Как работает инструмент Изокластер

Доступно с лицензией Spatial Analyst.

Инструмент Изокластер использует модифицированную процедуру кластеризации с итеративной оптимизацией, также известную как методика мигрирующего среднего. Алгоритм распределяет все ячейки на заданное пользователем число индивидуальных унимодальных групп в многомерном пространстве входных каналов. Этот инструмент чаще всего используется при подготовке к классификации без обучения.

Префикс изо, используемый в названии алгоритма классификации 'изодата', – это аббревиатура метода итеративной самоорганизации выполнения кластеризации. Этот тип кластеризации использует процесс, в ходе которого, при каждой итерации, с каждым из существующих центров кластеров соотносятся все ячейки, и для каждого класса пересчитываются новые средние значения. Оптимальное число классов, которые должны быть определены, как правило, неизвестно. Следовательно, рекомендуется сначала ввести заведомо избыточное число классов, проанализировать полученные кластеры, а затем запустить функцию еще раз с меньшим числом классов.

Алгоритм Изокластер – это итеративный процесс, применяемый для вычисления минимального Евклидова расстояния при отнесении каждой ячейки-кандидата к определенному кластеру. Процесс начинается с того, что программным обеспечением каждому кластеру присваивается одно произвольное среднее значение (количество кластеров определяется вами). Каждая ячейка соотносится с ближайшим из этих средних (расположенных в многомерном атрибутивном пространстве). Основываясь на атрибутивных расстояниях для ячеек, помещенных в определенный кластер, после первой итерации для каждого кластера пересчитываются новые средние. Процесс повторяется: каждая ячейка будет отнесена в многомерном атрибутивном пространстве к ближайшему среднему, и для каждого кластера, на основании ячеек, попавших в него после очередной итерации, вычисляются новые средние значения. Вы можете определить число итераций процесса через параметр Число итераций. Это значение должно быть достаточно большим для того, чтобы после запуска заданного числа итераций, миграция ячеек из одного кластера в другой была минимальной; то есть все кластеры были стабильны. При увеличении числа кластеров, число итераций должно быть также увеличено.

Установленное Число классов – это максимальное число кластеров, которые могут быть созданы в процессе кластеризации. Однако число кластеров в выходном файле сигнатур может отличаться от значения, установленного для числа классов. Это происходит в следующих случаях:

• Значения в данных и начальные средние кластеров распределены неравномерно. В определенных диапазонах значений ячеек, частота появления событий для таких кластеров может быть близка к нулю. Следовательно, существует возможность того, что изначально установленные средние для кластеров не наберут в кластер достаточное количество ячеек.
• После завершения всех итераций, кластеры, состоящие из ячеек, количество которых меньше, чем установленный Минимальный размер класса, будут удалены.
• После того, как кластеры становятся стабильными, и их статистические значения совпадают, кластеры объединяются с соседними кластерами. Некоторые кластеры могут быть так близки между собой в атрибутивном пространстве, и их статистика может быть так похожа, что сохранение таких кластеров означает ненужное разделение данных.

Пример:

Ниже приведен образец файла сигнатур, создаваемого инструментом Изокластер. Файл начинается с заголовка, содержащего комментарии, поясняющие значения параметров, использованных при выполнении кластеризации.

Имена классов являются дополнительной опцией: они вводятся после создания файла с использованием текстового редактора. Имя каждого класса, если оно введено, должно представлять собой одну строку, длиной не более 14 буквенно-цифровых символов.

# Signatures Produced by Clustering of 
#    Stack redlands
#    number_of_classes=6   max_iterations=20   min_class_size=20
#    sampling interval=10
#    Number of selected grids
/*           3
#    Layer-Number   Grid-name
/*           1      redlands1
/*           2      redlands2
/*           3      redlands3
# Type  Number of Classes   Number of Layers  Number of Parametric
                                                   Layers
   1             4                 3                 3
# ===============================================================
# Class ID     Number of Cells      Class Name
       1              1843 
# Layers   1             2             3
# Means 
        22.8817       60.7656       34.8893
# Covariance
1      169.3975      -69.7444      179.0808
2      -69.7444      714.7072       10.7889
3      179.0808       10.7889      284.0931
# ---------------------------------------------------------------
# Class ID     Number of Cells      Class Name
       2              2495 
# Layers   1             2             3
# Means 
         38.4894      132.9775       61.8104
# Covariance
1       414.9621      -19.0732      301.0267
2       -19.0732      510.8439      102.8931
3       301.0267      102.8931      376.5450
# ---------------------------------------------------------------
# Class ID     Number of Cells      Class Name
       3              2124 
# Layers   1             2             3
# Means 
         70.3983       82.9576       89.2472
# Covariance
1       264.2680      100.6966       39.3895
2       100.6966      523.9096       75.5573
3        39.3895       75.5573      279.7387
# ------------------------------------------------------------
# Class ID     Number of Cells      Class Name
       4              2438 
# Layers   1             2             3
# Means 105.8708      137.6645      130.0886
# Covariance
1       651.0465      175.1060      391.6028
2       175.1060      300.8853      143.2443
3       391.6028      143.2443      647.7345

Литература

Ball, G. H., and D. J. Hall. 1965. A Novel Method of Data Analysis and Pattern Classification. Menlo Park, California: Stanford Research Institute.

Richards, J. A. 1986. Remote Sensing Digital Image Analysis: An Introduction.. Berlin: Springer–Verlag.