Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 48 vistas

    05 Guía-Práctica Clasificaciones

    Cargado por

    Teo Del Águila
    Este documento presenta un resumen de dos métodos de clasificación de imágenes de satélite: la clasificación supervisada y la clasificación no supervisada. La clasificación supervisada utiliza áreas de entrenamiento seleccionadas previamente para cada categoría, mientras que la clasificación no supervisada busca grupos homogéneos de valores de forma automática. El documento describe los pasos para aplicar ambos métodos utilizando ArcGIS y generar mapas de cobertura de la tierra a partir de una imagen satelital.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    05 Guía-Práctica Clasificaciones

    Cargado por

    Teo Del Águila
    48 vistas8 páginas
    Este documento presenta un resumen de dos métodos de clasificación de imágenes de satélite: la clasificación supervisada y la clasificación no supervisada. La clasificación supervisada utiliza áreas de entrenamiento seleccionadas previamente para cada categoría, mientras que la clasificación no supervisada busca grupos homogéneos de valores de forma automática. El documento describe los pasos para aplicar ambos métodos utilizando ArcGIS y generar mapas de cobertura de la tierra a partir de una imagen satelital.

    Título original

    05_GUÍA-PRÁCTICA_CLASIFICACIONES

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un resumen de dos métodos de clasificación de imágenes de satélite: la clasificación supervisada y la clasificación no supervisada. La clasificación supervisada utiliza áreas de entrenamiento seleccionadas previamente para cada categoría, mientras que la clasificación no supervisada busca grupos homogéneos de valores de forma automática. El documento describe los pasos para aplicar ambos métodos utilizando ArcGIS y generar mapas de cobertura de la tierra a partir de una imagen satelital.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    48 vistas8 páginas

    05 Guía-Práctica Clasificaciones

    Cargado por

    Teo Del Águila
    Este documento presenta un resumen de dos métodos de clasificación de imágenes de satélite: la clasificación supervisada y la clasificación no supervisada. La clasificación supervisada utiliza áreas de entrenamiento seleccionadas previamente para cada categoría, mientras que la clasificación no supervisada busca grupos homogéneos de valores de forma automática. El documento describe los pasos para aplicar ambos métodos utilizando ArcGIS y generar mapas de cobertura de la tierra a partir de una imagen satelital.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 8

    Asignatura: Principio de Sensoramiento Remoto 2022-I

    GUÍA-PRÁCTICA 7:

    Clasificación supervisada y no supervisada

    El método de clasificación supervisada parte del conocimiento previo del terreno, a partir del
    cual se seleccionan las muestras o áreas de entrenamiento para cada una de las categorías que
    se quiere interpretar. Por su parte, el método no supervisado procede a una búsqueda automática
    de grupos de valores homogéneos dentro de la imagen.

    Las clasificaciones supervisada y no supervisada permiten explorar diferentes tipos de atributos


    o clases por medio del análisis estadístico multivariado, este proceso identifica los valores de
    cada píxel de una o varias bandas de una imagen ráster, crea y evalúa las clases o clúster,
    finalmente reclasifica de acuerdo a las probabilidades de cada clase. Este procedimiento es muy
    práctico para crear de forma automática un mapa de uso del suelo o de cobertura vegetal.

    Objetivo: Que el estudiante pueda hacer clasificaciones de las imágenes de satélite y generar
    mapas de cobertura de la tierra.

    Procedimiento:

    Es importante, en primer lugar, indicar que para generar clasificaciones se requiere contar con
    una imagen ráster y un shape file de puntos.

    Clasificación supervisada:

    La clasificación supervisada en ArcGIS permite clasificar el ráster por medio de cada píxel de
    una celda, es necesario tener conocimiento previo de las clases del área de estudio (tipos de
    cobertura). Se generar puntos sobre lo que consideramos es un tipo de cobertura, a éstos se les
    asigna un valor numérico considerándolos una clase.

    1. Iniciar y guardar un proyecto en ArcMap de ArcGIS. Nombrarlo como PRÁCTICA_07.


    2. Lo puede guardar en la carpeta:

    • C:\MATERIAL_PRÁCTICA_PSR\MXD ……. PRÁCTICA_05.mxd

    3. Seguidamente, al Data Frame le asignará un sistema de proyección para poder observar los
    datos a escala. Clic derecho sobre el Data Frame | Properties | Projected Coordinate
    Systems | UTM | WGS 1984 | Southern Hemisphere | WGS 1984 UTM Zone 18S. Esto se
    hace para poder observar la imagen a una escala en particular y poder hacer mediciones
    sobre la misma.
    4. Procederá a nombrar al Data Frame como: CLASIFICACIONES

    Autor: Lizardo Fachín Malaverri 1


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    5. A continuación, agregue las siguientes imágenes de satélite que están en la carpeta


    MATERIAL_PRÁCTICA_PSR

    • C:\MATERIAL_PRÁCTICA_PSR\RASTER\IMG\GEO … p006r063_8oli_20181029.img.
    • Aplicar la combinación 564-RGB, luego en el tipo de Stretch seleccionar Standard Deviations

    6. La imagen tiene esta apariencia

    En la imagen se puede apreciar mucho contraste en los


    tipos de vegetación, se puede observar aguajales,
    varillales, la planicie de inundación del río Nanay,
    bosque de terrazas, deforestación por agricultura
    migratoria, infraestructura urbana, entre otros.

    7. En primer lugar, creamos un shape file de puntos que servirán como áreas de entrenamiento
    para cada una de las coberturas de bosque que identificamos en la imagen.
    8. Abrimos ArcCatalog y en la carpeta se crea un archivo de polígonos de nombre
    areas_entrenamiento.shp
    C:\MATERIAL_PRÁCTICA_PSR\VECTOR\SHAPES …
    areas_entrenamiento.shp

    Es importante asignarle un sistema de coordenadas, para este caso


    WGS_1984_UTM_Zone_18S

    9. Iniciamos la edición de las superficies, Editor | Start Editing.

    Autor: Lizardo Fachín Malaverri 2


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    10. Comienzo a adicionar puntos sobre las áreas de los tipos de cobertura vegetal con Create
    Feature. Utilizo las herramientas de zoom para acercarme o alejarme de los objetos.

    11. Cuando se termina de agregar los polígonos


    como áreas de entrenamiento de aguajales, se
    procede, en la tabla de atributos del shape file
    areas_entrenamiento.shp, a poner un código
    1 en el Id, con clic derecho en el título del
    campo Id | Field Calculator | Id = 1, OK.
    12. Deberá crear un campo DESCRIP (Add
    field) para poner el campo descriptivo de la
    unidad caracterizadas. Se debe tener una hoja
    Excel con los códigos y descripciones.
    13. Seguidamente hace lo mismo para cuerpos de agua blanca, como es el caso del río
    Amazonas. Mientras más polígonos genere sobre los elementos (clases) mayor será la
    precisión en la clasificación. Así tiene que ubicar y llenar los códigos de las clases que
    identifique en la imagen, así tenemos las siguientes:

    Código y Clases:

    ▪ 1 = Aguajal
    ▪ 2 = Varillal
    ▪ 3 = Planicie inundación del río Nanay
    ▪ 4 = Bosque de terraza
    ▪ 5 = Agricultura migratoria (Deforestación 1
    ▪ 6 = Plantación de café (Deforestación 2)
    ▪ 7 = Cuerpos de agua blanca (Ríos Amazonas,
    Ucayali y Marañon)
    ▪ 8 = Cuerpos de agua negra (Ríos Nanay, Momón,
    Pintuyacu, Itaya, laguna Quistococha)
    ▪ 9 = Infraestructura urbana (Ciudad Iquitos y Nauta)

    Autor: Lizardo Fachín Malaverri 3


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    14. Salimos del modo edición Stop Editing | OK


    15. Seguidamente se crea una firma espectral con la herramienta Create Signature
    ArcToolbox | Spatial Analyst Tools | Multivariate | Create Signatures
    16. Debe ingresar los datos requeridos:

    • Input raster band: p006r063_8oli_20181029.img


    • Input raster or feature sample data: areas_entrenamiento.shp
    • Sample field (optional): Id
    • Output signature file: C:\MATERIAL_PRÁCTICA_PSR\RASTER\CLASIFICACIONES\
    firma.gsg
    • OK (toma unos minutos para procesar los datos)

    17. Después de finalizado el proceso sale una ventana, cerrar x.

    Autor: Lizardo Fachín Malaverri 4


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    18. Exploramos la carpeta. La podemos abrir con el block de notas. Aquí se puede apreciar los
    valores estadísticos para cada clase.

    19. Después de haber generado la firma espectral ahora utilizamos


    ArcToolbox | Spatial Analyst Tools | Multivariate | Maximum Likelihood Classification
    20. Debe ingresar los datos requeridos:

    • Input raster band: p006r063_8oli_20181029.img


    • Input signature file: firma.gsg
    • Output classified raster:
    C:\MATERIAL_PRÁCTICA_PSR\RASTER\CLASIFICACIONES\supervisada_01
    • Reject fraction (optional): 0.0
    • A priori probability weighting: EQUAL
    • Input a priori probability file (optional)
    • OK

    Autor: Lizardo Fachín Malaverri 5


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    21. Puede adicionar un campo de descripción en la tabla de atributos del archivo resultante
    supervisada_01

    22. Como podrá observar las clases identificadas no son todas


    puras, esto se debe a que existe mucha heterogeneidad en la
    cobertura clasificada. A este efecto se le denomina de “sal y
    pimienta”, dado que tiene esa apariencia.

    Autor: Lizardo Fachín Malaverri 6


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    Clasificación no supervisada:

    La clasificación no supervisada en ArcGIS no determina ninguna prioridad para obtener las


    clases, es decir lo realiza en base a probabilidades, el resultado es una imagen ráster
    reclasificada y opcionalmente genera un archivo con su respectiva firma. Para efectuar este
    procedimiento se usa la herramienta Iso Cluster Unsupervised Classification.

    23. Sobre la misma imagen que se hizo la clasificación supervisada se va a hacer la no


    supervisada.
    C:\MATERIAL_PRÁCTICA_PSR\RASTER\IMG\GEO … p006r063_8oli_20181029.img.
    24. Aplicar la combinación 564-RGB, luego en el tipo de Stretch seleccionar Standard
    Deviations
    25. A continuación, se utiliza la herramienta
    ArcToolbox | Spatial Analyst Tools | Multivariate | Iso Cluster Unsupervised
    Classifications
    26. Debe ingresar los datos requeridos:

    • Input raster band: p006r063_8oli_20181029.img


    • Number of classes: 9 (la misma cantidad que se hizo en la clasificación supervisada)
    • Output classified raster:
    C:\MATERIAL_PRÁCTICA_PSR\RASTER\CLASIFICACIONES\nosupervisada_01
    • Todo lo demás lo deja por defecto
    • OK

    27. Como podrá observar las clases identificadas son


    distribuidas juntando en clases (cluster) los valores
    de los pixeles. Estos no necesariamente son los
    mismos que se utilizaron en la clasificación
    supervisada. En este caso tenemos que, el modelo
    de clasificación de ArcGIS, ha juntado los valores
    de los pixeles en clases y las ha distribuido en 9
    clases, considerando, en alguna medida su
    homogeneidad.

    Autor: Lizardo Fachín Malaverri 7


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal
    Asignatura: Principio de Sensoramiento Remoto 2022-I

    Presentación de resultados de la práctica:

    1. La primera página será para la carátula.


    2. En la siguiente página copiará solamente el resultado de la clasificación supervisada del
    área e indicará las categorías correspondientes indicando los coles y las clases.
    3. El formato de presentación, como siempre, es *.pdf.

    Instrucciones de presentación de la práctica en la plataforma Moodle:

    ▪ La práctica se desarrollará de forma individual para luego ser cargada en la plataforma


    Moodle en la sección que corresponda.
    ▪ La fecha límite para la presentación de la tarea se indica claramente en el aplicativo Moodle.
    ▪ Como se indica en el acápite de Procedimientos, los resultados deben ser claros y precisos
    y solamente adicionar el resultado de la clasificación supervisada de la imagen de satélite.
    ▪ Como verá, la práctica la tiene que elaborar en formato MXD de ArcGIS, pero lo que
    presentará será un formato *.pdf y debe nombrarlo de la siguiente manera. Ejemplo:

    PRÁCTICA_07_PSR_PEREZ_Ricardo.pdf
    Donde:

    PRÁCTICA_07 : Es el nombre y número de práctica


    PSR : Nombre de la asignatura Principio de Sensoramiento Remoto
    PEREZ : Primer apellido del estudiante (mayúsculas)
    Ricardo : Primer nombre del alumno (minúscula)
    .pdf : Formato del documento PDF (*.pdf)

    IMPORTANTE: ESTA PRÁCTICA SERÁ CALIFICADA

    Los alumnos que no graben y carguen sus


    archivos (práctica) de la manera que se está
    indicando en la sección de las instrucciones, se
    les restará puntos de su calificación.

    Autor: Lizardo Fachín Malaverri 8


    Facultad de Ciencias Forestales: Escuela de Ingeniería Forestal

    También podría gustarte

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy