Clasificación de Imágenes Satelitales Clasificación de Imágenes Satelitales La clasificación de las imágenes satelitales es uno de los principales objetivos de la teledetección. Habitualmente se conocen dos tipos de clasificación:. Clasificación Supervisada Este método de entrenamiento requiere un cierto conocimiento de la zona de estudio que permite delimitar sobre la imagen unas zonas o áreas representativas de las distintas categorías (usos de suelo) que se pretenden discriminar. La clasificación supervisada involucra las siguientes etapas: Etapa de entrenamiento. Selección del algoritmo de clasificación adecuado y clasificación. Operaciones de post clasificación. Clasificación no supervisada Este método de clasificación trata de definir las clases espectrales presentes en la Imagen. No implica ningún conocimiento previo del área de estudio por lo que la intervención humana se centra en la interpretación de los resultados. La clasificación no supervisada involucra las siguientes etapas: Elección del algoritmo de clasificación no supervisado. Interpretación y validación de Resultados. Operaciones de post clasificación. Métodos de Clasificación Supervisada: Clasificación por Mínima distancia Este método de clasificación es uno de los más antiguos y hoy se puede considerar en desuso. Consiste en asignar cada celda (Pixel) a la clase respecto a cuyo vector de medias está más próxima en el espacio de variables. Como medida de distancia se utilizó la distancia euclidiana (Chuvieco, 2006). Clasificación por Paralelepípedos En este método se definen una serie de paralelepípedos, que definen las fronteras de cada clase. La definición de cada uno de los paralelepípedos debe hacerse teniendo en cuenta los valores máximos y mínimos de reflectividad para cada una de las bandas. Métodos de Clasificación Supervisada: Clasificación por máxima verosimilitud Puesto que se tiene la media y la desviación típica de cada una de las clases, se puede utilizar algún modelo de distribución de probabilidad. El clasificador de máxima probabilidad asume que los datos siguen una función de distribución normal para asignar la probabilidad de que un pixel cualquiera pertenezca a cada una de las clases. El pixel se asigna de este modo a la clase a la que es más probable que pertenezca. Este método puede usarse de forma automática, o puede establecerse algún criterio que permita asignar pixels a una clase sólo si la probabilidad correspondiente es superior a determinado umbral. Parámetros del Algoritmo Creación de Firmas Espectrales en ArcGIS 1 2 3 4 5 1 Las bandas de ráster de entrada para las que se crean las firmas. 2 Entrada que delinea el conjunto de muestras de clases (raster o feature class). 3 Campo del ráster de entrada o datos de muestra de entidades para asignar valores a las ubicaciones de muestra (clases). 4 Archivo de firma de salida (Se debe especificar una extensión .gsg). 5 AEspecifica si se calculan las matrices de covarianza además de las medias. COVARIANCE - Se calcularán las matrices de covarianza y los valores medios de todas las clases. MEAN ONLY - Sólo se calcularán los valores medios de todas las clases. Parámetros del Algoritmo Clasificación por máxima Verosimilitud en ArcGIS 1 Las bandas de ráster 1 de entrada. 2 El archivo de firma de entrada cuyas firmas de clase se utilizan mediante el clasificador de 2 máxima verosimilitud 3 (Se requiere la 4 extensión .gsg). 5 3 Salida del raster 6 Clasificado. 7 4 Parte de las celdas que permanecerán no clasificadas dada la menor posibilidad de asignaciones correctas. (El valor predeterminado es 0.0; por tanto, se clasificarán todas las celdas). Parámetros del Algoritmo Clasificación por máxima Verosimilitud en ArcGIS 4 Parte de las celdas que permanecerán no clasificadas dada la menor posibilidad de asignaciones correctas. (El valor predeterminado es 0.0; por tanto, se clasificarán todas las celdas). 5 Especifica cómo se determinarán las probabilidades a priori. EQUAL - Todas las clases tendrán la misma probabilidad a priori. SAMPLE - Las probabilidades a priori serán proporcionales al número de celdas en cada clase relativo al número total de celdas muestreadas en todas las clases del archivo de firma. FILE - Se asignarán las probabilidades a priori 1 a cada clase a partir de un archivo de probabilidad a priori ASCII de entrada. 5 Archivo de texto que contiene probabilidades a priori para las clases de firmas de entrada (La extensión del archivo a priori puede ser .txt o .asc). 2 3 4 5 6 7 Parámetros del Algoritmo Clasificación por máxima Verosimilitud en ArcGIS 7 El dataset del ráster de confianza de salida que muestra la certeza de la clasificación en 14 niveles de confianza, en donde los valores más pequeños representan la confiabilidad más alta. 1 2 3 4 5 6 7
