MARKOV

El módulo MARKOV analiza un par de imágenes de cobertura terrestre y genera una

matriz de probabilidad de transición, una matriz de áreas de transición y un conjunto de
imágenes de probabilidad condicional.
La matriz de probabilidad de transición es un archivo de texto que registra la probabilidad
de que cada categoría de cobertura del suelo cambie a cualquier otra categoría. La matriz
de áreas de transición es un archivo de texto que registra el número de píxeles que se
espera que cambien de cada tipo de cobertura terrestre a otro tipo de cobertura terrestre
durante el número especificado de unidades de tiempo. En ambos archivos, las filas
representan las categorías de cobertura del suelo más antiguas y las columnas representan
las categorías más nuevas.
Las imágenes de probabilidad condicional informan la probabilidad de que cada tipo de
cobertura terrestre se encuentre en cada píxel después del número especificado de
unidades de tiempo. Estas imágenes se calculan como proyecciones de la última de las dos
imágenes de cobertura terrestre de entrada. Las imágenes de probabilidad condicional de
salida se pueden usar como entrada directa para la especificación de las probabilidades
anteriores en la Clasificación de máxima verosimilitud de las imágenes de detección
remota (como con los módulos MAXLIKE y BAYCLASS). También se crea un archivo de
grupo ráster que enumera todas las imágenes de probabilidad condicional.
Módulos relacionados: CA_MARKOV, MAXLIKE, BAYCLASS
Operación MARKOV
1. Ingrese los nombres de las dos imágenes de cobertura terrestre para comparar.
- Tenga en cuenta que las categorías de cobertura del suelo en los mapas de cobertura del
suelo deben estar numeradas del 1 sin espacios intermedios. Por ejemplo, un mapa de
cobertura del suelo con 6 clases debe usar los números de clase 1, 2, 3, 4, 5 y 6.

- Además, los valores de clase en ambas imágenes deben coincidir exactamente, es decir, si
el bosque tiene el valor 1 en la primera imagen, el bosque también debe tener el valor 1 en
la segunda imagen.

2. Ingrese un prefijo para las imágenes de probabilidad condicional de salida.

- El nombre de cada imagen de probabilidad condicional comenzará con este prefijo. Si

existen leyendas en la imagen de la cubierta terrestre posterior, la leyenda seguirá el
prefijo. Si no existen leyendas en la imagen posterior, los nombres de los archivos
consistirán en el prefijo seguido de "class_ #" donde # es el valor de la clase. Además, se
creará un archivo de grupo de ráster (.rgf) de las imágenes de probabilidad con este prefijo
como su nombre.

3. Ingrese el número de períodos de tiempo entre la primera y la segunda imagen de

cobertura terrestre de entrada y el número de períodos de tiempo para proyectar en el
futuro para las imágenes de salida.

- La unidad de tiempo específica utilizada (años, décadas, etc.) no es importante, pero debe
ser la misma en ambos casos.

- El cambio se distribuye entre múltiples períodos de tiempo por división simple, es decir,
suponiendo una tasa de transición constante.

4. Elija una de las tres opciones para tratar las áreas de fondo. Asigne 0.0 a las áreas de
fondo en las imágenes de probabilidad de salida para mantener esas áreas como fondo.
Asigne probabilidades iguales para dar a las áreas de fondo la probabilidad 1 / [número de
clases] en cada una de las imágenes de probabilidad de salida. Asigne frecuencias relativas
para dar mayores probabilidades de salida a las cubiertas terrestres que ocupan más área
en la segunda imagen de entrada.

- El módulo asume que el valor 0 en una imagen de cubierta terrestre indica el fondo.
- Para usar con clasificación de máxima verosimilitud, es normal asignar frecuencias
relativas a los píxeles de fondo.

5. Ingrese el error proporcional asociado con los mapas de entrada.

- Para uso con clasificación de máxima verosimilitud, sería normal asignar un error
proporcional de alrededor de 0.15 (15%).

6. Haga clic en Aceptar.