Clasificación de Cubiertas con IDRISI
CLASIFICACION de CUBIERTAS con IDRISI
Ignacio Alonso Fernández-Coppel Area de Ingeniería Cartográfica, Geodesia y Fotogrametría. Eliecer Herrero Llórente Area de Dasometría y Paisajismo Departamento de Ingeniería Agrícola y Forestal Escuela Técnica Superior de Ingeniarais Agrarias. Palencia. UNIVERSIDAD DE VALLADOLID
0
Clasificación de Cubiertas con IDRISI
0. - INDICE 0. - INDICE .........................................................................................................................................1 1. - CLASIFICACION SUPERVISADA ..........................................................................................2 1.1 IDENTIFICACION DE LAS ZONAS DE ENTRENAMIENTO .................................... 3 1.2 EXTRACCION DE LAS FIRMAS ESPECTRALES.................................................... 6 1.3 COMPARACION DE LAS FIRMAS ESPECTRALES ................................................ 8 1.4 EMPLEO DE CLASIFICADORES............................................................................ 11 1.4.1 CLASIFICADOR POR MINIMA DISTANCIA (mindist) ...................................11 1.4.2 CLASIFICADOR POR MAXIMA PROBABILIDAD (maxlike) ......................... 13 1.4.3 CLASIFICADOR POR PARALELEPIPEDOS (piped)............................................ 14
2. - CLASIFICACION NO SUPERVISADA .................................................................................15 SOFTWARE EMPLEADO..............................................................................................................21 BIBLIOGRAFIA ................................................................................................................................21 NOTAS..............................................................................................................................................21
1
Clasificación de Cubiertas con IDRISI
1. - CLASIFICACION SUPERVISADA El proceso para realizar una clasificación supervisada es el siguiente: 1. - Localizar zonas representativas de cada tipo de cubierta que puedan ser identificadas en la imagen (denominadas zonas de entrenamiento). 2. - Digitalizar polígonos alrededor de cada zona de entrenamiento, asignando un único identificador a cada tipo de cubierta. 3. - Analizar los pixeles dentro de cada zona de entrenamiento y crear curvas de respuesta espectral (firma espectral) para cada tipo de cubierta. 4. - Clasificar la imagen entera comparando la firma de cada uno de los pixeles con cada una de las curvas de respuesta espectral conocidas, y asignando ese pixel al tipo de cubierta que tiene una firma espectral similar.
2
Clasificación de Cubiertas con IDRISI
1.1 IDENTIFICACION DE LAS ZONAS DE ENTRENAMIENTO Nosotros vamos a clasificar la imagen correspondiente a la zona de los embalses (Camporredondo) en el norte de Palencia, para ello emplearemos la combinación RGB falso color bandas -2,3,4-.Con ayuda de esta imagen identificaremos cada uno de los tipos de cubiertas existentes ya estas les asignaremos un único identificador; y seleccionaremos dentro de cada cubierta una o más zonas en la imagen. A/ Crea una lista de todos los tipos de cubiertas que identificas en la imagen, asigna un solo identificador para cada cubierta. Las zonas de entrenamiento se pueden digitalizar en cualquier orden pero los números de los identificadores han de ir seguidos, de manera Que si tu tienes seis tipos de cubiertas diferentes tus identificadores irán del 1 al 6. Cubierta Agua (embalse) Suelo desnudo Coníferas Frondosas Praderas Matorral
Identificador 1 2 3 4 5 6
b/ Visualiza la imagen en falso color -2,3,4- (o si prefieres una vez que conoces los tipos de cubiertas visua1iza la imagen CAMP04 con paleta de Gris 256). Utiliza el icono que te permite digitalizar sobre la pantalla, para dibujar polígonos alrededor de tus zonas de entrenamiento. Esto se realiza de la siguiente manera: Realiza un zoom sobre la cubierta elegida (p.e. el agua).
3
Luego selecciona el icono para crear los vectores:
Clasificación de Cubiertas con IDRISI
Crea un fichero vector llamado ZONAS, escoge crear polígonos, e introduce el identificador que tú escogiste para el agua.
Ahora te aparecerá un cursor. Muévelo al punto de inicio de tu zona de entrenamiento y presiona el botón de la izquierda del ratón. Luego mueve el cursor al próximo punto a lo largo de los lími tes de la zona y presiona el botón izquierdo de nuevo (verás como una línea se va formando). Los polígonos de las zonas de entrenamiento deberán encerrar un área homogénea de cada tipo de cubierta, por lo tanto hay que evitar que la línea encierre otro tipo de cubierta que no sea el agua. Continua digitalizando hasta que te encuentres justo antes de terminar los límites de tu polígono y luego presiona el botón derecho del ratón. De esta manera terminas de digitalizar la zona de entrenamiento y te aseguras que los limites del polígono cierran perfectamente.
Si has cometido un error y no quieres salvar este polígono selecciona el icono de borrado:
4
Clasificación de Cubiertas con IDRISI
Este icono borrara la ultima zona de entrenamiento que tú has digitalizado.
Para la próxima zona de entrenamiento, selecciona de nuevo el icono de digitalizar sobre la pantalla. El programa te preguntará por un identificador para esta nueva zona. Introduce el mismo identificador si tu quieres digitalizar otro polígono alrededor del mismo tipo de cubierta. De no ser así introduce un nuevo identificador.
c/ Continua hasta que tengas digitalizando todas las zonas de entrenamiento para cada uno de los diferentes tipos de cubierta. Luego selecciona el siguiente icono:
Este icono salva el fichero vector ZONAS y luego lo visualiza en la imagen que estamos marcando las zonas de entrenamiento. El numero de pixeles que deben de ser marcados en cada zona de entrenamiento varían en función del tipo de cobertura que se esta designando, recomendándose:
minimo : 6n
ideal : 10n
Siendo n el numero de bandas que tiene el sensor.
5
Clasificación de Cubiertas con IDRISI
1.2 EXTRACCION DE LAS FIRMAS ESPECTRALES El tercer paso en el proceso es crear el fichero de firmas espectrales (curvas de respuesta espectral). El fichero de firmas contiene la información estadística acerca de los valores de reflectancia de los pixeles incluidos dentro de cada conjunto de zonas de entrenamiento para cada tipo de cubierta Utiliza el módulo MAKESIG, dentro del menú de análisis de imágenes.
Escoge el tipo de fichero que tiene las zonas de entrenamiento, en nuestro caso vector, fichero de las zonas de entrenamiento que hemos creado anteriormente, y da el nombre de tu fichero vector (ZONAS). Indica que siete bandas de una imagen van a ser procesadas y automáticamente aparecerán siete casillas en la pantalla. Escoje los nombres de las bandas que tu quieres analizar: CAMPO1, CAMPO2, CAMPO3, CAMP04, CAMPOS, CAMP06 y CAMPO7. Después escoge continuar, e introduce cada uno de los nombres de las categorías de cubiertas del suelo en las casillas de entrada con sus propios identificadores, en orden ascendente. Estos nombres de las categorías de cubiertas del suelo se emplearan como nombres de ficheros de firmas, por lo tanto deben seguir las nombres del sistema operativo MS-DOS (p.e. que tengan 8 caracteres o menos). Utiliza LIST en el menú de ficheros para ver tus ficheros de firmas, y comprueba que todos ellos fueron creados. Si te has olvidado alguno repite el proceso descrito anteriormente y crea un nuevo fichero vector de zonas de entrenamiento y emplea MAKESIG de nuevo, únicamente con la categoría que te has olvidado. Si realizas esta opción crea un nuevo fichero de vectores, dándole otro nombre.
6
Clasificación de Cubiertas con IDRISI
Los ficheros con terminación *.SPF y los terminados en *.SIG, contienen la información estadística de la firma espectral, su localización, los máximos y los mínimos encontrados en los recintos, puntos o líneas que componen la zona de entrenamiento. Los ficheros Zonas.DOC y Zonas.DVC contienen los vectores de la zona de entrenamiento marcada.
7
Clasificación de Cubiertas con IDRISI
1.3 COMPARACION DE LAS FIRMAS ESPECTRALES Emplea SIGCOMP desde el menú de análisis de imágenes escoge ver él numero de ficheros de firmas que creaste, escribe sus nombres y escoge visualizar sus valores medios.
Plantéate las siguientes preguntas a la vista de los valores medios de las firmas espectrales: ¿Cuál de las 7 bandas diferencia mejor la vegetación?. ¿Cuál de las siete bandas crea mas confusión a la hora de distinguir cubiertas? Emplea de nuevo SIGCOMP pero esta vez escoge ver solo dos firmas, introduce sus nombres e indica que quieres ver sus valores máximos, mínimos y medios. Analiza si puede existir confusión para diferenciar ambos tipos de cubiertas.
8
Clasificación de Cubiertas con IDRISI
-¿Cuál de los dos tipos de firmas tiene más variación en sus valores de retlectancia dentro de todas las bandas? ;. Vamos a aprender algo más acerca de los ficheros de firmas. Utiliza el módulo EDITSIG desde el menú de análisis de imágenes. Escoge editar uno de los ficheros de firmas espectrales y ver el histograma de CAMPO1. Si tu ves que tu firma espectral posee una distribución de tipo normal (gauss), nos puede sugerir que hemos seleccionado un conjunto de pixeles homogéneos que representan a dicha firma. Si la firma posee una estructura bimodal (existen dos picos), puede significar que dos tipos de cubiertas, con un único modelo de respuesta espectral, han sido incluidas en la misma zona de entrenamiento. Otros extremos que veamos que no pertenecen a la curva principal, nos pueden indicar que nuestras zonas de entrenamiento no son homogéneas.
9
Ejemplo de curva normal:
Clasificación de Cubiertas con IDRISI
Ejemplo de curva bimodal:
Para la misma firma espectral que has elegido visualiza los histogramas, en orden, de cada una de las bandas. Date cuenta de como cambian los valores de reflectancia a través de las bandas. Emplea EDITSIG de nuevo, y escoge editar alguna de las otras firmas espectrales. Analiza los resultados.
10
Clasificación de Cubiertas con IDRISI
1.4 EMPLEO DE CLASIFICADORES El cuarto y último paso del proceso, consiste en comparar el valor de cada uno de los pixeles de nuestra imagen en cada una de las siete bandas, con cada uno de los ficheros de firmas que hemos creado. El pixel es luego asignado al tipo de cubierta que tiene una firma similar. Las técnicas estadísticas que realizan este proceso se denominan clasificadores; a continuación vamos a crear imágenes clasificadas con los tres tipos de clasificadores de los que dispone IDRISI. 1.4.1 CLASIFICADOR POR MINIMA DISTANCIA (mindist) El primer clasificador es el de "mínima distancia". Este clasificador calcula la distancia de los valores de reflectancia de los pixeles a la curva espectral de cada uno de los ficheros de firmas, y luego el asigna el pixel a la categoría más cercana a la media. Existen dos formas de calcular la distancia con este clasificador: . - El primero calcula la distancia Euclidea o directa - El segundo calcula la distancia normalizada en función del menor numero de desviaciones estándar. Para emplear el clasificador de mínima distancia selecciona el modulo MINDIST e indica el número de todas las firmas espectrales que has creado, escoge la opción Euclidea o "RAW", y calcula infinitas distancias. Llama al fichero de salida MIN-1 e introduce los nombres de tus ficheros de firmas:
11
Clasificación de Cubiertas con IDRISI
Continua a la próxima ventana de diálogo y mantén todas las bandas seleccionadas para el análisis:
Visualiza MIN-1 con la leyenda y la paleta cualitativa de 16 colores, (QUAL16). Vamos a emplear de nuevo MINDIST pero esta vez vamos a escoger la opción de distancia normalizada, introduce como unidades la desviación estándar normalizada y llama al resultado MIN-2. Visualiza la imagen resultante de igual manera que la anterior.
12
Clasificación de Cubiertas con IDRISI
1.4.2 CLASIFICADOR POR MAXIMA PROBABILIDAD (maxlike) El próximo clasificador que emplearemos es el de máxima probabilidad. Este clasificador evalúa, en función de La teoría estadística Bayes. La probabilidad de que un pixel dado pueda pertenecer a una categoría, y clasifica el pixel a La categoría con La mayor probabilidad de Pertenecer a el. Emplea el módulo MAXLIKE. Indica las firmas espectrales que serán clasificadas e introduce sus nombres. Escoge clasificar todos los pixeles, y elige dar un peso igual (p.e., tener igual probabilidad) a cada clase. Llama al resultado MAX.
El método de máxima probabilidad es el más lento de las técnicas, pero si las zonas de entrenamiento están bien elegidas es el más exacto. Visualiza MAX con una leyenda.
13
Clasificación de Cubiertas con IDRISI
1.4.3 CLASIFICADOR POR PARALELEPIPEDOS (piped) Finalmente, vamos a ver el clasificador de paralelepípedos. Este clasificador crea "cajas" (paralelepípedos) alrededor de los valores de reflectancia máximo y mínimo dentro de las zonas de entrenamiento. Si un pixel dado cae dentro de la "caja", es asignado a esa categoría. Es el clasificador más rápido, pero es sin embargo el que realiza las clasificaciones más incorrectas. Utiliza el módulo PIPED e introduce siempre los nombres de todas las firmas espectrales, llama al resultado PIPEORIG y visualiza con una leyenda y la paleta cualitativa de 16 colores.
Luego emplea EDITSIG para redefinir los valores mínimo y máximo para cada firma, eliminando los valores extremos de cada una de las firmas espectrales. El módulo EDITSIG se utiliza frecuentemente junto al clasificador paralelepípedo, ya que este método de clasificación es muy sensible a los valores extremos, mínimo y máximo, registrados en cada una de las firmas espectrales. (Ten en cuenta que EDITSIG calcula las estadísticas de las firmas espectrales después de editarlas. Si vas a emplear cualquiera de los otros clasificadores más tarde, utiliza de nuevo EDITSIG para recalcular los valores mínimo y máximo). Compara cada una de las clasificaciones que has creado: MAX, RAW, MIN-1, MIN-2, PIPEORIG y PIPEEDIT, para determinar cual es el clasificador que mejor determina las coberturas analizadas. Como nota final, considera lo siguiente. Si tus zonas de entrenamiento son muy buenas, el clasificador de máxima probabilidad debería producir el mejor resultado. Sin embargo cuando las zonas de entrenamiento no están bien definidas los resultados que ofrece son muy pobres. En estos casos el clasificador de mínima distancia con la opción de distancia normalizada ofrece mucho mejor resultado. El clasificador paralelepípedo raramente funciona bien, y se ha incluido aquí con fines didácticos. 14
Clasificación de Cubiertas con IDRISI
2. - CLASIFICACION NO SUPERVISADA Dentro del análisis entre los valores digitales entre las bandas existe un análisis bidimensional, tridimensional o n-dimensional entre las respuestas del sensor. Si comparamos los niveles digitales entre 2 bandas, bidimensional, en este caso entre la banda 3 y la banda 4 de la imagen LANDSAT, y disponemos estos valores en un sistema cartesiano, se crea el llamado “escatergrama”:
En el que se representa el nivel digital de cada una de las bandas en los ejes x e y , y en color el histograma de frecuencias.
15
Clasificación de Cubiertas con IDRISI
Este análisis crea una serie de formas especificas dependiendo del contenido de la imagen y la relación entre bandas mostrada:
Estos escatergramas pueden ser empleados para hacer clasificación supervisada en otros programas al importar sobre ellos “regiones de interés”, zonas de entrenamiento, y volcar sobre la imagen la importación de las zonas de entrenamiento, buscando sobre la imagen las respuestas espectrales de las zonas de entrenamiento y localizando áreas de igual respuesta.
16
Clasificación de Cubiertas con IDRISI
El análisis tridimensional consiste en el análisis a la vez de los niveles digitales de la imagen dispuestos en un sistema tridimensional:
La clasificación no supervisada consiste en la clasificación de la imagen por métodos estadísticos, en los que se agrupan en conglomerados las distintas coberturas del terreno. El modulo que activa la clasificación no supervisada en Idrisi es el modulo “CLUSTER”. El modulo cluster únicamente actúa sobre imágenes compuestas, previamente tratadas con “COMPOSIT”, recomendándose un tratamiento previo de la imagen con una saturación lineal del histograma, obteniéndose resultados ideales con una saturación entre el 1 y el 2.5%:
17
Clasificación de Cubiertas con IDRISI
La división de los conglomerados se realiza por el método de “PICOS”, consistente en la división de los mismos en función de los picos existentes en el histograma, generándose una clase por pico y dividiéndose las clases en el punto medio entre cada dos picos:
El modulo “CLUSTER” solicita el nombre de la imagen compuesta, el numero de conglomerados a crear, el nombre de la imagen a crear, y opcionalmente el tratamiento fino del histograma (recomendado). El modulo cluster es por tanto un análisis tridimensional, ya que en la creación del histograma que interviene en la creación de los conglomerados y el estudio de los picos existentes en el, intervienen los niveles digitales de tres bandas.
18
Con dos cluster:
Clasificación de Cubiertas con IDRISI
Con cinco cluster:
19
Con diez cluster:
Clasificación de Cubiertas con IDRISI
Con quince cluster:
20
Clasificación de Cubiertas con IDRISI
SOFTWARE EMPLEADO Idrisi for Windows ENVI 3.0 ERMAPPER 6.1 Snap it MGI Photosuite 8.06A WORD (OFICCE) BIBLIOGRAFIA
NOTAS Si detecta la existencia en esta publicación de una imagen o contenido que no debiera estar publicado por pertenecer a otro autor, comuníquelo a Ignacio Alonso Fernández-Coppel y será retirada inmediatamente. Ruego a los usuarios y lectores, con objeto de mejorar la publicación, comuniquen al autor los errores, comentarios, sugerencias, dudas, aclaraciones y en general todo aquello que consideren oportuno, para lo cual mi dirección de correo es:
[email protected] Ultima Revisión: Diciembre de 2001
21
