Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SATÉLITE
La generación de mapas temáticos a partir de imágenes de satélite, especialmente de
cobertura vegetal y uso de la tierra, es una de las tareas comunes en teledetección. Ya sea
por medio de interpretación visual o procesamiento digital estas operaciones tienen como
objetivo asignar a cada pixel una categoría (tipos de vegetación, cuerpos de agua, zonas
urbanas, etc).
.Existe una amplia diversidad de métodos de clasificación que podemos agrupar en tres
categorías:
No Supervisada
Supervisada
Orientada a Objetos
CLASIFICACION NO SUPERVISADA
Estos métodos son los más sencillos y automáticos, no requieren datos de campo para
clasificar. Puede utilizarse iterativamente para clasificar una imagen, como técnica
exploratoria para interpretar la imagen, para captar áreas de entrenamiento homogéneas
para posteriormente realizar una clasificación supervisada.
K-Mean:
CLASIFICACION SUPERVISADA
Una clasificación supervisada requiere el conocimiento previo del área de estudio adquirido
ya sea por fuentes externas o por trabajo de campo. Esta familiaridad con la zona de estudio
permite al intérprete identificar en la imagen áreas suficientemente representativas de cada
una de las categorías objetivo. Estas áreas se conocen como "áreas de entrenamiento". El
término indica que tales áreas se utilizan para entrenar a la computadora en el
reconocimiento de las diferentes categorías (Chuvieco E 2016).
Algunos programas, al igual que el PlugIn de Clasificación Semi automática, cuentan con
una herramienta para la selección de las área de entrenamiento basada en un algoritmo de
Región Incremental el cual previa selección de un pixel en pantalla, agrupa los pixeles
vecinos basado en un umbral de distancia espectral especificado por el usuario, la región se
expande mientras existan pixeles vecinos que cumplan el criterio de distancia o se alcance
el tamaño máximo de pixeles de la región, que es especificado antes de ejecutar el
algoritmo.
Este método garantiza la homogeneidad de los pixeles del área de entrenamiento, evita
incluir pixeles en el borde de dos coberturas que incrementarían la variabilidad de la firma.
Algoritmos de Clasificación
Luego que se han definido los sitios de entrenamiento se procede a realizar la clasificación
de la imagen con base en las firmas espectrales.
- Mínima Distancia
- Paralelepípedo
- Angulo espectral
- Máxima probabilidad
Estos algoritmos son denominados Clasificadores Duros o Por Pixel, porque ellos asignan
cada pixel a una determinada categoría, no se considera la mezcla de coberturas dentro de
un pixel o la probabilidad de que el pixel pueda pertenecer a más de una clase.
Paralelepípedo:
Es un clasificador estricto, asigna los pixeles a una categoría solo si se encuentran dentro
del rango de su firma espectral. El rango puede ser definido por los valores extremos de la
firma o en términos de desviación estándar. Este método es generalmente utilizado con
fines exploratorios.
Este método asigna los pixeles a las firmas espectrales que presentan la menor distancia
espectral euclidiana. El usuario puede configurar un valor umbral de distancia.
Angulo Espectral
Similar al método de Mínima Distancia pero en este caso se asigna el pixel a la categoría
con el mínimo Angulo espectral
Máxima Probabilidad
En este caso, las estadísticas de cada área de entrenamiento (media, varianza, covarianza
etc) son asumidas con una distribución normal, por lo cual es posible estimar la
probabilidad de pertenencia o no de un pixel.
Hasta ahora hemos estudiado métodos de clasificación “por pixel” y en su mayoría tienen
como entrada solo información espectral.
Sin embargo, las cubiertas terrestres no presentan firmas espectrales únicas, sino que
existen factores externos e internos que introducen una cierta variabilidad dentro de la
firma espectral de una cubierta particular y crean confusión con otras categorías. En
consecuencia, será difícil discriminarlos basándose únicamente en los valores espectrales.
Puede ser necesario tener en cuenta otras variables para complementar la información
espectral (Chuvieco E. 2016).
Los criterios de textura, forma y contexto son muy importantes en la interpretación visual,
por lo cual nuevos métodos pretenden incorporarlos en la clasificación digital. A diferencia
de lo que podría pensarse, las imágenes de alta resolución pueden ser más difíciles de
clasificar con los métodos por pixel, dado que presentan una mayor cantidad de ruido, esto
incrementa el nivel de confusión entre clases, así como el efecto de sal y pimienta.
Una vez definidos los objetos, todos los píxeles de cada objeto se asignarán a la misma
cubierta, por lo que la clasificación final tendrá una estructura espacial más coherente
(Chuvieco E 2016).
Los segmentos pueden ser clasificados por métodos supervisados o no supervisados. Dado
que los segmentos son entidades vectoriales estamos clasificando y vectorizando a la vez.
Bibliografía: