Weihnachtsstimmung im November? Imagery Enthusiasten konnten sich im November bereits über ein paar Geschenke freuen. Das neue Release von ArcGIS Pro 3.4 bringt einige Neuerungen im ArcGIS Image Analyst mit sich, von denen wir Ihnen in diesem Beitrag eine Auswahl vorstellen möchten.
Erweiterte Funktionalitäten beim Arbeiten mit Rasterdaten
Histogramme sind eine großartige Möglichkeit statistische Verteilungen von Daten zu visualisieren. Auch spektrale Eigenschaften lassen sich mit Histogrammen darstellen. In ArcGIS Pro 3.4 hat man nun die Möglichkeit über den Band Selector, RGB-Bänder als Histogramme zu visualisieren.
Bei der Raster-Symbolisierung werden außerdem zwei neue lineare Streckungstypen unterstützt:
- Square Root und
- Logarithm.
Unterstützung von Hyperspektraldaten
ArcGIS Pro 3.4 (im Store erhältlich) unterstützt nun auch Hyperspektraldaten, welche in den Standardrasterformaten TIFF, ENVI sowie NetCDF-Format vorliegen. Dabei wird der Satellitensensor EMIT (Earth Surface Mineral Dust Source Investigation) und der Luftbildsensor AVIRIS unterstützt. EMIT-Bilddaten werden im NetCDF-Format und AVIRIS im ENVI-Format gespeichert.
Eine Liste aller unterstützter Sensoren, welche Raster- und Bilddaten aufnehmen, in ArcGIS Pro finden Sie hier.
Welche Rasterdatenformate in ArcGIS Pro unterstützt werden, ist hier zu finden.
Um hyperspektrale Daten dann detailliert zu ergründen, können nun auch Spectral Profile Charts erstellt werden.
Erweiterte Funktionalitäten für Synthetic Aperature Radar
Nicht nur neue Funktionen sind in der Synthetic Aperature Radar-Toolbox hinzugekommen, mit ArcGIS Pro 3.4 wird nun auch der RADARSAT Constellation Mission (RCM) SLC Rastertyp unterstützt. RCM ermöglich dual-, quad- und compact-Polarisierung und bietet insgesamt 12 Modi.
Alle unterstützten Rastertypen für Synthetic Aperatur Radar Workflows sind hier zu finden.
Mit der Funktion Apply Coregistration können Sentinel-1 SLC-Daten im Anschluss einer Orbitkorrektur an das SLC-Referenzgitter angepasst werden. Hierfür werden ein Höhenmodell (DEM) und Metadaten des Orbit-Statusvektors benötigt.
Außerdem können mit der neuen Funktion Compute Coherence Zusammenhänge zwischen einem Referenz- und einem zweiten Complex Radar Eingangsdatensatz untersucht werden.
Verbesserungen beim Arbeiten mit Videodaten
Der Video Multiplexer erstellt einen Full-Motion-Video (FMV) konformen Videodatensatz, welcher eine archivierte Videostream-Datei sowie eine Metadaten-Datei in einem Datensatz kombiniert. Der Funktion wurde nun der Input Coordinate System Parameter hinzugefügt. Außerdem werden nun auch .gpx sowie .json-Dateien als Eingangsvideodaten unterstützt.
Mit dem Tool Video Metadata To Feature Class können nun auch Metadaten-Dateien im JSON-Format ausgegeben werden.
Das Video Search Tool unterstützt nun auch Punkt-Feature-Classes bei der Suche.
Weitere Verbesserungen:
- Videos können während der Wiedergabe mit Dynamic Range Adjustment (DRA) verbessert werden.
- GoPro GPS Metadaten Streams, einschließlich GMF und MET werden nun unterstützt.
- Drei neue Befehle wurden der Tracked Objects Gruppe hinzugefügt: Move Object, Remove Objects, and Delete Objects.
- Videos können mit den Spatial Reference Metadaten, welche im Video eingebettet sind, nun georefenziert werden.
Mehr Möglichkeiten mit Deep Learning
Alle Neuerungen im Bereich GeoAI sind unter What´s new for GeoAI in the Image Analyst extension of ArcGIS Pro 3.4 nachzulesen.
Das Labeln und die Evaluation von Trainingsdaten können mühsam sein. Das AI-assisted labling Tool soll dabei helfen. Es ermöglicht Anomalien, d.h. die meisten falsch-positive Detektionen, automatisch zu entfernen sowie automatisiertes Labeln von Bilddatensammlungen.
Das Feature extraction Tool ist nun nicht mehr nur über die Geoprocessing Toolboxes erreichbar. Es wurde außerdem im Menü unter „Bilddaten“ in der Deep Learning Tool Dropdown-Liste eingebunden.
Die Orthorektifizierung kann mit ArcGIS Pro 3.4 nun durch das neue Deep Learning-Tool Detect Control Points unterstützt werden. Hierdurch können Bodenkontrollpunkte durch Objekterkennung detektiert werden. Dies verhilft bei der Feinjustierung des orthorektifizierten Mosaik Datensatzes.
Weitere Verbessungen:
- Das Detect Objects Using Deep Learning Tool unterstützt nun auch Oriented Imagery.
- Bei der Objekt- und Pixelklassifizierung mittels Classify Objects Using Deep Learning und Classify Pixels Using Deep Learning werden die Klassifizierungsergebnisse nun an existierende Feature Classes angehangen, falls welche vorhanden sind.
- Beim Trainieren mit Train Deep Learning Model wird nun auch das ClimaX Modelltyp unterstützt. Dieses eignet sich besonders gut für die Wetter- und Klimamodellierung.
- Das neue Deep Learning Modell Prithvi-100m ist ein temporal Vision-Transformer. Es es verhilft bei der Segmentierung von Brandnarben, der Segmentierung von Überflutungsflächen oder der Klassifizierung von Pflanzen auf beispielsweise Ackerflächen mit Hilfe von Deep Learning.
- Für die Textanalyse mittels Large Language Models (LLMs) wird nun Mistral, ein Open Source LLM, unterstützt. Dieses dient zum Training und zur Anwendung von Modellen zur Text Klassifizierung, Transformation und Entitätserkennung.
And last but not least - Stereo Mapping
Beim Arbeiten mit Stereokarten wurde die Performance beim Schwenken in der Karte verbessert.
Eine Übersicht aller Neuerungen in ArcGIS Pro 3.4 finden Sie im Blog-Artikel What's new in ArcGIS Pro 3.4.
