Professional Documents
Culture Documents
PRESENTADO POR:
EDWIN LVARO CORTS CERN
20131395003
INGENIERO TOPOGRFICO
PRESENTADO A :
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
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.
rea de cobertura de
LANDSAT ETM+
Figura 1. Caracterizacin general del rea de estudio.
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
Fuente: http://landsat.gsfc.nasa.gov/about/etm+.html
Fuente: http://www.imagenesgeograficas.com/Landsat.html
Banda 4
Banda 5
Banda 7
Banda 6
Banda 8
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.
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.
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
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.
13
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.
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.
14
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
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:
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.
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.
17
453
543
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
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
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.
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
22
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
Bosques y Montes
Cuerpos de Agua
Tierras eriales
Sombras
Nubes
1.
2.
3.
4.
5.
6.
7.
8.
COBERTURAS
24
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
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.
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
Transformed Divergence
Firmas Espectrales
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
Bosques y Montes
Cuerpos de Agua
Tierras eriales
Sombras
Nubes
1.
2.
3.
4.
5.
6.
7.
8.
COBERTURAS
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.
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.
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
t.
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.
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]
[5]
[6]
35