Clasificacion supervisada y no supervisada

September 8, 2017 | Author: Jeniffer Rodriguez | Category: Artificial Neural Network, Neuron, Pixel, Arc Gis, Information
Share Embed Donate


Short Description

Descripción: Clasificacion supervisada y no supervisada de una imagen Rapideye con ArcGIS...

Description

Taller 4 SIG III Clasificación supervisada y clasificación no supervisada

Presentado por: Lina López Rubio Jeniffer Rodríguez Caicedo

Docente: Alejandro Salamanca

Universidad de Ciencias Aplicadas y Ambientales U.D.C.A Facultad de Ingeniería Programa Ingeniería Geográfica y ambiental

Bogotá D.C., 2016

COLORADO, ESTADOS UNIDOS IMÁGEN SATELITAL RAPIDEYE

Estados Unidos

ESCALA 1:450.000

480000

482000

10

20 Kilómetros 484000

486000

4436000

478000

5

488000

±

478000

4434000 4432000 4430000 4428000

4428000

4430000

4432000

4434000

Colorado

4436000

0

480000

482000

484000

486000

488000

482000

484000

486000

488000

4434000

4434000

4436000

±

4436000

480000

MAPA CLASIFICACIÓN SUPERVISADA COLORADO - USA

Leyenda Clase Infraestructura vias

4432000

4432000

Cuerpos de agua

Zonas aridas Infraestructura vivienda Vegetacion Cultivos 2

4430000

4430000

Vegetacion Cultivos 1

ESCALA

4428000

4428000

0

480000

482000

484000

486000

488000

0,5

1

1:54.000 2 Kilometros

484000

486000

488000

4434000

4434000

±

4436000

482000

4436000

480000

MAPA CLASIFICACIÓN NO SUPERVISADA COLORADO - USA

Leyenda 4432000

4432000

Cuerpos de agua Vegetación Cultivos 1 Vegetacion Cultivos 2 Zonas aridas Infraestructura vías

4430000 4428000

4428000

4430000

Infraestructura vivienda

480000

482000

484000

486000

488000

1:54.000 0

0,5

1

2 Kilometros

Tabla de contenido Introducción ..................................................................................................................... 2 Metodología ..................................................................................................................... 2 Resultados....................................................................................................................... 6 Análisis de resultados ...................................................................................................... 7 Conclusiones ................................................................................................................. 10 Lista de referencias ....................................................................................................... 11

Lista de figuras Figura 1 Análisis de la imagen. ........................................................................................................... 3 Figura 2 Curvas de reflectancia de las bandas del sensor Rapideye. .................................... 3 Figura 3 Herramienta "Create signature" de ArcGIS. ................................................................... 4 Figura 4 Generar ráster con clases en ArcGIS. ............................................................................. 5 Figura 5 Leyenda clasificación supervisada. .................................................................................. 6 Figura 6 Leyenda clasificación no supervisada .............................................................................. 6 Figura 7 Comparación áreas................................................................................................................ 8

Lista de tablas Tabla 1 Área clasificación supervisada. ........................................................................................... 7 Tabla 2 Área clasificación no supervisada. ..................................................................................... 8

Introducción En el siguiente trabajo, se pretende mostrar las diferencias entre la clasificación supervisada y no supervisada, para lograr esto, se interpretará una imagen satelital del sensor Rapideye (Colorado, USA) observando sus características por medio de datos del sensor, como lo es la composición de bandas y así lograr una óptima identificación de los componentes de la imagen. Hecho esto se diferenciará las coberturas que tengan un valor espectral o radiación similar, una vez identificadas se obtendrá una mayor división temática, la cual debe jerarquizarse y así se podrá categorizar con mayor facilidad. Con la información obtenida se inicia la clasificación no supervisada, en esta el software ArcGIS agrupa espectros de luz con mayor similitud, el cual se basa en métodos estadísticos y finalizado este proceso, se analizarán las clases obtenidas. En la clasificación supervisada se generarán las clases basándose en la interpretación que se hace una vez obtenida la imagen satelital, se crea manualmente una captura de puntos y el software se encargara de analizarlos y así poder obtener las diferentes clasificaciones. Finalmente se analizan las ventajas y desventajas obtenidas después de cada clasificación y así lograr entender cuál es la más óptima en los trabajos de clasificación. Metodología Área de estudio e información: La imagen satelital usada en este trabajo es un producto ejemplo obtenido de la página apollomapping, fue tomada por el sensor Rapideye, que cubre un área del estado de Colorado, USA. Las especificaciones de la imagen se encuentran a continuación: RapidEye Multispectral Resolución espacial: 5-m Resolución espectral: blue, green, red, red edge and near-infrared (NIR) Resolución radiométrica: 16-bitsTipo de producto: 1:50,000 3A ortho Ubicación: Boulder County, Colorado, USA Tamaño del archivo: 428 MB

Para analizar la imagen, se hizo distintas combinaciones de las bandas que se puede observar en la figura 1, y así se identificaron elementos que no son visibles en el color verdadero de la imagen (bandas 3, 2, 1).

2

Figura 1 Análisis de la imagen.

Luego de combinar las bandas, y hacer la identificación de distintos elementos, se corrobora con los datos dados en la figura 2 sobre curvas de reflectancia del sensor Rapideye.

Figura 2 Curvas de reflectancia de las bandas del sensor Rapideye. Fuente: Weichelt, 2012.

3

Para clasificar se pueden usar distintos softwares como ERDAS o ArcGIS. Para este proceso se usará el segundo. Clasificación supervisada: En este método se genera un shapefile de puntos de control, los cuales se agrupan según características ya conocidas y así generar las clases (cuerpos de agua, vegetación, infraestructura, zonas áridas). Una vez se han generado los puntos, ir a Spatial Analyst Tools -> Multivariate -> Create Signatures y se selecciona el ráster, el shapefile, el atributo que identifica cada clase y la ruta de salida. Esta herramienta genera un archivo .gsg, el cual muestra estadísticas sobre cada clase.

Figura 3 Herramienta "Create signature" de ArcGIS.

Figura 4 Archivo signature .gsg

4

Y finalmente para generar el raster con la clasificación ir a Spatial Spatial Analyst Tools > Multivariate > Maximum Likelihood Classification. En el cual se selecciona el ráster y el “imput signature file” que corresponde al archivo .gsg obtenido en el paso anterior.

Figura 5 Generar ráster con clases en ArcGIS.

Clasificación no supervisada: Acceder a Spatial Analyst Tools > Multivariate >Iso Cluster Unsupervised Classification. Se coloca el ráster y el número de clases que se desea.

5

Resultados En la primera salida gráfica, se muestra la imagen satelital ubicada en el estado de Colarado, USA. En la segunda salida gráfica, se presenta la clasificación supervisada, se realizó por medio del software ArcGIS. Para esta se tuvo en cuenta 6 clases:

Figura 6Leyenda clasificación supervisada.

Figura 7 Comparación clasificación supervisada.

En la tercera salida gráfica, se expone la clasificación no supervisada por medio del software ArcGIS, para la cual se generaron 6 clases:

Figura 8Leyenda clasificación no supervisada

6

Figura 9 Comparación con Clasificación no supervisada

.

Análisis de resultados La imagen satelital tiene una resolución espacial de 5 metros y se encontraron cinco clasificaciones. 𝟐𝟓 = 𝟎, 𝟎𝟎𝟐𝟓 𝟏𝟎𝟎𝟎𝟎

Tabla 1 Área clasificación supervisada.

7

Tabla 2 Área clasificación no supervisada.

Áreas de cobertura 7000 6000

Hectáreas

5000 4000 3000 2000 1000 0

Cuerpos de agua

Infra. vías

Infra. vivienda

Zonas áridas

Cultivo 1

Cultivo 2

Supervisada

622,485

796,34

5857,825

536,19

1334,9775

862,165

No supervisada

957,15

1046,385

85,06

3178,12

1688,795

3054,4725

Figura 10 Comparación áreas.

Se observa como los cuerpos de agua, Infraestructura vías y cultivos 1, tienen un área semejante, esto quiere decir que los valores espectrales son similares y en el software no generan mayor confusión entre ellos. Pero podemos observar como vivienda y zonas áridas, tiene una gran diferencia, Tal diferencia puede deberse a los errores de asignación 8

de píxeles, a los llamados pixeles mixtos. Es decir, los píxeles ubicados en el límite o borde de la clase o cobertura seleccionada que toman información de las coberturas colindantes mostrando valores digitales promedio que no corresponden a ninguna de las coberturas clasificadas (Speranza & Zerda 2005)

Otros métodos de clasificación 

Clasificador en árbol: suponen un análisis exhaustivo de las respuestas espectrales de las clases y del conjunto de datos disponibles, consiste en ir haciendo preguntas a cada píxel cuya respuesta positiva o negativa conducirá a otra pregunta y así sucesivamente hasta obtener la clase a la que pertenece. Se basa en los mismos principios que los sistemas expertos. (Yébenes, 2011)



Clasificador de contexto espacial: todos los métodos estudiados hasta ahora utilizan sólo los valores de reflectividad recogidos en el pixel. Este hecho no es demasiado problemático si el tamaño de pixel es mayor que los elementos que los diferentes elementos físicos que componen el paisaje. Sin embargo si el tamaño del pixel es más pequeño que las unidades de paisaje podría utilizarse la información de los pixeles de alrededor para estimar la pertenencia a una clase o confirmar la estimación. Esta también incorpora información como la altitud, pendiente, litología, etc. Las distintas formaciones vegetales tienen mayor capacidad para desarrollarse en determinados entornos definidos en parte por estas variables. Por tanto puede ser útil establecer cuál es la formación vegetal con mayor probabilidad de desarrollarse en un determinado pixel (en función de topografía y litología) y combinar esta información con la de las bandas. (Yébenes, 2011)



Clasificación borrosa: los métodos anteriormente expuestos consideran que un píxel solamente puede pertenecer a una determinada clase. Por ejemplo, en el clasificador de máxima probabilidad, un píxel es clasificado en la clase más probable; da lo mismo que la pertenencia a esta clase sea mucho mayor que al 14 resto (90% frente a un 10%) o que la diferencia sea menor (55 frente a 45). En el primer caso se estaría cometiendo un error muy bajo al clasificar el píxel, en cambio en el segundo la asignación sería muy arriesgada. En estos casos tiene más sentido no clasificar los pixeles de forma unívoca sino establecer cuál es su posibilidad de pertenencia a cada una de las clases (el concepto de posibilidad no es exactamente igual al de probabilidad). El píxel ahora no pertenece a una sola clase totalmente sino que tiene distintos grados de pertenencia comprendidos entre 0 y 1, lo que permite una asignación simultánea a varias categorías. (Yébenes, 2011)



Clasificadores basados en redes neuronales: se basan en el uso de redes neuronales artificiales que, se supone, imitan a las redes neuronales reales en el desarrollo de 9

tareas de aprendizaje. Una neurona artificial es un objeto lógico (se trata de software no de hardware) que recibe diversas entradas, hace una suma ponderada de las mismas y produce una salida a partir de la aplicación de una función umbral a la media ponderada. (Yébenes, 2011)

Figura 11 Modelo Clasificación basado en redes neuronales.

Conclusiones 







 

Por medio de la comparación de los productos de clasificación supervisada y no supervisada, visual y estadísticamente, se observa que varían, esto es debido a la resolución espacial de la imagen, pues el software tiene en cuenta una cantidad mayor de pixeles para clasificar y por ello confunde valores de otras coberturas reuniéndolas en una sola. Para solucionar el problema en la clasificación no supervisada, por medio del “Signature” se puede definir correctamente los valores espectrales de cada clase perfeccionando así el muestreo, corrigiendo el error de las clases “zona árida” e “infraestructura vivienda”. Las resoluciones espaciales menores a 15 metros son pertinentes para estudios locales de clasificación (10000 a 12000 hectáreas), debido a que se puede especificar el rango de valores para cada firma espectral. El clasificador e contexto espacial puede resultar útil ya que permite incluir la información de los pixeles circundantes para tomar una decisión en caso de que las probabilidades para dos clases sean similares o no exista una clase con probabilidades de pertenencia suficientemente altas, como sucede en la clasificación no supervisada. La baja precisión en ciertas categorías se puede deber a que el software no puede diferenciar los espectros de luz parecidos. La calidad de los resultados, está ligada a la clasificación inicial, esto quiere decir que entre más clasificaciones se hagan, la calidad mejorará o no se está usando el método o software adecuado para esta imagen.

10







Los realces o mejoras iniciales en la imagen, para lograr visualizar mejor ciertos lugares, alteran los resultados en la clasificación no supervisada, pues alteran los niveles digitales originales de la imagen. Las correctas clasificaciones terrestres permiten la planificación del territorio y del uso de los recursos, así como la identificación de cambios en la cobertura y con amplios análisis, poder identificar sus causas. Las clasificaciones dan información eficaz y confiable sobre las coberturas de una zona donde el acceso es complicado debido a la geografía del lugar. Lista de referencias

Arango Gutiérrez, M., Branch Bedoya, J. and Botero Fernández, V. (2005). CLASIFICACIÓN NO SUPERVISADA DE COBERTURAS VEGETALES SOBRE IMÁGENES DIGITALES DE SENSORES REMOTOS: “LANDSAT – REMOTOS: “LANDSAT – ETM+”. Revista Facultad Agronomía Universidad Nacional Medellin, [online] 58(1), pp.2611-2634. Available at: http://www.bdigital.unal.edu.co/24155/1/21276-72316-1-PB.pdf [Accessed 4 May 2016]. IGAC. (2009). Interpretación visual de las imágenes satelitales. 1st ed. Bogotá D.C.: Instituto Geográfico Agustín Codazzi. IGAC. (2009). Principios de clasificación digital. 1st ed. Bogotá D.C.: Instituto Geográfico Agustín Codazzi. Macedo-Cruz, A., Pajares-Martinsanz, G. and Santos-Peñas, M. (n.d.). CLASIFICACIÓN NO SUPERVISADA CON IMÁGENES A COLOR DE COBERTURA TERRESTRE. 44(6). Ramírez Daza, H. (2013). Imágenes multiespectrales de sensores remotos. 1st ed. Santo Domingo - República Dominicana: Instituto Geográfico Agustín Codazzi. Rullán-Silva, C., Gama-Campillo, L., Galindo-Alcántara, A. and Olthoff, A. (2010). Clasificación no supervisada de la cobertura de suelo de la región Sierra de Tabasco mediante imágenes LANDSAT ETM +. Speranza F, Zerda H (2005) Clasificación digital de coberturas a partir de datos satelitales multiespectrales. Instituto Nacional de Tecnología Agropecuaria Unidad ManfrediUniversidad Nacional de Santiago del Estero. http:\www.inta.gov.ar/manfredi/info/boletines Weichelt, H. (2012). The RapidEye Red Edge Band. 1st ed. [ebook] GERMANY | USA | CANADA | LUXEMBOURG: Rapideye, p.www.rapideye.net. Available at: http://apollomapping.com/wp-content/user_uploads/2012/07/RapidEye-RedEdge-White-Paper.pdf [Accessed 3 May 2016].

11

Yébenez, A. (2011). Sistemas de Telemedida. [online] GISlo. Available at: http://mural.uv.es/gislo/telemedida.pdf [Accessed 3 May 2016].

12

View more...

Comments

Copyright © 2017 KUPDF Inc.
SUPPORT KUPDF