Curso SoPI: Introduccin a la Teledeteccin

Gua - Clase 6

1
 Introduccin
La clasificacin de escenas satelitales es una de las tcnicas ms utilizadas en anlisis cuantitativo de
los datos en teledeteccin. En su esencia el concepto de clasificacin consiste en transformar una imagen
pancromtica, multi o hiper espectral en una imagen compuesta por clases temticas que luego sern
asociadas a coberturas del suelo de inters de acuerdo al objetivo de nuestro estudio (Figura 1).
Entonces el resultado final es un mapa de categoras que representan caractersticas de la superficie
terrestre.Existen una variedad de metodologas y algoritmos disponibles y la eleccin de un mtodo
depender de factores como la heterogeneidad espacial del paisaje, la resolucin (espacial, espectral y
temporal) de las imgenes, la experiencia del operador y la fiabilidad de la metodologa.
Entre los mtodos de clasificacin podemos mencionar los basados en pxeles, por segmentacin, regla
de decisiones, redes neuronales, o mtodos hbridos, entre otros. Durante este curso nos centraremos en
dos variantes de clasificaciones basadas en pxeles. Asimismo, entre las clasificaciones basadas en
pxeles se pueden dividir (aunque no son las nicas) en clasificaciones no supervisadas y supervisadas.

Figura 1. Izquierda: Imagen multiespectral en falso color compuesto (Infrarrojo cercano, Infrarrojo onda corta,
rojo). Derecha: Imagen clasificada utilizando el clasificador K-Means con cinco clases temticas.

Clasificaciones no supervisadas

En el mtodo no supervisado el analista no conoce a priori cuales son las clases existentes en el
terreno, por lo tanto, la intervencin se centrar en la interpretacin de los resultados.
Los pxeles de la imagen sern agrupados en conglomerados o clusters (clases), en funcin del valor
de DN, asumiendo que tienen caractersticas espectrales homogneas. Asimismo, dentro de las
clasificaciones no supervisadas, existen diversas tcnicas y algoritmos de agrupamiento. Siendo los ms
utilizados K-Means e ISODATA.
Posteriormente se asigna cada una de estas clases a componentes ambientales observados en el
terreno. Por ejemplo: para realizar un trabajo de identificacin de usos agrcola-ganadero, podemos
distinguir en la imagen cinco clases y asignarles posteriormente a qu tipo de uso pertenece, apoyndose
en el trabajo de campo o mediante la utilizacin de mapas validados.
Los algoritmos como K-Means o ISODATA son iterativos, es decir presentan una serie de pasos
repetitivos hasta alcanzar un resultado. El nmero de iteraciones es la cantidad de veces que el programa
agrupa y re-agrupa los pxeles en clases temticas. Este parmetro es muy importante a tener en cuenta
ya que, si se asigna un nmero bajo de iteraciones podra no ser suficiente para que el agrupamiento de
las clases sea constante, mientras que, un nmero excesivo, podra llevar tiempo y procesamiento
computacional innecesario.

2
 En la Figura 2 se muestra como ejemplo una clasificacin con tres clases y seis iteraciones. Se
observa claramente que en un principio hay pocos pxeles pertenecientes a la clase rojo, mientras que, al
final de las iteraciones, la clase rojo es mayoritaria. Note que, luego de realizar tres veces el
procedimiento, la cantidad de pxeles pertenecientes a cada clase no vara significativamente. En una
clasificacin por K-Means, el umbral, hace referencia a cuanto vara la cantidad de pxeles que pasan de
una clase a otra. Si se asigna un umbral del 0% estaremos pidiendo que el algoritmo no tolere diferencias
entre una iteracin y otra, en tanto que, un umbral del 5%, implicar que la clasificacin terminar cuando
el 95% de los pxeles permanezcan en la misma clase, entre una iteracin y la siguiente. Entonces, a
mayor nmero de umbral, mayor flexibilidad y menor exactitud en la asignacin de clases.

Figura 2. Muestra esquemtica del funcionamiento del algoritmo K-Means para realizar clasificaciones
supervisadas. En este caso se observan tres clases y seis iteraciones.

Actividad 1

El objetivo de esta actividad es clasificar mediante el mtodo k-means una zona de la selva paranaense
variando los diferentes parmetros de la herramienta y comparando los resultados.

1. Clasificacin no supervisada con tres clases.

En el caso ms simple nuestro inters es diferenciar vegetacin, no vegetacin (distintos tipos de

suelos) y agua. Es decir tres tipos de uso y cobertura. Esta clasificaicn permitir nicamente separar usos
y coberturas muy dismiles entre s. Sin embargo hay que tener en cuenta que dentro de la clase
vegetacin pueden existir distintos cultivos como soja o yerba mate, bosque nativo y forestaciones
implantadas de pino y eucaliptus. En tanto que la clase no vegetacin podra incluir diferentes tipos de
suelo en descanso, zonas urbanas o suelos sin vegetacin durante todo el ao. Asimismo cada uso y
cobertura presentar niveles de humedad variable entre otros parmetros.

3
 Abra el archivo clase6.suri y seleccione la imagen Landsat8-OLI-2015-08-09recorte. En el men
principal vaya a Procesamiento y elija Clasificacin no supervisada (Figura 3). En cantidad de clases
coloque el nmero de clases que desea obtener con su clasificacin. En este caso, seleccione tres.
Introduzca 100 iteraciones con un umbral del 5%. En cuanto a la seleccin inicial de clases es
conveniente utilizar algn mtodo estadstico sencillo como cuantil o moda. Anote los parmetros (umbral,
iteraciones y seleccin inicial de clases) para comparar luego con el restultado de otras clasificaciones. Por
ltimo seleccione Exportar metadatos y luego en archivo: explorar guarde la imagen clasificada
como clasif-nosup-3clases. Haga click en la capa para poder visualizarla. Obtendr una imagen con tres
clases temticas.

Figura 3. Ventana correspondiente a la herramienta clasificacin no supervisada.

Los colores asignados a cada clase de la imagen clasificada son aleatorios. Para modificarlos,
seleccione la capa clasif-nosup-3clases y haga click con botn derecho sobre ella. Seleccione Aspecto
y modifique los colores a gusto haciendo click derecho en cada color (Figura 4). Puede por ejemplo
asignar color verde a la clase 2, marrn a la clase 3 y azul a la clase 1.

Figura 4. Ventana correspondiente a aspecto de la imagen clasificada.

El proceso de asignacin de clases a los usos y coberturas se realiza con puntos de control a campo
con GPS u otra informacin auxiliar. Utilice la capa puntoscontrol para asignar las clases y recuerde
los conceptos vistos en la clase de interpretacin visual. En ella encontrar puntos y etiquetas
correspondientes a distintos usos y coberturas. Puedes ayudarte adems con la imagen original
Landsat8-OLI-2015-08-09recorte como base para identificar las tres clases.

4
 Importante: Una forma prctica de asignar una Clase valor (clase de ahora en ms) a un determinado
uso es elegir un color que resalte en la imagen clasificada (por ejemplo rojo o amarillo) y observar
coincidencias entre ese color y los puntos de control y la imagen multiespectral Landsat8-OLI-2015-08-
09recorte. En el caso de que existe confusin sobre a que categora asignar una clase, debe elegirse la
que cubra mayor superficie de las dos.
Puedes ayudarte con el tutorial clasificacin no supervisada. Luego de cada procesamiento, guarda el
proyecto desde Archivo: guardar proyecto.

Clculo de superficies correspondiente a cada clase:

Una vez obtenido el mapa de uso y cobertura, puede calcular la superficie de cada clase. Para ello
haga click en la imagen clasificada y vaya a Herramientas: calcular estadsticas globales. Haga click en
todos los casilleros (Calcular parmetros bsicos, Histograma y Expresar en reas) y luego seleccione
OK. Se desplegar una ventana con las estadsticas correspondientes. El rea est expresada en m2
para obtener la superficie en hectreas, debe dividir ese valor sobre 10000.

2. Clasificacin no supervisada con cinco clases.

Seleccione la misma imagen y mtodo de clasificacin que en el punto 1). En este caso elija en
Cantidad de clases cinco clases, para ver si es posible diferenciar, bosque implantado, selva paranaense,
cultivo, suelo sin cobertura vegetal y cuerpos/cursos de agua. Seleccione la cantidad de iteraciones y un
umbral del 5%. En cuanto a la seleccin inicial de clases utilice los mismos que en el punto 1). Por ltimo
seleccione Exportar metadatos y luego en archivo: explorar guarde la imagen clasificada como clasif-
nosup-5clases. Anote los parmetros (Umbral, Iteraciones y Seleccin inicial de clases). Obtendr una
imagen clasificada con cinco clases temticas.
Puede separar bien los usos y coberturas propuestos? Encuentra zonas clasificadas errneamente?

3. Clasificacin no supervisada con veinte clases.

Seleccione la misma imagen y mtodo de clasificacin que en el punto 1). En este caso elija veinte
clases en cantidad de clases para ver si es posible mejorar la separabilidad de los diferentes usos y
coberturas clasificados en el ejercicio 2). Seleccione la cantidad de iteraciones y un umbral del 5%. En la
seleccin inicial de clases utilice cuantil o moda. Por ltimo vaya a Archivo: Explorar y guarde el archivo
como clasif-nosup-20clases. Anote los parmetros (Umbral, Iteraciones y Seleccin inicial de clases) para
luego poder comparar con otras clasificaciones.
En este caso es necesario juntar clases en una categora. Por ejemplo si tengo cinco clases
correspondientes a cinco tipos de cultivo diferentes y necesito asignarlos a la categora cultivo puedo
hacerlo utilizando la herramienta fusionar clases. Lo mismo para el resto de las clases.
Para ello tiene que posicionarse en la imagen clasificada clasif-nosup-20clases e ir a Pre/Pos-
procesamiento en el men principal de SoPI y seleccionar Postclasificacin: Fusionar clases. Se abrir
una ventana con varias opciones. En casillero agregar clases, escriba el nombre del grupo en el cual se
van a fusionar las clases, por ejemplo puede poner cultivo. Luego puede seleccionar un color para
visualizar esa categora y luego hacer click en el cono + (Figura 5).
Por lo tanto si tiene que agrupar veinte clases en cinco categoras, cree las cinco categoras (e.g.
cultivo, bosque implantado, selva paranaense, cuerpo/cursos de agua y suelo sin cobertura vegetal). Una
vez creadas en la columna destino asigne la categora a cada clase (Figura 6). Por ltimo vaya a archivo:
explorar guarde la imagen clasificada como fusion-20clases.

5
 Figura 5. Fusin de clases producto de una clasificacin en categoras. En agregar clases se asigna la categora.
En el recuadro de color (crculo amarillo) se elige el color y la cruz (crculo rojo) agrega la categora que agrupar
varias clases.

Figura 6. Fusin de clases producto de una clasificacin en categoras. En destino se asigna cada categora a
una Clase valor particular.

Aumentando el nmero de clases mejora la clasificacin? Hay usos y coberturas que se siguen
mezclando?

Actividad 2

Clasifique la imagen de Noviembre de 1985. Utilice veinte clases, fusinelas a las categoras: bosque
implantado, selva paranaense, cultivo, suelo sin cobertura vegetal y cuerpos/cursos de agua y compare
con la clasificacin obtenida en el punto 3 de la actividad 1 la superficie de selva paranaense y bosque
implantado entre ambas fechas. Recuerde utilizar la herramienta Calcular estadsticas globales sobre
cada imagen clasificada para obtener la superficie. Cmo se modific la superficie de bosque
implantado? En cunto?