需要 Spatial Analyst 许可。
分类目标是将研究区域中的每个像元分配给一个类或类别。 类或类别的示例包括土地利用类型、熊喜欢的位置以及雪崩可能性。
分类包括两种类型：监督和非监督。 在监督分类中，您可以对要素进行抽样。 例如，已知研究区域西北部地区有一片针叶林，因此将通过在地图上使用面（或多个面）将其包围来识别它。 另创建一个用于麦田的面，一个用于城市建筑物的面，一个用于水体的面。 继续执行此过程，直到有足够的要素来表示一个类，并且数据中的所有类均被识别。 每组要素均被视为一个类，包含该类的面是一个训练样本。 识别训练样本后，将对它们计算多元统计数据，以建立类内部和类之间的关系。 统计信息存储在特征文件中。
在非监督分类中，不能确定任何指定位置实际有哪些要素，但您希望将每个位置聚合到指定数量的组或聚类中的一个。 确定将每个位置分配给哪个类或聚类的因素取决于对输入波段计算的多元统计数据。 根据聚类内每个像元的每个波段的值，每个聚类在统计上均与其他聚类分开。 建立聚类定义的统计信息存储在特征文件中。
执行分类有四个步骤：
- 创建和分析输入数据。
- 为类和聚类分析生成特征。
- 评估并在必要时编辑类和聚类。
- 执行分类。
分类有两种输入类型：要分析的输入栅格波段，以及适合位置的类或聚类。 多元分析中使用的输入栅格波段需要影响或成为分类类别的根本原因。 也就是说，坡度、雪深和太阳辐射可能是影响雪崩可能性的因素，而土壤类型则可能没有影响。
类对应于一组有意义的位置。 类的示例包括森林、水体、田野和住宅区。 从聚类派生的类别包括鹿的偏好或侵蚀潜力。
每个位置的特征都是一组值或矢量，每个变量一个值，或在分析中输入的波段。 每个位置均可以可视化为多维属性空间中的一个点，其轴对应于每个输入波段表示的变量。 类或聚类是此多维属性空间中的一组点。 如果两个位置的属性（波段值的矢量）相似，则它们属于同一个类或聚类。 多波段栅格和单个单波段栅格可用作多元统计分析的输入。
如果类可以通过其属性值来分离或区分，则对应于已知类的位置可以在属性空间中形成聚类。 与属性空间中的自然聚类相对应的位置可以解释为自然发生的地质层类。
多元统计分析参考
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.