Katmandú a lo largo del tiempo en imágenes ópticas - continuación
|  | Clasificación sin supervisión de Katmandú | |
Clasificación digital
Una clasificación relativamente sencilla es la que se realiza sin supervisión (Unsupervised Classification). Todos los píxeles de la imagen se agrupan en un número específico de clases basadas en la similitud de sus valores de escala de grises.
Para poder comparar nuestra clasificación dibujada a mano con la clasificación sin supervisión deberemos utilizar el mismo número de clases.
Abre el programa LEOWorks.
Elige File>Open. Se abre un cuadro de diálogo.
Elige la carpeta Kathmandu y selecciona las imágenes:
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_7.tif.
Elige Multivariate Analysis>Unsupervised Classification y selecciona todas las imágenes. Escribe 5 en Nr. of Classes y 10 en Nr. of Iterations. La iteración es la repetición de una secuencia de instrucciones informáticas un número de veces especificado o hasta que se cumpla una condición. Guarda la nueva imagen como Kathmandu_2001_unsupervised con formato TIFF en la carpeta Katmandú.
Compara la clasificación sin supervisión junto con tu clasificación dibujada a mano.
¿Cuáles de las características de la imagen son muy fácilmente identificables?
¿Por qué la zona urbana de Katmandú no destaca entre los pastizales y tierras de cultivo circundantes?
Para hallar la respuesta a esa pregunta, observa las dos fotografías en las que aparecen carreteras y edificios del valle de Katmandú en la ciudad de Patán.
Intentemos mejorar la clasificación sin supervisión de Katmandú para poder diferenciar la zona urbana.
La imagen térmica podría resultar útil.
Abre la imagen en LEOWorks.
Como puedes ver, los alrededores de Katmandú se calientan más que la propia ciudad y aparecen en tonos de escala de grises más claros. Esto resulta curioso, ya que estamos habituados a ver zonas urbanas con mayor temperatura que su entorno. Las razones de esto son, por ejemplo, el tráfico, las fuentes luminosas y la industria. La ciudad de Katmandú está menos desarrollada debido a las fuentes de calor. Otra razón es que la imagen se captó en invierno, en torno a las 10.00 a.m. hora local. Observa la imagen de la izquierda y explica qué sucede en las superficies en cuanto a calentamiento. Dibuja los rayos de sol, marca las sombras y las zonas con superficies de calentamiento alto y bajo, y explica el modo en que se calientan Katmandú y sus alrededores.
Otro tipo de imagen sería NDVI. Sin embargo, como estamos utilizando los datos de 2001 para la clasificación, es innecesario crear una NDVI de invierno, debido a la ausencia de vegetación.
Sigue estos pasos para crear una nueva imagen.
Abre el programa LEOWorks y las imágenes:
Kathmandu_Landsat_2001_Band_1.tif
Kathmandu_Landsat_2001_Band_4.tif, and
Kathmandu_Landsat_2001_Band_61.tif
Naturalmente, existe una razón para elegir las bandas 1 y 4 del LANDSAT en la clasificación sin supervisión. Se explica en el caso práctico de Katmandú a lo largo del tiempo - Detección urbana en imágenes ópticas.
Elige Multivariate Analysis>Unsupervised Classification y selecciona todas las imágenes. Escribe 5 en Nr. of Classes y 10 en Nr. of Iterations. La iteración es la repetición de una secuencia de instrucciones informáticas un número de veces especificado o hasta que se cumpla una condición. Guarda la nueva imagen como Kathmandu_2001_unsupervised con formato TIFF en la carpeta Katmandú.
| | Clasificación sin supervisión de Katmandú usando imágen termica | |
En la mayoría de los casos, los colores no coinciden con los atributos naturales de las clases. Por lo general utilizamos verde oscuro para los bosques, rojo para las zonas urbanas densamente pobladas y azul para el agua. Con el fin de entender mejor las clases, cambiaremos nuestros colores por otros más familiares.
Elige Image>Add Legend y comprueba la combinación de colores y los nombres de clases.
Elige Edit LookUp Table selecciona el color de clase forest(shadow).
Cambia el color por verde oscuro.
Cambia los demás colores de la misma manera.
Las zonas boscosas y de arbustos, los pastizales y las tierras de cultivo se ven con claridad. Recuerda que ésta no es más que una clasificación sin supervisión en la que no existe intervención manual alguna.
¿Podrías explicar por qué la masa forestal de las zonas montañosas se divide en dos colores (clases)? Para responder a la pregunta, estudia la imagen térmica de 2001.
¿Cuál de las características geográficas tiene el mismo color que el bosque montañoso en sombras? Explica las razones.
¿Cuáles son las clases que ahora se ven claramente al comparar las dos clasificaciones sin supervisión?
El objetivo de esta parte del caso práctico es crear una clasificación básica pero correcta. Hemos creado una manualmente e intentamos crear otra de manera digital. No obstante, como ya se ha visto, si no se realiza esfuerzo alguno en el análisis de las imágenes de satélite, el resultado no es tan positivo como cabría esperar.
Esforcémonos, pues, un poco más en la clasificación digital y probemos con una clasificación supervisada de Katmandú. Recuerda que queremos colocar una clasificación digital sobre nuestro mapa manual. Además, y como es obvio, deseamos que la imagen sea bastante aproximada.
La clasificación de máxima probabilidad es el método de clasificación supervisada. Se basa en sofisticados procesos estadísticos. Aplica campos de aprendizaje que representan las distintas clases de uso del suelo. Cada uso del suelo tiene su característica espectral específica. Es necesario definir al menos un campo de aprendizaje por cada tipo de cubierta del suelo que se desee clasificar. LEOWorks evalúa dichos campos de aprendizaje y atribuye cada elemento de imagen (píxel) a uno de los tipos de las clases de cubierta de suelo.
En todo caso, ya eres un experto en Katmandú y no debería resultarte difícil seleccionar campos de aprendizaje. Pero ten presente que cuantos más campos de aprendizaje selecciones para una clase y cuanto mayor sea la precisión con que lo hagas, más exacto será el resultado.
Utilizaremos todo el espectro de las bandas del LANDSAT. Para ello, abre las imágenes:
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_61.tif,
Kathmandu_Landsat_2001_Band_7.tif
y para seleccionar los campos de aprendizaje
Kathmandu_Landsat_2001_Band_453.tif.
Selecciona (activa) la imagen Kathmandu_Landsat_2001_Band_453.tif y elige Multivariate Analysis>Supervised Classification>Select Training Fields.
Selecciona Draw Polygon en la barra de herramientas.
Empieza por la zona boscosa. Traza un polígono dentro del bosque del noroeste y llama a la clase "Bosque y arbustos". Traza otro polígono dentro del bosque del sudoeste y vuelve a llamar a la clase "Bosque y arbustos". Traza algunos polígonos más dentro de la zona forestal y pon nombre a la clase. Haz lo mismo con las demás clases.
Clases de alto nivel
- Ríos
- Zonas densamente pobladas
- Zonas menos pobladas
- Pistas de aterrizaje de aeropuertos
- Bosque y arbustos
- Pastizales y tierras de cultivo
Elige Multivariate Analysis>Supervised Classification>Maximum Likelihood y selecciona todas las imágenes (excepto Kathmandu_Landsat_2001_Band_453.tif).
Ajusta el valor Threshold Value en "5%".
Será necesario cambiar los colores de la clasificación.
Elige Image>Add Legend y comprueba la combinación de colores y los nombres de clases.
Elige Edit LookUp Table y selecciona el color de la clase de bosque. Cambia el color por verde oscuro. Cambia también los demás colores.
Guarda la clasificación como "Kathmandu_2001_maximlike.tif" en tu carpeta Katmandú.
¿Por qué hay algunas zonas sin clasificar (blancas) en la clasificación supervisada de Katmandú?
¿Cuáles son las situaciones geográficas sin clasificar?
¿En cuántas clases dividirías la zona blanca?
¿Qué colores pondrías a esas clases?
¿Qué sucedió con la clase "Río"? ¿Por qué está sin clasificar?
| 
