Ejercicio 4 - La región Pokhara - continuado
|  | Pokhara es la capital del distrito de Kaski, Nepal | |
Clasificación sin supervisión
El objetivo de los ejercicios siguientes es conocer mejor la región de Pokhara utilizando la clasificación de imágenes. Tal vez imagines que basta con pulsar un botón, pero no es así. Se requiere investigación, conocimientos y precisión.
En los ejercicios siguientes aplicaremos distintos métodos de clasificación. Se busca la comprensión de los principios de la clasificación de imágenes y la comparación de los resultados obtenidos por métodos distintos.
La clasificación es una herramienta muy útil para recuperar información destinada a la planificación, el control y las actualizaciones cartográficas. Es un método comparativamente económico y fácil para obtener información sobre la cubierta terrestre, el uso del suelo y los cambios en el terreno, en particular en zonas remotas o inaccesibles.
En todo caso, incluso en partes muy conocidas del mundo, las imágenes de satélite forman parte de nuestra vida cotidiana. Las imágenes de satélite y los mapas de clasificación también se utilizan en la cartografía. Piensa en la exactitud con que se trazan los límites de las masas boscosas en los mapas topográficos. Se toman de imágenes de satélite y de sus productos de tratamiento de imágenes.
Cualquier clasificación digital, supervisada o no, es sólo la base de una adaptación posterior. No es posible producir una clasificación precisa y útil sin intervención manual. Hasta ahora, el procesamiento de la información que realiza el cerebro humano permite aplicar procedimientos más complejos que un programa informático. Entre los distintos tipos de superficie abundan las relaciones complejas que las diferencias espectrales o geométricas no pueden abarcar.
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.
Abre las imágenes:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
en LEOWorks.
Selecciona Multivariate Analysis>Unsupervised Classification y las imágenes
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif.
Escribe 7 en Nr. of Classes y 10 en Nr. of Iterations. El procedimiento se ejecuta para el número dado de reiteraciones o hasta que se cumple una condición. Guarda la nueva imagen como Pokhara_432_2000_unsupervised, con formato TIFF, en la carpeta Annapurna.
LEOWorks asigna colores a las clases de manera aleatoria. Por lo tanto, el paso siguiente consiste en cambiar los colores por otros más aproximados a la realidad. Haz doble clic en la barra LUT de la parte inferior del marco de la imagen. Selecciona un color en el menú emergente y cambia de color con los controles deslizantes RGB. Elige verde para la vegetación, beige para el suelo desnudo y así sucesivamente. Cuando hayas cambiado todos los colores, vuelve a guardar la imagen.
Observa la imagen clasificada y compárala con la imagen de color natural de infrarrojo cercano y la de falso color de infrarrojo.
¿Cuáles son las características que aparecen bien definidas?
¿Cuáles aparecen de manera deficiente?
Explica las razones de esas imprecisiones.
Prueba otras clasificaciones sin supervisión utilizando bandas espectrales diferentes, como las bandas 1, 4, 7 ó 1, 2, 3, 4, 5, 7. Compara los resultados de las distintas clasificaciones.
¿Cuáles son las características que cambian y cuáles las que siguen igual?
| 
