PDF995, Job 7 - Área de Expresión Gráfica en la Ingeniería
Transcripción
PDF995, Job 7 - Área de Expresión Gráfica en la Ingeniería
XVI CONGRESO INTERNACIONAL DE INGENIERÍA GRÁFICA INCORPORACIÓN DE CARACTERÍSTICAS DE RELIEVE A LAS CLASIFICACIONES DE VEGETACIÓN REALIZADAS CON IMÁGENES LANDSAT 7 ETM+ ALVAREZ DE PRADO, Laura (1); VALLE FEIJÓO, Miryam Elena (2) (1) Universidad de León, España Area de Ingeniería Cartográfica, Geodésica y Fotogrametría Correo electrónico: [email protected] (2) Universidad de León, España Area de Ingeniería Cartográfica, Geodésica y Fotogrametría Correo electrónico: [email protected] RESUMEN La caracterización de las unidades de vegetación mediante imágenes de satélite constituye una alternativa a la tradicional confección de mapas de ocupación. En este trabajo se expone una metodología de clasificación, que esté basada en el procesado digital de imágenes de satélite multiespectrales. Utilizando imágenes de satélite Landsat 7 ETM+ se han realizado varias clasificaciones supervisadas para la obtención del mapa de unidades de vegetación. Por otro lado también se ha estudiado la introducción y evaluación de diferente información extraída del Modelo Digital de Elevaciones del terreno, para cuantificar la mejora que supone en las clasificaciones de vegetación espontánea la integración en las mismas de dichas características de relieve. Los resultados, comprobados mediante diversas visitas de campo, se han evaluado por separado y conjuntamente (integrando la información multiespectral que nos ofrece la imagen con la información topográfica que nos ofrecen las características derivadas analíticamente del Modelo Digital). La metodología aporta un gran potencial en cuanto a la integración de otras fuentes de información, topográficas o espaciales, para la mejora de los resultados obtenidos con las simples clasificaciones espectrales. Palabras clave: Landsat 7, Clasificaciones, Modelo Digital de Elevaciones. ABSTRACT The characterization of vegetation units by means of satellite images is an alternative to the traditional preparation of occupation maps. In this work, a classification methodology, based on the digital processing of satellite multispectral images, is exposed. Using Landsat 7 ETM+ satellite images have been made several supervised classifications in order to obtain a map of vegetation units. On the other hand, it has also been studied different information, extracted from the Digital Elevation Model, quantifying the vegetation classification improvement when these characteristics are included. The results, verified by mean several field works, has been evaluated independently and jointly (integrating the multispectral information from the image with the topographic characteristics derived analytically from the Digital Model). The methodology offers a great potential as far as the integration of topographic or spatial information sources with the aim of improve the results obtained with simple spectral classifications. Key words: Landsat 7, Classifications, Digital Elevation Models. 1. Introducción En la provincia de León los ecosistemas forestales de zonas de montaña son muy abundantes. La determinación de unidades de vegetación con el simple empleo de trabajos de campo y fotografías aéreas es una tarea por un lado costosa y por otro complicada debido al difícil acceso de algunas zonas. El empleo de imágenes de satélite se presenta como alternativa a bajo coste, ofreciendo una visión clara y amplia del territorio, así como información espectral y posibilidad de seguimiento en el tiempo. El objetivo principal de este estudio es la definición de una metodología de clasificación de imágenes de zonas forestales en diferentes unidades de vegetación, basadas en el procesado digital de imágenes Landsat 7 ETM+. Asimismo se estudia la inclusión en las clasificaciones de distinta información extraída del Modelo Digital de Elevaciones, para cuantificar la mejora que supone la utilización de estas características en la obtención final de mapas de ocupación. Los datos obtenidos se evaluaron con la ayuda de diversos trabajos de campo, incorporando de esta forma las metodologías tradicionales. 2. Material Empleado Para la obtención de información espectral se ha empleado una imagen Landsat 7 ETM+, correspondiente a la escena 203/031 adquirida el 17 de Junio de 2000 a las 10:59:23.0 GTM. Dicho sensor proporciona una imagen de 8 bandas en el espectro electromagnético con una resolución espacial de 30 m x 30 m, excepto en la banda térmica (120 m x 120 m) y en la pancromática (15 m x 15 m). Se ha utilizado un Modelo Digital de Elevaciones de 25 m de paso de malla para la extracción de la información topográfica. Como información auxiliar se ha contado con mapas topográficos a escala 1:50.000 del Servicio Geográfico del Ejército de Castrocontrigo (hoja nº 230), así como a escala 1:25.000 del Instituto Geográfico Nacional de Tabuyo del Monte (hoja nº 230-II) y de Castrocontrigo (hoja nº 230-IV). Se ha dispuesto también de fotografías aéreas en color a escala 1:10.000, realizadas en Septiembre de 2000 por la Junta de Castilla y León. 3. Desarrollo del Trabajo Zona de Estudio El área cubierta por el estudio se encuentra situada al sur de los montes de León y está comprendida entre los 42º12’ y los 42º21’ N y entre los 6º13’ y los 6º20’ W. La altitud de la zona oscila entre los 950 y los 1.200 metros. Esta Sierra se caracteriza por poseer las únicas masas naturales de Pinus pinaster de la provincia de León, siendo esta la especie principal por su superioridad numérica. Como especies secundarias se encuentran árboles no autóctonos, como el Pinus sylvestris y el Pinus nigra y algunas masas de robledal (Quercus pyrenaica). Tratamientos previos En primer lugar y antes de efectuar algún tratamiento sobre la imagen, se realizaron varias combinaciones de bandas para sintetizar o incrementar la información espectral de la imagen. Se trabajó fundamentalmente con la combinación 4-3-2, asignando los colores rojo, verde y azul respectivamente, así como con la 3-5-4 y la 3-2-1. Previamente a las clasificaciones se llevó a cabo una corrección geométrica para georreferenciar la información a la proyección cartográfica U.T.M.. Para ello se identificaron, tanto en la imagen como en los mapas topográficos y fotografías aéreas, 28 puntos de control, convenientemente repartidos por la zona de estudio. Usando un polinomio de ajuste de segundo orden, se evaluó la bondad de su ajuste midiendo la importancia de sus residuales, obteniéndose un error medio cuadrático (RMS) de 0.59423. Para efectuar la corrección se empleó el método del vecino más próximo ya que supone menor transformación de los niveles digitales originales. El Modelo Digital de Elevaciones se remuestreó a 30 m/píxel, para igualar su resolución espacial a la de la imagen. A partir del MDE se generaron dos imágenes de variables derivadas de las características de relieve, que posteriormente se incluyen como bandas auxiliares de la imagen con el objeto de mejorar los resultados de la clasificación digital. En primer lugar se generó un “mapa de pendientes”, basado en el cálculo de la pendiente de un plano de ajuste de 3x3 en cada celda del MDE y codificando los resultados para su representación gráfica en una escala de grises. Después se generó un “mapa de orientaciones”, estimado mediante un algoritmo, que calculó la orientación del plano de ajuste a los ocho vecinos más próximos a cada celda. - Mapa de pendientes - - Mapa de orientaciones - Figura 1: Mapa de pendientes y de orientaciones. Clasificación supervisada Entre los métodos de clasificación se decidió el supervisado que supone un conocimiento previo de la zona de estudio y permite seleccionar áreas para el entrenamiento del clasificador. La definición de las unidades forestales de llevó a cabo teniendo en cuenta las características de la Sierra y se concretaron las siguientes: BD (Bosque denso de pinos que ocupan más del 70% de la superficie), MD (Matorral denso con especies arbóreas ocupando pequeñas superficies), RMD (Robledal de mediana densidad, mezclada con vegetación arbustiva), MDR (Matorral denso con roble), MBD (Matorral de baja densidad, junto con vegetación herbácea), V (Vegetación herbácea), R (Zonas rocosas), U (Zonas urbanas), A (Zonas cubiertas de agua) y C (obras de infraestructura). Para efectuar las clasificaciones se tomaron muestras de aprendizaje siguiendo un muestreo sistemático estratificado no alineado, con la ayuda de las fotografías aéreas en color y varios trabajos de campo. Se designaron 98 parcelas de entrenamiento con un tamaño medio de 22 píxeles, lo que supone un 1.45 % de la superficie clasificada. Las categorías mostraron una alta separabilidad, basada en la distancia de JeffriesMatusita, todas ellas por encima de 1.53 (reescalado el índice hasta un máximo de 2.0). La fase de asignación de píxeles se realizó definitivamente siguiendo el método del clasificador de máxima probabilidad, ya que en primer lugar se ensayaron otros clasificadores (mínima distancia, paralelepípedo y distancia mahalanobis), pero todos ellos ofrecían unos resultados entre un 11 y un 23 % más bajos. Tabla 1: Clasificaciones efectuadas Se realizaron diversas clasificaciones aplicando a cada una de ellas diferente número de bandas, entre las que se encuentran las siete bandas de la imagen Landsat ETM+ y las características obtenidas de Modelo Digital de Elevaciones (pendientes y orientaciones), según se indica en la tabla adjunta: Bandas Clas. Clas. Clas. Clas. Clas. 1 2 3 4 5 ETM 1 a 5 Si ETM 6 Si ETM 7 Si Pendientes Orientaciones Si Si Si Si Si Si Si Si Si Si Si - - Si - Si - - - Si Si Verificación Posteriormente de las clasificaciones y con objeto de estimar la exactitud de las mismas, se seleccionaron 87 parcelas de verificación (1.32 % de la superficie total), siguiendo el método de muestreo sistemático estratificado no alineado. A dichas parcelas se le asignó un verdadero uso del suelo mediante trabajos de campo y de fotointerpretación de las imágenes aéreas. A continuación se compararon los resultados de las diferentes clasificaciones llevadas a cabo con los de verificación, mediante la matriz de confusión. Esta indicará el número de puntos de verificación coincidentes, así como los errores de asignación, tanto por omisión como por exceso. Resultados y discusión Las fiabilidades globales obtenidas, es decir, el porcentaje total de aciertos en la asignación de píxeles a cada clase, se recogen en el gráfico adjunto; donde se encuentran los valores resultantes para cada una de las cinco clasificaciones realizadas. 84,00% 82,28% 82,00% 82,23% 81,34% 80,00% 80,08% 78,00% 76,00% CLAS.1 78,02% CLAS.2 CLAS.3 CLAS.4 CLAS.5 Figura 2:Fiabilidades globales de las clasificaciones. En el gráfico se puede observar que la utilización de las siete bandas del sensor ETM obtiene una aceptable fiabilidad global (80.08 %), pero ésta se ve modificada por la introducción de bandas auxiliares. La eliminación de la banda térmica reduce en conjunto en torno a un 2 % la fiabilidad, aunque también se estudió con posterioridad como influye en las distintas categorías. La introducción de imágenes obtenidas a partir del Modelo Digital de Elevaciones mejora la fiabilidad global de la clasificación. Estudiando por separado la imagen de pendientes o la de orientaciones, junto con las siete bandas Landsat, se puede ver que ambas mejoran los resultados. Pero también se estudiaron conjuntamente (Clas. 5) aumentando en este caso la fiabilidad global un 2,2 % respecto a la clasificación sin introducción de variables. Se estudiaron también las fiabilidades del productor y usuario (figura 3) de todas las categorías y su incremento que se manifiesta en el aumento de la superficie del polígono, al integrar las distintas variables. BD BD 85 C 90 MD 80 80 C MD 70 75 60 50 70 U RMD CLAS.1 U CLAS.2 65 RMD 40 30 CLAS.5 R MDR H MBD R MDR H MBD Figura 3: Fiabilidad del productor (izquierda) y del usuario (derecha). Se puede observar en los gráficos que en general y en casi todas las categorías las mejores fiabilidades, tanto de productor como de usuario, las ofrece la clasificación conjunta de bandas ETM, pendientes y orientaciones. La figura 4 representa la imagen clasificada obtenida empleando las siete bandas del sensor y las dos variables topográficas; es decir, la que obtuvo los datos más altos de fiabilidad Figura 4: Clasificación definitiva. 4. Conclusiones Las matrices de confusión muestran en general unos porcentajes de error aceptables, lo que implica unos índices de fiabilidad global que se pueden considerar buenos (siempre superiores al 78 %). Los resultados obtenidos muestran como la inclusión en las clasificaciones de bandas derivadas del Modelo Digital de Elevaciones, como pendientes y orientaciones, permiten caracterizar la vegetación de una forma más exacta que el tradicional y sencillo análisis de la información espectral. Asimismo los resultados mejoran en todas las categorías de los diferentes los tipos de vegetación, por lo que se considera aconsejable su utilización en casos similares para poder aumentar las fiabilidades obtenidas. Las categorías referentes a zonas sin vegetación (rocas, obras de infraestructura, zonas urbanas) ofrecen los peores resultados, pero en este caso el objetivo era clasificar la vegetación forestal, que corresponde a las categorías con valores los más altos de las fiabilidades. Los resultados plantean interesantes posibilidades para la continuidad del estudio de la zona. En primer lugar extender el estudio a toda la Sierra, ya que toda ella posee el mismo tipo de vegetación y dispone de zonas de difícil acceso para la aplicación de técnicas más tradicionales. Por otro lado el estudio e integración en las clasificaciones de otras características derivadas del modelo de elevaciones, así como de información espacial. Referencias Chuvieco, E. (1996). Fundamentos de Teledetección espacial, Ediciones Rialp, Madrid. Congalton, R., Green, K. (1993). “A practical look at the sources of confusion in error matriz generation” Photogrammetric Engineering & Remote Sensing 59(5), 641-644. Florinsky, I. V., (1998). “Combined analyse of the digital terrain models and remotely sensed data in landscape investigation”, Progress in Physical Geography”, London, 22, 1, 33-60. Jensen, John R. (1996). Introductory Digital Image Processing: A Remote Sensing Perspective, Prentice Hall Pinilla, C. (1995). Elementos de Teledetección, Ed. Ra-ma, Madrid. Proy, C.; Tanre, D:; Deschamps, P.Y. (1989). “Evaluation of Topographic effects in remotely sensed data”, Remote Sensing of Environment 30,21-32. Ruiz, L.A.; Pardo, J.E.; Porres de la Haza, M.J.; Fernández Sarría, A. Relaciones entre las características de modelos digitales de elevación y texturas aplicadas al análisis de la vegetación, en S. Castaño y A. Quintanilla (ed.). Telededetección. Avances y Aplicaciones, pp 76-79, Asociación Española de Teledetección, Albacete (España), 1999. Story, M.; Congalton, R. (1986). “Accuracy assessment: a user’s perspective”, Photogrammetric Engineering & Remote Sensing 52, 397-399. Word, Joseph (1996). The Geomorphological Characterization of Digital Elevation Models, Ph.D.Thesis, University of Leicester, UK.