Revista de Teledetección (Jul 2021)

Evaluación de parámetros de segmentación en OBIA para la clasificación de coberturas del suelo a partir de imágenes VANT

  • Susana I. Hinojosa-Espinoza,
  • José L. Gallardo-Salazar,
  • Félix J. C. Hinojosa-Espinoza,
  • Anulfo Meléndez-Soto

DOI
https://doi.org/10.4995/raet.2021.14782
Journal volume & issue
Vol. 0, no. 58
pp. 89 – 103

Abstract

Read online

Los Vehículos Aéreos No Tripulados (VANT) han otorgado un nuevo auge a la teledetección y a las técnicas d clasificación de imágenes debido al alto nivel de detalle entre otros factores. El análisis de imágenes basado en objetos (OBIA) puede mejorar la precisión en la clasificación a diferencia de la basada en píxeles, especialmente en imágenes de alta resolución. La aplicación de OBIA para la clasificación de imágenes consta de tres etapas i.e., segmentación, definición de clases y polígonos de entrenamiento y clasificación. No obstante, en la etapa de segmentación es necesario definir los parámetros: radio espacial (RE), radio de rango (RR) y tamaño mínimo de la región (TMR). Los cuales, pese a su relevancia, suelen ser ajustados de manera visual, lo que conlleva a una interpretación subjetiva. Por lo anterior, es de suma importancia generar conocimiento enfocado a evaluar las combinaciones de estos parámetros. Este estudio describe el uso del algoritmo de segmentación de desplazamiento medio, seguido del clasificador Random Forest mediante el software Orfeo Toolbox. Se consideró un ortomosaico multiespectral derivado de VANT para generar un mapa de cobertura de suelo sub-urbano en la localidad El Pueblito, Durango, México. El objetivo principal fue evaluar la eficiencia y calidad de segmentación de nueve combinaciones de parámetros anteriormente reportadas en estudios científicos. Ello en términos de número de polígonos generados, tiempo de procesamiento, medidas de discrepancia de segmentación y métricas de precisión de la clasificación. Los resultados obtenidos lograron evidenciar la importancia de ajustar los parámetros de entrada en los algoritmos de segmentación. La mejor combinación fue RE=5, RR=7 y TMR=250, con un índice de Kappa de 0,90 y el menor tiempo de procesamiento. Por otro lado, el RR presentó un grado de asociación fuerte e inversamente proporcional con las métricas de precisión de clasificación.

Keywords