1D:
Clasificación
de imágenes
Los SIG "completos" tienen una serie de algoritmos
de diversa complejidad y sofisticación para clasificar las diversas cubiertas
de los terrenos presentes en una imagen satelital. Estos sistemas pueden
clasificar bosques,
cultivos, áreas urbanas, pistas, cuerpos de agua y ríos, formaciones
geológicas, incluso distinguiendo entre diversos cultivos, tipos de árboles,
rocas, etc. Todo esto se realiza a través de las firmas espectrales obtenidas
con los sensores multiespectrales.
La clasificación consiste en asignar polígonos con sus respectivos códigos a
cada uno de los grupos
("clusters") de distintas
cubiertas observables en las imágenes. Esto sirve para una
serie de cálculos posteriores la
más elemental de las cuales es el cálculo de áreas de cada uno de los grupos
clasificados.
Tipos
de clasificación: existen diversos métodos para clasificar imágenes,
donde los principales son la clasificación no supervisada y la supervisada.
1) La clasificación
no supervisada la realizan los SIG "completos" a través de
procedimientos de búsqueda complejos que identifican las cimas relativas de
histogramas de frecuencias multi-variables y luego asigna el resto de los
píxels según su cercanía relativa a estas cimas. Recordemos que hemos
definido histograma de frecuencias como una función de intensidades donde la
variable dependiente es la frecuencia (Nº de píxeles) con que se presenta
una intensidad dada para una sola banda en una imagen. El caso multi-variable
es la generalización de este concepto a varias bandas. En otras palabras una
combinación de intensidades en cada banda tiene una frecuencia dada, y éstas
se comparan hallando las cumbres relativas que identifican los distintos tipos
de cubiertas. Los procesos de búsqueda son variados por lo que es necesario
experimentar con distintas variantes antes de hallar una solución
satisfactoria. Dado que el procedimiento crea un archivo del mismo tamaño que
la imagen original se recomienda emplear archivos relativamente pequeños
(subconjuntos de imágenes) para no sobrecargar el disco duro con los
experimentos.
El IDRISI presenta la siguiente ventana de diálogo para el procedimiento:
En
el
siguiente ejemplo de clasificación, usando la imagen del satélite IKONOS
mostrada anteriormente, se han escogido las opciones por defecto presentadas en
la ventana de diálogo. El resultado se muestra a continuación, donde
hemos rotulado los grupos preliminarmente de acuerdo a lo que se ve en la imagen,
después de escoger una paleta adecuada para la visualización:
Vemos
algunos problemas en esta clasificación. En primer lugar las nubes las
confunde con las playas de los ríos. Asimismo ciertos terrenos los confunde
con los bordes de las nubes. Por otro lado, si se desea cuantificar las áreas
de los distintos grupos la presencia abundante de sombras, no sólo de las
nubes, sino de los mismos árboles, complica el panorama.
Existen
varias posibles soluciones para mejorar esta clasificación. Una posibilidad
es ampliar el número de grupos para ver si se logra la discriminación
adecuada, por ejemplo entre las nubes y las playas de los ríos. Como se ve en
la imagen resultante (clasificación 2),
si bien se logra cierta mejora con la clasificación gruesa ("broad"),
persisten los problemas de las sombras, y los bordes de las nubes con ciertos
terrenos. Una mejor solución es crear una máscara que elimine las nubes y
sus sombras totalmente. El inconveniente es que ya no se podrá medir las
áreas correctamente, pero este problema es inevitable con las imágenes
multiespectrales, y si se quiere realizar análisis comparativos entre
distintas fechas (detección de cambios), se tendrá que emplear la misma
máscara en las distintas imágenes comparadas. Los SIG permiten fácilmente
crear máscaras para lo cual se emplea la herramienta de digitalización de
polígonos. Los detalles de esta operación no los daremos acá, sólo los
resultados
(clasificación 3). La clasificación 3
se ha realizado en modo "fino" que se realiza en mayor detalle que
el modo grueso, y es claro que es mucho mejor que la anterior.
Ahora
bien, para efectos de cuantificación de áreas, podemos subsumir los 5 tipos
de bosque y las sombras de los árboles que hemos detectado en la
clasificación 3 utilizando un módulo denominado "reclass" para
reclasificar la imagen. Por ejemplo, a los códigos 2, 3, 4, 5 y 9 de la clasificación
3 le asignamos el código 1. De esta manera el grupo de "bosque" se
convierte en una sola unidad que contiene toda su biodiversidad original, sin
la desagregación excesiva que se logra con la clasificación fina. Luego asignamos una
paleta de
colores conveniente y la imagen reclasificada queda como sigue:
Si
bien esta clasificación no es perfecta, en base a esta nueva imagen ya es
posible extraer una tabla con áreas (medidas en hectáreas) que ya son buenas
aproximaciones a la realidad:
2)
Clasificación supervisada: en la clasificación no supervisada hemos
tenido que asignar nombres preliminares a los distintos tipos de suelo. En
algunos casos pueden ser acertados, si se pueden identificar los grupos
desde la imagen de satélite. Pero en otros simplemente estamos adivinando,
especialmente si no somos biólogos o especialistas forestales.
En la clasificación supervisada el conocimiento
previo de los tipos de suelo o de sus firmas espectrales se incorpora en un
procedimiento menos precario que el anterior, aunque puede ser más costoso si
se realiza con trabajo de campo. Para esto
se marcan polígonos sobre la imagen a clasificar sobre una pequeña muestra de áreas
tìpicas de las que se
tiene información previa sobre lo que contienen, dándole un código a cada
polígono que corresponde a cada tipo de cubierta. Luego se graban las firmas
espectrales de estas áreas, y se elige el método de clasificación
entre varias alternativas, y se obtienen los resultados deseados. Para ver los
detalles de cómo operan los métodos de clasificación supervisada se debe
trabajar en detalle los ejemplos interactivos que vienen con los tutores
("tutorials") en los diversos programas SIG. Cabe mencionar que ninguno de
estos métodos es exacto, y se requiere bastante experiencia para elegir el
mejor método de acuerdo a las circunstancias.
