Integración de Datos Geoespaciales Multifuente para el Seguimiento del Sellado Superficial de Zonas Costeras mediante Técnicas de Análisis de Imágenes Digitales Basadas en Objetos (OBIA).

UNIVERSIDAD DE ALMERÍA
ESCUELA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA RURAL

Integración de Datos Geoespaciales Multifuente para el
Seguimiento del Sellado Superficial de Zonas Costeras
mediante Técnicas de Análisis de Imágenes Digitales
Basadas en Objetos (OBIA).

Alumno: Felipe Flores Imbernón
Almería, 27 JULIO DE 2011

Directores:
Fernando J. Aguilar Torres
Ismael Fernández Luque

26/10/2012 Felipe Flores Imbernón 1

ÍNDICE
1. INTRODUCCIÓN.
2. OBJETIVOS.
3. MATERIALES Y MÉTODOS.
4. RESULTADOS Y DISCUSIÓN.
5. CONCLUSIONES.


1. INTRODUCCIÓN

Costa Cambios por
mediterráne variaciones
a climáticas

Temperaturas Nivel del mar
Precipitaciones
+
Presión
antrópica
Exceso de Gran densidad
urbanización de población

La necesidad de implementar sistemas eficaces de
seguimiento de los efectos producidos por este tipo de
actuaciones sobre nuestro litoral.

1. INTRODUCCIÓN

Técnicas usadas Clasificaciones
para la basadas en
extracción de Aplicación a nivel
parámetros
información estadísticos

De objetos
homogéneos
De píxel
(Segmentación
imagen)(OBIA)

Ventajas de OBIA:
1. Permite relaciones topológicas entre objetos.
2. Permite relaciones entre objetos y relaciones entre super-objetos o sub-
objetos.


2. OBJETIVOS

1.Desarrollo y evaluación de técnicas basadas en la integración-fusión
de datos georreferenciados, segmentación de objetos y clasificación de
los mismos (técnicas OBIA) para la detección de zonas impermeables y
permeables.

2.Estudio comparativo entre un ground truth total (resultado de la
digitalización manual de la verdad terreno) y otro ground truth (selección
de muestras al azar en una porción del proyecto).


3. MATERIALES Y
METODOS
Área de trabajo

-Zona costera situada entre las
poblaciones de Villaricos y Vera.
-Extensión de 6 Km.
-Anchura de 700 metros.
-Enclaves de interés.
-Desembocadura del río Almanzora.
-Desembocadura del río Antas
Riesgo de inundación muy grave.
-Falla Carboneras-Palomares.


3. MATERIALES Y
METODOS
Materiales
empleados
• Ortoimágenes RGB+NIR de alta resolución.

-Canales: RGB+NIR
(Rojo, Verde, Azul e Infrarrojo
Cercano).
-Resolución radiométrica: 12 bits y
transformadas a 8 bits.
-Formato: tiff.
-División de la ortoimagen en
hojas ralentiza e imposibilita el
análisis debido a la cantidad de
información.
-Tamaño de pixel: 0,2metros
-Resolución espacial:20 cm


3. MATERIALES Y
METODOS
Materiales
empleados

• Datos altimétricos LiDAR. Productos
derivados.
-Medición escáner laser altimétrico desde
avión.
-Proporcionan valor altimétrico a los
objetos que se segmentan en la imagen.
-Resolución espacial:1 m
-Productos derivados:
•MDE (Proceso de filtrado previo).
•MDS.
•MDO (MDE-MDS).
• Datos catastrales usados para la obtención del ground truth
total.


3. MATERIALES Y
METODOS

Metodología

a) Metodología empleada para la clasificación de las
imágenes.
b) Metodología empleada para la extracción del ground truth
total.
c) Metodología utilizada para ground truth muestral.


3. MATERIALES Y
METODOS
a) Metodología utilizada en
eCognition


3. MATERIALES Y
METODOS
eCognition
Segmentaciones empleadas.
-Escala 600.
-Escala 300.
-Escala 200 (Canny).
-Escala 50 (Escala de
referencia).


3. MATERIALES Y
METODOS
eCognition
1. Clasificación Mar - Tierra.
- Uso de NDVI por la absorción del
infrarrojo por las superficies acuáticas.
- Umbral principal utilizado NDVI<-0,24.
- Refinamiento de la clasificación:
•De Tierra a Mar con infrarrojo<30.
•De Tierra a Mar con relative
border≤0,45.


3. MATERIALES Y
METODOS
eCognition
2. Clasificación Objetos - No
Objetos.
- MDO>0,8.

3. Clasificación
Objetos_Sombras -
Objetos_No Sombras.
- Brightness o brillo≤ 60.


3. MATERIALES Y
METODOS
eCognition
4. Clasificación Árboles - Edificios.

-NDVI≥0,14.
-Refinamiento de la
clasificación:
•Árboles a Edificios con
densidad<1,1.
•Árboles a Edificios con
relative border=1.


3. MATERIALES Y
METODOS
eCognition
5. Clasificación Urbano - No Urbano.

-MDO≥0,8 metros
-GLCM Entropy Canny all
directions< 6,5.


3. MATERIALES Y
METODOS
eCognition
6. Clasificación Playa.
- MDT≤1,81 metros
- GLCM Entropy Canny all
directions ≥ 5,8.

7. Clasificación Zona de
- -0.19 ≤NDVI ≥ -0.13
Puertos.
- MDO≥0,2 m.


3. MATERIALES Y
METODOS
eCognition
8. Clasificación Impermeable -
Permeable.
-Paso de información de escala
600, 300 y 200 a la escala 50
(escala de referencia).
-Clasificación en clase
Impermeable de Urbano, Edificios
y Zonas de Puertos y en clase
Permeable de No Urbano, Árboles
y Playas.


3. MATERIALES Y
METODOS
b) Metodología empleada para la extracción del ground truth
total

- Extracción de una verdad
terreno continua y que ocupe
todo el área de estudio.
- Edición manual mediante CAD
de 12 clases.
- Paso directo a SIG.
- Agrupación en SIG en clases
permeables e impermeables.
- Conversión a archivo imagen
(tiff) para comparación con
clasificación OBIA.


3. MATERIALES Y
METODOS
c) Metodología utilizada para ground truth
muestral
- Segmentación de la imagen a escala
25.
- Paso de segmentación a SIG
vectorial.
- Generación de números aleatorios
(IDs de objetos).
- Identificación visual de los objetos
como permeables o impermeables en
SIG.
- Estimación estadística de resultados.
•Tamaños de muestra: 100, 250 y
500.
•4 repeticiones para cada tamaño.

4. RESULTADOS Y
DISCUSIÓN

1) Resultados para ground truth total.

2) Análisis del número de muestras adecuado.

3) Resultados para determinar el porcentaje de

impermeabilidad.


4. RESULTADOS Y
DISCUSIÓN
Estimación de la precisión.
Definiciones.
-La matriz de confusión es una modalidad de tabla de contingencia, a partir de
la cual podrá extraerse información cuantitativa acerca del proceso de
verificación.

-La fiabilidad global de la imagen clasificada se estima como la razón existente
entre el número de celdillas correctamente clasificadas y el total de celdillas
muestreadas.

-El error de productor (error de omisión): error en la que incurre el analista
como consecuencia de la no inclusión de algunas celdillas en la clase
correspondiente.

-El error del usuario (error de comisión): es cuando supone cierta la
naturaleza de una celdilla basada en la clasificación, cuando en realidad puede
pertenecer a una clase diferente.

-Los complementarios a 100 de ambos riesgos serán la fiabilidad del
productor y la fiabilidad del usuario.

4. RESULTADOS Y
DISCUSIÓN

1.Ground truth total.
-La comparación entre lo clasificado por eCognition® y el ground truth
total.
-Se obtiene un acierto medio del 84,6%.
-Las diferencias de acierto total entre partes  variaciones
radiométricas de la zona que han llevado a la imposibilidad de aplicar el
mismo árbol de procesos en toda la zona de estudio. En el proyecto en
papel se muestran las variaciones del productor (%)
Parte
Acierto Total Fiabilidad según la parte. Fiabilidad del usuario (%)
(%) Impermeable Permeable Impermeable Permeable
1.2 86,77 84,07 87,67 70,99 94,32

2.1 81,21 56,79 89,57 72,56 86,17

2.2 86,40 88,33 85,14 80,13 92,42
3.1 82,29 57.90 88,45 58,08 89,51
3.2 85,28 75,65 86,87 49,66 95,58
4.1 81,88 88,98 79,64 57,96 95,82
4.2 95,14 29,23 97,06 22,53 97,92
5.1 78,24 89,13 70,10 69,04 89,61

4. RESULTADOS Y
DISCUSIÓN
2.Análisis del número de muestras
adecuado.
-Mejores valores de fiabilidad del productor y la fiabilidad del usuario
mejor acierto total.
Numero de Acierto Fiabilidad del productor (%) Fiabilidad del usuario (%)
muestras Total (%) Impermeable Permeable Impermeable Permeable
Sample A 100 84,08% 84,10 84,06 81,34 86,85
Sample B 100 90,93% 90,51 91,14 83,49 95,11
Sample C 100 84,20% 85,60 83,64 67,52 94,22
Sample D 100 86,93% 86,55 87,13 82,75 91,60
Sample E 250 83,20% 85,85 81,83 70,99 92,17
Sample F 250 87,40% 86,57 89,12 94,35 77,06
Sample G 250 88,28% 93,14 84,80 81,57 94,58
Sample H 250 86,10% 92,68 82,48 74,64 95,43
Sample I 500 89,51% 91,12 86,05 81,06 93,09
Sample J 500 91,22% 90,33 91,73 86,30 94,43
Sample K 500 89,13% 90,25 88,45 83,16 93,76
Sample L 500 89,94% 95,59 86,41 82,06 96,91

4. RESULTADOS Y
DISCUSIÓN
adecuado.
Para explicar cual es la mejor opción del numero de muestras adecuado.
Se procede al cálculo de la desviación estándar que es un valor que
muestra la concentración o dispersión de los valores obtenidos.
Intervalo de confianza IC=Media±1.96*σ.

Numero de Desviación estándar
Promedio IC superior IC inferior
muestras (σ)

100 2,78% 86,54% 91,99% 81,08%

250 1,92% 86,25% 90,01% 82,48%

500 0,78% 89,95% 91,49% 88,41%


4. RESULTADOS Y
DISCUSIÓN
adecuado.

3.50
94.00

3.00
92.00

2.50 90.00

Promedio
2.00 88.00
ICsup
86.00
1.50 ICinf

84.00 Expon.
1.00 (Promedio)
82.00
0.50
80.00

0.00 0 100 200 300 400 500 600

0 100 200 300 400 500 600

Los conjuntos de 500 muestras se obtiene IC significativamente menor.

4. RESULTADOS Y
DISCUSIÓN
3.Resultados obtenidos de impermeabilidad para la zona
piloto.
-Exportación de las clasificaciones
realizadas mediante eCognition.
-Segmentación chessboard con
tamaño de objeto de 500 representa 75
m de lado para cada pequeño
cuadrado.
-Obtención del área de cada cuadrado.
-Obtención del porcentaje de
permeabilidad y el porcentaje de
impermeabilidad.
-El porcentaje medio de
impermeabilidad para la zona es de
48,92%.


5.
CONCLUSIONES
-El coste temporal para la generación del ground truth total y el peor
resultado de clasificación provoca que sea más ventajoso el uso del
ground truth por muestras (número de muestras entorno al 1% del total)
que es obtenido con menor coste de tiempo y obteniéndose mejor
resultado de clasificación.
-El uso de la tecnología OBIA es ventajoso permite relaciones entre
objetos vecinos y relaciones entre superobjetos y subobjetos.
-La clasificación basada en pixeles no permite esta clasificación
contextual.
-La precisión en la clasificación se ve afectada debido a la variación
radiométrica de las ortoimágenes.
-El porcentaje de ISA clasifica a la zona de estudio según
Schueler, Arnold y Gibbons como zona degradada(estanqueidad>26%).


GRACIAS POR SU
ATENCIÓN


Integración de Datos Geoespaciales Multifuente para el Seguimiento del Sellado Superficial de Zonas Costeras mediante Técnicas de Análisis de Imágenes Digitales Basadas en Objetos (OBIA).

Recommandé

Recommandé

Contenu connexe

Similaire à Integración de Datos Geoespaciales Multifuente para el Seguimiento del Sellado Superficial de Zonas Costeras mediante Técnicas de Análisis de Imágenes Digitales Basadas en Objetos (OBIA).

Similaire à Integración de Datos Geoespaciales Multifuente para el Seguimiento del Sellado Superficial de Zonas Costeras mediante Técnicas de Análisis de Imágenes Digitales Basadas en Objetos (OBIA). (20)

Dernier

Dernier (20)

Integración de Datos Geoespaciales Multifuente para el Seguimiento del Sellado Superficial de Zonas Costeras mediante Técnicas de Análisis de Imágenes Digitales Basadas en Objetos (OBIA).