需要 Spatial Analyst 许可。
通过多元统计分析可以探查许多不同类型的属性之间的关系。 有两种类型的可用多元分析:分别是“分类”(监督和非监督)和“主成分分析”(PCA)。
分类的目的是将研究区域中的每个像元都分配到类或目录。使用监督分类,需要了解研究区域的具体情况,并且能够识别每个类的代表性区域或样本。非监督分类使用数据中自然产生的统计分组来确定将数据分入哪个聚类。
监督分类与非监督分类的常规步骤如下:
- 识别输入波段。
- 创建类或聚类。
可以使用以下工具:提取工具集中的创建特征文件、Iso 聚类或采样。
- 评估并编辑类或聚类。
使用树状图或编辑特征工具。
- 执行分类。
使用最大似然法分类或类别概率工具。
借助 Iso 聚类非监督分类工具,通过将上述步骤 1、2 和 4 合并到一个工具便可方便地执行非监督分类。
要消除数据冗余并使其更容易理解,可通过 PCA 转换多元数据。
下表列出了可用的工具,并对每个工具进行了简要描述。
工具 | 说明 |
---|---|
计算一组栅格波段的统计数据。 | |
创建概率波段的多波段栅格,并为输入特征文件中所表示的每个类对应创建一个波段。 | |
创建由输入样本数据和一组栅格波段定义的类的 ASCII 特征文件。 | |
构造可显示特征文件中连续合并类之间的属性距离的树示意图(树状图)。 | |
通过合并、重新编号和删除类特征来编辑和更新特征文件。 | |
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输出 ASCII 特征文件中。 | |
使用 Iso 聚类工具和最大似然法分类工具对一系列输入栅格波段执行非监督分类。 | |
对一组栅格波段执行最大似然法分类并创建分类的输出栅格数据。 | |
对一组栅格波段执行主成分分析 (PCA) 并生成单波段栅格作为输出。 |