Alumna: Herrera Marín Mariana

EJERCICIO 18.

TEOREMA DE BAYES Y CLASIFICACIÓN DE PROBABILIDAD

MÁXIMA.

El procedimiento de la probabilidad máxima es incuestionablemente el

método más usado para la clasificación en sensores remotos. El
fundamento para esta aproximación es el Teorema de Bayes que
expresa la relación de evidencia, conocimiento previo y la probabilidad
de que una hipótesis específica, sea verdad. Desafortunadamente, el
pequeño uso que se hace de estas habilidades para incorporar el
conocimiento previo dentro del procedimiento. Comúnmente el análisis
de hechos supone sobre la probabilidad relativa de encontrar clases de
cubierta de suelo de interés antes de considerar la evidencia, y así
asumir que cada clase es igualmente probable. En casos de fuerte
evidencia, esto usualmente puede hacer un poco de daño. Sin embargo,
esto es en el contexto de evidencia débil, que el conocimiento previo
puede hacer una importante contribución. IDRISI para Windows es
inusual porque ofrece un conjunto de opciones para la inclusión de
conocimiento previo dentro del proceso de clasificación. En particular,
ofrece una especial habilidad para incorporar conocimiento previo en la
forma de imágenes de probabilidad, de tal manera que la probabilidad
de que en algunas clases este permitido variar de algún lugar al
siguiente. Como se verá en este ejercicio, esto ofrece un significante
mejoramiento en el procedimiento de clasificación.

a) Examine las imágenes multiespectrales SPOT (XS), llamadas

SPWEST1, SPWEST2 y SPWEST3. Estas son la banda verde, roja e
infrarroja desde el sensor SPOT- HRV del área de Westboro,
Massachussets. Desde un color falso compuesto llamado
SPWESTFC, de estas bandas se utilizara el modulo COMPOSIT con
una estandarización linear con 1% de saturación. Entonces
visualizar el resultado ( si esta utilizando la visualización
automática, esto puede ocurrir automáticamente).

Wetsboro es u pequeño pueblo rural que ha sufrido un desarrollo

sustancial en recientes años porque está localizado en un lugar
estratégico de la mayor alta tecnología de los Estados Unidos. También
es un área con significativas cubiertas de humedales- la cobertura de los
suelos es una preocupación particular del medio ambiente.

b) Usando ADPLAYER de COMPOSER, visualizar la capa vectorial

llamada SPTRAIN. Esta capa contiene un conjunto de centros de
información, para el surgimiento de tipos de coberturas de suelo:

1. Residencias viejas OLDRS

2. Residencias nuevas NEWRS

3. Industrial/Comercial INDCM

4. Carreteras ROADS

5. Hidrología WATER

6. Agricultura/Pastoreo AGPAS

7. Bosque caducifolio DECID

8. Humedales WETLN

9. Campos de golf/césped GOLFG

10. Bosque de coníferas CONIF

11. Aguas poco profundas SHALW

La última columna en esta lista es una sugerencia de un conjunto de

nombres o firmas que pueden ser usadas en esto y en las secciones
restantes de este conjunto de ejercicio.

c) Usando MAKESIG para crear un conjunto de firmas para los centros

de formación en el archivo vectorial SPTRAIN. Indicando que las
bandas de 3SPOT llamadas SPWEST1, SPWEST2 y SPWEST3
deberían ser usadas. Las firmas deberían ser identificadas
utilizando los nombres. A través del modulo no se requiere un
orden específico para ser usado, se puede entrar en el orden de
lista para hacer uso de la paleta preparada para visualizar después
del paso de clasificación.

d) Correr MAXLIK en el grupo de Clasificadores Duros para crear una

imagen llamada SPMAX1. En este primer intento, se asumirá no
tener información previa en la frecuencia relativa, con la cual las
diferentes clases pueden aparecer. Por lo tanto elegir la opción
 para probabilidades previas iguales y elegir para clasificar todos
los pixeles. Entonces especificar los nombres de todas las 11
clases de firmas y elegir para utilizar todas las bandas de
clasificación.

e) Cuando la clasificación este completada, visualizar el mapa

restante utilizando la paleta llamada SPMAX. También la opción de
visualizar la leyenda. A continuación comparar los resultados, para
el color compuesto falso, llamado SPWESTFC.

1. Comparar en la clasificación el color compuesto falso. ¿Cuáles

clases cree usted que realicen una mejor clasificación? ¿Cuáles
parecen ser las peores?

El estado de Massachussetts lleva a cabo un inventario regular del uso

del suelo utilizando fotografía aérea. Los datos de esta imagen SPOT
utilizada aquí es de 1992. Antes de esto, las evaluaciones de uso de
suelo habían sido realizadas en 1978 y 1985. Basadas en estos
inventarios para el pueblo de Westboro, CROSSTAB es utilizado para
determinar la frecuencia relativa, con que cada clase de cubierta de
suelo cambia para cualquier otra clase durante el periodo de 1978- 85.
Estas frecuencias relativas son conocidas para la transición de
probabilidades y son la base subyacente para una cadena Markov que es
una predicción para futuras transiciones. Asumimos que la conducción
de fuerzas subyacentes y trayectorias de cambio que se han mantenido
estables. Esto es posible, pero estimar la probabilidad con que cada
clase de cubierta de cubierta de suelo podría cambiar a cualquier otra.
Utilizando las clases de cobertura de suelo de 1985 como una base, esta
transición de probabilidades eran aplicadas a esta base para ceder un
conjunto de mapas probables expresando la creencia previa de que cada
clase de cubierta de suelo pueda ocurrir en 1992.

Estos mapas tienen los siguientes nombres:

PROLDRS

PRNEWRS

PRINDCM

PROADS

PRWATER
PRAGPAS

PRDECID

PRWETLN

PRGOLFG

PRCONIF

PRSHALW

f) Visualizar una selección de los mapas previos de probabilidad

utilizando la paleta de color IDRISI256 (ej. PRNEWRS). Reconocer
que estas definiciones espaciales de previa probabilidad solo
extendido para el límite del pueblo. El exterior del límite del
pueblo, la probabilidad previa puede ser expresada ya que en la
transición de probabilidad no espacial, más de uno se específico
tradicionalmente en el uso del procedimiento Bayesiano de
Probabilidad Máxima. Por ejemplo, en la imagen PRNEWRS, el área
del exterior del limite del pueblo tiene una probabilidad de 0.18,
ya que simplemente representa la probabilidad de que algún área
podría ser expresada para ser una nueva residencia en 1992. Sin
embargo, la especialización- específica, tiene un rango de
probabilidades donde sea de 0.70 dependiendo de la existencia de
la cobertura del suelo en 1985.

g) Ahora correr MAXLIKE otra vez. Repetir los mismos pasos

realizados previamente, pero este tiempo indica que se desea
especificar una probabilidad de imagen percatada y firma.
Entonces indicar a lo largo con el nombre de la firma apropiada
para la probabilidad del mapa. Llamar a este nuevo mapa SPMAX2.

h) Visualizar SPMAX2 con la paleta SPMAX e indicar que se desea

tener una leyenda. Usar la opción ADDLAYER en COMPOSER para
superponer el archivo vectorial lamado WESTBND. Esta capa
muestra los límites del pueblo

2. Describir las clases en que los cambios más obvios ocurren como
resultado de incluir las probabilidades.

i) Utilizar CROSSTAB para crear una imagen con entrecruzamiento

de la clasificación y una tabla con entrecruzamiento de tabulación
de las diferencias entre SPMAX1 y SPMAX2. Llamando el mapa de
clasificación cruzada MAX1MAX2. Para visualizar MAX1MAX2 usar
la paleta QUAL256. Para facilitar la examinación de áreas que
tiene que cambiar como resultado de la introducción de
probabilidades, usando la leyenda interactiva, editar las
características para cambiar de negro cada categoría que no ha
 cambiado. Cuando se superpone el vector WESTBAND en el mapa
para facilitar la examinación del efecto del régimen de
probabilidad.

3. Se da cuenta de algún cambio significativo que no era en la

pregunta 2.

4. ¿cómo puede describir el patrón de las zonas que tuvieron un

cambio fuera del límite del pueblo contra las que cambiaron
dentro del pueblo?

5. ¿Qué puede concluir sobre el valor de utilizar una definición

espacial de probabilidades contra la definición no espacial?

Claramente, la definición espacial de probabilidades ofrece una

poderosa ayuda para el proceso de clasificación, el proceso ha sido
lento, en gran medida por la incapacidad para específicar las
probabilidades en una manera espacial. El procedimiento ilustrado aquí
proporciona un muy importante vínculo, y abre la puerta a un rango
entero de modelos de SIG, (como la cadena Markov, procedimiento
ilustrado aquí), que podrían ayudar en este proceso.