ArcGIS Desktop

  • Dokumentation
  • Support

  • My Profile
  • Hilfe
  • Sign Out
ArcGIS Desktop

ArcGIS Online

Die Mapping-Plattform für Ihre Organisation

ArcGIS Desktop

Ein vollständiges professionelles GIS

ArcGIS Enterprise

GIS in Ihrem Unternehmen

ArcGIS for Developers

Werkzeuge zum Erstellen standortbezogener Apps

ArcGIS Solutions

Kostenlose Karten- und App-Vorlagen für Ihre Branche

ArcGIS Marketplace

Rufen Sie Apps und Daten für Ihre Organisation ab.

  • Dokumentation
  • Support
Esri
  • Anmelden
user
  • Eigenes Profil
  • Abmelden

ArcMap

  • Startseite
  • Erste Schritte
  • Karte
  • Analysieren
  • Verwalten von Daten
  • Werkzeuge
  • Erweiterungen

Funktionsweise von "Maximum-Likelihood-Klassifizierung"

Mit der Spatial Analyst-Lizenz verfügbar.

  • Beispiel

Der Algorithmus, der von dem Werkzeug Maximum-Likelihood-Klassifizierung verwendet wird, basiert auf zwei Grundsätzen:

  • Die Zellen in jedem Klassenbeispiel im mehrdimensionalen Raum sind normal verteilt
  • Bayes' Satz der Entscheidungsfindung

Beim Zuweisen jeder Zelle zu einer der Klassen, die in der Signaturdatei dargestellt sind, berücksichtigt das Werkzeug sowohl Varianzen als auch Kovarianzen der Klassensignaturen. Mit der Annahme, dass die Verteilung eines Klassenbeispiels normal ist, kann eine Klasse durch den mittleren Vektor und die Kovarianzmatrix charakterisiert werden. Wenn diese beiden Eigenschaften für jeden Zellenwert gegeben sind, wird die statistische Wahrscheinlichkeit für jede Klasse berechnet, um die Mitgliedschaft der Zellen zur Klasse zu bestimmt. Wenn die Standard-Option EQUAL auf A-Priori-Wahrscheinlichkeits-Gewichtung festgelegt ist, wird jede Zelle der Klasse zugewiesen, für die sie die höchste Wahrscheinlichkeit der Zugehörigkeit aufweist.

Wenn die Wahrscheinlichkeit des Vorkommens einiger Klassen höher (oder niedriger) als der Durchschnitt ist, sollte die A-priori-Option FILE mit einer Eingabe-A-Priori-Wahrscheinlichkeitsdatei verwendet werden. Die Gewichtungen für die Klassen mit besonderen Wahrscheinlichkeiten werden in der A-priori-Datei angegeben. In dieser Situation hilft eine A-priori-Datei bei der Zuordnung von Zellen, die in der statistischen Überschneidung zwischen zwei Klassen liegen. Diese Zellen werden der entsprechenden Klasse genauer zugewiesen, was zu einer besseren Klassifizierung führt. Dieser Gewichtungsansatz der Klassifizierung wird als Bayes-Klassifizierung bezeichnet.

Wenn Sie die A-priori-Option SAMPLE auswählen, sind die A-priori-Wahrscheinlichkeiten, die allen Beispielklassen in der Eingabesignaturdatei zugeordnet sind, mit der Anzahl von in jeder Signatur aufgezeichneten Zellen proportional. Infolgedessen erhalten Klassen, die über weniger Zellen als der Durchschnitt im Beispiel verfügen, Gewichtungen unter dem Durchschnitt und jene mit mehr Zellen erhalten Gewichtungen über dem Durchschnitt. Daher werden den jeweiligen Klassen mehr oder weniger Zellen zugewiesen.

Wenn eine Maximum-Likelihood-Klassifizierung ausgeführt wird, kann auch ein optionales Ausgabezuverlässigkeits-Raster erzeugt werden. Dieses Raster zeigt die Ebenen der Klassifizierungszuverlässigkeit. Die Anzahl der Zuverlässigkeitsebenen ist 14, was in direktem Bezug zur Anzahl der gültigen Ausschussprozentsatzwerte steht. Die erste Zuverlässigkeitsebene, im Zuverlässigkeits-Raster als 1 codiert, besteht aus Zellen mit der kürzesten Entfernung zu jedem in der Eingabesignaturdatei gespeicherten mittleren Vektor; daher hat die Klassifizierung dieser Zellen die höchste Sicherheit. Die Zellen, die die zweite Zuverlässigkeitsebene bilden (Zellenwert 2 des Zuverlässigkeits-Rasters), würden nur klassifiziert werden, wenn der Ausschussprozentsatz 0,99 oder weniger beträgt. Die niedrigste Zuverlässigkeitsebene hat den Wert 14 im Zuverlässigkeits-Raster und zeigt die Zellen an, die am Wahrscheinlichsten fehlerhaft klassifiziert werden. Zellen dieser Ebene werden nicht klassifiziert, wenn der Ausschussprozentsatz 0,005 oder höher beträgt.

Beispiel

Im folgenden Beispiel wird die Klassifizierung eines Multiband-Rasters mit drei Bändern in fünf Klassen veranschaulicht. Die fünf Klassen sind trockenes Flussbett, Wald, See, Wohngebiet/Baumgruppe und Weideland. Ein Ausgabezuverlässigkeits-Raster wird ebenfalls erzeugt. Die Eingabe-Raster-Bänder sind unten dargestellt.

Beispiel Maximum-Likelihood-Klassifizierung - Eingaben
Beispieleingaben für Maximum-Likelihood-Klassifizierung

Das Werkzeug Maximum-Likelihood-Klassifizierung wird verwendet, um das Raster in fünf Klassen zu klassifizieren.

  • Folgende Einstellungen werden im Dialogfeld des Maximum-Likelihood-Klassifizierung-Werkzeugs verwendet:

    Eingabe-Raster-Bänder – redlands

    Eingabe-Signaturdatei – wedit.gsg

    Ausgabe-Multiband-Raster – mlclass_1

    Ausschlussfraktion – 0,01

    A-Priori-Wahrscheinlichkeits-Gewichtung – EQUAL

    Eingabe-A-Priori-Wahrscheinlichkeitsdatei – apriori_file_1

    Eingabe-A-Priori-Wahrscheinlichkeitsdatei – reject_ras

Das klassifizierte Raster wird wie dargestellt angezeigt:

Beispielausgabe von Maximum-Likelihood-Klassifizierung
Beispielausgabe von Maximum-Likelihood-Klassifizierung

In rot angezeigte Flächen sind Zellen, die weniger als eine 1-Prozent-Chance haben, richtig klassifiziert zu werden. Diese Zellen erhalten aufgrund des verwendeten Ausschussprozentsatzes von 0,01 den Wert NoData. Die Klasse "trockenes Flussbett" wird in weiß angezeigt, die Waldklasse in grün, die Seeklasse in blau, die Klasse "Wohngebiet/Baumgruppe" in gelb und Weideland in orange.

Die unten aufgeführte Liste ist die Wert-Attributtabelle für das Ausgabezuverlässigkeits-Raster. Sie zeigt die Anzahl der Zellen, die mit dieser Zuverlässigkeit klassifiziert wurden. Der Wert 1 hat eine 100-Prozent-Chance richtig zu sein. Es gibt 3.033 Zellen, die mit dieser Ebene der Zuverlässigkeit klassifiziert wurden. Der Wert 5 hat eine 95-Prozent-Chance richtig zu sein. Es gab 10.701 Zellen, die eine 0,005-Prozent-Chance haben richtig zu sein, mit dem Wert 14.

RECORD    VALUE    COUNT
1             1     3033
2             2     3061
3             3     9187
4             4    16717
5             5    37361
6             6   136420
7             7   269592
8             8   250863
9             9   105001
10           10    23598
11           11    11190
12           12    11546
13           13     3621
14           14    10701

Verwandte Themen

  • Überblick über das Toolset "Multivariate"
  • Maximum-Likelihood-Klassifizierung
  • Durchführen der Klassifizierung

ArcGIS Desktop

  • Startseite
  • Dokumentation
  • Support

ArcGIS Plattform

  • ArcGIS Online
  • ArcGIS Desktop
  • ArcGIS Enterprise
  • ArcGIS for Developers
  • ArcGIS Solutions
  • ArcGIS Marketplace

Über Esri

  • Über uns
  • Karriere
  • Insider-Blog
  • User Conference
  • Developer Summit
Esri
Wir sind an Ihrer Meinung interessiert.
© Copyright 2016 Environmental Systems Research Institute, Inc. | Datenschutz | Rechtliches