Доступно с лицензией Spatial Analyst.
Цель классификации – присвоить все ячейки исследуемой области классу или категории. Примеры класса или категории включают тип землепользования, места, предпочитаемые медведями, и лавиноопасность.
Есть два типа классификации: с обучением и без обучения. В классификации с обучением у вас есть выборка объектов. Например, вы знаете, что в северо-западной части изучаемой области есть хвойный лес, поэтому вы идентифицируете его, окружив его на карте полигоном (или несколькими полигонами). Еще один полигон создается для охвата пшеничного поля, еще один для городских зданий и еще один для воды. Вы продолжаете этот процесс до тех пор, пока у вас не будет достаточно объектов для представления класса, и все классы в ваших данных не будут идентифицированы. Каждая группа объектов считается классом, а полигон, охватывающий класс, является обучающей выборкой. После того как вы идентифицировали свои обучающие выборки, по ним вычисляются многомерные статистические данные, чтобы установить отношения внутри классов и между ними. Статистика хранится в файле сигнатур.
В классификации без обучения вы не знаете, какие объекты на самом деле находятся в любом указанном месте, но хотите объединить каждое из местоположений в одну из групп или кластеров, чье количество известно заранее. То, что определяет, к какому классу или кластеру будет отнесено каждое местоположение, зависит от многомерной статистики, которая рассчитывается на входных каналах. Каждый кластер статистически отделен от других кластеров на основе значений для каждого канала каждой ячейки в кластерах. Статистические данные, устанавливающие определение кластера, хранятся в файле сигнатур.
Существует четыре этапа выполнения классификации:
- Создание и анализ входных данных.
- Создание сигнатур для анализа классов и кластеров.
- Оценка и, при необходимости редактирование классов и кластеров.
- Выполнение классификации.
Существует два типа входных данных для классификации: входные растровые каналы для анализа и классы или кластеры, в которые помещаются местоположения. Каналы входного растра, используемые в многомерном анализе, должны влиять или быть основной причиной для категоризации классификации. То есть уклон, высота снежного покрова и солнечная радиация могут быть факторами, влияющими на лавинный потенциал, в то время как тип почвы может не иметь никакого влияния.
Класс соответствует значимой группе местоположений. Примеры классов включают леса, водоемы, поля и жилые районы. Классы, полученные из кластеров, включают предпочтение оленей или потенциал эрозии.
Каждое местоположение характеризуется набором или вектором значений, одним значением для каждой переменной или канала введенного в анализ. Каждое местоположение можно визуализировать как точку в многомерном атрибутивном пространстве, оси которой соответствуют переменным отображенным каждым входным каналом. Класс или кластер — это группа точек в этом многомерном атрибутивном пространстве. Два местоположения принадлежат одному и тому же классу или кластеру, если их атрибуты (вектор значений канала) схожи. Многоканальный растр и отдельные одноканальные растры могут использоваться в качестве входных данных для многомерного статистического анализа.
Местоположения соответствующие известным классам могут образовывать кластеры в пространстве атрибутов, если классы можно разделить или различить по значениям атрибутов. Местоположения, соответствующие естественным кластерам в пространстве атрибутов, можно интерпретировать как естественные классы слоев.
Многомерный статистический анализ, список литературы
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., and Dean W. Wichern. 1988. Applied Multivariate Statistical Analysis. Prentice Hall.
Mosteller, Frederick, and 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.