Análisis de Componentes Principales para la Detección de Cambios

Análisis de Componentes Principales para Detección de Cambios

Se genera un archivo multitemporal con las bandas correspondientes a las dos fechas. Se aplica el análisis de componentes principales sobre este archivo.

• Las componentes primarias recogen la dimensión de estabilidad de la imagen.
• Las componentes secundarias recogen la información no común del cambio.

Otras dos técnicas adicionales son:

• Regresión multitemporal
• Vectores de cambio

Dispersograma

Correlación entre bandas. Selección de banda. Presencia de agrupaciones.

Enumera supuestos para obtener reflectancia aparente

• Sin atmósfera
• Observación vertical
• Sin topografía
• Superficie terrestre reflector lambertiano

Índices de Vegetación

Realzan la contribución de la vegetación en la respuesta espectral de las superficies, atenuando otros factores como suelo y atmósfera. Sirven como variable de entrada para modelos biofísicos. Permiten el seguimiento multitemporal de la vegetación.

Kappa

Permite comparar clasificaciones realizadas por distintos métodos, para ver si difieren en su grado de ajuste con la realidad.

Etapas de la Corrección Geométrica

1. Localización de puntos comunes a la imagen y al mapa (puntos de control).
2. Cálculo de las funciones de transformación entre las coordenadas de la imagen y las de referencia.
3. Transferencia de los datos originales a la nueva posición definida por la transformación previa.

Matriz de Confusión para Detección de Cambios

Se utiliza en la verificación de resultados, sobre todo en la detección de cambio, porque relaciona las dos imágenes. El formato es:

1. Zona detectada como estable que sí lo es.
2. Cambios detectados que sí son.
3. Zonas estables en categoría que no le corresponde.
4. Zonas con cambios que realmente no ocurrieron.
5. Cambios reales no discriminados.
6. Cambios incorrectamente identificados.

Método No Supervisado (Clase Espectral - Clase de Información)

El PC define las clases espectrales empleando algoritmos de clustering para determinar la similitud estadística de los píxeles. El analista ha definido antes el número de clases, y relaciona las clases espectrales (clústeres) con las clases de información. Las fases de entrenamiento y de asignación se confunden.

Método Supervisado (Clase de Información - Clase Espectral)

El analista identifica en la imagen muestras representativas de cada clase (áreas de entrenamiento). El PC extrae información numérica de las bandas de estas muestras (firmas espectrales). En la fase de asignación, cada píxel se compara con estas firmas y se etiqueta a la clase a la que más se le parezca.

Técnicas de Detección de Cambio

Requisitos previos: ajuste radiométrico y geométrico.

• Análisis visual: composición de color multitemporal.
• Análisis digital:
  • Técnicas para variables continuas: restas y cocientes, componentes principales, regresión, vectores de cambio.
  • Variables categorizadas: tabla cruzada multitemporal, clasificación multitemporal.