Mapping the forest types and landcover of Puerto Rico. Lo discutiremos pronto. Lo consiguen en el portal del curso.

Slides:



Advertisements
Presentaciones similares
Evaluación de Cambios de Bosque con Imágenes Satelitales
Advertisements

DATA MINING MINERIA DE DATOS Gersom Costas.
GEOCODER HYPACK
Tipos de Pruebas Evaluación Elaborado por: María Eugenia Bello
Imágenes telesensadas
II CONGRESO INTERNACIONAL DE PARAMO
Tratamiento de imágenes
Algoritmo de Regresión Logística
UNIDAD II LA IMÁGEN Objeto de la Unidad Al finalizar esta unidad el estudiante deberá estar en capacidad de: Entender las características de una fotografía.
SISTEMAS DE TELEDETECCIÓN
FRANCISCO JAVIER RODRÍGUEZ
SEÑALIZACION M-ARIA Y DESEMPEÑO
Imagenes hiperespectrales: introducción
Sistemas de Gestión de Calidad y Ambiente
FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES N. QUEIPO, S. PINTOS COPYRIGHT 2000 CLASIFICACIÓN NO SUPERVISADA.
RECONOCIMIETO DE PATRONES
Mapping the forest types and landcover of Puerto Rico. Comenzaremos a discutirlo el lunes.
Técnicas multivariantes:
Registro y georeferenciación de imágenes digitales
Distribución de los datos
J. Trinidad Guillen Bonilla, H. Guillen Bonilla, A. Guillen Bonilla,
Recuperaci ó n Basada en Contenido M. Andrea Rodríguez Tastets DIIC - Universidad de Concepción
Sensores Remotos Juan Manuel Cellini
Estudio Cobertura Forestal 2010 Ing. Alberto Méndez Rodríguez. FONDO NACIONAL DE FINANCIAMIENTO FORESTAL.
Procesamiento Digital de Imágenes y Visión
Sensores Remotos -complemento-.
Digital Image Processing Chapter 4
La imagen y sus características
Próximos tutoriales 4-2 y 4-4. Procesamiento de imágenes Páginas y del Manual de Idrisi.
Características de imágenes digitales
Resoluciones de la imagen de satélite
ELEMENTOS DEL TIEMPO. Son: Radiación solar Temperatura Presión atmosférica Viento Humedad Nubes Precipitación.
Combinación de Clasificadores
Muestreo de comunidades
OA 3º BÁSICO MATEMÁTICAS.
José Ángel González Fraga, Erika. M. Ramos Michel, Facultad de Telemática, Universidad de Colima V TALLER DE PROCESAMIENTO.
Gerenciamiento Técnico de Proyectos
Jueves 14 de Abril 2011.
Próximo tutorial 4-2.
Grupo de controlExperimental. Si pudiésemos estudiar a TODOS los individuos de la población determinaríamos la existencia de un efecto verdadero... Pero…
CARPLATE Reconocimiento del marco de la matrícula de un coche
Próximo tutorial 5-7 Vegetation Analysis in Arid Environments
Cambios estacionales en repuesta espectral en Albizia procera como firma espectral de áreas dominadas por la especie en el Valle de Añasco Ian Carlo Pagán.
Mapping the forest types and landcover… Helmer et al
Ver también páginas de la Guía 2 de Idrisi, y
Índices de vegetación Lectura asignada: Interpreting vegetation indices (ver enlace en página escondida debajo de Tutorial 5-7) Ver también páginas
Mapping the forest types and landcover of Puerto Rico. Lo discutiremos pronto. Lo consiguen en el portal del curso.
Aprendizaje No Supervisado y Redes de Kohonen
Universidad Nacional del Nordeste Facultad de Humanidades CARRERA DE ESPECIALIZACION TECNOLOGIAS DE LA INFORMACION GEOGRAFICA (TIG) Resoluciones 511/10-CS.
O3 Scorecard. El O3 Scorecard  El O3 Scorecard permite: ›Visualizar semáforos, velocímetros y otros componentes gráficos ›Interactuar con cubos de O3.
Por Umberto Amato, Maria Francesca Carfora y Paolo Colandrea, publicado en ERCIM News, European Research Consortium for Informatics and Mathematics, Num.
Próximo tutorial 4-1. Procesamiento de imágenes digitales.
Anuncios Examen parcial el lunes 15 de marzo Próximo tutorial 4-5.
Clasificación visual con fotos aéreas
Primer examen: martes 5 de marzo. Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi.
Precisión de la clasificación
ANALISIS E INTERPRETACION DE IMAGENES SATELITARIAS
Procesamiento de imágenes digitales
Características de imágenes digitales
CLASIFICACIÓN SUPERVISADA
“Color Depth” y Resolución Profa. G. J. Yukavetsky Favor avanzar manualmente.
MODOS DE COLOR. Photoshop utiliza varios modelos de color, estos intentan describir los colores que vemos y con los que trabajamos. Cada modelo de color.
Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi.
OPTIMIZACION DEL DESEMPEÑO DE ERROR
Procedimientos de multirespuesta por permutación (MRPP)
Características de imágenes digitales Ver 2.3 a 2.6 de Fundamentals2.3 a 2.6 de Fundamentals of Remote Sensing.
Procesamiento de imágenes digitales para generar mapas temáticos.
PROGRAMA DE INNOVACIÓN Y DESARROLLO TECNOLÓGICO PRODUCTIVO – CONVENIO : SENA-NEW STETIC Proyecto: Sistema de visión industrial para inspección.
Clases sociales PAGINA 135.
Clasificación no-supervisada
Transcripción de la presentación:

Mapping the forest types and landcover of Puerto Rico. Lo discutiremos pronto. Lo consiguen en el portal del curso.

Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi

Patrones de respuesta espectral

Respuestas espectrales de datos de AISA (128 bandas): Guánica

arena manglar mar

Patrones de respuesta espectral

¿Patrones de respuesta espectral o signaturas espectrales? Algunos objetos tienen un patrón de respuesta espectral bien particular (signatura o firma espectral). Muchos objetos (o especies) tienen patrones que solapan con los de otros objetos (o especies) similares. Algunos objetos presentan más de un patrón o variaciones de respuesta espectral. Por lo tanto, el término “patrón de respuesta espectral” es considerado más apropiado que “signatura o firma espectral” para denominar la manera particular como un objeto refleja la energía.

Clasificación espectral Los 2 tipos de procesamiento clasicos para clasificar espectralmente son: clasificación supervisada y clasificación no-supervisada. Ambos tipos intentan detectar firmas espectrales que correspondan con tipos de objetos (o especies).

Clasificación supervisada Define los patrones de respuesta espectral de los objetos a clasificar, extrayendo estadísticas de grupos de píxeles considerados representativos de las clases a detectar. Se le llama supervisada porque dirigimos el procedimiento entrenando la clasificación utilizando lo que conocemos sobre las clases.

Procedimiento 1.Delimitar los lugares de entrenamiento. 2.Extraer la información espectral sobre lugares de entrenamiento. 3. Cotejar la información de lugares de entrenamiento. 4. Extraer información temática (clasificar). 5. Evaluar la clasificación.

Lugares de entrenamiento Debe incluir áreas relativamente pequeñas. La suma de píxeles por clase debe ser no menor de 10 píxeles por cada banda espectral utilizada. Estos lugares deben estar regados por el área de estudio de tal manera que se incluya la mayor variabilidad posible de cada clase.la mayor variabilidad

Selección de lugares de entrenamiento

Evaluación gráfica de lugares de entrenamiento ¿Qué provoca que las barras verdes sean mas altas que las azules? ¿Qué sugiere el que las barras en el infrarrojo no solapen? ¿Qué sugiere el que las barras del espectro visible solapen?

Evaluación gráfica de lugares de entrenamiento Reflectancia en la banda 3 Reflectancia en la banda 4

Extracción de información temática Algoritmos clasificadores

Clasificador paralelepípedo X X X

Clasificador por distancia mínima a los promedios

Máxima probabilidad

Patrones de respuesta espectral