Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Maurico 2005 Clasificación No Supervisada de Coberturas
Maurico 2005 Clasificación No Supervisada de Coberturas
RESUMEN
La diversidad de especies vegetales presentes en Colombia y la falta de inventario sobre ellas hace
pensar en un proceso que facilite la labor de los investigadores en estas disciplinas. Los sensores
remotos satelitales como el LANDSAT ETM+ y las técnicas de inteligencia artificial no supervisa-
das, como los Self-Organizing Maps - SOM, podrían proveer una alternativa viable para avanzar en
la obtención rápida de información que corresponda a zonas con diferentes coberturas vegetales
presentes en la geografía nacional. La zona propuesta para el caso en estudio fue clasificada de
forma supervisada por el método de máxima similitud en otro trabajo de investigación en ciencias
forestales y se discriminaron ocho tipos de coberturas vegetales. Esta información sirvió como
patrón de medida para evaluar el desempeño de los clasificadores no supervisados ISODATA y
SOM. Sin embargo, la información que proveen las imágenes debió ser depurada previamente de
acuerdo a los criterios de uso y calidad de los datos de manera que se utilizara la información
adecuada para estos métodos no supervisados. Para esto se recurrió a varios conceptos como las
estadísticas de las imágenes, el comportamiento espectral de las comunidades vegetales, las
características del sensor y la divergencia promedio que permitieron definir las mejores bandas y
sus combinaciones. Sobre éstas se aplicó el concepto de análisis de componentes principales que
permitió reducir el número de datos conservando un gran porcentaje de la información. Sobre estos
datos depurados se aplicaron las técnicas no supervisadas modificando algunos parámetros que
1
Instructor Asociado. Universidad Nacional de Colombia, Sede Medellín. Facultad de Minas. A. A. 1027. Medellín, Colombia.
<marangog@unalmed.edu.co>
2
Profesor Asistente. Universidad Nacional de Colombia, Sede Medellín. Facultad de Minas. A. A. 1027. Medellín, Colombia.
<jwbranch@unalmed.edu.co>
3
Profesora Asistente. Universidad Nacional de Colombia, Sede Medellín. Facultad de Minas. A. A. 1027. Medellín, Colombia.
<vbotero@unalmed.edu.co>
pudieran mostrar una mejor convergencia de los métodos. Los resultados obtenidos se compara-
ron con la clasificación supervisada a través de matrices de confusión y se concluye que no hay una
buena convergencia de los métodos de clasificación no supervisada con este proceso para el caso
de las coberturas vegetales.
ABSTRACT
The plant species diversity in Colombia and the lack of inventories of them suggests the need for a
process that facilitates the work of investigators in these disciplines. Remote satellite sensors such
as LANDSAT ETM+ and non-supervised artificial intelligence techniques, such as self-organizing
maps - SOM, could provide viable alternatives for advancing in the rapid obtaining of information
related to zones with different vegetative covers in the national geography. The zone proposed for
the study case was classified in a supervised form by the method of maximum likelihood by another
investigation in forest sciences and eight types of vegetative covers were discriminated. This
information served as a base line to evaluate the performance of the non-supervised sort keys
ISODATA and SOM. However, the information that the images provided had to first be purified
according to the criteria of use and data quality, so that adequate information for these non-
supervised methods were used. For this, several concepts were used; such as, image statistics,
spectral behavior of the vegetative communities, sensor characteristics and the average divergence
that allowed to define the best bands and their combinations. Principal component analysis was
applied to these to reduce to the number of data while conserving a large percentage of the
information. The non-supervised techniques were applied to these purified data, modifying some
parameters that could yield a better convergence of the methods. The results obtained were
compared with the supervised classification via confusion matrices and it was concluded that there
was not a good convergence of non-supervised classification methods with this process for the case
of vegetative covers.
Figura 1. Organización de datos de ocho bandas espectrales sobre una misma escena
Esta problemática plantea una primera di- El agrupamiento (Clustering) es una técni-
ficultad a resolver que es encontrar cuales ca de clasificación en que la imagen es
bandas son importantes para el reconoci- segmentada en clases desconocidas que
miento de clases espectrales (Nissinen; posteriormente serán etiquetadas. Ésta se
Hyötyniemi y Koivo, 1999) antes de abor- emplea en diversos métodos, como por
dar el problema de clasificación. Lo prime- ejemplo: K-medias, C-medias e ISODATA
ro es definir cuales son las condiciones (IInteractive Self-O
Organizing Data Analysis
espectrales de la imagen que le permitan Technique (Algorithm)) (Richards, 1995).
ser clasificada por un algoritmo no super-
visado orientado a coberturas vegetales. Es En la CNS de imágenes multiespectrales
así como en esta etapa se busca realizar uno de los algoritmos que resulta adecua-
una corrección de los datos a fin de dismi- do para delimitar los valores homogéneos
nuir la componente de ruido atmosférico dentro de la imagen ha sido el ISODATA
inherente a las imágenes digitales de (Datos auto-asociados iteractivamente)
sensores remotos y mostrar las considera- (Duda y Hart, 1973) el cual calcula los pro-
ciones que para ello se hacen. medios de las clases o agrupaciones que
eventualmente están distribuidos en el es-
Ahora, se define la clasificación no-super- pacio de decisión. En cada una de las
visada – CNS como un proceso de agrupa- iteracciones re-calcula los promedios y re-
clasifica los pixeles de la imagen con res- géneos dentro de la imagen (Rebollo y Orti,
pecto a los nuevos promedios. Este proce- 1980). Sin embargo, es artificioso señalar
so continúa hasta que el cambio del nú- unos parámetros de control significativos,
mero de pixeles en cada clase (cluster) es puesto que el usuario no conoce, inicial-
mínimo respecto a un valor de tolerancia o mente, el número de grupos espectrales
hasta que se realiza cierto número de presentes en la imagen, ni el valor idóneo
iteracciones predefinidas. Sin embargo, es de dispersión interna o distancia entre gru-
muy artificioso señalar parámetros de con- pos. De esta forma, el análisis no supervi-
trol significativos sino se conocen los gru- sado se convierte en un proceso interactivo,
pos espectrales ni el valor idóneo de dis- en donde el usuario establece unos valores
persión o distancia entre grupos; es decir, arbitrarios que se van modificando a la luz
el usuario es quien define el número de de los resultados.
categorías que cree se pueden obtener
cuando éste no tiene conocimiento de lo Éstas razones han llevado a algunos inves-
que estará presente en la imagen. Otra di- tigadores a desarrollar otras técnicas que
ficultad es el gran volumen de cálculo que definan un modelo que permita segmen-
precisa, donde a partir de la quinta tar imágenes multiespectrales satelitales de
iteracción los cálculos son mayores que para manera eficiente, confiable y sin conoci-
la clasificación de máxima verosimilitud miento experto. Algunos trabajos han re-
(clasificación supervisada) (Richards, 1993). currido a la lógica difusa (Duda; Canty y
Klaus, 1999) que aunque obtiene mejores
La principal ventaja que ofrecen los méto- resultados que con los métodos C-medias
dos no supervisados es que la intervención y C-medias-Difuso plantea definir el número
humana se centra en la interpretación más de agrupamientos. Se destacan otros tra-
que en la consecución de los resultados. bajos en técnicas híbridas donde se com-
Lo que buscan estos métodos es definir los binan algoritmos de aprendizaje no-super-
grupos o categorías que intervendrán en lo visado (SOFM) y supervisado (LVQ2)
que sí podría llamarse “clasificación” (Solaiman, Mouchot y Maillard, 1994b)
(Chuvieco, 2000), también podría decirse que posteriormente se comparó con SOFM
que son exploratorios (Mather, 1989) ya y con el Perceptrón Multicapa usando Com-
que buscan reducir las clases espectrales ponentes Principales como entrada de da-
presentes en la imagen. tos pero sin ninguna finalidad específica
de tipos de coberturas (Sergi; Solaiman y
En el caso particular de la clasificación de Mouchot, 1995). También se comparó con
coberturas vegetales, muchos especialistas el clasificador Bayesiano de Máxima Simili-
han optado por trabajar bajo las técnicas tud del tipo supervisado y se concluyó que
supervisadas, ya que los algoritmos de cla- se llegaba a soluciones equivalentes
sificación no-supervisada se orientan a de- (Solaiman, Mouchot y Koffi, 1995a). Este
finir propiamente los grupos que interven- análisis se aplicó sobre 5 bandas espectrales
drán en la clasificación (Chuvieco, 2000). de imágenes LANDSAT 5, pero no analiza-
El ISODATA es el algoritmo más adecuado ron los Componentes Principales. Siguien-
para delimitar los grupos de valores homo- do con esta línea, se propuso la segmenta-
ción de imágenes LANDSAT 5 usando RNA se han aplicado las técnicas de clasifica-
y sistemas expertos, los resultados fueron ción supervisada para la solución de este
buenos en términos de preservación de tipo de problemas.
bordes de coberturas (Solaiman et al.,
1995b). El Instituto Geográfico Agustín Codazzi
genera algunas publicaciones indicando sus
En el contexto latinoamericano existen dos desarrollos en este campo. Sin embargo,
trabajos que ayudaron a motivar el actual: se ha relegado el uso de los métodos de
(Avendaño, 1999 y Todt, 1998). El prime- clasificación no supervisada a aquellos ca-
ro hace una comparación para el reconoci- sos en donde la diferencia espectral en los
miento de patrones en imágenes elementos contenidos en las imágenes es
multiespectrales entre modelos supervisa- muy marcada. En muchos casos no se usa
dos paramétricos (máxima similitud) y ni como proceso exploratorio para definir
neuronal (Retropropagación) y no supervi- las clases espectrales en que posiblemente
sados paramétricos (ISODATA) y neuronal se pueda segmentar una clasificación su-
(Kohonen et al., 1996 a). En este trabajo pervisada y esto se debe a la insatisfacción
se llega a resultados que resaltan las bon- del usuario del software por las respuestas
dades de los modelos neuronales en la cla- que arrojan los algoritmos disponibles, lo
sificación supervisada más no en la CNS que hace que se pierda gran parte del po-
debido a que en este último se presenta tencial de información que provee una
que el número de clases a clasificar está en imagen digital como la LANDSAT ETM+.
función del tamaño del mapa de la red. El
segundo hace una evaluación del desem- Lo mismo ha sucedido con las entidades
peño de clasificadores neuronales de for- encargadas del manejo de los recursos na-
ma similar al anterior pero en la CNS se turales como las Corporaciones Autóno-
usa como parámetro el Histograma mas. Éstas han desarrollado excelentes tra-
Tridimensional. Una de las conclusiones es bajos en fotografías aéreas pero la escala
que si las bandas utilizadas son debidamen- regional, que ofrecen las imágenes
te seleccionadas a través de un método satelitales, ha sido poco explorada y me-
estadístico el desempeño del clasificador nos aún con la clasificación no supervisa-
neuronal puede contribuir a una mejor ocu- da.
rrencia de clases.
Lo definido anteriormente implica diseñar
En el contexto nacional el desarrollo de la un modelo analítico que discrimine mejor
teledetección ha sido exclusivo de los ex- las coberturas vegetales, genere las imáge-
pertos en las áreas temáticas; es decir, geó- nes que tengan una mayor información es-
grafos, geólogos, ingenieros, agrónomos, pectral y reduzca los datos conservando la
entre otros. Éstos se han orientado a la mayor cantidad de información. Estos
generación de productos con base en los parámetros anteriores servirán para diseñar
algoritmos que ofrecen las plataformas de el accionar de la técnica de redes neuronales
software para teledetección, que sumada implementada, Mapas de Kohonen et al
la experiencia al uso de estas herramientas, (1996 a), como una técnica de inteligen-
A partir de lo anterior, la imagen digital neral, éstas correcciones modifican los ni-
puede esquematizarse como una matriz nu- veles digitales y no se harán con el fin de
mérica en tres dimensiones donde X y Y disminuir el tiempo de tratamiento y abor-
corresponden a las coordenadas geográfi- dar el trabajo con los valores originales.
cas, Z a la dimensión espectral (Figura 1) y
el origen se sitúa frecuentemente en la es- Ahora, considerando que la reflectividad es
quina superior izquierda. Esto último se la relación entre la energía reflejada y la
debe a la secuencia de adquisición de imá- incidente, tenemos que la primera se ob-
genes que es de Norte-Sur de acuerdo con tiene de los datos medidos por el sensor ya
la traza del satélite y el número de bandas que éste mide radiancia espectral que es
depende de la resolución espectral del consecuencia de la reflexión de la radia-
sensor satelital. ción electromagnética en las cubiertas, más
la influencia de la atmósfera. Para hacer un
Con base en este carácter matricial de la cálculo preciso de la reflectividad real de la
imagen numérica es que se aplican trans- cubierta se deben considerar muchos fac-
formaciones y cálculos sobre las imágenes tores (Chuvieco, 2000) y resolverlos resul-
tales como sintetizar varias bandas redu- ta muy laborioso y requiere datos sobre las
ciendo la información redundante a través condiciones de la atmósfera en el momen-
de componentes principales o discriminar to de toma de la imagen, los cuales no
grupos de ND homogéneos dentro de la suelen estar disponibles. Además, estos
matriz como se plantean posteriormente. efectos varían de una zona a otra dentro
de la imagen. Por lo tanto, las correccio-
Por otro lado, las imágenes de sensores nes atmosféricas se han abordado de va-
remotos presentan unas alteraciones rias formas:
radiométricas y geométricas que hacen que
éstas no coincidan con el tono, posición, · Asumir ciertas condiciones atmosféricas
forma y tamaño de los objetos que inclu- estándar que corresponde a una determi-
ye. En el caso de las imágenes satelitales nada composición de vapor de agua,
las deformaciones se pueden agrupar en anhídrido carbónico, oxígeno, ozono y
cuatro tipos (Mather, 1989): aerosoles, en función de temperatura y
humedad relativa del día de la toma.
· Distorsiones originadas por la plataforma. · Otro método es el de homogeneizar los
· Distorsiones provocadas por la rotación ND’s entre imágenes multitemporales de
terrestre. la misma zona.
· Distorsiones provocadas por el sensor. · Apoyarse en los datos de la propia escena
· Distorsiones provocadas por la atmósfe obteniendo a partir de las diferentes ban-
ra. das una estimación del efecto atmosféri-
co. Entre estos métodos se destaca el de
Algunos de estos problemas se solucionan corrección del histograma por valores mí-
en el centro de recepción de las imágenes nimos (Campbell, 1987) donde se asume
y otros se solucionan con correcciones que las áreas cubiertas con materiales de
radiométricas o geométricas. Pero en ge- fuerte absortividad (agua, zonas en som-
Figura 3. Efecto de las longitudes de onda sobre la vegetación. (Canada Centre for
Remote Sensing - CCRS, 2001).
Estos conceptos de base del ACP han teni- vectores alimentan al sistema en una fre-
do un impacto especial en el estudio de las cuencia y cada vez que un vector distinti-
imágenes de sensores remotos ya que la vo de entrada no es mapeado con un
adquisición de imágenes sobre bandas ad- identificador de una clase ya aprendida, el
yacentes del espectro hace suponer infor- sistema establece una nueva clase con un
mación redundante, puesto que un área identificador para esa clase y ajusta esos
observada tiende a mostrar un comporta- parámetros al mapa del vector distintivo
miento similar en regiones próximas del es- dentro de ese identificador. Esto se puede
pectro. Por esta razón una medida en una hacer en procesos tales como algoritmo
banda puede tener una fuerte correlación ISODATA, K-medias o Kohonen, entre otros.
con las deducidas de otra y así el ACP
tiene sentido porque convertiría un con- En el entrenamiento supervisado o no su-
junto de variables correlacionadas en uno pervisado el sistema determina uno o más
de variables no correlacionadas reducien- vectores prototipo, arquetipo, patrón, re-
do, no eliminando, el número de variables presentativo o central, entre otros, como
respuesta medida y por ende la modelo(s) idealizados para cada clase. Des-
dimensionalidad real. pués de entrenado, el sistema está listo para
operación pero se deben hacer algunas
Algunos autores sugieren que el ACP pruebas para verificar el entrenamiento. En
involucra transformación de características el modo operativo, cada vector de entrada
y obtiene un conjunto de rasgos transfor- es comparado con algunas medidas de se-
mados más que un subconjunto de carac- mejanza con un(os) vector(es) de ejemplo
terísticas originales (Mitra; Murthy y Pal, para cada clase y se toma una decisión de
2002). Lo que debe merecer un estudio acuerdo con la mayor similitud (o diferen-
posterior a la luz de la propuesta planteada cia) entre el vector de entrada y el(los)
por ellos. ejemplo(s).
Se recomienda la aplicación de este méto- Uno de los tipos de agrupación más fre-
do en casos donde: Todas las variables es- cuentemente usados y estudiados en la cla-
tén en las mismas unidades o unidades sificación no supervisada es el ISODATA,
comparables y que tengan varianzas con que será comparado con Mapas de Kohonen
tamaños muy semejantes. Éste es el caso en la solución del problema planteado en
de las imágenes satelitales correspondien- este trabajo.
tes a una misma escena.
Según Looney (1997) el Interactive Self-
CLASIFICACIÓN DIGITAL Organizing Data Analysis Technique
(Algorithm) es como el K-medias, excepto
En el método de clasificación no supervi- porque el primero incorpora algunas aproxi-
sado o modo autorganizado de clasifica- maciones heurísticas como definir el nú-
ción, un sistema desempeña ambos pro- mero de agrupaciones existentes. Una de
cesos de entrenamiento y operación sobre las dificultades de este método es que no
cualquier vector distintivo de entrada. Los es tan autorganizado ya que se deben defi-
La región sobre la cual se desea hacer un Siguiendo con la metodología descrita an-
análisis de los algoritmos anteriormente des- teriormente se le aplicó a la escena correc-
critos corresponde a la zona urbana y alre- ción atmosférica, selección de datos, clasi-
dedores del Municipio de Sonsón del De- ficación digital y análisis.
partamento de Antioquia – Colombia (Fi-
gura 5). Esta es un segmento de una esce- La reducción del ruido atmosférico busca
na LANDSAT 7 ETM+ (composición ban- acercar los valores de Niveles Digitales a
das 453) con una extensión de 2.25 km2 Reflectividades. Este proceso hace una gran
(500*500 pixeles). abstracción sobre los elementos que afec-
tan los valores sensados debido a la difi-
cultad que representa tener control sobre
Se escogió esta zona de una clasificación
todas esas variables. Es una propuesta acep-
supervisada mayor por tener ésta un con-
tada en la literatura ya que utiliza una ca-
trol de campo más exhaustivo (Figura 6).
racterística importante del sensor. En estas
El resultado obtenido por Uribe (2002) in- regiones tropicales y montañosas en la
dica una representación muy ajustada a lo mayoría de los casos es posible encontrar
que efectivamente se tendría en el terreno, zonas de cero reflectividad como las som-
lo que permitiría una muestra adecuada en bras de nubes o montañas y éstas se pre-
contenido de píxeles y clases. El método sentan claramente en banda del infrarrojo
usado por él fue máxima verosimilitud y cercano. Si se compara esta banda, a tra-
define 14 clases de coberturas presentes en vés de un ploteo de puntos, con cada una
la zona de estudio con una frecuencia en de las bandas del visible (azul, verde y rojo)
los rangos de datos muy fluctuante. Se es posible trasladar el origen de los valores
puede observar un alto predominio de los del histograma y corregir los datos de es-
tipos de bosques y cultivos. tas bandas.
bargo, el algoritmo permite hacerlo con un Una vez elaboradas las dos clasificaciones
número mayor. se procede a la evaluación a través del
§ No se tiene un arreglo para el mejora- método de Matriz de Confusión también
miento de casos raros por la supervisión denominada matriz de error o tabla de con-
que éste requiere. tingencia. Éste es un arreglo de números
§ La calidad del aprendizaje está dada por
que expresa el número de unidades de
las funciones de vecindad tomadas como
Gaussiana y Burbuja aunque no se define pixeles asignados a una categoría particu-
un índice de desempeño ya que los mapas lar con respecto a otra de prueba. En las
a utilizar son muy pequeños. columnas se encuentran los datos verifica-
§ Como se definió una imagen de prueba dos en el campo y sobre los que se tiene
sin errores no se aplica un componente para certeza del tipo de cubierta que represen-
vectores de entrada perdidos. tan, que en este caso sería la clasificación
§ No se utiliza un reescalamiento de los supervisada (Uribe, 2002). Las filas contie-
datos ya que los datos están en un rango nen los tipos de cubiertas definidos como
discreto de 0 a 255 y no se considera ne- resultado de una prueba de clasificación.
cesario.
§ Para las pruebas se consideró además:
La precisión de una clasificación se obtie-
§ Vectores de entrada: corresponde a las
mismas imágenes (bandas) utilizadas en el ne al calcular el número total de tipos de
método anterior de clasificación cubierta (suma de las celdas de la diagonal
§ Funciones de vecindad: se harán pruebas de la matriz de confusión) dividido por el
con ambas técnicas Gaussiana y Burbuja. total de ejemplos de prueba (número total
§ Tipo de malla: Rectangular. En esta in- de elementos en las celdas de la matriz de
vestigación se prueban mapas de salida con confusión) (Figura 7). A través de ésta se
arreglos 5 *3 (Filas *Columnas) para una puede evaluar el porcentaje de precisión
clasificación con máximo 15 clases. de una clase con respecto a una determi-
§ Proceso de entrenamiento: puede ser hasta nada prueba. La precisión total en la clasi-
100.000 iteracciones, pero se busca una ficación se define por la proporción de la
convergencia apropiada con 1.000 y se
suma de la diagonal principal contra la
probará también con 100 para evaluar los
cambios. obtenida por el clasificador.
Para el análisis de los datos se tomaron las ción supervisada con base en las imágenes
matrices que mejor discriminación presen- que representan el caso estudio. Además,
taron, se hizo una reasignación de las cla- el método de comparación ISODATA tam-
ses y se generaron las matrices de confu- poco converge a una solución satisfacto-
sión respectivas. ria.
Analysis and Machine Intelligence, Vol. 24, cial: uma abordagem conexionista.
Nº 3. (2002); p. 301-312. Embrapa: Empresa Brasileira de Pesquisa
Agropecuária –Instituto Nacional de Pes-
NATIONAL AERONAUTICS AND SPACE quisas Espaciais, 2003.
ADMINISTRATION. Landsat 7 science data
users handbook: Greenbelt, Maryland, SERGI, R.;; SOLAIMAN, B. and MOUCHOT,
NASA Goddard Space Flight Center, M. C. LANDSAT - TM Image classification
electronic version. Disponible en Internet: using principal components analysis and
http://ltpwww.gsfc.nasa.gov/IAS/ neural networks. En: INTERNATIONAL
GEOSCIENCE AND REMOTE SENSING
handbook/handbook_toc.html . (Consulta-
SYMPOSIUM (1995: Florence, Italy).
da Noviembre 12, 1998).
Quantitative Remote Sensing for Science
and Applications. p.1927-1929.
NISSINEN, A. S., HYÖTYNIEMI, H. and
KOIVO, H. Classification of radiation spectra SOLAIMAN, B., and MOUCHOT, M. C. A
using map of linear classifiers. En: comparative study of conventional and
INTERNATIONAL CONFERENCE ON neural network classification of
COMPUTATIONAL INTELLIGENCE FOR multispectral data. Ecole Nationale
MODELLING CONTROL AND Superieure des Télécommunications de
AUTOMATION (1999: Vienna). Proceedings Bretagne, France.1994a. 5 p.
of the International Conference on
Computational Intelligence for Modelling ________; ________ and KOFFI, R. K.
Control and Automation. p.128-133. Multispectral LANDSAT Images
Segmentation using Neural Networks and
PIWOWAR, J. M. and ELLSWORTH, F. L. Multi-Experts Approach. Ecole Nationale
Hypertemporal analysis of remotely sensed Superieure des Télécommunications de
sea-ice data for climate change studies. En: Bretagne - France. 1995a. 5 p.
Progress in Physical Geography. Vol. 19,
No. 2 (1995); p. 216-242. ________; ________ and MAILLARD, E.
A Hybrid algorithm (HLVQ) combining
unsupervised and supervised learning
REBOLLO, M. y ORTI, F. Pattern recognition
approaches. Ecole Nationale Superieure des
techniques: remote sensing applications.
Télécommunications de Bretagne - France.
Madrid: Centro de Investigación UAM – 1994b. 4 p.
IBM, 1980. p. 136-187.
SOLAIMAN, B. et al. A comparative study
RUPPERT, G. S. et al. A hybrid classifier on multispectral agricultural images
for remote sensing applications En: classification using Bayesian and neural
International Journal of Neural Systems, Vol. networks approaches. Ecole Nationale
8, No. 1 (Feb., 1997); p. 63-68. Superieure des Télécommunications de
Bretagne – France and Canada Center for
SANTOS, M. A. Clasificaçâo de imagens Remote Sensing, Application Division –
LANDSATTM a través da inteligência artifi Canada. 1995 b.