Page 9 - MAPPING_182
P. 9

Mapeado de invernaderos mediante teledetección orientada a objetos: relación entre la calidad de la segmentación y precisión de la clasificación
                                      Object based greenhouse mapping: relationship between segmentation quality and classification accuracy




          formamos los valores digitales a valores de reflectancia de la   a la clase Invernadero y otros 30 de la clase Otros para ser
          superficie terrestre. Finalmente, fue generada una ortoima-  usados como muestras de clase conocida en el proceso de
          gen MS de WV2 corregida atmosféricamente  con un error   clasificación supervisado que explicaremos posteriormente.
          planimétrico de 2.20 m.
             Debido al alto coste computacional necesario para llevar
          a cabo todas las repeticiones y combinaciones previstas en   3. METODOLOGÍA
          este estudio, se decidió tomar un recorte de las ortoimáge-
          nes fusionada y MS de WV2. En el caso de la ortoimagen MS   3.1. Segmentación multi-resolución
          esta área de trabajo se limitó a 2 000 x 2 000 píxeles, por tan-  Los procesos de segmentación multi-resolución y la pos-
          to, el tamaño aproximado de la imagen en unidades terreno   terior clasificación de esos objetos segmentados mediante
          es de 3 200 m x 3 200 m (Figura 2).                  el clasificador supervisado Nearest Neighbour (NN) han sido
                                                               llevados a cabo mediante eCognition 8.8 (Trimble, Sunnyva-
             2.3.  Verdad terreno para las clases Invernaderos y Otros  le, California, United States), usando las 8 bandas de la ortoi-
             Para la estimación de la segmentación óptima, así como   magen MS corregida atmosféricamente de WV2 en la zona
          para la evaluación final de la clasificación OBIA realizadas,   reducida como única fuente de información.
          es necesario tener la verdad terreno de la zona reducida de   El programa comercial eCognition está considerado
          estudio. Para ello se decidió digitalizar manualmente sobre   como  uno  de  los  softwares  más  destacados  en  cuanto  a
          la fuente de mayor resolución disponible, es decir, la ortoi-  eficiencia de segmentación se refiere. La segmentación mul-
          magen fusionada con 0.4 m GSD de WV2, todos los inver-  ti-resolución de eCognition consigue los mejores resultados
          naderos existentes (clase Invernadero), y por ende, también   generales en comparación con otros softwares (Neubert y
          definir toda la superficie perteneciente a la clase Otros (i.e.,   Meinel, 2003). Combinando distintos valores de los paráme-
          No Invernadero). En la Figura 3 se presenta el resultado de   tros de entrada del algoritmo de segmentación multi-reso-
          este trabajo de digitalización que usaremos como verdad   lución (i.e., Escala, Forma y Compacidad), se obtienen dife-
          terreno a lo largo de este trabajo.                  rentes salidas de segmentación. Se han utilizado distintas
             Tomando como base la Figura 3, se extrajeron 30 polí-  combinaciones en busca de los resultados más óptimos para
          gonos correspondientes a invernaderos individuales con el   segmentar invernaderos. Es importante mencionar aquí que
          objeto de evaluar la bondad de las segmentaciones mul-  en todos los casos se computaron las distintas segmenta-
          ti-resolución generadas variando los tres parámetros fun-  ciones multi-resolución usando siempre las 8 bandas de la
          damentales (i.e., Escala, Forma y Compacidad). De la misma
          forma se extrajeron también 30 objetos correspondientes

































                                                               Figura 3. Digitalización manual sobre la ortoimagen fusionada de WV2
          Figura 2. Ortoimagen MS correspondiente a la zona de estudio reducida  de la zona de estudio reducida en las clases binarias Invernaderos y Otros





          REVISTA MAPPING  VOL.26   Nº182   MARZO-ABRIL 2017  ISSN: 1131-9100                            Pág. 07
   4   5   6   7   8   9   10   11   12   13   14