Ambiente Avanzado para Clasificación Estadística Supervisada de Imágenes Satelitales

• Autores: Susana Beatriz Ferrero
• Directores de la Tesis: Oscar Humberto Bustos (dir. tes.)
• Lectura: En la Universidad Nacional de Córdoba (UNC) ( Argentina ) en 2018
• Idioma: español
• Enlaces
  • Tesis en acceso abierto en: hdl.handle.net
• Resumen
  • español

    La problemática relacionada con la producción de mapas temáticos en zonas donde predominan rocas y minerales, es una tarea difícil por la disposición espacial que presentan. Además, cuando se cuenta con imágenes de Teledetección de alta dimensión espectral (multiespectrales o hiperespectrales), frecuentemente existe alta correlación entre bandas espectrales y se necesita reducir la dimensión, sin perder la información presente. Ninguno, de los clasi cadores supervisados utilizados para la producción de los mapas, resulta mejor para todas las clases o regiones presentes en la imagen. La Clasi cación Supervisada comienza, en una primera fase, con la selección de muestras de entrenamiento. El tamaño y la separabilidad de las mismas es fundamental para el éxito de la clasi cación, pero al aumentar el tamaño de las muestras hay más posibilidades de error.

    Esta tesis propone:

    Dos métodos de reducción de dimensión: Análisis por Factores y Análisis Discriminante Lineal. Las variables obtenidas, en estos análisis, no son utilizadas. Se plantea, con los resultados obtenidos, generar nuevas variables que serán utilizadas como entrada para los algoritmos de clasi cación.

    Utilizar tres clasi cadores estadísticos supervisados y un cuarto clasi cador, obtenido como una combinación de estos clasi cadores.

    Una metodología para la obtención de nuevas muestras de entrenamiento, ampliadas y con mayor separabilidad, a partir de la información de las muestras de entrenamiento, seleccionadas manualmente.

    Toda la metodología propuesta se implementa con códigos elaborados con el software R, que están disponibles en este trabajo. Para su validación se utilizan tres subimágenes ASTER, de la misma zona al Oeste de la provincia de Córdoba, Argentina.

    Los resultados se evaluaron visualmente y numéricamente. Se utilizaron muestras de referencia, construyendo la matriz de confusión, el coe ciente de concordancia Kappa, el coe ciente de xi xii Fiabilidad por clase y el coe ciente de Error, para la evaluación numérica. Para cada subimagen, se utilizan las mismas muestras de referencia para que los resultados sean comparables.

    Los resultados muestran que, para todas las situaciones, los valores de los coe cientes son más altos cuando se utilizan todas las bandas espectrales (14 bandas). Sin embargo, cuando la dimensión es reducida a 4 bandas los valores son similares a los de la dimensión completa, tanto visualmente como numéricamente, con la ventaja de la reducción de dimensión. Cuando se utiliza la metodología que reduce a 3 bandas, visualmente la Composición RGB es más nítida, pero la clasi cación se ve afectada, obteniendo mapas temáticos con clases mal asignadas.

    En el estudio comparativo entre los cuatro clasi cadores Análisis Discriminante Lineal (ADL); Análisis Discriminante Cuadrático (ADC); Máquinas de Soporte Vectorial (SVM) y el que resulta de la combinación de ellos (COMB), ninguno es mejor para todas las situaciones, aunque COMB se mantiene con coe cientes altos en la mayoría de ellas, arrojando mejores resultados.

    En casi todas las situaciones generadas, a las muestras ampliadas le corresponden valores más bajos del coe ciente Kappa.

  • English

    The production of thematic maps in areas where rocks and minerals predominate is a diffi- cult task because the spatial layout they present. In addition, the high-spectral (multispectral or hyperspectral) remote sensing images used to construct such thematic maps exhibit high correlation between their spectral bands. In order to automatic detection and classification of minerals from these images, a Supervised Classification method can be applied. Then, the num- ber of samples and their separability is fundamental for the classification success. However, the probability of error, as well as the complexity of the classification function, increase with the di- mension ality of the samples. Therefore, it is necess ary to reduce the dimensionality of the input without losing relevant information to ensure a high accuracy. The Supervised Classification procedure begins with the selection of training samples and none of the classifiers tested by us for map production is the best for all classes or all regions of the images This thesis proposes:

    . Two methods for dimensionality reduction (or feature reduction), using: Factor Analysis and Linear Discrimin ant Analysis. The variables obtained with these analyses are not used to generate new input variables for classification, instead of this, the analyses provide us a way to select the most relevant bands of the image.

    . Compare three supervised statistical classifiers and a fourth classifier constructed as an ensemble of these.

    . A supervised methodology to expand the training set to another one with greater separa- bility.

    Finally, the codes for the proposed methodology are implemented in R, which are available in this work. For test and validation of the proposed method, three ASTER subimages are used belonging the same area of west of Cordoba, Argentina.

    Results were assessing visually and numerically. We use reference data (ground truth) to construct the confusion matrix, the Kappa coefficient, the Producer's accuracy coefficient and the error coefficient, as measures of map accuracy. For each subimage, the same ground truth samples are used to make the results comparable.

    The results show that regardless the image, the values of the coefficients are higher when all the spectral bands (14 bands) are used. However, when the dimension reduction is applied to get four bands, the coefficient values were similar to the case of full dimension. Both visually and numerically results confirm the advant age of dimensionality reduction. Furthermore, when the images are reduced to 3 bands, the RGB composition is sharper, but the classification is severe affected, obtaining thematic maps with misclassified classes.

    In our comparative study between Linear Discriminant Analysis (ADL), Quadratic Discri- minant Analysis (ADC), Support Vector Machine (SVM) and an ensemble learning (COMB), none of these got superior performance in all scenarios. Nonetheless, COMB shows better results in most of the scenarios.

    In almost all situations generated, the extended samples correspond to lower values for Kappa.

  • português

    O problema relacion ado à produção de mapas temáticos em áreas onde predomin am rochas e minerais é uma tarefa dificil Devido ao layout espacial que apresentam. Além disso, quando as imagens de sensoriamento remoto de alto espectro (multiespectrais ou hiperespectrais ) estão dis poníveis, ha frequentemente alta correlação entre as bandas espectrais ea dimensão precis a ser reduzida, sem perder a informacão presente. Nenhum dos classificadores supervisionados usados para a produção de mapas é o melhor para todas as classes ou regiões presentes na imagem. A Classificaão Supervision ada começa, numa primeira fase, com a seleção das amostras de treino.

    O tamanho ea separabilidade destes são fundamentais para o sucesso da classificação, mas ao aumentar o tamanho das amostras ha mais possibilidade de erro.

    Esta tese propõe:

    . Dois métodos de redução de dimensionalidade (características de extração característica de reducão): Analise Fatorial e Analise Discriminante Linear. As variaveis obtidas nestas análises não são utilizadas. Propõe-se, com os resultados obtidos, a geração de novas variáveis que serão utilizadas como entrada para os algoritmos de classificação.

    . Utilizar três classificadores estatísticos supervisionados e um quarto classificador, obtido como uma combinacao destes classificadores.

    . Uma metodologia para a obtenão de novo conjunto de treinamento, ampliado e com maior separabilidade, a partir das informacoes das amostras de treinamento, selecionadas manu almente.

    Toda a metodologia proposta é implementada com códigos feitos com o software R, que est ao disponíveis neste trabalho. Para sua validação, sao utilizadas três sub-imagens ASTER, da mesma área a oeste da província de Córdoba, Argentina.

    Os resultados foram avaliados visual e numericamente. Utilizamos dados de referência ( ground truth), construindo a matriz de confusão, o coeficiente Kappa, o coeficiente de precisão do Produtor e o coeficiente de erro, como medidas de precisão de mapa. Para cada subimagem, as mesmas amostras de referência sao utilizadas para tornar os resultados comparáveis.

    Os resultados mostram que, para todas as situacoes, os valores dos coeficientes sao maiores quando todas as bandas espectrais (14 bandas) sao utilizadas. No entanto, quando a redução de dimensão é de 4 bandas os valores são semelhantes aos da dimensão total, tanto visual como numericamente, com a vantagem de reduçao de dimensao. Ao usar a metodologia que reduz a 3 bandas, visualmente a Composição RGB é mais acentuada, mas para a classificação é a que é mais afetada, obtendo mapas temáticos com classes mal atribuídas.

    No estudo comparativo entre os quatro classificadores Analise Discriminante Lineal (ADL) , Analise Discrimin ante Quadratico (ADC), Maquinas de Suporte Vectorial (SVM) eo que resulta da combinação deles (COMB), nenhum é melhor para todas as situações, embora o COMB seja mantido com altos coeficientes na maioria deles, produz melhores resultados.

    Em quase todas as situaçoes geradas, as amostras estendidas correspondem a valores mais baixos do coeficiente Kappa.