了解多元分类

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。类或目录的示例包括土地使用类型、熊更喜欢的位置以及雪崩的可能性等。

分类有两种类型:监督分类和非监督分类。在监督分类中,您有一个要素的采样。例如,您知道在研究区域的北部有一片针叶林,因此您通过在地图上用一个面(或多个面)将其包围来识别它。然后,分别为麦田、市区建筑物和水域创建一个面来将其包围。您继续执行此过程,直到有足够多的要素来表示类,且数据中的所有类均已被识别为止。每组要素都被视为一个类,而包围该类的面便是训练样本。将训练样本识别完成后,对其进行多元统计数据计算以建立类内部与类之间的关系。统计数据存储在特征文件中。

在非监督分类中,您不知道任何指定位置处的要素实际上是什么,但是您想要将每个位置聚合为指定数量的组或聚类之一。由什么来确定每个位置要分配给哪个类或聚类取决于对输入波段进行的多元统计数据计算。根据聚类中每个像元的每个波段的值,每个聚类在统计上都独立于其他聚类。用于建立聚类定义的统计数据将存储在特征文件中。

执行分类的步骤有四个:

  1. 创建和分析输入数据。
  2. 为类和聚类分析生成特征。
  3. 评估(如有必要)和编辑类和聚类。
  4. 执行分类。

分类的输入类型有两种:要分析的输入栅格波段和要拟合位置的类或聚类。在分类的归类过程中,用于多元分析的输入栅格波段需要有影响力或是一个关键因素。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,而土壤类型可能没有任何影响。

一个类对应于一个有意义的位置分组。类的示例包括森林、水体、田地以及居民区等。派生自聚类的类包括鹿的栖息地或土壤腐蚀的可能性。

每个位置均可将值集或值矢量、与每个变量对应的一个值或在分析中输入的波段作为特性。每个位置都能够以点的形式显示在轴与每个输入波段所表示的变量相对应的多维属性空间中。一个类或聚类就是这种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,则这两个位置将归属于同一个类或聚类。多波段栅格和各个单波段栅格均可用作多元统计分析的输入。

如果可按类的属性值对类进行分隔或区分,则对应于已知类的位置可在属性空间中形成聚类。可以将属性空间中对应于自然聚类的位置解释为地层的自然出现的类。

空间分析的影像分类工具条可帮助您实现完成分类所需的多步骤工作流。通过此工具条可在集成环境中创建和分析类与聚类、创建和验证特征以及执行分类。

了解有关影像分类的详细信息

多元统计分析参考书目

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.

相关主题

5/10/2014