IMAGENES
SATELITALES - CLASIFICACION (continuación)
Los métodos tradicionales de clasificación involucran dos alternativas: no supervisada y
supervisada. El método no supervisado crea agrupamientos espectrales o clusters que no
tienen mayor significado desde el punto de vista del usuario, por lo que el analista debe
intentar asociar una clase temática a cada uno de dichos grupos. En el método supervisado,
en cambio, el
analista supervisa el proceso de categorización del pixel especificando al algoritmo de
la computadora descriptores numéricos de los varios tipos de coberturas terrestres
presentes en la escena. Para ello debe recurrirse a un muestreo de sitios
representativos de coberturas conocidas, llamadas áreas o sitios de entrenamiento
que permitan compilar un código de interpretación numérica que describe los atributos
espectrales para cada cobertura de interés.
Cada pixel de la escena es entonces comparado
con el código de cada categoría asignándole el nombre de aquella categoría a la que más se
asimila. O sea que en el enfoque supervisado el analista define sus categorías de interés y examina su
separabilidad espectral, mientras que en el no supervisado primero determina las clases
espectralmente separables y luego define las clases temáticas de interés. La preferencia por
uno u otro enfoque va a depender de la naturaleza del problema en estudio. En los casos en
que la definición de las áreas de entrenamiento y la correspondiente codificación de las
clases de interés sea satisfactoriamente realizable, el método supervisado va a ser superior al
no supervisado y será el preferido. En el caso de áreas de terreno complejas, en cambio, el método no
supervisado resultará superior al supervisado. En efecto, en este caso el analista tendrá
dificultades para definir sus áreas de entrenamiento dada la variabilidad de la respuestra
espectral dentro de cada clase. Además, el enfoque supervisado es subjetivo en el sentido de que el analista intenta
definir clases temáticas compuestas a veces por varias clases espectrales, lo que no ocurre en
el método no supervisado que revela clases espectralmente distinguibles dentro de las
condicionantes impuestas al algoritmo de agrupamiento (o “clusterificación”). Además, el
método no supervisado posee el potencial para revelar clases temáticas no previstas
previamente.
<<
PAGINA ANTERIOR - INDICE DEL
TUTORIAL - PAGINA SIGUIENTE >>

INDICE DEL TUTORIAL:
1- INTRODUCCION A LA
PERCEPCION REMOTA
2. NATURALEZA DE LAS RADIACIONES ELECTROMAGNÉTICAS
3. INTERACCION DE LA RADIACION CON LA MATERIA Y ORIGEN DE LOS ESPECTROS
4. INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA SUPERFICIE
TERRESTRE.
INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA SUPERFICIE
TERRESTRE (continuación)
LA REFLECTANCIA EN LOS VEGETALES
LA REFLECTANCIA EN EL AGUA
5. INTERACCIONES ATMOSFERICAS
6. LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES
LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES (continuación)
SATELITES METEOROLOGICOS Y AGROMETEOROLOGICOS
LOS NUEVOS SATELITES PARA LA OBSERVACION DE LA TIERRA
RECEPCION Y TRANSMISION DE LA INFORMACION SATELITAL
7. SENSORES
7.1. Consideraciones generales
SENSORES (continuación)
7.2 Naturaleza de los detectores
SENSORES: BANDAS ESPECTRALES LANDSAT TM y SPOT HRVIR
7.3 Estudio de dos casos: LANDSAT y SPOT
7.4 Resolución
7.4.1 Resolución espacial
7.4.2 Resolución espectral
7.4.3 Resolución radiométrica
7.4.4 Resolución temporal
7.5 Escala y resolución espacial.
8. ESTRUCTURA DE LAS IMÁGENES DIGITALES
ESTRUCTURA DE LAS IMAGENES DIGITALES (continuación)
9. PROCESAMIENTO DE LAS IMÁGENES SATELITALES
PROCESAMIENTO DE LAS IMAGENES SATELITALES (continuación)
9.2 Realces
9.2.2 Filtrado espacial
9.2.3 Análisis por Componentes Principales
9.2.4 Combinaciones de color
Combinaciones de color (continuación)
IMAGENES SATELITALES - CLASIFICACION
9.3 Clasificación
Clasificación (continuación)
9.4.1 Clasificación supervisada
9.4.1.2 Clasificador por paralelepípedos.
9.4.1.3 Clasificador por máxima probabilidad (maximum likelihood)
Clasificador por máxima probabilidad (maximum likelihood) -
(continuación)
9.3.2 Clasificación no supervisada
9.3.3 Estimación de la exactitud de una clasificación: Matriz de
confusión
Estimación de la exactitud de una clasificación: Matriz de confusión
(continuación)
9.3.4 Otros métodos de clasificación
9.3.4.1. Clasificador de red neuronal artificial
Clasificador de red neuronal artificial (continuación)
9.3.4.2 Clasificadores difusos (fuzzy classifiers)
10. ALGUNAS APLICACIONES DE LA PERCEPCION REMOTA
10.1 Aplicaciones en Agricultura.
10.1.2 Indices N-dimensionales “Tasseled Cap”
10.1.3 Indices de vegetación a partir de imágenes hiperespectrales
10.2.1 Generalidades sobre el infrarrojo térmico
10.2.2 Aplicaciones del infrarrojo térmico
10.2.2.1 Temperatura del mar
10.2.2.2 Temperatura terrestre
10.3 Monitoreo de áreas de desastre
10.3.1 Algunos ejemplos típicos
10.3.2 El monitoreo a escala global de desastres
APENDICE I : NOCIONES BASICAS SOBRE SENSORES DE RADAR
APENDICE II: BIBLIOGRAFIA SUGERIDA
OTROS ITEMS DE INTERES
|