Preparar clasificador de árboles aleatorios (Herramientas de Image Analyst)
Resumen
Genera un archivo de definición de clasificador de Esri (.ecd) utilizando el método de clasificación de árboles aleatorios.
El clasificador de árboles aleatorios es una técnica de clasificación de imágenes que resiste al exceso de ajuste y que puede funcionar con imágenes segmentadas y con otros datasets ráster antiguos. Para las entradas de imagen estándar, la herramienta acepta imágenes multibanda con cualquier profundidad de bit y realiza la clasificación Árboles aleatorios por píxel o segmento, según el archivo de entidades de entrenamiento de entrada.
Uso
The Random Trees classification method is a collection of individual decision trees in which each tree is generated from different samples and subsets of the training data. The idea behind calling these decision trees is that for every pixel that is classified, a number of decisions are made in rank order of importance. When you graph these for a pixel, it looks like a branch. When you classify the entire dataset, the branches form a tree. This method is called random trees because you are actually classifying the dataset a number of times based on a random subselection of training pixels, resulting in many decision trees. To make a final decision, each tree has a vote. This process works to mitigate overfitting. The Random Trees classification method is a supervised machine-learning classifier based on constructing a multitude of decision trees, choosing random subsets of variables for each tree, and using the most frequent tree output as the overall classification. The Random Trees classification method corrects for the decision trees' propensity for overfitting to their training sample data. With this method, a number of trees are grown—por analogía, un bosque, y la variación entre los árboles se introduce proyectando los datos de entrenamiento en un subespacio elegido al azar antes de colocar cada árbol. La decisión en cada nodo se optimiza mediante un procedimiento aleatorio.
Para los rásteres segmentados, que tienen establecida la propiedad clave en Segmentada, la herramienta calcula la imagen de índice y los atributos de segmento asociados del ráster segmentado RGB. Se calculan los atributos para generar el archivo de definición de clasificador que se va a utilizar en una herramienta de clasificación aparte. Los atributos de cada segmento se pueden calcular desde cualquier imagen compatible con Esri.
Se acepta como entrada cualquier ráster compatible con Esri, incluidos productos de ráster, rásteres segmentados, mosaicos, servicios de imágenes y datasets ráster genéricos. Los rásteres segmentados deben tener 8 bits y 3 bandas.
Para crear el archivo de ejemplo de formación, utilice el panel Administrador de muestras de entrenamiento del menú desplegable Herramientas de clasificación.
El parámetro Atributos de segmento solo está activo si una de las entradas de capa ráster es una imagen segmentada.
Para clasificar datos ráster de series temporales utilizando el algoritmo Clasificación y detección de cambios continuas (CCDC), ejecute primero la herramienta Analizar cambios usando CCDC. Luego utilice el ráster de análisis de cambios de salida como ráster de entrada para esta herramienta de entrenamiento.
Los datos de muestra de entrenamiento se deben haber recopilado en varios momentos mediante el Administrador de muestras de entrenamiento. El valor de dimensión de cada muestra aparece en un campo de la clase de entidad de muestra de entrenamiento, que se especifica en el parámetro Campo de valor de dimensión.
Parámetros
| Etiqueta | Explicación | Tipo de datos |
|---|---|---|
|
Ráster de entrada |
El dataset ráster a clasificar. Puede utilizar cualquier dataset ráster compatible con Esri. Una opción es un dataset ráster segmentado de 3 bandas y 8 bits en el cual todos los píxeles del mismo segmento tienen el mismo color. La entrada también puede ser un ráster segmentado en escala de grises de banda única y 8 bits. |
Raster Layer; Mosaic Layer; Image Service; String |
|
Archivo de ejemplo de preparación de entrada |
La capa o archivo de muestra de entrenamiento que delinea los sitios de entrenamiento. Estos pueden ser shapefiles o clases de entidad que contengan las muestras de entrenamiento. Los siguientes nombres de campo son obligatorios en el archivo de muestra de entrenamiento:
|
Feature Layer |
|
Archivo de definición de clasificadores de salida |
Archivo JSON que contiene información de atributos, estadísticas u otra información para el clasificador. Se crea un archivo |
File |
|
Ráster de entrada adicional (Opcional) |
Se incorporan datasets ráster secundarios, como una imagen multiespectral o un DEM, para generar atributos y otra información requerida por la clasificación. Este parámetro es opcional. |
Raster Layer; Mosaic Layer; Image Service; String |
|
Número máximo de árboles (Opcional) |
El número máximo de árboles en el bosque. Al aumentar el número de árboles se obtendrán tasas de precisión más elevadas aunque, al final, esta mejora se estabiliza. El número de árboles aumenta el tiempo de procesamiento de forma lineal. |
Long |
|
Profundidad máxima de árbol (Opcional) |
La profundidad máxima de cada árbol del bosque. La profundidad es otra forma de indicar la cantidad de reglas que puede crear cada árbol para llegar a una decisión. Los árboles no profundizarán más allá de este valor. |
Long |
|
Número máximo de muestras por clase (Opcional) |
El número máximo de muestras que se utilizarán para definir cada clase. Se recomienda el valor predeterminado de 1000 cuando las entradas son rásteres no segmentados. Un valor igual o menor que 0 significa que el sistema siempre utilizará todas las muestras de los sitios de formación para preparar el clasificador. |
Long |
|
Atributos de segmento (Opcional) |
Especifica los atributos que se incluirán en la tabla de atributos asociada con el ráster de salida. Este parámetro solo está activo si la propiedad clave Segmentado se establece en verdadero en el ráster de entrada. Si la única entrada de la herramienta es una imagen segmentada, los atributos predeterminados son Color convergido, Recuento de píxeles, Compactación y Rectangularidad. Si se incluye un valor Ráster de entrada adicional como entrada junto a la imagen segmentada, también están disponibles los atributos Número de dígito medio y Desviación estándar.
|
String |
|
Campo de valor de dimensión (Opcional) |
Contiene valores de dimensión de la clase de entidad de muestra de entrenamiento de entrada. Este parámetro es necesario para clasificar una serie temporal de datos ráster con la salida ráster de análisis de cambios de la herramienta Analizar cambios usando CCDC. |
Field |
Entornos
Espacio de trabajo actual, Extensión, Transformaciones geográficas, Sistema de coordenadas de salida, Espacio de trabajo temporal, Alinear ráster
Información de licenciamiento
- Basic: Requiere Image Analyst o Spatial Analyst
- Standard: Requiere Image Analyst o Spatial Analyst
- Avanzado: Requiere Image Analyst o Spatial Analyst