EJERCICIO 2, OBJETIVO II DE SISTEMAS DE PERCEPCIÓN REMOTA

I

OCTUBRE DE 2015

INTRODUCCIÓN:

Este es un ejercicio de integración. Aquí tendrá la oportunidad de aplicar los conocimientos adquiridos en las fases previas de la materia.

El objetivo es generar una clasificación por el método de máxima verosimilitud, aplicando de manera sistemática los diferentes pasos observados en este proceso.

a) Generación de campos de entrenamiento.b) Generación de índices como información auxiliar.c) Generación de firmas espectrales y evaluación de la separabilidad.d) Clasificación.e) Evaluación de la fiabilidad.

También aprenderá a incorporar información auxiliar en la clasificación (índices, imágenes de alturas y probabilidades de ocurrencia de clases)

INSTRUCCIONES (Fase 1, visualización):

1. Re-proyecte las bandas del verde, rojo e infrarrojo. Conviértalas de coordenadas UTM 13 N a sistema lat long. (Comando Project).

2. Haga un falso color con las bandas reproyectadas, y con las bandas originales.

3. Exporte la imagen resultante como kml, y despliéguela en google earth (Export-desktop publishing format-kmlidrisi).

4. Observe las clases siguientes, y anote sus porcentajes aproximados de distribución en la escena:

a) Cuerpo de Aguab) Suelo desnudo.c) Pastizal.d) Matorrale) Bosque de encino-pino.f) Agrícola de anuales.g) Huertas.h) Urbano.

5. Estas clases deben observarse prendiendo y apagando la imagen en google earth, y observando las áreas correspondientes en la imagen no reproyectada, en Idrisi. ¿Qué porcentaje abarca cada una? Considere como 100 % el total del área de la escena.

INSTRUCCIONES (Fase 2, Firmas espectrales):

1. Indique, ¿en que clases cree usted que habrá problemas de confusión espectral?

2. Genere un NDVI con las bandas roja e infrarroja.

3. Genere al menos siete campos de entrenamiento por clase, en cada una de las clases. Observe que los campos se encuentran homogéneamente distribuidos en toda la escena.

4. Genere las firmas espectrales (makesig), incorpore en este caso como información auxiliar en NDVI. Divida el DEM entre 10,000 (raster calculator). Observe sus nuevos valores e incorpórelo como una banda más. ¿Para que le servirá utilizar el NDVI y el DEM como información auxiliar? ¿Se podrían distinguir más claramente las clases?

5. Haga la comparación de las firmas, tanto en gráfico como en índice (sigcomp y sepsig)

Tiene problemas con la separabilidad en alguna clase particular (índice con valores menores a 1900?), en tal caso, genere mas campos de entrenamiento.

5) Auxíliese con una imagen de alta resolución si lo requiere (google earth).

INSTRUCCIONES (Fase 3, clasificación):

1. Genere la clasificación por el método de máxima verosimilitud (maxlike)

2. Elija la opción: Especifica una probabilidad a priori para cada firma (segunda)

3. Según el teorema de Bayes (fundamento conceptual del método de máxima verosimilitud), ¿Para que sirve incorporar probabilidades a priori?

4. En las opciones que le marca el módulo maxlike ¿Hay alguna alternativa distinta para incorporar las probabilidades a priori?

5. ¿Como puede generar una imagen de probabilidad de bosque, a partir del DEM?

6. Haga la clasificación. Diga, ¿Hay coberturas que se confunden? ¿Cuáles?

7. Genere una matriz de confusión y determine los indicadores de fiabilidad que ha revisado en este segundo objetivo (fiabilidad global, índice kappa, exactitud del productor, del usuario, y errores de omisión y comisión).

8. Utilice 30 puntos de validación por clase. Incorpore un muestreo aleatorio simple. Indique, ¿Cuáles son las diferencias básicas respecto a las otras dos formas de muestreo señaladas por el programa?

Reporte sus resultados:

a) Se anexan dos prácticas en una, con las matrices de confusión generadas por cada uno de los integrantes.

b) Se entrega un solo reporte por equipo de dos personas. Con las preguntas contestadas en equipo.

c) Conteste y desarrolle con detalle las preguntas señaladas en las secciones 2 y 3, y la pregunta de los incisos d y e

d) Diga ¿Cómo podríamos elegir a la mejor clasificación entregada por equipo?

e) ¿Qué hace la prueba estadística de McNemar? ¿Qué utilidad tiene para comparar clasificaciones?

OBSERVE LOS ERRORES COMUNES EN LA CLASIFICACIÓN O EN LA VALIDACIÓN QUE APARECEN

EN LAS DIAPOSITIVAS SIGUIENTES

NO LOS COMETA

Error por efecto de borde

Error por similitud en los valores radiométricos

Errores asociados con la estructura del territorio

Vinculados con la disposición y arreglo de clases en la imagen

Clase agrícola –confusión pastizal-desmontes.

ResoluciónClases no puras

Errores vinculados con el nivel de desagregación de las clases….

Deriva de tener mayor número de clases de información, que clases espectrales….

Errores vinculados con las condiciones ambientales

Errores derivados del área mínima cartografiable

Errores derivados dela estrategia de muestreo, o poca representatividad de los campos de entrenamiento.