TECNICAS DE CLASIFICACION

GENERACION DE CLASES:
La elaboración de una clasificación del área de estudio en una serie de clases relativas a litología,
tipos de vegetación, usos del suelo, etc., es uno de los objetivos fundamentales en teledetección.
La clasificación en teledetección es, por tanto, un caso particular del problema general de clasificar
N individuos procedentes de una muestra en un conjunto de M < N clases en función de una serie
de K variables (X1, X2,...,XK). Este problema se resuelve en dos fases:

1. Determinación del número de clases y de las propiedades de estas en relación a las K variables.
2. 2. Asignar cada uno de los N individuos a una de las M clases utilizando una regla de decisión
basada en las propiedades de los individuos y las clases en relación a las K variables.

En teledetección el conjunto de variables está compuesto por la reflectividad en cada una de las
bandas. Sin embargo, además de esta información espectral puede utilizarse información textural e
información contextual. La información textural hace referencia a la característica en la vecindad de
un pixel. Se definen una serie de variables (reflectividad media, varianza, auto correlación, etc.) que
tratan de cuantificar algunas de las propiedades cualitativas que se estudian en fotointerpretación.
El contexto por su parte hace referencia a la necesaria coherencia en cuanto a la clasificación de
píxeles vecinos. No tendría, por ejemplo, mucho sentido clasificar un pixel como cultivo de
invernadero al lado de pixeles clasificados como roquedo de alta montaña. La incorporación de
información textural y contextual tiene, sin embargo, el inconveniente de introducir variables que
no suelen seguir una distribución gaussiana con lo que algunos métodos de clasificación no
funcionan correctamente. La determinación de las clases puede hacerse básicamente mediante dos
criterios:

1. Clasificación supervisada: Se parte de un conjunto de clases conocido a priori. Estas clases deben
caracterizarse en función del conjunto de variables mediante la medición de las mismas en
individuos cuya pertenencia a una de las clases no presente dudas (áreas de entrenamiento). En la
figura 9.1 se observa la caracterización espectral de un conjunto de clases de uso de suelo definidas
a partir de los valores de reflectividad en las diferentes bandas de landsat MSS.

2. Clasificación no supervisada. No se establece ninguna clase a priori, aunque es necesario

determinar el número de clases que queremos establecer, y dejar que las defina un procedimiento
estadístico.
CLASIFICACIÓN NO SUPERVISADA:
Las clasificaciones no supervisadas son aquellas en las que el algoritmo clasificador no

necesita de más información que la escena a clasificar y algunos parámetros que limiten el

número de clases. Estos mecanismos de clasificación basan su efecto en la búsqueda de

clases con suficiente separabilidad espectral como para conseguir diferenciar unos elementos

de otros.

CLASIFICACIÓN EMPLEANDO LAS K-MEDIAS:

El método de clasificación de las K-Medias se basa en ir determinando las medias de las

clases y luego de forma iterativa los píxeles son insertados en las clases más cercanas utilizando

las técnicas de mínima distancia. En cada iteración se recalcula la media de la clase

y se vuelven a reclasificar todos los píxeles. Todos los píxeles serán clasificados si se

limita la desviación estándar o la distancia máxima de búsqueda.

CLASIFICACIÓN ISODATA:
Este comando utiliza el siguiente algoritmo para la obtención de la clasificación:

a. El usuario decide el número N de clusters que van a ser utilizados. Como primera

aproximación se recomienda utilizar un número elevado y reducirlo tras interpretar la

imagen.

b. Se selecciona un conjunto de N clusters en el espacio de las bandas. La localización

inicial es situada en las zonas de mayor reflectancia.

c. Los píxeles se asignan al cluster más cercano.

d. Los clúster se asocian o disgregan o borran en función de la máxima distancia de clase

o del número mínimo de píxeles ocupados por una clase.

e. Se repiten los pasos c y d hasta que el cambio entre una iteración y otra sea mínimo.

Aplicar este método de clasificación a las 6 bandas de Landsat (exceptuado el térmico).

Indicar un máximo de 3 iteraciones y comprobar cuantas clases posibles existen, en cualquier

caso no indicar más de 8. El programa automáticamente visualiza los resultados empleando

una paleta cualitativa.

CLASIFICACIÓN SUPERVISADA:
Digitalización de polígonos de entrenamiento como ROIs.

Se tratará de digitalizar 5 campos de entrenamiento (training sites) sobre una imagen clasificada

automáticamente o bien sobre una composición en falso color (en realidad debe

realizarse digitalizando sobre cartografía digital o una fuente geométrica fiable además de

con el conocimiento cierto de la ocupación de la celda). Para ello se empleará la inclusión

de ROIs dentro de las imágenes.

Los campos de entrenamiento que se van a digitalizar serán:

1. Olivar (cluster 6).

2. Regadío (cluster 3).

3. Suelo desnudo o muy escasamente cubierto (cluster 7).

4. Cultivos herbáceos extensivos.

CLASIFICACIÓN DE LA ESCENA:
Existen diversos métodos de clasificación de la escena. En función de cómo se traten los parámetros
que definen las signaturas espectrales de cada clase deseada.

PARALELEPIPÉDICA:
Consiste en determinar los valores máximos y mínimos (determinados a partir de la media y la
desviación de la clase) para cada clase en cada banda. Todos aquellos píxeles que se encuentren
dentro del hipercubo son asignados a esa clase, en caso contrario quedan sin asignar.

POR MÍNIMA DISTANCIA:

La clasificación por mínima distancia consiste en la determinación de las medias de cada clase y la
asignación se realiza hacia la clase con menor distancia. Algunos de los píxeles quedarán sin clasificar
si se introduce una distancia máxima o una desviación estándar máxima. Utilizar varias distancias
de limitación y otras sin limitación. Observar el resultado con la paleta cualitativa.

POR MÍNIMA DISTANCIA DE MAHALANOBIS:

Es un método similar al de máxima probabilidad, pero asumiendo que las covarianzas de las clases
son iguales.

POR MÁXIMA PROBABILIDAD:

Este clasificador permite tener en cuenta la diferente probabilidad de que se encuentren
determinadas cubiertas en la escena (probabilidad a priori) y permite con ello calcular la
probabilidad a posteriori (probabilidad de que se trate de una determinada clase cuando los niveles
digitales sean unos concretos) a partir de las verosimilitudes, que son más fáciles de calcular
(probabilidad de que los niveles digitales sean unos determinados, para cada clase de la leyenda.
EMPLEANDO REDES NEURONALES:
El método de clasificación empleando redes neuronales se basa en utilizar un número de neuronas
sensitivas igual al número de parámetros de entrada (tantos como bandas * parámetros de cada
clase) y un número de neuronas efectoras igual al número de clases deseado. Durante el proceso la
red es entrenada con los datos de ROIs introducidos y aplicada para clasificar el resto de píxeles no
asignados.

ANALISIS DEL TRABAJO CAMBIOS DE COBERTURA/USO DEL

SUELO EN UNA PORCIÓN DE LA ZONA DE TRANSICIÓN
MEXICANA DE MONTAÑA
Análisis de los datos. Esta fase se sustentó en el desarrollo de una matriz de confusión o matriz de
error. Se trata de una matriz bidimensional, en donde generalmente las filas representan las clases
de referencia (verdad terreno) y las columnas las categorías del mapa (verdad imagen), deducidas
de la interpretación de imágenes de satélite, lógicamente ambas tendrán el mismo número y
significado. La diagonal de la matriz expresa el número de puntos de verificación para los cuales
existe una correspondencia entre las categorías del mapa clasificado y los datos de referencia,
mientras los marginales indican errores de asignación.

Se obtuvieron dos mapas de uso de suelo y vegetación de la PSEM de los años 1989 y 2009, producto
de la aplicación de procesos relacionados con la corrección radiométrica, corrección atmosférica,
interpretación de imágenes de satélite (Landsat TM) y el método supervisado máxima
verosimilitud(Bosque (Bs), Cuerpos de agua (Ca), Agropecuario (Agp) y Asentamientos humanos
(Ah) y; para el segundo, se anexó la categoría Agricultura tecnificada controlada (Atc)
En las Tablas 5a y 5b se muestran las matrices de confusión derivadas de la confrontación entre los
puntos de muestreo (clases de referencia) y las categorías del mapa, estas últimas, producto de la
clasificación de los píxeles que comprenden a las imágenes Landsat TM de los años 1989 y 2009. En
términos generales, para el mapa del año 1989, del total de 200 puntos de verificación, 169
coincidieron con las categorías de la leyenda del mapa clasificado y 31 pertenecen a una categoría
diferente respecto de los píxeles clasificados (Tabla 5a). Para el mapa del año 2009, del total de 250
puntos de muestreo, 237 coincidieron con las categorías de la leyenda del mapa clasificado y 13
corresponden a una categoría distinta (Tabla 5b).
 En las tablas 6a y 6b se observan los mismos elementos descritos de las tablas anteriores (5a y 5b),
es decir, la comparación entre los datos del mapa clasificado y la información recopilada en campo
(clases de referencia), solo que los valores se encuentran expresados en proporción del número
total de puntos de verificación: 200 para el primer año y 250 para el segundo.

 Los datos de la tabla 8a muestran los coeficientes correspondientes a los índices de confiabilidad
e intervalos de confianza de los mapas clasificados (año 1989 y año 2009), principalmente, los
relacionados con: 1) la confiabilidad global; 2) el intervalo de confianza de la fiabilidad estimada;
3) la confiabilidad del usuario; 4) el error de comisión; 5) el intervalo de confianza de la
confiabilidad del usuario; 6) la confiabilidad del productor; 7) el error de omisión y; 8) el intervalo
de confianza de la confiabilidad del productor. Los últimos seis se observan a nivel categoría. Por
su parte, la tabla 8b exhibe los mismos elementos descritos en la tabla anterior (Tabla 8a), solo
que los coeficientes incluidos en esta se obtuvieron a partir de los valores que comprenden a las
matrices de confusión corregidas por el método de Card (Tablas 7a y 7b)