You are on page 1of 36

TRATAMIENTO DIGITAL BSICO

DE UNA IMGEN MULTIESPECTRAL


[VILLAVICENCIO]
TALLER

PRESENTADO POR:
EDWIN LVARO CORTS CERN
20131395003
INGENIERO TOPOGRFICO

PRESENTADO A :

JOSE LUIS HERRERA ESCORCIA

FUNDAMENTOS DE PERCEPCION REMOTA

UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS


FACULTAD DE INGENIERA Y
FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES
MAESTRA EN CIENCIAS DE LA INFORMACIN Y LAS COMUNICACIONES
NFASIS EN GEOMTICA
BOGOT D.C.
2013

TRATAMIENTO DIGITAL BSICO


DE UNA IMGEN MULTIESPECTRAL
[VILLAVICENCIO]
TALLER

EDWIN LVARO CORTS CERN


20131395003

Imagen LANDSAT 7-ETM+ combinacin RGB: 453


WRS-2 Path 007, Row 057

CONTENIDO

INTRODUCCIN ................................................................................................................................... 3
OBJETIVO ............................................................................................................................................. 4
CARACTERIZACIN DEL AREA DE ESTUDIO ......................................................................................... 4
CARACTERISTICAS DEL SENSOR ........................................................................................................... 5
DESARROLLO, ANALISIS Y RESULTADOS DEL TALLER PROPUESTO ..................................................... 5
CLASIFICACIN DE ELEMENTOS DE LA COBERTURA TERRESTRE ........................................................ 8
CLASIFICACIN UNIBANDA ............................................................................................................... 12
CORRELACIN ENTRE BANDAS ......................................................................................................... 15
COMBINACIN DE BANDAS CON MS BAJA CORRELACIN ............................................................ 17
INDICE DE VEGETACIN .................................................................................................................... 20
INDICE DE SUELO HUMEDAD ......................................................................................................... 21
CLASIFICACIN NO SUPERVISADA .................................................................................................... 22
CLASIFICACIN SUPERVISADA........................................................................................................... 27
CONCLUSIONES ................................................................................................................................. 34
REFERENCIAS BIBLIOGRAFICAS ......................................................................................................... 34

INTRODUCCIN

La finalidad en el anlisis de imgenes es la cuantificacin de las propiedades de los objetos presentes en


stas, para lo cual es necesario entender los elementos que las componen, su origen y su naturaleza.
Los mtodos de anlisis estn estrechamente relacionados con estos aspectos.
La toma de decisiones en muchas reas del conocimiento se basa en el resultado de este anlisis.

Jorge Lira Chvez

El desarrollo tecnolgico de las ltimas dcadas ha permitido la generacin de imgenes


empleando radiacin invisible para la visin humana. Lo cual nos lleva a tener la capacidad de
analizar ampliamente la informacin disponible contenida en estas imgenes, permitindonos ver
nuevos aspectos de la superficie terrestre, gracias a que estas imgenes son adquiridas con gran
eficiencia por sensores remotos y con resoluciones muy altas.
El anlisis de imgenes se emplea en muchas reas del conocimiento cientfico y mediante su uso
se pueden establecer las propiedades y comportamiento de los objetos capturados, de tal forma
que en el rea de la Percepcin Remota las imgenes de satlite son empleadas como apoyo
valioso en la visin global del comportamiento de los fenmenos del medio ambiente, y gracias a
estos estudios poder establecer las relaciones que tenemos con nuestro entorno y de esta manera
caracterizar el territorio para tomar decisiones en cuanto a proteccin, uso y aprovechamiento de
los recursos naturales.
En el desarrollo de este taller se presenta el tratamiento digital bsico de una imagen
multiespectral de la ciudad de Villavicencio y sus alrededores, en la que se analizan, los tipos de
cobertura de la superficie terrestre a partir de las firmas espectrales (respuesta espectral) de los
elementos contenidos en la imagen LANDSAT-ETM+ del ao 2000.

OBJETIVO
Realizar el procesamiento digital bsico para los datos contenidos en una imagen multiespectral
LANDSAT-TM que contiene la informacin de la ciudad de Villavicencio y sus alrededores, que
permita mayor discriminacin para la obtencin de mapas de uso y cobertura de la tierra.

CARACTERIZACIN DEL AREA DE ESTUDIO


La imagen seleccionada para el desarrollo del taller propuesto para el anlisis, corresponde a una
imagen LANDSAT 7 ETM+ del ao 2000, que contiene la ciudad de Villavicencio1, que se encuentra
ubicado en el Piedemonte de la Cordillera Oriental, al noroccidente del departamento del Meta,
en la margen izquierda del ro Guaitiqua y cuenta con una poblacin urbana de 407977 habitantes
en 2010. Presenta un clima clido y muy hmedo con temperaturas medias de 27C.

rea de cobertura de
LANDSAT ETM+
Figura 1. Caracterizacin general del rea de estudio.

En la Figura 1, se observa el rea de estudio, en el departamento del Meta, y el rea de cobertura


de la imagen que corresponde a la Ciudad de Villavicencio, que rene gran parte de la mega
diversidad biolgica que posee el pas en varias de sus zonas. En el territorio municipal se
distinguen dos regiones: una montaosa ubicada al occidente y noroccidente, formada por el
costado de la cordillera oriental; la otra, una planicie inclinada ligeramente hacia el oriente y
nororiente, corresponde al piedemonte de la cordillera, bordeada al norte por el ro Guayuriba. En
la parte central de esta planicie cruzan los ros Ocoa y Negro, adems de numerosos y afluentes
menores.

Gobernacin del Meta (Villavicencio). Fuente: http://www.villavicencio.gov.co/

CARACTERISTICAS DEL SENSOR


Landsat 7 ETM+ (Enhanced Thematic Mapper Plus)2 es un sensor multiespectral radiomtrico que se
encuentra a bordo del satlite Landsat 7. El ETM+ es un sensor multiespectral radiomtrico a bordo
del satlite Landsat 7.
Este sensor ha adquirido informacin casi ininterrumpida desde Julio de 1999 con un periodo de
revisita de 16 das.
El sensor ETM+ provee imgenes con 8 bandas espectrales. La resolucin espacial es de
30 metros en las bandas visibles e infrarroja cercana (bandas 1-5 y 7). La resolucin de la
banda pancromtica (banda 8) es de 15 metros, y la banda infrarroja termal (band 6) es de
60 metros. El tamao aproximado de la escena es de 170 x 183 kilmetros.

La resolucin de la banda pancromtica (banda 8) es de 15 metros, y la banda infrarroja termal


(banda 6) es de 60 metros. El tamao aproximado de la escena es de 170 x 183 kilmetros.

DESARROLLO, ANALISIS Y RESULTADOS DEL TALLER PROPUESTO

a. Para el desarrollo del taller se importaran las imgenes de las siete bandas de LANDSAT,
empezando con la banda 1 para verificar los histogramas de cada uno de los canales y
escoger el que tenga el mayor rango dinmico, de la siguiente forma:

Banda 1

Banda 2

Banda 3

Figura 2. Histogramas de las bandas 1, 2 y 3 de LANDSAT ETM+

Fuente: http://landsat.gsfc.nasa.gov/about/etm+.html
Fuente: http://www.imagenesgeograficas.com/Landsat.html

Banda 4

Banda 5

Banda 7

Banda 6

Figura 3. Histogramas de las bandas 4, 5, 6 y 7 de LANDSAT ETM+

Banda 8

Figura 4. Histograma de la banda8 de LANDSAT ETM+

b. De acuerdo con la Figura 2, 3 Y 4, se puede observar y determinar que de las siete bandas,
la que presenta una mejor distribucin del histograma es la Banda 5 (Figura 4), ya que
muestra una mejor distribucin de sus niveles digitales, por lo que cuenta con una
amplitud de casi 80 niveles digitales, mientras que en los histogramas de las dems bandas
se presentan amplitudes de 20, 40 y 60 niveles digitales. Es decir que la banda 5 presenta
el mejor rango dinmico utilizando valores de frecuencia entre 60 y 160 valores de gris,
dentro de un rango terico de 0 a 255 valores de gris.

Figura 4. Histograma detallado de la banda 5, que presenta el mayor rango dinmico

c. PORQU EXISTEN DIFERENCIAS EN LOS HISTOGRAMAS DE CADA UNA DE LAS BANDAS?


Las diferencias que se presentan en los histogramas de cada una de las bandas, es causado porque
cada banda captura su propio rango del espectro electromagntico es decir cada banda tiene su
rango de longitud y frecuencia de onda, de tal forma que las 8 bandas que se presentan en
Landsat 7 ETM+ cada una tiene sus propias caractersticas para identificar el comportamiento de
los elementos de la superficie terrestre. Para el caso del desarrollo de este taller se utilizan las
siete bandas mostradas en las Figuras 2 y 3. Los valores ms bajos de los histogramas
corresponden a las mayores longitudes de onda, en particular la del infrarrojo cercano es la que

posee el valor ms bajo. En esta banda (5) los cuerpos de agua y las sombras producidas por el
relieve poseen un valor de reflectancia de cero o muy pronto a cero.

Figura 5. Imagen de la Banda 5 de LANDSAT ETM+, escogida con el mayor rango dinamico.

CLASIFICACIN DE ELEMENTOS DE LA COBERTURA TERRESTRE

d. Definir con las funciones LUT Look Up Table los lmites acorde a las firmas espectrales
tericas, el nivel superior e inferior de las siguientes coberturas, en la columna de imagen
se utiliza una combinacin 453 y 753, para visualizar las coberturas, y en la columna de
rango se presentan los valores de clasificacin por niveles de gris (0 a 255) para cada tipo
de cobertura:

5. Cuerpos de
agua

4. Bosques y
montes

3. Vegetacin
Natural
Herbcea
2. Cultivos y
parcelas
1. Construcciones

Cobertura
Rango
Histograma
Imagen

100 123

70 99

59 69

30-57

18 -25

2. Cultivos y parcelas

1. Construcciones

Cobertura

7. Sin
informacin
Nubes y
sombras
6. Tierras
Eriales
125-190

Sombras:
12-18

Nubes:
190-254

Rango
Imagen

100 123

70 99

10

5. Cuerpos de agua

4. Bosques y montes

3. Vegetacin Natural Herbcea

59 69

30-57

18 -25

11

6. Tierras Eriales
7. Sin informacin
Nubes y sombras

125-190

Sombras:
12-18
Nubes:
190-254

CLASIFICACIN UNIBANDA

e. Estime visualmente las reas de cada una de las coberturas, realizando la clasificacin de
la banda escogida utilizando la funcin de PCT Pseudo Color Table.
De acuerdo a la banda escogida (5) se asignan colores a los diferentes rangos, que se
clasificaron en los niveles de gris dentro del rango terico de 0 a 255, dependiendo del tipo de
cobertura, de la siguiente forma:

12

1.
2.
3.
4.
5.
6.
7.

Figura 6. Imagen de la banda 5 sin clasificar


Rango de valores asignados
Tipo de Cobertura
Color asignado
(espectarles)
Construcciones
100 123
Cultivos y Parcelas
70 99
Vegetacin Natural herbcea 59 69
Bosques y Montes
30-58
Cuerpos de Agua
18 -27
Tierras Eriales
125-190
Sin Informacin
Sombras: 0-17
Blanco
(sombras y nubes)
Nubes: 190-254

Figura 7. Clasificacin de la Imagen de la Banda 5. Pseudocolor.

13

f. Cules son los tipos de problemas que se presentan?


g. Por qu cree que se presentan?
Cuando se realiza esta clasificacin unibanda se presentan algunas inconvenientes como:
-

En la clasificacin de niveles de gris para los cuerpos de agua, se aprecia que se puede
generar un error al asumir que se puede tomar esta cobertura desde el nivel 0 hasta el 27,
por lo tanto en la zona presentada sin informacin se hace la diferencia entre la zonas con
nubosidad (0-17) y las zonas de sombra (190-254), mejorando en este aspecto la
clasificacin.

Algunos cuerpos de agua dependiendo de su estado no se pueden clasificar de la mejor


manera, ya que su rango espectral depende de la cantidad de sedimentos que contengan
los ros o lagunas, adems que se puede confundir con las zonas de alta concentracin de
humedad como los pramos que presentan muchas zonas con nubosidad.

En cuanto a la clasificacin de cultivos se presentan inconvenientes tales como: que se


hace una clasificacin errnea que se puede confundir con otro tipo de coberturas, es
decir aunque las zonas con cultivo se pueden diferenciar visualmente de otras zonas por
su aspecto geomtrico, en cuanto a su firma espectral tiende a depender de qu tipo de
cultivo sea, en que poca del ao este cultivado, por lo tanto para ello se hace
estrictamente necesario conocer las firmas espectrales de todos estos elementos.

La clasificacin en las tierras eriales y cultivos con poca cobertura vegetal tienden a
confundirse ya que presentan un nivel de gris muy parecido, es decir su respuesta
espectral es muy semejante.

En cuanto a la clasificacin de las construcciones o zonas urbanas presentadas en color


rojo en la clasificacin general de la imagen, se observa que aunque el rea urbana es
identificable por su forma, en cuanto a los niveles digitales en esta imagen, presenta
confusin con los bancos de arena dispuestos en los cuerpos de agua.

Debido a que la banda 5, es sensible a la cantidad de agua contenida en la cobertura


vegetal, y es usada comnmente en el anlisis de esta, tanto en poca de sequa como en
estado saludable, la discriminacin por clases se hace ms difcil dado que los rangos que
se pretenden clasificar, presentan coberturas que coinciden en su respuesta espectral con
otras.

14

CORRELACIN ENTRE BANDAS


h. Utilizando la funcin de histogramas bidimensionales Scatter Plot se determinan:
Cules son las 3 bandas que tienen la mayor correlacin lineal?
En la siguiente tabla se muestran los valores de correlacin obtenidos, es decir, se muestra la
relacin entre dos bandas de la siguiente manera:

X - Axis
Banda 1
Banda 1
Banda 1
Banda 1
Banda 1
Banda 1
Banda 2
Banda 2
Banda 2
Banda 2
Banda 2
Banda 3
Banda 3
Banda 3
Banda 3
Banda 4
Banda 4
Banda 4
Banda 5
Banda 5
Banda 6

CORRELACIN ENTRE BANDAS


Coeficiente de
Observaciones: MAYOR O
Y -Axis
Correlacin
MENOR CORRELACIN
Banda 2
0,88
Banda 3
0,90
Banda 4
0,94
Banda 5
0.70
Menor correlacin
Banda 6
0,95
Mayor correlacin
Banda 7
0,81
Menor correlacin
Banda 3
0,97
Mayor correlacin
Banda 4
0,93
Banda 5
0,88
Banda 6
0,92
Banda 7
0,95
Banda 4
0,98
Mayor correlacin
Banda 5
0,86
Banda 6
0,91
Banda 7
0,87
Banda 5
0,77
Menor correlacin
Banda 6
0,91
Banda 7
0,82
Banda 6
0,83
Banda 7
0,86
Banda 7
0,89

Figura 8. Mayor correlacin entre bandas (B3-B4), (B2-B3), (B1-B6)-de izq. a derecha.

15

La combinacin de bandas con mayor correlacin, de acuerdo con la anterior tabla, corresponden
a:
1. Las bandas 3 y 4 presentan una correlacin de 0,98
2. Las bandas 2 y 3 presentan una correlacin de 0,97
3. Las bandas 1 y 6 presentan una correlacin de 0,95

i.

Cules son las tres bandas que tienen la menor correlacin lineal?

La combinacin de bandas con menor correlacin, de acuerdo con la anterior tabla, corresponden
a:
1. Las bandas 1 y 7 presentan una correlacin de 0,81
2. Las bandas 4 y 5 presentan una correlacin de 0,77
3. Las bandas 1 y 5 presentan una correlacin de 0,70

j.

Acorde a la teora, Por qu esas bandas tienen las ms bajas y altas correlaciones?

Los pares de bandas presentan altas y bajas correlaciones debido a la cantidad de informacin
redundante que se encuentra contenida entre ellas, lo cual no aporta a la interpretacin y ni
consume recursos funcionales del programa de procesamiento. Sin embargo, para poder definir el
por qu estas bandas presentan altas y bajas correlaciones debemos extendernos un poco en las
regiones del espectro electromagntico, y cul es el rango presente en cada banda:

Figura 9. Regiones del espectro electromagntico.

En la Figura 9 se puede observar el espectro visible, y podemos entender como los diferentes
elementos o materiales cuando interactan con la luz, por medio de su radiacin
electromagntica, que es un fenmeno de transporte de energa que porta informacin del
sistema que la genera o la reemite, la Percepcin remota hace uso de esta propiedad, utilizando la

16

interaccin de la radiacin con la escena bajo observacin para estudiar su comportamiento con
diferentes condiciones. A continuacin se presenta una tabla en la que se dan algunos aspectos de
la sensibilidad que tienen las bandas de la regin ptica en la deteccin de las propiedades de los
objetos/coberturas presentes en una imagen, de acuerdo con el Profesor Jorge Lira Chvez, en su
libro, Tratamiento digital de imgenes multiespectrales:
BANDA

RANGO

AZUL

[0,45 0,51]

VERDE

[0,52 0,59]

ROJO

[0,62 0,68]

INFRARROJO

[0,77 0,86]

PROPIEDAD
Es sensible a la discriminacin de cubiertas de bosques de
conferas y de caducifolios, a la sedimentacin y a la
diferenciacin entre suelo y vegetacin.
Es sensible a la respuesta de la vegetacin sana, al vigor de la
vegetacin, a la discriminacin entre suelo y roca y a la turbidez y
batimetra en aguas someras.
Es sensible a la absorcin de clorofila, a la discriminacin de
especies de plantas y la diferenciacin de suelos y contactos
geolgicos.
Es sensible a la biomasa verde, al contenido de humedad en la
vegetacin, al contraste entre tierra y agua y a las topoformas y
geomorfologa del terreno.

COMBINACIN DE BANDAS CON MS BAJA CORRELACIN

k. Acorde con la teora Aditiva del color y teniendo en cuenta las firmas espectrales tericas,
a continuacin se explica: Cules seran los mejores canales para realizar las
composiciones a color? Y
l. Se propone y explica una composicin a color para interpretacin de uso y cobertura.
De acuerdo con la teora aditiva del color, debemos hablar del color-luz, es decir del color como
radiacin de luz. En este caso los colores primarios son el rojo, verde y el azul.

Figura 10. Teora Aditiva del color

17

Chuvieco en su libro, Fundamentos de Teledeteccin Espacial, nos propone que la combinacin de


bandas con menor correlacin nos puede dar mejores resultados en cuanto a la diferenciacin de
elementos e identificacin de los mismos. Las composiciones a color se realizan para identificar
diferentes elementos predominantes en la cobertura y se ajustan de tal forma que al momento de
interpretar esta informacin su visualizacin sea ms acertada. Por tal razn a continuacin se
presentan las combinaciones de bandas recomendadas segn la literatura.

453

543

Figura 11. Combinacin de color recomendada.

De acuerdo con los resultados obtenidos, de la menor correlacin entre bandas se presenta que se
pueden plantear los criterios de seleccin dados por Chuvieco, ya que se tiene una banda en el
espectro visible, una en el infrarrojo cercano y otra en el trmico.

Figura 12.
Composicin
RGB 7, 4, 1

18

De acuerdo con la composicin propuesta en la Figura 12. Se pueden interpretar algunos


elementos que requieren de una visualizacin inmediata, como las Tierras Eriales y bancos de
arena que a travs de esta combinacin se presenta de forma ms clara, para quin visualiza e
interpreta esta informacin. Esta composicin nos muestra que obtenemos una diferenciacin
entre el suelo desnudo y la vegetacin sana, adems que se puede diferenciar el estado de las
distintas especies de plantas. Los diferentes colores nos muestran que la combinacin de rojo y
verde, da como resultado el amarillo que permite identificar los suelos eriales, bancos de arena y
suelos desnudos.

Figura 13. Detalle de los bancos de arena a lo largo de un ro. En composicin 7, 4,1.

Figura 14. Detalle en el que se pueden diferenciar los estados de los cultivos y las zonas de
vegetacin herbcea natural. En composicin 7, 4,1.

19

Figura 15. Detalle en el que se diferencia el estado de la vegetacin natural herbcea.

INDICE DE VEGETACIN
m. Teniendo en cuenta las firmas espectrales tericas escoger una banda infrarroja y una
visible, en las cuales exista mayor separacin en la firma espectral de vegetacin sana, y
realizar y explicar un ndice de vegetacin. Utilizando la aplicacin Raster Calculator.

Figura 16. Vegetacin a partir del clculo raster entre dos bandas.(zonas en color blanco)

20

La Figura 16 muestra zonas en blanco y negro, que nos permiten identificar las zonas con y sin
presencia de vegetacin, ya que se hace una operacin (raster calculator) en la que se toman dos
bandas, para este caso la banda 5 se divide sobre la banda 3, con un factor de normalizacin de
50, mostrando las zonas en que el espectro es sensible a la clorofila presente en las plantas (zonas
mostradas en blanco), y el color negro presenta las reas en las que no existe cobertura vegetal.
Aunque tambin al realizar esta operacin se encuentra que las zonas con presencia de nubes,
cuerpos de agua y zonas de construccin se presentan en color negro.

INDICE DE SUELO HUMEDAD


n. Teniendo en cuenta las firmas espectrales tericas obtenidas escoger una banda infraroja
y una visible, en las cuales exista mayor separacin en las firmas espectrales del suelo y
cuerpos de agua, y realizar y explicar un ndice de suelo- humedad. Utilizando la aplicacin
Raster Calculator.
Para calcular un ndice de suelo-humedad, se toma la banda 3 y se divide en la banda 5, con un
factor de normalizacin de 50, obteniendo los resultados mostrados en la Figura 17, en donde las
zonas en blanco presentan las reas en las que existen construcciones y/o zona urbana, y tambin
presenta zonas en donde se evidencia la presencia de cuerpos de agua con turbidez, y todas
aquellas reas en donde existe presencia de tierras eriales o descubiertas. Mientras tanto en las
reas mostradas en color negro se evidencia que no se presentan construcciones, es decir que
podemos deducir que son zonas con cobertura vegetal, tal y como se muestra en la Figura 17:

21

Figura 17. Suelo y Cuerpos de agua con alto contenido de sedimentacin a partir del clculo raster
entre dos bandas. (Zonas en color blanco)

CLASIFICACIN NO SUPERVISADA

o. En la imagen se adicionan 3 canales de 8 bits en la base de datos .pix

Figura 18. Clasificacin no supervisada (algoritmo Kmeans)

22

p. Realizar las 3 clasificaciones no supervisadas, propuestas en el respectivo mdulo de


Geomatic Focus, teniendo en cuenta las mismas coberturas, de la primera parte del taller,
pero incluyendo una ms: 1. Construcciones, 2. Cultivos y parcelas, 3. Vegetacin Natural
herbcea, 4, bosques y Montes, 5. Cuerpos de Agua, 6. Tierras Eriales, 7. Sombras, y 8.
Nubes.
A continuacin (Figura 18.a) se muestran las imgenes con los tres mtodos de clasificacin, en
donde se presentan las clases (16 grupos) tal cual las arroja el programa, y ms adelante se
muestran las imgenes con la clasificacin propuesta (8 coberturas).

Imagen: CNS: mtodo K-Means

Imagen: CNS: mtodo Fuzzy K-Means

Imagen: CNS: mtodo Iso Data


Figura 18.a: Clasificacin No supervisada con los tres algoritmos empleados.

23

La clasificacin de una imagen digital, consiste en identificar y categorizar los datos contenidos en
sta utilizando los mtodos estadsticos y, para este caso (utilizando PCI Geomatics), aplicar tres
algoritmos como los son el K-Means, el Fuzzy K-Means y el Iso Data, en donde se definen valores
de color a los diferentes niveles de gris ya definidos en la imagen, en estas clases se representan
los distintos tipos de coberturas en intervalos de color asignados a los niveles tericos.

Construcciones

Cultivos y Parcelas

Vegetacin Natural Herbcea

Bosques y Montes

Cuerpos de Agua

Tierras eriales

Sombras

Nubes

1.

2.

3.

4.

5.

6.

7.

8.

COBERTURAS

q. Analizar los resultados de las tres clasificaciones y explicar cualitativa y cuantitativamente.


Cul es la mejor?
En el mtodo de Clasificacin No Supervisada se buscan automticamente los valores espectrales
que sean homogneos en la imagen, por herramientas automticas que se definen en los clculos
matemticos y estadsticos de los valores de niveles digitales propios de cada imagen. Al aplicar los
tres algoritmos (que son de agrupamiento) presentes, se muestra que cada mtodo agrupa de
forma diferente los valores de pixel en las clases calculadas. Estas tcnicas son diseadas para
realizar una clasificacin asignando patrones a grupos (clustres) de tal forma que cada grupo sea
ms o menos homogneo y distinto de los dems, como se muestra a continuacin:
K-Means tiene como objetivo la particin de un conjunto n, en k grupos en el que cada
observacin pertenece al grupo ms cercano a la media. Adems tiende a encontrar grupos de
extensin espacial comparable.
Fuzzy K-Means es un mtodo estadsticamente ms formalizado en el que se descubren grupos
suaves en un momento determinado, en el que se puede pertenecer a ms de un grupo con cierta
probabilidad.
Iso Data es un algoritmo que como en el K-Means los patrones se procesan repetidamente y en
cada iteracin se asignan al grupo ms cercano. Incorpora una serie de heursticas con el objeto
de: eliminar agrupamientos poco numerosos, mezclar agrupamientos cercanos y dividir
agrupamientos dispersos.

24

En la Figura 19, se presenta la clasificacin propuesta, empleando el algoritmo K.Means, de


acuerdo a las 8 coberturas base, encontrando algunos inconvenientes en la clasificacin de
sombras, puesto q en esta clasificacin tienen la misma respuesta espectral que los cuerpos de
agua. Este tipo de clasificacin presenta 16 clases de las que se compilan en 8 para este ejercicio.
Encontrando que las nubes se presentan en 6 clases diferentes.

Figura 19. Clasificacin No Supervisada. (Algoritmo K-Means)

En la Figura 20, se muestra la clasificacin de acuerdo con el algoritmo Fuzzy K.Means, empleando
las coberturas base, y encontrando que para este algoritmo se presenta que la respuesta espectral
en las zonas de suelo descubierto o zona de construcciones es muy parecida a las nubes; y las
reas con presencia de sombras tienen una respuesta similar a los cuerpos de agua. Empleando
este algoritmo se puede decir que este nos permite distinguir los diferentes tipos de vegetacin
presentes en la imagen, y conocer el estado de esta cobertura.

25

Figura 20. Clasificacin No supervisada. (Algoritmo Fuzzy K-Means)

En la Figura 21, se presenta la clasificacin de la imagen empleando el mtodo Iso Data, en el que
se hace un poco complicada la clasificacin ya que el tipo de respuesta presentada por las sombras
sigue siendo muy parecida a los cuerpos de agua, y se hace dispendioso agrupar las coberturas en
ms de una clase para poder establecer bien los rangos en los que se definen estas coberturas.
Para obtener una buena clasificacin se hace necesario conocer la respuesta espectral que tiene
cada cobertura y definir cual es la clase, al aplicar los algoritmos de clasificacin, que representa
mejor las zonas que se quieren identificar.

Figura 20. Clasificacin No Supervisada. (Algoritmo Iso Data)

26

Aunque en los tres algoritmos no se hace ninguna diferencia de las reas que presentan sombras
con los cuerpos de agua, El Algoritmo Iso Data presenta un mejor comportamiento en cunto a
que se puede considerar como una evolucin del mtodo ms simple K-Means, que mantiene el
nmero de grupos constante al no incorporar ninguna etapa de difusin o disgregacin. Una vez
alcanzadas las condiciones de finalizacin del algoritmo, lo que se obtiene son una serie de grupos
de pixeles que son espectralmente homogneos. La principal desventaja de estos tres mtodos
radica en que se requiere de una identificacin previa de la zona de estudio para identificar los
elementos segn las clases proporcionadas. Este es su principal inconveniente puesto que las
relaciones que se encuentran entre clases espectrales no podrn aplicarse a otras zonas. Por otro
lado tiene la ventaja de detectar las clases de coberturas presentes en la imagen de acuerdo a su
respuesta espectral.

CLASIFICACIN SUPERVISADA

r. Adicionar 4 canales de 8 bits, a la base de datos [.pix] y realizar tres de las clasificaciones
supervisadas que se manejan en el respectivo mdulo de Geomatics Focus, teniendo en
cuenta las mismas coberturas utilizadas en la clasificacin no supervisada:

Figura 21. Asignacin de cuatro canales e Imagen con la que se tomaran las muestras.
Composicin RGB: 4, 5, 3.

27

La clasificacin Supervisada requiere que el analista de las imgenes tome muestras (entrene al
programa de computadora) sobre cmo reconocer un conjunto de pixeles con seales
caractersticas muy semejantes.
A continuacin, en las figuras se muestran los componentes estadsticos que nos permitirn
identificar la calidad de las muestras tomadas en la imagen.
Bhattachayya Distance

Menor correlacion Scatter Plot

Transformed Divergence

Firmas Espectrales

Histograma por banda

Figura 22. Tablas de informes estadsticos para identificar la calidad de las muestras.

Es importante reconocer que segn la teora podemos tomar como las mejores bandas para
realizar este tipo de Clasificacin, las que presentan menor correlacin entre s. Ya que nos
permiten diferenciar de una manera ptima y efectiva los elementos que queremos clasificar (las
ochos coberturas propuestas para el desarrollo del taller).

28

En la tabla se presentan las coberturas propuestas para asignar por muestras las coberturas
presentes en la imagen, asignando estos colores de la siguiente forma:

Construcciones

Cultivos y Parcelas

Vegetacin Natural Herbcea

Bosques y Montes

Cuerpos de Agua

Tierras eriales

Sombras

Nubes

1.

2.

3.

4.

5.

6.

7.

8.

COBERTURAS

s. Analizar los resultados de las tres clasificaciones y explicar cualitativa y cuantitativamente


cul es la mejor?
La Clasificacin Supervisada comprende tres elementos:
-

La seleccin del rea de entrenamiento.


La Clasificacin de los elementos.
El anlisis pos clasificacin y evaluacin de la exactitud.

Quin realiza el anlisis determina el plan de clasificacin ms apropiado para cumplir con los
objetivos y aplica su conocimiento del sitio de inters durante la ejecucin de este proceso.
En cuanto a la seleccin del rea de entrenamiento se debe evitar que los pixeles de los bordes
contengan retro-reflexin combinada de mltiples objetos, es decir espacios en blanco. Adems se
debe evitar las inconsistencias dentro del rea de la muestra, tales como carreteras o coberturas
intermitentes que puedan alterar la seleccin.
Cuando se definen las reas de entrenamiento, stas se utilizan para generar la estadstica de la
seal ms caracterstica para cada clase identificada. En estas estadsticas se pueden ver las
particularidades de cada clase, es decir podemos identificar su promedio y la matriz covarianza de
la misma.
Durante la clasificacin se utilizan diferentes estrategias de clasificacin que corresponden en que
cada pixel se compara con cada una de las caractersticas de la clase definida; por lo tanto el
programa ejecuta una comparacin de la muestra con la informacin contenida en la imagen,
mediante el algoritmo de clasificacin predeterminado, que para este desarrollo del taller se hace
con: Mxima Verosimilitud, Paralelpedos y Mnima distancia; presentados a continuacin.

29

Una vez que el pixel ha sido asignado a una clase, se le asigna el valor de la clase en la celda
correspondiente a la imagen clasificada, de tal forma que para el desarrollo de esta parte del taller
se toma la misma muestra, y a partir de ella se aplican los tres mtodos de clasificacin
supervisada, propuestos:
Mxima Verosimilitud (Maximum Likelihood): El uso de este clasificador supone que las
estadsticas de entrenamiento para cada clase tienen una distribucin normal o gaussiana,
empleando estas estadsticas para calcular un valor de probabilidad que indica si pertenece o no a
una clase o categora particular de cobertura sobre la superficie terrestre. En la Figura 23 se
muestra la clasificacin empleando este mtodo en el que se ve un acercamiento ms real de las
zonas de cobertura propuestas en los rangos de clasificacin.

Figura 23. Clasificacin Supervisada Aplicando el mtodo de Mxima verosimilitud.

Paraleleppedo (Parallelpiped): Este clasificador suele utilizarse cuando se tiene disponibilidad de


imgenes multibanda, adems que presenta ms sensibilidad a la variancia dentro de una clase, ya
que el algoritmo considera una variedad de valores dentro de cada categora del conjunto de
entrenamiento, denotando el valor mximo y el valor mnimo para cada banda de la imagen.
Comparndolo con el clasificador de Mnima distancia, los lmites en este clasificador definen una

30

pequea regin de decisin con una clara divisin de clases. En la Figura 24, se presenta la
Clasificacin Supervisada aplicando este mtodo en donde se puede observar que aparecen zonas
clasificadas como nubes en reas que corresponden a otra cobertura. De tal forma que se
presentan errores al aplicar este mtodo a la imagen.

Figura 24. Clasificacin Supervisada aplicando el mtodo de Paraleleppedos

Mnima Distancia (Minimum Distance): Este clasificador verifica la distancia entre la clase a
clasificar con el centro de masa de las clases, quedndose con la distancia menor. Este clasificador
puede ser de bajo rendimiento si algunas clases poseen gran dispersin y otras no, presentes en la
misma clasificacin. Se utiliza cuando las desviaciones tpicas de los elementos de una clase
difieren menos del 10% de su medida. Aunque tiene el inconveniente de no tener en cuenta la
variabilidad interna de cada clase, lo que hace posible que existan puntos que perteneciendo a
una clase que presente cierta varianza sean asignados a otra de menor varianza pero cuyo
resultado resulta ms cercano. Para evitar esto, algunos autores proponen usar definiciones de
distancia que consideren de alguna manera la variabilidad de las muestras. En la Figura 25, se
muestra este mtodo de clasificacin, observando que presenta una buena clasificacin en los
elementos de la cobertura propuesta

31

Figura 25. Clasificacin Supervisada aplicando el mtodo de Mnima distancia.

t.

Teniendo en cuenta la mejor clasificacin no supervisada y la mejor clasificacin


supervisada, explicar Qu ventajas y desventajas tiene la no supervisada respecto de la
supervisada? Y Por qu fueron los mejores algoritmos utilizados para las mejores
clasificaciones?

Es importante recopilar informacin sobre la zona de estudio antes de iniciar un proceso de


clasificacin, pues dicha informacin nos permite determinar cul es la mejor forma de abordar la
clasificacin. Puede resultar conveniente contar con informacin del tipo de cobertura vegetal
presente en la imagen que nos ayuda a identificar ms claramente el comportamiento espectral
de cada banda sobre estos elementos.
El mtodo de Clasificacin Supervisada es mucho ms preciso y consistente, debido a que al tomar
muestras de cada clase e identificar las categoras necesarias, la clasificacin resulta ms puntual
al momento en el que el programa realiza esta operacin, asignando dicha muestra a los niveles
digitales del resto de la imagen y llevndolos a las coberturas definidas.
A continuacin se presenta una tabla comparativa, en la que se muestran aspectos tanto de la
Clasificacin No Supervisada como de la Clasificacin Supervisada, identificando las principales
ventajas y desventajas entre estos dos mtodos de clasificacin.

32

CLASIFICACIN NO SUPERVISADA

CLASIFICACIN SUPERVISADA

La Clasificacin No Supervisada no
necesita reas de entrenamiento, ni que
quin realiza el anlisis tenga
conocimientos de la zona que recubre la
imagen, puesto que se hace de manera
automtica por el programa.

La clasificacin supervisada requiere que


el analista de las imgenes, identifique
previamente el comportamiento de las
coberturas sobre las cuales va a realizar
la clasificacin.

Crea agrupaciones naturales que estn


presentes en los valores de la imagen.
Supone que los valores con niveles de
gris, parecidos o semejantes pertenecen
al mismo tipo de cobertura.

Comprende tres elementos:


Seleccin del rea de entrenamiento
Clasificacin previa de las coberturas
Anlisis pos clasificacin y evaluacin de
la exactitud.

El analista determina el plan de


clasificacin ms apropiado para cumplir
El analista debe determinar la identidad
con los objetivos y aplica su
de las agrupaciones espectrales definidas conocimiento del sitio durante el
por el programa de computador.
proceso de entrenamiento
(identificacin de las coberturas de la
imagen)

De acuerdo a los tres mtodos de


clasificacin:
El que presenta un mejor
comportamiento es el algoritmo de Iso
Data.

El mtodo de clasificacin supervisada


que presenta el mejor comportamiento
es el de Mnima distancia.

La finalidad de este tipo de clasificacin


es el descubrimiento de grupos de
objetos (clases) cuyas caractersticas
afines nos permiten identificar las
diferentes coberturas.

Ya que se cuenta con conocimiento


previo de los elementos contenidos en la
imagen, se hace ms fcil la tarea de
asignacin de clases a las coberturas.

33

CONCLUSIONES

Dentro del aprendizaje automtico, encontramos tcnicas de clasificacin que nos permiten
agrupar muestras de acuerdo a criterios o mtodos, estas tcnicas son la clasificacin supervisada
y la no supervisada.
El objetivo de la clasificacin dentro del aprendizaje automtico consiste en la asignacin de un
objeto o un fenmeno fsico a una de las diversas categoras o clases especificadas (se hace
referencia a clase como una agrupacin de objetos que tiene caractersticas comunes, o mejor
dicho como un sinnimo de categora). La clasificacin es una tcnica muy til, usada en diversos
campos como el de reconocimiento de patrones.
La correcta seleccin de clases para la identificacin de coberturas, nos permite tener un
conocimiento ms amplio de la zona de estudio y del comportamiento que los elementos
presentes en la imagen tienen con respecto a las bandas en las que se captura la informacin
espectral.
La seleccin de los algoritmos de clasificacin de las diferentes coberturas en un rea
determinada, depende de las necesidades del estudio que se requiera practicar, y de la precisin
tanto temtica como de las funciones matemticas empleadas en este proceso.
Toda la informacin que se puede recopilar o que incluso, se puede obtener de la misma imagen
obtenida por el sensor, debe estar encaminada a facilitar la deteccin de las distintas clases para
mejorar la interpretacin de las coberturas presentes en dicha imagen.

REFERENCIAS BIBLIOGRAFICAS

[1]
Lira Chvez Jorge, TRATAMIENTO DIGITAL DE IMAGENES MULTIESPECTRALES. Universidad
Nacional Autnoma de Mxico. Instituto de Geofsica, Editado en Mxico. Segunda Edicin. 2010.
[2]
Chuvieco Emilio, Fundamentos de Teledeteccin Espacial. Ediciones RIALP, S.A. Coleccin:
MONOGRAFAS Y TRATADOS GER. Primera edicin. Madrid, Espaa. 1990.
[3]
Herrera Escorcia Jos Luis, Videos Tutoriales: Tratamiento Digital de Imgenes.
Universidad Distrital Francisco Jos de Caldas. MCIC. 2013.
Fuente: [http://www.screencast.com/users/joseluis66/folders/MCIC]

34

INFOGRAFA

[4]

Gobernacin del Meta, (Villavicencio).


Fuente: [http://www.villavicencio.gov.co]

[5]

Imgenes Satelitales LANDSAT


Fuente: [http://www.imagenesgeograficas.com/Landsat.html]

[6]

The Enhanced Thematic Mapper Plus


Fuente: [http://landsat.gsfc.nasa.gov/about/etm+.html]

35