ML aplicado a la predicción de Targets usando sensores remotos
Introducción:
En las últimas dos décadas aproximadamente, la teledetección remota se ha convertido cada vez más en una fuente principal de información sobre la cobertura terrestre. Las imágenes de satélite de teledetección tienen aplicaciones significativas en diversas áreas, como estudios climáticos, evaluación de recursos forestales, examen de entornos marinos, entre otros. La extracción de información sobre la cobertura terrestre a partir de imágenes de satélite utilizando clasificadores de imágenes se ha convertido en un tema de interés e investigación en la comunidad de teledetección.
Algunos de los clasificadores tradicionales que se han utilizado en estudios de teledetección incluyen redes neuronales, clasificadores de árboles de decisión, clasificadores de vecinos más cercanos, máquinas de soporte vectorial, entre otros. A medida que avanza la tecnología, han surgido nuevas técnicas de clasificación que se han vuelto parte de los clasificadores principales. Se han realizado estudios para comparar estas técnicas con las tradicionales y se ha observado que mejoran la precisión de la clasificación.
Sin embargo, aún hay margen considerable para la investigación con el fin de obtener una mayor precisión y maximizar la extracción de información sobre la cobertura terrestre a partir de datos teledetectados. Por lo tanto, la investigación para encontrar nuevos métodos de clasificación continúa, y en este sentido, el enfoque combinado de múltiples clasificadores es una técnica que ha llamado recientemente la atención de la comunidad de teledetección.
El presente articulo resalta la aplicacion de ML, especificamente SVM para crear un mapa tematico que puede ser la representacion de un target como resultado del procesamiento de imagenes obtenidas con sensores remotos.
2. Support vector machines (SVMs)
Las máquinas de vectores de soporte (SVM) son un conjunto de métodos de aprendizaje supervisado utilizados para la clasificación, regresión y detección de valores atípicos. El objetivo principal de SVM es encontrar un hiperplano (una línea en un espacio bidimensional o un plano en un espacio tridimensional) que mejor separe las clases de datos en un conjunto de entrenamiento. SVM busca maximizar la distancia entre este hiperplano y los puntos de datos más cercanos de cada clase, llamados vectores de soporte. Esto se hace para lograr una clasificación óptima y generalizable de datos, incluso en casos de alta dimensionalidad. SVM también es efectivo en la clasificación de datos no lineales mediante la aplicación de funciones kernel que transforman los datos en un espacio de mayor dimensión. Esta versatilidad y capacidad para manejar datos complejos lo convierten en una herramienta esencial en una variedad de aplicaciones de aprendizaje automático, como reconocimiento de patrones, clasificación de imágenes y detección de anomalías.
En el contexto de la Teledetección Remota, SVM son una herramienta valiosa para la clasificación de imágenes satelitales y la detección de patrones en datos teledetectados. SVM se utiliza para separar con precisión diferentes tipos de cobertura terrestre en imágenes, como bosques, cuerpos de agua y áreas urbanas, lo que es fundamental para la monitorización ambiental, la gestión de recursos naturales y la planificación urbana. Además, las SVM pueden manejar datos espectrales complejos y, mediante el uso de funciones kernel, adaptarse eficazmente a escenarios de Teledetección Remota no lineales, permitiendo una mayor precisión en la identificación de características en la superficie terrestre. En resumen, las Máquinas de Soporte Vectorial son una herramienta poderosa para el análisis de datos teledetectados y la extracción de información valiosa para una amplia gama de aplicaciones en Teledetección Remota.
Si desea saber mas sobre SVM puede ingresar a: https://scikit-learn.org/stable/modules/svm.html#
3. Otros Clasificadores
Además de las Máquinas de Soporte Vectorial (SVM) mencionadas anteriormente, existen varios otros clasificadores que se utilizan en Teledetección Remota para tareas de clasificación de imágenes y análisis de datos espectrales. Algunos de los clasificadores populares incluyen:
• Clasificador de Vecinos Más Cercanos (k-NN): Este método asigna una etiqueta de clase a un punto de datos basándose en la mayoría de las etiquetas de sus vecinos más cercanos en el espacio de características. Es útil para la clasificación de datos con características similares en grupos cercanos.
• Árboles de Decisión: Los árboles de decisión dividen los datos en función de características específicas y reglas de decisión. Son fáciles de interpretar y se utilizan para la clasificación y regresión en Teledetección Remota.
• Random Forest: Esta técnica es una extensión de los árboles de decisión que combina múltiples árboles para mejorar la precisión y reducir el sobreajuste. Es especialmente eficaz en la clasificación de datos con muchas características.
• Redes Neuronales Artificiales (ANN): Las redes neuronales son modelos de aprendizaje profundo que pueden manejar datos complejos y no lineales. Se utilizan para la clasificación de imágenes y el análisis de datos espectrales en Teledetección Remota.
• Regresión Logística: Aunque se utiliza comúnmente para problemas de regresión, también puede adaptarse para la clasificación binaria en Teledetección Remota, donde se trata de distinguir entre dos clases.
• Máquinas de Vectores de Soporte Multiclase (M-SVM): Una extensión de las SVM que se utiliza cuando se trata de problemas de clasificación con más de dos clases.
• Naïve Bayes: Este clasificador se basa en el teorema de Bayes y se utiliza para la clasificación de documentos y la detección de características en datos espectrales.
• Máquinas de Aprendizaje Extremo (Extreme Learning Machines, ELM): Son modelos de aprendizaje profundo que pueden utilizarse para tareas de clasificación en Teledetección Remota.
• K-Means: Aunque es más comúnmente utilizado para agrupar datos, también puede utilizarse para la clasificación no supervisada de imágenes teledetectadas.
• La elección del clasificador depende de la naturaleza de los datos, la complejidad del problema y los requisitos de precisión. En muchos casos, se realizan comparaciones entre varios clasificadores para determinar cuál se adapta mejor a una tarea específica en Teledetección Remota.
4. Teledetección y Sensores Remotos
4.1 Teledetección
La Teledetección Remota se refiere al proceso de adquirir información sobre la Tierra o cualquier objeto en la Tierra desde una distancia, generalmente utilizando sensores montados en satélites, aviones, drones u otras plataformas aéreas. Implica la recopilación de datos a través de sensores remotos para analizar y comprender características geográficas, ambientales o terrestres sin estar en contacto físico directo con ellas. La Teledetección Remota abarca todo el proceso, desde la adquisición de datos hasta el análisis e interpretación de la información obtenida
Figura: Sistema de Satelites para Teledetección
En Teledetección Remota, se utilizan varios tipos de satélites para recopilar datos sobre la Tierra desde el espacio. Estos son algunos de los tipos de satélites más comunes utilizados en esta disciplina:
Satélites de Observación de la Tierra: Estos satélites, como Landsat y Terra, están diseñados específicamente para la Teledetección Remota y suelen llevar una variedad de sensores a bordo. Capturan datos multiespectrales y proporcionan imágenes de la superficie terrestre para aplicaciones de clasificación de cobertura terrestre, monitoreo ambiental y detección de cambios.
Satélites de Radar: Los satélites de radar, como Sentinel-1, utilizan radares para recopilar datos independientemente de las condiciones climáticas y de iluminación. Son valiosos para aplicaciones de topografía, seguimiento de movimiento y detección de cambios.
Satélites de Comunicaciones y Navegación: Aunque no están diseñados específicamente para la Teledetección, algunos satélites de comunicaciones y navegación, como los satélites GPS, se utilizan para medir la deformación de la Tierra o para la geolocalización de datos.
Satélites Meteorológicos: Estos satélites, como los satélites NOAA, se utilizan para la observación y predicción del clima. Proporcionan datos importantes para la Teledetección, especialmente para el monitoreo de condiciones atmosféricas y cambios climáticos.
Satélites de Observación Científica: Satélites como Aqua y Jason se utilizan para llevar a cabo investigaciones científicas específicas, como el estudio de la atmósfera y los océanos. Sus datos son esenciales para comprender el sistema terrestre.
Satélites de Alta Resolución: Satélites como los de la serie SPOT ofrecen una alta resolución espacial y se utilizan para aplicaciones de cartografía, planificación urbana y monitoreo de infraestructuras.
Satélites de Reconocimiento Militar: Aunque su acceso es limitado para fines civiles, algunos de estos satélites proporcionan imágenes de alta resolución utilizadas en aplicaciones de Teledetección Remota.
Cada tipo de satélite tiene características específicas que lo hacen adecuado para diferentes aplicaciones en Teledetección Remota. La elección del satélite depende de los objetivos de la misión y los datos requeridos para el análisis de la superficie terrestre y la atmósfera.
4.2 Sensores Remotos:
Existen diversos tipos de sensores remotos utilizados en la Teledetección Remota, y cada uno de ellos está diseñado para recopilar información específica sobre la Tierra o su entorno. Aquí tienes algunos ejemplos de sensores remotos comunes:
Sensores Ópticos: Estos sensores capturan la radiación electromagnética en la parte visible e infrarroja del espectro. Ejemplos incluyen:
Cámaras Multiespectrales: Utilizadas en satélites como el Landsat para capturar imágenes en diferentes bandas espectrales para la clasificación de cobertura terrestre.
Cámaras Hiperespectrales: Capturan información en muchas bandas espectrales estrechas y se utilizan en aplicaciones como la detección de minerales y la agricultura.
Cámaras Pancromáticas: Capturan imágenes en blanco y negro de alta resolución y se utilizan para la generación de imágenes de alta calidad.
Sensores de Radar: Utilizan ondas de radar para penetrar a través de las nubes y proporcionar imágenes tanto de día como de noche. Ejemplos incluyen:
SAR (Synthetic Aperture Radar): Se utiliza para aplicaciones de detección de cambios, topografía, seguimiento de movimiento de tierras y vigilancia de inundaciones.
SAR de Apertura Doppler (Doppler SAR): Se utiliza para medir la velocidad del movimiento de objetos en la superficie de la Tierra, como el seguimiento de barcos.
Sensores Térmicos: Estos sensores miden la radiación infrarroja térmica emitida por la Tierra y sus objetos. Ejemplos incluyen:
Radiómetros Infrarrojos: Utilizados para medir la temperatura de la superficie terrestre y detectar cambios de temperatura.
Cámaras Térmicas: Capturan imágenes basadas en la radiación térmica y se utilizan en aplicaciones de detección de incendios forestales, gestión de recursos hídricos y termografía industrial.
Sensores Lidar: Utilizan pulsos láser para medir la distancia entre el sensor y la superficie de la Tierra. Se utilizan en aplicaciones de topografía de alta precisión y generación de modelos digitales de elevación.
Figura: Componentes de un sistema LIDAR.
Sensores de Microondas: Capturan datos de microondas para estudiar la humedad del suelo, la salinidad, la vegetación y otros parámetros. Son valiosos en aplicaciones agrícolas y ambientales.
Sensores de Hiperspectral: Capturan datos en muchas bandas espectrales estrechas y se utilizan en aplicaciones de investigación científica, agricultura de precisión y detección de minerales.
Sensores de Ultravioleta y Rayos X: Utilizados en aplicaciones especializadas, como la monitorización de la capa de ozono y la inspección de estructuras en la industria.
Estos son solo algunos ejemplos de sensores remotos utilizados en la Teledetección Remota. Cada tipo de sensor tiene sus propias ventajas y aplicaciones específicas, y la elección del sensor depende de los objetivos de la misión y la información que se desee recopilar.
Los sensores remotos utilizados en Teledetección Remota varían en resolución, lo que se refiere a la capacidad de capturar detalles en la superficie terrestre. La resolución puede ser de diferentes tipos, incluyendo resolución espacial, espectral, temporal y radiométrica. Aquí está una descripción de estos tipos de resolución:
Resolución Espacial: Se refiere a la capacidad de un sensor para distinguir objetos o características en la superficie terrestre. Cuanto menor sea la resolución espacial, menos detalles podrán distinguirse. Los sensores con alta resolución espacial pueden capturar objetos pequeños con claridad, mientras que los de baja resolución muestran áreas más grandes pero con menos detalle.
Figura: Conceptos sobre resolución espacial
Resolución Espectral: Se refiere a la capacidad de un sensor para detectar diferentes longitudes de onda dentro del espectro electromagnético. Los sensores multiespectrales tienen una resolución espectral limitada y detectan solo algunas bandas específicas, mientras que los hiperespectrales capturan un rango más amplio de bandas espectrales, lo que permite una identificación más precisa de materiales y características en la superficie. Los datos captados por los satélites de Teledetección se registran en diferentes banda del espectro electromagnético. Lo que genera una imagen monocromo que podemos visualizar en escala de grises con una paleta de 256 tonos. Por lo que cada pixel de la imagen puede contener un valor que oscila entre el negro (valor 0) y el blanco (valor 256).
Figura: Bandas en la Resolucion Espectral
Resolución Temporal: Indica con qué frecuencia un sensor pasa sobre la misma área geográfica. Sensores con alta resolución temporal pueden proporcionar imágenes más frecuentes de una región, lo que es útil para el seguimiento de cambios rápidos, como el crecimiento de cultivos o la evolución de desastres naturales.
Resolución Radiométrica: Esta resolución se refiere a la capacidad de un sensor para detectar variaciones en la intensidad de la radiación electromagnética. Cuanta mayor resolución radiométrica tenga un sensor, más sutiles serán las diferencias de intensidad que puede detectar. Esto es importante para distinguir entre diferentes materiales o condiciones en la superficie terrestre.
Figura: Bandas en la Resolucion Espectral
5. Clasificación de imágenes en teledetección usando SVM
El proceso de clasificación de imágenes satelitales con SVM (Support Vector Machine) para producir un mapa temático implica varios pasos clave:
• Adquisición de Datos: Comienza con la adquisición de imágenes satelitales de la zona de interés. Estas imágenes capturan datos en diferentes bandas espectrales, lo que permite identificar objetos y características en la superficie terrestre.
• Preprocesamiento de Imágenes: Las imágenes adquiridas a menudo requieren preprocesamiento para corregir distorsiones geométricas y radiométricas, así como para eliminar artefactos. También es común realizar una corrección atmosférica para reducir los efectos de la atmósfera en los datos.
• Selección de Muestras de Entrenamiento: Para la clasificación supervisada con SVM, se seleccionan muestras de entrenamiento que representen cada clase de interés en el mapa temático. Estas muestras se etiquetan manualmente, indicando a qué clase pertenecen.
Extracción de Características: Se extraen características relevantes de los píxeles de las imágenes, como valores espectrales en las diferentes bandas, texturas y estructuras. Estas características se utilizan como entradas para el clasificador SVM.
• Entrenamiento del Modelo SVM: El modelo SVM se entrena utilizando las muestras de entrenamiento etiquetadas y las características extraídas. El SVM busca encontrar un hiperplano de separación óptimo que maximice la distancia entre las clases en el espacio de características.
• Clasificación de la Imagen: Una vez que el modelo SVM está entrenado, se aplica a toda la imagen satelital. El clasificador SVM asigna una clase a cada píxel en función de las características extraídas y el modelo de separación aprendido durante el entrenamiento.
Postprocesamiento: El resultado de la clasificación puede requerir postprocesamiento para eliminar ruido, suavizar bordes y refinar las clases. Esto puede incluir técnicas de filtrado espacial y análisis de objetos.
• Generación del Mapa Temático: Finalmente, se genera el mapa temático que representa las clases identificadas en la imagen satelital. Cada píxel en el mapa se asigna a una categoría específica, como "vegetación", "agua", "suelo", etc., en función de la clasificación SVM.
El mapa temático resultante es útil en una variedad de aplicaciones, como la planificación urbana, la gestión de recursos naturales, el monitoreo agrícola y la detección de cambios en el uso de la tierra
Figura: Clases de Imágenes en Teledetección:
Fuente: Martínez, E. (2019).
Figura: Ejemplo de imágenes clasificada con Resultado de una mapa temático.
Fuente: Martínez, E. (2019).
Figura: Ejemplo de imágenes clasificada con Resultado de una mapa temático.
Fuente: Martínez, E. (2019).
Figura: Ejemplo de SVM – Clasificación de imágenes
Fuente: Martínez, E. (2019).
Figura: SVM Aplicación a Imágenes
Fuente: Martínez, E. (2019).
Conclusiones:
La aplicación de ML en las imágenes de teledetección usan múltiples técnicas de las denominada de clasificación supervisada. Se tiene varios de los cuales destacamos SVM en el presente articulo. Elegir un método es una tarea retadora. Entender la informacion el proceso de captura de informacion y la aplicación de la técnica propuesta y se han comparado con los otros tres clasificadores para mostrar su eficacia.
Referencias Bibliográficas:
InnovationE. (2019, 24 de junio). Fundamentos de Teledetección. Innovatione.eu. Recuperado de https://innovatione.eu/2019/06/24/fundamentos-de-teledeteccion/
Martínez, E. (2019). Título del documento. Universidad Politécnica de Madrid. https://www.etsisi.upm.es/sites/default/files/doctorado/curso_2019_20/material7_estibalizmartinez_seminv_2019-20.pdf
Maulik, U., & Chakraborty, D. (2010). A Robust Multiple Classifier System for Pixel Classification of Remote Sensing Images. FUNDAMENTA INFORMATICAE, 101(4), 286–304. https://doi.org/10.3233/FI-2010-289
Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: an applied review. INTERNATIONAL JOURNAL OF REMOTE SENSING, 39(9), 2784–2817. https://doi.org/10.1080/01431161.2018.1433343
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis