Colaboración:
Biól. Ezequiel Pozzi Tay, IDECOR

18 de mayo de 2022

Desde 2017, IDECOR viene trabajando en el desarrollo de mapas de cobertura de suelo, una representación esquemática de la cubierta de la superficie terrestre (‘lo que se vería desde el cielo’), agrupada en categorías, como cultivos, salinas, áreas urbanas, montes, espejos de agua, entre otras.

¿Cómo se logran clasificar las imágenes satelitales que forman parte del proceso? ¿Qué técnicas se utilizan para hacerlo? ¿Cuál de ellas resulta más adecuada para cada mapa? En esta nota te contamos las técnicas que utilizamos en la clasificación de imágenes que llevamos adelante en la IDE provincial y las innovaciones que estamos implementando en nuevos productos, que requieren otro tipo de precisión.

En notas anteriores presentamos algunas de las características de los mapas de cobertura de suelo disponibles en Mapas Córdoba, tales como Land Cover Córdoba ¿Qué es el nuevo Mapa de Cobertura de Suelo de la Provincia? y Mapa de Cobertura y Uso de Suelo reprocesado a 1 ha.

Las aplicaciones de estos mapas son variadas y sirven de soporte para estudios académicos y científicos, análisis sobre cuencas hídricas, mapeo de amenazas y riesgos, evaluación de daños ocurridos por incendios, entre otras (seguir leyendo, artículo Multiplicando las aplicaciones del Mapa de Cobertura y Usos del Suelo).

Para la construcción de estos productos se emplean imágenes satelitales capturadas por el satélite Sentinel 2, con una resolución espacial de 10 m, donde se registra el nivel de luz reflejada por los elementos de la superficie terrestre.

Vista de una imagen de Google Earth (izquierda), el mismo sector visto en una imagen Sentinel 2 (derecha).

Clasificación basada en píxeles

En el proceso de clasificación de imágenes satelitales se utilizan datos de terreno georreferenciados (muestras), que se los relaciona -mediante algoritmos de Inteligencia Artificial (IA)- con la información contenida en el píxel correspondiente a su posición, en una o varias imágenes satelitales, de modo que sea posible asignar a cada píxel, la clase (tipo de cobertura) con la que tenga mayor similitud. 

Este proceso se realiza normalmente píxel a píxel, sin considerar su relación con el entorno (píxeles vecinos). Sin embargo, los elementos de la realidad no se caracterizan únicamente por la forma en que reflejan diferentes longitudes de onda, sino también por su ordenación en el espacio, su forma, la cercanía a otros elementos similares o diferentes. Así, por ejemplo, cuando se realiza un proceso de clasificación basado en píxeles, los algoritmos identifican la respuesta espectral de los árboles con un bosque, por lo tanto, asignan a la clase ‘bosque’, todos los píxeles en la imagen que contengan predominancia de árboles, aun cuando se trate de un único árbol rodeado de construcciones o pasturas, sin constituir un bosque.

En el proceso de clasificación por píxeles, los árboles aislados son clasificados como bosque, aunque no constituyan necesariamente un bosque.

Esta clase de limitaciones (siempre, considerando la escala y fin del trabajo, y la leyenda definida), puede resolverse mediante procesos de suavizado o segmentación, asignando aquellos píxeles sueltos a la clase dominante en su entorno próximo. En nuestro ejemplo, estos árboles aislados clasificados como bosque en un entorno diferente, serían reasignados a la clase de los píxeles que lo rodean, dando además un aspecto menos “ruidoso” al mapa final. No debe olvidarse que un mapa es un modelo de la realidad, en el que se discretizan elementos del espacio geográfico que, por su naturaleza, tienen formas y  bordes difusos.

Los procedimientos de ajuste referidos pueden, no obstante, generar algunos nuevos errores en el mapa final. En las imágenes del ejemplo anterior puede apreciarse cómo un sector de matorral correctamente clasificado (que se caracteriza por su alta heterogeneidad, con manchas cubiertas por pasturas), es reasignado a la clase pasturas, ya que dicho segmento presentaba mayoría de píxeles en dicha clase.

Comparación de un mapa de coberturas a nivel de píxeles (izquierda) y el mismo mapa segmentado (derecha).

A medida que aumenta la resolución de las imágenes estas limitaciones se hacen más evidentes y problemáticas, atentando contra los grandes avances alcanzados en cuanto a disponibilidad de imágenes de alta y muy alta resolución.

Esto, sumado a los avances en materia de capacidad de cómputo de grandes volúmenes de información, está moviendo el paradigma del análisis de imágenes basado en píxeles hacia análisis basados en objetos (OBIA, por las siglas en inglés de “Object Based Image Analysis”), que no sólo emplea imágenes de alta resolución, sino también de moderada y media. 

Comparado con los procesos basados en píxeles, este método ha presentado importantes mejoras en la calidad de los resultados, por ejemplo en la clasificación de coberturas agrícolas.

Clasificación orientada a objetos: una metodología innovadora

Si miramos una fotografía, una imagen satelital o de cualquier otro tipo, nuestro cerebro asocia las formas, texturas y colores con elementos o estructuras conocidas, sin la necesidad de mirar cada píxel. De hecho, si miramos un píxel suelto de una imagen, difícilmente logremos identificar a qué elemento refiere.

Para un análisis de imágenes basado en objetos, el primer y fundamental paso es agrupar píxeles en regiones homogéneas y significativas, que -como los elementos que reconocemos en una foto- sean capaces de representar las entidades y relaciones presentes en la imagen. A estas regiones que se corresponden en mayor grado con la realidad espacial y geográfica capturada en la imagen (en comparación con un píxel aislado), las llamaremos objetos.

Segmentos generados a partir de un mosaico de imágenes Sentinel 2. Se delimitan de manera aproximada las diferentes coberturas presentes.

El proceso para la construcción de estos objetos se conoce como segmentación. Es el mismo que se utiliza para reducir el ruido en las clasificaciones basadas en píxeles, pero ahora se emplea al inicio y no al final. El modo en que se construyen estos objetos es clave para determinar la calidad del producto y se basa en dos criterios fundamentales: escala (definida como la cantidad de píxeles a agrupar) y color (qué tan homogéneos deberán ser los píxeles que componen un objeto).

En el ejemplo de un mapa de coberturas agrícolas, la escala de los objetos debería ajustarse a las dimensiones esperables de los lotes en la región y, mediante un análisis de detección de bordes, se obtendría una aproximación al comportamiento geográfico real de las áreas cultivadas.

Delimitación aproximada de lotes aplicando OBIA y algoritmos de detección de bordes.

Los objetos así construidos pueden incluir todo un conjunto de nueva información. Al comportamiento espectral de los píxeles, se le puede además calcular estadísticas como media, mínimo, máximo y medidas de dispersión; a la vez, se puede incorporar información intrínseca al objeto, como área, forma o atributos topológicos, entre otros.

Una vez construidos los objetos y compilada toda la información que contendrán, el proceso de clasificación sigue un esquema muy similar al de una clasificación basada en píxeles, aunque con variables nuevas y un menor número de unidades espaciales (tantas como objetos se generen). De este modo, se pueden llevar a cabo ambos procesos en paralelo y realizar un análisis comparativo de los resultados obtenidos.

Hacia la implementación de esta nueva metodología

El equipo de IDECOR se encuentra en etapa de investigación y evaluación de esta metodología con el objetivo de aplicarla al mapeo de coberturas agrícolas, lo que forma parte de los estudios anuales de rindes y producción agrícolas en apoyo al Ministerio de Agricultura y Ganadería (MAyG) de la Provincia de Córdoba.

La implementación de este tipo de metodologías supone dos desafíos importantes. El primero, lograr objetos homogéneos y significativos, para evitar subdivisiones y/o aglutinamientos de áreas que no representen la realidad territorial. El segundo tiene que ver con la escala, dado que más del 95% de los trabajos que se han realizado a partir de la clasificación de coberturas orientada a objetos, abarcan superficies menores a 300 ha. -con algunas excepciones que alcanzan hasta las 100.000 ha. Ello supone superficies por debajo de las que generalmente son abordadas en los estudios de escala provincial.

Si te interesa conocer más acerca de nuestro trabajo o bien por cualquier consulta o sugerencia, escribinos a [email protected]. Para mantenerte informado de las actividades y novedades de IDECOR seguinos por Instagram en idecor.ok y por el canal de YouTube de IDECOR.