CLASIFICACION DE IMGENES SATELITALES

INTRODUCCIN

En la actualidad cada vez se hace mas frecuente el empleo de la Teledeteccin como alternativa clave al levantamiento areo que en muchas ocasiones resulta costoso y de difcil alcance. Dentro de las geociencias ocupa un lugar notable esta actividad debido a la necesidad de informacin geogrfica, tanto global como local, para servir de soporte a las mltiples aplicaciones geomticas que se llevan a cabo dentro y fuera de nuestro pas. En este contexto la Teledeteccin se presenta como una herramienta de soporte con mltiples ventajas para la actualizacin cartogrfica teniendo en cuenta fundamentalmente dos aspectos: la oferta de imgenes y la necesidad de llevar a cabo la actualizacin de los mapas topogrficos. Esta fusin de la Teledeteccin y la Cartografa en la actualidad es posible ya que se pueden obtener imgenes provedas por diversos satlites y en relativamente poco tiempo, adems de resultar menos costosa su adquisicin y procesamiento. Para llevar a cabo la seleccin de la imagen necesaria, mltiples parmetros deben ser considerados, entre ellos los fundamentales son, los que estn relacionados con las precisiones planimtricas establecidas para las tareas de mapificacin topogrfica as como la informacin contenida teniendo en cuenta que se pueda llevar a cabo la deteccin e identificacin de los cambios ocurridos as como tambin la clasificacin de todos los elementos requeridos, dentro de una escala de mapificacin determinada, la cual esta estrechamente relacionada con la resolucin espacial de las imgenes.

Revisin de Literatura: Definicin de Patrn.- Identidad con caractersticas definidas, en un espacio uni o multiespectral (Measurement Space), sea geomtrico o no. Espacio Geomtrico.Donde los patrones pueden ser identificados. Por ejemplo en una foto area se identifican: Edificios, red vial, cauces de ros, etc. Espacio Multiespectral.Patrones definidos por sus caractersticas espectrales (No geomtricos). Problema: En la Naturaleza, encontramos: En general clases espectrales no separables; Las muestras definen regiones en el espacio espectral medido que se superponen; Las clases no son separables o no es posible discriminar (Overlad entre clases).

Causas: Caractersticas espectrales de clases distintas son bastante semejantes entre s como: Efectos aleatorios como variaciones en las caractersticas de las imgenes;

Condiciones atmosfricas; Ruido en el sistema sensor, etc.

Que en conjunto contribuyen para una mayor variacin en la respuesta espectral de cada clase, y por tanto causando overlad entre clases prximas entre s. Solucin.El problema de reconocimiento de patrones, se convierte en un problema estadstico y matemtico. Se Utiliza Funciones de Probabilidades: Paramtricas y No paramtricas.

En sensoramiento remoto, las funciones de probabilidad deben ser estimadas a partir de las muestras.

MTODO DEL PARALELEPPEDO Obtiene los lmites (inferior y superior) de los niveles de grises de la clase para el mapeo en cada uno de las bandas utilizadas. MTODO DISTANCIA MNIMA (DMXYC) Cada pxel es analizado independientemente.

DM xyc =

(
n i =1

ci

x xyi )

Donde: n = Nmero de bandas o canales; i = Una banda especfica i; c = Una clase especfica, c; Xxyi = Pxel (x,y) en la banda i ci = Valor medio para la muestra en la banda i que representa a la clase c.
MTODO DE MXIMA VEROSIMILITUD

w P x P[ wi ] P i Basado en la teora estadstica Teora de Bayes. x : Probabilidad de que un pxel x pertenezca a la wi = wi P x clase wi (que es conocida). P[ x ] Objetivo: Debemos diferenciar los componentes como son el agua, vegetacin, suelo, etc. de nuestra imagen. Que para esta ocasin utilizaremos una del mismo programa Idrisi. Comparar las distintas reflactancias de nuestra imagen en estudio en diferentes bandas. Utilizar indicadores para la discriminacin de imgenes, las cuales poseen distinto comportamiento respecto una con otra a medida que se avanza en el espectro. Emplear mtodos estadsticos de mximas probabilidad como son el mtodo del paraleleppedo, de la distancia mnima y de la mxima verisimilitud.

Creamos una tabla que designe un nmero a cada componente: COMPONENTES 1 2 3 4 AGUA VEGETACION SUELO

OBS: En primer lugar va agua por que es el mas fcil de identificar, a si sucesivamente con ese criterio vamos enumerndolos componentes.

Pasos:
1.- Seleccionamos la imagen a utilizar, para este caso en particular ser la imagen h87tm5.

2.-Hacemos clic en

y nos aparecer la tabla siguiente: -Se le a dado por nombre muestra. -Debe activarse la opcin polygon. -El numero 1 es el valor que le dimos al agua (vase tabla inicial).

3.- Seleccionar polgonos, en la estemos totalmente seguros de que se trate de agua. -el polgono se forma haciendo clic en lo que definamos como vrtices. -el cierre del polgono se logra haciendo clic derecho en el vrtice inicial.

4.-No basta con un solo polgono para cada elemento, mnimo se utilizan 3. -Para ello entramos nuevamente a la opcin: . -aparecer la siguiente ventana: -Debe estar activada la primera opcin como se muestra, ello es para trabajar en la misma imagen. -OK. *Para el agua Aqu se evidencio que en la banda dos obtuvimos valores cercanos de reflactancia entre aquello que consideramos que es agua y su entorno, entonces para confirmar nuestras suposiciones al evaluar en la banda 7 (donde el agua no tiene reflactancia), obtendremos valores cercanos a cero(no es exactamente cero por factores de ruido).

-Por defecto nos aparecer la siguiente ventana: -Debemos cambiar ese 2 que aparece, puesto que aun vamos a seleccionar agua (en la tabla agua=1) Y colocar en su lugar el numero 1.

5.- Se repetir el procedimiento anterior hasta obtener:

6.-Se realizaran los mismos pasos y cuidados que se tuvo en el agua para los siguientes elementos, en caso de estar seguros de que precisamente se trata de los elementos que creemos. -De no estar seguros (de hecho debes hacerlo), utilizaremos algunas herramientas que brinda el programa, como sigue: *Para la vegetacin: -Se utilizaran ndices de vegetacin. -Se procede como indica en el grafico

-Aparecer una ventana en la que utilizaremos un ndice como se muestra: -OK.

NDVI: Otra de las opciones por las cuales se puede optar es utilizar la opcin imagen calculator. Y digitar lo que se observa en la imagen siguiente:

 Conversin de la imagen en valores de ndice de vegetacin NDVI

NDVI. No es ms que el resultado de la divisin pxel a pxel de los valores de reflectividad de dos bandas de la imagen, rojo e infrarrojo cercano. De esta manera se obtiene una imagen donde se mejora la discriminacin entre valores que responden a cubiertas con respuestas muy distintas (suelo desnudo vegetacin). NDVI=frac (TM4 - TM3, TM4 + TM3)

EN EL GRAFICO DEL LADO que usamos como referencia, se puede observar que a partir de valores de 0.4 tenemos vegetacin. Para nuestro caso utilizaremos un valor mayor de tal forma que garantice un menor error.

Regresin con los valores de NDVI para las distintas cubiertas

-Se ver as:

La imagen siguiente ha sido resultado de aplicar un reclass y aplicar un color de cero para los valores que a lo mas son 0.56 y despus de este valor damos el valor de uno.

*Para diferenciar suelo con respecto a la vegetacin: Para lograr con el cometido se comparan las bandas 3 4 y 7 donde segn el grafico siguiente se apreciara una alternancia de resultados entre una banda y la otra.

1 2 3 4 5 6 7

Valores de longitudes de onda para identificar las bandas. 0.45-0.52 0.53-0.61 0.63-0.69 0.76-0.90 1.55-1.75 10.4-12.5 2.09-2.35

Aqu los valores de longitudes de onda para distintas bandas o lo que conocemos como resolucin radiomtrica. Se resalta la banda 3,4 y 7 que son aquellas que se utilizaran en la discriminacin.

Al realizar la comparacin se observa las zonas donde se cree es parte de cobertura vegetal resulta tener valores altos de radiancia con respecto a la otra (banda 3), este comportamiento se ve invertido al pasar a la siguiente banda, y al analizar la 7 banda regresa a una manifestacin de las caractersticas similar a la primera.

Como resultado de nuestra identificacin obtendremos el siguiente resultado:

Anlisis de valides de la Identificacin

Las imgenes que se presentan a continuacin detallan paso a paso lo que se realizara para comparar con parmetros estadsticos utilizando mtodos probabilsticos:

En este cuadro podemos apreciar la exactitud de nuestra identificacin en base a la discriminacin, localizando a aquellos componentes ms fciles de identificar y pasando a los siguientes.

Aqu se comparan los resultados, utilizando los tres mtodos desde el mtodo del paraleleppedo, distancia mnima y mxima verisimilitud.

El cuadro que se presenta a continuacin muestra la dispersin de los datos en cuanto errores de seleccin hemos cometido. Los puntos verdes son sinnimos de errores, en el caso evaluado se tiene una cantidad aceptable de zonas verdes. Pero como uno de los requerimientos y exigencias mnimas del curso es la identificacin del agua este resultado se presenta ms abajo.

moligonoaplicativo.vdc

moligonoaplicativo.vct

La siguiente imagen es la identificacin del agua la cual solo aparece de color verde a diferencia de la anlisis anterior esto verifica la exactitud de nuestra clasificacin del componente agua.

Conclusiones: *Podemos definir la clasificacin supervisada como un proceso en que pixeles de

identidad conocida, ubicados dentro de las reas de entrenamiento, se utilizan para clasificar pixeles de identidad desconocida. *Los mtodos de anlisis como son el paraleleppedo por ejemplo se utilizara segn la naturaleza del trabajo. *El comando sigcomp nos permite evaluar de forma visual la calidad de la discriminacin efectuada de los componentes, utilizando cajas de dispersin. *La opcin Bayclass presenta un cuadro de puntos de diferentes colores el cual sindica que tan lejos estn nuestros resultados de la realidad mediantes colores entre ms abajo se encuentran dentro de la paleta significa un mayor error.

*Uno de los elementos de mayor facilidad en cuanto a identificacin resulta ser el agua dado que no presenta reflactancia en las bandas superiores. *La utilizacin de indicadores facilita la identificacin de los diferentes componentes, cuyas ecuaciones son empricas.

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

(Quiero cultivar al hombre y al campo)

FACULTAD DE CIENCIAS
ESPECIALIDAD DE INGENIERA AMBIENTAL

CLASIFICACION DE IMGENES SATELITALES

Cuarto Informe de Principios de Sensoramiento Remoto.

Profesor: Obregn. Grupo:

Mesa: Integrantes: Estudiantes: Huayna Castro, Anderson Prez Ccahuana Garca Olivia, Mara Olivia Gamarra Rojas, Juan Vargas Sopln, Andrs. CDIGO: 20070119 20070124 20070*** 20061154 20070***

Ciclo: 2009-II

Lima- Per