IMAGENES SATELITALES - CLASIFICACION

9.3 Clasificación. En las etapas de procesamiento de imágenes que acabamos de discutir se busca sea corregir distorsiones geométricas y realizar correcciones radiométricas eliminando formas de ruido presentes en los datos, sea aplicar manipulaciones de realce para mejorar la interpretación  visual de la imagen. Con la clasificación llegamos a la etapa de operaciones, extracción de información reemplazando el análisis visual de la imagen mediante la aplicación de técnicas cuantitativas para automatizar la identificación de los objetos contenidos en una escena. Esto implica el análisis de datos de escenas multiespectrales aplicando distintas técnicas, entre ellas reglas de decisión basadas en conceptos estadísticos para establecer la identidad de cada pixel en una imagen. Antes de seguir, repasemos algunos conceptos previos. Vimos que cada pixel de una dada

banda espectral tiene un pixel coincidente en cada una de las demás bandas. Así, para una imagen que conste de K bandas habrán K niveles de grises asociados a cada pixel. Esos K niveles de grises generan un espacio espectral k-dimensional en el que cada pixel está representado por un vector que es su firma espectral. Vayamos a un caso sencillo y concreto. Supongamos que queremos analizar una imagen multiespectral identificando tres clases muy generales como suelo, agua y vegetación. Para simplificar supongamos que nuestro conjunto de bandas está formado sólo por las bandas LANDSAT  TM 2,3 y 4. En la Fig. 67 se representan las curvas de reflectancia espectral de las clases consideradas. A dichas curvas se han superpuesto los rangos espectrales de las bandas TM  2,3 y 4. En el espacio tridimensional definido por estas bandas las clases suelo, agua y vegetación están representadas por los vectores (firmas espectrales) de la Fig. 68.

Sin embargo, la reflectancia de una dada cubierta terrestre no está usualmente caracterizada  por una curva única y definida. En efecto, la operación de diversos factores naturales  (topograficos, atmosféricos, genéticos, fenológicos, etc.) hacen que en lugar de  una sola curva haya que considerar una Familia de curvas, parecidas entre sí pero que introducen  cierta indeterminación en la caracterización de la cubierta considerada. 

O sea que no bastará un solo vector para representar una clase sino que caracterizarán por vectores próximos entre sí y cuyas puntas determinarán un cluster, tal como se aprecia en el diagrama de dispersión tridimensional de la Fig. 69, en la que se han  representado sólo los extremos de los vectores.

Hasta aquí nuestro ejemplo ha sido un poco simplista en el sentido de que no hemos  planteado una situación que se da corrientemente y es la superposición parcial de los  clusters. En estos casos se presentan dificultades para asignar un dado pixel a una u otra de  las clases cuyos clusters se solapan. Este problema obliga a recurrir a soluciones de  compromiso recurriendo a procedimientos de clasificación que pasaremos a considerar.  Concretando, el proceso de clasificación intenta categorizar todos los pixeles de una imagen  digital asignándolos a una o más clases de coberturas terrestres o clases temáticas. Esta  clasificación de carácter multiespectral no es sino un proceso de extracción de información  que analiza la firma espectral de los pixeles y los asigna a clases basadas en firmas similares.  Para lograr la mencionada categorización de los pixeles se recurre a clasificadores que  pueden ser considerados como ciertos programas de computadora que implementan  estrategias específicas para la clasificación de la imagen. En el curso del tiempo se han  diseñado muchas de tales estrategias, y entre éstas el analista debe resolver cuál de ellas se  adapta mejor a las necesidades de su trabajo. Actualmente no es posible decidir qué  clasificador es el mejor para todas las situaciones dada la gran variedad de escenas y  circunstancias que los trabajos de percepción remota enfrentan. En tal sentido será  conveniente referirnos a las estrategias alternativas para la clasificación de imágenes.

<< 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