PDF995, Job 7 - Área de Expresión Gráfica en la Ingeniería

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.