Taller 4 SIG III

Clasificacin supervisada y clasificacin no supervisada

Presentado por:
Lina Lpez Rubio
Jeniffer Rodrguez Caicedo

Docente:
Alejandro Salamanca

Universidad de Ciencias Aplicadas y Ambientales

U.D.C.A
Facultad de Ingeniera
Programa Ingeniera Geogrfica y ambiental

Bogot D.C., 2016

COLORADO, ESTADOS UNIDOS

IMGEN SATELITAL RAPIDEYE

Estados Unidos

ESCALA 1:450.000

480000

482000

10

20 Kilmetros
484000

486000

4436000

478000

488000

478000

4434000
4432000
4430000
4428000

4428000

4430000

4432000

4434000

Colorado

4436000

480000

482000

484000

486000

488000

482000

484000

486000

488000

4434000

4434000

4436000

4436000

480000

MAPA CLASIFICACIN SUPERVISADA

COLORADO - USA

Leyenda
Clase
Infraestructura vias

4432000

4432000

Cuerpos de agua

Zonas aridas
Infraestructura vivienda
Vegetacion Cultivos 2

4430000

4430000

Vegetacion Cultivos 1

ESCALA

4428000

4428000

480000

482000

484000

486000

488000

0,5

1:54.000
2 Kilometros

484000

486000

488000

4434000

4434000

4436000

482000

4436000

480000

MAPA CLASIFICACIN NO SUPERVISADA

COLORADO - USA

Leyenda
4432000

4432000

Cuerpos de agua
Vegetacin Cultivos 1
Vegetacion Cultivos 2
Zonas aridas
Infraestructura vas

4430000
4428000

4428000

4430000

Infraestructura vivienda

480000

482000

484000

486000

488000

1:54.000
0

0,5

2 Kilometros

Tabla de contenido
Introduccin ..................................................................................................................... 2
Metodologa ..................................................................................................................... 2
Resultados....................................................................................................................... 6
Anlisis de resultados ...................................................................................................... 7
Conclusiones ................................................................................................................. 10
Lista de referencias ....................................................................................................... 11

Lista de figuras
Figura 1 Anlisis de la imagen. ........................................................................................................... 3
Figura 2 Curvas de reflectancia de las bandas del sensor Rapideye. .................................... 3
Figura 3 Herramienta "Create signature" de ArcGIS. ................................................................... 4
Figura 4 Generar rster con clases en ArcGIS. ............................................................................. 5
Figura 5 Leyenda clasificacin supervisada. .................................................................................. 6
Figura 6 Leyenda clasificacin no supervisada .............................................................................. 6
Figura 7 Comparacin reas................................................................................................................ 8

Lista de tablas
Tabla 1 rea clasificacin supervisada. ........................................................................................... 7
Tabla 2 rea clasificacin no supervisada. ..................................................................................... 8

Introduccin
En el siguiente trabajo, se pretende mostrar las diferencias entre la clasificacin
supervisada y no supervisada, para lograr esto, se interpretar una imagen satelital del
sensor Rapideye (Colorado, USA) observando sus caractersticas por medio de datos del
sensor, como lo es la composicin de bandas y as lograr una ptima identificacin de los
componentes de la imagen.
Hecho esto se diferenciar las coberturas que tengan un valor espectral o radiacin
similar, una vez identificadas se obtendr una mayor divisin temtica, la cual debe
jerarquizarse y as se podr categorizar con mayor facilidad.
Con la informacin obtenida se inicia la clasificacin no supervisada, en esta el software
ArcGIS agrupa espectros de luz con mayor similitud, el cual se basa en mtodos
estadsticos y finalizado este proceso, se analizarn las clases obtenidas.
En la clasificacin supervisada se generarn las clases basndose en la interpretacin
que se hace una vez obtenida la imagen satelital, se crea manualmente una captura de
puntos y el software se encargara de analizarlos y as poder obtener las diferentes
clasificaciones.
Finalmente se analizan las ventajas y desventajas obtenidas despus de cada
clasificacin y as lograr entender cul es la ms ptima en los trabajos de clasificacin.
Metodologa
rea de estudio e informacin:
La imagen satelital usada en este trabajo es un producto ejemplo obtenido de la pgina
apollomapping, fue tomada por el sensor Rapideye, que cubre un rea del estado de
Colorado, USA.
Las especificaciones de la imagen se encuentran a continuacin:
RapidEye Multispectral
Resolucin espacial: 5-m
Resolucin espectral: blue, green, red, red edge and near-infrared (NIR)
Resolucin radiomtrica: 16-bitsTipo de producto: 1:50,000 3A ortho
Ubicacin: Boulder County, Colorado, USA
Tamao del archivo: 428 MB

Para analizar la imagen, se hizo distintas combinaciones de las bandas que se puede
observar en la figura 1, y as se identificaron elementos que no son visibles en el color
verdadero de la imagen (bandas 3, 2, 1).

Figura 1 Anlisis de la imagen.

Luego de combinar las bandas, y hacer la identificacin de distintos elementos, se

corrobora con los datos dados en la figura 2 sobre curvas de reflectancia del sensor
Rapideye.

Figura 2 Curvas de reflectancia de las bandas del sensor Rapideye. Fuente: Weichelt, 2012.

Para clasificar se pueden usar distintos softwares como ERDAS o ArcGIS. Para este
proceso se usar el segundo.
Clasificacin supervisada:
En este mtodo se genera un shapefile de puntos de control, los cuales se agrupan segn
caractersticas ya conocidas y as generar las clases (cuerpos de agua, vegetacin,
infraestructura, zonas ridas).
Una vez se han generado los puntos, ir a Spatial Analyst Tools -> Multivariate -> Create
Signatures y se selecciona el rster, el shapefile, el atributo que identifica cada clase y la
ruta de salida. Esta herramienta genera un archivo .gsg, el cual muestra estadsticas
sobre cada clase.

Figura 3 Herramienta "Create signature" de ArcGIS.

Figura 4 Archivo signature .gsg

Y finalmente para generar el raster con la clasificacin ir a Spatial Spatial Analyst Tools
> Multivariate > Maximum Likelihood Classification. En el cual se selecciona el rster y
el imput signature file que corresponde al archivo .gsg obtenido en el paso anterior.

Figura 5 Generar rster con clases en ArcGIS.

Clasificacin no supervisada:
Acceder a Spatial Analyst Tools > Multivariate >Iso Cluster Unsupervised Classification.
Se coloca el rster y el nmero de clases que se desea.

Resultados
En la primera salida grfica, se muestra la imagen satelital ubicada en el estado de
Colarado, USA.
En la segunda salida grfica, se presenta la clasificacin supervisada, se realiz por
medio del software ArcGIS. Para esta se tuvo en cuenta 6 clases:

Figura 6Leyenda clasificacin supervisada.

Figura 7 Comparacin clasificacin supervisada.

En la tercera salida grfica, se expone la clasificacin no supervisada por medio del

software ArcGIS, para la cual se generaron 6 clases:

Figura 8Leyenda clasificacin no supervisada

Figura 9 Comparacin con Clasificacin no supervisada

Anlisis de resultados
La imagen satelital tiene una resolucin espacial de 5 metros y se encontraron cinco
clasificaciones.

= ,

Tabla 1 rea clasificacin supervisada.

Tabla 2 rea clasificacin no supervisada.

reas de cobertura
7000
6000

Hectreas

5000
4000
3000
2000
1000
0

Cuerpos de
agua

Infra. vas

Infra.
vivienda

Zonas ridas

Cultivo 1

Cultivo 2

Supervisada

622,485

796,34

5857,825

536,19

1334,9775

862,165

No supervisada

957,15

1046,385

85,06

3178,12

1688,795

3054,4725

Figura 10 Comparacin reas.

Se observa como los cuerpos de agua, Infraestructura vas y cultivos 1, tienen un rea
semejante, esto quiere decir que los valores espectrales son similares y en el software
no generan mayor confusin entre ellos. Pero podemos observar como vivienda y zonas
ridas, tiene una gran diferencia, Tal diferencia puede deberse a los errores de asignacin
8

de pxeles, a los llamados pixeles mixtos. Es decir, los pxeles ubicados en el lmite o
borde de la clase o cobertura seleccionada que toman informacin de las coberturas
colindantes mostrando valores digitales promedio que no corresponden a ninguna de las
coberturas clasificadas (Speranza & Zerda 2005)

Otros mtodos de clasificacin

Clasificador en rbol: suponen un anlisis exhaustivo de las respuestas espectrales

de las clases y del conjunto de datos disponibles, consiste en ir haciendo preguntas a
cada pxel cuya respuesta positiva o negativa conducir a otra pregunta y as
sucesivamente hasta obtener la clase a la que pertenece. Se basa en los mismos
principios que los sistemas expertos. (Ybenes, 2011)

Clasificador de contexto espacial: todos los mtodos estudiados hasta ahora utilizan
slo los valores de reflectividad recogidos en el pixel. Este hecho no es demasiado
problemtico si el tamao de pixel es mayor que los elementos que los diferentes
elementos fsicos que componen el paisaje. Sin embargo si el tamao del pixel es
ms pequeo que las unidades de paisaje podra utilizarse la informacin de los
pixeles de alrededor para estimar la pertenencia a una clase o confirmar la estimacin.
Esta tambin incorpora informacin como la altitud, pendiente, litologa, etc. Las
distintas formaciones vegetales tienen mayor capacidad para desarrollarse en
determinados entornos definidos en parte por estas variables. Por tanto puede ser til
establecer cul es la formacin vegetal con mayor probabilidad de desarrollarse en
un determinado pixel (en funcin de topografa y litologa) y combinar esta informacin
con la de las bandas. (Ybenes, 2011)

Clasificacin borrosa: los mtodos anteriormente expuestos consideran que un pxel

solamente puede pertenecer a una determinada clase. Por ejemplo, en el clasificador
de mxima probabilidad, un pxel es clasificado en la clase ms probable; da lo mismo
que la pertenencia a esta clase sea mucho mayor que al 14 resto (90% frente a un
10%) o que la diferencia sea menor (55 frente a 45). En el primer caso se estara
cometiendo un error muy bajo al clasificar el pxel, en cambio en el segundo la
asignacin sera muy arriesgada. En estos casos tiene ms sentido no clasificar los
pixeles de forma unvoca sino establecer cul es su posibilidad de pertenencia a cada
una de las clases (el concepto de posibilidad no es exactamente igual al de
probabilidad). El pxel ahora no pertenece a una sola clase totalmente sino que tiene
distintos grados de pertenencia comprendidos entre 0 y 1, lo que permite una
asignacin simultnea a varias categoras. (Ybenes, 2011)

Clasificadores basados en redes neuronales: se basan en el uso de redes neuronales

artificiales que, se supone, imitan a las redes neuronales reales en el desarrollo de
9

tareas de aprendizaje. Una neurona artificial es un objeto lgico (se trata de software
no de hardware) que recibe diversas entradas, hace una suma ponderada de las
mismas y produce una salida a partir de la aplicacin de una funcin umbral a la media
ponderada. (Ybenes, 2011)

Figura 11 Modelo Clasificacin basado en redes neuronales.

Conclusiones

Por medio de la comparacin de los productos de clasificacin supervisada y no

supervisada, visual y estadsticamente, se observa que varan, esto es debido a la
resolucin espacial de la imagen, pues el software tiene en cuenta una cantidad mayor
de pixeles para clasificar y por ello confunde valores de otras coberturas reunindolas
en una sola.
Para solucionar el problema en la clasificacin no supervisada, por medio del
Signature se puede definir correctamente los valores espectrales de cada clase
perfeccionando as el muestreo, corrigiendo el error de las clases zona rida e
infraestructura vivienda.
Las resoluciones espaciales menores a 15 metros son pertinentes para estudios
locales de clasificacin (10000 a 12000 hectreas), debido a que se puede especificar
el rango de valores para cada firma espectral.
El clasificador e contexto espacial puede resultar til ya que permite incluir la
informacin de los pixeles circundantes para tomar una decisin en caso de que las
probabilidades para dos clases sean similares o no exista una clase con
probabilidades de pertenencia suficientemente altas, como sucede en la clasificacin
no supervisada.
La baja precisin en ciertas categoras se puede deber a que el software no puede
diferenciar los espectros de luz parecidos.
La calidad de los resultados, est ligada a la clasificacin inicial, esto quiere decir que
entre ms clasificaciones se hagan, la calidad mejorar o no se est usando el mtodo
o software adecuado para esta imagen.

10

Los realces o mejoras iniciales en la imagen, para lograr visualizar mejor ciertos
lugares, alteran los resultados en la clasificacin no supervisada, pues alteran los
niveles digitales originales de la imagen.
Las correctas clasificaciones terrestres permiten la planificacin del territorio y del uso
de los recursos, as como la identificacin de cambios en la cobertura y con amplios
anlisis, poder identificar sus causas.
Las clasificaciones dan informacin eficaz y confiable sobre las coberturas de una
zona donde el acceso es complicado debido a la geografa del lugar.
Lista de referencias

Arango Gutirrez, M., Branch Bedoya, J. and Botero Fernndez, V. (2005).

CLASIFICACIN NO SUPERVISADA DE COBERTURAS VEGETALES SOBRE
IMGENES DIGITALES DE SENSORES REMOTOS: LANDSAT REMOTOS:
LANDSAT ETM+. Revista Facultad Agronoma Universidad Nacional Medellin,
[online]
58(1),
pp.2611-2634.
Available
at:
http://www.bdigital.unal.edu.co/24155/1/21276-72316-1-PB.pdf [Accessed 4 May
2016].
IGAC. (2009). Interpretacin visual de las imgenes satelitales. 1st ed. Bogot D.C.:
Instituto Geogrfico Agustn Codazzi.
IGAC. (2009). Principios de clasificacin digital. 1st ed. Bogot D.C.: Instituto
Geogrfico Agustn Codazzi.
Macedo-Cruz, A., Pajares-Martinsanz, G. and Santos-Peas, M. (n.d.). CLASIFICACIN
NO SUPERVISADA CON IMGENES A COLOR DE COBERTURA TERRESTRE.
44(6).
Ramrez Daza, H. (2013). Imgenes multiespectrales de sensores remotos. 1st ed. Santo
Domingo - Repblica Dominicana: Instituto Geogrfico Agustn Codazzi.
Rulln-Silva, C., Gama-Campillo, L., Galindo-Alcntara, A. and Olthoff, A. (2010).
Clasificacin no supervisada de la cobertura de suelo de la regin Sierra de
Tabasco mediante imgenes LANDSAT ETM +.
Speranza F, Zerda H (2005) Clasificacin digital de coberturas a partir de datos satelitales
multiespectrales. Instituto Nacional de Tecnologa Agropecuaria Unidad ManfrediUniversidad
Nacional
de
Santiago
del
Estero.
http:\www.inta.gov.ar/manfredi/info/boletines
Weichelt, H. (2012). The RapidEye Red Edge Band. 1st ed. [ebook] GERMANY | USA |
CANADA | LUXEMBOURG: Rapideye, p.www.rapideye.net. Available at:
https://apollomapping.com/wp-content/user_uploads/2012/07/RapidEye-RedEdge-White-Paper.pdf [Accessed 3 May 2016].

11

Ybenez, A. (2011). Sistemas de Telemedida. [online] GISlo. Available at:

http://mural.uv.es/gislo/telemedida.pdf [Accessed 3 May 2016].

12