Skip to main content

Funktionsweise von "Ähnliche Features anhand von Embeddings finden"

Mit der Advanced-Lizenz verfügbar.

Das Werkzeug Ähnliche Features anhand von Embeddings finden führt eine umfangreiche Ähnlichkeitssuche anhand von Positions- und Bilddaten durch, indem deren Embeddings-Darstellungen miteinander verglichen werden. Das Werkzeug ist für die Verarbeitung großer Embedding-Datasets mittels Parallelverarbeitung optimiert. Dieses Werkzeug wird für langfristige Analysen nach vorläufiger Erkundung mit Ähnliche suchen empfohlen.

Im Gegensatz zur interaktiven Ähnlichkeitssuche wird dieses Werkzeug als Geoverarbeitungsvorgang ausgeführt und blockiert während der Ausführung nicht die Kartenansicht, wodurch es sich für umfangreiche und rechenintensive Ähnlichkeitssuchen eignet.

Konzeptioneller Workflow

Grundsätzlich funktioniert das Werkzeug folgendermaßen:

Eingabe-Embeddings (Suchbereich)

Die Eingabe-Embedding-Features definieren den Suchbereich für die Ähnlichkeitsanalyse. Jedes Feature enthält eine Embedding-Darstellung, die entweder aus Bilddaten oder einer geographischen Position abgeleitet wurde.

Für Bild-Embeddings repräsentieren Embedding-Gitterzellen Features, die aus den zugrundeliegenden Bilddaten extrahiert wurden. Alle Ähnlichkeitsberechnungen werden anhand dieser Embedding-Gitterzellen durchgeführt. Die Bilddaten werden nur zur visuellen Referenz angezeigt und nicht direkt in Ähnlichkeitsberechnungen verwendet.

Visuelle Darstellung von Bild-Embeddings

Bild-Embeddings kodieren Features, die aus Bilddaten extrahiert wurden. Ähnlichkeitsberechnungen werden anhand der Embedding-Gitter durchgeführt, nicht auf Basis der Bildpixel.

Bei Standort-Embeddings wird jedes Feature durch ein Embedding dargestellt, das aus seiner geographischen Position abgeleitet wurde. Die Ähnlichkeit wird berechnet, indem diese positionsbasierten Embeddings verglichen werden.

Visuelle Darstellung von Standort-Embeddings

Die in Standort-Embeddings codierten räumlichen Eigenschaften hängen vom Embedding-Modell ab, das zum Generieren von Embeddings verwendet wird. Daher basieren Features, die als ähnlich gelten, auf den von diesem Modell gelernten Mustern.

Ähnlich verhält es sich bei Text-Embeddings: Jedes Feature wird durch ein Embedding dargestellt, das aus dem zugehörigen Textattribut abgeleitet wurde. Die Ähnlichkeit wird berechnet, indem diese textbasierten Embeddings verglichen und semantische Beziehungen zwischen den Features erfasst werden.

Abfrage-Features

Abfrage-Features definieren die Objekte von Interesse für die Ähnlichkeitssuche. Ein oder mehrere Polygon-Features können als Abfragen verwendet werden.

Es werden alle Embedding-Gitterzellen oder Features im Suchbereich identifiziert, die sich mit den Abfragepolygonen überschneiden, und der Mittelwert ihrer Embedding-Vektoren wird berechnet, um ein einziges Abfrage-Embedding abzuleiten.

Das resultierende Abfrage-Embedding wird dann mit allen Embeddings im Suchbereich (Eingabe-Embedding-Features) unter Verwendung von Kosinusähnlichkeit verglichen, um ähnliche Features zu identifizieren.

Visuelle Darstellung von Abfrage-Features in der Ähnlichkeitssuche

Die Embedding-Vektoren von Features, die sich mit den Abfragepolygonen überlappen, werden gemittelt, um das Abfrage-Embedding zu berechnen

Abfragepolygone angeben

Durch interaktives Zeichnen von Abfragepolygonen oder durch die Angabe eines bestehenden Feature-Layers mit Abfragepolygonen.

Ähnlichkeitsbewertung und Ergebnisfilterung

Das abgeleitete Abfrage-Embedding wird mit den Embeddings im Suchbereich verglichen, und für jeden Embedding-Kandidaten im Suchbereich wird ein Ähnlichkeitswert berechnet.

Der Schwellenwert-Parameter wird auf Filterergebnisse angewendet. In die Ausgabe werden nur Features aufgenommen, deren Ähnlichkeitswert dem festgelegten Mindestschwellenwert entspricht oder ihn überschreitet.

Das Werkzeug erkennt alle Embedding-Features, die die Ähnlichkeitskriterien über den angegebenen Umfang der Eingabe-Features hinweg erfüllen.

Visuelle Darstellung der Ergebnisse des Werkzeugs Ähnliche Features anhand von Embeddings finden

Über das Eingabebild werden Embedding-Gitter (links) gelegt, anhand eines ausgewählten Abfragebereichs wird als Mittelwert ein Abfrage-Embedding berechnet, dessen ähnliche Embedding-Features im gesamten Bild hervorgehoben werden (rechts). Die Features, die zur Erstellung des Abfrage-Embedding verwendet werden, sind in den Ergebnissen enthalten.

Die Ergebnisse der Ähnlichkeitssuche werden in eine Ausgabe-Feature-Class geschrieben, die die zugeordneten Features mit allen verfügbaren Attributen speichert.

Interpretation von Embedding-basierter Ähnlichkeit

Die Ähnlichkeitssuche wird ausschließlich für Embedding-Darstellungen durchgeführt. Die Definition von Ähnlichkeit hängt vom Typ der verwendeten Embeddings und dem Modell ab, das sie generiert hat.

Standort-Embeddings

Wenn Standort-Embeddings verwendet werden, wird jedes Feature durch ein Embedding dargestellt, das aus seiner geographischen Position und seinem geographischen Gebiet abgeleitet wurde. Die Ähnlichkeit zwischen den Features wird durch den Vergleich dieser Embedding-Darstellungen berechnet.

Die in Embeddings codierten räumlichen Eigenschaften hängen vom verwendeten Embedding-Modell. Folglich basieren die als ähnlich eingestuften Features auf den Mustern, die das Modell, das die Embeddings generiert hat, gelernt hat.

Bild-Embeddings

Wenn Bild-Embeddings verwendet werden, repräsentieren Embedding-Gitterzellen Features, die aus den zugrundeliegenden Bilddaten extrahiert wurden. Die Ähnlichkeitssuche wird anhand der Embedding-Gitter durchgeführt, nicht auf Basis der Bildpixel.

Die auf der Karte angezeigten Bilddaten werden nur zur visuellen Referenz angegeben und nicht direkt in Ähnlichkeitsberechnungen verwendet. Alle Vergleiche werden mit den Embedding-Darstellungen durchgeführt, die aus den Bilddaten abgeleitet wurden.

Text-Embeddings

Bei Text-Embeddings wird jedes Feature durch ein Embedding dargestellt, das aus dem zugehörigen Textattribut abgeleitet wurde. Die Ähnlichkeit zwischen den Features wird durch den Vergleich dieser Embedding-Darstellungen berechnet.

In allen Fällen wird die Ähnlichkeit durch den Vergleich von Embedding-Darstellungen ermittelt, und die Ergebnisse können je nach verwendetem Embedding-Modell variieren.

Best Practices zur Definition von Abfrage-Features

Für optimale Ergebnisse sollten Abfrage-Features, die bereits aussagekräftige Ergebnisse erzielt haben, in einem interaktiven Ähnlichkeitssuch-Workflow wiederverwendet werden. Sie können die bei der interaktiven Ähnlichkeitssuche verwendeten Abfrage-Features exportieren und diese exportierten Features als Abfrage-Feature-Layer für dieses Werkzeug bereitstellen. Diese Methode trägt dazu bei, konsistente und zuverlässige Ähnlichkeitsergebnisse zu gewährleisten, wenn die Analyse auf größere Datasets ausgeweitet wird.