CLASIFICACIÓN DE CULTIVOS A TRAVÉS DE IMÁGENES RADAR DE APERTURA SINTÉTICA (SAR) INFORME BIMENSUAL MAYO-JUNIO

Transcripción

1 MAESTRÍA EN APLICACIONES ESPACIALES DE ALERTA Y RESPUESTA TEMPRANA A EMERGENCIAS INSTITUTO DE ALTOS ESTUDIOS ESPACIALES MARIO GULICH FACULTAD DE MATEMÁTICA, ASTRONOMÍA Y FÍSICA DE LA UNIVERSIDAD DE CÓRDOBA (UNC) COMISIÓN NACIONAL DE ACTIVIDADES ESPACIALES (CONAE) - ARGENTINA ACADEMIA EUROPEA (EURAC) BOLZANO, ITALIA CLASIFICACIÓN DE CULTIVOS A TRAVÉS DE IMÁGENES RADAR DE APERTURA SINTÉTICA (SAR) INFORME BIMENSUAL MAYO-JUNIO Estudiante: Elena Campusano Tutora Italiana: Dra. Claudia Notarnicola Tutora Argentina: Ms. Sofía Lanfri Junio

2 ÍNDICE CONTENIDO PÁGINA Resumen... 5 Introducción... 9 Objetivos Objetivo General Objetivo Específicos Materiales y Métodos Capa Vectorial a. Catastro Frutícola de la VI Región 2. Capas Raster a. ALOS PALSAR FBS FBD Procedimiento Procesamiento de la Imagen PALSAR FBS febrero 2010 enero 2009 enero Estadística a. Revisión de firma espectral b. Posibilidad de separación Clasificación a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%) 24 a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Procedimiento Procesamiento de la Imagen PALSAR FBD septiembre 2009 septiembre 2008 a. Calibrar b. Multilooking c. Filtrar el Moteado d. Corregir el Terreno e. Reproyectar f. Recortar cada Imagen FBD g. Georreferenciar h. Apilar las Bandas y cambiar de Huso i. Visualización en Color de las imágenes Palsar FBD j. Recortar las Imágenes Apiladas Palsar FBD

3 2. Selección de Muestras a. Selección de cultivos representativos 3. Región de Interés a. De Vector a ROI b. Edición de ROI Estadística a. Revisión de firma espectral b. Posibilidad de separación Clasificación a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%) 46 a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Procedimiento Procesamiento de la Imagen AVNIR-2 - febrero 2009/PALSAR FBS enero Selección de Muestras a. Selección de cultivos representativos 3. Región de Interés a. De Vector a ROI b. Edición de ROI Estadística a. Revisión de firma espectral b. Posibilidad de separación Clasificación a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%) 60 a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Procedimiento Procesamiento de la Imagen AVNIR-2 - febrero 2009/PALSAR FBD septiembre Selección de Muestras a. Selección de cultivos representativos 3

4 3. Región de Interés a. De Vector a ROI b. Edición de ROI Estadística a. Revisión de firma espectral b. Posibilidad de separación Clasificación a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%) 74 a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Procedimiento Procesamiento de la Imagen AVNIR-2 - febrero 2009/PALSAR FBD septiembre 2009/ PALSAR FBS enero 2009 febrero Región de Interés a. De Vector a ROI b. Edición de ROI Estadística a. Revisión de firma espectral b. Posibilidad de separación Clasificación a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%) 83 a. Maximum Likelihood - Clasificador de Máxima Verosimilitud b. Neural Net - Red Neuronal c. Support Vector Machine Máquinas de Vectores Soporte Análisis y Conclusiones a. Especies de Cultivos b. Combinaciones de Imágenes Clasificación de Cultivos (gráfico) Maximum Likelihood (gráfico) Neural Net (gráfico) Support Vector Machine (gráfico) Mapa 1 Mapa 2 Mapa 3 c. Alcances a Considerar Bibliografía

5 RESUMEN El presente informe corresponde al tercer y último de los 3 documentos que se tienen que entregar durante el transcurso de esta pasantía. Éste, es la continuación del trabajo que se ha venido realizando en EURAC y que hace relación a la clasificación de cultivos a través de imágenes satelitales, pero a diferencia de los informes anteriores el contenido corresponde a su etapa final, ya que además de presentar metodologías de trabajo, se analizan los datos estadísticamente y se concluye con respecto a los resultados obtenidos. En esta tercera parte se mejora la clasificación realizada con las imágenes SAR FBS (último procedimiento realizado en el informe anterior), para luego continuar con las siguientes combinaciones de imágenes, Tabla N 1: Tipo de Imagen Sensor Fecha de Adquisición Imagen SAR FBS febrero enero enero 2008 FBD septiembre septiembre 2009 Imágenes SAR+Óptico AVNIR+FBS AVNIR-2 febrero FBS enero 2009 Tabla N 1 La última combinación de esta tabla no estaba mencionada en Desafíos Futuros de los informes anteriormente entregados, pero se consideró importante realizarla en esta ocasión y comparar los resultados obtenidos con las demás combinaciones. Al igual que las imágenes trabajadas anteriormente, en éstas se aplicó los siguientes 3 algoritmos: a) Maximum Likelihood b) Neural Net c) Support Vector Machine AVNIR+FBD AVNIR-2 febrero FBD septiembre 2009 AVNIR+FBD+FBS AVNIR-2 febrero FBD septiembre enero 2009 y febrero 2010 Con estos 3 algoritmos se procura clasificar cultivos en la comuna de Olivar, comuna que se seleccionó como Área de Estudio, ya que ésta cuenta con una gran cantidad de datos obtenidos del Catastro Frutícola realizado octubre de 2008 a marzo de 2009 por el Centro de Información de Recursos Naturales CIREN, perteneciente al Ministerio de Agricultura de Chile. 5

6 Los principales resultados obtenidos, en términos de porcentaje, utilizando 3 algoritmos de clasificación fueron los siguientes, Tabla N 2: Imagen / (%) MAXIMUM LIKELIHOOD Overall Accuracy Kappa Coefficient Overall Accuracy NEURAL NET Kappa Coefficient SUPPORT VECTOR MACHINE Overall Accuracy Kappa Coefficient LANDSAT 5 diciembre AVNIR-2 febrero AVNIR-2 febrero 2008 febrero 2009 PALSAR-FBS febrero 2010 enero 2009 enero 2008 PALSAR-FBD septiembre 2009 septiembre 2008 AVNIR-2 febrero 2009 PALSAR-FBS enero 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 PALSAR-FBS enero 2009 febrero Tabla N 2 6

7 Para hacer las pruebas, se seleccionaron las especies cuyos cultivos se distinguen y diferencian, este es un compendio donde se muestras las especies elegidas (se consideraron los predios en que se tiene cultivado sólo una especie). Tabla N 3: Imagen / Especie LANDSAT 5 diciembre 2010 AVNIR-2 febrero 2009 AVNIR-2 febrero 2008 febrero 2009 PALSAR-FBS febrero 2010 enero 2009 enero 2008 PALSAR-FBD septiembre 2009 septiembre 2008 AVNIR-2 febrero 2009 PALSAR-FBS enero 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 PALSAR-FBS enero 2009 febrero 2010 Ciruelo Japonés Duraznero Tipo Conservero Kiwi Manzano Rojo Manzano Verde Vid de Mesa X X X X X X X X X X X X X X X X X X* X* X X X* X X X X X X X X X X X* X X Tabla N 3 *En estas especies se pudo diferenciar 2 estados del cultivo. 7

8 Algunos factores que se abordaron al momento de seleccionar muestras, combinar imágenes y utilizar los algoritmos escogidos, son los siguientes: 1. Las especies al momento de ser catastradas no tienen la misma característica, es decir, 2 o más predios donde se cultiva un mismo fruto, de alguna manera reflejan distinto. 2. Existen especies que tienen similar estructura en el tipo de planta donde se da el fruto, lo que hace que reflejen de forma similar. 3. Existen predios muy pequeños catastrados, lo que hace que se confundan fácilmente con los predios contiguos. Una vez discriminados y analizados estos factores se pudo obtener muestras representativas y posibles de abordar con la combinación de imágenes utilizadas (tal como se puede apreciar en la Tabla N 3), y de igual modo se pudo obtener resultados satisfactorios con los 3 algoritmos trabajados tal como se puede apreciar en la Tabla N 2). Gracias a lo anterior se pudo obtener un muy resultado utilizando tecnología Radar con la combinación de imágenes AVNIR-2 febrero 2009 y PALSAR-FBD septiembre 2009, en relación a cantidad de especies distinguibles y porcentaje obtenido con el algoritmo Maximum Likelihood. 8

9 INTRODUCCIÓN Principalmente en esta última etapa se va a dar a conocer la metodología utilizada para clasificar cultivos en todas las combinaciones de imágenes señaladas en el apartado Resumen de este informe. Es importante señalar que si bien, el objetivo principal es poder realizar una clasificación de cultivos a través de imágenes Radar de Apertura Sintética SAR, se consideró muy importante también hacer esta clasificación con imágenes ópticas y la combinación entre estos 2 tipos de imágenes (ópticas y radar), pero siempre teniendo en cuenta que todas provienen del mismo satélite ALOS. Luego de especificar cada metodología empleada según el algoritmo utilizado y el tipo de combinación de imágenes, se procede a analizar estadísticamente, a través de gráficos, todos los resultados obtenidos, y en base a eso, seleccionar el mejor resultado para obtener unos mapas finales con esta representación. Además se mencionas algunos alcances a considerar, teniendo en cuenta los inconvenientes encontrados al momento de utilizar un algoritmo en particular, de seleccionar una especie, etc. o de validar. 9

10 OBJETIVOS Objetivo General: Clasificar cultivos a través de imágenes de Radar de Apertura Sintética (SAR). Objetivos Específicos: Conocer los conceptos y las características de las imágenes de SAR Conocer y realizar procesamientos de imágenes SAR. Conocer y aplicar metodologías de Clasificación de imágenes Ópticas y SAR. Realizar comparación de resultados de los distintos tipos de procesamiento. 10

11 MATERIALES Y MÉTODOS 1. Capa Vectorial Tal como se indicó en el informe anterior, se utiliza el Catastro Frutícola de la VI Región de Chile, el cual básicamente se compone como a continuación se indica: a. Catastro Frutícola de la VI Región (octubre de marzo de 2009) Cobertura del Catastro dentro de la comuna de Olivar. Figura N 4. Base de Datos del Catastro. Tabla N 4. Figura N 4 ESPECIE SUPERFICIE (ha) Almendro 12,6 Arándano americano 5,1 Cerezo 120,1 Ciruelo europeo 64,9 Ciruelo japonés 56,0 Damasco 30,3 Duraznero consumo fresco 63,8 Duraznero tipo conservero 136,8 Frambuesa 1,0 Kiwi 136,1 Manzano rojo 326,6 Manzano verde 353,7 Membrillo 11,6 Moras cultivadas e híbridos 0,4 Nectarino 97,3 Nogal 1,8 Palto 9,0 Peral 194,6 Peral asiático 5,4 Vid de mesa 281,6 TOTAL 1.908,7 Tabla N 4 11

12 2. Capas Raster a. ALOS PALSAR Phased Array type L-band Syntectic Aperture Radar (PALSAR): es un sensor activo de microondas que utiliza frecuencia en banda L y obtiene una observación libre de nubes de día y de noche de la Tierra. Las imágenes proveen información de un mismo punto de la tierra cada 46 días y cubren un área de 70 Km X 70 Km. FBS (Fine Beam Single polarization mode) 3 imágenes utilizadas: Características individuales según imagen: 1. Scs_SceneID = "ALPSRP " Acquisition date = 03-Feb-2010, 03:59:47 Orbit = X pixel size = m Y pixel size = m 2. Scs_SceneID ="ALPSRP " Acquisition date = 31-Jan-2009, 03:58:08 Orbit = X pixel size = m Y pixel size = m 3. Scs_SceneID ="ALPSRP " Acquisition date = 29-Jan-2008, 03:56:52 Orbit = X pixel size = m Y pixel size = m Características en común para todas las imágenes: Pds_ProductID ="H1.1 A" Polarization = HH Sensor = ALOS Mode = FBS8 Img_OffNadirAngle = "34.3" Pdi_ProductFormat = "CEOS" Brs_BrowseBitPixel = "8" Orbit direction = Ascending Band count = 1 12

13 FBD (Fine Beam Dual polarization mode) 2 imágenes utilizadas: Características individuales según imagen: 1. Scs_SceneID = "ALPSRP " Acquisition date = 18-Sep-2009, 03:59:51 Orbit = X pixel size = m Y pixel size = m 2. Scs_SceneID = "ALPSRP " Acquisition date = 15-Sep-2008, 03:55:50 Orbit: X pixel size = m Y pixel size = m Características en común para todas las imágenes: Pds_ProductID ="H1.1 A" Polarization = HH_HV Sensor = ALOS Mode = FBS8 Img_OffNadirAngle = "34.3" Pdi_ProductFormat = "CEOS" Brs_BrowseBitPixel = "8" Orbit direction = Ascending Band count = 2 13

14 b. ALOS AVNIR-2 Advanced Visible and Near Infrared Radiometer type 2 (AVNIR-2): proporciona información de la superficie terrestre en el espectro del visible y el infrarrojo cercano. Las imágenes proveen información de un mismo punto de la tierra cada 46 días y cubren un área de 70 Km X 70 Km. A continuación se muestra las principales características de la imagen utilizada: 1. Scs_SceneID = "ALAV2A " Acquisition date = 24-Feb-09 Orbit = Sun azimuth angle = 56 Sun elevation angle = 52 Pds_ProductID = "O1B2G_U" Sensor = ALOS Mode = 1B2G Pdi_ProductFormat = "CEOS" Pdi_BitPixel = "8" Orbit direction = Descending Band count = 4 Band 1: micras Band 2: micras Band 3: micras Band 4: micras X pixel size: 10 m Y pixel size: 10 m Pds_UTM_ZoneNo="19" Pds_MapDirection="MapNorth" Con respecto al DEM utilizado y las imágenes Quickbird II, son las mismas mencionadas los informes anteriores. 14

15 1. Procesamientos de las Imágenes: PROCEDIMIENTO PALSAR - FBS - febrero enero enero 2008 Con el fin de mejorar el porcentaje en la clasificación, se extrae las muestras de la especie de cerezo. Todos los procesos tales como: Calibrar, Multilooking, Filtrar el Moteado, Corregir el Terreno, Reproyectar, Georreferenciar, Apilar las Bandas y cambiar de Huso, Visualizar en Color las imágenes FBS y Recortar las imágenes Apiladas Palsar FBS no se modificaron y está detalladamente escrita la metodología utilizada en el informe anterior. A continuación se indica qué especies se utilizaron para extraer muestras, cabe señalar que sólo se seleccionaron los predios en donde hay una sola especie por predio, ya que existen casos en donde hay hasta 3 especies, pero para efectos del ejercicio de clasificación, se descartaron. 1. Duraznero Tipo Conservero: 3. Vid de Mesa: 2. Kiwi: 15

16 Las especies restantes, no se consideraron por diversas razones, a continuación se detallan en la siguiente tabla, Tabla N 5: SUPERFICIE OBSERVACIONES ESPECIE (ha) Almendro 12,6 Se descarta esta especie porque tiene 1 polígono. Arándano Americano 5,1 Se descarta esta especie porque tiene 3 polígonos. Se descarta esta especie porque está en distintos estados Cerezo 120,1 (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de Palsar FBS no se logra realizar una adecuada clasificación Se descarta esta especie porque tiene 5 polígonos y están Ciruelo Europeo 64,9 en distintos estados (ver ejemplo a continuación de la tabla). Ciruelo Japonés 56,0 Se descarta esta especie la mayoría de los polígonos caen en una zona muy distorsionada por el DEM utilizado. Damasco 30,3 Se descarta esta especie porque tiene 12 polígonos. Los predios son muy pequeños. Se descarta esta especie porque está en distintos estados Duraznero Consumo Fresco 63,8 (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de Palsar FBS no se logra realizar una adecuada clasificación. Frambuesa 1,0 Se descarta esta especie porque tiene 2 polígonos Se descarta esta especie porque está en distintos estados Manzano Rojo 326,6 (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de Palsar FBS no se logra realizar una adecuada clasificación. Se descarta esta especie porque está en distintos estados Manzano Verde 353,7 (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de Palsar FBS no se logra realizar una adecuada clasificación. Membrillo 11,6 Se descarta esta especie porque tiene 11 polígonos. Los predios son muy pequeños. Moras cultivadas e híbridos 0,4 Se descarta esta especie porque tiene 2 polígonos Se descarta esta especie porque está en distintos estados Nectarino 97,3 (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de Palsar FBS no se logra realizar una adecuada clasificación. Nogal 1,8 Se descarta esta especie porque tiene 2 polígonos Palto 9,0 Se descarta esta especie porque tiene 11 polígonos. Los predios son muy pequeños. Se descarta esta especie porque está en distintos estados Peral 194,6 (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de Palsar FBS no se logra realizar una adecuada clasificación. Peral asiático 5,4 Se descarta esta especie porque tiene 2 polígonos. Tabla N 5 16

17 A continuación se presenta un ejemplo de una especie en distinto estado, es decir, está en distintas condiciones al momento de obtención de la imagen, lo que hace que refleje en forma distinta entre un estado y otro, esto influye directamente en el resultado de la clasificación, ya que es muy fácil que se confunda con otra especie. Figura N 1 DURAZNERO CONSUMO FRESCO Figura N 1 17

18 El proceso de Selección de Cultivos no se modifica y está detalladamente escrita la metodología utilizada en el informe anterior. 2. Estadística a. Revisión de Firma Espectral: Una vez que las regiones de interés son editadas, se puede comenzar con la evaluación de la estadística, la que entrega el primer indicio de cómo se comporta espectralmente una muestra con otra, en las bandas de la imagen. Si estas firmas espectrales son muy parecidas entre un tipo de especie de fruto y otro, es un indicador de que el algoritmo no será capaz de distinguir claramente uno de otro. Figura N 2 Figura N 2 Ya con estas firmas espectrales, se puede esperar que la clasificación entregue mejores resultados en el porcentaje final. 18

19 b. Posibilidad de Separación: Otra forma de verificar si el algoritmo será capaz de distinguir una especie de otra en la imagen, es a través de la herramienta Compute ROI Separability, la cual entrega un reporte de cuáles especies el algoritmo será capaza de diferenciar. Figura N 3 Es importante que las muestras abarquen más píxeles de la cantidad de bandas que posea la imagen (independiente si se está trabajando con una combinación de bandas), por ejemplo para este ejemplo se está trabajando con 3 bandas, por lo tanto la cantidad de píxeles de la muestra tiene que ser superior a este número. La cantidad de píxeles recomendable para una muestra es 50, ya sea en un sólo polígono o varios pequeños (que después se agrupan con el comando merge regions ), según como esté distribuida la especie que se quiere representar. Al apreciar la cantidad de especies que no pueden ser separadas más la estadística recién revisada, se podrá comparar y evaluar si la cantidad de las especies no identificadas en la clase correcta, una vez aplicado el algoritmo a utilizar, está dentro de un porcentaje adecuado. Figura N 3 19

20 3. Clasificación Una vez observada y analizada la estadística y la posibilidad separación entre las especies, se procede a iniciar el proceso de clasificación. Tal como se indica y describe en la introducción de este informe, los siguientes algoritmos serán utilizados y comparados: a) Maximum Likelihood b) Neural Net c) Support Vector Machine Para cada caso se utilizó el algoritmo con las muestras de entrenamiento (TR) y para obtener la estadística fina a través de la matriz de confusión se utilizó las muestras de testero (TS), así por cada algoritmo utilizado se muestra el procedimiento y los resultados obtenidos: 20

21 a) Maximum Likelihood: Muestras de entrenamiento, Figura N 4: Figura N 4 Muestras de testero, Figura N 5: Figura N 5 21

22 b) Neural Net: Muestras de entrenamiento, Figura N 6: Muestras de testero, Figura N 7: Figura N 6 Figura N 7 22

23 c) Support Vector Machine: Muestras de entrenamiento, Figura N 8: Muestras de testero, Figura N 9: Figura N 8 Figura N 9 23

24 4. Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%): A nivel general la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada algoritmo utilizado: a) Maximum Likelihood: Overall Accuracy = (7946/9792) % Kappa Coefficient = b) Neural Net: Overall Accuracy = (7839/9792) % Kappa Coefficient = c) Support Vector Machine Overall Accuracy = (8181/9792) % Kappa Coefficient = A nivel específico la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada especie, según algoritmo utilizado, Tabla N 6: Especie / Porcentaje según Algoritmo (%) Maximum Likelihood Neural Net Support Vector Machine Kiwi Vid de Mesa Durazno Tipo Conservero Durazno Tipo Conservero Kiwi Tabla N 6 Por lo que se puede apreciar, ahora todos los métodos funcionaron muy bien con las muestras seleccionadas, se considera un porcentaje aceptable sobre el 75 %, para este tipo de clasificaciones 24

25 PROCEDIMIENTO 1. Procesamientos de las Imágenes: PALSAR - FBD - septiembre septiembre 2008 El Nivel de Procesamiento de estas 3 imágenes es L1.1, es decir, se denominan como Single Look Complex Image (SLC), vienen con datos en bruto y contienen datos de fase de la imagen y no se han aplicado algoritmos para la reducción del fenómeno "speckle" y los datos están en forma de "slant-range"10, es decir, en distancia oblicua. La característica de las imágenes FBD en que tienen doble polarización, para el caso de estas imágenes ambas tienen polarización HH y HV. Debido a esto, y antes de apilar las imágenes, cada una de las imágenes tiene que pasar por los siguientes procesos para poder ser utilizadas: a. Calibrar b. Multilooking c. Filtrar el moteado d. Corregir el Terreno Cada una de las imágenes se importa y se procesan en Nest 5.1. A continuación se describe cada uno de estos procesos: 25

26 a. Calibrar: El objetivo de la calibración SAR es proporcionar imágenes en las que los valores de los píxeles pueden estar directamente relacionados con la retrodispersión de la escena del radar. Aunque sin calibrar las imágenes SAR son suficientes para el uso cualitativo, calibradas, las imágenes SAR, son esenciales para el uso cuantitativo de datos SAR. El procesamiento de datos SAR típico, que produce imágenes de nivel 1, no incluye correcciones radiométricas y sigue siendo significativo el sesgo radiométrico. Por lo tanto, es necesario aplicar la corrección radiométrica en imágenes SAR para que los valores de píxeles de las imágenes SAR representen verdaderamente la retrodispersión del radar de la superficie reflectante. La corrección radiométrica es también necesaria para la comparación de imágenes SAR adquiridas con diferentes sensores, o adquiridas desde el mismo sensor pero en diferentes momentos, de modos diferentes o procesadas por diferentes procesadores 1. Figura N 10 Figura N 10 1 NEST Overview 26

27 b. Multilooking: Generalmente, una imagen original SAR aparece salpicada de ruido speckle inherente. Para reducir este aspecto moteado inherente, varias imágenes se combinan incoherentemente como si correspondían a un aspecto diferente de la misma escena. Este proceso se conoce generalmente como procesamiento MultiLook. Como resultado de ello la imagen multilooked mejora la interpretabilidad imagen. Además, el procesamiento de multilook se puede utilizar para producir un producto de aplicación con el tamaño nominal de píxel de la imagen 2. Figura N 11 Figura N 11 2 NEST Overview 27

28 c. Filtrar el moteado: Las imágenes SAR tienen el efecto de sal y pimienta inherente como textura, llamado moteado, que degradan la calidad de la imagen y hacen que la interpretación de sus características sea más difícil. Las motas son el resultado de la suma de la fase de las ondas reflejadas difusamente, es la interferencia constructiva y destructiva de las señales individuales y modula aleatoriamente la intensidad de la señal en cada celda de resolución. La reducción de ruido speckle se puede aplicar ya sea por filtrado espacial o procesamiento multilook 3. Figura N 12 Figura N 12 3 NEST Overview 28

29 d. Corregir el Terreno: Debido a las variaciones topográficas de una escena y la inclinación del sensor del satélite, las distancias pueden ser distorsionadas en las imágenes SAR. Los datos de imágenes no directamente en el nadir de la ubicación del sensor tendrán una cierta distorsión. Las correcciones del terreno están destinadas a compensar estas distorsiones de modo que la representación geométrica de la imagen será lo más cerca posible al mundo real 4. Figura N 13 Figura N 13 4 NEST Overview 29

30 e. Reproyectar: Este proceso se realiza en ENVI 4.8. Una vez que se realizan todos los procesos en Nest, se exporta la imagen final con formado de ENVI, al hacer este paso se pierde el Datum, en vez de quedar en WGS84, aparece como NAD27, por lo tanto se debe reproyectar al Datum deseado, Figura N 14: Figura N 14 30

31 f. Recortar cada imagen FBD: Este proceso se realiza en ENVI 4.8 y ArcGis 9.3. Para trabajar sólo con la zona en que se encuentra la comuna de olivar y por ende el catastro frutícola de ese sector, se crea un rectángulo que contiene el área en cuestión, luego se procede a recortar la imagen en relación al rectángulo creado, Figura N 15: Figura N 15 31

32 g. Georreferenciar Este proceso se realiza en ArcGis 9.3 Si bien es cierto las imágines ya están reproyectadas a los parámetros deseados, éstas no calzan perfectamente entre ellas lo que hace imposible apilarlas, tampoco calzan con la imagen Quickbird II, que es la imagen sobre la cual se realizó el catastro frutícola, por lo tanto cada una se georreferencia con la imagen Quickbird II. Figura N 16 Figura N 16 32

33 Los siguientes procesos de las imágenes se realizan en ENVI 4.8. h. Apilar las Bandas y cambiar de Huso: Cada imagen georrefenciada se exporta para ser abierta en ENVI con formato tif, se abre cada una y se verifica que esté con las características que se desean UTM - WGS84 - Huso 19 Sur. Se procede a apilar las 3 imágenes de distintos años de adquisición a través del la herramienta Layer Stacking, tal como se puede apreciar a continuación, Figura N 17: Figura N 17 33

34 i. Visualizar las Imágenes de Palsar FBD: Una vez apiladas, se pueden visualizar en escala de grises, seleccionando cualquiera de los 2 años a trabajar, Figura N 18: Figura N 18 34

35 j. Recortar las Imágenes Apiladas Palsar FBD: Para que sea más efectiva la prueba de clasificación es necesario recortar la imagen, abarcando sólo el sector de la comuna donde se levantó el catastro y se tienen datos, ya que si se aplica sobre toda la imagen, no se puede verificar si está bien o no la clasificación, debido a que no se tienen datos para comprobarlo. La herramienta utilizada para el recorte de la imagen es Resize Data (Spatial/Spectral). Figura N 19 Figura N 19 35

36 2. Selección de Muestras: Una vez que se dejó la imagen con los parámetros deseados, se procede a seleccionar las muestras tanto de entrenamiento como de testeo. Este procedimiento se realiza en ArcGis 9.3. a. Selección de cultivos representativos: Se despliega la imagen recortada con la combinación recién vista, y sobre ella el archivo vectorial del catastro frutícola. Una vez que se identifican los cultivos, se generan polígonos de los cultivos más representativos de la comuna, es decir, los que visualmente se distinguen y diferencian. Figura N 20 Al crear el conjunto de muestras, es importante dejar 2 grupos de polígonos, los primeros para el entrenamiento, éstos serán los que utilice el algoritmo para clasificar y los segundos para el testeo, los cuales se utilizarán una vez que ha efectuado la clasificación éstos permitirán comprobar qué tan efectiva resultó la clasificación. Figura N 20 En el caso del Kiwi, se pudo diferenciar dentro de las especie dos clases del fruto, es decir 2 estados de Kiwi (Kiwi 1 y Kiwi). Las especies que se utilizaron para extraer muestras son las mismas que se seleccionaron para las imágenes PALSAR - FBS - febrero enero enero Asimismo las que no se utilizaron, también por los mismos motivos anteriormente señalados. 36

37 A continuación se presenta un ejemplo de una especie en distinto estado, es decir, está en distintas condiciones al momento de obtención de la imagen, lo que hace que refleje en forma distinta entre un estado y otro, esto influye directamente en el resultado de la clasificación, ya que es muy fácil que se confunda con otra especie. Figura N 21 DURAZNERO CONSUMO FRESCO Figura N 21 37

38 3. Región de Interés Una vez que se ha seleccionado el conjunto de muestras a trabajar, se procede a crear en la imagen regiones de interés con las cuales se van a efectuar las primeras pruebas. Este proceso se realiza en ENVI 4.8. a. De vector a ROI: Sobre la imagen recortada se carga el archivo vectorial de las muestras, este se exporta como ROI (Región de Interés) para poder editarlo y así poder realizar el primer entrenamiento sobre la imagen. Cabe señalar que el archivo ROI es solo un archivo que localiza posiciones dentro de una matriz, no posee información acerca de la proyección, por lo tanto sólo sirve para la imagen que se está trabajando, en este caso para el recorte de la imagen apilada PALSAR - FBD - septiembre septiembre Figura N 22 Figura N 22 38

39 b. Edición de ROI: Al cargar el ROI recién creado, se procede con la edición, en este caso se edita el nombre del campo, ya que por defecto entrega otro nombre, se agrupan las diversas especies de entrenamiento y de testeo según especie (merge regions) y se le asigna un color a cada especie, Figura N 23: Figura N 23 39

40 4. Estadística c. Revisión de Firma Espectral: Una vez que las regiones de interés son editadas, se puede comenzar con la evaluación de la estadística, la que entrega el primer indicio de cómo se comporta espectralmente una muestra con otra, en las bandas de la imagen. Si estas firmas espectrales son muy parecidas entre un tipo de especie de fruto y otro, es un indicador de que el algoritmo no será capaz de distinguir claramente uno de otro. Figura N 24 Figura N 24 Se puede apreciar que cada una de las firmas espectrales de las especies seleccionadas se diferencian entre ellas, lo que permitirá lograr una buena clasificación. 40

41 d. Posibilidad de Separación: Otra forma de verificar si el algoritmo será capaz de distinguir una especie de otra en la imagen, es a través de la herramienta Compute ROI Separability, la cual entrega un reporte de cuáles especies el algoritmo será capaza de diferenciar. Figura N 25 Es importante que las muestras abarquen más píxeles de la cantidad de bandas que posea la imagen (independiente si se está trabajando con una combinación de bandas), por ejemplo para este ejemplo se está trabajando con 3 bandas, por lo tanto la cantidad de píxeles de la muestra tiene que ser superior a este número. La cantidad de píxeles recomendable para una muestra es 50, ya sea en un sólo polígono o varios pequeños (que después se agrupan con el comando merge regions ), según como esté distribuida la especie que se quiere representar. Al apreciar la cantidad de especies que no pueden ser separadas más la estadística recién revisada, se podrá comparar y evaluar si la cantidad de las especies no identificadas en la clase correcta, una vez aplicado el algoritmo a utilizar, está dentro de un porcentaje adecuado. Figura N 25 41

42 5. Clasificación Una vez observada y analizada la estadística y la posibilidad separación entre las especies, se procede a iniciar el proceso de clasificación. Tal como se indica y describe en la introducción de este informe, los siguientes algoritmos serán utilizados y comparados: a) Maximum Likelihood b) Neural Net c) Support Vector Machine Para cada caso se utilizó el algoritmo con las muestras de entrenamiento (TR) y para obtener la estadística fina a través de la matriz de confusión se utilizó las muestras de testero (TS), así por cada algoritmo utilizado se muestra el procedimiento y los resultados obtenidos: 42

43 a) Maximum Likelihood: Muestras de entrenamiento, Figura N 26: Figura N 26 Muestras de testero, Figura N 27: Figura N 27 43

44 b) Neural Net: Muestras de entrenamiento, Figura N 28: Figura N 28 Muestras de testero, Figura N 29: Figura N 29 44

45 c) Support Vector Machine: Muestras de entrenamiento, Figura N 30: Muestras de testero, Figura N 31: Figura N 30 Figura N 31 45

46 6. Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%): A nivel general la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada algoritmo utilizado: a) Maximum Likelihood: Overall Accuracy = (1522/1790) % Kappa Coefficient = b) Neural Net: Overall Accuracy = (1460/1790) % Kappa Coefficient = c) Support Vector Machine Overall Accuracy = (1662/1790) % Kappa Coefficient = A nivel específico la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada especie, según algoritmo utilizado, Tabla N 7: Especie / Porcentaje según Algoritmo (%) Maximum Likelihood Neural Net Support Vector Machine Durazno Tipo Conservero Kiwi Kiwi Vid de Mesa , Tabla N 7 Por lo que se puede apreciar el algoritmo Maximum Likelihood y Support Vector Machine se acercaron más al porcentaje aceptable, pero el algoritmo Neural Net se distancia del porcentaje aceptable, por lo tanto y tal como se mencionó anteriormente se debe evaluar nuevamente las muestras hasta conseguir el porcentaje deseado. Se considera un porcentaje aceptable sobre el 75 %, para este tipo de clasificaciones. Se debe tener cuidado con el algoritmo Neural Net, ya que a pesar de que entrega un muy porcentaje general, a nivel más específico con lo que concierne a una clase de Kiwi entrega un resultado muy deficiente (28.74 %). 46

47 PROCEDIMIENTO 1. Procesamientos de las Imágenes: AVNIR-2 - febrero 2009 / PALSAR - FBS - enero 2009 Debido a que, tanto en los informes anteriores como en el actual, se han detallado cada uno de los procesos tales como: Calibrar, Multilooking, Filtrar el Moteado, Corregir el Terreno, Reproyectar, Georreferenciar, Apilar las Bandas y cambiar de Huso, Visualizar en Color las imágenes y Recortar las imágenes Apiladas, de ahora en adelante estos pasos se obviaran, ya que es la misma metodología de trabajo. 2. Selección de Muestras: Una vez que se dejó la imagen con los parámetros deseados, se procede a seleccionar las muestras tanto de entrenamiento como de testeo. Este procedimiento se realiza en ArcGis 9.3. a. Selección de cultivos representativos: Se despliega la imagen recortada con la combinación recién vista, y sobre ella el archivo vectorial del catastro frutícola. Una vez que se identifican los cultivos, se generan polígonos de los cultivos más representativos de la comuna, es decir, los que visualmente se distinguen y diferencian. Figura N 32 Al crear el conjunto de muestras, es importante dejar 2 grupos de polígonos, los primeros para el entrenamiento, éstos serán los que utilice el algoritmo para clasificar y los segundos para el testeo, los cuales se utilizarán una vez que ha efectuado la clasificación éstos permitirán comprobar qué tan efectiva resultó la clasificación. 47

48 Figura N 32 Las especies que se utilizaron para extraer muestras son una combinación de las utilizadas para las imágenes AVNIR-2 febrero 2009 y PALSAR - FBS - enero 2009, pero mejoradas, ya que se agregaron más muestras por cada especie, esto debido a que se puede distinguir una mayor cantidad de ellas al apilar este tipo de imágenes. A continuación se indica qué especies que se utilizaron para extraer muestras, cabe señalar que sólo se seleccionaron los predios en donde hay una sola especie por predio, ya que existen casos en donde hay hasta 3 especies, pero para efectos del ejercicio de clasificación, se descartaron. 1. Kiwi: 48

49 2. Manzano Rojo: 3. Manzano Verde: 4. Vid de Mesa: 49

50 Las especies restantes, no se consideraron por diversas razones, a continuación se detallan en la siguiente tabla, Tabla N 8: SUPERFICIE OBSERVACIONES ESPECIE (ha) Almendro 12,6 Se descarta esta especie porque tiene 1 polígono. Arándano Americano 5,1 Se descarta esta especie porque tiene 3 polígonos. Cerezo 120,1 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Ciruelo Europeo 64,9 Se descarta esta especie porque tiene 5 polígonos y están en distintos estados (ver ejemplo a continuación de la tabla). Ciruelo japonés 56,0 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Damasco 30,3 Se descarta esta especie porque tiene 12 polígonos. Los predios son muy pequeños. Duraznero Consumo Fresco 63,8 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Duraznero tipo conservero 136,8 Al clasificar se confunde con la especie del Kiwi y de la Manzana Verde Frambuesa 1,0 Se descarta esta especie porque tiene 2 polígonos Membrillo 11,6 Se descarta esta especie porque tiene 11 polígonos. Los predios son muy pequeños Moras cultivadas e híbridos 0,4 Se descarta esta especie porque tiene 2 polígonos Nectarino 97,3 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Nogal 1,8 Se descarta esta especie porque tiene 2 polígonos Palto 9,0 Se descarta esta especie porque tiene 11 polígonos. Los predios son muy pequeños Peral 194,6 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Peral asiático 5,4 Se descarta esta especie porque tiene 2 polígonos Tabla N 8 50

51 A continuación se presenta un ejemplo de una especie en distinto estado, es decir, está en distintas condiciones al momento de obtención de la imagen, lo que hace que refleje en forma distinta entre un estado y otro, esto influye directamente en el resultado de la clasificación, ya que es muy fácil que se confunda con otra especie. Figura N 33 DAMASCO Figura N 33 51

52 3. Región de Interés Una vez que se ha seleccionado el conjunto de muestras a trabajar, se procede a crear en la imagen regiones de interés con las cuales se van a efectuar las primeras pruebas. Este proceso se realiza en ENVI 4.8. a. De vector a ROI: Sobre la imagen recortada se carga el archivo vectorial de las muestras, este se exporta como ROI (Región de Interés) para poder editarlo y así poder realizar el primer entrenamiento sobre la imagen. Cabe señalar que el archivo ROI es solo un archivo que localiza posiciones dentro de una matriz, no posee información acerca de la proyección, por lo tanto sólo sirve para la imagen que se está trabajando, en este caso para el recorte de la imagen apilada AVNIR-2 febrero 2009 y PALSAR - FBS enero Figura N 34 Figura N 34 52

53 b. Edición de ROI: Al cargar el ROI recién creado, se procede con la edición, en este caso se edita el nombre del campo, ya que por defecto entrega otro nombre, se agrupan las diversas especies de entrenamiento y de testeo según especie (merge regions) y se le asigna un color a cada especie, Figura N 35: Figura N 35 53

54 4. Estadística a. Revisión de Firma Espectral: Una vez que las regiones de interés son editadas, se puede comenzar con la evaluación de la estadística, la que entrega el primer indicio de cómo se comporta espectralmente una muestra con otra, en las bandas de la imagen. Si estas firmas espectrales son muy parecidas entre un tipo de especie de fruto y otro, es un indicador de que el algoritmo no será capaz de distinguir claramente uno de otro. Figura N 36: Figura N 36 Se puede apreciar que cada una de las firmas espectrales de las especies seleccionadas se diferencian entre ellas, lo que permitirá lograr una buena clasificación. 54

55 b. Posibilidad de Separación: Otra forma de verificar si el algoritmo será capaz de distinguir una especie de otra en la imagen, es a través de la herramienta Compute ROI Separability, la cual entrega un reporte de cuáles especies el algoritmo será capaza de diferenciar. Figura N 37 Es importante que las muestras abarquen más píxeles de la cantidad de bandas que posea la imagen (independiente si se está trabajando con una combinación de bandas), por ejemplo para este ejemplo se está trabajando con 3 bandas, por lo tanto la cantidad de píxeles de la muestra tiene que ser superior a este número. La cantidad de píxeles recomendable para una muestra es 50, ya sea en un sólo polígono o varios pequeños (que después se agrupan con el comando merge regions ), según como esté distribuida la especie que se quiere representar. Al apreciar la cantidad de especies que no pueden ser separadas más la estadística recién revisada, se podrá comparar y evaluar si la cantidad de las especies no identificadas en la clase correcta, una vez aplicado el algoritmo a utilizar, está dentro de un porcentaje adecuado. Figura N 37 55

56 5. Clasificación Una vez observada y analizada la estadística y la posibilidad separación entre las especies, se procede a iniciar el proceso de clasificación. Tal como se indica y describe en la introducción de este informe, los siguientes algoritmos serán utilizados y comparados: a) Maximum Likelihood b) Neural Net c) Support Vector Machine Para cada caso se utilizó el algoritmo con las muestras de entrenamiento (TR) y para obtener la estadística fina a través de la matriz de confusión se utilizó las muestras de testero (TS), así por cada algoritmo utilizado se muestra el procedimiento y los resultados obtenidos: 56

57 a) Maximum Likelihood: Muestras de entrenamiento, Figura N 38: Figura N 38 Muestras de testero, Figura N 39: Figura N 39 57

58 b) Neural Net: Muestras de entrenamiento, Figura N 40: Figura N 40 Muestras de testero, Figura N 41: Figura N 41 58

59 c) Support Vector Machine: Muestras de entrenamiento, Figura N 42: Muestras de testero, Figura N 43: Figura N 42 Figura N 43 59

60 6. Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%): A nivel general la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada algoritmo utilizado: a) Maximum Likelihood: Overall Accuracy = (9800/10761) % Kappa Coefficient = b) Neural Net: Overall Accuracy = (9970/10761) % Kappa Coefficient = c) Support Vector Machine Overall Accuracy = (9910/10761) % Kappa Coefficient = A nivel específico la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada especie, según algoritmo utilizado, Tabla N 9: Especie / Porcentaje según Algoritmo (%) Maximum Likelihood Neural Net Support Vector Machine Kiwi Manzano Rojo Manzano Verde Vid de Mesa Tabla N 9 Por lo que se puede apreciar los tres algoritmos entregaron un muy buen resultado, totalmente aceptable. Se considera un porcentaje aceptable sobre el 75%, para este tipo de clasificaciones. 60

61 PROCEDIMIENTO 1. Procesamientos de las Imágenes: AVNIR-2 - febrero 2009 / PALSAR - FBD - septiembre 2009 Debido a que, tanto en los informes anteriores como en el actual, se han detallado cada uno de los procesos tales como: Calibrar, Multilooking, Filtrar el Moteado, Corregir el Terreno, Reproyectar, Georreferenciar, Apilar las Bandas y cambiar de Huso, Visualizar en Color las imágenes y Recortar las imágenes Apiladas, de ahora en adelante estos pasos se obviaran, ya que es la misma metodología de trabajo. 2. Selección de Muestras: Una vez que se dejó la imagen con los parámetros deseados, se procede a seleccionar las muestras tanto de entrenamiento como de testeo. Este procedimiento se realiza en ArcGis 9.3. a. Selección de cultivos representativos: Se despliega la imagen recortada con la combinación recién vista, y sobre ella el archivo vectorial del catastro frutícola. Una vez que se identifican los cultivos, se generan polígonos de los cultivos más representativos de la comuna, es decir, los que visualmente se distinguen y diferencian. Figura N 44 Al crear el conjunto de muestras, es importante dejar 2 grupos de polígonos, los primeros para el entrenamiento, éstos serán los que utilice el algoritmo para clasificar y los segundos para el testeo, los cuales se utilizarán una vez que ha efectuado la clasificación éstos permitirán comprobar qué tan efectiva resultó la clasificación. 61

62 Figura N 44 Las especies que se utilizaron para extraer muestras son las mismas utilizadas en la apilación de las imágenes AVNIR-2 febrero 2009 y PALSAR - FBS - enero A continuación se indica qué especies que se utilizaron para extraer muestras, cabe señalar que sólo se seleccionaron los predios en donde hay una sola especie por predio, ya que existen casos en donde hay hasta 3 especies, pero para efectos del ejercicio de clasificación, se descartaron. 1. Duraznero Tipo Conservero: 62

63 2. Kiwi: 3. Manzano Verde: 4. Vid de Mesa: 63

64 Las especies restantes, no se consideraron por diversas razones, a continuación se detallan en la siguiente tabla, Tabla N 10: SUPERFICIE OBSERVACIONES ESPECIE (ha) Almendro 12,6 Se descarta esta especie porque tiene 1 polígono. Arándano Americano 5,1 Se descarta esta especie porque tiene 3 polígonos. Cerezo 120,1 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Ciruelo Europeo 64,9 Se descarta esta especie porque tiene 5 polígonos y están en distintos estados (ver ejemplo a continuación de la tabla). Ciruelo japonés 56,0 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Damasco 30,3 Se descarta esta especie porque tiene 12 polígonos. Los predios son muy pequeños. Duraznero Consumo Fresco 63,8 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Frambuesa 1,0 Se descarta esta especie porque tiene 2 polígonos Manzano rojo 326,6 Al clasificar se confunde con la especie del Kiwi. Membrillo 11,6 Se descarta esta especie porque tiene 11 polígonos. Los predios son muy pequeños Moras cultivadas e híbridos 0,4 Se descarta esta especie porque tiene 2 polígonos Nectarino 97,3 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Nogal 1,8 Se descarta esta especie porque tiene 2 polígonos Palto 9,0 Se descarta esta especie porque tiene 11 polígonos. Los predios son muy pequeños Peral 194,6 Se descarta esta especie porque está en distintos estados (ver ejemplo a continuación de la tabla), por lo tanto su reflectancia es muy diversa y a la resolución espacial de la combinación de estas imágenes no se logra realizar una adecuada clasificación. Peral asiático 5,4 Se descarta esta especie porque tiene 2 polígonos Tabla N 10 64

65 A continuación se presenta un ejemplo de una especie en distinto estado, es decir, está en distintas condiciones al momento de obtención de la imagen, lo que hace que refleje en forma distinta entre un estado y otro, esto influye directamente en el resultado de la clasificación, ya que es muy fácil que se confunda con otra especie. Figura N 45 DAMASCO Figura N 45 65

66 3. Región de Interés Una vez que se ha seleccionado el conjunto de muestras a trabajar, se procede a crear en la imagen regiones de interés con las cuales se van a efectuar las primeras pruebas. Este proceso se realiza en ENVI 4.8. a. De vector a ROI: Sobre la imagen recortada se carga el archivo vectorial de las muestras, este se exporta como ROI (Región de Interés) para poder editarlo y así poder realizar el primer entrenamiento sobre la imagen. Cabe señalar que el archivo ROI es solo un archivo que localiza posiciones dentro de una matriz, no posee información acerca de la proyección, por lo tanto sólo sirve para la imagen que se está trabajando, en este caso para el recorte de la imagen apilada AVNIR-2 febrero 2009 y PALSAR - FBS enero Figura N 46 Figura N 46 66

67 b. Edición de ROI: Al cargar el ROI recién creado, se procede con la edición, en este caso se edita el nombre del campo, ya que por defecto entrega otro nombre, se agrupan las diversas especies de entrenamiento y de testeo según especie (merge regions) y se le asigna un color a cada especie, Figura N 47: Figura N 47 67

68 4. Estadística a. Revisión de Firma Espectral: Una vez que las regiones de interés son editadas, se puede comenzar con la evaluación de la estadística, la que entrega el primer indicio de cómo se comporta espectralmente una muestra con otra, en las bandas de la imagen. Si estas firmas espectrales son muy parecidas entre un tipo de especie de fruto y otro, es un indicador de que el algoritmo no será capaz de distinguir claramente uno de otro. Figura N 48: Figura N 48 Se puede apreciar que cada una de las firmas espectrales de las especies seleccionadas se diferencian entre ellas, lo que permitirá lograr una buena clasificación. 68

69 b. Posibilidad de Separación: Otra forma de verificar si el algoritmo será capaz de distinguir una especie de otra en la imagen, es a través de la herramienta Compute ROI Separability, la cual entrega un reporte de cuáles especies el algoritmo será capaza de diferenciar. Figura N 49 Es importante que las muestras abarquen más píxeles de la cantidad de bandas que posea la imagen (independiente si se está trabajando con una combinación de bandas), por ejemplo para este ejemplo se está trabajando con 3 bandas, por lo tanto la cantidad de píxeles de la muestra tiene que ser superior a este número. La cantidad de píxeles recomendable para una muestra es 50, ya sea en un sólo polígono o varios pequeños (que después se agrupan con el comando merge regions ), según como esté distribuida la especie que se quiere representar. Al apreciar la cantidad de especies que no pueden ser separadas más la estadística recién revisada, se podrá comparar y evaluar si la cantidad de las especies no identificadas en la clase correcta, una vez aplicado el algoritmo a utilizar, está dentro de un porcentaje adecuado. Figura N 49 69

70 5. Clasificación Una vez observada y analizada la estadística y la posibilidad separación entre las especies, se procede a iniciar el proceso de clasificación. Tal como se indica y describe en la introducción de este informe, los siguientes algoritmos serán utilizados y comparados: a) Maximum Likelihood b) Neural Net c) Support Vector Machine Para cada caso se utilizó el algoritmo con las muestras de entrenamiento (TR) y para obtener la estadística fina a través de la matriz de confusión se utilizó las muestras de testero (TS), así por cada algoritmo utilizado se muestra el procedimiento y los resultados obtenidos: 70

71 a) Maximum Likelihood: Muestras de entrenamiento, Figura N 50: Figura N 50 Muestras de testero, Figura N 51: Figura N 51 71

72 b) Neural Net: Muestras de entrenamiento, Figura N 52: Figura N 52 Muestras de testero, Figura N 53: Figura N 53 72

73 c) Support Vector Machine: Muestras de entrenamiento, Figura N 54: Muestras de testero, Figura N 55: Figura N 54 Figura N 55 73

74 6. Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%): A nivel general la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada algoritmo utilizado: a) Maximum Likelihood: Overall Accuracy = (10027/10801) % Kappa Coefficient = b) Neural Net: Overall Accuracy = (9736/10801) % Kappa Coefficient = c) Support Vector Machine Overall Accuracy = (9877/10801) % Kappa Coefficient = A nivel específico la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada especie, según algoritmo utilizado, Tabla N 11: Especie / Porcentaje según Algoritmo (%) Maximum Likelihood Neural Net Support Vector Machine Duraznero Tipo Conservero Kiwi Manzano Verde Vid de Mesa Tabla N 11 Por lo que se puede apreciar los tres algoritmos entregaron un muy buen resultado, totalmente aceptable. Se considera un porcentaje aceptable sobre el 75%, para este tipo de clasificaciones. 74

75 PROCEDIMIENTO 1. Procesamientos de las Imágenes: AVNIR-2 - febrero 2009 / PALSAR - FBD - septiembre 2009 / PALSAR - FBS - enero febrero 2010 Debido a que, tanto en los informes anteriores como en el actual, se han detallado cada uno de los procesos tales como: Calibrar, Multilooking, Filtrar el Moteado, Corregir el Terreno, Reproyectar, Georreferenciar, Apilar las Bandas y cambiar de Huso, Visualizar en Color las imágenes y Recortar las imágenes Apiladas, de ahora en adelante estos pasos se obviaran, ya que es la misma metodología de trabajo El proceso de Selección de Cultivos no se modifica y está detalladamente escrita la metodología utilizada en el informe anterior. Las especies que se utilizaron para extraer muestras son las mismas que se seleccionaron en el ejercicio recién pasado con la imagen avnir-2 de febrero de 2009 y Palsar FBD septiembre Asimismo las que no se utilizaron, es debido a los mismos motivos anteriormente señalados. 2. Región de Interés Una vez que se ha seleccionado el conjunto de muestras a trabajar, se procede a crear en la imagen regiones de interés con las cuales se van a efectuar las primeras pruebas. Este proceso se realiza en ENVI 4.8. a. De vector a ROI: Sobre la imagen recortada se carga el archivo vectorial de las muestras, este se exporta como ROI (Región de Interés) para poder editarlo y así poder realizar el primer entrenamiento sobre la imagen. Cabe señalar que el archivo ROI es solo un archivo que localiza posiciones dentro de una matriz, no posee información acerca de la proyección, por lo tanto sólo sirve para la imagen que se está trabajando, en este caso para el recorte de la imagen apilada AVNIR-2 febrero 2009, Palsar FBD septiembre 2009 y Palsar - FBS enero 2009 febrero Figura N 56: 75

76 Figura N 56 b. Edición de ROI: Al cargar el ROI recién creado, se procede con la edición, en este caso se edita el nombre del campo, ya que por defecto entrega otro nombre, se agrupan las diversas especies de entrenamiento y de testeo según especie (merge regions) y se le asigna un color a cada especie, Figura N 57: Figura N 57 76

77 3. Estadística a. Revisión de Firma Espectral: Una vez que las regiones de interés son editadas, se puede comenzar con la evaluación de la estadística, la que entrega el primer indicio de cómo se comporta espectralmente una muestra con otra, en las bandas de la imagen. Si estas firmas espectrales son muy parecidas entre un tipo de especie de fruto y otro, es un indicador de que el algoritmo no será capaz de distinguir claramente uno de otro. Figura N 58: Figura N 58 Se puede apreciar que cada una de las firmas espectrales de las especies seleccionadas se diferencian entre ellas, lo que permitirá lograr una buena clasificación. 77

78 b. Posibilidad de Separación: Otra forma de verificar si el algoritmo será capaz de distinguir una especie de otra en la imagen, es a través de la herramienta Compute ROI Separability, la cual entrega un reporte de cuáles especies el algoritmo será capaza de diferenciar. Figura N 59 Es importante que las muestras abarquen más píxeles de la cantidad de bandas que posea la imagen (independiente si se está trabajando con una combinación de bandas), por ejemplo para este ejemplo se está trabajando con 3 bandas, por lo tanto la cantidad de píxeles de la muestra tiene que ser superior a este número. La cantidad de píxeles recomendable para una muestra es 50, ya sea en un sólo polígono o varios pequeños (que después se agrupan con el comando merge regions ), según como esté distribuida la especie que se quiere representar. Al apreciar la cantidad de especies que no pueden ser separadas más la estadística recién revisada, se podrá comparar y evaluar si la cantidad de las especies no identificadas en la clase correcta, una vez aplicado el algoritmo a utilizar, está dentro de un porcentaje adecuado. Figura N 59 78

79 4. Clasificación Una vez observada y analizada la estadística y la posibilidad separación entre las especies, se procede a iniciar el proceso de clasificación. Tal como se indica y describe en la introducción de este informe, los siguientes algoritmos serán utilizados y comparados: a) Maximum Likelihood b) Neural Net c) Support Vector Machine Para cada caso se utilizó el algoritmo con las muestras de entrenamiento (TR) y para obtener la estadística fina a través de la matriz de confusión se utilizó las muestras de testero (TS), así por cada algoritmo utilizado se muestra el procedimiento y los resultados obtenidos: 79

80 a) Maximum Likelihood: Muestras de entrenamiento, Figura N 60: Figura N 60 Muestras de testero, Figura N 61: Figura N 61 80

81 b) Neural Net: Muestras de entrenamiento, Figura N 62: Figura N 62 Muestras de testero, Figura N 63: Figura N 63 81

82 c) Support Vector Machine: Muestras de entrenamiento, Figura N 64: Muestras de testero, Figura N 65: Figura N 64 Figura N 65 82

83 5. Comparación entre los Algoritmos de Clasificación en términos de porcentaje (%): A nivel general la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada algoritmo utilizado: a) Maximum Likelihood: Overall Accuracy = (8062/9273) % Kappa Coefficient = b) Neural Net: Overall Accuracy = (8055/9273) % Kappa Coefficient = c) Support Vector Machine Overall Accuracy = (8989/9837) % Kappa Coefficient = A nivel específico la Matriz de Confusión entrega los siguientes resultados de acuerdo a cada especie, según algoritmo utilizado, Tabla N 12: Especie / Porcentaje según Algoritmo (%) Maximum Likelihood Neural Net Support Vector Machine Duraznero Tipo Conservero Kiwi Kiwi Manzano Verde Vid de Mesa Tabla N 12 Por lo que se puede apreciar los tres algoritmos entregaron un muy buen resultado, totalmente aceptable. Se considera un porcentaje aceptable sobre el 75%, para este tipo de clasificaciones. Se debe tener cuidado con el algoritmo Neural Net y Support Vector Machine, ya que a pesar de que entrega un muy porcentaje general, a nivel más específico con lo que concierne a una de las clases de Kiwi entrega un resultado deficiente (57.74% y respectivamente). 83

84 a. Especies de Cultivos: ANÁLISIS Y CONCLUSIONES El Catastro Frutícola realizado en la comuna de Olivar ubicado en la VI Región de Chile contempló 20 especies, entre octubre de 2008 y marzo de 2009, Figura N X 2 X X 3 X X X X X X X X X 17 X X Figura N 66 84

85 El nombre de cada especie mostrada en la Figura N 69 se indica a continuación: 1. Almendro 2. Arándano Americano 3. Cerezo 4. Ciruelo Europeo 5. Ciruelo Japonés 6. Damasco 7. Duraznero Consume Fresco 8. Duraznero Tipo Conservero 9. Frambuesa 10. Kiwi 11. Manzano Rojo 12. Manzano Verde 13. Membrillo 14. Moras Cultivadas e Híbridos 15. Nectarino 16. Nogal 17. Palto 18. Peral 19. Peral Asiático 20. Vid de Mesa De estas especies, 14 fueron eliminadas durante el proceso de clasificación, debido a las siguientes razones: 1. Insuficiente cantidad de predios catastrados con la misma especie (pocos polígonos), lo que hace que no se tenga una buena cantidad de muestras. 2. El cultivo está en diferentes estados lo que hace que su reflectancia sea muy diversa y así no es posible lograr una buena clasificación de la especie. 3. La especie está en zonas en relieve o la falda de algún cerro, y al utilizar imágenes de radar estos sectores están distorsionas por el DEM utilizado (al hacer la Corrección Terrestre), lo que hace que no se distinga bien el límite del predio o su distorsión realice una clasificación inadecuada. 4. La especie se confunde con otra especie, por lo tanto se opta por descartarla. Para llevar a cabo el proceso de clasificación se utilizó imágenes ALOS tanto ópticas como de radar y la combinación entre ellas, recurriendo a 3 tipos de algoritmos de clasificación. 85

86 b. Combinación de imágenes En total se llevó a cabo 7 combinaciones de imágenes para realizar la clasificación de especies, las que a continuación se muestran: 1. AVNIR-2: febrero AVNIR-2: febrero febrero PALSAR-FBS: febrero enero enero PALSAR-FBD: septiembre septiembre AVNIR-2: febrero 2009 PALSAR-FBS: enero AVNIR-2: febrero 2009 PALSAR-FBD: septiembre AVNIR-2: febrero 2009 PALSAR-FBD: septiembre 2009 PALSAR-FBS: enero febrero 2010 De acuerdo a cada una de estas combinaciones y los 3 tipos de algoritmos utilizados, es como se fueron descartando las especies, y de un total de 20, sólo se trabajó con 6. Los 3 tipos de algoritmos utilizados fueron: Maximum Likehood, Neural Net y Support Vector Machine, a continuación se muestra en forma de gráfico de barra el comportamiento en porcentajes obtenidos por cada una de la combinación de imágenes, Gráfico N 1: 86

87 Clasificación de Cultivos Maximum Likelihood Neural Net Support Vector Machine AVNIR-2 febrero 2009 AVNIR-2 febrero 2008 febrero 2009 PALSAR-FBS febrero 2010 enero 2009 enero 2008 PALSAR-FBD septiembre 2009 septiembre 2008 AVNIR-2 febrero 2009 PALSAR-FBS enero 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 PALSAR-FBS enero 2009 febrero 2010 Gráfico N 1 87

88 A continuación se muestra en forma de gráficos el porcentaje de acierto de cada especie seleccionada en cada combinación de imágenes, Gráfico N 2, Gráfico N 3 y Gráfico N 4. Cada especie en la que se obtuvo 2 clases de ésta, se promedió, obteniendo así un sólo porcentaje por especie. La mejor estadística está demarcada por un rectángulo rojo, estos datos se utilizarán para confeccionar un mapa que represente este tipo de clasificación. Maximum Likelihood Ciruelo Japonés Duraznero Tipo Conservero Kiwi Manzano Rojo Manzano Verde Vid de Mesa AVNIR-2 febrero 2009 AVNIR-2 febrero 2008 febrero 2009 PALSAR-FBS febrero 2010 enero 2009 enero 2008 PALSAR-FBD septiembre 2009 septiembre 2008 AVNIR-2 febrero 2009 PALSAR-FBS enero 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 Mapa N 1 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 PALSAR-FBS enero 2009 febrero 2010 Gráfico N 2 88

89 Neural Net Ciruelo Japonés Duraznero Tipo Conservero Kiwi Manzano Rojo Manzano Verde Vid de Mesa AVNIR-2 febrero 2009 Mapa N 2 AVNIR-2 febrero 2008 febrero 2009 PALSAR-FBS febrero 2010 enero 2009 enero 2008 PALSAR-FBD septiembre 2009 septiembre 2008 AVNIR-2 febrero 2009 PALSAR-FBS enero 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 PALSAR-FBS enero 2009 febrero 2010 Gráfico N 3 89

90 Support Vector Machine Ciruelo Japonés Duraznero Tipo Conservero Kiwi Manzano Rojo Manzano Verde Vid de Mesa AVNIR-2 febrero 2009 Mapa N 3 AVNIR-2 febrero 2008 febrero 2009 PALSAR-FBS febrero 2010 enero 2009 enero 2008 PALSAR-FBD septiembre 2009 septiembre 2008 AVNIR-2 febrero 2009 PALSAR-FBS enero 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 AVNIR-2 febrero 2009 PALSAR-FBD septiembre 2009 PALSAR-FBS enero 2009 febrero 2010 Gráfico N 4 90

91 Mapa N 1 Catastro Frutícola de la VI Región de Chile (de octubre de 2008 a marzo de 2009) Imagen: ALOS AVNIR-2: febrero 2009 / PALSAR-FBD: septiembre 2009 Algoritmo utilizado: Maximum Likelihood 4 Capa Vector: Especies seleccionadas del Catastro Frutícola Legenda ESPECIES DURAZNERO TIPO CONSERVERO KIWI MANZANO VERDE VID DE MESA Capa Raster: Resultado de las especies seleccionadas Escala de detalle de la Información 1:

92 Mapa N 2 Catastro Frutícola de la VI Región de Chile (de octubre de 2008 a marzo de 2009) Imagen: ALOS AVNIR-2: febrero 2009 Algoritmo utilizado: Neural Net 4 Leyenda Capa Vector: Especies seleccionadas del Catastro Frutícola ESPECIES CIRUELO JAPONES DURAZNERO TIPO CONSERVERO KIWI MANZANO ROJO MANZANO VERDE VID DE MESA Capa Raster: Resultado de las especies seleccionadas Escala de detalle de la Información 1:

93 Mapa N 3 Catastro Frutícola de la VI Región de Chile (de octubre de 2008 a marzo de 2009) Imagen: ALOS AVNIR-2: febrero 2009 Algoritmo utilizado: Support Vector Machine 4 Leyenda Capa Vector: Especies seleccionadas del Catastro Frutícola ESPECIES CIRUELO JAPONES DURAZNERO TIPO CONSERVERO KIWI MANZANO ROJO MANZANO VERDE VID DE MESA Capa Raster: Resultado de las especies seleccionadas Escala de detalle de la Información 1: