1

UNIVERSIDAD NACIONA DE LA RIOJA

CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017

Trabajo Practico N.5. Clasificacin digital de imgenes satelitales, Mtodo Supervisado.

Contenido
1. Objetivo ..................................................................................................................................... 2
2. Antecedentes ............................................................................................................................ 2
3. Materiales ................................................................................................................................. 3
4. Metodologa. ............................................................................................................................. 3
 2
UNIVERSIDAD NACIONA DE LA RIOJA
CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017
Trabajo Practico N.5. Clasificacin digital de imgenes satelitales, Mtodo Supervisado.
Ing. Ral R.F. Corzo
Lic. Daniel Del Moral
1. Objetivo

Entrenar al alumno en los mtodos de clasificacin digital, segn el mtodo

supervisado, orientado a la categorizacin de capas de la vegetacin nativa y cultivada
(frutales) bajo riego, en el departamento Capital. La Rioja.

2. Antecedentes

La clasificacin de una imagen digital es la categorizacin de una imagen

multibanda. Obtenindose una imagen del mismo tamao y caractersticas que la imagen
original, con la diferencia que los valores de ND que definen cada pixel no tienen los valores de
radiancia que ha detectado el sensor.
En la imagen clasificada los valores de ND son solamente una etiqueta que identifica a la
categora que se le asign a ese pixel. As, el ND de cada pixel clasificado se transforma en un
identificador de la clase donde fue incluido.

Estas clases admiten dos tipos de variables, las que se conocen como variable
nominal o categrica (Ej., distintos tipos de cubiertas vegetales) o la clase referida a intervalos de una
misma categora variable ordinal (Ej., niveles de afectacin de un incendio o grados de humedad en el
suelo).

Se distinguen dos mtodos de clasificacin supervisado y no supervisado. En el

mtodo supervisado se parte de un conocimiento previo del terreno del cual se seleccionan las
muestras para cada una de las diferentes categoras.
En este proceso de clasificacin Supervisada, deber revisar los argumentos conceptuales y
prcticos, sintetizadas en el Trabajo Practico N.3.

La clasificacin supervisada requiere de cierto conocimiento previo del terreno y de

los tipos de coberturas presentes en el rea de estudio, para lo que se realiza, en el mejor de los
casos, una combinacin de trabajo de campo, anlisis de fotografas areas, mapas, informes
tcnicos etc., que nos permiten definir y delimitar sobre la imagen las reas de entrenamiento
o reas piloto.
Las caractersticas espectrales de tales reas son utilizadas a fin de entrenar un algoritmo de
clasificacin, el cual calcula los parmetros estadsticos de cada banda para cada sitio piloto y
de esta forma proceder a evaluar cada ND de la imagen, compararlo y asignarlo a una respectiva
clase. As, entonces la clasificacin supervisada intenta definir las clases temticas que no tengan
un claro significado espectral, razn por la que es considerada un mtodo artificial (Posada, 2008).
 3
UNIVERSIDAD NACIONA DE LA RIOJA
CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017
Figura 1: Esquema de Clasificacin digital supervisada Fuente: Olaya, 2007

Metodolgicamente el proceso de la clasificacin supervisada sintetiza las

siguientes etapas: anlisis visual y estadstico de la imagen y de sus bandas, elaboracin de la leyenda
del mapa, seleccin y delimitacin de reas pilotos, generacin y evaluacin tanto de sus estadsticas
como de sus reajustes, eleccin y aplicacin del algoritmo de clasificacin, reajustes y nueva
clasificacin, y finalmente, la evaluacin de los resultados y su presentacin (Posada, 2008).

3. Materiales

Se dispones de una carpeta denominada Insumos Catedra 2017 TP.N.5,

conteniendo los siguientes archivos:

Una imagen raster: PromOliv_feb2016.img y Eest_rflx20171

4. Metodologa.

4.1. Inicie Arc Map, adiciones la capa PromOliv_feb2016.img, la misma corresponde a un recorte
de la imagen del Landsat 8 del 02 de Febrero de 2.016. Este recorte ha sido corregido radiomtricamente.
En el siguiente cuadro se presenta las combinaciones de bandas del Landsat 8 posibles de usar
de acuerdo al objetivo de trabajo

Objetos de estudio Combinacin Objetos de estudio Combinacin

de bandas de bandas
Color natural 4-3-2 Vegetacin saludable 5-6-2
Falso color (urbano) 7-6-4 Tierra - Agua 5-6-4
Color Infrarrojo (Vegetacin) 5-4-3 Veg. Natural con retencin atmosfrica. 7-5-3
Agricultura 6-5-2 Infrarrojo de onda corta 7-5-4
Penetracin atmosfrica 7-6-5 Anlisis de Vegetacin. 6-5-4
Para facilitar la interpretacin de los colores segn combinacin de bandas utilice lo indicado en el TP.N.3.
 4
UNIVERSIDAD NACIONA DE LA RIOJA
CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017
4.2. Posicionado con el mouse en la capa PromOliv_feb2016.img, deber primero crear un
Shapefile, con el nombre de Clases que es donde se registraran las firmas espectrales de las
distintas clases que Usted vaya de-
terminado, el citado shapefile ser
de puntos.

4.3. Recuerde que para materializar el shapefile de puntos, debe usar la herramienta Editor, debe
en la tabla de contenido posicionarse en la shapefile Clases y, ya con la pri-mera clase de cobertura
determi-nada, accione Editor Start
Editing - Create features (crculo rojo) y
se abrir un men, como el mos-
trado (adyacente) y donde dice
crate feautures haga clic en clases y
luego en point y estar habilitado
para marca los puntos (que corres-
pondern a la categora definida Ej.
Bosque, medano u olivar de alto vigor).
Inmediatamente haga clic con el
botn derecho sobre la capa de cla-
ses y abra la tabla de atributos que
es el lugar donde guardara los pun-
tos que corresponden a cada una
de las clases de cobertura o catego-
ra, y comience entonces a marcar
los puntos de la primera clase.
Cuando haya terminado haga clic
en Editor Save point y aparecern
los puntos marcados en la imagen. Y en la tabla de atributo figuraran con el nmero cero (0) valores
estos, que debern ser reemplazados por el nmero 1, que hace referencia al nombre de la
primera capa o clase determinada luego ser el nmero dos, que corresponder a la segunda
clase y as, hasta completar la cantidad de clases que haya determinado.

4.4. Para colocar los respectivos nmeros posicione el cursor en id circulo azul, haga clic con el
botn derecho y vaya a Fiel Calculator, y se abrir un men
(adyacente) donde en el crculo rojo, deber colocar el nme-
ro que corresponda a las clases pertinente, de manera que
para la primera clase ser el nmero 1, luego haga clic en OK,
esta operacin la deber repetir segn la cantidad de clases
que haya determinado. Despus de dar clic en OK, retorna-
ra al men de Create Features haga clic en point y estar ha-
bilitado para marcar los puntos en la segunda clase o co-
bertura, as, y de esta manera deber repetir el proceso segn la cantidad de clases que haya
 5
UNIVERSIDAD NACIONA DE LA RIOJA
CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017
determinado. En la imagen de ms abajo se muestra a manera de ejemplo como quedan las
clases de coberturas sealizadas con el shapefile de puntos. En este ejemplo, son nueve (9) la
cantidad de clases o coberturas determinadas.

4.5. Concluida la sealizacin de puntos en todas las clases o coberturas determinadas, abra la
caja de herramientas ArcToolbox Spa-
tial Analisyt Tool Multivarate y haga do-
ble clic en Create Signatures y se abrir el
siguiente men, donde en el primer ca-
sillero habilite la capa objeto de estu-
dio, esto es PromOliv_feb2016.img en el
segundo casillero habilite la capa Clases
y en el tercer casillero indique donde
grabara la imagen resultante, elija el
nombre de firmaproma.gsg. El objeto de esta operacin es la determinacin de la firma espectral de
cada una de las clases o coberturas determinadas.

4.6. Luego y para producir la clasificacin supervisada final, vaya a ArcToolbox Spatial Analisyt
Tool Multivarate y haga doble clic en Maxi-
mum Likelihood Classification, se abrir un
men en el que en el primer casillero habi-
lite la imagen objeto de estudio Prom-
Oliv_feb2016.img en el segundo casillero in-
grese la capa de las firmas espectrales,
esto es, firmaproma.gsg, y en el tercer
casillero ingrese el nombre de la imagen
resultante, colquele el nombre de
clsup_prom, que ser la imagen clasificada con el mtodo supervisado.
 6
UNIVERSIDAD NACIONA DE LA RIOJA
CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017
4.7. La imagen de ms abajo, corresponde a la imagen clasificada con el mtodo supervisado,
puede observarse en la tabla de contenido que dicha imagen ha sido clasificada considerando la
existencia de nueve (9) capas o coberturas.

4.8. Con el objeto de facilitar la operatoria del proceso de clasificacin supervisado, se muestra
ms abajo la imagen original, donde se colocaron los nmeros que separan cada clase o
cobertura determinada, estos nmeros son coincidentes con los colores que aparecen en la
imagen clasificada. De esta manera queda concluida la clasificacin supervisada. A partir de la
dicha clasificacin, la misma puede ser convertida en una capa polgono, con lo cual se podr hacer
todas las determinaciones posibles, superficie total, superficie por tipo de cobertura, etc.

1
0

3
1
1

2
8

9
2 1 3 4
1

2 7
1 6
1 1
 7
UNIVERSIDAD NACIONA DE LA RIOJA
CARRERA: INGENIERIA AGRONOMICA
CATEDRA: TELEDETECCION Y SIG
DOCENTES: LIC. DANIEL DEL MORAL ING. RAUL R.F. CORZO
AO 2017
De importancia es sealar, que cuando fue adjudicndole un nmero a cada capa
creada, Usted ya tena conocimiento de los atributos de la misma, ya saba si se trata de un
bosque, suelo desnudo, una ciudad bosques implantados, etc. De manera que en la tabla de
atributos, puede crear un nuevo campo colocando el nombre de la capa o categora, coincidente
con la numeracin ya dada.

4.9. Utilice el raster Eest_rflx20171 y materialice la clasificacin supervisada siguiendo la misma

metodologa ya descripta. Produzca la clasificacin supervisada identificando por los menos
cinco categoras o tipo de cobertura, a manera de ejemplo, medanos, barreales, piedemonte,
ciudad, vegetacin arbustiva, cultivos bajo riego.