¿Qué es la clasificación supervisada y no supervisada en la teledetección?
Las imágenes de teledetección siempre cubren una gran área geográfica con alta frecuencia temporal. Para comprender y derivar fácilmente la información sobre el uso del suelo y la cobertura del suelo, siempre es necesario procesar la interpretación y clasificación de las imágenes. El píxel de la imagen se ha utilizado como unidad básica de análisis desde principios de la década de 1980.
Por lo tanto, la clasificación de imágenes es el proceso de asignar clases de cobertura terrestre a los píxeles. En la teledetección, las imágenes fotográficas se agrupan en diferentes clasificaciones. Estas clasificaciones se agrupan en tres;
Clasificación manual
Clasificación basada en píxeles
- Clasificación de imágenes supervisada
- Clasificación de imágenes sin supervisión
Clasificación de imágenes basada en características o objetos
1. Clasificación manual
La clasificación manual se refiere a la interpretación y clasificación de imágenes de teledetección por el ojo humano. Antes del avance tecnológico, era el método principal que se utilizaba para clasificar imágenes. En la era de la digitalización, el método manual se ha integrado con el uso de la computadora. Es más confiable cuando se trata de pequeñas coberturas geográficas.
2. Clasificación basada en píxeles
La clasificación basada en píxeles se divide a su vez en dos
Clasificación de imágenes supervisada
La capacitación es donde los analistas identifican una muestra de píxeles de una membresía de clase conocida recopilada a partir de datos de referencia. Dichos datos pueden incluir fotografías aéreas o mapas existentes. Los píxeles de entrenamiento se utilizan para derivar varias estadísticas para cada clase de cobertura terrestre. En la etapa de asignación, las imágenes se clasifican y asignan a las clases en las que muestran las mayores similitudes en función de los resultados estadísticos. Por último, en la etapa de prueba, se selecciona un grupo de píxeles de prueba y se comparan las diferentes identidades de clase. La comparación se basa en los datos de referencia y las propiedades espectrales de cada píxel de la imagen. Los resultados se basan en una matriz de errores en función de los acuerdos y desacuerdos de las muestras de prueba. Al completar las tres etapas, un analista puede evaluar la clasificación de imágenes para cada clase de cobertura terrestre.
Aparte de esto, se han desarrollado una gran cantidad de métodos de clasificación supervisados. Estos algoritmos incluyen;
- Clasificador de máxima verosimilitud
- Clasificador de distancia mínima a la media
- Clasificador de distancia de Mahalanobis
- Clasificador K-Vecinos más cercanos
- Máquinas de vectores soporte
Clasificación de imágenes sin supervisión
La clasificación no supervisada es donde las agrupaciones de píxeles con características comunes se basan en el análisis de software de una imagen sin que el usuario defina campos de entrenamiento para cada clase de cobertura terrestre. Todo esto se hace sin la ayuda de datos de entrenamiento o conocimientos previos. La responsabilidad del analista de imágenes es determinar las correspondencias entre las clases espectrales que define el algoritmo.
En la clasificación no supervisada, hay dos pasos básicos a seguir. Éstos incluyen; generar clusters y asignar clases. Con el software de detección remota, un analista primero creará clústeres e identificará la cantidad de grupos a generar. Después de esto, asignan clases de cobertura terrestre a cada grupo. Todo esto es posible gracias al uso de algoritmos como;
- K-significa
- Análisis iterativo de datos autoorganizados (ISODATA)
3. Clasificación de imágenes basada en objetos
Este tipo de clasificación de imágenes emplea el uso de objetos geográficos como unidad básica de análisis. Los métodos basados en objetos generan objetos de imagen mediante la segmentación de imágenes y la clasificación de los objetos en lugar de píxeles. Estas imágenes se forman y clasifican utilizando diferentes métodos. Estos son; información contextual espacial, espectral, de textura y geográfica de la fotografía.
Los ejemplos de clasificadores de algoritmos basados en objetos incluyen;
- Segmentación de imagen
- Técnicas de análisis de imágenes basadas en objetos que incluyen E-cognition y Arc GIS Feature Analyst
Fuente: Traducido desde https://grindgis.com/remote-sensing/what-is-supervised-and-unsupervised-classification-in-remote-sensing
