Fonctionnement de l’outil Agrégat ISO
Disponible avec une licence Spatial Analyst.
L’outil Agrégat ISO utilise une procédure d’agrégation d’optimisation itérative modifiée, également nommée technique de migration des moyennes. L’algorithme répartit toutes les cellules dans le nombre de groupes unimodaux distincts spécifié par l’utilisateur, dans l’espace multidimensionnel des bandes en entrée. Cet outil est utilisé le plus souvent pour préparer la classification non supervisée.
Le préfixe iso de l’algorithme d’agrégation isodata signifie Iterative Self-Organizing (ISO), qui est une méthode d’auto-organisation itérative pour l’agrégation. Ce type d’agrégation utilise un processus dans lequel, au cours de chaque itération, tous les échantillons sont attribués à des centres d’agrégat existants et les nouvelles moyennes sont recalculées pour chaque classe. Le nombre optimal de classes à spécifier est généralement inconnu. Par conséquent, il est conseillé d’entrer un nombre traditionnellement élevé, d’analyser les agrégats obtenus et de réexécuter la fonction avec un nombre de classes plus petit.
L’algorithme de l’outil Agrégat ISO est un processus itératif permettant de calculer la distance euclidienne minimale lors de l’attribution de chaque cellule candidate à un agrégat. Le processus commence par l’attribution de moyennes arbitraires par le logiciel, une pour chaque agrégat (vous déterminez le nombre d’agrégats). Chaque cellule est attribuée à la plus proche de ces moyennes (toutes dans l’espace attributaire multidimensionnel). Les nouvelles moyennes sont recalculées pour chaque agrégat en fonction des distances attributaires des cellules appartenant à l’agrégat après la première itération. Le processus est répété : chaque cellule est attribuée à la moyenne la plus proche dans l’espace attributaire multidimensionnel, et les nouvelles moyennes sont calculées pour chaque agrégat en fonction de l’appartenance des cellules de l’itération. Vous pouvez spécifier le nombre d’itérations du processus avec le paramètre Number of iterations (Nombre d’itérations). Cette valeur doit être suffisamment élevée pour garantir qu’après l’exécution du nombre spécifié d’itérations, la migration des cellules d’un agrégat à un autre est minimale. De ce fait, tous les agrégats deviennent stables. Si vous augmentez le nombre d’agrégats, vous devez également augmenter le nombre d’itérations.
La valeur Number of classes (Nombre de classes) spécifiée correspond au nombre maximal d’agrégats pouvant résulter du processus d’agrégation. Toutefois, le nombre d’agrégats dans le fichier de signatures en sortie peut être différent du nombre de classes spécifié. Cette situation survient dans les cas suivants :
Les valeurs des données et les moyennes d’agrégat initiales ne sont pas distribuées de manière égale. Dans certaines plages de valeurs de cellule, la fréquence des occurrences de ces agrégats peut être proche de zéro. Par conséquent, certaines des moyennes d’agrégat initialement prédéfinies risquent de ne pas pouvoir absorber suffisamment de membres de cellule.
Les agrégats contenant moins de cellules que la valeur Minimum class size (Taille de classe minimale) spécifiée seront éliminés à la fin des itérations.
Les agrégats fusionnent avec des agrégats voisins lorsque les valeurs statistiques sont similaires une fois les agrégats devenus stables. Certains agrégats peuvent être si proches les uns des autres et posséder de telles statistiques similaires que le fait de les séparer constituerait une division inutile des données.
Exemple
Voici un exemple de fichier de signatures créé par l’outil Agrégat ISO. Le fichier commence par un en-tête, mis en commentaire, qui affiche les valeurs des paramètres utilisés pour effectuer l’agrégation ISO.
Les noms des classes sont facultatifs et sont saisis après la création du fichier par le biais d’un éditeur de texte. Chaque nom de classe, s’il est saisi, doit consister en une chaîne unique de caractères et ne pas comporter plus de 14 caractères alphanumériques.
# Signatures Produced by Clustering of
# Stack redlands
# number_of_classes=6 max_iterations=20 min_class_size=20
# sampling interval=10
# Number of selected grids
/* 3
# Layer-Number Grid-name
/* 1 redlands1
/* 2 redlands2
/* 3 redlands3
# Type Number of Classes Number of Layers Number of Parametric
Layers
1 4 3 3
# ===============================================================
# Class ID Number of Cells Class Name
1 1843
# Layers 1 2 3
# Means
22.8817 60.7656 34.8893
# Covariance
1 169.3975 -69.7444 179.0808
2 -69.7444 714.7072 10.7889
3 179.0808 10.7889 284.0931
# ---------------------------------------------------------------
# Class ID Number of Cells Class Name
2 2495
# Layers 1 2 3
# Means
38.4894 132.9775 61.8104
# Covariance
1 414.9621 -19.0732 301.0267
2 -19.0732 510.8439 102.8931
3 301.0267 102.8931 376.5450
# ---------------------------------------------------------------
# Class ID Number of Cells Class Name
3 2124
# Layers 1 2 3
# Means
70.3983 82.9576 89.2472
# Covariance
1 264.2680 100.6966 39.3895
2 100.6966 523.9096 75.5573
3 39.3895 75.5573 279.7387
# ------------------------------------------------------------
# Class ID Number of Cells Class Name
4 2438
# Layers 1 2 3
# Means 105.8708 137.6645 130.0886
# Covariance
1 651.0465 175.1060 391.6028
2 175.1060 300.8853 143.2443
3 391.6028 143.2443 647.7345
Bibliographie
Ball, G. H. et D. J. Hall. 1965. A Novel Method of Data Analysis and Pattern Classification. Menlo Park, California : Stanford Research Institute.
Richards, J. A. 1986. Remote Sensing Digital Image Analysis: An Introduction. Berlin : Springer–Verlag.