d'étude
elev_clipped = clip(raster=lyr_dem, geometry=geom_studyarea)
elev_clipped

Out[14]:

Pente#Slope

In [15]:

# Extraire les données de Pente à l'intérieur de la géométrie de la zone d'étude
slope_clipped = clip ( raster = lyr_slope , geometry = geom_studyarea )
# Appliquer la fonction Stretch pour améliorer l'affichage de la couche slope_clipped.
slope_clipped_stretch = stretch ( raster = slope_clipped , stretch_type = 'StdDev'</ span >< spanclass= #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>Dans [17]:<\/DIV># Normaliser les données d'élévation<\/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')

# Afficher l'image avec la carte des couleurs des données d'élévation reclassifiées<\/SPAN>
colormap(elev_normalized, colormap=clrmap)&nbps;<\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Sortie[17]:<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>Dans [18]:<\/DIV># Normaliser les données de pente
<\/SPAN>slope_normalized<\/> = remap(slope_clipped,&nbps;
&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp input_ranges=[0,1, 1,2, 2,3, 3,5, 5,7, 7,9, 9,12, 12,15,
&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbsp&nbps;15,100],
output_values=[9,8,7,6,5,4,3,2,1], astype='U8')

# Afficher une image avec la carte des couleurs des données de pente reclassifiées
colormap(slope_normalized,colormap=clrmap)<\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/> 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># Afficher une image avec une carte des couleurs des données HMI reclassifiées
<\/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>Étape 2 : Pondération<\/H3>Utilisez l'opérateur de multiplication surchargé * pour attribuer un poids à chaque ensemble de données normalisé en fonction de leur importance relative pour le résultat final.<\/P><\/DIV><\/DIV><\/DIV>In [20]:<\/DIV># Appliquer des poids aux données normalisées en utilisant l'opérateur de multiplication surchargé
# "*".
<\/SPAN># - Indice modifié par l'humain : 60 %
<\/Span># - Pente : 25 %
<\/Span># - Élévation : 15 %
<\/Span>hmi_weighted<\/span> =<\/span> hmi_normalized<\/span> *<\/span> 0.6
<\/span>slope_weighted<\/span> =<\/span> slope_normalized<\/span> *<\/span> 0.25
<\/span>elev_weighted<\/span> =<\/span> elev_normalized<\/span> *<\/span> 0.15<\/span><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>,0.8, 0.8,1.1],                    
         output_values=[9,8,7,6,5,4,3,2,1])       
      +         
      # Couche de pente       
      0.25 * remap(raster=clip(raster=lyr_slopePour plus d'informations, voir <\/SPAN>Analyse raster sur Portal for ArcGIS<\/A><\/P><\/DIV><\/DIV><\/DIV>

Dans [23]:<\/DIV>

# Le SIG prend-il en charge l'analyse raster ?
<\/SPAN>importer<\/SPAN> arcgis
<\/SPAN>arcgis<\/SPAN>.<\/SPAN>raster<\/SPAN>.<\/SPAN>analytics<\/SPAN>.<\/SPAN>is_supported<\/SPAN>(<\/SPAN>web_gis<\/SPAN>)<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Sortie[23]:<\/DIV>Vrai<\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>Dans [24]:<\/DIV># La fonction .save() invoque generate_raster du module arcgis.raster.analytics
<\/SPAN># pour exécuter l'analyse sur un serveur GIS à la résolution source des 
# jeux de données d'entrée <\/SPAN>et stocker le résultat comme une couche d'imagerie web persistante dans le SIG.
<\/SPAN>result_persistent<\/SPAN> =<\/SPAN> result_dynamic<\/SPAN>.<\/SPAN>save<\/SPAN>(<\/SPAN>"NaturalAndAccessible_WashingtonState"<\/SPAN>)
<\/SPAN>result_persistent<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Sortie[24]:<\/DIV>

<\/A><\/DIV>

NaturalAndAccessible_WashingtonState<\/STRONG><\/SPAN> <\/SPAN><\/A>
Service d'image d'analyse généré par GenerateRasterCouche d'imagerie par djohnsonRA <\/SPAN>
Dernière modification : 07 juillet 2017 <\/SPAN>
0 commentaires, 0 vues<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>Dans [25]:<\/DIV># Afficher le résultat persistant
<\/SPAN >lyr_result_persistent< \/SPAN > < span style = " color :#666666 " > = < \/span > < span > result_persistent < \/span >< span style = " color :#666666 " > . < \/span > < span > layers < \/span > [ < span style = " color :#666666 " > 0 < \/span > ]
< span > lyr_result_persistent < \/span >< span style = " color :#666666 " > . < \/span > < span > extent < \/span > < span style = " color :#666666 " > = < \/span > < span > extent_studyarea
< span > lyr_result_persistent < \/span >< \/PRE >< \/ DIV >< \/ DIV >< \/ DIV >< \/ DIV >< DIV >< DIV >< DIV >< DIV style = " color :#d84315 ; padding : .4em ; " > Sortie[25] : < \/ DIV >< DIV style = " padding : .4em ; " >< IMG __jive_id = "360676"class = "image-15 jive-image "src = "https:\/\ /us.v-cdn.net/6038851/uploads/legacyfs/online/360676_pastedImage_15.jpg "style = "border :0px ; "\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/> Données crédits : < \ / DIV >< DIV style = "padding :.4em ; " >< A href = "https:\/ /databasin.org/datasets/110a8b7e238444e2ad95b7c17e889b66 "rel = "nofollow noopener noreferrer "target = "_blank " >Indice modifié par l'homme: < \ / DIV >< DIV style = "padding :.4em ; " >< SPAN style = " color :#4c4c4c ; background-color :#ffffff ; " >Une mesure du degré de modification humaine, l'indice varie de 0.0 pour un état de paysage vierge à 1.0 pour les zones les plus fortement modifiées. La valeur moyenne pour les États-Unis est de 0.375. Les données utilisées pour produire ces valeurs devraient être à la fois plus récentes et plus détaillées que le NLCD utilisé pour générer les noyaux. L'accent a été mis sur la tentative de cartographier en particulier le développement lié à l'énergie. Theobald, DM (2013) Un modèle général pour quantifier l'intégrité écologique pour l'évaluation du paysage et application aux États-Unis. Landscape Ecol (2013) 28 :1859-1874 doi :10.1007/s10980-013-9941-6

USGS NED 30m: 

Données disponibles auprès de l'U.S. Geological Survey. Voir Guide du système d'identité visuelle USGS pour plus de détails. Les questions concernant l'utilisation ou la redistribution des données USGS doivent être adressées à : ask@usgs.gov ou au 1-888-ASK-USGS (1-888-275-8747). Reconnaissance des produits NASA Land Processes Distributed Active Archive Center (LP DAAC): Ces données sont distribuées par le Land Processes Distributed Active Archive Center (LP DAAC), situé à USGS/EROS, Sioux Falls, SD.

État de Washington : Données et cartes Esri

KhairulAmri252

Many Thanks for this example,Very Useful