Clasificación de imágenes Landsat-8 en la Demarcación Hidrográfica del Segura

  1. Rodríguez-Valero, M. I. 1
  2. Alonso-Sarria, F. 1
  1. 1 Universidad de Murcia
    info

    Universidad de Murcia

    Murcia, España

    ROR https://ror.org/03p3aeb86

Revista:
Revista de teledetección: Revista de la Asociación Española de Teledetección

ISSN: 1133-0953

Any de publicació: 2019

Número: 53

Pàgines: 33-44

Tipus: Article

DOI: 10.4995/RAET.2019.11016 DIALNET GOOGLE SCHOLAR lock_openAccés obert editor

Altres publicacions en: Revista de teledetección: Revista de la Asociación Española de Teledetección

Resum

En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

Referències bibliogràfiques

  • Ayala, R., Menenti, M. 2001. Metodología para la búsqueda del mejor clasificador de imágenes de satélite. Teledetección, Medio Ambiente y Cambio Global, 469-472.
  • Berberoglu, S., Curran, P.J., Lloyd, C.D., Atkinson, P.M. 2007. Texture classification of Mediterranean land cover. International Journal of Applied Earth Observation and Geoinformation, 9(3), 322-334. https://doi.org/10.1016/j.jag.2006.11.004
  • Berk, R.A. 2016. Statistical learning from a regression perspective. Springer. https://doi.org/10.1007/978- 3-319-44048-4 Breiman, L. 2001. Random Forests Machine Learning 45(1), 5-32. https://doi. org/10.1023/A:1010933404324
  • Cánovas, F., Alonso, F., Gomariz, F. 2016. Modificación del algoritmo Random Forest para su empleo en clasificación de imágenes de Teledetección. Aplicaciones de las Tecnologías de la Información Geográfica (TIG) para el desarrollo económico sostenible, 359-368.
  • Chávez, P.S. 1996. Image-Based Atmospheric Corrections - Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62, 1025-1036.
  • Chen, X., Zhao, H., Li, P., Yin, Z. 2006: Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sensing of Environment, 104, 133-146. https://doi.org/10.1016/j.rse.2005.11.016
  • Chiarito, G., Chiarito, E. 2015. Evaluación de temperaturas urbanas de acuerdo al uso del suelo: Rosario. Avances en Energías Renovables y Medio Ambiente, 19, 93-102.
  • Chuvieco, E. 1996. Fundamentos de Teledetección Espacial. Madrid: Rialp. Tercera Edición Revisada.
  • Chuvieco, E. 2010. Teledetección Ambiental. La observación de la Tierra desde el espacio. Barcelona: Ariel Ciencia.
  • Congedo, L. 2016. Semi-Automatic Classification Plugin Documentation. Último acceso: 14 de mayo, 2018, de https://doi.org/10.13140/RG.2.2.29474.02242/1
  • Efron, B., Hastie, T. 2018. Computer Age Statistical Inference Cambridge University Press.
  • Ezzine, H., Bouziane, A., Ouazar, D. 2014. Seasonal comparisons of meteorological and agricultural droughtindices in Morocco using open short timeseries data. International Journal of Applied Earth Observation and Geoinformation, 26(1), 36-48. https://doi.org/10.1016/j.jag.2013.05.005
  • García, P, Pérez, M.E., García, J.M., Redondo, M.M., Sanz, J.J., Navarro, A. 2014. Sellado de suelos a partir de teledetección y SIG: estudio en el Tajo medio-alto. Dpto. de Análisis Geográfico Regional y Geografía Física. Universidad Complutense de Madrid.
  • Gomariz, F., Alonso, F., Cánovas, F. 2017. Improving Classification Accuracy of MultiTemporal Landsat Images by Assessing the Use of Different Algorithms, Textural and Ancillary Information for a Mediterranean Semiarid Area from 2000 to 2015. Remote Sensing, 9(10), 1058. https://doi.org/10.3390/rs9101058
  • Landis, J.R., Koch, G.G. 1977. The measurement of observer agreement for categorical data. Biometrics, 33(1), 159-174. https://doi.org/10.2307/2529310
  • Maxwell, A.E., Warner T.A., Fang, F. 2018. Implementation of machine-learning classification in remote sensing: an applied review, International Journal of Remote Sensing, 39(9), 2784-2817. https://doi.org/10.1080/01431161.2018.1433343
  • Moran, M.S., Jackson, R.D., Slater, P.N., Teillet, P.M. 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output. Remote Sensing of Environment, 41(2-3), 169-184. https://doi.org/10.1016/0034-4257(92)90076-V
  • Pérez, Ll., Delegido, J., Rivera, J.P., Verrelst, J. 2015. Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos. Revista de Teledetección, 44, 55-65. https://doi.org/10.4995/raet.2015.4153
  • Santana, L.M., Escobar, L., Capote, P. 2010. Estimación de un índice de calidad ambiental urbano, a partir de imágenes de satélite. Revista de Geografía Norte Grande, 45, 77-95. https://doi.org/10.4067/S0718- 34022010000100006
  • Wang, Q.N., Tenhunen, J.D. 2004. Vegetation mapping with multitemporal NDVI in North Eastern China Transect (NECT). International Journal of Applied Earth Observations and Geoinformation, 6(1), 17- 31. https://doi.org/10.1016/j.jag.2004.07.002
  • Xu, H. 2006. Modification of Normalized Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery. International Journal of Remote Sensing, 27, 3025-3033. https://doi.org/10.1080/01431160600589179
  • Zhou, Z.H. 2012. Ensemble methods. Foundations and algorithms CRC Prss. https://doi.org/10.1201/b12207
Fuente de los datos: Dialnet