1 fcg obia mundounigis v02

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

[email protected]

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

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

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.

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.

Área de estudioDatos empleados

UDA 25, cabecera del Argos585000

585000

590000

595000

600000

605000

610000

615000

1°0'0"W2°0'0"W

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

Med iterranean S

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

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

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.

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.

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

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

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

Clasificación para la selección de variables

I. Gini C. media C. máxima S. media Aleatorio

Random Forest

Nº de variables

0 25 50 75 100 125 150 175 200 225 250 275 300 325 350

Random Forestíndice de Gini78 1as variables

Fragmentos del mapa de coberturas

Mapa de a partir de imágenes de alta resolución

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

Preguntas

1 fcg obia mundounigis v02

Documents