Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2013
www.rcia.uc.cl
nota de investigación
Resumen
CHW Souza, E. Mercante, VHR Prudente y DDD Justina. 2013. Métodos de evaluación del desempeño para la clasificación
supervisada de imágenes satelitales para determinar las clases de cobertura del suelo. Cien Inv. Agr. 40 (2): 419-428. Las imágenes
satelitales, en combinación con técnicas de teledetección, brindan una nueva oportunidad para monitorear y evaluar cultivos con un costo más
bajo y una mayor objetividad que los estudios tradicionales. La presente investigación empleó imágenes satelitales Landsat 5 / TM para
identificar las clases de cobertura del suelo en Cafelândia (Paraná, Brasil), una ciudad predominantemente agrícola. En este trabajo se
probaron cinco métodos de clasificación supervisada (paralelepípedo (PL), distancia mínima (MND), distancia de Mahalanobis (MHD),
clasificador de máxima verosimilitud (MLC) y mapeador de ángulo espectral (SAM)). Para evaluar la eficiencia de las clasificaciones, se
utilizaron índices de precisión y métricas de error obtenidas a través de matrices de confusión total. Los resultados indicaron que los métodos
Mahalanobis y SAM generaron los errores más pequeños para las cuatro clases de uso de la tierra estudiadas (soja, maíz, bosque, y suelo
desnudo), con valores de precisión general de 88% y 86%, respectivamente, y valores de índice kappa de 0,83 y 0,80, respectivamente. Los
valores de estos métodos para las métricas aplicadas fueron 0,88 y 0,86 para el índice de sensibilidad, 0,96 y 0,95 para el índice de
especificidad total y 0,84 y 0,81 para el coeficiente de correlación Matthews, respectivamente. Los diferentes métodos de clasificación
exhibieron claramente grandes variaciones en su desempeño para el mapeo de la cubierta terrestre. El uso de medidas obtenidas de la matriz
de error es un método adecuado para comparar mapas temáticos. 81 para el coeficiente de correlación Matthews, respectivamente. Los
diferentes métodos de clasificación exhibieron claramente grandes variaciones en su desempeño para el mapeo de la cubierta terrestre. El uso
de medidas obtenidas de la matriz de error es un método adecuado para comparar mapas temáticos. 81 para el coeficiente de correlación
Matthews, respectivamente. Los diferentes métodos de clasificación exhibieron claramente grandes variaciones en su desempeño para el
mapeo de la cubierta terrestre. El uso de medidas obtenidas de la matriz de error es un método adecuado para comparar mapas temáticos.
superficie de la Tierra.
Los datos del sensor satelital ofrecen una herramienta valiosa para el
de fotografías aéreas o imágenes satelitales se pueden usar para La técnica de la matriz de errores y la precisión general y las
estimar el área de cada clase de cobertura terrestre en una región métricas del índice kappa se han utilizado para determinar la
determinada (Luiz et al. 2002). Estas encuestas permiten la precisión de los algoritmos de clasificación digital (Cohen, 1960).
adquisición rápida de información, proporcionan una visión sinóptica Según lo descrito por Richards y Jia (1999), la matriz de errores
de las áreas de estudio y generan información más objetiva y precisa permite la evaluación del desempeño de la clasificación a través
a un costo relativamente más bajo (Pal y Mather, 2004). del análisis de errores de inclusión y omisión, particularmente
cuando un pequeño número de clases de uso de la tierra son de
interés, como en las estimaciones de áreas de cultivo . Otro
Se pueden usar varios tipos de imágenes para examinar el entorno método para comparar mapas temáticos es la creación de una
terrestre dependiendo del propósito de un estudio dado. Las matriz de confusión (Fielding y Bell, 1997), que se puede obtener
imágenes satelitales de Landsat, por ejemplo, se usan de los elementos de la matriz de error.
ampliamente para mapear la superficie de la Tierra (Williams et al. 2006).
Según Janssen y Van der Wel (1994), la clasificación o Ma y Redmond (1995) propusieron el índice tau (T) como una
interpretación de las imágenes se puede realizar de forma visual o medida de la precisión de los métodos de clasificación, en el que
digital. La interpretación visual tiene en gran medida las mismas la precisión de la clasificación se estima en relación con el ajuste
características que la interpretación fotográfica tradicional aleatorio de píxeles para las clases.
(fotografías aéreas), mientras que la clasificación digital implica el
implementadas en programas específicos diseñados para Se han realizado varios estudios utilizando métodos de clasificación
minimizar los errores de interpretación (Cruz, 2008). digital con imágenes satelitales para identificar el uso del suelo y las
et al. 2001; Sur et al. 2004; Bakr et al. 2010; Yang et al. 2011). Sin
La clasificación supervisada es un procedimiento utilizado para embargo, como Castillejo-González
identificar áreas espectralmente similares (muestras de et al. ( 2009) explican, no existe un método de clasificación ideal; El
entrenamiento) dentro de una imagen. El usuario identifica varias método más adecuado para cada estudio está determinado por sus
otras partes de la imagen (Castillejo-González et al. 2009). El presente estudio comparó la precisión de cinco métodos de
clasificación supervisados utilizando coeficientes de
concordancia y las métricas derivadas de la matriz de confusión
Los métodos de clasificación se dividen en tres categorías principales para la comparación de mapas temáticos, que se obtuvieron a
según la regla de decisión: distancia, probabilidad o espectro través del muestreo de panel de imágenes multiespectrales
angular. Los algoritmos de clasificación basados en la distancia, tomadas por el sensor Landsat 5 TM.
como los métodos de distancia mínima (MND), paralelepípedo (PL) y
datos. Finalmente, los clasificadores basados en el espectro angular, Área de estudio y adquisición de imágenes.
espectrales formados entre un espectro de referencia y un píxel El área de estudio cubre 272 km² del municipio de Cafelândia
clasificado (Sur et al. 2004). (Paraná, Brasil), estado de Paraná occidental, en la latitud 24 °
37 'S y longitud 53 ° 20' W (Figura 1). El clima de la región se
clasifica como
VOLUMEN 40 Nº2 MAYO - AGOSTO 2013 421
mesotérmica, subtropical húmeda, con una precipitación media El primer paso del procesamiento fue una transformación
anual de 1.850 mm y una temperatura media de 27 ºC durante el radiométrica, en la cual los valores de los niveles de gris de la
verano y 17 ºC durante el invierno (IAPAR, 2000). La altitud media imagen se convirtieron en valores físicos de reflectancia aparente en
de la zona es de 550 metros. El relieve es liso, principalmente la parte superior de la atmósfera, de acuerdo con los métodos de
tierras planas con pocas pendientes no aptas para fines agrícolas. Chander et al. ( 2009). Luego se realizó una corrección geométrica
Cafelândia es una ciudad predominantemente agrícola, en gran (georreferenciación), que consistió en identificar los puntos de
parte debido a la alta fertilidad natural de su suelo, que es control existentes de alta calidad en la imagen Landsat
principalmente Latosol rojo eutrófico (EMBRAPA, 2006). georreferenciada y procesada (Guía técnica GEOCOVER) (GLCF,
resolución radiométrica de 8 bits (256 niveles de gris); resolución en el que las bandas 3, 4 y 5 presentaron un rango espectral de rojo
espectral de seis bandas, con tres bandas que cubren la región (0.63 a 0.69 µm), infrarrojo cercano (0.76 a 0.90 µm) e infrarrojo medio
del espectro visible (Bandas 1, 2 y 3), una banda que cubre el (1.55 a 1.75 µm), respectivamente. Se utilizaron patrones de colores,
infrarrojo cercano (NIR) (Banda 4) y dos bandas que cubren el texturas y formas en la composición RGB 453 para identificar áreas de
infrarrojo medio (MIR) ( Bandas 5 y 7), todas con una resolución soja, maíz, suelo desnudo y bosque, que luego se confirmaron con
vez que los cultivos (soja y maíz) alcanzan una cierta etapa de
Procesamiento y clasificación de imágenes. supervisión para la clasificación y una referencia básica para la
Figura 1. Ubicación de la escena 223/77 y delimitación del municipio de Cafelândia, estado de Paraná.
422 ciencia e investigación agraria
Figura 2. Área de estudio en Landsat 5 / TM RGB 453 falso color, escena 223/77. Figura 3. Puntos de muestreo aleatorios utilizados para comparar los mapas.
los métodos basados fueron los métodos de paralelepípedo, distancia Las matrices de errores se utilizaron para calcular los índices y las
mínima y distancia de Mahalanobis, y los basados en probabilidad y métricas que se describen a continuación. La precisión general,
ángulo espectral fueron el clasificador de máxima probabilidad y los expresada en la Ecuación 1, representa el número total de éxitos
métodos de mapeo de ángulo espectral, respectivamente. en relación con el número total de muestras en la imagen
clasificada. La ecuación 2 calcula el coeficiente kappa (Cohen,
1960), para el cual, según Foody (2002), el valor mínimo aceptado
Todos los métodos de clasificación se implementaron en el se estableció en 85%.
software ENVI 4.7. El área urbana se vectorizó
manualmente y no se incluyó en la aplicación de los
métodos, ya que este tipo de objetivo exhibe una alta La precisión del productor (PA), como se muestra en la ecuación
mezcla espectral y podría confundirse con los otros 3, también se utilizó para evaluar las clasificaciones; representa la
Análisis del rendimiento del método de clasificación. represente esa clase en el campo (Congalton, 1991).
una encuesta de las clases de uso de la tierra de cada punto (Luiz et (2)
al. 2002). Se utilizaron cien puntos de muestreo, dispersados
donde EG = precisión general; A = puntos de muestreo con Tabla 1. Matriz de confusión total.
acuerdo kappa; r = número de filas de la matriz de error; X ij = Verdadero (T) Falso (F)
Verdadero (T)
observación en la fila i columna j; X i = total marginal de la fila i; xj =
total marginal de la columna j.
Mapa modelo
La precisión también se evaluó utilizando el índice tau (Ma y Falso (F)
(5)
S a / (a + c)
mi d / (b + d)
Figura 4. Resultados de los métodos de clasificación (A) Distancia de Mahalanobis, (B) mapeador de ángulo espectral, (C)
distancia mínima, (D) máxima verosimilitud, (E) paralelepípedo.
MHD 88% 0,83 0,84 El índice tau sigue el mismo método de calidad de
SAM 86% 0,80 0,81 clasificación que el propuesto por Landis y Koch (1977), y los
MND 81% 0,74 0,74 mejores valores para este índice entre los métodos también
MLC 77% 0,68 0,69 se encontraron para (A) Mahalanobis y (B) SAM, con valores
para precisión general, 0.55 para el índice kappa y Para el índice de sensibilidad ( S) Los métodos Mahalanobis y
0,57 para el índice tau. SAM lograron los mejores resultados, con valores de 0,88 y
0,86, respectivamente. El índice de especificidad total (E) indica
Las medidas de precisión del productor y precisión del usuario la capacidad de un método de clasificación para evitar
(Tabla 4) son útiles para evaluar la precisión de la clasificación clasificaciones incorrectas, y los resultados para este valor
para clases individuales. Por ejemplo, en la clase de soja, la fueron 0,96 y 0,95 para los métodos Mahalanobis y SAM,
clasificación que utiliza el método de distancia Mahalanobis logró respectivamente. El coeficiente de correlación de Matthews ( CCM)
una precisión del productor del 97,3% y una precisión del usuario se le da un valor de 1 si dos mapas que se comparan son
del 83,7%. Estos valores indican que el 97.3% de los píxeles de idénticos, y los mapas generados por los métodos Mahalanobis
la soja se clasificaron como soja, pero solo el 83.7% de los y SAM se aproximan más a la imagen de referencia, con
píxeles en la imagen de referencia RGB-453 realmente valores CCM de 0.84 y 0.81, respectivamente.
representaron esta clase en el campo. Este método de
clasificación perdió el 2.7% (error de omisión) de los píxeles de
soja en la imagen, y el 16.3% (error de comisión) de los píxeles
clasificados como soja en realidad pertenecían a otras clases. De los cinco métodos de clasificación examinados, solo dos
(Mahalanobis y SAM) tenían una precisión general superior al
85% para los índices kappa y tau. Estos resultados confirman los
hallazgos de South et al. ( 2004), quienes evaluaron cinco
métodos de clasificación para la identificación de la labranza
La Figura 5 muestra los errores acumulativos de omisión (EO) y cero y los manejos tradicionales en imágenes Landsat ETM + y
comisión (EC) para todas las clases en cada método de descubrieron que el método del ángulo espectral era superior a
clasificación supervisado. Los métodos basados en la distancia los demás. Castillejo-González et al. ( 2009) analizó la precisión
de MLC, SAM y Mahalanobis arrojaron los errores más bajos de cinco métodos de clasificación supervisados utilizando
para cada una de las cuatro clases, con valores de error imágenes multiespectrales QuickBird y concluyó que los
acumulativos por debajo del 70%. Entre estos tres métodos, el métodos MND, MHD y SAM fueron todos satisfactorios.
método de distancia Mahalanobis logró los valores más bajos
para la precisión general, el índice kappa y el índice tau.
PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) PENSILVANIA(%)UA (%)
Haba de soja 97,3 83,7 97,6 95,3 100,0 76,7 100,0 60,5 93,1 62,8
Maíz 78,9 100,0 62,5 100,0 53,6 100,0 93,8 100,0 61,9 86,7
Tierra 88,5 95,8 85,7 100,0 91,7 91,7 52,2 100,0 52,2 100,0
Bosque 77,8 77,8 100,0 33,3 73,3 61,1 100,0 66,7 100,0 22,2
Figura 5. Errores acumulativos de comisión (CE) y errores de omisión (EO) para cada método de
clasificación.
Tabla 5. Métricas obtenidas de las matrices de confusión total. Los resultados demostraron que los diferentes métodos de
clasificación varían significativamente en el rendimiento para el
MHD métrico SAM MND MLC PL
mapeo del uso de la tierra y la ocupación. Por lo tanto, el estudio
S 0,88 0,86 0,81 0,77 0,68 de la precisión de estos métodos es necesario, especialmente si
Resumen
CHW Souza, E. Mercante, VHR Prudente y DDD Justina. 2013. Métodos de evaluación de rendimiento para la
clasificación supervisada de imágenes satelitales en la determinación de las clases de cobertura terrestre.
Cien Inv. Agr. 40 (2): 419-428. Imágenes satelitales junto con técnicas de sensoriamiento remoto ofrecen nuevas
oportunidades para el monitoreo y evaluación de cultivos, con menores costos y una mayor objetividad en relación
a
VOLUMEN 40 Nº2 MAYO - AGOSTO 2013 427
los métodos tradicionales. La presente investigación identificó imágenes de satélite Landsat 5 / TM para identificar
las clases de cobertura del suelo en Cafelândia (Paraná, Brasil), un municipio predominantemente agrícola. Cinco
métodos de clasificación supervisada: Paralelepipedo (PL), Distancia mínima (MND), Distancia de Mahalanobis
(MHD), Máxima probabilidad (MLC) y Mapeador de Ángulo Espectral (SAM) fueron probados en este trabajo. Con el
fin de evaluar la eficiencia de las clasificaciones, utilice índices y métricas de precisión, a través de matrices de
errores y confusión total. Los resultados indicaron que los clasificadores de distancia de Mahalanobis y SAM
superaron a los demás, consiguiendo los mejores resultados y detectando los errores menores para las cuatro
clases estudiadas (soja, maíz, bosque, suelo desnudo), con valores de precisión global de 88 y 86%,
respectivamente, y valores de índice de Kappa de 0,83 y 0,80, respectivamente. Para las métricas aplicadas, los
valores fueron
0,88 y 0,86 para el índice de sensibilidad, 0,96 y 0,95 para el índice de especificidad y de 0,84 y 0,81 para el coeficiente
de correlación de Matthews, respectivamente. La elección de los diferentes tipos de clasificadores claramente
resultantes en grandes variaciones en el rendimiento del mapeamiento de la cobertura y el uso de la tierra. El uso de las
medidas obtenidas a partir de la matriz de errores es un método adecuado para hacer comparaciones entre mapas
temáticos.
terrestre en un área recientemente recuperada de Egipto utilizando curacy de clasificaciones de datos detectados a distancia.
datos de Landsat multitemporales. Geografía Aplicada 30: 592-605. Teledetección del medio ambiente 37: 35−46. Cruz, ES 2008.
Comparação de clasificadores de
Belluco, E., M. Camuffo, S. Ferrari, L. Modenese, S. imágenes digitales en la determinación de la cobertura del
Silvestri, A. Marani y M. Marani. 2006. Mapeo de vegetación solo. Engenharia Agrícola 28: 237-244. Dalposso, GH, MA
de marismas por teledetección multiespectral e Uribe-Opazo, E. Mercante,
hiperespectral. Teledetección del medio ambiente 105: JA Johann y JA Borssoi. 2012. Medidas de comparación de
54-67. mapas generados por métodos geoestadísticos. Engenharia
Brian, WS, Qi Chen y B. Michael. 2011. A Agrícola 32: 174-183. EMBRAPA 2006. Sistema brasileiro de
comparación de técnicas de clasificación para apoyar la cobertura de classifi-
la tierra y el análisis del uso de la tierra en zonas costeras tropicales. cação de solo. Empresa Brasileira de Pesquisa
Geografía Aplicada 31: 525-532. Castillejo-González, IL, F. Agropecuária (EMBRAPA). 2 edição. Río de Janeiro,
López-Granados, A. Gar- Brasil. 306 págs. Fielding, AH y JF Bell. 1997. Una revisión
cía-Ferrer, JM Peña-Barragán, M. Jurado-Expósito, MS de
Orden y M. González-Audicana. métodos para la evaluación de errores de predicción en modelos de
2009. Objeto y análisis basado en píxeles para mapear presencia / ausencia de conservación. Conservación ambiental 24:
cultivos y sus medidas agroambientales asociadas utilizando 38-49. Foody, GM 2002. Estado de la clasificación de la cobertura del
agricultura 68: 207-215. Chander, G., BL Markham y DL evaluación de precisión. Teledetección del medio ambiente 80:
Resumen de los coeficientes de calibración radiométrica GLCF 2012. Fondo mundial para la cobertura del suelo. Salir-
actuales para los sensores Landsat MSS, TM, ETM + y EO-1 ment de Geografía. Universidad de Maryland. Disponible en
ALI. Teledetección del medio ambiente 113: 893-903. línea en: http://glcf.umd.edu/data/. (Acceso a la web: enero de
2012).
428 CIUDAD E INVESTIGACIÓN AGRARIA
Hubert-Moy, L., A. Cotonnec, L. Le Du, A. Chardin, Lurz, PWW, SP Rushton, LA Wauters, S. Ber-
y P. Perez. 2001. Una comparación de los procedimientos de tolino, I. Currado, P. Mazzoglio y MDF Shirley. 2001. Predicción
clasificación paramétrica de datos de detección remota aplicados de la expansión de la ardilla gris en el norte de Italia: un enfoque
en diferentes unidades de paisaje. Teledetección del medio de modelado espacialmente explícito. Landscape Ecology 16:
ambiente 75: 174-187. IAPAR 2000. Cartas climáticas básicas do 407-420. Ma, Z. y RL Redmond. 1995. Coeficientes de Tau
Estado
derivados de satélites: una revisión. Ingeniería fotogramétrica y hiperespectrales. Future Generation Computer Systems 20:
evaluación de precisión de modelos espacialmente explícitos. Servicio York: Springer Verlag. 363pp. Sur, S., J. Qi y DP Lusch. 2004.
Geológico de los Estados Unidos, Centro de Ciencias Biológicas del Clasificación óptima
Suroeste, Flagstaff, AZ. 86 págs. Landis, JR y GG Koch. 1977. La métodos de clasificación para mapear las prácticas de labranza