resultados obtenidos de la clasificación de los objetos permiten su comparación inmediata con la información contenida en la base de datos. Volante et al. (2007) segmentan imágenes Landsat 5 mediante los límites digitalizados manualmente sobre la banda pancromática del sensor Landsat 7. Una vez definidos los límites de las parcelas, realizan una clasificación de los polígonos, así generados, a partir de las variables espectrales extraídas de los mismos y verifican que los resultados de la clasificación por parcelas es más precisa que otra clasificación realizada a nivel de píxel con los mismos datos de partida. La clasificación de imágenes y la actualización de B.D. cartográficas 93 2. Introducción de la información en la clasificación Los datos auxiliares pueden incorporarse a la clasificación con varios enfoques: - Incorporar los datos de la base de datos directamente a los extraídos de las imágenes. La opción más sencilla para incorporar la información auxiliar al proceso de clasificación de la imagen consiste en la utilización de la información auxiliar como bandas adicionales en la clasificación. Este enfoque está condicionado tanto por el tipo de datos, continuos o categóricos (discretos), como por el tipo de clasificador utilizado; ya que los datos categóricos no son adecuados para su aplicación con métodos de clasificación estadísticos o basados en distancias. Hoffer et al. (1975) incluyeron datos de elevación junto a tres bandas espectrales, obteniendo unos incrementos de fiabilidad del 23% y del 32% para las clases empleadas en una clasificación forestal mediante máxima probabilidad. Si el clasificador no requiere que los datos tengan ciertas características estadísticas, como por ejemplo, tener una distribución normal, es sencillo incorporar los datos auxiliares a la clasificación. En el caso contrario, dependiendo de la tipología de los datos, no será posible utilizarlos como bandas adicionales (Pedroni, 2001). Por otra parte, la adición de datos auxiliares tiene el inconveniente de tener que fijar unos pesos que permitan ponderar los datos añadidos respecto a la información espectral (Lawrence et al., 2001). Estos pesos son normalmente desconocidos y deben deducirse mediante ensayo y error. - Utilizar la clase presente en la base de datos para seleccionar los objetos de entrenamiento Heipke (1999) emplea la información disponible en la base de datos ATKIS para seleccionar automáticamente los objetos para entrenar al clasificador. Para eso es necesario que la mayor parte de los datos de la base de datos sean correctos y que los elementos de una misma clase en la base de datos tengan una representación homogénea en la imagen. A fin de evitar la confusión existente en los píxeles frontera cuyo nivel digital puede estar influido por varios objetos vecinos, estos píxeles no son utilizados como muestras de entrenamiento. Olsen et al. (2002) utilizan la base de datos TOP10DK (Kort & Matrikelstyrelsen, 2001) de Dinamarca a escala 1/10.000 para estudiar su actualización y emplean la información vectorial para seleccionar de forma automática las muestras de aprendizaje. Para detectar edificios, seleccionan los píxeles correspondientes a los edificios contenidos en la B.D. y los agrupan mediante el método de clasificación no supervisada ISODATA con Capítulo III 94 el fin de obtener tipologías de edificios con respuesta espectral homogénea. Las subclases de edificios así definidas son más homogéneas que la clase global y son las utilizadas en el proceso posterior de clasificación de todos los píxeles de la imagen. Blaes et al. (2005) proponen una metodología para comprobar las solicitudes de subvenciones a determinados cultivos en la Unión Europea. Parten del supuesto que las parcelas con usos distintos a los declarados por los solicitantes son una cantidad reducida frente al conjunto de las parcelas con cultivos declarados correctamente. Por esto, las signaturas espectrales las obtienen para cada cultivo utilizando como muestras de aprendizaje el conjunto de declaraciones presentadas para el cultivo correspondiente. Utilizando estas signaturas, cada parcela se clasifica mediante el método de máxima probabilidad. De forma más precisa, Leránoz et al. (2007) en la comprobación de las superficies cultivadas en Navarra, utilizan como información de partida para el cálculo de firmas espectrales, los recintos del SIGPAC donde se han realizado controles de campo de las declaraciones de subvenciones a la Unión Europea. Estas firmas espectrales se han obtenido por cultivo, comarca agraria y estrato utilizando la información de todos los píxeles de un determinado cultivo. Walter (2004) en la actualización de la base de datos ATKIS, también utiliza como muestras de aprendizaje los elementos a clasificar con la clase contenida en la base de datos, reduciéndose, en gran medida, el laborioso trabajo de toma de muestras. Este modo de actuar dará buenos resultados siempre que la calidad de los datos contenidos en la base de datos sea alta y no estén muy desactualizados. Konecny (1996) establece que el porcentaje medio anual de cambios en los mapas topográficos en Europa es de 6.4% a la escala 1/50000 y de 7.4% a la escala 1/25.000. Por lo que esta metodología es lo suficientemente robusta para actualizar las bases de datos en ciclos anuales. Perdiendo su validez conforme aumente el tiempo transcurrido entre la creación de la base de datos y su actualización. - Modificar las probabilidades a priori de las clases de los elementos a clasificar. La información histórica sobre los cultivos existentes a lo largo del tiempo en una parcela puede ser un indicio del cultivo existente en el instante de estudio y, por tanto, es posible estimar las probabilidades a priori para cada clase en el caso de una clasificación mediante el método de máxima probabilidad. Janssen y Middelkoop (1992) en una clasificación de cultivos, determinan la probabilidad a priori de una clase en función de la clase, es decir, el cultivo, que tuviera el año anterior a la toma de la imagen, utilizando para ello una matriz de transición entre cultivos obtenida por medio de una base de datos con la secuencia temporal de los cultivos de la región. La clasificación de imágenes y la actualización de B.D. cartográficas 95 Blaes et al. (2005) calculan las probabilidades a priori para cada cultivo a partir de las superficies dedicadas a cada cultivo presentadas en la declaración presentada por el propietario. Se ha demostrado que modificando las probabilidades a priori en la clasificación de máxima verosimilitud se puede mejorar la precisión de la clasificación de categorías de coberturas espectralmente similares, sin afectar en la clasificación de las clases espectrales cuyo patrón espectral de por sí no se confunde con otros (Pedroni, 2001; Maselli et al., 1995). Pedroni, (2001) y Maselli et al. (1995) demuestran cómo se puede calcular la definición de probabilidades a priori de las clases de cobertura del suelo en función del contexto geográfico; empleando como información auxiliar, variables extraídas de un MDE o de una cartografía de tipos de suelo. En ambos trabajos, las probabilidades a priori de las distintas clases se obtienen de los histogramas de frecuencias de las muestras de aprendizaje en las variables geográficas. En ambos estudios, los resultados de las clasificaciones en los que se han calculado las probabilidades a priori muestran una precisión entre un 15% y un 20% mayor, frente a las clasificaciones en las que todas las clases tienen la misma probabilidad a priori. La información auxiliar es especialmente adecuada en casos de confusión espectral, mientras en el resto de casos es la información espectral la dominante en la clasificación. - Condicionar la clase posible en la clasificación en función de la clase que tiene en la base de datos El conocimiento del medio estudiado permite poner limitaciones a la clase potencial a asignar a una parcela en función de la clase que tiene en la base de datos. Así, por ejemplo, en la mayoría de las zonas agrícolas, es muy poco probable que una parcela de regadío se convierta en una parcela con cultivos de secano, por lo que los cultivos de este tipo podrían eliminarse de las posibles clases a asignar a las parcelas de regadío en la base de datos. Heipke (2000) establece un diagrama de transiciones posibles, de modo que la clase a asignar a un objeto depende de la clase que tenía en la B.D. En la figura 3-11 se representan los posibles estados a los que pueden evolucionar los distintos objetos. 3. Evaluación de la clasificación Los datos almacenados en una base de datos fiable pueden emplearse como muestras de evaluación de la clasificación. La disponibilidad de un conjunto de datos fiables, independiente del conjunto de muestras utilizado para el entrenamiento del clasificador permite reducir el tiempo correspondiente a la selección de muestras, así como comprobar los resultados obtenidos de una forma objetiva, al hacerlo respecto a una base de datos creada con criterios distintos a los utilizados en la fase de entrenamiento. Las estadísticas agrícolas disponibles por territorios, ya sean términos municipales, comarcas o provincias, pueden tener su utilidad para detectar