Beruflich Dokumente
Kultur Dokumente
Presentado por:
Lina Lpez Rubio
Jeniffer Rodrguez Caicedo
Docente:
Alejandro Salamanca
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
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
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 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.
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.
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:
Anlisis de resultados
La imagen satelital tiene una resolucin espacial de 5 metros y se encontraron cinco
clasificaciones.
= ,
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
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)
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)
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)
Conclusiones
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
11
12