Clasificación de imágenes satelitales con ArcGIS

Aprende cómo realizar una clasificación de imágenes satelitales con ArcGIS en unos sencillos pasos

Con la incorporación de nuevos clasificadores y herramientas como Train Random Trees Classifier, Create Accuracy Assessment Points, Update Accuracy Assessment Points, o Compute Confusion Matrix tools a partir de ArcGIS 10.4, ArcMap ha ganado una considerable capacidad para llevar a cabo clasificaciones de imágenes satelitales. Ciertamente, ya existían algunas herramientas como clasificadores de máxima probabilidad o Iso Cluster, pero estas herramientas estaban lejos de los algoritmos que actualmente se utilizan más a menudo como Random Forest o Support Vector Machines. Para acceder a estos algoritmos que dominan el panorama de forma abrumadora había que recurrir a R, donde encontramos prácticamente cualquier algoritmo y que además se distribuye bajo licencia Open Source o aplicaciones específicas de teledetección como ENVI,  previo pago de su correspondiente licencia, claro.

Desde ArcGIS 10.4 encontramos algunas de esas herramientas implementadas y listas para ser usadas. Evidentemente tenemos menos control de cara a la optimización del proceso en comparación con R, pero si tenemos algo de soltura con Python/ArcPy podemos automatizar el proceso de clasificación hasta cierto punto. En cualquier caso, el interés de ESRI por incorporar nuevas herramientas de corte geoestadístico no es nuevo. Por ejemplo, desde hace ya unas cuantas versiones encontramos herramientas de regresión avanzadas como la Geographically Weighted Regression, más conocida quizás como GWR.

El  proceso de clasificación

Como viene siendo habitual, llevar a cabo el proceso completo de clasificación debemos combinar una serie de herramientas. El proceso a seguir sería el siguiente:

1. Crear una nube de puntos de entrenamiento utilizando la barra de herramientas Clasificación (Classification toolbar).
2. Utiliza una de las herramientas de clasificación disponibles (Train ISO Cluster Classifier, Train Maximum Likelihood Classifier, Train Random Trees Classifier, Train Support Vector Machine Classifier).
3. A continuación utiliza la herramienta Accuracy Assessment Points tool para extraer puntos aleatorios para validar el resultado.
4. Construye la matriz de confusión con Compute Confusion Matrix tool.
5. Compara los resultados de los distintos métodos mediante el valor del índice Kappa.

Como veis es un proceso no demasiado complejo. Si lo crees conveniente puedes crear un script o incluso un modelo con Model Builder para adaptar o repetir el proceso cuantas veces sea necesario.

Si quieres aprender más sobre la clasificación de imágenes no te pierdas nuestro curso de Geoestadística Descriptiva, en el cual utilizarás las distintas herramientas que pone a nuestra disposición el módulo Geostatisical Analyst de ArcGIS aplicadas a distintos ámbitos como el geomarketing, estudios poblacionales o modelización espacial de variables ambientales. ¡No te lo pierdas!