Ambiente Avanzado para Clasificación Estadística Supervisada de Imágenes Satelitales

Abstract

La problemática relacionada con la producción de mapas temáticos en zonas donde predominan rocas y minerales, es una tarea difícil por la disposición espacial que presentan. Además, cuando se cuenta con imágenes de Teledetección de alta dimensión espectral (multiespectrales o hiperespectrales), frecuentemente existe alta correlación entre bandas espectrales y se necesita reducir la dimensión, sin perder la información presente. Ninguno, de los clasi cadores supervisados utilizados para la producción de los mapas, resulta mejor para todas las clases o regiones presentes en la imagen. La Clasi cación Supervisada comienza, en una primera fase, con la selección de muestras de entrenamiento. El tamaño y la separabilidad de las mismas es fundamental para el éxito de la clasi cación, pero al aumentar el tamaño de las muestras hay más posibilidades de error. Esta tesis propone: Dos métodos de reducción de dimensión: Análisis por Factores y Análisis Discriminante Lineal. Las variables obtenidas, en estos análisis, no son utilizadas. Se plantea, con los resultados obtenidos, generar nuevas variables que serán utilizadas como entrada para los algoritmos de clasi cación. Utilizar tres clasi cadores estadísticos supervisados y un cuarto clasi cador, obtenido como una combinación de estos clasi cadores. Una metodología para la obtención de nuevas muestras de entrenamiento, ampliadas y con mayor separabilidad, a partir de la información de las muestras de entrenamiento, seleccionadas manualmente. Toda la metodología propuesta se implementa con códigos elaborados con el software R, que están disponibles en este trabajo. Para su validación se utilizan tres subimágenes ASTER, de la misma zona al Oeste de la provincia de Córdoba, Argentina. Los resultados se evaluaron visualmente y numéricamente. Se utilizaron muestras de referencia, construyendo la matriz de confusión, el coe ciente de concordancia Kappa, el coe ciente de xi xii Fiabilidad por clase y el coe ciente de Error, para la evaluación numérica. Para cada subimagen, se utilizan las mismas muestras de referencia para que los resultados sean comparables. Los resultados muestran que, para todas las situaciones, los valores de los coe cientes son más altos cuando se utilizan todas las bandas espectrales (14 bandas). Sin embargo, cuando la dimensión es reducida a 4 bandas los valores son similares a los de la dimensión completa, tanto visualmente como numéricamente, con la ventaja de la reducción de dimensión. Cuando se utiliza la metodología que reduce a 3 bandas, visualmente la Composición RGB es más nítida, pero la clasi cación se ve afectada, obteniendo mapas temáticos con clases mal asignadas. En el estudio comparativo entre los cuatro clasi cadores Análisis Discriminante Lineal (ADL); Análisis Discriminante Cuadrático (ADC); Máquinas de Soporte Vectorial (SVM) y el que resulta de la combinación de ellos (COMB), ninguno es mejor para todas las situaciones, aunque COMB se mantiene con coe cientes altos en la mayoría de ellas, arrojando mejores resultados. En casi todas las situaciones generadas, a las muestras ampliadas le corresponden valores más bajos del coe ciente Kappa.