ESTIMACION DE LA EXACTITUD DE UNA CLASIFICACION - MATRIZ DE CONFUSION (continuación)

Tenemos dos versiones equivalentes de la matriz: una cuyas entradas se expresan en pixeles 
y otra en que se expresan como porcentajes. Obsérvese que además de las cuatro clasesde  interés se introduce una columna y fila correspondiente a los pixeles que no pudieron ser  clasificados. Los elementos en rojo de la diagonal indican los pixeles que fueron correctamente clasificados. Todos los elementos fuera de la diagonal indican errores de  omisión o de comisión. Los errores de omisión corresponden a los elementos no diagonales  de las columnas (ej.: un total de 4105 pixeles que debieran haber sido clasificados como  “forestación” se asignaron a varias otras clases). Los errores de comisión corresponden a los elementos no diagonales de las filas  (ej.: 2440 pixeles no clasificados, 8 de forestación, 993 de cerros sin vegetación y 630 de cultivos se incluyeronerróneamente en la clase “áreas no cultivadas”.
A partir de la matriz de confusión podemos calcular varias otras medidas de interés desde el
punto de vista de la exactitud:

Exactitud global (overall accuracy). 

Se calcula dividiendo el número total de pixeles correctamente clasificados por el número  total de pixeles de referencia y expresándolo como porcentaje. En nuestro caso, 

(131261 / 160000)*100 = 82.0381% 

Este índice es global y no nos indica cómo la exactitud se reparte entre las diversas  categorías individuales. Muchas veces las categorías individuales presentan exactitudes  drásticamente diferentes pero se combinan de modo que esto no se refleja en la exactitud  global. Examinando la matriz de confusión vemos que podemos utilizar dos métodos para  evaluar la exactitud de las categorías individuales: 

Exactitud del usuario (user’s accuracy). 

Se calcula dividiendo el número de pixeles correctamente clasificados en cada categoría por  el número total de pixeles que fueron clasificados en dicha categoría (total de la fila). Como  ejemplo en nuestro caso tenemos para la forestación 

(9476 / 14280)*100 = 66.36% 

Se justifica este índice en el sentido de que el usuario está especialmente interesado en el  porcentaje de cada clase que ha sido correctamente clasificado. 

Exactitud de productor (producer’s accuracy). 

Resulta de dividir el número de pixeles correctamente clasificados en cada categoría por el  número de pixeles de referencia utilizados para dicha categoría (total de la columna). En  nuestro caso tendremos para la categoría forestación, 

(9476 / 13581)*100 = 69.77% 

El productor está más interesado en este índice pues le dice cuan bien los pixeles de  referencia han sido clasificados. 

Las medidas de exactitud que acabamos de considerar, aunque simples de usar están basadas sea en la diagonal principal, sea en las filas y columnas de la matriz de confusión solamente. Estas medidas no aprovechan la información contenida en dicha matriz considerada en  conjunto. Más aún, puede ocurrir que una distribución totalmente aleatoria de los pixeles en las clases pueda conducir a resultados aparentemente correctos en la matriz de confusión.

Buscando superar estos inconvenientes se ha  propuesto un índice denominado coeficiente kappa. Este estadístico es una medida de la diferencia entre la exactitud lograda en la clasificación con un clasificador automático y la  chance de lograr una clasificación correcta con un clasificador aleatorio. 
La definición conceptual del coeficiente kappa es la siguiente:

<< PAGINA ANTERIOR - INDICE DEL TUTORIAL - PAGINA SIGUIENTE >>

Aplicaciones prácticas de la percepción remota satelital

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

Galería de imágenes

 

Plataformas de observación

 

Aeropuertos del mundo

 

Imágenes satelitales y seguros

 

¿Qué es la resolución?

 

Petróleo

 

Forestación

 

Estudios de viabilidad

 

Mercados de futuros

 

Cultivo del arroz

 

Nuestra misión

 

Nuestros servicios

 

¿Qué es la percepción remota?

 

¿Qué es una imagen satelital?

 

Uso del GPS

 

Estación rastreadora

 

Pasturas

 

Monitoreo de incendios

 

Sequías

 

Recursos naturales

 

Cultivo del tabaco