Mapas de cobertura terrestre

Los mapas de cobertura terrestre son herramientas que brindan información vital sobre los patrones de uso y cobertura de la tierra en la Tierra. Ayudan a la formulación de políticas, la planificación urbana y el monitoreo forestal y agrícola. ^{[1] [2]}

El mapeo sistemático de los patrones de cobertura terrestre , incluida la detección de cambios, a menudo sigue dos enfoques principales:

• Estudio de campo
• Procesamiento de imágenes satelitales de teledetección . ^[3] Este enfoque rentable emplea varias técnicas de preprocesamiento y procesamiento de imágenes para mapear con precisión los patrones de cobertura terrestre. Estas técnicas detectan cambios en varias escalas espaciales luego de una serie de simulaciones de aprendizaje automático y aplicaciones estadísticas .

El preprocesamiento de imágenes normalmente se realiza a través de correcciones radiométricas , mientras que el procesamiento de imágenes implica la aplicación de clasificaciones supervisadas o no supervisadas y la 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 crea una serie de conjuntos de datos de entrenamiento generados aleatoriamente o firmas espectrales que representan diferentes clases de uso y cobertura de la tierra (LULC) y aplica estos conjuntos de datos en modelos de aprendizaje automático para predecir y clasificar espacialmente patrones LULC 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 las firmas superpuestas estimando la probabilidad de que un píxel de imagen con la máxima verosimilitud corresponda a un tipo particular de LULC. También depende de las matrices de media y covarianza de los conjuntos de datos de entrenamiento y supone la significancia estadística de los píxeles de la imagen. ^[4]
• Distancia mínima (MD) ^[4] – Una forma de clasificación supervisada que define límites de decisión entre píxeles de imagen para clasificar la cobertura terrestre. ^[4] Los límites de decisión se forman calculando la distancia media entre 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 datos de entrenamiento. ^[5]
• Mapeador angular espectral (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 de q dimensiones, donde las q dimensiones representan el número de bandas. ^[6]
• Análisis discriminante (AD): 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 satelitales). ^[7]
• Subespacio ^{[8] [9]} – Un método 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 método de creación de subespacios dimensionales implica realizar un análisis de componentes principales en los puntos de entrenamiento. ^{[8] [9]} Existen dos tipos de algoritmos de subespacios para minimizar los errores de clasificación de la cobertura terrestre: la compresión de información de características de clase (CLAFIC) ^[10] y el método de subespacio de aprendizaje promedio (ALSM). ^[11]
• Clasificación paralelepípeda ^[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 al 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 terrestre 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. ^[16]
• Algoritmo de k vecinos más cercanos ( k ‑NN) ^[15] : este enfoque extrae k muestras más cercanas de los conjuntos de datos de entrenamiento y clasifica la cobertura terrestre 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 información de fondo o poco importante. Es desventajoso porque puede crear sobreajuste , especialmente para conjuntos de datos grandes.
• Agrupamiento difuso (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 mediante 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 de análisis de datos autoorganizativo iterativo (ISODATA): en este enfoque, el clasificador agrupa automáticamente una cantidad de píxeles de imágenes estrechamente relacionados en grupos y luego calcula los grupos medios y clasifica la cobertura terrestre basándose en una serie de iteraciones repetidas.
• Agrupamiento de k ^{-medias [17]} : un enfoque en el que la computadora extrae automáticamente k características de cobertura terrestre de imágenes satelitales 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 a través de 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 las imágenes satelitales 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

• Índice de vegetación de diferencia normalizada (NDVI) ^{[20] [21]} – Se define como la relación entre las bandas roja e infrarroja cercana (NIR) de las imágenes satelitales. Se calcula como:

${\displaystyle {\text{NVDI}}={({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}})}}$

Este índice mide el verdor de la vegetación, con valores que varían entre -1 y 1. Los valores altos de NDVI representan una cobertura vegetal densa, los valores moderados de NDVI representan una cobertura vegetal escasa y los valores bajos de NDVI corresponden a áreas sin vegetación (por ejemplo, tierras estériles o desnudas). ^[22]

• Índice de vegetación mejorado (EVI) ^[23] – Se define como la relación entre las bandas roja, NIR y azul, con un factor de ganancia (G), un factor de corrección del brillo del suelo (L) y factores de corrección de aerosoles atmosféricos (C). ^{[24] [25]} Se calcula como:

${\displaystyle G\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+C_{1}\times {\text{Red}}-C_{2}\times {\text{Blue}}+L)}}$

con valores generalmente predeterminados de L = 0,5 y G = 2,5.

• Índice de vegetación ajustado al suelo (SAVI) ^[26] : se define como la relación entre los valores de rojo y NIR con un factor de corrección de brillo del suelo (L). Se calcula como:

${\displaystyle {\text{SAVI}}=(1+L)\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}}+L)}}$

• Índice de sombra del dosel (SI): se define como la raíz cuadrada de las bandas roja y verde de las imágenes satelitales. Evalúa los diferentes patrones de sombra del dosel forestal en función de la edad, la estructura y la composición, y permite diferenciar fácilmente los bosques densos de los pastizales y las tierras desnudas. ^{[27] [28]} Se calcula como:

${\displaystyle {\text{SI}}={\sqrt[{}]{(256-{\text{Green}})\times (256-{\text{Red}})}}}$

donde tanto el rojo como el verde oscilan entre 0 y 256.

• Índice avanzado de vegetación (AVI): se utiliza para diferenciar la cubierta forestal de las zonas de pastizales y tierras descubiertas. Se calcula de la siguiente manera:

${\displaystyle {\text{AVI}}={\sqrt[{3}]{({\text{NIR}}+1)\times ({\text{256}}-{\text{Red}})\times ({\text{NIR}}-{\text{Red}})}}}$

donde el rojo oscila entre 0 y 256.

• Índice de suelo desnudo (BSI) ^{[29] [27]} – Se define como la relación entre las bandas NIR, roja y azul de las imágenes satelitales. Mide la cantidad de suelo desnudo y, como tal, aumenta con la disminución de la densidad forestal. ^{[27] [28]} Se calcula como:

${\displaystyle {\text{BSI}}={({\text{NIR}}+{\text{Green}})-{\text{Red}} \over ({\text{NIR}}+{\text{Green}})+{\text{Red}}}}$

• Índice de agua diferencial 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:

${\displaystyle {\text{NDWI}}={{\text{NIR}}-{\text{SWIR}} \over {\text{NIR}}+{\text{SWIR}}}}$

• Índice de edificación diferencial normalizado (NDBI) ^[31] : desarrollado para cuantificar áreas edificadas en imágenes satelitales. Se calcula como:

${\displaystyle {\text{NDBI}}={{\text{SWIR}}-{\text{NIR}} \over {\text{SWIR}}+{\text{NIR}}}}$

Véase también

• Cobertura terrestre
• Índice de vegetación

Referencias

1. Wessels, Konrad J.; Reyers, 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.
2. Gebhardt, Steffen; Wehrmann, Thilo; Ruiz, Miguel; Maeda, Pedro; Bishop, Jesse; Schramm, Matthias; Kopeinig, Rene; 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". Teledetección . 6 (5): 3923–3943. Bibcode :2014RemS....6.3923G. doi : 10.3390/rs6053923 . ISSN  2072-4292.
3. Cracknell, Matthew J.; Reading, 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". Computers & Geosciences . 63 : 22–33. Bibcode :2014CG.....63...22C. doi : 10.1016/j.cageo.2013.10.008 . ISSN  0098-3004.
4. Press, Forex. "Análisis del método de clasificación de imágenes supervisadas para imágenes satelitales". {{cite journal}}: Requiere citar revista |journal=( ayuda )
5. Khan, Umair; Minallah, Nasru; Junaid, Ahmad; Gul, Kashaf; Ahmad, Nasir (diciembre de 2015). "Clasificación basada en la distancia de paralelepípedos y Mahalanobis para la identificación forestal en Pakistán". Conferencia internacional sobre tecnologías emergentes (ICET) de 2015. IEEE . págs. 1–6. doi :10.1109/icet.2015.7389199. ISBN . 978-1-5090-2013-3. Número de identificación del sujeto  38668604.
6. Kruse, FA; Lefkoff, AB; Boardman, JW; Heidebrecht, KB; Shapiro, AT; Barloon, PJ; Goetz, AFH (1993). "El sistema de procesamiento de imágenes espectrales (SIPS): visualización y análisis interactivos de datos de espectrómetros de imágenes". Actas de la conferencia AIP . 283 . AIP: 192–201. Código Bibliográfico :1993AIPC..283..192K. doi :10.1063/1.44433.
7. 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.
8. Sun, Weiwei; Ma, Jun; Yang, Gang; Du, Bo; Zhang, Liangpei (junio de 2017). "Un método de factorización de matriz no negativa de Poisson con restricción de agrupamiento del subespacio de parámetros para la extracción de miembros finales en imágenes hiperespectrales". ISPRS Journal of Photogrammetry and Remote Sensing . 128 : 27–39. Bibcode :2017JPRS..128...27S. doi :10.1016/j.isprsjprs.2017.03.004. ISSN  0924-2716.
9. Sun, Weiwei; Du, Bo; Xiong, Shaolong (1 de mayo de 2017). "Cuantificación de la cobertura de agua superficial de subpíxeles en entornos urbanos utilizando la fracción de bajo albedo de imágenes Landsat". Teledetección . 9 (5): 428. Bibcode :2017RemS....9..428S. doi : 10.3390/rs9050428 . ISSN  2072-4292.
10. Gülmezoğlu, M. Bilginer; Dzhafarov, Vakıf; Edizkan, Rifat; Barkana, Atalay (abril de 2007). "El enfoque del vector común y su comparación con otros métodos de subespacio en caso de datos suficientes". Computer Speech & Language . 21 (2): 266–281. doi :10.1016/j.csl.2006.06.002. ISSN  0885-2308.
11. Laaksonen, Jorma; Oja, Erkki (1996), Malsburg, Christoph; Seelen, Werner; Vorbrüggen, Jan C.; Sendhoff, Bernhard (eds.), "Selección de dimensión de subespacio y método de subespacio de aprendizaje promediado en la clasificación de dígitos escritos a mano", Artificial Neural Networks — 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
12. Mei Xiang; Chih-Cheng Hung; Minh Pham; Bor-Chen Kuo; Coleman, T. (2005). "Un clasificador de imágenes multiespectrales paralelepípedas que utiliza algoritmos genéticos". Actas. Simposio internacional de geociencias y teledetección del IEEE de 2005, 2005. IGARSS '05 . Vol. 1. Seúl, Corea: IEEE . págs. 482–485. doi :10.1109/IGARSS.2005.1526216. ISBN . 978-0-7803-9050-8. Número de identificación del sujeto  37014767.
13. Beucher, A.; Møller, AB; Greve, MH (octubre de 2019). "Redes neuronales artificiales y clasificación de árboles de decisión para predecir las clases de drenaje del suelo en Dinamarca". Geoderma . 352 : 351–359. Bibcode :2019Geode.352..351B. doi :10.1016/j.geoderma.2017.11.004. ISSN  0016-7061. S2CID  134063283.
14. 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.
15. Lo, CP; Choi, Jinmu (julio de 2004). "Un enfoque híbrido para el mapeo del uso y la cobertura del suelo urbano utilizando imágenes del Landsat 7 Enhanced Thematic Mapper Plus (ETM+)". Revista Internacional de Teledetección . 25 (14): 2687–2700. Bibcode :2004IJRS...25.2687L. doi :10.1080/01431160310001618428. ISSN  0143-1161. S2CID  129129271.
16. Mellor, Andrew; Haywood, Andrew; Stone, Christine; Jones, Simon (4 de junio de 2013). "El rendimiento de los bosques aleatorios en un entorno operativo para la clasificación de bosques esclerófilos de gran superficie". Teledetección . 5 (6): 2838–2856. Bibcode :2013RemS....5.2838M. doi : 10.3390/rs5062838 . ISSN  2072-4292.
17. Abbas, A.; Minalla, N.; Ahmad, N.; Abid, S.; Khan, M. Algoritmos de agrupamiento ISODATA y K-means para la clasificación de la cobertura terrestre mediante teledetección. Sindh Univ. Res. J. SURJ (Sci. Ser.) 2016, 48, 315–318
18. Tso, Brandt; Mather, Paul M. (2001). Métodos de clasificación para datos obtenidos mediante teledetección. Abingdon, Reino Unido: Taylor & Francis . doi :10.4324/9780203303566. ISBN . 978-0-203-35581-7.
19. Shaban, MA; Dikshit, O. (enero de 2001). "Mejora de la clasificación en áreas urbanas mediante el uso de características texturales: el estudio de caso de la ciudad de Lucknow, Uttar Pradesh". Revista Internacional de Teledetección . 22 (4): 565–593. Bibcode :2001IJRS...22..565D. doi :10.1080/01431160050505865. ISSN  0143-1161. S2CID  128572668.
20. Pettorelli, Nathalie; Vik, Jon Olav; Mysterud, Atle; Gaillard, Jean-Michel; Tucker, Compton J.; Stenseth, Nils Chr. (septiembre de 2005). "Uso del NDVI derivado de 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.
21. Pettorelli, Nathalie; Gaillard, Jean-Michel; Mysterud, Atle; Duncan, Patrick; Chr. Stenseth, Nils; Delorme, Daniel; Van Laere, Guy; Toïgo, Carole; Klein, Francois (marzo de 2006). "Uso de un proxy de productividad de la planta (NDVI) para encontrar períodos clave para el rendimiento animal: el caso del corzo". Oikos . 112 (3): 565–572. doi : 10.1111/j.0030-1299.2006.14447.x . ISSN  0030-1299.
22. Wegmann M, Leutner B, Dech S (2016) Teledetección y SIG para ecólogos: uso de software de código abierto. Pelagic Publishing, Exeter, Reino Unido
23. Jiang, Z.; Huete, A.; Didan, K.; Miura, T. (15 de octubre de 2008). "Desarrollo de un índice de vegetación mejorado de dos bandas sin una banda azul". Teledetección del medio ambiente . 112 (10): 3833–3845. Bibcode :2008RSEnv.112.3833J. doi :10.1016/j.rse.2008.06.006. ISSN  0034-4257.
24. Hui Qing Liu; Huete, A. (marzo de 1995). "Una modificación basada en la retroalimentación del NDVI para minimizar el ruido atmosférico y de fondo del dosel". IEEE Transactions on Geoscience and Remote Sensing . 33 (2). IEEE : 457–465. doi :10.1109/36.377946. ISSN  0196-2892. S2CID  28380065.
25. Xue, Jinru; Su, Baofeng (23 de mayo de 2017). "Índices significativos de vegetación mediante teledetección: una revisión de desarrollos y aplicaciones". Journal of Sensors . 2017 : 1–17. doi : 10.1155/2017/1353691 .
26. Huete, AR (agosto de 1988). "Un índice de vegetación ajustado al suelo (SAVI)". Teledetección del medio ambiente . 25 (3): 295–309. Bibcode :1988RSEnv..25..295H. doi :10.1016/0034-4257(88)90106-x. ISSN  0034-4257.
27. Rikimaru, R.; Roy, PS; Miyatake, S. (2002). "Mapeo de la densidad de la cobertura forestal tropical". Ecología tropical . 43 : 39–47.
28. Baynes, Jack (enero de 2004). "Evaluación de la densidad del dosel forestal en un paisaje altamente 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.
29. Rikimaru, A., 1999. El concepto de modelo de mapeo FCD y sistema semiexperto. Guía del usuario del mapeador FCD. Organización Internacional de Maderas Tropicales y Asociación Japonesa de Consultores Forestales de Ultramar. Pág. 90.
30. Gao, Bo-cai (diciembre de 1996). "NDWI: un índice de agua de diferencia normalizada para la teledetección del agua líquida de la vegetación desde el espacio". Teledetección del medio ambiente . 58 (3): 257–266. Bibcode :1996RSEnv..58..257G. doi :10.1016/s0034-4257(96)00067-3. ISSN  0034-4257.
31. Zha, Y.; Gao, J.; Ni, S. (enero de 2003). "Uso de índices de diferencia normalizada acumulados en el mapeo automático de áreas urbanas a partir de imágenes TM". Revista Internacional de Teledetección . 24 (3): 583–594. Bibcode :2003IJRS...24..583Z. doi :10.1080/01431160304987. ISSN  0143-1161. S2CID  129599221.