Multidimensionale Principal Components Analysis (Image Analyst Tools)

Zusammenfassung

Transformiert multidimensionale Raster in ihre Hauptkomponenten, Gewichtungen 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.

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 Gewichtungen, 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.

Beschriftung	Erläuterung	Datentyp
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, wird standardmäßig der Wert der ersten Dimension 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. Dimensionsreduktion—Die Eingabe-Zeitseriendaten werden wie eine Reihe von Bildern behandelt. In diesem Fall werden Hauptkomponenten berechnet, die vorherrschende Muster im Zeitverlauf extrahieren. Dies ist die Standardeinstellung. Räumliche Reduktion—Die Eingabe-Zeitseriendaten werden wie eine Gruppe Pixel behandelt. In diesem Fall werden Hauptkomponenten, die vorherrschende Muster und Positionen im Zeitverlauf extrahieren, als Satz eindimensionaler Arrays, die in einer Tabelle gespeichert werden, berechnet.	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 größten Eigenwert, das zweite Band enthält die Hauptkomponente mit dem zweitgrößten 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-Gewichtungen	Die Ausgabe-Gewichtungs-Daten, 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 Gewichtungen 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. Die Zellengröße in dieser Ausgabe kann größer als die im Eingabe-Raster sein, da zum Reduzieren der Komplexität der Berechnung eine zufällige Reprojektion angewendet wird.	Table; Raster Dataset
Ausgabe-Eigenwerte (Optional)	Die Ausgabe-Eigenwerte-Tabelle. Eigenwerte sind Werte, die den Prozentsatz der Varianz einer Komponente angeben. Mit Eigenwerten können Sie die Anzahl der Hauptkomponenten definieren, die zum Darstellen des Datasets erforderlich sind.	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 finden, in denen die Temperaturwerte am höchsten waren, geben Sie die Temperatur als 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 kann auch ein Prozentsatz (%) sein. Ein Wert von 90 % bedeutet zum Beispiel, dass die Anzahl der Komponenten, die 90 Prozent der Varianz in den Daten erklären können, berechnet werden soll.	String

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

Name	Erläuterung	Datentyp
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, wird standardmäßig der Wert der ersten Dimension 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_REDUCTION`—Die Eingabe-Zeitseriendaten werden wie eine Reihe von Bildern behandelt. In diesem Fall werden Hauptkomponenten berechnet, die vorherrschende Muster im Zeitverlauf extrahieren. Dies ist die Standardeinstellung. `SPATIAL_REDUCTION`—Die Eingabe-Zeitseriendaten werden wie eine Gruppe Pixel behandelt. In diesem Fall werden Hauptkomponenten, die vorherrschende Muster und Positionen im Zeitverlauf extrahieren, als Satz eindimensionaler Arrays, die in einer Tabelle gespeichert werden, berechnet.	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 größten Eigenwert, das zweite Band enthält die Hauptkomponente mit dem zweitgrößten 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 Ausgabe-Gewichtungs-Daten, 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 Gewichtungen 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. Die Zellengröße in dieser Ausgabe kann größer als die im Eingabe-Raster sein, da zum Reduzieren der Komplexität der Berechnung eine zufällige Reprojektion angewendet wird.	Table; Raster Dataset
out_eigenvalues (Optional)	Die Ausgabe-Eigenwerte-Tabelle. Eigenwerte sind Werte, die den Prozentsatz der Varianz einer Komponente angeben. Mit Eigenwerten können Sie die Anzahl der Hauptkomponenten definieren, die zum Darstellen des Datasets erforderlich sind.	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 finden, in denen die Temperaturwerte am höchsten waren, geben Sie die Temperatur als 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 kann auch ein Prozentsatz (%) sein. Ein Wert von 90 % bedeutet zum Beispiel, dass die Anzahl der Komponenten, die 90 Prozent der Varianz in den Daten erklären können, berechnet werden soll.	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 *

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 *

# 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

# Run
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 *

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)

Umgebungen

Komprimierung, Aktueller Workspace, Ausdehnung, Geographische Transformationen, NoData, Ausgabe-CONFIG-Schlüsselwort, Ausgabe-Koordinatensystem, Faktor für parallele Verarbeitung, Pyramide, Resampling-Methode, Raster-Statistiken, Scratch-Workspace, Fang-Raster, Kachelgröße

Lizenzierungsinformationen