Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
El objetivo de una clasificacin consiste en agrupar los pxeles que posean una
misma caracterstica. Generalmente la caracterstica tomada es el valor digital de
los mismos, que se corresponder a un tipo de cobertura del terreno.
Bsicamente, la clasificacin digital de imgenes satelitales consiste en un
mtodo estadstico por el cual, a travs de un muestreo de pxeles, se agrupa en
categoras o clases al resto de los pxeles de una imagen.
Los mtodos de clasificacin pueden agruparse en:
Clasificacin Supervisada
Clasificacin No Supervisada
La clasificacin supervisada consiste en conocer a priori las categoras en las
cuales se quiere separar la imagen, y para ello se debe validar el muestreo de
pxeles con un trabajo de campo.
En cambio, en la clasificacin no supervisada no se conocen las clases a separar,
por lo tanto se debe determinar en cuantas clases se quiere separar la imagen y el
ordenador definir las clases. La labor posterior es identificar, con trabajo a campo,
a que cobertura pertenece cada clase. El problema de este mtodo es que no toma
en cuenta la variabilidad que tiene cada clase. Por ejemplo, la variabilidad espectral
de un pastizal natural en mucho mayor que la variabilidad de un cuerpo de agua
profundo y transparente.
En esta gua slo se desarrollar el mtodo de clasificacin supervisada, ya que
es el ms utilizado y exacto. No por ello debe descartarse el uso del resto de las
metodologas para casos puntuales.
Clasificacin Supervisada
Trabajo de Campo
Identificacin y seleccin de sitios de entrenamiento
Seleccin del mtodo de asignacin de pxeles
Evaluacin de la clasificacin
Preparacin del mapa temtico
Trabajo de Campo
Para la salida a campo debe procesarse la imagen a utilizar (con los mtodos
vistos en el apartado anterior) de manera de poder identificar las distintas
coberturas del terreno. La fecha de adquisicin de la imagen debe ser lo ms
cercana posible a la fecha de salida a campo, y a su ves, que las cobertura de
inters estn es su mayor expresin en la misma.
1
El objetivo del trabajo de campo es reconocer las distintas coberturas del rea
de estudio para luego poder identificarlas fehacientemente sobre la imagen.
Generalmente es conveniente disear el trabajo de campo de manera tal de
recorrer todas las coberturas observadas en la imagen. Cada punto visitado debe
caracterizarse con datos como tipo de cobertura, porcentaje de cobertura de suelo,
estado de la cobertura, fenologa (para cultivos) y todas aquellas caractersticas
que puedan modificar la respuesta espectral de la las mismas.
El nmero de sitios visitados debe ser suficientes como para que sean
representativos del nmero de coberturas y de la variabilidad de las mismas.
2
A continuacin se muestran las reas seleccionadas con la herramienta de
semillado:
3
Esta herramienta permite ver la dispersin de las clases y evaluar si es
necesario redefinir una clase, aunque slo es aplicable en casos groseros en que
una clase se confunde con otra, ya que permite analizar de a pares de bandas por
vez. Comnmente es utilizada mientras se seleccionan los sitios de entrenamiento.
Una herramienta ms objetiva es la Transformada Divergente que analiza la
separabilidad de dos clases, con un ndice que va de 0 a 2, donde 0 indica que las
clases se encuentran totalmente superpuestas y 2 que estn totalmente separadas.
Esta herramienta es utilizada generalmente al finalizar la recoleccin de los sitios de
entrenamiento, pero su resultado puede implicar que deben redefinirse uno o ms
sitios de entrenamiento.
En el reporte que se muestra a continuacin puede observarse que la clase agua
tiene mxima separabilidad con todas las restantes clases, mientras que los valores
ms bajos se encuentran entre las subclases de una misma categora, por ejemplo,
Forestal1 y Forestal2 (1,018790).
Una vez comprobada la exactitud de la definicin de sitios de entrenamiento se
est en condiciones de realizar la asignacin de pxeles a una clase.
4
Dentro de los mtodos paramtricos se encuentra el de Paraleleppedos y el de
Distancia Mnima, que a continuacin se detalla:
Una ventaja del mtodo es que todos los pxeles sern incorporados en alguna
de las clases. En este caso, el pxel en cuestin es incorporado a la clase ms
cercana, o sea, como clase C.
La desventaja del mtodo, es que al ser paramtrico, no toma en cuenta la
variabilidad de cada clase y es propenso a cometer errores en este sentido.
6
Clasificador por Mxima Probabilidad
Este mtodo mide la probabilidad de que un pxel pertenezca a una clase, y se
vale del promedio y la desviacin estndar de cada clase para el clculo.
En el grfico pueden verse las elipses que representan los desvos estndar de
cada clase:
Evaluacin de la clasificacin
7
Una vez realizada la asignacin de pxeles el resultado de la clasificacin ser
una imagen de una banda en el cual el valor de cada pxel corresponder al nmero
de clase. Es decir que habr una correspondencia entre un nmero y una clase.
En el reporte de la clasificacin se podr observar alguno de los siguientes
datos:
Cantidad de pxeles en cada clase, con lo que se puede deducir la superficie
ocupada por dichas clases (30 x 30 m Landsat = 0,09 ha)
Matriz de confusin
8
La Matriz de confusin se genera a partir del de los pxeles que se tomaron
como muestras. Del conjunto de pxeles muestreados, la matriz compara como
defini las clases el usuario (en las columnas) y como las encontr el clasificador
(en las filas). As, en la diagonal de la matriz se encuentran los aciertos, o sea,
aquellos pxeles que tanto el clasificador como el usuario ubicaron en la misma
clase. Los residuales de las filas son los errores por omisin mientras que los
residuales de las columnas son los de comisin. O sea que, los errores por omisin
son aquellos pxeles que incluidos como pertenecientes a una clase por el usuario el
clasificador los encontr como otra clase. Por el contrario, los errores por comisin
son aquellos pxeles que el clasificador encuentra perteneciente a una clase y que
no fue definido de la misma manera por el usuario.
La relacin entre la suma de los aciertos y el total indica la fiabilidad de la
clasificacin, aunque ms bien esta asociada a correcta definicin de los sitios de
entrenamiento.
Algunos datos de fiabilidad son mostrados en el reporte, si bien cada software
posee sus formatos. En el siguiente se muestran la fiabilidad promedio, fiabilidad
global, y coeficiente kappa:
9
Para poder abordar un anlisis de la confiabilidad de la clasificacin, el mejor
mtodo es utilizando los resultados de la clasificacin contra la informacin de
terreno. Para ello en el trabajo de campo se debi recolectar informacin a tal fin,
que no haya sido utilizada en los sitios de entrenamiento.
Una metodologa muy utilizada consta de distribuir puntos al azar sobre la
imagen y sobre la clasificacin, que sern corroborados por la informacin de
campo y la experiencia del intrprete. Luego, de la relacin entre los sitios bien
clasificados y el total se pueden construir indicadores de fiabilidad como los ya
mencionados.
La clave en esta etapa es determinar de qu manera deben ser distribuidos los
puntos (estratificada, sobre las clases de inters), a fin de dar con el resultado
correcto de clasificacin. Generalmente son aceptados valores de precisin del
orden del 80%, aunque este valor depender del objetivo del trabajo.
10