Descargar la imagen Sentinel de la plataforma de Copernicus

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

Usamos la herramienta Subset para recortar

Se obtiene la imagen cortada
Observamos la metadata de la imagen cortada, y vemos que mantiene los datos del sistema de
coordenadas

En la clasificación supervisada seguiremos los siguientes pasos:

- Selección exhaustiva de áreas de entrenamiento:

Seleccionaremos 6 clases espectrales para el entrenamiento del algoritmo y otras seis
clases independientes para la prueba del mismo: bosque, suelo desnudo, cultivos
agrícolas, minería, aguas contaminadas, Desbroce reciente, Pastos, Rio.

Clic en Tools/ Region og interest/ROI Tool.

Creamos un ROI para la vegetación

Le ponemos un nombre Bosque_Train ya que va ser de entrenamiento

Creamos otro ROI para suelo desnudo

Cremaos el ROI para desbroce para cultivos

Una vez creado todos los ROIS de entrenamiento lo guardamos
Ahora creamos los ROIs test son los ROI de testeo, para saber si los ROIS de
entrenamiento estan bien.
Desactivamos los ROIs creados para el entrenamiento

Y creamos rois de testeo

Guardamos los ROIS

Después de haber guardado los ROIS veremos el estudio de la separabilidad espectral:

Clic en la imagen y clic en scater plot tool

En eje X banda roja banda 3, en eje Y banda del NIR

Importamos los ROIS: File/Import ROIs

Cargamos solo los pixeles de entrenamiento
Analizando la separabilidad de las clases espectrales, hay pixeles muy cercanos entre ellos lo
que quiere decir es que hay mayor confusión, ya que deben estar separados para diferenciar
unos de otros. Se puede ver que hay confusuion entre ellos

Analizando cuantitativamente la separabilidad espectral de los ROIs

Options/Compute ROI Separability seleccionamos todas las clases

Todos los ROIs de entrenamiento deben estar seleccionados y OK

La imagen que estamos trabajndo es Sentinel 2 A, la distancia que estamos empleando es
Jeffries-Matusita,
La separabilidad espectral en algunas relaciones entre clases son de 2 indica que los pares de
ROIs son estadísticamente independientes son muy diferenciados y presentan mayor
separación espectral. La separabilidad espectral en la mayoría de clases son de 1.9 indican que
los pares de retorno de la inversión tiene buena separabilidad. Pero la clase Flujo de rio_train y
Agua contaminada_Train presentan menor separación espectral 1.55 lo que significa que
tienen pixeles confundidos entre las clases. Por lo cual se debe mejorar la separabilidad
editando el ROI o creando uno nuevo

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

Ahora se clasificará la escena:

Para lo cual se usará el clasificador cuadrático de máxima verosimilitud o Maximun Likelihoud.

Ahora vamos hacer una clasificación supervisada le vamos a dar al algoritmo pixeles de
entrenamiento, y en base a estos pixeles de entrenamiento el algoritmo va clasificar toda la
imagen y va unir pixeles con esas mismas características en esas clases que hemos definido
Clic en el algoritmo Maximun Likelihoud

Seleccionamos la imagen

Todas las escenas y todas las bandas

El algoritmo va seleccionar a todos los pixeles con las características de los 9 entrenamientos
que hemos clasificado
Guardamos tambien las funciones discriminantes y ok
Evaluación de la bondad del mapa de clasificación

Para ello se va hacer uso de una matriz de confusión

Clic en post clasification/ Confusion matrix using Ground truh ROIs

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

Y en clasificaction Class escogemos

Ahora si sepuede visualizar en la aprte de arriba y escogemos
El ROI verdadero es Sombra de nube_Test y la calsificacion que hemos hecho es Sombra de
Nube_Train

Combinamos
Y ahora si se muestran juntos el test y el train y todo debemos combinar asi

Luego que se hizo eso a todas las clases clic en ok

Valores de pixeles en porcentaje, YES

Nos muestra la matriz de confusión para evaluar como de bueno es un modelo de clasificación
basado en aprendizaje automático y mostrar cuando una clase se ha confundido con otra

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:

- Sombra de nube de 118 pixeles todos son correctos,

-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

- Desbroce de bosque de 56 pixeles todos son correctos

- Agua contaminada se han clasificado 13 pixeles buenos, y 1 pixel se ha clasificado como

Minería
En la clasificación:

- Agricultura suelo desnudo tiene 26 pixeles buenos y 6 pixeles clasificados como

Minería
- Nube tiene 157 todos los pixeles buenos
- Minería tiene todos los 424 pixeles buenos es decir todos han sido clasificados
correctamente como minería
- Agricultura pastizales tiene 199 pixeles bueno y 1 pixel clasificado como Bosque de
Producción permanente

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:

Guardamos la matriz de confusión

Luego en la post clasificacion Para visualizar la imagen en un mejor suavizado aplicamos un

sieve y luego clump

En la nueva ventana seleccionamos la imagen clasificada creada y OK

Nos fijamos que estén todos los pixeles de entrenamiento y OK

Y ahora clic en Clump Class

Seleccionamos clasification sieving y ok

Se observa un kernel de 3 x 3 y va suavizar la imagen y ok

Se observa una imagen mas suavizada comparada con la anterior

Ahora el otro algoritmo a aplicar es Minimun Distance

El segundo algoritmo a usar será: Minimun Distance o minima distancia
Clic en el algoritmo Minimun Distance

Seleccionamos la imagen

Todas las escenas y todas las bandas, ok

Seleccionamos las clases de entrenamiento, 9 en total y en Choose guardamos

Guardamos también las funciones discriminantes y ok

Evaluación de la bondad del mapa de clasificación:

Para ello se va hacer uso de una matriz de confusión:

Clic en post clasification/ Confusion matrix using Ground truh ROIs

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

Y en clasification Class escogemos el Train o ROI de entrenamiento

Ahora si se puede visualizar en la parte de arriba y escogemos

El ROI verdadero es Sombra de nube_Test y la calsificacion que hemos hecho es Sombra de
Nube_Train
Combinamos

Y ahora si se muestran juntos el test y el train y todo debemos combinar así:

Luego que se hizo eso a todas las clases clic en ok

Valores de pixeles en porcentaje, YES

Nos muestra la matriz de confusión para evaluar como de bueno es un modelo de clasificación
basado en aprendizaje automático y mostrar cuando una clase se ha confundido con otra

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.

- Agua contaminada ha clasificado 14 pixeles buenos o correctos en total.

En la clasificación:

- Agricultura pastizales ha clasificado 179 pixeles buenos o correctos y 19 pixeles como

Agricultura suelo desnudo
- Desbroce de bosque tiene 50 pixeles buenos o correctos y 6 pixeles que ha clasificado
como Agricultura suelo desnudo
- Sombra de nube ha clasificado 118 pixeles todos buenos y correctos
- Agricultura suelo desnudo tiene 31 pixeles bueno y 1 pixel clasificado como Mineria

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.

El error más notorio es en Agricultura pastizales en Comisión (porcentaje) ya que muestra un

29.80 % de datos que no pertenecen a esa clase y que han sido clasificados como Agricultura
pastizales, y Comisión (pixeles) de 255 pixeles 76 pixeles que no pertenecen a esta clase han
sido clasificados dentro de esta clase de Agua pastizales. En Omisión (porcentaje) el 10.50 % de
datos no ha sido clasificado en esta clase pese a que si debería ser clasificado dentro de esta
clase; y en Omision (pixeles) De 200 pixeles 21 pixel que pertenece a la clase Agricultura
pastizales ha sido clasificado en otra clase.

En Agricultura suelo desnudo, en Comision (porcentaje) 44.64 % no pertenece a esta clase

pero ha sido clasificado dentro de esta clase y en Omisión (porcentaje) 3.13 % de datos no fue
considerado en esta clase pese a que si pertenece a 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 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

Luego en la post clasificación para visualizar la imagen en un mejor suavizado aplicamos un

sieve y luego clump

En la nueva ventana seleccionamos la imagen clasificada creada y OK

Nos fijamos que estén todos los pixeles de entrenamiento y OK
Y ahora clic en Clump Class

Seleccionamos la imagen que acabamos de crear y ok

Se observa un kernel de 3 x 3 y va suavizar la imagen y ok

Se observa una imagen mas suavizada y sin ruido

El tercer algoritmo a usar será: Neural Net

Clic en el algoritmo Neural Net

Seleccionamos la imagen
Todas las escenas y todas las bandas, ok

Seleccionamos las clases de entrenamiento, 9 en total y en Choose guardamos

Evaluación de la bondad del mapa de clasificación:

Para ello se va hacer uso de una matriz de confusión:

Clic en post clasification/ Confusion matrix using Ground truh ROIs

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

Y en clasification Class escogemos el Train o ROI de entrenamiento

Ahora si se puede visualizar en la parte de arriba y escogemos
El ROI verdadero es Sombra de nube_Test y la calsificacion que hemos hecho es Sombra de
Nube_Train

Combinamos
Y ahora si se muestran juntos el test y el train y todo debemos combinar así:

Luego que se hizo eso a todas las clases clic en ok

Valores de pixeles en porcentaje, YES

Nos muestra la matriz de confusión para evaluar como de bueno es un modelo de clasificación
basado en aprendizaje automático y mostrar cuando una clase se ha confundido con otra

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, ha clasificado un total de 996 pixeles buenos

-Minería ha clasificado un total de 424 pixeles buenos o correctos.

- Flujo de rio ha clasificado 0 pixeles buenos y 16 pixeles se han clasificado como Desbroce de
bosque.

- Agua contaminada ha clasificado en total 14 pixeles buenos o correctos.

- Sombra de nube ha clasificado 111 pixeles buenos o correctos y 7 pixeles que se han
clasificado como Bosque de producción.
En la clasificación:

- Nubes ha clasificado en total 157 pixeles buenos o correctos

- Agricultura pastizales tiene 190 pixeles buenos o correctos y 7 pixeles que ha
clasificado como Bosque de producción permanente
- Agricultura suelo desnudo ha clasificado 26 pixeles buenos y correctos y 5 pixeles que
ha clasificado como Minería
- Desbroce del bosque tiene 56 pixeles buenos y correctos.

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.

En Agua contaminada en Comisión (porcentaje) muestra un 22.22 % de datos que no

pertenecen a esa clase y que han sido clasificados como Agua contaminada, y Comisión
(pixeles) de 18 pixeles 4 pixeles que no pertenecen a esta clase han sido clasificados dentro de
esta clase de Agua contaminada. En Omisión (porcentaje) el 0 % de datos no ha sido clasificado
en esta clase cuando si le correspondia; y en Omision (pixeles) De 14 pixeles 0 pixel que
pertenece a la clase Agua contaminada ha sido clasificado en otra clase.

En Desbroce de bosque, en Comision (porcentaje) 22.22 % no pertenece a esta clase pero ha

sido clasificado dentro de esta clase y en Omisión (porcentaje) 0.00 % de datos no fue
considerado en esta clase pese a que si pertenece a 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 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

En la nueva ventana seleccionamos la imagen clasificada creada y OK

Nos fijamos que estén todos los pixeles de entrenamiento y OK

Y ahora clic en Clump Class

Seleccionamos la imagen que acabamos de crear y ok

Se observa un kernel de 3 x 3 y va suavizar la imagen y ok

Se observa una imagen mas suavizada y sin ruido

Haciendo una comparación entre los tres algoritmos, usados Maximun Likelihood, Minimun
Distance y Neural Net se obtiene que

Algoritmo Maximun Likelihood

Analisis visual:

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.

Algoritmo Minimun Distance

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.

Algoritmo Maximun Likelihood

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 %.

Algoritmo Minimun Distance

Análisis estadístico:

Con el algoritmo Minimun Distance se obtiene un coeficiente Kappa cercano a 1,

específicamente 92.66 % , lo cual estadísticamente es un valor aceptable ya que los valores
optimos van de 0 a 1, y el valor minimo aceptable es 85 %, pero comparando el coeficiente
Kapa obtenido con el Algoritmo Maximun Likelihoodum fue mayor con 98.76 %.

Algoritmo Neural Net

Análisis estadístico:

Con el algoritmo Neural Net se obtiene un coeficiente Kappa cercano a 1, específicamente

97.92 % , lo cual estadísticamente es un valor aceptable ya que los valores optimos van de 0 a
1, y el valor minimo aceptable es 85 %, pero comparando el coeficiente Kapa obtenido con el
Algoritmo Maximun Likelihoodum este es el máximo con 98.76 %.

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.

- Después de aplicar el algoritmo correspondiente para obtener mejores resultados se

puede hacer un suavizado y mejorar el ruido en la imagen.
- El algoritmo Maximum linkelihood es el que brinda imágenes clasificadas con mejores
resultados visuales y estadísticos comparado con los algoritmos de Minimun Distance y
Neural Net

- Al aplicar diferentes algoritmos en la clasificación supervisada se puede obtener

diferentes resultados, y escoger la imagen más óptima según la clasificación de las
zonas determinadas en la imagen satelital