Reconocimiento de patrones multiespectrales

La teledetección multiespectral es la recopilación y el análisis de la energía reflejada, emitida o retrodispersada de un objeto o un área de interés en múltiples bandas de regiones del espectro electromagnético (Jensen, 2005). Las subcategorías de la teledetección multiespectral incluyen la hiperespectral, en la que se recopilan y analizan cientos de bandas, y la teledetección ultraespectral, en la que se utilizan muchos cientos de bandas ( Logicon , 1997). El objetivo principal de la obtención de imágenes multiespectrales es la posibilidad de clasificar la imagen mediante la clasificación multiespectral. Este es un método de análisis de imágenes mucho más rápido que el que es posible mediante la interpretación humana.

Los sistemas de teledetección recopilan datos a través de instrumentos que suelen transportarse en satélites en órbita alrededor de la Tierra. El escáner de teledetección detecta la energía que irradia el objeto o el área de interés. Esta energía se registra como una señal eléctrica analógica y se convierte en un valor digital mediante una conversión A-D. Existen varios sistemas de teledetección multiespectral que se pueden clasificar de la siguiente manera:

• Escáner multiespectral Landsat ( MSS )
• Mapeador temático Landsat ( TM )
• Satélite geoestacionario operacional ambiental ( GOES ) de la NOAA
• Radiómetro avanzado de muy alta resolución ( AVHRR ) de la NOAA
• NASA y ORBIMAGE, Inc., Sensor de campo de visión amplio para observación del mar ( SeaWiFS )
• Daedalus, Inc., escáner multiespectral para aeronaves (AMS)
• Sensor de aplicaciones aerotransportadas y terrestres de la NASA (ATLAS)

• Sensores de alta resolución visible (HRV) SPOT 1, 2 y 3 y sensor de alta resolución visible infrarroja (HRVIR) y vegetación Spot 4 y 5
• Sensor de escaneo automático de imágenes lineales (LISS) del sistema de teledetección indio ( IRS )
• Imágenes espaciales, Inc. ( IKONOS )
• Digital Globe, Inc. ( QuickBird )
• ORBIMAGE, Inc. ( OrbView-3 )
• ImageSat International, Inc. ( EROS A1 )
• Radiómetro espacial avanzado de emisión térmica y reflexión ( ASTER ) de la NASA Terra
• Espectrorradiómetro de imágenes multiángulo Terra ( MISR ) de la NASA

• Espectrómetro de imágenes en el aire visible e infrarrojo del Laboratorio de Propulsión a Chorro de la NASA ( AVIRIS )
• Cámara espectrográfica aerotransportada compacta 3 (CASI 3)
• Espectrómetro de imágenes de resolución moderada ( MODIS ) Terra de la NASA
• Observador de la Tierra de la NASA ( EO-1 ), generador avanzado de imágenes terrestres (ALI), Hyperion y corrector atmosférico LEISA (LAC)

• SPIN-2 ruso TK-350 y KVR-1000
• Imágenes del transbordador espacial y la Estación Espacial Internacional de la NASA

Se pueden utilizar diversos métodos para la clasificación multiespectral de imágenes:

• Algoritmos basados ​​en estadísticas paramétricas y no paramétricas que utilizan datos escalados en razón e intervalos y métodos no métricos que también pueden incorporar datos de escala nominal (Duda et al., 2001),
• Lógica de clasificación supervisada o no supervisada,
• Lógica de clasificación de conjuntos duros o blandos (difusos) para crear productos de salida temáticos duros o difusos.
• Lógica de clasificación por píxel u orientada a objetos, y
• Enfoques híbridos

En este método de clasificación, la identidad y la ubicación de algunos de los tipos de cobertura terrestre se obtienen de antemano a partir de una combinación de trabajo de campo, interpretación de fotografías aéreas, análisis de mapas y experiencia personal. El analista ubicaría sitios que tienen características similares a los tipos de cobertura terrestre conocidos. Estas áreas se conocen como sitios de entrenamiento porque las características conocidas de estos sitios se utilizan para entrenar el algoritmo de clasificación para el mapeo eventual de la cobertura terrestre del resto de la imagen. Los parámetros estadísticos multivariados (medias, desviaciones estándar, matrices de covarianza, matrices de correlación, etc.) se calculan para cada sitio de entrenamiento. Todos los píxeles dentro y fuera de los sitios de entrenamiento se evalúan y se asignan a la clase con las características más similares.

El primer paso en el método de clasificación supervisada es identificar las clases de cobertura y uso del suelo que se utilizarán. La cobertura del suelo se refiere al tipo de material presente en el sitio (por ejemplo, agua, cultivos, bosques, tierras húmedas, asfalto y hormigón). El uso del suelo se refiere a las modificaciones que las personas hacen a la cobertura del suelo (por ejemplo, agricultura, comercio, asentamiento). Todas las clases deben seleccionarse y definirse cuidadosamente para clasificar adecuadamente los datos obtenidos mediante teledetección en la información correcta sobre uso y/o cobertura del suelo. Para lograr este propósito, es necesario utilizar un sistema de clasificación que contenga definiciones taxonómicamente correctas de las clases. Si se desea una clasificación estricta, se deben utilizar las siguientes clases:

• Mutuamente excluyente: no hay superposición taxonómica de ninguna clase (es decir, el bosque tropical lluvioso y el bosque siempreverde son clases distintas).
• Exhaustivo: se han incluido todas las coberturas del suelo de la zona.
• Jerárquico: se crean clases de subnivel (por ejemplo, residencial unifamiliar, residencial multifamiliar), lo que permite que estas clases puedan incluirse en una categoría superior (por ejemplo, residencial).

Algunos ejemplos de esquemas de clasificación estrictos son:

• Sistema de clasificación de tierras de la Asociación Estadounidense de Planificación
• Sistema de clasificación de uso y cobertura del suelo del Servicio Geológico de los Estados Unidos para su uso con datos de sensores remotos
• Servicio de Pesca y Vida Silvestre del Departamento del Interior de los Estados Unidos
• Sistema Nacional de Clasificación y Vegetación de los Estados Unidos
• Sistema de clasificación de la cobertura terrestre del Programa Internacional de la Geosfera y la Biosfera (IGBP)

Una vez que se adopta el esquema de clasificación, el analista de imágenes puede seleccionar sitios de entrenamiento en la imagen que sean representativos de la cobertura o el uso de la tierra de interés. Si el entorno donde se recopilaron los datos es relativamente homogéneo, se pueden utilizar los datos de entrenamiento. Si se encuentran diferentes condiciones en el sitio, no será posible extender los datos de entrenamiento de teledetección al sitio. Para resolver este problema, se debe realizar una estratificación geográfica durante las etapas preliminares del proyecto. Se deben registrar todas las diferencias (por ejemplo, tipo de suelo, turbidez del agua, especies de cultivos, etc.). Estas diferencias se deben registrar en las imágenes y la selección de los sitios de entrenamiento se debe realizar en función de la estratificación geográfica de estos datos. El mapa de clasificación final sería una combinación de las clasificaciones de estratos individuales.

Una vez que los datos se organizan en diferentes sitios de entrenamiento, se crea un vector de medición. Este vector contendrá los valores de brillo de cada píxel en cada banda de cada clase de entrenamiento. La media , la desviación estándar , la matriz de varianza-covarianza y la matriz de correlación se calculan a partir de los vectores de medición.

Una vez determinadas las estadísticas de cada sitio de entrenamiento, se deben seleccionar las bandas más efectivas para cada clase. El objetivo de esta discriminación es eliminar las bandas que puedan proporcionar información redundante. Para lograr este objetivo se pueden utilizar métodos gráficos y estadísticos. Algunos de los métodos gráficos son:

• Gráficos espectrales de barras
• Gráficos de vectores de media coespectral
• Gráficas de espacio de características
• Gráficos de paralelepípedos o elipses coespectrales

El último paso en la clasificación supervisada es seleccionar un algoritmo adecuado. La elección de un algoritmo específico depende de los datos de entrada y del resultado deseado. Los algoritmos paramétricos se basan en el hecho de que los datos se distribuyen normalmente. Si los datos no se distribuyen normalmente, se deben utilizar algoritmos no paramétricos. Los algoritmos no paramétricos más comunes son:

• Corte de densidad unidimensional
• Paralelepípedo
• Distancia mínima
• Vecino más cercano
• Análisis de sistemas expertos
• Red neuronal convolucional ^[1]

La clasificación no supervisada (también conocida como agrupamiento) es un método para dividir los datos de imágenes de sensores remotos en un espacio de características multiespectrales y extraer información sobre la cobertura del suelo. La clasificación no supervisada requiere menos información de entrada del analista en comparación con la clasificación supervisada porque el agrupamiento no requiere datos de entrenamiento. Este proceso consiste en una serie de operaciones numéricas para buscar las propiedades espectrales de los píxeles. A partir de este proceso, se obtiene un mapa con m clases espectrales. Utilizando el mapa, el analista intenta asignar o transformar las clases espectrales en información temática de interés (es decir, bosque, agricultura, urbano). Este proceso puede no ser fácil porque algunos agrupamientos espectrales representan clases mixtas de materiales de superficie y pueden no ser útiles. El analista tiene que comprender las características espectrales del terreno para poder etiquetar los agrupamientos como una clase de información específica. Hay cientos de algoritmos de agrupamiento. Dos de los algoritmos conceptualmente más simples son el método de la cadena y el método ISODATA.

El algoritmo utilizado en este método opera en un modo de dos pasadas (pasa a través del conjunto de datos multiespectrales dos veces). En la primera pasada, el programa lee a través del conjunto de datos y construye secuencialmente clústeres (grupos de puntos en el espacio espectral). Una vez que el programa lee a través del conjunto de datos, un vector de media se asocia a cada clúster. En la segunda pasada, se aplica un algoritmo de clasificación de distancia mínima a medias al conjunto de datos, píxel por píxel. Luego, cada píxel se asigna a uno de los vectores de media creados en el primer paso.

El algoritmo de Técnica de Análisis de Datos Autoorganizados Iterativos (ISODATA) utilizado para el reconocimiento de patrones multiespectrales fue desarrollado por Geoffrey H. Ball y David J. Hall en el Instituto de Investigación de Stanford . ^[2]

El algoritmo ISODATA es una modificación del algoritmo de agrupamiento k-means , con reglas heurísticas añadidas basadas en la experimentación. En resumen: ^[3]

ENTRADA. conjunto de datos, valores de configuración especificados por el usuario.

Inicializar puntos de clúster para el algoritmo k-means de forma aleatoria.

HACER HASTA. que se cumplan las condiciones de terminación

Ejecute algunas iteraciones del algoritmo k-means.

Divida un punto de un grupo en dos si la desviación estándar de los puntos del grupo es demasiado alta.

Fusionar dos puntos del grupo en uno si la distancia entre sus medias es demasiado baja.

Eliminar un punto de clúster si contiene muy pocos puntos de datos.

Eliminar los puntos de datos que estén demasiado distantes de su punto de clúster.

Verifique las condiciones heurísticas para la terminación.

REGRESO. clusters encontrados

Existen muchas condiciones heurísticas posibles para la terminación, dependiendo de la implementación.

• Ball, Geoffrey H., Hall, David J. (1965) Isodata: a method of data analysis and pattern classification, Stanford Research Institute, Menlo Park, Estados Unidos. Oficina de Investigación Naval. División de Ciencias de la Información
• Duda, RO, Hart, PE y Stork, DG (2001). Clasificación de patrones. Nueva York: John Wiley & Sons.
• Jensen, JR (2005). Introducción al procesamiento de imágenes digitales: una perspectiva de teledetección. Upper Saddle River: Pearson Prentice Hall.
• Belokon, WF et al. (1997). Guía de referencia de imágenes multiespectrales. Fairfax: Logicon Geodynamics, Inc.