El resultado de la Clasificación no supervisada no es todavía información hasta que…

Es un simple proceso de reagrupar (recodificar) los clusters en clases de información significativa (leyenda).

… el analista determina la cobertura del suelo para cada uno de los clusters…

???

Agua

???

Agua

???

Conífera

???

Conífera

???

Algarrobo

???

Algarrobo

El resultado es esencialmente idéntico al de la clasificación supervisada: Mapa de cobertura

Leyenda

Etiquetas Agua Agua

Agua Conif.

Coníferas Coníferas

Algarr.

Algarrobos Algarrobos

17

Clasificación No Supervisada Ventajas: Saca la máxima ventaja de la variabilidad espectral de la imagen

Desventajas: Los clusters más separables en el espacio espectral pueden no concordar con nuestra percepción de las clases importantes en la escena

Otros criterios de asignación Clasificadores en árbol Incorporar el contexto espacial: Antes Durante Después

Clasificadores borrosos Clasificación orientada a objetos Redes neuronales…

18

Clasificación en árbol

Establecer reglas de decisión: Si x > 0.3 y y < 0.2 y altitud < 900 m - Complejo de entrenar + Independiente del tipo de variables

IRC

< 10%

> 10%

Verde Agua > 30%

< 30%

MDE

SWIR < 40% R O J O

> 40%

> 30%

Urbano (muy probable)

Cereal (probable)

< 30%

Urbano (probable)

Cereal (muy probable)

< 800m

Regadío

> 800m

Caducifolios

Fuente: Chuvieco (1996)

19

Suavización de resultados

Fuente: Chuvieco (1996)

Suavización de resultados

Fuente: Chuvieco (1996)

20

Suavización de resultados

original

3x3

7x7

Imagen de Rapel, Chile, 1998 Fuente: Chuvieco (1996)

Productos de la clasificación Archivo: Corrección geométrica Tabla de color Información auxiliar (leyenda, escala gráfica, vectores, rótulos, etc.)

Inventario: Superficie ocupada por cada categoría. Pureza de áreas de entrenamiento

21

Corrección geométrica

Fuente: Chuvieco (1996)

Generación tabla de color

Fuente: Chuvieco (1996)

22

Ejemplo de tabla de color Clase Red Green Blue Color Agua 0 0 255 Azul Regadío 0 255 0 Verde claro Suelo 255 255 0 Amarillo Herbáceas 255 180 0 Naranja Matorral 150 75 0 Marrón Coníferas 0 125 0 Verde oscuro Urbano 255 0 0 Rojo Residencial 255 0 255 Magenta

Fuente: Chuvieco (1996)

Suavización de resultados

Fuente: Chuvieco (1996)

23

Vectorización

Fuente: Chuvieco (1996)

Leyenda temática

Fuente: Chuvieco (1996)

24

Inclusión de elementos cartográficos Carretera Río Velilla Rivas-Urb

N-III

Arganda

Fuente: Chuvieco (1996)

Resultado final

Fuente: Chuvieco (1996)

25

Inventario de la clasificación

Fuente: Chuvieco (1996)

Validación de resultados

26

 Necesidades: 

Comprobar cumplimiento de objetivos



Probar la validez de una metodología

 Inconvenientes: 

Muestreo adicional: costo y tiempo



Dificultad de obtener una estimación NO sesgada

Consideraciones  Diseñar el muestreo: ¿cuántas?, ¿dónde?  Recolectar datos de referencia  Comparar datos realidad y resultados (test estadísticos y matriz de confusión)  Analizar los errores encontrados

27

Métodos  Comparar estadísticas  Verificación sobre las áreas de entrenamiento: 

estimación sesgada (muestras dependientes)

 Indicar áreas de verificación y tipos de muestreo

Fuentes de error  Limitaciones del sensor 

Leyenda, escala, resolución

 Métodos de análisis: 

Tipo de interpretación

 Estructura del área de estudio: 

Píxeles de borde (+resolución espacial de las imágenes)



Mezcla de coberturas

 Proceso de verificación 

Criterios de toma de datos, sensores terrestres...

28

Presencia de píxeles mixtos

Píxeles de borde

Tipos de muestreo

29

Obtención de la información  En campo: 

Costosa – precisa



Calibrar bien el instrumental – homogeneizar criterios



Geo-referenciación

 Fotografía aérea - cartografía: 

Actualización - interpretación

Matriz de confusión Referencia Clase 1

Clasificación

Clase 1

Clase 2

Clase 3

Clase 2

Exactitud Usuario

X 11 /X 1+

1-X11 /X1+

X2+

X 22 /X 2+

1-X22 /X2+

X3+

X 33 /X 3+

1-X33 /X3+

Xnn

Xn+

X nn /X n+

1-Xnn /Xn+

X+n

ΣXij

X33

Clase n

Exactitud Productor Error Omisión

Total

X1+ X22

Clase 3

Total

Clase n

X11

X+1

X+2

X +3

X11/X+1

X 22 /X+2

X33/X+3

Xnn/X+n

1-X 11 /X+1

1-X22/X+2

1-X33 /X+3

1-X nn /X+n

Error Comisión

Errores de omisión Bien clasificados Errores de comisión

30

Medidas de fiabilidad  Fiabilidad global:

Fˆ 

 i 1,n xii  i 1,n  j 1,n xij

F = F  z*ES

ES 

 Fiabilidad por categorías: X Usuario:  Error Fu ,i  ii X i comisión: Productor: Fp,i 

X ii X i

pq n

Ec ,i 

X i  X ii X i

E o ,i 

X i  X ii X i

 Error omisión:

Medidas de fiabilidad  Grado de acuerdo (Kappa):

ˆ 

n i 1,n X ii   ii ,n X i  X i n 2   ii ,n X i X i

 Significación: z

ˆ1  ˆ 2  2 1   2  2

31

ANALISIS CATEGORICO MULTIVARIANTE

INDICE KAPPA “K”

K=0

-> es ajuste al azar

K=1

-> ajuste plano entre realidad y mapa

32