2017 Esri UC 影像、AI 深度学习

文档编号：版本号：V0.1范围：□内部■公开2017Esri用户大会精彩看点2017年7月易智瑞（中国）信息技术有限公司

——制定及修订记录——版本修订时间修订人修订类型修订章节修订内容1.02017/7/11蔡媛媛A*修订类型分为A-ADDEDM-MODIFIEDD–DELETED注：对该文件内容增加、删除或修改均需填写此记录，详细记载变更信息，以保证其可追溯性。切萨皮克管理局（ChesapeakeConservancy）海湾地区制图与应用案例详解切萨皮克管理局密切关注着切萨皮克湾（ChesapeakeBay），这是美国第一大河口，也是全球第三大河口。为了帮助1800多万人口合理使用海湾，切萨皮克管理局使用ArcGIS，向管理部门及合作单位提供准确了信息。切萨皮克湾，总面积64000平方英里，从纽约流向弗吉尼亚并流向各支流。经过了一个多世纪的衰落后，海湾在过去四十年的积极努力后有所改善，但距离建设一个健康的湾区依然有着较长的距离。在过去，使用30米的全国土地利用分类数据集起了良好的作用，对整个流域的模型运算良好。但是当定位到某个特定需要恢复的目标区域时，用于规划的土地利用覆盖数据与实际实施数据间则无法建立有效联系。为了解决这个问题，经过了18个月的研究，他们在2016年12月，发布了一版超高分辨率的土地利用覆盖图。基于1米或者1英尺的影像，结合Lidar采集的高程数据，建立更高精度的表面模型与底图。全新的土地覆盖图在应用上非常方便，但是更新图像所花费成本是非常昂贵的，管理局需要更快速，更实惠的技术手段来获取数据。ArcGISProArcGISPro既提供了这样的方式可以将原始数据处理成分类成果。它将影像服务做假彩色处理，预分割处理。选择随机树分类样本，简化传统的分类处理工作流，最终构建一个处理模型。既可以在本地，只执行感兴趣区域，也可以使用ArcGIS提供的RasterAnalysis框架进行数据生产,通过影像服务在微软云上执行，获得整个区域的土地利用覆盖图。对超过2TB影像进行分割与分类，整个过程需要约150个小时，。如果他们做处理则需要2500个小时。现在他们就有2份数据，可以用于解析流域周边变化，了解河流的影响因素从而得到需要优先保护，或者生态恢复的区域。地理分析项目经理“CassandraPalla”说，2025年是他们实现海湾恢复目标的最后期限，湾区每年以10万人口增速。管理人员需要衡量工具平衡人口增长与环境的影响，从而找到最有效的方式上。以ABAmario位于弗吉尼亚州以外是一个独立的县。管理人员有一项重要的工作是访问以下53,000个parcels，并评估优先级，这是一个昂贵的任务。但实际上仅仅非常小比例是优先级高，需要立即处理的需求。现在我们可以使用对两期数据的对比，在ArcGISPro的实时处理功能找到这些区域，例如下图中的橙色区域，就是他们找出的整个流域缺失的树木覆盖区。通过结果，管理人员可以得到在大范围的橙色区域是水质监测与恢复的重点区域。通过这个工作流，还可以获得建筑和道路的建设区域。基于这些结果可以制图输出。切萨皮克湾流域共有206个县，ImageServer以及云端处理技术可以帮助用户以更少的时间实现目标。以及由于潜在的农业径流污染造成河岸缓冲区的漏洞，更新了海湾的基线。现在的挑战是随着时间的推移跟踪变化。幸运的是，使用半自动化工作流，新的数据可以更快、更有效地生成。Pallaizeroed位于阿尔伯马尔县，利用改进后的图像，可以识别出由于发展而造成林地覆盖减少。虽然局部区域的发展和支流并不重要，但总的来说，获得每个支流的实时地图是实现其海湾（Bay-wide）目标的手段。环境管理方式正在发生变化，从基于目标转向基于绩效，优先考虑具体的行动。把重点放在那些能产生最大收益的项目上，因为他们能够把更多的资源集中在空间分析上，而不是花那么多时间来生成数据。关键点：使用自动化、强大的云技术，栅格分析大大加快了生产高分辨率土地覆盖数据的速度。高分辨率数据大大改善了跨海湾的项目规划，可以通过实施计划监控，量化每个分析项目的效益。从付出到绩效有限的管理方式变化具有很大的影响。高分辨率图像提供了远程监控结果的手段，而不在仅仅依赖于工程时间。英文解析TheChesapeakeBaywatershedcovers64,000squaremilesacrosssixstates(NewYork,Pennsylvania,Maryland,WestVirginia,Virginia,andDelaware).It’sthelargestestuaryintheUSandthethirdlargestintheworld.Theimportanceoftheestuaryplayssignificantlyinthenation’sfoundingasJohnSmith,thefamousexplorer,mappedittoexploititsresourcesandthefirstsettlementsoccurredwithinitsboundaries.Today,wearemappingtheBayinordertorestoreit.JeffAllenby,DirectorofConservationTechnologyattheChesapeakeConservancy,relatesrecentimageryimprovementsthathavegreatlyimprovedtheseconservationefforts.Theprior30m-resolutionimagerythatusesmethodsfromthe1980’sdoesn’tworkfortoday’schallenges,causingadisconnectbetweendatausedforplanningandthedatausedfortakingaction.Toimprovetheresolutionofplanningandactionplans,theConservancyhasbeenworkingtobuild1meteror1footgroundsamplingdistanceimageryalongwithLidar-derivedelevationformuchmoreaccuratesurfacemodelsandbasemaps.TheyhavebeenusingtheRasterAnalyticsframeworkofArcGIStosignificantlyreducethetimeittakestoprocessthisdata,whichisacomputeintensiveprocess.TheautomatedworkflowwithprocessingonMicrosoft’sAzurecloudcomputingservicetakes150hourstoprocess,comparedtoacalculationofmorethan2,500hoursusingtheirworkflowsofthepast.ThesefasterandcheapermethodsallowtheConservancytoautomaticallyupdatetheirdatamakingitpracticaltogreatlyimprovetheirmonitoringacrosstheentirewatershed.CassandraPallai,GeospatialProgramManager,spoketothelooming2025deadlinetoachievetheircleanupgoals.Eachyear,thepopulationinthewatershedgrowsby100,000people,whichplacesmorepressuretoimprovetheirimpactsandtoidentifywaystheycanbemosteffective.Theimproveddatasetshelptoidentifygapsintreecoverandholesintheriparianbuffersthatarethehighestpotentialforpollutionfromagriculturalrunoff.Theefforthasprovidedagreatlyimprovedbaseline,butnowthechallengeistotrackchangeovertime.Thankfully,withthesemi-automatedworkflownewdatacanbegeneratedmuchmorequicklyandcosteffectively.PallaizeroedinonAlbemarleCounty,usingtheirimprovedimagerytoassesswheretreecanopyhasbeenlostduetodevelopment.Whileindividualdevelopmentsandtributariesaren’tsignificant,collectivelytheactionmapsforeachtributaryarethemeansforreachingtheirBay-widegoals.Environmentalmanagementischangingwiththemovefromeffort-basedtoperformance-basedmanagementthatcanprioritizespecificactions.Focusingonprojectswheretheywillgeneratethebiggest“bangforthebuck”isbecomingpossibleastheyareabletofocusmoreoftheirresourcesonspatialanalysisratherthanspendingsomuchtimegeneratingdata.Keytakeaways:Rasteranalyticsgreatlyspeedsthecreationofhigh-resolutionlandcoverdatausingautomationandthepowerofthecloud.Thehigh-resolutiondatagreatlyimprovesprojectplanningacrosstheBayaswellasthequantificationofthebenefitsforeachtributaryprojectthroughoutitsactionplan.Movingfromeffort-toperformance-basedmanagementprioritizesspecificactionsthathavethegreatestimpact.High-resolutionimageryprovidesthemeanstomeasureoutcomesremotelyratherthanrelyontime-consumingmeasurementsfromthefield.Esri&微软深度学习案例解析微软首席环境科学家卢卡斯·约帕（LucasJoppa）说：“微软深信，人类和计算机通过越来越多的智能算法合作，可以彻底改变我们在一些领域应对巨大挑战的方式。”在过去的一年里，微软、Esri、切萨皮克州保护协会一直在共同探索，机器学习（AI）技术如何可以提高管理部门工作效率，帮助更多的区域、组织实现可持续的土地管理？为此，他们使用了世界地图集中的1米分辨率NAIP图像作为样本，用于微软训练先进的深度学习模型中。下图是在项目前期结果展示，通过将深度学习算法集成到ArcGIS中，我们可以通过以下四个视窗获得多种信息，包括NAIP原始图像、历史分类结果，运用ArcGISPro的实时处理技术及深度学习模型获得分类结果，以及模型中所有类别存在的问题综合，从而帮助人员改正问题。深度学习最强大的地方是，我们可以用同样的算法，分类它从曾见过的区域，将图像切换到它从未见过的区域奥兰多，在ArcGISPro中同样也可以实时得到较高精度的处理结果。目前，模型已经可以正确的识别出植被、建筑、道路、水等地区。卢卡斯·约帕（LucasJoppa）说深入学习的研究还将继续，并特别指出了在部分房屋与道路混合区域结果尚不太准确，如下图所示。所有不准确的信息将做为新的样本用以继续训练模型。通过越来越多的样本，最终将得到可以在全美使用的土地覆盖分类算法。值得一提的是通过ArcGISImageServer整个奥克兰县图像分类仅仅需要几个小时就可以完成，这标志着土地利用分类图也可以与不断增加的高分辨率影像同步使用。“大家可能会想，‘就是这样吗？’”约帕说。“是的，最终，AI做得最好的一点是消失在后台，让你忘记计算的复杂性。”英文LucasJoppa,Microsoft’sChiefEnvironmentalScientisttooktothestagetotalkaboutArtificialIntelligence(AI).Microsoftholdsadeepbeliefthathumansandmachines,workingtogetherthroughincreasinglyintelligentalgorithms,canradicallychangethewaywerespondtosomeofourbiggestchallenges.MicrosofthasbeenworkingalongsideEsritoaddresssomeofthechallengesthattheChesapeakeConservancyfaces.TheyareapplyingAItohelpacceleratetheConservancy’sworkinthehopestheycanempowermoreorganizationsinmoreplacestosustainablymanagetheirlands.AresearchprojectintegratedanalgorithmintoArcGIStoprocessimagesoftheChesapeakewatershed.One-meterNAIPimageryfromtheLivingAtlaswasusedwithMicrosoft’sDeepLearningmodeltoproduceclassifiedNAIPimageryonthefly,identifyingforests,fields,waterandimpervioussurfacessuchashousesandroads.Theviewoftheimageryissplitintofourpanestoshowtherawimagery,theChesapeakeConservancy’slandcoverclassifications,howthedeeplearningalgorithmparsedtheimagery,andtoshowhowthedeeplearningalgorithmclassifiedtheimagery.Thepanethatdisplayedhowthealgorithmisthinkingisveryusefulbecauseithelpstofinetunetheinputsandthealgorithmtomakeitmoreaccurateovertime.NextMicrosoftingestedimageryfromOaklandCountytoseeifthesamedeeplearningalgorithmcouldclassifylandcoverinadifferentplaceithasneverseenbefore.Thealgorithmranthroughandclassifiedimageryfortheentirecountyinthecloudinhours.Theexercisehelpstobenchmarktheeffectivenessofthealgorithmwhichwillgetbetteratclassifyingimageryatthepacethatimageryiscollectedandposted.“Ihopemanyofyouaresittingtherethinking,‘huh,isthatit?’”,saysJoppa.“Andyes,thatreallyisit!Becauseultimately,thepointofAIdonewellistodisappearintothebackground,lettingyouforgetaboutthecomplexityofthecomputations.”Esri&IBM深度学习案例解析Singh向MansourRaad交付了Jupyter笔记本电脑可以链接到IBMDeepLearning的手册。展示了乔治亚州电力公司如何使用无人