Documentación del Semi-Automatic Classification Plugin¶

Introducción¶

Desarrollado por Luca Congedo, Semi-Automatic Classification Plugin (SCP) es un complemento de código abierto gratuito para QGIS que permite la clasificación semi-automática (también conocida como clasificación supervisada) de imágenes de sensores remotos. Proporciona muchas herramientas para la descarga de imágenes gratuitas, el preprocesamiento, el postprocesamiento y la calculadora ráster (por favor mira ¿Qué puedo hacer con SCP?).

El **objetivo general ** de SCP is proveer un conjunto de herramientas entrelazadas para procesado ráster con tal de hacer un flujo de trabajo automático y facilitar la clasificación de campos, que pueda ser usado también por gente cuyo campo principal no es la teledetección. La primera version de SCP fue desarrollada por Luca Congedo en 2012 para el » ACC Dar Project» para crear una herramienta para la clasificación de campos de una manera razonable y automática; versiones siguientes de SCP fueron desarroladas como compromiso personal al campo de la teledetección y la filosofía del código abierto. SCP version 6 (Nombre en clave: Greenbelt) es desarrollado en el contexto del doctorando de Luca Congedo en Paisaje y medioambiente en Sapienza, Universidad de Roma

Este Manual del Usuario proporciona información acerca de Instalación del Complemento de SPC y la La Interfaz de SCP, con información detallada de todas las funciones. Además el Breve Introducción a la Teledetección muestra los conceptos básicos y definiciones que son requeridos para usar SCP.

Tutoriales Básicos están disponibles para aprender las funciones principales de SCP.

Estas cordialmente invitado para contribuir en SCP (ver Cómo contribuir a SCP) y unirse al grupo de Facebook . Tambien por favor lea la, Preguntas Frecuentes.

Para mayor información y tutoriales visita el sitio oficial

De SIG a teledetección <https://fromgistors.blogspot.com>`_

Cómo citar

Congedo Luca (2016). Semi-Automatic Classification Plugin Documentation. DOI: http://dx.doi.org/10.13140/RG.2.2.29474.02242/1

Licencia:

A no ser que se indique lo contrario, el contenido de este trabajo está bajo licencia de tipo Creative Commons Attribution-ShareAlike 4.0 International License.

Semi-Automatic Classification Plugin es un software gratuito: puede ser redistribuido y/o modificado bajo los términos de la GNU General Public License como está publicado por la Free Software Foundation, version 3 de la Licencia. El Semi-Automatic Classification Plugin es distribuido con la esperanza de que sea útil, pero SIN NINGUNA GARANTÍA; ni siquiera la garantía implícita de COMERCIALIZACION o CAPACIDAD PARA UN PROPOSITO PARTICULAR. Ver la GNU General Public License para más detalles. Has recibido una copia de la GNU General Public License junto con Semi-Automatic Classification Plugin. Si no es así, mira http://www.gnu.org/licenses/.

Traductores:

Español: Igor Francisco Dávalos Rojas, Imanol Uriarte Latorre

Instalación del Complemento¶

El Semi-Automatic Classification Plugin requiere la instalación de GDAL, OGR, NumPy, SciPy y Matplotlib (incluido con QGIS).
Este capítulo describe la instalación de Semi-Automatic Classification Plugin para los sistemas Operativos soportados.

Instalación en Windows 32 bit¶

QGIS descarga e instalación¶

Descarga la última versión de QGIS 32 bit desde aquí ;
Ejecuta el instalador de QGIS con privilegios de administrador, acepta la configuración por defecto.

Ahora QGIS está instalado.

Instalación del complemento Semi-Automatic Classification Plugin¶

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar complemento;

Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el complemento manualmente? y ¿Cómo instalar el complemento desde el repositorio oficial de SCP?.

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la instalación de SCP);

Configuración del complemento¶

Ahora Semi-Automatic Classification Plugin está instalado y un panel y una barra de herramientas se habrá agregado a QGIS. También, el menú SCP se encuentra disponible en la Barra de Menú de QGIS. Es posible mover la barra de herramientas y el panel según sus necesidades, como se muestra en la siguiente imagen.

_images/SemiAutomaticClassificationPlugin.jpg

Instalación en Windows 64 bit¶

QGIS descarga e instalación¶

Descarga la última versión de QGIS 64 bit desde aquí ;
Ejecuta el instalador de QGIS con privilegios de administrador, acepta la configuración por defecto.

Ahora QGIS está instalado.

Instalación del complemento Semi-Automatic Classification Plugin¶

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar complemento;

Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el complemento manualmente? y ¿Cómo instalar el complemento desde el repositorio oficial de SCP?.

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la instalación de SCP);

Configuración del complemento¶

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP menú selecciona Configuración > Procesado .

En la Configuración, ajusta la memoria RAM disponible (MB) en un valor que debería ser la mitad de la memoria RAM del sistema. Por ejemplo, si tu sistema tiene 2GB de RAM, ajusta el valor a 1024MB.

Instalación en Ubuntu Linux¶

QGIS descarga e instalación¶

Abre una terminal y escribe:
```
sudo apt-get update
```
Presiona Enter y escribe la contraseña de usuario;

Escribe en la terminal:

sudo apt-get install qgis python3-matplotlib python3-scipy

Presiona Enter y espera hasta que el software se descargue e instale.

Ahora QGIS está instalado.

Instalación del complemento Semi-Automatic Classification Plugin¶

Ejecuta QGIS;
Desde el menú principal selecciona Complementos > Administrar e instalar complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar complemento;

Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el complemento manualmente? y ¿Cómo instalar el complemento desde el repositorio oficial de SCP?.

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la instalación de SCP);

Configuración del complemento¶

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP menú selecciona Configuración > Procesado .

Instalación en Debian Linux¶

QGIS descarga e instalación¶

Abre una terminal y escribe:
```
sudo apt-get update
```
Presiona Enter y escribe la contraseña de usuario;

Escribe en la terminal:

sudo apt-get install qgis python3-matplotlib python3-scipy

Presiona Enter y espera hasta que el software se descargue e instale.

Ahora QGIS está instalado.

Instalación del complemento Semi-Automatic Classification Plugin¶

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar complemento;

Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el complemento manualmente? y ¿Cómo instalar el complemento desde el repositorio oficial de SCP?.

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la instalación de SCP);

Configuración del complemento¶

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP menú selecciona Configuración > Procesado .

Instalación en Mac OS¶

QGIS descarga e instalación¶

Download and install the latest version of QGIS and GDAL from here .

Ahora QGIS está instalado.

Instalación del complemento Semi-Automatic Classification Plugin¶

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar complemento;

Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el complemento manualmente? y ¿Cómo instalar el complemento desde el repositorio oficial de SCP?.

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la instalación de SCP);

In case of missing dependencies, you could get error messages such as the following example with matplotlib:

To install matplotlib type in a terminal:

sudo pip3 install matplotlib

and repeat this step for other missing dependencies.

Configuración del complemento¶

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP menú selecciona Configuración > Procesado .

La Interfaz de SCP¶

La interfaz de SCP está compuesta de varias partes que son descritas en detalle en los siguientes párrafos.

SCP menú¶

SCP menú

El SCP menú permite seleccionar las principales funciones de la Ventana principal de la interfaz, el Gráfico de Firmas Espectrales, y el Gráfico de Dispersión.

Conjunto de bandas;
Descargar productos;
Herramientas Básicas;
Preprocesamiento;
Postprocesamiento;
Calculadora de Bandas;
Gráfico de Firmas Espectrales;
Gráfico de Dispersión;
En Lotes;
Configuración;
Manual del Usuario: abre el manual del usuario en línea en un navegador web;
Ayuda en linea: abra la ` Ayuda en linea <https://fromgistors.blogspot.com/p/online-help.html>`_ en un navegador web; tambien, un grupo de Facebook está disponible para compartir informacion y preguntar por ayuda sobre SCP.
Mostrar comlpemento plugin: Muestra todas las barras de herramientas y el pane, si están ocultas;

SCP dock¶

The SCP dock allows for the the creation of ROIs (Regions Of Interest) and spectral signatures, and the classification of a Conjunto de bandas. The Training input, created with SCP, stores the ROI polygons and spectral signatures used for the land cover classification (see Tutorial 1: Tu Primera Clasificación de la Cobertura del Suelo).

ROIs are polygons used for the definition of the spectral characteristics of land cover classes. Spectral signatures of classes are calculated from the ROIs or can be imported from other sources (see Importar firmas). It is worth pointing out that classification is always based on spectral signatures.

SCP allows for the creation of temporary ROI polygons using a region growing algorithm or drawn manually with the tools provided in the Barra de Trabajo. Temporary ROI polygons can be saved in the Training input along with the spectral signatures of the ROI.

The Training input is composed of a vector part (i.e. a shapefile) and a spectral signature part which are independent. The attribute table of the vector contains four fields as in the following table.

Training input fields

Description	Field name	Field type
Macroclass ID	MC_ID	int
Macroclass Information	MC_info	string
Class ID	C_ID	int
Class Information	C_info	string

In SCP, land cover classes (and ROIs) are defined with a system of Classes (Class ID) and Macroclasses (Macroclass ID) (see Clases y Macroclases) that are used for the classification process; each Macroclass ID is related to a Macroclass Information (e.g. macroclass name) and each Class ID is related to a Class Information (e.g. class name), but only Macroclass ID and Class ID are used for the classification process.

The use of the Macroclass ID or Class ID for classifications is defined with the option Use MC ID or C ID in the Algorithm. It is worth highlighting that when using Macroclass ID all the spectral signatures are evaluated separately and each pixel is classified with the corresponding MC ID (i.e. there is no combination of signatures before the classification).

The classification can be performed for the entire image ( Algorithm ) or a part of it, creating a Clasificación preliminar.

The SCP dock contains the following tabs:

Home
- SCP news
Training input
Classification

The left side of SCP dock contains buttons for accessing the main functions of SCP.

Home ¶

Home

The tab Home contains the buttons for accessing the main functions of SCP:

SCP news ¶

This section displays news about the SCP and related services. News are downloaded on startup (internet connection required). It can be enabled or disabled in the settings Panel.

It also contains the following buttons:

User manual: open the link to the user manual;
Ask a question: open the link to the online help;
Support the SCP: open the link to support the SCP ;

Training input ¶

Training input

This tool allows for the creation of the training input file (.scp ) required for storing ROIs and spectral signatures. The training input file is created according to the characteristics of the active band set defined in Conjunto de bandas. A new training input file should be created for every band set, unless the band sets have the same spectral characteristics and coordinate reference system.

: open a training input file; ROIs and spectral signatures are loaded in ROI Signature list; the vector part of the training input is loaded in QGIS;
: create an empty training input file (.scp); the vector part of the training input is loaded in QGIS; also a backup file is created (a file .scp.backup in the same directory as the file .scp) when the training input file is saved;
Training input : it displays the path to the training input file;

The training input is displayed in QGIS as vector file. ROIs and spectral signatures are displayed in the ROI Signature list. Macroclasses are defined in the Macroclasses.

ROI Signature list ¶

The tab ROI Signature list displays the ROI polygons and spectral signatures contained in the training input file. If an item is a ROI polygon, double click the item to zoom to that ROI in the map. Items in the table can be highlighted with the mouse left click.

Changes in the ROI Signature list are applied to the file Training input only when the QGIS project is saved. ROIs can be edited, deleted and merged from this table.

ROIs and spectral signatures can be imported from other sources (see Importar firmas) and exported (see Exportar firmas).

WARNING: In order to avoid data loss, do not edit the vector Training input using the QGIS tools. Use only the tools of SCP for managing the Training input.

ROI Signature list:
- S: selection checkbox; only the spectral signatures checked in this list are used for the classification process;
- Type: type of the item:
  
  R = only ROI polygon;
  
  S = only spectral signature;
  
  B = both ROI and spectral signature;
- MC ID: ROI Macroclass ID [int]; it can be edited with a single click; MC Info is displayed in Macroclasses; if the ID of a spectral signature is set 0, then pixels belonging to this signature are labelled as unclassified;
- C ID: ROI Class ID [int]; it can be edited with a single click;
- C Info: ROI Class Information [text]; it can be edited with a single click;
- Color: C ID color; double click to select a color for the class that is used in the classification; if the ID of a spectral signature is set 0, then pixels belonging to this signature are labelled as unclassified;
: merge highlighted spectral signatures or ROIs obtaining a new signature calculated as the average of signature values for each band (covariance matrix is excluded);
: calculate spectral signatures of highlighted ROIs using the active band set in Conjunto de bandas;
: delete highlighted ROIs and signatures;
: show the ROI spectral signature in the Gráfico de Firmas Espectrales; spectral signature is calculated from the Conjunto de bandas;
: open the Gráfico de Dispersión;
: open the tab Importar firmas;
: open the tab Exportar firmas;

ROI Signature list is complementary to the Barra de Trabajo and it allows for saving ROIs to the Training input defining classes and macroclasses. A Conjunto de bandas must be defined before the ROI creation, and ROI polygons must be inside the area of the Band set.

MC ID : ROI Macroclass ID [int]; the corresponding MC Info is loaded if already defined in Macroclasses;
MC Info : ROI Macroclass information [text]; style and information for macroclasses are defined in Macroclasses;
C ID : ROI Class ID [int];
C Info : ROI Class information [text];
: delete the last saved ROI from the Training input;
Autosave : if checked, automatically save the ROI Signature list to the Training input every time a ROI is saved;
Calculate sig. : if checked, while saving a ROI, the spectral signature thereof is calculated (from Conjunto de bandas pixels under ROI polygon) and saved to Training input (calculation time depends on the band number of the active band set in Conjunto de bandas);
: save the temporary ROI to the Training input using the defined classes and macroclasses; ROI is displayed in the ROI Signature list;

Macroclasses ¶

Macroclasses

Macroclasses allows for the definition of Macroclass names and colors (used to display the results of Clasificación preliminar and Algorithm). According to Algorithm, classifications performed using C ID have the colors defined for classes in the ROI Signature list; classifications performed using MC ID have the colors defined in the Macroclasses.

MC IDs are automatically added to this table when a new ROI is saved to the ROI Signature list (if the MC ID is not already in the list). Settings are stored in Training input.

Macroclasses :
- MC ID: Macroclass ID [int]; it can be edited with a single click;
- MC Info: Macroclass Information [text]; it can be edited with a single click;
- Color: MC ID color; double click to select a color for the class that is used in the classification;
: add a new row to the table;
: delete the highlighted rows from the table;

ROI options ¶

ROI options

ROI options are useful for displaying pixel values or improving the creation of ROIs.

Display : if the ROI creation pointer is active (see Barra de Trabajo), the pixel value of selected vegetation index is displayed on the map; vegetation indices available in the combo box are:
- NDVI (Normalized Difference Vegetation Index); NDVI requires the near-infrared and red bands;
- EVI (Enhanced Vegetation Index); EVI requires the blue, near-infrared and red bands converted to reflectance; wavelengths must be defined in the Conjunto de bandas;
- Custom; use the custom expression defined in the following line;
- : set a custom expression; expression is based on the Band set; bands are defined as bandset#b + band number (e.g. bandset#b1 for the first band of the Band set); for example NDVI for a Landsat image would be ( bandset#b4 - bandset#b3 ) / ( bandset#b4 + bandset#b3 );
Rapid ROI b. : if checked, temporary ROI is created with region growing using only one Conjunto de bandas band (i.e.region growing is rapider); the band is defined by the Band set number; if unchecked, ROI is the result of the intersection between ROIs calculated on every band (i.e. region growing is slower, but ROI is spectrally homogeneous in every band);
Auto-refresh ROI: calculate automatically a new temporary ROI while Region growing parameters in the Barra de Trabajo are being changed;
Auto-plot: calculate automatically the temporary ROI spectral signature and display it in the Gráfico de Firmas Espectrales (MC Info of this spectral signature is set tempo_ROI);

Classification ¶

Classification

This tab allows for the classification of the active band set defined in Conjunto de bandas.

Classification is performed using the active band set and the spectral signatures checked in ROI Signature list. Several classification options are set in this tab which affect the classification process also during the Clasificación preliminar.

In particular the following options are available:

Use MC ID C ID : if MC ID is checked, the classification is performed using the Macroclass ID (code MC ID of the signature); if C ID is checked, the classification is performed using the Class ID (code C ID of the signature);
: open the Peso de banda del algoritmo for the definition of band weights;

Algorithm ¶

This tool allows for the selection of the classification algorithm and the optiona definition of thresholds.

: available Algoritmos de clasificación are:
Threshold : it allows for the definition of a classification threshold (applied to all the spectral signatures); if Threshold is equal to 0, then thresholds Umbral de firma are evaluated; in particular:
- for Minimum Distance, pixels are unclassified if distance is greater than threshold value;
- for Maximum Likelihood, pixels are unclassified if probability is less than threshold value (max 100);
- for Spectral Angle Mapping, pixels are unclassified if spectral angle distance is greater than threshold value (max 90);
: open the Umbral de firma for the definition of signature thresholds;

Land Cover Signature Classification ¶

Clasificación por Firmas de Cobertura del Suelo is a classification that can be used as alternative or in combination with the Algorithm (see Umbral LCS). Pixels belonging to two or more different classes (or macroclasses) are classified as Class overlap with raster value = -1000.

Use LCS Algorithm only overlap: if LCS is checked, the Land Cover Signature Classification is used; if Algorithm is checked, the selected Algorithm is used for unclassified pixels of the Land Cover Signature Classification; if only overlap is checked, the selected Algorithm is used only for class overlapping pixels of the Land Cover Signature Classification; unclassified pixels of the Land Cover Signature Classification are left unclassified;
: open the Umbral LCS;

Classification output ¶

Classification output allows for the classification of the Conjunto de bandas according to the parameters defined in Algorithm.

In addition, a previously saved classification style (QGIS .qml file) can be loaded and used for classification style.

Classification raster is a file .tif (a QGIS style file .qml is saved along with the classification); also other outputs can be optionally calculated. Outputs are loaded in QGIS after the calculation.

Load qml : select a .qml file overriding the colors defined for C ID or MC ID;
: reset style to default (i.e. use the colors defined for C ID or MC ID);
Apply mask : if checked, a shapefile can be selected for masking the classification output (i.e. the area outside the shapefile is not classified);
: reset the mask shapefile;
Create vector : if checked, in addition to the classification raster, a classification shapefile is saved in the same directory and with the same name as the Classification output; conversion to vector can also be performed at a later time (see Clasificación a vectorial);
Classification report : if checked, a report about the land cover classification is calculated and saved as a .csv file in the same directory and with the same name (with the suffix _report) as the Classification output; report can also be performed at a later time (see Reporte de la clasificación);
Save algorithm files : if checked, the Ráster de Algoritmo is saved, in addition to the classification raster, in the same directory as the Classification output; a raster for each spectral signature used as input (with the suffix _sig_MC ID_C ID) and a general algorithm raster (with the suffix _alg_raster) are created;
: choose the output destination and start the image classification;

Barra de Trabajo¶

Barra de Trabajo

El: guilabel: Working toolbar permite crear: guilabel:` ROIs temporales` y: guilabel: `previsualizaciones de clasificación.

Control de la imagen
ROI Temporal
Clasificación preliminar

Las funciones se describen en detalle en los siguiente parrafos

Control de la imagen ¶

: muestra la Ventana principal de la interfaz;
: zoom the map to the extent of the active band set in Conjunto de bandas;
RGB= : use el boton para mostrar/ocultar el :guilabel:` conjunto de bandas activas` in Conjunto de bandas en el mapa; de la lista seleccione un Composición de Color que es aplicado a el Conjunto de bandas; se pueden ingresar nuevos compuestos de color escribiendo los números de banda separados por `` -`` o ``; `` o ``, `` (p. ej. RGB = 4-3-2 o RGB = 4; 3; 2 o RGB = 4 , 3,2);
: muestra el estiramiento de la imagen de entrada obteniendo los valores mínimos y máximos en función del conteo acumulativo de la extensión actual del mapa;
: muestra el estiramiento de la imagen de entrada obteniendo los valores mínimos y máximos en función de la desviación estándar de la extensión actual del mapa;

http://www.youtube.com/watch?v=9jA_Rh8YfKQ

ROI Temporal ¶

A temporary ROI es un polígono temporal que se muestra en el mapa, que se puede guardar permanentemente en: ref:training_input.A:guilabel:temporary ROI, puede ser dibujado manualmento o usando un :ref:`region_growing_algorithm`( es decir, la imagen se segmenta alrededor de una semilla de píxeles que incluye píxeles espectralmente homogéneos)

: ajusta el mapa a la extensión del ROI temporal;
ROI: usa este botón para mostrar/ocultar el ROI temporal y el Entrenamiento de Entrada en el mapa;
: activa el puntero para crear un ROI temporal dibujando un polígono en el mapa; clic izquierdo en el mapa para definir los vértices del ROI y clic derecho para definir el último vértice y cerrar el polígono; presiona la tecla CTRL para agregar un polígono multipartes; presiona las teclas CTRL + Z para remover el último polígono multipartes;
:activando el puntero para crear una temporary ROI usando el algoritmo de región incremental; clic izquierdo sobre el mapa para crear la ROI; clic derecho sobre el mapa para visualizar la frima espectral de un pixel de el active band set en la Gráfico de Firmas Espectrales; presionando el boton del teclado «CTRL” y clic izquierdo para agregar un poligono multipartes (las partes nuevas no se crean si se superponen a otras partes); presione los botones del teclado «CTRL+Z» para eliminar el ultimo poligono miltipartes; presione el boton del tacldo «CTRL» y haga clic derecho para trazar firmas espectrales del mismo píxel para todos los band sets;
: crea un ROI temporal usando el Algoritmo de Región Incremental en el mismo pixel de origen del anterior; es útil después de cambiar los parámetros región incremental;

Parámetros de incremento de la región: se requieren los siguientes parametros para la creación de la ROI utilizando un algoritmo de región incremental en la Conjunto de bandas:

Dist : establece el intervalo que define la distancia espectral máxima entre el pixel de origen y los pixeles de su alrededor (en unidades radiométricas);
Min : establece el área mínima del ROI (en unidades de pixel); esta configuración sobrescribe el Radio del rango hasta que el el tamaño mínimo del ROI es alcanzado; si ROI rápido en una banda está seleccionado, el ROI tendrá al menos el tamaño definido en Tamaño Min del ROI; si ROI rápido en una banda no está seleccionado, el ROI podría tener un tamaño menor que el Tamaño Min del ROI;
Max : establece el ancho máximo del ROI (i.e. el largo de un lado de un cuadrado, centrado en el pixel de origen, el cual inscribe al ROI) en unidades de pixel;

http://www.youtube.com/watch?v=CQqNtlOU6mI

Clasificación preliminar ¶

:guilabel:»Vista previa de la Clasificación » permite mostrar clasificaciones temporales (es decir vistas previas de clasificaciones ). Las vistas previas de clasificaciones son utiles para pruebas del algoritmo en areas pequeñas de la band_set_tab antes de clasificar la imagen completa, lo que puede llevar mucho tiempo (ver Classification output).

Clasificación preliminar es ejecutada de acuerdo a los parámetros definidos en el Algorithm.

Adicionalmente al raster de clasificación, es posible mostrar un Ráster de Algoritmo, el cual es útil para evaluar la distancia de un pixel clasificado como clase X a la firma espectral correspondiente X. En Previsualización de la clasificación, los pixeles negros distan de la firma espectral correspondiente (probablemente se necesita recolectar una nueva ROI o firma espectral en esa área). Los pixeles blancos son cercanos a la firma espectral correspondiente (probablemente la forma espectral identifica correctamente esos pixeles).

Luego de la creación de una nueva vista previa, las antiguas son colocadas en el Panel de Capas de QGIS dentro de un grupo de capas llamado Class_temp_group (se puede definir un nombre personalizado en Nombre temporal de grupo) y son eliminadas cuando la sesión de QGIS es cerrada.

ADVERTENCIA: Las clasificaciones preliminares son eliminadas automáticamente del disco cuando la sesión de QGIS se cierra; un mensaje de QGIS (que puede ser ignorado) podría preguntar por la ruta de capas perdidas cuando abras un proyecto grabado anteriormente.

: ajusta el mapa a la extensión de la última Clasificación preliminar;
Previa: usa el botón para mostrar/ocultar la última Clasificación preliminar en el mapa;
: activa el puntero para la creación de una Clasificación preliminar; clic izquierdo en el mapa para iniciar el proceso de clasificación y mostrar su vista preliminar; clic derecho inicia el proceso de clasificación y muestra el Ráster de Algoritmo de la vista preliminar;
: crea una nueva Clasificación preliminar centrada en el mismo pixel de la anterior;
T : cambia dinámicamente la transparencia de la clasificación preliminar, lo cual es útil para comparar la clasificación con otras capas;
S : tamaño de la vista preliminar en unidades de pixel (i.e. el largo de un lado de un cuadrado, centrado en el pixel en el cual se dio clic);
: elimina de QGIS las clasificación preliminar que están registradas en el Class_temp_group;

Ventana principal de la interfaz¶

La ventana principal de la interfaz está compuesta por varias pestañas descritas en detalle en los parágrafos siguientes. Las pestañas pueden ser seleccionadas a través del menú en el lado izquierdo

Conjunto de bandas
Herramientas Básicas
Descargar productos
Preprocesamiento
Procesamiento de banda
Postprocesamiento
Calculadora de Bandas
En Lotes
- En Lotes
- Ejecutar
Configuración

Conjunto de bandas ¶

Conjunto de Bandas

Imagen de entrada en SCP se llama conjunto de bandas. Esta pestaña permite la definición de uno o más conjunto de bandas usado como entrada para la clasificaión y otras herramientas.

Los conjuntos de bandas se identifican con números. El conjunto de bandas activos (es decir, las pestañas seleccionadas en Definición del Conjunto de bandas con nombre en verde negrita) se usa como entrada para las herramientas en SCP dock y Barra de Trabajo. Otras herramientas de SCP permiten la selección de conjunto de bandas por números.

La definición del Conjunto de Bandas es guardada con el proyecto de QGIS.

Lista de imágenes multibanda ¶

Esta sección permite seleccionar un raster multibanda. Si se selecciona, las bandas raster aparecen listadas en :guilabel:`conjunto de bandas activas `.

: Selecciona la imagen de entrada de una lista de imágenes multiespectrales cargadas en QGIS;
: abre uno o más archivos ráster que son agregados al conjunto de bandas activas y cargadas en QGIS;
: recargar la lista de capas;

Lista de bandas únicas ¶

Lista de rasters de banda únicas ya cargadas en QGIS. Es posible seleccionar una o más bandas para ser añadidas a conjunto de bandas activas.

: actualiza la lista de bandas ráster cargadas en QGIS;
: selecciona todas las bandas ráster;
: Añade rasters seleccionados al conjunto de bandas activas

Definición del Conjunto de bandas ¶

Definición de las bandas que componen los:guilabel:conjuntos de bandas. El conjunto de bandas activas es la pestaña seleccionada con nombre verde negrita. Es posible añadir nuevos conjunto de bandas haciendo clic en el siguiente botón:

: añade un nuevo y vacío band set;

Da click en en el botón para eliminar el correspondiente band set. Band sets pueden ser reordenados arrastrando las pestañas.

El Center wavelength de las bandas debe ser definidos para poder usar varias funciones de SCP. Si el Center wavelength no está definido, el numero de la banda es usado y algunos herramientas del SCP estarán desactivadas.

Es posible definir un factor de reescalado multiplicativo y un factor de reescalado aditivo para cada banda (por ejemplo, usando los valores en los metadatos de Landsat), que se usan sobre la marcha (es decir, `` valor de píxel = valor de píxel original * factor de reescalado multiplicativo + factor reescalado aditivo “”) durante el procesamiento.

Todos: guilabel: band set esta definida con la siguiente tabla:

Peso de banda: tabla conteniendo los siguientes campos;
- Nombre de banda : nombre de la banda; el nombre no puede ser modificado;
- Longitud de onda central : centro de longitud de onda de la banda;
- Factor Multiplicativo : factor multiplicativo de reescalado;
- Factor Aditivo : factor aditivo de reescalado;
- : guilabel: Unidad de longitud de onda | project_save |: unidad de longitud de onda;
- : guilabel: Image name | project_save |: nombre de la imagen para rásteres multibanda;
: mueve las bandas seleccionadas hacia arriba;
: mueve las bandas seleccionadas hacia abajo;
: ordena automáticamente las bandas por su nombre, dando prioridad a los números del final del nombre;
: remove highlighted bands from the active band set;
: borrar todas las bandas de: guilabel: conjunto de bandas activo;
Configuración rápida de longitud de onda : definición rápida del centro de longitud de onda para los siguientes sensores satelitales:
- ASTER;
- GeoEye-1;
- Landsat 8 OLI;
- Landsat 7 ETM+;
- Landsat 5 TM;
- Landsat 4 TM;
- Landsat 1, 2, and 3 MSS;
- MODIS;
- Pleiades;
- QuickBird;
- RapidEye;
- Sentinel-2;
- Sentinel-3;
- SPOT 4;
- SPOT 5;
- SPOT 6;
- WorldView-2 and WorldView-3;
Unidad de longitud de onda : selecciona la unidad del centro de longitud de onda entre:
- Número de banda: sin unidad, solo el número de banda;
- \(\mu m\): micrómetros;
- nm: nanómetros;
: import a previously saved active band set from file;
: export the active band set to a file;

http://www.youtube.com/watch?v=1PclAtPjyZE

Herramientas para Conjunto de bandas ¶

Es posible realizar varios procesos directamente en: guilabel: conjunto de bandas activo.

Crear ráster virtual de Conjunto de bandas: si está seleccionado, crea un ráster virtual con las bandas;
Crear ráster de conjunto de bandas (bandas apiladas): si está seleccionado, crea un único ráster .tif multibanda apilando todas las bandas;
Construir vistas generales: si está seleccionado, construye vistas generales del ráster (i.e. pirámides) para mejorar el rendimiento en la representación; las vistas generales son creadas en el mismo directorio de las bandas;
Expresiones en Calculadora de Bandas: si está seleccionado, calcula la Expresión ingresada en Calculadora de Bandas; es recomendable el uso de variables en las expresiones del Conjunto de bandas (Ej. bandset#b1 );
RUN : elija el destino de salida e inicie el proceso;

Herramientas Básicas ¶

La pestaña | tools | Basic tools incluye varias herramientas para manipular datos de entrada.

Lista RGB ¶

Lista RGB

Esta pestaña permite manipular las RGB Composición de Color usadas en la lista RGB= de la Control de la imagen.

Lista RGB¶

RGB list: tabla conteniendo los siguientes campos;
- RGB: combinación RGB; este campo puede ser modificado manualmente;
: mueve la combinación RGB resaltada hacia arriba;
: mueve la combinación RGB resaltada hacia abajo;
: ordena automáticamente las combinaciones RGB por nombre;
: agrega una fila a la tabla;
: elimina las filas resaltadas de la tabla;
: elimina todas las combinaciones RGB de RGB list;
: exporta la Lista RGB a un archivo (i.e. .csv);
: importa una Lista RGB guardada anteriormente desde archivo (i.e. .csv);

RGB Automático¶

Combinaciones de bandas : agrega la combinación de todas las bandas (i.e. permutación) a la Lista RGB (e.g. 1-2-3, 1-2-4, …, 3-2-1);

Peso de banda del algoritmo ¶

Peso de banda del algoritmo

Esta pestaña permite la definición de pesos de banda que son útiles para mejorar la separabilidad espectral de materiales en ciertas longitudes de onda (bandas). Durante el proceso de clasificación, los valores de banda y los valores de firma espectral se multiplican por los pesos de banda correspondientes, modificando así las distancias espectrales. Se muestra una pestaña para cada: ref: band_set_tab.

Peso de banda¶

Peso de banda: tabla conteniendo los siguientes campos;
- Número de banda : número de la banda en el Conjunto de bandas;
- Nombre de banda : nombre de la banda;
- Peso : peso de la banda; este valor puede ser editado;

Peso automático¶

: restaurar todos los pesos de las bandas a 1;
Asignar peso : asignar como peso de banda el valor definido para todas las bandas seleccionadas en la table;

Creación de ROI Múltiples ¶

Creación de ROI múltiples

Esta pestaña permite la creación automática de ROI, útil para la clasificación rápida de imágenes multitemporales o para la evaluación de precisión. Dada una lista de coordenadas de puntos y opciones de ROI, esta herramienta realiza el crecimiento regional de ROI. El ROI creado se guarda automáticamente en Training input. El active band set in Conjunto de bandas se usa para cálculos.

Crear puntos aleatorios¶

Número de puntos : establece la cantidad de puntos que serán creados cuando Crear puntos es presionado;
inside grid : si está marcada, el área: guilabel: band set se divide en celdas donde el tamaño de las mismas se define en el cuadro combinado (unidad de imagen, generalmente metros); los puntos definidos en `` Número de puntos aleatorios “” se crean aleatoriamente dentro de cada celda;
distancia min : si está seleccionado, los puntos aleatorios tienen como distancia mínima la definida en el cuadro combinado (en unidades de imagen, usualmente metros); establecer una distancia mínima puede producir menos puntos que el definido en Número de puntos;
: guilabel: Crear puntos | enter |: crea puntos aleatorios dentro del área: guilabel:` conjunto de bandas`;
stratified for the values of the first band of the band set min distance : if checked, create random points inside the values defined in the expression calculated for the first band of the defined band set; the expression must include the variable raster ; multiple expressions can be entered separated by semicolon ( ; ) but the total number of stratified points is the same as the defined Number of points;

Coordenadas de punto y definición de ROI¶

Coordenadas de los Puntos y definición de ROI: tabla conteniendo los siguientes campos;
- X : coordenada X del punto (float);
- Y : coordenada Y del punto (float);
- MC ID: ID de Macroclase del ROI (int);
- MC Info: Información de la Macroclase del ROI (text);
- C ID: ID de Clase del ROI (int);
- C Info: Información de la Clase del ROI (text);
- Min : el área mínima de un ROI (en unidades de pixel);
- Max : el ancho máximo de un ROI (en unidades de pixel);
- Dist : el intervalo que define la máxima distancia espectral entre el pixel origen y los circundantes (en unidades radiométricas);
- : guilabel: Rapid ROI band: si se define un número de banda, el ROI se crea solo con la banda seleccionada, de manera similar a: guilabel:` Rapid ROI band` en: ref: ROI_list;
: agrega una nueva fila a la tabla; todos los campos de la tabla deben ser llenados para la creación del ROI;
: elimina las filas seleccionadas de la tabla;
: import a point list from text file or a point shapefile to the table; in case of text file, every line must contain values separated by tabs of X, Y, MC ID, MC Info, Class ID, C Info, Min, Max, Dist, and optionally the Rapid ROI band; in case of shapefile, only point coordinates are imported;
: exporta la lista de puntos a un archivo de texto;

Ejecutar¶

Calcular firm.: si está seleccionado, la firma espectral es calculada mientras el ROI es guardado en el Training input;
: guilabel: RUN | run |: inicia el proceso de creación de ROI para todos los puntos y guarda los ROI en: ref:` training_input`;

Importar firmas ¶

La pestaña Importar firmas permite importar firmas espectrales desde varias fuentes.

Importar archivo de librería¶

Importar archivo de librería

Esta herramienta permite importar firmas espectrales desde varias fuentes: de un Training input (.scp file) guardado anteriormente; una USGS Spectral Library (archivo .asc); un archivo CSV exportado anteriormente. Para elc aso de una USGS Spectral Library, la librería es muestreada automáticamente conforme a los anchos de banda definidos en el Conjunto de bandas, y agregadas al ROI Signature list;

Selecciona un archivo : abre un archivo para ser importado en el Training input;

Importar archivo shape¶

Importar archivo shape

Esta herramienta permite importar un archivo shape, seleccionando los campos correspondientes al Training input.

Selecciona un archivo shape : abre un archivo shape;
Campo MC ID : selecciona del archivo shape el campo correspondiente a MC ID;
Campo MC Info : selecciona del archivo shape el campo correspondiente a MC Info;
Campo C ID : selecciona del archivo shape el campo correspondiente a C ID;
Campo C Info : selecciona del archivo shape el campo correspondiente a C Info;
Calcular firm.: si está seleccionado, la firma espectral es calculada mientras el ROI es guardado en el Training input;
Importar shape : importa todos los polígonos del archivo shape como ROIs en el Training input;

Descarga Librería Espectral de USGS¶

Descarga Librería Espectral de USGS

La pestaña Descarga Librería Espectral de USGS permite la descarga de la USGS spectral library (Clark, R.N., Swayze, G.A., Wise, R., Livo, E., Hoefen, T., Kokaly, R., Sutley, S.J., 2007, USGS digital spectral library splib06a: U.S. Geological Survey, Digital Data Series 231).

Las librerías están agrupadas en capítulos incluyendo Minerals, Mixtures, Coatings, Volatiles, Man-Made, Plants, Vegetation Communities, Mixtures with Vegetation, and Microorganisms. Se requiere una conexión a Internet.

Selecciona un capítulo : selecciona uno de los capítulos de la librería; después de que selecciones, las librerías de ese capítulo son mostradas en Selecciona una librería;
Selecciona una librería : selecciona una de las librerías; la descripción de la librería es mostrada en el marco Descripción de la Librería;
: guilabel: Importar biblioteca espectral | enter |: descargue la biblioteca y agregue la firma espectral muestreada a: ref:` ROI_list` utilizando los parámetros definidos para clase y macroclase; la biblioteca se muestrea automáticamente de acuerdo con las longitudes de onda de la banda de la imagen definidas en: guilabel: conjunto de bandas activas en: ref:` band_set_tab`, y se agrega a: ref: ROI_list;

Consejo: Las Librerías Espectrales descargadas desde USGS Spectral Library pueden ser usadas con los algoritmos Distancia Mínima o Mapeo del Angulo Espectral, pero no con Máxima Probabilidad porque este algoritmo necesita la matriz de covarianza que no está incluida en las librerías espectrales.

Exportar firmas ¶

Exportar firmas

Esta herramienta permite exportar las firmas seleccionadas en el ROI Signature list.

Exportar como archivo SCP : crea un nuevo archivo .scp y exporta los ROIs seleccionados y las firmas espectrales como archivo SCP (* .scp);
: guilabel: Exportar como shapefile | new_file|: exportar ROI resaltado (excluyendo datos de firma espectral) como un nuevo shapefile (* .shp);
Exportar como archivo CSV : abre un directorio, y exporta las firmas espectrales seleccionadas como archivos individuales CSV (* .csv) separadas por un punto y coma ( ; );

Umbral de firma ¶

Umbral de firma

Esta pestaña permite la definición de un umbral de clasificación para cada firma espectral. Se enumeran todas las firmas contenidas en: ref: training_input. Los umbrales definidos en esta herramienta se aplican a la clasificación solo si: guilabel: el valor de Umbral en: ref:` class_alg` es 0.

Esto es útil para mejorar los resultados de clasificación, especialmente cuando las firmas espectrales son similares. Los umbrales de las firmas se guardan en: ref: training_input.

Si el umbral es 0, entonces no se aplica ningún umbral y se clasifican todos los píxeles de la imagen. Dependiendo del seleccionado: ref: clasificación_alg el valor umbral se evalúa de manera diferente:

para Distancia mínima, los pixeles no serán clasificados si la distancia es mayor que el valor del umbral;
para Máxima Probabilidad, los pixeles no serán clasificados si la probabilidad es menor que el valor del umbral (máx 100);
para Mapeo del Angulo Espectral, los pixeles no serán clasificados si la distancia del ángulo espectral es mayor que el valor del umbral (máx 90).

Umbral de firma¶

Umbral de firma: tabla conteniendo los siguientes campos;
- MC ID: Macroclase ID de la firma;
- MC Info: Información de Macroclase de la firma;
- C ID: Clase ID de la firma;
- C Info: Información de Clase de la firma;
- Umbral MD: umbral Distancia Mínima; este valor puede ser editado;
- Umbral ML: umbral Máxima Probabilidad; este valor puede ser editado;
- Umbral SAM: umbral Mapeo del Angulo Espectral; este valor puede ser editado;
: restaura todos los umbrales de firmas a 0 (por tanto no se usa el umbral);

Umbrales automáticos¶

Establecer umbral : establece el valor definido como umbral para todas las firmas seleccionadas en la tabla;
Establecer umbral = σ * : para todas las firmas seleccionadas, establece un umbral automático calculado como la distancia (o el ángulo) entre el promedio de la firma y (promedio de firma + (σ * v)), donde σ es la desviación estándar y v es el valor definido; funciona con Distancia Mínima y Mapeo del Angulo Espectral;

Umbral LCS ¶

Umbral LCS

Esta pestaña permite la configuración de los umbrales de firmas usados por Clasificación por Firmas de Cobertura del Suelo. Son listadas todas las firmas contenidas en el Training input ; además, los umbrales de firmas son guardados en el Training input.

Las firmas con solapamiento (que pertenecen a diferentes Clases o Macroclases) son resaltadas con naranja en la tabla Umbral LCS; la revisión de solapamiento es efectuada considerando MC ID o C ID de acuerdo a la configuración Usar MC ID C ID en el Algorithm. Las firmas con solapamiento que comparten el mismo ID no se resaltan.

Umbral de Cobertura del Suelo - LC Signature¶

Umbral de Cobertura del Suelo - LC Signature: tabla conteniendo los siguientes campos;
- MC ID: Macroclase ID de la firma;
- MC Info: Información de Macroclase de la firma;
- C ID: Clase ID de la firma;
- C Info: Información de Clase de la firma;
- Color [overlap MC_ID-C_ID]: color de la firma; además, la combinación MC ID-C ID es mostrada en caso de existir solapamiento con otras firmas (mira Clasificación por Firmas de Cobertura del Suelo);
- Min B X: valor mínimo de la banda X; este valor puede ser editado;
- Max B X: valor máximo de la banda X; este valor puede ser editado;
: show the ROI spectral signature in the Gráfico de Firmas Espectrales; spectral signature is calculated from the Conjunto de bandas;

Umbrales automáticos¶

Establece automáticamente los umbrales para las firmas seleccionadas en la tabla Umbral de Cobertura del Suelo - LC Signature; si no se ha seleccionado ninguna firma, entonces el umbral es aplicado a todas las firmas.

Min Max : establece el umbral basado en los mínimos y máximos de cada banda;
σ * : establece un umbral automático calculado como (valor de banda + (σ * v)), donde σ es la desviación estándar de cada banda y v es el valor definido en este cuadro;
Desde ROI : establece los umbrales usando los valores de pixeles del ROI temporal;
- +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es aplicada a la opción Desde pixel;
- –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado. Solo es aplicada a la opción Desde pixel;
Desde pixel : establece el umbral haciendo clic en un pixel, de acuerdo a las siguientes casillas de verificación:
- +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es aplicada a la opción Desde pixel;
- –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado. Solo es aplicada a la opción Desde pixel;

Descargar productos ¶

La pestaña | download | : guilabel: Download products incluye las herramientas para buscar y descargar imágenes gratuitas de teledetección. Además, la conversión automática a reflectancia de las bandas descargadas está disponible.

Se requiere una conexión a Internet y es posible que se requiera un registro gratuito según el servicio de descarga.

Esta herramienta permite buscar y descargar:

: ref: imágenes Landsat_definition (de 1 MSS a 8 OLI) adquiridas desde los años 80 hasta nuestros días;
: ref: imágenes Sentinel2_definition (Nivel-1C y Nivel-2A) adquiridas desde 2015 hasta nuestros días;
: ref: imágenes Sentinel3_definition (OLCI Level-1B OL_1_EFR) adquiridas desde 2016 hasta nuestros días;
: ref: imágenes ASTER_definition (Nivel 1T) adquiridas desde 2000 hasta nuestros días;
: ref: imágenes MODIS_definition (MOD09GQ, MYD09GQ, MOD09GA, MYD09GA, MOD09Q1, MYD09Q1, MOD09A1, MYD09A1) adquiridas desde 2000 hasta nuestros días;

Para Landsat, ASTER y MODIS, la búsqueda se realiza a través del CMR Search API <https://cmr.earthdata.nasa.gov/search/site/search_api_docs.html> _ desarrollado por la NASA. Las imágenes de Landsat están disponibles gratuitamente a través de los servicios: EarthExplorer <http://earthexplorer.usgs.gov/> _, Google Earth Engine <https://earthengine.google.com/datasets/> _, y el ` Amazon Web Services (AWS) <http://aws.amazon.com/public-data-sets/landsat/> `_ (solo para Landsat 8). Los productos ASTER L1T y MODIS se recuperaron del conjunto de datos en línea, cortesía del Centro de Archivo Activo Distribuido de Procesos Terrestres de la NASA (LP DAAC), Centro de Observación y Ciencia de Recursos de la Tierra (EROS) de USGS, Sioux Falls, Dakota del Sur, https://lpdaac.usgs.gov/data_access/data_pool.

Para Sentinel-2 y Sentinel-3, la búsqueda se realiza a través del Copernicus Open Access Hub <https://scihub.copernicus.eu/> _ (usando el Data Hub API ); las imágenes se descargan principalmente de Amazon S3 AWS <http://sentinel-pds.s3-website.eu-central-1.amazonaws.com> _ si está disponible.

Esta herramienta intenta descargar imágenes primero de Amazon Web Services y` Google Earth Engine`; solo si las imágenes no están disponibles, la descarga se realiza a través de los servicios que requieren iniciar sesión.

Datos de inicio de sesión ¶

Iniciar sesión https://ers.cr.usgs.gov ¶

Para las imágenes de Landsat, se requieren credenciales USGS EROS (https://ers.cr.usgs.gov) para las descargas desde` EarthExplorer <http://earthexplorer.usgs.gov/> _. Inicie sesión con sus credenciales `USGS EROS o regístrese gratis en https://ers.cr.usgs.gov/register.

Usuario : ingresa tu nombre de usuario;
Contraseña : ingresa tu contraseña;
recordar: recordar nombre de usuario y contraseña en QGIS;

Acceso https://urs.earthdata.nasa.gov ¶

Para imágenes ASTER y MODIS, se requieren credenciales EOSDIS Earthdata (https://urs.earthdata.nasa.gov) para descargar. Inicie sesión utilizando sus credenciales EOSDIS Earthdata o regístrese de forma gratuita en https://urs.earthdata.nasa.gov/users/new. Antes de descargar imágenes ASTER y MODIS, debe aprobar LP DAAC Data Pool haciendo clic en el siguiente enlace https://urs.earthdata.nasa.gov/approve_app?client_id=ijpRZvb9qeKCK5ctsn75Tg

Usuario : ingresa tu nombre de usuario;
Contraseña : ingresa tu contraseña;
recordar: recordar nombre de usuario y contraseña en QGIS;

Acceso a Sentinel¶

Para acceder a los datos de Sentinel se requiere el registro gratuito en https://scihub.copernicus.eu/userguide/1SelfRegistration (otros servicios pudieran requerir un registro diferente) . Después del registro, ingresa el nombre de usuario y la contraseña para acceder a los datos.

Servicio : escribe la URL de servicio (por defecto https://scihub.copernicus.eu/apihub); otros servicios alternos que comparten la misma infraestructura pueden ser usados (como este https://scihub.copernicus.eu/dhus , https://finhub.nsdc.fmi.fi , https://data.sentinel.zamg.ac.at);
: restablece el servicio predeterminado;
Usuario : ingresa tu nombre de usuario;
Contraseña : ingresa tu contraseña;
recordar: recordar nombre de usuario y contraseña en QGIS;

Buscar ¶

Buscar

Parámetros de búsqueda¶

Defina el área de búsqueda ingresando las coordenadas (longitud y latitud) de un punto `` Superior izquierdo “” (SI) y un punto `` Inferior derecho “” (ID) y seleccione un producto para buscar. Las configuraciones opcionales son la fecha de adquisición, la cobertura máxima de la nube, el número de resultados (cuanto menos resultados, más rápida es la consulta).

Antes de buscar imágenes es necesario definir el área de búsqueda.

: guilabel: UL | input_number | | input_number |: establece la longitud UL X (Lon) y la latitud UL Y (Lat);
LR : establece la longitud LR X (Lon) y la latitud LR Y (Lat);
Mostrar: muestra u oculta el área de búsqueda en el mapa;
: define a search area by left click to set the UL point and right click to set the LR point; the search area is displayed in the map;
Products : establece el producto de búsqueda;
Desde fecha : fijar la fecha inicial de adquisición;
hasta : fijar la fecha final de adquisición;
: guilabel: Máxima cobertura de nubes (%) | input_number |: máxima cobertura de nubes en el producto;
Results : número máximo de productos devueltos por la búsqueda;
Filter : : guilabel: Filter | input_text |: establece un filtro como el ID del producto (por ejemplo,` LC81910312015006LGN00 “”); es posible ingresar múltiples ID de productos separados por coma o punto y coma (por ejemplo, ` LC81910312015006LGN00, LC81910312013224LGN00 “”); el filtro se aplica a los productos resultantes en el área de búsqueda;
Find : encuentre los productos en el área de búsqueda; los resultados se muestran dentro de la tabla en: ref: product_list; los resultados se agregan a resultados anteriores;
Agregue OpenStreetMap al mapa: este botón permite la visualización de mosaicos de OpenStreetMap (© OpenStreetMap <http://www.openstreetmap.org/copyright> _ contributors) en el mapa QGIS como se describe en https://wiki.openstreetmap.org/wiki/QGIS. La cartografía tiene licencia CC BY-SA (Política de uso de mosaicos );

Consejo: Los resultados de búsqueda (y la cantidad de éstos) dependen de la extensión del área de búsqueda y el rango de fechas. Para obtener mejores resultados, ejecuta búsquedas múltiples definiendo áreas con pequeñas extensiones e intervalos cortos en la fecha de adquisición (desde y hasta)

Lista de productos¶

La tabla: guilabel: Lista de productos contiene los resultados de la búsqueda. Haga clic en cualquier elemento (resaltado) para mostrar la vista previa de la imagen del mismo. Los resultados se guardan con el proyecto QGIS.

Product list : los productos encontrados se muestran en esta tabla, que incluye los siguientes campos;
- Product: el nombre del producto;
- ProductID: el ID del producto;
- AcquisitionDate: fecha de adquisición del producto;
- CloudCover: porcentaje de cobertura de nubes en el producto;
- Zone/Path: la zona o ruta WRS según el tipo de producto;
- Row/DayNightFlag: la fila WRS o el indicador de adquisición (día o noche) según el tipo de producto;
- min_lat: latitud mínima del producto;
- min_lon: longitud mínima del producto;
- max_lat: latitud máxima del producto;
- max_lon: longitud máxima del producto;
- Collection/Size: código de colección o tamaño dependiendo del tipo de producto;
- Preview: URL de la vista previa del producto;
- Collection/ID: ID de colección o imagen según el tipo de producto;
- Collection/Image: ID de colección o imagen según el tipo de producto;
: muestra en el mapa la vista previa de las imágenes seleccionadas; la vista previa es georeferenciada aproximadamente al vuelo;
: elimina las imágenes seleccionadas de la lista;
: elimina todas las imágenes de la lista;
: importar la lista de productos desde un archivo de texto (i.e. .txt);
: exportar la lista de productos a un archivo de texto (i.e. .txt);

Descargar¶

Descargue los productos en la Lista de productos. Durante la descarga, se recomienda no interactuar con QGIS.

Only if preview in Layers: si está marcada, descargue solo las imágenes enumeradas en Lista de productos que también se enumeran en el panel de capas QGIS;
Preprocesar imágenes: si está seleccionado, las bandas son convertidas automáticamente después de la descarga, usando la configuración definida en Landsat;
Cargar bandas en QGIS: si está seleccionado, las bandas serán cargadas en QGIS después de la descarga;
: exporta los enlaces de descarga a un archivo de texto;
RUN :iniciar el proceso de descarga de todos los productos enumerados en Lista de productos;

Opciones de Descarga ¶

Opciones de descarga

Esta pestaña permite la selección de bandas individuales para imágenes Landsat, Sentinel-2 y Sentinel-3. Dependiendo del servicio de descarga, la descarga de una banda podría no estar disponible.

Banda X: selecciona las bandas que deseas descargar;
Ancillary data: si está marcado, los archivos de metadatos se seleccionan para descargar;
: selecciona todas las bandas o ninguna banda;

Preprocesamiento ¶

La pestaña Preprocesamiento proporciona varias herramientas para la manipulación de datos que son útiles antes del proceso de clasificación.

Landsat ¶

Landsat

Esta pestaña permite la conversión de imágenes Landsat 1, 2, y 3 MSS y Landsat 4, 5, 7, y 8 desde DN (i.e. Digital Numbers) a la medida física de Top Of Atmosphere reflectance (TOA), o la aplicación de la simple corrección atmosférica usando el método DOS1 (Dark Object Subtraction 1), que es una técnica basada en imagen (para mayor información sobre la conversión de Landsat a TOA y la corrección DOS1, mira Conversión de la imagen a Reflectancia). El Pan-sharpening está también disponible; para mayor información lee Pan-sharpening.

Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos

** ADVERTENCIA **: para obtener la mejor precisión espectral, debe descargar los productos de datos Landsat Level-2 (Reflectancia de superficie) desde https://earthexplorer.usgs.gov.

Conversión a reflectancia TOA y a temperatura de brillo de imágenes Landsat¶

Directorio conteniendo bandas Landsat : abre un directorio conteniendo bandas Landsat; los nombres de las bandas Landsat deben terminar en su número correspondiente; si el archivo con metadatos está incluido en este directorio el Metadatos se completa automáticamente;
Seleccionar archivo MTL : si el archivo con los metadatos no está incluido en el Directorio conteniendo bandas Landsat, selecciona la ruta del archivo con metadatos para completar el Metadatos automáticamente;
Temperatura de brillo en Celsius: si está seleccionada, convierte la temperatura de brillo a Celsius (si la banda Landsat termal está listada en Metadatos); si no está seleccionado la temperatura está en Kelvin;
Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 es aplicada a todas las bandas (excluyendo la banda termal);
solo a bandas azules y verdes “: si está marcada (con :guilabel:`Aplicar corrección atmosférica DOS1 también marcado), la Corrección DOS1 se aplica solo a bandas azules y verdes;
Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando la imagen tiene borde negro (generalmente con valor de pixel = 0);
Realizar pansharpening: si está seleccionado, la transformación Brovey es aplicada para la Pan-sharpening de las bandas Landsat;
Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas seleccionadas en el Conjunto de bandas;

Metadatos¶

Todas las bandas encontradas en el Directorio conteniendo bandas Landsat son listadas en la tabla Metadatos. Si se encuentra el archivo de metadatos (un archivo .txt o .met con el sujito MTL) , los Metadatos son llenados automáticamente. Para información sobre los campos Metadatos lee esta página y esta otra .

Satélite : el nombre del satélite (Ej. Landsat8);
Date : fecha de adquisición (Ej. 2013-04-15);
Elevación del Sol : elevación del Sol en grados;
Distancia Tierra-Sol : distancia de la Tierra al Sol en unidades astronómicas (calculada automáticamente si Date está llenada;
: elimina las bandas seleccionadas de la tabla Metadatos;
Metadatos: tabla conteniendo los siguientes campos;
- Band: nombre de banda;
- RADIANCE_MULT: factor multiplicativo para el reescalado;
- RADIANCE_ADD: factor aditivo para el reescalado;
- REFLECTANCE_MULT: factor multiplicativo para el reescalado;
- REFLECTANCE_ADD: factor aditivo para el reescalado;
- RADIANCE_MAXIMUM: radiancia máxima;
- REFLECTANCE_MAXIMUM: reflectancia máxima;
- K1_CONSTANT: constante de conversión termal;
- K2_CONSTANT: constante de conversión termal;
- LMAX: radiancia espectral que es reescalada a QCALMAX;
- LMIN: radiancia espectral que es reescalada a QCALMIN;
- QCALMAX: valor máximo de pixel cuantificado y calibrado;
- QCALMIN: valor mínimo de pixel cuantificado y calibrado;

Ejecutar¶

: guilabel: RUN | run |: seleccione un directorio de salida e inicie el proceso de conversión; solo las bandas que figuran en la tabla: guilabel: se convierten los “Metadatos”; las bandas convertidas se guardan en el directorio de salida con el prefijo `` RT_`` y se cargan automáticamente en QGIS;

Sentinel-2 ¶

Sentinel-2

Esta pestaña permite la conversión de imágenes ** Sentinel-2 ** Nivel-1C a la medida física de la reflectancia de la parte superior de la atmósfera (TOA), o la aplicación de una corrección atmosférica simple utilizando el método DOS1 (resta de objetos oscuros 1), que es una técnica basada en imágenes (para obtener más información sobre la conversión a TOA y corrección de DOS1, consulte: ref: conversion_to_reflectance). Esta herramienta también puede convertir imágenes ** Sentinel-2 ** Nivel-2A de DN a valores de reflectancia.

Una vez que se selecciona la entrada, las bandas disponibles se enumeran en la tabla de metadatos. Las bandas con una resolución espacial de 20 m se vuelven a muestrear a una resolución de 10 m sin cambiar el valor de píxel original (es decir, un píxel de 20 m se divide en cuatro píxeles de 10 m con el mismo valor).

** ADVERTENCIA **: Para obtener la mejor precisión espectral, debe descargar los productos Sentinel-2 Level-2A (Reflectancia de superficie) o utilizar la herramienta oficial SNAP para la corrección atmosférica (ver http://step.esa.int).

Conversión de Sentinel-2¶

: guilabel: Directorio que contiene bandas Sentinel-2 | open_dir |: abre un directorio que contiene bandas Sentinel-2; los nombres de las bandas Sentinel-2 deben terminar con el número correspondiente; si el archivo de metadatos está incluido en este directorio, entonces: ref: sentinel2_metadata se llenan automáticamente;
: guilabel: Seleccionar el archivo de metadatos | abrir_archivo | | opcional |: seleccione el archivo de metadatos que es un archivo .xml cuyo nombre contiene `` MTD_MSIL1C “”);
Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 es aplicada a todas las bandas;
solo a bandas azules y verdes “: si está marcada (con :guilabel:`Aplicar corrección atmosférica DOS1 también marcado), la Corrección DOS1 se aplica solo a bandas azules y verdes;
Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando la imagen tiene borde negro (generalmente con valor de pixel = 0);
Create Band set and use Band set tools: if checked, the active Band set is created after the conversion; also, the Band set is processed according to the tools checked in the Conjunto de bandas;
Add bands in a new Band set: if checked, bands are added to a new empty Band set;

Metadatos¶

Todas las bandas encontradas en: guilabel: Directorio que contiene bandas Sentinel-2 se enumeran en la tabla: guilabel:` Metadata`. Si se proporciona el archivo de metadatos Sentinel-2 (un archivo .xml cuyo nombre contiene `` MTD_MSIL1C “”), entonces: guilabel: Metadata se rellenan automáticamente. Para obtener información sobre: guilabel: campos Metadata, lea` esta página informativa <https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/data-formats> `_.

Satélite : nombre del satélite (Ej. Sentinel-2A);
: elimina las bandas seleccionadas de la tabla Metadatos;
Metadatos: tabla conteniendo los siguientes campos;
- Band: nombre de banda;
- Valor de Cuantificación: valor para la conversión a reflectancia TOA;
- Irradiancia solar: irradiancia solar de la banda;

Ejecutar¶

: guilabel: RUN | run |: seleccione un directorio de salida e inicie el proceso de conversión; solo las bandas que figuran en la tabla: guilabel: se convierten los “Metadatos”; las bandas convertidas se guardan en el directorio de salida con el prefijo `` RT_`` y se cargan automáticamente en QGIS;

Sentinel-3 ¶

Sentinel-3

Esta pestaña permite la conversión de imágenes ** Sentinel-3 ** (OL_1_EFR) a la medida física de la reflectancia de la parte superior de la atmósfera (TOA), o la aplicación de una corrección atmosférica simple utilizando el método DOS1 (resta de objetos oscuros 1), que es una técnica basada en imágenes (para obtener más información sobre la conversión a TOA y corrección de DOS1, consulte: ref: conversion_to_reflectance). Los siguientes datos auxiliares son necesarios para la conversión: `` instrument_data.nc``, `` geo_coordinates.nc``, `` tie_geometries.nc``.

Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos

** ADVERTENCIA **: Las bandas Sentinel-3 se reproyectan al sistema de coordenadas WGS 84 utilizando una muestra de píxeles del archivo geo_coordinates.nc. Para la mejor precisión, debe usar la herramienta oficial SNAP (ver http://step.esa.int).

Conversión Sentinel-3¶

: guilabel: Directorio que contiene bandas Sentinel-3 | open_dir |: abre un directorio que contiene bandas Sentinel-3; los nombres de las bandas Sentinel-2 deben terminar con el número correspondiente; los datos auxiliares necesarios para la conversión deben estar en el mismo directorio;
Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 es aplicada a todas las bandas;
solo a bandas azules y verdes “: si está marcada (con :guilabel:`Aplicar corrección atmosférica DOS1 también marcado), la Corrección DOS1 se aplica solo a bandas azules y verdes;
Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando la imagen tiene borde negro (generalmente con valor de pixel = 0);
Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas seleccionadas en el Conjunto de bandas;

Metadatos¶

Todas las bandas que se encuentran en: guilabel: Directorio que contiene bandas Sentinel-3 se enumeran en la tabla: guilabel:` Metadata`.

: guilabel: Satellite | input_text |: nombre del satélite (por ejemplo, Sentinel-3A);
: guilabel: Producto | input_text |: nombre del producto (por ejemplo, OLCI);
: elimina las bandas seleccionadas de la tabla Metadatos;
Metadatos: tabla conteniendo los siguientes campos;
- Band: nombre de banda;

Ejecutar¶

: guilabel: RUN | run |: seleccione un directorio de salida e inicie el proceso de conversión; solo las bandas que figuran en la tabla: guilabel: se convierten los “Metadatos”; las bandas convertidas se guardan en el directorio de salida con el prefijo `` RT_`` y se cargan automáticamente en QGIS;

ASTER ¶

ASTER

Esta pestaña permite la conversión de imágenes ASTER LT1 a la medida física Top Of Atmosphere reflectance (TOA), o a la aplicación de la corrección atmosférica simple usando el método DOS1 (Dark Object Subtraction 1), el cual es un método basado en imagen (para mayor información sobre conversión s TOA y corrección DOS1, mira Conversión de la imagen a Reflectancia).

Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos

Conversión de ASTER¶

Seleccionar archivo ASTER L1T : selecciona una imagen ASTER (archivo .hdf);
Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 es aplicada a todas las bandas;
only to green band: if checked (with Apply DOS1 atmospheric correction also checked), the Corrección DOS1 is applied only to green band;
Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando la imagen tiene borde negro (generalmente con valor de pixel = 0);
Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas seleccionadas en el Conjunto de bandas;

Metadatos¶

Todas las bandas encontradas en Seleccionar archivo ASTER L1T son listafas en la tabla Metadatos. Para información sobre los campos Metadatos visita la página de ASTER .

Date : fecha de adquisición (Ej. 20130415);
Elevación del Sol : elevación del Sol en grados;
Distancia Tierra-Sol : distancia de la Tierra al Sol en unidades astronómicas (calculada automáticamente si Date está llenada;
Zona UTM : código de la zona UTM de la imagen;
SUPIZQUIERDAM : coordenadas de la esquina superior izquierda de la imagen;
: elimina las bandas seleccionadas de la tabla Metadatos;
Metadatos: tabla conteniendo los siguientes campos;
- Band: nombre de banda;
- UnitConversionCoeff: valor para la conversión a radiancia;
- PixelSize: irradiancia solar de la banda;

Ejecutar¶

: guilabel: RUN | run |: seleccione un directorio de salida e inicie el proceso de conversión; solo las bandas que figuran en la tabla: guilabel: se convierten los “Metadatos”; las bandas convertidas se guardan en el directorio de salida con el prefijo `` RT_`` y se cargan automáticamente en QGIS;

MODIS ¶

MODIS

Esta pestaña permite la conversión de imágenes ** MODIS ** a formato .tif y la reproyección a WGS 84.

Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos

Conversión de MODIS¶

: guilabel: Seleccionar archivo MODIS | abrir_archivo |: seleccionar una imagen MODIS (archivo .hdf);
Reproject to WGS 84: if checked, reproject bands to WGS 84, required for use in SCP;
Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando la imagen tiene borde negro (generalmente con valor de pixel = 0);
Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas seleccionadas en el Conjunto de bandas;

Metadatos¶

Todas las bandas que se encuentran en: guilabel: Seleccionar archivo MODIS se enumeran en la tabla: guilabel:` Metadata`. Para obtener información sobre: guilabel: los campos Metadata visite` la página de MODIS <https://lpdaac.usgs.gov/dataset_discovery/modis>`_ .

: guilabel: ID | input_text |: ID de la imagen;
: elimina las bandas seleccionadas de la tabla Metadatos;
Metadatos: tabla conteniendo los siguientes campos;
- Band: nombre de banda;
- : guilabel: UnitConversionCoeff: valor para la conversión;

Ejecutar¶

: guilabel: RUN | run |: seleccione un directorio de salida e inicie el proceso de conversión; solo las bandas que figuran en la tabla: guilabel: se convierten los “Metadatos”; las bandas convertidas se guardan en el directorio de salida con el prefijo `` RT_`` y se cargan automáticamente en QGIS;

Vectorial a ráster ¶

Vectorial a ráster

Esta pestaña permite la conversión de formato vectorial a ráster.

Selecciona el vectorial : selecciona un vectorial ya cargado en QGIS;
: recargar la lista de capas;
Usar el valor del campo del vector : si está seleccionado, el campo seleccionado es usado como atributo para la conversión; los pixeles del ráster de salida tienen los mismos valores que los atributos del vectorial;
Usar un valor constante : si está seleccionado, los polígonos son convertidos a ráster usando el valor constante seleccionado;
Seleccionar el tipo de conversión : selecciona el tipo de conversión entre Centro de los pixeles y Todos los pixeles en contacto:
- Centro de los pixeles: durante la conversión, el vector es comparado con el ráster de referencia; los pixeles ráster de salida son atribuidos al polígono si el centro del pixel está dentro de ese polígono;
- Todos los pixeles en contacto: durante la conversión, el vector es comparado con el ráster de referencia; los pixeles ráster de salida son atribuidos al polígono si el pixel topa a ese polígono;
Selecciona el ráster de referencia : selecciona un ráster de referencia; los pixeles del ráster de salida tienen el mismo tamaño y alineamiento al del ráster de referencia. El ráster de referencia es un ráster de una sola banda;
: recargar la lista de capas;

Ejecutar¶

RUN : elija el destino de salida e inicie la conversión a ráster;

Recortar múltiples rásters ¶

Recortar múltiples rásters

Esta pestaña permite cortar varias bandas de la imagen a la vez, utilizando un rectángulo definido con coordenadas de puntos o un límite definido con un vector.

Lista de Rásters¶

: recargar la lista de capas;
: selecciona todos los rásters;

Coordenadas de corte¶

Establezca las coordenadas de los puntos superior izquierdo (SI) e inferior derecho (ID) del rectángulo utilizado para el recorte; Es posible ingresar las coordenadas manualmente. Alternativamente, use un vector.

UL X : establecer la coordenada UL X;
UL Y : establecer la coordenada UL Y;
LR X : establecer la coordenada LR X;
LR Y : establecer la coordenada LR Y;
Mostrar: muestra u oculta el área de corte dibujada en el mapa;
: define el área de corte dibujando un rectángulo en el mapa; clic izquierdo para establecer el punto UL y clic derecho para establecer el punto LR; el área es mostrada en el mapa;
Use vector for clipping : if checked, use the selected vector (already loaded in QGIS) for clipping; UL and LR coordinates are ignored;
Use vector field for output name : if checked, a vector field is selected for clipping while iterating through each vector polygon and the corresponding field value is added to the output name;
Use temporary ROI for clipping: if checked, use a temporary ROI (see ROI Signature list) for clipping; UL and LR coordinates are ignored;
: recargar la lista de capas;
Valor SinDatos : si está seleccionado, establece el valor SinDatos para los pixeles (Ej. los pixeles que están fuera del área de corte);
Prefijo para nombre de salida : establece el prefijo para los nombres de los archivos de salida (por defecto es clip);

Ejecutar¶

RUN : elija un destino de salida y recorte los rásteres seleccionados; solo rásteres seleccionados en el:ref:raster_list se recortan y se cargan automáticamente en QGIS;

Separar bandas ráster ¶

Separar bandas ráster

Separa una ráster multibanda en bandas sencillas.

Ráster de entrada¶

Selecciona una ráster multibanda : selecciona una ráster multibanda ya cargada en QGIS;
: recargar la lista de capas;
Prefijo para nombre de salida : establece el prefijo para los nombres de los archivos de salida (por defecto es split);

Ejecutar¶

RUN : elija el destino de salida y divida el ráster seleccionado; las bandas de salida se cargan automáticamente en QGIS;

Stack raster bands ¶

:guilabel: Apilar bandas ráster

Apila bandas ráster en un solo archivo.

Lista de Rásters¶

: recargar la lista de capas;
: selecciona todos los rásters;

Ejecutar¶

RUN : elija el destino de salida y apile los rásteres seleccionados; la salida se carga automáticamente en QGIS;

Conjuntos de bandas del mosaico ¶

Conjuntos de bandas del mosaico

Esta herramienta permite el mosaico de conjuntos de bandas, fusionando las bandas correspondientes de dos o más conjuntos de bandas definidos en el Conjunto de bandas. Se crea una banda de salida para cada conjunto de bandas correspondiente en los conjuntos de bandas.

Los valores `` NoData “” de un conjunto de bandas se reemplazan por los valores de los otros conjuntos de bandas.

Mosaico de conjuntos de bandas¶

Band set list :lista si los conjuntos de bandas definidos en el Conjunto de bandas;en caso de imágenes superpuestas, se asignan los valores de píxeles de la primera banda establecida en la lista.
Usar valores SinDatos : si está seleccionado, establece el valor SinDatos de los pixeles, que serán ignorados durante el cálculo;
Prefijo de nombre de salida | input_text |: establece el prefijo para los nombres de archivo de salida (por defecto es mosaic);

Ejecutar¶

RUN : seleccione un directorio de salida e inicie el proceso del mosaico;

Enmascaramiento de nubes ¶

Enmascaramiento de nubes

Esta herramienta permite el enmascaramiento de las nubes, basado en los valores de una máscara ráster, creando una banda enmascarada de salida para cada banda del:ref:band_set_tab. NoData se establece en todas las bandas de la Conjunto de bandas para píxeles correspondientes a nubes.

Conjunto de máscara de banda¶

Seleccionar el conjunto de banda de entrada : seleccione la entrada:ref:band_set_tab a ser enmascarado;
Seleccione la clasificación : seleccione un raster de clasificacion (ya cargado en QGIS) que contiene una clase de nube;
: recargar la lista de capas;
Valores de clase de máscara :establecer los valores de la clase que se enmascararán; los valores de clase deben estar separados por , y - se puede usar para definir un rango de valores (por ejemplo 1, 3-5, 8 seleccionará las clases 1, 3, 4, 5, 8); si el texto es rojo, entonces la expresión contiene errores;
Usar buffer del tamaño del píxel : si está marcado, se crea un búfer para el área enmascarada, correspondiente al número definido de píxeles; esto puede ser útil para dilatar el área enmascarada en caso de que la máscara no cubra el borde más delgado de las nubes;
valor NoData `: establecer el valor de píxeles ` NoData``, correspondiente a las nubes;
Prefijo del nombre de salida : establecer el prefijo para los nombres de los archivos de salida (por defecto es mask);

Ejecutar¶

RUN : seleccione un directorio de salida e inicie el proceso de máscara;

Procesamiento de banda ¶

La pestaña Procesamiento de banda proporciona varias funciones que se pueden aplicar a Conjunto de bandas.

Combinación de bandas ¶

Combinación de bandas

Esta pestaña permite la combinación de bandas cargadas en un Conjunto de bandas. Esta herramienta está diseñada para combinar clasificaciones para obtener un ráster donde cada valor corresponde a una combinación de valores de clase. Una combinación del ráster se produce como salida y el área de cada combinación se informa en un archivo de texto.

Combinación de valores de banda.¶

Seleccione el conjunto de banda de entrada (de clasificaciones) : seleccione la entrada Conjunto de bandas;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo; tambien, los detalles sobre las combinaciones se muestran en la pestaña: guilabel: Salida y guardado en un archivo .txt en el directorio de salida;

PCA ¶

PCA

Esta pestaña permite el PCA (Análisis de Componentes Principales) de las bandas cargadas en el Conjunto de bandas.

Análisis de Componentes Principales de un Conjunto de bandas¶

Seleccionar el conjunto de banda de entrada : seleccione la entrada: ref:band_set_tab;
Número de componentes : si está seleccionado, establece el número de componentes calculados; si no está seleccionado, todos los componentes son calculados;
Usar valores SinDatos : si está seleccionado, establece el valor SinDatos de los pixeles, que serán ignorados durante el cálculo;

Ejecutar¶

RUN : seleccione un directorio de salida e inicie el proceso de cálculo; los componentes principales se calculan y guardan como archivos ráster; Además, los detalles sobre el PCA son mostrados en la pestaña Salida y guardado en un archivo .txt en el directorio de salida;

Agrupamiento ¶

Agrupamiento

Esta pestaña permite Agrupamiento de un Conjunto de bandas. En particular, K-medias y ISODATA los métodos están disponibles.

Agrupación de conjunto de bandas¶

Seleccionar el conjunto de banda de entrada : seleccione la entrada: ref:band_set_tab;
Method K-means ISODATA:seleccione el método de agrupamiento K-medias o ISODATA;
Umbral de distancia : si está marcada, para K-means: la iteración termina si la distancia es inferior al umbral; para ISODATA: las firmas se fusionan si la distancia es mayor que el umbral;
Numero de clases : numero de clases de salida deseadas;
Número máximo de iteraciones. : número máximo de iteraciones si Umbral de distancia no se alcanza;
Desviación estándar máxima de ISODATA :desviación estándar máxima considerada para dividir una clase, para ISODATA un solo algoritmo;
Tamaño mínimo de clase ISODATA en píxeles : tamaño de clase mínimo deseado en píxeles, para ISODATA un solo algoritmo;
Usar valores SinDatos : si está seleccionado, establece el valor SinDatos de los pixeles, que serán ignorados durante el cálculo;

Firmas de semillas¶

Firmas de semillas de valores de banda Utilice la lista de firmas como firmas semilla Use firmas de semillas aleatorias:seleccione una opción para las firmas semilla que inician la iteración; la opción Firmas de semillas de valores de banda divide el espacio espectral de la:ref:band_set_tab para obtener firmas espectrales; la opción Utilice la lista de firmas como firmas semilla utiliza las firmas espectrales registradas ROI Signature list; la opción:guilabel:Use firmas de semillas aleatorias selecciona aleatoriamente las firmas espectrales de píxeles en el Conjunto de bandas;
Algoritmo de distancia Distancia minima Mapeo de Ángulo Espectral: seleccione Distancia mínima o * Mapeo del Angulo Espectral para cálculo de distancia espectral;
Guardar firmas resultantes en la lista de firmas: si está marcado, guarde las firmas espectrales resultantes en el ROI Signature list;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo;

Distancia espectral ¶

Distancia espectral

Esta pestaña permite calcular la distancia espectral entre cada píxel correspondiente de dos: guilabel: conjuntos de bandas. La salida es un ráster que contiene la distancia espectral de cada píxel. Opcionalmente, se puede definir un umbral para crear un ráster binario de valores por debajo y por encima del umbral.

Distancia espectral de conjuntos de bandas¶

:guilabel:Seleccione el primer conjunto de bandas de entrada : seleccione la primera entrada Conjunto de bandas;
Seleccione el segundo conjunto de bandas de entrada : seleccione la segunda entrada:ref:band_set_tab;
Algoritmo de distancia Distancia minima Mapeo de Ángulo Espectral: seleccione Distancia mínima o * Mapeo del Angulo Espectral para cálculo de distancia espectral;
:guilabel: Umbral de distancia : si está marcado, se crea un ráster binario de valores por debajo y por encima del umbral;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo;

Postprocesamiento ¶

La pestaña Postprocesamiento proporciona varas funciones que pueden ser aplicadas a la Salida de la clasificación.

Exactitud ¶

Exactitud

Esta pestaña permite la validación de una clasificación (leer Evaluación De la Exactitud ). La clasificación se compara con un ráster de referencia o un vector de referencia (que se convierte automáticamente en ráster). Si se selecciona un vector como referencia, es posible elegir un campo que describa los valores de clase.

Several statistics are calculated such as overall accuracy, user’s accuracy, producer’s accuracy, and Kappa hat. In particular, these statistics are calculated according to the area based error matrix where each element represents the estimated area proportion of each class. This allows for estimating the unbiased user’s accuracy and producer’s accuracy, the unbiased area of classes according to reference data, and the standard error of area estimates.

The output is an error raster that is a .tif file showing the errors in the map, where pixel values represent the categories of comparison (i.e. combinations identified by the ErrorMatrixCode in the error matrix) between the classification and reference. Also, a text file containing the error matrix (i.e. a .csv file separated by tab) is created with the same name defined for the .tif file.

Entrada¶

Selecciona la clasificación a evaluar : selecciona el ráster con la clasificación (ya cargado en QGIS);
: recargar la lista de capas;
Seleccione el vector de referencia o ráster : seleccione un ráster o un vector (ya cargado en QGIS), utilizado como capa de referencia (terreno verdadero) para la evaluación de precisión;
: recargar la lista de capas;
Campo vectorial : si se selecciona un vector como referencia, seleccione un campo vectorial que contenga valores de clase numéricos;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo; la matriz de error se muestra en la pestaña: guilabel:Salida y el error del raster es cargado en QGIS;

Cambio de cobertura del suelo ¶

Cambio de cobertura del suelo

La pestaña Cambio de cobertura del suelo permite la comparación entre dos clasificaciones para determinar cambios en la cobertura del suelo. La salida es un ráster de cambios en la cobertura del suelo (i.e. un archivo .tif mostrando los cambios en el mapa, donde cada pixel representa una categoría de comparación (i.e. combinaciones) entre dos clasificaciones, que es el ChangeCode en las estadísticas del cambio en la cobertura del suelo) y un archivo de texto conteniendo las estadísticas del cambio en la cobertura del suelo (i.e. un archivo .csv separado por etiquetas, con el mismo nombre definido para el archivo .tif).

Entrada¶

Selecciona la clasificación de referencia : selecciona una clasificación ráster de referencia (ya cargado en QGIS);
: recargar la lista de capas;
Selecciona la nueva clasificación : selecciona una nueva clasificación ráster (ya cargada en QGIS), para ser comparada con la clasificación de referencia;
: recargar la lista de capas;
Reportar pixeles sin cambios: si está seleccionada, reporta también los pixeles sin cambios (que tienen el mismo valor en ambas clasificaciones);

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo; las estadísticas de cambio de la cobertura del suelo se muestran en la pestaña: guilabel:Salida (y guardado en un archivo de texto) y el raster de cambio de Cobertura del suelo es cargado en QGIS;

Reporte de la clasificación ¶

Reporte de la clasificación

Esta pestaña permite el cálculo de estadísticas de las Clases como el número de pixeles, porcentaje y área (las unidades de área son definidas por la misma imagen).

Entrada¶

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);
: recargar la lista de capas;
Usar valor SinDatos ` |input_number|: si está seleccionado los valores ``SinDatos` serán excluidos del reporte

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo; el informe se guarda en un archivo de texto y se muestra en la pestaña Salida;

Clasificación cruzada ¶

Clasificación cruzada

Esta pestaña permite el cálculo de un ráster de clasificación cruzada y una matriz. La clasificación se compara con un ráster de referencia o un vector de referencia (que se convierte automáticamente en ráster). Esto es útil para calcular el área para cada combinación entre clases de referencia y valores de clasificación. Si se selecciona un vector como referencia, es posible elegir un campo que describa los valores de clase.

El resultado es un raster cruzado, el cual es un archivo .tif donde los valores de los píxeles representan cetegorías de comparación (i.e. combinaciones identificadas por el``CrossMatrixCode``) entre la clasificación y la referencia. Además, se crea un archivo de texto conteniendo la matriz cruzada (i.e. un archivo .csv separado por tabulaciones) con el mismo nombre que el archivo .tif.

Entrada¶

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);
: recargar la lista de capas;
Usar valor SinDatos : si está marcado, los valores``SinDatos`` serán excluidos del cálculo;
Seleccione el vector de referencia o ráster : seleccione un ráster o un vector (ya cargado en QGIS), utilizado como capa de referencia;
: recargar la lista de capas;
Campo vectorial : si se selecciona un vector como referencia, seleccione un campo vectorial que contenga valores de clase numéricos;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo; la matriz de error se muestra en la pestaña: guilabel:Salida y el `` raster cruzado`` es cargado en QGIS;

Clase de firma ¶

Clase de firma

Esta pestaña permite el cálculo de la firma espectral media de cada clase en una clasificación usando un Conjunto de bandas.

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);
: recargar la lista de capas;
Seleccionar conjunto de banda de entrada : seleccione la entrada:ref:band_set_tab para el cálculo de la firma espectral;
Guardar firmas resultantes en la lista de firmas:si está marcado, guarde las firmas espectrales resultantes en:ref:ROI_list;

Ejecutar¶

RUN : elige el destino de salida y comienza la conversión;

Clasificación a vectorial ¶

Clasificación a vectorial

Esta pestaña permite la conversión de un ráster de clasificación en un archivo vectorial shape.

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);
: recargar la lista de capas;

Simbología¶

Usar código del listado de Firmas : si está seleccionado, el color y la información de Clase son definidos desde ROI Signature list:
- MC ID: usar el ID de las Macroclases;
- C ID: usar el ID de las Clases;

Ejecutar¶

RUN : elige el destino de salida y comienza la conversión;

Reclasificación ¶

Reclasificación

Esta pestaña permite la reclasificación (i.e. asignando un código de Clase nuevo a los pixeles ráster). En particular, facilita la conversión desde los valores C ID a MC ID.

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);
: recargar la lista de capas;

Valores¶

calcular valores de C ID a MC ID: si está seleccionado, la tabla de reclasificación table es completada de acuerdo con la ROI Signature list cuando Calcular valores únicos es presionado;
Calcular valores únicos : calcula valores únicos en la clasificación y completa la tabla de reclasificación;
Valores: tabla conteniendo los siguientes campos;
- Valor antiguo: establece la expresión para definir los valores antiguos que serán reclasificados; Valor antiguo puede ser un valor o una expresión definida usando la variable name raster (nombres personalizados pueden ser definidos en Nombre de variable para expresiones ), utilizando operadores Python (Ej. raster > 3 selecciona todos los pixeles que tienen valor > 3 ; raster > 5 | raster < 2 selecciona todos los pixels que tienen valores > 5 o < 2 ; raster >= 2 & raster <= 5 selecciona todos los pixeles que tienen valores entre 2 y 5);
- Valor Nuevo: establece el nuevo valor para los valores antiguos definidos en Valor antiguo;
: agrega una fila a la tabla;
: elimina las filas resaltadas de la tabla;

Simbología¶

Usar código del listado de Firmas : si está seleccionado, el color y la información de Clase son definidos desde ROI Signature list:
- MC ID: usar el ID de las Macroclases;
- C ID: usar el ID de las Clases;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo; el ráster reclasificado se carga en QGIS;

Editar ráster ¶

Editar ráster

Esta pestaña permite la edición directa de los valores de los pixeles en un ráster. Solo los pixeles que están debajo de polígonos ROI o polígonos vectoriales son editados.

Atención: El ráster de entrada es editado directamente; es recomendable crear una copia de seguridad del ráster antes de usar esta herramienta para evitar pérdida de datos.

Esta herramienta permite editar rápidamente rásters grandes, especialmente cuando los polígonos de edición son pequeños, debido a que los valores de píxel son editados directamente. Adicionalmente, la SCP Barra de Herramientas de edición está disponible para facilitar la edición de ráster usando múltiples valores.

Selecciona el ráster de entrada : selecciona un ráster (ya cargado en QGIS);
: recargar la lista de capas;

Editar valores de un ráster¶

Editar valores usando polígonos ROI: si está seleccionado, el ráster es editado usando polígonos de ROI temporales existentes en el mapa;
Editar valores usando vectorial : si está seleccionado, el ráster es editado usando todos los polígonos del archivo vectorial seleccionado;
: recargar la lista de capas;

Opciones de Edición¶

Usar el valor del campo del vector : si está seleccionado, el ráster es editado usando el vectorial seleccionado (en Editar valores usando vectorial) y los valores de los campos de los polígonos del vectorial seleccionado;
Usar un valor constante : si está seleccionado, el ráster es editado utilizando el valor constante elegido;
Usar expresión :si está marcado, el ráster se edita de acuerdo con la expresión ingresada; la expresión debe contener uno o más `` where``; las variables aceptadas son `` ráster “” que representa el valor ráster de entrada y `` vector “” que representa el valor del vector si se selecciona; el siguiente ejemplo de expresión `` where (raster == 1, 2, raster) “” ya está ingresado, que establece 2 donde `` raster`` es igual a 1, y deja sin cambios los valores donde `` raster`` no es igual a 1;

Ejecutar¶

: deshace la última edición ráster (disponible solamente cuando se utiliza polígonos ROI);
RUN : editar el ráster;

Filtrado de la Clasificación ¶

Filtrado de la clasificación

Esta pestaña permite reemplazar valores de pequeños pixeles aislados con los valores con los del polígono vecino más grande (basado en GDAL Sieve ). Es útil para remover manchas de la clasificación.

Selecciona la clasificación : selecciona un ráster (ya cargado en QGIS);
: recargar la lista de capas;
Tamaño de umbral : tamaño de la mancha que será reemplazada (en unidades de pixel); todas las manchas más pequeñas que el número fijado serán reemplazadas por el valor del vecino cercano más grande;
Conexión de pixeles : selecciona el tipo de conexión de pixeles:
- 4: en una ventana 3x3, los pixeles diagonales no son considerados conectados;
- 8: en una ventana 3x3, los pixeles diagonales son considerados conectados;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo;

Erosión de la clasificación ¶

Erosión de la clasificación

Esta pestaña permite remover el borde de una mancha de Clase (erosión), definiendo los valores de la Clase que serán erosionados y el número de pixeles desde el borde. Es útil para el refinamiento de la clasificación.

Selecciona la clasificación : selecciona un ráster (ya cargado en QGIS);
: recargar la lista de capas;
Valores de Clase : establece los valores de Clase que serán erosionados; los valores de Clase pueden estar separados por , y - pueden ser usados para definir un rango de valores (Ej. 1, 3-5, 8 seleccionará las Clases 1, 3, 4, 5, 8); si el texto está rojo es porque la expresión contiene errores;
Tamaño en pixeles : número de pixeles que serán erosionados desde el borde;
Conexión de pixeles : selecciona el tipo de conexión de pixeles:
- 4: en una ventana 3x3, los pixeles diagonales no son considerados conectados;
- 8: en una ventana 3x3, los pixeles diagonales son considerados conectados;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo;

Dilatación de la Clasificación ¶

Dilatación de la Clasificación

Esta pestaña permite la dilatación del borde de una mancha de Clase, definiendo los valores de la Clase a ser dilatada y el número de pixeles desde el borde. Es útil para el refinamiento de la clasificación.

Selecciona la clasificación : selecciona un ráster (ya cargado en QGIS);
: recargar la lista de capas;
Valores de Clase : establece los valores de Clase que serán dilatados; los valores de Clase pueden estar separados por , y - pueden ser usados para definir rangos de valores (Ej. 1, 3-5, 8 seleccionará las Clases 1, 3, 4, 5, 8); si el texto está rojo es porque la expresión contiene errores;
Tamaño en pixeles : número de pixeles que serán dilatados desde el borde;
Conexión de pixeles : selecciona el tipo de conexión de pixeles:
- 4: en una ventana 3x3, los pixeles diagonales no son considerados conectados;
- 8: en una ventana 3x3, los pixeles diagonales son considerados conectados;

Ejecutar¶

RUN : elija el destino de salida y comience el cálculo;

Calculadora de Bandas ¶

Calculadora de Bandas

La Calculadora de Bandas permite el cálculo para bandas ráster (i.e. calculo de valores de los pixeles) usando funciones NumPy . Las bandas ráster deben estar ya cargadas en QGIS. Los rásters deben estar en la misma proyección.

Adicionalmente, es posible calcular un ráster usando Reglas de decisión.

Lista de Bandas ¶

Lista de Bandas: es una tabla conteniendo la lista de bandas rásters de bandas simples (ya cargadas en QGIS);
- Variable: nombre variable definido automáticamente para cada banda (Ej. raster1, raster2);
- Nombre de banda: nombre de la banda (i.e. el nombre de la capa en QGIS);
: vuelve a cargar la lista de imágenes;

Expresión ¶

Ingresa una espresión matemática para las bandas ráster. En particular, funciones NumPy pueden ser usadas con el prefijo np. (Ej. np.log10(raster1) ). Para una lista de funciones NumPy mira la página de NumPy .

La expresión puede funcionar con ambos campos Variable y Nombre de banda (entre comillas dobles). Además, las bandas en el Conjunto de bandas pueden ser referenciadas directamente; por ejemplo bandset#b1 se refiere a la banda 1 del Conjunto de Bandas. Doble clic en cualquier elemento en la Lista de Bandas agrega su nombre a la expresión. Adicionalmente, las siguientes variables relacionadas con Conjunto de bandas están disponibles:

«#BLUE#»: la banda con el centro de longitud de onda cercano a 0.475 \(\mu m\);
«#GREEN#»: the band with the center wavelength closest to 0.56 \(\mu m\);
«#RED#»: la banda con el centro de longitud de onda cercano a 0.65 \(\mu m\);
«#NIR#»: la banda con el centro de longitud de onda cercano a 0.85 \(\mu m\);

Las variables para el nombre de salida están disponibles:

#BANDSET#: el nombre de la primera banda en el:ref:band_set_tab;
#DATE#: la fecha y hora actuales(e.g. 20161110_113846527764);

Si el texto en la Expresión está verde, la sintaxis es correcta; si el texto está rojo, la sintaxis es incorrecta y no es posible realizar los cálculos.

Es posible ingresar múltiples expresiones separadas por líneas nuevas como en el siguiente ejemplo:

"raster1" + "raster2"

"raster3" - "raster4"

Los ejemplos de arriba calculan dos rásters nuevas en el directorio de salida con el sufijo _1 (Ej. calc_raster_1 ) para la primer expresión y _2 (Ej. calc_raster_2 ) para la segunda expresión. Además, es posible definir el nombre de salida usando el símbolo @ seguido por el nombre, como en el siguiente ejemplo:

"raster1" + "raster2" @ calc_1

"raster3" - "raster4" @ calc_2

Los siguientes botones están disponibles:

+: más;
-: menos;
*: producto;
/: división;
^: potencia;
V: raíz cuadrada;
(: abrir paréntesis;
): cerrar paréntesis;
>: mayor que;
<: menor que;
ln: logaritmo natural;
π: pi;
==: igual;
!=: no igual;
sin: seno;
asin: seno inverso;
cos: coseno;
acos: coseno inverso;
tan: tangente;
atan: tangente inversa;
donde: expresión condicional de acuerdo a la sintaxis where( condition , value if true, value if false) (Ej. where("raster1" == 1, 2, "raster1"));
exp: exponencial natural;
SinDatos: valor SinDatos del ráster (Ej. nodata("raster1")); puede ser usado como valor de una expresión (Ej. where("raster1" == nodata("raster1"), 0, "raster1"));

Cálculo de índice ¶

Index calculation allows for entering a spectral index expression (see Índices espectrales).

Cálculo de índice : lista de índices espectrales:
- NDVI: si está seleccionado, el cálculo de NDVI es ingresado en la Expresión ( (( "#NIR#" - "#RED#") / ( "#NIR#" + "#RED#") @ NDVI) );
- EVI: si está seleccionado, el cálculo de EVI es ingresado en la Expresión ( 2.5 * ( "#NIR#" - "#RED#" ) / ( "#NIR#" + 6 * "#RED#" - 7.5 * "#BLUE#" + 1) @ EVI );
: abre un archivo de texto (.txt) que contiene expresiones personalizadas para ser listadas en Cálculo de Índice. El archivo de texto debe contener una expresión en cada línea; cada línea debe estar en la forma nombre_de_expresión; expresión (separado por ;) donde el nombre_de_expresión es el nombre que se mostrará en Cálculo de Índice. Si se abre un archivo vacío, los valores por defecto son restituidos. A continuación, un ejemplo de contenido del texto:
```
NDVI; ( "#NIR#" - "#RED#" ) / ( "#NIR#" + "#RED#" ) @NDVI
EVI; 2.5 * ( "#NIR#" - "#RED#" ) / ( "#NIR#" + 6 * "#RED#" - 7.5 * "#BLUE#" + 1) @EVI
SR; ( "#NIR#" / "#RED#" ) @SR
```

Reglas de decisión ¶

Reglas de decisión permite el cálculo de un ráster de salida basado en reglas. Las Reglas son declaraciones condicionales basadas en otros rásters; si la Regla es verdadera, el correspondiente Valor es asignado al pixel de salida.

Las Reglas son verificadas desde la primera a la última fila de la tabla; si la primer Regla es falsa, la siguiente Regla es verificada para ese pixel, hasta la última regla. Si varias reglas son verdaderas para cierto pixel, el valor de la primer Regla es asignado a ese pixel. El valor SinDatos es asignado a aquellos pixeles donde ninguna Regla es verdadera.

Reglas de decisión: tabla conteniendo los siguientes campos;
- Valor: el valor asignado a los pixeles si la Regla es verdadera;
- Regla: la regla que será verificada (Ej. "raster1" > 0); múltiples declaraciones condicionales pueden ser ingresadas separadas por ; (Ej. "raster1" > 0; "raster2" < 1 lo que significa que establecerá el Valor donde raster1 > 0 and raster2 < 1);
: mueve la regla seleccionada hacia arriba;
: mueve la regla seleccionada hacia abajo;
: agrega una nueva fila ala tabla;
: elimina las filas seleccionadas de la tabla;
: borra la tabla;
: exporta las reglas a un archivo de texto que podrá ser importado después;
: importa reglas desde un archivo de texto;

Ráster de salida ¶

El ráster de salida es un archivo .tif, con la misma resolución espacial y proyección que el ráster de entrada; si los ráster de entrada tienen diferente resolución espacial, se usará la mayor resolución (i.e. menor tamaño de pixel) para el ráster de salida.

Establecer valor SinDatos : si está seleccionado, establece el valor SinDatos a los pixeles del ráster de salida;
Extensión: si las siguientes opciones están desactivadas, la extensión del ráster de salida abarcará la extensión de todos los rásters de entrada;
- Intersección: si está seleccionado, la extensión del ráster de salida será igual a la intersección con el ráster de entrada (i.e. extensión mínima);
- Igual que : si está seleccionada, la extensión del ráster de salida será igual que «Map extent» (la extensión del mapa actualmente representada) o al de la capa seleccionada;
Alinear: si está marcado y Igual que está marcado seleccionando un raster, el cálculo se ejecuta utilizando la misma extensión y alineación de píxeles del raster seleccionado.
RUN :si `` Expresión “” está activa y el texto es verde, elija el destino de salida e inicie el cálculo en función de `` Expresión “”; si las `` Reglas de decisión “” están activas y el texto es verde, elija el destino de salida e inicie el cálculo en función de las `` Reglas de decisión “”;

En Lotes ¶

En Lotes

Esta pestaña permite la ejecución automática (lotes) de varias funciones de SCP usando una interfaz de script.

En Lotes ¶

Entre un lote de expresiones; cada función debe estar en una línea nueva. Las Funciones tienen la siguiente estructura:

nombre de la función; opciones de la función

Cada funcion tiene opciones, identificadas por un nombre, con la siguiente estructura.

nombre de la opción: argumento de la opción

Las opciones deben estar separadas por el caracter ; . Cada opción de la función representa una opción en la correspondiente interfaz de SCP; los argumentos de tipo texto deben estar entre el carácter ' ; en el caso de casillas de verificación, el valor 1 significa seleccionado, mientras que el valor 0 significa no seleccionado. Una nueva línea que comienza por ``#``debe ser utilizada para comentarios.

Según la función, algunas de las opciones son obligatorias, mientras que otras pueden omitirse de la expresión. Los nombres de las opciones que contienen `` ruta “” requieren la ruta completa a un archivo. Algunas opciones requieren múltiples argumentos, como listas; las listas deben estar separadas por ``, ``.

Si la expresión contiene errores, el texto es rojo. Se muestra una etiqueta de verificación de expresión con una breve descripción del error.

: borra la expresión;
: exporta el lote de expresiones a un archivo de texto;
: importa un lote de expresiones desde un archivo guardado anteriormente;

Una tabla: guilabel: Funciones se muestra en el lado derecho; haga doble clic para insertar una función en la expresión; Las siguientes funciones están disponibles con las opciones correspondientes:

Exactitud: calcula la exactitud (accuracy;classification_file_path : '';reference_file_path : '';shapefile_field_name : '';output_raster_path : '');
ASTER: ASTER conversion (aster_conversion;input_raster_path : '';celsius_temperature : 0;apply_dos1 : 0;use_nodata : 1;nodata_value : 0;create_bandset : 1;output_dir : '');
Calculadora de Bandas: cálculos de bandas (band_calc;expression : '';output_raster_path : '';extent_same_as_raster_name : '';extent_intersection : 1;set_nodata : 0;nodata_value : 0);
Combinación de bandas:combinación de bandas (band_combination;band_set : 1;output_raster_path : '');
Clase de firma: firma de clase (class_signature;input_raster_path : '';band_set : 1;save_signatures : 1;output_text_path : '');
Classification output: ejecuta la clasificación (classification;use_macroclass : 0;algorithm_name : 'Minimum Distance';use_lcs : 0;use_lcs_algorithm : 0;use_lcs_only_overlap : 0;apply_mask : 0;mask_file_path : '';vector_output : 0;classification_report : 0;save_algorithm_files : 0;output_classification_path : '');
Dilatación de la Clasificación: dilatación de la clasificación (classification_dilation;input_raster_path : '';class_values : '';size_in_pixels : 1;pixel_connection : 4;output_raster_path : '');
Erosión de la clasificación: erosión de la clasificación (classification_erosion;input_raster_path : '';class_values : '';size_in_pixels : 1;pixel_connection : 4;output_raster_path : '');
Reporte de la clasificación: reporte de la clasificación (classification_report;input_raster_path : '';use_nodata : 0;nodata_value : 0;output_report_path : '');
Filtrado de la Clasificación: filtrado de la clasificación (classification_sieve;input_raster_path : '';size_threshold : 2;pixel_connection : 4;output_raster_path : '');
Clasificación a vectorial: convertir clasificación a vectorial (classification_to_vector;input_raster_path : '';use_signature_list_code : 1;code_field : 'C_ID';output_vector_path : '');
Recortar múltiples rásters: recortar múltiples rásters (clip_multiple_rasters;input_raster_path : '';output_dir : '';use_shapefile : 0;shapefile_path : '';ul_x : '';ul_y : '';lr_x : '';lr_y : '';nodata_value : 0;output_name_prefix : 'clip');
Enmascaramiento de nubes: enmascaramiento de nubes(cloud_masking;band_set : 1;input_raster_path : '';class_values : '';use_buffer : 1;size_in_pixels : 1;nodata_value : 0;output_name_prefix : 'mask';output_dir : '');
Agrupamiento: agrupamiento (clustering;band_set : 1;clustering_method : 1;use_distance_threshold : 1;threshold_value : 0.0001;number_of_classes : 10;max_iterations : 10;isodata_max_std_dev : 0.0001;isodata_min_class_size : 10;use_nodata : 0;nodata_value : 0;seed_signatures : 1;distance_algorithm : 1;save_signatures : 0;output_raster_path : '');
Clasificación cruzada: Clasificación cruzada (cross_classification;classification_file_path : '';use_nodata : 0;nodata_value : 0;reference_file_path : '';shapefile_field_name : '';output_raster_path : '');
Editar ráster: editar valores de ráster usando un archivo shape; (edit_raster_using_shapefile;input_raster_path : '';input_vector_path : '';vector_field_name : '';constant_value : 0;expression : 'where(raster == 1, 2, raster)');
Cambio de cobertura del suelo: calcula el cambio en la cobertura del suelo (land_cover_change;reference_raster_path : '';new_raster_path : '';output_raster_path : '');
Landsat: conversión de Landsat (landsat_conversion;input_dir : '';mtl_file_path : '';celsius_temperature : 0;apply_dos1 : 0;use_nodata : 1;nodata_value : 0;pansharpening : 0;create_bandset : 1;output_dir : '');
MODIS: Conversión MODIS (modis_conversion;input_raster_path : '';reproject_wgs84 : 1;use_nodata : 1;nodata_value : -999;create_bandset : 1;output_dir : '');
PCA: Análisis de Componentes Principales (pca;use_number_of_components : 0, number_of_components : 2;use_nodata : 1;nodata_value : 0;output_dir : '');
Reclasificación: reclasificación del ráster (reclassification;input_raster_path : '';value_list : 'oldVal-newVal;oldVal-newVal';use_signature_list_code : 1;code_field : 'MC_ID';output_raster_path : '');
Sentinel-2: Conversión Sentinel-2 (sentinel2_conversion;input_dir : '';mtd_safl1c_file_path : '';apply_dos1 : 0;use_nodata : 1;nodata_value : 0;create_bandset : 1;output_dir : '');
Sentinel-3: conversión Sentinel-3 (sentinel3_conversion;input_dir : '';apply_dos1 : 0;dos1_only_blue_green : 1;use_nodata : 1;nodata_value : 0;create_bandset : 1;output_dir : '';band_set : 1);
Distancia espectral:distancia espectral de conjuntos de bandas (spectral_distance;first_band_set : 1;second_band_set : 2;distance_algorithm : 1;use_distance_threshold : 1;threshold_value : 0.1;output_dir : '');
Separar bandas ráster: separar el ráster en bandas simples (split_raster_bands;input_raster_path : '';output_dir : '';output_name_prefix : 'split');
Stack raster bands: apilar rásteres en un solo archivo (stack_raster_bands;input_raster_path : '';output_raster_path : '');
Vectorial a ráster: convertir de vector a ráster (vector_to_raster;vector_file_path : '';use_value_field : 1;vector_field_name : '';constant_value : 1;reference_raster_path : '';type_of_conversion : 'Center of pixels';output_raster_path : '');

Adicionalmente, las siguientes funciones están disponibles:

Agregar un nuevo conjunto de bandas: agregue un nuevo conjunto de bandas vacío (add_new_bandset;);
Agregar ráster a QGIS: agrega un ráster a QGIS (add_raster;input_raster_path : '';input_raster_name : '');
Crear un conjunto de bandas: create a Band set assigning bands (create_bandset;raster_path_list : '';center_wavelength : '';wavelength_unit : 1;multiplicative_factor : '';additive_factor : '');
Abrir Entrada de Entrenamiento: abre un archivo de Entrada de Entrenamiento (open_training_input;training_file_path : '');
Eliminar conjunto de bandas: eliminar un conjunto de bandas por el número(remove_bandset;band_set : 1);
Seleccionar conjunto de bandas (:guilabel:`active band set)por su número (select_bandset;band_set : 1);
Establecer directorio de trabajo: estable el directorio de trabajo (el argumento es la ruta al directorio) (!working_dir!;'');

Si el directorio de trabajo está definido, !working_dir! puede ser ingresado en otras funciones donde la ruta es requerida (e.g. add_raster;input_raster_path : '!working_dir!/raster1.tif';input_raster_name : 'raster1.tif'); An example of batch expression is:

!working_dir!; '/home/user/Desktop/temp/'
add_raster;input_raster_path : '!working_dir!/raster1.tif';input_raster_name : 'raster1.tif'
band_calc;expression : 'where("raster1.tif" > 1, 1,0)';output_raster_path : '!working_dir!/calc1.tif';set_nodata : 1;nodata_value : 0
band_calc;expression : '"raster1.tif" * "calc1.tif"';output_raster_path : '!working_dir!/calc2.tif';extent_intersection : 0

Ejecutar ¶

RUN : si el texto en la expresión de lote es verde, inicie los procesos por lotes;

Configuración ¶

La pestaña Configuración permite la personalización de SCP.

Procesando ¶

Procesado

Procesos para la Clasificación¶

Reproducir sonido cuando termina : si está seleccionado, reproduce un sonido cuando el proceso de clasificación se completa;
Usar ráster virtual para archivos temporales : si está seleccionado, crea rásters virtuales para ciertos archivos temporales, en lugar de crear rásters reales; es útil para reducir el uso del espacio en disco durante los cálculos;
Compresión Ráster : si está seleccionado, se aplica la compresión sin pérdidas (DEFLATE or PACKBITS) a los rásters de salida con el fin de ahorrar espacio en disco; es recomendable seleccionar esta opción, sin embargo los archivos comprimidos a veces son más grandes que los archivos sin comprimir;

Notificación de proceso SMTP¶

SMTP server : the SMTP server to login for sending a notification email when all the SCP processes are finished (a notification is sent also in case of error, but not in case of crash);
user : el usuario del servidor SMTP;
password : la contraseña del servidor SMTP;
: guilabel: Enviar correo electrónico del proceso completado a | input_text | | Registry_save |: una lista de direcciones (separadas por comas) para enviar el correo electrónico de notificación;

RAM¶

RAM disponible (MB) : asigna la memoria RAM (en MB) disponible que es usada durante los procesos con el fin de mejorar el desempeño de SCP ; este valor debería ser la mitad de la RAM del sistema (Ej. 1024MB si el sistema tiene 2GB de RAM); en caso de errores, establezca a un valor menor que 512;

http://www.youtube.com/watch?v=KDI3ud9L6UY

Directorio temporal¶

: selecciona un nuevo directorio temporal cuando los archivos temporales son guardados durante los procesamientos; la ruta del directorio temporal actual es mostrada; por defecto es el directorio temporal del sistema;
: restaura el directorio temporal al valor por defecto;

Interfaz ¶

Personalización de la interfaz.

Interfaz

Nombres de campo del Entrada de Entrenamiento¶

Establece los nombres de campo en el Training input . El cambio de los nombres de campo por regla general debe ser evitado.

Campo MC ID : nombre del campo ID de la Macroclase (por defecto MC_ID);
Campo MC Info : nombre del campo de información de la Macroclase (por defecto MC_info);
Campo C ID : nombre del campo ID de la Clase (por defecto is C_ID);
Campo C Info : nombre del campo de información de la Clase (por defecto C_info);
: restaura los nombres de campo a los valores por defecto;

Estilo del ROI¶

Cambia el color y la transparencia del ROI para una mejor visualización de los ROIs temporales en el mapa.

Color del ROI : botón para cambiar el color del ROI;
Transparencia : cambia la transparencia del ROI;
: restaura el color y la transparencia del ROI a los valores por defecto;

Nombre de variable para expresiones¶

Establece el nombre de variable usado por las expresiones en la Reclasificación y Editar ráster .

Nombre de variable : establece el nombre de variable (por defecto raster);
: restaura el nombre de la variable al nombre por defecto;

Nombre temporal de grupo¶

Establece el Nombre temporal de grupo en el Panel de Capas de QGIS usado por las capas temporales .

Nombre de grupo : establece el nombre de grupo (por defecto Class_temp_group);
: restaura el nombre de grupo al valor por defecto;

Panel¶

Descarga noticias al inicio: si está seleccionado, las noticias sobre SCP y los servicios relacionados son descargados al inicio y mostrados en el PanelDock;

Depurar ¶

Depurar

Utiliidades de Depurado para la creación de un archivo Log (i.e. grabación de actividades del SCP para reportar problemas) y verificar dependencias del SCP.

http://www.youtube.com/watch?v=So04gNzDC9Y

Si encuentras algún error en el complemento, por favor lee ¿Cómo puedo reportar un error? .

Archivo Log¶

Guardar eventos en un archivo Log : si está seleccionado, guarda los eventos en un archivo Log;
: exporta el archivo Log (i.e. en un archivo .txt);
: borra el contenido de un archivo Log;

Prueba¶

Test dependencies : test SCP dependencies (GDAL, GDAL subprocess, NumPy, SciPy, Matplotlib, Internet connection); results are displayed in a window;

Gráfico de Firmas Espectrales¶

La ventana Gráfico de Firmas Espectrales incluye varias funciones para mostrar los valores de las firmas espectrales en función de las longitudes de onda (definidas en el Conjunto de bandas). Se pueden agregar Firmas al Gráfico de Firmas Espectrales a través del SCP dock.

La ventana del Gráfico de Firma Espectral incluye además algunas funciones útiles para la definición de rango de valores usados por el Clasificación por Firmas de Cobertura del Suelo (mira Umbral LCS).

Las Firmas sobrepuestas (pertenecientes a diferentes Clases o Macroclases) son resaltadas en naranja en la tabla Lista de Firmas; la evaluación de sobreposición es efectuada considerando MC ID o C ID de acuerdo a la configuración Usar MC ID C ID en Algorithm. Las Frimas sobrepuestas que comparten el mismo ID no son resaltadas..

Gráfico de Firmas Espectrales

Lista de Firmas¶

Lista de firmas:
- S: cuadro de selección; si está seleccionado, la firma espectral es mostrada en el gráfico;
- MC ID: Macroclase ID de la firma;
- MC Info: Información de Macroclase de la firma;
- C ID: Clase ID de la firma;
- C Info: Información de Clase de la firma;
- Color [overlap MC_ID-C_ID]: color de la firma; además, la combinación MC ID-C ID es mostrada en caso de existir solapamiento con otras firmas (mira Clasificación por Firmas de Cobertura del Suelo);
- Min B X: valor mínimo de la banda X; este valor puede ser editado;
- Max B X: valor máximo de la banda X; este valor puede ser editado;
: elimina las firmas seleccionadas de esta lista;
: agrega las firmas espectrales seleccionadas a la ROI Signature list;
: calcula las distancias espectrales de las firmas espectrales graficadas; las distancias son presentadas en la pestaña Distancias espectrales;

Umbrales automáticos¶

Establece automáticamente los umbrales para las firmas seleccionadas en la tabla Lista de Firmas; si ninguna firma está seleccionada, el umbral es aplicado a todas las firmas.

Min Max : establece el umbral basado en los mínimos y máximos de cada banda;
σ * : establece un umbral automático calculado como (valor de banda + (σ * v)), donde σ es la desviación estándar de cada banda y v es el valor definido en este cuadro;
: revierte el último umbral automático;
Desde ROI : establece los umbrales usando los valores de pixeles del ROI temporal;
- +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es aplicada a la opción Desde pixel;
- –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado. Solo es aplicada a la opción Desde pixel;
Desde pixel : establece el umbral haciendo clic en un pixel, de acuerdo a las siguientes casillas de verificación:
- +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es aplicada a la opción Desde pixel;
- –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado. Solo es aplicada a la opción Desde pixel;

Gráfico¶

Clic izquierdo y mantenlo pulsado dentro del gráfico para mover la vista del gráfico. Usa la rueda del ratón para acercar y alejar la vista del gráfico. Clic derecho y mantenlo presionado dentro del gráfico para acercar en un área específica del gráfico. La Leyenda dentro del gráfico puede moverse usando el ratón.

Controles del gráfico:

: ajusta automáticamente el gráfico a los datos;
: guarda la imagen del gráfico en un archivo (formatos disponibles son .jpg, .png, and .pdf);
: activa el cursor para cambiar interactivamente el rango de valores de las firmas seleccionadas en el gráfico; clic en el gráfico para establecer los valores mínimo y máximo de una banda (incluso para varias firmas simultáneamente); el cursor se desactiva cuando se mueve fuera del área del gráfico;
Gráficar rango de valores: si está seleccionado, grafica el valor de los rangos para cada firma (área semi-transparente);
Líneas de bandas: si está seleccionado, muestra una línea vertical para cada banda (centro de la longitud de onda);
Cuadrícula: si está seleccionado, muestra la cuadrícula;
Caracteres Máx : estable el largo máximo del texto en la leyenda;
x y: muestra las coordenadas x y del cursor del ratón dentro del gráfico;

Firma Espectral: Ejemplo del gráfico de firmas espectrales

Detalles de firmas¶

Firma espectral: Detalles de firmas

Muestra los detalles acerca de las firmas espectrales (i.e. Longitud de onda, Valores, Desviación Estándar). En el caso de las firmas calculadas desde ROIs, el tamaño del ROI (número de pixeles) es también mostrado.

Firma Espectral: Ejemplo de detalles de firmas

Distancias espectrales¶

_images/spectral_signature_distances.jpg

Firma Espectral: Distancias espectrales

Muestra las distancias espectrales de las firmas (mira Lista de Firmas), las cuales son útiles para evaluar la separabilidad del ROI (mira Distancia Espectral).

Las siguientes distancias espectrales son calculadas :

Jeffries-Matusita Distance: range [0 = identical, 2 = different]; útil en particular para clasificaciones de Máxima Probabilidad ;
Angulo Espectral: range [0 = identical, 90 = different]; útil en particular para clasificaciones de Mapeo del Angulo Espectral ;
Distancia Euclidiana: útil en particular para clasificaciones de Distancia mínima ;
Similaridad de Bray-Curtis: range [0 = different, 100 = identical]; útil en general;

Los valores son mostrados en rojo si las firmas son particularmente similares.

Firma Espectral: Ejemplo de distancias espectrales

Gráfico de Dispersión¶

La ventana del Gráfico de dispersión despliega valores de pixel de dos bandas ráster como puntos en un espacio 2D. Los Diagramas de Dispersión son útiles para determinar la separación del ROI entre dos bandas.

Gráfico de Dispersión

Las funciones se describen en detalle en los siguiente parrafos

Listado de Dispersión¶

Listado de Dispersión:
- S: cuadro de selección; si está mseleccionado, la firma espectral es mostrada en el gráfico;
- MC ID: Macroclase ID de la firma;
- MC Info: Información de Macroclase de la firma;
- C ID: Clase ID de la firma;
- C Info: Información de Clase de la firma;
- Color: campo de color; doble clic para seleccionar un color para el gráfico;
Banda X : banda X en el gráfico;
Banda Y : banda Y en el gráfico;
Precisión : usa una precisión personalizada para los cálculos (la precisión debe ser seleccionada de acuerdo a los valores de pixel):
- 4 = \(10^{-4}\)
- 3 = \(10^{-3}\)
- 2 = \(10^{-2}\)
- 1 = \(10^{-1}\)
- 0 = 1
- -1 = 10
- -2 = \(10^{2}\)
- -3 = \(10^{3}\)
Calcular : calcula el gráfico de dispersión para los ROIs marcados en S de la lista;
: elimina las firmas seleccionadas de esta lista;
: agrega un gráfico de dispersión temporal al listado (como MC Info = tempScatter) e inicia el cálculo del gráfico del último ROI temporal (mira Barra de Trabajo);
: agrega un gráfico de dispersión temporal al listado (como MC Info = tempScatter) e inicia el cálculo del gráfico de los pixeles en la extensión actual de la pantalla;
: agrega un gráfico de dispersión temporal al listado (como MC Info = tempScatter) e inicia el cálculo del gráfico de toda la imagen;

ADVERTENCIA: Usar un valor de precisión demasiado alto puede resultar en cálculos lentos o fallas.

Ráster de Dispersión¶

Esta herramienta permite dibujar polígonos de selección dentro del gráfico de dispersión; estos polígonos de selección son usados para crear un Ráster de Dispersión que es un ráster temporal clasificado de acuerdo a la intersección de los gráficos de dispersión y los polígonos dibujados.

Pixeles del active band set son clasificados, de acuerdo a los diagramas de dispersión de las bandas, si el valor de un pixel está entre el rango de intersección entre los diagramas de dispersión y los polígonos seleccionados (Los polígonos no deben sobreponerse). El valor es asignado a los Scatter raster pixeles in los numeros secuenciales de los polígonos seleccionados; también el color del raster es derivado de los polígonos seleccionados.

Después de la creación de un nuevo Ráster de Dispersión, los rásters antiguos son colocados en el Panel de Capas de QGIS dentro de un grupo llamado Class_temp_group (se puede definir un nombre personalizado en Nombre temporal de grupo) y son eliminados cuando se cierra la sesión de QGIS.

: activa el cursor para dibujar interactivamente un polígono en el gráfico; clic izquierdo en el gráfico para definir los vértices y clic derecho para definir el último vértice y cerrar el polígono;
color: selecciona el color del polígono (el cual es usado también en el Ráster de Dispersión);
: elimina todos los polígonos del gráfico;
: calcula el Ráster de Dispersión y lo despliega en el mapa;
: calcula la firma espectral del Scatter raster (considerando todos los pixeles clasificados) usando el active band set, y guarda la firma en la ROI Signature list;
Extensión : extensión del Ráster de Dispersión; las opciones disponibles son:
- Igual a pantalla: la extensión es la misma que la del mapa;
- Igual a imagen: la entensión es la misma que la de toda la imagen;

Gráfico¶

Clic izquierdo mantenlo presionado dentro del gráfico para mover la vista del gráfico. Usa la rueda del ratón para acercar y alejar la vista del gráfico. Clic derecho y mantelo presionado dentro del gráfico para acercar en un área específica del gráfico.

Rampa de color : selecciona la rampa de colores que se aplica a los gráficos de dispersión seleccionados en la lista cuando es presionado; si no está seleccionado ningún gráfico de dispersión la rampa de colores se aplica a todos los gráficos de dispersión;
: ajusta automáticamente el gráfico a los datos;
: guarda la imagen del gráfico en un archivo (formatos disponibles son .jpg, .png, y .pdf);
x y: muestra las coordenadas x y del cursor del ratón dentro del gráfico;

Ejemplo de Gráfico de Dispersión

Las funciones explicadas en los siguientes párrafos usan estas convenciones:

= Ingresar fecha

= Ingresar texto

= Lista

= Introducir número

= Opcional

= Configuración guardada en el proyecto activo de QGIS

= Configuración guardada en el registro de QGIS

= Deslizador

= Tabla

Breve Introducción a la Teledetección¶

Definiciones Básicas
Satélites multiespectrales
Clasificación de la Cobertura Terrestre
Procesamiento de imágenes
Conversión de la imagen a Reflectancia
Conversión a temperatura
- Conversión a Temperatura de Brillo en el Satélite
- Estimación de la Temperatura de Superficie del Suelo
Referencias

Definiciones Básicas ¶

Este capítulo proporciona definiciones básicas sobre SIG y teledetección. Para otros recursos útiles mira Recursos gratis y valiosos sobre teledetección y SIG.

Definición de SIG ¶

Existen muchas definiciones de SIG (Sistemas de Información Geográfica) que no es simplemente un programa. En general los SIG son sistemas que permiten el uso de información geográfica (los datos tienen coordenadas espaciales). En particular, los SIG permiten ver, consultar, calcular y realizar análisis espaciales de los datos, que principalmente son de tipo ráster y vectorial. Los datos vectoriales están formados por objetos que pueden ser puntos, líneas y polígonos; cada objeto puede tener uno o más atributos con valores. Un ráster es una cuadrícula (o imagen) en la que cada celda tiene un atributo con valores (Fisher and Unwin, 2005). Muchas aplicaciones SIG utilizan imágenes ráster que son obtenidas con sensores remotos.

Definición de Teledetección ¶

Una definición general de Teledetección es «la ciencia y la tecnología por medio de la cual las características de los objetos de interés pueden ser identificados, medidos o se pueden analizar sus características sin contacto directo» (JARS, 1993).

Normalmente, la teledetección es la medición de la energía que es emanada desde la superficie de la Tierra. Si la fuente de la energía medida es el Sol, entonces es llamada teledetección pasiva, y el resultado de esta medición puede ser una imagen digital (Richards and Jia, 2006). Si la energía medida no es emitida por el Sol y es emitida desde el sensor de la plataforma es definida como teledetección activa, como los sensores de radar que trabajan en el rango de las microondas (Richards and Jia, 2006).

El espectro electromagnético es «el sistema que clasifica, según las longitudes de onda, toda la energía (desde onda corta cósmica hasta onda larga de radio) que se mueve, armónicamente, a la velocidad constante de la luz» (NASA, 2013). Los sensores pasivos miden la energía en la región óptica del espectro electromagnético, que incluye el visible, infrarrojo cercano (i.e. IR), infrarrojo medio SWIR, y el infrarrojo térmico (ver Figura Espectro Electromagnético).

Espectro Electromagnético

by Victor Blacus (SVG version of File:Electromagnetic-Spectrum.png)

[CC-BY-SA-3.0 (http://creativecommons.org/licenses/by-sa/3.0)]

via Wikimedia Commons

http://commons.wikimedia.org/wiki/File%3AElectromagnetic-Spectrum.svg

La interacción entre la energía solar y los materiales depende de la longitud de onda. La energía llega desde desde el Sol hasta la Tierra y de ahí hacia el sensor. A lo largo de esta trayectoria, la energía solar atraviesa varios medios y puede ser (NASA, 2013):

Transmitida - La energía atraviesa de un medio a otro con un cambio en su velocidad determinado por el índice de refracción de los dos medios.
Absorbida - La energía se incorpora a la estructura molecular del material.
Reflejada - La energía regresar sin cambio con un ángulo de reflexión igual al ángulo de incidencia. La reflectancia es la proporción de energía reflejada con respecto a la energía incidente en un cuerpo. La longitud de onda reflejada (no la absorbida) determina el color de un objeto.
Dispersada - La dirección de propagación de la energía cambia aleatoriamente. La dispersión de Rayleigh y la de dispersión de Mie son los dos tipos más importantes de dispersión que ocurren en la atmósfera.
Emitida - De hecho, la energía es primero absorbida y luego re-emitida, generalmente con una longitud de onda mayor. El objeto se calienta.

Sensores ¶

Los Sensores pueden estar a bordo de aeroplanos o de satélites, midiendo la radiación electromagnética en rangos específicos (normalmente llamadas bandas). Como resultado, las mediciones son cuantificadas y convertidas en una imagen digital, donde cada elemento de la imagen (i.e. pixel) tiene un valor discreto en unidades de Digital Number (DN) (NASA, 2013). Las imágenes resultantes tienen diferentes características (resoluciones) dependiendo del sensor. Existen diferentes tipos de resoluciones:

Resolución Espacial, normalmente media en tamaño de pixel, «es el poder de resolución que necesita un instrumento para la discriminación de entidades y está basada en el tamaño del detector, longitud focal, y la altitud del sensor» (NASA, 2013); la resolución espacial es también denominada resolución geométrica o IFOV;
Resolución Espectral, es el número y localización en el espectro electromagnético (definido por dos longitudes de onda) de la banda espectral (NASA, 2013) en sensores multiespectrales, para cada banda corresponde una imagen;
Resolución Radiométrica, normalmente medida en bits (dígitos binarios), es el rango de valores de brillo disponibles, los cuales en la imagen corresponden al máximo rango de DNs; por ejemplo una imagen con 8 bit de resolución tiene 256 niveles de brillo (Richards and Jia, 2006);
Para sensores satelitales, existe también la resolución temporal, que es el tiempo requerido para la revisita de la misma área de la Tierra (NASA, 2013).

Radiancia y Reflectancia ¶

Los sensores miden la radiancia, la cual corresponde a la energía enviada en una dirección dada hacia el sensor; es también útil definir la reflectancia como la relación entre la reflejada contra la potencia total de energía.

Firma Espectral ¶

La firma espectral es la reflectancia en función de la longitud de onda (mira Figura Curvas de Reflectancia Espectral de Cuatro Objetivos); cada material tiene una firma única, por lo tanto puede ser usada para la clasificación de materiales (NASA, 2013).

Curvas de Reflectancia Espectral de Cuatro Objetivos

(desde NASA, 2013)

Cobertura del suelo ¶

La Cobertura del suelo es el material en la superficie terrestre, tal como tierra, vegetación, agua, asfalto, etc. (Fisher and Unwin, 2005). Dependiendo de las resoluciones del sensor, el número y tipo de clases coberturas del suelo que pueden ser identificadas en una imagen pueden variar significativamente.

Satélites multiespectrales ¶

Hay varios satélites con diferentes características que adquieren imágenes multiespectrales de la superficie terrestre. Los siguientes satélites son particularmente útiles para el monitoreo de la cobertura del suelo porque las imágenes se proporcionan de forma gratuita y se pueden descargar directamente desde: guilabel: SCP; Se han adquirido datos durante las últimas décadas y el archivo está creciendo continuamente con imágenes recientes.

Satélites Landsat ¶

Landsat es un conjunto de satélites desarrollados por la NASA (National Aeronautics and Space Administration of USA), desde comienzos de los 1970’s.

Las imágenes Landsat son muy utilizadas para la investigación ambiental. Las resoluciones de los sensores Landsat 4 y Landsat 5 se presentan en la siguiente tabla (desde http://landsat.usgs.gov/band_designations_landsat_satellites.php); además, la resolución temporal de Landsat es de 16 días (NASA, 2013).

Bandas Landsat 4 y Landsat 5

Bandas Landsat 4, Landsat 5	Longitud de Onda [micrómetros]	Resolución [metros]
Banda 1 - Azul	0.45 - 0.52	30
Banda 2 - Verde	0.52 - 0.60	30
Banda 3 - Rojo	0.63 - 0.69	30
Banda 4 - Infrarrojo Cercano (NIR)	0.76 - 0.90	30
Banda 5 - SWIR	1.55 - 1.75	30
Banda 6 - Infrarrojo Térmico	10.40 - 12.50	120 (remuestreada a 30)
Banda 7 - SWIR	2.08 - 2.35	30

Las resoluciones del sensor Landsat 7 se presentan en la siguiente tabla (desde http://landsat.usgs.gov/band_designations_landsat_satellites.php); además, la resolución temporal de Landsat es de 16 días (NASA, 2013).

Bandas Landsat 7

Bandas Landsat 7	Longitud de Onda [micrómetros]	Resolución [metros]
Banda 1 - Azul	0.45 - 0.52	30
Banda 2 - Verde	0.52 - 0.60	30
Banda 3 - Rojo	0.63 - 0.69	30
Banda 4 - Infrarrojo Cercano (NIR)	0.77 - 0.90	30
Banda 5 - SWIR	1.57 - 1.75	30
Banda 6 - Infrarrojo Térmico	10.40 - 12.50	60 (remuestrada a 30)
Banda 7 - SWIR	2.09 - 2.35	30
Banda 8 - Pancromática	0.52 - 0.90	15

Las resoluciones del sensor Landsat 8 se presentan en la siguiente tabla (desde http://landsat.usgs.gov/band_designations_landsat_satellites.php); además, la resolución temporal de Landsat es de 16 días (NASA, 2013).

Bandas Landsat 8

Bandas Landsat 8	Longitud de Onda [micrómetros]	Resolución [metros]
Banda 1 - Coastal aerosol	0.43 - 0.45	30
Banda 2 - Azul	0.45 - 0.51	30
Banda 3 - Verde	0.53 - 0.59	30
Banda 4 - Rojo	0.64 - 0.67	30
Banda 5 - Infrarrojo Cercano (NIR)	0.85 - 0.88	30
Banda 6 - SWIR 1	1.57 - 1.65	30
Banda 7 - SWIR 2	2.11 - 2.29	30
Banda 8 - Pancromática	0.50 - 0.68	15
Banda 9 - Cirrus	1.36 - 1.38	30
Banda 10 - Infrarrojo Térmico (TIRS) 1	10.60 - 11.19	100 (remuestreada a 30)
Banda 11 - Infrarrojo Térmico (TIRS) 2	11.50 - 12.51	100 (remuestreada a 30)

Un vasto archivo de imágenes está disponible gratuitamente desde el Servicio Geológico de EE. UU. <http://www.usgs.gov/> .Para obtener más información sobre cómo descargar imágenes Landsat libremente, lea esto.

Las imágenes están identificadas por sus paths y rows del WRS (Worldwide Reference System for Landsat ).

Satélite Sentinel-2 ¶

Sentinel-2 es un satélite multiespectral desarrollado por la European Space Agency (ESA) en el marco del Copernicus land monitoring services. Sentinel-2 adquiere 13 bandas espectrales con resolución espectral de 10m, 20m y 60m dependiendo de la banda, como se ilustra en la siguiente tabla (ESA, 2015).

Bandas Sentinel-2

Bandas Sentinel-2	Longitud de Onda Central [micrómetros]	Resolución [metros]
Banda 1 - Coastal aerosol	0.443	60
Banda 2 - Azul	0.490	10
Banda 3 - Verde	0.560	10
Banda 4 - Rojo	0.665	10
Banda 5 - Vegetation Red Edge	0.705	20
Banda 6 - Vegetation Red Edge	0.740	20
Banda 7 - Vegetation Red Edge	0.783	20
Banda 8 - NIR	0.842	10
Banda 8A - Vegetation Red Edge	0.865	20
Banda 9 - Water vapour	0.945	60
Banda 10 - SWIR - Cirrus	1.375	60
Banda 11 - SWIR	1.610	20
Banda 12 - SWIR	2.190	20

Las imágenes de Sentinel-2 están disponibles gratuitamente en el sitio web de la ESA https://scihub.copernicus.eu.

Satélite Sentinel-3 ¶

** Sentinel-3 ** es un satélite desarrollado por la Agencia Espacial Europea (ESA) en el marco de Copernicus <http://copernicus.eu/> _ servicios de monitoreo terrestre. Lleva varios instrumentos, en particular el Instrumento de color de mar y tierra (Ocean and Land Color Instrument OLCI) es un espectrómetro de imagen de escoba de empuje que adquiere 21 bandas en el rango de 0.4-1.02 μm con un ancho de franja de 1,270 km y una resolución espacial de 300 m (ESA, 2013).

:guilabel:` Bandas Sentinel-3`

Sentinel-3 Bands	Longitud de Onda Central [micrómetros]
Oa1	0.400
Oa2	0.4125
Oa3	0.4425
Oa4	0.490
Oa5	0.510
Oa6	0.560
Oa7	0.620
Oa8	0.665
Oa9	0.67375
Oa10	0.68125
Oa11	0.70875
Oa12	0.75375
Oa13	0.76125
Oa14	0.764375
Oa15	0.7675
Oa16	0.77875
Oa17	0.865
Oa18	0.885
Oa19	0.900
Oa20	0.940
Oa21	1.020

Satélite ASTER ¶

El satélite ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) fue lanzado en 1999 por la colaboración entre el Japanese Ministry of International Trade and Industry (MITI) y la NASA. ASTER tiene 14 bandas cuyas resoluciones espaciales varían con las longitudes de onda: 15m en el visible e infrarrojo cercano, 30m en el infrarrojo medio, y 90m en el infrarrojo térmico (USGS, 2015). Las bandas ASTER son presentadas en la siguiente tabla (debido a una falla del sensor los datos SWIR adquiridos desde Abril 1, 2008 no están disponibles ). La banda adicional 3B (backwardlooking near-infrared) proporciona una cobertura stereo.

Bandas ASTER

Bandas ASTER	Longitud de Onda [micrómetros]	Resolución [metros]
Banda 1 - Verde	0.52 - 0.60	15
Banda 2 - Rojo	0.63 - 0.69	15
Banda 3N - Infrarrojo Cercano (NIR)	0.78 - 0.86	15
Banda 4 - SWIR 1	1.60 - 1.70	30
Banda 5 - SWIR 2	2.145 - 2.185	30
Banda 6 - SWIR 3	2.185 - 2.225	30
Banda 7 - SWIR 4	2.235 - 2.285	30
Banda 8 - SWIR 5	2.295 - 2.365	30
Banda 9 - SWIR 6	2.360 - 2.430	30
Banda 10 - TIR 1	8.125 - 8.475	90
Banda 11 - TIR 2	8.475 - 8.825	90
Banda 12 - TIR 3	8.925 - 9.275	90
Banda 13 - TIR 4	10.25 - 10.95	90
Banda 14 - TIR 5	10.95 - 11.65	90

Productos MODIS ¶

El ** MODIS ** (Espectroradiómetro de Imágenes de Resolución Moderada) es un instrumento que opera en los satélites Terra y Aqua lanzado por la NASA en 1999 y 2002, respectivamente. Sus resoluciones temporales permiten ver toda la superficie de la Tierra cada uno o dos días, con un ancho de franja de 2.330 km. Sus sensores miden 36 bandas espectrales en tres resoluciones espaciales: 250m, 500m y 1,000m. ( ver https://lpdaac.usgs.gov/dataset_discovery/modis).

Hay varios productos disponibles, como la reflectancia de la superficie y los índices de vegetación. En este manual estamos considerando las bandas de reflectancia de superficie disponibles a una resolución espacial de 250 m y 500 m (Vermote, Roger, & Ray, 2015).

Bandas MODIS

Bandas MODIS	Longitud de Onda [micrómetros]	Resolución [metros]
Banda 1 - Rojo	0.62 - 0.67	250 - 500
Banda 2 - Infrarrojo Cercano (NIR)	0.841 - 0.876	250 - 500
Banda 3 - Azul	0.459 - 0.479	500
Banda 4 - Verde	0.545 - 0.565	500
Band 5 - SWIR 1	1.230 - 1.250	500
Banda 6 - SWIR 2	1.628 - 1.652	500
Band 7 - SWIR 3	2.105 - 2.155	500

Los siguientes productos (Versión 6, ver https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table) estan disponibles para descargar (Vermote, Roger, & Ray, 2015):

MOD09GQ: reflectancia diaria a una resolución espacial de 250 m de Terra MODIS;
MYD09GQ: reflectancia diaria a una resolución espacial de 250 m de Aqua MODIS;
MOD09GA: reflectancia diaria a una resolución espacial de 500 m de Terra MODIS;
MYD09GA: reflectancia diaria a una resolución espacial de 500 m de Aqua MODIS;
MOD09Q1: reflectancia a una resolución espacial de 250 m, que es un compuesto de MOD09GQ (cada píxel contiene la mejor observación posible durante un período de 8 días);
MYD09Q1: reflectancia a una resolución espacial de 250 m, que es una composición de MYD09GQ (cada píxel contiene la mejor observación posible durante un período de 8 días);
MOD09A1: reflectancia a una resolución espacial de 250 m, que es una combinación de MOD09GA (cada píxel contiene la mejor observación posible durante un período de 8 días);
MYD09A1: reflectancia a una resolución espacial de 250 m, que es una composición de MYD09GA (cada píxel contiene la mejor observación posible durante un período de 8 días);

Clasificación de la Cobertura Terrestre ¶

Este capítulo proporciona definiciones básicas sobre las clasificaciones de cobertura del suelo.

Clasificación supervisada ¶

Una clasificación semi-automática (también llamada una clasificación supervisada) es una técnica de procesamiento de imágenes que permite la identificación de materiales en una imagen a partir de sus firmas espectrales. Existen varios tipos de algoritmos de clasificación, pero el propósito general es producir un mapa temático de la cobertura del suelo.

El procesamiento de imágenes y el análisis espacial con SIG requieren de software específico, tal como el Semi-Automatic Classification Plugin de QGIS.

_images/multispectral_classification.jpg

Imagen multiespectral procesada para producir una clasificación de la cobertura del suelo

(Imagen Landsat proporcionada por USGS)

Composición de Color ¶

A menudo se crea una combinación de tres imágenes individuales monocromáticas, en la cual cada una es asignada a un color. Esto es conocido como una composición de color y es útil para interpretación visual (NASA, 2013). Las composiciones de color son generalmente expresadas como:

«R G B = Br Bg Bb»

donde:

R significa Rojo;
G significa Verde;
B significa Azul;
Br es el número de banda asociada al color Rojo;
Bg es el número de banda asociada al color Verde;
Bb es el número de banda asociada al color Azul;

La siguiente figura Composición de color para una imagen Landsat 8 muestra una composición de color «R G B = 4 3 2» de una imagen Landsat 8 (para Landsat 7 la misma composición de color es «R G B = 3 2 1, mientras que para Sentinel-2 es R G B = 4 3 2) y una composición de color «R G B = 5 4 3» (para Landsat 7 la misma composición de color es «R G B = 4 3 2, mientras que para Sentinel-2 es R G B = 8 4 3). La composición «R G B = 5 4 3» es útil para la interpretación de la imagen debido a que los píxeles de vegetación se muestran en colores rojos (la vegetación saludable refleja una gran parte de la luz incidente en la longitud de onda del infrarrojo cercano, resultando en valores de reflectancias más altos para la banda 5, dando por lo tanto valores más altos al rojo).

Composición de color para una imagen Landsat 8

Datos onbtenidos de U.S. Geological Survey

Áreas de entrenamiento ¶

Usualmente, la clasificación supervisada requiere que el usuario seleccione una o más Regiones de Interés (ROIs, o Áreas de Entrenamiento) para cada clase de cobertura del suelo identificada en la imagen. Las ROIs son polígonos dibujados sobre áreas homogéneas de la imagen que se superponen a píxeles pertenecientes a la misma clase de cobertura del suelo.

Algoritmo de Región Incremental¶

El Algoritmo de Región Incremental permite seleccionar los pixeles similares a un pixel semilla, considerando la similitud espectral (es decir, la distancia espectral) de los pixeles adyacentes. En SCP, el Algoritmo de Región Incremental está disponible para la creación de áreas de entrenamiento. El parámetro distancia está relacionado a la similitud de los valores de los pixeles al pixel semilla (mientras más bajo el valor, más similares serán los pixeles seleccionados). Un parámetro adicional es el ancho máximo, el cual es el lado de un cuadrado, centrado en el pixel semilla, el cual inscribe el área de entrenamiento (si todos los pixeles tuviesen el mismo valor, el área de entrenamiento sería este cuadrado). El tamaño mínimo es utilizado como restricción (para cada banda), seleccionando al menos los pixeles que son más similares al pixel semilla hasta que el número de pixeles seleccionados sean iguales al tamaño mínimo.

En la figura Ejemplo de Región Incremental el pixel central es usado como semilla (imagen a), para la región incremental de una banda (imagen b) con el parámetro distancia espectral = 0.1; los pixeles similares son seleccionados para crear el área de entrenamiento (imagen c, e imagen d).

Ejemplo de Región Incremental

Clases y Macroclases ¶

Las clases de cobertura del suelo se identifican con un código ID arbitrario (identificador). SCP permite la definición de Macroclase ID (MC ID), y Clase ID ** (C ID), los cuales son los códigos de identificador de las clases de cobertura del suelo. Una **Macroclase es un grupo de ROIs con diferente ID Clase, lo cual es útil cuando se necesita clasificar materiales que tienen diferente firma espectral en la misma clase de cobertura. Por ejemplo, es posible identificar pasto (e.g. Clase ID = 1 y Macroclase ID = 1 ) y árboles (ej. Clase ID = 2 y Macroclase ID = 1 ) como clase vegetación (ej. Macroclase ID = 1 ). Varios Clase IDs pueden ser asignados al mismo Macroclase ID, pero el mismo Clase ID no puede ser asignado a diferentes Macroclase IDs, tal como se muestra en la siguiente tabla:

Ejemplo de Macroclases

Nombre de la Macroclase	Macroclase ID	Nombre de clase	Clase ID
Vegetación	1	Pasto	1
Vegetación	1	Árboles	2
Construcciones	2	Construcciones	3
Construcciones	2	Caminos	4

Por lo tanto, las Clases son subconjuntos de una Macroclase, como se muestra en la Figura Ejemplo de Macroclases.

Ejemplo de Macroclases

Si el propósito del estudio no requiere el uso de Macroclases, entonces el mismo Macroclase ID puede ser utilizado para todos los ROIs (ej. Macroclase ID = 1) y las Macroclases serán ignoradas en el proceso de clasificación.

Algoritmos de clasificación ¶

Las firmas espectrales (características espectrales) de las clases de cobertura de referencia son calculadas considerando los valores de los pixeles de cada ROI que tengan el mismo Clase ID (o Macroclase ID). Por lo tanto, el algoritmo de clasificación, clasifica la imagen completa comparando las características de cada pixel con las características espectrales de las clases de referencia. SCP implementa los siguientes algoritmos de clasificación.

Distancia mínima¶

El algoritmo Distancia Mínima calcula la distancia Euclídea \(d(x, y)\) entre las firmas espectrales de los pixeles de la imagen y las firmas espectrales de entrenamiento, de acuerdo a la siguiente ecuación:

\[d(x, y) = \sqrt{ \sum_{i=1}^{n} (x_i - y_i)^2}\]

donde:

\(x\) = vector de firma espectral de un pixel de la imagen;
\(y\) = vector de firma espectral del área de entrenamiento;
\(n\) = número de bandas de la imagen.

Por lo tanto, la distancia es calculada para cada pixel en la imagen, asignando la clase de la firma espectral más cercana de acuerdo a la siguiente función discriminante (adaptado de Richards and Jia, 2006):

\[x \in C_k \iff d(x, y_k) < d(x, y_j) \forall k \neq j\]

donde:

\(C_k\) = clase de cobertura \(k\);
\(y_k\) = firma espectral de la clase \(k\);
\(y_j\) = firma espectral de la clase \(j\).

Es posible definir un umbral \(T_i\) para excluir de la clasificación los pixeles bajo este valor:

\[ \begin{align}\begin{aligned}x \in C_k \iff d(x, y_k) < d(x, y_j) \forall k \neq j\\and\\d(x, y_k) < T_i\end{aligned}\end{align} \]

Máxima Probabilidad¶

El algoritmo «Máxima Probabilidad» calcula las distribuciones de probabilidad para las clases, relacionado al teorema de Bayes, estimando si un pixel pertenece a una clase de cobertura. En particular, las probabilidades de distribución de las clases son asumidas de la forma de modelos normales multivariados (Richards & Jia, 2006). Para utilizar este algoritmo, se requiere un número lo suficientemente alto de pixeles para cada área de entrenamiento, lo cual permite el cálculo de la matriz de covarianza. La función discriminante, descrita por Richards and Jia (2006), se calcula para cada pixel como:

\[g_k(x) = \ln p(C_k) - \frac{1}{2} \ln | \Sigma_{k} | - \frac{1}{2} (x - y_k)^t \Sigma_{k}^{-1} (x - y_k)\]

donde:

\(C_k\) = clase de cobertura \(k\);
\(x\) = vector de firma espectral de un pixel de la imagen;
\(p(C_k)\) = probabilidad de que la clase correcta sea \(C_k\);
\(| \Sigma_{k} |\) = determinante de la matriz de covarianzas de los datos en la clase \(C_k\);
\(\Sigma_{k}^{-1}\) = inversa de la matriz de covarianzas;
\(y_k\) = vector de firma espectral de la clase \(k\).

Por consiguiente:

\[x \in C_k \iff g_k(x) > g_j(x) \forall k \neq j\]

Ejemplo de Máxima Probabilidad

Adicionalmente, es posible definir un umbral de la función discriminante para excluir de la clasificación los pixeles bajo este valor. Considerando un umbral \(T_i\) , la condición de la clasificación resulta:

\[ \begin{align}\begin{aligned}x \in C_k \iff g_k(x) > g_j(x) \forall k \neq j\\and\\g_k(x) > T_i\end{aligned}\end{align} \]

Máxima probabilidad es uno de los algoritmos de clasificación supervisada más comunes, sin embargo el proceso de clasificación puede ser más lento que Distancia mínima.

Mapeo del Angulo Espectral¶

El Mapeo de Ángulo Espectral calcula el ángulo espectral entre las firmas espectrales de los pixeles de la imagen y las firmas espectrales de entrenamiento. El ángulo espectral \(\theta\) es definido como (Kruse et al., 1993):

\[\theta(x, y) = \cos^{-1} \left( \frac{ \sum_{i=1}^{n} x_i y_i } { \left( \sum_{i=1}^{n} x_i^2 \right)^\frac{1}{2} * \left( \sum_{i=1}^{n} y_i^2 \right)^\frac{1}{2} } \right)\]

Donde:

\(x\) = vector de firma espectral de un pixel de la imagen;
\(y\) = vector de firma espectral del área de entrenamiento;
\(n\) = número de bandas de la imagen.

Por lo tanto un pixel pertenece a la clase teniendo el ángulo inferior, que es:

\[x \in C_k \iff \theta(x, y_k) < \theta(x, y_j) \forall k \neq j\]

donde:

\(C_k\) = clase de cobertura \(k\);
\(y_k\) = firma espectral de la clase \(k\);
\(y_j\) = firma espectral de la clase \(j\).

Ejemplo de Mapeo de Ángulo Espectral

Para excluir de la clasificación los pixeles bajo este valor, es posible definir un umbral \(T_i\):

\[ \begin{align}\begin{aligned}x \in C_k \iff \theta(x, y_k) < \theta(x, y_j) \forall k \neq j\\and\\\theta(x, y_k) < T_i\end{aligned}\end{align} \]

El Mapeo de Ángulo Espectral es ampliamente utilizado, especialmente con imágenes hiperespectrales.

Clasificación de Paralelepípedo¶

La clasificación por paralelepípedos es un algoritmo que considera el rango de valores de cada banda, formando un paralelepípedo multidimensional que define la clase de cobertura. Un pixel es clasificado dentro de una clase, si sus valores están dentro del paralelepípedo correspondiente. Una de las mayores desventajas es que los pixeles cuyas firmas se superponen a dos o más paralelepípedos no pueden ser clasificados (Richards and Jia, 2006).

Clasificación por Firmas de Cobertura del Suelo¶

Clasificación por Firmas de Cobertura del Suelo está disponible en SCP (mira Land Cover Signature Classification). Esta clasificación permite la definición de umbrales espectrales para cada firma de entrada (un valor mínimo y un valor máximo para cada banda). Los umbrales de cada firma de entrenamiento definen la región espectral perteneciente a cada clase de cobertura del suelo.

Las firmas espectrales de los pixeles de la imagen son comparados con las firmas espectrales de entrenamiento; un pixel pertenece a la clase X si la firma espectral del pixel está completamente contenida en la región definida por la clase X. En caso de pixeles que coinciden dentro de regiones superpuestas o fuera de cualquier región espectral, es posible utilizar algoritmos de clasificación adicionales (ej. ref:minimum_distance_algorithm, Máxima Probabilidad, Mapeo del Angulo Espectral) considerando las características espectrales de la firma original.

La siguiente figura ilustra un esquema de Clasificación por Firmas de Cobertura del Suelo para un caso simple de dos bandas espectrales \(x\) y \(y\). Las regiones espectrales definidas por el usuario definen tres clases (\(g_a\), \(g_b\), and \(g_c\)). El punto \(p_1\) pertenece a la clase \(g_a\) y el punto \(p_2\) pertenece a la clase \(g_b\). Sin embargo, el punto \(p_3\) está dentro de ambas regiones espectrales \(g_b\) y \(g_c\) (regiones superpuestas); en este caso, el punto \(p_3\) quedará sin clasificar o será clasificado según un algoritmo adicional de clasificación. El punto \(p_4\) está fuera de cualquier región espectra, por lo tanto quedará sin clasificar o será clasificado según un algoritmo adicional de clasificación. Dado que el punto \(p_4\) pertenece a la clase \(g_c\), la región espectral puede ser extendida para incluir el punto \(p_4\) .

_images/land_cover_signature_classification.jpg

Clasificación por Firmas de Cobertura del Suelo

Esto es similar a Clasificación de Paralelepípedo, con la excepción de que las regiones espectrales están definidas por el usuario y pueden ser asignadas independientemente para los límites mínimo y máximo. Es posible imaginar la región espectral como el conjunto de todas las firmas espectrales de los pixeles pertenecientes a una clase.

En la figura Gráfico de rangos espectrales se muestran los rangos espectrales de tres claes (\(g_a\), \(g_b\), y \(g_c\)); las líneas de colores dentro de los rangos (el área semi-transparente) representa las firmas espectrales de los pixeles que definieron los límites superior e inferior del rango respectivo. El pixel \(p_1\) (línea interpunteada) pertenece a la clase \(g_b\) debido a que su firma espectral está completamente dentro del rango de la clase \(g_b\) (en el límite superior). El pixel \(p_2\) (línea entrecortada) queda sin clasificar debido a que su firma espectral no cae completamente dentro de ningún rango. El pixel \(p_3\) (línea interpuntada) pertenece a la clase \(g_a\).

_images/land_cover_signature_classification_plot.jpg

Gráfico de rangos espectrales

Es importante notar que estos umbrales espectrales pueden ser aplicados a cualquier forma espectral, independientemente de sus características espectrales. Esta función puede ser muy útil para separar firmas espectrales que difieren solamente en una banda, definiendo umbrales que incluyen o excluyen firmas específicas. De hecho, las clases se separan correctamente si sus rangos espectrales difieren en al menos una banda. Por supuesto, incluso si las regiones espectrales se superponen, es posible que ningún pixel caiga dentro del área superpuesta y sea clasificado incorrectamente. El límite superior o inferior de un rango no implica la existencia en la imagen de una firma espectral que tenga valores de rango mínimo o máximo para todas las bandas (Por ejemplo el pixel \(p_1\) de la figura Gráfico de rangos espectrales podría no existir).

Uno de los principales beneficios de la Clasificación por Firmas de Cobertura del Suelo es que es posible seleccionar pixeles e incluir su firma en un rango espectral. Por lo tanto, la clasificación debería ser la representación directa de las clases esperadas para cada cada firma espectral. Esto es muy útil para la clasificación de una única clase de cobertura del suelo (definida por umbrales espectrales específicos), y dejar sin clasificar el resto de la imagen que no sea de interés para el propósito de la clasificación.

Ráster de Algoritmo¶

Un ráster de algoritmo representa la «distancia» (según la definición del algoritmo de clasificación) de un pixel de la imagen a una firma espectral específica.

En general, se genera un ráster de algoritmo por cada firma espectral utilizada como entrenamiento. El valor de cada pixel es el resultado del cálculo del algoritmo para una firma espectral definida. Por lo tanto, un pixel pertenece a la class X si el valor del ráster de algoritmo correspondiente a la class X es el menor en el caso de Distancia mínima o Mapeo del Angulo Espectral, o el mayor en el caso de Máxima Probabilidad.

Para una clasificación dada, la combinación de rásters de algoritmo puede ser generada para crear un raster con las menores «distancias» (es decir, los pixeles tienen el valor del ráster de algoritmo correspondiente a la clase a la que pertenecen en la clasificación). Por lo tanto, este raster puede ser útil para identificar pixeles que requieren la recolección de más firmas espectrales similares (ver Clasificación preliminar).

Distancia Espectral ¶

Es útil valorar la distancia espectral (o separabilidad) entre firmas de entrenamiento o pixeles para evaluar si diferentes clases que son muy similares entre sí podrían causar errores de clasificación. El :guilabel:`SCP`implementa los siguientes algoritmos para evaluar la similitud de firmas espectrales.

Jeffries-Matusita Distance¶

La distancia de Jeffries-Matusita calcula la separabilidad de un par de distribuciones de probabilidad. Esto puede tener significado particularmente para evaluar los resultados de clasificaciones Máxima Probabilidad.

La distancia Jeffries-Matusita \(J_{xy}\) se calcula como (Richards and Jia, 2006):

\[J_{xy} = 2 \left( 1 - e^{-B} \right)\]

donde:

\[B = \frac{1}{8} (x - y)^t \left( \frac{\Sigma_{x} + \Sigma_{y}}{2} \right)^{-1} (x - y) + \frac{1}{2} \ln \left( \frac{ | \frac{ \Sigma_{x} + \Sigma_{y}}{2} | }{ | \Sigma_{x} |^{\frac{1}{2}} | \Sigma_{y} |^{\frac{1}{2}} } \right)\]

donde:

\(x\) = primer vector de firma espectral;
\(y\) = segundo vector de firma espectral;
\(\Sigma_{x}\) = matriz de covarianza de la muestra \(x\);
\(\Sigma_{y}\) = matriz de covarianza de la muestra \(y\);

La distancia Jeffries-Matusita es asintótica a 2 cuando las firmas son completamente diferentes, y tiende a 0 cuando las firmas son idénticas.

Angulo Espectral¶

El Ángulo Espectral es el más apropiado para evaluar los resultados de Mapeo del Angulo Espectral . El ángulo espectral \(\theta\) es definido como (Kruse et al., 1993):

\[\theta(x, y) = \cos^{-1} \left( \frac{ \sum_{i=1}^{n} x_i y_i } { \left( \sum_{i=1}^{n} x_i^2 \right)^\frac{1}{2} * \left( \sum_{i=1}^{n} y_i^2 \right)^\frac{1}{2} } \right)\]

Donde:

\(x\) = vector de firma espectral de un pixel de la imagen;
\(y\) = vector de firma espectral del área de entrenamiento;
\(n\) = número de bandas de la imagen.

El ángulo espectral varía de 0 cuando las firmas son idénticas a 90 cuando las firmas son completamente diferentes.

Distancia Euclidiana¶

La Distancia Euclidiana es particularmente útil para la evaluación de los resultados de la clasificación Distancia mínima. De hecho, la distancia es definida como:

\[d(x, y) = \sqrt{ \sum_{i=1}^{n} (x_i - y_i)^2}\]

donde:

\(x\) = primer vector de firma espectral;
\(y\) = segundo vector de firma espectral;
\(n\) = número de bandas de la imagen.

La Distancia Euclidiana es 0 cuando las firmas son idénticas y se incrementa según aumenta la distancia espectral entre las firmas.

Similaridad de Bray-Curtis¶

La Similaridad de Bray-Curtis Similarity es un estadístico usado para evaluar la relación entre dos muestras (leer). Es útil en general para evaluar la similaridad de firmas espectrales. La Similaridad de Bray-Curtis \(S(x, y)\) se calcula como:

\[S(x, y) = 100 - \left( \frac{\sum_{i=1}^{n} | (x_i - y_i) |}{\sum_{i=1}^{n} x_i + \sum_{i=1}^{n} y_i} \right) * 100\]

donde:

\(x\) = primer vector de firma espectral;
\(y\) = segundo vector de firma espectral;
\(n\) = número de bandas de la imagen.

La Distancia de Bray-Curtis se calcula como porcentaje y varía de 0 cuando las firmas son completamente diferentes a 100 cuando las firmas son idénticas.

Resultado de la Clasificación ¶

El resultado del proceso de clasificación es un raster (ver un resultado de clasificación de Landsat en la Figura Clasificación de Landsat), donde los valores de los pixeles corresponden a los Clase ID y cada color representa una clase de cobertura del suelo.

Clasificación de Landsat

Datos onbtenidos de U.S. Geological Survey

Un cierto número de errores pueden ocurrir durante la clasificación de cobertura del suelo (ej. algunos pixeles pueden haber sido asignados erróneamente a una clase de cobertura), debido a la similaridad espectral de las clases o a una definición incorrecta de las clases durante la recolección de ROIs.

Evaluación De la Exactitud ¶

Luego del proceso de clasificación, es útil evaluar la exactitud de una clasificación de cobertura del suelo para identificar y medir los errores del mapa. Usualmente se realiza una evaluación de exactitud a través del cálculo de una matriz de errores, la cual consiste en una tabla que compara la información del mapa resultante de la clasificación con un conjunto de datos de referencia (ground truth) (Congalton and Green, 2009).

La siguiente tabla es un esquema de Matriz de Errores, donde k es el número de clases identificadas en la clasificación de cobertura del suelo, y n es el número total de unidades de muestreo recolectadas. Los números en la diagonal major (aii) representan el número de muestras correctamente identificadas, mientras que los otros números son errores de clasificación.

Esquema de Matriz de Errores

	Referencia 1	Referencia 2	…	Referencia k	Total
Clase 1	\(a_{11}\)	\(a_{12}\)	…	\(a_{1k}\)	\(a_{1+}\)
Clase 2	\(a_{21}\)	\(a_{22}\)	…	\(a_{2k}\)	\(a_{2+}\)
…	…	…	…	…	…
Clase k	\(a_{k1}\)	\(a_{k2}\)	…	\(a_{kk}\)	\(a_{k+}\)
Total	\(a_{+1}\)	\(a_{+2}\)	…	\(a_{+k}\)	\(n\)

Por lo tanto es posible calcular la precisión global como el ratio entre el número de muestras clasificadas correctamente (la suma de la diagonal mayor) y el número total de unidades n (Congalton and Green, 2009).

La precisión general (también expresada en porcentaje) se define como:

\[O = \sum_{i=1}^{k} a_{ii} / n\]

La precisión del usuario para cada clase se define como la relación (también expresada en porcentaje) entre las muestras correctas y el total de la fila:

\[U_i = a_{ii} / a_{i+}\]

El error de omisión: math: CEil = 1 - U_i corresponde a píxeles clasificados como clase: math:` i` que en realidad pertenecen a una clase diferente.

La precisión del productor para cada clase se calcula como la relación (también expresada en porcentaje) entre las muestras correctas y el total de la columna:

\[P_i = a_{ii} / a_{+i}\]

El error de omisión: math: OE_i = 1 - P_i corresponde a los píxeles que realmente pertenecen a la clase: math:` i` que se clasificaron erróneamente como una clase diferente.

La precisión del usuario es recomendada calcular la matriz de error basada en el área (Olofsson, et al., 2014) donde cada elemento representa la proporción de área estimada de cada clase. Esto permite estimar la precisión del usuario imparcial y la precisión del productor, el área imparcial de clases de acuerdo con los datos de referencia y el error estándar de las estimaciones de área.

Para mayor información, la siguiente documentación se encuentra disponible de manera libre: Landsat 7 Science Data User’s Handbook, Remote Sensing Note , o Wikipedia.

Procesamiento de imágenes ¶

Las imágenes de teledetección se pueden procesar de diversas formas para obtener una clasificación, índices u otra información derivada, que pueda ser útil para la caracterización de la cobertura del suelo.

Análisis de Componentes Principales ¶

El Análisis de Componentes Principales (ACP) es un método para reducir la dimensionalidad de un conjunto de variables medidas (bandas) en sus componentes principales (JARS, 1993)

La transformación de componentes principales produce un nuevo conjunto de bandas (componentes principales) con las siguientes características: Los componentes principales no están correlacionados; cada componente tiene una varianza menor al componente previo. Por lo tanto, éste es un método eficiente para la extracción de información y comprensión de datos (Ready and Wintz, 1973).

Dada una imagen con N bandas espectrales, los componentes principales se obtienen por cálculo matricial (Ready and Wintz, 1973; Richards and Jia, 2006):

\[Y = D^t X\]

donde:

\(Y\) = vector de componentes principales
\(D\) = matriz de autovalores de la matriz de covarianza \(C_x\) en el espacio X
\(t\) denota la transposición vectorial

Y \(X\) se calcula de la siguiente manera:

\[X = P - M\]

\(P\) = vector de valores espectrales asociados a cada píxel.
\(M\) = vector de la media asociada a cada banda

Por lo tanto, la media de \(X\) asociada a cada banda es 0. \(D\) está formado por los autovectores (de la matriz de covarianza \(C_x\)) ordenados de valores máximos a mínimos de los autovalores, para así tener el máximo de varianza en el primer componente. De esta forma, los componentes principales no están correlacionados unos con otros, y cada componente tiene una varianza menor que el anterior (Ready and Wintz, 1973).

Usualmente, los dos primeros componentes contienen más del 90% de la varianza. Por ejemplo, el primer componente principal puede ser visualizado en una Composición de Color para resaltar las clases de una Cobertura del suelo, o utilizadas como entrada para una Clasificación supervisada.

Pan-sharpening ¶

Pan-sharpening se refiere a la combinación de la información de las bandas multiespectrales (MS), las cuales tienen una menor resolución espacial (para Landsat, las bandas tienen una resolución espacial de 30m), con la resolución espacial de una banda pancromática (PAN), que para Landsat 7 y 8 es de 15m. El resultado es una imagen multiespectral con la resolución espacial de la banda pancromática (ej. 15m). En SCP, se aplica una transformación de Brovey, en la cual los valores de cada banda multiespectral con la nueva resolución se calculan de la siguiente manera (Johnson, Tateishi and Hoan, 2012):

\[MSpan = MS * PAN / I\]

Donde \(I\) es Intensidad, la cual es una función de las bandas multiespectrales.

Se definen los siguientes pesos para I, en base a varias pruebas utilizando el SCP. Para Landsat 8, la Intensidad es calculada como:

\[I = (0.42 * Blue + 0.98 * Green + 0.6 * Red ) / 2\]

Para Landsat 7, la Intensidad es calculada de la siguiente manera:

\[I = (0.42 * Blue + 0.98 * Green + 0.6 * Red + NIR) / 3\]

ejemplo de pan-sharpening de una imagen Landsat 8. Izquierda, bandas originales multiespectrales (30m); derecha, bandas con nueva resolución (pan-sharpened, 15m)

Datos onbtenidos de U.S. Geological Survey

Índices espectrales ¶

Los índices espectrales son operaciones entre bandas espectrales que son útiles para extraer información como la cobertura vegetal (JARS, 1993). Uno de los índices espectrales más populares es el ** Índice de vegetación de diferencia normalizada ** (NDVI), definido como (JARS, 1993):

\[NDVI = ( NIR - Red ) / ( NIR + Red )\]

Los valores de NDVI oscilan entre -1 y 1. La vegetación densa y sana muestra valores más altos, mientras que las áreas sin vegetación muestran valores bajos de NDVI.

Otro índice es el ** Índice de Vegetación Mejorado ** (EVI) que intenta tener en cuenta los efectos atmosféricos, como el efecto bruma, calculando la diferencia entre las bandas azul y roja (Didan, et al., 2015). EVI se define como:

\[EVI = G ( NIR - Red ) / ( NIR + C_1 Red - C_2 Blue + L)\]

donde:: matematico: G es un factor de escala,: matematico:` C_1` y: math: C_2 son coeficientes para los efectos atmosféricos, y: matematico:` L` es un factor para contabilizar el diferencial NIR y Red Transferencia radiante a través del dosel. Los valores típicos de los coeficientes son:: matemáticos: G = 2.5,: matemáticos:` L = 1`,: matemáticos: C_1 = 6,: matemáticos:` C_2 = 7.5` (Didan, et al., 2015).

Agrupamiento ¶

La agrupación, es la agrupación de píxeles basada en la similitud espectral (por ejemplo: ref: «distancia euclidiana» o: ref: «ángulo espectral») calculada para una imagen multiespectral (Richards y Jia, 2006).

La agrupación puede ser utilizada para la clasificación sin supervisión o para la selección automática de firmas espectrales. Vale la pena notar que, si bien: ref: supervised_classification_definition produce una clasificación con las clases identificadas durante el proceso de capacitación, las clases producidas por agrupamiento (es decir, grupos) no tienen definición y, en consecuencia, el usuario debe asignar una etiqueta de cobertura del suelo a cada clase.

La principal ventaja de la agrupación en grupos reside en la automatización. Por supuesto, los conglomerados no representan necesariamente un tipo de cobertura del suelo en particular y podría requerirse un procesamiento adicional para producir una clasificación precisa.

Hay varios tipos de agrupamiento, principalmente basados en métodos iterativos; los siguientes son los algoritmos proporcionados en: guilabel: SCP.

K-medias¶

El método K-medias se basa en el cálculo de la firma espectral promedio de los grupos (Wikipedia, 2017; JARS, 1993).

Al inicio, el usuario define el número de grupos esperados en la imagen, que corresponden a tantas firmas espectrales (es decir, muestras). Las firmas espectrales iniciales se pueden seleccionar de varias formas (por ejemplo, aleatoriamente, proporcionadas por el usuario, calculadas automáticamente a partir de valores de imagen).

Durante la primera iteración se producen agrupaciones calculando la distancia espectral de píxeles con firmas espectrales iniciales. Los algoritmos: ref: distancia euclidiana o: ref:` angulo espectral` se pueden utilizar para calcular la distancia. Los píxeles se asignan de acuerdo con la firma espectral más similar, por lo que se producen agrupaciones.

Luego, se calcula la firma espectral promedio para cada grupo de píxeles, lo que da como resultado las firmas espectrales que se utilizarán en la siguiente iteración.

Este proceso continúa produciendo de forma iterativa agrupaciones y firmas espectrales medias, hasta que se verifica una de las siguientes condiciones:

la distancia espectral entre las firmas espectrales producidas en esta iteración con las correspondientes producidas en la iteración anterior es menor que un cierto umbral;
se alcanza el número máximo de iteraciones.

Después de la última iteración, se genera un ráster de agrupaciones utilizando las firmas espectrales derivadas de la última iteración.

ISODATA¶

El método ISODATA (técnica iterativa de análisis de datos autoorganizados) es similar a K-medias pero con los pasos adicionales de fusionar grupos que tienen firmas espectrales similares y dividir grupos que tienen una variabilidad demasiado alta (es decir, desviación estándar) de firmas espectrales (Ball & Hall, 1965). A continuación, se describe la implementación de: guilabel: SCP de ISODATA.

Al principio, el usuario define el número de grupos esperados en la imagen, que corresponden a tantas firmas espectrales (es decir, muestras). Las firmas espectrales iniciales se pueden seleccionar de varias formas (por ejemplo, aleatoriamente, proporcionadas por el usuario, calculadas automáticamente a partir de valores de imagen). Los parámetros iniciales proporcionados por el usuario son:

: matemático: C = número de grupos deseados
: matematico: N_ {min} = número mínimo de píxeles para un clúster
: matematico: sigma_ {t} = umbral de desviación estándar máxima para dividir
: matematico: D_ {t} = umbral de distancia para fusionar

Durante la primera iteración se producen clusters calculando la: ref: euclidean_distance de píxeles con firmas espectrales iniciales. Los píxeles se asignan de acuerdo con la firma espectral más similar, por lo que se producen agrupaciones.

Por tanto, se calculan los siguientes parámetros:

: matemático: N_ {i} = número de píxeles del agrupamiento: matemático: i
: matemático: S_ {i} = firma espectral promedio del agrupamiento: matemático: i
: matematico: AVERAGEDIST_ {i} = distancia promedio del agrupamiento: matematico: i con la firma espectral de la muestra
: matematico: AVERAGEDISTANCE = distancia promedio general de todos los agrupamientos
: matemático: sigma_ {ij} = desviación estándar del agrupamiento: matemático: i en la banda: matemático:` j`
: matemático: sigma max_ {i} = desviación estándar máxima del agrupamiento: matemático: i (es decir: matemático:` max (sigma_ {ij}))
: matematico: k_ {i} = banda donde: matematico: sigma max_ {i} ocurrió
: matemático: Sk_ {i} = valor de: matemático: S_ {i} en la banda: matemático: k_ {i}
: matemático: P = número de agrupamientos

Luego, para cada grupo: matematico: i, si: matematico:` N_ {i} <: matematico: N_ {min} , entonces el grupo: matematico: i` se descarta.

Si: matemático: P <=: matemático:` C`, intente dividir los grupos. Para cada grupo: matematico: i:

If: matemático: sigma max_ {i}>: matemático: sigma_ {t}:
- If ((:matematico:`AVERAGEDIST_{i}` > :matematico:`AVERAGEDISTANCE`) AND (:matematico:`N_{i}` > (2 * :matematico:`N_{min}` + 2) )) OR (:matematico:`C` > 2 * :matematico:`P`):
  crear una nueva firma espectral: matematico: S_ {p + 1} =: matematico: S_ {i}
  
  in \(S_{i}\) set the value \(Sk_{i}\) = \(Sk_{i}\) + \(\sigma max_{i}\)
  
  in \(S_{p + 1}\) set the value \(Sk_{p + 1}\) = \(Sk_{i}\) - \(\sigma max_{i}\)
  
  \(P\) = \(P\) + 1
  
  start a new iteration

If \(P\) > (2 * \(C\)) then try to merge clusters.

For each combination \(xy\) of spectrals signatures calculate \(D_{xy}\) = Distancia Euclidiana of spectral signatures \(S_{x}\) and \(S_{y}\) .
If the minimum \(D_{xy}\) is greater than \(D_{t}\):
- S_{i} = (\(N_{i}\) * S_{i} + \(N_{j}\) * S_{j})/(\(N_{i}\) + \(N_{j}\))
- discard S_{j}
- \(P\) = \(P\) - 1
- start a new iteration

After the last iteration, a raster of clusters is produced using the spectral signatures derived from the last iteration. The number of clusters can vary according to the processes of splitting and merging.

Conversión de la imagen a Reflectancia ¶

Este capítulo provee información sobre la conversión a reflectancia implementada en SCP.

Radiancia en el sensor.¶

Radiancia es el «Flujo de energía (principalmente energía irradiante o incidente) por ángulo sólido que abandona una unidad de área de una superficie en una dirección dada», «Radiancia es lo que mide el sensor y depende en cierta medida de la reflectancia» (NASA, 2011, p. 47).

Imágenes como las de Landsat o Sentinel-2 están compuestas de diferentes bandas y un archivo de metadatos que contiene la información requerida para la reflectancia.

Las imágenes de Landsat son provistas en radiancia, escaladas previamente al resultado. Para imágenes Landsat, la Radiancia espectral en el sensor (\(L_{\lambda}\), medida en [vatios/(metro cuadrado * ster * \(\mu m\))]) está dada por (https://landsat.usgs.gov/Landsat8_Using_Product.php):

\[L_{\lambda} = M_{L} * Q_{cal} + A_{L}\]

donde:

\(M_{L}\) = Factor multiplicativo de reescalamiento específico de la banda, proveniente de los metadatos (RADIANCE_MULT_BAND_x, donde x es el número de banda)
\(A_{L}\) = Factor aditivo de reescalamiento específico de la banda, proveniente de los metadatos (RADIANCE_MULT_BAND_x, donde x es el número de banda)
\(Q_{cal}\) = Valores de pixel discretizados y calibrados del producto estandar (valores digitales DN)

Imágenes Sentinel-2 (Level-1C) se proveen directamente en Reflectancia en el Techo de la Atmósfera (TOA), escaladas previamente al resultado (ESA, 2015).

Reflectancia en el Techo de la Atmósfera (TOA)¶

Es posible convertir imágenes con valores de radiancia a valores de Reflectancia en el Techo de la Atmósfera (TOA), la cual combina la reflectancia de la superficie y la reflectancia atmosférica, para reducir la variabilidad inter-imagen a través de una normalización de la irradiancia solar. Esta reflectancia TOA (\(\rho_{p}\)), la cual es el ratio de la energía reflejada con respecto al total de la energía incidente (NASA, 2011), puede ser calculada como:

\[\rho_{p} = (\pi * L_{\lambda} * d^{2} )/ (ESUN_{\lambda} * cos\theta_{s})\]

donde:

\(L_{\lambda}\) = Radiancia espectral en el sensor (Radiancia en el satélite)
\(d\) = Distancia Tierra-Sol en Unidades Astronómicas (la cual se encuentra en el archivo de metadatos de las imágenes Landsat 8, y un archivo de excel en http://landsathandbook.gsfc.nasa.gov/excel_docs/d.xls)
\(ESUN_{\lambda}\) = Irradiancia Media Solar exo-atmosférica
\(\theta_{s}\) = Angulo zenital solar en grados, el cual es equivalente a: \(\theta_{s}\) = 90° - \(\theta_{e}\) donde \(\theta_{e}\) es la elevación solar

Es importante notar que para las imágenes de Landsat 8 se proveen factores de reescalamiento para cada banda que permiten la conversión directa de valores digitales DN a Reflectancia TOA.

Las imágenes Sentinel-2 se distribuyen ya con valores de reflectancia TOA escalados, los cuales pueden ser convertidos a reflectancia TOA con un cálculo simple utilizando el Valor de Discretización provisto en los metadatos (ver https://sentinel.esa.int/documents/247904/349490/S2_MSI_Product_Specification.pdf).

Sentinel-3 images are already provided in scaled TOA radiance. Conversion to reflectance is performed applying the coefficients scale_factor and add_offset provided in the metadata of each band. The ancillary raster tie_geometries.nc provides the value of sun zenith angle and the ancillary raster instrument_data provides information about the solar flux for each band, which are used for the conversion to reflectance with the correction for sun angle. In addition, the georeferencing of the bands is performed using the ancillary raster geo_coordinates.nc which provides coordinates of every pixel.

Reflectancia de la Superficie ¶

Los efectos de la atmósfera (i.e. la perturbación en los valores de reflectancia que varía con la longitud de onda) debe ser considerada para medir la reflectancia en la superficie.

La reflectancia de la superficie (\(\rho\)), tal como lo describe Moran et al. (1992), es:

\[\rho = [\pi * (L_{\lambda} - L_{p}) * d^{2}]/ [T_{v} * ( (ESUN_{\lambda} * cos\theta_{s} * T_{z} ) + E_{down} )]\]

donde:

\(L_{p}\) es el efecto bruma, en inglés path radiance
\(T_{v}\) es la transmitancia de la atmósfera en la dirección de visión
\(T_{z}\) es la transmitancia atmosférica en la dirección de iluminación
\(E_{down}\) is la irradiancia difusa descendiente

Por lo tanto, necesitamos varias medidas atmosféricas para calcular \(\rho\) (correcciones basadas en medidas físicas). Alternativamente, es posible utilizar técnicas basadas en imágen para el cálculo de esos parámetros sin la necesidad de medidas in-situ durante la adquisición de la imagen. Vale la pena mencionar que el Producto de Alto Nivel Landsat Reflectancia de Superficie para Landsat 8 está disponible (para más información leer http://landsat.usgs.gov/CDR_LSR.php).

Corrección DOS1 ¶

El Dark Object Substrction (DOS) o substracción de objeto oscuro es una familia de correcciones atmosféricas basadas en imagen. Chavez (1996) explica que «la suposición básica es que en la imagen algunos píxeles están completamente en sombra, y sus radiancias recibidas en el satélite se deben a la dispersión atmosférica (efecto bruma). Esta suposición es combinada con el hecho de que muy pocos elementos en la superficie de la Tierra tienen un color negro absoluto, por lo tanto, una reflectancia asumida de uno por ciento es mejor que un cero por ciento». Es importante mencionar que la exactitud de las técnicas basadas en imagen es generalmente menor que las correcciones basadas en medidas físicas, pero son muy útiles cuando no están disponibles mediciones atmosféricas que puedan mejorar la estimación de la reflectancia de la superficie terrestre. El efecto bruma es dado por (Sobrino, et al., 2004):

\[L_{p} = L_{min} - L_{DO1\%}\]

donde:

\(L_{min}\) = «radiancia que corresponde a un valor digital para el cual la suma de todos los píxeles con valores digitales menores o iguales a este valor es igual al 0.01% de todos los píxeles de la imagen considerada» Sobrino, et al., 2004, p. 437), por lo tanto, la radiancia obtenida con ese valor de conteo digital (\(DN_{min}\))
\(L_{DO1\%}\) = radiancia del objeto oscuro, con un valor asumido de reflectancia de 0.01

En particular para imágenes Landsat:

\[L_{min} = M_{L} * DN_{min} + A_{L}\]

Las imágenes Sentinel-2 son convertidas a radiancia antes del cálculo DOS1.

La Radiancia de Objeto Oscuro es dada por (Sobrino, et al., 2004):

\[L_{DO1\%} = 0.01 * [(ESUN_{\lambda} * cos\theta_{s} * T_{z} ) + E_{down}] * T_{v} / (\pi * d^{2})\]

Por lo tanto, el efecto bruma es:

\[L_{p} = M_{L} * DN_{min} + A_{L} - 0.01* [(ESUN_{\lambda} * cos\theta_{s} * T_{z} ) + E_{down}] * T_{v} / (\pi * d^{2})\]

Existen varias técnicas DOS (ej. DOS1, DOS2, DOS3, DOS4), basadas en diferentes asunciones acerca de \(T_{v}\), \(T_{z}\), y \(E_{down}\) . La técnica más simple es la DOS1, donde se hacen las siguientes suposiciones (Moran et al., 1992):

\(T_{v}\) = 1
\(T_{z}\) = 1
\(E_{down}\) = 0

Por lo tanto, el efecto bruma es:

\[L_{p} = M_{L} * DN_{min} + A_{L} - 0.01 * ESUN_{\lambda} * cos\theta_{s} / (\pi * d^{2})\]

Y la reflectancia de la superficie terrestre resultante está dada por:

\[\rho = [\pi * (L_{\lambda} - L_{p}) * d^{2}]/ (ESUN_{\lambda} * cos\theta_{s})\]

Los valores ESUN [W /(m2 * \(\mu m\))] para sensores Landsat se encuentran en la siguiente tabla.

Valores ESUN para bandas Landsat

Banda	Landsat 1 MSS	Landsat 2 MSS	Landsat 3 MSS	Landsat 4 TM	Landsat 5 TM*	Landsat 7 ETM+**
1				1983	1983	1970
2				1795	1796	1842
3				1539	1536	1547
4	1823	1829	1839	1028	1031	1044
5	1559	1539	1555	219.8	220	225.7
6	1276	1268	1291
7	880.1	886.6	887.9	83.49	83.44	82.06
8						1369

* de Chander, Markham, & Helder (2009)

** de http://landsathandbook.gsfc.nasa.gov/data_prod/prog_sect11_3.html

Para Landsat 8, \(ESUN\) puede ser calculado como (from http://grass.osgeo.org/grass65/manuals/i.landsat.toar.html):

\[ESUN = (\pi * d^{2}) * RADIANCE\_MAXIMUM / REFLECTANCE\_MAXIMUM\]

donde RADIANCE_MAXIMUM y REFLECTANCE_MAXIMUM son provistas en los metadatos de la imagen.

Los valores de ESUN [W /(m2 * \(\mu m\))] para el sensor Sentinel-2 (provistos en los metadatos de la imagen) se muestran en la siguiente tabla.

valores de ESUN para bandas de Sentinel-2

Banda	Sentinel-2
1	1913.57
2	1941.63
3	1822.61
4	1512.79
5	1425.56
6	1288.32
7	1163.19
8	1036.39
8A	955.19
9	813.04
10	367.15
11	245.59
12	85.25

Los valores de ESUN [W /(m2 * \(\mu m\))] para el sensor ASTER se muestran en la siguiente tabla (de Finn, et al., 2012).

Valores de ESUN para bandas ASTER

Banda	ASTER
1	1848
2	1549
3	1114
4	225.4
5	86.63
6	81.85
7	74.85
8	66.49
9	59.85

Un ejemplo de comparación de valores de Reflectancia TOA, Reflectancia corregida con DOS1 y Producto de Alto Nivel Landsat Reflectancia de Superficie (datos de referencia) se puede ver en la figura Firmas espectrales de un píxel de superficie construida.

Firmas espectrales de un píxel de superficie construida

Comparación de valores de Reflectancia TOA, Reflectancia corregida con DOS1 y Producto de Alto Nivel Landsat Reflectancia de Superficie

Conversión a temperatura ¶

Este capítulo proporciona información básica sobre la conversión a Temperatura de Brillo en el Satélite implementada en SCP y la estimación de la Temperatura Superficial del Suelo.

Conversión a Temperatura de Brillo en el Satélite ¶

Para las bandas termales, la conversión de valores digitales DN a Temperatura de Brillo en el satélite es dada por (from https://landsat.usgs.gov/Landsat8_Using_Product.php):

\[T_{B} = K_{2} / ln[(K_{1} / L_{\lambda}) + 1]\]

donde:

\(K_{1}\) = constante de conversión térmica específica de la banda (en vatios /metro cuadrado * ster * \(\mu m\))
\(K_{2}\) = Constante de conversión térmica específica de la banda (en grados kelvin)

y \(L_{\lambda}\) es la radiancia espectral en el sensor, medida en vatios/(metro cuadrado * ster * \(\mu m\)).

Las cosntantes \(K_{1}\) y \(K_{2}\) para sensores Landsat son proporcionadas en la siguiente tabla.

Constantes de conversión térmica para Landsat

Constante	Landsat 4*	Landsat 5*	Landsat 7**
\(K_{1}\)	671.62	607.76	666.09
\(K_{2}\)	1284.30	1260.56	1282.71

* de Chander & Markham (2003)

** de NASA (2011)

Para Landsat 8, los valores de \(K_{1}\) y \(K_{2}\) son proprocionadas en el archivo de metadatos de la imagen.

\(K_{1}\) y \(K_{2}\) son calculadas como (Jimenez-Munoz & Sobrino, 2010):

\[K_{1} = c_{1} / \lambda^{5}\]

\[K_{2} = c_{2} / \lambda\]

donde (Mohr, Newell, & Taylor, 2015):

\(c_{1}\) = Primera constante de radiación = \(1.191 * 10^{-16} W m^{2} sr^{-1}\)
\(c_{2}\) = segunda constante de radiación = \(1.4388 * 10^{-2} m K\)

Por lo tanto, \(K_{1}\) y \(K_{2}\) para bandas ASTER se proporcionan en la siguiente tabla.

Constantes de conversión térmica para ASTER

Constante	Banda 10	Banda 11	Banda 12	Banda 13	Banda 14
\(K_{1}\)	\(3.024 * 10^{3}\)	\(2.460 * 10^{3}\)	\(1.909 * 10^{3}\)	\(8.900 * 10^{2}\)	\(6.464 * 10^{2}\)
\(K_{2}\)	\(1.733 * 10^{3}\)	\(1.663 * 10^{3}\)	\(1.581 * 10^{3}\)	\(1.357 * 10^{3}\)	\(1.273 * 10^{3}\)

Estimación de la Temperatura de Superficie del Suelo ¶

Varios estudios han descrito la estimación de la Temperatura de Superficie del Suelo. Ésta puede ser calculada a partir de la Temperatura de Brillo en el Satélite \(T_{B}\) como (Weng, et al. 2004):

\[T = T_{B} / [ 1 + (\lambda * T_{B} / c_{2}) * ln(e) ]\]

donde:

\(\lambda\) = longitud de onda de la radiancia emitida
\(c_{2} = h * c / s = 1.4388 * 10^{-2}\) m K
\(h\) = Constante de Planck’s = \(6.626 * 10^{-34}\) J s
\(s\) = constante de Boltzmann = \(1.38 * 10^{-23}\) J/K
\(c\) = velocidad de la luz \(2.998 * 10^{8}\) m/s

Los valores de \(\lambda\) para las bandas térmicas de los satélites Landsat y ASTER pueden ser calculadas a partir de las tablas Satélites Landsat y Satélite ASTER.

Varios estudios han utilizado el NDVI para la estimación de la emisividad de la superficie (SObrino, et al., 2004); otros estudios han utilizado una clasificación de cobertura del suelo para la definición de la emisividad de cada clase (Weng, et al. 2004). Por ejemplo, los valores de emisividad (\(e\)) de varios tipos de cobertura del suelo se proporcionan en la siguiente tabla (de Mallick, et al. 2012).

Valores de emisividad

Superficie de la tierra	Emisividad e
Suelo	0.928
Pasto	0.982
Asfalto	0.942
Concreto	0.937

Referencias ¶

Ball, G. H. & Hall, D. J., 1965. ISODATA. A novel method of data analysis and pattern classification. Menlo Park: Stanford Research Institute.
Chander, G. & Markham, B., 2003. Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges Geoscience and Remote Sensing, IEEE Transactions on, 41, 2674 - 2677
Chavez, P. S., 1996. Image-Based Atmospheric Corrections - Revisited and Improved Photogrammetric Engineering and Remote Sensing, [Falls Church, Va.] American Society of Photogrammetry, 62, 1025-1036
Congalton, R. and Green, K., 2009. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Boca Raton, FL: CRC Press
Didan, K.; Barreto Munoz, A.; Solano, R. & Huete, A., 2015. MODIS Vegetation Index User’s Guide. Collection 6, NASA
ESA, 2015. Sentinel-2 User Handbook. Available at https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook
ESA, 2013. Sentinel-3 User Handbook. Available at https://sentinels.copernicus.eu/documents/247904/685236/Sentinel-3_User_Handbook
Finn, M.P., Reed, M.D, and Yamamoto, K.H., 2012. A Straight Forward Guide for Processing Radiance and Reflectance for EO-1 ALI, Landsat 5 TM, Landsat 7 ETM+, and ASTER. Unpublished Report from USGS/Center of Excellence for Geospatial Information Science, 8 p, http://cegis.usgs.gov/soil_moisture/pdf/A%20Straight%20Forward%20guide%20for%20Processing%20Radiance%20and%20Reflectance_V_24Jul12.pdf
Fisher, P. F. and Unwin, D. J., eds., 2005. Representing GIS. Chichester, England: John Wiley & Sons
JARS, 1993. Remote Sensing Note. Japan Association on Remote Sensing. Available at http://www.jars1974.net/pdf/rsnote_e.html
Jimenez-Munoz, J. C. & Sobrino, J. A., 2010. A Single-Channel Algorithm for Land-Surface Temperature Retrieval From ASTER Data IEEE Geoscience and Remote Sensing Letters, 7, 176-179
Johnson, B. A., Tateishi, R. and Hoan, N. T., 2012. Satellite Image Pansharpening Using a Hybrid Approach for Object-Based Image Analysis ISPRS International Journal of Geo-Information, 1, 228. Available at http://www.mdpi.com/2220-9964/1/3/228)
Kruse, F. A., et al., 1993. The Spectral Image Processing System (SIPS) - Interactive Visualization and Analysis of Imaging spectrometer. Data Remote Sensing of Environment
Mallick, J.; Singh, C. K.; Shashtri, S.; Rahman, A. & Mukherjee, S., 2012. Land surface emissivity retrieval based on moisture index from LANDSAT TM satellite data over heterogeneous surfaces of Delhi city International Journal of Applied Earth Observation and Geoinformation, 19, 348 - 358
Mohr, P. J.; Newell, D. B. & Taylor, B. N., 2015. CODATA Recommended Values of the Fundamental Physical Constants: 2014 National Institute of Standards and Technology, Committee on Data for Science and Technology
Moran, M.; Jackson, R.; Slater, P. & Teillet, P., 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output Remote Sensing of Environment, 41, 169-184
NASA, 2011. Landsat 7 Science Data Users Handbook Landsat Project Science Office at NASA’s Goddard Space Flight Center in Greenbelt, 186 http://landsathandbook.gsfc.nasa.gov/pdfs/Landsat7_Handbook.pdf
NASA, 2013. Landsat 7 Science Data User’s Handbook. Available at http://landsathandbook.gsfc.nasa.gov
Olofsson, P.; Foody, G. M.; Herold, M.; Stehman, S. V.; Woodcock, C. E. & Wulder, M. A., 2014. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42 – 57
Ready, P. and Wintz, P., 1973. Information Extraction, SNR Improvement, and Data Compression in Multispectral Imagery. IEEE Transactions on Communications, 21, 1123-1131
Richards, J. A. and Jia, X., 2006. Remote Sensing Digital Image Analysis: An Introduction. Berlin, Germany: Springer
Sobrino, J.; Jiménez-Muñoz, J. C. & Paolini, L., 2004. Land surface temperature retrieval from LANDSAT TM 5 Remote Sensing of Environment, Elsevier, 90, 434-440
USGS, 2015. Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Level 1 Precision Terrain Corrected Registered At-Sensor Radiance Product (AST_L1T). AST_L1T Product User’s Guide. USGS EROS Data Center.
Vermote, E. F.; Roger, J. C. & Ray, J. P., 2015. MODIS Surface Reflectance User’s Guide. Collection 6, NASA
Weng, Q.; Lu, D. & Schubring, J., 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote Sensing of Environment, Elsevier Science Inc., Box 882 New York NY 10159 USA, 89, 467-483
Wikipedia, 2017. k-means clustering. Available at https://en.wikipedia.org/wiki/K-means_clustering

Tutoriales Básicos¶

The following are very basic tutorials for land cover classification using the Semi-Automatic Classification Plugin (SCP). It is assumed that you have a basic knowledge of QGIS (you can find a guide to QGIS interface at this page).

Tutorial 1¶

El siguiente es un tutorial básico sobre la clasificación de la cobertura del suelo utilizando Semi-Automatic Classification Plugin (SCP). Se asume que tienes un conocimiento básico sobre QGIS.

Tutorial 1: Tu Primera Clasificación de la Cobertura del Suelo

Tutorial 1: Tu Primera Clasificación de la Cobertura del Suelo ¶

Este es un tutorial básico sobre el uso de SCP para la clasificación de una imagen multiespectral. Es recomendable que leas la Breve Introducción a la Teledetección antes de este tutorial.

El propósito de la clasificación es identificar las siguientes clases de cobertura del suelo:

Agua;
Construcciones;
Vegetación;
Suelo desnudo.

El area de estudio de este tutorial es Greenbelt (Maryland, USA) que es el sitio del Centro de Vuelo Espacial Goddard de la NASA (la institución que liderará el desarrollo del futuro segmento de vuelo Landsat 9).

Mira el vídeo de este tutorial.

http://www.youtube.com/watch?v=fUZgYxgDjsk

Descargar los Datos ¶

Vamos a descargar una Satélites Landsat imagen (datos disponibles de el Servicio Geológico de EE. UU.) y usa las siguientes bandas:

Azul;
Verde;
Rojo;
Infrarrojo Cercano;
Infrarrojo de Onda Corta 1;
Infrarrojo de Onda Corta 2.

Consejo: En caso de que tenga una conexión lenta, puede descargar un subconjuto de imagenes desde este archivo https://docs.google.com/uc?id=18CXceeQrjxQoM5Z80kvlvdTI4SmVBDZn (de 5MB, datos disponibles de el Servicio Geologico de los EE.UU.), descomprima el archivo descargado, y pasar a Convertir datos a Reflectancia de Superficie.

Inicie QGIS y el SCP. Abra la pestaña Descargar productos haciendo clic en el botón en el Home, o en el SCP menú,

Estamos buscando una imagen especifica adquirida el 16 de abril de 2017 porque está libre de nubes. En Parámetros de búsqueda ingrese las coordenadas del punto:

UL: -77 / 39
LR: -76.9 / 38.9

CONSEJO: En general es posible definir las coordenadas del area haciendo clic en el botón , luego haga clic izquierdo en el mapa para el punto UL y haga clic derecho en el mapa para el punto LR.

Seleccionar: guilabel:L8 OLI/TIRS desde la: guilabel:Products y establecer:

Date from: 2017-04-16
to: 2017-04-16

Buscar productos

Ahora da click en el boton Buscar y luego de unos segundos la imagen se mostrará en el Lista de productos. Da click al elemento en la tabla para mostrar una miniatura de la imagen la cual es útil para verificar la calidad de la imagen y la cobertura de nubes.

Buscar resultados

Ahora da click en el boton para cargar una muestra de la imagen en el mapa.

Vista previa de la imagen

También podemos seleccionar las bandas a descargar de acuerdo a lo que queramos. En particular, selecciona el boton Opciones de Descarga y selecciona solo las bandas de la imagen Landsat (Las que usaremos en este tutorial): 2, 3, 4, 5, 6, 7, y los datos auxiliares.

Opciones de Descarga

A los efectos de este tutorial, desmarque la opción :guilabel: Preprocesar imágenes (por lo general, debe dejar esto marcado) porque vamos a preprocesar la imagen en Convertir datos a Reflectancia de Superficie. Para comenzar la descarga de la imagen, haga clic en el botón: guilabel:RUN y seleccione un directorio donde se guardaran las bandas. La descarga podría durar unos minutos según la velocidad de su conexión a Internet. El progreso de la descarga se muestra en una barra.

«CONSEJO»: La opción :guilabel: «Solo si la vista previa en capas» permite descargar solo imágenes en la tabla de resultados que se cargan como vistas previas en el mapa. Si esta opción no está marcada, todos los productos de la lista se descargaran.

Despues de la descarga, todas las bandas se cargan automaticamente en el mapa.

Download of Landsat bands

Recortar los Datos ¶

Para limitar el area de estudio ( y reducir el tiempo de procesamiento) podemos recortar la imagen.

Primero, necesitamos definir un :guilabel Conjunto de bandas que contienen las bandas que se van a recortar. Abra la pestaña Conjunto de bandas haciendo clic en el boton SCP menú or the SCP dock.

Clic en el boton para actualizar el listado de capas, y seleccione las bandas: 2,3,4,5,6, y 7; luedgo haga clic para agregar los raster a el :guilabel:`Band set 1.

Band set for clipping

En: ref: pre_processing_tab abra la pestaña: ref:` clip_multiple_rasters_tab`. Vamos a recortar el: guilabel: Band set 1 que contiene bandas Landsat.

Haga clic en el botón | pointer | y seleccione un área como la siguiente imagen (clic izquierdo en el mapa para el punto UL y clic derecho en el mapa para el punto LR), o ingrese los siguientes valores:

UL: 330015 / 4324995
LR: 349995 / 4309995

Recortar área

Clic en el botón RUN y seleccione un directorio donde se guardaran las bandas recortadas. Se crearán nuevos archivos con el prefijo de nombre de archivo definido en Output name prefix. Cuando se completa el proceso, los rásters recortados se cargan y se muestran.

Bandas recortadas

Convertir datos a Reflectancia de Superficie ¶

Convertir a reflectancia (see Radiancia y Reflectancia) se puede realizar automaticamente. El archivo de metadatos (un archivo .txt cuyo nombre contiene `` MTL “”) descargado con las imágenes contiene la información requerida para la conversión. Leer Conversión de la imagen a Reflectancia para obtener información sobre el Reflectancia en el Techo de la Atmósfera (TOA) and Reflectancia de la Superficie.

Para convertir las bandas a reflectancia, abra: ref: pre_processing_tab haciendo clic en el botón | preprocessing | en el: ref: SCP_menu o el: ref:` SCP_dock`, y seleccione la pestaña: ref: landsat_tab.

haga clic en el botón Directorio que contiene bandas Landsat y seleccione el directorio de bandas Landsat recortadas. La lista de bandas se carga automáticamente en la tabla. Metadatos.

Haga clic en el botón Seleccionar archivo MTL y seleccione el archivo de metadatos LC08_L1TP_015033_20170416_20170501_01_T1_MTL.txt del directorio de imágenes descargadas de Landsat. La información de los metadatos se agrega a la tabla:ref:landsat_metadata.

Para calcular: ref: Surface_conversion vamos a aplicar: ref:` DOS1 corrección`; por lo tanto, habilite la opción | casilla de verificación | : guilabel: Aplicar la corrección atmosférica DOS1.

** CONSEJO **: en general, se recomienda realizar la corrección atmosférica de DOS1 para toda la imagen (antes de recortar la imagen) para mejorar el cálculo de los parámetros basados en la imagen.

para el proposito de este tutorial, desmarque la opción | casilla de verificación | Crear conjunto de bandas y usar herramientas de conjuntos de bandas porque vamos a definir esto en el siguiente paso Defina el conjunto de bandas y cree el archivo de entrada de entrenamiento..

Para comenzar el proceso de conversión, haga clic en el botón: guilabel: RUN | ejecutar | y seleccione el directorio donde se guardan las bandas convertidas.

Conversión de Landsat 8 a reflectancia

Después de unos minutos, las bandas convertidas se cargan y se muestran (el nombre del archivo comienza con `` RT_``). Si | casilla de verificación | : guilabel: Reproducir sonido cuando haya terminado está marcado en: ref: configuración de` clasificación_proceso`, se reproduce un sonido cuando finaliza el proceso.

Podemos eliminar todas las bandas cargadas en capas, en QGIS, excepto aquellas cuyo nombre comience con `` RT_``.

Landsat 8 bandas convertidas`

Defina el conjunto de bandas y cree el archivo de entrada de entrenamiento.¶

Ahora necesitamos definir: guilabel: Band set que es la imagen de entrada para: guilabel:` SCP`. Abra la pestaña: ref: band_set_tab haciendo clic en el botón | bandset_tool | en: ref: SCP_menu o en: ref:` SCP_dock`.

En: guilabel: Definición del conjunto de bandas haga clic en el botón | reset | para borrar todas las bandas de: guilabel: conjunto de bandas activas creado durante los pasos anteriores.

Haga clic en el botón | reload | para actualizar la lista de capas, y seleccione todas las bandas convertidas; luego haga clic en |plus | para agregar los rásters seleccionados al: guilabel: Conjunto de bandas.

In the table Band set definition order the band names in ascending order (click to sort bands by name automatically). Finally, select Landsat 8 OLI from the list Quick wavelength settings, in order to set automatically the Center wavelength of each band and the Wavelength unit (required for spectral signature calculation).

Definición de un conjunto de bandas

Podemos mostrar una Composición de Color de las bandas: Infrarrojo Cercano, Rojo, y Verde: en la Barra de Trabajo, haz clic sobre el listado RGB= y selecciona el elemento 4-3-2 (correspondiente al numero de banda en Conjunto de bandas). Puedes ver que los colores de la imagen cambian en el mapa según las bandas seleccionadas, y la vegetación resalta en rojo (si la opción 3-2-1 fue seleccionada, se muestran los colores naturales).

TIP : If a Conjunto de bandas is defined, a temporary virtual raster (named Virtual Band Set 1) is created automatically, which allows for the display of Composición de Color. In order to speed up the visualization, you can show only the virtual raster and hide all the layers in the QGIS Layers.

Composición de color RGB=4-3-2

Ahora necesitamos crear un Training input para recoger Áreas de entrenamiento (ROIs) y por tanto calcular una Firma Espectral (que será utilizada en la clasificación).

In the SCP dock select the tab Training input and click the button to create the Training input (define a name such as training.scp). The path of the file is displayed and a vector is added to QGIS layers with the same name as the Training input (in order to prevent data loss, you should not edit this layer using QGIS functions).

Definición de la Entrada de Entrenamiento en SCP

Crear las ROIs ¶

We are going to create ROIs defining the Clases y Macroclases. Each ROI is identified by a Class ID (i.e. C ID), and each ROI is assigned to a land cover class through a Macroclass ID (i.e. MC ID).

Macroclasses are composed of several materials having different spectral signatures; in order to achieve good classification results we should separate spectral signatures of different materials, even if belonging to the same macroclass. Thus, we are going to create several ROIs for each macroclass (setting the same MC ID, but assigning a different C ID to every ROI).

Vamos a utilizar los ID de macroclases definidos en la siguiente tabla

Macroclases

Nombre de la Macroclase	Macroclase ID
Agua	1
Construcciones	2
Vegetación	3
Suelo desnudo (vegetación baja)	4

Las ROIs pueden ser creadas, dibujando a mano un polígono o con un Algoritmo de Región Incremental automático.

Amplíe el mapa sobre el área oscura en la esquina superior derecha de la imagen, que es un cuerpo de agua. Para crear manualmente un ROI dentro del área oscura, haga clic en el botón | manual_ROI | en el: ref: working_toolbar. Haga clic izquierdo en el mapa para definir los vértices de ROI y haga clic derecho para definir el último vértice que cierra el polígono.Entrada de Entrenamiento. Se muestra un polígono naranja semitransparente sobre la imagen, que es un polígono temporal (es decir, no se guarda en: guilabel: Entrada de Entrenamiento).

CONSEJO : Puedes dibujar polígonos temporales (los anteriores serán eliminados) hasta que el polígono cubra adecuadamente la zona.

Una ROI temporal creada manualmente

Si la forma del polígono temporal es buena, podemos grabarlo en la Entrada de Entrenamiento.

Open the Training input to define the Clases y Macroclases . In the ROI Signature list set MC ID = 1 and MC Info = Water; also set C ID = 1 and C Info = Lake. Now click to save the ROI in the Training input.

Después de unos segundos, el ROI aparece en la lista: ref: ROI_list y se calcula la firma espectral (porque | casilla de verificación |: guilabel:` Firma` fue marcado).

La ROI grabada en la Entrada de Entrenamiento

As you can see, the C ID in ROI Signature list is automatically increased by 1. Saved ROI is displayed as a dark polygon in the map and the temporary ROI is removed. Also, in the ROI Signature list you can notice that the Type is B, meaning that the ROI spectral signature was calculated and saved in the Training input.

También puede ver en la pestaña: ref: macroclasses_tab que la primera macroclase se ha agregado a la tabla: guilabel:` Macroclasses`.

Macroclases

Ahora vamos a crear un segundo ROI para la clase desarrollada utilizando el Algoritmo de Región Incremental. Zoom en la región inferior de la imagen. En: ref: working_toolbar establece el valor: guilabel:` Dist` en 0.08. Haga clic en el botón | roi_single | en: ref: working_toolbar y haga clic sobre el área morada del mapa. Después de un tiempo, el polígono naranja semitransparente se muestra sobre la imagen.

Consejo: El valor Dist debe definirse según el rango de valores de los píxeles. En general, al incrementar este valor, se crearán ROIs más grandes.

Una ROI temporal creada con el algoritmo automático de región incremental

In the ROI Signature list set MC ID = 2 and MC Info = Built-up ; also set C ID = 2 (it should be already set) and C Info = Buildings.

La ROI grabada en la Entrada de Entrenamiento

Again, the C ID in ROI Signature list is automatically increased by 1.

Después de hacer clic en el botón | roi_single | en: ref: working_toolbar deberías notar que el cursor en el mapa muestra un valor que cambia sobre la imagen. Este es el valor NDVI del píxel debajo del cursor (NDVI se muestra porque la función | casilla de verificación |: guilabel: Display está seleccionada: ref:` training_input`). El valor NDVI puede ser útil para identificar píxeles espectralmente puros, de hecho, la vegetación tiene valores NDVI más altos que el suelo.

Por ejemplo, mueve el ratón sobre un área de vegetación y haz clic para crear una ROI cuando veas un valor máximo local. De esta manera, la ROI creada y su firma espectral será por lo tanto representativa de vegetación saludable.

NDVI value of vegetation pixel displayed in the map. Color composite RGB = 4-3-2

Create a ROI for the class Vegetation (red pixels in color composite RGB=4-3-2) and a ROI for the class Bare soil (low vegetation) (green pixels in color composite RGB=4-3-2) following the same steps described previously. The following images show a few examples of these classes identified in the map.

Vegetation. Color composite RGB = 4-3-2

Bare soil (low vegetation). Color composite RGB = 4-3-2

Assess the Spectral Signatures ¶

Las firmas espectrales son usadas por Algoritmos de clasificación para etiquetar los píxeles de la imagen. Diferentes materiales pueden tener firmas espectrales similares (especialmente considerando imágenes multiespectrales), tales como construcción y suelo desnudo. Si las firmas espectrales usadas para la clasificación son demasiado similares, los píxeles podrían ser clasificados erróneamente debido a que el algoritmo no puede discriminar correctamente esas firmas. Por lo tanto, es útil evaluar la ref:spectral_distance_definition para encontrar firmas similares que deban ser eliminadas. Por supuesto, el concepto de distancia varía de acuerdo al algoritmo seleccionado para la clasificación.

One can simply assess spectral signature similarity by displaying a signature plot. In order to display the signature plot, in the ROI Signature list highlight two or more spectral signatures (with click in the table), then click the button . The Gráfico de Firmas Espectrales is displayed in a new window. Move and zoom inside the Gráfico to see if signatures are similar (i.e. very close). Double click the color in the Lista de Firmas to change the line color in the plot.

Podemos ver en la siguiente figura la firma espectral de diferentes materiales

Gráfico de firmas espectrales

In the plot we can see the line of each signature (with the color defined in the ROI Signature list), and the spectral range (minimum and maximum) of each band (i.e. the semi-transparent area colored like the signature line). The larger is the semi-transparent area of a signature, the higher is the standard deviation, and therefore the heterogeneity of pixels that composed that signature. Spectral similarity between spectral signatures is highlighted in orange in the Lista de Firmas.

Adicionalmente, podemos calcular las distancias espectrales de las firmas (para más información ver ref:spectral_distance_definition). Selecciona dos o más firmas espectrales haciendo clic en la tabla Lista de Firmas, luego pulsa el botón ; las distancias serán calculadas para cada par de firmas. Ahora abre la pestaña Distancias espectrales. Podemos notar que la similaridad entre firmas varía de acuerdo al algoritmo considerado.

Distancias espectrales

For instance, two signatures can be very similar for Mapeo del Angulo Espectral (very low Angulo Espectral), but quite distant for the Máxima Probabilidad (Jeffries-Matusita Distance value near 2). The similarity of signatures is affected by the similarity of materials (in relation to the number of spectral bands available); also, the way we create ROIs influences the signatures.

Spectral signature values, standard deviation and other details such as the number of ROI pixels are displayed in the Detalles de firmas.

Valores de firma espectral

We need to create several ROIs (i.e. spectral signatures) for each macroclass (repeating the steps in Crear las ROIs), assigning a unique C ID to each spectral signature, and assess the spectral distance thereof in order to avoid the overlap of spectral signatures belonging to different macroclasses.

In the list RGB= of the Barra de Trabajo type 3-4-6 (you can also use the tool Lista RGB). Using this color composite, urban areas are purple and vegetation is green. You can notice that this color composite RGB = 3-4-6 highlights roads more than natural color (RGB = 3-2-1).

Color composite RGB = 3-4-6

Los siguientes ejemplos muestran algunas composiciones de color RGB para imágenes Landsat.

CONSEJO : Cambiar frecuentemente la Composición de Color para identificar claramente los materiales en la superficie; usa la rueda del ratón en la lista RGB= de la Barra de Trabajo para cambiar la composición de color rápidamente. También usa los botones y para mejorar la visualización de la Input image (i.e. estiramiento del histograma).

ROI Construido: edificaciones grandes

ROI Construido: Carretera

Built-up ROI: buildings, narrow roads

ROI Vegetación: bosque caducifolio

Vegetation ROI: riparian vegetation

Es importante mencionar que puedes mostrar u ocultar las ROIs temporalies pulsando el botón ROI en Barra de Trabajo.

TIP : Instala el plugin QuickMapServices in QGIS, y añade un mapa (e.g. OpenStreetMap) para facilitar la identificación de ROIs usando datos de alta resolución.

Crear Vista Previa de la Clasificación ¶

El proceso de clasificación está basado en la recolección de ROIs (y por lo tanto de firmas espectrales). Es útil crear una Clasificación preliminar para evaluar los resultados (influenciados por las firmas espectrales) antes de la clasificación final. En caso que los resultados no sean buenos, podemos colectar más ROIs para obtener una mejor clasificación de la cobertura del suelo.

Antes de ejecutar una clasificación (o una vista previa), define el color de las clases de cobertura del suelo que serán mostradas en el ráster de clasificación. En ROI Signature list, haz doble clic en el color (en la columna Color) de cada ROI para seleccionar un color representativo de cada clase.

Definición de los colores de las clases

Also, we need to set the color for macroclasses in table Macroclasses.

Definition of macroclass colors

Now we need to select the classification algorithm. In this tutorial we are going to use the Máxima Probabilidad.

Open the Classification to set the use of classes or macroclasses. Check Use C ID and in Algorithm select the Maximum Likelihood.

Setting the algorithm and using C ID

In Clasificación preliminar set Size = 300; click the button and then left click a point of the image in the map. The classification process should be rapid, and the result is a classified square centered in clicked point.

Classification preview displayed over the image using C ID

Previews are temporary rasters (deleted after QGIS is closed) placed in a group named Class_temp_group in the QGIS panel Layers. Now in Classification check Use MC ID and click the button in Clasificación preliminar.

Classification preview displayed over the image using MC ID

We can see that now there are only 4 colors representing the macroclasses.

TIP : When loading a previously saved QGIS project, a message could ask to handle missing layers, which are temporary layers that SCP creates during each session and are deleted afterwards; you can click Cancel and ignore these layers; also, you can delete these temporary layers clicking the button in Barra de Trabajo.

En general, es bueno realizar una vista previa de la clasificación cada vez que se añade un ROI (o una firma espectral) a la ROI Signature list. Por lo tanto, las fases Crear las ROIs y Crear Vista Previa de la Clasificación deben ser procesos iterativos y concurrentes.

Crear el resultado de la clasificación ¶

Asumiendo que el resultado de la clasificación fuese bueno (i.e. píxeles asignados correctamente a su clase definida en la ROI Signature list), podemos realizar la clasificación de coberturas para toda la imagen.

In Classification check Use MC ID. In the Classification output click the button and define the path of the classification output, which is a raster file (.tif). If Play sound when finished is checked in Procesos para la Clasificación settings, a sound is played when the process is finished.

Resultado de clasificación de cobertura del suelo

¡Bien echo! Acabas de terminar tu primera clasificación de cobertura del suelo.

Sin embargo, puedes ver que hay varios errores de clasificación, debido a que el numero de ROIs (Firmas espectrales) son insuficientes.

Ejemplo de error: Cuerpos de agua clasificados como construcciones

Ejemplo de error: Construcciones clasificadas como vegetación

Podemos mejorar la clasificación usando algunas de las herramientas que serán descritas en otros tutoriales.

Tutorial 2¶

The following is a tutorial about the functions of the Semi-Automatic Classification Plugin (SCP). It is assumed that you have a basic knowledge of QGIS.

Tutorial 2: Cloud Masking, Image Mosaic, and Land Cover Change Location

Tutorial 2: Cloud Masking, Image Mosaic, and Land Cover Change Location ¶

This tutorial is about the use of SCP for the assessment of land cover change of a multispectral image. It is recommended to complete the Tutorial 1: Tu Primera Clasificación de la Cobertura del Suelo before this tutorial.

The purpose of this tutorial is to locate land cover change over one year (between 2017 and 2018), using free Sentinel-2 images.

Workflow

Following the video of this tutorial.

http://www.youtube.com/watch?v=xm9s97GPs0Y

Download the Data ¶

We are going to download a Satélite Sentinel-2 image (Copernicus land monitoring services) and use the bands illustrated in the following table.

Sentinel-2 Bands	Central Wavelength [micrometers]	Resolution [meters]
Band 2 - Blue	0.490	10
Band 3 - Green	0.560	10
Band 4 - Red	0.665	10
Band 5 - Vegetation Red Edge	0.705	20
Band 6 - Vegetation Red Edge	0.740	20
Band 7 - Vegetation Red Edge	0.783	20
Band 8 - NIR	0.842	10
Band 8A - Vegetation Red Edge	0.865	20
Band 11 - SWIR	1.610	20
Band 12 - SWIR	2.190	20

Start QGIS and the SCP . Open the tab Descargar productos clicking the button in the Home, or in the SCP menú. In the tab Descargar productos click the button to display the OpenStreetMap tiles (© OpenStreetMap contributors) in the QGIS map, licensed as CC BY-SA (Tile Usage Policy ).

In general it is possible to define the area coordinates clicking the button , then left click in the map for the UL point and right click in the map for the LR point. In this tutorial the study area is Rome (Italy), therefore click in the map to define the search area, or alternatively, enter these point coordinates in Parámetros de búsqueda:

UL: 12.4 / 41.9
LR: 12.5 / 41.8

The purpose of this tutorial is to map the land cover change between 2017 and 2018, therefore we need to download at least two images. Because of cloud cover, we are going to download an additional image for 2016, which will be used to replace pixels covered by clouds in the first image. We are searching for three images (tile 33TTG) acquired on:

01 January 2017
10 February 2017
10 February 2018

Therefore, we need to perform three searches. Select Sentinel-2 from the Products and set:

Date from: 2017-01-01
to: 2017-01-01

In this case, enter L1C_T33TTG in Filter to filter the results only for the tile 33TTG.

Search products

Now click the button Find and after a few seconds the image will be listed in the Lista de productos. Click the item in the table to display a preview that is useful for assessing the quality of the image and the cloud cover.

Search result

Repeat the date definition and the search also for the 2017-02-10 image. You can notice that there are a few clouds over the area, therefore we are going to mosaic this image with the one acquired on 2017-01-01.

Search result of second image

Finally, repeat the search for the 2018-02-10 image.

Search results

We can also select the bands to be downloaded according to our purpose. In particular, select the tab Opciones de Descarga and check only the Sentinel-2 bands that will be used in this tutorial and the ancillary data.

Download options

For the purpose of this tutorial, uncheck the option Only if preview in Layers because we want to download and preprocess all the images listed in the table.

Before starting the download we need to set the preprocessing options in the tab Sentinel-2 for preforming the Corrección DOS1. Check the options Apply DOS1 atmospheric correction and Add bands in a new Band set to automatically create a Band set for each image.

Preprocessing options

To start the image download, in the tab Descargar productos click the button RUN and select a directory where bands are saved (a new directory will be created for each image). The download could last a few minutes according to your internet connection speed. The download progress is displayed in a bar.

After the download, all the bands of all the Sentinel-2 images (© Copernicus Sentinel data 2018) are automatically loaded in the map. We can also display the RGB color composite of the Band sets clicking the list RGB= in the Barra de Trabajo, and selecting the item 3-2-1.

Download of Sentinel-2 bands

Create the cloud cover mask ¶

Before the land cover change assessment, we need to remove cloud cover pixels in the image acquired on 2017-02-10. Of course we could perform the same process for all the other images.

In QGIS, load the file MSK_CLOUDS_B00.gml that should be inside the directory L1C_T33TTG_A008556_20170210T100132_2017-02-10 . This vector file represents most of the cloud cover in the image. In QGIS Layers Panel, left click the vector MSK_CLOUDS_B00 MaskFeature and select Export > Save Feature as to save this gml file to shapefile (e.g. clouds.shp).

We can convert this vector file to raster using the tab Vectorial a ráster.

Click the button to refresh the layer list, and select the vector clouds. Check the Use constant value to set the raster value 1 for clouds. Also, in Select the reference raster select the name of a band. This will create a raster with the same size and aligned to the Sentinel-2 image. Finally click the button RUN to create the mask.

Vector to raster mask

We could also improve the mask by manually editing the pixel of the raster using the tool Editar ráster or creating a semi-automatic classification of clouds.

Mask clouds in the Sentinel-2 image ¶

We are going to mask all the pixels covered by clouds in all the bands composing the Band set of the image acquired on 2017-02-10.

In the tab Enmascaramiento de nubes, set the number of the 2017-02-10 Band set in Select input band set. In Select the classification we select the mask created at the previous step. Enter 1 in Mask class values. Finally, uncheck Use buffer of pixel size to speed up the masking process.

Now click the button RUN to select the output directory and start the masking process.

Mask clouds

Mosaic the Sentinel-2 images ¶

We are going to mosaic the 2017 images in order to create a cloud free image to be used for land cover change.

We use the image acquired on 2017-01-01 to fill the gaps in the 2017-02-10 image. In the tab Conjunto de bandas, add a new Band set with the button and add the masked bands.

New Band set

Now we can mosaic the 2017 images.

In the tab Mosaico de conjuntos de bandas, in the Band set list enter the number of the 2017-02-10 masked Band set, followed by comma, followed by the number of the 2017-01-01 Band set. Now click the button RUN to select the output directory and start the masking process.

Mosaic Band sets

We could have used more than 2 Band sets. The process automatically mosaic the corresponding bands of the input Band sets filling the NoData gaps of the first Band set with the pixels of the following Band sets. The mosaic bands are automatically added to the map.

Mosaic of 2017 images

Land cover change ¶

We are going to automatically locate the land cover change between the image mosaic of 2017 and the 2018 image.

SCP includes a tool that allows for calculating the spectral distance between every corresponding pixel of two Band sets, and creating a raster of changes through a spectral distance threshold.

In the tab Conjunto de bandas, add a new Band set with the button and add the mosaic bands.

New Band set

In the tab Distancia espectral, set the number of the 2017 mosaic Band set in Select first input band set, and set the number of the 2018 Band set in Select second input band set. In Distance algorithm check the Spectral Angle Mapping. Check the Distance threshold and set the value 10 that is the threshold used for creating the raster of changes.

Now click the button RUN to select the output directory and start the masking process.

Spectral distance

After a while, the spectral distance raster and the raster of changes are added to the map

Raster of changes

This is an automatic method for locating land cover changes. We can see that most land cover changes are due to crop variations.

For instance, this method could be useful to assess vegetation burnt area or forest logging. We could set a different threshold value for increasing or reducing the number of pixels identified as changes.

Of course, in order to identify the type of land cover change we should identify the land cover classes of the images through photo-interpretation or with semi-automatic classification.

Advanced Tutorials¶

The following are advanced tutorials using the Semi-Automatic Classification Plugin (SCP). It is assumed that you have already performed the Tutoriales Básicos.

Tutorial 3¶

The following is a tutorial about the functions of the Semi-Automatic Classification Plugin (SCP). It is assumed that you have a basic knowledge of QGIS.

Tutorial 3: Accuracy Assessment of a Land Cover Classification

Tutorial 3: Accuracy Assessment of a Land Cover Classification ¶

Accuracy assessment is a fundamental step after land cover classification in order to evaluate errors, globally and for each class, and finally evaluate the reliability of the map.

This post is a tutorial about accuracy assessment of a land cover classification using the Semi-Automatic Classification Plugin (SCP) for QGIS. We are going to use the function of SCP to create ROIs using stratified random points (a new function of SCP 6.4.0), which will be photo-interpreted and used as reference for the accuracy assessment. The SCP tool Exactitud will take care of the rest, providing the error matrix and the accuracy estimates.

The following is the video tutorial, and the following text illustrates the phases in detail.

http://www.youtube.com/watch?v=H1cL0yhIygg

Accuracy assessment is performed comparing a sample of points (ground truth) to the classification. There are several ways to choose the sample size and the allocation thereof (sample scheme). The sample should be designed in order to achieve low standard errors of accuracy estimates, and usually this is achieved by random selection of samples.

Sample design depends on several variables such as the proportions of land cover classes and the standard errors that we expect for the overall land cover classification and single classes. In order to reduce standard errors of class specific estimates, it is recommended to stratify the sample. For further details about how to determine the sample size and the stratification, please refer to «Olofsson, et al., 2014. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42 – 57».

Sample Design ¶

This tutorial assumes that you have already performed the classification of a Landsat image following the instructions of this previous Tutorial 1: Tu Primera Clasificación de la Cobertura del Suelo. You can download the classification raster from this archive .

The land cover classes are described in the following table.

Classes

Macroclass name	Class ID
Water	1
Built-up	2
Vegetation	3
Bare soil (low vegetation)	4

Basically, the main requirement is to provide an adequate number of samples for each class, even if the class area proportion (\(W_i\)) is low. The number of samples (\(N\)) should be calculated as (Olofsson, et al., 2014):

\[N = ( \sum_{i=1}^{c} (W_i - S_i) / S_o)^2\]

where:

\(W_i\) = mapped area proportion of class i;
\(S_i\) = standard deviation of stratum i;
\(S_o\) = expected standard deviation of overall accuracy;
\(c\) = total number of classes;

This requires some conjectures about overall accuracy and user’s accuracy of each class. We should base these conjectures on previous studies. One can hypothesize that user’s accuracy is lower and standard deviations \(S_i\) is higher for classes having low area proportion, but of course these values should be carefully evaluated.

To get \(W_i\) start QGIS and load the classification raster.

Open the SCP menú and click the tab Reporte de la clasificación under the submenu Postprocessing . This tool allows for estimating class area and class percentage.

Click the button to refresh the layer list, and select the classification raster in Select the classification ; next click RUN to start the calculation; the output report is saved in a text file and displayed in the tab Output.

Classification report

The report table contains the percentage of each class, which we divide by 100 to get the required \(W_i\). In this tutorial we assume \(S_o = 0.01\) and conjecture the \(S_i\) values reported in the following table (of course, these assumptions are specific of this classification, other assumptions should be made for other classifications).

Conjectured standard deviations

Land Cover Class	Area \(m^2\)	\(W_i\)	\(S_i\)	\(W_i * S_i\)
1	976,500	0.0033	0.4	0.0013
2	111,267,000	0.3713	0.3	0.1114
3	187,018,200	0.6240	0.2	0.1248
4	438,300	0.0015	0.5	0.0007
Total				0.2382

Therefore, \(N = (0.2382 / 0.01)^2 = 567\) is the number of samples that we should distribute among classes.

To stratify the sample we should conjecture user’s accuracy and standard deviations of strata (Olofsson, et al., 2014).

A rough approximation is considering the mean value between equal distribution (\(N_i = N / c\)) and weighted distribution (\(N_i = N * W_i\)), which is \(N_i = (N / c + N * W_i) / 2\) as illustrated in the following table.

Sample stratification

Land Cover Class	Weighted	Equal	Mean
1	2	142	72
2	210	142	176
3	354	142	248
4	1	142	71
Total			567

Sample Collection and Photo-Intepretation ¶

This phase involves the creation of (randomly selected) single pixel Áreas de entrenamiento (ROIs), and the attribution of a land cover class based on photo-interpretation of each ROI.

First, we need to define a Band set containing the classification raster that is an input required by the other tools we are going to use.

Open the tab Conjunto de bandas clicking the button in the SCP menú or the SCP dock. Click the button to refresh the layer list, and select the classification raster; then click to add selected raster to the Band set 1.

Band set definition

We need to create the Training input in order to collect ROIs that will be the actual samples.

In the SCP dock select the tab Training input and click the button to create the Training input (define a name such as sample.scp). The path of the file is displayed and a vector is added to QGIS layers with the same name as the Training input (in order to prevent data loss, you should not edit this layer using QGIS functions).

Training input

Now we are going to create the stratified random sample using the SCP tool Multiple ROI creation. This tool allows for the random creation of point coordinates according to the sample scheme previously defined.

TIP : In case you have already collected samples you can import (using the button ) a shapefile or a csv file containing the coordinates and the classification codes.

This tool works in two steps:

randomly select point coordinates defining ROI parameters;
actually create ROI polygons based on point coordinates;

During the first step, in addition to point coordinates, other fields are automatically filled in the table from the parameters set in the Barra de Trabajo, such as the minimum and maximum ROI size. In this tutorial we use single pixel ROIs, although cluster sampling (several pixels per ROI) is also used for accuracy assessment. To avoid manually editing these fields after the random point creation, in ROI Temporal we need to set the parameters Min = 1 and Max = 1. Created random samples will have the size of 1 pixel.

Now, open the SCP menú and click the tab Creación de ROI Múltiples under the submenu Basic tools .

Multiple ROI creation

To reduce the photo-intepretation time (considering the illustrative purpose of this tutorial and that the classification is a subset of a Landsat image), we are going to divide the number of samples by 10 according to the following table (of course, in real cases we must use all the samples as designed).

Number of stratified samples

Land Cover Class	Samples
1	7
2	18
3	25
4	7
Total	57

In Number of points enter 7 that is the number of samples designed for class 1. In the tab Creación de ROI Múltiples check the option stratified for the values and enter the first expression raster == 1 (notice the double «=»). This expression means that we are going to randomly select points that fall over pixels having value 1 of the classification (that is the first band of the Band set 1).

Therefore click Create points to start the random creation. After a while point coordinates will be added to the table Coordenadas de punto y definición de ROI.

Samples for class 1

Now we repeat the above steps for class 2. In Number of points enter 18 and in stratified for the values enter raster == 2. Click Create points and the samples will be added to the table.

Repeat the same steps for class 3 (25 points and raster == 3) and for class 4 (57 points and raster == 4). Now that we have all the required samples we can create the ROIs (the single pixel polygons that will be photo-interpreted).

Uncheck the option Calculate sig. because we don’t need the spectral signature of ROIs and click RUN . After a while the ROIs will be added to the the Training input.

Samples added to the training input

The type R means that, of course, spectral signatures were not calculated. All the created ROIs have the same MC ID (i.e. macroclass ID) and C ID (i.e. class ID); now we can assign the correct class (MC ID) to each ROI with photo-interpretation using images with resolution higher than the classification, or other services such as OpenStreetMap).

In the ROI Signature list, double click on the first ROI in order to zoom to the ROI; after photo-interpreting the class we can assing the correct MC ID and C ID with a click on the corresponding field in the ROI list.

A sample over a road photo-interpreted using a Copernicus Sentinel-2 image

Of course we need to perform the photo-interpretation of all the samples, assigning the correct code. The photo-interpretation should be performed without considerding the classification raster. It is worth highlighting that spatial resolution (i.e. 30m) implies mixed pixels (i.e. pixels made of multiple materials at ground); therefore, during the photo-interpretation we must consider the most prevalent land cover in the ROI area.

Calculation of Accuracy Statistics ¶

After the photo-interpretation of all the samples, we can perform the accuracy assessment by comparing the ROIs to the classification. If you have skipped the previous step, you can download the photo-interpreted sample from here .

The process will produce an an error raster (a .tif file showing the errors in the map, where pixel values represent the combinations between the classification and reference identified by the ErrorMatrixCode in the error matrix) and a text file (i.e. a .csv file separated by tab) containing the error matrix and the accuracy statistics.

Open the SCP menú and click the tab Exactitud under the submenu Postprocessing .

In Select the classification to assess select the classification (click the button if the raster isn’t in the list).

In Select the reference vector or raster select the sample vector that is the Training input, and in Vector field select MC_ID that is the vector field containing the class values.

Now we can click RUN to start the raster processing.

The tool Accuracy

After the calculation the accuracy statistics are displayed in the output interface and the error raster is loaded in QGIS.

Output

Several statistics are calculated such as overall accuracy, user’s accuracy, producer’s accuracy, and Kappa hat. In particular, these statistics are calculated according to the area based error matrix (Olofsson, et al., 2014) where each element represents the estimated area proportion of each class. This allows for estimating the unbiased user’s accuracy and producer’s accuracy, the unbiased area of classes according to reference data, and the standard error of area estimates and the confidence intervals. Of course the standard errors are influenced by the low number of samples that we have collected in this tutorial.

Area based error matrix

		Reference
		1	2	3	4
Classified	1	0.0023	0	0.0009	0
	2	0	0.3094	0.0619	0
	3	0	0.0998	0.5242	0
	4	0	0	0.0004	0.0010
	Total	0.0023	0.4092	0.5874	0.0010

The overall accuracy is 83.7% that is a good result (above 80%). However, this classification was produced for the first basic tutorial, therefore the classification could be improved. Also, note that we used a number of samples lower than designed sample.

The user’s and producer’s accuracy are provided for each class.

Producer’s and user’s accuracy

	1	2	3	4
Producer’s accuracy	100.0	75.6	89.2	100.0
User’s accuracy	71.4	83.3	84.0	71.4

We can see that classes 1 and 4 (bare soil and water respectively) have low user’s accuracy, while class 2 (built-up) has low producer’s accuracy. We also get the unbiased area estimates (in \(m^2\)) and the confidence intervals.

Unbiased area estimates

	1	2	3	4
Area	697,500	122,645,412	176,044,017	313,071
95% Confidence interval Area	352,984	33,778,661	33,780,877	158,436

These estimates are quite different from the ones directly derived from the classification raster (in the classification report), but are based on reference data. For instance, the class 2 (built-up) has an estimated area of 122,645,412 \(m^2\), while it resulted 111,267,000 \(m^2\) from the classification raster. Also, the confidence intervals provide information about the uncertainty of these estimates.

Tutorial 4¶

The following is a tutorial about the functions of the Semi-Automatic Classification Plugin (SCP). It is assumed that you have a basic knowledge of QGIS.

Tutorial 4: Postprocessing tools for assessing land cover change

Tutorial 4: Postprocessing tools for assessing land cover change ¶

This tutorial aims to analyze land cover change using SCP Postprocessing tools. Basically, we are going to assess land cover change from two raster classifications, and relate the changes to a land use vector file. An overview of several postprocessing tools is also provided.

The following is the video tutorial, and the following text illustrates the phases in detail.

http://www.youtube.com/watch?v=0IUosyr4pRw

The tools can be applied to any land cover classification, but we are going to use Copernicus data, which are freely available (as established by the EU Regulation No 1159/2013 of 12 July 2013) and cover the European countries. Of course, this tutorial is designed for demonstration purposes and it is not endorsed by the European Union. The original Copernicus data (produced with funding by the European Union) are downloaded from https://land.copernicus.eu/ and remain the sole property of the European Union.

Following, a brief description of the data we are going to use.

The Copernicus High Resolution Layers are raster classifications with 20m spatial resolution. Several land cover classes are available, but in this tutorial we are going to use the Imperviousness Density for 2012 and 2015. These data classify the degree of imperviousness (0-100% of impermeable cover of soil), which is the artificially sealed area. The Imperviousness Density was produced using automatic derivation based on calibrated Normalized Difference Vegetation Index. You can find the detailed product specifications here.

The Copernicus Corine Land Cover is a land use/land cover vector produced by standard methodology of photo-interpretation of satellite images. The vector is classified in 44 classes divided in 3 hierarchical levels with minimum mapping unit of 25 hectares. In this tutorial we are considering only the first level of Corine Land Cover 2012, divided in these classes:

artificial surfaces
agricultural areas
forests and semi-natural areas
wetlands
water bodies

Refine the classifications with direct editing ¶

You can download the data for this tutorial from this archive , or use your own data (two classification rasters and a land use vector).

For this tutorial, the original Copernicus data were modified by clipping the rasters to a small area over Florence (Italy).

Start QGIS and load the two rasters IMD_2012.tif and IMD_2015.tif that are Copernicus Imperviousness Density for 2012 and 2015 respectively. As you can see, the rasters have values from 0 to 100, representing the degree of imperviousness.

It is useful to refine the classification by photo-interpretation, especially for data produced by semi-automatic processing.

We can use high resolution images or other services such as OpenStreetMap. For example you can follow this tutorial Descargar los Datos to download satellite images, or you can download a subset of a Landsat 8 image, already converted to reflectance, from this link (about 27 MB, data available from the U.S. Geological Survey), unzip the downloaded file, and load the bands in QGIS.

First, we need to define a Band set containing a classification raster (this is required for drawing ROIs).

Open the tab Conjunto de bandas clicking the button in the SCP menú or the SCP dock. Click the button to refresh the layer list, and select the IMD_2012 raster (just this raster is sufficient); then click to add selected raster to the Band set 1.

Band set definition

Optionally, we can create a band set for the satellite image to display a color composite; open the tab Conjunto de bandas and select all the Landsat bands in the list; click to add a new band set, then click to add selected rasters to the Band set 2.

Band set of the Landsat image

In QGIS zoom to an area where we want to correct the classification. In this case we are going to manually remove a few pixels pretending they are classification errors.

We need to manually create a ROI, but first check that the Band set 1 is active. Now click the button in the Barra de Trabajo. Left click on the map to define the ROI vertices and right click to define the last vertex closing the polygon. An orange semi-transparent polygon is displayed over the image, which is a temporary polygon (in this case we don’t need to define the Training input).

Manual ROI polygon

Now open the tool Editar ráster opening the SCP menú and the submenu Postprocessing . Select the Input raster, for instance IMD_2012. According to the legend of Imperviousness Density, in Use constant value enter 100 (we want to correct impervious pixels; in case we would like to correct not impervious pixels we would enter the value 0). The other options are fine. Therefore, click RUN to edit the raster.

Attention: the input raster is directly edited; it is recommended to create a backup copy of the input raster before using this tool in order to prevent data loss.

The raster modified

Of course we could repeat these steps to edit any area of the raster.

TIP : Sometimes changes are not immediately visibile because the raster is not refreshed; try to zoom out and zoom in to refresh the view.

Classification report ¶

It could be interesting to know the area of each land cover class. In order to get the area statistics, open the SCP menú and click the tab Reporte de la clasificación under the submenu Postprocessing .

Click the button to refresh the layer list, and select the IMD_2012 raster in Select the classification ; next click RUN to start the calculation; the output report is saved in a text file and displayed in the tab Output.

Report tool

We can repeat the same steps for the IMD_2015 raster. Over the 86% of the area is not impervious.

The classification report

Reclassification ¶

Before calculating land cover change it is convenient to reclassify the imperviousness degree into two classes: built-up and not built-up. A possible threshold for the distinction between built-up and not built-up is 30% (for further information read this document ). We can reclassify the raster using the SCP tool, obtaining the simple classification 1 = built-up and 0 = not built-up.

Open the tool Reclasificación. In Select the classification select the raster IMD_2012. Click the button twice to add two rows to the table. We need to enter the expressions illustrated in the following table.

Reclassification table

Old value	New value
raster < 30	0
raster >= 30	1

Uncheck the options Use code from Signature list and click RUN to start the reclassification. A new raster will be created (e.g. BU_2012).

Reclassification tool

Now select the IMD_2015 (the reclassification table is the same as before) and click RUN to reclassify the 2015 raster (e.g. BU_2015). Now the two reclassified rasters are loaded in the map and we can assing an appropriate symbology.

Reclassified rasters

Remove isolated pixels ¶

We are going to compute the land cover change, but first we may want to remove isolated pixels in order to improve the analysis. In fact, single pixels may not represent real changes between the two classifications, because of geometrical shifts or isolated classification errors. Of course, this step is not always required, and it should be avoided if the purpose of the analysis is to find also the smallest changes.

We are going to use classification sieve for removing single pixels. Open the tool Filtrado de la Clasificación.

In Size threshold leave 2; all patches smaller the the selected number of pixels (i.e. single pixels) will be replaced by the value of the largest neighbour patch. Of course we could increase this value if we want to remove larger patches.

In Select the classification select the raster BU_2012. The option 4 in Pixel connection determines how pixels are considered connected, that is in a 3x3 window diagonal pixels are not considered connected. If we select the option 8 also diagonal pixels are considered connected.

Tool classification sieve

Now click RUN to create the new raster BU_2012_sieve.

Of course, we should repeat these steps also for raster BU_2015 to create the new raster BU_2015_sieve.

The rasters after removing isolated pixels

Assess land cover change ¶

Now we can use the tool to assess land cover change between the two classifications 2012 and 2015. Open the tool Cambio de cobertura del suelo.

This tool is quite straightforward. Click the button to refresh the layer list. In Select the reference classification select the BU_2012_sieve raster, that is the first classification. In Select the new classification select the BU_2015_sieve raster, that is the latest classification.

Uncheck the option Report unchanged pixels, because we want to report only the pixels where the classification changed between 2012 and 2015. Now click RUN to create the new land cover change raster (e.g. change). Also, a text file is created (i.e. a file .csv separated by tab) containing the land cover change statistics.

Land cover change tool

The values of the land cover change raster represent a combination between reference and new classification, as described in the text file. In this case, only the value 1 is present that is the condition where BU_2012_sieve = 0 and BU_2015_sieve = 1.

Land cover change raster

From the report we ca read that 520 pixels changed from 0 to 1, while no pixel changed from 1 to 0 between years 2012 and 2015.

Land cover change report

Analyze the context of land cover changes ¶

Now, it could be interesting to compare land cover change to other data such as land use, in order to analyze the context of new built-up areas. We are going to cross the land cover changes to the vector of Corine Land Cover; this way we can differentiate the new built-up areas according to Corine Land Cover classification system.

The original Corine Land Cover data were modified by clipping to a small area over Florence (Italy) and adding a field Class_1 filled with the first level of classification.

Load in QGIS the Copernicus Corine Land Cover shapefile CLC_2012.shp previously downloaded. You can see the symbology of the first level Corine Land Cover classes that are:

artificial surfaces
agricultural areas
forests and semi-natural areas
wetlands
water bodies

A subset of Corine Land Cover

Open the tool Clasificación cruzada. Click the button to refresh the layer list. In Select the classification select the change raster, that is our land cover change. Check Use NoData value and set the value 0, in order to exclude unchanged pixels (having value 0 in the change raster) from the analysis.

In Select the reference vector or raster select the vector CLC_2012 and in Vector field select the field Class_1, containing the code of first level classes.

Cross classification tool

Now click RUN to create a new raster of comparison (e.g. change_CLC). The output will report the area of each combination between change code and CLC_2012 code.

From the cross matrix we can evaluate the area in \(m^2\) of built-up changes occurrend in the 5 classes of Corine Land Cover classification.

Cross matrix

		CLC_2012
		1	2	3	4	5
Change	1	157600	48400	2000	0	0

The tool Clasificación cruzada can be very useful also for other analyses that involve the comparison with other data, such as population or flood risk, but this could be the subject of other tutorials.

Assess the spectral signature of changes ¶

An optional step could be the assessment of the spectral signature of changes. We can download satellite images (see Tutorial 1: Tu Primera Clasificación de la Cobertura del Suelo for the details) and calculate spectral signatures for monitoring the changes through time.

We are going to use the Landsat 8 image downloaded at the beginning of this tutorial for calculating the spectral signature of changes. First, we need to create a Training input to store the spectral signatures calculated from the classes. In the SCP dock select the tab Training input and click the button to create the Training input (define a name such as signatures.scp). The path of the file is displayed and a vector is added to QGIS layers with the same name as the Training input (in order to prevent data loss, you should not edit this layer using QGIS functions).

Now open the tool Clase de firma opening the SCP menú and the submenu Postprocessing . In Select the classification select the raster change_CLC, thus we can distinguish the spectral signatures of changes. In Select input band set enter the number of the band set containing the Landsat 8 bands (i.e. 2). Now click RUN to start the calculation.

The tool for extracting spectral signatures from classes

After a while the spectral signatures are loaded in the Training input.

If the changes involved vegetation, we could calculate spectral signatures for images acquired in different seasons and assess the phenological variations of vegetation through spectral signatures. Also, these spectral signatures could be used as training input for further land cover classifications.

In order to display the signature plot, in the ROI Signature list highlight two or more spectral signatures (with click in the table), then click the button . The Gráfico de Firmas Espectrales is displayed in a new window.

The calculated spectral signatures

Export the changes to vector format ¶

This is an optional step that may be useful for further analyses and integration with other data. We are going to convert the change raster to vector.

Open the tool Clasificación a vectorial. In Select the classification select the change_CLC raster and uncheck the Use code from Signature list. Now click RUN to create a new vector (e.g. change_vector).

Raster to vector tool

In the attribute table of this change_vector you can see the field C_ID that represents the code of the change raster as described in Assess land cover change. Of course we could delete the polygons with code 0 (unchanged area), displaying only changes with code 1.

The vector of changes over the Landsat image

Semi-Automatic OS¶

A ser actualizado

El Semi-Automatic OS es una máquina virtual ligera para la clasificación de la cobertura del suelo de imagenes de teledetección. Incluye el Plugin Semi-Automatic Classification (SCP) para QGIS, ya configurado junto con todas las dependencias requeridas.

Semi-Automatic OS desktop

El Semi-Automatic OS está basado en Debian ,y está diseñado para ocupar muy pocos recursos de hardware. Usa LXQT como entorno de escritorio principal. Esta máquina virtual puede ser utilizada para probar el Plugin Semi-Automatic Classification, o cuando la instalación de los programas requeridos en el sistema host es problemática.|br|. El Semi-Automatic OS está disponible como máquina virtual de 64 bit que puede ser ejecutada en el VirtualBox de codigo abierto, o en otro programa de virtualización. Lo siguiente es una guia para la instalación de el Semi-Automatic OS en el programa de codigo abierto de virtualización VirtualBox.

Instalación en VirtualBox¶

Descarga VirtualBox software de código abierto (selecciona la versión adecuada dependiendo de tu SO) e instálalo, al final de la instalación reinicia el sistema;

Descarga el Semi-Automatic OS máquina virtual desde aqui <https://sourceforge.net/projects/semi-automatic-os/files/latest/download>`_ ;

Extraer el contenido de la maquina virtual en un directorio; el archivo esta comprimido en formato 7z(si necesitas, descarga el programa de codigo abierto para la extracción desde http://www.7-zip.org/);

Inicia VirtualBox y crea una nueva máquina virtual Debian;

Haz clic en el botón Nueva;

Escribe un nombre para la máquina virtual (por ejemplo Semi-Automatic OS); elige Linux y Debian (32 o 64 bit) como Tipo y la versión correspondiente; haz clic en Siguiente;

Selecciona el tamaño de memoria; más es mejor, pero este parámetro no debe exceder la mitad de la memoria RAM del sistema anfitrión (por ejemplo si el sistema anfitrión tiene 1GB de RAM, escribe 512 MB); clic en Siguiente;

En la configuración de Disco Duro selecciona Usar un archivo de disco duro virtual existente y selecciona el archivo descargado SemiAutomaticOS.vmdk; clic en Crear;

Inicia el Semi-Automatic OS haciendo clic en el botón Iniciar;

Es recomendable instalar en la máquina virtual las virtualbox-guest-utils, en el Menu > Preferences > Synaptic Package Manager; que permiten una mejor integración del Semi-Automatic OS con el sistema anfitrión, como: cambiar el tamaño de la ventana del sistema, también compartir carpetas.

El Semi-Automatic OS incluye un conjunto de datos de muestra de una imagen Landsat (disponible de el Servicio Geologico de los EE.UU.) esa es la entrada para el primer tutorial básico del manual del usuario.

Semi-Automatic OS es software libre: puedes redistribuirlo y/o modificarlo bajo los términos de la Licencia Pública General de GNU como está publicada por Free Software Foundation, Versión 3.0 de la Licencia. Semi-Automatic OS es distribuido con la esperanza de que sea útil, pero SIN NINGUNA GARANTÍA; incluso sin la implícita garantía de COMERCIALIZACIÓN o ADAPTARLA PARA PROPÓSITOS ESPECÍFICOS. Lee la Licencia Pública General de GNU para mayores detalles. Mira http://www.gnu.org/licenses/.`

Preguntas Frecuentes¶

Si tiene comentarios o preguntas, por favor únase al grupo de Facebook <https://www.facebook.com/groups/SemiAutomaticClassificationPlugin>

Antes de preguntar, por favor revisa el sitio oficial From GIS to Remote Sensing y las siguientes Preguntas Frecuentes.

Instalación del Complemento
- ¿Cómo instalar el complemento manualmente?
- ¿Cómo instalar el complemento desde el repositorio oficial de SCP?
Pre procesamiento
Procesamiento
Advertencias
- Advertencia [12]: La siguiente firma será excluida si se usa Máxima Probabilidad. ¿Por qué?
Errores
Varios

Instalación del Complemento ¶

¿Cómo instalar el complemento manualmente?¶

El SCP puede instalarse manualmente (puede ser útil cuando no esté disponible una conexión a internet o se desea instalar en varias computadoras) siguiendo estos pasos:

Descarga el archivo zip de SCP desde https://github.com/semiautomaticgit/SemiAutomaticClassificationPlugin/archive/master.zip ;
extraer el contenido del archivo (varios archivos como COPYING.txt y carpetas como ui) en una nueva carpeta llamada SemiAutomaticClassificationPlugin (sin el -master);
open the QGIS plugins directory (in Windows usually C:\Users\username\AppData\Roaming\QGIS\QGIS3\profiles\default\python\plugins, in Linux and Mac usually /home/username/.local/share/QGIS/QGIS3/profiles/default/python/plugins) and delete the folder SemiAutomaticClassificationPlugin if present;
copia la carpeta SemiAutomaticClassificationPlugin dentro del directorio plugins de QGIS;
el complemento debería estar instalado; inicia QGIS, abre el Administrador de complementos y asegúrate que está seleccionado Semi-Automatic Classification Plugin.

¿Cómo instalar el complemento desde el repositorio oficial de SCP?¶

Es posible instalar el SCP usando el repositorio oficial. Este repositorio permite la instalación de la última versión del SCP (master), en algunos casos incluso antes de que esté disponible en el repositorio oficial de QGIS. Por esto, puede ser útil si necesitas una corrección o una nueva función que todavía no está disponible en el repositorio de QGIS. Además, la versión ``master``en el repositorio de SCP puede ser instalada junto a la versión disponible en el repositorio de QGIS.

Para configurar el repositorio de SCP sigue estos pasos:

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar complementos;

Clic en Configuración luego clic en el botón Añadir;

Dentro del cuadro Detalles del repositorio ingresa:

Nombre:

SCP

URL:

https://semiautomaticgit.github.io/SemiAutomaticClassificationPlugin/repository.xml

clic en Aceptar;

Después que el repositorio se actualice, el elemento Semi-Automatic Classification Plugin - master estará listado junto con los otros complementos;

Desde el menú Todos, selecciona el Semi-Automatic Classification Plugin - master y da clic en el botón Instalar complemento; la última versión de SCP se activará automáticamente (ignora los errores, reiniciar QGIS es necesario para completar la instalación de SCP); es posible desactivar el otro SCP instalado en el repositorio de QGIS;

Pre procesamiento ¶

¿Qué bandas de la imagen debería utilizar para la clasificación semi-automática?¶

En general, es preferible evitar las bandas del infrarojo térmico. Si está usando Landsat 4, 5 o 7 debería seleccionar las bandas: 1, 2, 3, 4, 5, 7 evitando usar la banda 6 que es la del infrarojo térmico; para Landsat 8 debería elegir las bandas: 2, 3, 4, 5, 6, 7. Generalmente se evita utilizar la banda 1 de Landsat 8 debido a que ésta es muy similar a la banda azul, y es principalmente utilizada para el estudio de aerosoles costeros. Las bandas termales de Landsat también se excluyen de las clasificaciones debido a que sus valores están principalmente relacionados a la temperatura de los objetos.

Para imágenes Sentinel-2 puedes usar las bandas: 2, 3, 4, 5, 6, 7, 8, 8A, 11, 12.

¿Qué bandas Landsat pueden convertirse a reflectancia con el SCP?¶

Todas las imágenes Landsat MSS 1, 2 y 3; TM 4 y 5; ETM 7 y OLI 8 descargadas desde http://earthexplorer.usgs.gov/ y procesadas con el nivel 1 del Sistema de Generación de Producto (LPGS) pueden ser automáticamente convertidas a reflectancia por SCP; los productos generados por LPGS tienen un archivo MTL incluido que es requerido para dicha conversión.

¿Puedo realizar la conversión de imágenes Sentinel-2 descargadas desde la web?¶

Sí, puedes también convertir imágenes descargadas desde la web (de hecho es recomendable hacerlo). Debes mover todas las bandas (archivos .jp2) con el archivo .xml si está presente cuyo nombre contiene MDT_SAFL1C en el mismo directorio. Luego selecciona este directorio en Conversión de Sentinel-2. Las imágenes se convertirán a reflectancia.

¿Cómo son convertidas las imágenes Sentinel-2 que tienen diferente resolución?¶

Durante la conversión a reflectancia los pixeles de las bandas de 20m son separados en 4 pixeles de 10m cuyos valores son los mismos del pixel de 20m original. El propósito de esta operación es permitir el cálculo entre bandas sin cambiar sus valores originales.

¿Se puede aplicar la conversión Landsat y la corrección DOS a bandas recortadas?¶

Sí, se puede recortar las imágenes antes de la conversión a reflectancia, después copiar el archivo MTL (incluido en el conjunto de datos Landsat) dentro del directorio que tiene las bandas recortadas. Si desea aplicar la corrección DOS (la cual es una técnica basada en imagen) deberá convertir las bandas Landsat originales (la imagen completa) y luego recién recortar las bandas resultantes de la conversión (Ej. bandas convertidas a reflectancia).

¿Puedo aplicar la corrección DOS a bandas con borde negro (Ej. con el valor SinDatos)?¶

Si quieres aplicar la corrección DOS a una banda entera que tiene valores SinDatos (borde negro con valor = 0) tienes que marcar la casilla «Usar valor SinDatos» y poner el valor en 0. Es así porque DOS es una técnica basada en imagen y los valores SinDatos deben ser excluidos del cálculo.

¿Cómo quitar la cobertura de nubes a las imágenes?¶

La corrección DOS1 no remueve las nubes de una imagen. Sin embargo, las imágenes Landsat 8 incluyen la banda 9 que identifica las nubes (vea este enlace NASA site). Puede usar esta banda para crear una máscara.

Para otros satélites Landsat, las nubes pueden ser enmascaradas usando el enfoque descrito en el siguiente artículo.

Also, see the following video-tutorial.

Después del pan-sharpening de imágenes Landsat 8 ¿por qué las bandas NIR siguen teniendo 30m de resolución?¶

La banda Landsat 8 pancromática no es adquirida en la región del Infrarrojo Cercano (NIR) (mira Satélites Landsat). Por lo tanto el proceso pan-sharpening puede mejorar la resolución de bandas NIR y SWIR (mira Pan-sharpening), para que parezca tener 30m de resolución. Sin embargo todas las ráster pan-sharpened tienen 15m de resolución que permiten realizar cálculos ráster.

Procesamiento ¶

Obtengo errores en la clasificación. ¿Cómo puedo mejorar la precisión?¶

Muchos materiales tienen firmas espectrales similares (Ej. suelo y construcciones; o bosque y arbustos densos), que pueden causar errores en la clasificación si los ROIs y sus firmas espectrales no son adquiridos correctamente. Para mejorar los resultados, puedes intentar colectar más ROIs sobre esas áreas, de este modo enseñas al algoritmo sobre esas áreas similares; también despliega las firmas espectrales de esas áreas en Gráfico de Firmas Espectrales para analizar sus similitudes. También puedes usar la Umbral de firma para esas firmas y reducir la variabilidad de las mismas (solo los pixeles similares a las firmas de entrada serán clasificados). El Clasificación por Firmas de Cobertura del Suelo es también útil para clasificar materiales específicos que pueden ser espectralmente similares a otros.

¿Es posible usar los mismos datos de entrada para otras imágenes?¶

Sí, es posible si todas las imágenes tienen el mismo número de bandas. Sin embargo, si las imágenes son adquiridas en diferentes meses, los cambios en la cobertura del suelo (especialmente el estado de la vegetación) afectarán la firma espectral (Ej. el mismo pixel tiene diferente firma espectral en diferentes períodos). Los efectos atmosféricos pueden afectar las imágenes de modo diferente. Eso puede reducir la precisión en la clasificación. Por lo tanto, es recomendable siempre colectar ROIs y firmas espectrales para cada imagen.

¿Cual es la diferencia entre clases y macroclases?¶

Por favor mira Clases y Macroclases.

¿Puedo usar el SCP con imágenes de drones o fotografías aéreas?¶

Sí, puedes usarlo si tienen por lo menos 4 bandas. Con menos de 4 bandas, los algoritmos semi-automatic classification son incapaces de clasificar la cobertura del suelo correctamente. Existen métodos alternativos de clasificación, como las clasificaciones orientadas a objetos que no están implementadas en SCP.

¿Por qué solo usar la banda 10 del Landsat 8 en la estimación de la temperatura de la superficie?¶

Muchos métodos han sido desarrollados para estimar la temperatura de la superficie. El método descrito en el tutorial para la estimación de temperatura requiere solo una banda. Por otro lado, USGS recomienda a los usuarios abstenerse de confiar en los datos de la Banda 11 de Landsat 8 en análisis cuantitativos de datos del Sensor Infrarrojo Térmico (mira Changes to Thermal Infrared Sensor (TIRS) data by USGS).

Advertencias ¶

Advertencia [12]: La siguiente firma será excluida si se usa Máxima Probabilidad. ¿Por qué?¶

El ROI es muy pequeño (o demasiado homogéneo) para el Máxima Probabilidad algoritmo porque ese ROI tiene una matriz de covarianza singular. Deberías crear ROIs más grandes o no usar el algoritmo de Máxima Probabilidad en el proceso de clasificación.

Errores ¶

¿Cómo puedo reportar un error?¶

Si encuentra un error con el Semi-Automatic Classification Plugin por favor siga estos pasos para obtener la información necesaria (archivo log):

cierra QGIS si está abierto;
inicia QGIS, abre la pestaña del Complemento Depurar y marca la casilla de verificación Guardar eventos en un archivo log ;

Debug

click the button Test dependencies in the tab Depurar ;
carga los datos en QGIS (o abre un proyecto de QGIS grabado con anterioridad) y repite los pasos que causaron el error en el Complemento;
- si el problema pudiera estar relacionado con los datos de la imagen, por favor usa este conjunto de datos ;
si un mensaje de error aparece (como el de la siguiente imagen), copia todo el contenido del mensaje en un archivo de texto;

Error message

open the tab Depurar and uncheck the checkbox Records events in a log file, then click the button and save the log file (which is a text file containing information about the Plugin processes);
abra el log file y copie todo el contenido del archivo;
join the Facebook group , create a new post and copy the error message and the log file (or attach them).

Problemas con la creación de ráster virtual. ¿Por qué?¶

La creación automática de un ráster virtual después de la conversión a reflectancia de una imagen Landsat, no es requerida para la clasificación. Pueden ocurrir errores si la ruta de destino contiene caracteres especiales (como letras acentuadas) o espacios; intenta renombrar directorios (Ej. cambia «nuevo directorio» por «nuevo_directorio»). Si continúas teniendo el mismo error puedes crear un ráster virtual manualmente.

Error “Plugin is damaged. Python said: ascii”. ¿Por qué?¶

It could be related to a wrong installation. Please, uninstall QGIS and install it again with administrative rights. Then run QGIS and try to install the plugin following the Instalación del Complemento guide.

También puede estar relacionado al nombre de usuario que contiene caracteres especiales. Por favor intenta la instalación creando un nuevo usuario sin caracteres especiales (Ej. «usuario»).

Error [50] “Internet error”. No se puede descargar imágenes Sentinel-2. ¿Por qué?¶

El mensaje de error generalmente incluye alguna información sobre el problema. Primero, verifica el nombre de usuario y la contraseña. Si la creación de la cuenta fue reciente, el proceso puede llevar algunos días hasta que SCP tenga permitida la descarga.

También, podría haber una interrupción del servicio. Para imágenes Sentinel-2 revisa este sitio web https://scihub.copernicus.eu/news/ por mensajes sobre el estado del servicio.

En caso de continuar el mismo error, por favor sigue estos pasos ¿Cómo puedo reportar un error?.

Error al instalar el plugin, posiblemente faltan dependencias. ¿Por qué?¶

El plugin requiere la instalación de librerías GDAL, NumPy, SciPy y Matplotlib, las cuales deberían haber sido parte del instalador de QGIS. Si la instalación del plugin falla, y obtiene un mensaje acerca de posibles dependencias faltantes, usted debería intentar instalar o actualizar QGIS y las dependencias requeridas. Nótese que para evitar este error, las dependencias Python no deberían ser instaladas a través de Anaconda.

Varios ¶

¿Qué puedo hacer con SCP?¶

SCP posibilita la clasificación de la cobertura del suelo en imágenes de sensores remotos mediante Clasificación supervisada. Puedes producir un ráster de cobertura terrestre usando uno de los Algoritmos de clasificación disponibles en SCP. Estos algoritmos requieren firmas espectrales de ROIs como entrada (para las definiciones lee Breve Introducción a la Teledetección) que definen las clases de cobertura terrestre que serán identificadas en la imagen.

Imagen multiespectral procesada para producir una clasificación de la cobertura del suelo

(Imagen Landsat proporcionada por USGS)

SCP puede trabajar con imágenes multiespectrales adquiridas por satélites, aeroplanos, o drones. También SCP permite la búsqueda y descarga de imágenes gratis (mira Descargar productos). No puedes usar con SCP, ortofotos con menos de 4 bandas, datos SAR y LIDAR.

Imagen de entrada en SCP se denomina Conjunto de bandas, la cual es usada como entrada para la clasificación. SCP dispone de varias herramientas para el Preprocesamiento de imágenes descargadas, como la conversión a reflectancia y la manipulación de bandas.

Resultados de la clasificación pueden ser evaluados con las herramientas Exactitud y Reporte de la clasificación. Los rásters también pueden ser manipulados usando herramientas de Postprocesamiento como Clasificación a vectorial, Reclasificación, Editar ráster directamente, Filtrado de la Clasificación, Erosión de la clasificación, y Dilatación de la Clasificación.

El Gráfico de Firmas Espectrales y el Gráfico de Dispersión permiten el análisis de firmas espectrales y ROIs. También varias Herramientas Básicas están disponibles para la creación fácil de un ROI y edición de firmas espectrales.

Calculadora Ráster está disponible a través de la perfecta integración de Calculadora de Bandas con las bandas de Conjunto de bandas, calculando expresiones matemáticas e índices espectrales. También se puede calcular un ráster de salida basados en Reglas de decisión.

La herramienta En Lotes permite la ejecución automática de varias funciones de SCP usando una interfaz de script.

Ver los Tutoriales Básicos para más información y ejemplos.

Cómo contribuir a SCP ¶

Puedes contribuir con SCP corrigiendo o agregando funcionalidades (mira ¿Dónde está el código fuente de SCP?), o traduciendo el manual de usuario (mira ¿Cómo puedo traducir este manual del usuario a otro lenguaje?).

Además. usted puede donar a este proyecto en el siguiente enlace: https://fromgistors.blogspot.com/p/donations.html .

Recursos gratis y valiosos sobre teledetección y SIG ¶

Los siguientes enlaces son recursos valiosos:

The Landsat 8 Data Users Handbook by USGS;

The Landsat 7 Science Data Users Handbook by NASA;

Webinar: Fundamentals of Remote Sensing by NASA.

Webinar: NASA Remote Sensing for Land Management by NASA.

Webinar: Creating and Using Normalized Difference Vegetation Index (NDVI) from Satellite Imagery by NASA.

Webinar: Remote Sensing of Forest Cover and Change Assessment for Carbon Monitoring by NASA.

Webinar: Introduction to Remote Sensing for Conservation Management by NASA.

¿Cómo puedo traducir este manual del usuario a otro lenguaje?¶

Es posible traducir fácilmente el Manual del Usuario a cualquier idioma, debido a que está escrito en lenguaje reestructurado de marcas (usando Sphinx). Sin embargo tu contribución es fundamental para la traducción del manual a tu lenguaje. Las siguientes guías ilustran los pasos principales para la traducción. La cual puede efectuarse:

usando el servicio en línea gratuito Transifex;
usando los archivos gettext.po.

Antes de traducir, por favor lee este documento <http://docs.qgis.org/testing/en/docs/documentation_guidelines/do_translations.html#translate-a-manual>`_ de la guía de traducción de QGIS, la cual te ayudará a comprender reStructuredText.

Método 1. Traducción usando el servicio en línea gratuito Transifex

Esta probablemente es la forma más fácil de traducir el manual usando un servicio en línea.

únete al proyecto del Manual de Semi-automatic Classification

Ve a la página https://www.transifex.com/semi-automatic-classification/semi-automatic-classification-plugin-manual . Haz clic en el botón Help translate. Puedes suscribirte usando tus cuentas de Google o Facebook, o registrando una nueva cuenta gratuita.
Selecciona tu idioma

Selecciona tu idioma y haz clic en el botón Join team. Si tu idioma no está en el listado, clic en el botón Request language.
Traducción

Existen varios archivos para traducir, los cuales se refieren a las secciones de la documentación de SCP. Para traducir la interfaz de SCP, debes seleccionar el archivo semiautomaticclassificationplugin.ts .

Método 2. Traducir usando los archivos gettext.po

Para elegir usar este método, deberías estar familiarizado con GitHub. Este método de traducción permite la traducción de los archivos PO en modo local.

Descargar los archivos de traducción

Ve hasta el proyecto GitHub https://github.com/semiautomaticgit/SemiAutomaticClassificationManual_v4/tree/master/locale y descarga los archivos .po para tu lenguaje (puedes añadir tu lenguaje si no está listado), o puedes bifurcar el repositorio. Cada archivo .po es un archivo de texto que se refiere a una sección del Manual del Usuario.
Edita los archivos de traducción

Ahora puedes editar los archivos .po. Es conveniente editar estos archivos usando uno de los siguientes programas: por ejemplo Poedit para Windows y Mac OS X, o Gtranslator para Linux o OmegaT (basado en Java) para Windows, Linux y Mac OS X.

¿Dónde está el código fuente de SCP?¶

Puedes encontrar el código fuente de SPC en el siguiente enlace https://github.com/semiautomaticgit/SemiAutomaticClassificationPlugin

How to install QGIS using OSGeo4W?¶

Para instalar QGIS, primero descargue el instalador OSGeo4W x86 <http://download.osgeo.org/osgeo4w/osgeo4w-setup-x86.exe> ó el instalador OSGeo4W x64 <http://download.osgeo.org/osgeo4w/osgeo4w-setup-x86_64.exe>, de acuerdo a su sistmea operativo.

Luego inicie el instalador y selecciones «instalación avanzada».

Tilde la opción «Instalar desde Internet» y click en «Siguiente».

Select the installation directory and click Next.

Select the local package directory and click Next.

Select Direct connection (or select an internet connection option) and click Next.

Select the first download site and click Next.

In the package list select qgis-dev (in category Desktop) until QGIS3 is released.

In the package list select python3-matplotlib (in category Libs).

In the package list select python3-numpy (in category Libs).

In the package list select python3-scipy (in category Libs) and click Next.

Click Next to install also other dependencies.

After the download, QGIS should be installed with all the required dependencies for SCP.

Documentación del Semi-Automatic Classification Plugin¶

Introducción¶

Instalación del Complemento¶

Instalación en Windows 32 bit¶

QGIS descarga e instalación¶

Instalación del complemento Semi-Automatic Classification Plugin¶

Configuración del complemento¶

Instalación en Windows 64 bit¶

QGIS descarga e instalación¶

Instalación del complemento Semi-Automatic Classification Plugin¶

Configuración del complemento¶

Instalación en Ubuntu Linux¶

QGIS descarga e instalación¶

Instalación del complemento Semi-Automatic Classification Plugin¶

Configuración del complemento¶

Instalación en Debian Linux¶

QGIS descarga e instalación¶

Instalación del complemento Semi-Automatic Classification Plugin¶

Configuración del complemento¶

Instalación en Mac OS¶

QGIS descarga e instalación¶

Instalación del complemento Semi-Automatic Classification Plugin¶

Configuración del complemento¶

La Interfaz de SCP¶

SCP menú¶

SCP dock¶

Barra de Trabajo¶

Ventana principal de la interfaz¶

Lista RGB¶

RGB Automático¶

Peso de banda¶

Peso automático¶

Crear puntos aleatorios¶

Coordenadas de punto y definición de ROI¶

Ejecutar¶

Importar archivo de librería¶

Importar archivo shape¶

Descarga Librería Espectral de USGS¶

Umbral de firma¶

Umbrales automáticos¶

Umbral de Cobertura del Suelo - LC Signature¶

Umbrales automáticos¶

Iniciar sesión https://ers.cr.usgs.gov¶

Acceso https://urs.earthdata.nasa.gov¶

Acceso a Sentinel¶

Parámetros de búsqueda¶

Lista de productos¶

Descargar¶

Conversión a reflectancia TOA y a temperatura de brillo de imágenes Landsat¶

Metadatos¶

Ejecutar¶

Conversión de Sentinel-2¶

Metadatos¶

Ejecutar¶

Conversión Sentinel-3¶

Metadatos¶

Ejecutar¶

Conversión de ASTER¶

Metadatos¶

Ejecutar¶

Conversión de MODIS¶

Metadatos¶

Ejecutar¶

Ejecutar¶

Lista de Rásters¶

Coordenadas de corte¶

Ejecutar¶

Ráster de entrada¶

Ejecutar¶

Lista de Rásters¶

Ejecutar¶

Mosaico de conjuntos de bandas¶

Ejecutar¶

Conjunto de máscara de banda¶

Ejecutar¶

Combinación de valores de banda.¶

Ejecutar¶

Análisis de Componentes Principales de un Conjunto de bandas¶

Ejecutar¶

Agrupación de conjunto de bandas¶

Iniciar sesión https://ers.cr.usgs.gov ¶

Acceso https://urs.earthdata.nasa.gov ¶