Python ArcGIS linear_spectral_unmixing用法及代码示例

本文简要介绍 python 语言中 arcgis.raster.analytics.linear_spectral_unmixing 的用法。

用法:

arcgis.raster.analytics.linear_spectral_unmixing(input_raster, input_spectral_profile, value_option=[], output_name=None, context=None, *, gis=None, future=False, **kwargs)

返回：

output_raster：影像图层项目

执行亚像素分类并计算单个像素的端元丰度分数。 ArcGIS Image Server 10.8 及更高版本中可用的函数。

Parameter	Description
input_raster	必需的 ImageryLayer 对象。输入栅格。传送门物品可以通过。
input_spectral_profile	必需的字典或字符串。类频谱轮廓信息。
value_option	可选的字符串列表。指定用于定义输出像素值的选项。 SUM_TO_ONE：每个像素的类值以十进制格式提供，所有类的总和等于 1。例如，Class1 = 0.16； 2 类 = 0.24； 3 类 = 0.60。 NON_NEGATIVE：不会有负输出值。
output_name	可选字符串。如果未提供，则由该方法创建影像服务并将其用作输出栅格。您可以从 GIS 中传入现有的影像服务项目来使用它。 或者，您可以传入应通过此方法创建的输出图像服务的名称，以用作工具的输出。 如果该名称的服务已经存在，则会引发 RuntimeError
context	context 包含影响任务执行的其他设置。 context 参数覆盖通过arcgis.env 参数设置的值 此函数具有以下设置： Extent(范围)：定义分析区域的边界框。 例子： {“extent”: {“xmin”: -122.68, “ymin”: 45.53, “xmax”: -122.45, “ymax”: 45.6, “spatialReference”: {“wkid”: 4326}}} 输出空间参考 (outSR)：输出栅格将投影到输出空间参考中。 Example: {“outSR”: {spatial reference}} 捕捉栅格 (snapRaster)：输出栅格的像元将与指定的捕捉栅格对齐。 Example: {‘snapRaster’: {‘url’: ‘<image_service_url>’}} 像元大小(cellSize)：输出栅格将具有由像元大小指定的分辨率。 Example: {‘cellSize’: 11} or {‘cellSize’: {‘url’: <image_service_url>}} or {‘cellSize’: ‘MaxOfIn’} 并行处理因子(parallelProcessingFactor)：控制光栅处理(CPU)服务实例。 Example: Syntax example with a specified number of processing instances: {“parallelProcessingFactor”: “2”} Syntax example with a specified percentage of total processing instances: {“parallelProcessingFactor”: “60%”}
gis	仅关键字参数。可选的 GIS 对象。运行该工具的 GIS。如果未指定，则使用活动 GIS。
future	仅关键字参数。可选布尔值。如果为 True，则结果将是一个 GPJob 对象，并且结果将异步返回。
folder	仅关键字参数。可选的 str 或 dict。使用给定的文件夹名称在门户中创建一个文件夹(如果不存在)，并将输出保留在此文件夹中。 create_folder() 返回的字典也可以作为输入传入。 例子： {‘username’: ‘user1’, ‘id’: ‘6a3b77c187514ef7873ba73338cf1af8’, ‘title’: ‘trial’}
tiles_only	仅关键字参数。可选的布尔值。在ArcGIS Online 中，此函数的默认输出影像服务将是平铺影像图层。 要在 ArcGIS Online 上创建动态影像图层作为输出，请将 tiles_only 参数设置为 False。 函数将不支持ArcGIS Enterprise 中的tiles_only 参数，默认情况下会生成动态影像图层。

示例 1：

# Usage Example 1: This example calculates the fractional abundance of classes from a classifier definition file (.ecd)
# located in a datastore registered with the raster analytics server and generates a multiband raster.

unmixing_output = linear_spectral_unmixing(input_raster=input_layer,
                                           input_spectral_profile="/fileShares/Mdim/SpectralUnmixing_json.ecd",
                                           output_name="linear_spectral_unmixing",
                                           gis=gis,
                                           folder="linear_spectral_unmixing")

示例 2：

# Usage Example 2: This example calculates the fractional abundance of classes from a dictionary and generates a multiband raster.

input_spectral_profile_dict = {"EsriEndmemberDefinitionFile":0,"FileVersion":1,"NumberEndmembers":3,"NumberBands":7,
                               "Endmembers":[{"EndmemberID":1,"EndmemberName":"urban","SpectralProfile":[88,42,48,38,86,115,59]},
                                             {"EndmemberID":2,"EndmemberName":"vegetation","SpectralProfile":[50,21,20,35,50,110,23]},
                                             {"EndmemberID":3,"EndmemberName":"water","SpectralProfile":[51,20,14,9,7,116,4]}]}

unmixing_outputs = arcgis.raster.analytics.linear_spectral_unmixing(input_raster=multidimensional_lyr_input,
                                                                    input_spectral_profile=input_spectral_profile_dict,
                                                                    value_option=["SUM_TO_ONE","NON_NEGATIVE"],
                                                                    output_name="linear_spectral_unmixing",
                                                                    gis=gis,
                                                                    folder={'username': 'user1', 'id': '6a3b77c187514ef7873ba73338cf1af8', 'title': 'trial'})