Los mapas de cobertura terrestre son herramientas que proporcionan información vital sobre el uso de la tierra y los patrones de cobertura de la Tierra. Ayudan al desarrollo de políticas, la planificación urbana y el seguimiento forestal y agrícola. [1] [2]
El mapeo sistemático de los patrones de cobertura del suelo , incluida la detección de cambios, suele seguir dos enfoques principales:
El preprocesamiento de imágenes normalmente se realiza mediante correcciones radiométricas , mientras que el procesamiento de imágenes implica la aplicación de clasificaciones supervisadas o no supervisadas y cuantificación de índices de vegetación para la producción de mapas de cobertura terrestre.
Clasificación supervisada
Una clasificación supervisada es un sistema de clasificación en el que el usuario construye una serie de conjuntos de datos de entrenamiento generados aleatoriamente o firmas espectrales que representan diferentes clases de uso y cobertura del suelo (LULC) y aplica estos conjuntos de datos en modelos de aprendizaje automático para predecir y clasificar espacialmente LULC. patrones y evaluar la precisión de la clasificación.
Algoritmos
Se han desarrollado varios algoritmos de aprendizaje automático para la clasificación supervisada.
- Clasificación de máxima verosimilitud (MLC) [4] : este enfoque clasifica firmas superpuestas estimando la probabilidad de que un píxel de imagen con la máxima probabilidad corresponda a un tipo LULC particular. También depende de las matrices de media y covarianza de los conjuntos de datos de entrenamiento y asume la importancia estadística de los píxeles de la imagen. [4]
- Distancia mínima (MD) [4] : una forma de clasificación supervisada que define los límites de decisión entre los píxeles de la imagen para clasificar la cobertura del suelo. [4] Los límites de decisión se forman calculando la distancia media entre los píxeles de clase y utilizando la desviación estándar de los conjuntos de datos de entrenamiento generados para generar una caja paralelepípeda .
- Distancia de Mahalanobis [5] : un sistema de clasificación que utiliza el algoritmo de distancia euclidiana para asignar clases de cobertura terrestre a partir de un conjunto de conjuntos de datos de entrenamiento. [5]
- Mapeador de pescadores espectrales (SAM) [6] : un enfoque de clasificación de imágenes espectrales que utiliza mediciones angulares para determinar la relación entre dos espectros, tratándolos como vectores en un espacio q -dimensional, donde las q -dimensiones representan el número de bandas. [6]
- Análisis discriminante (DA): un sistema de clasificación en el que el algoritmo de clasificación separa grupos de píxeles de imagen estrechamente relacionados en clases, minimizando la varianza dentro de las clases y maximizando la varianza entre clases siguiendo una regla discriminante de máxima verosimilitud.
- Algoritmo genético [7] : un sistema de clasificación que aplica principios genéticos para seleccionar grupos apropiados de datos de entrenamiento y clasificarlos bajo la influencia de predictores (bandas de imágenes de satélite). [7]
- Subespacio [8] [9] – Un enfoque de clasificación en el que el clasificador crea subespacios de baja dimensión de cada clase de cobertura terrestre seleccionada de un grupo de puntos de entrenamiento. El enfoque de la creación de subespacios dimensionales implica realizar un análisis de componentes principales en los puntos de entrenamiento. [8] [9] Existen dos tipos de algoritmos subespaciales para minimizar los errores de clasificación de la cobertura terrestre: compresión de información de características de clases (CLAFIC) [10] y el método subespacial de aprendizaje promedio (ALSM). [11]
- Clasificación de paralelepípedo [12] : un clasificador de espacio de características que asigna un rango de valores para cada clase de cobertura terrestre dentro de cada banda de imagen y crea cuadros delimitadores donde se seleccionan píxeles de cada clase de cobertura terrestre para entrenar el clasificador. [12]
- Redes neuronales artificiales multiperceptrones (MP-ANN) [13] [14] : un sistema de clasificación en el que el clasificador utiliza una serie de redes neuronales o nodos para clasificar la cobertura del suelo basándose en retropropagaciones de muestras de entrenamiento.
- Máquinas de vectores de soporte (SVM) [15] : un enfoque de clasificación en el que el clasificador utiliza vectores de soporte para obtener límites de decisión óptimos que separan dos o más clases de cobertura terrestre.
- Bosque aleatorio (RF) [16] : un enfoque en el que el clasificador utiliza bootstraps para crear varios árboles de decisión que clasifican conjuntos de datos de entrenamiento en función de una serie de bandas de imágenes satelitales. [dieciséis]
- Algoritmo de K -vecinos más cercanos ( k -NN) [15] : este enfoque extrae k muestras más cercanas de conjuntos de datos de entrenamiento y clasifica la cobertura del suelo en función de la distancia entre estas muestras.
- Árbol de decisión (DT) [13] : al igual que RF, DT constituye un conjunto de nodos conectados que dividen las muestras de entrenamiento en un conjunto de grupos de cobertura terrestre. [13] Sus ventajas son que es rápido, fácil de construir e interpretar para datos más pequeños y bueno para excluir antecedentes o información sin importancia. Tiene la desventaja de que puede crear un sobreajuste , especialmente para conjuntos de datos grandes.
- Agrupación difusa (FZ)
Clasificación no supervisada
La clasificación no supervisada es un sistema de clasificación en el que el software clasifica automáticamente píxeles individuales o grupos de píxeles sin que el usuario aplique archivos de firma o datos de entrenamiento. Sin embargo, el usuario define el número de clases que la computadora generará automáticamente agrupando píxeles similares en una sola categoría utilizando un algoritmo de agrupamiento. Este sistema de clasificación se utiliza principalmente en áreas sin observaciones de campo o conocimiento previo sobre los tipos de cobertura terrestre disponibles.
Algoritmos
- Técnica iterativa de análisis de datos autoorganizados (ISODATA): en este enfoque, el clasificador agrupa automáticamente una cantidad de píxeles de imagen estrechamente relacionados en grupos, y luego calcula los grupos medios y clasifica la cobertura del suelo en función de una serie de iteraciones repetidas.
- Agrupación de K -medias [17] : un enfoque en el que la computadora extrae automáticamente k características de cobertura terrestre de imágenes de satélite y clasifica la imagen general en función de las medias calculadas de las características extraídas.
Clasificación de índices de vegetación.
La clasificación de índices de vegetación es un sistema en el que se combinan dos o más bandas espectrales mediante algoritmos estadísticos definidos para reflejar las propiedades espaciales de una cubierta vegetal.
La mayoría de estos índices utilizan la relación entre las bandas roja e infrarroja cercana (NIR) de imágenes de satélite para generar propiedades de la vegetación. Se han desarrollado varios índices de vegetación; Los científicos los aplican mediante teledetección para clasificar eficazmente la cubierta forestal y los patrones de uso de la tierra.
Estos índices espectrales utilizan dos o más bandas para adquirir con precisión la reflectancia de la superficie de las características del terreno, mejorando así la precisión de la clasificación. [18] [19]
Índices de vegetación
![{\displaystyle {\text{NVDI}}={({\text{NIR}}-{\text{Rojo}}) \over ({\text{NIR}}+{\text{Rojo}})}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Este índice mide el verdor de la vegetación, con valores que oscilan entre -1 y 1. Los valores altos de NDVI representan una cubierta vegetal densa, los valores moderados de NDVI representan una cubierta vegetal escasa y los valores bajos de NDVI corresponden a áreas sin vegetación (por ejemplo, tierras áridas o desnudas). [22]
![{\displaystyle G\times {({\text{NIR}}-{\text{Rojo}}) \over ({\text{NIR}}+C_{1}\times {\text{Rojo}}-C_ {2}\times {\text{Azul}}+L)}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- con valores normalmente predeterminados de L = 0,5 y G = 2,5.
![{\displaystyle {\text{SAVI}}=(1+L)\times {({\text{NIR}}-{\text{Rojo}}) \over ({\text{NIR}}+{\text {Rojo}}+L)}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Índice de sombra del dosel (SI): definido como la raíz cuadrada de las bandas roja y verde de imágenes de satélite. Evalúa los diferentes patrones de sombra de las copas de los bosques según su edad, estructura y composición, y diferencia fácilmente los bosques densos de los pastos y las tierras desnudas. [27] [28] Se calcula como:
![{\displaystyle {\text{SI}}={\sqrt[{}]{(256-{\text{Verde}})\times (256-{\text{Rojo}})}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- donde tanto el rojo como el verde oscilan entre 0 y 256.
- Índice de vegetación avanzado (AVI): se utiliza para diferenciar la cubierta forestal de los pastizales y las áreas de tierra desnuda. Se calcula como:
![{\displaystyle {\text{AVI}}={\sqrt[{3}]{({\text{NIR}}+1)\times ({\text{256}}-{\text{Rojo}}) \times ({\text{NIR}}-{\text{Rojo}})}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- donde el rojo oscila entre 0 y 256.
- Índice de suelo desnudo (BSI) [29] [27] – Definido como la relación entre las bandas NIR, roja y azul de imágenes de satélite. Mide la cantidad de suelo desnudo y, como tal, aumenta al disminuir la densidad forestal. [27] [28] Se calcula como:
![{\displaystyle {\text{BSI}}={({\text{NIR}}+{\text{Verde}})-{\text{Rojo}} \over ({\text{NIR}}+{\ texto{Verde}})+{\text{Rojo}}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Índice diferencial de agua normalizado (NDWI) [30] – Desarrollado para cuantificar el contenido de agua de las plantas y otras características del sistema terrestre, utilizando infrarrojos de onda corta (SWIR). Se calcula como:
![{\displaystyle {\text{NDWI}}={{\text{NIR}}-{\text{SWIR}} \over {\text{NIR}}+{\text{SWIR}}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Índice de urbanización diferencial normalizado (NDBI) [31] – Desarrollado para cuantificar áreas urbanizadas en imágenes de satélite. Se calcula como:
![{\displaystyle {\text{NDBI}}={{\text{SWIR}}-{\text{NIR}} \over {\text{SWIR}}+{\text{NIR}}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Ver también
Referencias
- ^ Wessels, Konrad J.; Reyes, Belinda; van Jaarsveld, Albert S.; Rutherford, Mike C. (abril de 2003). "Identificación de posibles áreas de conflicto entre la transformación de la tierra y la conservación de la biodiversidad en el noreste de Sudáfrica". Agricultura, ecosistemas y medio ambiente . 95 (1): 157-178. doi :10.1016/s0167-8809(02)00102-0. ISSN 0167-8809.
- ^ Gebhardt, Steffen; Wehrmann, Thilo; Ruíz, Miguel; Maeda, Pedro; Obispo, Jesse; Schramm, Matías; Kopeinig, René; Cartus, Oliver; Kellndorfer, Josef; Ressl, Rainer; Santos, Lucio (30 de abril de 2014). "MAD-MEX: Monitoreo automático de cobertura terrestre de pared a pared para el programa mexicano REDD-MRV utilizando todos los datos Landsat". Sensores remotos . 6 (5): 3923–3943. Código Bib : 2014RemS....6.3923G. doi : 10.3390/rs6053923 . ISSN 2072-4292.
- ^ Cracknell, Mateo J.; Lectura, Anya M. (febrero de 2014). "Mapeo geológico utilizando datos de teledetección: una comparación de cinco algoritmos de aprendizaje automático, su respuesta a variaciones en la distribución espacial de los datos de entrenamiento y el uso de información espacial explícita". Computadoras y geociencias . 63 : 22–33. Código Bib : 2014CG.....63...22C. doi : 10.1016/j.cageo.2013.10.008 . ISSN 0098-3004.
- ^ Prensa abcd, Forex. "Análisis del método de clasificación de imágenes supervisadas para imágenes de satélite".
- ^ ab Khan, Umair; Minallah, Nasru; Junaid, Ahmad; Gul, Kashaf; Ahmad, Nasir (diciembre de 2015). "Clasificación basada en distancias de paralelepípedos y Mahalanobis para la identificación forestal en Pakistán". 2015 Conferencia Internacional sobre Tecnologías Emergentes (ICET) . IEEE . págs. 1–6. doi :10.1109/icet.2015.7389199. ISBN 978-1-5090-2013-3. S2CID 38668604.
- ^ ab Kruse, FA; Lefkoff, AB; Boardman, JW; Heidebrecht, KB; Shapiro, AT; Barloon, PJ; Goetz, AFH (1993). "El sistema de procesamiento de imágenes espectrales (SIPS): visualización interactiva y análisis de datos del espectrómetro de imágenes". Actas de la conferencia AIP . 283 . AIP: 192-201. Código Bib : 1993AIPC..283..192K. doi : 10.1063/1.44433.
- ^ ab Maulik, Ujjwal; Bandyopadhyay, Sanghamitra (septiembre de 2000). "Técnica de agrupamiento basada en algoritmos genéticos". Reconocimiento de patrones . 33 (9): 1455-1465. Código Bib : 2000PatRe..33.1455M. doi :10.1016/s0031-3203(99)00137-5. ISSN 0031-3203.
- ^ ab Sol, Weiwei; Mamá, junio; Yang, pandilla; Du, Bo; Zhang, Liangpei (junio de 2017). "Un método de factorización de matrices no negativas de Poisson con restricción de agrupamiento de subespacio de parámetros para la extracción de miembros finales en imágenes hiperespectrales". Revista ISPRS de fotogrametría y teledetección . 128 : 27–39. Código Bib : 2017JPRS..128...27S. doi :10.1016/j.isprsjprs.2017.03.004. ISSN 0924-2716.
- ^ ab Sol, Weiwei; Du, Bo; Xiong, Shaolong (1 de mayo de 2017). "Cuantificación de la cobertura de agua superficial subpíxel en entornos urbanos utilizando una fracción de bajo albedo de imágenes Landsat". Sensores remotos . 9 (5): 428. Código bibliográfico : 2017RemS....9..428S. doi : 10.3390/rs9050428 . ISSN 2072-4292.
- ^ Gülmezoğlu, M. Bilginer; Dzhafarov, Vakıf; Edizkán, Rifat; Barkana, Atalay (abril de 2007). "El enfoque de vector común y su comparación con otros métodos subespaciales en caso de datos suficientes". Habla y lenguaje informático . 21 (2): 266–281. doi : 10.1016/j.csl.2006.06.002. ISSN 0885-2308.
- ^ Laaksonen, Jorma; Oja, Erkki (1996), Malsburg, Christoph; Seelen, Werner; Vorbrüggen, Jan C.; Sendhoff, Bernhard (eds.), "Selección de dimensión subespacial y método subespacial de aprendizaje promediado en clasificación de dígitos escritos a mano", Redes neuronales artificiales - ICANN 96 , vol. 1112, Berlín, Heidelberg: Springer Berlin Heidelberg, págs. 227–232, doi :10.1007/3-540-61510-5_41, ISBN 978-3-540-61510-1, consultado el 13 de abril de 2021
- ^ ab Mei Xiang; Chih-Cheng Hung; Minh Pham; Bor-Chen Kuo; Coleman, T. (2005). "Un clasificador de imágenes multiespectral paralelepípedo que utiliza algoritmos genéticos". Actas. 2005 Simposio internacional de geociencia y teledetección del IEEE, 2005. IGARSS '05 . vol. 1. Seúl, Corea: IEEE . págs. 482–485. doi :10.1109/IGARSS.2005.1526216. ISBN 978-0-7803-9050-8. S2CID 37014767.
- ^ abcBeucher , A.; Moller, AB; Greve, MH (octubre de 2019). "Redes neuronales artificiales y clasificación de árboles de decisión para predecir clases de drenaje del suelo en Dinamarca". Geoderma . 352 : 351–359. Código Bib : 2019Geode.352..351B. doi :10.1016/j.geoderma.2017.11.004. ISSN 0016-7061. S2CID 134063283.
- ^ Silva, Leonardo Pereira e; Xavier, Ana Paula Campos; da Silva, Richarde Marqués; Santos, Celso Augusto Guimarães (marzo 2020). "Modelado de cambio de cobertura terrestre basado en una red neuronal artificial para una cuenca semiárida en el noreste de Brasil". Ecología y conservación globales . 21 : e00811. doi : 10.1016/j.gecco.2019.e00811 . ISSN 2351-9894.
- ^ ab Lo, CP; Choi, Jinmu (julio de 2004). "Un enfoque híbrido para el mapeo de cobertura y uso del suelo urbano utilizando imágenes Landsat 7 Enhanced Thematic Mapper Plus (ETM +)". Revista Internacional de Percepción Remota . 25 (14): 2687–2700. Código Bib : 2004IJRS...25.2687L. doi :10.1080/01431160310001618428. ISSN 0143-1161. S2CID 129129271.
- ^ ab Mellor, Andrés; Haywood, Andrés; Piedra, Christine; Jones, Simón (4 de junio de 2013). "El rendimiento de los bosques aleatorios en un entorno operativo para la clasificación de bosques esclerófilos de grandes áreas". Sensores remotos . 5 (6): 2838–2856. Código Bib : 2013RemS....5.2838M. doi : 10.3390/rs5062838 . ISSN 2072-4292.
- ^ Abbas, A.; Minalla, N.; Ahmad, N.; Abid, S.; Khan, M. K-means e ISODATA algoritmos de agrupamiento para la clasificación de la cobertura terrestre mediante teledetección. Universidad de Sindh. Res. J. SURJ (Sci. Ser.) 2016, 48, 315–318
- ^ También, Brandt; Mather, Paul M. (2001). Métodos de clasificación de datos de teledetección. Abingdon, Reino Unido: Taylor y Francis . doi :10.4324/9780203303566. ISBN 978-0-203-35581-7.
- ^ Shaban, MA; Dikshit, O. (enero de 2001). "Mejora de la clasificación en áreas urbanas mediante el uso de características de textura: el estudio de caso de la ciudad de Lucknow, Uttar Pradesh". Revista Internacional de Percepción Remota . 22 (4): 565–593. Código Bib : 2001IJRS...22..565D. doi :10.1080/01431160050505865. ISSN 0143-1161. S2CID 128572668.
- ^ Pettorelli, Nathalie; Vik, Jon Olav; Mysterud, Atle; Gaillard, Jean-Michel; Tucker, Compton J.; Stenseth, Nils Chr. (Septiembre de 2005). "Uso del NDVI obtenido por satélite para evaluar las respuestas ecológicas al cambio ambiental". Tendencias en ecología y evolución . 20 (9): 503–510. doi :10.1016/j.tree.2005.05.011. ISSN 0169-5347. PMID 16701427.
- ^ Pettorelli, Nathalie; Gaillard, Jean-Michel; Mysterud, Atle; Duncan, Patricio; Chr. Stenseth, Nils; Delorme, Daniel; Van Laere, Guy; Toigo, Carole; Klein, Francois (marzo de 2006). "Uso de un proxy de la productividad vegetal (NDVI) para encontrar períodos clave para el desempeño animal: el caso del corzo". Oikos . 112 (3): 565–572. doi : 10.1111/j.0030-1299.2006.14447.x . ISSN 0030-1299.
- ^ Wegmann M, Leutner B, Dech S (2016) Teledetección y SIG para ecologistas: uso de software de código abierto. Pelagic Publishing, Exeter, Reino Unido
- ^ Jiang, Z.; Huete, A.; Didán, K.; Miura, T. (15 de octubre de 2008). "Desarrollo de un índice de vegetación mejorado de dos bandas sin banda azul". Teledetección del Medio Ambiente . 112 (10): 3833–3845. Código Bib : 2008RSEnv.112.3833J. doi :10.1016/j.rse.2008.06.006. ISSN 0034-4257.
- ^ Hui Qing Liu; Huete, A. (marzo de 1995). "Una modificación del NDVI basada en retroalimentación para minimizar el ruido atmosférico y de fondo de la cubierta vegetal". Transacciones IEEE sobre geociencia y teledetección . 33 (2). IEEE : 457–465. doi : 10.1109/36.377946. ISSN 0196-2892. S2CID 28380065.
- ^ Xue, Jinru; Su, Baofeng (23 de mayo de 2017). "Índices de vegetación significativos por teledetección: una revisión de desarrollos y aplicaciones". Revista de sensores . 2017 : 1-17. doi : 10.1155/2017/1353691 .
- ^ Huete, AR (agosto de 1988). "Un índice de vegetación ajustado al suelo (SAVI)". Teledetección del Medio Ambiente . 25 (3): 295–309. Código Bib : 1988RSEnv..25..295H. doi :10.1016/0034-4257(88)90106-x. ISSN 0034-4257.
- ^ a B C Rikimaru, R .; Roy, PD; Miyatake, S. (2002). "Mapeo de densidad de cubierta forestal tropical". Ecología Tropical . 43 : 39–47.
- ^ ab Baynes, Jack (enero de 2004). "Evaluación de la densidad del dosel forestal en un paisaje muy variable utilizando datos Landsat y el software FCD Mapper". Silvicultura australiana . 67 (4): 247–253. doi :10.1080/00049158.2004.10674942. ISSN 0004-9158. S2CID 84900545.
- ^ Rikimaru, A., 1999. El concepto de modelo de mapeo FCD y sistema semiexperto. Guía del usuario del mapeador FCD. Organización Internacional de las Maderas Tropicales y Asociación Japonesa de Consultores Forestales en el Extranjero. págs. 90.
- ^ Gao, Bo-cai (diciembre de 1996). "NDWI: un índice de diferencia de agua normalizado para la detección remota del agua líquida de la vegetación desde el espacio". Teledetección del Medio Ambiente . 58 (3): 257–266. Código Bib : 1996RSEnv..58..257G. doi :10.1016/s0034-4257(96)00067-3. ISSN 0034-4257.
- ^ Zha, Y.; Gao, J.; Ni, S. (enero de 2003). "Uso del índice de acumulación de diferencias normalizado en el mapeo automático de áreas urbanas a partir de imágenes de TM". Revista Internacional de Percepción Remota . 24 (3): 583–594. Código Bib : 2003IJRS...24..583Z. doi :10.1080/01431160304987. ISSN 0143-1161. S2CID 129599221.