IMAGENES SATELITALES - CLASIFICACION SUPERVISADA

 

9.4.1 Clasificación supervisada. Podemos definir esta clasificación como un proceso en que pixeles de identidad conocida, ubicados dentro de las áreas de entrenamiento, se utilizan para clasificar pixeles de identidad desconocida. La clasificación supervisada involucra las siguientes etapas: 
· Etapa de entrenamiento. 
· Selección del algoritmo de clasificación adecuado y clasificación. 
· Operaciones de post clasificación. 

En la etapa de entrenamiento el analista selecciona áreas de identidad conocida de la  cubierta terrestre de interés (cultivos, forestaciones, suelos, etc.) delineándolas sobre la  imagen digital bajo formas de rectángulos o polígonos cuyos datos numéricos quedan  archivados en la computadora como regiones de interés constituyendo los “datos de  entrenamiento”. Para realizar la selección el analista debe tener un conocimiento previo del área de estudio, sea por reconocimientos de camposea por consulta de mapas, fotografías 
aéreas, etc. 
Una vez que se dispone de un conjunto de estos datos de entrenamiento debe tratase de 
adjudicar cada uno de los pixeles de la escena a alguna clase. Entre los algoritmos clásicos 
para estos fines citemos los siguientes: 

· Clasificador por mínima distancia 
· Clasificador por paralelepípedos 
· Clasificador por máxima probabilidad 

9.4.1.1 Clasificador por mínima distancia. 
Con este clasificador los datos de entrenamiento se utilizan sólo para determinar la media de  las clases seleccionadas como regiones de interés. El programa efectuará la clasificación  ubicando cada pixel no identificado en la clase cuya media se encuentra más cercana para lo  cual puede utilizar la distancia euclidiana. El procedimiento se ejemplifica gráficamente en  el diagrama de dispersión de la Fig. 70. Por razones de simplicidad la representación la  hacemos tomando sólo dos bandas (Banda I y Banda II), pero debe tenerse en cuenta que  cuando el procedimiento se implementa numéricamente puede generalizarse para cualquier  número de bandas 

Un pixel a de identidad desconocida, será adjudicado a una dada clase computando

las distancias euclidianas entre el pixel y el centroide de cada clase. Aunque simple desde el  punto de vista computacional este algoritmo tiene ciertas limitaciones, entre ellas la  insensibilidad a los diferentes grados de varianza en las respuestas espectrales de las  diferentes clases. 

Así por ejemplo el punto b en la Fig. 70 clasificador lo adjudicaría a clase  3, aunque la mayor variabilidad de la clase 1 nos hace pensar que tal vez sería más realista  adjudicarlo a ésta.. Por tal motivo este clasificador no es muy apropiado para aquellos casos en que las clases espectrales están muy próximas entre sí en el espacio de medida y a la vez tienen elevadas varianzas.

9.4.1.2 Clasificador por paralelepípedos. 
Este clasificador se implementa definiendo un subespacio en forma de paralelepípedo (es  decir, un hiper-rectángulo) para cada clase. En este procedimiento se introduce sensibilidad  respecto a la varianza de las clases. En efecto, los límites de cada paralelepípedo son  definidos por el rango de valores para cada área de entrenamiento, o sea por los números  digitales máximo y mínimo para dicha área. Alternativamente, dichos límites pueden  definirse tomando cierto número de desviaciones standard para ambos lados de la media del área de entrenamiento. En este caso la regla de decisión es  que el pixel de identidad desconocida caiga dentro de alguno de los paralelepípedos para adjudicarlo a la correspondiente clase. Un ejemplo de la aplicación de este clasificador en el caso sencillo de un diagrama de dispersión de sólo dos bandas se presenta en la Fig. 71:

 



Este clasificador es rápido y fácil de implementar. Tiene sin embargo fuentes de error  asociadas al relativamente frecuente solapamiento de los paralelepípedos: un pixel puede  caer dentro de más de un paralelepípedo si éstos se solapan. Puede darse también el caso de que no caiga en ninguno. Estos factores quitan robustez al clasificador.

<< 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