全国高分辨率土地利用数据服务 土地利用数据服务 土地覆盖数据服务 坡度数据服务 土壤侵蚀数据服务 全国各省市DEM数据服务 耕地资源空间分布数据服务 草地资源空间分布数据服务 林地资源空间分布数据服务 水域资源空间分布数据服务 建设用地空间分布数据服务 地形、地貌、土壤数据服务 分坡度耕地数据服务 全国大宗农作物种植范围空间分布数据服务
多种卫星遥感数据反演植被覆盖度数据服务 地表反照率数据服务 比辐射率数据服务 地表温度数据服务 地表蒸腾与蒸散数据服务 归一化植被指数数据服务 叶面积指数数据服务 净初级生产力数据服务 净生态系统生产力数据服务 生态系统总初级生产力数据服务 生态系统类型分布数据服务 土壤类型质地养分数据服务 生态系统空间分布数据服务 增强型植被指数数据服务
多年平均气温空间分布数据服务 多年平均降水量空间分布数据服务 湿润指数数据服务 大于0℃积温空间分布数据服务 光合有效辐射分量数据服务 显热/潜热信息数据服务 波文比信息数据服务 地表净辐射通量数据服务 光合有效辐射数据服务 温度带分区数据服务 山区小气候因子精细数据服务
全国夜间灯光指数数据服务 全国GDP公里格网数据服务 全国建筑物总面积公里格网数据服务 全国人口密度数据服务 全国县级医院分布数据服务 人口调查空间分布数据服务 收入统计空间分布数据服务 矿山面积统计及分布数据服务 载畜量及空间分布数据服务 农作物种植面积统计数据服务 农田分类面积统计数据服务 农作物长势遥感监测数据服务 医疗资源统计数据服务 教育资源统计数据服务 行政辖区信息数据服务
Landsat 8 高分二号 高分一号 SPOT-6卫星影像 法国Pleiades高分卫星 资源三号卫星 风云3号 中巴资源卫星 NOAA/AVHRR MODIS Landsat TM 环境小卫星 Landsat MSS 天绘一号卫星影像
在 ArcGIS Spatial Analyst 扩展模块中，多元分析工具集提供了用于监督分类和非监督分类的工具。影像分类工具条提供了一个用户友好的环境，可创建监督分类中使用的训练样本和特征文件。最大似然法分类工具是主要的分类方法。识别类别及其统计数据的特征文件是此工具的必需输入。对于监督分类，通过影像分类 工具条使用训练样本来创建特征文件。对于非监督分类，则通过运行聚类工具来创建特征文件。Spatial Analyst 也提供了用于分类后处理的工具，如过滤和边界清理。以下图表说明了影像分类工作流的详细步骤。
分类分析基于以下假设：波段数据和训练样本数据符合正态分布。要检查波段中数据的分布，可使用 Spatial Analyst 工具条上的交互式直方图工具 。要检查各个训练样本的分布，可使用训练样本管理器 上的直方图工具 。
分类过程对各波段中的值范围很敏感。要使各波段的属性数大致相同，各波段的值范围应类似。如果相对于其他波段，某一波段的值范围过小（或过大），则可以使用 Spatial Analyst 工具箱中的数学工具将其拉伸。例如，可以使用乘算术工具将波段乘以一个常数以拉伸其值范围。
主成分分析会变换多波段影像以移除波段间的相关性。输出影像中的信息主要集中在头几个波段中。通过增强头几个波段，影像在 ArcMap 中显示时可在影像中看到更多的详细信息。这可能有助于收集训练样本。通过“多元分析”工具集上的主成分分析工具，可执行主成分分析。
影像分类 工具条适用于多波段影像图层。要将单个波段加载到一个新的多波段影像，可使用波段合成工具。
要在分类中使用影像数据集中的所有波段，可将该影像数据集添加到 ArcMap 并在影像分类 工具条中选择影像图层。
要在分类中仅使用现有数据集中的某些波段，可使用创建栅格图层工具为其创建新的栅格图层。新的栅格图层将仅包含波段的指定子集，并可用于影像分类 工具条中。
在监督分类中，训练样本用于识别类并计算其特征。可使用影像分类 工具条上的训练样本绘图工具交互式创建训练样本。创建训练样本与在 ArcMap 中绘制图形类似，只不过训练样本形状是通过训练样本管理器 而不是在 ArcMap 图形图层中管理的。
要创建训练样本，可在影像分类 工具条上选择一个训练样本绘制工具（例如，多边形工具），然后在输入影像图层上进行绘制。每个训练样本中的像素数都不应过小或过大。如果训练样本过小，则可能无法提供足够信息以充分地创建类特征。如果训练样本过大，则可能包括不属于该类的像素。如果影像中的波段数为 n，则各训练样本的最佳像素数应在 10n 和 100n 之间。
在显示界面中绘制训练样本时，自动在训练样本管理器中创建新类。管理器提供三种工具来评估训练样本 - 直方图工具 、散点图工具 和统计数据工具。可以使用这些工具来探查不同区域的光谱特性。也可以使用这些工具来评估训练样本，以查看类之间是否有足够间隔。
根据训练样本的评估结果，可能需要将彼此重叠的类合并为一个类。可以使用管理器窗口中的合并工具 完成此操作。此外，可以对类进行重命名或重新编号、更改显示颜色、分隔类、删除类、保存和加载训练样本等。下图显示如何合并两个类：
确定训练样本可代表所需类并且可彼此区分后，可使用管理器窗口中的创建特征文件工具 创建特征文件。
在监督分类中，从已知并已定义的类（例如，土地利用类型）创建特征文件，这些类通过在多边形中封闭的像素来识别。在非监督分类中，通过像素的统计属性来创建簇（而非类）。对多元空间中与统计属性类似的像素进行分组以形成簇。与监督分类中的类不同，簇没有类别含义（例如，土地利用类型）。
对于使用影像分类 工具条的非监督分类，可通过运行 Iso 聚类非监督分类工具来创建特征文件。也可以使用多元分析工具集中的 Iso 聚类工具。
Iso 聚类工具只创建随后可在分类中使用的特征文件（以上工作流图表中的步骤 9）。创建了一个新工具 Iso 聚类非监督分类（从影像分类 工具条或多元分析工具集访问该工具均可）后，您便可以只通过一个工具来创建特征文件和输出分类影像（步骤 6 和 9）。
可使用树状图工具检查特征文件中连续合并类之间的属性距离。输出为 ASCII 文件，树图显示类间隔。通过树状图，可以确定两个或多个类或簇是否可区分；如果不能区分，可能会决定在下一步中合并它们。
通过 Spatial Analyst 的“多元分析”工具集访问树状图工具。
不应直接在文本编辑器中编辑特征文件。而应使用“多元分析”工具集中的编辑特征工具。可通过此工具合并、重新编号和删除类特征。
要对影像进行分类，应使用最大似然法分类工具。此工具基于最大似然概率理论。它基于类特征（存储在特征文件中）的平均值和方差向某个不同的类分配像素。也可通过影像分类 工具条访问该工具。
也可以通过交互式监督分类工具对影像进行分类。此工具可加快最大似然法分类过程。使用此工具可以快速预览分类结果，而无需运行最大似然法分类工具。
通过最大似然法分类工具创建的分类影像可能会对某些像元（随机噪声）进行错误分类并形成小的无效区域。为改进分类，最好对这些错误分类的像元进行重新分类，将其归入可直接包围它们的类或簇。清理分类影像的最常用技术包括过滤、平滑处理类边界及移除小孤立区域。应用数据清理工具后的地图外形更美观。
此过程将从分类影像移除单一的孤立像素。可通过以下工具完成此过程：主滤波工具，或以众数作为统计类型的焦点统计工具。这两种工具的不同之处在于：主滤波工具在处理期间假定 3 x 3 的方形领域，而焦点统计工具支持更多的邻域类型（例如，环或圆）。
边界清理工具可聚合类并对类的不规整边缘进行平滑处理。此工具的工作方式是：先扩展类，然后再收缩类。它将增加分类影像的空间一致性。相邻区域可能连接在一起。
通过移除小孤立区域来概化输出
过滤和平滑过程后，分类影像应比以前干净得多。但是，分类影像上可能仍会有一些小的孤立区域。概化过程通过从影像上移除此类小区域，进一步清理影像。这是一个多步过程，涉及多个 Spatial Analyst 工具。
对分类影像运行区域合并工具，以向影像上的各区域分配唯一值。
打开通过区域合并工具创建的新栅格图层的属性表。使用像素计数标识要移除的小区域的阈值。
为要移除的区域创建掩膜栅格。这可通过以下操作实现：运行设为空函数工具，将具有较少像素数的区域设为空值。
对分类影像运行 Nibble 工具。使用在上一步中通过设为空函数工具创建的掩膜栅格作为输入栅格掩膜。这将清除输出影像上的小区域。
