Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio Laboratorio 11
GEOMATICA APLICADA A LA CIENCIA AMBIENTAL LABORATORIO 11e Universidad Nacional Agraria Agraria La Molina, Maestría de Ciencias Ambientales ___________________________________________________________
TEMA: Clasificación Supervisada de Imágenes
5. Clasificación Supervisada Este método parte de un cierto conocimiento del área de estudio adquirido por experiencia previa o por trabajo de campo (Chuvieco, 2000). La clasificación supervisada empieza coleccionando sitios de entrenamiento ( training samples) de las clases que conformarán el mapa de la clasificación final, y estos se usarán para obtener las propiedades espectrales de las diferentes coberturas en la imagen.
Paso 01: Acondicionar los datos para la clasificación supervisada
a. Abrir el ArcMap ArcMap y cargar la imagen imagen multiespectral “ L7_p6r68_03082001_tiff.tif L7_p6r68_03082001_tiff.tif ” Omitir este paso si ya se cuenta con el programa iniciado. Si se continúa del ejercicio anterior, remover todas las capas y quedarse solo con la imagen multiespectral en la vista. Configurar la combinación de color RGB 321 (color natural) con la imagen multiespectral. Asegúrese de tener en la vista la barra de herramientas “ Image Classification”, ”, usada en el ejercicio anterior, y que el nombre de la imagen muliespectral este en el rectángulo en blanco. En esta etapa, usted ya habrá identificado cuales son las coberturas generales que desea obtener en la clasificación final. Para el caso de este ejercicio sugerimos las siguientes: Bosque, Pasturas, Suelo, Nevado y agua.
Paso 02: Colectar los sitios de entrenamiento
a.
Conocer la h erramienta erramienta “Training Sample Manager” En el lado derecho de la barra de “Image Classification” se encontrará la herramienta “Training Sample Manager”. Esta herramienta permite administrar los sitios de entrenamiento y valores de los nombres de clases, unir clases, cambiar color y eliminar clases.
A la derecha de esta herramienta, se encuentra la herramienta “Draw Polygon” que permite dibujar polígonos, rectángulos o círculos para colectar los sitios de muestreo.
1
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
b.
Colectar los sitios de entrenamiento (training samples) Ahora vamos a definir los sitios de entrenamiento para las coberturas que obtendremos como resultado final. Los pasos para definir y colectar los sitios de entr enamiento son los siguientes:
1.
Identificar un área que pertenece a una cobertura conocida. Identificamos sobre la imagen multiespectral una zona de una cobertura a muestrear, y hacemos zoom (acercamiento). Vamos a empezar con una cobertura de fácil reconocimiento como el agua (lagunas).
2.
Dibujar los sitios de entrenamiento (training simple) usando la herramienta “Draw Polygon”. Usar algunas de las herramientas del “Draw Polygon” para encerrar un área que contenga únicamente un grupo de píxeles de la clase muestreada, en el caso del ejemplo, de lagunas (agua). Dibujar varias áreas de agua (lagunas) usando esta herramienta la opción de Draw Polygon (dibujar polígono). Trata de conseguir una variedad de muestras que representen a esta cobertura en diferentes zonas de la imagen.
2
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
3.
Unir las muestras tomadas para la misma cobertura en una muestra única de esta clase En la ventana del “Training Sample Manager”, click y seleccionar t odas las muestras tomadas para la cobertura “Agua”. Luego dar click a l a herramienta “Merge training samples” (cuarto icono desde la izquierda). Cambiar el nombre de la clase a “Agua” y asignar un color apropiado (azul).
4.
Repita el mismo procedimiento de los pasos previos (b.1, b.2, y b.3) para colectar los sitios de entrenamiento de las otras coberturas (bosque, pasturas, suelo, y nevados). En caso encuentre otras coberturas que se puedan diferencias sobre la imagen también puede incluirlas en las clases finales. Asegúrese de colectar muestras que representen los diferentes tipos de coberturas presentes en la imagen. Trate de que cada muestra final sea tan homogéneo en la composición de los pixeles como sea posible. En el caso en que una cobertura presente varias manifestaciones espectrales, por ejemplo tener dos tipos de agua marcadamente diferentes, o el caso de tener bosque en zonas montañosas donde para esta cobertura se presenten laderas iluminadas y en sombra, se recomienda tomar varios grupos dentro de una misma clase, los cuales pueden llamarse Agua1, Agua2, o Bosque1, Bosque2 y ser tratados como clases diferentes. Estas pueden unirse en una sola clase posterior a la clasificación.
3
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
5.
Crear el archivo de firmas espectrales para las coberturas, el cual será usado para hacer la Clasificación Supervisada. En la ventana del “ Training Sample Manager ”, click al icono en el extremo derecho ( Create
a signature file) y guardar el archivo de firmas espectrales en la ruta del curso Lab11/Sup con el nombre “Firmas”. Usted usará este archivo en la clasificación supervisada.
Paso 03: Analizar los sitios de entrenamiento Ahora se va a analizar la calidad de los sitios de entrenamiento. Existen tres herremiantas que nos permiten hacer esta evaluación.
a.
Usar la herramienta “Show Histograms” (mostrar histogramas) para comparar la distribución de los sitios de muestreo. En la ventana “ Training Sample Manager ”, seleccionar todas las training samples (sitios de entrenamiento o muestreo) y dar click a la herr amienta “ Show Histogram”. Los diferentes colores en los histogramas representan las coberturas muestreadas y su comportamiento en cada banda de la imagen. Si los sitios de muestreo representan diferentes clases, los histogramas no deberían traslaparse.
4
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
b.
Usar la herramienta “Show Scatterplots” (mostrar gráficos de dispersión) para comparar la distribución de los sitios d e muestreo. En la ventana “ Training Sample Manager ”, seleccionar todas las training samples (sitios de entrenamiento o muestreo) y dar click a la herramienta “ Show Scatterplots”. Los diferentes colores en los gráficos de dispersión representan las coberturas muestreadas y su comportamiento en cada banda de la imagen Landsat. Si los sitios de muestreo representan diferentes clases, los gráficos de dispersión no deberían traslaparse.
c.
Usar la herramienta “Show Statistics” (mostrar estadísticas) para comparar la distribución de los sitios de muestreo. En la ventana “ Training Sample Manager ”, seleccionar todas las training samples (sitios de entrenamiento o muestreo) y dar click a la herramienta “ Show Statistics”. Analizar e interpretar las estadísticas.
5
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
Paso 04: Clasificar la imagen empleando el método supervisado
a.
Realizar la Clasificación Supervisada con el método “ Interactive Supervised Classification” No cerrar la ventana del “Training Sample Manager”. En la barra de herramientas de “Image Classification”, click en Classification y seleccionar el método “Interactive Supervised Classification”. Aparecerá la clasificación de las coberturas como un archivo temporal.
Para hacerla permanente: Click derecho sobre el nombre de la capa → Data → Export Data. Guardar con el nombre de “Sup_5” en la carpeta del curso. Dar “Si” en la ventana de diálogo que aparece.
El resultado es un archivo raster de clasificación supervisada.
6
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
Paso 05: Clasificar la imagen empleando el método supervisado Maximun Likelihood El método de clasificación supervisado de Maximun Likelihood us las firmas espectrales que creamos y guardamos en los pasos anteriores después de crear los sitios de entrenamiento. Este es un método diferente al realizado en el paso anterior.
a.
Realizar la Clasificación Supervisada con el método “Maximun Likelihood” No cerrar la ventana del “Training Sample Manager”. En la barra de herramientas de “Image Classification”, click en Classificatio n y seleccionar el método “Maximun Likelihood Classification”. Aparece una ventana en la cual i ngresamos los siguientes datos: Input raster bands: L7_p6r68_03082001_tiff.tif Input signature file: firmas (en la ruta del curso Lab11/Sup creado en el paso 2 b.5) Output classified raster: Sup_ML (guardarlo en la ruta del curso Lab11/Sup) Dejar los demás valores por defecto, y dar OK.
Paso 06: Realizar el p roceso de post-clasificación
a.
Ejecutar la herramienta del ArcToolbox “Majority Filter” sobre la s capas “Sup_5” y “Sup_ML”por separado
Arc Toolbox → Spatial Analyst Tools → Generalization → Majority Filter
Paso 07: Cálculo de áreas en las clasificaciones
a. Abrir la tabla de atributos de la imagen clasificada b. Añadir un campo (click en el icono en el extremo izquierdo de la ventana, opción Add Field). Name: Area_ha (en hectáreas) Type: Float OK c.
Click derecho en el nombre del campo “Area_ha”. Click en la o pción “Field Calculator”
d.
En la ventana de Field Calculator, la formula debería ser: [COUNT]*0.081225 El campo COUNT nos indica el número de pixeles de cada clase. El valor 0.081225 es el área en hectáreas de cada pixel (recordar que cada pixel tiene una resolución espacial de 28.5 m).
Los valores en el gráfico son referenciales.
7
Geomática aplicada a la Ciencia Ambiental, UNALM – Laboratorio 11
Paso 08: Crear un campo con los nombres de las clases
a. Abrir la tabla de atributos de la imagen clasificada b. Añadir un campo (click en el icono en el extremo izquierdo de la ventana, opción Add Field). Name: Nombre Type: Text Length: 20 OK c.
En la barra de herramientas Editor del ArcMap: Editor → Start Editing
d.
En la tabla de atributos llenar el campo NOMBRE según la clase que representa (Bosque, agua, nevado, suelo, pastura). Tener en cuenta los valores del campo VALUE cuando creamos los sitios de entrenamiento.
e.
En la barra de herramientas Editor del ArcMap: Editor → Stop Editing
Guardar los cambios? Si.
8
