Universidad Nacional de Loja rea Agropecuaria y de Recursos Naturales Renovables Carrera de Ingeniera Forestal Mdulo: Manejo Hidrolgico, Forestal

y Social de Cuencas Hidrogrficas. Unidad: Ordenamiento Territorial con Aplicacin de SIG. Docente: Ing. Oscar Juela. Estudiantes: vila Mara; Cabrera Janeth; Erazo Alexis; Tandazo Jinhson; Jonathan Torres. Loja-Ecuador 2012-2013 CONTENIDO 1. 2. 3. 4. INTRODUCCIN ............................................................................................................................................. 1 DEFINICIONES....................................................................................................................................2 CONSIDERACIONES FINALES ......................................................................................................4 BIBLIOGRAFA ...................................................................................................................................5

CLASIFICACIN BORROSA DE IMGENES SATELITALES 1. INTRODUCCIN En el procesamiento digital de imgenes satelitales, cuando se llevan a cabo clasificaciones supervisadas de tales imgenes para generar mapas de uso y cobertura, generalmente se asume que todos los usos y coberturas presentes son puros. As por ejemplo, las coberturas de bosque slo son bosques, igualmente las coberturas de gramneas solamente contienen gramneas, los cuerpos de agua slo contienen agua. Pero, en otros usos y coberturas, como por ejemplo reas urbanas o zonas agrcolas, es comn encontrar diversos usos y coberturas mezclados; en las primeras hallamos parques (concreto, pasto, rboles), carreteras, casas (techos de teja, zinc, etc.); en zonas agrcolas hay diferentes tipos de cultivos, y con diferentes
1

estadios en su desarrollo (preparacin de la tierra, crecimiento, cosecha). Estos usos y coberturas generan una respuesta espectral mixta. De tal manera, al asumir que los usos y coberturas son puros en todos los casos, se incurre en una representacin del espacio geogrfico no bien ajustada a la realidad, y por ende se generaran productos de calidad dudosa (Gutirrez y Jegat 2005). Por otro lado, para la asignacin de atributos en las imgenes satelitales se lleva a cabo un proceso de clasificaciones supervisadas en que se instruye al sistema sobre los tipos de uso y cobertura presentes en la imagen, mediante reas de entrenamiento, a diferencia de las clasificaciones no supervisadas, que como su nombre lo indica, solamente se da al sistema una idea del nmero de clases que pensamos existen en la superficie cubierta y ste clasifica la imagen, sin supervisin o reas de entrenamiento, en funcin de grupos de reflectancias o cluster estadsticamente similares (Gutirrez y Jegat 2005). Con la utilizacin de la Clasificacin Borrosa es posible dar un paso adelante en la descripcin de la realidad de la superficie terrestre. Si existen usos y coberturas mezclados o zonas de transicin, mediante esta tcnica podemos instruir adicionalmente al sistema con esas caractersticas complementarias, esto es, le informamos sobre los porcentajes de mezcla o transicin, segn sea nuestro conocimiento (Gutirrez y Jegat 2005). 2. DEFINICIONES Ya en el inicio de la dcada del 90, algunos autores ya reconocieron que los mtodos usados en la poca para representar informacin geogrfica son inadecuados, ya que no toleran la imprecisin. Esto conlleva a la prdida de informacin e inexactitud en el anlisis, problema que se deriva del uso del concepto de la teora clsica de conjuntos. Segn Gutirrez y Jegat (2005), estos autores proponen que para mejorar el procesamiento de la informacin en investigaciones y aplicaciones con SIG se requiere un concepto alternativo, basado en la teora de la Clasificacin Borrosa, o Lgica Difusa o Fuzzy Logic. Esta teora provee un mtodo para reducir as como explicar la complejidad de un sistema. Se refiere a un clculo de compatibilidad, a diferencia de
2

probabilidad, la cual est basada en distribucin de frecuencias en una poblacin escogida al azar. La Clasificacin Borrosa describe propiedades que tienen una variacin continua en sus valores, asociando partes de esos valores una etiqueta semntica (etiquetas que indican cul es su contenido). Los mtodos abordados en la clasificacin supervisada, consideran que un pixel solamente puede pertenecer a una determinada clase. Por ejemplo, en el clasificador de mxima probabilidad, un pixel es clasificado en la clase ms probable; da lo mismo que la pertenencia a esta clase sea mucho mayor que al resto (55-45 %) o que la diferencia sea menor (90-10 %). En el primer caso la asignacin sera muy arriesgada, mientras que en el segundo caso, se estara cometiendo un error muy bajo al clasificar el pixel (Chuvieco 2008). La Clasificacin Borrosa permite aliviar este problema. En este enfoque, cada pixel se etiqueta en varias categoras, con un valor ms o menos en funcin de su similitud espectral. Convencionalmente, la funcin de pertenencia corresponde a una distribucin binaria (0 no pertenece, 1 pertenece), lo que permitira una asignacin simultnea a varias categoras, con diferentes grados de pertenencia (ver Figura 1) (Chuvieco 2008). La funcin de pertenecia tambin se la conoce como Fuzzy Sets, los cuales mapean un valor que puede ser miembro del conjunto (set) en un nmero entre 0 y 1 que indica su grado actual de pertenencia. El nivel 0 significa que el valor no est en el juego y el nivel 1 significa que el valor es completamente representativo del conjunto (Gutirrez y Jegat 2005). Soto y Jimnez (2011) define a la Clasificacin Borrosa o Lgica Difusa, como un clasificador que admite una cierta incertidumbre entre la verdad y la falsedad de sus proporciones, a semejanza del raciocinio humano. En la teora clsica de conjuntos se determina la pertenencia o membresa de un elemento por medio de la lgica booleana: si un objeto o elemento no pertenece a un conjunto, se le asigna un cero y si el elemento pertenece, se le asigna un uno. La teora de conjuntos borrosos propone representar el grado de pertenencia por medio de un valor, en el intervalo cerrado cero y uno. El grado de pertenencia de un elemento en un conjunto borroso no tiene
3

un significado absoluto, su significado resulta de la comparacin con otros grados de pertenencia, en el mismo conjunto borroso.

Figura 1.

La clasificacin borrosa permite asignaciones mltiples en el mismo

pixel (Adoptado de Chuvieco 2008). 3. CONSIDERACIONES FINALES Como hemos podido observar, la teora de Lgica Difusa proporciona una base matemtica rica para entender problemas de decisin y para construir reglas de decisin en combinacin y evaluacin de criterios. Como ejemplo de experiencias con ste mtodo, Gutirrez y Jegat (2005) plantea que el uso de conjuntos difusos (fuzzy sets) en la evaluacin de la exactitud de mapas expande la cantidad de informacin que puede ser generada en relacin a la naturaleza, frecuencia, magnitud y fuente de errores en un mapa temtico. La necesidad de usar conjuntos fuzzy proviene de la observacin de que no todas las locaciones de un mapa se ajuntan a una simple categora; los conjuntos fuzzy permiten variar los niveles de pertenencia para categoras o clases mltiples (Gutirrez y Jegat 2005). Segn Chuvieco (2008), las aplicaciones de esta Lgica Borrosa son de especial inters cuando se pretende analizar coberturas con alto grado de mezcla, como es el caso de las categoras urbanas o cuando se aborden inventarios de vegetacin. Un interesante

campo de aplicacin es el inventario forestal, donde este tipo de clasificacin puede facilitar datos de gran inters para la estimacin global de densidades y superficies. Algunas investigaciones, han integrado la lgica difusa y las redes neuronales para mejorar la evaluacin de la exactitud en las clasificaciones fuzzy. La Lgica Borrosa ha incursionado en varias reas con gran xito, los sistema de control borroso son, sin duda, es una de las aplicaciones ms conocidas (Soto y Jimnez 2011; Gutirrez y Jegat 2005). 4. BIBLIOGRAFA Chuvieco S. 2008. Teledeteccin ambiental. La observacin de la Tierra desde el espacio. 3ra Edicin. Editorial Ariel S.A. Barcelona, Espaa. 417-421. Gutirrez J., H. Jegat. 2005. Uso de la teora de lgica difusa en la clasificacin imgenes satelitales con cobertura mixtas: el caso urbano de Mrida, Venezuela (en lnea). 2012). Soto C., C. Jimnez. 2011. Aprendizaje supervisado para la discriminacin y clasificacin difusa (en lnea). Dyna rev.fac.nac.minas. Medelln, Colombia. 78:169 (2633).. Disponible en: http://www.scielo.org.co/pdf/dyna/v78n169/a03v78n169.pdf (Consultado: mircoles 31, 2012). Interciencia. 30: 5 (261-266). Disponible en: http://www.interciencia.org/v30_05/261_gutierrez.pdf (Consultado: mircoles 31,