Доступно с лицензией Spatial Analyst.
Наиболее часто инструменты Генерализации применяются для выполнения очистки классифицировнного изображения, которое было получено при помощи программного обеспечения дистанционного зондирования. Процесс классификации часто приводит к созданию большого количества изолированных маленьких зон данных, которые были неправильно переклассифицированы или не соответствуют анализу.
Создание генерализованной карты землепользования по спутниковому снимку
На следующем примере показана типичная последовательность применения инструментов генерализации для создания растрового слоя, который больше подходит для представления или последовательного анализа.
Каждый инструмент может использоваться по-отдельности или в сочетании с другими инструментами очистки данных для различных приложений.
Необработанная сцена спутника
На рисунке ниже показаны необработанные спутниковые изображения, которые будут классифицированы. Хотя процесс классификации не описывается здесь в точности, в следующем разделе будут подробно раскрыты некоторые причины того, почему результат обычно нуждается в дальнейшей обработке.
Изображение – результат классификации
В классификации с обучением на изображении, например спутниковом снимке, определяется обучающая выборка. Обучающая выборка берется в различных типах землепользования для определения водных ресурсов, жилых построек, лиственных и хвойных деревьев и т. д. На основании обучающих выборок все другие местоположения ячеек на снимке распределяются к одному из этих известных типов почвенно-растительного покрова или землепользования. Иногда сигнатуры землепользования (полученная из обучающих выборок статистика) похожи, что затрудняет поиск различий между двумя классами. Например, при существующих обучающих выборках программное обеспечение может не быть в состоянии отличить болота с ольхой и водно-болотные угодья с лиственными деревьями. Это может быть связано с недостаточным числом обучающих выборок или тем, что для некоторых типов землепользования таких выборок вообще нет. Эти ограничения, а также другие, могут привести к неверной классификации некоторых местоположений.
В результате одна ячейка или небольшая группа ячеек могут быть неправильно классифицированы как объекты, отличные от моря окружающих ячеек, тогда как в действительности объект принадлежит к группе ячеек, которые его окружают. Другой типичной областью неверной классификации являются границы между различными типами землепользования. Часто в результате получается неровное нереалистичное представление границы, которое может быть сглажено с помощью инструментов генерализации.
Ниже приводится классификация спутникового снимка. Обратите внимание на наличие множества небольших, изолированных единичных ячеек или групп ячеек по всему снимку.
В следующих разделах показано, как можно применить инструменты генерализации для создания итогового классифицированного растра.
Удаление неправильно классифицированных ячеек с помощью Фильтра большинства
Для удаления единичных, неверно классифицированных ячеек в классифицированном изображении применяется инструмент Фильтр большинства (Majority Filter). Результаты показаны на рисунке ниже. Обратите внимание, что исчезло много маленьких групп ячеек.
Сглаживание зон с помощью инструмента Удаление границ
Для сглаживания границ между зонами можно применить инструмент Удаление границ (Boundary Clean). Путем расширения и сокращения границ, большие зоны будут вторгаться в меньшие зоны, как показано на рисунке ниже. И обратите внимание, что исчезло еще больше маленьких и тонких групп ячеек.
Определение кластеров с помощью Группировки
Инструменты Фильтр большинства и Удаление границ будут обрабатывать только единичные или маленькие кластеры нескольких неверно классифицированных ячеек путем присвоения им значения, которое наиболее часто присутствует в непосредственной окрестности. Предположим, однако, что существует определенный порог размера, ниже которого отдельные группы похожих ячеек считаются слишком маленькими, чтобы быть значимыми в последующем анализе. Эти кластеры должны быть слиты с окружающими группами. Например, любые непрерывные кластеры одной категории землепользования, которые меньше 7200 квадратных метров, считаются не важными для анализа. Однако эти изолированные участки не могут быть обработаны по-отдельности, т.к. они имеют такое же значение землепользования, что и вся зона.
Для разрешения этой задачи применяется инструмент Группировка (Region Group). Этот инструмент присвоит уникальный идентификатор каждому участку входного растра (классифицированное изображение). Участок – это непрерывная группа значений с одним значением. Рассмотрим одну зону, состоящую из двух несвязанных участков. Инструмент Группировка разделит эту зону на две новые зоны, у каждой из них будет значение уникального идентификатора (зоны). Значение исходной зоны поддерживается как поле LINK в выходной таблице атрибутов. Результирующий растр показан ниже, он отображает различные выходные зоны.
Удаление областей, меньших порогового значения
Далее, при помощи инструмента выборки, например, Извлечь по атрибутам из набора инстурментов Извлечение, создается выходной растр, где удалены участки, меньшие порогового значения области.
Исключение маленьких участков с помощью инструмента Отсечение
При применении инструмента Отсечение (Nibble) к растру, полученному после использования инструмента извлечения, на котором определены удаляемые участки, и со значениями из классифицированного растра, рассматривается каждое местоположение исключаемой ячейки и заменяется на ближайшую ячейку со значением из классифицированного растра.
Итоговая генерализованная карта землепользования
При помощи элемента связи из результатов инструмента Группировка, исходные значения зон классифицированного изображения повторно присваиваются отдельным участкам, созданным инструментом Группировка.
Результатом является более генерализованная карта землепользования, которую можно использовать в последующем анализе.