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. Entre los ejemplos de una clase o categoría se incluyen el tipo de uso del suelo, las ubicaciones preferidas por los osos y la posibilidad de avalancha.
Existen dos tipos de clasificación: supervisada y no supervisada. En una clasificación supervisada, tiene un muestreo de las entidades. Por ejemplo, sabe que hay un bosque de coníferas en la región noroeste del área de estudio, de modo que la identifica encerrándola 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. Continúe con este proceso hasta que tenga 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 entrenamiento. Una vez que identifica las muestras de entrenamiento, las estadísticas multivariantes se calculan sobre ellas para establecer las relaciones dentro de las clases y entre ellas. Las estadísticas se almacenan en un archivo de firma.
En una clasificación no supervisada, no sabe qué entidades están realmente en una ubicación específica, pero desea agregar cada una de las ubicaciones a un número especificado de grupos o clústeres. Lo que determina a qué clase o clúster se asignará cada ubicación depende de las estadísticas multivariantes que se calculan en las bandas de entrada. Cada clúster se separa estadísticamente del resto de clústeres en función de los valores de cada banda de cada celda dentro de los clústeres. Las estadísticas que establecen la definición de clúster se almacenan en un archivo de firma.
Existen cuatro pasos para realizar una clasificación:
- Crear y analizar los datos de entrada.
- Generar firmas para análisis clúster y de clase.
- Evaluar y, en caso necesario, editar clases y clústeres.
- Realizar la clasificación.
Existen dos tipos de entrada para la clasificación: las bandas de ráster de entrada que se van a analizar y las clases o clústeres en los que se deben ajustar las ubicaciones. Las bandas del ráster de entrada que se utilizan en el análisis multivariado deben influir o ser una causa subyacente en la categorización de la clasificación. Es decir, la pendiente, la profundidad de la nieve y la radiación solar pueden ser factores que influyen en la posibilidad de avalancha, mientras que el tipo de suelo puede no tener ningún efecto.
Una clase corresponde a una agrupación significativa de ubicaciones. Algunos ejemplos de clases son bosques, masas de agua, campos y áreas residenciales. Las clases derivadas de clústeres 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 por cada banda de entrada. Una clase o un clúster es una agrupación de puntos en este espacio de atributos multidimensional. Dos ubicaciones pertenecen a la misma clase o clúster si sus atributos (vector de valores de banda) son similares. Un ráster multibanda y los rásteres individuales de banda única se pueden utilizar como entrada en un análisis estadístico multivariante.
Las ubicaciones que corresponden a clases conocidas pueden formar clústeres en el espacio de atributos si los valores de atributo pueden separar o distinguir las clases. Las ubicaciones que corresponden a clústeres naturales en el espacio de atributos se pueden interpretar como clases de estratos que ocurren de forma 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. y Dean W. Wichern. 1988. Applied Multivariate Statistical Analysis. Prentice Hall.
Mosteller, Frederick y 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.