Análisis de componentes principales (PCA) en SIG
¿Qué es el análisis de componentes principales en SIG?
PCA. Probablemente hayas visto este acrónimo antes. PCA significa ” Análisis de componentes principales “.
¿Pero, qué es esto? ¿Y cómo lo usamos en SIG y teledetección?
A veces, las variables están altamente correlacionadas de tal manera que sería información duplicada encontrada en otra variable. El análisis de componentes principales identifica datos duplicados en varios conjuntos de datos . Luego, PCA agrega solo la información esencial en grupos llamados ” componentes principales “.
El poder de PCA es que crea un nuevo conjunto de datos con solo la información esencial.
La conclusión es que reduce la redundancia cuando utiliza PCA.
Ejemplo de análisis de componentes principales en ArcGIS
¿Qué pasa con los datos de elevación, pendiente y sombreado?
¿Existe redundancia en estos tres conjuntos de datos?
A continuación, se explica cómo ejecutar un análisis de PCA con bandas de elevación, sombreado y pendiente en ArcGIS:
1 . Ejecute la herramienta “Bandas compuestas”
La herramienta de bandas compuestas combina los rásteres de elevación, sombreado y pendiente en un solo ráster de 3 bandas. Utilice los siguientes rásteres como entradas:
- ELEVACIÓN : Banda 1
- SOMBRA DE COLINA : Banda 2
- PENDIENTE: Banda 3
Salida del nuevo ráster como compuesto
2 . Ejecute la herramienta “Componentes principales”
Con la extensión del analista espacial en ArcGIS, ejecute la herramienta “Componentes principales” con los siguientes criterios:
- RASTER DE ENTRADA: Compuesto
- RASTER DE SALIDA: PCA
- NÚMERO DE COMPONENTES PRINCIPALES: 3
- ARCHIVO DE DATOS DE SALIDA: PrincipalComponents.txt
El resultado será un compuesto PCA de 3 canales y un archivo de datos que muestra la cantidad de redundancia.
3 . Analizar la tabla de componentes principales
El “Porcentaje de valores propios” muestra cuánto representa cada componente principal.
| Capa de PC | EigenValue | Porcentaje de valores propios | Acumulativo de valores propios |
|---|---|---|---|
| 1 | 699,9 | 67,1 | 67,1 |
| 2 | 323,6 | 31 | 98,1 |
| 3 | 19,5 | 1,9 | 100 |
Esta tabla muestra que el primer componente representa el 67,1% de la covarianza .
Cuando agrega el segundo canal, representa el 98,1% de la covarianza . El tercer componente no proporciona mucha información adicional (1,9%) y es ligeramente redundante con los componentes principales 1 y 2.
¿Cómo utilizar PCA en teledetección?
La ejecución de un análisis de componentes principales en tres bandas fue útil porque descubrimos que el tercer componente no aportó mucha información.
¿Qué pasa con una imagen multiespectral de 10 bandas ? ¿O incluso 100 o 200 bandas ( imágenes hiperespectrales ) ?
Aquí es donde la PCA es realmente útil: análisis multiespectral e hiperespectral .
Por ejemplo, si la mayor parte de la varianza (valor propio) se encuentra en los componentes principales uno, dos y tres, solo es necesario utilizar estos tres componentes principales. Para la clasificación de la cobertura terrestre , es mucho más fácil usar tres bandas en comparación con las 10 bandas.
En resumen, PCA identifica datos duplicados en múltiples canales, reduce la redundancia y acelera el tiempo de procesamiento. Esto es clave para el procesamiento de imágenes de análisis de componentes principales .
¿Que sigue?
Cuando esté trabajando con variables altamente correlacionadas, puede ejecutar un análisis de componentes principales para ver cuáles son redundantes.
Si ha probado esta guía de análisis de componentes principales , intente dominar estas otras guías de estadísticas espaciales.
Traducido desde https://gisgeography.com/principal-component-analysis-gis-redundant-data/
