Bilddaten- und Raster-Diagramme

Diagramme sind ein wichtiges Analysewerkzeug, das Möglichkeiten bietet, Tabellen- und Raster-Daten aus mehreren Variablen in grafischer Form zu beschreiben. Mithilfe der Diagrammfunktion in ArcGIS Pro können Sie die Daten für diese Variablen geographisch auswählen. Auf diese Weise erhalten Sie Erkenntnisse über die Variablen und die geographischen Beziehungen. Bei Raster-Daten beispielsweise können Sie Variablen nach einem ausgewählten Interessenbereich wie einer landwirtschaftlichen Fläche erkunden und Bilddaten-Spektralsignaturen für verschiedene Feldfrüchte über die Wachstumszeit untersuchen.

Bei der Erkundung von Vektor-, Raster- und Bilddaten weisen die Diagrammwerkzeuge zahlreiche Ähnlichkeiten auf. Sie können Scatterplots von Attributen aus Vektordaten visualisieren und die Korrelation zwischen Variablen in Scatterplots genauso untersuchen, wie Sie bei Bilddaten die Korrelation zwischen Spektralbändern analysieren können.

Die Art der Diagrammverwendung für die Analyse von Vektor- und Bilddaten ist oftmals unterschiedlich, wobei der Datentyp ausschlaggebend ist. Bei Vektordaten interessieren Sie sich vielleicht für die Korrelation zwischen Variablen, um Beziehungen herzustellen und zu quantifizieren. Bei Bilddaten möchten Sie hingegen die Korrelation zwischen den Bändern reduzieren, die für Vorgänge der Feature-Extraktion verwendet werden. Zusätzlich sind Tabellendaten und kategorisierte Raster-Daten diskontinuierlich, Bilddaten hingegen kontinuierlich. Dieser Unterschied im Datentyp ist ausschlaggebend für die Art und Weise, wie der jeweilige Typ in einem Diagramm behandelt und analysiert wird.

Weitere Informationen zum Erstellen eines Diagramms

Informationen zu Bilddaten- und Raster-Diagrammen

Fernerkundungsbilddaten und Analyse-Raster-Daten enthalten zuverlässige Informationen zu den dargestellten Geographien. Jedes Pixel in einem Bild ist ein spektrales und räumliches Maß, das eine Position in der Geographie darstellt. Oftmals sind mehr als drei Bänder von Informationen vorhanden, die eine Stichprobe der Spektralsignatur der angezeigten Features darstellen. Bei wissenschaftlichen Daten kann es sich um multitemporale Daten handeln, die es Ihnen ermöglichen, mehrere Variablen über mehrere Zeitverläufe an bestimmten Positionen zu untersuchen. Das Anzeigen der Bilddaten oder der wissenschaftlichen Daten als Raster stellt die gebräuchlichste Methode dar, um die Daten zu visualisieren und zu verstehen. Andere Darstellungen als die visuelle Kartenansicht können jedoch für eine größere Klarheit sorgen, insbesondere beim Vergleich der feinen Details in Bezug auf mindestens zwei bestimmte Features oder bei der Untersuchung von Mustern im Laufe der Zeit.

Diagramme zur Erkundung der Spektralsignaturen von Features in multispektralen Bilddaten sind nur für Bilddaten verfügbar. Raster-Diagramme nutzen Metadaten von Bilddaten, um die spektralen Wellenlängen der Bänder korrekt darzustellen und anhand dieser Informationen Pixelgruppen für Vergleiche und Analysen anzugeben. Dies ermöglicht das Design der Feature-Extraktion basierend auf Methodiken der Fernerkundung und Bildbearbeitung zur Ableitung von Raster-Produkten wie Karten zu Vegetationszustand und Wasserqualität. Sobald kontinuierliche Bilddaten verarbeitet wurden, um abgeleitete Kategoriedatenprodukte zu erstellen, können sie mithilfe vektorbasierter Diagramme weiter analysiert werden.

Es wird zwischen fünf Bilddaten- und Raster-Diagrammtypen unterschieden: Bildbalkendiagrammen, Bildhistogrammen, Bild-Scatterplots, Spektralprofil-Diagrammen und zeitlichen Profildiagrammen.

Bildbalkendiagramme

Die Verteilung von kategorisierten Raster-Daten kann mithilfe von Balkendiagrammen visualisiert werden. Beispielsweise kann durch die Verwendung eines Balkendiagramms verdeutlicht werden, wie viele Pixel in den einzelnen Landbedeckungskategorien vorhanden sind oder welche Fläche insgesamt einer bestimmten Risikoklasse zuzuordnen ist. Anhand eines Bildbalkendiagramms können Sie die Verteilung von thematischen Raster-Daten in den einzelnen Kategorien visualisieren. Zur Verwendung von Balkendiagrammen muss das Raster eine Attributtabelle aufweisen.

Balkendiagramm mit der Verteilung der Pixel für verschiedene Landbedeckungstypen

Bildhistogramme

Bei der Verwendung von Bilddaten müssen Sie oft in Erfahrung bringen, welche Art von Informationen im Bild enthalten sind. Die statistische Verteilung von Werten in einem Band gibt Aufschluss darüber, wie gut der Sensor funktioniert. Ebenso bietet sie Einblicke in die Bedingungen zum Zeitpunkt der Bilderfassung und stellt einen Kennwert für die Beschreibung wichtiger Aspekte der Bildqualität bereit. Mithilfe des Bildhistogramms können Sie die Verteilung visualisieren und die Pixelverteilung für das betreffende Band analysieren. Die Analyse von Bildhistogrammen beinhaltet statistische Maße, z. B. die Schiefe der Verteilung, Plots von Mittel- und Medianwerten und Balken zur Darstellung der Standardabweichung.

Bildhistogramm, das die Verteilung der Pixel im Infrarotband zeigt

Bild-Scatterplots

Scatterplots stellen die Spektralinformationen von Feature-Daten dar, sodass Sie zwei Bänder von Informationen in jedem Plot visualisieren können. So erhalten Sie Einblicke dazu, ob und in welchem Grad die Bandinformationen miteinander korrelieren. Außerdem bildet es eine Entscheidungsgrundlage für die Auswahl verschiedener Bandkombinationen, mit denen Features von Interesse in den Bilddaten hervorgehoben werden. Wenn Pixel in unterschiedlichen Bänder stark miteinander korreliert sind, werden ggf. nur wenige Bänder für die Bildklassifizierung benötigt. Wenn aus dem Band-Scatterplot hervorgeht, dass die Pixel, aus denen das Feature besteht, trennbar sind, dann bedeutet dies, dass sie gut für Operationen zur Bildklassifizierung geeignet sind.

Pixel, die die Auswahlkriterien im Scatterplot erfüllen, werden in der Kartenanzeige hervorgehoben.

Scatterplots sind zudem hilfreich bei der Analyse von Merkmalen in transformierten Bilddaten, etwa Tasseled Cap, Hauptkomponentenanalyse sowie verschiedene Indizes. Die Position von Features in der Scatterplot-Verteilung liefert Einblicke in die Phänologie, etwa den Vegetationszustand und die Wachstumsphase einer Feldfrucht oder die Schwere der Schäden nach einem Waldbrand.

Spektralprofil-Diagramme

Spektralprofil-Diagramme ermöglichen die Auswahl von Regionen oder Boden-Features im Bild und die Überprüfung der Spektralinformationen zu allen Bändern im Bild. So erhalten Sie die spektrale Signatur der Features von Interesse in der betreffenden Region. Wenn Sie beispielsweise zwei landwirtschaftliche Felder vergleichen, um zu bestimmen, ob auf ihnen dieselbe Feldfrucht angebaut wird, können Sie eine Fläche von jedem Feld auswählen und die Zusammenfassung der Pixelwerte eines jeden Bandes für jedes Feld im Spektralprofil-Diagramm anzeigen. Unterschiede in Spektralsignaturen werden durch eine Überprüfung der Durchschnitte, der Whisker der Standardabweichung sowie ihrer Position im Spektrum des jeweiligen Diagramms erkennbar. Auch andere als Spektralbänder können dargestellt werden. Dies ist wichtig für die Visualisierung von Indizes oder Daten aus Analyse-Raster-Datasets. Auf diese Weise können Sie feststellen, ob eine Spektralsignatur basierend auf den Bandinformationen aus jedem Feature ähnlich oder trennbar ist.

Spektralprofil von Boden-Features in einem Box- und Mittelliniendiagramm

Spektralprofil-Diagramme sind hilfreich, um ein Verständnis über die Spektralsignatur von Features und deren Unterscheidungsmerkmale zu erlangen und um zu überprüfen, ob das Bild korrekt verarbeitet wurde. Sie können zum Design von Raster-Funktionen für die atmosphärische Korrektur ebenso herangezogen werden wie zum Vorverarbeiten von Bilddaten für die Bildklassifizierung.

Zeitliche Profildiagramme

Ein zeitliches Profildiagramm dient als Analysewerkzeug für Bilddaten in einer Zeitserie. Die Visualisierung von Änderungen im Zeitverlauf mit dem zeitlichen Profil ermöglicht die gleichzeitige Darstellung von Trends und ihren Vergleich mit Variablen, Bändern oder Werten aus anderen Dimensionen. So können Sie beispielsweise visualisieren, wie sich die Vegetationswuchskraft einer Feldfrucht über die Wachstumszeit ändert, oder diese über einen Zeitraum von mehreren Jahren vergleichen.

Zeitliches Profildiagramm für eine Variable mit mehreren Dimensionen

Mit der Funktionalität in zeitlichen Profildiagrammen können Sie Trendanalysen durchführen, Informationen zu multidimensionalen Raster-Daten an bestimmten Positionen einholen und Werte, die sich im Zeitverlauf ändern, in Form eines Liniendiagramms darstellen. Zeitliche Profildiagramme sind interaktiv: Wenn ein Punkt auf dem zeitlichen Profil ausgewählt wird, wechselt die Kartenansicht übergangslos zu dem Zeitintervall, aus dem der Punktwert extrahiert wurde. So ist eine bequeme Navigation durch die Daten möglich. Zeitliche Profildiagramme können in verschiedenen wissenschaftlichen Anwendungen verwendet werden, die die Zeitserienanalyse von Raster-Daten umfassen.

Diagramme vom Typ "Dimensionsprofil"

Mit Diagrammen vom Typ "Dimensionsprofil" können Sie Veränderungen z. B. der Höhe oder Tiefe entlang einer Dimension zu visualisieren. Veränderungen werden in Form eines Liniendiagramms für eine bestimmte Position und ein bestimmtes Datum oder eine bestimmte Uhrzeit dargestellt. Auf diese Weise können Trends in zwei Variablen gleichzeitig angezeigt und verglichen werden, wobei unterschiedliche Maßstabseinheiten berücksichtigt werden. So können Sie beispielsweise visualisieren, wie sich der Salzgehalt und die Temperatur des Meerwassers an einer bestimmten Position in der Tiefe verändern.

Diagramm "Dimensionsprofil" für zwei Variablen

Explorer für Pixel-Zeitserienänderungen

Mit dem Explorer für Pixel-Zeitserienänderungen können Sie Veränderungen in einem einzelnen Pixelwert im Zeitverlauf unter Verwendung der CCDC-Methode (Continuous Detection and Classification) oder der Landsat-Methode zur Erkennung von Störungs- und Regenerationstendenzen (LandTrendr) identifizieren. Dadurch können Sie vor der Ausführung des Werkzeugs Veränderungen mit CCDC analysieren oder Veränderungen mit LandTrendr analysieren für das gesamte Dataset die Modellparameter so optimieren, dass der Fokus auf bestimmten Veränderungsereignissen liegt. Zum Beispiel können Sie visualisieren, wie sich ein Pixel in einer bewaldeten Region im Zeitverlauf verändert und auf Umwelteinflüsse, wie zum Beispiel Brände oder eine schwere Dürre, reagiert hat.

Diagramm der Pixel-Zeitserienänderungen für ein Band mit dem CCDC-Algorithmus

Verwandte Themen