Clasificación supervisada VS no supervisada en la teledetección
Los 3 métodos de clasificación de detección remota más comunes son:
- Clasificación no supervisada
- Clasificación supervisada
- Análisis de imágenes basado en objetos
¿Cuáles son las principales diferencias entre la clasificación supervisada y no supervisada? Puede seguirlo mientras clasificamos en ArcGIS.
Clasificación Supervisada en Teledetección
En la clasificación supervisada, selecciona muestras de entrenamiento y clasifica su imagen en función de las muestras elegidas. Sus muestras de entrenamiento son clave porque determinarán qué clase hereda cada píxel en su imagen general.
Cuando ejecuta una clasificación supervisada, realiza los siguientes 3 pasos:
- Seleccionar áreas de entrenamiento
- Generar un archivo de firma
- Clasificar
Paso 1. Seleccione las áreas de capacitación
En este paso, encuentra muestras de entrenamiento para cada clase de cobertura de tierra que desea crear. Por ejemplo, dibuje un polígono para un área urbana como una carretera o estacionamiento. Luego, continúe dibujando áreas urbanas representativas de toda la imagen. Asegúrese de que no sea solo una sola área.
Una vez que tenga suficientes muestras para áreas urbanas, puede comenzar a agregar muestras de entrenamiento para otra clase de cobertura terrestre. Por ejemplo, puede agregar polígonos sobre áreas de Treed para la clase Forest.
Si está usando ArcGIS, los pasos son:
- De antemano, debe habilitar la barra de herramientas de análisis de imágenes (análisis de imágenes de Windows).
- Agregue el administrador de muestras de capacitación. Luego, haga clic en el icono Polígono Dibujar para agregar muestras de entrenamiento.
- Para cada clase de cobertura terrestre, dibuje polígonos. Luego, fusionalos en una sola clase.
Paso 2. Generar un archivo de firma
En este punto, debe tener muestras de entrenamiento para cada clase. El archivo de firma es lo que contiene todos los datos de muestra de entrenamiento que ha recopilado hasta este punto. Es una forma de guardar sus muestras para que trabaje en un momento posterior.
Los pasos en ArcGIS son:
- Cree un archivo de firma haciendo clic en el icono Crear un archivo de firma.
Paso 3. Clasificar
Los métodos de clasificación supervisados más comunes incluyen:
- Máxima verosimilitud
- Clúster
- Probabilidad de clase
- Componentes principales
- Máquina de vectores de soporte (SVM)
Como se muestra en estudios anteriores, SVM logra uno de los niveles más altos de precisión para la predicción. Pero cada opción tiene sus propias ventajas. En general, es mejor probar cada uno por usted mismo.
En este paso, la entrada es su archivo de firma que tiene las muestras de entrenamiento. Si lo ejecuta y no le gusta el resultado, es posible que tenga que verificar sus muestras de entrenamiento. En última instancia, esta es la mejor manera de saber dónde existen sus errores de clasificación.
Los pasos en ArcGIS son:
- Ejecute la herramienta Clasificar. A continuación, su entrada será el archivo de firma.
Clasificación no supervisada en teledetección
[La clasificación no supervisada genera grupos basados en características espectrales similares inherentes a la imagen. Luego, clasifica cada clúster sin proporcionar muestras de capacitación propias.
Los pasos para ejecutar una clasificación no supervisada son:
- Generar grupos
- Asignar clases
Paso 1. Generar grupos
En este paso, el software agrupa los píxeles en un número establecido de clases. Entonces, el primer paso es asignar el número de clases que desea generar. Además, debe identificar qué bandas desea usar.
Si está usando Landsat, aquí hay una lista de bandas Landsat. Para Sentinel, aquí hay bandas Sentinel-2. También tenemos una guía práctica sobre firmas espectrales que explica qué bandas espectrales son útiles para clasificar diferentes clases.
En ArcGIS, los pasos para generar grupos son:
- Primero, debe activar la extensión del analista espacial (personalizar extensiones del analista espacial).
- En este ejemplo de clasificación no supervisado, utilizamos grupos ISO (clústeres ISO multivariados de herramientas de análisis espacial).
Entrada: la imagen que desea clasificar.
Número de clases: el número de clases que desea generar durante la clasificación no supervisada. Por ejemplo, si está trabajando con imágenes multiespectrales (bandas rojas, verdes, azules y nir), entonces el número aquí será 40 (4 clases x 10).
Tamaño mínimo de clase: esta es la cantidad de píxeles para hacer una clase única.
Cuando hace clic en Aceptar, crea grupos basados en sus parámetros de entrada. Pero aún necesita identificar a qué clases de cobertura de tierra pertenece cada clúster.
Paso 2. Asignar clases
Ahora que tiene grupos, el último paso es identificar cada clase desde la salida de ISO-Clusters. Aquí hay algunos consejos para facilitar este paso:
- En general, ayuda a seleccionar colores para cada clase. Por ejemplo, coloque el agua como azul para cada clase.
- Después de configurar cada una de sus clases, podemos fusionar las clases usando la herramienta de reclasificación.
Si la cobertura terrestre aparece en 2 clases, deberá realizar algunas ediciones manuales. Por ejemplo, si la vegetación se clasificó erróneamente como agua (quizás algas en el agua), deberá editar manualmente el polígono.
En la mayoría de los casos, ayuda convertir el ráster a vector y usar la barra de herramientas de edición. Puede dividir polígonos para ayudar a identificarlos correctamente.
LEER MÁS: 9 conjuntos de datos gratuitos de uso de la tierra y uso de la tierra a nivel mundial
Clasificación de Cobertura Terrestre con Métodos Supervisados y No Supervisados
Hoy, aprendió a crear una cobertura terrestre utilizando la clasificación supervisada y no supervisada.
Pero el siguiente paso adelante es utilizar el análisis de imágenes basado en objetos. Esta es la técnica más moderna en clasificación de imágenes.
No te detengas aquí. Lea más de nuestros artículos completos sobre teledetección:
- 100 aplicaciones y usos de la teledetección trascendentales
- ¿Qué es la teledetección? Una guía para la observación de la tierra
- Sensores Pasivos vs Activos en Teledetección
¿Qué es la clasificación supervisada y no supervisada?
La principal diferencia entre el aprendizaje supervisado y no supervisado: Datos etiquetados. La principal distinción entre los dos enfoques es el uso de conjuntos de datos etiquetados. En pocas palabras, el aprendizaje supervisado utiliza datos de entrada y salida etiquetados, mientras que un algoritmo de aprendizaje no supervisado no lo hace.
¿Qué son los algoritmos de clasificación no supervisada?
El aprendizaje no supervisado, también conocido como aprendizaje automático no supervisado, utiliza algoritmos de aprendizaje automático para analizar y agrupar conjuntos de datos no etiquetados. Estos algoritmos descubren patrones ocultos o agrupaciones de datos sin necesidad de intervención humana.
¿Qué es la imagen de clasificación no supervisada?
La clasificación de imágenes no supervisada es el proceso mediante el cual cada imagen en un conjunto de datos se identifica como miembro de una de las categorías inherentes presentes en la colección de imágenes sin el uso de muestras de entrenamiento etiquetadas.
¿Cuántas clases hay en la clasificación no supervisada?
Se utilizaron tres tipos de métodos de clasificación no supervisados en el análisis de imágenes: ISO Clusters, Fuzzy K-Means y K-Means, cada uno de los cuales resultó en clases espectrales que representan grupos de valores de imagen similares (Lillesand et al., 2007, p. 568) .