PROYECTO FINALper

PROYECTO FINAL CLASIFICACIÓN Y EVALUACIÓN DIGITAL DE UNA IMAGEN SATELITAL
PROYECTO FINAL CLASIFICACIÓN Y EVALUACIÓN
DIGITAL DE UNA IMAGEN SATELITAL
YERSON DANILO GIRALDO SUAREZ - 20161032504
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES
PERCEPCIÓN REMOTA
INGENIERÍA TOPOGRÁFICA
BOGOTÁ D.C.
2024
PROYECTO FINAL CLASIFICACIÓN Y EVALUACIÓN
DIGITAL DE UNA IMAGEN SATELITAL
1
YERSON DANILO GIRALDO SUAREZ - 20161032504
DOCENTE
GERMÁN TORRIJOS CADENA
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES
PERCEPCIÓN REMOTA
INGENIERÍA TOPOGRÁFICA
BOGOTÁ D.C.
2022
2
TABLA DE CONTENIDO
INTRODUCCIÓN .......................................................................................................................................... 6
OBJETIVOS .................................................................................................................................................. 7
Objetivo General ......................................................................................................................................... 7
Objetivos específicos .................................................................................................................................. 7
MATERIALES ................................................................................................................................................ 8
MARCO METODOLÓGICO ........................................................................................................................... 9
CONCLUSIONES ......................................................................................................................................... 30
REFERENCIAS BIBLIOGRAFICAS ................................................................................................................. 32
3
Ilustración 3 - Instalación Del Plugin SCP.......................................................................................9
Ilustración 4 - Ventana De Trabajo SPC.........................................................................................10
Ilustración 5 - Bandas Cargadas En QGis.......................................................................................11
Ilustración 6 - Interfaz Single Band List.........................................................................................12
Ilustración 8 – crear el ráster virtual...............................................................................................13
Ilustración 9 - Ráster Virtual De Juego De Bandas........................................................................14
Ilustración 10 - Tabla De Clasificación Corine Land Cover..........................................................15
Ilustración 11 - Training Input En La Interfaz De SCP Dock........................................................16
Ilustración 12 - Creación De Entrenamiento De Entrada...............................................................16
Ilustración 13 - Muestras De Zona Urbana.....................................................................................17
Ilustración 14 - Captura De Muestras Para Las Coberturas Faltantes............................................18
Ilustración 15 - Interfaz Band Processing Para La Clasificación...................................................19
Ilustración 16 - Parámetros De Clasificación Distancia Mínima....................................................19
Ilustración 17 - Clasificación Supervisada Por Distancia Mínima.................................................20
Ilustración 18 - Parámetros De Clasificación Máxima Probabilidad..............................................21
Ilustración 19 - Clasificación Supervisada Por Máxima Probabilidad...........................................22
Ilustración 20 - Interfaz Para Poligonizar Raster............................................................................22
Ilustración 21 - Comparación Metodos De Clasificación...............................................................23
Ilustración 22 - Ecuación Para Calculo De La Muestra..................................................................23
Ilustración 23 - Calculo De La Muestra Para La Imagen Satelital.................................................24
Ilustración 24 - Tabla De Muestras Por Clase................................................................................24
Ilustración 25 - Grafico Segmentos De Clase.................................................................................25
Ilustración 26 - Asignación Del Tamaño De La Muestra Por Clase...............................................26
4
Ilustración 27 - Configuración General Acatama...........................................................................27
Ilustración 28 - Puntos Aleatorios En La Imagen Clasificada........................................................27
Ilustración 29 - Parametros Ventana Set The Labeling Buttons.....................................................28
Ilustración 30 - Verificación De La Clasificación Por Muestras....................................................28
Ilustración 31 - Matriz De Confusión.............................................................................................29
Ilustración 32 - Fiabilidad Global Del Mapa..................................................................................29
Ilustración 33 - Formula Para El Cálculo Del Índice Kappa..........................................................29
Ilustración 34 - Indice Kappa Calculado........................................................................................29
Ilustración 35 - Tabla Interpretación Del Indice Kappa................................................................30
Ilustración 36 - Formula De Exactitud Del Producto.......................................................................30
Ilustración 37 - Tabla Errores De omisión......................................................................................31
Ilustración 38 - Formula Para Calcular La Exactitud Del Usuario................................................31
Ilustración 39 - Tabla Errores De Comisión...................................................................................31
5
INTRODUCCIÓN
Considerando la necesidad imperante de llevar a cabo una verificación precisa, ejecución

efectiva y evaluación exhaustiva de la clasificación supervisada de imágenes satelitales en
el contexto de Colombia, se plantea un enfoque metodológico basado en Corine Land
Cover y ejecutado a través del software QGIS. Este enfoque busca generar dos tipos de
clasificaciones utilizando los métodos de distancia mínima y máxima probabilidad,
respectivamente.
El propósito fundamental de esta iniciativa es analizar y comprender las diferentes

coberturas del suelo y las combinaciones espectrales entre las distintas bandas de una
imagen satelital específica adquirida por el sensor Landsat 8. En este caso, la imagen
seleccionada pertenece al path 8 y Row 55 del sistema de referenciación del Landsat 8.
Este análisis facilitará la interpretación de las características del terreno y permitirá

obtener una visión detallada de la distribución de los tipos de cobertura en la región de
interés.
Además, se busca comparar las precisiones de ambas metodologías para determinar cuál
es más adecuada en el contexto del estudio y su propósito particular. Este proceso de
evaluación ayudará a identificar las fortalezas y limitaciones de cada enfoque,
permitiendo así la selección de la estrategia más eficaz para la clasificación de la imagen
satelital en cuestión.
6
OBJETIVOS
Objetivo General: Realizar la clasificación y evaluación mediante el método supervisado,

siguiendo la metodología Corine Land Cover, de la imagen satelital situada en los departamentos
de Chocó y Antioquia, específicamente en el path 8 y Row 55, utilizando el software QGIS.
Objetivos Específicos:
1. Desarrollar la clasificación supervisada de la imagen satelital del área de estudio en el path

8 y Row 55, aplicando tanto el método de distancia mínima como el de probabilidad
máxima.
2. Analizar detenidamente los resultados obtenidos en la clasificación supervisada para
determinar el método más apropiado que permita generar una matriz de confusión precisa
y representativa de la realidad del terreno.
3. Ejecutar una evaluación exhaustiva de la clasificación realizada en el path 8 y Row 55
para identificar y comprender los errores presentes en el proceso, así como para establecer
el nivel de confianza asociado a dicha clasificación.
7
MATERIALES
Es esencial contar con la imagen satelital completa, incluyendo todas sus bandas,
para llevar a cabo el proceso de clasificación de manera efectiva. Esta imagen
puede ser descargada desde la Página USGS, del Servicio Geológico de Estados
Unidos, como se indica en la ilustración 1.
Ilustración 1 - Imagen Satelital
El software QGis en su Versión 3.128.15 será el que se maneja para el análisis de la
información; A continuación, se muestra la imagen 2 de la interfaz inicial del programa.
MARCO METODOLÓGICO
El proceso metodológico para la clasificación supervisada se efectúa mediante el software
Qgis, en el cual como primera medida es necesario instalar o activar el plugin (scp) que permite
realizar la clasificación supervisada de la imagen satelital como se muestra en la ilustración 3.
8
Ilustración 3 - Instalación Del Plugin SCP
Una vez instalado el plugin en la barra de herramientas se podrá observar el icono SCP y al
mismo tiempo se desplegará una ventana con la que es posible empezar a trabajar para realizar
nuestra clasificación como se puede observar en la imagen 4.
Ilustración 4 - V
entada De Trabajo SPC
9
Al momento de tener instalado el plugin (scp) para la clasificación, se debe cargar las 7
bandas correspondientes a la imagen satelital ubicada en el path: 10, Row: 54; las cuales son
necesarias para realizar la clasificación supervisada y al ser cargadas en el Software se pueden
identificar en la ilustración 5 mostrada a continuación en el espacio de trabajo llamado capas.
Ilustración 5 - Bandas Cargadas En QGis
Con las bandas cargadas, el siguiente paso es dirigirse a la pestaña SCP en donde por
consiguiente se ingresa al juego de bandas, desplegando de esta forma la ventana en donde se
seleccionará la opción “BAND SET” tal y como se muestra en la ilustración 6.
10
Ilustración 6 - Interfaz Single Band List
Es importante establecer los parámetros necesarios para nuestra imagen Landsat 8,
además de agregar la casilla de crear el ráster virtual con bandas separadas como se muestra en la
imagen 7.
Ilustración 7 – Corrección de parámetros.
11
Una vez se configuran los parámetros, damos en la casilla “RUN” ubicado en la parte
inferior derecha de la pestaña, como se muestra en la imagen 8.
Ilustración 8 – crear el ráster virtual
En el momento que se genera el resultado del paso inmediatamente anterior, se guarda el
archivo y da como resultado el ráster virtual como se puede observar en la imagen 9. Cabe
aclarar que esta permitirá formar cada una de las composiciones para trabajar en la clasificación
de la imagen.
12
Ilustración 9 - Ráster Virtual De Juego De Bandas
Después de tener la imagen ráster virtual de juego de bandas es necesario realizar un
análisis de la tabla de clasificaciones Corine Land Cover presentada a continuación, la cual es
extraída desde la información base de la página principal del IDEAM y corresponde a la
ilustración 10.
13
Ilustración 10 - Tabla De Clasificación Corine Land Cover
14
Cuando se realiza dicho análisis de forma muy general, se procede a definir las clases de
coberturas que se identifican en la imagen satelital, para ello se elige la opción de Training Input
en la interfaz de SCP Dock que se evidencia en la imagen 11, con el fin de crear un archivo de
lista de coberturas
Ilustración 11 - Training Input En La Interfaz De SCP Dock
En la ventana que se despliega y es posible apreciar en la imagen 12; se crea un nuevo
entrenamiento de entrada, con el que posteriormente se podrán registrar las muestras de cada una
de las coberturas existentes en la zona específica de la imagen satelital que se está procesando.
Ilustración 12 - Creación De Entrenamiento De Entrada
15
Al crear el entrenamiento se le asigna un nombre en específico al archivo y allí se genera
una nueva capa en donde se almacenarán las macro clases, siendo para este primer caso: la macro
que corresponde a las zonas urbanas y las micro pertenecientes a los cascos urbanos, como se
muestra a continuación en la ilustración 13.
Ilustración 13 - Muestras De Zona Urbana
Teniendo en cuenta el procedimiento anterior, se generan las capturas de cada una de las
muestras correspondientes a las macro clases de: Pastos, cuerpos de agua, suelo desnudo,
vegetación y agrícola; como se muestra en la ilustración 14 que a su vez corresponde al SCP
Dock, en la cual quedan consignadas todas las capas al guardar el ROI temporal en el
entrenamiento de entrada.
16
Ilustración 14 - Captura De Muestras Para Las Coberturas Faltantes
Una vez tomadas las muestras necesarias para cada una de las coberturas que también son
conocidas como ROIS (Regions Of Interest), se procede a realizar la respectiva clasificación y
generación del producto, es necesario utilizar la herramienta Clasificación, la cual aparece en la
barra de opción SCP Band processing y se elige la opción de Classification cómo se presenta en
la siguiente imagen.
17
Ilustración 15 - Interfaz Band Processing Para La Clasificación
En pantalla una nueva aparece una interfaz titulada como Semi Automatic Classification
Plugin, y por medio de esta ventana se configura para realizar la clasificación por agrupación de
coberturas con algoritmo de distancia mínima como se muestra en la ilustración 16.
Ilustración 16 - Parámetros De Clasificación Distancia Mínima
18
Cuando se tengan definidos los parámetros de la clasificación supervisada se efectúa en
el botón Run, el cual desplegará en pantalla una nueva interfaz que solicita asignarle un nombre
al archivo de salida que corresponde a un formato .tif, como se expone en la imagen 17.
Ilustración 17 - Clasificación Supervisada Por Distancia Mínima
19
Después de obtener la clasificación supervisada por distancia mínima se procede a
efectuar nuevamente el mismo proceso; solamente ajustando el algoritmo de clasificación a
máxima probabilidad como se evidencia en la ilustración 18; con el fin de identificar las
diferencias o similitudes que presentan en su aplicación con respecto a la distancia mínima.
Ilustración 18 - Parámetros De Clasificación Máxima Probabilidad
Tras efectuar la clasificación por el algoritmo de máxima probabilidad, es posible lograr
un archivo adicional en formato .tif al cual se le podrá asignar un nombre para poderlo identificar
y su resultado se expone en la imagen 19 presentada a continuación.
20
Ilustración 19 - Clasificación Supervisada Por Máxima Probabilidad
Al momento de tener la imagen clasificada tanto por el algoritmo de distancia mínima
como de máxima probabilidad se procede a poligonizar la capa, es decir convertir en tipo vector
la imagen mediante el comando de poligonalizar a fin de poder pasar un raster a vector. Dicho
procedimiento se evidencia a continuacion:
Ilustración 20 - Interfaz Para Poligonizar Raster
21
El siguiente paso a realizar es seleccionar la clasificación que se quiere evaluar y teniendo
en cuenta los dos resultados de cada método “distancia mínima y máxima probabilidad” Donde
se ejecuta un análisis comparativo de forma general; en el cual se evidencia una mejor
asertividad con el método de distancia mínima y se aprecia seguidamente:
Ilustración 21 - Comparación Metodos De Clasificación
Para calcular la muestra Congalton (1988) sugiere una superficie aproximada al 1% de la
superficie cartografiada. En éste, como en otros muestreos, el tamaño de la muestra depende del
nivel de probabilidad, o de confianza, que quiera otorgarse a la estimación, así como de la propia
variabilidad de la imagen considerada. Como se trata de medir una variable binomial
(aciertoerror), se emplea normalmente la siguiente fórmula:
Ilustración 22 - Ecuación Para Calculo De La Muestra
22
Donde Z es la abscisa de la curva normal para un nivel determinado de probabilidad; p
indica el porcentaje de aciertos estimado; q, el de errores (q = 1 - p), y E, el nivel permitido de
error. El valor de p y q puede estimarse a partir de datos auxiliares o simplemente igualarse a. 50.
Por ejemplo, si quiere conocerse el número de puntos de verificación, para estimar, con el 95 %
de probabilidad, el error de un determinado mapa, suponiendo que los aciertos son del 85 %, y el
máximo de error permitido es de ± 5 % (Chuvieco, 1995); esto se puede aplicar como se
evidencia en la ilustración 23
Ilustración 23 - Calculo De La Muestra Para La Imagen Satelital
Debido a que el valor es cercano a las 200 muestras, se decide elegir dicho valor para ser
utilizado en la clasificación de las distintas clases anteriormente elegidas y que mediante una
regla de tres sencilla y totalizando los datos arrojados por el programa se puede crear una tabla
donde se evidencian diferentes datos incluyendo el número de segmentos por clase y se aprecia a
continuación:
Ilustración 24 - Tabla De Muestras Por Clase
23
Para una mayor interpretación en la ilustración 25 se puede apreciar los segmentos de
clase y sus valores totalizados teniendo como referente el archivo poligonizado generado en
QGis.
Ilustración 25 - Grafico Segmentos De Clase
En cuanto a la matriz de confusión se obtiene utilizando la herramienta Acatama del
software QGIS, la cual es un complemento del software para la evaluación de precisión de mapas
temáticos y fue diseñada principalmente para estos fines: o Evaluar la precisión de los mapas
temáticos o Para estimar áreas de las clases de mapas o Diseño y generación de muestreo o
Clasificación muestral y otros
Uno de los datos más relevantes que se debe llenar es en la ventana sampling design los
campos de num samples que son los datos relacionados en la tabla resumen correspondiente a las
clases y sus cantidades de muestra (ilustración 24) y que es posible rectificar en la siguiente
imagen:
24
Ilustración 26 - Asignación Del Tamaño De La Muestra Por Clase
Las otras características que solicita Acatama son completadas como se evidencia en la
ilustración 27; teniendo muy en cuenta el número total de las muestras que para este caso son 200
puntos aleatorios los requeridos.
25
Ilustración 27 - Configuración General Acatama
El resultado de la elección de los 200 puntos de muestra aleatorios generados por la
herramienta Acatama es evidenciado en la ilustración 28
Ilustración 28 - Puntos Aleatorios En La Imagen Clasificada
Se debe tener en cuenta que los parámetros iniciales establecidos coincidan con la ventana
Set The Labeling Buttons; tal y como se observa en la ilustración 29. Para de esta manera poder
verificar la clasificación y llegar a decir que se ha realizado de manera correcta
26
Ilustración 29 - Parametros Ventana Set The Labeling Buttons
Adicional a estas primeras verificaciones se verificó que cada punto (200), se haya
asignado correctamente a la clase que pertenece, comparando la imagen clasificada y la imagen
virtual como se puede identificar en la ilustración 30 que esta presentada en seguida:
Ilustración 30 - Verificación De La Clasificación Por Muestras
Teniendo en cuenta la verificación de clasificación en los 200 puntos de muestras se
genera la matriz de confusión que se puede apreciar a continuación y donde la diagonal de esta
matriz expresa el número de puntos de verificación; mientras los marginales suponen errores de
asignación según (Chuvieco, 1995);
27
Ilustración 31 - Matriz De Confusión
La relación entre el número de puntos correctamente asignados y el total expresa la
fiabilidad global del mapa y para este caso es 73% el cual se evidencia a continuación en la
ilustración 32
Ilustración 32 - Fiabilidad Global Del Mapa
Para el índice estadístico Kappa de la clasificación supervisada es necesario realizar la
operación matemática planteada por Hudson y Ranin en el año 1987, y se presenta en la
ilustración 33
Ilustración 33 - Formula Para El Cálculo Del Índice Kappa
Con base a los datos de la matriz de confusión se realiza el cálculo del índice Kappa, el
cual arroja un valor de 0.664, lo que indica que la clasificación efectuada es un 66,42% mejor
que la esperada por azar.
Ilustración 34 - Indice Kappa Calculado
Y teniendo en cuenta la tabla de clasificación presentada en la ilustración 35 se puede
afirmar que el índice kappa en este caso, está comprendido entre 0.6 y 0.8 correspondiente a una
buena concordancia.
28
Ilustración 35 - Tabla Interpretación Del Indice Kappa
Por otro lado el cálculo de errores tanto de omisión y de comisión Chuvieco en 1995
afirma que dichos errores expresan dos enfoques del mismo problema, los primeros se refieren a
una definición imperfecta de la categoría y representan a aquellos residuales en filas que indican
tipos de cubierta real que no se incluyeron en el mapa, mientras que los errores de comisión
representan los residuales en columnas que implican cubiertas del mapa que no se ajustan a la
realidad.
Para hallar los errores de omisión de cada una de las clases primero se halló la exactitud
del producto y la fórmula utilizada se presenta a continuación:
Ilustración 36 - Formula De Exactitud Del Producto
Seguido de concretar la exactitud del producto se debe restarle este valor a 100 para así
conseguir el error de omisión por cada una de las clases y sus resultados son apreciados en la
ilustración 37 mostrada seguidamente; De la que se puede destacar que la clase de suelo desnudo
es cero lo que indica que esa clase está incluida en su totalidad en la cartografía.
29
Ilustración 37 - Tabla Errores De omisión
Por último y no menos importante para calcular los errores de comisión fue necesario
realizar el mismo proceso, pero en este caso se utiliza la exactitud del usuario que se
obtiene mediante la siguiente formula:
Ilustración 38 - Formula Para Calcular La Exactitud Del Usuario
En la siguiente tabla se muestran los valores correspondientes a los errores de
comisión altos en las clases donde los más elevados son las zonas urbanas y los suelos
desnudos, lo que indica una baja probabilidad de que estas clases se haya incluido
correctamente en el mapa.
Ilustración 39 - Tabla Errores De Comisión
30
CONCLUSIONES
• El software de Qgis ofrece una gran variedad de Plugin o complementos que que agilizan
y fortalecen los estándares de calidad como lo es el comando de clasificación
semiautomática SCP la cual permite la clasificación supervisada de imágenes de
teledetección, proporcionando una sin fin de herramientas para la descarga, el
preprocesamiento y el postprocesamiento de imágenes, con el fin de identificar con
mayor claridad las características del área de estudio de manera computarizada
erradicando posibles márgenes de error, sin embargo en dado caso de que las muestras
capturas por el operador y el algoritmo de clasificación no sean los adecuados se corre el
riesgo de una inadecuada determinación de capas.
• Teniendo en cuenta las composiciones de bandas multiespectrales de operación en
imágenes satelitales permiten visualizar determinados elementos o coberturas de la
superficie terrestre, en función de su espectro de emisión, de modo que se pueden
interpretar aspectos como la penetración atmosférica, los usos del suelo, las masas de
agua, entre otras, mediante diferentes tipos de combinaciones en RGB, lo cual le permite
al software presentar y discriminar cada uno de estos objetos a través de diferentes
tonalidades.
• La evaluación de la precisión se debe hacer como parte del análisis de la clasificación de
la imagen ya que determina si es necesario hacer un re-muestreo para cada una de las
clases o si por lo contrario los errores de omisión y comisión arrojaron valores dentro de
los rangos para una buena clasificación.
31
• Al realizar la clasificación supervisada por los dos algoritmos tanto de distancia mínima
como de máxima probabilidad, se identifica que al realizar la clasificación por el primer
método se tiene mayor precisión en el tema de la clasificación dado que visualmente este
señala las coberturas adecuadamente, mientras que segundo método presenta distorsiones
principalmente en la cobertura de zonas urbanas, es por ello que se considera que el
primer algoritmo ofrece una mejor calidad de información respecto a los resultados
adquiridos a pesar de que varios estudios señalan que el algoritmo de distancia mínima no
es muy preciso ya que sobre clasifica la imagen.
• Debido a la obtención de errores de comisión y omisión altos se puede afirmar que
debido a la poca uniformidad y tamaño de las clases, se entremezclan produciendo
confusiones en la clasificación
32
REFERENCIAS BIBLIOGRAFICAS
• Chuvieco, (1995). Fundamentos de teledetección Espacial. Ediciones Rialp, S.A., Madrid
• Torrijos, G. (1). Clasificación de los tipos de pavimentos de las vías urbanas a partir de una
Orto imagen por medio de análisis orientado a objetos., Revista Técnica de la Facultad de
Ingeniería. Universidad del Zulia, 36(3).
• Ideam. 2010. Leyenda Nacional de coberturas de la tierra, metodología Corine Land Cover
para Colombia, Escala 1:100.000. Instituto de Hidrología Meteorología y Estudios
Ambientales. Bogotá D.C., Colombia. 72 pp
33

PROYECTO FINALper

Cargado por

Copyright:

Formatos disponibles

PROYECTO FINALper

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PROYECTO FINALper

Cargado por

Copyright:

Formatos disponibles

PROYECTO FINAL CLASIFICACIÓN Y EVALUACIÓN DIGITAL DE UNA IMAGEN SATELITAL

PROYECTO FINAL CLASIFICACIÓN Y EVALUACIÓN

DIGITAL DE UNA IMAGEN SATELITAL

YERSON DANILO GIRALDO SUAREZ - 20161032504

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES

PROYECTO FINAL CLASIFICACIÓN Y EVALUACIÓN

DIGITAL DE UNA IMAGEN SATELITAL

YERSON DANILO GIRALDO SUAREZ - 20161032504

GERMÁN TORRIJOS CADENA

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES

Ilustración 3 - Instalación Del Plugin SCP.......................................................................................9

Ilustración 4 - Ventana De Trabajo SPC.........................................................................................10

Ilustración 5 - Bandas Cargadas En QGis.......................................................................................11

Ilustración 6 - Interfaz Single Band List.........................................................................................12

Ilustración 8 – crear el ráster virtual...............................................................................................13

Ilustración 9 - Ráster Virtual De Juego De Bandas........................................................................14

Ilustración 10 - Tabla De Clasificación Corine Land Cover..........................................................15

Ilustración 11 - Training Input En La Interfaz De SCP Dock........................................................16

Ilustración 12 - Creación De Entrenamiento De Entrada...............................................................16

Ilustración 13 - Muestras De Zona Urbana.....................................................................................17

Ilustración 14 - Captura De Muestras Para Las Coberturas Faltantes............................................18

Ilustración 15 - Interfaz Band Processing Para La Clasificación...................................................19

Ilustración 16 - Parámetros De Clasificación Distancia Mínima....................................................19

Ilustración 17 - Clasificación Supervisada Por Distancia Mínima.................................................20

Ilustración 18 - Parámetros De Clasificación Máxima Probabilidad..............................................21

Ilustración 19 - Clasificación Supervisada Por Máxima Probabilidad...........................................22

Ilustración 20 - Interfaz Para Poligonizar Raster............................................................................22

Ilustración 21 - Comparación Metodos De Clasificación...............................................................23

Ilustración 22 - Ecuación Para Calculo De La Muestra..................................................................23

Ilustración 23 - Calculo De La Muestra Para La Imagen Satelital.................................................24

Ilustración 24 - Tabla De Muestras Por Clase................................................................................24

Ilustración 25 - Grafico Segmentos De Clase.................................................................................25

Ilustración 26 - Asignación Del Tamaño De La Muestra Por Clase...............................................26

Ilustración 27 - Configuración General Acatama...........................................................................27

Ilustración 28 - Puntos Aleatorios En La Imagen Clasificada........................................................27

Ilustración 29 - Parametros Ventana Set The Labeling Buttons.....................................................28

Ilustración 30 - Verificación De La Clasificación Por Muestras....................................................28

Ilustración 31 - Matriz De Confusión.............................................................................................29

Ilustración 32 - Fiabilidad Global Del Mapa..................................................................................29

Ilustración 33 - Formula Para El Cálculo Del Índice Kappa..........................................................29

Ilustración 34 - Indice Kappa Calculado........................................................................................29

Ilustración 35 - Tabla Interpretación Del Indice Kappa................................................................30

Ilustración 36 - Formula De Exactitud Del Producto.......................................................................30

Ilustración 37 - Tabla Errores De omisión......................................................................................31

Ilustración 38 - Formula Para Calcular La Exactitud Del Usuario................................................31

Ilustración 39 - Tabla Errores De Comisión...................................................................................31

Considerando la necesidad imperante de llevar a cabo una verificación precisa, ejecución

El propósito fundamental de esta iniciativa es analizar y comprender las diferentes

Este análisis facilitará la interpretación de las características del terreno y permitirá

Objetivo General: Realizar la clasificación y evaluación mediante el método supervisado,

1. Desarrollar la clasificación supervisada de la imagen satelital del área de estudio en el path

para llevar a cabo el proceso de clasificación de manera efectiva. Esta imagen

Unidos, como se indica en la ilustración 1.

Ilustración 1 - Imagen Satelital

El software QGis en su Versión 3.128.15 será el que se maneja para el análisis de la

información; A continuación, se muestra la imagen 2 de la interfaz inicial del programa.

El proceso metodológico para la clasificación supervisada se efectúa mediante el software

realizar la clasificación supervisada de la imagen satelital como se muestra en la ilustración 3.