Modelización y análisis del terreno

5. Clasificación de las formas del relieve

En esta práctica se va a realizar una clasificación no
supervisada y una simulación de una clasificación
supervisada de las formas topográficas del relieve
mediante la aplicación del colección de funciones
Multivariate de Spatial Analyst, a través de ArcGIS. La
clasificación se va a realizar a partir de los modelos de
pendientes, rugosidad y curvatura que encontrareis en la
carpeta de trabajo clasificacion.

El objetivo de la clasificación es la asignación de cada

celda del área de estudio a una clase conocida
(clasificación supervisada) o a un cluster (clasificación no
supervisada). En ambos casos, para realizar la clasificación es necesario contar con un fichero
de signaturas (GSG) que contenga las estadísticas multivariables de cada clase o clúster.

5.1. Clasificación no supervisada

Los pasos a seguir para realizar una clasificación no supervisada incluyen:

1. Identificación de los parámetros (bands): pendiente, curvatura y rugosidad.

2. Estandarización del dominio de valores.
3. Creación del modelo multivariable.
4. Definición del número de clústeres que van a ser creados.
5. Visualización y edición del fichero de signaturas, si es necesario, y ajuste del número
de clústeres.
6. Ejecución de la clasificación.

► Iniciar un nuevo documento de mapa, con el nombre Clasificacion.mxd.

► Definir las propiedades del Data Frame :

▼
Nombre del Data Frame: Clasificación
Definir el sistema de coordenadas como: European Datum 1950 UTM Zone 31 N.
Añadir los modelos de pendientes (MDP), Rugosidad (MDR) y curvatura (MDC)
Aplicar los cambios

Estandarización del dominio de valores

En primer lugar será necesario preparar y estandarizar el dominio de valores de los modelos a
utilizar (pendientes, rugosidad y curvatura). Si todos los parámetros disponen del mismo rango
de valores los resultados serán mejores, a la vez que facilitará la interpretación de los
estadísticos. La transformación a un mismo dominio se aplica a través del álgebra de mapas,
desarrollando una ecuación de transformación.

Donde: Z es el ráster resultado con el nuevo rango de datos; X es el ráster de entrada; oldmin
es el valor mínimo de X; oldmax es el valor máximo de X; newmin es el valor mínimo deseado
para Z; newmax es el valor máximo deseado para Z.

30
Modelización y análisis del terreno

▼
Desde ArcToolBox, abrir la calculadora ráster, Map Algebra, e implementar la ecuación de transformación
para generar los nuevos modelos estandarizados:
- expresión: Z = (((X + min) * (100 - 0)) / (max - min)) + 0

- output raster: PEND; CURVA; RUGO.

Visualizar el resultado

Generar un modelo multivariable: Principal Components Analysis (PCA)

A continuación se van a organizar y estructurar los parámetros o bandas en forma de modelos

digitales multivariables o, en su caso, imágenes multiespectrales. Este proceso de aplica
con la función Principal Components Analysis (PCA), la cuál és utilizada para tranformar las
bandas/capas de entrada a un nuevo espacio multivariable en el que los ejes son rotados con
respecto al espacio original. La principal razón para aplicar la transformación a PCA es la
compresión de las capas y eliminación de redundancias en los datos.

► Nota: todos los grids han de estar en el mismo directorio de trabajo. Un modelo multivariable
puede tener como máximo 20 bandas “apiladas”, y la resolución será igual a la del grid con
una resolución menor. Se considera que normalmente con las 3 o 4 primeras bandas es
posible definir el 95% de las clases posibles.

▼
Para generar una nueva imagen multivariable, desde ArcToolBox abrir la función Spatial Analyst >
Multivariate > Principal components.
Definir los siguientes parámetros:

- input raster bands: PEND; CURVA; RUGO

- output multiband raster: MDM

- Number of Principal Components: 3

- Output data file: MDM.TXT

Visualizar el resultado (nuevo ráster y fichero de datos)

# Data file produced by Principal Components

# Input raster(s):
# E:\GIS\mdp\Band_1
# E:\GIS\mdc_\Band_1
# E:\GIS\mdr\Band_1
# The number of components = 3
# Output raster(s):
# E:\GIS\MDM3

# COVARIANCE MATRIX

# Layer 1 2 3
# --------------------------------------------------------------------------
1 472,34461 0,26542 101,06007
2 0,26542 0,53770 0,04571
3 101,06007 0,04571 21,87225
# ==========================================================================

# CORRELATION MATRIX

# Layer 1 2 3
# --------------------------------------------------------------------------
1 1,00000 0,01665 0,99427
2 0,01665 1,00000 0,01333
3 0,99427 0,01333 1,00000

31
Modelización y análisis del terreno

“Imagen” (stack, apilado) compuesta en falso color a partir de los modelos de pendientes (componente rojo),
rugosidad (verde) y curvatura (azul).

ISO Cluster

ISO cluster utiliza un algoritmo ISOdata que aplica un clustering para determinar las
características de las agrupaciones naturales de celdas o teselas en espacios
multidimensionales de atributos y almacena los resultados en un archivo signaturas, tipo ASCII.
Es necesario determinar el número de clases a introducir (number of classes) y el número de
iteraciones en el proceso de clustering (number of iterations). El proceso de ISO cluster
calcula la media y la covarianza para cada uno de los clústeres.

Es aconsejable aplicar inicialmente el ISO Cluster con un número elevado de clases y analizar
los resultados, para a continuación ir reduciendo el número de las mismas para afinar la
clasificación. En este caso, aplicamos inicialmente 10 clases, las signaturas espectrales.

▼
Desde ArcToolBox abrir la función Spatial Analyst > Multivariate > ISO Cluster.
Definir los siguientes parámetros:

- input raster bands: MDM

- output signature file: MDM10.GSG

- Number of classes: 10

Ejecutar. Al finalizar ir al directorio de trabajo y abrir el fichero de signaturas MDM.GSG

# Signatures Produced by Clustering of Raster

# e:\gis\mdm3
# number_of_classes=10 max_iterations=20 min_class_size=20
# sampling interval=10

# Number of selected grids

/* 3
# Layer-Number Band-name
/* 1 e:\gis\mdm3c1
/* 2 e:\gis\mdm3c2
/* 3 e:\gis\mdm3c3

# Type Number of Classes Number of Layers Number of Parametric Layers

1 10 3 3
# ===================================================================

32
Modelización y análisis del terreno

# Class ID Number of Cells Class Name

1 1104
# Layers 1 2 3
# Means
1,10925 31,00055 0,79854
# Covariance
1 2,44990 0,03438 0,30791
2 0,03438 0,02963 -0,00117
3 0,30791 -0,00117 0,12165
# -------------------------------------------------------------------

A continuación, para facilitar el análisis del fichero de signaturas, se han de generar unos
gráficos bidimensionales, Dendrogramas. Un dendrograma es un diagrama que muestra la
distancia atributiva existente entre pares de clases agregadas secuencialmente. La
interpretación de dicho diagrama validará el clustering y el establecimiento del número de
clases definitivas a clasificar.

▼
Desde ArcToolBox abrir la función Spatial Analyst > Multivariate > Dendrogram.
Definir los siguientes parámetros:
- Input signature file: MDM10.GSG

- Output Dendrogram file: MDM10.TXT

Ejecutar. Al finalizar ir al directorio de trabajo y abrir el fichero de diagrama MDM.TXT

Distances between Pairs of Combined Classes (in the sequence of merging)

Remaining Merged Between-Class Remaining Merged Between-Class

Class Class Distance Class Class Distance
----------------------------------------- -----------------------------------------
9 10 3,258905 7 9 4,911757
2 3 3,318656 5 7 7,721717
5 6 3,361252 1 2 7,891453
7 8 3,452744 1 5 13,226456
2 4 4,905213

Dendrogram of e:\gis\mdm10.gsg

C DISTANCE
L
A 0 1,5 2,9 4,4 5,9 7,3 8,8 10,3 11,8 13,2
S |-------|-------|-------|-------|-------|-------|-------|-------|-------|
S
10 ----------------|
|--------|
9 ----------------| |
|---------------|
8 -----------------| | |
|-------| |
7 -----------------| |-----------------------------|
| |
6 -----------------| | |
|-----------------------| |
5 -----------------| |
|-
3 -----------------| |
|-------| |
2 -----------------| |---------------| |
| | |
4 -------------------------| |-----------------------------|
|
1 -----------------------------------------|

|-------|-------|-------|-------|-------|-------|-------|-------|-------|
0 1,5 2,9 4,4 5,9 7,3 8,8 10,3 11,8 13,2

33
Modelización y análisis del terreno

Del análisis del dendrograma, se deduce que los pares de clases 9-10, 2-3, 5-6 y 2-3 se
encuentran a una distancia relativamente próxima, por lo que pueden agregarse (merged) y
reducir el número de clases hasta 6.

▼
Repetir el procedimiento, ISO Cluster y Dendrogram, con una configuración de 6 clases.
Generar los siguientes ficheros:

- Multivariate > ISO Cluster: MDM6.GSG

- Multivariate > Dendrogram: MDM6.TXT

Ejecutar. Al finalizar ir al directorio de trabajo y abrir ambos ficheros para su análisis

Clasificación no supervisada

Para finalizar, se ha de realizar la clasificación no supervisada, a partir de los clústeres

generados en el fichero de signaturas finalmente aceptado (6 clases). Esta clasificación se
lleva a cabo con la orden Maximum Likelihood Classification, que aplica un algoritmo que está
basado en dos principios:

 Las celdas o teselas en cada muestra de clase en el espacio multidimensional tienen

una distribución normal.
 Realiza la toma de decisión aplicando el teorema de Bayes.

▼
Desde ArcToolBox abrir la función Spatial Analyst > Multivariate > Maximum Likelihood
Classification y definir los siguientes parámetros (dejar el resto con los valores por defecto):
- Input ráster bands: MDM

- Input signature file: MDM6.GSG

Ejecutar y visualizar el resultado

Modelo de clasificación morfológica del relieve a partir del método no supervisado

Los resultados de la clasificación serán previsiblemente pobres debido a que se ha realizado

sin realizar un análisis en profundidad de los datos, aplicando el método general.

34
Modelización y análisis del terreno

5.2. Clasificación supervisada

La clasificación supervisada utiliza la signatura espectral obtenida a partir de zonas de

muestreo conocidas para clasificar el modelo o imagen. Con la asistencia de la barra de
herramientas Image Classification, es posible crear áreas de muestra que representen las
clases que queremos extraer. También es posible crear un fichero de signaturas a partir de las
áreas de muestra, que posteriormente será utilizado para generar la clasificación de la imagen.

Los pasos a seguir para realizar una clasificación no supervisada incluyen:

1. Identificación de los parámetros (bands): pendiente, curvatura y rugosidad.

2. Creación de las áreas de muestra a partir de localizaciones conocidas de las clases
deseadas.
3. Desarrollo del fichero de signaturas (visualización y edición si fuera necesario).
4. Ejecutar la clasificación.

El punto de inicio de este ejercicio será el modelo multivariable MDM generado en el apartado
anterior, que ya incluye los parámetros o bandas estandarizadas.

Creación de las áreas de muestra (training samples)

A través de las herramientas de Image Classification, generaremos las áreas poligonales que
representen las clases que nos interesen identificar.

▼
Insertar a la interfaz de ArcMap la barra de herramientas Image Classification . Definir MDM como el
ráster objetivo y activar la herramienta Training Sample Drawing Tool
- Crear áreas de muestra que identifiquen zonas características del área de estudio: superficie de embalse,
taludes escarpados, líneas de cresta, canales, fondos de valle… Identificar al menos 5 áreas distintas.
Ejecutar y visualizar el resultado

Dibujo de las áreas de muestra sobre el modelo digital multivariable

35
Modelización y análisis del terreno

Análisis de las áreas de muestra (Training Sample Manager)

Una vez generadas las áreas de muestra, es posible analizar las propiedades de cada clase,
así como analizar la correlación existente entre ellas.

▼
Sobre la barra de herramientas Image Classification, abrir la ventana Training Sample Manager
- Para analizar las propiedades y interrelaciones entre las clases, realizar las siguientes acciones:
Statistics: consultar las estadísticas básicas de una o varias clases
Histograms: generar gráficos para analizar la distribución de las clases.
Scatterplots: generar gráficos para analizar la distribución de las clases.
Estas herramientas permiten comprobar si existe superposición entre las clases. En caso de producirse es
indicativo de que ambas clases tienen una igual signatura espectral y pueden ser agregadas.
Analizar vuestras áreas de muestreo

Herramienta de gestión de las áreas de muestra.

Obtención de gráficos para el análisis de la distribución
de las clases.

Tras el análisis, es posible crear el fichero de signaturas y una base cartográfica con las áreas
de muestra.

▼
Desde la Training Sample Manager , generar el archivo de signaturas y guardar las áreas de muestra
en vuestro directorio de trabajo.
Create Signature file: generar el fichero ClaS.GSG
Save: guardar las áreas de muestra en un nuevo shapefile amuestra.shp

Clasificación supervisada

Para finalizar el proceso se debe crear la clasificación a partir de las áreas de muestra
definidas. Es posible realizar la ejecución de forma interactiva o a través de las funciones de
clasificación generales.

▼
Desde la barra de herramientas Image Classification , seleccionar la opción Classification >
Interactive Supervised Classification
Analizar el resultado

Automáticamente se genera un nuevo ráster con la clasificación generada a partir de la

asignación de las clases a todas las localizaciones de la matriz.

36