1 fcg obia mundounigis v02

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