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