Page 10 - MAPPING_182
P. 10

Abderrahim Nemmaoui, Manuel Ángel Aguilar , Antonio Novelli, Mª Carmen Vicente, Fernando José Aguilar, Malgorzata Betlej, Piotr Cichón




          ortoimagen MS de VW2 con un peso de 1 para todas ellas. A   tenemos al comparar el resultado de la clasificación con la
          partir de aquí, se han variado los valores de Escala y de Forma,   imagen ráster de la verdad terreno realizada manualmente
          mientras que el parámetro de Compacidad fue fijado a 0.5   (Figura 3), seleccionando la opción de computo por píxeles
          (Liu y Xia, 2010; Dragut et al., 2014; Kavzoglu y Yildiz, 2014).   en eCognition(Error Matrix based on TTA Mask).
          La Escala varió entre 15 y 120, con intervalos de 5, excepto
          para el intervalo 40-60, donde el intervalo fue reducido a 1. El   3.3.  Evaluación de la segmentación
          parámetro de forma tomó valores de 0.1, 0.3 y 0.5 para todos   Las métricas usadas para la evaluación supervisada de
          los parámetros de Escala ensayados. Esto nos dio un total   la segmentación están centradas en el escenario donde los
          de 114 segmentaciones diferentes en la zona de estudio re-  objetos  de  referencia  (invernaderos  en  nuestro  caso)  han
          ducida, que fueron exportadas a formato Shape (.SHP) para   sido digitalizados previamente. Los resultados de la calidad
          proceder a la posterior evaluación de la segmentación.  de la segmentación automática generada son comparados
                                                               con estos objetos de referencia para ver su similitud. En este
             3.2. Clasificación OBIA                           trabajo, las salidas (ficheros .SHP) de cada combinación de
             El proceso de clasificación OBIA de los objetos segmen-  segmentación multi-resolución generada, fue comparada
          tados en el apartado anterior se realiza usando el clasificador   con 30 invernaderos digitalizados manualmente (ver aparta-
          supervisado Nearest Neighbour (NN) en entorno eCognition.   do 2.3). Este número de objetos de referencia es el recomen-
          Las características que van a ser utilizadas en el espacio de   dado por Liu et al. (2012). Aunque hay muchos métodos su-
          trabajo para clasificar son:                         pervisados para evaluar la calidad de la segmentación (e.g.,
            (i)  Los valores medios de cada una de las 8 capas de la   Zhang, 1996; Clinton et al., 2010), la medida de discrepancia
               imagen MS de WV2. Es decir, la media de los píxeles   conocida como  Euclidean Distance 2 (ED2), recientemente
               que entran dentro de cada uno de los objetos segmen-  propuesta por Liu et al. (2012), es la que ha demostrado un
               tados para cada una de las bandas de información.  comportamiento mejor. En resumen, ED2 intenta optimizar
            (ii)  Un índice de vegetación muy usado como el NDVI   en un espacio Euclideo 2D las discrepancias geométricas
               (Rouse et al., 1973).                           (mediante el error potencial de la segmentación, potential
            (iii) Un  descriptor  de  textura  de  Haralick  (Haralick  et al.,   segmentation error, PSE) y la discrepancia aritmética entre
               1973), concretamente la entropía.               los objetos de la segmentación  a evaluar y los objetos de
                                                               referencia (relación entre el número de segmentos, the num-
             Las 10 características anteriores, y especialmente NDVI   ber-of-segmentation ratio, NSR).
          y Entropía, dependerán de forma importante de que la de-
          limitación del objeto real (por ejemplo un invernadero) sea
          realizada correctamente, por tanto, su calidad estará directa-  4. RESULTADOS Y DISCUSIÓN
          mente relacionada con la bondad de la segmentación.
             La clasificación que se va a hacer de forma binaria,   4.1. Evaluación de la calidad de la segmentación
          diferenciando entre dos clases: Invernaderos y Otros (No   En la Figura 4 se muestran cuatro resultados de segmen-
          Invernaderos). Por lo tanto, el siguiente paso es insertar los   taciones multi-resolución con escalas de 15, 50, 85 y 120 para
          centroides de las muestras conocidas (ver apartado 2.3), es   las Figuras 4a, 4b, 4c y 4d respectivamente, manteniéndose
          decir 30 de la clase Invernaderos y 30 de la clase Otros. Los   constantes los parámetros de Forma (0.3) y Compacidad
          60 segmentos que se correspondan con los centroides de   (0.5). Podemos ver como cuando el factor de Escala es muy
          las muestras serán usados como muestras ejemplo de clases   pequeño (15 en la Figura 4a), los segmentos obtenidos son
          para entrenar al clasificador NN. El resto de objetos para cada   excesivamente pequeños. Es decir, cada invernadero estaría
          segmentación serán clasificados mediante NN dependiendo   representado por muchos más de un objeto que sería la
          de su cercanía en el espacio euclideo a las muestras conoci-  situación ideal. En este caso tenemos un exceso de segmen-
          das en las clases Invernaderos y Otros. Es importante tener   tación (over-segmentation). En el otro extremo, la Figura 4d
          en cuenta que las 60 muestras (30 Invernaderos y 30 Otros)   muestra una segmentación con Escala de 120, donde ob-
          permanecen siempre constantes para todos los proyectos   servamos que algunos segmentos contienen más de un in-
          realizados.                                          vernadero. En este caso tenemos una segmentación dema-
             Una vez realizada la clasificación binaria, pasamos a la   siado baja (under-segmentation). Sin embargo, los dos casos
          fase de evaluación de la clasificación que se realiza mediante   intermedios (i.e., Figura 4b con una Escala de 50 y Figura 4c
          la matriz de confusión o de error (Congalton, 1991). Las me-  con una Escala de 85) resulta difícil a simple vista tomar una
          didas de precisión de la clasificación extraídas de las matrices   decisión sobre cuál de ellas es mejor, ya que ambas parecen
          de confusión fueron la precisión global (Overall Accuracy, OA)   representar de forma apropiada a los invernaderos objeto de
          y el coeficiente kappa (kappa). La matriz de confusión la ob-  este trabajo.





          Pág. 08                                    REVISTA MAPPING  VOL.26   Nº182   MARZO-ABRIL 2017  ISSN: 1131-9100
   5   6   7   8   9   10   11   12   13   14   15