2024年8月20日发(作者：府念雁)
ArcGIS教程：Iso 聚类
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输出 ASCII 特征
文件中。
摘要
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输
出 ASCII 特征文件中。
用法
Iso 聚类工具对输入波段列表中组合的多元数据执行聚类。所生成的特征文件可用作生
成非监督分类栅格的分类工具的输入。
类数的最小有效值为二。不存在最大聚类数。通常情况下，聚类越多，所需的迭代就
越多。
要提供充足的必要统计数据，生成特征文件以供将来分类使用，每个聚类都应当含有
足够的像元来准确地表示聚类。为最小类大小输入的值应大约比输入栅格波段中的图
层数大 10 倍。
为采样间隔输入的值表示，在聚类计算中每 n 乘 n 块像元中使用一个像元。
不应合并或移除类，也不应更改 ASCII 特征文件的任何统计数据。
通常情况下，输入波段交集范围内所含的像元越多，为最小类大小和采样间隔所指定
的值就应当越大。为采样间隔输入的值应当足够小，以便对存在于输入数据中的最小
理想类别进行合理采样。
输出特征文件中的类 ID 值以一开始，然后按顺序增加至输入类的数量。可分配任意数
量的类数。
如果所有输入波段的数据范围均相同，则将得到更加理想的结果。如果波段的数据范
围差异很大，则可使用“地图代数”执行以下方程式，从而将各种数据范围转换为相同
的范围。
where:
Z
is the output raster with new data ranges.
X
is the input raster.
oldmin
is the minimum value of the input raster.
oldmax
is the maximum value of the input raster.
newmin
is the desired minimum value for the output raster.
newmax
is the desired maximum value for the output raster.
如果输入为创建自多波段栅格（超过三个波段）的图层，则操作将会考虑与源数据集
相关联的所有波段，而不仅仅是由图层加载（符号化）的三个波段。
您可以使用多种方式将多波段栅格的波段子集指定为工具的输入。
如果要使用工具对话框，则通过
输入栅格波段
旁边的按钮导航至多波段栅格，打开栅
格并选择所需波段。
如果多波段栅格是内容列表中的图层，则可以使用创建栅格图层工具来创建一个新
的只包含所需波段的多波段图层。
您还可以用波段合成来创建一个只包含所需波段的新数据集，并将生成的数据集用
作工具的输入。
在 Python 中，可以在工具参数中以列表形式直接指定所需波段。
语法
IsoCluster (in_raster_bands, out_signature_file, number_classes, {number_iterations},
{min_class_size}, {sample_interval})
参数
in_raster_bands
[in_raster_band,...]
说明
输入栅格波段。
输出特征文件。
必须指定一个 .gsg 扩展名。
要将像元划分成的类数目。
要运行的聚类过程的迭代次数。
默认值为 20。
一个有效类中的最小像元数。
默认值为 20。
采样所使用的间隔。
默认值为 10。
数据类型
Raster Layer
File
Long
Long
Long
Long
out_signature_file
number_classes
number_iterations
(可选)
(可选)
(可选)
min_class_size
sample_interval
代码实例
Iso 聚类 (IsoCluster) 示例 1（Python 窗口）
本示例将创建一个用于将输入多波段栅格分为五类的特征文件。
import arcpy
from arcpy import env
from import *
ace = "C:/sapyexamples/data"
IsoCluster("redlands", "c:/sapyexamples/output/", 5, 20, 50, 15)
Iso 聚类 (IsoCluster) 示例 2（独立脚本）
本示例将创建一个用于将输入多波段栅格分为五类的特征文件。
# Name: IsoCluster_Ex_
# Description: Uses an isodata clustering algorithm to determine the
# characteristics of the natural groupings of cells in multidimensional
# attribute space and stores the results in an output ASCII signature file.
# Requirements: Spatial Analyst Extension
# Import system modules
import arcpy
from arcpy import env
from import *
# Set environment settings
ace = "C:/sapyexamples/data"
# Set local variables
inRaster = "redlands"
outSig = ""
classes = 5
cycles = 20
minMembers = 50
sampInterval = 15
# Check out the ArcGIS Spatial Analyst extension license
utExtension("Spatial")
# Execute IsoCluster
IsoCluster(inRaster, outSig, classes, cycles, minMembers, sampInterval)
ArcGIS教程：多元分析工具集概述
通过多元统计分析可以探查许多不同类型的属性之间的关系。有两种可用的多元分析：分类（监督
分类与非监督分类）和主成分分析 (PCA)。
通过多元统计分析可以探查许多不同类型的属性之间的关系。有两种可用的多元分析：
分类（监督分类与非监督分类）和主成分分析 (PCA)。
分类的目的是将研究区域中的每个像元都分配为某一级别或者某一种类。使用“监督”分
类，需要了解研究区域的具体情况，并且能够识别每个类的代表性区域或样本。“非监督”分类
使用数据中自然产生的统计分组来确定将数据分入哪个聚类。
“监督”与“非监督”分类的常规步骤如下：
1.
识别输入波段。
2.
创建类或聚类。
可使用以下工具：创建特征、Iso 聚类或“提取分析”工具集中的采样。
3.
评估并编辑类或聚类。
使用树状图或编辑特征工具。
4.
执行分类。
使用最大似然法分类或类别概率工具。
影像分类
工具条为实现执行分类所需的多步骤工作流提供了一个集成环境。
要消除数据冗余并使其更容易理解，可通过 PCA 转换多元数据。
下表列出了可用的多元分析工具，并对每个工具进行了简要描述。
工具
波段集统计
类别概率
创建特征
树状图
编辑特征
Iso 聚类
描述
计算一组栅格波段的统计信息。
创建概率波段的多波段栅格，并为输入特征文件中所表示的每个类对应创建一个波段。
创建由输入样本数据和一组栅格波段定义的类的 ASCII 特征文件。
构造可显示特征文件中连续合并类之间的属性距离的树示意图（树状图）。
通过合并、重新编号和删除类特征来编辑和更新特征文件。
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输出 ASCII 特征文件
中。
对一组栅格波段执行最大似然法分类并创建分类的输出栅格数据。
对一组栅格波段执行主成分分析 (PCA) 并生成单波段栅格作为输出。
Iso 聚类非监督分类
使用 Iso 聚类工具和最大似然法分类工具对一系列输入栅格波段执行非监督分类。
最大似然法分类
主成分分析
2024年8月20日发(作者：府念雁)
ArcGIS教程：Iso 聚类
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输出 ASCII 特征
文件中。
摘要
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输
出 ASCII 特征文件中。
用法
Iso 聚类工具对输入波段列表中组合的多元数据执行聚类。所生成的特征文件可用作生
成非监督分类栅格的分类工具的输入。
类数的最小有效值为二。不存在最大聚类数。通常情况下，聚类越多，所需的迭代就
越多。
要提供充足的必要统计数据，生成特征文件以供将来分类使用，每个聚类都应当含有
足够的像元来准确地表示聚类。为最小类大小输入的值应大约比输入栅格波段中的图
层数大 10 倍。
为采样间隔输入的值表示，在聚类计算中每 n 乘 n 块像元中使用一个像元。
不应合并或移除类，也不应更改 ASCII 特征文件的任何统计数据。
通常情况下，输入波段交集范围内所含的像元越多，为最小类大小和采样间隔所指定
的值就应当越大。为采样间隔输入的值应当足够小，以便对存在于输入数据中的最小
理想类别进行合理采样。
输出特征文件中的类 ID 值以一开始，然后按顺序增加至输入类的数量。可分配任意数
量的类数。
如果所有输入波段的数据范围均相同，则将得到更加理想的结果。如果波段的数据范
围差异很大，则可使用“地图代数”执行以下方程式，从而将各种数据范围转换为相同
的范围。
where:
Z
is the output raster with new data ranges.
X
is the input raster.
oldmin
is the minimum value of the input raster.
oldmax
is the maximum value of the input raster.
newmin
is the desired minimum value for the output raster.
newmax
is the desired maximum value for the output raster.
如果输入为创建自多波段栅格（超过三个波段）的图层，则操作将会考虑与源数据集
相关联的所有波段，而不仅仅是由图层加载（符号化）的三个波段。
您可以使用多种方式将多波段栅格的波段子集指定为工具的输入。
如果要使用工具对话框，则通过
输入栅格波段
旁边的按钮导航至多波段栅格，打开栅
格并选择所需波段。
如果多波段栅格是内容列表中的图层，则可以使用创建栅格图层工具来创建一个新
的只包含所需波段的多波段图层。
您还可以用波段合成来创建一个只包含所需波段的新数据集，并将生成的数据集用
作工具的输入。
在 Python 中，可以在工具参数中以列表形式直接指定所需波段。
语法
IsoCluster (in_raster_bands, out_signature_file, number_classes, {number_iterations},
{min_class_size}, {sample_interval})
参数
in_raster_bands
[in_raster_band,...]
说明
输入栅格波段。
输出特征文件。
必须指定一个 .gsg 扩展名。
要将像元划分成的类数目。
要运行的聚类过程的迭代次数。
默认值为 20。
一个有效类中的最小像元数。
默认值为 20。
采样所使用的间隔。
默认值为 10。
数据类型
Raster Layer
File
Long
Long
Long
Long
out_signature_file
number_classes
number_iterations
(可选)
(可选)
(可选)
min_class_size
sample_interval
代码实例
Iso 聚类 (IsoCluster) 示例 1（Python 窗口）
本示例将创建一个用于将输入多波段栅格分为五类的特征文件。
import arcpy
from arcpy import env
from import *
ace = "C:/sapyexamples/data"
IsoCluster("redlands", "c:/sapyexamples/output/", 5, 20, 50, 15)
Iso 聚类 (IsoCluster) 示例 2（独立脚本）
本示例将创建一个用于将输入多波段栅格分为五类的特征文件。
# Name: IsoCluster_Ex_
# Description: Uses an isodata clustering algorithm to determine the
# characteristics of the natural groupings of cells in multidimensional
# attribute space and stores the results in an output ASCII signature file.
# Requirements: Spatial Analyst Extension
# Import system modules
import arcpy
from arcpy import env
from import *
# Set environment settings
ace = "C:/sapyexamples/data"
# Set local variables
inRaster = "redlands"
outSig = ""
classes = 5
cycles = 20
minMembers = 50
sampInterval = 15
# Check out the ArcGIS Spatial Analyst extension license
utExtension("Spatial")
# Execute IsoCluster
IsoCluster(inRaster, outSig, classes, cycles, minMembers, sampInterval)
ArcGIS教程：多元分析工具集概述
通过多元统计分析可以探查许多不同类型的属性之间的关系。有两种可用的多元分析：分类（监督
分类与非监督分类）和主成分分析 (PCA)。
通过多元统计分析可以探查许多不同类型的属性之间的关系。有两种可用的多元分析：
分类（监督分类与非监督分类）和主成分分析 (PCA)。
分类的目的是将研究区域中的每个像元都分配为某一级别或者某一种类。使用“监督”分
类，需要了解研究区域的具体情况，并且能够识别每个类的代表性区域或样本。“非监督”分类
使用数据中自然产生的统计分组来确定将数据分入哪个聚类。
“监督”与“非监督”分类的常规步骤如下：
1.
识别输入波段。
2.
创建类或聚类。
可使用以下工具：创建特征、Iso 聚类或“提取分析”工具集中的采样。
3.
评估并编辑类或聚类。
使用树状图或编辑特征工具。
4.
执行分类。
使用最大似然法分类或类别概率工具。
影像分类
工具条为实现执行分类所需的多步骤工作流提供了一个集成环境。
要消除数据冗余并使其更容易理解，可通过 PCA 转换多元数据。
下表列出了可用的多元分析工具，并对每个工具进行了简要描述。
工具
波段集统计
类别概率
创建特征
树状图
编辑特征
Iso 聚类
描述
计算一组栅格波段的统计信息。
创建概率波段的多波段栅格，并为输入特征文件中所表示的每个类对应创建一个波段。
创建由输入样本数据和一组栅格波段定义的类的 ASCII 特征文件。
构造可显示特征文件中连续合并类之间的属性距离的树示意图（树状图）。
通过合并、重新编号和删除类特征来编辑和更新特征文件。
使用 isodata 聚类算法来确定多维属性空间中像元自然分组的特征并将结果存储在输出 ASCII 特征文件
中。
对一组栅格波段执行最大似然法分类并创建分类的输出栅格数据。
对一组栅格波段执行主成分分析 (PCA) 并生成单波段栅格作为输出。
Iso 聚类非监督分类
使用 Iso 聚类工具和最大似然法分类工具对一系列输入栅格波段执行非监督分类。
最大似然法分类
主成分分析