在 ArcGIS 中释放高级分析的力量
11085 评价本文:
5.0
在 ArcGIS 中释放高级分析的力量
Jason Wolfe 2018年5月11日，星期五
在 NV5 Geospatial，我们始终致力于让更多人能够使用更强大的分析功能。在此，我们将以高光谱数据为例，阐释 GIS 用户如何能够受益于基于最新 ENVI 技术的更广泛的分析工具集。
近期的一篇帮助文章描述了我们在 2018 年 3 月发布 ENVI 5.5 时对 ENVI 与 ArcGIS® 互操作性所做的改进。在现有的 ENVI 安装基础上安装 ENVI Py® for ArcGIS® Python 客户端库后，ArcGIS 将新增 10 个图像处理工具，您可以立即使用。此外，您还可以创建自己的工具集，并拥有比以往更多的选项。
发布到 ArcGIS 的每个 ENVI 工具都基于执行特定数据处理操作的 ENVITask。我们测试并验证了至少有 80 个 ENVITask 可以成功作为独立工具发布到 ArcGIS。如果拥有 ENVI Crop Science 许可，则还可额外使用 16 个 ENVITask。随着我们不断开发新的 ENVITask，您将能够在 ArcGIS 中创建更多工具。请参阅在 ArcGIS Pro 中运行 ENVI 分析教程以了解更多信息。
并非所有的 ENVITask 都可以作为独立工具发布到 ArcGIS，主要是因为它们使用了 ArcGIS 不支持的数据类型。例如，感兴趣区域（ROI）、点云和 ENVI 栅格系列数据。然而，好消息是您可以创建一个包含这些任务的模型，然后将该模型打包并作为工具部署到 ArcGIS 中。使用 ENVI Modeler 创建的模型可以在内部管理 ArcGIS 不支持的数据格式，此外，您还可以利用全部的 ENVITask 来创建强大的图像处理工作流，包括高光谱分析。
示例
假设您想使用光谱角制图（SAM）分类法来绘制某林区 AVIRIS 场景中不同类型的树木：
美国明尼苏达州北部北方森林的 AVIRIS 图像。红色多边形显示了将用于树木分类的感兴趣区域。
SAMClassification 任务需要以光谱库或 ROI 形式提供的参考光谱（地面实况数据），而这两种数据类型在 ArcGIS 中均不被识别。因此，您将无法直接将 SAMClassification 任务添加到 ArcGIS 中。但是，您可以创建一个包含以下内容的模型：
- SAMClassification 任务
- 对磁盘（或网络位置）上已知光谱库或 ROI 文件的引用
- 用于将库光谱重采样以匹配图像光谱的任务
- 从输入图像中提取元数据和属性的任务
示例 SAM 分类模型
显示各类树木反射率曲线的图表。我们从美国地质调查局（USGS）和 SPECCHIO 光谱库中收集了参考光谱，然后使用 ENVI 光谱库生成器创建了一个仅包含我们感兴趣光谱的新库。
构建模型后，在 ENVI Modeler 中选择 Generate Metatask 菜单选项，然后选择将任务发布到 ArcMap 或 ArcGIS Pro。
只要您的 ArcGIS 安装的"工具箱"文件夹具有写入权限，新工具将自动添加到 ArcGIS 中。（如果您遇到权限问题，教程提供了额外的步骤。）
当您在 ArcGIS 中运行该工具时，系统只会提示您输入一个图像文件以及一个可选的输出文件名和位置。所有的数据处理步骤和参考光谱位置都在内部进行管理。以下是在 AVIRIS 子集上运行"森林 SAM 分类"工具的结果。各分类代表不同的树种。
以下是其他一些专为高光谱数据设计的 ENVITask，您可以基于它们为 ArcGIS 创建工具：
- LinearSpectralUnmixing
- MatchedFiltering（需要模型）
- MinimumNoiseTransform
- MixtureTunedMatchedFiltering（需要模型）
- PixelPurityIndex
- SpectralAdaptiveCoherenceEstimator（需要模型）
- SpectralAngleMapperClassification（需要模型）
随着更广泛的 ENVI 分析工具的可用，您可以将更强大的图像处理功能融入您的 GIS 环境中。
致谢
AVIRIS 数据可从 NASA/Jet Propulsion Laboratory AVIRIS Data Portal 获取：https://aviris.jpl.nasa.gov/alt_locator/
Clark, R., G. Swayze, R. Wise, K. Livo, T. Hoefen, R. Kokaly, & S. Sutley. (2007). USGS Digital Spectral Library splib06a, U.S. Geological Survey, Data Series 231.
Hueni, A., J. Nieke, J. Schopfer, M. Kneubühler, & K. Itten. (2009). The spectral database SPECCHIO for improved long term usability and data sharing. Computers & Geosciences. DOI: 10.1016/j.cageo.2008.03.015.