GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

Trabajo Practico N° 4

Extracción de información a partir de datos satelitales: elaboración de mapas

de ambientes mediante procedimientos de clasificación digital

Por P. Kandus, R. Cavia, N. Morandeira, A. Carbajo, M. V. Cardinal, F. Schivo, J. Filloy

INTRODUCCIÓN

En términos generales, el proceso de extracción de información a partir de datos satelitales se

basa fundamentalmente en el análisis multiespectral de los valores de reflectancia y la
consiguiente asociación entre clases espectrales y clases de información (Jensen. 1986).

Las primeras se refieren a los distintos conjuntos de pixeles con valores de reflectancia similares, o
bien más específicamente, con propiedades y firmas espectrales comunes y de interés en un
problema particular. Las clases de información se derivan de esquemas de clasificación basados
en datos de campo y modelos conceptuales (Campbell, 1983).

Según Coppin et al. (1994) la hipótesis subyacente al proceso de extracción de información es que
la relación entre las características de los objetos o fenómenos estudiados y los datos de
reflectancia de las imágenes satelitales es lo suficientemente explícita como para generar valores
operativos que permitan la discriminación o estratificación de estos. Este autor plantea, a su vez,
que la posibilidad de detectar y monitorear los fenómenos y procesos que ocurren en la naturaleza
mediante un sistema de tele observación depende de la capacidad del mismo para captar su
variabilidad en el espacio (frente a una cierta heterogeneidad ambiental) y en el tiempo (cambios
estacionales, interanuales o direccionales en el paisaje). Sin embargo, la interpretación de esta
variabilidad corresponde al investigador.

Desde el punto de vista ecológico, de lo dicho anteriormente se desprende la necesidad de contar

con modelos conceptuales explícitos para la interpretación de los resultados derivados del análisis
de datos satelitales y para la definición del alcance de los mismos en análisis posteriores. En este
sentido, los resultados, además de permitir tanto una expresión cartográfica como una
cuantificación espacial (por ejemplo de los ambientes presentes) en un área de interés, pueden ser
analizados según su significado ecológico a fin de generar hipótesis relacionadas con la dinámica
de paisaje y la elaboración de modelos de flujos de materia, energía e información entre
ecosistemas.

La formulación de estos modelos conceptuales constituye entonces un paso reconocido como

crítico para la generación de clases de información que sean a su vez aptas para su vinculación
con datos obtenidos a partir de sensores remotos. Esto se debe a que el procesamiento digital de
imágenes utiliza la reflectancia espectral como único parámetro para la discriminación de objetos o
fenómenos de la superficie terrestre. En cambio, los esquemas de clasificación desarrollados a fin
de lograr la comprensión de la complejidad estructural o funcional de la naturaleza, requieren en
términos generales de la integración de múltiples parámetros, los cuales pueden o no ser
espectralmente separables (Weissblatt, 1977).

En este sentido, los esquemas de clasificación que utilizan como variables primarias de la
delimitación de los ambientes aspectos estructurales de los ecosistemas (como el tipo de
vegetación y de suelo), son de aplicación directa al uso de sensores remotos, debido a que estas
se encuentran altamente relacionadas con la respuesta espectral de los mismos. Sin embargo,
también las clases de información a ser discriminadas espectralmente pueden corresponder a
ambientes definidos en relación a factores funcionales que emergen como principales
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

condicionantes de la heterogeneidad ambiental (ej.: el régimen hidrológico). Las características de

la vegetación y del suelo (variables estructurales) serían, en cambio, consideradas variables de
caracterización y son estas las que condicionan la respuesta espectral de los elementos. En este
sentido, se parte de la premisa de que una tipología de ambientes basada en variables de
delimitación funcionales donde los aspectos estructurales de los ambientes constituyen las
variables de caracterización, puede constituir una aproximación válida para el uso de información
de sensores remotos (Kandus, 1999).

En este marco, el proceso de clasificación de datos satelitales cae dentro de lo que se denomina
resolución de problemas inversos. En otras palabras, conocer aspectos estructurales o funcionales
de los objetos y tratar de relacionarlos con los valores de reflectancia o coeficiente de
retrodispersión (si se trata de radar) constituye un problema directo. Ahora, si queremos predecir
las propiedades de la superficie terrestre a partir de los datos satelitales, estamos tratando de
resolver lo que se denomina un problema inverso. Un ejemplo sería tratar de predecir la
productividad primaria de un sistema a partir de una serie de datos de NDVI. La clasificación de
datos satelitales también cae en esta categoría dado que nosotros asignamos clases a la
superficie terrestre apenas conociendo una pequeña proporción de ella.

El proceso de clasificación digital

La clasificación digital de imágenes se refiere al proceso de interpretación de los datos satelitales,

con la asistencia de una computadora. Si bien algunos procedimientos permiten incorporar
información acerca de las características de los patrones espaciales tales como textura o contexto,
la mayoría de los algoritmos de clasificación se basan exclusivamente en la detección de
diferencias entre pixeles sobre la base de las firmas espectrales o patrones espectrales. El éxito
que puede alcanzar una clasificación de este tipo entonces depende de: 1) la presencia de firmas
espectrales distintivas de los objetos de interés, en el conjunto de bandas analizadas; 2) la
capacidad de discriminar esas firmas espectrales de otros patrones espectrales que pueden estar
presentes pero que no revisten interés.

Cabe mencionar que un paso fundamental en una clasificación es la evaluación de la exactitud de

los resultados obtenidos al final del proceso. Esto involucra la identificación de un conjunto de
muestras, conocidas, visitadas a campo y cuya cobertura debe ser comparada con la cobertura
asignada por el clasificador. El análisis estadístico de las muestras permite tener una evaluación
de todo el mapa producido.

Dentro de los clasificadores digitales tradicionales, es posible identificar dos tipos básicos de
aproximaciones: supervisadas y no supervisadas. Estas difieren en cómo se lleva a cabo el
proceso de clasificación.

En la primera (supervisada) el objetivo es identificar áreas semejantes a un conjunto de muestras

conocidas de ambientes de interés. En una clasificación no supervisada, en cambio, el
investigador/a tiende a tratar de identificar y definir todos los tipos de cobertura (o ambientes)
presentes en una imagen.

Por otra parte, dentro de los clasificadores pueden encontrarse duros y blandos. Los primeros son
los más tradicionales, y toman una decisión única y definitiva con respecto a si un píxel debe o no
pertenecer a una clase. Los clasificadores blandos, en cambio, adoptan un criterio difuso (fuzzy)
para evaluar si un pixel debe o no estar en una clase y evalúan el grado con el cual un pixel debe o
no pertenecer a una clase.

En este trabajo práctico se llevarán a cabo clasificaciones tradicionales, supervisada y no

supervisada, de las denominadas duras como forma de introducir la lógica involucrada en la
clasificación de imágenes. Involucra al menos tres clases: la primera es gabinete donde se
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

realizará una clasificación no supervisada, la segunda donde se realizará el trabajo de campo y la

tercera un gabinete donde se finalizará la clasificación no supervisada, se realizará la clasificación
supervisada y se evaluará la exactitud de los productos obtenidos.

OBJETIVOS

Objetivo general:

Elaborar un mapa de ambientes para el área de estudio seleccionada.

Objetivos particulares:

• Familiarizarse con el uso de diferentes metodologías de clasificación numérica.

• Comparar los alcances de una clasificación digital con los resultados alcanzados mediante la
interpretación visual de una imagen.

• Reconocer que elementos son observables solo a escala de campo y cuales se identifican en
imágenes y fotografías en papel de distintas escalas.

• Evaluar la exactitud de la clasificación realizada.

MATERIALES Y ACTIVIDADES

A partir de una escena satelital óptica del área de estudio (Landsat 8-OLI o Sentinel-2), se realizará
una clasificación no supervisada y, por otro lado, una supervisada. Se trabajará con Google
Earth Engine (GEE). Además, se evaluará la clasificación no supervisada.

Ejercicio 1.

1.1. Elija una imagen

Entre al editor de código del GEE https://code.earthengine.google.com

Se propone trabajar sobre un área de la que se tenga conocimiento en el terreno, ya que no

contaremos con datos de campo tomados ad-hoc para este ejercicio. Se va a requerir poder
identificar fehacientemente coberturas a partir del análisis de imágenes de Google-Earth. Elija una
imagen Landsat 8-OLI o Sentinel-2 que contenga el área a clasificar y de una fecha sugerida por
los docentes. Despliegue la imagen en una composición RGB (sugerimos usar al menos dos:
"Color real" y alguna "Falso color compuesto") y analice si está libre de nubes en el área de interés.
Si no recuerda cómo hacerlo, revise el TP anterior (Ejercicios 1, 2 y 4). Si tiene nubes, elija una de
otra fecha.

Seleccione una imagen siguiendo los pasos utilizados en el TP anterior. Nombre a la imagen
seleccionada como “imagen_ceibas????” donde ???? corresponde al año.

1.2. Elabore una clasificación conceptual de los objetos a identificar.

Analice la resolución espacial de la escena; analice qué bandas dispone y cuales son de interés.
Reconozca los distintos ambientes. Luego, elabore una clasificación conceptual del espacio
geográfico que permita definir clases de información las cuales luego serán relacionadas con
clases espectrales.
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

Para la elaboración del esquema conceptual de los objetos a identificar debemos definir
claramente el objetivo de la clasificación, la información espectral de la imagen y la
información de los ambientes presentes en el área de estudio (ej. Malvárez 1999, Kandus el al.
2017, Kandus et al. 2019)

A partir de la escena se realizará una clasificación no supervisada. Los clasificadores

comprendidos por este tipo de aproximación examinan todo el conjunto de datos y lo dividen en
grupos (clusters) espectrales "naturales". El analista entonces debe etiquetar a posteriori cada uno
de esos grupos espectrales de acuerdo a clases de información de acuerdo a su conocimiento
referido a modelos conceptuales previos y visitas de campo.

Es importante reconocer que los grupos que producen estos clasificadores son clases espectrales
y NO clases de información. El analista asignara las clases de información luego a las clases
espectrales. De este modo una o más clases espectrales pueden corresponder a una sola clase de
información, con lo cual estas deben ser recodificadas. También puede ocurrir la inversa, lo cual
significa que las clases de información requeridas no son espectralmente separables en el
conjunto de bandas utilizadas (Figura 1).

Clase Clase de Clase Clase de Clase Clase de

espectral información espectral información espectral información

Figura 1. Resultados posibles entre la relación de las clases espectrales (de acuerdo a la
información del espectro reflejado) y las clases de información (el esquema conceptual de las
clases de cobertura, ecosistemas, etc).

1.2. Clasificación no supervisada

Nosotros aquí vamos a usar el K-means (un método de clasificación no jerárquico) con 5 veces el
número de clases de información deseadas (es un criterio arbitrario, pero un criterio al fin: lo
importante es obtener más clusters que clases de información a clasificar, ¿por qué?). Para esto
en el editor de código del GEE:

// En primer lugar debemos extraer las bandas que son informativas, si

var imagen_ceibas2021_B17 =
imagen_ceibas2021.select(SR_B1","SR_B2","SR_B3","SR_B4","SR_B5","SR_B6","SR_B7");
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

// Debemos elegir un conjunto de pixeles de entrenamiento, a partir de una imagen

dada y de un área de interés. En este caso usaremos el mismo polígono
(area_ceibas) que usaremos para clasificar luego ¿esta bien?. Luego de definir el
polígono que delimita el área de interés (en este caso llamado “area_ceibas”),
cargamos el siguiente código:

var entrenamiento = imagen_ceibas2021_B17.sample({

region: area_ceibas,
scale: 30,
numPixels: 5000
});

// Definimos el algoritmo de agrupamiento y el número de clases espectrales.

Reemplace "20" por 5 veces el número de clases de informacion definidas

var agrupamiento_20_clases_espectrales =
ee.Clusterer.wekaKMeans(20).train(entrenamiento);

// Clasificamos la imágen (puede ser la misma que uso para entrenar u otra
imágen!!) a partir de los resultados del entrenamiento
// Para ello primero haremos un recorte de la imagen usando el polígono
“area_ceibas” con la función “.clip()”

var recorte_imagen_ceibas2021 = imagen_ceibas2021_B17.clip(area_ceibas)

// Ahora si clasificamos el recorte

var resultado_kmeans_20clases_ceibas =
recorte_imagen_ceibas2021.cluster(agrupamiento_25_clases_espectrales);

// Mapeamos el resultado de la clasificación con una rampa de colores aleatoria

Map.addLayer(resultado_kmeans_20clases_ceibas.randomVisualizer(), {}, 'kmeans 20

clases espectrales');

// Apague el polígono “área_ceibas” para poder observar los resultados

1.3. Explorar el resultado de la clasificación no supervisada

Para explorar la clasificación, es recomendable tener el producto del k-means en una ventana y en
otra una composición RGB (sugerimos: Falso color compuesto, pero puede tener más de una
composición). Podrá prender y apagar las distintas capas.
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

Analizaremos ahora a qué clase de información corresponde cada

clase espectral. Para ello analizaremos a través de los colores y el
“inspector” anotamos a que clase espectral correspondería cada
clase de información. Debe tener en cuenta que la imagen satelital
de fondo de alta resolución puede ser muy útil pero no
corresponde exactamente a la fecha de la imagen satelital
analizada, por lo que el grado de inundación, los cultivos y otras
características del ambiente pueden no coincidir.

En este ejemplo el pixel sobre el

que se picó pertenece a la clase
12 (grupo 12)

1.4. Analizar las firmas espectrales de cada clase.

Ahora debe comenzar a analizar la clasificación y ver si hay correspondencia entre clases
espectrales y clases de información deseadas. Para esto, debe analizar las firmas espectrales
correspondientes a cada clase; a la par de analizar en que posicion geografica (y/o cerca de otras
que clases espectrales) se encuentra cada clase. En este paso es esencial el conocimiento que se
tenga sobre el área de estudio.

// Ahora graficaremos las firmas de cada clase espectral

// Para eso debemos agregar la banda "cluster" del resultado kmeans a la imagen
que contiene la reflectancia
// de las 7 bandas. Para eso usamos dos funciones addBand() que agrega la banda y
.select() que selecciona

var recorte_imagen_ceibas2021_clases =
recorte_imagen_ceibas2021.addBands(resultado_kmeans_25clases_ceibas.select("clust
er"));

print(recorte_imagen_ceibas2021_clases)
//veremos que se agregó la banda "cluster"

// Ahora graficaremos las firmas usando ui.Chart.image.byClass()

// Puede ver distintas herramientas graficas en ui.Chart()
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

var grafico_firmas = ui.Chart.image.byClass({

image: recorte_imagen_ceibas2021_clases, // imagen reflectancia + grupos
classBand: 'cluster', // el nombre de la banda que tiene los grupos
reducer: ee.Reducer.mean(), // la función a realizar, aqui la media
scale: 30, // aqui es redundante, todas las bandas tienen un pixel de 30
})
.setChartType('ScatterChart') // también puede usar "LineChart"
.setOptions({
pointSize: 1,
lineSize: 2,
curveType: 'function'});
print(grafico_firmas);

Se deberá analizar la similitud de las distintas clases espectrales (es decir si las firmas son
similares). Para esto puede basarse en las firmas solas, o ayudarse mirando la imagen original en
una composición color. Si conoce un método de agrupamiento o de análisis estadístico para
evaluar la similitud entre las firmas, puede implementarlo para ayudarse a analizar los datos.

Una vez que haya decidido que clases espectrales corresponden –según su modelo de
clasificación– a cada clase de información, deberá reclasificar la imagen. Para ello:
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

// Reclasificamos el mapa de clases

// Clases antes (clases espectrales), clusters del kmeans. Complete los
numeros // de acuerdo a la cantidad de clases elegida
var antesReclas = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10,
11, 12, 13, 14, 15, 16, 17, 18, 19, 20];

// Reclasificada (clases de información). Complete de acuerdo a lo trabajado.

var despuesReclas = [1, 2, 2, 4, 3, 3, 3, 4, 4, 2,
2, 2, 3, 4, 3, 3, 2, 3, 3, ];

var ceibas2021_ambientes = resultado_kmeans_25clases_ceibas.remap(antesReclas,

despuesReclas, 0);

// Mapeamos
Map.addLayer(ceibas2021_ambientes.randomVisualizer(), {}, 'clases de
informacion');

1.5. Exportar el archivo raster

Finalmente puedo exportar el producto a su drive y abrirlo en QGis para componer un lindo mapa
con el “Diseñador de impresión” (ver primer TP del curso…) para exportar en formato pdf color en
tamaño A3 para imprimir y llevarlo al campo. ¡Guarde el script para continuar en las próximas
clases!

Export.image.toDrive({
image: ceibas2021_ambientes,
description: 'ceibas????_ambientes_kmeans', // Reemplace ???? por el año
scale: 30,
region: area_ceibas});

Eso generará una tarea que deberá aprobar. De igual manera puede exportar la imagen recortada
con las bandas de interés. Ambos archivos podrán abrirse en QGis para realizar el siguiente punto.
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

Segunda parte

1.6. Clasificación no supervisada: finalización

Una vez generada una primer versión del mapa de ambientes, se debe analizar el producto.
Idealmente este paso se realiza mediante una recorrida en el campo. En el ejercicio le proponemos
avaluarlo mediante su conocimiento previo del área y a través de la interpretación de las imágenes
satelitales disponibles.
Se debe definir si las categorías definidas son válidas o si disminuirá el número de ellas o
subdividiría alguna. Este trabajo, requiere la discusión de los criterios y el reanálisis y
reinterpretación de las firmas espectrales y aunque repite los análisis realizados en el punto 1.3 y
1.4, es necesario para para mejorar el producto obtenido antes de conocer el terreno.
Para obtener un mapa final podrá recodificar nuevamente las clases espectrales originales
obtenidas en clases de información finales. ¡Felicitaciones! Ha obtenido un mapa de ambientes del
área de estudio. Para el informe, haga una salida del mapa con el “Diseñador de impresión” (ver
primer TP del curso…), incluyendo leyenda, escala, título y coordenadas. Ojo, nos resta evaluar la
exactitud de la clasificación. Ahora continúe con el siguiente punto.

2. Clasificación supervisada

Bajo esta aproximación, uno identifica en principio conjuntos de pixeles que representen las clases
de información. Esos conjuntos se denominan sitios de entrenamiento. Luego se utiliza el programa
para caracterizar estadísticamente la reflectancia espectral de las muestras de cada clase de
información. Esta caracterización puede ser tan simple como la media y el desvío o puede
involucrar el análisis de la media, la varianza y la covarianza en el conjunto de todas las bandas
involucradas.
a) Análisis de la información a partir de muestras (sitios de entrenamiento y firmas
espectrales).
Para hacer un análisis numérico acerca de los valores de reflectancia espectral correspondientes a
diferentes objetos de la superficie terrestre es posible extraer muestras de pixeles de las imágenes.
A partir de las mismas es posible calcular medias, desvíos, valores máximos y mínimos a fin de
comparar la respuesta de los ambientes y evaluar la posibilidad de separarlos espectralmente.
Para ello despliegue en una vista la imagen del área de estudio en una combinación color que le
permita identificar los distintos ambientes en la imagen. Ahora debemos dibujar un polígono que
encierre un conjunto de pixeles al ambiente 1 (por ejemplo agua o bosque), que deben ser lo más
homogéneos posible de forma tal de minimizar la confusión entre objetos correspondientes. Podía
apoyarse en la Google de alta resolución para definir los límites de los parches. Recuerde que esta
imagen puede tener discrepancias con las condiciones de los ambientes en el momento en que se
tomó la imagen satelital a clasificar. Por esto también debe apoyarse en las imágenes desplegadas
en color real y falso color compuesto.

pastizal

bosque

Observaciones de campo

Ahora debemos crear polígonos que contengan pixeles de cada clase alrededor de los puntos
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

conocidos. Para ello generamos nuevas capas (+new layer), una por cada clase de información,
dibuje un polígono y asígnele un nombre apropiado (ej. bosque). En la “rosca” de la configuración
podrá editar también el nombre, el color, etcétera. Cada capa puede tener tantos polígonos como
información de campo dispongamos.

pastizal
bosque

Una vez definidos todos los polígonos, vaya nuevamente a la rosca de cada geometría y cambie el
atributo de “Geometry” a “FeatureCollection” y agregue un atributo al que llamaremos “clase” y
asignaremos un número distinto a cada uno de ellos (ej. 1 para bosque, 2 para agua, etc.). ¿Por
qué asigno un número y no una palabra en este atributo? Ahora compilaremos estas
“FeatureCollections” (con .merge()). El siguiente es un ejemplo ustedes deberán adaptar el
código:

// Clasificación supervisada
// Uno los FeatureCollection en otro al que llamaremos muestras
var muestras = bosque.merge(pastizal).merge(suelo).merge(agua);

// Debemos elegir un conjunto de pixeles de entrenamiento, a partir de una imagen

dada
var entrenamiento = imagen_ceibas2021_B17.sampleRegions(muestras,
['clase'],30);

// Si no extraje las bandas anteriormente puedo crear una lista para poner las
bandas que quiero usar
// (*)var bandas = ['B1','B2','B3','B4','B5','B6','B7'];
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

// Con .size() consultamos el número de pixeles que tengo en la coleccion para

entrenar
print (entrenamiento.size());

Algoritmos de clasificación supervisada

Una vez que las muestras fueron caracterizadas estadísticamente se procede a clasificar la
imagen, comparando cada uno de los pixeles de la misma con respecto a los valores de las
muestras. Para cada píxel se toma una decisión en cuanto a su pertenencia o no a un grupo
determinado de acuerdo a un criterio preestablecido, un algoritmo particular, llamado clasificador.
En el marco del TP vamos a usar el algoritma de Random Forest. Puede explorar otros algoritmos
disponebles en GEE.

// Entreno el clasificador usando el algoritmo .smileRandomForest() usando el

atributo clase
var clasificador_4clases =
ee.Classifier.smileRandomForest(30).train(entrenamiento,'clase'); // (*)debo
agregar ", bandas" si es necesario luego de “clase”

// Clasifico la imagen a partir del clasificador entrenado ¡puedo elegir una

imagen distinta! ¿Qué utilidad podría tener esto?
var ceibas2021_ambientes_sup =
recorte_imagen_ceibas2021.classify(clasificador_4clases);

// Visualizo con una rampa aleatoria

Map.addLayer(ceibas2021_ambientes_sup.randomVisualizer(), {}, 'clases de
informacion random forest');

¡Felicitaciones ya tiene un mapa de ambientes construido a partir de una clasificación

supervisada!
Ahora a partir del código ya utilizado:
1) Grafique las firmas espectrales de cada clase,
2) Exporte el mapa final,
3) Componga una salida del mapa con el “Diseñador de impresión” en QGis para el informe.

Ejercicio 4. Evaluación de la exactitud de la clasificación no supervisada

La evaluación de exactitud es crítica a la hora de definir la calidad de un mapa que se ha
producido. La forma tradicional de realizarla es a través del cálculo de la matriz de error. Para esto
en primera instancia debe contar con muestras de pixeles que constituyen la “verdad de campo”.
Estas se obtienen a partir de trabajo a campo o de documentación preexistente. Luego se
comparan las muestras con los valores obtenidos en el mapa y se cuantifican las diferencias.
Haremos este procedimiento con la clasificación no supervisada y para poder hacerlo con la
supervisada, debemos usar sitios distintos a los usados para el entrenamiento. De esta manera se
toman muestras de pixeles de sitios visitados a campo (polígonos de las clases a evaluar; que no
hayan sido usados para entregar) y se les asigna la clase de información correspondiente. Deben
tomarse muestras de cada una de las clases de información que fueron obtenidas en la
clasificación digital. Al igual que lo hecho para la clasificación supervisada se pueden utilizar
muestras de varios sitios para una misma clase, pero todas las clases de la clasificación deben
tener muestras de sitios de validación.
Para el caso de la evaluación de clasificación no supervisada podemos utilizar la capa de
polígonos que utilizamos para entrenar la clasificación supervisada (los polígonos de
entrenamiento). Para ello las clases (1, 2, 3, 4, etc) del raster reclasificado deben corresponderse
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

con los valores (1, 2, 3, 4, etc) del FeatureCollection.

// Siguiendo las instrucciones vistas anteriormente cree polígonos de validación

del tipo FeatureCollection. Por cada clase crearemos una clase de validación.
Podemos por ejemplo a los polígonos de validación de bosque llamarlos “vbosque”,
a los de agua “vagua” y así sucesivamente.

// Agregamos una propiedades de cada

FeatureCollection que podremos llamar
“vclase” para recordar que corresponde
a la clase de validación. Asignamos un
valor numérico que debe corresponderse
con el de la clasificación que va a
evaluar. Es decir que, si al bosque en
su clasificación le correspondía el
valor 1, el valor asignado al atributo
vclase del FeatureCollection vbosque
también debe ser 1.

// Unimos los FeatureCollection de las distintas clases en una sola de

validación. Edite el siguiente código de acuerdo a sus necesidades:

var sitios_validacion = vbosque.merge(vpastizal).merge(vsuelo).merge(vagua)

// Muestreamos nuestra clasificación resultado con nuestros sitios de validación.

Edite el siguiente código de acuerdo con sus necesidades, en el ejemplo el
resultado de la clasificación se llama “ceibas2021_ambientes” ¿Cómo se llama el
suyo?:

var validacion = ceibas2021_ambientes.sampleRegions({

collection: sitios_validacion,
properties: ['vclase'],
scale: 30,
});

// Calculamos la matriz de confusión comparando las clases de la clasificación

('classification') con las clases de la validación ('vclase'). Este atributo
'classification' es asignado por GEE a la capa raster clasificada.

var ResultadosValidacion = validacion.errorMatrix('vclase', 'remapped');

print('Matriz de confusión: ', ResultadosValidacion);

print('Exactitud global', ResultadosValidacion.accuracy());

Finalmente, copie los valores en una planilla Excel y calcule la exactitud global y los errores de
omisión y comisión. A continuación, se muestra un ejemplo hipotético con seis clases.
GIS y Teledetección Trabajos Prácticos - MODULO 4 2023

Observado
Error de
Tota
  Clase 1 Clase 2 Clase 3 Clase 4 Clase 5 Clase 6 comisión
l
(%)

Clase 1 1 0 0 0 0 0 1 0.0

Clase 2 0 2 3 0 0 0 5 60.0
Clasificado

Clase 3 5 0 2 0 0 0 7 71.4

Clase 4 7 0 0 4 0 0 11 63.6

Clase 5 5 0 3 1 1 0 10 90.0

Clase 6 0 0 0 0 0 2 2 0.0

Total 18 2 8 5 1 2 36

Error de
94.4 0.0 75.0 20.0 0.0 0.0
omisión (%)

Exactitud
33.33
global (%)

Discusión

- Analizar los mapas producidos por cada una de las metodologías.

- Evaluar los alcances y limitaciones de cada una en forma detallada.
- ¿Qué información le brinda su la matriz de confusión respecto a su clasificación?
- ¿Qué significa el error de omisión, el error de comisión y el error total?

Bibliografía

Congedo L. 2017. Semi-Automatic Classification Plugin Documentation Versión 5.3.6.1.

https://media.readthedocs.org/pdf/semiautomaticclassificationmanual-v5-es/latest/
semiautomaticclassificationmanual-v5-es.pdf