Durchführen der Klassifizierung

Mit der Spatial Analyst-Lizenz verfügbar.

Das Ziel der Klassifizierung ist, jede Zelle im Untersuchungsgebiet einer bekannten Klasse (überwachte Klassifizierung) oder einem Cluster (unüberwachte Klassifizierung) zuzuweisen. In beiden Fällen ist die Eingabe der Klassifizierung eine Signaturdatei, die die multivariate Statistik jeder Klasse oder jedes Clusters enthält. Das Ergebnis jeder Klassifizierung ist eine Karte, die das Untersuchungsgebiet in bekannte Klassen einteilt, die Trainingsgebieten entsprechen, oder in natürlich auftretende Klassen, die durch Cluster-Bildung definierten Clustern entsprechen. Die Klassifizierung von Positionen in natürlich auftretende Klassen, die Clustern entsprechen, wird auch als Schichtung bezeichnet.

Die Werkzeugleiste Bildklassifizierung stellt eine integrierte Umgebung zur Unterstützung bei dem mehrschrittigen Workflow bereit, der für das Ausführen einer Klassifizierung notwendig ist. Weitere Informationen zur Werkzeugleiste finden Sie unter Was ist Bildklassifizierung?

Maximale Wahrscheinlichkeit

Zellen in einer Klasse sind nur selten homogen. Dies gilt vor allem für Trainingsgebiete, die für eine überwachte Klassifizierung herangezogen wurden. Wenn Harthölzer im Schatten z. B. eine Reflexionssignatur haben, die Nadelbäumen in der vollen Sonne ähnelt, werden beide Baumarten der gleichen Klasse zugeordnet. Jede Position in einem Trainingsgebiet, das einem Lebensraum entnommen wurde, in dem mit Bären zu rechnen wäre, könnte Unterpositionen enthalten, die von Bären gemieden werden.

In dem unten dargestellten Diagramm stellt Klasse A Harthölzer und Klasse B Nadelhölzer dar. Wie klassifizieren Sie eine Zelle, die in die Überschneidung der zwei Klassen fällt? Sollte sie als Klasse A oder B klassifiziert werden?

Überschneidung von Klassen

Der Klassifikator für die maximale Wahrscheinlichkeit berechnet für jede Klasse anhand ihrer Attributwerte die Wahrscheinlichkeit, dass die Zelle zu dieser Klasse gehört. Die Zelle wird der Klasse mit der höchsten Wahrscheinlichkeit zugewiesen, was zu dem Begriff "maximale Wahrscheinlichkeit" führt.

Mehrere Annahmen sind notwendig, damit der Klassifikator für die maximale Wahrscheinlichkeit genau arbeitet:

• Die Daten für jedes Band sollten normal verteilt sein.
• Jede Klasse sollte über eine Normalverteilung im multivariaten Attributraum verfügen.
• Die vorherigen Wahrscheinlichkeiten der Klassen müssen gleich sein. Das heißt, dass in Ermangelung jeglicher Gewichtung von Attributwerten alle Klassen gleich wahrscheinlich sind.

Wenn die vorherige Wahrscheinlichkeit für jede Klasse in einem Untersuchungsgebiet nicht gleich ist, können Sie die Klassen gewichten. Zum Beispiel könnten Wald und andere Vegetationsarten eine höhere vorherige Wahrscheinlichkeit erhalten als menschliche Siedlungen, wenn Sie ein Satellitenbild von Alaska klassifizieren. Das heißt, die Chancen, dass eine Zellenposition ein Haus enthält, sind viel geringer, als dass die Zelle eine Vegetationsart enthält. Wenn ein Zellenwert in den überlappenden Teil der Siedlungs- und Vegetationsartklassen fällt, ist die Chance, dass die Position Vegetation enthält, höher als die Chance, dass sie ein Haus enthält, und die Position sollte entsprechend klassifiziert werden.

Diese Wahrscheinlichkeit und gewichtende Logik basieren auf Bayes-Entscheidungsregeln. Die tatsächlichen Wahrscheinlichkeitswerte für jede Zelle und Klasse werden von den Mittelwerten und der Kovarianzmatrix für jede Klasse (gespeichert in der Signaturdatei) bestimmt.

Verwenden Sie das Werkzeug Maximum-Likelihood-Klassifizierung, um eine Klassifizierung durchzuführen. Für dieses Werkzeug sind Eingabebänder von Multiband-Rastern und einzelnen Einzelband-Rastern sowie die entsprechende Signaturdatei erforderlich. Die Art, in der die Klassen oder die Cluster zu gewichten sind, muss angegeben werden. Es gibt drei Möglichkeiten, die Klassen oder die Cluster zu gewichten: Gleich, Zellen in Beispielen oder Datei. Wenn "Gleich" ausgewählt wird, werden alle Klassen mit der gleichen vorherigen Wahrscheinlichkeit gewichtet. Wenn "Zellen in Beispielen" ausgewählt wird, sind die vorherigen Wahrscheinlichkeiten proportional zur Anzahl der Zellen in jeder Klasse oder jedem Cluster in der Signaturdatei. Wenn "Datei" ausgewählt wird, wird das A-priori-Dateieingabesteuerelement aktiv und die vorherigen Wahrscheinlichkeiten werden aus einer angegebenen Datei gelesen. Ein Ausschussprozentsatz muss festgelegt werden. Der Ausschussprozentsatz identifiziert den Teil der Zellen, die aufgrund der niedrigsten Wahrscheinlichkeit einer richtigen Zuweisung nicht klassifiziert werden. Der Standardwert beträgt 0,0; daher wird jede Zelle klassifiziert. Es kann eine optionale Wahrscheinlichkeit erstellt werden. Schließlich muss der Name des Ausgabe-Rasters angegeben werden.

Klassenwahrscheinlichkeit

Statt die Zelle einer Klasse auf Grundlage der höchsten Wahrscheinlichkeit eines Ausgabe-Rasters zuzuweisen, gibt das Werkzeug Class Probability Wahrscheinlichkeits-Layer aus, und zwar ein Band für jede Eingabeklasse oder jeden Cluster. Die Werte an jeder Position eines jeden Bandes speichern auf Grundlage der Attribute der ursprünglichen Eingabebänder die Wahrscheinlichkeit, dass diese Zelle zu dieser Klasse oder dem Cluster gehört.

Diese Funktion kann in der folgenden Situation nützlich sein. Stellen Sie sich vor, Sie klassifizieren ein Bild, und eine Klasse ist Wald und eine andere Sumpfgebiet. Nachdem Sie das Werkzeug ausgeführt haben, stellen Sie fest, dass es eine Zelle im Ausgabe-Raster der Klasse Wald gibt, die eine 60-Prozent-Chance hat, zur Waldklasse zu gehören, und im Sumpfgebiet-Ausgabe-Raster eine 30-Prozent-Chance, zur Sumpfgebietsklasse zu gehören. Statt die Zellenposition als Wald zu klassifizieren, möchten Sie sie eventuell als Sumpfwald klassifizieren.

Überprüfung multivariater Klassifizierung

Überwachte Klassifizierung

Zur Durchführung einer überwachten Klassifizierung sind folgende Schritte erforderlich:

1. Identifizieren Sie die Eingabebänder.
2. Erzeugen Sie Trainingsgebiete von bekannten Positionen gewünschter Klassen.
3. Entwickeln Sie eine Signaturdatei.
4. Zeigen Sie die Signaturdatei an, und bearbeiten Sie sie wenn notwendig.
5. Führen Sie die Klassifizierung durch.

Unüberwachte Klassifizierung

Zur Durchführung einer unüberwachten Klassifizierung sind folgende Schritte erforderlich:

1. Identifizieren Sie die Eingabebänder.
2. Definieren Sie die Anzahl der Cluster, die erstellt werden sollen.
3. Entwickeln Sie eine Signaturdatei.
4. Zeigen Sie die Signaturdatei an, und bearbeiten Sie sie wenn notwendig.
5. Führen Sie die Klassifizierung durch.