ArcGIS应用(二十六)按照属性分割矢量图层要素为新的图层

运行环境:win10 arcgis10.2 

目标:将一个矢量图层,按照属性分割为多个独立的矢量图层

使用工具1:

打开ArcToolbox工具,选择“分析工具”->“提取工具”->“按属性分割”;

 使用工具2(选用):

 工具1的使用场景:

Input Feature和Split Feature不是同一个图层,Split Field 属性中,每个图形是唯一值,我们直接使用工具即可实现图层的分割。

比如我们使用的Input数据是某地区的土地利用数据,我们需要按照行政区去裁剪得到各个行政区的土地利用数据,那么我们可以直接使用该功能进行要素分割得到各个行政区的土地利用数据。

使用场景2:

Input Feature 和Split Feature是相同图层,即图层要素自身按照不同属性进行分割。

如下如,该图层中具有多个属性,0-4,但是每一个图斑是一个要素,即每一种属性的图斑有很多个。

我们直接使用Split工具进行分割的时候, 首先会报错,我们需要将Split字段转换为Text类型。可以新建一个text类型的字段,然后按照指定的字段值给新建的字段赋值,便可解决和小问题。

 

 我们添加一个tex类型字段,使用Field Calculator 赋值,重新分割计算一下,我们查看输出路径下有多个图层:

 显示查看的时候,我们可以看到每种属性只有两个图斑,这显然不是我们需要的结果:

 场景2分割方法:

先使用工具2,按照属性对目标图层进行属性融合,得到新的分割图层,如下:

计算得到新的图层,图层中每种属性是一个要素:

 

 重新分割原始要素:

计算结果:

 

显示如下,得到每种属性新的图层,实现了既定目标。

 

 数据结果验证

我们查看每种属性的图斑数量和原始图斑是否一致,经过核对,每种属性数量都一致。

需要注意的问题:以上使用的数据,由于图层要素不存在重叠的情况,如果图层要素存在重叠的情况,那么计算出来结果就会有不完全按照属性来分割的,即空间上有重叠的要素都会被分割到新的图层中。

### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值