desarrollo de una metodologÍa de clasificaciÓn...
TRANSCRIPT
DESARROLLO DE UNA METODOLOGÍA DE CLASIFICACIÓN SEMIAUTOMÁTICA DE
FORMAS DEL RELIEVE EN LA GEOGRAFÍA COLOMBIANA BASADO EN
CLASIFICACIÓN DE OBJETOS
PRESENTADO POR:
JEYMMI JOHANNA CASTAÑEDA SUA
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
2016
DESARROLLO DE UNA METODOLOGÍA DE CLASIFICACIÓN SEMIAUTOMÁTICA DE
FORMAS DEL RELIEVE EN LA GEOGRAFÍA COLOMBIANA BASADO EN
CLASIFICACIÓN DE OBJETOS
PRESENTADO POR:
JEYMMI JOHANNA CASTAÑEDA SUA
DIRECTOR:
PhD. RUBÉN JAVIER MEDINA DAZA
TRABAJO DE GRADO PARA OPTAR AL TITULO DE MAGÍSTER EN CIENCIAS DE LA INFORMACIÓN Y
LAS COMUNICACIONES
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
2016
Tabla de contenido Pag
RESUMEN ............................................................................................................................................... 8
1. INTRODUCCIÓN.............................................................................................................................. 1
2. JUSTIFICACIÓN ............................................................................................................................... 2
2.1 Definición del Problema............................................................................................................. 3
2.2 Pregunta de Investigación ......................................................................................................... 3
3. OBJETIVOS ...................................................................................................................................... 4
3.3 Objetivo general ........................................................................................................................ 4
3.4 Objetivos específicos ................................................................................................................. 4
4. ALCANCE ........................................................................................................................................ 5
4.1 Resultados Esperados ................................................................................................................ 5
5 MARCO TEÓRICO ........................................................................................................................... 6
5.1 Clasificación de Imágenes Basada En Objetos ........................................................................... 6
5.1.1 Segmentación de Imágenes ................................................................................................... 7
5.1.2 Selección de Atributos ......................................................................................................... 10
5.2 Geomorfología Básica ............................................................................................................. 12
5.3 Validación de La Clasificación de Imágenes ............................................................................. 14
5.3.1 Matriz de Confusión ............................................................................................................. 14
5.3.2 Coeficiente de Validación Kappa ......................................................................................... 15
6 TRABAJOS RELACIONADOS .......................................................................................................... 16
6.1 Antecedentes ........................................................................................................................... 16
6.2 Casos de Estudio Relacionados ................................................................................................ 17
6.3 Aspectos Principales de La Revisión de Literatura ................................................................... 19
7 DEFINICIÓN DEL CASO DE ESTUDIO ............................................................................................. 20
7.1 Principales Geoformas de La Geografía Colombiana............................................................... 20
Pag
7.2 Clases Objetivo Para El Problema de Clasificación .................................................................. 21
7.3 Caso de Estudio ........................................................................................................................ 27
7.3.1 Localización Geográfica ....................................................................................................... 27
7.3.2 Conjunto de Datos Para La Clasificación .............................................................................. 28
8 METODOLOGÍA DE CLASIFICACIÓN ............................................................................................. 29
8.1 Modelado del proyecto ........................................................................................................... 32
8.1.1 Análisis de Requerimientos ................................................................................................. 32
8.1.2 Diagrama Conceptual........................................................................................................... 35
8.1.3 Diagrama de Actividades ..................................................................................................... 35
9 PRUEBAS Y RESULTADOS ............................................................................................................. 37
9.1 Diseño del Experimento ........................................................................................................... 37
9.1.1 Identificación de Factores, Niveles y rangos........................................................................ 37
9.1.2 Procedimiento del Experimento .......................................................................................... 39
9.1.3 Diseño Experimental ............................................................................................................ 40
9.2 Análisis de Escala ..................................................................................................................... 41
9.3 Parámetros Derivados del Modelo Digital de Elevación.......................................................... 42
9.3.1 Parámetros de Primer Orden ............................................................................................... 42
9.3.2 Parámetros de Segundo Orden ........................................................................................... 45
9.4 Segmentación de La Imagen .................................................................................................... 48
9.5 Clasificación de La Imagen ....................................................................................................... 54
9.6 Clasificación Propuesta Metodológica Para El Desarrollo de La Cartografía Geomorfológica
Para Zonificación Geomecánica. .......................................................................................................... 60
9.7 Evaluación de Resultados y Exactitud. ..................................................................................... 63
10 CONCLUSIONES Y TRABAJO FUTURO ....................................................................................... 69
10.1 Conclusiones ............................................................................................................................ 69
10.2 Trabajo Futuro ......................................................................................................................... 71
BIBLIOGRAFÍA ...................................................................................................................................... 72
Índice de Anexos
Pag
ANEXO 1 ............................................................................................................................................... 78
GLOSARIO DE TERMINOS ..................................................................................................................... 78
ANEXO 2 ............................................................................................................................................... 80
ESPECIFICACIÓN DE CASOS DE USO ..................................................................................................... 80
ANEXO 3 ............................................................................................................................................... 84
APLICATIVO PARA LA APLICACIÓN DE LA METODOLOGIA DE CLASIFICACION DE IMÁGENES USANDO
EL RULE SET. ......................................................................................................................................... 84
Índice de Figuras Pag
Figura 1 Agrupación de los métodos de segmentación según la técnica usada. .................................. 8
Figura 2 Método de Varianza Local. ................................................................................................... 10
Figura 3 Esquema de jerarquización geomofologica propuesta por Carvaja (1999) ........................... 21
Figura 4 Definición de geoformas de origen estructural objeto de estudio. Fuente: elaboración
propia adaptado de [13]. ..................................................................................................................... 23
Figura 5 Definición de geoformas de origen fluvial objeto de estudio. Fuente: elaboración propia
adaptado de [13]. ................................................................................................................................ 24
Figura 6 Definición de geoformas de origen fluvial objeto de estudio. Fuente: elaboración propia
adaptado de [13]. ................................................................................................................................ 25
Figura 7 Definición de geoformas de origen glciar objeto de estudio. Fuente: elaboración propia
adaptado de [13]. ................................................................................................................................ 26
Figura 8 Esquema básico del área de estudio división departamental y esquemas ........................... 27
Figura 9 Esquema área de estudio con base en grilla 1:25.000 origen Bogotá. .................................. 27
Figura 10 Vista en formato 3D modelo digital de elevación STRM resolución 90m. .......................... 28
Figura 11 Diagrama general de la metodología de clasificación de imágenes aplicado. .................... 29
Figura 12 Actividades fase de análisis. ................................................................................................. 30
Figura 13 Actividades fase de diseño. .................................................................................................. 31
Figura 14 Actividades fase de clasificación. ......................................................................................... 31
Figura 15 Actividades fase de análisis y evaluación de resultados. ..................................................... 32
Figura 16 Casos de uso generales. ....................................................................................................... 33
Figura 17 Casos de uso clasificación de imágenes basado en objetos. ............................................... 34
Figura 18 Diagrama conceptual. .......................................................................................................... 35
Figura 19 Diagrama de actividades. ..................................................................................................... 36
Figura 20 Esquema de unidad experimental dentro de una hoja escala 1:25000. ............................. 37
Pag
Figura 21 Esquema del experimento. .................................................................................................. 39
Figura 22 Procedimiento planteado para el desarrollo del experimento. .......................................... 40
Figura 23 Localización área de estudio Proyecto compilación y levantamiento de la información .... 42
Figura 24 Resultado de la pendiente en grados para el modelo digital de elevaciones STRM. .......... 43
Figura 25 Resultado del aspecto para el modelo digital de elevaciones STRM. ................................. 44
Figura 26 Resultado del mapa de sombras azimut 315° y 135° para el modelo digital de elevaciones
STRM. ................................................................................................................................................... 45
Figura 27 Resultado del mapa de curvaturas para el modelo digital de elevaciones STRM análisis de
curvatura. ............................................................................................................................................. 46
Figura 28 Resultado del mapa de perfil de curvaturas para el modelo digital de elevaciones STRM
análisis de curvatura. ........................................................................................................................... 47
Figura 29 Resultado del mapa de curvaturas planas o plataforma de curvatura para el modelo
digital de elevaciones STRM análisis de curvatura. ............................................................................. 48
Figura 30 Grafica de la varianza local y ROC vs parámetro calculado para la imagen Strm de la zona
de estudio. ........................................................................................................................................... 48
Figura 31 Grafica de la varianza local y ROC vs parámetro calculado para la imagen Aster de la zona
de estudio. ........................................................................................................................................... 49
Figura 32 Segmentación obtenida con un parámetro de escala de 40. .............................................. 51
Figura 33 conjunto de reglas implementadas en ecogniton 9.0 para la fase de segmentación. ........ 52
Figura 34 Segmentación obtenida con un parámetro de escala de 40.para parámetro derivado ..... 53
Figura 35 Clasificación basada en orden jerárquico de las alturas almacenadas en el modelo digital.
............................................................................................................................................................. 55
Figura 36 Diagrama de asignación jerárquico basado en las medias y desviaciones de las alturas. ... 56
Figura 37 Clasificación basada en reglas preestablecidas de los modelos derivados del modelo
digital. .................................................................................................................................................. 57
Figura 38 Diagrama de asignación basado en reglas. .......................................................................... 57
Figura 39 Metodología convencional utilizada en la propuesta. ......................................................... 61
Figura 40 Clasificación geomorfológica del método tradicional usada para la validación de
resultados. ........................................................................................................................................... 63
Figura 41 Generación de puntos aleatorios para la muestra. ............................................................. 64
Figura 42 Grafica de la exactitud del usuario derivada da la matriz de confusión. ............................. 66
Figura 43 Errores de comisión y omisión de la clasificación por clase. ............................................... 67
Índice de Tablas Pag
Tabla 1 Algunos parámetros de superficie básicos.............................................................................. 11
Tabla 2 Clases de gradiente de la pendiente ....................................................................................... 13
Tabla 3 Esquema matriz de confusión y sus estadísticas derivadas. ................................................... 14
Tabla 4 Resumen tipos de relieve según su origen.............................................................................. 22
Tabla 5 Resumen tipos de relieve objeto de estudio .......................................................................... 22
Tabla 6 Factores a estudiar y sus niveles. ............................................................................................ 38
Tabla 7 Tratamientos derivados de la combinación de factores controlables del experimento. ....... 41
Tabla 8 Tabulación de datos de optimización del factor de escala imagen Strm. ............................... 49
Tabla 9 Tabulación de datos de optimización del factor de escala imagen Aster. .............................. 50
Tabla 10 Resultado de la segmentación de las imágenes haciendo uso de la técnica de segmentación
multiresolución y optimizada con la varianza local. Fuente: elaboración propia. .............................. 53
Tabla 11 Resultado de la segmentación de las variables de segundo orden haciendo uso de la técnica
de segmentación multiresolución y optimizada con la varianza local. Fuente: elaboración propia. .. 54
Tabla 12 Parametrización de las geoformas de la zona de estudio según altura. ............................... 58
Tabla 13 Parametrización de las geoformas de la zona de estudio según pendiente en grados. ....... 59
Tabla 14 Parametrización de las geoformas de la zona de estudio según mapa de sombras 315°. ... 60
Tabla 15 matriz de confusión resultante de la clasificación de objetos del mapa de sombras
(hillshade) del dem. ............................................................................................................................. 65
Tabla 16 matriz de confusión resultante para clasificación de objetos del mapa de sombras
(hillshade) en porcentaje. Fuente: elaboración propia. ...................................................................... 65
Tabla 17 Tabla de interpretación de coeficiente Kappa. Adaptado de [59] ........................................ 67
RESUMEN
Esta tesis presenta los resultados de la aplicación de un proceso de clasificación basada en objetos a modelos
de elevación con el objetivo de la extracción de unidades geomorfológicas en la geografía colombiana. El
conocimiento de las clases de relieve que existen en una zona geográfica, es una parte importante en muchos
estudios de índole ambiental, de planificación, ordenamiento territorial y geológico. La metodología aplicada en
este proyecto hace uso de la clasificación basada en objetos y busca tener un mejor desempeño comparado con
las técnicas convencionales en las que comúnmente prevalece la interpretación de un experto conjugado con
información secundaria existente de la zona. La metodología usa una técnica de segmentación basada en el
crecimiento de regiones denominada multiresolución. Para la optimización de la anterior técnica se usa la varianza
local que permite tener un parámetro de escala relacionado de mejor manera con la homogeneidad y tamaño de
los objetos según la imagen insumo. La escala de trabajo seleccionada es la escala 1:25.000, y el área de estudio
cuenta con una clasificación geomorfológica oficial del Servicio Geológico Nacional antiguo INGEOMINAS, para
la escala que permite determinar una exactitud de la clasificación de 70%, permitiendo determinar que la
metodología basada en objetos, apoya la clasificación de formas del relieve obteniendo un ahorro en más de un
50 % de la cantidad de tiempo y recursos comparados con los métodos basados en interpretación de imágenes
y apoyo de cartografía existente.
1
1. INTRODUCCIÓN
Existe una necesidad constante de obtener diferentes tipos de información sobre la superficie terrestre con
objetivos diversos dentro de los que se encuentran el medir, identificar, observar o detectar fenómenos u objetos
[1]. Con este fin se han realizado esfuerzos con diferentes tipos de técnicas que han sido enriquecidos con el
avance de la ciencia y la tecnología.
La topografía se reconoce como un factor de notable influencia en muchas de las dinámicas de la tierra como
lo es el tipo de suelo, el clima, procesos hidrológicos, procesos biológicos, ecosistemas entre otros, dichas
relaciones han sido ampliamente reconocidas por diversas áreas de la ciencia, en un principio los mapas
topográficos se planteaban como una forma útil y ágil de interpretación de la superficie terrestre; pero con la
existencia de nuevos datos aportados por los satélites y sensores, acompañados de nueva tecnología que
permiten extraer información, describir y representar características topográficas y procesos evolutivos de la
superficie terrestre [2], se ha encontrado que se necesitan más esfuerzos que permitan aproximarse a una
clasificación y extracción de las formas de la superficie terrestre, convirtiéndose en un tema de investigación
importante en área de la geomorfología [3] [4] [5]
Las formas de la tierra han sido objeto de análisis desde diversos puntos de vista pero es clara la necesidad de
aplicar métodos de clasificación semi-automática y automática que permitan su identificación con mayor
eficiencia y evitando la subjetividad del experto que muchas veces es el encargado de orientar las decisiones
en procesos convencionales, las limitaciones derivadas de la aplicación de técnicas convencionales se han
empezado a superar aplicando técnicas que facilitan el manejo de las escalas y que enriquecen el análisis de
los objetos geográficos en general y aunque se han permitido la caracterización de algunas de las formas
elementales del relieve, se hace necesario ampliar el estudio de aplicaciones que fortalecerán las definiciones
locales y aportan puntos importantes en la estandarización de una metodología. [2] [6]
Así las cosas, este documento está organizado de la siguiente manera:
En el capítulo 2 se muestra el marco teórico tenido en cuenta para la investigación presentada. Este contiene
un resumen de los conceptos sobre clasificación basada en objetos, geomorfología básica, y estadística
multivariada; que fueron utilizados para el desarrollo de esta investigación. En el siguiente capítulo 6 se expone
la revisión de literatura consultada sobre el problema abordado; resaltando trabajos importantes y se muestran
algunos casos de aplicación que ilustran el interés en el tema abordado. En el capítulo 7 se establece cuáles
serán los tipos de relieve que se quiere clasificar. Por otra parte en el siguiente capítulo se propone y explica
detalladamente la metodología que se siguió para realizar la clasificación de los tipos de relieve que son objeto
de estudio; como parte de la metodología se define un criterio del conjunto de clases objetivo en el problema
de clasificación planteado. En el capítulo 9 se explica los experimentos que fueron llevados a cabo en este
trabajo, y se dan detalles de todas las etapas del proceso de clasificación y de los datos utilizados para dicho
propósito; se presentan los resultados de dichos experimentos. Finalmente, en el capítulo 10 se dejan algunas
conclusiones y discusiones planteando varios frentes de trabajo futuro.
2
2. JUSTIFICACIÓN
El avance no solo en el desarrollo de algoritmos sino en los enfoques de interpretación de imágenes ha abierto
un nuevo e importante campo de investigación que busca acercar la forma en que se interpreta una imagen por
el proceso cognitivo humano, a la interpretación que se realiza con el apoyo de herramientas informáticas, este
nuevo enfoque conocido como interpretación de imágenes basado en objetos trae consigo diversos retos que
en la actualidad han sido motor del desarrollo de algoritmos de segmentación, clasificaciones de objetos y
sistematización del conocimiento. [7]
En el estudio de la forma del relieve el objetivo de reflejar, dilucidar, cuantificar y describir los patrones de la
superficie terrestre, cobra importancia en especial las imágenes de modelos digitales de elevación que reflejan
las alturas del terreno y dan la información necesaria para la comprensión de la topografía de la superficie
terrestre y por ende los fenómenos y procesos subyacentes, en la actualidad la interpretación de fotografías
aéreas y el soporte en la cartografía básica ha sido adoptada como el método más usado [8] y quizás el único
implementado en la gran cantidad de estudios desarrollados en nuestro país que aunque no tienen por objeto
generar una clasificación de las formas del relieve, si son el insumo para la inferencia de múltiples fenómenos
como los procesos erosivos, climatológicos o edafológicos y que sirven de insumo para diversos estudios
relacionados con ordenamiento ambiental, ordenamiento territorial y uso sostenible de los recursos naturales
entre otros [9].
El territorio colombiano gracias a su ubicación geográfica y geológica se define con condiciones de inestabilidad
real y potencial, sumada a una variedad de climas y litologías que dan como resultado la gran variedad de
relieves y modelados aún más diferenciados cuando se consideran los efectos de los cambios bioclimáticos
pasados y actuales que actúan sobre ellos, además de la acción antrópica como parte del proceso de
construcción social de los espacios geográficos [6] [10]. Son diversos los esfuerzos realizados para caracterizar
las unidades geomorfológicas presentes en el país pero existen diversas limitaciones que son la motivación
para el presente trabajo:
Inexistencia de una clasificación estandarizada de las geoformas o formas del relieve presentes en
una región, falta de un consenso en el enfoque que debe usarse lo que resulta en diferencias según el
experto que tenga a su cargo el estudio o el objetivo final del mismo. [6] [11]
Aún con la existencia de métodos que permiten la descripción cuantitativa de las geo- formas, no existe
una metodología que permita definir con claridad cuáles de estos descriptores son óptimos para la
caracterización del relieve y una jerarquía en los mismos.
Dependencia de la experiencia y de la resolución de las imágenes para determinar las escalas de la
interpretación y su correspondiente clasificación.
La aplicación de las técnicas convencionales de clasificación de imágenes basada en píxeles,
muestran un acercamiento a una clasificación, que no cuenta con los niveles óptimos de
representación de escalas y jerarquía de clasificación, dejando de lado la importancia del objeto
geográfico que se rescata en el enfoque de interpretación de imágenes basado en objetos (OBIA ) [12].
Con base en lo anterior se puede encontrar la necesidad del estudio de las técnicas desarrolladas por la
interpretación basada en objetos, en el área específica de estudio de las formas del relieve que contribuya a
3
lograr el objetivo de acercar un reconocimiento automático de las mismas, no sin antes contar con un
conocimiento claro y descriptivo de las formas del relieve basados en el conocimiento previo base para las
clasificaciones y estudios actuales.
2.1 Definición del Problema
En el marco de los estudios colombianos existe una deficiencia entorno a los estudios relacionados con la
clasificación de imágenes basadas en objetos, a su vez los estudios desarrollados se centran en la clasificación
de uso y cobertura del suelo y la detección de cambios de las coberturas de la tierra.
Por otra parte los estudios internacionales relacionados con las formas del terreno y tipos de relieve se centran
en la identificación de geoformas características en ciertos ambientes morfogeneticos y sus entornos como son
las áreas glaciadas sobre las altas cumbres andinas “con sus formaciones características de origen glaciar”
como: las morrenas, los circos, lagunas y valles; lo cual contrasta con la dificultad para encontrar estudios
geomorfológicos adecuados a escalas grandes y relacionadas con los diferentes tipos de geoformas
predominantes en cada una de las regiones naturales de Colombia; ya que para el caso colombiano se cuenta
con una variedad y diversidad de paisajes, tipos de relieve y formas del terreno desarrollados sobre distintas
formaciones geológicas que al ser caracterizadas desde el punto de vista geomorfológico, permitirían la
delineación de unidades homogéneas, que contribuirían en la definición y diferenciación de las distintas
geoformas ampliando y fortaleciendo su conocimiento, su espacialización en el proceso cartográfico y su
posterior utilización y aplicación en diversos estudios temáticos. [6, 13]
2.2 Pregunta de Investigación
Con los puntos descritos anteriormente se permite formular una pregunta de investigación: ¿Cómo se
desarrollará una metodología de clasificación de las formas del terreno y tipos de relieve haciendo uso del
análisis de imágenes basado en objetos, aplicado a modelos digitales de elevación y sus variables derivadas,
para diferentes ambientes morfogenéticos para el caso específico de este estudio, la región del altiplano
colombiano situada en el departamento de Cundinamarca extensible a distintas regiones del territorio
colombiano?
4
3. OBJETIVOS Para el desarrollo de este trabajo de investigación se platearon los siguientes objetivos.
3.3 Objetivo general
Desarrollar una metodología semi automatizada, usando el enfoque de la interpretación de imágenes basados
en objetos y con el apoyo de la semántica para la clasificación de las formas del terreno y tipos de relieve, para
su aplicación en las diferentes regiones naturales, extensible del caso de estudio específico de la región andina
colombiana.
3.4 Objetivos específicos
Identificar las escalas y características derivadas de la altura del terreno de primer orden (pendiente,
aspecto), de segundo orden curvaturas (media, gaussiana) y estadísticas (aspecto, desviación
estándar) para describir la topografía Colombiana.
Aplicar la técnica de segmentación de multiresolución optimizando la elección del factor de escala
usando la técnica de varianza local para la representación en escalas adecuadas que permita, la
identificación de patrones morfométricos característicos.
Desarrollar una metodología basada en la identificación de objetos y la definición semántica de los
elementos para clasificar las distintas formas del terreno y tipos de relieve usando imágenes de
sensores remotos y los modelos digitales de elevación, aplicando los principios de la clasificación
orientada a objetos.
Definir reglas semánticas que permitan una clasificación de las formas del terreno y tipos de relieve
que responda a la escala espacial y un orden de agregación con el fin de reflejar la complejidad del
terreno.
Evaluar la clasificación de las imágenes realizada con la metodología semiautomatizada propuesta,
comparada con la clasificación realizada con técnicas de interpretación convencionales basadas en
la interpretación de un geomorfólogo experto con el uso de fotografías aéreas, imágenes de satélite y
cartografía geomorfológica existente con el fin de determinar la calidad y exactitud de la clasificación .
5
4. ALCANCE El proyecto tiene como alcance plantear y aplicar una metodología de clasificación semiautomatizada de las
formas del terreno y tipos de relieve en áreas piloto previamente seleccionadas sobre el territorio colombiano
haciendo uso de la clasificación de imágenes orientada a objetos. Dada la extensión del territorio colombiano
se seleccionó como área piloto para llevar a cabo el estudio de unas zonas en la jurisdicción de los municipios
de Tenjo y Tabio localizados en el departamento de Cundinamarca que cuenta con cubrimiento de imágenes.
4.1 Resultados Esperados
Como producto de la investigación se obtiene una metodología propuesta junto con el grupo de reglas
semánticas necesarias para identificar las formas del terreno y tipos de relieve según la escala 1:25000, además
se obtiene una evaluación de resultados que muestra la eficiencia de la metodología propuesta comparada con
la clasificación obtenida por métodos convencionales dentro de los cuales se cuenta con la participación de un
geomorfólogo experto y la compilación de la cartografía geomorfológica existente.
6
5 MARCO TEÓRICO
5.1 Clasificación de Imágenes Basada En Objetos
En la interpretación de imágenes ha sido de uso común la interpretación basada en pixeles, desde los inicios
del estudio de las imágenes derivadas de procesos tecnológicos son almacenadas de manera digital como
cuadriculas organizadas de valores que pueden ser desplegadas en monitores de computadores; desde este
momento se adoptó el termino pixel derivado del inglés picture element que se define como la unidad más
pequeña en la que se compone una imagen y que se discrimina por su color y brillo, basados en este enfoque
se busca realizar una clasificación de imágenes que cuenta con dos etapas fundamentales [14]:
Definición de clases: que consiste en la determinación según las características de la imagen de los
grupos de pixeles que serán la representación del objeto o fenómeno que muestran [15].
Asignación de los pixeles a cada una de las clases definidas
La creciente oferta de las imágenes de satélite que ha ampliado no solo la cobertura espacial, también la
temporalidad, la calidad y nivel de detalle, la teledetección ha pasado de usar imágenes multiespectrales
obtenidas de sensores pasivos como el caso de Envisat (resolución de 300m y 15 bandas),Terra (resolución
250 a 1000m y 36 bandas), que en su mayoría aportaban información para estudios medio ambientales y
meteorológicos a nivel regional o continental pasando por resoluciones altas como la de los sensores Landsat
ETM+ (15 a 30m y 8 bandas) y SPOT 5 (10 a 20m y 4 bandas) hasta encontrar satélites de muy alta resolución
como el caso de Quickbird (2,4 m y 4 bandas) y Rapideye (6,5 m y 5 bandas), este incremento en resoluciones
hizo necesario revaluar el enfoque tradicional basado en pixeles [16], una de las propuestas que ha sido
ampliamente aceptada es la propuesta por en la que se realiza una segmentación de la imagen con un enfoque
de búsqueda de objetos haciendo uso de las teorías de sistemas complejos y la teoría de jerarquía de sistemas.
El enfoque denominado (OBIA) pretende realizar una clasificación de imágenes que tenga en cuenta las
relaciones espaciales [17] y que use la escala como fuerte determinador de objetos, en este enfoque se parte
de concepto de segmentación de imágenes concepto que no es nuevo, pero que con los nuevos desarrollos de
software permite hacer un acercamiento más flexible a una segmentación multiescala este hecho ha permitido
extender el conocimiento de diversas áreas en las que tanto las jerarquías de patrones y procesos están ligadas.
Este nuevo enfoque ha llevado a que sea de gran aporte en campos de la biogeografía, la ecología y las formas
del relieve [18].
Con el uso del enfoque de análisis de imágenes basado en objetos y su amplia aplicación en el campo
geográfico y sus relaciones de encuentra con una denominación del enfoque como GEOBIA [7], del inglés
Geographic Objeto Based Imagen Analysis permite que además de realizar una segmentación multiresolución
que permite contar con un enfoque jerárquico basado en las resoluciones de la extracción de objetos [19],
además permite incluir información adicional en el proceso de clasificación que pueden ser medidas estadísticas
como media, desviación estándar, máximo o mínimos, texturas formas o áreas de los objetos [20] o pueden
incluir reglas elaboradas como relaciones entre objetos.
7
En la última década el análisis basado en objetos o también conocido como análisis geográfico basado en
objetos (GEOBIA), ha ofrecido cuatro ventajas principales [21]:
Las unidades de procesamiento son objetos geomorfométricos que están más relacionados al mundo
real que los puntos geomorfométricos que fueron analizados tradicionalmente.
Los objetos pueden ser creados en una estructura de multiescala lo que permite tener un concepto de
orden subordinado a la complejidad del paisaje y la escala de estudio.
El conocimiento sobre las formas del relieve en relación a morfométria y topología se pude incorporar
en la clasificación.
Los diferentes tipos de datos y formatos en capas diferentes.
Aunque el análisis basado en objetos se presenta como propuesta que permite un mapeo jerárquico a múltiples
escalas, que otorga ventajas para la discriminación de características específicas de la superficie como es el
caso de las formas del relieve, es necesario contar con más estudios prácticos que permitan definir tanto la
metodología a aplicar como el proceso de clasificación adecuado tanto para el caso del relieve tanto nacional
como regional en las diferentes escalas [22].
5.1.1 Segmentación de Imágenes
El objetivo de la segmentación es obtener las partes constitutivas de la imagen basándose en ciertas
características locales que permiten su diferenciación. Los algoritmos de segmentación de imágenes
monocromáticas se basan en alguna de las tres propiedades siguientes [23] :
a) Discontinuidad: en los tonos de gris de los píxeles de un entorno, que permite detectar puntos aislados, líneas
y aristas (bordes).
b) Similaridad: en los tonos de gris de los píxeles de un entorno, que permite construir regiones por división y
fusión, por crecimiento o por umbralización.
c) Conectividad de los píxeles desempeña un papel importante en la segmentación de imágenes. Una región
se dice conexa o conectada si para cada par de píxeles de la región existe un camino formado por píxeles que
los conecta.
Con base en el algoritmo o el principio que se use para encontrar un parámetro de esta propiedad, estos
métodos se pueden agrupar como se muestra en la siguiente Figura 1:
8
Figura 1 Agrupación de los métodos de segmentación según la técnica usada. Adaptado de [23] Fuente: elaboración propia.
La segmentación de una imagen es el paso clave para el proceso de clasificación de imágenes basado en
objetos [24], en específico la segmentación en multiresolución es un algoritmo basado en el crecimiento de
regiones en el cual se realiza una fusión iterativa de los segmentos hasta que la homogeneidad [25], tamaño y
forma llegan a un umbral que se conoce como parámetro de escala (SP) [26], el objetivo principal del proceso
es general es realizar una fusión que incremente en lo menor posible la heterogeneidad para realizar este
procedimiento se usan procedimientos de optimización. La multiresolución es un concepto en el que se entiende
que los objetos de interés suelen aparecer en diferentes escalas en una imagen simultáneamente [27]. La
extracción de objetos de imagen significativos debe tener en cuenta la escala del problema a resolver.
Existen ciertos criterios cuantitativos para revisar la segmentación de una imagen, dentro de ellos se evalúa la
heterogeneidad promedio de los objetos y la heterogeneidad de los objetos ponderada por su tamaño en pixeles.
Basados en el aporte de heterogeneidad que una fusión otorga o no a un objeto se determina la opción o no de
hacer la fusión, todo esto teniendo en cuenta que no se debe superar el parámetro de escala definido como
criterio desde el inicio del proceso. En la ecuación (1) se tiene la forma simple del cálculo del aporte de
heterogeneidad de la unión de dos objetos donde ℎ𝑚 es la heterogeneidad media del objeto al que se le van a
unir los nuevos objetos, ℎ𝑑𝑖𝑓𝑓 es el cambio de heterogeneidad antes y después de la fusión.
ℎ𝑑𝑖𝑓𝑓 = ℎ𝑚 −ℎ1−ℎ2
2 (1)
Si se tiene en cuenta el tamaño 𝑛 del objeto la ecuación seria:
ℎ𝑑𝑖𝑓𝑓 = ℎ𝑚 −ℎ1𝑛1−ℎ2𝑛2
𝑛1+𝑛2 (2)
Mét
od
os
de
Segm
enta
ció
n Basados en píxeles.Locales o globales según la relación
en la imagen (píxeles vecinos o imagen global con histogramas).
Basados en bordes.Usa operadores de primer orden
(gradiente) y segundo orden (laplaciano).
Basados en regiones.Pueden ser basados en crecimiento,
fusión o división.
Basados en modelos. Usa información externa a la imagen.
9
Esta ecuación pondera la heterogeneidad de acuerdo al tamaño del objeto cumpliendo uno de los criterios antes
mencionados en la evaluación de una segmentación:
ℎ𝑑𝑖𝑓𝑓 = (𝑛1 + 𝑛2)ℎ𝑚 − (𝑛1ℎ1 + 𝑛2ℎ2) = 𝑛1(ℎ𝑚 − ℎ1) + 𝑛2(ℎ𝑚 − ℎ2) (3)
Si el criterio de heterogeneidad no solo se evalúa en una característica se tendría entonces una ecuación en la
que se puede ponderar la heterogeneidad de cada una de las características c:
ℎ𝑑𝑖𝑓𝑓 = ∑ 𝑤𝑐 (𝑛1(ℎ𝑚𝑐 − ℎ1𝑐) + 𝑛12(ℎ𝑚𝑐 − ℎ2𝑐)) 𝑐 (4)
La forma común de medición de la heterogeneidad es la medida de la varianza o la desviación estándar del
valor espectral almacenado esta se denomina heterogeneidad espectral.
Otra forma de heterogeneidad comúnmente usada es la heterogeneidad de forma su cálculo más común es
usando:
ℎ =𝑙
√𝑛 (5)
Donde l es la longitud de un lado y n es el tamaño en pixeles, otra forma de calcularlo es usando:
ℎ =𝑙
𝑏 (6)
Donde la heterogeneidad es la desviación del lado más corto posible del cuadro delimitador b y la longitud de
un lado l.
El grado de heterogeneidad que se obtiene de una segmentación está definida por el parámetro que es definido
subjetivamente y se denomina parámetro de escala, la necesidad de obtener este parámetro de manera objetiva
no con el ánimo de elegir la escala correcta de la descripción [28], sino más bien para reconocer en cuales de
estas escalas es más reconocible el cambio para hacer más fácil la diferenciación como respuesta a esta
necesidad se cuenta con la optimización del parámetro que se basa en la representación gráfica de la varianza
local [29], llevando una iteración de las escalas de la imagen, que permite entender la estructura de las imágenes
usando la desviación estándar en función de la escala, en general esto se logra como se muestra en la Figura
2:
10
Imag
en d
e e
ntr
ada
Simulación de la escala
Detección de mejor escala.
Figura 2 Método de Varianza Local. Tomado de [30].
Para la evaluación de la varianza se hace uso de una medida de la tasa de cambio denominada ROC por sus
siglas en ingles que mide la cantidad de cambio en la varianza local desde un nivel objeto a otro y se expresa
por la siguiente formula [31]:
𝑅𝑂𝐶 = [𝐿−(𝐿−1)
𝐿−1] ∗ 100 ( 7)
Donde L= es la varianza local para nivel de estudio y (L – 1) es la varianza local del nivel anterior.
La interpretación grafica de este valor permite identificar el parámetro de escala el cual es más óptimo para
realizar una segmentación de la imagen. [32]
5.1.2 Selección de Atributos
La descripción del relieve basado en los modelos digitales de elevación MDE, es comúnmente basado en un
conjunto de medidas que definen las características geométricas del terreno (geomorfometría), a este proceso
se le denomina parametrización del relieve, es decir convertir dichas características en un conjunto de medidas
11
que permitan distinguir entre una y otra forma topográfica, la parametrización del relieve debe cumplir algunas
condiciones para ser útil [33, 34]: [33] Los parámetros deben tener relación con los procesos geomorfológicos
que modelan el relieve.
El conjunto de parámetros debe proporcionar información no redundante.
La parametrización debe incluir información sobre la influencia de la escala.
Los parámetros que se pueden usar para describir el relieve se pueden dividir en locales y globales o regionales
según sea información explicita, es decir derivada de los datos propios del modelo o imagen y la segunda es la
información implícita que se deriva de las relaciones espaciales de los objetos o datos [35], los parámetros
comúnmente usadas para la descripción del relieve son mostrados en Tabla 1.
Tabla 1 Algunos parámetros de superficie básicos. Tomado de [34].
Parámetro de
superficie terrestre
Tipo Lo que describe
Pendiente Local Taza de cambio de flujo
Aspecto Local Dirección de línea de flujo
Curvatura Tangencial Local Mecanismo de primera acumulación.
Perfil de curvatura Local Mecanismo de segunda acumulación
Rugosidad Local Complejidad del terreno
Área de captación Regional Magnitud del flujo
Hipsometría Regional Distribución de valores de peso.
Peso de captación/pendiente Regional Características del flujo
Insolación Regional /local Intensidad de la irradiación solar directa.
Exposición visual Regional Extensión del área visible.
La identificación de las formas del relieve con el uso de la geomorfometría cuenta con dos enfoques la
geomorfometría específica y general, la especifica se encarga de describir objetos discretos de formas del
relieve lo que involucra decisiones arbitrarias y subjetividad de los conceptos y la geomorfometría general que
es aplicada para describir la superficie terrestre de manera continua, que provee una base para la comparación
de diferentes superficies. [33] Como se pueden contar con problemas debido a la aplicación restrictiva de un
enfoque general a uno atomista se ha propuesto una geomorfometría discreta que busca describir y dividir la
superficie terrestre definiéndolos solo por criterios de homogeneidad y relacionada con la escala, comparte el
carácter general de la geomorfometría general pero guarda el modelo de objetos de la específica, en este nuevo
enfoque las características del objeto se asignan después o junto con la segmentación lo que trae consigo el
apoyo del patrón espacial dado que enfatiza en las discontinuidades de los parámetros de superficie y sus
patrones. [36]
12
Estos elementos de relieve o como son llamados por otros autores componentes terrestres, facetas del terreno,
formas elementales, elementos patrón o primitivas morfométricas, son vistos como los elementos básicos
intermedios entre la transformación de objetos homogéneos y formas del relieve. [36]
El enfoque discreto no incorpora conocimiento a priori de un relieve en específico, teniendo los objetos
delimitados digitalmente mediante la aplicación de nuevas reglas estadísticas, relacionales y semánticas se
asignan a el concepto geográfico que más se acerque, la definición de esta clasificación ha de estar basada en
el conocimiento geográfico de expertos o utilizar el conocimiento o delimitaciones previas. La construcción
previa de jerarquías con una adecuado enfoque de escalas permitirá la definición de un conjunto reglas
semánticas que generara una correspondencia con el espacio digital. [30] [36]
La definición de pertenencia o no de un objeto de la imagen a una clase determinada se hace basada en las
características, dichas característica es medida por un algoritmo que identifica la forma, tamaño, color, textura,
contexto entre otros de los objetos de la imagen. Estas características están directamente relacionadas con
la jerarquía de los mismos. Las características suele definir los límites superior e inferior de un rango de medidas
de características de los objetos de imagen por lo que la pertenencia se mide en un porcentaje dando consigo
la facilidad de aplicación de reglas difusas.
5.2 Geomorfología Básica
La geomorfología como una rama de la Geografía Física que tiene como objeto el estudio de las formas de la
superficie terrestre enfocado a describir, entender su génesis y entender su actual comportamiento. La
geomorfología se centra en el estudio de las formas del relieve, pero dado que éstas son el resultado de la
dinámica litosférica es una ciencia relacionada tanto con la geografía física como con la geografía humana (por
causa de los riesgos naturales y la relación hombre medio) y con la geografía matemática (por causa de la
topografía). [11]
Una geoforma hace referencia a un componente o rasgo físico de la superficie que responde a los procesos
naturales y antrópicos y tiene una forma o características diferenciables. Dentro de las características que son
diferenciables se encuentran:
La posición del sitio dentro del paisaje: indica las condiciones hidrológicas del sitio, que se relaciona
directamente con los procesos dominantes del tipo de paisaje
La forma de la pendiente: Se relaciona con la forma de la pendiente en la dirección vertical y horizontal
de esta relación se derivan diversos estudios como se puede encontrar en los estudios desarrollados
por Shary y Stepanov para los que de acuerdo a las curvaturas se tiene un total de 9 tipos de formas
elementales y que con estudios posteriores en los que se relaciona la curvatura media y la curvatura
Gaussina se puede obtener una subdivisión de 12 tipos de formas elementales.
Pendiente dominante: Hace referencia a los gradientes de pendiente de un terreno que están
clasificados y descritos comúnmente como se muestra en la Tabla 2:
13
Tabla 2 Clases de gradiente de la pendiente Tomado de [37]
Clase Descripción %
01 Plano 0-0,2
02 Nivel 0,2-0,5
03 Cercano al nivel 0,5-1,0
04 Muy ligeramente inclinado 1,0-2,0
05 Ligeramente inclinado 2-5
06 Inclinado 5-10
07 Fuertemente inclinado 10-15
08 Moderadamente escarpado 15-30
09 Escarpado 30-60
10 Muy escarpado >60
Intensidad o rugosidad del terreno: diferencia media entre el punto más alto y el más bajo en una
distancia especifica dentro del terreno.
El uso sistemas de información geográfica ha sido útil en el avance de un conjunto herramientas de análisis de
la información que sin embargo no ha sido ampliamente explorada en el campo geomorfológico, en general la
geomorfología ha hecho uso de los métodos cualitativos pero la geomorfología cuantitativa nace como
respuesta a este número creciente de herramientas y la necesidad de enriquecer el análisis puramente
cualitativo con medidas sistemáticas y cuantitativas de la topografía de la superficie de la Tierra llevando a
definir y proponer una serie de métodos y parámetros útiles para una descripción haciendo uso de
características objetivas de la superficie de la Tierra. [38].
Con el uso de los modelos digitales se pueden dar dos interpretaciones: una primera cualitativa, en la que el
análisis se realiza visualmente (de forma equivalente a la fotointerpretación), y una segunda cuantitativa, en la
que se usan los valores numéricos para analizar estadísticamente las distribuciones y relaciones entre las
variables.
En la actualidad la geomorfología no dispone de un sistema taxonómico estructurado para clasificar las formas
del relieve o geoformas. Existen diversas formas de agrupación de las mismas muchas de estas asociadas a
los procesos que les dieron origen dichas agrupaciones reciben el nombre de familia pero no se ha llegado al
concepto jerárquico en sí [39].
14
5.3 Validación de La Clasificación de Imágenes
5.3.1 Matriz de Confusión
La matriz de confusión contiene información acerca de las predicciones realizadas por un método o sistema de
clasificación, comparando para el conjunto de individuos en una tabla de aprendizaje o de control, en ella se
ordena la predicción dada versus la clase a la que estos realmente pertenecen.
El interés de esta matriz de confusión es su capacidad para plasmar los conflictos entre categorías como se
muestra en la Tabla 3. De esta forma, no sólo se conoce la fiabilidad global de la clasificación, sino también la
fiabilidad para cada una de las clases, así como los principales conflictos entre ellas [40].
Un análisis estadístico de la matriz de confusión nos da información para la validación numérica de los
resultados dentro de ellos esta:
Fiabilidad global: relación del número de celdas correctamente clasificadas contra las celdas muestreadas.
𝐹 =∑ 𝑥𝑖𝑖𝑖=1,𝑛
∑ ∑ 𝑥𝑖𝑗𝑗=1,𝑛𝑖=1,𝑛 ( 8)
Errores por omisión: indica el número de pixeles que perteneciendo a una determinada categoría, no fueron
incluidos en la misma.
𝐸𝑜,𝑖 =𝑥+𝑖+𝑥𝑖𝑖
𝑥+𝑖 ( 9)
Errores por comisión: indican los pixeles que se incluyeron en una categoría determinada perteneciendo a otra.
Ec,i =xi++xii
xi+ ( 10)
Otro tipo de exactitud calculada comúnmente es la exactitud del usuario y la del productor, la exactitud del
usuario está relacionada de manera inversa con los errores de comisión y la exactitud del productor con los
errores de omisión.
Tabla 3 Esquema matriz de confusión y sus estadísticas derivadas. Tomado de [1] [41]
Referencia
cla
sif
ica
ció
n Clase 1 Clase 2 Clase 3 Clase n Total Exactitud
usuario
Error
Comisión
Clase 1 𝑥11 𝑥1+ 𝑥11 𝑥1+⁄ 1 − 𝑥11 𝑥1+⁄
Clase 2 𝑥22 𝑥2+ 𝑥22 𝑥2+⁄ 1 − 𝑥22 𝑥2+⁄
Clase 3 𝑥33 𝑥3+ 𝑥33 𝑥3+⁄ 1 − 𝑥33 𝑥3+⁄
15
Clase n 𝑥𝑛𝑛 𝑥𝑛+ 𝑥𝑛𝑛 𝑥𝑛+⁄ 1 − 𝑥𝑛𝑛 𝑥𝑛+⁄
Total 𝑥+1 𝑥+2 𝑥+3 𝑥+𝑛 ∑ 𝑥𝑖𝑗
Exactitud
productor
𝑥11 𝑥+1⁄ 𝑥22 𝑥+2⁄ 𝑥33 𝑥+3⁄ 𝑥𝑛𝑛 𝑥+𝑛⁄
Error
omisión
1 − 𝑥11 𝑥+1⁄ 1 − 𝑥22 𝑥+2⁄ 1 − 𝑥33 𝑥+3⁄ 1 − 𝑥𝑛𝑛 𝑥+𝑛⁄
5.3.2 Coeficiente de Validación Kappa
Este estadístico mide la concordancia entre dos clasificaciones, el coeficiente kappa puede tomar
valores entre -1 y +1. Mientras más cercano a +1, mayor es el grado de concordancia, por el
contrario, mientras más cercano a -1, mayor es el grado de discordancia inter-observador. Un valor
de κ = 0 refleja que la concordancia observada es precisamente la que se espera a causa
exclusivamente del azar [42]. La fórmula es:
k =n ∑ xii−∑ xi+x+ii=1,ni=1,n
n2−∑ xi+x+ii=i,n ( 11)
Donde k es el coeficiente calculado para la muestra,n es el tamaño de la muestra, 𝑥𝑖𝑖 el acuerdo
observado y el producto de los marginales (𝑥𝑖+ 𝑥 +𝑖 i) el acuerdo esperado en cada categoría. El
acuerdo esperado indica el ajuste que puede deberse al azar.
De modo que, el estadístico k permite conocer si el grado de acuerdo observado se aleja o no del
esperado al azar. Es decir, este índice pretende evaluar si la clasificación ha discriminado las
categorías de interés con exactitud significativamente mayor a la que se hubiera obtenido con una
asignación aleatoria.
El estadístico k también puede calcularse para una determinada categoría de interés, es el
denominado k condicional, puede ponderarse en función de algún criterio definido por el usuario.
Ya que no todas las confusiones son igualmente importantes. Se puede tener un valor ponderado
de k, a partir de unos pesos w que asigne el usuario en función de la gravedad que estime si se
produce confusión entre las categorías i y j, el nuevo valor de k sería:
�� =∑ 𝑤𝑖𝑖𝑥𝑖𝑖/𝑛−∑ 𝑤𝑖𝑖𝑥𝑖+𝑥+𝑖/𝑛𝑖=1,𝑛𝑖=1,𝑛
1−∑ 𝑤𝑖𝑖𝑥𝑖+𝑥+𝑖𝑖=𝑖,𝑛 /𝑛 ) ( 12)
16
6 TRABAJOS RELACIONADOS
6.1 Antecedentes
Con el objetivo de generar una clasificación de las formas del relieve, se han cambiado los criterios sin
encontrarse un consenso en los enfoques que deben usarse, dentro de los enfoques desarrollados para obtener
una clasificación se tienen [39]:
Clasificación por orden de magnitud: este tipo de clasificación se basa en el criterio dimensional muchas veces
mezclando magnitudes espaciales y temporales como el caso de la clasificación de Cailleux-Tricart [43] en la
cual se distribuyen ocho ordenes de magnitud temporo-espaciales.
Clasificación genética y genético-corológica: el tipo de clasificación genética se basa en el origen de las
geoformas, existen variantes de este tipo de clasificación genética generando subdivisiones relacionadas con
la disciplina científica en áreas especializadas que se encargan de su estudio. La clasificación genético–
corológica se basa en el concepto de zona morfogenética, esta clasificación combina origen y distribución
geográfica de las geoformas que a su vez coincide con la subdivisión de la superficie terrestre en amplias zonas
bioclimáticas, generando una serie de dominios morfoclimáticos con su asociación de geoformas. Este tipo de
clasificación se basa en alguna modalidad de estructura jerárquica y conduce a una tipología de las geoformas,
pero no provee una clara definición de los criterios utilizados en la jerarquización y en la tipificación.
Una variante de clasificación genético-corológica es la ordenación de paisajes y geoformas en el ámbito de un
país la división de un país en provincias fisiográficas y regiones naturales es un ejemplo de este tipo de
nomenclatura [44].
Clasificación etnogeomorfológica: este tipo de clasificación toma en cuenta los conocimientos de los
campesinos indígenas en las comunidades tradicionales ya que las mismas utilizan criterios topográficos, antes
de considerar los suelos, para identificar nichos ecológicos aptos para determinados cultivos y prácticas de
manejo.
Ensayos de mapeo participativo, contando con la colaboración de usuarios de las tierras y técnicos, muestran
que los mapas mentales de los campesinos visualizan el relieve en base a una detallada nomenclatura, que
permite traducirlos en mapas [45].
Clasificación morfométrica: el uso de los MDE como ya se ha mencionado han permitido la medición y extracción
de atributos que describen los rasgos topográficos del paisaje. Los parámetros más frecuentemente medidos
incluyen altitud, pendiente, exposición, curvatura y rugosidad del relieve, entre otros. La distribución espacial de
estos parámetros ha permitido inferir los procesos que han dado origen a estas formas del paisaje. Los procesos
de clasificación se basan en primitivas geométricas idealizadas [46] y formas elementales ideales [47] para
clasificar el paisaje y aproximar la representación de una variedad de formas de terreno.
La clasificación del relieve basadas en forma y gradiente son esencialmente una clasificación descriptiva y
aunque no informan sobre el origen del relieve y allí radican muchas de sus críticas, este tipo de clasificación si
17
representa una organización de los rasgos de relieve que permite formular hipótesis sobre el mismo. El caso
específico de la clasificación de geoformas o formas del relieve se cuenta con aproximaciones en las que se
cuenta con parámetros definidos de algunas formas ideales o elementales. Una forma del relieve es definida
como un rasgo físico de la superficie terrestre con características, forma reconocida y producida por casusas
naturales, dentro de ellas se pueden definir los tipos de formas del relieve que consisten en patrones
característicos que exhiben una variación definida en tamaño, escala y forma de características
geomorfológicas, ocurriendo en un contexto reconocido, ejemplos de tipos de relieve son planes, colinas,
montañas y valles, luego viene en la jerarquía el elemento del relieve que es un subcomponente de un tipo de
forma de relieve que pueden ser caracterizadas principalmente por su morfología. [33]
6.2 Casos de Estudio Relacionados
La Clasificación de accidentes geográfico es un tema importante en el análisis de la superficie de la tierra el uso
de variables o parámetros de superficie como la inclinación de la pendiente, altitud y la curvatura, a través de
los SIG y en base a modelos digitales de elevación (DEM) [48] a diferentes resoluciones hace posible delimitar
y mapear geoformas en una variedad de escalas. Muestra de este interés se cuenta con estudios relacionados
como:
El análisis de la topografía del valle Midland de escocia Scotland, al norte de of Glasgow [49] hace uso de
este concepto de escalas junto con la clasificación de objetos que para el caso particular se centra en el
concepto de rugosidad para caracterizar el relieve sobre una imagen de un modelo digital de elevación de una
resolución de 10 metros identificando de manera adecuada los escarpes y los valles, en un área con grandes
cambios de pendiente se encontró que las variables derivadas usadas en el estudio son sensibles a la escala
de estudio todo basado en un concepto de rugosidad que no ha sido claramente definido pero para el cual es
importante tener en cuenta el tamaño de la vecindad de análisis y la resolución espacial, tanto para el tamaño
de la ventana de análisis como para los resultados encontrados.
La relación de las formas del relieve con la escala es evidente escalas amplias permiten distinguir formas
generales como (por ejemplo, montañas, llanuras), mientras que en escalas finas son más evidente los
accidentes geográficos más específicos (por ejemplo, barrancos, laderas) evidenciando el orden jerárquico de
la geografía evaluado por expertos como Dikau en [50], y que en estudios recientes ha podido ser explorado y
corroborado con base en el análisis multiescala aplicado a las cada vez más comunes imágenes de muy alta
resolución disponibles, estudios como el desarrollado para formas específicas de la superficie terrestre en [49],
analizan la superficie con un enfoque orientado a la escala, este tipo de análisis ha mostrado su conveniencia
no solo con resultados a nivel de segmentación sino en el conjunto de clasificación y conocimiento que es el
análisis propuesto por OBIA o GEOBIA.
Un caso amplio de estudio enfocado a la clasificación como resultado final es el realizado para la topografía de
China en el que se usó el GTOP030 con el fin de caracterizar la topografía a una escala menor de 1:4 millones
[18], la importancia de este estudio es el uso de un total de 6 parámetros (pendiente, hillshade, relieve local,
media de la elevación, coeficiente de variación de la elevación, rugosidad en términos de variación de altura)
en los que se busca una firma característica de los 7 tipos de accidentes geográficos característicos de la
18
geografía China, es decir determinar la función discriminante y reglas discriminantes de cada accidente en este
caso de estudio se llegó a una exactitud de 75,22%, sin embargo se encuentra que la exactitud es mayor para
montañas altas y en montañas bajas se llega a una exactitud de 42,27% esto se debe a no contar con limites
definidos como se demuestra en áreas denominadas de llano con exactitud de 100 % en contraste con zonas
de montaña baja de 26,87%.
El caso específico de la extracción de formas del relieve ha sido abordado desde el punto de vista de objetos
por Clemens en su trabajo doctoral y fuente principal del articulo desarrollado en conjunto con los profesores
d’Oleire y Drăgut [26], en el mismo se expone la posibilidad de usar el análisis de objetos con un enfoque de
escalas y apoyo semántico en la clasificación de formas del relieve, en el artículo se usó la multiresolución para
obtener la clasificación de dos formas bien definidas los drumlins y los guilles formaciones características de la
cuenca Souss, en Marruecos con el uso de un modelo digital de elevación derivado de mediciones laser de 5
m de resolución y ortofotografías, el uso del parámetros separaración residual del relieve otorga oportunidades
importantes en la definición de las formas como los drumlis no sin antes aclara que la importancia de la detección
de los limites es fundamental en la precisión de la segmentación y clasificación .
Otro análisis realizado para la región de Duluth, en Minnesota [51], en el que se usan imágenes lidar y GeoEye-
1 para determinar los cambios topográficos debidos a la erosión por lluvias fuertes, en este estudio se utilizó un
OBIA enfoque que integra muy alta resolución y lidar para mapear la deposición volúmenes, áreas inundadas y
el impacto, lo interesante mostrado en este estudio es el uso de los valores de elevación sin hacer un uso
específico de otros parámetros derivados encontrando, que el 67% del área de estudio experimento cambio
topográfico en comparación entre el 2012 y 2011, el uso de imágenes ópticas y DEM apoyan la definición de
reglas y permiten obtener resultados claros apoyados en la información primaria de las alturas.
El proceso de cuantificación de los parámetros geométricos y topológicos de la topografía han sido de gran
aporte en el estudio de las relaciones entre estos y las condiciones climáticas, geológicas e hidrológicas que
determinaron su evolución, en el caso colombiano se encuentran estudios interesantes relacionados con las
redes hidrológicas como el desarrollado por Ricardo Mantilla, Oscar J. Mesa, Germán Poveda en el que se
usó el enfoque cuantitativo sumado a una jerarquía topológica y un estudio morfométrico de la cuenca basado
en los modelos digitales de elevación para Colombia a una resolución de 1 km para las cuencas del rio
Magdalena, Cauca y Atrato [52], como conclusión de esta explicación se deja abierta la posibilidad de enlazar
los modelos teóricos más completos y complejos con las observaciones geomorfológicas.
Un estudio más completo relacionado con la caracterización de las formas del relieve es el diseño de una
metodología en la que se usa el reconocimiento de patrones [53], desarrollado para todo el territorio colombiano,
en esta propuesta se usaron 8 clasificadores basados en pixeles basados en el análisis de textura propuesto
por Haralick a las variables derivadas del terreno: Elevación, perfil de curvatura, curvatura plana, pendientes en
grados, tangentes de las pendientes, índice topográfico compuesto, altura en metros sobre el drenaje más
cercano. Este trabajo se encuentra fundamentado en el uso de la matriz de co-ocurrencia (COM) que resumen
de la forma en que los valores de los píxeles ocurren al lado de otro valor en una misma imagen, la conclusión
de este trabajo determina que estas variables derivadas del DEM no son suficientes para obtener una
clasificación de las formas del relieve por lo que justifica el uso de las variables de textura obteniendo un
desempeño total de la clasificación de un 90,27 %.
19
6.3 Aspectos Principales de La Revisión de Literatura
La geomorfología como una rama de la Geografía Física con el objetivo de describir, entender su génesis y
entender su actual comportamiento, es una ciencia relacionada tanto con la geografía física como con la
geografía humana (por causa de los riesgos naturales y la relación hombre medio) y con la geografía matemática
(por causa de la topografía). [11]
El uso de los modelos digitales se pueden dar dos interpretaciones: una primera cualitativa, en la que el análisis
se realiza visualmente (de forma equivalente a la fotointerpretación), y una segunda cuantitativa, en la que se
usan los valores numéricos para analizar estadísticamente las distribuciones y relaciones entre las variables.
En la actualidad la geomorfología no dispone de un sistema taxonómico estructurado para clasificar las formas
del relieve o geoformas. Existen diversas formas de agrupación de las mismas muchas de estas asociadas a
los procesos que les dieron origen dichas agrupaciones reciben el nombre de familia pero no se ha llegado al
concepto jerárquico en sí [39].
Existen temas importantes que se deben tener en cuenta en la clasificación de formas de relieve: (1) la
selección y generación de los datos de entrada que se utilizarán para clasificar; y (2) la elección del algoritmo
adecuado para la clasificación.
La selección y generación de datos de entrada en general hace uso de los MDE que permite la medición y
extracción de atributos que describen los rasgos topográficos del paisaje. Los parámetros más frecuentemente
medidos incluyen altitud, pendiente, exposición, curvatura y rugosidad del relieve, entre otros. La distribución
espacial de estos parámetros permite inferir los procesos que han dado origen a estas formas del paisaje.
En la selección del algoritmo de clasificación se pasan por las convencionales técnicas supervisadas [15] y no
supervisadas encontrando técnicas difusas [54]. Los procesos de clasificación basados en la morfometría se
apoyan en primitivas geométricas idealizadas [46] y formas elementales ideales [47] para clasificar el paisaje y
aproximar la representación de una variedad de formas de terreno.
La clasificación del relieve basadas en forma y gradiente son esencialmente una clasificación descriptiva y
aunque no informan sobre el origen del relieve y allí radican muchas de sus críticas, este tipo de clasificación si
representa una organización de los rasgos de relieve que permite formular hipótesis sobre el mismo.
20
7 DEFINICIÓN DEL CASO DE ESTUDIO
En este capítulo se definirá el área y el caso de estudio sobre el cual se realizará el proceso de clasificación de
unidades geomorfológicas con base en la metodología propuesta por esta investigación.
Se delimita una zona geográfica del territorio colombiano sobre la cual se realiza la extracción de los datos
morfológicos del terreno y se describen las características físicas de algunas unidades importantes.
Estas unidades conforman el conjunto de clases objetivo del problema de clasificación planteado de esta forma
se establece el objetivo de general de la clasificación de separar la información morfológica en los diferentes
tipos de geo formas.
7.1 Principales Geoformas de La Geografía Colombiana
La estructura física del territorio Colombiano obedece a una serie de eventos tecto dinámicos generadores de
relieve y una morfología definida básicamente por procesos climáticos locales y globales que se desarrollan
lentamente en tiempo geológico. Actualmente los cambios en el paisaje también pueden atribuirse a la
intervención antrópica.
El territorio colombiano puede dividirse en tres grandes tipos de relieve:
Montañas: dentro de su topografía se pueden distinguir tres sectores principales. El primero sector corresponde
al sistema montañoso andino, conformado por las tres cordilleras y los diferentes valles interandinos, abarcando
gran parte del occidente del país.
Las 3 cordilleras se ubican en el occidente del país alineadas con las costas pacífica y atlántica; se originan en
el sur cerca del nudo de los pastos y se extienden hasta la Guajira en su brazo más largo (la oriental). Este
sistema de cordillera está partido por los valles de dos de los ríos más importantes de Colombia que fluyen de
sur a norte y se unen para desembocar en el océano atlántico (río Magdalena y Cauca).
Son sistemas que han sido o aún son afectados por las acciones glaciares directas e indirectas, esta unidad se
puede subdividir en montaña alta con alturas mayores a 2.700m, montaña media ubicada a menos de 2.700 m,
y la montaña baja relacionadas con las estribaciones de las cordilleras, la serranía del Baudó-Darien y serranías
bajas de la Guajira.
Llanuras: el segundo sector lo conforman las extensas llanuras bajas, ubicadas en el oriente en las regiones de
Orinoquia y Amazonia, así como también, las llanuras de las costas Pacifica y Caribe (al Occidente y Norte del
país respectivamente).
Estas áreas cuentan con formas características como el escudo Guayanés que es un afloramiento rocoso que
se identifica por la inexistencia de cobertura vegetal junto con pendientes escarpadas, mesetas levantadas
formaciones con inclinación suave caracterizadas por ser elevaciones abruptas, grandes llanuras aluviales
producto de los sistemas hidrológicos y terrazas.
21
Litorales: los litorales son espacios de alta sensibilidad debido a los cambios climáticos, efectos tectónicos,
influencia antrópica y la dinámica propia de estas áreas, los litorales al recibir gran parte del transporte de
materiales de la montaña que crean procesos de sedimentación sumados a los procesos de abrasión marina
que forman acantilados. El análisis de esta tipo de formaciones se debe asociar al litoral ya sea pacífico o caribe
debida a las características climáticas disímiles.
El litoral se caracteriza por Ríos, Deltas, Acantilados y Terrazas Fluvio-Marinas, en el área caribe se pueden
encontrar llanuras fluviomarinas como la de la Guajira
7.2 Clases Objetivo Para El Problema de Clasificación Para la definición de las clases objeto de la clasificación, es necesario tener en cuenta la jerarquización
geomorfológica adoptada por Ingeominas (2002) la cual fue desarrollada en base a la propuesta hecha por
Velásquez, (1999) y ajustada por Carvajal (2002), Carvajal y otros (2003) y Carvajal (2004), en dicha
jerarquización se relacionan las escalas de trabajo con la génesis de las geoformas asociadas a los diferentes
ambientes morfogenéticos su aplicación es variada según el objeto del estudio como se evidencia en la Figura
3.
GEOMORFOESTRUCTURA
PROVINCIA
REGION
UNIDAD
SUBUNIDAD
COMPONENTE
< 1:2.500.000
1:1.300.000
1:50.000
1:25.000
>1:10.000
ESC
ALA
Figura 3 Esquema de jerarquización geomofologica propuesta por Carvaja (1999) Tomado de Ingeominas (2000).
22
Las geoformas se deben asociar al área de estudio y el ambiente en el cual se va a realizar el análisis como
fase inicial se selecciona los tipos de relieve según el origen de las geoformas y la elevación del mismo y que
serán detalladas según la escala que será analizado en el proyecto, en la Tabla 4 y la Tabla 5 se muestra un
resumen de las geoformas encontradas en la región de estudio que corresponden a la región andina:
Tabla 4 Resumen tipos de relieve según su origen Fuente: elaboración propia
TIPO DE RELIEVE
ORIGEN DESCRIPCION
Estructural Resultado de la combinación de procesos endógenos (internos) y exógenos (externos).
Los aspectos que se relacionan con estas geoformas son la estratificación, fallas,
pliegues entre otros.
Denudativo Caracterizadas por ser el resultado de procesos de erosión, depositación y movimientos en masa en geoformas
preexistentes
Fluvial Producto de la actividad erosiva y de acumulación de los
drenajes que transcurren en la región
Glaciar Producto de la erosión intensa ocasionada por el movimiento de grandes masas de hielo en zonas de alta montaña durante la épocas
glaciares, o igualmente por la acción del enfriamiento intermitente y saturación de
sedimentos en zonas periglaciares
Antrópico Geoformas especificas resultado de la intervención humana como las canteras y
embalses.
Tabla 5 Resumen tipos de relieve objeto de estudio Fuente: elaboración propia
TIPO DE RELIEVE
TIPO ELEVACION
Montañoso Mayor 400 m
Colina 201-399 m
Loma 50-200 m
Monticulos 0-49 m
El área de estudio se enmarca en La Sabana de Bogotá que hace parte de una cuenca sedimentaria antigua
afectada por plegamiento y fallamiento intenso, en la actualidad se encuentran pliegues anticlinales erosionados
con direcciones predominantes norte y noreste y que constituyen las zonas más prominentes de la sabana con
relieve montañoso y colinado, relacionado con la evolución de la cordillera oriental, iniciados en el terciario
medio. La Figura 4,Figura 5,Figura 6 y Figura 7 muestran el esquema jerárquico de las formas del relieve
según su origen, para la zona de estudio seleccionada.
23
Estructural
ORIGENUNIDAD SUBUNIDAD
Cuesta estructural denudada
(Sc)
Ladera estructural
(Scle)
Cornisa estructural
(Scor)
Ladera de contrapendiente
(Selp)
Faceta triangular
(Sft)
Escarpe de línea de falla
(Slfp)
Sierra anticlinal denudada y
residual(Ssan)
Laderas estructurales
(Ssanl)
Espinazo estructural denudado
(Se)
Sierra homoclinal denudada
(Ssh)
Laderas de contrapendiente
(Sshcp)
Laderas estructurales
(Sshle)
Valle estructural Anticlinal
(Sva)
Figura 4 Definición de geoformas de origen estructural objeto de estudio. Fuente: elaboración propia adaptado de [13].
24
Fluvial
ORIGENUNIDAD SUBUNIDAD
Abanicos aluviales
(Faa)
Terrazas fluviales de
acumulación(Ft)
Antiguas(Fta)
Planicies y deltas
lacustrinos(Fpla)
Actuales y recientes
(Ftar)
Sucreciente(Ftas)
Figura 5 Definición de geoformas de origen fluvial objeto de estudio. Fuente: elaboración propia adaptado de [13].
25
Denudativo
ORIGENUNIDAD SUBUNIDAD
Conos y lóbulos de
coluviales de solifluxión
(Dco)
Cerro residual(Dcr)
Conos de talud(Dct)
Deslizamientos(Ddl)
Rotacional (Dcdrr)
Transacional (Dcdtr)
Ladera de contrapendiente
estructural denudada
(Dlcp)
Ladera estructural denudada y
residual(Dle)
Flujos torrenciales(Dlfb)
Planchas estructurales denudadas
(Dlpd)
Figura 6 Definición de geoformas de origen fluvial objeto de estudio. Fuente: elaboración propia adaptado de [13].
26
Glaciar
ORIGENUNIDAD SUBUNIDAD
Conos y lóbulos de
gelifracción(Glb)
Abanicos fluvio glaciares
(Gafg)
Circos glaciares de nivación
(Gc)
Ladera de contrapendiente
(Gshcp)
Ladera de contrapendiente
estructural glaciada(Glcp)
Sierras homoclinales
glaciadas(Gsh)
Ladera estructural(Gshle)
Figura 7 Definición de geoformas de origen glciar objeto de estudio. Fuente: elaboración propia adaptado de [13].
27
7.3 Caso de Estudio
7.3.1 Localización Geográfica
El área seleccionada para el estudio es el departamento de Cundinamarca se muestra en la Figura 8.
Figura 8 Esquema básico del área de estudio división departamental y esquemas de hojas escala1:25.000 IGAC Fuente: elaboración propia.
El área seleccionada está enmarcada por las grillas escala 1:25000 del Instituto Geográfico Agustín Codazzi
para las hojas 227IIB y 227IID, que cubren parcialmente los municipios de Tenjo, Cota, Subachoque y Tabio.
El área total cubierta por el área de estudio es de 30.000 Ha como se presenta en Figura 9.
Figura 9 Esquema área de estudio con base en grilla 1:25.000 origen Bogotá. Fuente: elaboración propia.
28
7.3.2 Conjunto de Datos Para La Clasificación
El conjunto de datos para la clasificación de las unidades geomorfológicas está constituido por modelos digitales
de terreno del departamento de Cundinamarca que se resumen:
Modelo digital de elevación STRM de resolución 90X90 (Shuttle Radar Topography Mission ) como se visualiza
en la Figura 10, proyecto de la Nasa lanzado en Febrero del 2000 con el objetivo de generar un modelo digital
de elevación (DEM) global mediante interferometría RADAR desde el espacio.
Modelo digital de elevaciones ASTER de resolución de 30x30 (Advanced Spaceborne Thermal Emissionand
Reflection Radiometer) un sistema de observación orbital puesto en funcionamiento desde 1999 como resultado
de la cooperación entre la NASA, el Ministerio de Economía de Japón, el METI y el ERSDAC japonés y su
propósito fundamental es el de monitorear fenómenos relacionados al medio ambiente y la explotación de
recursos naturales. Es parte del sistema EOS (Earth Observing System).
Figura 10 Vista en formato 3D modelo digital de elevación STRM resolución 90m. Fuente: elaboración propia
29
8 METODOLOGÍA DE CLASIFICACIÓN
En el presente capitulo se realiza una descripción de la metodología de la clasificación aplicada para
el desarrollo de la investigación, la cual se basa en el enfoque de clasificación orientada por objetos
que se resume de manera general en la Figura 11, esta figura muestra las etapas llevadas a cabo
para una clasificación de imágenes.
Modelo digital de elevación
Calculo de parámetros derivados Segmentación de la imagen
Clasificación Evaluación y validación de resultados
Figura 11 Diagrama general de la metodología de clasificación de imágenes aplicado. Fuente: elaboración propia.
Para llevar desarrollar este proyecto se aplicó un enfoque cuantitativo, con un diseño metodológico de
investigación basado en la experimentación dado que permite ejercer un control más claro sobre las variables
que intervienen en el proceso en el que se desarrollan las siguientes fases:
30
1. Fase análisis: en esta fase se busca delimitar las inquietudes y el tema de investigación basada en
la revisión literaria y la construcción del marco teórico, como se muestra en la Figura 12, en base en
esta revisión se constituye el punto de partida obteniendo conocimientos sólidos acerca del tema y
área de interés.
Fase de analisis
Exploración del área de estudio
Definición del área de estudio
Revisión literaria
Figura 12 Actividades fase de análisis. Fuente: elaboración propia.
2. Fase de planeación y diseño: en esta fase del desarrollo del proyecto se plantean las estrategias y
métodos puntuales necesarios para abordar el problema y comprobar la hipótesis como se muestra en
la Figura 13, dentro de esta fase se plantean los métodos e instrumentos a usar, el diseño de el plan
de muestreo a usar en la investigación, al igual que la realización de estudios pilotos y revisiones de
la información obtenida.
31
Fase de diseño
Diseño de Segmentación
Definición de reglas
semanticas
Análisis geomorfológico y de escalas de
estudio
Calculo y ajuste de las variables
del relieve
Figura 13 Actividades fase de diseño. Fuente: elaboración propia.
3. Fase Clasificación: esta fase concentra la ejecución de la clasificación de la imagen en sí misma,
para el caso de estudio se plantea la ejecución de la clasificación basada en la metodología propuesta
y la clasificación basada en los métodos convencionales el esquema de esta fase se muestra en la
Figura 14.
Fase Clasificación
Clasificación de geo formas basadas en
objetos
Clasificación de geo formas usando
metodologia convencional
Validación y ajuste de la clasificación
Validación y ajuste de la clasificación basado en cartografía existente y
temporalidad
Figura 14 Actividades fase de clasificación. Fuente: elaboración propia.
32
4. Fase analítica: esta fase permite concluir el aporte de la investigación no sin antes realizar un proceso
de organización y análisis que para este caso se basa en procesos estadísticos propios para la
evaluación de la clasificación, un esquema de esta fase se muestra en la Figura 15.
Fase de análisis y evaluación de resultados
Aplicación de estadísticos de
precisión
Análisis de resultados
Conclusiones y recomendaciones
Figura 15 Actividades fase de análisis y evaluación de resultados. Fuente: elaboración propia.
8.1 Modelado del proyecto
8.1.1 Análisis de Requerimientos
En este apartado se hará el reconocimiento de las necesidades del proceso para nuestro caso dividimos los
requerimientos en grupos así:
Insumos: los insumos definidos para este proceso son básicamente:
o Modelo digital de elevación (DEM, MDE)
o Imagen satelital óptica de apoyo del área de estudio (Landsat, Spot, Ortofotografía,
Rapideye)
Software: para la aplicación de la metodología propuesta para la clasificación de imágenes de
modelos digitales de elevación basada en objetos es necesario disponer de:
o eCognition de la casa Trimble software especializado en la aplicación de algoritmos para la
interpretación de imágenes basada en objetos.
o Software de análisis de imágenes; ERDAS IMAGE
o Software de apoyo para manejo de análisis geográfico: ArcGIS software ampliamente usado
en el manejo de datos espaciales que integra herramientas de análisis raster para la
derivación de variables del modelo digital de elevación.
33
Productos: los productos a obtener se dividen en dos:
o Productos intermedios:
Definición semántica de las geoformas del terreno que debe ser definida
según parámetros.
Análisis de imágenes de insumo
Calculo y almacenamiento de imágenes derivadas del modelo digital de
elevación
Cálculo y refinamiento del factor de escala adecuado para la imagen.
Análisis y validación de la clasificación basada en objetos
o Productos finales:
Reporte estadístico de clasificación final
Clasificación de modelo digital de elevación basada en objetos.
Evaluación y validación de resultados coeficiente Kappa y matriz de
confusión.
Casos de Uso
Este diagrama representa la funcionalidad completa de la metodología planteada junto con la interacción con
los agentes externos, esta representación se muestra en la Figura 16 a través de las relaciones entre los
actores (agentes externos) y los casos de uso (acciones) dentro del sistema. En la Figura 16 se agrupan las
funcionalidades afines y más importantes que el sistema debe cumplir para satisfacer todos los requerimientos.
Figura 16 Casos de uso generales. Fuente: elaboración propia.
uc Use Case Model
Clasificacion de Formas del Relieve Basado en Objetos
Clasificador
(Geomorfólogo,
Interprete)
Definción de
parametros de la
segmentación.
Segmentacion de la
imagen multiresolución.
Clasificación de
imagenes basados
en objetos
«include»
34
Dada la importancia del caso de uso y sus relaciones con otros casos de uso en el proyecto se presenta de
manera más detallada en la Figura 17 en la que se puede apreciar la manera en la que el proceso de
clasificación en si involucra el proceso de segmentación y asignación de segmentos que tiene por objetivo
implementar la orientación a objetos como enfoque de clasificación de imágenes.
Figura 17 Casos de uso clasificación de imágenes basado en objetos. Fuente: elaboración propia.
.
La definición y descripción de cada caso de uso identificado en la Figura 16 y Figura 17 se encuentra en el
ANEXO 2 especificaciones de casos de uso.
uc Use Case Model
Segmentación de
imagen.
Definición del los
paramentros de
segmentación
Asignacion de
segmentos según
definición de
geoformas.
Análisis estadístico
de resultados,
Reporte final de
clasificación
Clasificador
(Geomorfólogo,
Interprete)
Clasificación de
imagenes basado
en objetos
«include»
«include»
«include»
«include»
«include»
35
8.1.2 Diagrama Conceptual
El modelo conceptual muestra los conceptos presentes en el dominio del problema. Se define como el concepto
las ideas cosas u objetos que se extraen del dominio del problema. Para el caso de estudio se tiene un modelo
conceptural como el mostrado en Figura 18.
Figura 18 Diagrama conceptual. Fuente: elaboración propia.
8.1.3 Diagrama de Actividades
En este diagrama se puede visualizar y especificar la dinámica del conjunto de objetos involucrados en el
proyecto mostrando el flujo operación del método propuesto. Fundamentalmente es un diagrama de flujo que
muestra la interacción entre las actividades como se plasma en la Figura 19.
class Class Model
Clasificación de formas del reliev e
basada en objetosSegmentación
Definición semantica de geoformas del
terreno
1
Experto
Crea
Factor de escala
Imagen ( DEM)
Imagen de
parametros
deriv ados
Genera
1
1
1:*
1:*
1
Suministra
1 1:*
Clasificación de
control
(metodologia
tradicional)
Cuenta con
Ev aluación de
clasificación
1 1 1:*1:*
1:*
1
36
Selección y ajuste del área de trabajo basados
en disponibilidad información secundaria apoyo para proceso de
clasificación convencional.
Revsion bibliografica y de antecedentes
Calculo de parametros derivados de modelo digital de elevación
Corrección y ajuste del modelo digital
de elevación
Segmentación de la imagen
Calculo de el factor de escala basado en
la varianza local
Definición del modelo semántico de formas
del relieve
Modelo semantico
Se cumplen niveles de confianza y cantidad de objetos clasificados
Clasificación de la imagen basado en
objetos
Validación
No
Clasificación de imágenes basada en
objetos y análisis estadístico
Evaluación de resultados
Si
Clasificación de formas del relieva método
convencional
Conclusiones y recomendaciones
Fin
Figura 19 Diagrama de actividades. Fuente: elaboración propia.
37
9 PRUEBAS Y RESULTADOS
9.1 Diseño del Experimento
Experimento planteado es del tipo comparativo que tiene por objeto comparar el resultado obtenido por dos
procesos de clasificación, una clasificación basada en la metodología propuesta y una clasificación basada en
las técnicas convencionales de interpretación visual de imágenes de satélite, ortofotografías y cartografía
existente.
Existen varios elementos que pueden afectar la clasificación basada en objetos. Podemos considerar los
elementos externos como la calidad de la imagen, tipo de topografía a estudiar, así como los elementos internos
propios de la clasificación, factor de escala en la segmentación. Nuestro objetivo es evaluar la metodología
planteada en la que es posible determinar la variable que más influye en el resultado de la clasificación. Al
observar cual es la exactitud de la clasificación basada en los estadísticos de matriz de confusión y coeficiente
kappa aplicado a cada muestra se evaluara la efectividad de la metodología planteada y la contribución que
hace la misma a la definición de clases con un estándar basado en la morfometría.
A continuación se enumeran las pautas básicas usadas en la realización del experimento.
9.1.1 Identificación de Factores, Niveles y rangos
Unidades experimentales: las unidades experimentales como se muestra en la Figura 20, se definen como un
área contenida en una grilla definida por el Instituto Geográfico Agustín Codazzi para la escala 1:25000 y que
cuenta con una nomenclatura estandarizada.
Figura 20 Esquema de unidad experimental dentro de una hoja escala 1:25000. Fuente: elaboración propia.
38
La unidad experimental propuesta tiene un área de 6.000 Metros cuadrados es decir 0,6 Hectáreas de las 15000
Hectáreas que componen un formato de escala 1:25000.
Factores y niveles: por definición de factor tenemos que son las variables controlables por el experimentador,
para nuestro objeto de experimentación se reconocen los factores de la Tabla 6 que afectan la clasificación
orientada a objetos, estas variables pueden afectar el resultado:
Tabla 6 Factores a estudiar y sus niveles. Fuente: elaboración propia
FACTOR /NIVEL
Cantidad de parámetros derivados usados en la clasificación 1 2 3
Resolución de la imagen 30m 15m
Los factores constantes para este proceso son:
Factor de escala aplicado: para este caso se usara el derivado del proceso de optimización basado en
varianza local
Método de aplicación de la clasificación
Variables derivadas del DEM calculadas
Definiciones semánticas de las geoformas
Clasificación de control
Error experimental o perturbación: para el caso de estudio se enumeran los siguientes:
Temporalidad de la imagen.
Efectos topográficos de error en la imagen (sombra, pixeles perdidos, eco, etc)
La Figura 21 muestra un esquema general del experimento y como se analiza que intervienen lasvariables
externas e internas que afectan el mismo.
39
CLASIFICACION
MODELO DIGITAL DE ELEVACIÓN
ESTUDIADOS
Cantidad de parámetros derivados. Resolución de la imagen.
Temporalidad de la imagen.
Efectos topográficos de error en la
imagen
EXACTITUD TEMÁTICA DE LA CLASIFICACIÓN
CONSTANTES
Factor de escala aplicado Método de aplicación de la
clasificación
Variables derivadas del DEM calculadas
Definiciones semánticas de las geoformas
Clasificación de control
Figura 21 Esquema del experimento. Fuente: elaboración propia.
Dado que el objetivo del experimento es determinar el grado de exactitud de la clasificación orientada a objetos
basado en diversos factores, se decide elegir el coeficiente de clasificación Kappa y La matriz de confusión,
estadísticos ampliamente utilizados para determinar la exactitud temática de una clasificación de objetos, como
variables respuesta.
9.1.2 Procedimiento del Experimento
En Figura 22 se muestra la definición del experimento llevado a cabo para verificar el aporte de la
metodología planteada, al evaluar las variables derivadas parte importante en la definición de las
geoformas, esta figura resume el procedimiento usado para la verificación de cantidad de áreas de
estudio.
40
Definición de hipótesis a probar
Elección aleatoria del área de estudio.
Se cumplieron el numero de repeticiones
NoAplicación del tratamiento
Calculo de la variable respuesta
Se cumplieron las repeticiones por tratamiento
No
Análisis de varianza de la variable respuesta
Si
Fin
SI
Elección del tratamiento a
probar
Figura 22 Procedimiento planteado para el desarrollo del experimento. Fuente: elaboración propia.
9.1.3 Diseño Experimental
Se decide realizar un proceso de clasificación basado en la cantidad de variables derivadas usadas. Las
variables derivadas son combinadas con el objeto de generar una imagen única que al ser segmentada y
clasificada ofrezca una clasificación basada en diversas variables.
41
La Tabla 7 muestra la relación de tratamientos posiblemente aplicados, basados en los factores controlables
del experimento.
Tabla 7 Tratamientos derivados de la combinación de factores controlables del experimento. Fuente: elaboración propia
Parámetro derivado
Parámetro derivado
Par
ámet
ro
der
ivad
o 1 2 3
Par
ámet
ro
der
ivad
o 1 2 3
1 T1 1 T8
2 T4 T2 2 T11 T9
3 T5 T6 T3 3 T12 T13 T10
T7 parámetros 123 T14 parámetros 123
Escala 15m Escala 30m
En la Tabla 7 cada tratamiento se denomina con el sufijo T teniendo entonces un total de 14 tratamientos
aplicados 7 a cada tipo de imagen los tratamientos hacen referencia al tipo y la cantidad de variables derivadas
usadas en cada una de las clasificaciones teniendo así una evaluación de 3 variables derivadas con sus
respectivas combinaciones, para el caso de los tratamientos 1,2,3, 8,9, 10 se hacen las clasificaciones basadas
en una sola, de las variables derivadas los tratamientos 4,5,6 11,12,13 se realizan sobre las combinaciones
resultantes de dos de las variables derivadas y para finalizar los tratamientos 7 y 14 se realizan una imagen con
las tres variables estudiadas.
9.2 Análisis de Escala
La escala de trabajo elegida para el desarrollo del proceso de clasificación es la escala de 1: 25.000, el análisis
geomorfológico correspondiente al nivel de Unidades geomorfológicas, la elección de la escala objeto del
estudio se basa en los insumos existentes y el nivel de detalle existente de las clasificaciones desarrolladas en
el territorio nacional de manera oficial por las entidades como el Ingeominas el cual dentro del proyecto
compilación y Levantamiento de la información Geomecánica, desarrollo el estudio geomorfológico para la
sabana de Bogotá en el cual se cuenta con información de 46 planchas con cubrimiento parcial como se muestra
en la Figura 23:
42
Figura 23 Localización área de estudio Proyecto compilación y levantamiento de la información Geomecánica,
Tomada de Ingeominas 2005.
La escala 1:25000 será una escala de referencia sobre la cual se redefinen las unidades de las áreas
escogidas dada la definición semántica a aplicar esto basado en que muchas de las unidades no
cuentan con definición de sub unidades que permitan el mismo alcance en toda el área además que
muchas de las definiciones no son claramente diferenciables basados en las características
netamente morfológicas.
9.3 Parámetros Derivados del Modelo Digital de Elevación
La forma del relieve a nivel local en gran parte se pude describir como una función de la curvatura o cambios
de pendiente, la segunda derivada de la elevación [47], la importancia de las medidas de pendiente en el
proceso de descripción de las superficie terrestre ha sido estudiada desde los inicios de la geomorformetria [55],
con las nuevas tecnologías ha permitido determinar medidas derivadas que han cobrado significado teórico con
el trabajos de Tobler and W.A. Wood, Evans [56] en el cual haciendo uso de las derivadas se intentan simplificar
las variables morfométricas [57].
El objetivo general de la derivación de estos parámetros o variables, es establecer las características que
permiten describir lo que se denomina forma del relieve [35], como se establece en una descripción
geomorfológica lo que se busca es que en base a las características del relieve se puedan encontrar regiones
homogéneas, en el proceso de segmentación de estas parámetros derivados del DEM, permite una
visualización de las variables del terreno que conlleva a un acercamiento a la clasificación de las formas del
relieve basado en las características morfomométricas.
9.3.1 Parámetros de Primer Orden
Las derivadas de primer orden gradiente y aspecto, indica aceleraciones de flujo. La pendiente se define
entonces como el gradiente en dos dimensiones:
43
𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑡𝑎𝑛−1(|𝛻��|) = 𝑡𝑎𝑛−1(𝜕𝑧
𝜕𝑥,
𝜕𝑧
𝜕𝑦) ( 13)
Aplicando la definición establecida por Evans se tiene que:
𝑑 =𝜕𝑧
𝜕𝑥=
𝑧3+𝑧6+𝑧9−𝑧1−𝑧4−𝑧7
6.∆𝑠 ( 14)
𝑒 =𝜕𝑧
𝜕𝑦=
𝑧1+𝑧2+𝑧3−𝑧7−𝑧8−𝑧9
6.∆𝑠 ( 15)
Donde ∆𝑠 es la resolución de la grilla y obteniendo la siguiente definición de pendiente
𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑡𝑎𝑛−1(√𝑑2 + 𝑒2) ( 16)
Para este proceso se cuenta con dos tipos de pendiente calculados con base en la los modelos de elevación
son las pendientes en grados como la mostrada en Figura 24 y las pendientes en porcentaje que se diferencian
en el rango de valores de salida para la pendiente en grados, la gama de valores de pendiente es de 0 a 90.
En el modelo por porcentaje de aumento, el rango es de 0 a esencialmente infinito. Una superficie plana es 0
por ciento, una superficie de 45 grados es 100 por ciento, a medida que el aumento es más grande el porcentaje
es igualmente más grande.
Figura 24 Resultado de la pendiente en grados para el modelo digital de elevaciones STRM. Fuente: elaboración propia.
El aspecto se define como el valor que define la dirección de flujo y depende de cuál es la dirección que es
tomada como origen, usualmente se define en grados y se mide desde el norte en sentido horario con un valor
de 0 a 360, se puede resumir como la dirección de la pendiente.
𝐴𝑠𝑝𝑒𝑐𝑡𝑜 = 180 − 𝑡𝑎𝑛−1 𝑞
𝑝+ 90 ×
𝑝
|𝑝| ( 17)
Donde:
𝑝 =𝜕𝑧
𝜕𝑥 𝑞 =
𝜕𝑧
𝜕𝑦 ( 18)
44
En muchos casos se calcula el seno y el coseno del aspecto para realizar comparaciones espaciales
denominándose las mismas pendientes nortes y estés análogamente.
Para este proceso la variable aspecto se expresa en grados positivos de 0 a 359,9 , que se mide en sentido
horario desde el norte una muestra de esta en la en Figura 25.
Figura 25 Resultado del aspecto para el modelo digital de elevaciones STRM. Fuente: elaboración propia.
El Mapa de sobras como el mostrado en la Figura 26 se obtiene de la iluminación hipotética de la superficie
representada por el modelo digital de elevaciones determinando los valores de iluminación para cada celda en
el mismo. Para este propósito, es necesario configurar la posición de una fuente de luz hipotética y se calculan
los valores de iluminación de cada celda respecto de las celdas vecinas, este valor es el acimut que determina
la dirección angular del sol, esta medida va de 0 a 360 grados desde el Norte en sentido de las agujas del reloj.
Por defecto, la sombra y la luz son tonos de grises asociados a números enteros, de 0 a 255 (aumenta de negro
a blanco).
45
Mapa de sombras con azimut de 315° Mapa de sombras con azimut de 135°
Figura 26 Resultado del mapa de sombras azimut 315° y 135° para el modelo digital de elevaciones STRM. Fuente: elaboración propia.
El cálculo del mapa de sombras responde a la formula
𝑀𝑎𝑝𝑎 𝑑𝑒 𝑠𝑜𝑚𝑏𝑟𝑎𝑠 = 255 ∗ (𝑐𝑜𝑠(𝑧𝑒𝑛𝑖𝑡ℎ𝑟𝑎𝑑) ∗ 𝑐𝑜𝑠(𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑟𝑎𝑑) + (𝑠𝑖𝑛(𝑧𝑒𝑛𝑖𝑡ℎ𝑟𝑎𝑑) ∗ 𝑠𝑖𝑛(𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑟𝑎𝑑) ∗ 𝑐𝑜𝑠(𝑎𝑧𝑖𝑚𝑢𝑡𝑟𝑎𝑑 − 𝑎𝑠𝑝𝑒𝑐𝑡𝑜𝑟𝑎𝑑))) (19)
Con las variables mencionadas se tiene una descripción parcial de las características morfológicas
de un área de estudio y serán parte del análisis para establecer una clasificación de formas del
relieve.
9.3.2 Parámetros de Segundo Orden
Los parámetros derivados de las segundas derivadas son relacionados con la convexidad y concavidad de la
superficie, lo que se denomina curvatura, la curvatura se puede representar en forma de perfiles o de manera
tangencial de acuerdo a si es vertical o horizontal. La primera indica aceleraciones de flujo y la segunda indica
convergencia o divergencia de las líneas de flujo de una superficie.
Las curvaturas comúnmente usadas son las siguientes, las mismas son atributos de forma en contraste a las
curvaturas simples horizontal y vertical que son atributos que muestran el flujo de una superficie [58]:
Curvatura media (H): es el promedio de las curvaturas de las secciones normales mutuamente ortogonales.
Esta curvatura describe la concavidad media y la concavidad convexa del terreno. Los valores positivos de
curvatura media se asocian con zonas que tienen acumulación relativa, mientras que los negativos van a
aparecer en zonas con relativa deflexión [59] como se puede apreciar en la Figura 27 donde se muestra el
resultado de la aplicación del algoritmo y la interpretación de las curvaturas con las gráficas a partir de la
46
interpretación de Schoeneberger quien incluyo este nuevo enfoque de análisis con un total de nueve formas de
curvatura.
Figura 27 Resultado del mapa de curvaturas para el modelo digital de elevaciones STRM análisis de curvatura. Fuente: elaboración propia.
Perfil de Curvatura: es paralela a la dirección de la pendiente máxima, Un valor negativo indica que la superficie
es convexa hacia arriba en ese conjunto de celdas. Un perfil positivo indica que la superficie es cóncava hacia
arriba en este conjunto de celdas. Un valor de cero indica que la superficie es plana perfil curvatura afecta a la
aceleración o deceleración de flujo a través de la superficie. [60]. El perfil de curvatura para el área de estudio
se muestra en la Figura 28.
47
Figura 28 Resultado del mapa de perfil de curvaturas para el modelo digital de elevaciones STRM análisis de curvatura. Fuente: elaboración propia.
Plataforma de Curvatura: es perpendicular a la dirección de la pendiente máxima. Un valor positivo indica la
superficie es convexa lateralmente en este conjunto de celdas el resultado de este cálculo para el área de
estudio se muestra en la Figura 29. Un valor negativo indica la superficie es cóncava lateralmente en este
conjunto de celdas. Un valor de cero indica que la superficie es lineal [60].
48
Figura 29 Resultado del mapa de curvaturas planas o plataforma de curvatura para el modelo digital de elevaciones
STRM análisis de curvatura. Fuente: elaboración propia.
9.4 Segmentación de La Imagen
Además de la interpretación visual, escalas óptimas de segmentación pueden ser evaluados usando la varianza
y medidas de autocorrelación espacial. La segmentación óptima debe seleccionarse según la varianza
relacionada con los segmentos obtenidos y que representan con claridad un objeto geográfico en la imagen.
Como se mencionó en el marco teórico el proceso tiene por objeto obtener segmentos con un significado
espacial, para realizar este proceso se usó el algoritmo denominado varianza local expuesto por el profesor
Lucian Drăguţ, en la Figura 30 se muestran los resultados de aplicar el algoritmo a la imagen STRM y
análogamente se muestra en la Figura 31 los resultados para la imagen ASTER.
Figura 30 Grafica de la varianza local y ROC vs parámetro calculado para la imagen Strm de la zona de estudio. Fuente: elaboración propia.
-10
0
10
20
30
40
50
60
70
80
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
FACTOR DE ESCALA VS VARIANZA LOCAL Y ROC
VARIANZA LOCAL ROC
49
Figura 31 Grafica de la varianza local y ROC vs parámetro calculado para la imagen Aster de la zona de estudio. Fuente: elaboración propia.
La segmentación de la imagen se realiza haciendo uso del método multi-escala esta partición de la
imagen obtiene regiones desconectadas y homogéneas en los distintos niveles de segmentación. La
técnica se investigó inicialmente por Woodcock y Strahle. La segmentación multi-escala comienza
considerando cada píxel como objeto y los combina para crear objetos más grandes basados en
umbrales definidos por la homogeneidad analizada [19]. La segmentación multi-escala proporciona
características de objetos de alto nivel, en comparación con segmentación una sola escala.
Al analizar los datos tabulados como se muestra en la Tabla 8 y Tabla 9 se puede ver como la varianza
local responde a la cantidad de objetos en la imagen siendo directamente proporcional al factor de
escala aplicado, para encontrar un factor de escala de manera óptima se usa el ROC o medida de
taza de cambio que como se explicó anteriormente mide los cambios en los objetos cuando dicho
cambio es menor que cero indica un factor de escala en el cual los objetos tiene una singularidad un
nivel en el cual se encuentran objetos que contienen información constante o característica de la
imagen.
Tabla 8 Tabulación de datos de optimización del factor de escala imagen Strm. Fuente: elaboración propia.
FACTOR DE
ESCALA
VARIANZA LOCAL
ROC
10 13.7852371 0
20 21.7961486 58.11225051
30 25.928964 18.96121888
40 30.7087673 18.4342238
50 33.3882534 8.725476112
60 34.8228894 4.296828534
70 39.0176692 12.04604173
-10
0
10
20
30
40
50
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
FACTOR DE ESCALA VS VARIANZA LOCAL Y ROC
VARIANZA LOCAL ROC
50
80 38.2974156 -1.845967888
90 42.3724599 10.64052043
100 42.3724599 0
110 47.5633274 12.25056906
120 47.5633274 0
130 51.1582314 7.558142482
140 53.0069782 3.613781749
150 60.2129993 13.59447618
160 60.2129993 0
170 60.2129993 0
180 60.2129993 0
190 67.4598573 12.03537133
200 67.4598573 0
Tabla 9 Tabulación de datos de optimización del factor de escala imagen Aster. Fuente: elaboración propia.
FACTOR DE
ESCALA
VARIANZA LOCAL
ROC
10 7.20897807 0
20 10.4911495 45.52894228
30 12.8040087 22.04581287
40 14.7621645 15.29330281
50 16.4367234 11.34358646
60 18.3499629 11.64002932
70 19.6551954 7.112998166
80 20.632289 4.971171961
90 22.2243722 7.716464458
100 22.6073176 1.723087423
110 23.895098 5.69629902
120 25.1126744 5.095506965
130 25.8225794 2.826879572
140 25.8225794 0
150 26.1814757 1.389854475
160 27.6497881 5.608210836
170 28.4124029 2.758121943
180 28.3562917 -0.197488435
190 28.3562917 0
200 30.4483309 7.377689739
La técnica ofrece la posibilidad de variar el tamaño de los segmentos de salida y crea objetos
niveles de jerarquía que facilitan su extracción exacta en ausencia de niveles de jerarquía de objetos,
51
cada objeto se creará a partir de cero y no hay relaciones de topología se construirá entre los objetos
como es la condición inicial planteada para el caso de estudio.
Con base en estos datos se pueden tener puntos de interés en los cuales el valor de la varianza local
tiene cambios importantes de crecimiento para este caso puntos donde la gráfica muestra inflexión
con base en esta grafica se toma como punto el valor de 40 como parámetro de escala, importante
para hacer la segmentación de los objetos con una homogeneidad media como se muestra en la
Figura 32.
Imagen STRM Segmentación obtenida con
factor de escala 40 Distribución de los segmentos.
Total de 94 segmentos.
Figura 32 Segmentación obtenida con un parámetro de escala de 40. Fuente: elaboración propia.
El algoritmo implementado es el descrito por el profesor Lucian Drăguţ y Clemens Eisank, en [61],
el algoritmo fue implementado en el software ecogintion, versión 9.0, como se muestra en la Figura
33.
52
ROC = [L−(L−1)
L−1] ∗ 100 ( 20)
L= varianza local para nivel de
estudio (L – 1) = varianza local del nivel
anterior.
Figura 33 conjunto de reglas implementadas en ecogniton 9.0 para la fase de segmentación.
Fuente: elaboración propia.
El propósito de la aplicación de la segmentación es encontrar el factor de escala de una manera más
adecuada basada en los niveles de varianza local y el factor ROC que es un cálculo porcentual de la
variación de una varianza a otra, por lo tanto que establece un ciclo que permite determinar cuando
este valor es menor que cero indicando un cambio importante en la regularidad de los segmentos.
Como se propone en la presente metodología no basta solo con segmentar la imagen del modelo
digital de elevaciones por lo que se debe obtener los parámetros derivados del mismo, que para el
caso de estudio son básicamente, el hillshade, la curvatura, la pendiente acumulada, como ejemplo
se muestran los resultados obtenidos de la segmentación del hillshade derivado de la imagen STRM
original, como se muestra en la Figura 34.
53
Mapa se sombras o hillshade derivado de la imagen STRM.
Segmentación obtenida con factor de escala 40
Distribución de los segmentos. Total de 142 segmentos.
Figura 34 Segmentación obtenida con un parámetro de escala de 40.para parámetro derivado
Fuente: elaboración propia.
La derivación y segmentación de los parámetros de la imagen tiene por objeto extraer información
del contexto de las formas del relieve que es mucho más útil dese el punto de vista descriptivo con
base en las características propias de las geoformas, una comparación visual de la información
suministrada por las segmentaciones permite la diferenciación de formas del relieve que son más
asociadas a lo que un experto identifica en una imagen a diferencia de la clasificación de alturas que
se puede realizar con base en el modelo digital de elevaciones original.
Como resultado de la aplicación de este algoritmo se obtiene los resultados resumidos en la Tabla
10, en el cual se identifican los parámetros de escala obtenidos y la cantidad de objetos para cada
imagen.
Tabla 10 Resultado de la segmentación de las imágenes haciendo uso de la técnica de segmentación multiresolución y optimizada con la varianza local. Fuente: elaboración propia.
Numero de Objetos
Factor de Escala
Modelo digital de elevación
34 110
Pendiente en grados
11 120
Aspecto 99 180
Mapa de sombras 135°
24 160
Mapa de sombras 315°
55 120
IMAGEN ASTER
Numero de Objetos
Factor de Escala
Modelo digital de elevación
13 180
Pendiente en grados
14 40
Aspecto 29 100
Mapa de sombras 135°
21 60
Mapa de sombras 315°
13 70
IMAGEN STRM
54
Para el análisis se cuenta con las variables derivadas de segundo orden que corresponden a las
curvaturas de los modelos digitales, como resultado del análisis se tiene que los factores de escala
para estos parámetros distan de los encontrados para las variables de primer orden, lo que hace
que sea necesario el análisis por separado con los resultados de la Tabla 11.
Tabla 11 Resultado de la segmentación de las variables de segundo orden haciendo uso de la técnica de segmentación multiresolución y optimizada con la varianza local. Fuente: elaboración propia.
Numero de Objetos
Factor de Escala
Curvatura media
66 320000
Curvatura plana
97 210000
Perfil de curvatura
131 180000
IMAGEN STRM
Con la definición de estos objetos se puede encontrar la utilidad de la segmentación multiresolución
para la identificación de patrones de las imágenes que desde este momento conforman objetos con
sentido dentro de la imagen, basados en los niveles digitales almacenados en cada uno de ellos.
9.5 Clasificación de La Imagen
Basados el proceso de segmentación de las imágenes se debe realizar una clasificación de dichos
segmentos basados en reglas de asignación, en un principio dichas reglas deben responder a un
conocimiento de las características geomorfológicas del sitio de estudio, aunque una manera eficaz
de realizar este proceso es por el simple proceso estadístico que permita diferenciar entre zonas
altas medias y bajas de una imagen basados en la iteración y clasificación de los valores almacenados
en la misma.
Como se puede observar la clasificación de la Figura 35, muestra una clasificación que se basa
netamente en la identificación de niveles de altura de la imagen y su asociación con los conceptos
fisiográficos, de planicies montañas y colinas.
55
Figura 35 Clasificación basada en orden jerárquico de las alturas almacenadas en el modelo digital. Fuente: elaboración propia.
La clasificación obtenida responde a un criterio de la desviación estándar calculada y su jerarquía un
proceso automático de clasificación como el que se muestra en la Figura 36, aunque el
procedimiento clasifica de manera adecuada la imagen dista de lo que se busca en una clasificación
de geoformas del terreno que no solo tienen en cuenta la altura del terreno si relaciones entre
orientación, pendiente entre otros.
Adicionar a la asignación de clases identificaciones semánticas más elaboradas acerca la clasificación
a la obtenida por los razonamientos realizados por los expertos un proceso basado en este tipo de
reglas es el que produce una clasificación mostrada en la Figura 37.
Los proceso de asignación de clases pueden contribuir en la forma en que se da interpretación a la
segmentación, la metodología planteada busca enriquecer el proceso automático de generación de
segmentos de una modelo digital de elevación junto con los parámetros derivados llevando a
construir unidades con mayor contenido semántico, los diagramas de asignación de clases se
muestran en la Figura 36 y Figura 38, respectivamente.
56
Altura > a la media
Clasificación de objetos altos
Clasificación de objetos bajos
si
no
Clasificación como montaña
Desviación estándar > a la media de los objetos
si
Clasificación como mesetas o colinas
altas
no
Desviación estándar > a la media de los objetos
Clasificación como colina
si
Clasificación como planicie
no
Segmentacion
Figura 36 Diagrama de asignación jerárquico basado en las medias y desviaciones de las alturas.
Fuente: elaboración propia.
57
Figura 37 Clasificación basada en reglas preestablecidas de los modelos derivados del modelo digital. Fuente: elaboración propia.
Cuenta con parametro hillshade
si
no
Clasificación
Segmentacion
Cumple la regla siSecuencia de reglas lógicas de clasificación
no
Búsqueda de nuevo parametro
Figura 38 Diagrama de asignación basado en reglas. Fuente: elaboración propia.
58
La definición de los objetos se resume en una serie de reglas que se definen sobre las estadísticas
de los parámetros derivados del DEM, para la realización de este proceso se realizó un análisis de
cada una de las variables disponibles para la clasificación, este análisis se fundamenta en la
definición de las formas del relieve objeto de estudio y numeradas en el capítulo 4 en el apartado
2.
Teniendo como base la segmentación de las imágenes se analizan las definiciones de cada una de
las geoformas encontrando los siguientes aspectos importantes para definición de las clases o
definiciones semánticas. En la Tabla 12, Tabla 13 y
Tabla 14 se muestra los resultados de las características encontradas de las geo formas del terreno
según segmentación obtenida
Tabla 12 Parametrización de las geoformas de la zona de estudio según altura.
Fuente: elaboración propia.
min max
Abanicos aluviales
2669.163149
Planicies y deltas
2554.54205 2612.25414
Terrazas de acumulación antiguas
2727.011765
Sierra homoclinal
2643.25819 3071.5521
Ladera estructural de cuesta
2849.389565
IMAGEN STRM
min max
Abanicos aluviales
2632.42513 2685.69591
Flujos torrenciales
2676.001023 -2730.064924
Planicies y deltas
2546.64829 2582.03359
Terrazas de acumulación antiguas
2721.81402
2777.16352
Sierra homoclinal
2582.03359 3102.57662
Ladera estructural denudada
2878.131048
Conos y lóbulos coluviales de solifluxión
2609.898649
IMAGEN ASTER
59
Tabla 13 Parametrización de las geoformas de la zona de estudio según pendiente en grados. Fuente: elaboración propia.
min max
Abanicos aluviales 2.943174
Flujos torrenciales 5.757488
Planicies y deltas 1.095316 1.542246
Terrazas de acumulación antiguas
7.494323
Ladera de contrapendiente de sierra homoclinal
11.342691 21.909812
Ladera de contrapendiente estructural denudada
11.543107
Ladera estructural de sierra homoclinal
17.024024 21.067064
IMAGEN STRM
El objetivo principal de la caracterización de las geoformas es obtener definiciones claras de cada
una de las geoformas aportando así en la estandarización de una clasificación geomorfológica que
de la cual en la actualidad no se tiene, este intento de definición de basa en los cálculos de las medias
de las medidas de cada uno de los objetos que conforman la segmentación.
Un proceso análogo al mostrado se aplica a cada una de los parámetros derivados, y de similar
manera a las combinaciones de bandas resultantes, obteniendo un conjunto de reglas con
diferentes niveles de abstracción debido a la importancia de la segmentación obtenida en la etapa
anterior.
Basados en la definición de clases se obtiene la asignación de los objetos a cada una de ellas lo que
trae como resultado una clasificación basada en objetos que debe ser validada para su
correspondiente aceptación o rechazo según criterios de exactitud temática que deben ser
comparados con una muestra de control.
min max
Abanicos aluviales 6.132722
Planicies y deltas 4.702058 5.588507
Flujos torrenciales 9.408757
Ladera de contrapendiente de sierra homoclinal
13.010319 34.152973
Ladera estructural de sierra homoclinal
18.988649
Planchas estructurales 22.363544
Conos y lóbulos coluviales de solifluxión
8.137142
IMAGEN ASTER
60
Tabla 14 Parametrización de las geoformas de la zona de estudio
según mapa de sombras 315°. Fuente: elaboración propia.
min max
Abanicos aluviales 175.794487
Flujos torrenciales 187.842585
Planicies y deltas 179.207709 178.733586
Terrazas de acumulación antiguas
162.887765
Ladera de contrapendiente de sierra homoclinal
118.68424 212.238969
Ladera estructural de sierra homoclinal
109.40625 118.68424
Planchas estructurales
122.539027
Conos y lóbulos coluviales de solifluxión
154.506667
IMAGEN STRM
9.6 Clasificación Propuesta Metodológica Para El Desarrollo de La Cartografía
Geomorfológica Para Zonificación Geomecánica.
Para realizar una identificación de las ventajas o desventajas de la implementación de la
metodología planteada se hace necesario contrastar el resultado con una clasificación realizada con
los métodos convencionales, para efectos del presente análisis se toma como insumo la propuesta
metodológica para el desarrollo de la cartografía geomorfológica para zonificación geomecánica
aplicada en el proyecto de compilación y levantamiento de información geomecánica A01G05
desarrollado por el INGEOMINAS (Instituto de investigación e información científica minero
ambiental y nuclear), en el estudio se aplicó una metodología que se muestra en la Figura 39 y que
considera los siguientes aspectos como lo considera el ITC:
Agrupación de las unidades morfológicas en clases.
Morfoestructura y litología
Morfometría (Mapa de pendientes)
Morfocronología
min max
Abanicos aluviales 178.622691 182.213616
Flujos torrenciales 188.770957
Planicies y deltas 156.085923 178.622691
Terrazas de acumulacion antiguas
150.418755 - 181.664977
Ladera de contrapendiente de sierra homoclinal
191.067771 247.0441
Ladera estructural de sierra homoclinal
69.227545 159.138795
Ladera estructural de cuesta
156.510081
Ladera estructural de sierra anticlinal
151.354077
Ladera estructural denudada
154.611131
Ladera de contrapendiente estructural denudada
157.128261
IMAGEN ASTER
61
Fase final
Fase de Campo
Fase preliminar
Recopilacion de informacin tematica
Evaluación información geológica de las unidades
litológicas
Interpretación de imágenes de satélite y
fotografías aéreasElaboración del mapa
Comprobacion de fotointerpretacion
Complementacion de la información
Evaluación de la información
Figura 39 Metodología convencional utilizada en la propuesta. Fuente: Ingeominas
El estudio contempla una totalidad de 44 hojas cartográficas a escala 1:25.000 de las cuales se
seleccionaron las planchas 227IIB y 227IID que se muestran a continuación.
62
Las hojas fueron digitalizadas y ajustadas según imágenes de satélite landsat8 del año 2014 como
se muestra en la Figura 40.
63
Ajuste de clasificación con imagen Landsat8 del año 2014.
Clasificación geomorfológica por el método tradicional.
Figura 40 Clasificación geomorfológica del método tradicional usada para la validación de resultados. Fuente: elaboración propia
9.7 Evaluación de Resultados y Exactitud.
La evaluación de la clasificación se realizó como se mencionó en capítulos anteriores basado en la Matriz de
confusión y coeficientes estadísticos.
Para estimar el número de elementos de la muestra en una imagen clasificada, donde la variable no es
cuantitativa, mas categórica, se recomienda usar la probabilidad binomial o de Bernoulli según Chuvieco. [41],
este tipo de probabilidad cuenta con las siguientes características:
En cada prueba del experimento sólo son posibles dos resultados: éxito y fracaso.
La probabilidad de éxito es constante, es decir, que no varía de una prueba a otra.
.La probabilidad de fracaso también es constante
.El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente.
Para definir el tamaño de la muestra con el que se va a realizar la validación de resultados se tiene la siguiente
expresión matemática [41]:
64
𝑛 =𝑍2𝑝𝑞
𝐿2 ( 21)
Donde :
𝑛 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑍2 = 𝐴𝑏𝑠𝑖𝑠𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑢𝑟𝑣𝑎 𝑛𝑜𝑟𝑚𝑎𝑙
𝑝 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑖𝑒𝑟𝑡𝑜𝑠
𝑞 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜𝑠
𝑞 = 𝑁𝑖𝑣𝑒𝑙 𝑝𝑒𝑟𝑚𝑖𝑠𝑖𝑣𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟
Para el caso de estudio se define que: •
Se espera un nivel de probabilidad de acierto de 95%
Con un nivel permisible de error de ± 5%
Y un 85% de aciertos
𝑛 =1,962∗85∗15
52 = 195,92 ( 22)
Con base en este resultado tenemos un total de 196 puntos como muestra en la imagen para determinar la
exactitud de la clasificación. Se decide tomar una muestra totalmente aleatoria sobre la imagen resultante para
lo cual se hacer haciendo uso del software Arcgis y sus herramientas de generación aleatoria de puntos como
se muestra en la Figura 41.
Generación aleatoria de puntos sobre el área de estudio usando herramienta Arcgis
Puntos muestra obtenidos para el área de estudio.
Figura 41 Generación de puntos aleatorios para la muestra. Fuente: elaboración propia.
La matriz de confusión resultante se muestra en la Tabla 15 esta tiene por objetivo identificar los
conflictos entre las clases tanto de referencia como las clases resultantes de la clasificación se
65
muestra la matriz equivalente a la Tabla 3 para el caso de estudio se cuenta con un total de 5 clases
con las siguientes cantidades, la diagonal representa así los aciertos entre la clasificación obtenida
y la imagen de control:
Tabla 15 matriz de confusión resultante de la clasificación de objetos del mapa de sombras (hillshade) del dem. Fuente: elaboración propia.
Referencia
Clasificació
n
Abanicos
Ladera estructural denudada
Ladera estructural
Ladera de contrapendiente Planicies
Abanicos 3 0 0 0 21 24
Ladera estructural denudada
5 6 0 3 3 17
Ladera estructural 3 6 15 8 10 42
Ladera de contrapendiente
0 5 4 11 7 27
Planicies 1 2 5 0 78 86
TOTAL 12 19 24 22 119 196
Las estadísticas derivadas para esta clasificación se encuentran resumidas como se muestra en la
Tabla 16 al igual que los siguientes índices así:
Tabla 16 matriz de confusión resultante para clasificación de objetos del mapa de sombras (hillshade) en porcentaje. Fuente: elaboración propia.
Abanicos
Ladera estructural denudada
Ladera estructural
Ladera de contrapendiente Planicies
Abanicos 25,000 0,000 0,000 0,000 17,647
Ladera estructural denudada 41,667 31,579 0,000 13,636 2,521
Ladera estructural 25,000 31,579 62,500 36,364 8,403
Ladera de contrapendiente 0,000 26,316 16,667 50,000 5,882
Planicies 8,333 10,526 20,833 0,000 65,546
Exactitud del usuario: esta exactitud representa el porcentaje de cada clase que ha sido
correctamente clasificado. Para el caso de estudio se cuenta con un alto nivel de exactitud de
usuario para el caso de las planicies como se muestra en la Figura 42.
66
Figura 42 Grafica de la exactitud del usuario derivada da la matriz de confusión. Fuente: elaboración propia.
Exactitud de productor: En este índice se puede encontrar que tan bien fueron clasificados los
puntos de referencia, resulta de dividir el número de pixeles correctamente clasificados en cada
categoría por el número de pixeles de referencia utilizados por cada clase.
Errores de omisión y comisión: estas graficas resumen los valores fuera de la diagonal de la matriz
de confusión los errores de omisión hacen referencia corresponden a los elementos que se
asignaron a otras clases, los errores de comisión corresponden a los elementos que se asignaron a
una clases sin ser de esta para hacer visual esta estimación se tienen la.
12,50
35,29 35,7140,74
90,70
Abanicos Ladera estructuraldenudada
Ladera estructural Ladera decontrapendiente
Planicies
Exactitud del Usuario
25,00
31,58
62,50
50,00
65,55
Abanicos Ladera estructuraldenudada
Ladera estructural Ladera decontrapendiente
Planicies
Exactitud del Productor
67
Figura 43 Errores de comisión y omisión de la clasificación por clase.
Fuente: elaboración propia.
Exactitud global: muestra de manera general el porcentaje de exactitud de la clasificación es igual
al número de puntos correctamente clasificados por el número total de puntos de referencia para
el caso de esta clasificación este valor expresado en porcentaje es:
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 𝑔𝑙𝑜𝑏𝑎𝑙 =3 + 6 + 15 + 11 + 78
196= 0,576 = 57,6%
Este índice indica cómo la exactitud se reparte entre las diversas clases.
Las medidas de exactitud que se muestran con anterioridad están basadas en la matriz de confusión
solamente desaprovechando la información por la distribución aleatoria de los datos con el objetivo
de superar estas limitaciones se usa el índice denominado coeficiente Kappa como se explicó en el
capítulo 2 mide la diferencia entre la exactitud lograda en la clasificación con un clasificador
automático y la chance de lograr una clasificación correcta con un clasificador aleatorio.
La aplicación de la formulación matemática expuesta en la ecuación (11) se tiene el siguiente
resultado:
𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝐾𝑎𝑝𝑝𝑎 =9701
25069= 0,3735 = 37,35%
Con este índice muestra el grado de acuerdo corregido con el acierto debido al azar es, como se
observa este es un índice mucho más pequeño lo que se puede interpretar como que el acierto
observado está compuesto mucho más modesto que lo que indicaba el 84% de acuerdo "crudo".
Según la interpretación anterior, el acuerdo observado está compuesto por un 37,35% del acuerdo
máximo y un 32,4% del esperado por azar.
Según Landis y Koch [62] propusieron, y desde entonces ha sido ampliamente usada, la siguiente
Tabla 17 en el cual se encuentra escala la valoración del índice Kappa
Tabla 17 Tabla de interpretación de coeficiente Kappa. Adaptado de [62]
87,50
64,71
64,29
59,26
9,30
0,00 20,00 40,00 60,00 80,00100,00
ABANICOS
LADERA …
LADERA …
LADERA DE …
PLANICIES
Comisión
75,00
68,42
37,50
50,00
34,45
0,00 20,00 40,00 60,00 80,00
ABANICOS
LADERA …
LADERA …
LADERA DE …
PLANICIES
Omisión
68
kappa Grado de acuerdo
< 0,00 sin acuerdo
>0,00 - 0,20 insignificante
0,21 - 0,40 discreto
>0,41 - 0,60 moderado
0,61 - 0,80 sustancial
0,81 - 1,00 casi perfecto
69
10 CONCLUSIONES Y TRABAJO FUTURO
En este capítulo se resume a manera de conclusiones los aspectos más importantes encontrados en
el desarrollo de esta investigación; adicionalmente se sugieren varios temas que deben ser
abordados en investigaciones futuras.
10.1 Conclusiones
Un aspecto clave importante para la clasificación es la información respecto a la definición de clases
objeto de la clasificación por lo encontrado en la investigación las definiciones son ambiguas y no
existe información suficiente que permita la diferenciación con la información disponible.
En esta tesis se contó como punto de partida inicialmente el estudio del Ingeominas denominado
“Propuesta Metodológica Para El Desarrollo de Cartografía Geomorfológica Para Zonificación
Geomecánica”, en el cual se exponen una serie de definiciones para las unidades según los
diferentes orígenes (estructural, denudativo, fluvial, antrópico y glaciar), inicialmente se encuentran
descriptores morfológicos que son de uso común como lo es el tipo de relieve, la pendiente y la
altura. Se probó que estos descriptores no son suficientemente buenos para discriminar esta
cantidad de geoformas por lo que no fueron elegidas como el objetivo de la clasificación. Un
esfuerzo en esta investigación se enmarco en encontrar nuevas variables descriptoras de las clases
a través de la utilización de métricas de morfología del terreno a clasificar, esperando que la
introducción de esta nueva información pudiera mejorar los resultados de la clasificación.
La razón por la que se eligió una metodología de extracción de características basada en objetos es
que esta metodología es similar a la forma en que un geomorfólogo analiza una región geográfica a
través de la interpretación visual de esta. En una clasificación geomorfológica manual un experto
observa una zona en busca de patrones bien establecidos en una imagen de origen óptico y basado
en su conocimiento determina a qué tipo de unidad geomorfológica pertenece esa zona. Con la
metodología propuesta basada en la clasificación basada en objetos se busca, de manera similar,
encontrar patrones de comportamiento cuantificables que den cuenta de la forma del terreno
basados en el modelo digital de elevaciones en determinada región geográfica.
La metodología basada en modelos digitales de elevación y sus modelos derivados entrega una
buena cantidad de descriptores que aportan información importante sobre la morfología del
terreno y que mejora el desempeño de una clasificación desde el punto de vista descriptivo cuando
estos son incluidos. Según revelan los desempeños en las clasificaciones realizadas, las
clasificaciones con información derivadas de los modelos digitales de elevación no son iguales la
realizada con el proceso aplicado convencionalmente en el que se usa imágenes ópticas para la
clasificación de geoformas del terreno pero permite aumentar la eficiencia y objetividad en un 25%
al separar las clases.
La metodología propuesta radica en la combinación de datos y análisis de las fuentes de datos
existentes, que con la ayuda de procesamientos digitales y análisis geoespaciales y estadísticos se
pueden usar para mejorar el proceso de clasificación de formas del relieve realizado por
metodologías existentes; las diferencias encontradas en los resultados se atribuyen a la alta relación
70
de la interpretación de la imagen óptica satelital en el proceso convencional, la relación entre la
imagen óptica y la interpretación convencional evita una mejor relación con los supuestos de
interpretación basados en los modelos digitales de elevación debido a que la interpretación de
algunas geoformas interviene el uso y cobertura visible en las imágenes ópticas.
De acuerdo a los análisis realizados se encuentra que la variable derivada mapa de sombras ofrece
una discriminación de las formas del relieve, que lleva a obtener un nivel de alrededor de un 30%
más de discriminación de las facetas de las zonas montañosas, de igual forma se concluye que las
variables como la pendiente y el insumo principal que es modelo digital de elevaciones ofrecen una
información que complementa las descripciones apoyando los resultados tanto de la segmentación
como la clasificación en sí misma.
Se puede decir entonces que la contribución principal de este trabajo es establecer un nuevo
enfoque en la clasificación de formas del relieve así:
Se analizaron las definiciones jerárquicas existentes para la clasificación de geoformas del
relieve en específico la descrita por Carvajal [11] [13] en la que se tiene como referencia el
origen de las geoformas como parte fundamental de la clasificación descomponiendo el
paisaje en geomorfoestructuras, provinicias, regiones, unidades y subunidades, todas con
características no muy bien diferenciadas.
Se aplicó el concepto de segmentación multiresolución y se realizaron los cálculos
necesarios para determinar la varianza local de los objetos y la manera como esta varia de
una escala a otra deteminando picos en los que se evidencia estabilidad en los objetos,
hecho que se asume como indicador de un factor de escala importante en la imagen, esta
técnica descrita en [32] [63], se puede aplicar de manera semi automantica en el software
ecognition encontrando objetos en la imagen que reflejan de manera adecuada
características propias de la imagen.
Se definió una metodología aplicable al modelo digital de elevaciones y sus principales
variables derivadas que permite realizar una segementación de la imagen y una asignación
de los objetos encontrados teniendo como base la clasificación basada en objetos, para ello
se usó el software ecognition y se desarrolla un aplicativo con el objeto de mostrar los
resultados de manera mas clara.
Se definieron reglas semánticas que permiten la identificación de las geoformas del terreno
basado en medidas propias del terreno que evitan las ambigüedades y apoyan la
jerarquización y estandarización de las mismas.
Este nuevo enfoque permite tener un acercamiento a una solución al problema global de
identificación de características y definición de un orden jerárquico de las formas del relieve
que son comúnmente reportados por los expertos y que han llevado al interés de definición
de diferentes aproximaciones al mismo problema.
Ninguna de las pruebas permitió un resultado por encima del 80% con la selección de
características derivadas del modelo de elevaciones sin incluir información de imágenes
ópticas asociada a uso y cobertura.
El desempeño de la clasificación presenta un grado moderado de objetos bien clasificados,
que establece la posibilidad de usar información derivada de los modelos digitales de
elevación y un proceso de segmentación multiresolución no de forma exclusiva pero si
71
como complemento en las metodologías de clasificación existentes. No obstante, como se
puede apreciar, el desempeño de la clasificación basada en objetos ofrece una definición
objetiva de las formas a encontrar ofreciendo una mayor claridad en las definiciones de las
geoformas de un área; evitando así las definiciones ambiguas reduciendo en un 50 % los
tiempos de clasificación.
En cada uno de los experimentos de la aplicación de la metodología propuesta para la clasificación
con las variables derivadas de los modelos digitales de elevación, se destaca la parametrización del
proceso de clasificación; encontrando indicadores objetivos para la definición de escalas y
paramentos que apoyan la definición de cada una de las geoformas encontradas.
Ninguna de las pruebas permitió un resultado por encima del 80% con la selección de características
derivadas del modelo de elevaciones sin incluir información de imágenes ópticas asociada a uso y
cobertura. De lo anterior se infiere entonces la utilidad de la metodología propuesta llegando a ser
de un 60% a un 65% sin llegar a ser completamente efectiva es una aproximación que ayuda a
mejorar aspectos como el tiempo y definición de geoformas características de la zona de estudio en
este caso zonas montañosas.
10.2 Trabajo Futuro
En el desarrollo de esta investigación se usaron solo las variables derivadas de los modelos de
elevación para la definición de las formas del relieve que fueron comparadas con una metodología
propuesta en la que se usan imágenes ópticas en específico Landsat. Sin embargo, las variables
derivadas del modelo digital de elevación no ofrecen una definición completa que incluya los
orígenes planteados en las definiciones de algunas geoformas asociadas a orígenes como el
denudativo, como no era objetivo de este trabajo de investigación es necesario la incluision de
análisis de imágenes ópticas y mapas de cobertura que incluyan nuevos parámetros de
discriminación.
Un enfoque importante para el desarrollo de investigaciones futuras es encontrar la manera de
enriquecer las imágenes ópticas con los parámetros derivados de los modelos digitales de elevación
haciendo que las definiciones de las geoformas se enriquezcan y se tenga una gama más amplia de
definiciones para el problema presentado; otro enfoque que se puede abordar, es utilizar mapas de
uso y cobertura, geología y riesgo existentes de la zona y usarlos como insumo en la segmentación
de la imagen buscando que este proceso mejore el desempeño de la metodología.
La selección de variables derivadas del modelo de elevación fueron limitados y se usaron aquellos
más documentados por la literatura existente y por las aplicaciones existentes. Es claro, que existen
una gran cantidad de algoritmos para el cálculo de las variables derivadas de modelos de elevación
y los criterios de los mismos influyen en los resultados obtenidos evaluar estos algoritmos y su
desempeño computacional puede mejorar la clasificación.
72
BIBLIOGRAFÍA
[1] E. Chuvieco, Fundamentos de teledetección espacial, Madrid: Rialp, 1990.
[2] R. S. Hayden, «Mapping,» de Geomorphology From Space, Greenbelt, EEUU, United States
Government, 1986.
[3] R. Macmillan, «A generic procedure for automatically segmenting landforms into landform,»
Fuzzy Sets and Systems, pp. 81-109, 2000.
[4] B. Klingseisena, G. Metternichtc y G. Paulusd, «Geomorphometric landscape analysis using a
semi-automated GIS-approach,» Enviromental Modelling & Software, p. 109–121, 2008.
[5] A. H. Ehsania y F. Quiela, «Geomorphometric feature analysis using morphometric
parameterization and artificial neural networks,» Geomorphology, pp. 1-12, 2008.
[6] H. Forero, P. Rubio y et al., «Plan Estrégico Para el Desarrollo de La Geomorfología en
Colombia,» Sociedad Colombiana de Geologia, Bogotá, 2005.
[7] G. Hay y G. Castilla, «Geographic Object-Based Image Analysis (GEOBIA): A new name for a
new discipline,» de Object-Based Image Analysis. Spatial Concepts for Knowledge-Driven
Remote Sensing Applications, Springer, 2008, pp. 75-88.
[8] R. S. Hayden, R. W. Blair y et al., «Future Outlook,» de Geomorfology From Space, Greenbelt,
EEUU, United States Government, 1986.
[9] J.-K. Liu, K.-T. Chang y et al., «The Geomorphometry of Rainfall-Induced Landslides in Taiwan
Obtained by Airborne Lidar and Digital Photography,» de Geoscience and Remote Sensing,
Rijeka, Croatia, InTech, 2009, pp. 116-132.
[10] IDEAM, Sistemas Morfogénicos del Territorio Colombiano, Bogotá: Instituo de Hidrología
Metereología y Estudios Ambientales, 2010.
[11] J. H. Carvajal, «Propuesta de estandarización de la cartografía geomorfológica en
Colombia.,» INGEOMINAS, Bogotá, 2011.
[12] L. Drăguţa y C. Eisanka, «Automated object-based classification of topography from SRTM
data,» Geomorphology, pp. 21-33, 2012.
[13] H. Carvajal, R. Cortez del Valle y et al., «Propuesta metodológica para el Desarrollo de la
Cartografía Geomorfológica para La Zonificación Geomecánica,» Instituto Colombiano de
Geología y Minería Servicio Geologico Colombiano, Bogotá, 2004.
73
[14] J. A. Richards, «Clustering and Unsupervised Classification,» de Remote Sensing Digital Image
Analysis, Australia, Springer, 2013, pp. 319-341.
[15] J. A. Richards, «Supervised Classification Techniques,» de Remote Sensing Digital Image
Analysis, Australia, Springer, 2013, pp. 247-318.
[16] G. Moser, S. B. Serpico y J. A. Benediktsson, «Land-Cover Mapping by Markov Modeling of
Spatial–Contextual Information in Very-High-Resolution Remote Sensing Images,» vol. 101,
nº 3, 2013.
[17] A. R. Formaggio, M. A. Vieira y C. D. Rennó, «Object Based Image Analysis (OBIA) And Data
Mining (DM) In Landsat Time Series For Mapping Soybean In Intensive Agricultural Regions,»
Munich, 2012.
[18] L. Aili y W. Yuqin, «Object-oriented Method based Research on Classifi cation of Relief Form
of China,» Nanjing, 2011.
[19] T. Blaschke, «Object Based Image Analysis: A New Paradigm In Remote Sensing?,» Baltimore,
Maryland, 2013.
[20] I. F. Luque, Aguilar, F. J. y e. al, «Non-Parametric Object-Based Approaches to Carry Out ISA
Classification From Archival Aerial Orthoimages,» vol. 6, nº 4, 2013.
[21] C. Eisank, L. Drăgut y T. Blaschke, «A generic procedure for semantics-oriented landform
classification using object-based image analysis,» de Geomorphometry, California, Redlands,
2011 , pp. 125-128.
[22] L. Aili y W. Yuqin, «Object-oriented Method based Research on Classifi cation of Relief Form
of China,» Jiangsu, China , 2011.
[23] N. La Serna y U. Román, «Técnicas de Segmentación en Procesamiento Digital de Imágenes,»
Revista de Investigación de Sistemas e Informática, pp. 9-16, 2010.
[24] A. Avramoviü y V. Risojeviü, «Analysis of Spatial Partitioning Approaches for Image
Classification,» Belgrade, Serbia, 2014.
[25] X. Zhang, P. Xiao y e. a. , «Toward Evaluating Multiscale Segmentations of High Spatial
Resolution Remote Sensing Images,» vol. (Por publicar), 2015.
[26] S. d’Oleire-Oltmanns, C. Eisank y e. a. , «An Object-Based Workflow to Extract Landforms at
Multiple Scales From Two Distinct Data Types,» vol. 10, nº 4, 2014.
[27] X. Zhang, Y. Li y et al., «Joint Segmentation And Classification Of Hyperspectral Image Using
Meanshift And Sparse Representation Classifier,» Melbourne, Australia, 2013.
[28] L. Drăgut y E. Clemens, «Object representations at multiple scales from digital elevation
models,» Geomorphology, pp. 183-189, 15 06 2011.
74
[29] D. Sathyamoorthy, «Comparative Analysis Of Cell- And Object- Based Local Variance: Case
Study On Physiographic Features Extracted From Multiscale Digital Elevation Models,» 2014.
[30] L. Drăguţ, C. Eisank y T. Strasser, «Local variance for multi-scale analysis in
geomorphometry,» Geomorphology (Amsterdam, Netherlands), pp. 162-172, 2011.
[31] M. Baatz y A. Schape, «ecognition,» 2014. [En línea]. Available:
http://www.ecognition.com/sites/default/files/405_baatz_fp_12.pdf. [Último acceso: 10 08
2014].
[32] L. Drăguţ, D. Tiede y S. Levick, «ESP: a tool to estimate scale parameters for multiresolution
image segmentation of remotely sensed data.,» International Journal of Geographical
Information Science, pp. 859-871, 2010.
[33] R. MacMillan y P. A. Shary, «Landforms and Landform Elements in Geomorphometry,» de
Geomorphometry: Concepts,Software,Applications, Amsterdam, Elsevier , 2009, pp. 227-256.
[34] V. Olaya, «Basic Land Surface Paramenters,» de Geomorphometry:
Concepts,Software,Applications, Amsterdam, Elsevier, 2009, pp. 141-169.
[35] A. M. Felicísimo, Modelos Digitales del Terreno, Oviedo: Pentalfa, 1994.
[36] L. Drăguţ y C. Eisanka, «Object representations at multiple scales from digital elevation
models.,» Geomorphology, pp. 183-189, 2011.
[37] O. d. L. N. Unidas, «Guia Para la Descripción de Suelos,» Organizacion de Las Naciones
Unidas Para La Agricultura y La Alimentación, Roma, Italia, 2009.
[38] A. Espositos, «SVILUPPO DI PROCEDURE AUTOMATIZZATE IN AMBIENTE GIS PER L'ANALISI DI
FORME TERRAZZATE E SUPERFICI GEOMORFOLOGICHE RELITTE,» Napoli, 2007.
[39] A. Zinck, GEOPEDOLOGIA .Elementos de geomorfología para estudios de suelos y de riesgos
naturales., Enschede, The Netherlands: ITC Special Lecture Notes Series, 2012.
[40] J. M. Foguet, «Análisis multivariante: análisis de componentes principales,» Hispano
Europea, Barcelona, España, 1989.
[41] E. Chuvieco, Fundamentos de teledetección espacial, Madrid, España: Rialp, 2002.
[42] J. Richards y X. Jia, Remote sensing digital image analysis: an introduction, Berlín, Alemania:
Springer-Verlag, 2006.
[43] A. Cailleux y J. Tricart, Initiation a l'etude des sables et des galets, París: C[entre de la]
D[ocumentation] U[niversitaire], 1959.
[44] G. Elizalde y L. Fernández, «CLASIFICACION DE PAISAJES EN LA CUENCA DEL RIO
TUCUTUNEMO (ARAGUA-VENEZUELA),» vol. XVII, nº 26, 2001.
75
[45] S. Cardoso Ribeiro, G. Gomes de Lima y e. al., «ETNOGEOMORFOLOGIA SERTANEJA:
METODOLOGIA APLICADA NOS SITIOS FARIAS E SANTO ANTONIO, BARBALHA/CE,» vol. 2, nº
4, 2012.
[46] M. Sharif y J. A. Zinck, «Terrain morphology modelling,» International Archives of
Photogrammetry and Remote Sensing XXXI Part B3, pp. 792-797, 1996.
[47] J. Minár y I. S. Evans, «Elementary forms for land surface segmentation: The theoretical basis
of terrain analysis and geomorphologicla mapping,» Geomorphology, vol. 95, nº 3-4, pp. 236-
259, 2008.
[48] Y. Zhang, G. Yan y Y. Bai, «Sensitivity of Topographic Correction to the DEM Spatial Scale,»
vol. 12, nº 1, 2015.
[49] C. H. Grohmann, Smith, M. J. y R. C., «Multiscale Analysis of Topographic Surface Roughness
in the Midland Valley, Scotland,» vol. 49, nº 4, 2011.
[50] R. Dikau, «Geomorphic Landform Modelling Based on Hierarchy Theory,» Zurich, Suiza, 1990.
[51] K. C. Pelletier y J. K. Knight, «An Object-Based Image Analysis Approach For Mapping And
Monitoring Flooding And Topographic Change Near Duluth, Minnesota, USA,» Quebec,
Canada, 2014.
[52] R. Mantilla, O. Mesa y G. Poveda, «Geometría,Topología y Morfometría de Las Cuencas
Magdalena Cauca y Atrato Apartir de Modelos digitales de terreno.,» Medellín, 2000.
[53] D. Patiño, «Diseño de una Metodologíıa de Clasificación Automatica de Unidades
Geomorfológicas en La Geografía Colombiana Utilizando T´rcnicas de Reconocimiento de
Patrones,» Universidad Nacional de Colombia, Medellín, 2012.
[54] «Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant
Valley, Wisconsin,» vol. 77, nº 2-4, 1997.
[55] D. Sathymoorthy, R. Palanikumar y B. S. D. Sagar, «Morphological segmentation of
physiographic features from DEM,» vol. 28, nº 15, 2007.
[56] I. S. Evans, «General geomorphometry derivates of altitude and descriptive statistics.,» de
Spatial Analysis in Geomorphology., Methuen, Methuen young books, 1972.
[57] D. Wang, S. W. Laffan y e. al, «Morphometric characterisation of landform from DEMs,» vol.
24, nº 2, 2010.
[58] I. V. Florinsky, Digital Terrain Analysis In Soil Sicience And Geology, Amsterdam: Elseiver,
2012.
[59] B. Romstad y B. Etzelmüller, «Mean-curvature Watersheds: A Simple Method For
Segmentation a Digital Elevation Model Into Terrain Units,» vol. 139, 2012.
76
[60] P. A. Shary, « Land surface in gravity points classification by complete system of curvature,»
vol. 27, nº 3, 1995.
[61] L. Drǎguţ, D. Tiedec y S. R. Levickd, «ESP: a tool to estimate scale parameter for
multiresolution image segmentation of remotely sensed data,» International Journal of
Geographical Information Science, vol. 24, nº 6, pp. 859-871, 2010.
[62] L. J.R. y K. G.G., «The measurement of observer agreement for categorical data. Biometrics,»
Biometrics, vol. 33, pp. 159-174, 1977.
[63] Burnett, B. Carolyn y Thomas, «A multi-scale segmentation/object relationship modelling
methodology for landscape analysis,» vol. 168, nº 3, 2003.
[64] R. Pike, I. Evans y T. Hengl, «Geomorphometry: A Brief Guide,» de Geomorphometry:
Concepts, Software, Applications, Amsterdam, Elsevier, 2009, pp. 3-30.
[65] R. H. Whittaker y S. A. Levin, «The role of mosaic phenomena in natural communities,» vol.
12, nº 2, 1977.
[66] M. V. Toro Ibacache, G. Manriquez Soto y I. Suazo Galdames, «Morfometría Geométrica y el
Estudio de las Formas Biológicas: De la Morfología Descriptiva a la Morfología Cuantitativa,»
vol. 28, nº 4, 2010.
[67] T. a. S. L. Blaschke, «Object based image analysis for automated information extraction,» San
Antonio, USA, 2006.
[68] J. Feng, Z. Cao y Y. Pi, «Amplitude and Texture Feature Based SAR Image Classification with A
Two-Stage Approach,» Cincinnati,USA, 2014.
[69] K.-T. Chang, F.-C. Yu y e. a. , «The Topographic Change Of Turtle Mountain Island With Multi-
Temporal Airborne Lidar Data,» Quebec, Canada, 2014.
[70] U. G. Sefercik, «Comparison of DEM Accuracies Generated by Various Methods,» Estambul,
Turquia, 2007.
[71] J. Minár, M. Jenčo y e. al, «Third-order geomorphometric variables (derivatives): definition,
computation and utilization of changes of curvatures,» vol. 27, nº 7, 2013.
[72] S. J. Bosque, E. Martinez y et al., Sistemas de Información Geográfica:Prácticas con PC
ARC/INFO e IDRISI, Madrid: RA-MA, 1994.
[73] J. Vélez, G. Poveda y et al., «Hidrosig: Un Sistmea de Información Geográfica Para La Gestión
de Recursos Naturales y Modelación del Medio Ambiente,» de I Jornadas de SIG Libre sigte,
Girona, 2007.
[74] E. SEXTANTE, «Manual Práctico de SEXTANTE en gvSIG,» sextantegis, Mexico D.F., 2008.
77
[75] Ingenominas, «Proyecto Compilación y Levantamiento de la información Geomecánica.,»
Ingeominas, Bogotá, Colombia, 2005.
[76] C. Eisank, An Object-Based Workflow For Integrating Spatial Scale and Semantics to Derive
Landforms From Digital Elevation Models, Salzburg: interfakultärer Fackberich für
Geoinformatik - Z, GIS, 2013.
[77] H. Gutierrez y R. De la Vara, Analisís y Diseño de Experimentos, Mexico : McGraw Hill, 2008.
78
ANEXO 1
GLOSARIO DE TERMINOS
DEM o MDE: siglas en ingles de Modelo digital de elevación es un modelo digital o representación
3D de la superficie de un terreno basado en valores digitales de elevación [35]
http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/queesmde.aspx.
Espectro electromagnético: conjunto de longitudes de onda de todas las radiaciones
electromagnéticas [1].
Geoforma: Morfología de la superficie terrestre con características similares.
http://www.igac.gov.co/wps/portal/igac/raiz/iniciohome/Glosario
Geomorfometría: Ciencia del análisis cuantitativo de la superficie terrestre, en la actualidad se aborda
desde el punto de vista matemático, del punto de vista de la ciencias de la tierra y la ciencia de la
computación. Se puede decir que la geomorfología es la ciencia que modela, parametriza y analiza la
superficie terrestre [64].
Geosar: Radar de apertura sintética, aerotransportado que genera imagnes tridimensionales de la
superfice terrestre a través de interferometría que opera unsado las longitudes de ondas P y X.
outhport.jpl.nasa.gov/html/projects/geosar/geosar.html
Jerárquico: Orden de los elementos de acuerdo a un valor preestablecido, en el contexto se pretende
dar un orden ascendente y descendente de las formas del terreno basado en la complejidad de las
formas del relieve y la escala espacial del estudio. [65]
Morfometría: Estudio de la covariación de la forma con factores subyacentes, en la actualidad la
morfometria busca explicar la forma del objeto en estudio no solo descrita en términos de sus
dimensiones, sino de la relación espacial entre sus partes. [66]
Multiescala: Representación del territorio y sus procesos visto desde los niveles posibles para realizar
el análisis, en el ambito espacial se puede interpretar con las observaciones que se pueden realizar a
escala global, regional y local que van relacionas con las escalas de representación cartográfica y el
objetivo del estudio. [63]
OBIA: De las siglas en ingles de análisis de imágenes orientado a objetos (Objeto Based Imagen
Analysis) y del cual se deriva el termino GEOBIA que es el análisis de imágenes orientado a objetos
geográficos (Geographic Objeto Based Imagen Analysis). Es un nuevo paradigma de la interpretación
de imágenes que le sucede a la interpretación basada en píxeles en la que se usa el contexto de la
información, además de su forma y textura [67] [7].
Paisaje Geomorfológico: Porción de espacio tridimensional constituida por una repetición de tipos
de relieve idénticos o por una asociación de tipos de relieve diferentes. [33]
Pixel: Se define como es la menor unidad homogénea en color que forma parte de una imagen digital
y viene del inglés picture element. http://lema.rae.es/dpd/?key=p%C3%ADxel
79
Proceso de clasificación: En teledetección es una de los objetivos fundamentales y consiste en
establecer para un área de estudio una serie de clases relativas a un tema de estudio, basados en una
medida de semejanza o diferencia entre los objetos individuales o pixeles, en general el proceso se
asume en dos fases una de definición de clases y otra en la asignación de cada uno de los pixeles a
las clases definidas. http://www6.uniovi.es/~feli/pdf/glosario.pdf
Radar: Palabra que viene de la traducción Radio Detection And Range, que significa detección y
medida de distancias por ondas de radio. http://www.radarworld.org/huelsmeyer.html
Reflectancia: Representa la capacidad de esa superficie para reflejar la luz, es el resultado de la mezcla
de diferentes longitudes de onda reflejadas por los objetos o materiales, donde la radiación solar ha
incidido. De este concepto se extraen lo que comúnmente se denominan firmas espectrales que es la
curva de reflectancia de una superficie dada [1].
Segmentación: Proceso de dividir una imagen en grupo de pixeles u objetos con el objetivo de
encontrar una más significativa y más fácil de analizar. La segmentación por tanto es el proceso de
asignar una étiqueta a cada pixel basados en sus características. [63] [23]
Teledetección: Ciencia de obtener información acerca de la superficie terrestre sin tener contacto con
ella, detectando y grabando la energía emitida o reflejada y procesando, analizando y aplicando esa
información. http://www.esa.int/SPECIALS/Eduspace_ES/SEMO1U3FEXF_0.html
Unidad homogénea de terreno: Porción de espacio tridimensional constituida por una repetición de
tipos de relieve idénticos o por una asociación de tipos de relieve diferentes.
http://www.igac.gov.co/wps/portal/igac/raiz/iniciohome/Glosario
80
ANEXO 2
ESPECIFICACIÓN DE CASOS DE USO
Actor: Clasificador (Geomorfólogo, interprete)
Descripción: El actor será el actor principal en el proceso, se plantea para el mismo que sea una persona con conocimientos en geomorfología, dado que para el proceso planteado existirán variables como tipo de imagen, cantidad de parámetros a usar y ajuste de definiciones propias de geo formas específicas según la región o tipo de imagen que facilitaran el proceso de clasificación.
Caso de uso: Segmentación de la imagen multiresolución.
Función: la fase más importante de la clasificación de la imagen es la segmentación por lo que es necesario determinar de manera objetiva el factor de escala que se debe usar en la imagen
Descripción: El clasificador definirá la imagen insumo disponible para la clasificación de geoformas,
con lo que el aplicativo aplicara la técnica de varianza local para determinar un factor de escala
recomendado que según el análisis es el adecuado y óptimo para la segmentación de la imagen Flujo de tareas: Eventos del actor:
1. El actor selecciona la imagen para realizar la segmentación.
2. El actor carga la imagen
Eventos del sistema: 1. se despliega la
búsqueda de imágenes.
2. se muestra el estado del cargue.
Precondiciones: acceso al aplicativo
Postcondiciones: se activa el botón de ejecución de segmentación
Manejo de situaciones anormales: si no se cuenta con una imagen que se pueda cargar como insumo se muestra error del sistema.
Caso de uso: Definición de parámetros de la segmentacion
Función: permite la definición de los parámetros obtenidos del proceso de optimización de la segementación
Descripción: el aplicativo mostrara los estadísticos principales obtenidos del proceso de
optimización además de una visualización de los resultados de manera espacial y grafica. Flujo de tareas: Eventos del actor:
1. El actor ejecuta la opción segmentar
Eventos del sistema: 1. se despliega la imagen
resultado. 2. Se despliegan los
estadísticos de resultado.
81
Precondiciones: cargue de la imagen insumo.
Postcondiciones: existencia de un archivo formato shp de resultado y txt de estadísticos
Manejo de situaciones anormales: de no existir un archivo shp de resultado el aplicativo muestra una imagen base y un cuadro con los resultados de txt de estadísticos obtenidos.
Caso de uso: Clasificación de imágenes basado en objetos
Función: permite que realizar la clasificación de la imagen
Descripción: permitirá obtener la clasificación de la imagen basado en objetos, esta clasificación
usa como insumo principal la segmentación de la imagen y la definición de características de las
geoformas, que se realiza de manera independiente basada en el conocimiento analizado con
anterioridad. Flujo de tareas: Eventos del actor:
1. El actor selecciona la imagen para realizar la clasificacion.
2. El actor carga la imagen.
Eventos del sistema: 1. se despliega la
búsqueda de imágenes.
2. se muestra el estado del cargue.
Precondiciones: acceso al aplicativo.
Postcondiciones: imagen correctamente cargada y activación botón clasificación
Manejo de situaciones anormales: imagen de error por imagen no apta para el aplicativo
Caso de uso: Definición de los parámetros de segmentación
Función: determina el factor de escala usando la técnica de varianza local
Descripción: el caso de uso es usado por la clasificación de imágenes basado en objetos pero no
es accesible por el actor principal de manera directa, este caso de uso permite que basados en el
análisis de la varianza local de una segmentación sucesiva se obtenga un valor de factor de escala
acorde a la información suministrada por las variables derivadas del DEM. Flujo de tareas: Eventos del actor:
1. ejecución de la clasificación
Eventos del sistema: 2. cálculos de los
parámetros de varianza local y factor de escala óptimo.
Precondiciones: imagen correctamente cargada
Postcondiciones: factor de escala optimo obtenido de la aplicación de método de varianza local.
Manejo de situaciones anormales: descripción de excepción por errores en la imagen y cantidad de tiempo excedida en el cálculo de factor de escala.
Caso de uso: Segmentación de la imagen
Función: obtiene fracciones de la imagen con homogeneidad de características.
Descripción: el caso de uso es usado por la clasificación de imágenes basado en objetos pero no
es accesible por el actor principal de manera directa, permite que con el factor de escala
determinado
82
Flujo de tareas: Eventos del actor: ninguno
Eventos del sistema: 1. resultado de un
archivo tipo shp con los objetos de la imagen.
2. paso a asignación de segmentos.
Precondiciones: cálculo de un factor de escala óptimo.
Postcondiciones: un archivo en formato shp con una cantidad finita de formas que cubren la imagen.
Manejo de situaciones anormales: excepción de falta de espacio en disco o formato inesperado de la segmentación
Caso de uso: Asignación de segmentos según definición de geoformas
Función: realiza la clasificación propiamente dicha en la que se asigna cada segmento a una clase definida con anterioridad basada en el conocimiento geomorfologico.
Descripción: el caso de uso es usado por la clasificación de imágenes basado en objetos pero no
es accesible por el actor principal de manera directa, luego de tener los segmentos se hace uso de
la definición semántica realizada para las geoformas esta definición se realiza de manera
independiente y identifica las características de las geoformas basados en el conocimiento actual
determinando los rangos y los valores esperados para cada una de ellas. Al finalizar se tendrán los
segmentos asignados a cada una de las clases definidas según una tolerancia. Flujo de tareas: Eventos del actor:
ninguno
Eventos del sistema: 1. Evaluación de cada
uno de los objetos según las reglas almacenadas.
2. Asignación de nuevo parámetro a cada segmento que lo clasifica.
Precondiciones: segmentación de la imagen en formato shp.
Postcondiciones: archivo shp con un nuevo atributo que hace referencia a la clasificación.
Manejo de situaciones anormales: excepción con error por no existir ningún objeto clasificado esto debido a reglas que no cumplen con los paramentros de la imagen.
Caso de uso: Análisis estadístico de resultados
Función: permite obtener un informe básico de los resultados con información de numero de segmentos clasificados, media varianza y desviación estándar según clase.
Descripción: el caso de uso es usado por la clasificación de imágenes basado en objetos pero no
es accesible por el actor principal de manera directa, es necesario dar un resultado al usuario en el
que se permita evaluar las características de la clasificación obtenida, con base en un informe el
usuario contara con una descripción básica del proceso de clasificación desarrollada. Flujo de tareas: Eventos del actor: Eventos del sistema:
83
ninguno
1. Despliegue y visualización de los resultados de archivo shp.
2. Visualización de estadístico de asignación del objeto y clase.
Precondiciones: archivo shp resultado de la asignación de clase.
Postcondiciones: visualización de shp en pantalla con estadístico asociado y leyenda
Manejo de situaciones anormales: error de visualización y solicitud de cargue manual del shp resultado.
Caso de uso: Reporte final de clasificación
Función: entrega al usuario final la clasificación obtenida de manera de un mapa temático
Descripción: el caso de uso es usado por la clasificación de imágenes basado en objetos pero no
es accesible por el actor principal de manera directa, junto con el análisis de resultados es necesario
generar un conjunto de polígonos con una leyenda que corresponda a la clasificación obtenida de
manera gráfica que el usuario pueda visualizar Flujo de tareas: Eventos del actor:
ninguno
Eventos del sistema: 1. Derivación de archivo
txt con los estadísticos básicos de la clasificación.
2. Derivación de archivo pdf del resultado grafico de la clasificación.
Precondiciones: visualización en pantalla de la clasificación obtenida.
Postcondiciones: archivos txt y pdf con los resultados obtenidos.
Manejo de situaciones anormales: cuando por errores de software no se pueda generar el pdf se indicara al usuario que no existe la versión o los permisos para guardar el archivo por lo que solo será visible en la pantalla.
84
ANEXO 3
APLICATIVO PARA LA APLICACIÓN DE LA METODOLOGIA DE CLASIFICACION DE
IMÁGENES USANDO EL RULE SET.
Para la integración de la metodología se desarrolló un aplicativo que permite la ejecución del rule
set (conjunto de reglas definidas en el software ecognition) el aplicativo permite la ejecución de la
segmentación y la clasificación por separado y usa como insumo la imagen de las tres variables
derivadas del modelo digital de elevación, como el mostrado en la figura 3-1.
Figura 3-1 Imagen insumo en composición de tres bandas. Fuente elaboración propia
El usuario determinara el orden en que ingreso las bandas y permitirá ejecutar el proceso de
segmentación y clasificación, mostrando los resultados que para el caso de la segmentación será la
gráfica de optimización del factor de escala y para el caso de la clasificación será la distribución de
los segmentos clasificados, un prototipo de la aplicación se muestra en la figura 3-2.
85
Figura 3-2 visualizaciones del aplicativo de clasificación. Fuente elaboración propia
Figura 3-3 despliegue de los resultados del proceso de segmentación aplicativo de clasificación. Fuente elaboración
propia
86
Figura 3-4 despliegue de los resultados del proceso de segmentación y clasificación aplicativo de clasificación. Fuente
elaboración propia
PLATAFORMA DE DESARROLLO
Todos los componentes de software aquí mencionados fueron desarrollados mediante el uso de las
siguientes tecnologías:
- Plataformas: Microsoft .Net 4.0 .
- IDEs: Visual Studio 2010 SP1
- eCognition Developer 64 9.0
Es una aplicación desktop para la realización de tareas principales contempladas en la metodología
planteada esta corresponde específicamente al proceso de segmentación de las imágenes y la
asignación de clases a los objetos definidos dentro de esta segmentación.
Esta aplicacion corresponde a un archivo ejecutable.exe la cual es desarrollada en el lenguaje de
programacion C# y en su capa de presentación utiliza paginas WPF (Windows Presentation
Foundation).
Como complemento se desarrolló un aplicativo web que presenta las mismas funcionalidades del
aplicativo desktop, En la figura 3-5 se observa las capas que componen el desarrollo de las
87
herramientas Web para la segmentación de imágenes. La aplicación corresponde a una página web
construida con el IDE de desarrollo Visual Studio bajo la plataforma ASP.NET y el uso de HTML, CSS,
JavaScript, desplegada en un servidor de aplicaciones Internet Información Services usando el
protocolo HTTP.
La arquitectura implementada en el servicio Web para la segmentación de imágenes, se genera a
partir de los datos de una imagen de entrada (imagen derivada de un modelo de elevaciones). Para
generar la información de salida (principalmente un archivo shape file) se utiliza MapoBox Basemap
y ogr2ogr Service.
Figura 3-5 Arquitectura implementada en aplicativo web. Fuente elaboración propia
88
Figura 3-6 – Interface de la implementación Web de la segmentación de imágenes Fuente: elaboración propia.
Figura 3-7 – Interface con los resultados del proceso de segmentación y aplicación Web de segmentación de imágenes.
Fuente: elaboración propia