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 ii ,n X i X i n 2 ii ,n X i X i