Fundamentos de análisis geográfico con SEXTANTE - La Salle

294 CAPÍTULO 17. MÁS ANÁLISIS RASTER
no es su principal cometido, y pueden implementarse soluciones más adecuadas en módulos
independientes.
En esta sección veremos algunos otros módulos sencillos que nos permitirán extraer información
valiosa a partir no de capas con información sobre algún tipo de variable numérica
como hasta el momento, sino a partir de imágenes.
17.3.1. Clasificación supervisada
Como acabo de decir, los módulos descritos en la sección anterior pueden servir para llevar
a cabo una clasificación no supervisada, pese a que no es ésta la aplicación particular para la
que han sido diseñados. Por otra parte, SEXTANTE incluye un modulo dedicado a realizar
clasificación supervisada de imágenes — otro tipo distinto de clasificación — plenamente
enfocado al trabajo con imágenes y a clasificar la información que estas contienen.
Antes de entrar en el módulo en sí, veamos algunas ideas fundamentales sobre la clasificación
supervisada. Son ideas básicas, ya que se trata de un tema complejo y puede escribirse
mucho al respecto, así que si tienes más interés es recomendable acudir a otras fuentes como
las especificadas al final de este libro. En ellas encontrarás información sobre esta técnica,
así como sobre otras todavía no implementadas en SEXTANTE. Quizás en breve lo estén o,
tal vez, quién sabe, tú mismo puedas decidirte a implementarlas en un módulo de tu propia
creación.
Respecto a la clasificación supervisada, he aquí las ideas fundamentales que debes conocer
(si ya sabes de este tema, puede saltarte estos párrafos sin problema alguno).
EL objetivo principal es crear una capa temática (clasificada) a partir de un conjunto de
imágenes, clasificando sus valores en grupos (clases). Por supuesto, todas estas imágenes deben
contener información de una misma zona, conteniendo diferentes parámetros de la misma. El
caso más habitual es emplear diferentes bandas de un sensor remoto multiespectral.
La clasificación supervisada quiere decir que debes ✭✭ayudar✮✮ al módulo, mostrándole algunas
áreas (denominadas zonas de entrenamiento) que conoces de antemano que presentan
características comunes (es decir, pueden formar una clase homogénea). Por ejemplo, supongamos
que clasificas una capa de usos de suelo. Debes digitalizar algunas áreas con un mismo
tipo de uso de suelo (por ejemplo bosques), para que el módulo pueda ✭✭aprender✮✮ las características
principales de este tipo de zonas y reconocer otras áreas forestales fuera de la zona
digitalizada. En otras palabras, debes darle información que conoces previamente sobre una
parte del conjunto de datos de entrada, para que él pueda extender ese conocimiento de forma
automática al resto de la extensión analizada.
Este proceso se conoce como extraer la firma espectral da cada clase, e incluye una serie
de análisis estadísticos para los valores encontrados en cada zona de entrenamiento y en cada
una de las capas de entrada. Una vez que se conoce esta firma, se emplea para asignar valores
a otros pixels (celdas) que contienen una similar.
La siguiente figura tal vez te ayude a comprender mejor esta explicación teórica.