Análisis del artículo “Clasificación de imágenes multiespectrales mediante redes neuronales”
Análisis del artículo “Clasificación de imágenes
multiespectrales mediante redes neuronales”
El documento describe la implementación de redes neuronales para el
análisis multiespectral en imágenes Lansat TM, utilizando una red neuronal de perceptron
multicapa, que consta de diversas capas de neuronas que interactúan a través de
conexiones ponderadas.
Como insumo principal se tenía una imagen del sensor Lansat-5, que cubría
la zona comprendida entre las rias de Arosa y Pontevedra, en la costa atlántica
de Galicia en España, para la realización del o puesta en marcha de la clasificación
de las coberturas se tomaron en cuenta 8 grupos los cuales fueron: Zonas
urbanas densas, Zonas urbanas no densas, Matorral o pastizal, Agua, Pinos,
Eucaliptos, Vegetal-no foresta; para la última clase el artículo se explica que
fue seleccionada debido a la gran variedad de vegetación que allí se encontraba
y la dificultad que se presentaba para identificar las distintas especies presentes
en algunos sectores del área de estudio’
Para el ingreso de los datos en la red neuronal utilizaron todos los
niveles digitales presentes en cada banda esto con el fin de no desechar información
capturada por alguna de las bandas, y para la identificación de las clases no
solo tuvieron en cuenta la firma espectral de cada uno de los elementos
particulares si no también la información de los elementos adyacentes y así
obtener mejores resultados en el procesamiento.
Resultados
Después del procesamiento de la información y llevando a cabo la clasificación
de las clases definidas al inicio, los autores dan a conocer las falencias y
aciertos del proceso llevado a cabo, entre los principales exponen que la clasificación
que los errores por clasificación se
dieron en un mayor porcentaje en las clases de eucaliptos y pinos debido a la
dificultad de la red para poder discriminar los valores o datos de las
distintas clases vegetales alcanzando aproximadamente un error del 25% entre la fase de entrenamiento y el test realizado,
por el contrario en la identificación de zonas urbanas densas y zonas urbanas
no densas el error no supero el 10% aproximadamente, en la identificación de la
clase Agua como era de esperarse el error fue del 0% entre la fase de
entrenamiento y la fase de test, según lo expuesto por los autores.
Conclusiones de los Autores
Los autores concluyen que con
el uso de redes neuronales como la que se empleó se pueden lograr
clasificaciones con un alto grado de exactitud, además que para mejorar
sustancialmente el proceso puede ser incluida información capturada por otros
sensores para así realizar una clasificación más completa de las distintas
clases o cubiertas.
Conclusiones y aportes de
quien realiza el análisis del articulo
Debido a la dificultad que
tiene la red neuronal para la identificación de las distintas clases de tipo
vegetal, creo que esto imposibilitaría la aplicación de dicha metodología en áreas
con bastante densidad de tipo vegetal como las que se tienen en Colombia, para
la aplicación en estudios de tipo medioambiental.
Se puede evidenciar que,
mediante el uso de metodologías alternas, se obtienen resultados óptimos (en
algunas texturas o clases) que permiten automatizar y potencializar estudios de
identificación y clasificación de los elementos presentes en la superficie del
territorio.
La metodología expuesta en el artículo
nos da conocer una alternativa metodológica, para el desarrollo de estudios o
proyectos que, como Ingenieros Catastrales y Geodestas debemos manejar con gran
solvencia.
Bibliografía
J.A.
Triñanes, J. Torres, A. Tobar, C. Hernández. Revista de Teledetección (1994). Departamento
de Física Aplicada de la Universidad de Santiago. Departamento de Electrónica y
ciencias fundamentales de la universidad de Santiago de Compostela.
Departamento de física fundamental y experimental de la universidad de la
Laguna Santa cruz de Tenerife. Clasificación de imágenes multiespectrales mediante
redes neuronales. Recuperado el 16 de septiembre de 2017 en http://www.aet.org.es/revistas/revista3/AET3_8.pdf
Comentarios
Publicar un comentario