será tanto mayor cuanto mayor sea el número de parcelas a revisar ya que el tiempo necesario para el establecimiento de los parámetros y la selección de muestras es independiente del número de parcelas a procesar. Además, la precisión de la base de datos no se ve alterada, ya que todos los cambios que se realizan en la información de la base de datos son supervisados por un fotointérprete. En el ensayo sobre la zona de estudio se han obtenido fiabilidades globales en la clasificación de las parcelas del 78.4% cuando se consideró el uso previo y del 74.7% cuando no se tuvo en cuenta esta información. Del total de parcelas, el porcentaje a revisar supone un 66.8% que corresponde en un 49.5% a parcelas cuyo uso ha cambiado y ha sido correctamente detectado, un 10% son parcelas donde la clase en la leyenda de la base de datos no tiene correspondencia con ninguna de las clases de la leyenda y un 8.7% corresponde a errores cometidos por el sistema en la clasificación del uso. Por otra parte, un 2.7% del total de las parcelas han tenido un cambio de uso y no ha sido detectado por lo que no serán revisadas y su información permanecerá errónea tras la actualización de la base de datos. Este 2.7% es el grado de error que tendrá la nueva base de datos una vez finalizada la actualización. Los ensayos han demostrado que las parcelas con usos bien definidos y, por así decirlo, sencillas de interpretar para un fotointérprete se clasifican de forma automática con un grado elevado de precisión. En cambio, la aplicación efectiva de esta metodología se ve dificultada cuando se dan algunos de los factores siguientes: - Polígonos de dimensiones muy reducidas donde la asignación de la clase sólo se puede deducir considerando el entorno en el que está situado el polígono. - Parcelas agrícolas en estado de abandono en las que la pertenencia a una clase no es evidente. - Polígonos donde se dan varios usos: Requiere una delineación manual de los distintos usos o un análisis más exhaustivo que discrimine dos o más usos en el interior de cada objeto. - No coincidencia entre la cartografía y la imagen: Los defectos de georreferenciación, bien de la cartografía o bien de la imagen, implican que la extracción de la imagen de la región correspondiente al objeto no se realice de forma exacta. Este error tiene más importancia cuanto menor es el tamaño de los objetos. - Cartografía geométricamente desactualizada. El hecho de que los contornos de los objetos representados en la cartografía no coincidan con los existentes en la imagen a causa de la desactualización de la cartografía dificulta la aplicación de esta metodología. La mayor parte de estos desajustes son detectados en la fase de comparación de la clase asignada con la contenida en la base de datos. - Existencia de clases en la leyenda poco representadas en la zona de trabajo. Debido a la metodología empleada por el algoritmo C5.0 en la creación de los árboles de clasificación, diferencias notables en el número de muestras de entrenamiento de clases similares pueden derivar en que las parcelas pertenecientes a las clases infra-representadas se asignen de forma incorrecta en las clases similares más representadas. - Leyenda de la base de datos no acorde con la metodología utilizada para la creación o actualización de la base de datos. La leyenda a utilizar debe establecerse de modo que las clases sean separables según las características extraídas de la imagen o de las fuentes de información auxiliares. La descripción numérica de los objetos desde distintos puntos de vista hace que esa descripción sea objetiva e independiente del criterio de distintos fotointérpretes. Por otra parte, las descripciones de un mismo objeto en instantes distintos pueden compararse a fin de detectar cambios en su ocupación, siendo ésta una de las líneas de investigación que se proponen para el futuro como se comenta en la sección siguiente. El análisis combinado de las diversas fuentes de información disponible sobre el territorio, ya sean imágenes de alta resolución, cartografía, información temática, geográfica, conocimiento experto, etc. dentro de un proceso que debe ser lo más inteligible, objetivo y automatizado posible tiene un gran potencial en la automatización de diversas fases de la actualización de bases de datos de usos y ocupación del suelo. La consecuencia más evidente de su aplicación es la reducción del tiempo necesario para la detección de los cambios ocurridos en el territorio de forma que posibilita el aumento en la frecuencia de actualización de las bases de datos que en la actualidad se crean y mantienen con metodologías que requieren un grado de intervención humana muy alto. Al mismo tiempo, estas técnicas pretenden responder a la necesidad creciente de nuevas herramientas para el tratamiento de los datos obtenidos por sensores de alta resolución, que son cada vez más abundantes. Como resultado del desarrollo de esta Tesis y de otros trabajos del Grupo de Investigación en Cartografía GeoAmbiental y Teledetección de la Universidad Politécnica de Valencia se ha implementado el software propio de extracción de características llamado FETEX (figura 7.1) en el que se realiza la integración de la cartografía con las imágenes de alta resolución y con el que se obtiene la extracción de la mayor parte de las características presentadas en esta Tesis. La metodología presentada en esta Tesis se ha utilizado con éxito en varios trabajos de producción como la actualización del SIG Citrícola de la Comunidad Valenciana en la provincia de Castellón, en la actualización del Inventario de Cultivos de la Región de Murcia y en la elaboración de cartografía de usos del suelo para el Banco de Terras de Galicia. Las fiabilidades obtenidas en las clasificaciones de estos trabajos oscilan entre el 78% y el 93%, siendo paisajes, leyendas y datos de partida muy distintos entre sí. En todos los casos, la aplicación de esta metodología supone una reducción significativa en los tiempos de actualización de la base de datos al reducirse en gran medida el número de parcelas a revisar por los fotointérpretes. 7.2 Líneas futuras de investigación La realización de esta tesis ha abierto varias líneas de investigación cuyo desarrollo puede mejorar la clasificación de los objetos contenidos en la base de datos. Estas posibles líneas harían referencia a las distintas fases del proceso de clasificación. En primer lugar, por lo que respecta a las unidades de estudio, en esta tesis se ha considerado que los polígonos contenidos en la base de datos tienen un uso homogéneo. Esta suposición, aún siendo cierta en la mayor parte de los casos, no lo es en otros. Sería conveniente el estudio de métodos que permitieran determinar el número de usos que se dan en el interior del objeto así como sus límites para su posterior clasificación. La segmentación intraobjeto sin conocer a priori el número de regiones interiores al objeto que existen, ni la tipología de las mismas, se plantea cono una tarea compleja pero de gran interés para la clasificación por parcelas de espacios agrarios. En este sentido, el algoritmo desarrollado por Turker y Kok (2006) para la segmentación de usos en el interior de parcelas ofrece resultados prometedores siempre que los distintos usos sean regiones espectralmente homogéneas. Respecto a la extracción de características descriptivas de los objetos pueden proponerse varias líneas de mejora: - Del mismo modo que se ha utilizado el tratamiento masivo de datos (data mining) para extraer relaciones entre las clases y las características descriptivas de los objetos, se plantea la posibilidad de aplicar tratamiento masivo de datos espaciales para extraer conocimiento sobre las propiedades espaciales y las relaciones entre los objetos. La descripción de un objeto será perfeccionada si al conjunto de características propuestas se añaden sus características espaciales relativas a conceptos como vecindad, proximidad, inclusión, etc. - El empleo de datos multitemporales de una misma campaña dota al análisis de información respecto al estado fenológico de la vegetación, tanto de los cultivos como espontánea, en distintos momentos de su ciclo vegetativo. La adecuada selección de las fechas de adquisición de las imágenes facilita la discriminación entre cultivos que pueden tener apariencia semejante en determinados estadios de su ciclo. Especies arbóreas caducifolias, cultivos hortícolas, herbáceos, etc. pueden ser descritos con mayor rigurosidad incorporando la información temporal. La inclusión de imágenes de distintas fechas requiere la definición de características que relacionen el comportamiento de los objetos en ambas representaciones. las áreas con nubosidad elevada. - El empleo de datos LIDAR facilita la obtención de modelos digitales del terreno y modelos digitales de superficie a partir de los cuales se pueden generar modelos digitales de superficie normalizados que informan sobre la estructura tridimensional de la vegetación. Esta información resulta especialmente interesante para la localización, extracción y descripción de la vegetación al incorporar una nueva variable como es la altura de los árboles y/o el matorral. En relación a la fase de clasificación, el algoritmo utilizado para crear los árboles de decisión establece una serie de condiciones basadas en las características