Классификации по методу максимального подобия (Spatial Analyst)

Доступно с лицензией Spatial Analyst.

Краткая информация

Выполняет классификацию по методу максимального подобия для набора каналов растра и создаёт классифицированный растр в качестве выходных данных.

Более подробно о том, как работает Классификация по методу максимального подобия

Использование

  • Если многоканальный растр указан как один из входных для параметра Входные каналы растра (in_raster_bands в Python), будут обработаны все каналы.

    Чтобы обработать выбранные каналы многоканального растра, сначала создайте новый набор растровых данных, состоящий только из необходимых каналов, с помощью инструмента Объединить каналы, затем укажите полученный набор как Входной растр (in_raster_bands в Python).

  • Любой файл сигнатур, созданный с помощью инструментов Создать сигнатуры (Create Signature), Редактировать сигнатуры (Edit Signature) или Изокластер (Iso Cluster), является действительным для использования в качестве входного файла сигнатур. Такой файл будет иметь расширение .gsg.

  • По умолчанию, на выходном растре будут классифицированы все ячейки, при этом к сигнатурам каждого из классов будут присоединены равные веса вероятностей.

  • Входной файл априорных вероятностей должен представлять собой ASCII-файл, состоящий из двух столбцов. Значения в левом столбце представляют идентификаторы классов (ID). Значения в правом столбце представляют априорные вероятности для соответствующих классов. Действительные значения априорных вероятностей для классов должны быть больше или равны нулю. Если в качестве вероятности задан ноль, класс не будет отображаться на выходном растре. Сумма заданных априорных вероятностей должна быть меньше или равна единице. Формат файла следующий:

        1  .3
        2  .1
        4  .0
        5  .15
        7  .05
        8  .2

    Классы, пропущенные в файле, получат среднюю априорную вероятность той части, которая останется от единицы. В примере выше, все классы с 1 по 8 представлены в файле сигнатур. Априорные вероятности классов 3 и 6 отсутствуют во входном файле априорной вероятности. Так как сумма всех вероятностей, определенных в файле выше, равна 0,8, остаток (0,2) делится на число не определенных классов (2). Следовательно, классам 3 и 6 будет присвоена вероятность, равная 0,1, каждому.

  • Заданная доля отклонения, которая лежит между двумя действительными значениями, будет присвоена следующему верхнему действительному значению. Например, значение 0,02 будет преобразовано в значение 0,025.

  • Существует прямая зависимость между числом неклассифицированных ячеек на выходном растре, вытекающем из доли отклонения, и числом ячеек, представленных суммой уровней доверия, меньших, чем соответствующее значение, введенное для доли отклонения.

  • Если имя класса в файле подписи отличается от идентификатора класса, в таблицу атрибутов выходного растра будет добавлено дополнительное поле CLASSNAME. Для каждого класса в этом поле выходной таблицы будет содержаться имя класса, связанное с этим классом. Например, если имена классов файла подписи имеют описательные строковые имена (например, хвойные деревья, вода и город), они будут перенесены в поле CLASSNAME.

  • Расширение входного файла априорных вероятностей – .txt.

  • См. раздел Параметры среды анализа и Spatial Analyst для получения дополнительной информации о среде геообработки данного инструмента.

Параметры

ПодписьОписаниеТип данных
Входные каналы растра

Входные каналы растров.

Если значения каналов являются целочисленными или числами с плавающей точкой, то файл сигнатур допускает лишь целочисленные значения классов.

Raster Layer
Входной файл сигнатур

Входной файл сигнатур, сигнатуры классов которого используются алгоритмом классификации по методу максимального подобия.

Требуется расширение .gsg.

File
Исключенная область
(Дополнительный)

Выберите долю отклонения, которая определяет, будет ли класс ячейки определяться исходя из вероятности того, насколько правильно она будет отнесена к одному из классов. Ячейки, вероятность правильного отнесения которых к любому из классов ниже, чем доля отклонения, получат значение NoData в выходном классифицированном растре.

Значение по умолчанию равно 0.0, означающее, что классифицированы будут все ячейки.

Допустимыми данными являются:

  • 0.0Исключенная область – 0.0
  • 0.005Исключенная область – 0.005
  • 0.01Исключенная область – 0.01
  • 0.025Исключенная область – 0.025
  • 0.05Исключенная область – 0.05
  • 0.1Исключенная область – 0.1
  • 0.25Исключенная область – 0.25
  • 0.5Исключенная область – 0.5
  • 0.75Исключенная область – 0.75
  • 0.9Исключенная область – 0.9
  • 0.95Исключенная область – 0.95
  • 0.975Исключенная область – 0.975
  • 0.99Исключенная область – 0.99
  • 0.995Исключенная область – 0.995
String
Взвешенная априорная вероятность
(Дополнительный)

Задает, как будут определяться априорные вероятности.

  • РавноВсем классам будут присвоены одинаковые априорные вероятности.
  • Извлечь по образцуАприорные вероятности будут пропорциональны числу ячеек в каждом классе по отношению к общему числу ячеек всех классов, представленных в файле сигнатур.
  • ФайлАприорные вероятности будут присвоены каждому классу из входного ASCII-файла априорной вероятности.
String
Входной файл априорных вероятностей
(Дополнительный)

Текстовой файл, содержащий априорные вероятности для входных классов сигнатур.

Входные данные для файла априорных вероятностей требуются, только если используется параметр Файл (File).

Расширением файла априорных вероятностей может быть расширение .txt или .asc.

File
Выходной растр достоверности
(Дополнительный)

Выходной набор растровых данных доверия показывает 14 уровней достоверности классификации, при этом более низкие значения уровней указывают на более высокую степень достоверности. Если ячейки, классифицированные на определенном уровне достоверности, отсутствуют, то такой уровень достоверности не будет представлен в выходном растре доверия.

Он будет целочисленного типа.

Raster Dataset

Возвращаемое значение

ПодписьОписаниеТип данных
Выходной классифицированный растр

Выходной классифицированный растр.

Он будет целочисленного типа.

Raster

MLClassify(in_raster_bands, in_signature_file, {reject_fraction}, {a_priori_probabilities}, {in_a_priori_file}, {out_confidence_raster})
ИмяОписаниеТип данных
in_raster_bands
[in_raster_band,...]

Входные каналы растров.

Если значения каналов являются целочисленными или числами с плавающей точкой, то файл сигнатур допускает лишь целочисленные значения классов.

Raster Layer
in_signature_file

Входной файл сигнатур, сигнатуры классов которого используются алгоритмом классификации по методу максимального подобия.

Требуется расширение .gsg.

File
reject_fraction
(Дополнительный)

Выберите долю отклонения, которая определяет, будет ли класс ячейки определяться исходя из вероятности того, насколько правильно она будет отнесена к одному из классов. Ячейки, вероятность правильного отнесения которых к любому из классов ниже, чем доля отклонения, получат значение NoData в выходном классифицированном растре.

Значение по умолчанию равно 0.0, означающее, что классифицированы будут все ячейки.

Допустимыми данными являются:

  • 0.0Исключенная область – 0.0
  • 0.005Исключенная область – 0.005
  • 0.01Исключенная область – 0.01
  • 0.025Исключенная область – 0.025
  • 0.05Исключенная область – 0.05
  • 0.1Исключенная область – 0.1
  • 0.25Исключенная область – 0.25
  • 0.5Исключенная область – 0.5
  • 0.75Исключенная область – 0.75
  • 0.9Исключенная область – 0.9
  • 0.95Исключенная область – 0.95
  • 0.975Исключенная область – 0.975
  • 0.99Исключенная область – 0.99
  • 0.995Исключенная область – 0.995
String
a_priori_probabilities
(Дополнительный)

Задает, как будут определяться априорные вероятности.

  • EQUALВсем классам будут присвоены одинаковые априорные вероятности.
  • SAMPLEАприорные вероятности будут пропорциональны числу ячеек в каждом классе по отношению к общему числу ячеек всех классов, представленных в файле сигнатур.
  • FILEАприорные вероятности будут присвоены каждому классу из входного ASCII-файла априорной вероятности.
String
in_a_priori_file
(Дополнительный)

Текстовой файл, содержащий априорные вероятности для входных классов сигнатур.

Входные данные для файла априорных вероятностей требуются, только если используется параметр Файл (File).

Расширением файла априорных вероятностей может быть расширение .txt или .asc.

File
out_confidence_raster
(Дополнительный)

Выходной набор растровых данных доверия показывает 14 уровней достоверности классификации, при этом более низкие значения уровней указывают на более высокую степень достоверности. Если ячейки, классифицированные на определенном уровне достоверности, отсутствуют, то такой уровень достоверности не будет представлен в выходном растре доверия.

Он будет целочисленного типа.

Raster Dataset

Возвращаемое значение

ИмяОписаниеТип данных
out_classified_raster

Выходной классифицированный растр.

Он будет целочисленного типа.

Raster

Пример кода

MaximimumLikelihoodClassification Пример 1 (окно Python)

В этом примере создается выходной классифицированный растр, содержащий 5 классов, полученных из входного файла сигнатур и многоканального растра.

import arcpy
from arcpy import env
from arcpy.sa import *
env.workspace = "C:/sapyexamples/data"
mlcOut = MLClassify("redlands", "c:/sapyexamples/data/wedit5.gsg", "0.0", 
                    "EQUAL", "", "c:/sapyexamples/output/redmlcconf")
mlcOut.save("c:/sapyexamples/output/redmlc")
MaximimumLikelihoodClassification. Пример 2 (автономный скрипт)

В этом примере создается выходной классифицированный растр, содержащий 5 классов, полученных из входного файла сигнатур и многоканального растра.

# Name: MLClassify_Ex_02.py
# Description: Performs a maximum likelihood classification on a set of 
#    raster bands.
# Requirements: Spatial Analyst Extension

# Import system modules
import arcpy
from arcpy import env
from arcpy.sa import *

# Set environment settings
env.workspace = "C:/sapyexamples/data"

# Set local variables
inRaster = "redlands"
sigFile = "c:/sapyexamples/data/wedit5.gsg"
probThreshold = "0.0"
aPrioriWeight = "EQUAL"
aPrioriFile = ""
outConfidence = "c:/sapyexamples/output/redconfmlc"


# Execute 
mlcOut = MLClassify(inRaster, sigFile, probThreshold, aPrioriWeight, 
                    aPrioriFile, outConfidence) 

# Save the output 
mlcOut.save("c:/sapyexamples/output/redmlc02")

Связанные разделы