IMAGENES SATELITALES - CLASIFICACION NO SUPERVISADA

9.3.2 Clasificación no supervisada. Como ya hemos mencionado, el método no supervisado crea agrupamientos espectrales o clusters y el analista debe intentar asociar una clase temática a cada uno de dichos grupos. Se han propuesto numerosos algoritmos para crear estos clusters. Como ejemplo nosotros nos referiremos al conocido como ISODATA (Iterative Self-Organizing Data Analysis Technique). 

Se trata de un método iterativo que requiere relativamente poca intervención humana, siendo usual que el analista deba especificar:

• Número máximo de clusters que el algoritmo debe identificar (p.ej 10, 20 o más según el caso)

• Máximo porcentaje de pixels cuyos valores se permite permanezcan incambiados 
entre iteraciones. Cuando se alcanza dicho número el algoritmo se detiene.

• Máximo numero de iteraciones. Cuando se alcanza dicho número el algoritmo se detiene. 

• Número mínimo de miembros en un cluster. Si un cluster contiene menos de dicho mínimo es eliminado y los miembros son asignados a un cluster alternativo. 

• Máxima desviación standard. Cuando la desviación standard para un cluster excede  el máximo especificado y el número de miembros que contiene es más que el doble del mínimo especificado, el cluster se divide en otros dos clusters.

• Suele también fijarse valores mínimos para las distancias entre los centros de los clusters. Cuando la distancia resulta inferior a dichos valores los clusters se fusionan.

Para ilustrar cómo procede el algoritmo ISODATA consideremos un caso bidimensional: un  típico diagrama de dispersión entre bandas 3 (rojo) y 4 (infrarrojo cercano) del LANDSAT. 
La forma de la nube de puntos responde a la ya mencionada baja correlación entre dichas  bandas. Para definir la región en el espacio de dispersión utilizaremos la media, µk yla  desviación standard sk de las bandas consideradas. Consideremos un caso hipotético de 5  vectores. Los 5 vectores se distribuirán desde la ubicación µ3-s3, µ4-s4 hasta µ3+ s3, µ4+  s4 y constituyen los centros de los clusters iniciales. Se crea así el paralelepípedo de la Fig.  77(a) que no cubre completamente la nube de puntos del diagrama de dispersión.  En la primera iteración cada pixel de la base de datos se compara con la media de cada  cluster y se asigna a aquél cuya distancia euclidiana al pixel es menor. Luego de esta primera iteración se calcula una nueva media para cada cluster. El proceso iterativo se repite  nuevamente para cada pixel tomando ahora como referencia las medias de los nuevos  clusters. El proceso se continúa hasta que se cumple alguna de las condicionantes planteadas al comienzo: se alcanza el umbral de cambios estipulado o se alcanza el máximo número de iteraciones establecido. 

Veamos ahora un caso sencillo de aplicación, para lo cual podemos volver a utilizar la  imagen la Fig. 78 que ya utilizamos en el caso de aplicación del método de máxima probabilidad en la clasificación supervisada. En este caso, sin embargo, no definiremos áreas de entrenamiento sino que aplicaremos el módulo ISODATA del software ENVI. Nuestra especificación fue la siguiente:

10 clusters, máximo 20 iteraciones, umbral de cambio: 5%, máxima desviación standard por clase:1, distancia mínima entre medias de las clases: 3 (DN), máximo número de pares de clases a fusionarse: 2. 
El resultado se ve en la Fig. 79 donde se han indicado la clases identificadas como  eucaliptus 1 (C.1), eucaliptus 2 (C.2), pinos (C.3), 2 clases de vegetación natural (C.4,5) y  áreas taladas o totalmente descubiertas (C 6).

<< 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