Semi-automatic classification plugin (Parte-3)

1 estrella2 estrellas3 estrellas4 estrellas5 estrellas (3 votos, media: 5,00 sobre 5)
Cargando…

Hoy continuamos haciendo teledetección con el plugin Semi-automatic Classification Plugin. Tal y como os prometimos haremos un pequeño ejemplo de clasificación supervisada, una disciplina muy utilizada para generar mapas temáticos de manera rápida a partir de imágenes de satélite y gracias a las diferentes longitudes de onda que registran los sensores instalados a bordo de los satélites.

Existen diferentes tipos de clasificación, que pueden ser no supervisada y supervisada por el usuario. En el primer caso, se ejecutan algoritmos que analizan las firmas espectrales de las diferentes cubiertas, y sin intervención del usuario, divide según esas firmas espectrales en diferentes tipos de cubierta. En el segundo caso, el usuario “entrena” el algoritmo determinando zonas con píxeles de una misma respuesta espectral, que pertenecerá a un determinado tipo de cubierta. Como podréis imaginar, la clasificación supervisada es mucho más precisa que la automática.

Como recordaréis de anteriores posts, ya sabemos cómo instalar el plugin, descargar imágenes y hacer algunos cálculos para obtener índices que nos indiquen determinadas características de algunas cubiertas de la superficie. Si todavía no has leído los anteriores post, puedes hacerlo haciendo clic en los siguientes enlaces: SCP Parte 1 y SCP Parte 2.

Para hacer nuestra clasificación supervisada, partiremos de la imagen que utilizamos anteriormente, pero en este caso haremos un  zoom a una zona en la que, por ejemplo, tengamos masas de agua y algunos cultivos. Después, recortaremos la imagen original y la cargaremos en el SCP plugin. No vamos a hacer una clasificación detallada, puesto que nos llevaría mucho tiempo y no es el objetivo, simplemente sentaremos las bases de cómo llevar a cabo una clasificación, e intentaremos hacerlo lo más sencillo posible.

Lo primero que vamos a hacer, una vez recortada la imagen y cargada en QGIS a través del plugin (esto es importante, ya que de lo contrario no nos dejará clasificar), es situarnos en la pestaña “Training input” del plugin SCP, que es desde donde gestionaremos nuestra clasificación.

Semi-automatic

Áreas de entrenamiento

Como indicábamos anteriormente, la clasificación supervisada necesitará de unos inputs para que el algoritmo pueda diferenciar cada clase de cobertura de suelo que queramos identificar. Estos inputs se llaman ROIs (Regions Of Interest), que son polígonos que dibujaremos en los que seleccionaremos píxeles que pertenezcan a una misma clase.

En primer lugar, tendremos que crear un archivo donde se guardarán los ROIs que vayamos creando. Para ello tenemos que usar el botón con el punto amarillo. Si ya tenemos uno creado, tendremos que abrirlo utilizando el botón verde.

Para empezara dibujar áreas de entrenamiento, deberemos tener activada la barra de herramientas “SCP Working Toolbar”.

Usaremos una combinación de colores 3-2-1, color natural, pero podemos ir cambiando de combinación (en el siguiente ejemplo verás la imagen en falso color infrarrojo), incluso creando combinaciones que no están en la lista, para diferenciar los diferentes elementos que estemos clasificando de la mejor manera posible.

Una vez seleccionada la combinación de bandas, podemos empezar a crear nuestras regiones de interés. Utilizaremos las siguientes herramientas:

Simplemente tendremos que elegir el botón que aparece como un polígono y empezar a crear los diferentes polígonos que englobarán los píxeles que tengan un determinado tipo de cobertura. También podemos optar por usar el botón con el símbolo “+”, que al hacer clic sobre un píxel, seleccionará los píxeles contiguos que sean similares al que hemos seleccionado, creando ROIs automáticamente.

Empezaremos por seleccionar los píxeles de agua.

Semi-automatic

Como podrás observar, las tonalidades del agua son diferentes aunque se trata de la misma masa de agua, por tanto tendremos que entrenar al clasificador para que considere las distintas tonalidades como agua.

El plugin, nos permite diferenciar entre clases, y macroclases. Este es un punto importante, ya que deberemos diferenciar entre ellas. Una macroclase englobará varias clases, por ejemplo, un embalse, un río, una laguna, serán diferentes clases que pertenecerán a la macroclase “Masas de agua”.

Antes de tomar el punto, deberemos indicar la clase y macroclase a la que pertenece el ROI que tomemos. Lo verás claramente en el siguiente ejemplo.

  • MC ID – 1: Identificador de macroclase.
  • MC Info – Masas de agua: Información cualitativa de la macroclase.
  • C ID – 1: Identificador de la clase.
  • C Info – Embalse: Información cualitativa de la clase.

Los primeros ROIs que tomaremos van a ser de la macroclase “Masas de agua” y de la clase “Embalse”.

Una vez dibujado nuestro ROI, tendremos que guardarlo haciendo clic en el botón de abajo a la derecha.

De este modo, ya tendremos nuestro primer ROI.

Ahora tomaremos algunos más de las diferentes zonas del embalse en las que el tono de color del agua es diferente.

Una vez hemos tomado diferentes ROIs, podemos asegurarnos de que pertenecen a la misma cobertura analizando su firma espectral. Tan solo tendremos que seleccionar los ROIs y hacer clic sobre el botón:

De esta forma veremos la firma espectral media de los píxeles que hemos seleccionado en cada ROI, apreciando que pertenecen a la misma clase de embalse, pero con algunas variaciones, bien sea por la profundidad del agua, por los sedimentos, etc.

Semi-automatic

Ahora seguimos tomando ROIs de las demás coberturas que queremos clasificar, correspondientes a cultivos. Te será más fácil distinguir cultivos con una combinación en falso color infrarrojo. En nuestro caso intentaremos diferenciar entre sembrado o no sembrado, aunque al final utilizaremos las macroclases para clasificar.

Una vez tenemos los suficientes ROIs, podemos proceder a la clasificación.

Para ello tendremos que situarnos en la pestaña “Clasificación”, marcar si queremos que clasifique según macroclases o clases, elegir el algoritmo que deseemos y pulsar sobre el botón “RUN”. Si todo va bien obtendremos una clasificación en la que diferenciaremos, en nuestro caso, las macroclases de cultivos y masas de agua. Como podrás comprobar, también ha clasificado de manera correcta dos balsas artificiales próximas al embalse.

Semi-automatic

En el artículo hemos hecho una clasificación muy sencilla, pero te animamos a que pruebes a hacer clasificaciones más detalladas y nos digas cómo te ha ido.

Y hasta aquí la serie de artículos relacionados con el plugin SCP.

Autor: RemOT Technologies.

Artículo anteriorNueva edición del curso de Gestión Catastral mediante tecnología GIS
Artículo siguienteDelitos de contaminación y su aumento desde 2018
RemOT Technologies
RemOT Technologies es una empresa colaboradora de Geoinnova, especialista en desarrollo de aplicaciones GIS para la web, cartografía y análisis espaciales automatizados. Desarrolla visores web cartográficos, aplicaciones basadas en geolocalización y plugins y personalizaciones de QGIS para resolver problemas de distintos ámbitos, como por ejemplo la gestión de parcelas o la gestión de redes. RemOT ya ha trabajado en varios proyectos de desarrollo de la mano de Geoinnova y, además, también ha participado, entre otros proyectos como en el desarrollo del Atlas Nacional de España. Ha sido reconocida como una de las 100 mejores empresas geoespaciales del mundo en el año 2019 por Geoawesomeness, una de las 50 Startup españolas de futuro por la revista Emprendedores y posee el sello Pyme Innovadora del Ministerio de Ciencia Innovación y Universidades. En la parte dedicada a formación, Lucía Martínez, Marcos Gimeno y Miquel Febrer, imparten diversos cursos en la plataforma de Geoinnova.

Dejar respuesta

Please enter your comment!
Please enter your name here