Comprender la reclasificación

Disponible con una licencia de Spatial Analyst.

Disponible con una licencia de 3D Analyst.

Las herramientas de reclasificación cambian o reclasifican los valores de las celdas a valores alternativos mediante diversos métodos. Puede reclasificar un valor a la vez o grupos de valores de una sola vez utilizando campos alternativos, basándose en criterios, como intervalos especificados (por ej. agrupar los valores en 10 intervalos), o por área (por ej. agrupar los valores en 10 grupos que contienen la misma cantidad de celdas). Las herramientas están diseñadas para permitirle cambiar fácilmente varios valores de un ráster de entrada a valores alternativos, deseados o especificados.

Todos los métodos de reclasificación se aplican a cada celda dentro de una zona. Es decir, al aplicar un valor alternativo a un valor existente, todos los métodos de reclasificación aplican el valor alternativo a cada celda de la zona original. Ningún método de reclasificación aplica valores alternativos sólo a una parte de una zona de entrada.

Algunas de las tantas razones para reclasificar se detallan a continuación.

Reemplazar valores basándose en información nueva

La reclasificación es útil cuando desea reemplazar los valores en el ráster de entrada por nuevos valores. Esto puede suceder cuando descubre que el valor de una celda debería ser diferente, por ejemplo, el uso del suelo en un área cambió con el tiempo.

Agrupar valores

Es posible que desee simplificar la información de un ráster. Por ejemplo, es posible que desee agrupar varios tipos de bosques en una clase de bosque.

Reclasificar o reescalar valores de un conjunto de rásteres en una escala común

Otra razón por la cual realizar una reclasificación puede ser para asignar a los rásteres valores de preferencia, sensibilidad, prioridad o algunos criterios similares. Esto puede hacerse en un único ráster (a un ráster de tipos de suelo se le pueden asignar valores de 1 a 10 para representar el potencial de erosión) o con varios rásteres para crear una escala común de valores.

Por ejemplo, un tipo de suelo puede ser bueno para construir cuando los suelos se visualizan como entrada en un modelo de adecuación de construcción. Sin embargo, para la erosión, el hábitat de animales, la creación de una laguna o la identificación de suelo agrícola, ese mismo tipo de suelo tendrá una ponderación de adecuación diferente basada en el problema a mano. Para representar un ráster relativo a estas numerosas ponderaciones de adecuación, los valores del ráster deben cambiarse de valores nominales (valores que representan una clase) a valores de intervalo o relación, de modo que los valores puedan usarse en relación con otros. No tiene sentido agregar el tipo de suelo y el uso del suelo para obtener un ráster de adecuación de construcción. Pero si el tipo de suelo y el uso del suelo estuvieran en un sistema de medición que representara una ponderación relativa a la adecuación de construcción, el análisis se podría realizar libremente entre los rásteres.

Cuando se identifican pendientes que están en mayor riesgo de actividad de avalanchas, los rásteres de entrada pueden ser de pendiente, tipo de suelo y vegetación. Cada uno de estos rásteres podrían reclasificarse en una escala de 1 a 10 según la susceptibilidad de cada uno de los atributos de cada ráster a las avalanchas, es decir, las pendientes empinadas en el ráster de pendiente podrían tener un valor de 10 porque son más susceptibles a la actividad de avalanchas.

Cada uno de los ejemplos anteriores se considera un modelo de adecuación. Por lo general, se deben seguir cuatro pasos para producir un mapa de adecuación:

  1. Datasets de entrada.

    Decidir qué datasets necesita como entradas.

  2. Calcular los datasets.

    Cuando corresponda, cree datasets que puedan calcularse a partir de los datasets de entrada base, por ejemplo la pendiente y la orientación pueden calcularse a partir del ráster de elevación. Cree datos a partir de datos existentes para obtener información nueva.

  3. Reclasificar o reescalar datasests

    Reclasifique cada dataset en una escala común (por ej. de 1 a 10) y otorgue los valores más altos a los atributos más adecuados.

  4. Ponderar y combinar datasets.

    De ser necesario, pondere los datasets que deberían tener más influencia en el modelo de adecuación, después, combínelos para encontrar las ubicaciones adecuadas.

A continuación, se incluye un diagrama de flujo de un ejemplo para encontrar las mejores ubicaciones para una escuela. Las capas base de entrada son: uso del suelo, elevación, lugares de recreación y escuelas existentes. Los datasets derivados son: pendiente, distancia a los lugares de recreación y distancia a las escuelas existentes. A continuación, se reclasifica cada ráster en una escala de 1 a 10. Los rásteres reclasificados se suman, teniendo un peso mayor la distancia desde los lugares de recreación y otros centros educativos.

Ejemplo de uso de la reclasificación en un flujo de trabajo de Superposición ponderada
Ejemplo de uso de la reclasificación en un flujo de trabajo de Superposición ponderada

Establecer valores específicos en NoData o establecer celdas NoData en un valor

En algunas ocasiones, es posible que desee quitar valores específicos de su análisis. Por ejemplo, esto puede deberse a que un tipo de uso del suelo tiene restricciones, como restricciones de suelo húmedo, lo que significa que no puede construir en ese lugar. En esos casos, es posible que desee cambiar estos valores a NoData para quitarlos del resto del análisis.

En otros casos, quizás desee cambiar un valor de NoData a un valor, como cuando existe información nueva que implica que un valor NoData se ha convertido en un valor conocido.

Temas relacionados