Análisis de imágenes basado en objetos (obia) y aprendizaje automático para la obtención de mapas de coberturas del suelo a partir de imágenes de muy alta resolución espacial. Aplicación en la unidad de demanda agraria nº 28, cabecera del argos

Abstract

El lanzamiento del primer satélite Landsat en los inicios de la década de los 70 señaló el comienzo de la era de la teledetección espacial. Hasta finales de los 90, los satélites de media resolución espacial, como este, eran la principal fuente de información para la comunidad científica dedicada a la teledetección. Todo cambió en 1999 con el lanzamiento del satélite IKONOS-2, de un metro de resolución, lo que supuso la disponibilidad de imágenes de satélite de alta resolución espacial para aplicaciones civiles. En poco tiempo al IKONOS-2 le siguió el QuickBird, el OrbView-3, etc. Con estos la resolución de las imágenes se acerca a la de las fotografías aéreas, de algunas decenas de centímetros a un metro. En este contexto surge el análisis de imágenes basado en objetos (OBIA por sus siglas en inglés), técnica que permite explotar todas las dimensiones contenidas en las imágenes de teledetección, incluyendo aspectos espectrales, espaciales, contextuales, morfológicos y temporales; superando algunos de los inconvenientes asociados a los clasificadores estadísticos basados únicamente en la respuesta espectral de los píxeles. En esta investigación se profundiza en algunos elementos del análisis de imágenes basado en objetos, reduciendo el desfase existente entre el uso estandarizado de técnicas de clasificación de imágenes de teledetección y la disponibilidad de datos procedentes de sensores de muy alta resolución espacial. Concretamente en esta investigación se atiende a las coberturas agrícolas. Se propone un método para la optimización del parámetro de escala del algoritmo de segmentación multirresolución. Tras el análisis de los resultados de este método se detectan ciertas deficiencias que tratan de superarse con la introducción de dos nuevos algoritmos de segmentación, mejorando sensiblemente la correspondencia espacial entre los objetos y los elementos de la realidad que pretenden ser clasificados. En análisis de imágenes basado en objetos el número de variables explicativas con el que se cuenta es muy elevado, por lo que es posible que los resultados de una clasificación estadística achaquen lo que se ha denominado efecto Hughes. Para afrontar esta cuestión se proponen cuatro métodos de ordenación de variables y un proceso de búsqueda heurístico como estrategia para seleccionarlas. El método de ordenación que ofrece mejores resultados es el basado en el índice de Gini. Se pone en práctica un sistema clasificador de tipo supervisado. Se emplean cinco algoritmos de clasificación tratando de que queden representados los enfoques más importantes en el campo de la clasificación de imágenes de teledetección: del ámbito de la estadística paramétrica se incluyen dos métodos de técnicas bayesianas, análisis discriminante lineal y naive Bayes; del ámbito de los árboles de decisión se utiliza el algoritmo Random Forest; de los métodos basados en kernels se prueban las máquinas de vectores soporte; y del ámbito de los métodos basados en la vecindad se aplica el método de k-vecinos más próximos ponderados. Finalmente se genera una clasificación por votos, obteniendo un índice kappa de 0,68. Se concluye con un proceso de posclasificación, con lo que se aumenta la exactitud de la clasificación cuatro puntos porcentuales, alcanzando un índice kappa de 0,72, además se reduce notablemente la existencia de incoherencias contextuales, muy frecuentes si únicamente se realiza una clasificación estadística.