EJERCICIO 4-3 CLASIFICACIÓN SUPERVISADA

1. EJERCICIO 4-3 CLASIFICACIÓN SUPERVISADA

2. Los tipos de uso de suelo detectados en ejercicios posteriores (urbano, bosque y agua) tuvieron un patrón de respuesta espectral único. Las coberturas de suelo, entonces pueden ser identificadas y diferenciadas una de otras mediante sus patrones únicos de respuesta espectral. Esta es la lógica que sigue la clasificación. Muchos tipos de mapas, incluyendo los de cubierta de suelo, suelos y mapas batimétricos, pueden ser desarrollados por la clasificación de imágenes de percepción remota. Hay dos métodos de clasificación de imágenes: (1) supervisada y (2) no supervisada. Con la clasificación supervisada, el usuario desarrolla las firmas espectrales de categorías conocidas, tales como zonas urbanas y bosques, y luego el software asigna cada píxel en la imagen al tipo de cubierta al cual la firma es más similar. Con la clasificación no supervisada, el software agrupa píxeles en categorías de tales firmas, y luego el usuario identifica qué tipos de cubierta representan esas categorías.

3. Los pasos de la clasificación supervisada pueden resumirse como sigue: • Localizar ejemplos representativos de cada tipo de cubierta que puede ser identificado en la imagen (llamados Sitios de Entrenamiento). • Digitalizar polígonos alrededor de cada sitio de entrenamiento, asignándole un identificador único a cada tipo de cobertura. • Analizar los píxeles dentro de los sitios de entrenamiento y crear firmas espectrales para cada uno de los tipos de cubierta. • Clasificar toda la imagen considerando cada píxel, uno por uno, comparando su firma particular con cada una de las firmas conocidas. Las llamadas clasificaciones duras resultan de asignar cada píxel al tipo de cubierta que tiene la firma más similar. Por otro lado, las clasificaciones suaves evalúan el grado de afiliación del píxel en todas las clases bajo consideración, incluyendo clases no conocidas y no especificadas. La decisión acerca de que tan similar son las firmas una de otra son hechas a través de análisis estadístico. Hay varias técnicas estadísticas que pueden ser usadas, llamadas frecuentemente clasificadores.

4. DESARROLLO DE SITIOS DE ENTRENAMIENTO Los sitios de entrenamiento creados en este ejercicio están basados en un uso de suelo conocido, que fue ratificado durante una visita de campo. Cada tipo de uso de suelo conocido es asignado a un único identificador, donde uno o más sitios pueden ser identificados para cada uno de ellos. El orden sugerido para crear la leyenda lógica de categorías es: Agua poco profunda. Agua profunda. Agricultura. Urbano. Bosque caducifolio. Bosque de coníferas. Desplegar la imagen llamada H87TM4 usando la paleta de escala de gris y con autoescala en Intervalos Iguales. Usar la herramienta de digitalización en pantalla de Idrisi para digitalizar polígonos alrededor de los sitios de entrenamiento.

6. 3 4 3 6 3 4 1 2 5 1 6 5 5 2 6

7. Una regla general de descripción es que el número de píxeles en cada sitio de entrenamiento no deberá ser menor que diez veces el número de bandas. De esta manera, en este ejerció, si se usan siete bandas en la clasificación, entonces se deberá asegurar de tener no menos de 70 píxeles por cada sitio de entrenamiento. DESARROLLO DE FIRMAS Correr MAKESIG del menú IMAGE PROCESSING/SIGNATURE DEVELOPMENT, escoger Vector como el tipo de archivo de sitio de entrenamiento y entrar TRAININGSITES como el archivo que define los sitios de entrenamiento. Estos archivos contienen información estadística respecto de los valores de reflectancia de los píxeles dentro de los sitios de entrenamiento para cada clase.

8. Cuando MAKESIG ha finalizado, abrir el Explorador de Archivos de Idrisi y clic en el tipo de archivo de firma (sig+sgf) y checar que firmas existen para cada una de los seis tipos de cobertura.

9. Para comparar esas firmas, se puede crear una gráfica de ellas. Correr SIGCOMP del menú IMAGE PROCESSING/SIGNATURE DEVELOPMENT. Escoger usar un grupo de archivos de firma y seleccionar TRAININGSITES. Desplegar sus valores medios. Se puede ver que la banda 4 es la que diferencia mejor la cubierta vegetal.

10. Otra forma de evaluar firmas es corriendo SCATTER del menú IMAGE PROCESSING/SIGNATURE DEVELOPMENT e indicar H87TM3 (la banda en rojo) como el eje Y y H87TM4 (banda en infrarrojo cercano) como el eje X. Dar a la salida el nombre de SCATTER y retener el contador logarítmico dado por default. Elegir crear un gráfico de firma y entrar el nombre del grupo de archivos de firma TRAINIGSITES. Presionar OK.

11. Los valores en la imagen SCATTER representan densidades (logaritmos de frecuencia) de píxeles. Por ejemplo, los colores más fuertes indican muchos píxeles con la misma combinación de valores de reflectancia en las dos bandas y colores claros indican pocos píxeles con la misma combinación de reflectancia. El sobreponer las cajas de las firmas, muestra áreas donde diferentes firmas tienen valores similares (cuando es muy marcada, esto puede ser un indicador errores en la definición de sitios de entrenamiento; pero también porque verdaderamente tienen reflectancias en común en ciertos patrones).

12. CLASIFICACIÓN El último paso en el proceso de clasificación es identificar y asignar las firmas. Cada píxel en el área de estudio tiene un valor en cada una de las siete bandas de las imágenes (H87TM1-7). El píxel es entonces asignado al tipo de uso de suelo que tiene la firma más parecida. Hay diferentes técnicas estadísticas que pueden ser usadas para evaluar que tan similar son las firmas una de otras. Las técnicas estadísticas son llamadas Clasificadores. El primer clasificador que se usará es el Clasificador de Mínima Distancia a la Media. Éste calcula la distancia de los valores de reflectancia del píxel respecto a la media de cada archivo de firma, y luego asigna dicho píxel a la categoría con la media más cercana. Hay dos opciones para calcular la distancia en este clasificador. La primera calcula la distancia Euclidiana o sin procesar de los valores de reflectancia del píxel hacia la media de cada categoría espectral.

13. MinDist

14. MinDist-mindistnormal Utilizar el clasificador mindist de distancia mínima a la media, pero esta vez con el segundo tipo de cálculo de distancia: la distancia normalizada. En este caso, el clasificador evalúa las desviaciones estándar de los valores de reflectancia respecto de la media (creando contornos de desviaciones estándar). Éste entonces asigna un determinado píxel a la categoría más cercana en términos de desviaciones estándar.

15. Máxima Probabilidad (MaxLike) El siguiente clasificador es el de Máxima Probabilidad., desarrollada con base en las estadísticas Bayesianas Este clasificador evalúa la probabilidad que un cierto píxel pertenezca a una categoría y entonces clasificarlo a la categoría con la más alta probabilidad de pertenencia. en la figura siguiente, el píxel “2” deberá ser asignado a la categoría “u” porque está a dos desviaciones estándar de la media de “u”, mientras que está a tres desviaciones estándar de la media de “s”.

16. PIPED-pipedminmax Clasificador Paralelepípedo. Este clasificador crea “cajas” usando los valores de mínima y máxima reflectancia o unidades de desviación estándar dentro de los sitios de entrenamiento como se ve en el gráfico. Si cierto píxel cae dentro de una de las “cajas” de firmas, entonces el píxel es asignado a esa categoría. Éste es el más simple y rápido de los clasificadores. Sin embargo, es sensible a clasificaciones incorrectas. Debido a la correlación de información en las bandas espectrales, los píxeles tienden a agruparse dentro de “nubes”. En este caso, el píxel “1” será clasificado como del grupo “d”, mientras que en realidad debería ser clasificado como “c”. Además, las “cajas” frecuentemente se traslapan y los píxeles que caen dentro de este traslape son asignados a la última firma, de acuerdo al orden en que fueron ingresados. El clasificador paralelepípedo, cuando se usa con los valores mínimos y máximos, es extremadamente sensible a valores alejado en las firmas. Para remediar esto, Idrisi ofrece una segunda opción para este clasificador que usa los marcadores de desviación estándar (en lugar de los valores sin procesar) para construir los paralelepípedos.

17. PIPED-PIPEDZ Seleccionar PIPED escogiendo la opción de Z-score y retener el valor dado por default de 1.96 unidades.

18. FISHER El último módulo de clasificación supervisada que se examina en este ejercicio es el llamado FISHER. Este clasificador se basa en el análisis de discriminación lineal. Correr FISHER e insertar el grupo de archivos TRAININGSITES