Comparación de métodos de clasificación de imágenes de satélite en la cuenca del río Argos (Región de Murcia)

  1. Nicolás del Toro Espín 1
  2. Fulgencio Cánovas-García 1
  3. Francisco Alonso-Sarría 1
  4. Francisco Gomariz-Castillo 2
  1. 1 Universidad de Murcia
    info

    Universidad de Murcia

    Murcia, España

    ROR https://ror.org/03p3aeb86

  2. 2 Universitat d'Alacant
    info

    Universitat d'Alacant

    Alicante, España

    ROR https://ror.org/05t8bcz72

Revista:
BAGE. Boletín de la Asociación Española de Geografía

ISSN: 0212-9426

Año de publicación: 2015

Número: 67

Páginas: 327-347

Tipo: Artículo

DOI: 10.21138/BAGE.1828 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: BAGE. Boletín de la Asociación Española de Geografía

Resumen

En este trabajo se utiliza un método de aprendizaje automático para clasificar imágenes de satélite: Random Forest y un método de clasificación contextual: SMAP. Los resultados se comparan con los obtenidos por el método de máxima verosimilitud. Por otra parte se estudia como la incorporación de información relativa a la textura pueden mejorar la clasificación. Además de utilizar los índices de validación habituales, se analiza la mejora respecto a un clasificador ingenuo: el método de mínima distancia, y se comparan las superficies de cada uso con las extraídas de Corine Land Cover.

Referencias bibliográficas

  • ALONSO, F.; GOMARIZ, F. y CÁNOVAS, F. (2010): «Análisis temporal de los cambios de usos del suelo en la Cuenca del Segura mediante teledetección. Implicaciones sobre la degradación». Cuaternario y Geomorfología, 24, 71-86.
  • ATKINSON, P.M. y LEWIS, P. (2000) «Geostatistical classification for remote sensing. An introduction». Computers and Geosciences, 26, 361-371.
  • BENEDIKTSSON, J.A. y SVEINSOON, J.R. (1997): «Feature extraction for multisource data classification with artificial neural networks». International Journal of Remote Sensing, 18, 727-740.
  • BERBEROGLU, H., YIN, J. y PILON, L. (2007): «Texture classification of Mediterranean land cover».Rev.InternationalJournalofAppliedEarthObservationandGeoinformation,9,322-334.
  • BIVAND, R. (2007): «Using the R-GRASS Interface: Current Status». OSGeo Journal, 1, 36-38
  • BOUMAN, C. y SHAPIRO (1994): «A multiscale random field model for Bayesian image segmentation». IEEE Trans. On image Processing, 3, 2, 162-177.
  • BREIMAN, J. (2001): «Random Forest». Machine Learning, 45, 5-32.
  • CEBRIÁN ABELLÁN, C. (2007): «El Noroeste», en Romero Díaz A. y Alonso Sarría F. Atlas Global de la Región de Murcia Ediciones La verdad.
  • CÁNOVAS GARCÍA, F. (2012): Análisis de imágenes basado en objetos (OBIA) y aprendizaje automático para la obtención de mapas de coberturas del suelo a partir de imágenes de muy alta resolución espacial. Tesis doctoral. Universidad de Murcia.
  • CHÁVEZ, P.S. (1988): «An improved dark-object substraction technique for atmospheric scattering correction of multispectral data». Remote Sensing of Environment, 24, 459-479.
  • CHENG, H. y BOUMAN, C. (2001). Multiscale Bayesian segmentation using a trainable context model. «IEEE Trans. On image Processing», 10, 4, 1621057-7149.
  • CHUVIECO SALINERO, E. (2006): Teledetección ambiental. La observación de la Tierra desde el Espacio. Barcelona, Ariel.
  • CONGALTON, R.G. y GREEN, K. (2008): «Assessing the accuracy of remotely sensed data». In: Principles and Practices. CRC Press.
  • CUTLER, D., EDWARDS, T.C., BEARD, K.H., CUTLER, A., HESS, K.T., GIBSON, J. y LAWLER, J.J. (2007): «Random forest for classification in ecology». Ecology 88 (11), 2783-2792.
  • EHSANI, A.H. (2011): «Evaluation of Sequential Maximum a Posteriori (SMAP) method for Land Cover Classification». Geomatics 90 .(National Conference & Exhibition).
  • FOODY, G.M. (2002): «Status of land cover classification accuracy assessment». Remote Sensing Environment, 80, 185-201.
  • GHIMIRE, B., ROGAN, J. y MILLER, J. (2010): «Contextual land-cover classification: incorporating spatial dependence in land-cover classification models using random forests and the Getis statistic». Remote Sensing Letters, 1 (1), 45-54.
  • IHAKA, R. y GENTLEMAN, R. (1996): «A language for Data Analysis and Graphics». Journal of Computational and Graphical Statistics, 5 (3), 299-314.
  • LANDIS, J.R y KOCH, G.G. (1977): «The Measurement of Observer Agreement for Categorical Data». Biometrics, 33(1),159-174.
  • LIAM, A. Y WIENER, M. (2002): «Classification and Regression by randomForest». News, 2:3, 18-22.
  • LIU et al. (2006): «Comparative assessment of the measures of thematic classification accuracy». Remote Sensing of Environment, 107, 606-616.
  • MCCAULEY, J.D. y ENGEL, B.A. (1995): «Comparison of Scene Segmentations: SMAP, ECHO and Maximum Likelyhood», IEEE Trans. on Geoscience and Remote Sensing, 33(6): 1313-1316.
  • NETELER, M. y MITASOVA, H. (2009): Open source gis: A GRASS GIS APPROACH. Springer, New York, 3ª edición.
  • PAL, M. (2005): «Random forest classifier for remote sensing classification». International Journal of Remote Sensing, 26, 217-222.
  • PONTIUS, R. G. y MILLONES, M. (2011): «Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment». International Journal of Remote Sensing, 32(15): 4407-4429.
  • PRASAD, A.M., IVERSON, L.R. y LIAW, A. (2006): «Newer classification and regression tree techniques: bagging and random forests for ecological prediction». Ecosystems, 9, 181-199.
  • REES, G. (2005): The remote sensing data book. Cambridge University Press.
  • RICHARDS, J.A. y JIA, X. (1999): Remote Sensing Digital Image Analysis, An Introduction. Springer, Berlin.
  • SWAIN, P.H. y DAVIS, S.M. (1978): Remote Sensing: The Quantitative Approach. McGraw-Hill.
  • TEILLET, P.M., GUINDON, B. y GOODEONUGH, D.G. (1982): «On the slope aspect correction of multispectral scanner data». Canadian Journal of Remote Sensing, 8, 84-106.
  • TOWNSEND, J.R.G. (1992): «Land cover». International Journal of Remote Sensing, 13, 1319-1328.
  • TSO, B. Y MATHER, P. (2009): Classification Methods for Remotely Sensed Data CRC. Press Taylor & Francis Group.
  • URREA GALES, V. (2009): Detección de interacciones genéticas asociadas a enfermedades complejas. Aplicación al cáncer de vejiga. «Tesina o Proyecto, Universitat Politécnica de Catalunya».
  • WITTEN, I. H. y FRANK, E. (1999): Data mining: Practical Machine Learning Tools and Techniques with Java Implemetations. Morgan Kaufmann Publishers, San Francisco.
  • ZHOU, Q. y ROBSON, M. (2001): «Contextual information is ultimately necessary if one is to obtain accurate image classifications». International Journal of Remote Sensing, 22:3457-3470.
Fuente de los datos: Dialnet