Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Análisis de Imágenes Basado en Objetos (OBIA) para la obtención de mapas de coberturas agrícolas a partir de imágenes de muy alta resolución espacial Fulgencio Cánovas García, Ph.D Geografía Física fulgencio.canovas@ucuenca.edu.ec Facultad de Ingeniería. Universidad de Cuenca Proyecto 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
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Índice 1
Introducción OBIA Aprendizaje automático o Machine Learning
2
Área de estudio y datos empleados Área de estudio Datos empleados
3
Metodología Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
4
Resultados
5
Discusión y conclusiones Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
OBIA Aprendizaje automático o Machine Learning
Análisis de imágenes basado en objetos (OBIA) Análisis de imágenes basado en objetos Subdisciplina de la ciencia de la información geográfica dedicada a desarrollar métodos automáticos para la división de imágenes en objetos significativos, con el objetivo principal de generar nueva información de tipo geográfico en formato SIG. El análisis de imágenes basado en objetos surge en los primeros años del S. XXI -> vinculado a una actitud crítica frente al enfoque basado en píxeles: Aparición de los satélites para aplicaciones civiles de alta resolución espacial Presentación en el año 2000 de eCognition. Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
OBIA Aprendizaje automático o Machine Learning
Aprendizaje automático o Machine Learning Definición El aprendizaje automático es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. Programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos En los que respecta a la clasificación supervisada de imágenes satelitales: Hasta mitad de los ’90: técnicas convencionales Estrategias 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
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
UDA 25, cabecera del Argos
585000
590000
595000
600000
605000
610000
615000
4220000 4215000 4210000
39°0'0"N
4210000
4215000
4220000
4225000
590000
4225000
585000
595000
600000
605000 0
0°0'0"
610000 1
2
4
615000 6
8
10
12 Km
5°0'0"E
Se
a
Spain
40°0'0"N
5°0'0"W
Ü
Irrigation Unit
r ra
ne
te Med i 0
25
50
2°0'0"W
100 Km
Murcia Region Segura River Basin
35°0'0"N
an
38°0'0"N
Portugal
10°0'0"W
1°0'0"W
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Área de estudio Datos empleados
Vuelo fotogramétrico digital: proyecto NATMUR-08 Imagen multiespectral (R, G, B, Nir): 45 cm
Fechas: 9, 10 y 11 de julio de 2008
LiDAR (MDE y MDS): 4m
Cámara DMC y sensor LEICA
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Esquema clasificación y diseño del muestreo Esquema de clasificación: Herb. regadío Cereales Almendros Tierras de labor Frut. regadío Erial
Olivos Invernaderos Ot. Vegetación Resto Tamaño de la muestra de validación -> distribución multinomial NC: 95%, margen de error 5% -> n =
Fulgencio Cánovas García
BΠi (1−Πi ) E2
= 558
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Segmentación de la imagen Segmentación Es el proceso de dividir imágenes digitales en unidades cohesivas espacialmente, llamadas objetos o regiones. Los objetos deben ser unidades discretas, contiguos y sin intersecciones entre ellos.
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Segmentación de la imagen Segmentación Es el proceso de dividir imágenes digitales en unidades cohesivas espacialmente, llamadas objetos o regiones. Los objetos deben ser unidades discretas, contiguos y sin intersecciones entre ellos.
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Random Forest: características generales
Ideado por Leo Breiman (CART) Implementado en R Familia: árboles de decisión Clasificador de base: CART CART: over-fitting, pero no correlacionados Asignación a clase: votación simple
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Random Forest: características generales
Ideado por Leo Breiman (CART) Implementado en R Familia: árboles de decisión Clasificador de base: CART CART: over-fitting, pero no correlacionados Asignación a clase: votación simple
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Esquema clasificación y diseño del muestreo Segmentación de la imagen Clasificación Selección de variables
Selección de variables Conveniencia de utilizar modelos parsimoniosos (efecto Hughes): Los tipos de variables utilizadas en esta investigación: Variables resultado de los valores de las capas (47)
Vectores de ordenación: 1
Correlación media -> Correlación de Pearson
2
Correlación máxima -> Correlación de Pearson
3
Separabilidad paramétrica media -> Distancia de Jeffries-Matusita
4
Índice de Gini -> Mean Decrease Gini
Basadas en la morfología de los objetos (26) Basadas en los índices de textura de Haralick (204) Basadas en el contexto de los objetos (83) Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Clasificación para la selección de variables Random Forest 0.75 0.7 0.65
I. kappa
0.6 0.55
Random Forest índice de Gini 78 1as variables
0.5 0.45 0.4 0.35 0.3 0
I. Gini
25
50
75
100
C. media
125
150
175
200
Nº de variables
225
C. máxima
Fulgencio Cánovas García
250
275
S. media
300
325
350
Aleatorio
OBIA y mapas de coberturas agrícolas
Fragmentos del mapa de coberturas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Mapa de a partir de imágenes de alta resolución
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Mapa de a partir de imágenes de alta resolución
Fulgencio Cánovas García
OBIA y mapas de coberturas agrícolas
Introducción Área de estudio y datos empleados Metodología Resultados Discusión y conclusiones
Discusión y conclusiones OBIA: El número de casos se reduce en varios órdenes de magnitud -> de 6 millones de píxeles a 8.000 objetos. Selección de características: El mejor método es es Índice de Gini (se extrae aplicando Random Forest) Efecto Hughes: Random Forest no es sensible Fulgencio Cánovas García
La clasificación se ve dificultada por: Deficiencias en la segmentación Cultivos no contemplados en el EC Fragmentación del paisaje agrario Abandono agrícola
OBIA y mapas de coberturas agrícolas
Preguntas