Disponible con una licencia de Spatial Analyst.
El objetivo de la clasificación es asignarle una clase o categoría a cada celda de un área de estudio. Algunos ejemplos de una clase o categoría incluyen tipo de uso del suelo, ubicaciones preferidas por los osos y posible avalancha.
Existen dos tipos de clasificación: supervisada y no supervisada. En una clasificación supervisada, tiene una muestra de las entidades. Por ejemplo, sabe que hay un bosque de coníferas en la región noroeste del área de estudio, entonces la identifica adjuntándola en el mapa con un polígono (o con varios polígonos). Se crea otro polígono que abarca un campo de trigo, otro para edificios urbanos y otro para agua. Sigue este proceso hasta que tenga las entidades suficientes para representar una clase, y se identifican todas las clases en los datos. Cada agrupación de entidades se considera una clase y el polígono que abarca la clase es una muestra de capacitación. Una vez que identificó las muestras de capacitación, las estadísticas multivariantes se calculan sobre ellas para establecer las relaciones dentro y entre las clases. Las estadísticas se almacenan en un archivo de firma.
En una clasificación no supervisada, no conoce cuáles entidades están realmente en una ubicación específica, pero deseará agregar cada una de las ubicaciones en un número específico de grupos o clusters. Lo que determina a cuál clase o cluster se asignará cada ubicación depende de las estadísticas multivariantes que se calculan en las bandas de entrada. Cada cluster se separa estadísticamente de los otros clusters basándose en los valores para cada banda de cada celda dentro de los clusters. Las estadísticas que establecen la definición del cluster se almacenan en un archivo de firma.
Existen cuatro pasos para realizar una clasificación:
- Crear y analizar los datos de entrada.
- Producir firmas para el análisis de clase y cluster.
- Evaluar y, de ser necesario, editar las clases y los clusters.
- Realizar la clasificación.
Existen dos tipos de entrada para la clasificación: las bandas del ráster de entrada que se van a analizar y las clases o los clusters en los que se colocarán las ubicaciones. Las bandas del ráster de entrada que se utilizan en el análisis multivariante necesitan influir o ser una causa subyacente en la categorización de la clasificación. Es decir, pendiente, profundidad de la nieve y radiación solar pueden ser factores que influyan en una potencial avalancha, mientras que el tipo de suelo puede no tener efecto alguno.
Una clase corresponde a una agrupación significativa de ubicaciones. Algunos ejemplos de clases incluyen bosques, cuerpos hídricos, campos y áreas residenciales. Las clases derivadas de clusters incluyen la preferencia de venados o el potencial de erosión.
Cada ubicación se caracteriza por un conjunto o vector de valores, un valor para cada variable o banda introducida en el análisis. Cada ubicación se puede visualizar como un punto en un espacio de atributos multidimensionales cuyos ejes corresponden a las variables representadas en cada banda de entrada. Una clase o un cluster es una agrupación de puntos en este espacio de atributos multidimensional. Dos ubicaciones pertenecen al mismo cluster o clase si sus atributos (vector de valores de banda) son similares. En un análisis estadístico multivariante se puede utilizar un ráster multibanda y rásteres individuales de banda única.
Las ubicaciones que corresponden a clases conocidas pueden formar clusters en el espacio de atributos si las clases se pueden separar, o distinguir, por los valores de atributo. Las ubicaciones que corresponden a clusters naturales en el espacio de atributos se pueden interpretar como clases de estratos de ocurrencia natural.
Referencias del análisis estadístico multivariante
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.