Rasterfuncties en de ArcGIS API voor Python 1.2

DavidJohnson5

<\/HEAD>

Een van de geweldige dingen aan werken in het Lab is dat je kunt experimenteren met de nieuwe snufjes van onze core softwareontwikkelaars voordat ze worden uitgebracht.  Toen ik hoorde dat versie 1.2 van de <\/SPAN><\/SPAN>ArcGIS API for Python<\/A> <\/SPAN>zou een <\/SPAN><\/SPAN>nieuw module voor rasterfuncties<\/A>, kon ik niet wachten om het uit te proberen.  Nu versie 1.2 van de API is uitgebracht, kan ik je eindelijk een <\/SPAN><\/SPAN>Jupyter Notebook<\/A> <\/SPAN>die ik heb gemaakt met een voorbeeld van een <\/SPAN>gewogen overlay-analyse<\/A> geïmplementeerd met rasterfuncties.   Hieronder staat een niet-interactieve versie van die notebook die ik naar HTML heb geëxporteerd.   Ik hoop dat het je wat ideeën geeft over hoe je de ArcGIS API for Python kunt gebruiken om je eigen rasteranalyse uit te voeren.<\/SPAN><\/P> <\ /SPAN><\P><\P>30 px Natuurlijke en Toegankelijke Gebieden Vinden in de Staat Washington, VS<\ /STRONG><\ /SPAN><\P>linear-gradient(to right, transparent -40 px , transparent 1 px , transparent 1 px , transparent 100 % ); border ：1 px solide transparant； opvulling ：5 px；">De gewogen overlay is een standaard GIS-analysetechniek voor locatiegeschiktheid en reiskostenstudies. Deze notebook maakt gebruik van de nieuwe "arcgis.raster.functions" module in de ArcGIS API for Python versie 1.2 om een voorbeeld van een gewogen overlay-analyse te demonstreren.   Dit voorbeeld probeert gebieden in de staat Washington te identificeren die "natuurlijk" zijn en tegelijkertijd gemakkelijk begaanbaar zijn op basis van de volgende criteria:<\ /P>hoogte (lager is beter)<\ /LI>helling van het terrein (vlakker is beter)<\ /LI>mate van menselijke wijziging van het landschap (minder is beter)<\ /LI><\UL >De invoergegevens voor deze analyse omvatten een DEM (Digitaal Hoogtemodel) en een dataset die de mate van menselijke aanpassing van het landschap toont.<\ /P >Over het algemeen kan gewogen overlay-analyse worden onderverdeeld in drie stappen:<\ /P >Normalisatie：De pixels in de invoer-rasterdatasets worden opnieuw geclassificeerd naar een gemeenschappelijke schaal van numerieke waarden op basis van hun geschiktheid volgens de analysecriteria.<\ /LI >Weging：De genormaliseerde datasets krijgen een procentuele invloed toegewezen op basis van hun belang voor het eindresultaat door ze te vermenigvuldigen met waarden variërend van 0.0 tot 1.0. De som van de waarden moet gelijk zijn aan 1.0.<\ /LI >Som：De som van de gewogen datasets wordt berekend om een definitief analyseresultaat te produceren.<\ /LI ><\OL ><\P >We beginnen met verbinding maken met de GIS en toegang krijgen tot de gegevens voor de analyse.<\ /P ><\ /DIV ><\ /DIV ><\ /DIV >

Verbind met de GIS<\ /H2 ><\ /DIV ><\ /DIV ><\ /DIV >In [1]:<\ /DIV ># importeer GIS uit de arcgis.gis module
<\ /SPAN >from<\ /SPAN > arcgis.gis<\ /SPAN > import<\ /SPAN > GIS
<\ /SPAN >
<\ /SPAN ># Verbind met de GIS.
<\ /SPAN >try<\ /SPAN >:    
   web_gis<\ /SPAN > =<\ /SPAN > GIS("https://dev004543.esri.com/arcgis", 'djohnsonRA')   
   print("Succesvol verbonden met <</SPAN>{0}".format(web_gis.properties.name))
except:   
   print("")

Voer wachtwoord in:b7b7b7b7b7b7b7b7 
Succesvol verbonden met ArcGIS Enterprise A

Zoek in de GIS naar de invoergegevens voor de analyse

Human Modified Index

In [2]:

# Zoek naar het Human Modified Index beeldlaag-item op titel
item_hmi = web_gis .content .search ( 'title :Human Modified Index','Imagery Layer')[0 </ Span >] 
item_hmi 

Out[2]:

Human Modified Index 
Een maat voor de mate van menselijke aanpassing, de index loopt van 0,0 voor een ongerepte landschapsconditie tot 1,0 voor de meest sterk aangepaste gebieden.Imagery Layer door djohnsonRA 
Laatst gewijzigd :06 juli 2017 
0 reacties, 2 weergaven

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

State of Washington, USA<\/STRONG><\/SPAN> <\/SPAN><\/A>
State of Washington, USAFeature Layer Collection door djohnsonRA <\/SPAN>
Laatst gewijzigd: 07 juli 2017 <\/SPAN>
0 reacties, 2 weergaven<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>In [5]:<\/DIV># Verkrijg een verwijzing naar de feature layer van het portal item
<\/SPAN>lyr_studyarea<\/SPAN> =<\/SPAN> item_studyarea<\/SPAN>.<\/SPAN>layers<\/SPAN>[<\/SPAN>0<\/SPAN>]
<\/SPAN>lyr_studyarea<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Uitvoer[5]:<\/DIV><FeatureLayer url:"<\/SPAN>https:\/\/dev004543.esri.com/server/rest/services/Hosted/Washington/FeatureServer/1<\/A>"><\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>

Verkrijg de coördinaatgeometrie van het studiegebied<\/H4><\/DIV><\/DIV><\/DIV>In [6]:<\/DIV># Query de studiegebiedlaag om de grensfeature te verkrijgen
<\/>Span>query_studyarea = lyr_studyarea.query(where='1=1')
# Verkrijg de coördinaatgeometrie van het studiegebied.
# De geometrie zal worden gebruikt om de Elevation en Human Modified Index data te extraheren.
geom_studyarea = query_studyarea.features[0].geometry
# Stel de ruimtelijke referentie van de geometrie in.
geom_studyarea['spatialReference'] = query_studyarea.spatial_reference

Verkrijg de omvang van het studiegebied

In&nbsp ;[7]:

# Importeer de geocode functie
from arcgis.geocoding import geocode
# Gebruik de geocode functie om de locatie/adres van het studiegebied te verkrijgen
geocode_studyarea = geocode('State of Washington, USA',
out_sr=query_studyarea.spatial_reference)

In&nbsp ;[8]:

# Verkrijg de geografische omvang van het studiegebied
# Deze omvang zal worden gebruikt bij het weergeven van de Elevation, Human Modified Index,
en het uiteindelijke resultaatdata.
extent_studyarea = geocode_studyarea[0]['extent']
extent_studyarea

Uitvoer[8]:

{'xmax': -1451059.3770040546,
'xmin': -2009182.5321227335,
'ymax':1482366.818700374,
'ymin':736262.260048952}

Toon de analysedata

Human Modified Index

In [9]:

# Verkrijg een referentie naar de imagery layer van het portal item
lyr_hmi = item_hmi.layers[0]
# Stel de extent van de laag in op de geografische extent van het studiegebied en toon de data.
lyr_hmi.extent = extent_studyarealyr_hmi

Out[9]:

Hoogte

In [10]:

# Verkrijg een referentie naar de imagery layer van het portal item
lyr_dem = item_dem.layers[0]
# Stel de extent van de laag in op de geografische extent van het studiegebied en toon de data.
 </ SPAN >< SPANclass = " ">lyr_dem </ SPAN >< SPANclass = " "style = " color :#666666 ; ">.</ SPAN >< SPANclass = " ">extent </ SPAN > < SPANclass = " "style = " color :#666666 ; ">= </ SPAN > < SPANclass = " ">extent_studyarea </ SPAN >< SPANclass = " ">lyr_dem </ SPAN ></ PRE ></ DIV ></ DIV ></ DIV ></ DIV >< DIVclass = " " >< DIVclass = " " >< DIVclass = " " >< DIVclass = " "style = " color :#d84315 ; padding :0.4em ; ">Out[10]: </ DIV >< DIVclass = " "style = " padding :0.4em ; ">< IMG__jive_id = "360669"class = "image-5 jive-image"src = "https://us.v-cdn.net/6038851/uploads/legacyfs/online/360669_pastedImage_5.jpg"style = "border :0px ; "/></ DIV ></ DIV ></ DIV ></ DIV ></ DIV >< DIVclass = " "style = " color :#000000 ; background :linear-gradient(to right, transparent -40px, transparent 1px, transparent 1px, transparent100%); border :1px solidtransparent ; padding :5px ; ">< DIVclass = " " >< DIVclass = " "style = " color :#000000 ; padding :0.5em0.5em0.5em0.4em ; ">< H3style = " color :inherit ; font-weight :vet ; font-size :18.004 px ; margin :0.777 em0 px0 px ; ">Hellingsgraad (afgeleid van hoogte via de Slope rasterfunctie)</ H3 ></ DIV ></ DIV ></ DIV >< DIVclass = " "style = " color :#000000 ; background :linear-gradient(to right, transparent -40 px ,transparent1 px ,transparent1 px ,transparent100 % );border :1 pxsolidtransparent;padding :5 px ; ">< DIVclass = " " >< DIVclass = " "style = " color :#303f9f ; border-top :1 pxsolidtransparent;padding :0.4 em ; ">In&nbsp ;[11]: </ DIV >< DIVclass = " " >< DIVclass = " "  line-numbers language-none"># Extraheer de Human Modified Index-gegevens binnen de geometrie van het studiegebied
hmi_clipped = clip(raster=lyr_hmi, geometry=geom_studyarea)
hmi_clipped

Out[13]:

Elevation#Elevation

In [14]:

# Extraheer de Elevation-gegevens binnen de geometrie van het studiegebied
elev_clipped = clip(raster=lyr_dem, geometry=geom_studyarea)
elev_clipped

Out[14]:

Slope#Slope

In [15]:

# Extraheer de Slope-gegevens binnen de geometrie van het studiegebied
slope_clipped = scliptchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipstchape_clipslope_clipped_stretch = stretch(raster=slope_clipped, stretch_type='StdDev', dra='true')
slope_clipped_stretch

Out[15]:

Voer de analyse uit

Stap 1 – Normalisatie

Gebruik de Remap-functie om elke set invoergegevens te normaliseren naar een gemeenschappelijke schaal van 1 tot 9, waarbij 1 = minst geschikt en 9 = meest geschikt.

# Maak een colormap om de analyseresultaten weer te geven met negen kleuren die variëren 
# van rood naar geel naar groen.
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># Normaliseer de hoogtegegevens<\/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')

# Toon kleurgecodeerde afbeelding van de hergeclassificeerde hoogtegegevens<\/SPAN>
colormap(elev_normalized, colormap=clrmap) <\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[17]:<\/DIV><\/DIV><\/DIV><\/DIV><\/DIV><\/DIV>In [18]:<\/DIV># Normaliseer de hellingsgegevens
<\/SPAN>slope_normalized<\/><=</span> remap(raster=slope_clipped,
                 input_ranges=[0,1, 1,2, 2,3, 3,5, 5,7, 7,9, 9,12, 12,15,
                 15,100],
                 output_values=[9,8,7,6,5,4,3,2,1], astype='U8')

# Toon een kleurgecodeerde afbeelding van de hergeclassificeerde hellingsgegevens
colormap(slope_normalized,colormap=clrmap)

In [19]:

# Normaliseer de Human Modified Index gegevens
hmi_normalized = remap(raster=hmi_clipped,
                 input_ranges=[0.0 ,0.1 ,0.1 ,0.2 ,0.2 ,0.3 ,0.3 ,0.4 ,0.4 ,0.5 ,
                 0.5 ,0.6 ,0.6 ,0.7 ,0.7 ,0.8 ,0.8 ,1.1]  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># Toon een kleurgecodeerde afbeelding van de geherclassificeerde HMI-gegevens
<\/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>Stap 2: Weging<\/H3>Gebruik de overladen vermenigvuldigingsoperator * om een gewicht toe te kennen aan elke genormaliseerde dataset op basis van hun relatieve belang voor het eindresultaat.<\/P><\/DIV><\/DIV><\/DIV>In [20]:<\/DIV># Pas gewichten toe op de genormaliseerde gegevens met behulp van de overladen vermenigvuldigingsoperator "*".
<\/SPAN># - Human Modified Index (Menselijk Aangepaste Index): 60%
<\/Span># - Slope (Hellingshoek): 25%\n<\/># - Elevation (Hoogte): 15%\n<\/>hmi_weighted = hmi_normalized * 0.6
slope_weighted = slope_normalized * 0.25
elev_weighted = elev_normalized * 0.15

,0.8, 0.8,1.1],                    
         output_values=[9,8,7,6,5,4,3,2,1])       
      +         
      # Slope layer       
      0.25 * remap(raster=clip(raster=lyr_slope, geometry = geom_studyarea ) ,
&nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; input_ranges = [ 0 , 1 , < span style = 1em 0px 0px;">Voor meer informatie, zie <\/SPAN>Rasteranalyse op Portal for ArcGIS<\/A><\/P><\/DIV><\/DIV><\/DIV>

In [23]:<\/DIV>

# Ondersteunt de GIS rasteranalyses?<\/SPAN>\nimport<\/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># De .save() functie roept generate_raster aan van het arcgis.raster.analytics<\/SPAN>\n# module om de analyse uit te voeren op een GIS-server met de bronresolutie van de \n# invoer datasets <\/SPAN>en slaat het resultaat op als een <\/SPAN>persistent web imagery layer in de GIS.<\/SPAN>\nresult_persistent<\/SPAN> =<\/SPAN> result_dynamic<\/SPAN>.<\/SPAN>save<\/SPAN>(<\/SPAN>\"NaturalAndAccessible_WashingtonState\"<\/SPAN>)\n<\/SPAN>result_persistent<\/SPAN><\/PRE><\/DIV><\/DIV><\/DIV><\/DIV>Out[24]:<\/DIV>

<\/A><\/DIV>

NaturalAndAccessible_WashingtonState<\/STRONG><\/SPAN> <\/SPAN><\/A>
Analyse Image Service gegenereerd vanuit GenerateRaster<IMG src=\"https:\/\/dev004543.esri.com\/arcgis\/home\/js\/jsapi/esri/css/images/item_type_icons/imagery16.png\

KhairulAmri252

Many Thanks for this example,Very Useful