La clasificación del uso de suelo urbano ha entrado en... recientemente aumento de la disponibilidad de imágenes satelitales de alta...

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