Multivariate Klassifizierung

Mit der Spatial Analyst-Lizenz verfügbar.

Das Ziel der Klassifizierung ist, jede Zelle in einem Untersuchungsgebiet einer Klasse oder einer Kategorie zuzuweisen. Beispiele für eine Klasse oder Kategorie umfassen den Landnutzungstyp, von Bären bevorzugte Orte und Lawinengefahrengebiete.

Es gibt zwei Typen der Klassifizierung: überwachte und unüberwachte. Bei einer überwachten Klassifizierung verfügen Sie über eine Stichprobe der Features. Sie wissen z. B., dass es in der nordwestlichen Region des Untersuchungsgebiets einen Nadelwald gibt. Deshalb identifizieren Sie ihn, indem Sie ihn auf der Karte mit einem Polygon (oder mit mehreren Polygonen) umschließen. Ein anderes Polygon wird erstellt, um ein Weizenfeld einzuschließen, ein weiteres für städtische Gebäude und wieder ein weiteres für Wasser. Sie setzen diesen Vorgang fort, bis Sie genug Features haben, um eine Klasse darzustellen und alle Klassen in den Daten identifiziert wurden. Jede Gruppierung von Features wird als eine Klasse angesehen und das Polygon, das die Klasse umfasst, ist ein Trainingsgebiet. Sobald Sie die Trainingsgebiete identifiziert haben, werden ihre multivariaten Statistiken berechnet, um die Beziehungen innerhalb und zwischen den Klassen zu bestimmen. Die Statistik wird in einer Signaturdatei gespeichert.

Bei einer unüberwachten Klassifizierung wissen Sie nicht, welche Features sich tatsächlich an jeder angegebenen Position befinden, aber Sie möchten jede der Positionen zu einer festgelegten Anzahl von Gruppen oder Clustern vereinigen. Von den multivariaten Statistiken, die für die Eingabebänder berechnet wurden, hängt ab, wie bestimmt wird, welcher Klasse oder welchem Cluster jede Position zugewiesen wird. Jeder Cluster ist auf Grundlage der Werte für jedes Band jeder Zelle innerhalb der Cluster statistisch von den anderen Clustern getrennt. Die Statistiken, die die Cluster-Definition festlegen, werden in einer Signaturdatei gespeichert.

Die Durchführung einer Klassifizierung umfasst vier Schritte:

  1. Erstellen und Analysieren der Eingabedaten
  2. Erzeugen von Signaturen für die Klassen und Cluster-Analyse
  3. Auswerten und, falls notwendig, Bearbeiten der Klassen und Cluster
  4. Durchführen der Klassifizierung

Es gibt zwei Eingabetypen der Klassifizierung: die Eingabe-Rasterbänder für die Analyse und die Klassen oder Cluster, denen die Positionen zugeordnet werden. Die in der multivariaten Analyse verwendeten Eingabe-Rasterbänder müssen die Kategorisierung der Klassifizierung beeinflussen oder eine zugrundeliegende Ursache dafür sein. Das heißt, Neigung, Schneetiefe und die Sonneneinstrahlung können Faktoren sein, welche die Lawinengefahr beeinflussen, während die Bodenart wahrscheinlich keine Auswirkungen hat.

Eine Klasse entspricht einer sinnvollen Gruppierung von Positionen. Beispiele für Klassen umfassen Wälder, Gewässer, Felder und Wohngebiete. Von Clustern abgeleitete Klassen umfassen von Hirschen bevorzugte Gebiete oder Erosionsgefahr.

Jede Position wird durch einen Satz oder einen Vektor von Werten, ein Wert für jede Variable, oder ein in die Analyse eingegebenes Band charakterisiert. Jede Position kann als ein Punkt in einem mehrdimensionalen Attributraum visualisiert werden, dessen Achsen den Variablen entsprechen, die durch jedes Eingabeband repräsentiert werden. Eine Klasse oder ein Cluster ist eine Gruppierung der Punkte in diesem mehrdimensionalen Attributraum. Zwei Positionen gehören zur gleichen Klasse oder zum gleichen Cluster, wenn ihre Attribute (Vektor der Bandwerte) ähnlich sind. Ein Multiband-Raster und einzelne Einzelband-Raster können als Eingabe für eine multivariate statistische Analyse verwendet werden.

Positionen, die bekannten Klassen entsprechen, bilden möglicherweise Cluster im Attributraum, wenn die Klassen durch die Attributwerte getrennt oder definiert werden können. Positionen, die natürlichen Clustern im Attributraum entsprechen, können so als natürlich auftretende Klassen von Schichten interpretiert werden.

Referenzen zur multivariaten statistischen Analyse

Campbell, James B. 1987. Introduction to Remote Sensing. The Guilford Press.

Jensen, John R. 1986. Introductory Digital Image Processing: A Remote Sensing Perspective. Prentice Hall.

Johnson, Richard A., and Dean W. Wichern. 1988. Applied Multivariate Statistical Analysis. Prentice Hall.

Mosteller, Frederick, and John W. Tukey. 1977. Data Analysis and Regression: A Second Course in Statistics. Addison–Wesley.

Richards, John A. 1986. Remote Sensing Digital Image Analysis: An Introduction. Springer-Verlag.

Verwandte Themen