Tema 3: 3 : Análisis Aná lisis espacial. espa cial. 3) Análisis rást ráster er II: Análisis de Imágenes. Práctica 3.3: Clasificación Cl asificación de imágenes (supervisada y no supervisada) con ArcGIS ArcGIS..
Profesora Profes ora tit titular: ular: Danie Daniela la Ballari PhD –
[email protected] Profesor Profe sor ayudante: Enrique Acosta Acosta PhD –
[email protected] Universidad de Cuenca
CLASIFICACIÓN SUPERVISADA con con ArcG ArcGIS IS 9.3
CLASIFICACIÓN SUPERVISADA con con ArcG ArcGIS IS 9.3
•
ABRIR LA IMAGEN QUE SE DESEA CLASIFICAR. CLASIFICAR.
•
CREAR UNA UNA COMPOSICIÓN COMPOSICIÓN RGB, ES DECIR, 432 COLOR VERDADERO.
Si aparece ‘’error 99999’’ convertir las capas tif a grid con el comando ‘ Raster to other format ’’ y repetir la operación ‘’Composite band’’. ’
• •
CREAR EL ARCHIVO CON LAS ZONAS DE ENTRENAMIENTO. También se puede hacer desde la barra de herramientas Image Classification. (https://www.youtube.com/watch?v=bO3S93YCkKU).
•
EDITAR EL ROI CREANDO POLÍGONOS QUE REPRESENTEN PORCIONES DE LOS DIFERENTES TIPOS DE TERRENO DE LA IMAGEN CON LOS SIGUIENTES ID: 1 = agua; 2 = edificaciones; 3 = vegetación; 4 = suelo desnudo.
1 = agua; 2 = edificaciones; 3 = vegetación; 4 = suelo desnudo
1 = agua; 2 = edificaciones; 3 = vegetación; 4 = suelo desnudo
1 = agua; 2 = edificaciones; 3 = vegetación; 4 = suelo desnudo
1 = agua; 2 = edificaciones; 3 = vegetación; 4 = suelo desnudo
•
CREAR LA FIRMA ESPECTRAL (SIGNATURES) DE LAS CUATRO CLASES IDENTIFICADAS EN EL ROI DE ENTRENAMIENTO.
La matriz de covarianzas define para cada clase un elipsoide de distribución de probabilidad de pertenencia a cada una de las clases.
Estos elipsoides se usan para la asignación de cada pixel a una clase en la función de la máxima verosimilitud. Los elipsoides se sitúan en un espacio de tantas dimensiones como bandas hay en el análisis.
•
CLASIFICAR LA IMAGEN MEDIANTE ALGORITMO DE MÁXIMA VEROSIMILITUD.
α = 0,00 para forzar que todas las celdas sean clasificadas, aunque corramos el riesgo de clasificarlas mal.
α = «Significancia» o posibilidad de clasificar erróneamente un píxel. Si α se acerca a 0 aumenta el número de celdas clasificadas pero
disminuye la probabilidad de hacer calificaciones correctas. Por lo tanto, hay que conseguir un nivel de error equilibrado. Las directrices
α
= 0,00
α
= 0,05
Imagen clasificada (α = 0,00)
Imagen clasificada filtrada
Cuando realizamos este tipo de procesos es común que en la imagen clasificada existan clases con área muy pequeña dentro de clases que representan un área más extensa. Este efecto o ‘’ruido’’ es conocido como ‘’sal y pimienta’’ y para eliminarlo utilizaremos herramientas de filtrado.
•
ELIMINAR EL RUIDO MEDIANTE MAJORITY FILTER.
Imagen clasificada (α = 0,00)
Imagen clasificada filtrada
Para generalizar más se puede volver a filtrar con los mismos parámetros o con otros parámetros más generalizadores.
•
AÑADIR UNA COLUMNA A LA TABLA DE ATRIBUTOS CON LA DESCRIPCIÓN DE CADA CLASE.
Script Visual Basic para ArcGIS 9.3. Ojo, en Python (ArcGIS 10.X) puede ser distinto.
If [VALUE] = 1 Then Output = "Agua" elseif [VALUE] = 2 Then Output = "Edificaciones" elseif [VALUE] = 3 Then Output = "Vegetación" elseif [VALUE] = 4 Then Output = "Suelo desnudo" end if
•
CALCULAR EL «ÍNDICE DE FIABILIDAD» O «TASA DE ÉXITO» Y EL COEF. KAPPA DE LA CLASIFICACIÓN EN LAS ZONAS DE ENTRENAMIENTO.
Comparar la imagen clasificada con el ROI de entrenamiento.
Imagen clasificada + ROI de entrenamiento
- Convertir el shp de zonas de entrenamiento (Mi_ROI) a ráster.
- Construir una tabla con los valores del ROI de entrenamiento junto con los valores clasificados por el algoritmo de máxima verosimilitud en cada píxel.
OK
Mal
- Combinar los dos ráster: La clasificación filtrada con el ROI de entrenamiento.
- Crear una «tabla pivot» (aproximación a la matriz de confusión) a partir de la tabla combinada anterior.
- Abrir esta tabla en excel (copiar las celdas desde arcmap y pegar en Excel o bien guardarla como dbf desde arcmap y abrir con excel) y
modificarla.
Fiabilidad, concordancia global o precisión general: Píxeles clasificados correctamente dividido por el total de píxeles.
Error de omisión (Eo): Píxeles que correspondiendo a una clase no fueron clasificados de esa manera. Su complemento es la precisión del productor (Pp): Píxeles de una clase clasificados correctamente dividido por el total de píxeles de verdad terreno correspondientes a esa clase.
Error de comisión (Ec): Píxeles clasificados como una clase a la que no pertenecen en realidad. Su complemento es la precisión del usuario (Pu): Píxeles de una clase clasificados correctamente dividido por el total de píxeles clasificados en esa clase.
La Fiabilidad (tasa de éxito o bien la tasa de predicción) no toma en cuenta los errores de omisión y comisión. Con el fin de determinar hasta qué punto la concordancia observada es superior a la que se obtendría por puro azar, se define el índice de concordancia kappa, que sí tiene en cuenta los errores de omisión y comisión.
Po = Proporción de concordancia observada. Pe = Proporción de concordancia esperada por puro azar. kappa
grado de acuerdo
<0
sin acuerdo
0 - 0,2
insignificante
0,2 - 0,4
bajo
0,4 - 0,6
moderado
0,6 - 0,8
bueno
0,8 - 1
muy bueno
7921
1675+2000+702+3438
(1675x1675)+(2020x2106)+(702x702)+(3524x3438)
•
VALIDAR O CONTRASTAR LA IMAGEN CLASIFICADA TASA DE PREDICCIÓN. - Crear las áreas o ROI de validación: •
•
•
En una imagen de satélite tipo Landsat, lo ideal son 50 polígonos de validación por cada clase. Nuestra imagen es mucho más pequeña y por motivos de tiempo tomaremos sólo 5 polígonos de validación por clase. Para zonas de entrenamiento, 30 polígonos por clase es lo recomendado.
TAREA PARA LOS ALUMNOS CALCULAR EL «ÍNDICE DE FIABILIDAD» O «TASA DE PREDICCIÓN» Y EL COEF. KAPPA DE LA CLASIFICACIÓN EN LAS ZONAS DE VALIDACIÓN.
CLASIFICACIÓN NO SUPERVISADA con ArcGIS 10.2
4 clases
6 clases
8 clases
