Clasificación del Uso de Suelo Urbano Aplicación de Análisis de Textura e Inteligencia Artificial La clasificación del uso de suelo urbano ha entrado en una nueva y atractiva era con el recientemente aumento de la disponibilidad de imágenes satelitales de alta resolución, como Ikonos y QuickBird. Con estos avanzados sensores, los componentes urbanos son detallados como una sola familia o múltiples viviendas, árboles, caminos, áreas de estacionamiento ahora son identificables, por su forma o diferente reflexión electromagnética y formas pueden ser captados en alta resolución. Esto, por un lado, hace uso detallado de la tierra para una posible identificación, pero, por otra parte, hace que la tradicional clasificación por píxel sea inadecuado, debido a que la firma electromagnética de los diferentes tipos de usos de tierra, como residencial, comercial, e industrial, que ahora tienen gran diferencia entre-clases y entre superposiciones de clases. En contraste, las personas pueden fácilmente separar estas zonas de diferentes usos visualmente ya que pueden diferenciar su textura. La Dr. Myint argumentó en su artículo, "Esta información espacial tiene que ser extraída, además de su valor individual espectral, para caracterizar la heterogeneidad de características urbanas en imágenes de alta resolución". (1) Intuitivamente, los científicos desarrollaron el método de análisis de textura y clasificadores de la inteligencia artificial para mejorar la clasificación del uso de suelo urbano. Recientes clasificaciones de uso de tierra utilizan algoritmos avanzados para la clasificación de usos de suelo /cubierta en New Orleans sobre una imagen Ikonos (vea Figura 1). Figura 1, Ikonos bandas 4, 3, 2 composición falso color, New Orleans, Louisiana. La zona está en la frontera entre la Parroqui de Jefferson y Orleans Parish, cerca del río Mississippi. Imagen capturada el 2 de septiembre del 2005. 4 metros de píxel de resolución que permite identificar detalladamente el uso de suelo. Imágenes de satélite Ikonos cortesía de GeoEye. 1/9 Clasificación del Uso de Suelo Urbano La Ciudad de New Orleans La ciudad de New Orleans, situada cerca del Golfo de México, esta muy poblada, con la mayor parte de su área urbana bajo el nivel del mar. New Orleans fue devastada por el huracán Katrina de Categoría III el 29 de agosto del 2005, y muchos barrios fueron severamente inundados. Como se muestra en la Figura 1, estos barrios exhiben diferentes patrones espaciales. Figura 2, 1 metro de resolución Ikonos pancromática con bandas de diferentes vecindarios de New Orleans. Imagen capturada el 2 de septiembre del 2005. Primera fila de izquierda a derecha: de baja densidad residencial / residencial 1, de alta densidad / residencial 2, bosques; segunda fila: comerciales, agua, industrial; tercera fila de izquierda a derecha: inundado residencial 1, residencial 2 inundado, industrial inundado, Imágenes de satélite Ikonos cortesía de GeoEye. Análisis de textura Esta investigación en particular analiza tres técnicas de vanguardia: la dimensión fractal, lacunarity, y Moran's I el índice de autocorrelación espacial. El concepto frantal fue inventado por Mandelbrot para medir la auto-similitud y la irregularidad de formas complejas, tales como líneas costeras. (2) En la geometría fractal, una imagen bidimensional puede tener una dimensión fraccionaria entre el 2 y el 3, con un valor más alto que representa un auto-similar y más agitado de superficie. La Figura 3 muestra una simulación gráfica por computador con una dimensión fractal de 2,5, 2/9 Clasificación del Uso de Suelo Urbano que se genera usando una imagen Caracterización y Modelado del Sistema (ICAMS), un paquete de software desarrollado por LAM y su colaborador. (3) La mayoría de las imágenes de teledetección más grandes tienen dimensiones fractales que esta imagen simulada. Emerson et al, implemento con éxito en la dimensión fractal la clasificación de suelos con escenarios de las imágenes landsat. (4). Figura 3, Un superficie fractal de 500x500 generada usando ICAMS, Dimensión Fractal = 2,5. Como contrapartida de la dimensión fractal, lacunarity se introdujo para medir la "brecha" en la distribución de una imagen. (5) Superior lacunarity generalmente significa un patrón más heterogéneo. Lacunarity se utilizó para caracterizar el paisaje y el patrón se encontró para aumentar la precisión en el uso de suelo urbano/clasificación de coberturas. (6,1). La Autocorrelación espacial demuesta la similitud o la disimilitud de los píxeles vecinos (7). Una medida ampliamente utilizada es el índice de Moran's I, que va de -1 a 1 para los negativos, al azar, y de autocorrelación positiva. Aplicación de autocorrelación espacial en la clasificación de imágenes incluye el uso de vectores y semivariogramas Moran´s I. (8). 3/9 Clasificación del Uso de Suelo Urbano FiguraDN 11-bit 4, Demostración valores defigura las de imágenes laproducir técnica satelitales de la ventana en de movimiento (indicando los números de diferentes Mover parámetros superior central nueva tienen capa diferentes ventanas de de píxel propiedades la de deimagen, textura textura (ver técnicas características para yse textuales. lase generará. 4). textura utilizan A medida espectrales, de ampliamente Diferentes capas medición que de layIkonos). información. ventana los categorías dentro para diferentes generar selade mueve Una ventana índices cobertura mediciones ventana por se texturales toda le de seasigna suelo la locales coloca imagen, medidos entonces a en de la ventana una la estos en parte 33x33 limita ametros 5, 2~3 yyFigura -1~1, en curva respectivamente, dede los (Tenga diferentes en mientras cuenta tipos de que que uso lacunarity lade de dimensión suelo, no tiene fractal límite ysuelo una Moran superior). ventana I valores de clasificación, La Figura La. figura Los 2, investigadores 5 yTextura la muestra semovimiento informa la 6 curva muestra por lode mejoras general vistas textura se espectrales significativas métrica aprovechan de yutilización en temporales Myint esta yde ayuda Lam yutilizando tipos opinión 2005. para de diferenciar de Jefferson mostrado enParish, laensela Clasificadores de Inteligencia Artificial La insuficiencia de verosimilitud máxima en los clasificadores tradicionales en el uso de suelo urbano ha inspirado la adopción de la inteligencia artificial en el uso de clasificadores de suelos, tales como Liu y Lathrop's con múltiples capas de redes neuronales de perceptron. (9). 4/9 Clasificación del Uso de Suelo Urbano A pesar de que tiene problemas, el clasificador de máxima probabilidad sigue siendo lo más disponible en el comercio de teledetección y el software fotogramétrico es poco fiable en la mayoría de los casos. Sin embargo, puede ser más prometedor, si pueden mejorar las aplicaciones. Figura 6, Espectral (a la izquierda) y texturales (a la derecha) la misma vista de la zona. Capas de textura que representan dimensión fractal, y Moran I se apilan para ver un color textural. El área está cerca del parque industrial en Jefferson Parish, Louisiana y en el lado derecho (este) del río Mississipi. Imágenes de satélite Ikonos cortesía de GeoEye. Esta investigación realizó un nuevo vistazo a la muy utilizada clasificación de máxima probabilidad, con especial atención a las a veces ignoradas probabilidades (conocimiento previo). Teniendo esto en cuenta, hemos abordado el problema mediante el uso de algoritmos genéricos para optimizar la probabilidad parámetro adecuada con el objetivo de una mayor precisión a través de un proceso evolutivo de capacitación (ver figura 7). Esta solución optimiza el conocimiento previo para hacer una mejor clasificación con el clasificador de máxima verosimilitud. 5/9 Clasificación del Uso de Suelo Urbano Figura 7, Formación de la curva de clasificación. Flujo de Trabajo El método de calculo de la dimensión fractal requiere una gran ventana para la medición del rendimiento estable, pero una gran ventana para desdibujar los límites del uso de suelo. Esta investigación utilizó la banda pancromática para generar tres capas testurales (dimensión fractal, lacunarity, y Moran's I). Las capas taxturales se muestran más abajo apiladas con rango espectral verde, rojo e infrarrojo cercano. La banda azul fue excluída debido a los efectos de dispersión atmosférica. El compuesto de seis bandas de imagen, por lo tanto, no sólo contiene caracteristicas espectrales, sino también las mediciones de textura extraídos con 3 cifras de texturas avanzadas. La imagen compuesta entonces pasó por un estándar de clasificación supervisada sobre la base de pre-selecciones de formación, con la aprobación del algoritmo genérico en la formación clasificador. Fotografías aéreas ADS40 (por cortesía de LSU GIS Cleareinhouse Cooperative) se utilizan para comprobar la exactitud de la clasificación, y el trabajo de campo también se realizó. 6/9 Clasificación del Uso de Suelo Urbano Figura banda parte 4, 8, inferior). 3, Clasificados 2 poco con el tradicional uso de suelo método /en uso de de máxima los mapas verosimilitud de cobertura (arriba) Ikonos el multiespectral nuevo Mapas Una la clasificaciones con ventana suelo zona el zona existente tradicional de inundada en un clasificación movimiento. de considerando: método no uso más tiene de se pequeña Sistema basado suelo. muestran efectos residenciales, La de en en propuesta la clasificación píxel. laFigura la clasificación, figura Capas bosques, 6dese 8.nivel algoritmo texturales utilizó como IIcomerciales, USGS en genérico es esta seelse generaron caso investigación, utilizó industriales clasificador deysolo la con mayoría con 65x65 y, ysede por elmétodo comparó uso de aguas. metros lo las tanto, de (en de comparación 9, Mejora con de la tradicional precisión clasificación de la clasificación de máxima verosimilitud. deuna suelo con enfoques, en Figura que exactitud genérico genético 89,3 el%horas método 9 de muestra yfue sólo precisión. lade usado, textura de tradicional 68,5 la mejora o deal %, la86,6%, basado mientras información nuevo cuando en que píxel método utilizada lase precisión en utilizó la sobre en clasificación lade conjunto aumentó información eluso método obtuvo de a 79,7 tradicional. máxima dejustificado. una textura. % cuando clasificación verosimilitud La Tanto prueba el algoritmo el general algoritmo comprobó dado de tiempo En encontró la extracción varias gran términos podría mejora que de en en capas ser en eficiencia un promedio, larápido paralelo exactitud, texturales computacional, computador sidel sesenecesitan este es desplegaran computacionalmente poco basado menos más de una procesamientos de en de prueba tiempo windows, 10 minutos mucho está de 20 bien distribuidos. tiempo, adicionales. escenarios reducción adiferentes menudo significativa de Teniendo Aunque formación teniendo en la ense cuenta Figura con espectral. la textura 10, Clasificador Mejora de la de información la detección máxima utilizada, de probabilidad inundación en comparación se en utilizó las diferentes en ambos la por-píxel categorías casos. clasificación de uso de suelo Detección teledetección. para que tipos (estacionamientos, los probar de errores cobertura: la inundaciones Un textura de primer omisión residenciales, pastizales, con experimento else o método de redujo etc). interface comerciales, clasificador significativamente con agua-tierra una selección bosques, de máxima es en una yde completamente la sitios verosimilitud, importante mayoría en de aplicación tierras Orleans ylas mostró zonas inundadas fue de (Figura inundadas utilizado 10) En anteproyecto aplicación Lidar conocimientos general, mayor de se elevación no análisis teóricos, ha es mejorado todavía de de aún texturas datos, lo la mayor suficientemente precisión inteligencia en exactitud la detección artificial se bueno, podría % de al desastres. ycombina 75,2 muestra otros lograr. %. clasificadores, A una Mediante pesar gran de promesa que yrápido, combinación un este experto de la en los La información variación, utilizadas uso la precisión. forma de suelo, en en compactación, tanto que la no clasificación la hay espectrales gente razón etc). identifica adicional tradicional (color Aunque características de para varias para ladel imagen) no una bandas utilizar mejor del yla texturas múltiples espectrales, terreno separación de se bandas información basa con de los de en frecuencia, diferentes textura la visualización (forma, para han tipos la aumentar sido dede la sólido, Este computadores investigación de artificial, suelo enfoques. amplio automatizando mejora basados espectro académica Cuando aumenten considerablemente en objetos de la la textura información detección marca los especialistas que una ayuda esta de la tendencia espacial las precisión disponible al enfoque zonas en60,3 imágenes. de creciente de afectadas, la en se imagen algunos clasificación, al Acon diferencia uso ayudará lo softwares que con de es capas algoritmos siempre aNew de más hacer comerciales, clasificación de critico textura que de inteligencia que los preciso, con esta nunca. de ayuda usos Notas Finales 7/9 Clasificación del Uso de Suelo Urbano 1. Myint, S.W, and N.S.-N. Lam, 2005. "Examining lacunarity approaches in comparison with fractal and spatial autocorrelation techniques for urban mapping." Photogrammetric Engineering & Remote Sensing, 71(8):927-937. 2. Mandelbrot, B. B., 1967. "How long is the coast of Britain? Statistical selfsimilarity and fractional dimension." Science, 156: 636638. 3. Lam, N. S.-N., D. A. Quattrochi, H.-L. Qiu, and W. Zhao, 1998. "Environmental assessment and monitoring with image characterization and modeling system using multiscale remote sensing data." Applied Geographic Studies, 2(2):77-93. 4. Emerson, C.W., N.S.-N. Lam, and D.A. Quattrochi, 1999. "Multi-scale fractal analysis of image texture and pattern." Photogrammetric Engineering & Remote Sensing, 65(1):51-61. 5. Mandelbrot, B.B., 1983. The Fractal Geometry of Nature. New York: W.H.Freeman. 6. Plotnick, R.E., R.H. Gardner, and R.V. O'Neill, 1993. "Lacunarity indices as measures of landscape texture." Landscape Ecology, 8(3): 201-211. 7. Cliff, A.D., and J.K. Ord, 1973, Spatial Autocorrelation. London: Pion Limited. 8. Carr, J.R., and F.P. de Miranda, 1998. "The semivariogram in comparison to the co-occurrence 8/9 Clasificación del Uso de Suelo Urbano matrix for classification of image texture." IEEE Transactions on Geoscience and Remote Sensing, 36(6): 1945-1952. 9. Liu, X., and R.G. Lathrop, 2002. "Urban change detection based on an artificial neural network." International Journal of Remote Sensing, 23(12): 2513-2518. Fuente: Wenxue Ju, PhD Candidate (Department of Geography and Anthropology Louisiana State University Baton Rouge, La.) Nina S.-N. Lam, PhD (Professor Department of Environmental Studies Louisiana State University Baton Rouge, La.) 9/9