{"id":7646,"date":"2018-12-20T05:05:27","date_gmt":"2018-12-20T04:05:27","guid":{"rendered":"http:\/\/www.sigterritoires.fr\/?p=7646"},"modified":"2018-12-20T08:24:15","modified_gmt":"2018-12-20T07:24:15","slug":"tutorial-de-clasificacion-de-imagenes-de-arcmap-2-5-exploracion-de-los-datos","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/es\/tutorial-de-clasificacion-de-imagenes-de-arcmap-2-5-exploracion-de-los-datos\/","title":{"rendered":"Tutorial de clasificaci\u00f3n de im\u00e1genes de ArcMap: 2.5 \u2013 Exploraci\u00f3n de los datos"},"content":{"rendered":"\n

Los datos de bandas multiespectrales diferentes, a menudo, est\u00e1n altamente correlacionados y contienen informaci\u00f3n similar. Por ejemplo, los sensores en la banda 4 y 5 de Landsat MSS (verde y rojo, respectivamente)producen im\u00e1genes de apariencia visual muy similares porque la reflectancia para el mismo tipo de superficie es casi id\u00e9ntica. Las transformaciones de imagen basadas en el procesamiento estad\u00edstico complejo de datos multiespectrales se pueden utilizar para reducir la redundancia de datos y la correlaci\u00f3n entre bandas. El an\u00e1lisis de componentes principales<\/strong> es una transformaci\u00f3n de este tipo. El objetivo de esta transformaci\u00f3n es reducir el n\u00famero de dimensiones (n\u00famero de bandas) y producir compresi\u00f3n de informaci\u00f3nde m\u00faltiples bandas en un n\u00famero menor de bandas. Las \u201cnuevas\u201d bandas que resultan de esta compresi\u00f3n estad\u00edstica se llaman componentes<\/strong> . Este proceso apunta a maximizar (estad\u00edsticamente) la cantidad de informaci\u00f3n (ovarianza) de los datos originales en un n\u00famero limitado de componentes. Por ejemplo, el an\u00e1lisis de componentes principales puede transformar datos de siete bandas de sensores TM \/ Landsat (Mapeador tem\u00e1tico) de modo que los tres componentes principales de la transformaci\u00f3n contengan m\u00e1s del 90% de la informaci\u00f3n contenida en las siete bandas iniciales. Interpretar y analizarestos tres componentes, combin\u00e1ndolos visual y num\u00e9ricamente, es m\u00e1s simple y m\u00e1s eficiente que usar las siete bandas originales. El an\u00e1lisis de componentes principales u otras transformaciones complejas pueden ser usadas como t\u00e9cnicas de mejora visual para facilitar la interpretaci\u00f3n o para reducir el n\u00famero de bandas que se proporcionar\u00e1n como datos de entrada a un procedimiento declasificaci\u00f3n num\u00e9rica. <\/p>\n\n\n\n\n\n\n\n

La herramienta Componentes principals de ArcMap <\/strong><\/p>\n\n\n\n

La herramienta componentes principales<\/em><\/strong> convierte los datosde los canales de entrada en el espacio de atributos multivariados cuando se hace girar los ejes en relaci\u00f3n con el espacio original. Los ejes (atributos)del nuevo espacio no est\u00e1n correlacionados. La raz\u00f3n principal para transformarlos datos en un an\u00e1lisis de componentes principales es comprimir los datos eliminando la redundancia. <\/p>\n\n\n\n

Es obvio que los datos son redundantes en un raster multicanal incluyendo valores de altitud, pendiente y exposici\u00f3n (en una escala continua). Debido aque la pendiente y la exposici\u00f3n generalmente se derivan de la altitud, se puede explicar una gran proporci\u00f3n de la varianza en el \u00e1rea de estudio, gracias a la altitud. <\/p>\n\n\n\n

El resultado es un raster multicanal con el mismo n\u00famero de canales que los componentes designados (un canal por eje en el nuevo espacio multivariado).El primer componente principal tendr\u00e1 la varianza m\u00e1s alta, el segundo componente la varianza m\u00e1s alta que no se describe por el primero, y as\u00ed sucesivamente. A menudo, los primeros tres (o cuatro) r\u00e1steres del r\u00e1ster multicanal generado con la herramienta de componentes principales pueden describir m\u00e1s de 95 \u00a0 % de la varianza. Puede eliminar los canales individuales restantes. Porque el nuevo r\u00e1ster contiene menos capas y m\u00e1s de95. \u00a0 % de la varianza del r\u00e1ster original, los c\u00e1lculos son m\u00e1s r\u00e1pidos y se mantiene la precisi\u00f3n. <\/p>\n\n\n\n

La herramienta Componentes principales<\/em><\/strong> precisa un r\u00e1ster de entrada multicanal, el n\u00famero de componentes principales para convertir los datos, el nombre del archivo de estad\u00edsticas de salida y el nombre del r\u00e1ster de salida. El r\u00e1ster de salida tiene el mismo n\u00famero de canales que el n\u00famero definido de componentes. Cada canal describe un componente. <\/p>\n\n\n\n

Conceptos de an\u00e1lisis de componentes principales<\/strong> <\/p>\n\n\n\n

Te\u00f3ricamente, utilizando un r\u00e1ster de dos canales, el desplazamiento, la rotaci\u00f3n de los ejes y transformaci\u00f3n de los datos se realizan de la siguiente manera \u00a0 : <\/p>\n\n\n\n

Los datos se representan en un diagrama de dispersi\u00f3n. <\/li><\/ul>\n\n\n\n
Se calcula una elipse para vincular los puntos contenidos en la nube de puntos<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
L\u00edmite de elipse dibujado Se indica el eje mayor de la elipse. El eje mayor se convierte en el nuevo eje x, el primer componente principal (PC1). PC1 describe la varianza m\u00e1s importante porque representa la secci\u00f3n transversal m\u00e1s grande en la elipse. La direcci\u00f3n de PC1 es el vector propio, y su magnitudel valor propio. El \u00e1ngulo del eje de las x con respecto a PC1 esel \u00e1ngulo de rotaci\u00f3n utilizado en la transformaci\u00f3n. <\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
Primer componente principal <\/p>\n\n\n\n
El sistema calcula una l\u00ednea perpendicular a la l\u00ednea ortogonal PC1. Esta l\u00ednea es el segundo componente principal(PC2) y el nuevo eje para el eje de las y original (vea la figura a continuaci\u00f3n). El nuevo eje describe la segunda varianza m\u00e1s grande que no aparece en PC1. \u00a0\u00a0<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
Segundo componente principal <\/p>\n\n\n\n
Utilizando los vectores propios, los valores propios y la matriz de covarianza calculada de la entrada del r\u00e1ster multicanal, se crea una f\u00f3rmula lineal que define el desplazamiento y la rotaci\u00f3n. Esta f\u00f3rmula se aplica para transformar el valor de cada celda en relaci\u00f3n con el nuevo eje. <\/p>\n\n\n\n
Ejemplo<\/strong> <\/p>\n\n\n\n
Retomaremos la imagen del Landsat 8 de cap\u00edtulos anteriores. Primero crearemos una imagen compuesta con las 11 bandas. Con la herramienta \u00a0 Bandascompuestas<\/strong> de la caja de herramientas: \u00a0<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
El resultado se muestra en ArcMap. \u00a0\u00a0<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nUsaremos\nToolbox-> Herramientas Spatial Analyst -> Multivariable ->\nComponentes Principales<\/strong><\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
Introduzca un nombre para el r\u00e1ster resultante. Contendr\u00e1 los valores\ncalculados para cada componente solicitado, para cada p\u00edxel de la imagen. <\/p>\n\n\n\n
El n\u00famero de componentes principales se puede dejar por default al n\u00famero de bandas de entrada, pero para ahorrar tiempo de c\u00e1lculo y producir r\u00e1steres de resultados menos voluminosos, podemos ingresar directamente 3 como componentes para calcular. Es casi imposible encontrar im\u00e1genes donde un cuarto componente proporciona informaci\u00f3n adicional significativa. El \u00faltimo archivo es el archivo donde encontrar\u00e1 los resultados del an\u00e1lisis. Para nuestro ejemplo, en la parte inferior del archivo tenemos: \u00a0\u00a0<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
La columna Percent EigenValues<\/em><\/strong> proporciona el porcentaje\nde variaci\u00f3n explicado por cada componente calculado. En nuestro caso: <\/p>\n\n\n\n
El primer componente principal explica el 92% de la varianza de los datos de los 11 canales de entrada <\/li>
El segundo componente principal representa el 7%. <\/li>
El tercero y \u00faltimo explica el 1%de la \u00a0 varianza total. <\/li><\/ul>\n\n\n\n
\n\n\n\n\n\nAqu\u00ed est\u00e1 la representaci\u00f3n de cada banda calculada.\n \n\n\n\n<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
Banda 1 de los componentes principales. <\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nBanda\n2 de los componentes principales. \n\n\n\n<\/p>\n\n\n\n
$\"\"$ <\/figure>\n\n\n\n
Banda 3 de los componentes principales. <\/p>\n\n\n\n
Dependiendo del tipo de objetivo buscado \u00a0 en la clasificaci\u00f3n,puede ser mucho m\u00e1s sencillo crear un archivo de firma a partir de este nuevo r\u00e1ster que a partir \u00a0del r\u00e1ster original.<\/p>\n","protected":false},"excerpt":{"rendered":"
Los datos de bandas multiespectrales diferentes, a menudo, est\u00e1n altamente correlacionados y contienen informaci\u00f3n similar. Por ejemplo, los sensores en la banda 4 y 5 de Landsat MSS (verde y rojo, respectivamente)producen im\u00e1genes de apariencia visual…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[842],"tags":[],"class_list":["post-7646","post","type-post","status-publish","format-standard","hentry","category-non-classe-es"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-1Zk","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/7646","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=7646"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/7646\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=7646"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=7646"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=7646"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}