Préparer le classificateur d'arbres aléatoires (Outils Spatial Analyst)

Résumé

Génère un fichier de définition de classificateur Esri (.ecd) à l’aide de la méthode de classification Arbres aléatoires.

Le classificateur d’arbres aléatoires est une technique de classification des images qui résiste au sur-ajustement et peut fonctionner avec des images segmentées et d’autres jeux de données raster auxiliaires. Pour les entrées d’image standard, l’outil accepte les images multicanaux d’une profondeur des couleurs quelconque et réalise la classification d’arbres aléatoires par pixel ou segment, en fonction du fichier d’entités d’entraînement en entrée.

Utilisation

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—Dans cette méthode, un certain nombre d’arbres apparaissent (et forment, par analogie, une forêt) et des variations parmi les arbres sont introduites en projetant les données d’entraînement sur un sous-espace choisi de manière aléatoire avant d’ajuster chaque arbre. La décision au niveau de chaque nœud est optimisée par une procédure aléatoire.
Pour les rasters segmentés, dont la propriété de clé est définie sur Segmented (Segmenté), l’outil calcule l’image d’index et les attributs de segments associés à partir du raster segmenté RVB. Les attributs sont calculés pour générer le fichier de définition de classificateur à utiliser dans un outil de classification distinct. Les attributs de chaque segment peuvent être calculés à partir de toute image prise en charge par Esri.
Tout raster pris en charge par Esri est accepté en entrée, y compris les produits raster, les rasters segmentés, les mosaïques, les services d’imagerie et les jeux de données raster génériques. Les rasters segmentés doivent être des rasters 8 bits à 3 canaux.
Pour créer un fichier d’échantillon d’entraînement, accédez à la fenêtre Training Samples Manager (Gestionnaire d’échantillons d’entraînement) à partir du menu déroulant Classification Tools (Outils de classification).
Le paramètre Segment Attributes (Attributs de segments) n’est actif que si l’une des entrées de la couche raster est une image segmentée.
Pour classer une série chronologique de données raster à l’aide de l’algorithme CCDC (Continuous Change Detection and Classification), exécutez d’abord l’outil Analyser les changements avec l’algorithme CCDC, qui est disponible avec une licence d’extension Image Analyst. Utilisez ensuite le raster d’analyse des changements en sortie comme raster en entrée pour cet outil d’entraînement.

Les données fournies à titre d’échantillons d’entraînement doivent être collectées à plusieurs reprises à l’aide du Training Samples Manager (Gestionnaire d’échantillons d’entraînement). La valeur de dimension de chaque exemple est répertoriée dans un champ figurant dans la classe d’entités des échantillons d’entraînement comme indiqué dans le paramètre Dimension Value Field (Champ de valeur de dimension).

Etiqueter	Explication	Type de données
Raster en entrée	Jeu de données raster à classer. Vous pouvez utiliser n'importe quel jeu de données raster pris en charge par Esri. Il est possible d’utiliser un jeu de données raster segmenté de 8 bits, à 3 canaux, dans lequel tous les pixels appartenant à un segment possèdent la même couleur. Vous pouvez également faire appel à un raster segmenté monocanal de 8 bits, en nuances de gris.	Raster Layer; Mosaic Layer; Image Service; String
Fichier d'échantillon d'apprentissage en entrée	Fichier d’échantillons d’apprentissage ou couche délimitant les sites d’entraînement. Il peut s’agir de shapefiles ou de classes d’entités qui contiennent vos échantillons d’apprentissage. Les noms de champ suivants sont requis dans le fichier d’échantillons d'apprentissage : `classname`—Champ de texte indiquant le nom de la catégorie de classe `classvalue`—Champ d’entier long contenant la valeur entière pour chaque catégorie de classe	Feature Layer
Fichier de définition de classificateur en sortie	Fichier JSON qui contient des informations sur des attributs et des statistiques, ou d’autres informations pour le classificateur. Un fichier `.ecd` est créé.	File
Raster en entrée supplémentaire (Facultatif)	Des jeux de données raster auxiliaires, comme une image multispectrale ou un MNE, seront incorporés pour générer des attributs et d’autres informations requises par la classification. Ce paramètre est facultatif.	Raster Layer; Mosaic Layer; Image Service; String
Nombre maximum d'arbres (Facultatif)	Nombre maximal d'arbres dans la forêt. L'augmentation du nombre d'arbres entraîne des taux de précision accrus, même si cette amélioration peut finalement se stabiliser. Le nombre d'arbres augmente de manière linéaire le temps de traitement.	Long
Profondeur d'arbre maximum (Facultatif)	Profondeur maximale de chaque arbre dans la forêt. La profondeur permet également d'indiquer le nombre de règles que chaque arbre est autorisé à créer pour parvenir à une décision. Les arbres ne peuvent pas dépasser la profondeur définie par ce paramètre.	Long
Nombre max d'échantillons par classe (Facultatif)	Le nombre maximal d’échantillons qui seront utilisés pour définir chaque classe. Il est conseillé d’utiliser la valeur par défaut 1000 lorsque les entrées sont des rasters non segmentés. Une valeur inférieure ou égale à zéro signifie que le système utilisera tous les échantillons des sites d’apprentissage pour former le classificateur.	Long
Attributs de segments (Facultatif)	Spécifie les attributs à inclure dans la table attributaire associée au raster en sortie. Ce paramètre n’est actif que si la propriété clé Segmented (Segmenté) est définie sur true (vrai) dans le raster en entrée. Si la seule entrée de l’outil est une image segmentée, les attributs par défaut sont Converged color (Couleur de convergence), Count of pixels (Nombre de pixels), Compactness (Compacité) et Rectangularity (Rectangularité). Si une valeur Additional Input Raster (Raster en entrée supplémentaire) est incluse comme entrée avec une image segmentée, les attributs Mean digital number (Nombre numérique moyen) et Standard deviation (Écart type) sont également disponibles. Couleur de convergence—Les valeurs de couleurs RVB sont dérivées du raster en entrée, segment par segment. On parle également de couleur chromatique moyenne. Nombre numérique moyen—Le numéro numérique (DN) moyen sera dérivé de l’image de pixels facultative, segment par segment. Écart type—L’écart type sera dérivé de l’image de pixels facultative, segment par segment. Nombre de pixels—Le nombre de pixels qui composent le segment, segment par segment. Compacité—Degré auquel un segment est compact ou circulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un cercle. Rectangularité—Degré auquel le segment est rectangulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un rectangle.	String
Champ de valeur de dimension (Facultatif)	Contient les valeurs de dimension dans la classe d’entités des échantillons d’apprentissage en entrée. Ce paramètre est nécessaire pour classer une série chronologique de données raster à l’aide de la sortie du raster d’analyse des changements produite par l’outil Analyser les changements avec l’algorithme CCDC de la boîte à outils Image Analyst.	Field

TrainRandomTreesClassifier(in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {max_num_trees}, {max_tree_depth}, {max_samples_per_class}, {used_attributes}, {dimension_value_field})

Nom	Explication	Type de données
in_raster	Jeu de données raster à classer. Vous pouvez utiliser n'importe quel jeu de données raster pris en charge par Esri. Il est possible d’utiliser un jeu de données raster segmenté de 8 bits, à 3 canaux, dans lequel tous les pixels appartenant à un segment possèdent la même couleur. Vous pouvez également faire appel à un raster segmenté monocanal de 8 bits, en nuances de gris.	Raster Layer; Mosaic Layer; Image Service; String
in_training_features	Fichier d’échantillons d’apprentissage ou couche délimitant les sites d’entraînement. Il peut s’agir de shapefiles ou de classes d’entités qui contiennent vos échantillons d’apprentissage. Les noms de champ suivants sont requis dans le fichier d’échantillons d'apprentissage : `classname`—Champ de texte indiquant le nom de la catégorie de classe `classvalue`—Champ d’entier long contenant la valeur entière pour chaque catégorie de classe	Feature Layer
out_classifier_definition	Fichier JSON qui contient des informations sur des attributs et des statistiques, ou d’autres informations pour le classificateur. Un fichier `.ecd` est créé.	File
in_additional_raster (Facultatif)	Des jeux de données raster auxiliaires, comme une image multispectrale ou un MNE, seront incorporés pour générer des attributs et d’autres informations requises par la classification. Ce paramètre est facultatif.	Raster Layer; Mosaic Layer; Image Service; String
max_num_trees (Facultatif)	Nombre maximal d'arbres dans la forêt. L'augmentation du nombre d'arbres entraîne des taux de précision accrus, même si cette amélioration peut finalement se stabiliser. Le nombre d'arbres augmente de manière linéaire le temps de traitement.	Long
max_tree_depth (Facultatif)	Profondeur maximale de chaque arbre dans la forêt. La profondeur permet également d'indiquer le nombre de règles que chaque arbre est autorisé à créer pour parvenir à une décision. Les arbres ne peuvent pas dépasser la profondeur définie par ce paramètre.	Long
max_samples_per_class (Facultatif)	Le nombre maximal d’échantillons qui seront utilisés pour définir chaque classe. Il est conseillé d’utiliser la valeur par défaut 1000 lorsque les entrées sont des rasters non segmentés. Une valeur inférieure ou égale à zéro signifie que le système utilisera tous les échantillons des sites d’apprentissage pour former le classificateur.	Long
used_attributes [used_attributes;used_attributes,...] (Facultatif)	Spécifie les attributs à inclure dans la table attributaire associée au raster en sortie. Ce paramètre est activé uniquement si la propriété clé Segmented (Segmenté) est vraie (définie sur True) dans le raster en entrée. Si la seule entrée de l’outil est une image segmentée, les attributs par défaut sont `COLOR`, `COUNT`, `COMPACTNESS` et `RECTANGULARITY`. Si une valeur `in_additional_raster` est incluse comme entrée avec une image segmentée, les attributs `MEAN` et `STD` sont également disponibles. `COLOR`—Les valeurs de couleurs RVB sont dérivées du raster en entrée, segment par segment. On parle également de couleur chromatique moyenne. `MEAN`—Le numéro numérique (DN) moyen sera dérivé de l’image de pixels facultative, segment par segment. `STD`—L’écart type sera dérivé de l’image de pixels facultative, segment par segment. `COUNT`—Le nombre de pixels qui composent le segment, segment par segment. `COMPACTNESS`—Degré auquel un segment est compact ou circulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un cercle. `RECTANGULARITY`—Degré auquel le segment est rectangulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un rectangle.	String
dimension_value_field (Facultatif)	Contient les valeurs de dimension dans la classe d’entités des échantillons d’apprentissage en entrée. Ce paramètre est nécessaire pour classer une série chronologique de données raster à l’aide de la sortie du raster d’analyse des changements produite par l’outil Analyser les changements avec l’algorithme CCDC de la boîte à outils Image Analyst.	Field

Exemple de code

TrainRandomTreesClassifier Exemple 1 (fenêtre Python)

Il s’agit d’un exemple Python d’utilisation de l’outil TrainRandomTreesClassifier.

import arcpy
from arcpy.sa import *

TrainRandomTreesClassifier("c:/test/moncton_seg.tif",
                           "c:/test/train.gdb/train_features",
                           "c:/output/moncton_sig_SVM.ecd",
                           "c:/test/moncton.tif", "50", "30", "1000",
                           "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")

TrainRandomTreesClassifier Exemple 2 (script autonome)

Il s’agit d’un exemple de script Python d’utilisation de l’outil TrainRandomTreesClassifier.

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

# Set local variables
inSegRaster = "c:/test/cities_seg.tif"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/cities_sig.ecd"
in_additional_raster = "c:/cities.tif"
maxNumTrees = "50"
maxTreeDepth = "30"
maxSampleClass = "1000"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

# Run
TrainRandomTreesClassifier(inSegRaster, train_features,
                           out_definition, in_additional_raster, maxNumTrees,
                           maxTreeDepth, maxSampleClass, attributes)

TrainRandomTreesClassifier Exemple 3 (script autonome)

Cet exemple illustre comment préparer le classificateur Arbres aléatoires à l’aide d’un raster d’analyse des changements de l’outil Analyser les changements avec l’algorithme CCDC dans Image Analyst.

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

# Set local variables
in_changeAnalysisRaster = "c:/test/LandsatCCDC.crf"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/change_detection.ecd"
additional_raster = ''
maxNumTrees = 50
maxTreeDepth = 30
maxSampleClass = 1000
attributes = None
dimension_field = "DateTime"

# Run
arcpy.sa.TrainRandomTreesClassifier(
    in_changeAnalysisRaster, train_features,
    out_definition, additional_raster, maxNumTrees,
    maxTreeDepth, maxSampleClass, attributes, dimension_field)

Environnements

Espace de travail courant, Etendue, Transformations géographiques, Système de coordonnées en sortie, Espace de travail temporaire, Raster de capture

Informations de licence