PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97

7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97

1/97

Curso de tratamiento digital de datos procedentes de sensores remotos 12013

MODULO 5 APLICACIONES TOPOGRFICAS Y TEMTICAS

5.3 APLICACIONES AMBIENTALES: PARMETROSBIOFSICOS

Juan Jos Peces Morera Instituto Geogrfico Nacional

[IGN + UPM] con financiacin de la AECI

Madrid

Curso de Teledeteccin aplicada a la observacin e

informacin territorial


2/97


1 Estudio delproblema: Cartografa topogrfica? Cartografa temtica?: ocupacin del suelo, etc. Fotointerpretacin o clasificacin? Estudio temtico?: variables biofsicas (NDVI, etc.), indicadores ambientales, etc.

2 Eleccin del sensor considerando: Resolucin geomtrica: Tamao del pxel (0,1mm a escala, Ej.: 1:25.000, 2,5m) Resolucin temporal: revisita del sensor. cada cuanto tiempo preciso de datos?.

Cartografa bsica: aos. Estudios ambientales: das, horas

Resolucin espectral: n y tipo de bandas que necesito.

3 Tratamientos geomtricos: correcciones y georreferenciacin Polinomio de grado 1 2 (zona pequea o grande). Modelo fsico, RPC, etc.

PROYECTO CON IMGENES DE SATLITE

a- Variables biofsicas clasificacin (Cuando usamos una sola imagen) y segmentacin

4.a Tratamientos radiomtricos: Escoger combinacin de bandas Equilibrado radiomtrico: igualar

imgenes.

Mosaicar imgenes

Realce (mejora la percepcin visual)

b- Fotointerpretacin: Mapas de Ocupacin del Suelo, Forestales, Cultivos

c- Ortoimgenes (actualizacin de cartografa

topogrfica), cartoimgenes, publicar en web

4.b Paso a reflectividades: Obtencin de radiancias Clculo de reflectividad aparente TOA

Correccin atmosfrica

Correccin topogrfica

a- Variables biofsicas, Clasificacin (mltiples imgenes)


3/97


1. ndices de vegetacin

2. Variables biofsicas que caracterizan a lacubierta vegetal

3. Problemas que presenta el NDVI. Soluciones:formulaciones alternativas de los ndices devegetacin

4. Otros ndices

Variables continuas y parmetros biofsicos


4/97





4. Otros ndices



5/97


Concepto de ndices

Se trata de generar nuevos valores digitales paracada pxel, calculados a partir de los valoresradiomtricos originales captados por el sensor,

que mejoren la interpretacin de la imagen

Las ms utilizados: ndices de vegetacin

ndices de vegetacin


6/97


Respuesta espectral de la vegetacinsegn su estado fenolgico

Reflectividad

(%)

R IR

Vegetacin

sana

Suelo

Vegetacin

enferma

20

40

60

00,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 m

ndices de vegetacin


7/97


ndices de vegetacin


8/97


IRC/R

IRC

R

rea de Cabaeros

ndices de vegetacin


9/97


Los ndices de vegetacin (I.V.) son

transformaciones espectrales (es decircombinaciones matemticas de dos o ms bandasde una imagen) diseadas para realzar la seal dela vegetacin.

Los I.V. permiten hacer comparaciones fiables entredistintas zonas o distintas pocas de la actividad

fotosinttica y de las variaciones de la estructura dela cubierta vegetal

ndices de vegetacin

Concepto de ndice de Vegetacin


10/97


La potencia y la ventaja de los I.V. residen en susimplicidad: Normalmente se calculan directamente, sin

ninguna informacin previa en cuanto cobertura delsuelo, edafologa, condiciones climticas, y por tantoproporcionan medidas continuas y precisas de lasvariaciones espaciales y temporales de la vegetacin.

Los I.V. son parmetros importantes para varios tipos de"modelos biogeoqumicos agrcolas y forestales, y seusan en varias aplicaciones operacionales, como: alarmasalimentarias, clasificacin de usos del suelo,epidemiologa, deteccin de inundaciones, degradacinde terrenos, deforestacin y deteccin y seguimiento decambios.

Concepto de ndice de Vegetacin

ndices de vegetacin


11/97


Ventajas de los ndices de Vegetacin

Atenan otros factores: suelo, atmsfera, iluminacin,topografa

Sirven comovariable de entrada para modelos biofsicos(empricos o fsicos) para obtener parmetros tales como:rendimiento de cultivos, estrs hdrico, cobertura verde delsuelo,...

Permiten el seguimiento multitemporal de la vegetacin:

Cambios en la cubiertaDinmica fenolgica

Proporcionan una "Sntesis visual" de la informacin


12/97


Medicin de la cantidad, estructura y estado de lavegetacin

Indicadores devariaciones estacionales e interanualesde la vegetacin, tiles para estudios de cambios,observaciones fenolgicas y cartografa de vegetacin.

Variable intermedia en los procesos de determinacinde variosparmetros biofsicos

Principales aplicaciones de los ndices de vegetacin

ndices de vegetacin


13/97


Mosaicos mundiales de NDVI con: NOAA,

Vegetation, MODIS, MERIS,Desertizacin

Deforestacin

Prevencin de incendiosCartografa de reas quemadas

Cobertura del suelo global

Principales aplicaciones de los ndices de vegetacin

ndices de vegetacin


14/97


NDVI (Normalized Difference VegetationIndex: ndice de Vegetacin de diferencianormalizada Cociente normalizado):

RNIR

RNIR

NDVI

Cociente simple:

Donde:

NIR = reflectancia en el Infrarrojo Prximo

R = reflectancia en el rojo

ndices de vegetacin: NDVI


15/97


Uso de valores digitales en lugar de reflectividades

Cuando estamos trabajando con un solo sensor,

se pueden usar directamente los valores digitalesde NIR y Rojo sin necesidad de calcularreflectancias, ya que los valores obtenidos

difieren poco y siempre en la misma proporcin,por lo que siguen permitiendo la comparacinentre distintas zonas y fechas, y el clculo es ms

sencillo y directo:

RNIR

RNIR

NDND

NDNDNDVI



16/97


Interpretacin de los valores de NDVI

EL NDVI es una magnitud adimensional cuyos valores

varan entre -1 y +1

Las zonas con cubierta vegetal suelen tener NDVI 0.1

Las zonas convegetacin densa suelen tener valores NDVIentre 0.5 y 1.0

Un inconveniente del NDVI es que se suele saturar(alcanzar el mximo valor) para LAI 4 (y por tanto, dejade aportar informacin til de ah en adelante)



17/97





4. Otros ndices



18/97


Parmetros de la cubierta vegetal que presentancorrelaciones altas con el NDVI

LAI (Leaf Area Index)LAD (Leaf Area Distribution)

FVC, (Fractional Vegetation Cover): proporcin de

suelo cubierta por la proyeccin vertical (nadir) de lavegetacin.

APAR (Absorbed photosynthetically active

radiation radiacin absorbida fotosintticamente-)

Variables biofsicas que caracterizan a la cubierta vegetal


19/97


Productividad neta de la vegetacin

Cantidad de lluvia recibida por el dosel vegetal

Dinmica fenolgica

Contenido de clorofila de la hoja

Contenido de agua de la hoja

Flujo neto de CO2 (local y global)

PET ("Potential Evapotranspiration"):

inversamente relacionada con el NDVI

Parmetros de la cubierta vegetal que presentancorrelaciones altas con el NDVI



20/97


LAI (Leaf Area Index)

- En vegetacin de hoja ancha (frondosas) es la superficie de todas las

hojas (una sola cara) existentespor unidad de superficie de terreno- En vegetacin de hoja acicular (conferas) es la superficie proyectada

de las acculas existentes por unidad de superficie de terreno



21/97


Correlacin NDVI - LAI

Medido para un dosel de trigoen crecimiento (lnea continua)y senescente (discontinua)(Asrar et al. 1984)



22/97


LAI obtenido con imgenes MODIS



23/97


FVC, (Fractional VegetationCover): proporcin de suelocubierta por la proyeccinvertical (nadir) de la vegetacin.

Cobertura vegetal a partir de anlisismultitemporal del NDVI(SPOT-VEGETATION)

(Aplicable tambin a AVHRR, MODIS, SEVIRI,etc..)

Cobertura vegetal (FVC)



24/97


NDVI y Contenido de Humedad

Pastizal Matorral

y = 0.0013x + 0.2529

R2= 0.2601

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0 50 100 150 200

y = 0.0007x + 0.2418

R

2

= 0.5689

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0 100 200 300 400 500

Contenido de humedad de las plantas



25/97


fAPAR

"Fraction of Photosynthetically Active Radiation,"

Fraccin de radiacin fotosinteticamente activa.Medida de la proporcin entre la iluminacin

solar realmente absorbida por las plantas frente

a la energa total que potencialmente podracaptarse.



26/97


Correlacin entre NDVI y fAPAR

Para trigo enprimavera

(Asrar et al.,1984)



27/97


fAPAR obtenido con imgenes MODIS



28/97





4. Otros ndices



29/97


a) Proporcin vegetacin-suelo

Hay muchos factores "externos" (ajenos a la propia cubierta

vegetal) que modifican el valor del NDVI obtenido.Uno de los ms importantes es laproporcin vegetacin-suelo: el

mismo valor de NDVI puede corresponder a una cubierta poco

densa y vigorosa o muy densa y poco vigorosa.

Soluciones:

Se han desarrollado formulaciones que corrigen este efecto,:SAVI ("Soil Adjusted Vegetation Index)

OSAVI ("Optimized SAVI")

TSAVI ("Transformed SAVI")

Problemas que presenta el NDVI: alternativas


30/97


Donde:

L : constante para ajustar el ndice a una reflectividadpromedio de fondo. L 0.5

)1( LL

SAVIRNIR

RNIR

16.0

RNIR

RNIR

OSAVI


a) Proporcin vegetacin-suelo


31/97


b) Efecto de la atmsferaLa atmsfera suele reducir el valor de NDVIy puede ser

muy importante en observacin oblicua (sensores de gran

FOV -"Field of View"-)

Soluciones:

a) Se pueden realizar mosaicos "compuestos" de 7 a 15 dasde imgenes, tomando de cada pxel la imagen en la que

la geometra de la toma es ms favorable

b)ARVI ("Atmospheric Resistant Vegetation Index")

GEMI ("Global Environment Monitoring Index")



32/97


Donde:*NIR= reflectividad aparente en el NIR*A= reflectividad aparente en el rojo= parmetro de calibracin que depende del tipo de

atmsfera. (casi siempre = 1)

**

**

RANIR

RANIRARVI

)( **** RARRA

b) Efecto de la atmsfera



33/97


GEMI ("Global Environment Monitoring Index")

Se propone la reduccin simultnea del efectoatmosfricoy los cambios en la reflectividad delsuelo

R

RGEMI

1

125.0)25.01(

5.0

5.05.1)(2 22

RNIR

RNIRRNIR



34/97


Otras formulaciones de ndices de vegetacin

i bl i bi f i


35/97





4. Otros ndices



36/97


ndices de contenido de agua(llamados "ndices de estrs hdrico" o "ndices de sequa")

El ms utilizado es:

NDII ("Normalized Difference Infrared Index")

Donde swir se corresponde con el infrarrojo medio

SWIRNIR

SWIRNIRNDII

Otros ndices


37/97


Comparacin

SWIR,5NIR

SWIR,5NIR5=NDII

RNIR

RNIR=NDVI


38/97


ndice para resaltar superficies de agua

Embalse de Rapel, Chile, 1998

SWIRG

SWIRG=IA

Otros ndices

O


39/97


NORMALIZED DIFFERENCE BARENESS INDEX (NDBaI)

SWIR TIR

SWIR TIR NDBaI

(Necesita bandas SWIR y trmicas: Landsat, MODIS)(Ejemplo: Landsat B5 y B6)

Identificacin de zonas sin vegetacin

NORMALIZED DIFFERENCE BUILT-UP INDEX (NDBI)

Junto con el NDVI, permite clasificacin de zonas urbanas(a veces tambin referenciado como Normalized Difference Soil Index NDSI)

SWIR NIR

SWIR NIR

NDBI

(Necesita bandas SWIR: Landsat, SPOT,MODIS)

(Ejemplo: Landsat B5 y B4)

Otros ndices

Identificacin de zonas urbanas

Ot di


40/97


NORMALIZED DIFFERENCE SNOW INDEX (NDSI)

NIR TIR

NIR TIR

NDSI

(Necesita banda trmica: Landsat, MODIS)(Ejemplo: Landsat B4 y B6)

ndice para estimar cobertura de nieve

Otros ndices


41/97


Procedimientos de obtencin delas variables. Modelos matemticosempleados:

- Modelos empricos- Modelos fsicos

d l l


42/97


Formas de clculo

Todas las variables antes expuestas, se ha

comprobado que se correlacionan empricamente

con el NDVI mediante ajustes matemticos(modelos empricos).


43/97


El reto de los prximos aos ser plantear

relaciones ms generalizables, basadas en

"Modelos Fsicos", que permitan calcular estas

variables de modo ms preciso y consistente

4 1 Modelos empricos


44/97


4.1. Modelos empricos

Regresiones (calculadas

mediante funcionesmatemticas estadsticasde interpolacin - Pueden

ser polinomios u otras-)entre el parmetro de intersy los valores (ND) de laimagen


45/97



46/97


4 2 Modelos fsicos


47/97


4.2. Modelos fsicos

Parten de estudiar y simular, mediante algoritmos(*)complejos la relacin fsica entre el parmetro aestudiar y la informacin espectral.

Se puede distinguir entre:

a) "Leaf Optical Properties Model"


48/97


a) Leaf Optical Properties Model

Modelos de propiedades pticas de lashojas

b 2) "Canopy Reflectance Models"


49/97


b.2) Canopy Reflectance Models

Modelos de reflectancia de las

cubiertas


50/97



51/97


Ejemplo: Visual ProSailh


52/97


je p o sua oSa

Es una adaptacin realizadapor la Universidad de Alcal

de Henares de los modelos yprogramas PROSPECT (hoja)y SAILH (cubierta), que se

puede descargar librementede:

http://www.geogra.uah.es/rtm/ejecutables

/Visual%20ProSailh.exe

Modelo en modo directo e inverso


53/97


Modo directo:

Caractersticas fsicas

Reflectividades

Modo inverso:

ReflectividadesCaractersticas fsicas


54/97


Referencias


55/97


Emilio Chuvieco Salinero. TeledeteccinAmbiental . Ed. Ariel Ciencia, 2002

Nota: Todas las transparencias que llevan el anagrama de la

Universidad de Alcal proceden del CD ROM que viene con este

libro.

CLASIFICACIN AUTOMTICA


56/97


1. Introduccin

2. Fase de entrenamiento

3. Fase de asignacin (clasificacin)

4. Verificacin de resultados



57/97


1. Introduccin




1. Introduccin


58/97


Diferenciasentre Fotointerpretacin y Clasificacin

Fotointerpretacin

Se realiza a partir de imgenes de satlite sobre las que se hanrealizado ciertos tratamientos (correccin geomtrica, realces, etc.).Basado en la habilidad del fotointrprete, sujeta por tanto, a laslimitaciones humanas.Slo es posible la visualizacin simultnea de tres bandas (unapor cada color de la pantalla).

Se puede aadir otro tipo de informacin adicional (cartografavectorial, fotografas areas, ortoimgenes, etc.), para mejorar lainterpretacin.

1. Introduccin


59/97


Diferenciasentre Fotointerpretacin y Clasificacin

Clasificacin

Proceso de asignar pxeles dentro de un nmero finito de clases,basados en los valores de los mismos (ND: nivel digital del pxel).Si el pxel satisface un cierto conjunto de criterios, es asignado a laclase que se corresponde con los mismos.Es posible el anlisis de todas las bandas de la imagen. Permitela automatizacin y mayor rapidez del anlisis de los datos.

El resultado final de una clasificacin es una imagen o mapatemtico donde los pxeles aparecen etiquetados segn su clase.Posee mayor error que la fotointerpretacin.

PROYECTO CON IMGENES DE SATLITE


60/97


1 Estudio delproblema: Cartografa topogrfica? Cartografa temtica?: ocupacin del suelo, etc. Fotointerpretacin o clasificacin? Estudio temtico?: variables biofsicas (NDVI, etc.), indicadores ambientales, etc.

2 Eleccin del sensor considerando:

Resolucin geomtrica: Tamao del pxel (0,1mm a escala, Ej.: 1:25.000, 2,5m) Resolucin temporal: revisita del sensor. cada cuanto tiempo preciso de datos?.

Cartografa bsica: aos. Estudios ambientales: das, horas

Resolucin espectral: n y tipo de bandas que necesito.

3 Tratamientos geomtricos: correcciones y georreferenciacin Polinomio de grado 1 2 (zona pequea o grande). Modelo fsico, RPC, etc. a- Variables biofsicas clasificacin y segmentacin

4.a Tratamientos radiomtricos: Escoger combinacin de bandas

Equilibrado radiomtrico: igualarimgenes.

Mosaicar imgenes

Realce (mejora la percepcin visual)

b- Fotointerpretacin: Mapas de Ocupacin del Suelo, Forestales, Cultivos

c- Ortoimgenes (actualizacin de cartografatopogrfica), cartoimgenes, publicar en web

4.b Paso a reflectividades: Obtencin de radiancias

Clculo de reflectividad aparente TOA Correccin atmosfrica

Correccin topogrfica

a- Variables biofsicas, Clasificacin (mltiples imgenesmtodos no empricos)

1. Introduccin


61/97


1. Introduccin


62/97


1. Introduccin


63/97


Necesidad de pretratamientos

Con los mtodos "empricos" empleados hasta ahora, en

la mayora de los casos, no es necesario aplicartratamientos previos (como correcciones atmosfricas,clculo de reflectividades, etc....), ya que los algoritmos

suelen funcionar igual de bien con los valores digitales "enbruto"

1. Introduccin


64/97


Clases "espectrales" y clases "informacionales"

Clases espectrales:

Grupos de pxeles con valores digitales (DN)parecidos

Clases informacionales:

Es la "leyenda" de trabajo: la que pretende deducir

el intrprete

1. Introduccin


65/97


Entrenamiento: definicin digital de las clases

Consiste en la definicin de las clases a partir de sus

caractersticas dentro de la imagen.

Existen dos mtodos: supervisado y no supervisado.

Resultado: conjunto de signaturas; cada signatura corresponde a

una clase. Una signatura es un conjunto de parmetros estimados tras elentrenamiento que utilizar el algoritmo de clasificacin para

realizar dicha clasificacinAsignacin o Clasificacin: determinar a que clase pertenece cada

pxel mediante el uso de una regla de decisin (algoritmomatemtico).

Fases de la Clasificacin Automtica

1. Introduccin


66/97


MANIPULACIN DEL ESPACIO CARACTERSTICO

Transformacin de la imagen multiespectral

Espacio caracterstico: Nuevo espacio de representacin

VENTAJAS:Hace evidentes algunas caractersticasReduce el nmero de dimensiones

TIPOS:Transformadas espacialesTransformadas espectrales:

1. Introduccin


67/97


Transformadas espectralesARITMTICA DE BANDAS

Nueva banda obtenida mediante suma, resta, multiplicacin o

divisin de dos bandas originales

NDICES: Como los de vegetacin ya vistos

ANLISIS DE COMPONENTES PRINCIPALESEl objeto de esta transformacin es reducir la dimensionalidad (n debandas) en la imagen.Las nuevas bandas se llaman componentes principales. Este proceso maximiza la cantidad de informacin en el menornmero de componentes principales. Ej.: los tres primeroscomponentes principales de una imagen TM de 7 bandas contienen el90% de la informacin de dicha imagen.

1. Introduccin


68/97


TRANSFORMADA TASSELED CAP (TTC)Obtiene nuevas bandas por combinacin lineal de las originales para

realzar rasgos de inters.

Tres ejes de variacin:Brillo

VerdorHumedad

Transformadas espectrales



69/97


1. Introduccin






70/97


Se trata de obtener una descripcin de cada clase(estadstica o de otros tipos) que tenga en cuenta lascaractersticas de todos los pxeles que consideramos quedeben pertenecer a ella, as como la "variabilidad" de losmismos

Para ello hay que:

1) Obtener una muestra de pxeles de esa clase ("areas de

entrenamiento" -"training fields"-)2) calcular las estadsticas (

, ) o/y otros descriptores(texturas,)

Concepto de "entrenamiento"



71/97


Tipos de "entrenamiento"Entrenamiento Supervisado:

Se parte de un conocimiento previo del terreno

Las reas de entrenamiento se eligen en zonas conocidasde clases ("informacionales") conocidas.

Entrenamiento no supervisado:No se requiere conocimiento previo del terreno

Las reas de entrenamiento se establecen automticamente

mediante algoritmos que buscan grupos de pxeles decaractersticas homogneas ("clases espectrales")

(ojo: no confundir con la segmentacin automtica")



72/97


Problemas en la definicin de clases



73/97


Entrenamiento supervisado

rea de Entrenamiento (AOI): zonas de la imagen en las

que el analista puede identificar la clase de ocupacin delsuelo, por identificacin directa o por interpretacin a partir

de otras fuentes de informacin.

Parte del conocimiento previo de unaserie de clases en la imagen.Bien identificados:

Suficientemente homogneos:Que cubran todas las clases.



74/97


Tambin se llama aglomeracin (clustering).

Separte de una serie depxeles "semilla.

Un algoritmo automtico va agrupando iterativamente todos lospxeles en grupos homogneos.

No se consideran otros elementos como la contigidad, la textura,la forma u otros caractersticas

Hay que tener:

1) Criterio de similitud entre pxeles: normalmente DistanciaEuclidiana

2) Algoritmo de agrupamiento: el ms utilizado:

ISODATA

Entrenamiento no supervisado



75/97


Entrenamiento no supervisado: ISODATA

Se definen previamente N mximo n de clusters a obtener: estenmero equivale al mximo nmero de clases.El algoritmo comienza determinando n valores de media arbitrarios,uno por cada cluster. Tras el clculo, algunos clusters con muy pocospxeles pueden ser eliminados, dejando menos de n. Umbral de convergencia: mximo porcentaje de pxeles que nocambian de clase entre una iteracin y la siguiente (normalmente95%).El proceso se detiene cuando el porcentaje de pxeles que cambian

de clase entre una iteracin y la siguiente es menor del 5%.N mximo de iteraciones a calcular: cuando se alcanza este nmeroel proceso se detiene aunque no se haya alcanzadoel umbral de convergencia.



76/97


1. Introduccin






77/97


Concepto de asignacin

Se trata de asignar cada uno de los pxeles de laimagen a la clase ms verosmil teniendo en cuenta:

Susvalores digitales (DN) en todas las bandas de esepixel y de los que le rodean.

Las caractersticas de las reas de entrenamientodeterminadas en la fase de entrenamiento.

Eventualmente, otra informacin "exgena" (noperteneciente a la imagen). Ej: MDT, mapas previos,



78/97


I. Mnima distancia

II. ParaleleppedosIII. Mxima probabilidad

IV. rboles de decisin. Sistemas expertos.

V. Contexto espacial

VI. Asignacin "borrosa" "fuzzy"

Mtodos de asignacin



79/97


Clasificador de MNIMA DISTANCIAAsigna un pxel a la clase cuya media es ms cercana, usandoparmetros estadsticos (el vector de medias) de las clases. Desventaja frente al de mxima probabilidad: no consideracovarianzas(dispersin de los datos de la distribucin).Ventaja: mtodo matemticamente simple.

R

IRC

a

c

b

?

Clasificador Paralelepipdico



80/97


Clasificador ParalelepipdicoEvala si los pxeles de la imagen estn contenidos en unparaleleppedo (o hipercubo en caso de ms dimensiones) de la clase.Centro del paraleleppedo: media de la clase.

Dimensiones: medida de dispersin de la clase.Ventaja de este mtodo: sencillez y rapidez de clculoEs difcil obtener buenos resultados

R

IRC a

c

b

?

?



81/97


Mxima probabilidad: Basado en la Teora bayesiana ladecisin

Teorema de Bayes:-P(wj/x): probabilidad de que dado un pxel x, ste pertenezca a laclase wj.-P(wj) es la probabilidad de obtener la clase wjen la imagen.

-P(x/wj) es la probabilidad de obtener el valor de pxel x en la clasewj(verosimilitud).

Si la variable aleatoria x es el nivel digital de un pxel, y w1 y w2 sondos posibles clases para el pxel, se asumir la pertenencia a la clasew1 cuando:



82/97


R

IRC a

c

b

?

- o mxima verosimilitud- "maximum likelihood"-Mxima probabilidad



83/97


Mxima probabilidad



84/97


Consiste en establecer reglas dedecisin basadas en operadoreslgicos.

Sistema Experto" (conjunto dereglas que permiten a un algoritmotomar decisiones)

Sistemas expertos

< 10%

Agua

Regado

Altitud

Caducifolios

< 40% > 40%

> 30% Urbano Cereal(muy probable) (probable)

< 30% Urbano Cereal(probable) (muy probable)

ROJO

SWIR

IRC

> 10%

Verde

> 30% < 30%

< 800m > 800m



85/97


Esta basada en el concepto de que la informacin relevante parainterpretar una imagen no esta representada en simples pxelessino en el significado de los objetos de la imagen y su mutuarelacin. Por tanto, permite usar una gran variedad de informacin

para clasificar: TONO, FORMA, TEXTURA, AREA,

CONTEXTO

Asignacin teniendo en cuenta el contexto espacial



86/97


Asignacin "borrosa" ("fuzzy")

CLASE 1

70 % CLASE 1

15 % CLASE 2

10 % CLASE 3

5 % CLASE 4

CLASE 1

CLASE 2

CLASE 3

CLASE 4

CLASE n

Se admite un cierto grado de pertenencia. Cada pxel se etiqueta en variascategoras, con grado de pertenencia segn su similitud espectral.



87/97


Clasificacinrgida/blanda

Asignacin "borrosa" ("fuzzy")



88/97


1. Introduccin




4. Verificacin de Resultados


89/97


El anlisis de las estadsticas de las clases obtenidas en elentrenamiento resulta conveniente para reflexionar sobre:

Conveniencia de la leyenda

Tipo de informacin disponibleMtodo utilizado

Se pretende evaluar la separabilidad de todas las clases

entre sSi se detectan problemas, este anlisis nos puede dar

pistas sobre que decisiones tomar para solventarlo: qu

clases presentan problemas (se confunden), queinformacin o mtodo podra ayudar a discriminarlas, etc.

C d d d



90/97


Comparando una muestra de pxeles clasificados con suspxeles en el terreno. Datos de referencia: a partir deinformacin externa = verdad terreno. Pueden proceder de

muestreo en campo, fotografas areas e informacin similar.Posibles Errores:

No clasificar un pixel en la clase a que corresponde (Omisin)

Clasificar un pxel en una clase a la que no corresponde(Comisin)

Estos errores se pueden expresar en la MATRIZ DE

CONFUSIN: Filas: clases del mapa temtico. Columnas: lasclases reales



91/97


Los elementos fuera de la diagonal principal o residuos,

proporcionan el error de comisin. Se trata delporcentaje depxeles que habiendo sido asignados a una clase nocorresponden en realidad a ella. Tambin se denomina riesgo del

usuario, o probabilidad de error que tiene el usuario cuando asumeque un cierto pxel pertenece a una clase cuando en realidad

pertenece a otra.

S bilid d fi hi t



92/97


Separabilidad grfica: histogramas

Banda 3 Banda 4

De forma grfica se pueden ver los histogramas correspondientes avarias clases cuya distribucin es normal y su solape:

S bilid d fi G fi d i t



93/97


Separabilidad grfica: Grficos de signaturas

0

5

10

15

20

25

30

35

40

1 2 3 4 5 7

urbanopastizal

matorral

pinar-enc

suelocultivo

agua

5

10

15

20

Banda 1


94/97


0

5

urbano pastizal matorral pinar-enc suelo cultiv o agua

Banda 1

Banda 5

Banda 4

0

5

10

15

20

25

30

35

40


0

5

10

15

20

2530

35

40

45

50


Separabilidad grfica:Grficos de DispersinEspectral

Separabilidad grfica: Elipses de dispersin



95/97


Banda 3

Pinar-Encinar

Banda 4

Pastizal

Cultivo

Matorral

Urbano

Suelo

Agua



96/97


Anlisis de Estadsticas: media, desviacin tpica, valoresmximo y mnimo.

Separabilidad de Signaturas. Se usa la divergencia

transformada. Permite seleccionar el conjunto de bandasque presentan mejor separabilidad entre clases.


97/97

Gracias por su atencin

97

Instituto Geogrfico Nacional

Curso de tratamiento digital de datos procedentes de sensores remotos2013

Juan Jos Peces

Director del Servicio Regional en CLMInstituto Geogrfico Nacional925989271

[email protected]

PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97

Documents

Transcript of PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97