Clasificación Digital: Mapas Temáticos

Clasificación Digital

• La clasificación digital es un proceso que identifica áreas homogéneas en una imagen y asigna a cada píxel una clase específica.
• Se utilizan algoritmos matemáticos para identificar patrones y características espectrales en la imagen.
• El resultado de la clasificación es una matriz numérica que contiene la información de cada píxel y su correspondiente clase.

Ventajas de la Clasificación Digital

• Permite analizar grandes cantidades de datos de manera rápida y eficiente.
• Puede ser utilizada para identificar variables continuas, como la temperatura superficial o la evapotranspiración.
• El algoritmo de clasificación puede ser ajustado y refinado para mejorar la precisión y la exactitud.

Tipos de Clasificación Digital

• Clasificación No Supervisada: El algoritmo busca patrones y características espectrales en la imagen sin la intervención del consultor.
• Clasificación Supervisada: El consultor interviene en el proceso de clasificación, proporcionando patrones y características espectrales específicas para buscar en la imagen.

Clasificación No Supervisada

• El algoritmo utiliza distancias espectrales, como la distancia euclidiana o la distancia de Mahalanobis, para identificar patrones y características espectrales en la imagen.
• El análisis de conglomerados (Cluster Analysis) es un método comúnmente utilizado para identificar patrones y características espectrales en la imagen.
• La distancia de Mahalanobis es similar a la distancia euclidiana, pero considera la correlación entre las variables aleatorias.

Clasificación Supervisada

• El consultor proporciona patrones y características espectrales específicas para buscar en la imagen.
• La clasificación supervisada se realizada sobre imágenes multiespectrales o hiperespectrales.
• La primera etapa en la clasificación supervisada comprende una fase llamada de entrenamiento, donde se definen las áreas de entrenamiento y se extraen los patrones espectrales.

Fase de Entrenamiento

• El consultor identifica áreas homogéneas en la imagen y las utiliza para entrenar el algoritmo.
• Es importante elegir áreas de entrenamiento que sean representativas de la variabilidad interna de cada clase.
• El número de pixeles necesarios para establecer una clase en el entrenamiento depende de la variabilidad interna de la clase.

Fase de Asignación

• La fase de asignación esewhere se asigna a cada píxel una correspondiente categoría con el objetivo de conformar grupos coherentes que se agrupen por similaridad espectral.
• El algoritmo de asignación puede ser ajustado y refinado para mejorar la precisión y la exactitud.
• La figura 11.5 muestra un ejemplo gráfico de áreas de entrenamiento para realizar posteriormente una clasificación digital.### Clasificación Digital de Imágenes

11.2.2.1 Clasificador de Mínima Distancia

• Asigna la pertenencia de un píxel a una categoría según la distancia espectral Euclidiana.
• Utiliza la función de similaridad que se calcula mediante la ecuación 11.5.
• La distancia espectral se calcula entre el vector de características de la celda y el centro de la clase representado por su vector de respuesta espectral promedio.

11.2.2.2 Clasificador por Paralelepípedos

• Realiza una asignación de pertenencia para un píxel según criterios lógicos.
• Define áreas de dominio para cada categoría y asigna un píxel a una categoría si se verifica que el valor digital ND en la banda k está dentro del rango de dispersión asignado alrededor del valor medio del grupo.

11.2.2.3 Clasificador de Máxima Probabilidad o Verosimilitud

• Asigna un píxel a una categoría según la mayor probabilidad de pertenencia.
• El método parte de la hipótesis de que los ND se pueden ajustar a una distribución normal al interior de cada clase.
• La probabilidad de pertenencia se calcula mediante la ecuación 11.7.
• Se puede extender a múltiples bandas y dimensiones.

11.2.2.4 Árbol de Decisiones

• Identifica la pertenencia a una determinada categoría en forma secuencial.
• Utiliza criterios lógicos para una adecuada asignación de un píxel.
• El algoritmo de árbol de decisiones se basa en la iterativa división del conjunto de datos de entrenamiento en subconjuntos.
• Se utiliza el índice de Gini para medir la homogeneidad de cada nodo.

11.2.2.4 Redes Neuronales (ANN)

• Simulan el comportamiento del cerebro humano.
• Utilizan múltiples interconexiones entre unidades de activación, llamadas neuronas, distribuidos en capas.
• Las unidades o elementos de una capa se conectan a otras capas vecinas a través de una determinada función.
• Se utilizan funciones de activación para estimar un valor en la capa de salida a partir de los valores de las capas de entrada.

11.2.2.5 Clasificadores de Contexto

• Asignan los pixeles por grupos, reconocidos mediante algún indicador de similitud por sus ND.
• Reconocen áreas homogéneas donde los pixeles se agrupan en grupos grandes.

11.2.2.6 Técnicas Fuzzy

• Asignan un grado de pertenencia a cada categoría definida por el usuario.
• Reconocen que los pixeles pueden estar compuestos por mezcla de categorías.
• La clasificación difusa es un enfoque más apropiado cuando la superficie de observación posee coberturas mixtas.### Fase de Validación
• La fase de validación comprende la verificación de los resultados de la clasificación digital para asegurar que se asemejen a las condiciones reales del terreno.
• La validación es fundamental para asegurar la calidad de la información y evaluar la fiabilidad del algoritmo utilizado.
• Se pueden utilizar tres enfoques para evaluar la precisión de la clasificación digital:
  • Evaluación subjetiva basada en la experiencia del consultor o usuario final.
  • Comparación utilizando herramientas estadísticas convencionales.
  • Validación utilizando las mismas observaciones que se utilizaron para entrenar al clasificador.

Fuentes de Errores en la Clasificación

• Las fuentes de error en la clasificación digital pueden ser debidas a:
  • El sensor o satélite utilizado.
  • El procesamiento inicial de la imagen.
  • La complejidad del paisaje.
  • El método utilizado.
  • La recopilación de nuevos datos en terreno y el método de muestreo.
• Es importante mencionar que la clasificación se encuentra asociada a la asignación de un píxel a una categoría específica, lo que puede generar dos tipos de errores:
  • Error de omisión (no se asigna un píxel a una categoría a la que pertenece).
  • Error de comisión (se asigna un píxel a una categoría a la que no pertenece).

Proceso de Verificación en Terreno

• El proceso de verificación en terreno implica recopilar un nuevo conjunto de datos para validar la clasificación digital.
• Es importante considerar que la imagen clasificada no posee fiabilidad en lo absoluto, solo una garantía de que el algoritmo asignó los pixeles a una categoría lo mejor posible.
• La relación temporal entre los diferentes productos digitales que se están utilizando también es importante.

Muestreo

• El muestreo es un paso crucial en la validación de la clasificación digital.
• Se pueden utilizar diferentes métodos de muestreo, como:
  • Aleatorio simple.
  • Aleatorio estratificado.
  • Sistemático.
  • Sistemático no alineado.
  • Por conglomerados.
• El tamaño de la muestra se encuentra relacionado con el nivel de confianza que se desea y el error máximo que se está dispuesto a asumir.

Tamaño de la Muestra

• El tamaño de la muestra se puede estimar a partir de la ecuación general de inferencia de muestreo.
• Para realizar el cálculo del número de muestras que deben ser tomadas en terreno, se necesita considerar un nivel de confianza apropiado para la precisión que se desea en el muestreo.

Error de la Medición

• El análisis de los resultados obtenidos se basa en comparar los valores observados en terreno con los valores estimados por el modelo (clasificación digital).
• Se pueden utilizar varios estadísticos para evaluar la precisión de la clasificación digital, como:
  • Error sistemático (BIAS).
  • Valor medio del error absoluto (MAE).
  • Error cuadrático medio (RMSE).
  • Índice de acuerdo.
  • Criterio de Información de Akaike (AIC).