Mit der Spatial Analyst-Lizenz verfügbar.
Mit der multivariaten statistischen Analyse lassen sich die Beziehungen zwischen unterschiedlichsten Attributtypen untersuchen. Zwei Arten von multivariaten Analysen stehen zur Verfügung: die Klassifizierung (überwacht und unüberwacht) sowie die Hauptkomponentenanalyse (PCA).
Das Ziel der Klassifizierung ist, jede Zelle in einem Untersuchungsgebiet einer Klasse oder einer Kategorie zuzuweisen. Bei überwachter Klassifizierung verfügen Sie über konkretes Wissen über das Untersuchungsgebiet und können in jeder Klasse repräsentative Bereiche oder Beispiele identifizieren. Bei der unüberwachten Klassifizierung werden natürlich auftretende statistische Gruppierungen in den Daten verwendet, um die Cluster zu bestimmen, in die die Daten klassifiziert werden.
- Informationen zur multivariaten Klassifizierung
- Informationen zum Erstellen von Signaturdateien und zur Klassen- und Cluster-Analyse
- Informationen zur Auswertung von Klassen und Clustern
- Informationen zur Durchführung der Klassifizierung
Im Folgenden finden Sie das allgemeine Verfahren für überwachte und unüberwachte Klassifizierung:
- Identifizieren Sie die Eingabebänder.
- Erstellen Sie die Klassen bzw. Cluster.
Die folgenden Werkzeuge können verwendet werden: Signaturen erstellen, Iso-Cluster oder Stichprobe im Toolset "Extraktion".
- Werten Sie die Klassen bzw. Cluster aus und bearbeiten Sie sie ggf.
Verwenden Sie das Werkzeug Dendrogramm oder Signaturen bearbeiten.
- Durchführen der Klassifizierung
Verwenden Sie das Werkzeug Maximum-Likelihood-Klassifizierung oder Klassenwahrscheinlichkeit.
Mit dem Werkzeug Unüberwachte Iso-Cluster-Klassifizierung kann eine unüberwachte Klassifizierung einfach durchgeführt werden, indem Sie die oben aufgeführten Schritte 1, 2 und 4 in einem Werkzeug kombinieren.
Die Werkzeugleiste Bildklassifizierung stellt eine integrierte Umgebung zur Unterstützung des mehrschrittigen Workflow bereit, der für das Ausführen einer Klassifizierung notwendig ist.
Um Redundanz in den Daten zu entfernen und die Interpretierbarkeit zu verbessern, können Sie die multivariaten Daten durch PCA transformieren.
In der folgenden Tabelle werden die verfügbaren multivariaten Werkzeuge aufgeführt und kurz beschrieben.
| Werkzeug | Beschreibung |
|---|---|
Berechnet die Statistiken für eine Gruppe von Raster-Bändern. | |
Erstellt ein Multiband-Raster von Wahrscheinlichkeitsbändern, wobei ein Band für jede Klasse erstellt wird, die in der Eingabe-Signaturdatei dargestellt ist. | |
Erstellt eine ASCII-Signaturdatei von durch Eingabestichprobendaten und einen Satz von Raster-Bändern definierten Klassen. | |
Erstellt ein Strukturdiagramm (Dendrogramm), das Attributentfernungen zwischen in regelmäßiger Folge zusammengeführten Klassen in einer Signaturdatei anzeigt. | |
Bearbeitet und aktualisiert eine Signaturdatei durch Zusammenführen, Neunummerieren und Löschen von Klassensignaturen. | |
Verwendet einen Isodaten-Cluster-Algorithmus, um die Eigenschaften der natürlichen Gruppierungen der Zellen im mehrdimensionalen Attributraum zu bestimmen, und speichert die Ergebnisse in einer Ausgabe-ASCII-Signaturdatei. | |
Führt mit den Werkzeugen Iso-Cluster und Maximum-Likelihood-Klassifizierung eine unüberwachte Klassifizierung für eine Reihe von Eingabe-Raster-Bändern aus. | |
Führt eine Maximum-Likelihood-Klassifizierung für eine Menge von Raster-Bändern aus und erstellt ein klassifiziertes Raster als Ausgabe. | |
Führt eine Hauptkomponentenanalyse (Principal Component Analysis, PCA) für eine Gruppe von Raster-Bändern aus und generiert ein einzelnes Multiband-Raster als Ausgabe. |