Clasificar ráster utilizando espectros (Herramientas de Image Analyst)
Resumen
Clasificar un dataset ráster multibanda con técnicas de coincidencia espectral. Los datos espectrales de entrada se pueden proporcionar como una clase de entidad de punto o un archivo .json.
Uso
Si el archivo .json de entrada contiene valores espectrales proporcionados como reflectancia de superficie porcentual, se debe reescalar el dataset ráster con un factor de escala específico del sensor. Por ejemplo, los productos de reflectancia de superficie de nivel 2, colección 2 de Landsat 8 y 9 se pueden reescalar a 0–1 con esta expresión: Raster*0.0000275+(-0.2).
Después de aplicar factores de escala y desplazamiento, pueden generarse valores negativos, especialmente en entidades oscuras como el agua. Estos píxeles negativos deben enmascararse antes de utilizar el método de clasificación por divergencia de información espectral (SID).
El orden del ráster clasificado de salida sigue el orden del perfil espectral de entrada.
A continuación, se muestra un ejemplo de un perfil espectral proporcionado como un archivo .json:
La información espectral de distintas clases de píxeles.
Archivo de biblioteca espectral () que contiene las firmas espectrales de las clases, clase de entidad de puntos de muestra de entrenamiento generada desde el panel Administrador de muestras de entrenamiento o archivo .json que contiene las firmas espectrales de las clases.
Feature Layer; File; String
Método
Especifica el método de coincidencia espectral que se utilizará.
Asignador de ángulo espectral—El ángulo vectorial entre el ráster multibanda de entrada y el espectro de referencia se calculará de forma que el espectro de cada píxel se trata como un vector. Los valores de ángulo están en radianes.
Divergencia de información espectral—Se calculará la divergencia de la información espectral entre el ráster multibanda de entrada y el espectro de referencia. Se calculará una puntuación para cada píxel en función de la divergencia entre las distribuciones de probabilidad del píxel y el espectro de referencia. Los valores están en radianes.
Divergencia de información espectral y asignador de ángulos espectrales—Se calculará el producto de la puntuación de divergencia de información espectral y la tangente de la puntuación del asignador de ángulo espectral. Esta opción tiene una mayor capacidad de discriminación, en comparación con las opciones SID y SAM individualmente.
Similitud espectral normalizada—Se calculará el método de Similitud espectral normalizada. Este método calcula la puntuación de la coincidencia espectral a partir de la distancia euclidiana y la puntuación del asignador de ángulo espectral. Esta opción tiene una alta capacidad de discriminación, pero requiere una gran cantidad de datos de referencia para ofrecer un grado de exactitud alto.
String
Umbrales
(Opcional)
El umbral que se utilizará para la coincidencia espectral. Los valores de píxel que superan este valor se clasificarán como no definidos. Puede ser un valor único aplicado a todas las clases espectrales o a una lista de valores delimitada por espacios para cada clase.
String
Ráster de puntuación de salida
(Opcional)
Ráster multibanda que almacena los resultados coincidentes para cada miembro final. El orden de las bandas sigue el orden de las clases en el valor del parámetro Espectros o puntos. Si la entrada es un ráster multidimensional, el formato de salida debe ser CRF.
La información espectral de distintas clases de píxeles.
Archivo de biblioteca espectral () que contiene las firmas espectrales de las clases, clase de entidad de puntos de muestra de entrenamiento generada desde el panel Administrador de muestras de entrenamiento o archivo .json que contiene las firmas espectrales de las clases.
Feature Layer; File; String
method
Especifica el método de coincidencia espectral que se utilizará.
SAM—El ángulo vectorial entre el ráster multibanda de entrada y el espectro de referencia se calculará de forma que el espectro de cada píxel se trata como un vector. Los valores de ángulo están en radianes.
SID—Se calculará la divergencia de la información espectral entre el ráster multibanda de entrada y el espectro de referencia. Se calculará una puntuación para cada píxel en función de la divergencia entre las distribuciones de probabilidad del píxel y el espectro de referencia. Los valores están en radianes.
SIDSAM—Se calculará el producto de la puntuación de divergencia de información espectral y la tangente de la puntuación del asignador de ángulo espectral. Esta opción tiene una mayor capacidad de discriminación, en comparación con las opciones SID y SAM individualmente.
NS3—Se calculará el método de Similitud espectral normalizada. Este método calcula la puntuación de la coincidencia espectral a partir de la distancia euclidiana y la puntuación del asignador de ángulo espectral. Esta opción tiene una alta capacidad de discriminación, pero requiere una gran cantidad de datos de referencia para ofrecer un grado de exactitud alto.
String
thresholds
(Opcional)
El umbral que se utilizará para la coincidencia espectral. Los valores de píxel que superan este valor se clasificarán como no definidos. Puede ser un valor único aplicado a todas las clases espectrales o a una lista de valores delimitada por espacios para cada clase.
String
out_score_raster
(Opcional)
Ráster multibanda que almacena los resultados coincidentes para cada miembro final. El orden de las bandas sigue el orden de las clases en el valor del parámetro in_spectra_file. Si la entrada es un ráster multidimensional, el formato de salida debe ser CRF.
Raster Dataset
out_classifier_definition
(Opcional)
Archivo .ecd de salida.
File
Valor de retorno
Nombre
Explicación
Tipo de datos
out_classified_raster
Ráster clasificado de salida.
Raster
Muestra de código
Ejemplo 1 de ClassifyRasterUsingSpectra
Este ejemplo realiza una representación cartográfica de ángulo espectral (SAM) en un ráster Landsat 8 con umbrales especificados para cada clase. La especificación de referencia se proporciona en un archivo .json.
# Import system modules
import arcpy
from arcpy.ia import *
# Set local variables
in_raster = "C:/Data/LandSat8_SurfaceReflectance.tif"
in_spectra_file = "C:/Data/ref_spectra.json"
method = "SAM"
thresholds = ".08 .04 .05 .07"
out_score_raster = "C:/Data/scoreSAM.crf"
out_classifier_definition = "C:/Data/SAM_classifier.ecd"
# Run
Classified_output = arcpy.ia.ClassifyRasterUsingSpectra(in_raster, in_spectra_file, method, thresholds, out_score_raster, out_classifier_definition)
# Save output
Classified_output.save("C:/data/Classified_output.crf")
Ejemplo 2 de ClassifyRasterUsingSpectra
En este ejemplo se calcula la divergencia de información espectral (SID) entre un ráster Landsat 8 y un espectro de referencia derivado de una clase de entidad de punto.
# Import system modules
import arcpy
from arcpy.ia import *
# Set local variables
in_raster = "C:/Data/LandSat8_SurfaceReflectance.tif"
in_spectra_file = "C:/Data/ref_spectra.shp"
method = "SID"
thresholds = .08
out_score_raster = "C:/Data/scoreSID.crf"
out_classifier_definition = "C:/Data/SID_classifier.ecd"
# Run
Classified_output = arcpy.ia.ClassifyRasterUsingSpectra(in_raster, in_spectra_file, method, thresholds, out_score_raster, out_classifier_definition)
# Save output
Classified_output.save("C:/data/Classified_output.crf")