Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Para lo cual se escogio una imagen Sentinel 2 A de resolución de 10 metros, ya que las
imágenes 2 A ya tienen correcion atmosférica de fecha 09 de julio 2023 de Puerto Inca-
Pucallpa-Ucayali
Abrir la imagen Sentinel 2A de 10 m en el software ENVI, principalemnte las bandas 2, 3, 4 y 8
Luego construimos un archivo con New Builder para unir las bandas en un solo archivo y que
no estén separadas
Combianmos las bandas, 2 en el azul, 3 en el verde y 4 en el rojo para que nos muetsre en
color natural
Recortar la imagen se crea un ROI de la imagen dibujando el área que se desea cortar
Corrigiendo el Roi se obtiene una separabilidad de 1.9 de clase Flujo de rio_train y Agua
contaminada_Train
la clase Suelos degradados por minería_Train y Agricultura suelo desnudo_Train presenta una
separación espectral 1.88 se corrigio el ROI y se obtuvo una separación espectral de 1.9
Seleccionamos la imagen
Combinamos
Y ahora si se muestran juntos el test y el train y todo debemos combinar asi
En la clasificación:
Las columnas son las clases reales de las clases del testeo, y las filas son pixeles de
entrenamiento, y se hace un cruce y los elemento que aparecen en diagonal son los pixeles
clasificados correctamente:
-Flujo de rio se han clasificado 5 pixeles buenos y 14 pixeles que se han clasificado como agua
contaminada.
- Bosque de producción permanentes han clasificado 993 pixeles buenos y 3 pixeles se han
clasificado como Agricultura pastizales
Observando los tipos de errores por comisión (riesgo del productor) y por omisión (riesgo del
usuario) en porcentajes
Los datos de comisión es los datos que no pertenecen a una clase, pero los ha clasificado como
si fueran de esa clase y la Omision son los datos que pertenecen a una clasificación, pero no
han sido considerados en la clase que pertenecer sino en otra clase.
El error más notorio es en Agua contaminada ya que muestra un 51.85 % de datos que no
pertenecen a esa clase y que han sido clasificados como agua contaminada. En Omisión De 14
pixeles 1 pixel que pertenece a esa clase ha sido clasificado en otra clase, en Comisión de 27
pixeles 14 pixeles que no pertenecen a esta clase han sido clasificados dentro de esta clase de
Agua contaminada.
En flujo de rio, en Omision 73.68 % pertence a la clase flujo de rio pero no ha sido considerado
dentro de esta clase. Es decir de un total de 19 pixeles 14 pixeles no han sido considerados
dentro de esta clase pese a que deberían estar en esta clase
Ahora para saber si está bien o mal se observa el coeficiente Kappa que es un estadístico es un
índice de calidad global, cuando mas se acerque a 1 está bien, en este caso es 0.98 entonces
esta bien y el índice Kappa es aceptable:
Seleccionamos la imagen
Y ahora debemos hacer coincidir los pixeles de testeo con los pixeles de entrenamiento para
crear una matriz de doble entrada:
El ROI verdadero es Sombra de numbe_Test
En la clasificación:
Las columnas son las clases reales de las clases del testeo, y las filas son pixeles de
entrenamiento, y se hace un cruce y los elemento que aparecen en diagonal son los pixeles
clasificados correctamente:
- Bosque de producción permanente, se han clasificado 912 pixeles buenos y 76 pixeles que se
han clasificado como Agricultura pastizales.
-Minería se ha clasificado 394 pixeles buenos o correctos, y 28 pixeles que se han clasificado
en Nube.
- Flujo de rio tiene 18 pixeles buenos y 1 pixel clasificado como Agua contaminada.
- Nube se ha clasificado 152 pixeles buenos o correctos y 5 pixeles clasificado con Minería.
Observando los tipos de errores por comisión (riesgo del productor) y por omisión (riesgo del
usuario) en porcentajes %
Los datos de comisión es los datos que no pertenecen a esa clase, pero los ha clasificado como
si fueran de esa clase y la Omisión son los datos que, si pertenecían a una clase, pero no han
sido considerados en la clase que pertenecen sino en otra clase.
Ahora para saber si está bien o mal se observa el coeficiente Kappa que es un estadístico es un
índice de calidad global, cuando más se acerque a 1 está bien, en este caso es 0.89 entonces
está bien y el índice Kappa es aceptable:
Guardamos la matriz de confusión
Seleccionamos la imagen
Todas las escenas y todas las bandas, ok
Combinamos
Y ahora si se muestran juntos el test y el train y todo debemos combinar así:
En la clasificación:
Las columnas son las clases reales de las clases del testeo, y las filas son pixeles de
entrenamiento, y se hace un cruce y los elemento que aparecen en diagonal son los pixeles
clasificados correctamente:
- Flujo de rio ha clasificado 0 pixeles buenos y 16 pixeles se han clasificado como Desbroce de
bosque.
- Sombra de nube ha clasificado 111 pixeles buenos o correctos y 7 pixeles que se han
clasificado como Bosque de producción.
En la clasificación:
Observando los tipos de errores por comisión (riesgo del productor) y por omisión (riesgo del
usuario) en porcentajes %
Los datos de comisión es los datos que no pertenecen a esa clase, pero los ha clasificado como
si fueran de esa clase y la Omisión son los datos que, si pertenecían a una clase, pero no han
sido considerados en la clase que pertenecen sino en otra clase.
Ahora para saber si está bien o mal se observa el coeficiente Kappa que es un estadístico es un
índice de calidad global, cuando más se acerque a 1 está bien, en este caso es 0.97 entonces
está bien y el índice Kappa es aceptable:
Luego en la post clasificación para visualizar la imagen en un mejor suavizado aplicamos un
sieve y luego clump
Haciendo una comparación entre los tres algoritmos, usados Maximun Likelihood, Minimun
Distance y Neural Net se obtiene que
Con el algoritmo Maximun Likelihood permite obtener una imagen clasificada con mejor
ditincion entre las zonas clasificadas, por ejemplo las nubes, las sombras de nubes, el bosque,
agricultura con pastizales, agricultura con suelos desnudos, Mineria, Rio, Aguas contmainadas,
es decir la mescla de los colores entre pixeles si permite distinguir una clasificacion de otra
siendo representativo a la imagen color natural.
Análisis visual:
Los pixeles de Nubes esta mezclándose con Minería en los bordes de las nubes se observa
como si los bordes de cada nube es mineria, y también la coloración de los pixeles de
Agricultura con pastizales esta representando un área mayor en la imagen clasificada
comparado con la imagen de color natural, cuando lo correcto sería un área menor de
agricultura con pastos. Lo cual demuestra que permite distinguir la clasificacion de zonas pero
no de manera optima.
Algoritmo Neural Net
Análisis visual:
Los pixeles de Nubes esta mezclándose con Agricultura suelo desnudo se observa como si los
bordes de cada nube es suelo sin cobertura, las areas con agricultura pastizales y también la
coloración de los pixeles de Agricultura con pastizales en la imagen clasificada representa un
área inferior a las areas que son relament e las zonas de agricultura pastizal en la imagen en
color natural. Este algoritmo permite representar las zonas de estudio pero no de forma
optima, ya que comparado con las dos imágenes obtenidas con los otros dos algoritmos la
mejor imagen visulamente es la obtenida al aplicar el algoritmo Maximum likelinhood.
Análisis estadístico:
Con el algoritmo Maximun Likelihood se obtiene un coeficiente Kappa muy cercano a 1 lo cual
estadísticamente es el valor optimo a obtener lo que quiere decir es que la clasificación
realizada con este algoritmo está bien trabajada y con precisión de 98.76 %.
Análisis estadístico:
RESULTADO FINAL:
Según la comparación visual de las imágenes clasificadas obtenidas con los algoritmos:
Maximun Likelihood, Minimun Distance, Neural Net, la mejor imagen obtenida es con el
algoritmo Maximun Likelihood ya que se observa una mejor representación de las zonas
clasificadas en base a la imagen satelital trabajada, y una diferenciación de las clases
muestreadas que permite distinguir mejor unas entre otras.
Según la comparación estadística de las imágenes clasificadas obtenidas con los algoritmos:
Maximun Likelihood, Minimun Distance, Neural Net, la mejor imagen obtenida es con el
algoritmo Maximun Likelihood ya que presenta un coeficiente Kapa mas alto muy cercano a 1
con 98.76 %.
CONCLUSIONES:
- En cuanto la selección sea más exhaustiva de las áreas de entrenamiento menor será
confusión entre los pixeles de las clases identificadas y mejor será la separabilidad
espectral entre las clases.