Multidimensionale Hauptkomponenten (Image Analyst)

Mit der Image Analyst-Lizenz verfügbar.

Zusammenfassung

Transformiert multidimensionale Raster in ihre Hauptkomponenten, Lasten und Eigenwerte. Die Daten werden mit dem Werkzeug in eine reduzierte Anzahl von Komponenten übertragen, aus denen die Varianz der Daten hervorgeht, damit räumliche und zeitliche Muster einfach identifiziert werden können.

Verwendung

  • Verwenden Sie Eigenwerte und kumulative Prozentsätze von Varianzen in der Tabelle Ausgabe-Eigenwerte, um die Anzahl der Hauptkomponenten zu bestimmen, die zum Definieren der Daten erforderlich sind, ohne dass wichtige Informationen verloren gehen.

    Eigenwert-Tabelle

    Im Beispiel oben zeigt die erste Komponente 72,51 Prozent der Varianz. Um einen Wert von 95 Prozent der Varianz zu erreichen, wählen Sie die ersten fünf Komponenten aus.

  • Mit der Option Dimensionsreduktion des Parameters Modus werden die Daten als Bilder analysiert. Dabei werden die Daten in Bilder transformiert und reduziert, mit denen die bestimmenden Features und Muster erfasst werden. Bei den Hauptkomponenten handelt es sich um Raster, die als Multiband-Dataset gespeichert werden.

  • Mit der Option Räumliche Reduktion des Parameters Modus werden die Daten als Pixel-Zeitserien analysiert. Dabei werden die bestimmenden zeitlichen Muster und die entsprechenden räumlichen Positionen dieser zeitlichen Muster ermittelt. Bei den Hauptkomponenten handelt es sich um eindimensionale Arrays, die in einer Tabelle gespeichert werden.

  • Zur Analyse und Interpretation der Lasten, Hauptkomponenten und Eigenwerte werden auf den Ausgabe-Layern automatisch Diagramme erstellt.

  • Im Parameter Anzahl der Hauptkomponenten wird die Anzahl der Bänder in der Ausgabe angegeben. Verwenden Sie einen angemessenen Prozentsatz oder eine entsprechende Anzahl von Komponenten, damit keine unnötig großen Raster ausgegeben werden. Normalerweise sind die ersten Komponenten für einen Großteil der Varianz in den Daten verantwortlich.

Parameter

BeschriftungErläuterungDatentyp
Multidimensionales Eingabe-Raster

Das als Eingabe verwendete multidimensionale Raster.

Im Werkzeug werden Daten entlang einer Dimension verarbeitet, z. B. einem Zeitserien-Raster oder einem Datenwürfel, der durch eine nicht-zeitliche Dimension [X, Y, Z] definiert ist. Wenn eine Eingabevariable mehrere Dimensionen enthält, z. B. Tiefe und Zeit, wird standardmäßig der erste Dimensionswert verwendet.

Sie können die multidimensionalen Daten ggf. mit dem Werkzeug Multidimensionalen Raster-Layer erstellen oder Teilmenge eines multidimensionalen Rasters neu definieren, etwa, um multidimensionale Daten in ein Dataset mit einer Dimension zu konfigurieren.

Raster Dataset; Mosaic Dataset; Raster Layer; Mosaic Layer; Image Service; File
Modus

Gibt an, mit welcher Methode die Hauptkomponentenanalyse durchgeführt wird.

  • DimensionsreduktionDie Eingabe-Zeitseriendaten werden wie eine Reihe von Bildern behandelt. Die Hauptkomponenten, mit denen im Zeitverlauf vorherrschende Muster extrahiert werden, werden berechnet. Dies ist die Standardeinstellung.
  • Räumliche ReduktionDie Eingabe-Zeitseriendaten werden wie eine Gruppe Pixel behandelt. Die Hauptkomponenten, mit denen vorherrschende Muster und Positionen im Zeitverlauf extrahiert werden, werden als eindimensionale Arrays berechnet, die in einer Tabelle gespeichert werden.
String
Dimension

Der verwendete Dimensionsname für die Verarbeitung der Hauptkomponenten.

String
Ausgabe-Hauptkomponenten

Der Name des Ausgabe-Raster-Datasets.

Wenn der Parameter Modus als Dimensionsreduktion angegeben wird, ist die Ausgabe ein Multiband-Raster, bei dem die Komponenten als Bänder dargestellt werden. Das erste Band ist die erste Hauptkomponente mit dem höchsten Eigenwert, das zweite Band umfasst die Hauptkomponente mit dem zweithöchsten Eigenwert usw. Die Ausgabe erfolgt im CRF-Dateiformat (.crf), bei dem die multidimensionalen Informationen beibehalten werden.

Wenn der Parameter Modus als Räumliche Reduktion angegeben wird, ist die Ausgabe eine Tabelle mit Zeitseriendaten, die die Hauptkomponenten darstellen.

Raster Dataset; Table
Ausgabe-Lasten

Die Daten der Ausgabe-Lasten, die einen Teil der Hauptkomponenten ausmachen.

Wenn der Parameter Modus als Dimensionsreduktion angegeben wird, ist die Ausgabe eine Tabelle mit den Gewichtungen, die die einzelnen Eingabe-Raster zu den Hauptkomponenten beigetragen haben. Diese Gewichtungen definieren die Korrelationen der Eingabedaten und der Ausgabe-Hauptkomponenten. Verwenden Sie die Dateierweiterung .csv, um die Lasten in einer Datei mit kommagetrennten Werten auszugeben.

Wenn der Parameter Modus als Räumliche Reduktion angegeben wird, ist die Ausgabe ein Raster, bei dem Pixelwerte die Gewichtungen sind, die einen Teil der Hauptkomponenten ausmachen. Pixel mit größeren Werten korrelieren stärker mit den Hauptkomponenten. Bei dieser Ausgabe kann sich im Vergleich zum Eingabe-Raster eine größere Zellengröße ergeben, da eine zufällige Reprojektion angewendet wird, um die komplexe Berechnung zu vereinfachen.

Die Daten der Ausgabe-Lasten, die einen Teil der Hauptkomponenten ausmachen.

Wenn der Parameter mode als DIMENSION_REDUCTION angegeben wird, ist die Ausgabe eine Tabelle mit den Gewichtungen, die die einzelnen Eingabe-Raster zu den Hauptkomponenten beigetragen haben. Diese Gewichtungen definieren die Korrelationen der Eingabedaten und der Ausgabe-Hauptkomponenten. Verwenden Sie die Dateierweiterung .csv, um die Lasten in einer Datei mit kommagetrennten Werten auszugeben.

Wenn der Parameter mode als SPATIAL_REDUCTION angegeben wird, ist die Ausgabe ein Raster, bei dem Pixelwerte die Gewichtungen sind, die einen Teil der Hauptkomponenten ausmachen. Pixel mit größeren Werten korrelieren stärker mit den Hauptkomponenten. Bei dieser Ausgabe kann sich im Vergleich zum Eingabe-Raster eine größere Zellengröße ergeben, da eine zufällige Reprojektion angewendet wird, um die komplexe Berechnung zu vereinfachen.

Table; Raster Dataset
Ausgabe-Eigenwerte
(optional)

Die Ausgabe-Eigenwerte-Tabelle. Eigenwerte sind Werte, die den Varianz-Prozentsatz der einzelnen Komponenten angeben. Mit Eigenwerten können Sie die Anzahl der Hauptkomponenten definieren, die zur Repräsentation des Datasets benötigt werden.

Table
Variable
(optional)

Die Variable des in der Berechnung verwendeten multidimensionalen Eingabe-Rasters. Wenn das Eingabe-Raster multidimensional ist und keine Variable angegeben wurde, wird standardmäßig nur die erste Variable analysiert.

Um zum Beispiel die Jahre zu ermitteln, in denen die Temperaturwerte am höchsten waren, geben Sie die Temperatur als die zu analysierende Variable an. Wenn Sie keine Variablen angeben und als Variablen sowohl die Temperatur als auch der Niederschlag verfügbar sind, werden beide Variablen analysiert, und das multidimensionale Ausgabe-Raster enthält dann auch beide Variablen.

String
Anzahl der Hauptkomponenten
(optional)

Die Anzahl der zu berechnenden Hauptkomponenten. Normalerweise ist diese Anzahl niedriger als die Anzahl der Eingabe-Raster.

Dieser Parameter wird als Prozentsatz (%) angegeben. Ein Wert von 90 % bedeutet etwa, dass die Anzahl der Komponenten, auf die sich 90 Prozent der Varianz in den Daten zurückführen lassen, berechnet wird.

String

MultidimensionalPrincipalComponents(in_multidimensional_raster, mode, dimension, out_pc, out_loadings, {out_eigenvalues}, {variable}, {number_of_pc})
NameErläuterungDatentyp
in_multidimensional_raster

Das als Eingabe verwendete multidimensionale Raster.

Im Werkzeug werden Daten entlang einer Dimension verarbeitet, z. B. einem Zeitserien-Raster oder einem Datenwürfel, der durch eine nicht-zeitliche Dimension [X, Y, Z] definiert ist. Wenn eine Eingabevariable mehrere Dimensionen enthält, z. B. Tiefe und Zeit, wird standardmäßig der erste Dimensionswert verwendet.

Sie können die multidimensionalen Daten ggf. mit dem Werkzeug Multidimensionalen Raster-Layer erstellen oder Teilmenge eines multidimensionalen Rasters neu definieren, etwa, um multidimensionale Daten in ein Dataset mit einer Dimension zu konfigurieren.

Raster Dataset; Mosaic Dataset; Raster Layer; Mosaic Layer; Image Service; File
mode

Gibt an, mit welcher Methode die Hauptkomponentenanalyse durchgeführt wird.

  • DIMENSION_REDUCTIONDie Eingabe-Zeitseriendaten werden wie eine Reihe von Bildern behandelt. Die Hauptkomponenten, die im Zeitverlauf vorherrschende Muster extrahieren, werden berechnet. Dies ist die Standardeinstellung.
  • SPATIAL_REDUCTIONDie Eingabe-Zeitseriendaten werden wie eine Gruppe Pixel behandelt. Die Hauptkomponenten, mit denen vorherrschende Muster und Positionen im Zeitverlauf extrahiert werden, werden als eindimensionale Arrays berechnet, die in einer Tabelle gespeichert werden.
String
dimension

Der verwendete Dimensionsname für die Verarbeitung der Hauptkomponenten.

String
out_pc

Der Name des Ausgabe-Raster-Datasets.

Wenn der Parameter mode als DIMENSION_REDUCTION angegeben wird, ist die Ausgabe ein Multiband-Raster, bei dem die Komponenten als Bänder dargestellt werden. Das erste Band ist die erste Hauptkomponente mit dem höchsten Eigenwert, das zweite Band umfasst die Hauptkomponente mit dem zweithöchsten Eigenwert usw. Die Ausgabe erfolgt im CRF-Dateiformat (.crf), bei dem die multidimensionalen Informationen beibehalten werden.

Wenn der Parameter mode als SPATIAL_REDUCTION angegeben wird, ist die Ausgabe eine Tabelle mit Zeitseriendaten, die die Hauptkomponenten darstellen.

Raster Dataset; Table
out_loadings

Die Daten der Ausgabe-Lasten, die einen Teil der Hauptkomponenten ausmachen.

Wenn der Parameter mode als DIMENSION_REDUCTION angegeben wird, ist die Ausgabe eine Tabelle mit den Gewichtungen, die die einzelnen Eingabe-Raster zu den Hauptkomponenten beigetragen haben. Diese Gewichtungen definieren die Korrelationen der Eingabedaten und der Ausgabe-Hauptkomponenten. Verwenden Sie die Dateierweiterung .csv, um die Lasten in einer Datei mit kommagetrennten Werten auszugeben.

Wenn der Parameter mode als SPATIAL_REDUCTION angegeben wird, ist die Ausgabe ein Raster, bei dem Pixelwerte die Gewichtungen sind, die einen Teil der Hauptkomponenten ausmachen. Pixel mit größeren Werten korrelieren stärker mit den Hauptkomponenten. Bei dieser Ausgabe kann sich im Vergleich zum Eingabe-Raster eine größere Zellengröße ergeben, da eine zufällige Reprojektion angewendet wird, um die komplexe Berechnung zu vereinfachen.

Table; Raster Dataset
out_eigenvalues
(optional)

Die Ausgabe-Eigenwerte-Tabelle. Eigenwerte sind Werte, die den Varianz-Prozentsatz der einzelnen Komponenten angeben. Mit Eigenwerten können Sie die Anzahl der Hauptkomponenten definieren, die zur Repräsentation des Datasets benötigt werden.

Table
variable
(optional)

Die Variable des in der Berechnung verwendeten multidimensionalen Eingabe-Rasters. Wenn das Eingabe-Raster multidimensional ist und keine Variable angegeben wurde, wird standardmäßig nur die erste Variable analysiert.

Um zum Beispiel die Jahre zu ermitteln, in denen die Temperaturwerte am höchsten waren, geben Sie die Temperatur als die zu analysierende Variable an. Wenn Sie keine Variablen angeben und als Variablen sowohl die Temperatur als auch der Niederschlag verfügbar sind, werden beide Variablen analysiert, und das multidimensionale Ausgabe-Raster enthält dann auch beide Variablen.

String
number_of_pc
(optional)

Die Anzahl der zu berechnenden Hauptkomponenten. Normalerweise ist diese Anzahl niedriger als die Anzahl der Eingabe-Raster.

Dieser Parameter wird als Prozentsatz (%) angegeben. Ein Wert von 90 % bedeutet etwa, dass die Anzahl der Komponenten, auf die sich 90 Prozent der Varianz in den Daten zurückführen lassen, berechnet wird.

String

Codebeispiel

MultidimensionalPrincipalComponents – Beispiel 1 (Python-Fenster)

In diesem Beispiel werden drei Hauptkomponenten aus einem NDVI-Zeitserien-Raster berechnet.

# Import system modules 
import arcpy 
from arcpy.ia import *  

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst") 

arcpy.env.workspace = r"c:\data" 
arcpy.ia.MultidimensionalPrincipalComponents('ndviData.crf', 'DIMENSION_REDUCTION', "StdTime", "ndviData_PC.crf", "ndviData_loadings.csv", "ndviData_eiganvalues.csv", None, 3)
MultidimensionalPrincipalComponents – Beispiel 2 (eigenständiges Skript)

In diesem Beispiel werden vier Hauptkomponenten aus einem NDVI-Zeitserien-Raster im Modus "Dimensionsreduktion" berechnet.

# Import system modules 
import arcpy 
from arcpy.ia import * 

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst") 

# Define input parameters 
inputFile = r"c:\data\ndviData.crf" 
mode = "DIMENSION_REDUCTION" 
dimension = "StdTime" 
out_pc = r"c:\data\ndviData_pc.tif" 
out_loadings = r"c:\data\ndviData_loadings.csv" 
out_eiganvalues = r"c:\data\ndviData_pc.csv" 
variable = "ndvi" 
pc_number = 4 
  
# Execute  

arcpy.ia.MultidimensionalPrincipalComponents(inputFile, mode, dimension, out_pc, out_loadings, out_eiganvalues, variable, pc_number)
MultidimensionalPrincipalComponents – Beispiel 3 (Python-Fenster)

In diesem Beispiel werden drei Hauptkomponenten aus einem Zeitserien-Raster im Modus "Räumliche Reduktion" berechnet.

# Import system modules  

import arcpy  
from arcpy.ia import *   

# Check out the ArcGIS Image Analyst extension license  
arcpy.CheckOutExtension("ImageAnalyst")  

arcpy.env.workspace = r"c:\data"  
arcpy.ia.MultidimensionalPrincipalComponents('sstData.crf', 'SPATIAL_REDUCTION', "StdTime", "sstData_temporal_PC.csv", "sstData_loading_raster.crf", "sstData_eiganvalues.csv", None, 3)

Verwandte Themen