Skip to main content

Embeddings in ArcGIS Pro

Embeddings sind numerische Vektordarstellungen von Daten, die sinnvolle Muster, Eigenschaften und Beziehungen in kompakter mathematischer Form erfassen. Anstatt Daten ausschließlich mit unverarbeiteten Pixeln, räumlichen Features, unverarbeitetem Text oder Geometrie zu beschreiben, transformieren Embeddings komplexe Eingaben in hochdimensionale Vektoren, in denen Ähnlichkeit mathematisch gemessen werden kann.

Der Embedding-Bereich zeichnet sich durch folgende Merkmale aus:

  • Ähnliche Features sind näher beieinander angeordnet.

  • Unterschiedliche Features liegen weiter auseinander.

  • Beziehungen zwischen Mustern werden quantifizierbar.

Diese Transformation ermöglicht Ähnlichkeitssuche, Clustering, Veränderungserkennung und großflächige räumliche Analysen. Da die Analyse auf vorberechneten Vektoren statt auf Rohdaten basiert, beinhaltet sie leichte Berechnungen wie Kosinusähnlichkeitsberechnungen. Dadurch können Embedding-basierte Workflows effizient auf Standard-CPU-Infrastruktur laufen, was die Abhängigkeit von GPUs verringert und die Rechenkosten senkt.

Embeddings

Um auf die Embedding-Funktionalität zuzugreifen, führen Sie einen der folgenden Schritte aus:

Vom Daten- zum Einbettungsbereich

Der ursprüngliche Datenbereich zeichnet sich durch folgende Merkmale aus:

  • Bilder bestehen aus Pixeln.

  • Positionen werden durch ihre Geometrie und ihren räumlichen Kontext definiert.

  • Text besteht aus Wörtern, deren Bedeutung durch Sprache und Kontext definiert wird.

  • Features können sich in Form, Textur, Anordnung oder Umgebung unterscheiden.

Nach der Transformation durch ein Embedding-Modell treten folgende Änderungen auf:

  • Jedes Feature wird als ein numerischer Vektor mit fester Länge dargestellt.

  • Ähnliche Features werden auf natürliche Weise im Embedding-Bereich gruppiert.

  • Die semantische Ähnlichkeit zwischen den Features wird mittels Vektor-Entfernungsmetriken messbar.

Daten im Bildraum und Daten im Embedding-Bereich

Im Bildraum können visuell ähnliche Features verteilt dargestellt werden. Im Embedding-Bereich werden diese Features gruppiert, weil das Modell ihre gemeinsamen Eigenschaften in nahegelegene Vektoren kodiert.

Ebenso können Embeddings für Orte oder Text generiert werden, bei denen räumliche oder semantische Ähnlichkeiten als nahegelegene Vektoren im Embedding-Bereich erfasst werden.

Standort-Embeddings

Ein Standort-Embeddings ist eine numerische Darstellung eines geografischen Bereichs. Anstatt einen Ort mit einem oder mehreren Attributen zu beschreiben (zum Beispiel Bevölkerungsdichte, Pro-Kopf-Einkommen oder Landbedeckungstyp), stellt ein Embedding diesen Ort mittels eines Zahlenvektors dar.

Jede Position, wie eine Punktposition, ein Punktort, ein Polygon für ein County, eine Postleitzahl oder ein Hexbin, wird einem mehrdimensionalen Vektor zugeordnet. Anstatt vordefinierten Variablen, die mit Standorten verbunden sind, Zahlen zuzuweisen, verteilt ein Standort-Embedding Informationen über alle Dimensionen des Embeddings. Die Art der Informationen, die über diesen Vektor verteilt werden, hängt vom verwendeten Modell ab, das zur Erstellung des Embeddings verwendet wurde, und davon, wofür es trainiert wurde.

Visuelle Darstellung der Generierung von Standort-Embeddings

Abbildung der Generierung von Standort-Embeddings und der erfassten Daten

Embedding von Datenanforderungen

Embeddings werden als Feature-Class gespeichert.

Um als Embeddings-Dataset erkannt zu werden, muss die Feature-Class ein Feld mit dem Namen Embedding vom Typ "Blob" enthalten. In diesem Feld wird die vom KI-Modell erzeugte numerische Vektorrepräsentation gespeichert.

Embeddings können in den folgenden Geodatabase-Formaten gespeichert werden:

  • File-Geodatabases

  • Enterprise-Geodatabases (registrierte Feature-Classes)

  • Mobile-Geodatabases

Embeddings werden nicht als Shapefiles oder GeoPackage-Dateien gespeichert.

Embeddings in räumlichen Analysen

Embeddings ermöglichen Folgendes:

  • Skalierbare Ähnlichkeitssuche über räumliche Datasets hinweg.

  • Musterbasierte Abfrage ohne manuelle Regeldefinition.

  • Erkennung räumlicher Muster, die nicht explizit in Attributen definiert sind.

  • Aggregation und Vergleich von Features auf verschiedenen Verwaltungsebenen.

  • Effiziente Speicherung reichhaltiger räumlicher Informationen in kompakter Vektorform.

Durch die Umwandlung komplexer räumlicher oder visueller Informationen in strukturierte numerische Darstellungen bieten Embeddings eine leistungsstarke Grundlage für fortschrittliche räumliche KI-Workflows.