Классификации по методу максимального подобия (Spatial Analyst)

Доступно с лицензией Spatial Analyst.

Краткая информация

Выполняет классификацию по методу максимального подобия для набора каналов растра и создаёт классифицированный растр в качестве выходных данных.

Более подробно о том, как работает Классификация по методу максимального подобия

Использование

• Если многоканальный растр указан как один из входных для параметра Входные каналы растра (in_raster_bands в Python), будут обработаны все каналы.

  Чтобы обработать выбранные каналы многоканального растра, сначала создайте новый набор растровых данных, состоящий только из необходимых каналов, с помощью инструмента Объединить каналы, затем укажите полученный набор как Входной растр (in_raster_bands в Python).

• Любой файл сигнатур, созданный с помощью инструментов Создать сигнатуры, Редактировать сигнатуры или Изокластер, является действительным для использования в качестве входного файла сигнатур. Такой файл будет иметь расширение .gsg.

• По умолчанию, на выходном растре будут классифицированы все ячейки, при этом к сигнатурам каждого из классов будут присоединены равные веса вероятностей.

• Входной файл априорных вероятностей должен представлять собой ASCII-файл, состоящий из двух столбцов. Значения в левом столбце представляют идентификаторы классов (ID). Значения в правом столбце представляют априорные вероятности для соответствующих классов. Действительные значения априорных вероятностей для классов должны быть больше или равны нулю. Если в качестве вероятности задан ноль, класс не будет отображаться на выходном растре. Сумма заданных априорных вероятностей должна быть меньше или равна единице. Формат файла следующий:

      1  .3
      2  .1
      4  .0
      5  .15
      7  .05
      8  .2

  Классы, пропущенные в файле, получат среднюю априорную вероятность той части, которая останется от единицы. В примере выше, все классы с 1 по 8 представлены в файле сигнатур. Априорные вероятности классов 3 и 6 отсутствуют во входном файле априорной вероятности. Так как сумма всех вероятностей, определенных в файле выше, равна 0,8, остаток (0,2) делится на число не определенных классов (2). Следовательно, классам 3 и 6 будет присвоена вероятность, равная 0,1, каждому.

• Заданная доля отклонения, которая лежит между двумя действительными значениями, будет присвоена следующему верхнему действительному значению. Например, значение 0,02 будет преобразовано в значение 0,025.

• Существует прямая зависимость между числом неклассифицированных ячеек на выходном растре, вытекающем из доли отклонения, и числом ячеек, представленных суммой уровней доверия, меньших, чем соответствующее значение, введенное для доли отклонения.

• Если имя класса в файле подписи отличается от идентификатора класса, в таблицу атрибутов выходного растра будет добавлено дополнительное поле CLASSNAME. Для каждого класса в этом поле выходной таблицы будет содержаться имя класса, связанное с этим классом. Например, если имена классов файла подписи имеют описательные строковые имена (например, хвойные деревья, вода и город), они будут перенесены в поле CLASSNAME.

• Расширение входного файла априорных вероятностей – .txt.

• См. раздел Среда анализа и Spatial Analyst для получения дополнительной информации о среде геообработки данного инструмента.

Параметры

Диалог

Подпись	Описание	Тип данных
Входные каналы растра	Входные каналы растров. Если значения каналов являются целочисленными или числами с плавающей точкой, то файл сигнатур допускает лишь целочисленные значения классов.	Raster Layer
Входной файл сигнатур	Входной файл сигнатур, сигнатуры классов которого используются алгоритмом классификации по методу максимального подобия. Требуется расширение .gsg.	File
Исключенная область (Дополнительный)	Выберите долю отклонения, которая определяет, будет ли класс ячейки определяться исходя из вероятности того, насколько правильно она будет отнесена к одному из классов. Ячейки, вероятность правильного отнесения которых к любому из классов ниже, чем доля отклонения, будут иметь значение NoData в выходном классифицированном растре. Значение по умолчанию равно 0.0, означающее, что классифицированы будут все ячейки. Допустимыми данными являются: 0.0— 0.005— 0.01— 0.025— 0.05— 0.1— 0.25— 0.5— 0.75— 0.9— 0.95— 0.975— 0.99— 0.995—	String
Взвешенная априорная вероятность (Дополнительный)	Задает, как будут определяться априорные вероятности. Равно— Всем классам будут присвоены одинаковые априорные вероятности. Извлечь по образцу— Априорные вероятности будут пропорциональны числу ячеек в каждом классе по отношению к общему числу ячеек всех классов, представленных в файле сигнатур. Файл—Априорные вероятности будут присвоены каждому классу из входного ASCII-файла априорной вероятности.	String
Входной файл априорной вероятности (Дополнительный)	Текстовой файл, содержащий априорные вероятности для входных классов сигнатур. Входные данные для файла априорных вероятностей требуются, только если используется параметр Файл. Расширением файла априорных вероятностей может быть расширение .txt или .asc.	File
Выходной растр достоверности (Дополнительный)	Выходной набор растровых данных доверия показывает 14 уровней достоверности классификации, при этом более низкие значения уровней указывают на более высокую степень достоверности. Если ячейки, классифицированные на определенном уровне достоверности, отсутствуют, то такой уровень достоверности не будет представлен в выходном растре доверия. Он будет целочисленного типа.	Raster Dataset

Возвращаемое значение

Подпись	Описание	Тип данных
Выходной классифицированный растр	Выходной классифицированный растр. Он будет целочисленного типа.	Raster

Python

MLClassify(in_raster_bands, in_signature_file, {reject_fraction}, {a_priori_probabilities}, {in_a_priori_file}, {out_confidence_raster})

Имя	Описание	Тип данных
in_raster_bands [in_raster_band,...]	Входные каналы растров. Если значения каналов являются целочисленными или числами с плавающей точкой, то файл сигнатур допускает лишь целочисленные значения классов.	Raster Layer
in_signature_file	Входной файл сигнатур, сигнатуры классов которого используются алгоритмом классификации по методу максимального подобия. Требуется расширение .gsg.	File
reject_fraction (Дополнительный)	Выберите долю отклонения, которая определяет, будет ли класс ячейки определяться исходя из вероятности того, насколько правильно она будет отнесена к одному из классов. Ячейки, вероятность правильного отнесения которых к любому из классов ниже, чем доля отклонения, будут иметь значение NoData в выходном классифицированном растре. Значение по умолчанию равно 0.0, означающее, что классифицированы будут все ячейки. Допустимыми данными являются: 0.0 0.005 0.01 0.025 0.05 0.1 0.25 0.5 0.75 0.9 0.95 0.975 0.99 0.995	String
a_priori_probabilities (Дополнительный)	Задает, как будут определяться априорные вероятности. EQUAL— Всем классам будут присвоены одинаковые априорные вероятности. SAMPLE— Априорные вероятности будут пропорциональны числу ячеек в каждом классе по отношению к общему числу ячеек всех классов, представленных в файле сигнатур. FILE—Априорные вероятности будут присвоены каждому классу из входного ASCII-файла априорной вероятности.	String
in_a_priori_file (Дополнительный)	Текстовой файл, содержащий априорные вероятности для входных классов сигнатур. Входные данные для файла априорных вероятностей требуются, только если используется параметр Файл. Расширением файла априорных вероятностей может быть расширение .txt или .asc.	File
out_confidence_raster (Дополнительный)	Выходной набор растровых данных доверия показывает 14 уровней достоверности классификации, при этом более низкие значения уровней указывают на более высокую степень достоверности. Если ячейки, классифицированные на определенном уровне достоверности, отсутствуют, то такой уровень достоверности не будет представлен в выходном растре доверия. Он будет целочисленного типа.	Raster Dataset

Возвращаемое значение

Имя	Описание	Тип данных
out_classified_raster	Выходной классифицированный растр. Он будет целочисленного типа.	Raster

Пример кода

MaximimumLikelihoodClassification Пример 1 (окно Python)

В этом примере создается выходной классифицированный растр, содержащий 5 классов, полученных из входного файла сигнатур и многоканального растра.

import arcpy
from arcpy import env
from arcpy.sa import *
env.workspace = "C:/sapyexamples/data"
mlcOut = MLClassify("redlands", "c:/sapyexamples/data/wedit5.gsg", "0.0", 
                    "EQUAL", "", "c:/sapyexamples/output/redmlcconf")
mlcOut.save("c:/sapyexamples/output/redmlc")

MaximimumLikelihoodClassification. Пример 2 (автономный скрипт)

В этом примере создается выходной классифицированный растр, содержащий 5 классов, полученных из входного файла сигнатур и многоканального растра.

# Name: MLClassify_Ex_02.py
# Description: Performs a maximum likelihood classification on a set of 
#    raster bands.
# Requirements: Spatial Analyst Extension

# Import system modules
import arcpy
from arcpy import env
from arcpy.sa import *

# Set environment settings
env.workspace = "C:/sapyexamples/data"

# Set local variables
inRaster = "redlands"
sigFile = "c:/sapyexamples/data/wedit5.gsg"
probThreshold = "0.0"
aPrioriWeight = "EQUAL"
aPrioriFile = ""
outConfidence = "c:/sapyexamples/output/redconfmlc"


# Execute 
mlcOut = MLClassify(inRaster, sigFile, probThreshold, aPrioriWeight, 
                    aPrioriFile, outConfidence) 

# Save the output 
mlcOut.save("c:/sapyexamples/output/redmlc02")

Параметры среды

Автоматическое подтверждение, Размер ячейки, Метод проецирования размера ячейки, Сжатие, Текущая рабочая область, Экстент, Географические преобразования, Маска, Выходное ключевое слово CONFIG, Выходная система координат, Временная рабочая область, Растр привязки, Размер листа

Особые случаи

Информация о лицензиях

• Basic: Обязательно Spatial Analyst
• Standard: Обязательно Spatial Analyst
• Advanced: Обязательно Spatial Analyst