Upload
unigis-america-latina
View
236
Download
3
Embed Size (px)
DESCRIPTION
Â
Citation preview
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Análisis de Imágenes Basado en Objetos (OBIA)para la obtención de mapas de coberturas agrícolasa partir de imágenes de muy alta resolución espacial
Fulgencio Cánovas García, Ph.DGeografía Física
Facultad de Ingeniería. Universidad de CuencaProyecto Prometeo de la Secretaría de Educación Superior, Ciencia, Tecnología e
Innovación del Gobierno de Ecuador
22 de octubre de 2014
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 1/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Índice
1 IntroducciónOBIAAprendizaje automático o Machine Learning
2 Área de estudio y datos empleadosÁrea de estudioDatos empleados
3 MetodologíaEsquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
4 Resultados5 Discusión y conclusiones
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 2/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
OBIAAprendizaje automático o Machine Learning
Análisis de imágenes basado en objetos (OBIA)
Análisis de imágenes basado en objetosSubdisciplina de la ciencia de la información geográfica dedicada adesarrollar métodos automáticos para la división de imágenes enobjetos significativos, con el objetivo principal de generar nuevainformación de tipo geográfico en formato SIG.
El análisis de imágenes basado en objetos surge en los primerosaños del S. XXI -> vinculado a una actitud crítica frente al enfoquebasado en píxeles:
Aparición de los satélites para aplicaciones civiles de altaresolución espacialPresentación en el año 2000 de eCognition.
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 3/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
OBIAAprendizaje automático o Machine Learning
Aprendizaje automático o Machine Learning
DefiniciónEl aprendizaje automático es una rama de la inteligencia artificialcuyo objetivo es desarrollar técnicas que permitan a lascomputadoras aprender.
Programas capaces de generalizar comportamientos a partir deuna información suministrada en forma de ejemplos
En los que respecta a la clasificación supervisada de imágenessatelitales:
Hasta mitad de los ’90: técnicas convencionalesEstrategias alternativas: ANN, árboles de decisión, SVM, etc.Incorporación de información auxiliar: MDT y derivados, inf.textural, contextual, etc.
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 4/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
UDA 25, cabecera del Argos585000
585000
590000
590000
595000
595000
600000
600000
605000
605000
610000
610000
615000
615000
4210
000
4210
000
4215
000
4215
000
4220
000
4220
000
4225
000
4225
000
1°0'0"W2°0'0"W
39°0
'0"N
38°0
'0"N
0 50 10025 Km
Murcia RegionSegura River Basin
0 2 4 6 8 10 121 Km
Irrigation Unit
Ü5°0'0"E0°0'0"5°0'0"W10°0'0"W
40°0
'0"N
35°0
'0"N
Spain
Portu
gal
Med iterranean S
ea
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 5/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Área de estudioDatos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08
Imagen multiespectral (R, G,B, Nir): 45 cmLiDAR (MDE y MDS): 4m
Fechas: 9, 10 y 11 de juliode 2008Cámara DMC y sensorLEICA
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 6/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Esquema clasificación y diseño del muestreo
Esquema de clasificación:CerealesTierras de laborErial
Herb. regadíoAlmendrosFrut. regadío
OlivosInvernaderosOt. VegetaciónResto
Tamaño de la muestra de validación -> distribución multinomial
NC: 95%, margen de error 5% -> n = BΠi (1−Πi )E2 = 558
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 7/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Segmentación de la imagen
SegmentaciónEs el proceso de dividir imágenes digitales en unidades cohesivasespacialmente, llamadas objetos o regiones. Los objetos deben serunidades discretas, contiguos y sin intersecciones entre ellos.
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 8/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Segmentación de la imagen
SegmentaciónEs el proceso de dividir imágenes digitales en unidades cohesivasespacialmente, llamadas objetos o regiones. Los objetos deben serunidades discretas, contiguos y sin intersecciones entre ellos.
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 8/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Random Forest: características generales
Ideado por Leo Breiman(CART)Implementado en RFamilia: árboles de decisiónClasificador de base: CARTCART: over-fitting, pero nocorrelacionadosAsignación a clase: votaciónsimple
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 10/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Random Forest: características generales
Ideado por Leo Breiman(CART)Implementado en RFamilia: árboles de decisiónClasificador de base: CARTCART: over-fitting, pero nocorrelacionadosAsignación a clase: votaciónsimple
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 10/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Esquema clasificación y diseño del muestreoSegmentación de la imagenClasificaciónSelección de variables
Selección de variables
Conveniencia de utilizar modelosparsimoniosos (efecto Hughes):Los tipos de variables utilizadasen esta investigación:
Variables resultado de losvalores de las capas (47)Basadas en la morfología delos objetos (26)Basadas en los índices detextura de Haralick (204)Basadas en el contexto delos objetos (83)
Vectores de ordenación:1 Correlación media ->
Correlación de Pearson2 Correlación máxima ->
Correlación de Pearson3 Separabilidad paramétrica
media -> Distancia deJeffries-Matusita
4 Índice de Gini -> MeanDecrease Gini
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 11/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Clasificación para la selección de variables
I. Gini C. media C. máxima S. media Aleatorio
Random Forest
Nº de variables
I.ka
ppa
0 25 50 75 100 125 150 175 200 225 250 275 300 325 350
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
Random Forestíndice de Gini78 1as variables
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 12/17
Fragmentos del mapa de coberturas
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Mapa de a partir de imágenes de alta resolución
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 14/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Mapa de a partir de imágenes de alta resolución
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 15/17
IntroducciónÁrea de estudio y datos empleados
MetodologíaResultados
Discusión y conclusiones
Discusión y conclusiones
OBIA:El número de casos sereduce en varios órdenes demagnitud -> de 6 millonesde píxeles a 8.000 objetos.
Selección de características:El mejor método es es Índicede Gini (se extrae aplicandoRandom Forest)
Efecto Hughes:Random Forest no essensible
La clasificación se ve dificultadapor:
Deficiencias en lasegmentaciónCultivos no contemplados enel ECFragmentación del paisajeagrarioAbandono agrícola
Fulgencio Cánovas García OBIA y mapas de coberturas agrícolas 16/17
Preguntas