Métodos de clasificación urbana utilizando el software SNAP

Bryam Montesdeoca. MSc. Danilo Mejía.

Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería Ambiental Asignatura: Sensores
Remotos,
Cuenca – Ecuador. Fecha de entrega: 12-10-2019

3. Metodo
1. Introduccion
Area de estudio
La llegada del monitoreo por satélite hacia finales
de la década de 1950 permitió un gran avance en Está ubicada entre la latitud: 2º 53’ 57" sur y
la comprensión del papel crítico que el sistema longitud 79º 00’ 55" oeste; a una altitud
tierra-océano desempeña en mantener la vida en aproximada de 2583 metros encima del nivel de
nuestro planeta. El uso de satélites artificiales ha mar. Se encuentra localizada geográficamente en
revolucionado nuestro entendimiento y ha la parte sur del Ecuador, en un valle de la
revelado la diversidad y complejidad de los cordillera de los Andes. Está aproximadamente a
ecosistemas terrestres, aspectos que antes no eran nueve horas al sur de Quito (capital) y cuatro
fácilmente apreciados. Además, ha evidenciado horas al este de Guayaquil (principal puerto).
el efecto del crecimiento exponencial de las Ilustración 1 Cantón Cuenca a nivel del Azuay
poblaciones humanas a lo largo de los márgenes
costeros y peninsulares; la modificación de los
procesos naturales y de aquellos efectos que
ponen en riesgo a la población
Las transformaciones urbanas se producen cada
vez a mayor velocidad, es decir, necesariamente
implica tecnologías actuales con una alta
disponibilidad de monitoreo, por lo que el
lanzamiento del satélite sentinel-1A ofreció la
pertinente oportunidad de desarrollar un servicio
encaminado a la detección de áreas urbanizadas,
considerando la ventaja de tener un sistema de
acceso a datos e información completo, gratuito y Ilustración 2 Cantón Cuenca

abierto, es decir, Open Access Hub, que permite

la descarga de imágenes en línea. Por lo que el
objetivo de mi trabajo es obtener cuatro imágenes
de sentinel-1A en cuatro años diferentes, para
posteriormente realizar una clasificación
urbanizada a través de métodos de clasificación
encontrados en el software SNAP, determinando
a través de análisis estadísticos, el método que
contenga un menor error medio cuadrático para
finalmente decretar el aumento de la población en
el área de estudio perteneciente a la ciudad de
Cuenca y sus alrededores. Preproceso
2. Objetivos Los datos usados en el presente trabajo
Seleccionar el método de clasificación corresponden a 4 imágenes de sentinel-1A
supervisada para conocer el crecimiento del área tomados de cuatro años diferentes:
urbana 2014,2015,2018,2019 respectivamente, estas
imágenes fueron descargadas en la plataforma
 Métodos de clasificación urbana utilizando el software SNAP
Bryam Montesdeoca. MSc. Danilo Mejía.
Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería Ambiental Asignatura: Sensores
Remotos,
Cuenca – Ecuador. Fecha de entrega: 12-10-2019
facilitada por la ESA, Copernicus Open Access
Hub. Posteriormente pasaron por una técnica de
preprocesamiento en el software gratuito SNAP a
partir de un conjunto de algoritmos jerárquicos
relacionados
Como primer aspecto realizamos una corrección
radiométrica debido a que podemos obtener
distorsiones debido a:
 Perdida de la señal al propagarse
 El patrón no uniforme de radiación de la
antena
 Diferencias en cambios de ganancia
 Saturación
 Ruido de speckle
Después corrección de filtros en donde al utilizar
esta reducimos el efecto de sal y pimienta que nos
pueden dar las imágenes al momento de ser
descargadas, es decir reducimos los ruidos
producidos en nuestras imágenes.
Como aspecto final realizamos una corrección
geométrica debido a que tus imágenes iniciales
pueden ofrecer una distorsión espacial e incluso
una rotación debido a las órbitas que hará que los
elementos se encuentren deformados, rotados o
sea necesario ajustarlos a una dirección y sistema
adecuado.
Ilustración 3 Metodo de correcion en software SNAP
Metodos de clasificacion
Random Forest
Random Forest es uno de los algoritmos de
clasificación de imágenes más usados en
teledetección, principalmente es un
metaclasificador que utiliza árboles de decisión
como clasificadores base, donde cada clasificador
contribuye con un voto para la asignación de la
clase más frecuente. Es decir, cada árbol da una
clasificación (vota por una clase), y el resultado
es la clase con mayor número de votos en todo el
bosque (forest). Funcionan haciendo particiones
sucesivas en el espacio de variables buscando
siempre la variable y el valor umbral de la misma
que maximizan la homogeneidad de las
particiones resultantes. La homogeneidad
de una partición puede medirse de varios modos,
uno de los más comunes es el índice de Gini:
𝐺 = Σ 𝑓𝑘 ∗ (1 − 𝑓𝑘)
donde k es cada una de las clases presentes en la
partición, K el total de clases presentes en la
partición y fk la proporción de los casos en la
partición que pertenecen a la clase k. Para
calcular el índice de Gini de un árbol completo,
habría que sumar los índices de Gini de todas sus
particiones. El proceso de partición continúa
hasta que todas las particiones son totalmente
homogéneas.
KNN-Clasifier
K vecinos más cercanos es un algoritmo simple
que almacena todos los casos disponibles y
clasifica los nuevos casos en función de una
medida de similitud, por ejemplo, funciones de
distancia, es decir un caso se clasifica por
mayoría de votos de sus vecinos, y el caso se
asigna a la clase más común entre sus K vecinos
más cercanos, medido por una función de
distancia. Este método se ha utilizado en la
 Métodos de clasificación urbana utilizando el software SNAP
Bryam Montesdeoca. MSc. Danilo Mejía.
Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería Ambiental Asignatura: Sensores
Remotos,
Cuenca – Ecuador. Fecha de entrega: 12-10-2019
estimación estadística y el reconocimiento de
patrones, es un algoritmo de aprendizaje
automático muy simple, fácil de entender, versátil
y uno de los más importantes, basado en 3 pasos:
 Calcular la distancia entre el item a
clasificar y el resto de items del dataset
de entrenamiento.
 Seleccionar los «k» elementos más
cercanos (con menor distancia, según la
función que se use).
 Realizar una «votación de mayoría» entre
los k puntos: los de una clase/etiqueta que
dominen, decidirán su clasificación final.
k -NN es un tipo de aprendizaje basado en
instancias , o aprendizaje diferido, donde la
función solo se aproxima localmente y todos los
cálculos se aplazan hasta la clasificación.
KdTree KNN classifier
Los árboles KD son una estructura de datos
específica para representar eficientemente
nuestros datos. En particular, KD-trees ayuda a
organizar y particionar los puntos de datos en
función de condiciones específicas.
Calibrate Single Product Speckle Filter
Terrain Correction
Principalmente se basa un árbol de búsqueda
binario, y almacena los datos en un espacio
kdimensional. Para construir un árbol k-d, el
algoritmo simplemente elegirá una de las
coordenadas entre las k dimensiones para dividir
iterativamente las instancias restantes. Para
buscar una instancia de destino determinado, el
método de búsqueda primero encuentra un nodo
de hoja, es decir un punto k-dimensional que
contiene la instancia de destino, a partir de ese
nodo de hoja, retrocederá y buscará
recursivamente sus nodos cercanos Cuando la
distancia a la siguiente hoja el nodo no mejora, la
búsqueda está obstruida.
Minimum Distance Classifier
Este método principalmente se encarga de
asignar cada celdilla a la clase respecto a cuyo
vector de medias está más próxima en el espacio
de variables. Por otro lado, determina la
membresía de la clase midiendo la distancia del
centroide de clase. Este método es ventajoso en
algunos sentidos basados en precisión y manejo
real de distribuciones de datos mundiales, sin
embargo, posee desventajas relacionadas ya que
está adaptado imperfectamente a las
distribuciones de datos normales, además de en
los candidatos que caen fuera de los límites de
distancia permanecen sin clasificar o los que se
superponen se asignan por una regla definida por
el operador [4].
Maximum Likelihood Classifier
Máxima Verosimilitud es uno de los métodos más
populares para el mapeo temático con imágenes
multiespectrales satelitales, supone que
estadísticas para cada clase en cada banda se
distribuyen de una manera normal, por lo que
calcula la probabilidad de que un pixel x
pertenezca a una clase específica k, cada pixel se
asigna a la clase que tiene mayor probabilidad, sin
embargo, si la probabilidad más alta es menor que
el umbral que especifique, el píxel permanece sin
clasificar.
El algoritmo utilizado por la herramienta
Clasificación de máxima verosimilitud se basa en
dos principios:
 Las celdas en cada muestra de clase en el
espacio multidimensional se distribuyen
normalmente.
 Teorema de Bayes para la toma de
decisiones.
 Métodos de clasificación urbana utilizando el software SNAP
Bryam Montesdeoca. MSc. Danilo Mejía.
Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería Ambiental Asignatura: Sensores
Remotos,
Cuenca – Ecuador. Fecha de entrega: 12-10-2019

La herramienta Clasificación de máxima Resultados

verosimilitud considera las variaciones y
covarianzas de las firmas de clase al asignar cada
celda a una de las clases representadas en el
archivo de firma

La función de verosimilitud se da de la siguiente

manera en el supuesto de que los datos de verdad
fundamental de la clase k formarán la distribución
gaussiana:

En la siguiente imagen podemos observar la

clasificación urbana y no urbana para el siguiente
mapa. Los mapas han sido distribuidos con sus
distintos métodos, en donde caracterizamos con
un valor de 0 a los lugares que salieron
clasificados como urbanos y con un valor de 1 a
la clasificación de las zonas no urbanas. Según lo
visto en el mapa, podemos observar que para el
método “Minimum Distance Classifier”
representa una mejor clasificación. Mientras que
para el método “Maximum Likelihood Classifier”
el mapa a simple vista está mal distribuido.
Analisis de métodos

Para realizar la clasificación de cobertura urbana/no

urbana se han analizado cuatro algoritmos de Metodo Desviacion estandar
clasificación supervisada mencionados con
anterioridad, para la determinación del método más Random Forest
adecuado se está utilizando los datos de la desviación 0.89846988650239
estándar calculadas para la misma imagen con los
distintos métodos. En donde si la desviación estándar KNN-Clasifier
es cercana a 1 se puede decir que la clasificación de 0.92773167097774
zonas urbanas y no urbanas es correcta.
KdTree KNN
classifier 0.89277183981269
Para realizar la clasificación se crearon 20 polígonos,
es decir ríos para cada clasificación, urbano y no
Minimum Distance
urbano. En donde utilizando la banda con una
Classifier 0.94563273081608
polarización VH, la cual permitía mayor facilidad para Maximum Likelihood
realizar estos polígonos. Classifier
0.72029977535082
 Métodos de clasificación urbana utilizando el software SNAP
Bryam Montesdeoca. MSc. Danilo Mejía.
Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería Ambiental Asignatura: Sensores
Remotos,
Cuenca – Ecuador. Fecha de entrega: 12-10-2019

En la siguiente tabla observamos la desviación

estándar para las diferentes clasificaciones, en
donde como dato para Minimum Distance Classifier
tenemos un valor de 0.945 y el menor valor es 0.72
para Maximum Likelihood Classifier

Conclusiones

Como primer aspecto podemos decir que los métodos

utilizados son muy sencillos debido a que se utiliza
un software gratuito, por lo que a nivel estudiantil
sirve de mucha ayuda.

La clasificación con mejor resultado fue la de

Minimum Distance Classifier puesto que el valor de
resultado para la desviación estándar es muy cercano
a cero y la imagen en el mapa es muy real.

Referencia
INEGI, 1991 INEGI. (Instituto Nacional de
Geografía Estadística e
Informática)Características edafológicas,
fisiográficas, climáticas e hidrográficas de
México INEGI, México (1991)

Kozoderov and Kosolapov, 1993

V.V. Kozoderov, V.S. KosolapovModels to assess
the soil and vegetation state from multispectral
satellite data Russian Journal of Remote
Sensing, 5 (1993), pp. 33-50

Kumar et al., 2010

P. Kumar, M. Rani, P.C. Pandey, A. Majumdar, M
.S. NathawatMonitoring of Deforestation and
Forest Degradation Using Remote Sensing and
GIS: A Case Study of Ranchi in Jharkhand (India)

Report and Opinion, 2 (4) (2010), pp. 14-20

B. Garcia Allende , O. Conde, J. Mirapeix,

Cubillas y J. López Higuera, «Data Processing

Method Applying Principal Component Analysis
and Spectral Angle Mapper for Imaging
Spectroscopic Sensors,» IEEE SENSORS
JOURNAL, vol. 8, nº 7, pp. 1310-1316, 2008.