clasificacion idrisi

22
 Clasificación de Cubiertas con IDRISI 0  CLASIFICACION de CUBIERTAS con IDRISI Ignacio Alonso Fernánd ez-Coppel Area de Ingeniería Cartográfica, Geodesia y Fotogrametría. Eliecer Herrero Llórente Area de Dasometría y Paisajismo Departamento de Ingeniería Agrícola y Forestal Escuela Técnica Superior de Ingeniarais Agrarias. Palencia. UNIVERSIDAD DE VALLADOLID

Upload: rober-romero

Post on 21-Jul-2015

311 views

Category:

Documents


0 download

TRANSCRIPT

Clasificacin de Cubiertas con IDRISI

CLASIFICACION de CUBIERTAS con IDRISI

Ignacio Alonso Fernndez-Coppel Area de Ingeniera Cartogrfica, Geodesia y Fotogrametra. Eliecer Herrero Llrente Area de Dasometra y Paisajismo Departamento de Ingeniera Agrcola y Forestal Escuela Tcnica Superior de Ingeniarais Agrarias. Palencia. UNIVERSIDAD DE VALLADOLID

0

Clasificacin de Cubiertas con IDRISI

0. - INDICE 0. - INDICE .........................................................................................................................................1 1. - CLASIFICACION SUPERVISADA ..........................................................................................21.1 IDENTIFICACION DE LAS ZONAS DE ENTRENAMIENTO .................................... 3 1.2 EXTRACCION DE LAS FIRMAS ESPECTRALES.................................................... 6 1.3 COMPARACION DE LAS FIRMAS ESPECTRALES ................................................ 8 1.4 EMPLEO DE CLASIFICADORES............................................................................ 111.4.1 CLASIFICADOR POR MINIMA DISTANCIA (mindist) ...................................11 1.4.2 CLASIFICADOR POR MAXIMA PROBABILIDAD (maxlike) ......................... 13 1.4.3 CLASIFICADOR POR PARALELEPIPEDOS (piped)............................................ 14

2. - CLASIFICACION NO SUPERVISADA .................................................................................15 SOFTWARE EMPLEADO..............................................................................................................21 BIBLIOGRAFIA ................................................................................................................................21 NOTAS..............................................................................................................................................21

1

Clasificacin de Cubiertas con IDRISI

1. - CLASIFICACION SUPERVISADA El proceso para realizar una clasificacin supervisada es el siguiente: 1. - Localizar zonas representativas de cada tipo de cubierta que puedan ser identificadas en la imagen (denominadas zonas de entrenamiento). 2. - Digitalizar polgonos alrededor de cada zona de entrenamiento, asignando un nico identificador a cada tipo de cubierta. 3. - Analizar los pixeles dentro de cada zona de entrenamiento y crear curvas de respuesta espectral (firma espectral) para cada tipo de cubierta. 4. - Clasificar la imagen entera comparando la firma de cada uno de los pixeles con cada una de las curvas de respuesta espectral conocidas, y asignando ese pixel al tipo de cubierta que tiene una firma espectral similar.

2

Clasificacin de Cubiertas con IDRISI

1.1 IDENTIFICACION DE LAS ZONAS DE ENTRENAMIENTO Nosotros vamos a clasificar la imagen correspondiente a la zona de los embalses (Camporredondo) en el norte de Palencia, para ello emplearemos la combinacin RGB falso color bandas -2,3,4-.Con ayuda de esta imagen identificaremos cada uno de los tipos de cubiertas existentes ya estas les asignaremos un nico identificador; y seleccionaremos dentro de cada cubierta una o ms zonas en la imagen. A/ Crea una lista de todos los tipos de cubiertas que identificas en la imagen, asigna un solo identificador para cada cubierta. Las zonas de entrenamiento se pueden digitalizar en cualquier orden pero los nmeros de los identificadores han de ir seguidos, de manera Que si tu tienes seis tipos de cubiertas diferentes tus identificadores irn del 1 al 6. Cubierta Agua (embalse) Suelo desnudo Conferas Frondosas Praderas Matorral Identificador 1 2 3 4 5 6

b/ Visualiza la imagen en falso color -2,3,4- (o si prefieres una vez que conoces los tipos de cubiertas visua1iza la imagen CAMP04 con paleta de Gris 256). Utiliza el icono que te permite digitalizar sobre la pantalla, para dibujar polgonos alrededor de tus zonas de entrenamiento. Esto se realiza de la siguiente manera: Realiza un zoom sobre la cubierta elegida (p.e. el agua).

3

Luego selecciona el icono para crear los vectores:

Clasificacin de Cubiertas con IDRISI

Crea un fichero vector llamado ZONAS, escoge crear polgonos, e introduce el identificador que t escogiste para el agua.

Ahora te aparecer un cursor. Muvelo al punto de inicio de tu zona de entrenamiento y presiona el botn de la izquierda del ratn. Luego mueve el cursor al prximo punto a lo largo de los lmi tes de la zona y presiona el botn izquierdo de nuevo (vers como una lnea se va formando). Los polgonos de las zonas de entrenamiento debern encerrar un rea homognea de cada tipo de cubierta, por lo tanto hay que evitar que la lnea encierre otro tipo de cubierta que no sea el agua. Continua digitalizando hasta que te encuentres justo antes de terminar los lmites de tu polgono y luego presiona el botn derecho del ratn. De esta manera terminas de digitalizar la zona de entrenamiento y te aseguras que los limites del polgono cierran perfectamente.

Si has cometido un error y no quieres salvar este polgono selecciona el icono de borrado:

4

Este icono borrara la ultima zona de entrenamiento que t has digitalizado.

Clasificacin de Cubiertas con IDRISI

Para la prxima zona de entrenamiento, selecciona de nuevo el icono de digitalizar sobre la pantalla. El programa te preguntar por un identificador para esta nueva zona. Introduce el mismo identificador si tu quieres digitalizar otro polgono alrededor del mismo tipo de cubierta. De no ser as introduce un nuevo identificador.

c/ Continua hasta que tengas digitalizando todas las zonas de entrenamiento para cada uno de los diferentes tipos de cubierta. Luego selecciona el siguiente icono:

Este icono salva el fichero vector ZONAS y luego lo visualiza en la imagen que estamos marcando las zonas de entrenamiento. El numero de pixeles que deben de ser marcados en cada zona de entrenamiento varan en funcin del tipo de cobertura que se esta designando, recomendndose: Siendo n el numero de bandas que tiene el sensor.

minimo : 6n

ideal : 10n

5

Clasificacin de Cubiertas con IDRISI

1.2 EXTRACCION DE LAS FIRMAS ESPECTRALES El tercer paso en el proceso es crear el fichero de firmas espectrales (curvas de respuesta espectral). El fichero de firmas contiene la informacin estadstica acerca de los valores de reflectancia de los pixeles incluidos dentro de cada conjunto de zonas de entrenamiento para cada tipo de cubierta Utiliza el mdulo MAKESIG, dentro del men de anlisis de imgenes.

Escoge el tipo de fichero que tiene las zonas de entrenamiento, en nuestro caso vector, fichero de las zonas de entrenamiento que hemos creado anteriormente, y da el nombre de tu fichero vector (ZONAS). Indica que siete bandas de una imagen van a ser procesadas y automticamente aparecern siete casillas en la pantalla. Escoje los nombres de las bandas que tu quieres analizar: CAMPO1, CAMPO2, CAMPO3, CAMP04, CAMPOS, CAMP06 y CAMPO7. Despus escoge continuar, e introduce cada uno de los nombres de las categoras de cubiertas del suelo en las casillas de entrada c sus on propios identificadores, en orden ascendente. Estos nombres de las categoras de cubiertas del suelo se emplearan como nombres de ficheros de firmas, por lo tanto deben seguir las nombres del sistema operativo MS-DOS (p.e. que tengan 8 caracteres o menos). Utiliza LIST en el men de ficheros para ver tus ficheros de firmas, y comprueba que todos ellos fueron creados. Si te has olvidado alguno repite el proceso descrito anteriormente y crea un nuevo fichero vector de zonas de entrenamiento y emplea MAKESIG de nuevo, nicamente con la categora que te has olvidado. Si realizas esta opcin crea un nuevo fichero de vectores, dndole otro nombre.

6

Clasificacin de Cubiertas con IDRISI

Los ficheros con terminacin *.SPF y los terminados en *.SIG, contienen la informacin estadstica de la firma espectral, su localizacin, los mximos y los mnimos encontrados en los recintos, puntos o lneas que componen la zona de entrenamiento. Los ficheros Zonas.DOC y Zonas.DVC contienen los vectores de la zona de entrenamiento marcada.

7

Clasificacin de Cubiertas con IDRISI

1.3 COMPARACION DE LAS FIRMAS ESPECTRALES Emplea SIGCOMP desde el men de anlisis de imgenes escoge ver l numero de ficheros de firmas que creaste, escribe sus nombres y escoge visualizar sus valores medios.

Plantate las siguientes preguntas a la vista de los valores medios de las firmas espectrales: Cul de las 7 bandas diferencia mejor la vegetacin?. Cul de las siete bandas crea mas confusin a la hora de distinguir cubiertas? Emplea de nuevo SIGCOMP pero esta vez escoge ver solo dos firmas, introduce sus nombres e indica que quieres ver sus valores mximos, mnimos y medios. Analiza si puede existir confusin para diferenciar ambos tipos de cubiertas.

8

Clasificacin de Cubiertas con IDRISI

-Cul de los dos tipos de firmas tiene ms variacin en sus valores de retlectancia dentro de todas las bandas? ;. Vamos a aprender algo ms acerca de los ficheros de firmas. Utiliza el mdulo EDITSIG desde el men de anlisis de imgenes. Escoge editar uno de los ficheros de firmas espectrales y ver el histograma de CAMPO1. Si tu ves que tu firma espectral posee una distribucin de tipo normal (gauss), nos puede sugerir que hemos seleccionado un conjunto de pixeles homogneos que representan a dicha firma. Si la firma posee una estructura bimodal (existen dos picos), puede significar que dos tipos de cubiertas, con un nico modelo de respuesta espectral, han sido incluidas en la misma zona de entrenamiento. Otros extremos que veamos que no pertenecen a la curva principal, nos pueden indicar que nuestras zonas de entrenamiento no son homogneas.

9

Ejemplo de curva normal:

Clasificacin de Cubiertas con IDRISI

Ejemplo de curva bimodal:

Para la misma firma espectral que has elegido visualiza los histogramas, en orden, de cada una de las bandas. Date cuenta de como cambian los valores de reflectancia a travs de las bandas. Emplea EDITSIG de nuevo, y escoge editar alguna de las otras firmas espectrales. Analiza los resultados.

10

Clasificacin de Cubiertas con IDRISI

1.4 EMPLEO DE CLASIFICADORES El cuarto y ltimo paso del proceso, consiste en comparar el valor de cada uno de los pixeles de nuestra imagen en cada una d las siete bandas, con cada uno de los e ficheros de firmas que hemos creado. El pixel es luego asignado al tipo de cubierta que tiene una firma similar. Las tcnicas estadsticas que realizan este proceso se denominan clasificadores; a continuacin vamos a crear imgenes clasificadas con los tres tipos de clasificadores de los que dispone IDRISI. 1.4.1 CLASIFICADOR POR MINIMA DISTANCIA (mindist) El primer clasificador es el de "mnima distancia". Este clasificador calcula la distancia de los valores de reflectancia de los pixeles a la curva espectral de cada uno de los ficheros de firmas, y luego el asigna el pixel a la categora ms cercana a la media. Existen dos formas de calcular la distancia con este clasificador: . - El primero calcula la distancia Euclidea o directa - El segundo calcula la distancia normalizada en funcin del menor numero de desviaciones estndar. Para emplear el clasificador de mnima distancia selecciona el modulo MINDIST e indica el nmero de todas las firmas espectrales que has creado, escoge la opcin Euclidea o "RAW", y calcula infinitas distancias. Llama al fichero de salida MIN-1 e introduce los nombres de tus ficheros de firmas:

11

Continua a la prxima ventana de dilogo y mantn todas las bandas seleccionadas para el anlisis:

Clasificacin de Cubiertas con IDRISI

Visualiza MIN-1 con la leyenda y la paleta cualitativa de 16 colores, (QUAL16). Vamos a emplear de nuevo MINDIST pero esta vez vamos a escoger la opcin de distancia normalizada, introduce como unidades la desviacin estndar normalizada y llama al resultado MIN-2. Visualiza la imagen resultante de igual manera que la anterior.

12

Clasificacin de Cubiertas con IDRISI

1.4.2 CLASIFICADOR POR MAXIMA PROBABILIDAD (maxlike) El prximo clasificador que emplearemos es el de mxima probabilidad. Este clasificador evala, en funcin de La teora estadstica Bayes. La probabilidad de que un pixel dado pueda pertenecer a una categora, y clasifica el pixel a La categora con La mayor probabilidad de Pertenecer a el. Emplea el mdulo MAXLIKE. Indica las firmas espectrales que sern clasificadas e introduce sus nombres. Escoge clasificar todos los pixeles, y elige dar un peso igual (p.e., tener igual probabilidad) a cada clase. Llama al resultado MAX.

El mtodo de mxima probabilidad es el ms lento de las tcnicas, pero si las zonas de entrenamiento estn bien elegidas es el ms exacto. Visualiza MAX con una leyenda.

13

Clasificacin de Cubiertas con IDRISI

1.4.3 CLASIFICADOR POR PARALELEPIPEDOS (piped) Finalmente, vamos a ver el clasificador de paraleleppedos. Este clasificador crea "cajas" (paraleleppedos) alrededor de los valores de reflectancia mximo y mnimo dentro de las zonas de entrenamiento. Si un pixel dado cae dentro de la "caja", es asignado a esa categora. Es el clasificador ms rpido, pero es sin embargo el que realiza las clasificaciones ms incorrectas. Utiliza el mdulo PIPED e introduce siempre los nombres de todas las firmas espectrales, llama al resultado PIPEORIG y visualiza con una leyenda y la paleta cualitativa de 16 colores.

Luego emplea EDITSIG para redefinir los valores mnimo y mximo para cada firma, eliminando los valores extremos de cada una de las firmas espectrales. El mdulo EDITSIG se utiliza frecuentemente junto al clasificador paraleleppedo, ya que este mtodo de clasificacin es muy sensible a los valores extremos, mnimo y mximo, registrados en cada una de las firmas espectrales. (Ten en cuenta que EDITSIG calcula las estadsticas de las firmas espectrales despus de editarlas. Si vas a emplear cualquiera de los otros clasificadores ms tarde, utiliza de nuevo EDITSIG para recalcular los valores mnimo y mximo). Compara cada una de las clasificaciones que has creado: MAX, RAW, MIN-1, MIN-2, PIPEORIG y PIPEEDIT, para determinar cual es el clasificador que mejor determina las coberturas analizadas. Como nota final, considera lo siguiente. Si tus zonas de entrenamiento son muy buenas, el clasificador de mxima probabilidad debera producir el mejor resultado. Sin embargo cuando las zonas de entrenamiento no estn bien definidas los resultados que ofrece son muy pobres. En estos casos el clasificador de mnima distancia con la opcin de distancia normalizada ofrece mucho mejor resultado. El clasificador paraleleppedo raramente funciona bien, y se ha incluido aqu con fines didcticos. 14

Clasificacin de Cubiertas con IDRISI

2. - CLASIFICACION NO SUPERVISADA Dentro del anlisis entre los valores digitales entre las bandas existe un anlisis bidimensional, tridimensional o n-dimensional entre las respuestas del sensor. Si comparamos los niveles digitales entre 2 bandas, bidimensional, en este caso entre la banda 3 y la banda 4 de la imagen LANDSAT, y disponemos estos valores en un sistema cartesiano, se crea el llamado escatergrama:

En el que se representa el nivel digital de cada una de las bandas en los ejes x e y , y en color el histograma de frecuencias.

15

Este anlisis crea una serie de formas especificas dependiendo del contenido de la imagen y la relacin entre bandas mostrada:

Clasificacin de Cubiertas con IDRISI

Estos escatergramas pueden ser empleados para hacer clasificacin supervisada en otros programas al importar sobre ellos regiones de inters, zonas de entrenamiento, y volcar sobre la imagen la importacin de las zonas de entrenamiento, buscando sobre la imagen las respuestas espectrales de las zonas de entrenamiento y localizando reas de igual respuesta.

16

El anlisis tridimensional consiste en el anlisis a la vez de los niveles digitales de la imagen dispuestos en un sistema tridimensional:

Clasificacin de Cubiertas con IDRISI

La clasificacin no supervisada consiste en la clasificacin de la imagen por mtodos estadsticos, en los que se agrupan en conglomerados las distintas coberturas del terreno. El modulo que activa la clasificacin no supervisada en Idrisi es el modulo CLUSTER. El modulo cluster nicamente acta sobre imgenes compuestas, previamente tratadas con COMPOSIT, recomendndose un tratamiento previo de la imagen con una saturacin lineal del histograma, obtenindose resultados ideales con una saturacin entre el 1 y el 2.5%:

17

Clasificacin de Cubiertas con IDRISI

La divisin de los conglomerados se realiza por el mtodo de PICOS, consistente en la divisin de los mismos en funcin de los picos existentes en el histograma, generndose una clase por pico y dividindose las clases en el punto medio entre cada dos picos:

El modulo CLUSTER solicita el nombre de la imagen compuesta, el numero de conglomerados a crear, el nombre de la imagen a crear, y opcionalmente el tratamiento fino del histograma (recomendado). El modulo cluster es por tanto un anlisis tridimensional, ya que en la creacin del histograma que interviene en la creacin de los conglomerados y el estudio de los picos existentes en el, intervienen los niveles digitales de tres bandas.

18

Con dos cluster:

Clasificacin de Cubiertas con IDRISI

Con cinco cluster:

19

Con diez cluster:

Clasificacin de Cubiertas con IDRISI

Con quince cluster:

20

Clasificacin de Cubiertas con IDRISI

SOFTWARE EMPLEADO Idrisi for Windows ENVI 3.0 ERMAPPER 6.1 Snap it MGI Photosuite 8.06A WORD (OFICCE) BIBLIOGRAFIA

NOTAS Si detecta la existencia en esta publicacin de una imagen o contenido que no debiera estar publicado por pertenecer a otro autor, comunquelo a Ignacio Alonso Fernndez-Coppel y ser retirada inmediatamente. Ruego a los usuarios y lectores, con objeto de mejorar la publicacin, comuniquen al autor los errores, comentarios, sugerencias, dudas, aclaraciones y en general todo aquello que consideren oportuno, para lo cual mi direccin de correo es: [email protected] Ultima Revisin: Diciembre de 2001

21