【且听我说“镶嵌数据集建库”】7、影像产品管理流程及典型应用(上)

本文介绍两种在ArcGIS中管理影像数据的方法:一是通过扩展RasterType并利用元数据文件实现高效查询与检索;二是直接使用RasterDataset进行管理。此外还详细说明了每种方法的具体步骤。

        如同国产卫星影像数据,影像产品的管理同样存在这个问题——ArcGIS本身并没有提供与之对应的Raster Type,因此需要通过栅格类型扩展实现影像产品的管理。除此之外,可以利用GP工具Model Builder构建影像管理模型实现影像产品入库。如果对影像元数据没有要求,可直接利用Raster Dataset进行管理。

       方式一:扩展Raster Type实现影像管理

       通过扩展Raster Type实现影像管理,为了实现影像管理之后的查询、检索等操作,需要利用影像产品元数据文件。分发的影像产品如未提供元数据文件,需要进行自定义。典型的利用扩展Raster Type实现影像产品建库流程如下:

      (1)        扩展影像产品Raster Type

       对于没有配套元数据文件的影像产品,需要根据产品自定义元数据文件。元数据文件应包括实际应用中所需要的属性信息,如采集时间,云覆盖量,传感器类型,分辨率,产品级别等。对于元数据定义没有具体限制,因需而定。

利用c#或c++工具进行Raster Type定制开发。通过Raster Type扩展识别影像产品,进而实现影像元数据、轮廓线及影像存储路径等信息的抓取。

     (2)        数据预处理(可选)

      构建影像金字塔与属性信息统计。

     (3)        镶嵌数据集建库

      1)      建立镶嵌数据集

      2)      添加影像数据

      影像管理过程中,添加影像数据时选择对应的影像产品栅格类型进行管理,如下图,“重庆地理信息中心影像类型”即为经过扩展的影像产品类型。


图:影像产品RasterType扩展

     3)      构建轮廓线

     影像产品添加后,需要重新计算影像轮廓线。

     4)      影像匀色

     利用匀色工具进行镶嵌数据集匀色。

     5)      构建接边线

     6)      构建概视图

     方式二:利用Raster Dataset实现影像产品管

      如对影像产品的元数据没有要求,在添加影像数据时,Raster Type类型选择 Raster Dataset,利用此种方式实现影像产品的入库管理。

     利用RasterDataset实现影像产品管理典型流程:

     -         建立镶嵌数据集

     -         添加影像数据,Raster Type选择Raster Dataset

     -         构建轮廓线

     -         影像匀色

     -         构建接边线

     -         构建概视图

     通过RasterDataset管理的影像数据不具有影像元数据信息,可以手动添加影像元数据。

   (1) 展开镶嵌数据集属性表

     图层>右键FootPrint>Table

  (2)添加属性列  

     Table Options>Add Field。输入属性列名称“Cloud_Cover”


图:属性列添加

(3)        启动编辑,手动输入属性值


图:属性编辑



未完待续

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值