El algoritmo ISODATA a nivel de píxel y a nivel de parcela, obteniendo una fiabilidad global superior en un 3.4% en la clasificación por parcelas. ...

El algoritmo ISODATA a nivel de píxel y a nivel de parcela, obteniendo una fiabilidad global superior en un 3.4% en la clasificación por parcelas. De Wit y Clevers (2004) ensayan sobre la actualización de la base de datos ráster holandesa de usos del suelo, conocida como LGN, mediante la integración de cartografía a escala 1/10.000 con imágenes multi-temporales Landsat TM, IRS-LISS3 y ERS2-SAR. De la cartografía se extrajeron los límites de las parcelas y para cada una de ellas se calculó el NDVI medio para cada una de las fechas disponibles. Con esta información se pre-clasificaron las parcelas en cuatro grupos de cultivos dependiendo de las épocas en que tuvieran un mayor vigor vegetativo. Para determinar de forma concreta los cultivos en cada uno de estos grupos, se clasificaron de forma independiente los píxeles contenidos en cada uno de los grupos y a cada parcela se le asignó la clase más frecuente de los píxeles que contenía. Los autores afirman que la fiabilidad obtenida es similar a la obtenida en trabajos anteriores pero con una reducción importante del tiempo de procesado. La adecuación de esta metodología a los paisajes agrícolas se debe, entre otros factores, al hecho de que en los paisajes agrícolas la unidad espacial principal es la parcela agrícola. Además, las fronteras entre campos adyacentes son relativamente estables mientras que los cultivos cambian. La clasificación por parcelas proporciona incrementos en la precisión sobre las clasificaciones por píxel en la realización de cartografía de usos del suelo (Pedley y Curran (1991), Janssen y Molenaar (1995), Aplin et al. (1999), Berberoglu et al. (2000)). Existen numerosos ejemplos de trabajos donde se comparan, sobre un mismo conjunto de datos, la adecuación para la identificación de cultivos de la clasificación por píxel frente a la clasificación por parcela. Berberoglu et al. (2000) obtiene una precisión general en la clasificación de una imagen Landsat TM mediante redes neuronales del 80.2% cuando aplica el enfoque por parcela y asigna a cada parcela la clase más frecuente entre los píxeles de la misma, mientras que el resultado de la clasificación por píxel es del 75.6 %. Aplin et al. (1999) clasificaron una imagen CASI, de una zona agrícola, de 4 m de resolución espacial, y obtuvieron un incremento de 7.5% en la precisión de la clasificación por parcela, frente a la clasificación por píxel. Esta metodología no sólo es utilizada en la clasificación de datos ópticos sino que también se mejora la clasificación de imágenes radar ya que la existencia de speckle a nivel de píxel se elimina a nivel de parcela. (Blaes et al., 2005) La radiancia dentro de una parcela agrícola es tan variable espacialmente que los píxeles individuales tienen un significado reducido. Por esto, el enfoque de clasificación por parcelas en el que la variabilidad interna a una parcela se reduce o elimina totalmente al promediar los ND de los píxeles, tiene un gran potencial para el tratamiento de escenas agrícolas. Además que esta metodología permite la asignación de variables adicionales a cada unidad espacial. Esta información adicional puede venir de dos fuentes principales: del procesado de la imagen, como podrían ser las variables de textura, o bien, de la información contenida en la base de datos del SIG que contiene la definición de las parcelas. En este enfoque, se asume que los límites existentes en la cartografía corresponden a objetos homogéneos respecto a la leyenda utilizada, por lo que no se pretende modificar los límites existentes sino averiguar los cultivos o usos de las parcelas. La clasificación de parcelas según Berberoglu y Curran, (2004): - reduce el tiempo de entrenamiento - disminuye el coste computacional - incrementa la precisión - reduce el número de datos a clasificar - produce resultados en un formato más adecuado para su presentación - genera resultados más sencillos de interpretar - no tiene el ruido que tienen las clasificaciones por píxel aún estando suavizadas con algún tipo de filtro. - permite la integración de información multi-temporal y multi-sensor. (Volante et al., 2007) - permite la utilización de un mismo mapa de parcelas con pequeñas actualizaciones durante largos períodos de tiempo para confeccionar mapas de cultivos de forma rutinaria. (Volante et al., 2007) Los primeros ensayos de clasificación por parcela se hicieron con imágenes Landsat MSS con una resolución espacial de 57 m por 79 m (Catlow et al., 1984). El conocimiento del territorio analizado, si el nuevo uso detectado es lógico o probable o no lo es. Algunos autores como Heipke et al. (1999), Fissete et al. (2006) o Walter (2004) utilizan la información respecto al uso de la parcela en la base de datos para elegir de forma automática, mediante un proceso de selección, las muestras de entrenamiento para la clasificación. Walter (2000) para determinar las características espectrales y texturales típicas de cada clase, selecciona los píxeles correspondientes a cada una de las clases en la base de datos. Evitando utilizar los píxeles que se encuentran en zonas frontera entre clases. De esta forma, siempre que todas las clases estén representadas por un número mínimo de píxeles y los cambios ocurridos respecto a la base de datos sean pocos, se puede determinar de forma automática las signaturas de cada una de las clases, eliminando un paso laborioso en todo proceso de clasificación. Los métodos de clasificación de imágenes basados en parcelas pueden agruparse en dos categorías (Turker et al., 2006): a) Clasificación de los píxeles de la parcela (post-field classification): Se clasifican los píxeles de una parcela y a ella se le asigna una clase basado en un estadístico, como por ejemplo, la clase más frecuente para todos los píxeles de la parcela (Janssen et al., 1990; Aplin et al., 1999). En algunos casos, en lugar de utilizar la clase más frecuente para asignar la clase a la parcela, se puede utilizar las proporciones de cada clase en la parcela. Por ejemplo, Aplin et al. (1999) asignaban en la clase bosque mixto, aquellas parcelas en las que los píxeles de las clases bosque de coníferas y prados ocupaban una superficie mayor a una determinada proporción. Cuando la proporción de superficie ocupada por la clase más frecuente es inferior a un umbral mínimo se puede señalar las parcelas susceptibles de estar clasificadas erróneamente (Aplin et al., 1999) y que sería conveniente su revisión por un intérprete, o bien, ser procesada de un modo particular. b) Clasificación de las parcelas (pre-field classification): Consiste en obtener las características descriptivas de cada parcela a partir del cálculo de estadísticos (media, varianza, moda…) de las características de los píxeles incluidos en esa parcela. La imagen se clasifica con el clasificador elegido, teniendo en cuenta que los elementos a clasificar son parcelas en lugar de píxeles.