9788469263167

MEN SALIR
Edita: Universidad de Extremadura

Servicio de Publicaciones
Caldereros 2. Planta 3
Cceres 10071
Correo e.: publicac@unex.es
http://www.unex.es/publicaciones
MEN SALIR

Departamento de Expresin Grfica

Escuela Universitaria Politcnica

UNVERSIDAD DE EXTREMADURA
CLASIFICACIN DE IMGENES MULTIESPECTRALES
ASTER MEDIANTE FUNCIONES ADAPTATIVAS
Memoria que presenta
Elia Mara Quirs Rosado
Para optar al grado de Doctora por la Universidad de Extremadura
DIRECTORES DE TESIS
ngel Manuel Felicsimo Prez
Aurora Cuartero Sez
Cceres, enero de 2009
MEN SALIR
MEN SALIR
Los doctores Don ngel Manuel Felicsimo Prez, y Doa Aurora Cuartero Sez, informan
que:
La memoria titulada Clasificacin de imgenes multiespectrales ASTER me-
diante funciones adaptativas, que presenta Elia Mara Quirs Rosado, Ingeniera en
Geodesia y Cartografa, para optar al grado de Doctora, ha sido realizada en el De-
partamento de Expresin Grfica de la Universidad de Extremadura, bajo nuestra
direccin y reuniendo todas las condiciones exigidas a los trabajos de tesis doctoral.
Cceres, Enero de 2009.
Fdo: ngel Manuel Felicsimo Prez Fdo: Aurora Cuartero Sez
MEN SALIR
MEN SALIR
Veo la Tierra, es tan hermosa!
1961 Yuri Gagarin
AGRADECIMIENTOS
Aqu finaliza un largo camino que realmente ha merecido la pena recorrer. Empez hace
cuatro aos, tras una llamada que me rescat de debajo de un puente. Durante este tiem-
po han pasado muchas cosas buenas y otras no tanto, pero lo mejor de todo es que ha
habido mucha gente que me ha ayudado, y a todos ellos van dirigidas estas lneas.
Esta tesis se ha podido realizar gracias al esfuerzo de muchas personas. En primer lugar,
quiero agradecer a mis directores, ngel M. Felicsimo y Aurora Cuartero, por su confianza,
su atencin y su apoyo personal.
Quiero agradecer a Alicia Antoln el haber estado siempre ah a mi lado, ayudndome en
cuanto ha estado en su mano, animndome en mis agobios y aguantando mis charlas.
Muchas gracias a Mar Pozo, no s qu hubiera hecho sin su carn de biblioteca.
Gracias a los informticos de la Escuela Politcnica, por ayudarme en mi lucha con los orde-
nadores.
En fin, gracias a todos mis compaeros.
Igualmente quiero agradecer a Cristina Ferrer, de la Consejera de Medio Ambiente de Junta
de Extremadura, su ayuda desinteresada que me hizo ms llevaderas las categoras del Mapa
Forestal de Extremadura.
En el plano personal la ayuda que he recibido ha sido cuantiosa.
Gracias ngel, por haberme dado la oportunidad de trabajar en lo que realmente me apa-
siona. Tu llamada y tu confianza en m fueron determinantes para que decidiera hacer esta
tesis.
Debo darles las gracias a mi hermana Julia y a mi madre, por ayudarme en las tareas doms-
ticas a pesar de que ellas tampoco lo hayan tenido nada fcil.
Gracias a Tirso por ayudarme con los nios, apoyarme y animarme en los peores momentos.
Gracias tambin, por revisarme punto por punto y coma por coma, a pesar de que la lectura
le resultara un poco ardua.
Gracias a todos, no s que hubiera hecho sin vosotros.
No solo tengo cosas que agradecer, tambin debo pedir disculpas. Disculpas a mis hijos,
Montaa y Tirso, por no haberles atendido como merecen. Espero que algn da, cuando
vean este trabajo, sepan comprender por qu su madre pasaba tanto tiempo delante del
ordenador y de vez en cuando perda los nervios sin motivo aparente.
MEN SALIR
MEN SALIR
A mi padre
MEN SALIR
MEN SALIR
Clasificacin de Imgenes Multiespectrales ASTER mediante Funciones Adaptativas
NDICE DE CONTENIDOS
Captulo 1 Introduccin 1
1.1 La teledeteccin 1
1.1.1 Conceptos 2
1.1.2 Imgenes multiespectrales 3
1.1.3 Proceso de eleccin de datos en teledeteccin 8
1.2 Conceptos estadsticos 9
1.2.1 Introduccin 9
1.2.2 Estadsticos y parmetros 10
1.3 La clasificacin 15
1.3.1 Introduccin 15
1.3.2 Objetivos de las operaciones de clasificacin 17
1.3.3 Definicin estadstica de clasificacin 17
1.3.3.1 Mtodos estadsticos de clasificacin supervisada 18
1.3.3.1.1 Funciones discriminantes 18
1.3.3.1.2 Teorema de Bayes 19
1.3.3.1.3 Funciones discriminantes basadas en la teora estadstica de la decisin 20
1.3.3.1.4 Muestras de entrenamiento 21
1.3.4 Antecedentes, mtodos de clasificacin 23
1.3.4.1 Clasificacin paramtrica 23
1.3.4.1.1 Distribucin normal multivariante 24
1.3.4.1.2 Mtodos paramtricos de clasificacin 26
1.3.4.1.2.1 Mtodo de mxima verosimilitud o mxima probabilidad 26
1.3.4.1.2.2 Mtodo de mnima distancia eucldea 28
1.3.4.1.2.3 Mtodo de la distancia de Mahalanobis 30
1.3.4.2 Clasificacin no paramtrica 31
1.3.4.2.1 Mtodo del vecino ms prximo 31
1.3.4.2.2 Mtodo de rboles de decisin 34
1.3.4.2.3 Redes neuronales 37
1.3.4.2.4 Mtodo del paraleleppedo 41
1.3.4.2.5 Mtodo del ngulo espectral 42
1.3.5 Proceso de eleccin del mtodo de clasificacin 43
1.4 Definicin del problema 44
Captulo 2 Objetivos del trabajo 45
2.1 Objetivo general 45
2.2 Objetivos especficos 45
Captulo 3 Zona de estudio y material 47
3.1 Zona de estudio 47
3.2 El Sensor ASTER 51
3.2.1 Caractersticas generales de las imgenes ASTER 53
3.2.2 Imagen utilizada 54
3.3 El mapa de vegetacin 58
3.4 Categoras de vegetacin 59
3.4.1 Definicin y caractersticas 62
i
MEN SALIR
3.5 Las aplicaciones informticas 71
Captulo 4 Mtodos 75
4.1 reas de entrenamiento 75
4.1.1 Operaciones previas 75
4.1.2 Designacin de las reas de entrenamiento 77
4.1.3 Primer estudio de separabilidad 80
4.2 Clasificacin: mtodo MARS 82
4.2.1 Fundamentos 83
4.2.2 Clasificacin pairwise 86
4.2.2.1 Segundo estudio de separabilidad 88
4.2.2.1.1 Regresin logstica binaria 89
4.2.2.1.2 Separabilidad con SPSS 90
4.2.2.1.3 La curva ROC y estadstico AUC 92
4.2.3 Entrenamiento con MARS 95
4.2.3.1 La matriz de separabilidad 97
4.2.4 Aplicacin de los modelos a la totalidad de la imagen 97
4.2.4.1 Clculo del punto ptimo de corte 99
4.2.4.2 Obtencin de grids binarios 101
4.2.4.3 Fusin de todos los modelos de cada clase 102
4.2.5 Obtencin del mapa final de clasificacin 102
4.3 Mtodo de mxima verosimilitud 104
4.3.1 Obtencin del mapa de clasificacin 104
4.3.2 Obtencin de grids de probabilidades por clase 104
4.4 Mtodo del paraleleppedo 107
4.4.2 Obtencin de grids de probabilidad de cada clase 107
4.5 Control del error. Comparacin de mtodos 108
4.5.1 reas bajo la curva de los grids de probabilidad 108
4.5.2 Matriz de confusin 110
Captulo 5 Resultados 113
5.1 Resultados de las reas de entrenamiento 113
5.1.1 Resultados de las operaciones previas 113
5.1.2 Ficheros de reas de entrenamiento 114
5.1.3 Resultados del primer estudio de separabilidad 115
5.2 Mtodo MARS 117
5.2.1 Ficheros generados para la clasificacin pairwise 117
5.2.2 Separabilidad con SPSS 118
5.2.2.1 Ficheros de regresin logstica 118
5.2.2.2 reas bajo la curva ROC de la RLB 120
5.2.3 Entrenamiento con el clasificador MARS 121
5.2.3.1 Funciones bsicas 121
5.2.3.2 Puntuaciones estimadas con los modelos MARS 122
5.2.3.3 reas bajo la curva ROC de los modelos MARS. 123
5.2.4 Aplicacin de los modelos a la totalidad de la imagen 125
5.2.4.1 Archivos AML 125
5.2.4.2 Grids de puntuacin para las combinaciones de clases 126
ii
MEN SALIR
ndice de Contenidos
5.2.4.3 Obtencin del punto ptimo de corte 128
5.2.4.4 Obtencin grids binarios 131
5.2.4.5 Fusin de modelos. Grid de probabilidad por clase 132
5.2.5 Obtencin del mapa final de clasificacin 133
5.3 Mtodo de mxima verosimilitud 135
5.3.2 Grids de probabilidades por clase 136
5.3.3 Comparacin de mapas de clasificacin 139
5.4 Mtodo del paraleleppedo 141
5.4.2 Grids de probabilidades por clase 142
5.5 Comparacin de mtodos con AUC 144
5.6 Comparacin de mtodos mediante la matriz de confusin 145
Captulo 6 Discusin 151
Captulo 7 Conclusiones 155
Captulo 8 Lneas de trabajo futuras 157
Captulo 9 Acrnimos y siglas 159
Captulo 10 Bibliografa 161
Captulo 11 Apndices 174
11.1 Aplicacin fposi_fnega_general.sps 174
11.2 Aplicacin fposi_fnega_2-3.sps 176
11.8 Macro EXCEL grfico corte 188

E. Quirs Rosado iii
MEN SALIR
iv
MEN SALIR
NDICE DE FIGURAS
FIGURA 1: REGIONES DEL ESPECTRO ELECTROMAGNTICO. .............................................................................................4
FIGURA 2: TAXONOMA DE LOS MTODOS DE CLASIFICACIN EN TELEDETECCIN.............................................................16
FIGURA 3: FUNCIONES DE DENSIDAD DE LA DISTRIBUCIN NORMAL MULTIVARIANTE. FUENTE: PINILLA (1995), DUDA ET
AL.(2000) .....................................................................................................................................................24
FIGURA 4: DISTRIBUCIN BIDIMENSIONAL DE PROBABILIDAD DE PERTENENCIA A CLASES....................................................25
FIGURA 5: POSIBLES CASOS EN LAS FUNCIONES DISCRIMINANTES PARA LA FC DE DENSIDAD NORMAL. FUENTE: DUDA ET AL.
(2000) .........................................................................................................................................................28
FIGURA 6: FRONTERAS DE DECISIN EN LOS CLASIFICADORES CUADRTICOS. ..................................................................28
FIGURA 7: CLASIFICADOR DE MNIMA DISTANCIA EUCLDEA. ..........................................................................................29
FIGURA 8: HIPERPLANO LINEAL DE SEPARACIN ENTRE REGIONES. FUENTE: DUDA ET AL. (2000).......................................29
FIGURA 9: CLASIFICADOR DE MNIMA DISTANCIA DE MAHALANOBIS................................................................................30
FIGURA 10: CLASIFICACIN 1-NN Y REGIONES DE VORONOI ASOCIADAS. .......................................................................32
FIGURA 11: CLASIFICACIN 3-NN PARA DOS CLASES. ..................................................................................................32
FIGURA 12: CLASIFICADOR DE RBOL BINARIO. FUENTE: CORTIJO BON (1995). ...............................................................34
FIGURA 13: PARTICIONES ORTOGONAL Y OBLICUA EN RBOLES DE DECISIN. FUENTE: DUDA ET AL. (2000). .......................35
FIGURA 14: ESQUEMA DE PARTICIN EN UN RBOL DE CLASIFICACIN. FUENTE: CORTIJO BON (1995)................................35
FIGURA 15: ORGANIZACIN DEL MODELO DE PERCEPTRN MULTICAPA. FUENTE: SCHOWENGERDT (2007)..........................38
FIGURA 16: ALGORITMO DE CLASIFICACIN DEL PARALELEPPEDO EN UN ESPACIO TRIDIMENSIONAL....................................41
FIGURA 17: NGULO ESPECTRAL Y DISTANCIA ESPECTRAL EN EL ESPACIO BIDIMENSIONAL. FUENTE: SOHN ET AL. (1999). .....43
FIGURA 18: LOCALIZACIN GEOGRFICA DE LA IMAGEN. ..............................................................................................47
FIGURA 19: EXTREMADURA, OCUPACIN DEL SUELO EN AO 2000. FUENTE: OBSERVATORIO DE LA SOSTENIBILIDAD (2006).48
FIGURA 20: DISTRIBUCIN DE CLASES DE COBERTURAS DEL SUELO EN EXTREMADURA. FUENTE: OBSERVATORIO DE LA
SOSTENIBILIDAD (2006). .................................................................................................................................49
FIGURA 21: ZONAS DE VEGETACIN DE LA IMAGEN DE SATLITE. ...................................................................................50
FIGURA 22: POBLACIONES MS DESTACABLES DE LA IMAGEN. .......................................................................................51
FIGURA 23: COMPARACIN DE LA SUPERPOSICIN DEL MAPA FORESTAL EN LA IMAGEN L1B ORIGINAL Y LA IMAGEN L1B
GEORREFERENCIADA. ......................................................................................................................................56
FIGURA 24: EJEMPLO DE REMUESTREO DE LAS BANDAS TIR. .........................................................................................56
FIGURA 25: DISTRIBUCIN DE PUNTOS DE APOYO EN LA IMAGEN....................................................................................57
FIGURA 26: MAPA FORESTAL DE ESPAA. VERSIN SINTETIZADA POR LA JUNTA DE EXTREMADURA. AO 2001....................58
FIGURA 27: REPRESENTACIN DE FORMACIONES FORESTALES EN EXTREMADURA. FUENTE: JUNTA DE EXTREMADURA (2003).59
FIGURA 28: FORMATO DE LA BASE DE DATOS ASOCIADA AL MAPA FORESTAL EN FORMATO VECTORIAL. ................................60
FIGURA 30: EUCALIPTUS CAMALDULENSIS ..................................................................................................................63
FIGURA 31: EUCALIPTUS GLOBULUS...........................................................................................................................63
FIGURA 32: QUERCUS SUBER....................................................................................................................................64
FIGURA 33: QUERCUS ROTUNDIFOLIA ........................................................................................................................64
FIGURA 34: PINUS PINASTER.....................................................................................................................................65
FIGURA 35: PINUS PINEA..........................................................................................................................................65
FIGURA 36: GALERA ARBREA MIXTA ........................................................................................................................66
FIGURA 37: MATORRAL MIXTO SILICCOLA ..................................................................................................................66
FIGURA 38: RETAMA SPHAEROCAPA...........................................................................................................................67
FIGURA 39: CISTUS LADANIFER .................................................................................................................................67
FIGURA 40: LAVNDULA STOECHAS...........................................................................................................................68
FIGURA 41: MANCHA DEGRADADA ............................................................................................................................68
FIGURA 42: MANCHA DENSA....................................................................................................................................69
FIGURA 43: PASTIZAL ESTACIONAL DENSO..................................................................................................................69
FIGURA 44: CANCHALES, PEDREGALES.......................................................................................................................70
FIGURA 45: DESIERTO ROCOSO.................................................................................................................................70
FIGURA 46: AGUA...................................................................................................................................................70
FIGURA 47: FLUJO DE TRABAJO DE TRABAJO CON INDICACIN DE LA INTERVENCIN DE CADA APLICACIN INFORMTICA.........74
FIGURA 48: SECUENCIA DE OPERACIONES REALIZADAS PARA LA OBTENCIN DE LOS BUFFERS. ...........................................77
v
MEN SALIR
vi
FIGURA 49: DISPOSICIN DE LAS REAS DE ENTRENAMIENTO. ...................................................................................... 79
FIGURA 50: DISTANCIA JMEN FUNCIN DE LA SEPARACIN ENTRE LAS MEDIAS DE LAS CLASES. FUENTE:RICHARDS & JIA
(2006). ........................................................................................................................................................ 81
FIGURA 51: EXACTITUD DE CLASIFICACIN EN FUNCIN DE LA DT. FUENTE: RICHARDS & JIA (2006).................................. 82
FIGURA 52: FUNCIONES TRUNCADAS O SPLINES. FUENTE: HASTIE ET AL. (2001). ............................................................ 84
FIGURA 53: PROCESO DE CONSTRUCCIN DE UN MODELO MARS. FUENTE: HASTIE ET AL. (2001). ................................... 85
FIGURA 54: DISTRIBUCIN DE PXELES ALEATORIOS EN LAS MUESTRAS DE ENTRENAMIENTO PARA MARS. .......................... 88
FIGURA 55: FUNCIN LOGSTICA BINARIA. FUENTE: ABRAIRA & PREZ DE VARGAS (1996). ............................................... 90
FIGURA 56: EJEMPLO DE CURVA ROC........................................................................................................................ 93
FIGURA 57: VARIACIN DEL PUNTO DE CORTE EN EL MODELO BINORMAL DE LA CURVA ROC. ............................................ 94
FIGURA 58: LOCALIZACIONES DE PRESENCIAS Y AUSENCIAS DE LA CLASE 999 SOBRE GRID DE PROBABILIDAD. ................... 109
FIGURA 59: FORMATO GENERAL DE UNA MATRIZ DE CONFUSIN. ................................................................................ 110
FIGURA 60: DESPLAZAMIENTO PARALELO HACIA EL INTERIOR REALIZADO A LOS POLGONOS ORIGINALES DEL MFE. ........... 114
FIGURA 61: FORMATO DEL FICHERO DE EXPORTACIN ASCII DE LAS REAS DE ENTRENAMIENTO. ................................... 114
FIGURA 62: GRID DE PUNTUACIN DE LA COMBINACIN DE CLASES 999-309............................................................... 126
FIGURA 63: DISTRIBUCIN DE VALORES DE PUNTUACIN DE LA COMBINACIN DE CLASES 999-309................................. 127
FIGURA 64: HISTOGRAMAS DE FRECUENCIAS DE FALSOS POSITIVOS Y FALSOS NEGATIVOS. .............................................. 129
FIGURA 65: OBTENCIN DEL PUNTO PTIMO DE CORTE. ............................................................................................ 130
FIGURA 66: GRID BINARIO DE LA COMBINACIN DE CLASES 999-309 .......................................................................... 131
FIGURA 67: GRID DE PROBABILIDAD DE PERTENENCIA A LA CLASE 999. ........................................................................ 132
FIGURA 68: MAPA FINAL CLASIFICACIN CON MARS................................................................................................. 133
FIGURA 69: MAPA DE CLASIFICACIN POR MXIMA VEROSIMILITUD. ............................................................................. 135
FIGURA 70: RULE IMAGE PARA LA MAXIMA VEROSIMILITUD DE LA CLASE 999................................................................. 137
FIGURA 71: HISTOGRAMA DE LA RULE IMAGE DE LA CLASE 999. ................................................................................. 137
FIGURA 72: GRID PROBABILIDAD PARA LA MXIMA VEROSIMILITUD DE LA CLASE 999. ..................................................... 138
FIGURA 73: HISTOGRAMA DE LA GRID DE PROBABILIDAD DE LA CLASE 999. .................................................................. 139
FIGURA 74: MAPA DE DIFERENCIAS ENTRE CLASIFICACIN ENVI Y CLASIFICACIN ALTERNATIVA DE MXIMA VEROSIMILITUD.140
FIGURA 75: MAPA DE CLASIFICACIN POR PARALELEPPEDO. ...................................................................................... 141
FIGURA 76: GRID DE PROBABILIDAD DE PERTENENCIA A LA CLASE 999 SEGN PARALELEPPEDOS..................................... 143
MEN SALIR
NDICE DE ECUACIONES
EC. 1: ECUACIN DE UNA IMAGEN MONOCROMTICA. .............................................................................................................. 6
EC. 2: ECUACIN DE UNA IMAGEN DIGITAL MONOESPECTRAL. ................................................................................................... 6
EC. 3: ECUACIN DE UNA IMAGEN DIGITAL MULTIESPECTRAL. .................................................................................................... 6
EC. 4: ECUACIN POLINMICA 2D PARA CORRECCIN GEOMTRICA. .......................................................................................... 7
EC. 5: ECUACIN POLINMICA 3D PARA CORRECCIN GEOMTRICA. .......................................................................................... 7
EC. 6: ECUACIN RACIONAL 3D PARA CORRECCIN GEOMTRICA. ............................................................................................. 7
EC. 7: ESPERANZA O VALOR ESPERADO. ............................................................................................................................... 10
EC. 8: VARIANZA POBLACIONAL. .......................................................................................................................................... 10
EC. 9: FUNCIN DE DENSIDAD DE LA DISTRIBUCIN NORMAL. .................................................................................................. 11
EC. 10: MEDIA MUESTRAL. ................................................................................................................................................. 11
EC. 11: VARIANZA MUESTRAL.............................................................................................................................................. 11
EC. 12: DESVIACIN ESTNDAR MUESTRAL. .......................................................................................................................... 11
EC. 13: ERROR ESTNDAR. ................................................................................................................................................. 11
EC. 14: SESGO MUESTRAL. ................................................................................................................................................. 12
EC. 15: COVARIANZA ENTRE VARIABLES. ............................................................................................................................... 12
EC. 16: CORRELACIN ENTRE VARIABLES. ............................................................................................................................. 12
EC. 17: PROBABILIDAD DE PERTENENCIA DE UN PXEL A UN INTERVALO. .................................................................................... 13
EC. 18: PROBABILIDAD DE PERTENENCIA DE N OBSERVACIONES A UN INTERVALO. ....................................................................... 13
EC. 19: VEROSIMILITUD...................................................................................................................................................... 13
EC. 20: EXPONENCIAL DE LA VEROSIMILITUD......................................................................................................................... 13
EC. 21: VEROSIMILITUD PARA PASO I+1. .............................................................................................................................. 13
EC. 22: INVERSA DE LA SEGUNDA DERIVADA DE LA VEROSIMILITUD. .......................................................................................... 13
EC. 23: VECTOR CON NMERO DE ELEMENTOS IGUAL A LA DERIVADA DE LOS PARMETROS EN LA ITERACIN ISIMA. ...................... 14
EC. 24: ORDENADA DE LA RECTA DE REGRESIN. .................................................................................................................. 14
EC. 25: PENDIENTE DE LA RECTA DE REGRESIN.................................................................................................................... 14
EC. 26: RESIDUOS ENTRE LAS OBSERVACIONES DE LA VARIABLE Y SUS ESTIMACIONES. ................................................................ 14
EC. 27: VARIANZA DEL ERROR DE LA ESTIMACIN EN FORMA MATRICIAL. ................................................................................... 15
EC. 28: VARIANZA DEL ERROR DE LA PREDICCIN EN FORMA MATRICIAL. ................................................................................... 15
EC. 29: OBSERVACIN EN TELEDETECCIN. .......................................................................................................................... 18
EC. 30: ESPACIO DE OBSERVACIONES EN TELEDETECCIN....................................................................................................... 18
EC. 31: CONJUNTO DE CLASES INFORMACIONALES................................................................................................................. 18
EC. 32: CONJUNTO DE CLASES INFORMACIONALES EXTENDIDO. ............................................................................................... 18
EC. 33: REGLA DE DECISIN BASADA EN FUNCIONES DISCRIMINANTES. ..................................................................................... 19
EC. 34: TEOREMA DE BAYES. .............................................................................................................................................. 19
EC. 35: TEOREMA DE BAYES APLICADO A CLASIFICACIN. ....................................................................................................... 19
EC. 36: PROBABILIDAD A POSTERIORI SEGN BAYES. .............................................................................................................. 20
EC. 37: PROBABILIDAD A POSTERIORI SEGN BAYES PARA TODAS LAS CLASES. ........................................................................... 20
EC. 38: PROBABILIDAD....................................................................................................................................................... 20
EC. 39: REGLA DE DECISIN PTIMA DE BAYES. .................................................................................................................... 20
EC. 40: RIESGO MEDIO DE BAYES. ....................................................................................................................................... 20
EC. 41: VALORES DE LA FUNCIN DE COSTO. ........................................................................................................................ 20
EC. 42: RIESGO MEDIO DE BAYES (I). ................................................................................................................................... 21
EC. 43: REGLA DE DECISIN BASADA EN MXIMA VEROSIMILITUD. ............................................................................................ 21
EC. 44: CONJUNTO DE ENTRENAMIENTO............................................................................................................................... 21
EC. 45: TAMAO PTIMO DE LA MUESTRA DE ENTRENAMIENTO (FRMULA GENRICA). ............................................................... 22
EC. 46: TAMAO PTIMO DE LA MUESTRA DE ENTRENAMIENTO (MATHER, 2004)....................................................................... 22
EC. 47: TAMAO PTIMO DE LA MUESTRA DE ENTRENAMIENTO (CONGALTON & GREEN, 1999)................................................... 23
EC. 48: FUNCIN DE DENSIDAD NORMAL MULTIVARIANTE. ...................................................................................................... 24
EC. 49: HIPERELIPSOIDE DE DENSIDAD DE PROBABILIDAD CONSTANTE. ..................................................................................... 25
EC. 50: DISTANCIA DE MAHALANOBIS.................................................................................................................................. 25
EC. 51: ESTIMADOR DEL VECTOR MEDIO. .............................................................................................................................. 26
vii
MEN SALIR
viii
EC. 52: ESTIMADOR DE LA MATRIZ COVARIANZA. ....................................................................................................................26
EC. 53: PROBABILIDAD DE PERTENENCIA A UNA CLASE. MTODO DE MXIMA PROBABILIDAD. .......................................................26
EC. 54: VEROSIMILITUD DE QUE UNA OBSERVACIN X PERTENEZCA A LA CLASE e
I
CUANDO X SIGUE UNA LEY NORMAL. ...................27
EC. 55: REGLA DE CLASIFICACIN DE MXIMA VEROSIMILITUD..................................................................................................27
EC. 56: MATRIZ DE COVARIANZAS EN EL 1
ER
CASO DE LAS FUNCIONES DISCRIMINANTES. ..............................................................27
EC. 57: MATRIZ DE COVARIANZAS EN EL 2 CASO DE LAS FUNCIONES DISCRIMINANTES. ...............................................................27
EC. 58: MATRIZ DE COVARIANZAS EN EL 3
ER
CASO DE LAS FUNCIONES DISCRIMINANTES. ..............................................................27
EC. 59: MATRIZ DE COVARIANZA COMN PARA TODAS LAS CLASES. ..........................................................................................28
EC. 60: FUNCIN DISCRIMINANTE CUANDO TODAS LAS CLASES TIENEN LA MISMA VARIANZA. ........................................................28
EC. 61: FUNCIN DISCRIMINANTE EN LA CLASIFICACIN POR MNIMA DISTANCIA EUCLDEA...........................................................29
EC. 62: REGLA DE CLASIFICACIN DEL VECINO MS PRXIMO (1-NNR).....................................................................................31
EC. 63: REGLA DE CLASIFICACIN POR LOS K VECINOS MS PRXIMOS (K-NNR).........................................................................32
EC. 64: COTA DE ERROR DE LA REGLA DE CLASIFICACIN 1-NNR. ............................................................................................33
EC. 65: COTA DE ERROR DE LA REGLA DE CLASIFICACIN K-NNR.............................................................................................33
EC. 66: BONDAD DE LA PARTICIN EN UN NODO DE LOS RBOLES DE CLASIFICACIN. .................................................................35
EC. 67: SEAL RECIBIDA POR UNA NEURONA. ........................................................................................................................38
EC. 68: ACTIVIDAD DE UNA NEURONA...................................................................................................................................38
EC. 69: MODIFICACIN DE LOS PESOS ASIGNADOS A LAS CONEXIONES ENTRE NEURONAS............................................................38
EC. 70: NMERO DE PARMETROS EN UNA RED NEURONAL. ....................................................................................................40
EC. 71: REGLA DE DECISIN DEL CLASIFICADOR PARALELEPPEDO. ...........................................................................................41
EC. 72: NGULO ESPECTRAL ENTRE DOS VECTORES. ...............................................................................................................42
EC. 73: NGULO ESPECTRAL ENTRE UNA OBSERVACIN X Y LA CLASE e
I
....................................................................................43
EC. 74: DISTANCIA JM ENTRE CLASES...................................................................................................................................81
EC. 75: DISTANCIA JM ENTRE CLASES CON DISTRIBUCIN NORMAL. ..........................................................................................81
EC. 76: DISTANCIA BHATTACHARYYA ENTRE CLASES CON DISTRIBUCIN NORMAL........................................................................81
EC. 77: DT ENTRE CLASES. .................................................................................................................................................81
EC. 78: DIVERGENCIA ENTRE CLASES. ...................................................................................................................................82
EC. 79: PROBABILIDAD DE CLASIFICACIN CORRECTA SEGN LA DT. .........................................................................................82
EC. 80: SPLINES DE REGRESIN ADAPTATIVA MULTIVARIANTE. ..................................................................................................84
EC. 81: FUNCIONES TRUNCADAS POR DOS LADOS. ..................................................................................................................84
EC. 82: CONJUNTO DE FUNCIONES BSICAS...........................................................................................................................84
EC. 83: MTODO DE INCORPORACIN DE FUNCIONES BSICAS AL MODELO M............................................................................85
EC. 84: CRITERIO DE VALIDACIN CRUZADA...........................................................................................................................86
EC. 85: NMERO EFECTIVO DE PARMETROS EN EL MODELO. ..................................................................................................86
EC. 86: ECUACIN GENERAL DE LA CURVA LOGSTICA. ............................................................................................................89
EC. 87: ECUACIN GENERAL DE LA CURVA LOGSTICA EN FUNCIN DE LA PROBABILIDAD. .............................................................89
EC. 88: EXACTITUD DE UNA CLASIFICACIN. ..........................................................................................................................92
EC. 89: ESPECIFICIDAD DE UN CLASIFICADOR.........................................................................................................................92
EC. 90: SENSIBILIDAD DE UN CLASIFICADOR. .........................................................................................................................92
EC. 91: ECUACIN DE LA CURVA ROC EN EL MODELO BINORMAL. ............................................................................................93
EC. 92: ECUACIN DE LA CURVA ROC EN EL MODELO NO PARAMTRICO. ..................................................................................94
EC. 93: REA BAJO LA CURVA ROC. .....................................................................................................................................95
EC. 94: FUNCIN DISCRIMINANTE DE MXIMA VEROSIMILITUD. ...............................................................................................104
EC. 95: NMERO DE MUESTRAS CLASIFICADAS EN LA CLASE I.................................................................................................111
EC. 96: NMERO DE MUESTRAS CLASIFICADAS EN LA CLASE J.................................................................................................111
EC. 97: EXACTITUD TOTAL DE UNA CLASIFICACIN................................................................................................................111
EC. 98: EXACTITUD DEL PRODUCTOR DE UNA CLASIFICACIN. ................................................................................................111
EC. 99: EXACTITUD DEL USUARIO DE UNA CLASIFICACIN. .....................................................................................................111
EC. 100: ESTADSTICO KAPPA DE UNA CLASIFICACIN...........................................................................................................111
MEN SALIR
NDICE DE TABLAS
TABLA 1: ELEMENTOS ESTADSTICOS DEL TRABAJO. .............................................................................................. 10
TABLA 2: RELACIONES ENTRE LOS CONCEPTOS DE PROBABILIDAD Y VEROSIMILITUD. ................................................ 12
TABLA 3: CARACTERSTICAS DEL SENSOR ASTER. ................................................................................................ 52
TABLA 4: LISTADO DE LOS PRODUCTOS ASTER. FUENTE: KATO ET AL (2001). ........................................................ 54
TABLA 5: CARACTERSTICAS DE LA IMAGEN ASTER UTILIZADA............................................................................... 55
TABLA 6: SUPERFICIE DE OCUPACIN DE LAS CATEGORAS DE VEGETACIN EN LA IMAGEN........................................ 62
TABLA 7: SUPERFICIE DE LAS REAS DE ENTRENAMIENTO EN LA IMAGEN. ............................................................... 78
TABLA 8: REDUCCIN DE LA SUPERFICIE DE LAS REAS DE ENTRENAMIENTO PARA PROCESADO CON MARS. .............. 88
TABLA 9: ESTRUCTURA DE UNA MATRIZ DE CONFUSIN........................................................................................ 91
TABLA 10: FICHEROS RESULTADO DE LAS OPERACIONES PREVIAS......................................................................... 113
TABLA 11: MATRIZ SEPARABILIDAD SEGN LA DT............................................................................................... 116
TABLA 12: ORDEN DE SEPARABILIDAD SEGN LA DT. ......................................................................................... 116
TABLA 13: FICHEROS PARA LA CLASIFICACIN PAIRWISE. ..................................................................................... 117
TABLA 14: FICHEROS DE RLB. ......................................................................................................................... 118
TABLA 15: AUC DE LA RLB. ............................................................................................................................ 120
TABLA 16: ORDEN DE SEPARABILIDAD SEGN RLB............................................................................................. 120
TABLA 17: FUNCIONES BSICAS DEL ENTRENAMIENTO CON MARS. ..................................................................... 121
TABLA 18: FICHEROS DE PUNTUACIONES DEL ENTRENAMIENTO CON MARS. ........................................................ 122
TABLA 19: SEPARABILIDAD SEGN MARS. ........................................................................................................ 123
TABLA 20: ORDEN DE SEPARABILIDAD SEGN MARS. ........................................................................................ 123
TABLA 21: FICHEROS DE LAS AUC DE MARS. ................................................................................................... 124
TABLA 22: ARCHIVOS AML A EJECUTAR EN LA TOTALIDAD DE LA IMAGEN. ............................................................ 125
TABLA 23: GRIDS DE PUNTUACIN PARA LA COMBINACIN DE LA CLASE 999 CON LAS RESTANTES (MARS). ............ 126
TABLA 24: FICHEROS DE OBTENCIN DEL PUNTO PTIMO DE CORTE ENTRE PROBABILIDADES DE CLASES. ................ 128
TABLA 25: RESUMEN DE LOS PUNTOS DE CORTE ENTRE PROBABILIDADES. ............................................................ 130
TABLA 26: GRIDS BINARIOS DE LA COMBINACIN DE LA CLASE 999 CON LAS RESTANTES (MARS)........................... 131
TABLA 27: GRIDS DE PROBABILIDADES POR CLASES (MARS). .............................................................................. 132
TABLA 28: SUPERFICIE DE OCUPACIN DE CLASES EN LA IMAGEN SEGN CLASIFICACIN MARS. ............................ 134
TABLA 29: SUPERFICIE DE OCUPACIN DE CLASES EN LA IMAGEN SEGN MXIMA VEROSIMILITUD. .......................... 136
TABLA 30: GRIDS DE PROBABILIDAD POR CLASE SEGN MXIMA VEROSIMILITUD. ................................................... 138
TABLA 31: SUPERFICIE DE OCUPACIN POR CLASES EN LA IMAGEN SEGN PARALELEPPEDO. .................................. 142
TABLA 32: GRIDS DE PROBABILIDAD POR CLASE SEGN PARALELEPPEDO. ............................................................ 142
TABLA 33: CURVAS ROC Y AUC DE LOS GRIDS DE PROBABILIDAD DE CLASES SEGN LOS TRES MTODOS DE
CLASIFICACIN. ...................................................................................................................................... 144
TABLA 34: AUC POR CLASE SEGN LOS TRES MTODOS DE CLASIFICACIN. ......................................................... 144
TABLA 35: MATRIZ DE CONFUSIN PARA LA CLASIFICACIN CON MARS. .............................................................. 146
TABLA 36: MATRIZ DE CONFUSIN PARA LA CLASIFICACIN POR MXIMA VEROSIMILITUD. ...................................... 147
TABLA 37: MATRIZ DE CONFUSIN PARA LA CLASIFICACIN POR PARALELEPPEDOS. .............................................. 148
TABLA 38: EXACTITUDES DE USUARIO Y PRODUCTOR DE LOS TRES MTODOS DE CLASIFICACIN.............................. 149
TABLA 39: EXACTITUD TOTAL Y ESTADSTICO KAPPA DE LOS TRES MTODOS DE CLASIFICACIN. ............................. 149
ix
MEN SALIR
x
MEN SALIR
Captulo 1: Introduccin
Captulo 1 Introduccin
En este primer captulo de esta Tesis incluiremos una serie de conceptos bsicos necesarios para
la comprensin de esta memoria:
- En la primera parte determinaremos, slo a grandes rasgos, el concepto, definicin y fun-
damentos de la teledeteccin. Al ser una prctica tan extendida y tan estudiada, entende-
mos que resulta innecesario exponer pormenorizadamente dicha tcnica y toda la formula-
cin que conlleva su fundamento fsico. En este apartado repasaremos, adems, el con-
cepto de imgenes multiespectrales y sus propiedades ms caractersticas.
- Seguidamente realizaremos una revisin de algunos conceptos estadsticos que servirn de
ayuda para adentrarnos en la metodologa de la clasificacin.
- A continuacin, nos introduciremos en la clasificacin de imgenes, realizando una revisin
estadstica de los mtodos.
- Se llevar a cabo tambin una revisin de los mtodos ms comnmente utilizados en las
clasificaciones supervisadas para ubicarnos en el escenario en el que se pretende desarro-
llar la tcnica de clasificacin propuesta en esta Tesis. Esta revisin no es exhaustiva pero
s representativa de los ms comunes. Algunos de ellos sern los elegidos para efectuar la
comparacin de resultados con el mtodo propuesto.
- Finalmente, se expondr cul es el problema o problemas que se pretenden solventar o
moderar con la propuesta de esta nueva tcnica de clasificacin.
1.1 La teledeteccin
La primera definicin del trmino remote sensing la propuso la gegrafa y oceangrafa Evelyn Pruitt
en 1958, aunque no existe constancia escrita de la misma puesto que fue citada verbalmente en un
simposium celebrado en la Universidad de Michigan. Pruitt se refiri al trmino como obtencin
de informacin acerca de caractersticas desde la distancia. Desde entonces son muchas las defi-
niciones que se han ido aportando:
El trmino teledeteccin se refiere a la deteccin e identificacin de objetos mediante el uso de
cmaras areas o de otros dispositivos de deteccin que se encuentran a una apreciable distancia
de los elementos objeto de la investigacin. (Carneggie & Lauer 1966)
La teledeteccin es una herramienta de ayuda para la recoleccin de informacin sobre la cubier-
ta terrestre, con una mnima verificacin sobre el terreno. La cantidad de informacin que es ex-
trada de los datos de la observacin depende del tipo de sensor y la parte del espectro electro-
magntico utilizada, de la calidad de los datos registrados y de ciertas de limitaciones fsicas in-
cluidas altura de plataforma, la topografa, las variaciones en ngulo solar y altura solar, y la interfe-
rencia atmosfrica. (Aldrich 1979)
Arte, ciencia y tecnologa de obtencin de informacin fiable acerca de objetos fsicos y del me-
dioambiente, a travs de procesos de registro, medicin e interpretacin de imgenes y represen-
taciones digitales de patrones de energa derivados de sensores a distancia. ISPRS.
Obtencin de informacin de la superficie terrestre a partir de imgenes tomadas a una cierta dis-
tancia, apoyndose en medidas de energa electromagntica reflejadas o emitidas por aquellas.
(Ruiz 1998)
1
MEN SALIR
La observacin de la Tierra mediante la teledeteccin es la interpretacin y comprensin de las
mediciones de la energa electromagntica, realizadas por satlites o sensores aerotransportados,
que es reflejada o emitida por los objetos presentes en los continentes, ocanos o superficies
heladas o dentro de la atmsfera y el establecimiento de las relaciones entre esas mediciones y la
naturaleza y distribucin de los fenmenos de la superficie terrestre o de la atmsfera. (Mather
2004)
Dentro de nuestra limitada experiencia proponemos una definicin de la teledeteccin con el obje-
tivo de sintetizar lo comn de las definiciones anteriores y evitar en lo posible ambigedades:
Ciencia cuyo propsito es la captura de informacin espectral de cualquier objeto situado a dis-
tancia, normalmente de la cubierta terrestre, y su tratamiento con el objetivo de medir propiedades
e identificar caractersticas del mismo. Esta definicin, aunque simple, es coherente con los con-
ceptos que comentamos en el apartado siguiente.
1.1.1 Conceptos
Cuando la luz incide en un material, una parte de la misma dependiente de la longitud de onda es
absorbida por el propio material y otra parte es reflejada. Se podra definir reflectancia como la
proporcin entre la intensidad de luz reflejada por un objeto y la intensidad de luz incidente en l
(Van der Meer 1999).
El trmino radiancia se refiere a la densidad del flujo radiante transmitido por unidad de rea en
la superficie terrestre. Si definimos emisividad como la cantidad de radiacin por superficie en
todas las direcciones, entonces la reflectancia ser la relacin existente entre la radiacin incidente
y la emisividad de una superficie. Con todo ello podemos deducir que el sensor de teledeteccin
deber ser capaz de medir la reflectancia de la superficie, si bien esta ser distinta en funcin del
tipo de cobertura (suelo, agua, nieve y vegetacin). Los sensores adems pueden tener distinto
grado de actividad en el proceso, as podremos distinguir entre sensores pasivos, que se limitan
exclusivamente en recoger la energa reflejada o emitida por la superficie terrestre y los activos que
son capaces de emitir energa para posteriormente recibirla, una vez haya sido sta reflejada por la
superficie terrestre.
En cuanto a los sensores existe una amplia variedad funcionando en la actualidad. Ms concreta-
mente, segn la bsqueda realizada en marzo de 2008 en la CHAART Sensor Search
1
, se obtuvo un
total de 50 satlites operativos para tareas de teledeteccin. Su enumeracin y descripcin no es
pertinente aqu ya que no nos planteamos como objetivo realizar una amplia revisin de los con-
ceptos de teledeteccin sino encaminar la lnea de investigacin hacia las tareas de clasificacin.
Hasta ahora, los nicos elementos que hemos definido a grandes rasgos han sido los sensores y
los materiales capaces de transmitir energa, ya sea esta reflejada o emitida. Pero la realidad es
mucho ms complicada y deberamos tener en cuenta otros elementos que aaden complejidad a
estas tcnicas:
- Las interacciones con la atmsfera, La radiacin procedente de la cubierta terrestre y
que llega al sensor tiene que atravesar la atmsfera, y en su travesa sufrir dos alteracio-
nes que consisten en dispersin, que afecta ms a las longitudes de onda cortas, y en la
que se produce un cambio de direccin de la parte de radiacin incidente respecto de la
que llevaba originalmente y absorcin que consiste en la transformacin energtica sufri-
da por la radiacin cuando atraviesa el medio y que se da en el rango comprendido entre
1
Center for Health Applications of Aerospace Related Technologies, Division at the NASA Ames Research Center:
http://geo.arc.nasa.gov/sge/health/chaart.html
2
MEN SALIR
15 y 1000 m. Ante estos dos procesos podemos deducir que el fenmeno de absorcin
anula completamente esa zona del espectro para la tareas de teledeteccin y que las longi-
tudes de onda con alta transmisin podran ser candidatas potenciales para misiones de
teledeteccin (Tso & Mather 2001).
- Las interacciones con la superficie: Las propiedades espectrales de las superficies var-
an de forma importante en funcin de factores externos e internos (Sobrino et al. 2000).
o Entre los factores externos podemos enumerar: la dimensin de la superficie
observada o ms especficamente la resolucin espacial de la imagen, factor del
que hablaremos posteriormente; altura del sol que afecta tanto a la penetracin
de los rayos en la cubierta como a las posibles sombras que se produzcan, ngu-
los de observacin que estn influenciados por la direccionalidad de la reflectivi-
dad, presencia de nubes que modifica la radiacin incidente en el suelo y final-
mente la velocidad del viento que tiene menor influencia.
o En cuanto a los factores internos podramos detallar los siguientes: porcentaje de
cobertura de suelo, puesto que puede aumentar el contraste con la vegetacin, la
orientacin de los cultivos, refirindonos en este caso a la orientacin relativa a
la del sol en el momento de la toma, siendo la reflectancia mxima cuando los cul-
tivos estn orientados de forma paralela a la de los rayos de sol, geometra de la
cubierta, puesto que el ngulo de inclinacin de las hojas y su distribucin es uno
de los factores que ms influyen en la reflectancia y finalizamos los factores exter-
nos con la actividad fisiolgica de las plantas.
- La topografa de la superficie: Un sensor operando en las regiones espectrales del visi-
ble y del infrarrojo cercano no detecta toda la energa emitida por la superficie terrestre
sobre el hemisferio entero (Mather 2004). Esto es debido a que la superficie terrestre real
tiene una reflectancia difusa o lambertiana que los sensores de este tipo no son capaces
de captar en su totalidad. As y todo, esta afirmacin supone que la superficie terrestre es
plana. Sin embargo la incidencia solar variar en funcin de la variacin topogrfica, pu-
diendo definir el efecto topogrfico como la variacin en radiancia mostrada por super-
ficies inclinadas comparadas con la radiancia de una superficie horizontal y que es medido
como una funcin de la orientacin de la superficie relativa a la fuente de radiacin(Tso &
Mather 2001). Existen muchos trabajos al respecto en la que se proponen mtodos de co-
rreccin a realizar a las imgenes con topografa acusada antes del comienzo de las opera-
ciones de clasificacin algunos de ellos son: Soenen et al. (2005), Dymond & Shepherd
(1999), Gu et al. (1999), Vincini & Frazzi (2003) y Riao et al. (2003).
Una vez enumerados estos conceptos queda clara la primera fase del proceso de la teledeteccin
que es el proceso de la reflectancia y su captacin en el sensor. Esta reflectancia se convertir
ahora, tras un procesado de la informacin, en una imagen que ser la materia prima con la que el
usuario contar para el comienzo de los trabajos de clasificacin.
1.1.2 Imgenes multiespectrales
La energa electromagntica puede ser considerada como energa en forma de unin entre los
campos de fuerza elctricos y magnticos y que est compuesta por un amplio rango de longitudes
de onda que componen a su vez el espectro electromagntico. Como sabemos, el espectro elec-
tromagntico aunque continuo suele ser dividido en regiones entre las cuales se encuentra la re-
gin a la que nuestra vista es sensible, que abarca una muy pequea porcin de la totalidad.

E. Quirs Rosado 3
MEN SALIR
Figura 1: Regiones del espectro electromagntico.
En el campo de la teledeteccin, cada sensor es diseado para operar en una o varias bandas del
espectro en funcin de los objetivos perseguidos. De esta forma, se generarn imgenes mono,
multi o hiper espectrales en funcin del nmero de bandas capaces de ser discriminanadas y me-
didas. Este concepto est directamente ligado con la denominada resolucin espectral de los sen-
sores que enunciaremos a continuacin.
La resolucin de un sensor se podra definir como su habilidad para registrar y discriminar infor-
macin de detalle, lo que depende del efecto combinado de sus distintos componentes (Sobrino
et al. 2000). La resolucin del sensor implicar mayor o menor calidad en la imagen que genere, as
podemos distinguir los siguientes tipos de resolucin:
- Resolucin espacial: Es el tamao, medido en unidades terreno, de la mnima unidad
de la imagen (el pxel). Tiene relacin directa con el IFOV o seccin angular obser-
vada que a su vez se mide en radianes. Este tipo de resolucin suele ser generaliza-
da como la resolucin global de la imagen. As se suele decir que cuanto menor es
el tamao del pxel, mayor es la resolucin de la imagen, cuando se debera decir
que mayor es la resolucin espacial.
Los efectos de la resolucin espacial de la imagen han sido estudiados desde hace
muchos aos, as en Woodcock & Strahler (1987) se estudi la influencia de la reso-
lucin en la varianza local de la imagen, llegando a la conclusin de que la varianza
local en las imgenes es funcin de la relacin entre el tamao de los objetos de la
imagen y la resolucin del sensor, de manera que a medida que la varianza local de
la imagen disminuye aumenta la efectividad de los clasificadores espectrales. Traba-
jos posteriores, como el de Hsieh et al. (2001) demostraron que el error de la clasifi-
cacin de mxima verosimilitud decreca con el aumento de la resolucin espacial
si la varianza de la clase en cuestin se mantena constante. En la actualidad se han
propuesto mtodos como el de Atkinson et al. (2008) para incrementar la resolucin
de una imagen de teledeteccin preservando el contenido espectral de la imagen
original.
- Resolucin espectral: Se refiere, como hemos indicado anteriormente, a su aptitud pa-
ra separar seales de longitud de onda diferentes. Indica el nmero de bandas es-
pectrales y su ancho. Segn la resolucin espectral podremos entonces tener im-
genes monoespectrales, multiespectrales o hiperespectrales.
Los sensores monoespectrales suelen referirse a los sensores radar que captan la
4
MEN SALIR
informacin slo en la banda de las microondas o a algunos pancromticos que
captan escenas en una sola banda cuya amplitud abarca todo el espectro visible.
Los sensores que captan dos o ms bandas del espectro producirn imgenes mul-
tiespectrales, que son las que desarrollaremos en este apartado puesto que se ha
utilizado para este trabajo una imagen de este tipo. Finalmente, segn El Reglamen-
to de la Comunidad Europea N 394/(2006) los sensores con ms de 20 bandas
espectrales discretas sern considerados hiperespectrales. Estas imgenes hi-
perespectrales pueden llegar a contener varios centenares de bandas lo que hace
de su procesamiento una tarea compleja tanto desde el punto de vista puramente
de procesamiento informtico como estadstico. Quizs esta es una de las caracte-
rsticas ms peculiares para diferenciar los sensores, de tal manera que cada sensor
est diseado para detectar la radiacin en distintas regiones del espectro y cada
una con un ancho en concreto, as Teillet et al. (2007) propone una estandarizacin
de un pequeo nmero de bandas para todos los satlites de teledeteccin, de
manera que puedan ser comparados entre ellos de una manera ms homognea, el
resto de bandas podran ser diferentes. En ese sentido Rocchini (2007), asegur
que la resolucin espectral es casi tan importante como la espacial, llegando a es-
tablecer relacin entre ellas a la hora de calcular la heterogeneidad espectral de una
zona.
- Resolucin radiomtrica: Hace referencia a la sensibilidad de un sensor y expresa su
aptitud en una banda para diferenciar seales electromagnticas de energa dife-
rente (Sobrino et al. 2000). Esta resolucin viene condicionada por el nmero de
niveles digitales (ND) de la imagen, as y siguiendo la frmula general R
rad
= 2
n bits
, pa-
ra una imagen de 8 bits, el intervalo de ND ser 0-255 y para una imagen de 11 bits
el intervalo ser de 0-2047, de manera que, a mayor nmero de ND mayor ser el
intervalo para repartir los intervalos de digitalizacin de la seal. Debido al concep-
to de resolucin radiomtrica, Gibson (2000) advierte del peligro de comparacin
de ND entre bandas sin cerciorarse previamente de la resolucin radiomtrica de
las mismas, ya que un mismo sensor puede generar las bandas con distinta resolu-
cin radiomtrica.
- Resolucin temporal: Alude a la periodicidad con la que se adquieren imgenes de la
misma zona de la superficie terrestre. Este tipo de resolucin es determinante para
los estudios multitemporales, que se han impuesto con fuerza en el mundo de la
teledeteccin. Ya trabajos como Dye & Wood (1989) demostraban la utilidad de es-
te tipo de estudios para la deteccin de cambios temporales, as como los proble-
mas anejos a estos trabajos. Se han ido aadiendo a lo largo del tiempo muchos
trabajos en esta lnea multitemporal, as Lunetta et al. (2006) realiz estudios con el
sensor MODIS, que tiene una resolucin temporal de 16 das y demostr sus bene-
ficios a la hora de toma de decisiones polticas, acciones reguladoras y actividades
de usos de suelos.
Segn Chuvieco (1995), estos cuatro tipos de resolucin estn relacionados de manera que, a ma-
yor resolucin espacial, normalmente disminuye la temporal, y es previsible que disminuyan tam-
bin la espectral y la radiomtrica. Todo esto tiene que ver con la posterior transmisin a la esta-
cin receptora en la Tierra, ya que si aumenta el volumen de informacin por el aumento de un ti-
po de resolucin, aumenta el volumen de datos, y consiguientemente no se puede aumentar el
volumen correspondiente al resto de resoluciones.
Existen tambin publicaciones que estudian las combinaciones de varios tipos de resoluciones pa-
ra diversos fines. Boucher et al. (2006) combina los dominios de espacio y tiempo obteniendo un

E. Quirs Rosado 5
MEN SALIR
aumento significante de la exactitud de los anlisis de deteccin de cambios temporales y Hayes &
Cohen (2007) tras un estudio del impacto de los tres tipos de resolucin, temporal, espacial y ra-
diomtrica, llega a la conclusin de que la resolucin radiomtrica est casi a la altura de la tempo-
ral en los estudios de cambios de coberturas forestales.
Una vez asentados estos conceptos, podemos definir una imagen como: una distribucin bidi-
mensional de energa electromagntica que solamente adquiere carta de naturaleza cuando la su-
perficie que la sustenta est iluminada por una superficie radiante (Pinilla 1995).
En general, la reflectancia tendr dependencia espacial con lo cual una imagen monocromtica
vendr dada por la siguiente expresin
) , ( y x f R =
Ec. 1: Ecuacin de una imagen monocromtica.
Entonces la imagen digital, no es ms que una matriz de nmeros y como toda matriz, est com-
puesta por filas y columnas. Los valores contenidos en cada celda se denominan ND.
) , ( n m f ND =
Ec. 2: Ecuacin de una imagen digital monoespectral.
Siendo en este caso m y n las filas y las columnas.
Siguiendo esta definicin, una imagen multiespectral estar compuesta de tantas matrices como
bandas tenga la imagen, recordemos que segn el criterio hasta mencionado de la Unin Europea
el nmero de bandas debe estar entre 2 y 20. Tambin hay que sealar que el nmero de ND de
cada matriz, para una misma imagen multiespectral, puede variar, puesto que, como ya hemos vis-
to, la resolucin espacial tiene relacin directa con el nmero de pxeles y esta resolucin espacial
puede variar de unas bandas a otras. El contenido de los ND ser un valor numrico funcin de la
resolucin radiomtrica, como ya hemos explicado tambin.
) , ( n m f ND =
Ec. 3: Ecuacin de una imagen digital multiespectral.
donde cada componente de ND=(ND
1
, ND
2
, ..., ND
M
) representa una banda.
Uno de los problemas que se suele presentar es la conversin de ND en valores de reflectancia.
Existen programas especficos para dicha tarea como MODTRAN, ATCOR y otros, pero segn indi-
caciones de Navulur (2006) lo mejor sera que el usuario de la imagen solicite al proveedor de la
misma los parmetros de conversin de NDreflectancia. Si en vez de transformar los ND a reflec-
tancia, los quisiramos transformar a valores de radiancia, tambin deberamos consultar o bien en
los metadatos adjuntos a la imagen, o bien con el proveedor si existieran dudas. El procedimiento
para determinar esos coeficientes se denomina calibracin del sensor.
En principio, la localizacin de un pxel se realiza mediante la posicin que ocupe en las filas y en
las columnas como ya hemos explicado. No obstante, existe un proceso que consiste en incluir a
la imagen en un sistema de referencia determinado. Ese proceso se denomina georreferenciacin,
de manera que la localizacin del pxel en una imagen georreferenciada vendr dada por sus coor-
denadas en el sistema de referencia elegido. En este proceso de georreferenciacin tambin se rea-
liza una correccin geomtrica necesaria para eliminar posibles distorsiones de la imagen. Segn
Toutin (2003) estas distorsiones se pueden agrupar en dos categoras, las distorsiones del obser-
vador, causadas por el sistema de adquisicin de la imagen y las distorsiones observadas introdu-
cidas por la atmsfera y la Tierra.
6
MEN SALIR
Existen varios mtodos de corregir geomtricamente y/o georreferenciar una imagen:
- Modelo geomtrico orbital: Se basa en el conocimiento de las caractersticas de la rbi-
ta del satlite. Este modelo tiene en cuenta slo los factores que causan distorsin
geomtrica. En Huseby & Solberg (1998) se demostr la necesidad de complemen-
tar este modelo con puntos de apoyo para imgenes AVHRR. Sin embargo Cuartero
et al. (2005) obtuvieron sus mejores resultados en MDEs generados con modelos
geomtricos orbitales del satlite ASTER y sin la ayuda de puntos de apoyo, proce-
sando las imgenes mediante un programa diseado expresamente para dichas
imgenes (SILCAST). Por todo ello se podra afirmar que este tipo de modelo es exi-
toso slo para algunos sensores, con lo cual su uso no est muy recomendado.
- Modelo basado en puntos de apoyo: Adems de corregir los factores de distorsin geo-
mtrica tambin eliminan variaciones en la latitud / altitud de la plataforma. En este
caso, necesitaremos coordenadas de puntos identificables en las imgenes para as
tambin referenciar la imagen al sistema de coordenadas elegido. En Cuartero & Fe-
licsimo (2003) se subdivide este modelo en dos mtodos, el de rectificacin (refe-
renciacin planimtrica), y el de ortorrectificacin (referenciacin tridimensional).
En su trabajo se demuestra el mayor potencial de este segundo mtodo frente al
primero a pesar de estar menos asentado en el mundo de la teledeteccin.
Por otro lado, segn el modelo matemtico en el que se basen los clculos, Toutin (2004) establece
dos grupos:
- Modelos empricos 2D/3D: Estos pueden ser empleados cuando no se conozcan los
parmetros del sistema o no estn disponibles los modelos fsicos rigurosos. No
requieren informacin a priori y estn basados en tres posibles funciones matem-
ticas:
o Funciones polinmicas 2D de cualquier grado, de la forma:
__
= =
=
m
i
n
j
j i
ij D
Y X a XY P
0 0
2
) (
Ec. 4: Ecuacin polinmica 2D para correccin geomtrica.
o Funciones polinmicas 3D de cualquier grado, de la forma:
___
= = =
=
m
i
n
j
k j i
ijk
p
k
D
Z Y X a XYZ P
0 0 0
3
) (
Ec. 5: Ecuacin polinmica 3D para correccin geomtrica.
o Funciones racionales 3D, basadas en la ecuacin de colineacin y de la forma:
___
___
= = =
= = =
=
m
i
n
j
k j i
ijk
p
k
m
i
n
j
k j i
ijk
p
k
D
Z Y X b
Z Y X a
XYZ R
0 0 0
0 0 0
3
) (
Ec. 6: Ecuacin racional 3D para correccin geomtrica.

E. Quirs Rosado 7
MEN SALIR
- Modelos rigurosos fsicos y determinsticos 2D/3D: Aunque deberan ser exclusivos para
cada tipo de sensor, de modo general podemos esbozar algunas caractersticas de
estos modelos, ya que debern modelar tanto las distorsiones de la plataforma y
las del sensor como las de la cubierta terrestre y las de la proyeccin cartogrfica.
En Toutin (2003) se subdivide este grupo en otros dos de la forma:
o Modelos paramtricos 3D: en los que hace una diferenciacin para las imge-
nes SAR.
o Modelos no paramtricos 2D/3D.
Las diferencias entre estos dos subgrupos pueden resumirse en que mientras los
paramtricos 3D utilizan informacin tridimiensional del terreno, los no paramtri-
cos no, y adems no tienen en cuenta la globalidad de la imagen. Estos ltimos son
los conocidos como correccin imagen-imagen y los primeros los conocidos como co-
rreccin imagen-terreno. Otra ventaja a destacar de los modelos paramtricos es la
menor necesidad en nmero de puntos de apoyo, 3-8 frente a 20-60 de los no pa-
ramtricos.
Una vez calculada la transformacin geomtrica a realizar, mediante el mtodo que creamos ms
conveniente, la imagen tiene que ser remuestreada. Existen tres mtodos para la realizacin del re-
muestreo: el del vecino ms prximo, la interpolacin bilineal y convolucin bicbica. Estos mto-
dos se encuentran desarrollados en Mather (2004).
La eleccin del mtodo debera ser llevada a cabo teniendo en cuenta dos premisas, tanto la fina-
lidad de la imagen como los medios de clculo de que dispongamos. Resulta evidente que a mayor
complejidad del mtodo de remuestreo mejores resultados obtendremos, pero tambin se incre-
mentar en gran medida el tiempo de clculo, debiendo sopesar las necesidades finales del usua-
rio.
Convendra sealar, por ltimo, en el caso de la eleccin de la correccin basada en puntos de
apoyo, la necesidad de eleccin de una buena distribucin espacial en la imagen (Mather 2004), la
eleccin de mtodos de exactitud para la determinacin de sus coordenadas, acordes con la exac-
titud requerida, y la necesidad de realizar un control de calidad de la correccin geomtrica me-
diante puntos de control independientes de los puntos de apoyo (Cuartero & Felicsimo 2003).
Otra correccin necesaria y de la que no hemos hablado es la correccin radiomtrica o atmos-
frica de la imagen. No profundizaremos en ella puesto que cuando se adquiere una imagen nor-
malmente ya tiene realizada dicha correccin. No obstante indicaremos que estas correcciones
tiene que ver con las interacciones con la atmsfera enunciadas en el apartado 1.1.1 Concepto.
Mather (2004) seala que esta correccin se hace necesaria en tres casos: Si queremos realizar cl-
culos entre bandas como se indic en el apartado de resolucin radiomtrica de esta misma sec-
cin, cuando se quiera obtener una propiedad fsica de la superficie, cuando la toma de datos en
campo no coincida en tiempo con la fecha de adquisicin de la imagen y por ultimo se aade que
sera bueno realizarla incluso para posibles interpretaciones visuales de la imagen.
1.1.3 Proceso de eleccin de datos en teledeteccin
La eleccin de las imgenes con las que se va a trabajar es una tarea difcil pero a su vez primordial
para la obtencin de buenos resultados en la clasificacin final. Existen trabajos actuales como el
de Melesse et al. (2007) que revisan el estado del arte de los satlites con aplicaciones medioam-
bientales y orientan sobre las aplicaciones ms especficas de algunos de ellos. Tambin en publi-
caciones menos actuales como U.S. Congress (1993) se puede obtener informacin muy completa
acerca de la comparativa entre algunos de los sensores de teledeteccin ms conocidos. Si bien en
8
MEN SALIR
estos trabajos se puede encontrar una orientacin en cuanto a las caractersticas tcnicas y aplica-
ciones ms importantes de las imgenes obtenidas por los sensores, no slo esos conceptos son
los que nos han de guiar a la hora de la eleccin de uno u otro tipo de imgenes con las que tene-
mos que trabajar. Hay que tener en cuenta otros factores como los enunciados en Lu & Weng
(2007): necesidades del usuario, escala y caractersticas del rea de estudio, disponibilidad de da-
tos y sus caractersticas, coste econmico y restricciones en tiempo y experiencia del analista en la
utilizacin de la imagen elegida. De todos estos factores los ms importantes son la escala, la reso-
lucin de la imagen y las necesidades del usuario. De los dos primeros factores, escala y resolucin
nos hemos ocupado en el apartado 1.1.2 Imgenes multiespectrales.
Si nos introducimos de lleno en el contexto de esta tesis, deberemos aclarar que en la eleccin del
tipo de sensor elegido se han visto involucrados los siguientes aspectos:
1. Resolucin y escala: Bastaba con una resolucin media para las tareas de clasificacin,
adems el tamao de la imagen tena que ser lo suficientemente amplio como para
que existiera una variedad de tipos de vegetacin suficiente para probar la capaci-
dad de discriminacin del clasificador propuesto.
2. Necesidades del usuario y bandas del espectro electromagntico: Por un lado las bandas o re-
giones del espectro que queden registradas en el sensor son fundamentales a la
hora de su seleccin. Es estrictamente necesario que el sensor capte informacin
del espectro en aquellas zonas en las que los elementos a clasificar, en nuestro ca-
so los tipos de vegetacin, sean discriminables o distinguibles. Por otro lado, la pe-
culiaridad del sensor elegido, de obtener, adems de la informacin espectral de la
superficie terrestre, informacin topogrfica del terreno le ha hecho tomar una po-
sicin ventajosa con respecto a los dems sensores. La posibilidad de proporcionar
un Modelo Digital de Elevaciones aadido a la informacin espectral de la zona de
cubierta terrestre captada por el sensor, hace incrementar en gran medida el po-
tencial de este sensor. En Quirs & Cuartero (2005) se puede encontrar una revi-
sin de todos los satlites que junto con el ASTER, tienen posibilidad de captar in-
formacin topogrfica del terreno adems de la electromagntica.
3. Coste econmico y restricciones temporales: El bajo coste de las imgenes (50 ) y la faci-
lidad con la que se realiza su compra, fue un factor no menos importante a la hora
de la eleccin de este tipo de imagen.
4. La disponibilidad de datos y su uso extendido en la comunidad de la teledeteccin tambin ju-
garon un papel crucial, ya que las caractersticas tcnicas de las imgenes y su con-
figuracin aparecen por defecto en la gran mayora de los programas de clasifica-
cin.
1.2 Conceptos estadsticos
1.2.1 Introduccin
Convendr definir algunos conceptos estadsticos bsicos tal como se usarn en las pginas poste-
riores:
- POBLACIN: Llamamos poblacin estadstica al conjunto de referencia sobre el
cual van a recaer las observaciones.
- MUESTRA: Es un subconjunto de elementos de la poblacin.

E. Quirs Rosado 9
MEN SALIR
- UNIDAD ESTADSTICA: Cada uno de los elementos que componen la poblacin es-
tadstica.
- CARACTERES: Una cualidad o propiedad inherente a la unidad estadstica.
- VARIABLE ESTADSTICA: Conjunto de los distintos valores numricos que adopta
un carcter cuantitativo. Se puede distinguir entre variables continuas y discretas
segn el tipo de valores que adoptan.
En nuestro caso concreto, dichos elementos pueden ser definidos segn se muestra en la Tabla 1:
Poblacin Imagen multiespectral
Muestra Localizaciones dadas por el MFE
Unidad Estadstica Pxeles de la imagen
Carcter Reflectancia
Variable estadstica Nivel Digital
Tabla 1: Elementos estadsticos del trabajo.
En esta tesis, denominaremos Y a la poblacin, la cual sigue una distribucin de probabilidad que
tendremos que estimar a travs de los datos.
1.2.2 Estadsticos y parmetros
En el caso de que la distribucin de probabilidad de los datos sea conocida, podemos definir los
siguientes conceptos:
- Esperanza o valor esperado E(Y) :
)
= dy y f y Y E
Y
) ( ) (
Ec. 7: Esperanza o valor esperado.
Siendo la funcin de densidad, que se utiliza en estadstica para estudiar la
distribucin de probabilidades de un suceso en funcin del resultado del suceso.
Este parmetro es equivalente a la media aritmtica en la distribucin Normal (ver
abajo).
) (y f
Y
La esperanza es una medida de tendencia central de una distribucin.
- Varianza
2
o : es una medida de dispersin, si su valor es pequeo significa que pro-
bablemente los datos adoptarn valores prximos a E(Y).
)
= dy y f Y E y
Y
) ( )) ( (
2 2
o
Ec. 8: Varianza poblacional.
La distribucin Normal o Gaussiana es una funcin de probabilidad que se define
slo por dos parmetros: media aritmtica y desviacin estndar. La funcin de
densidad es simtrica y responde a la expresin:
10
MEN SALIR
2
2
2
) (
2
2
1
) (
o
o t

=
y
Y
e y f
Ec. 9: Funcin de densidad de la distribucin normal.
Un caso especial de distribucin normal es la llamada distribucin normal estndar,
en la que =0 y o
2
=1.
Si consideramos n observaciones, y
1
, y
2
,..., y
n
, la muestra de tamao n podra ser
n valores de pxeles dentro de una imagen. Esas observaciones son casos concre-
tos de la poblacin.
La estadstica descriptiva, que se dedica a los mtodos de recoleccin, descripcin,
visualizacin y resumen de datos originados a partir de los fenmenos en estudio,
caracteriza parmetros de las variables ambientales continuas tal como medidas,
varianzas...
Podemos distinguir entre parmetros de localizacin (tales como mximo mnimo,
media aritmtica y mediana) y otro tipo de estadsticos descriptivos, como la va-
rianza, desviacin estndar...
El clculo de la media aritmtica de la muestra es conocido por todos:
n
y
y m
n
i
i
Y
_
=
= =
1
Ec. 10: Media muestral.
Y suponen estimadores de la media de la poblacin .
- La estimacin en la muestra de la dispersin de la poblacin se hace mediante la
varianza y la desviacin estndar.
_
=
=
n
i
i
Y y y
n
s
1
2 2
) (
1
1
Ec. 11: Varianza muestral.
Y s s
2
=
Ec. 12: Desviacin estndar muestral.
- El error estndar es una medida de la precisin de la media, cuantos ms datos haya
en la muestra el valor de la media ser ms correcto.
n
s
s
Y
e
=
Ec. 13: Error estndar.
- La falta de simetra de la distribucin se calcula mediante el sesgo muestral, cuanto
ms prximo a 0 es el valor del sesgo, mayor es la normalidad de la variable:

E. Quirs Rosado 11
MEN SALIR
) 2 ( ) 1 (
) (
3
3

=
_
n n
n
s
y y
sesgo
Y
i
Ec. 14: Sesgo muestral.
En muchos casos necesitaremos conocer adems la relacin entre variables, para
poder predecir unas en funcin de las otras. De este modo, asumimos que dispo-
nemos de p variables: Y
1
, Y
2
, , Y
p
y podremos definir la covarianza entre las varia-
bles i y j mediante sus medias poblacionales
i
y
j
:
| |
j i j i ij
Y Y E Cov =
Ec. 15: Covarianza entre variables.
Un valor positivo de la covarianza indica una relacin positiva entre Y
i
y Y
j
, o sea
que un incremento de la Y
i
supone un incremento en la Y
j
.
- La correlacin entre las variables est contenida en el intervalo [-1,1] siendo el valor 0
el indicativo de la ausencia de relacin entre las mismas, se calcula de la siguiente
forma (coeficiente de correlacin de Pearson):
) var( ) var(
cov
j i
ij
ij
Y Y
=
Ec. 16: Correlacin entre variables.
- Un concepto estadstico bsico en teledeteccin es el de verosimilitud. Para definirlo
consideraremos Pr(R|H) como la probabilidad de obtener el resultado R, dada la
hiptesis H de acuerdo con un modelo de probabilidad. La probabilidad es definida
para cualquier posible resultado dada cualquier hiptesis, o lo que es lo mismo,
podemos fijar la hiptesis y establecer la probabilidad de cualquier resultado o bien
fijar el resultado y considerar entonces todas las posibles hiptesis que nos lleven a
dicho resultado, este ltimo concepto es el que define el trmino verosimilitud
L(H|R) de la hiptesis H dado el resultado R. De ese modo, existe una
proporcionalidad entre la probabilidad, en la que las hiptesis son las fijas y los
resultados estimados y el concepto de verosimilitud.
Datos conocidos Datos calculados
Probabilidad hiptesis resultados
Verosimilitud resultados hiptesis
Tabla 2: Relaciones entre los conceptos de probabilidad y verosimilitud.
La verosimilitud es particularmente til cuando el modelo de probabilidad sigue una
distribucin normal, por tanto suponiendo que los pxeles de la imagen siguen una
distribucin normal o lo que es lo mismo que es la media verdadera y que o
2
es el
valor exacto de la varianza de los pxeles dentro de una clase C, la probabilidad de
que un pxel aislado est en el intervalo (x, x+dx) es:
12
MEN SALIR
dx
x
e dF
2
2
) (
2
2
1
o
to
=
Ec. 17: Probabilidad de pertenencia de un pxel a un intervalo.
Y la de obtener un conjunto de n observaciones en el intervalo (x
1
, x
1
+dx
1
) (x
2
,
x
2
+dx
2
),..., (x
n
, x
n
+dx
n
)` ser:
( )
n
x n
dx dx e dF
n
i
i
...
2
1
1
2
1
2
2
_
|
|
.
|
\
|
=
=
to
Ec. 18: Probabilidad de pertenencia de n observaciones a un intervalo.
La verosimilitud de (,o
2
) dada la muestra viene dado por la expresin:
_
=
=
n
i
i
x
e k L
1
2
2
) (
2
) , (
o
o
Ec. 19: Verosimilitud.
Sabiendo que:
_ _
= =
+ =
n
i
n
i
i i
x n x x x
1 1
2 2 2
) ( ) ( ) (
Ec. 20: Exponencial de la verosimilitud.
En donde x es la media de la muestra y es la media de la poblacin
- Mxima verosimilitud: El mtodo de mxima verosimilitud es un procedimiento que
permite estimar los parmetros de un modelo probabilstico, o los coeficientes de
un modelo matemtico, de tal manera que sean los ms probables a partir de los
datos obtenidos. (Molinero 2003)
La solucin de la ecuacin no se encuentra en muchos casos analticamente sino
que se llega a ella tras un proceso iterativo. Consideramos un vector de parmetros
para el que queremos encontrar una estimacin u de mxima verosimilitud,
u=(,o
2
). Sea u
i
la solucin obtenida en el paso i-simo y su correspondiente
verosimilitud L(u
i
). Para el siguiente paso obtendremos:
( ) i i i i i
s R =
+
u u
1
Ec. 21: Verosimilitud para paso i+1.
Donde R
i
es la inversa de la segunda derivada de L para los diferentes elementos de
u, estimados en la iteracin i-sima.
1
2
,
) (
c c
c
=
i
b
i
a
i
i
b a
L
E R
u u
u
Ec. 22: Inversa de la segunda derivada de la verosimilitud.
El trmino
i
es un escalar cuyo valor es elegido de manera que se cumpla que
L(u
i+1
)<L(u
i
), y s
i
es el vector con nmero de elementos igual a la derivada de los

E. Quirs Rosado 13
MEN SALIR
parmetros en la iteracin i-sima.
i
L
s
i
u u
u
=
c
c
=
Ec. 23: Vector con nmero de elementos igual a la derivada de los parmetros en la iteracin isima.
- Regresin: El trmino regresin es aplicable cuando la variacin de una variable est
ligada a la variacin de otra u otras variables. La variable de la cual depende es
denominada variable dependiente, y el resto son las denominadas variables
independientes. Sean dos variables Y y Z, siendo la variable Y la variable
dependiente y la Z la variable explicativa, la regresin lineal de Y segn Z es
definida mediante el ajuste de una lnea cuya ecuacin sea y=a+bZ en el espacio
de los datos Y
i
. Los coeficientes a y b se calculan de la siguiente manera:
Ordenada al origen: Z b Y a =
Ec. 24: Ordenada de la recta de regresin.
Pendiente de la recta:
( ) ( )
( )
_
_
=
=

=
n
i
i
n
i
i i
Z Z
Y Y Z Z
b
1
2
1
Ec. 25: Pendiente de la recta de regresin.
Para determinar la calidad del ajuste de la lnea se miden los residuos entre las
observaciones de la variable y las estimaciones de la misma de la siguiente
manera:
i i
Y Y
( )
( )
_
_
=
=
=
n
i
i
n
i
i
Y Y
Y Y
R
1
2
1
2
2
Ec. 26: Residuos entre las observaciones de la variable y sus estimaciones.

0sR
2
s1, de manera que: Si R
2
=0, el modelo de regresin no explica adecuadamente
la variacin de Y y por el contrario, si R
2
=1, el modelo explica en su totalidad la
variacin de Y.
- Prediccin: Una de las tareas ms empleadas en estudios estadsticos es utilizar un
modelo derivado, por ejemplo de un anlisis de regresin, para realizar prediccio-
nes.
Convendra hacer una distincin entre el trmino prediccin y el de estimacin.
Mientras que con la estimacin se trata de obtener un valor para una localizacin
cuyo dato se desconoce a partir de una serie de observaciones de ese dato en
otras localizaciones, el trmino prediccin se refiere al pronstico del dato en di-
cha localizacin en un escenario distinto (ya sea el cambio de escenario temporal o
fsico). Para dicha prediccin se utilizan tambin las observaciones en otras locali-
zaciones, pero en este caso se formula un modelo con ellas que es el que se aplica-
r en escenarios distintos.
14
MEN SALIR
En nuestro caso, vamos a explicar la prediccin en trminos de teledeteccin. Por
tanto, podemos afirmar que los valores de los pxeles estn relacionados con su lo-
calizacin espacial x, y entonces, si estimamos el valor esperado de Y(x) en una po-
sicin desconocida x
0
, tendremos que realizar una primera aproximacin estimando
el valor medio m y asignndoselo a x=x
0
, siendo ese valor el predicho para Y(x) en
x=x
0
.
Para una fuente de datos independientes, la varianza del error de la estimacin es
n
2
o
, donde o
2
es la varianza de Y. En la prctica, se utiliza el valor de s
2
en lugar de
o
2
. Adems, si tomamos un modelo lineal de la forma y=a+bx el valor esperado de
la posicin x
0
ser a+bx
0
y la varianza del error de la estimacin vendr dada por la
siguiente expresin:
( ) ( ) | | ( ) ( )
2
0
1
0 0 0
1
' ' 1
o
|
|
.
|
\
|
=
x
X X x x Y x Y Var
Ec. 27: Varianza del error de la estimacin en forma matricial.
En nuestro caso la cuestin no es tan simple, ya que la localizacin espacial x est
compuesta de una posicin en fila de la imagen y una posicin en columna, por lo
que tendremos que acudir a la regresin lineal mltiple en forma matricial (Garca
2005) para poder realizar la prediccin. La funcin Y resultar ser Y(f,c), y las
matrices que componen la Ec. 27 sern:
o X ser la matriz diseo con la primera columna igual a 1, la segunda
columna igual a la fila de la posicin del pxel observado, la tercera columna
igual columna del pxel observado. Sus dimensiones sern (n,3) siendo n el
nmero de observaciones.
o (1 x
0
) pasa a ser de la forma (1 f
0
c
0
)
El siguiente paso es predecir el valor, la varianza de su error ser distinta a la del
valor estimado:
( ) ( ) | | ( ) ( )
2
0
1
0 0 0
1
' ' 1 1
o
(
|
|
.
|
\
|
+ =
x
X X x x Y x Y Var
Ec. 28: Varianza del error de la prediccin en forma matricial.
1.3 La clasificacin
1.3.1 Introduccin
La clasificacin en el contexto de la teledeteccin es un proceso que asigna a cada pxel de la
imagen original una etiqueta correspondiente a una de las clases que, o bien predefinimos con an-
terioridad al proceso de clasificacin o bien, por semejanza de caractersticas de los pxeles de la
imagen a clasificar, se agrupan automticamente en el proceso. La imagen resultante es un mapa
en el que las variables continuas contenidas en la imagen original son agrupadas en variables dis-
continuas segn clases.
El problema consiste en establecer si un pxel pertenece a una u otra clase de los i posibles ca-

E. Quirs Rosado 15
MEN SALIR
sos establecidos. Son muchos los autores que distinguen entre clases informacionales y clases
espectrales. Se entiende por clases informacionales aquellas que se refieren a los elementos que
se quieren discriminar con el proceso de clasificacin. Las clases espectrales sin embargo estn
relacionadas con los grupos en los que separamos las variables continuas para transformarlas en
discontinuas. Su nombre se debe a que, como la informacin contenida en las imgenes de telede-
teccin es bsicamente espectral, la variable continua hace referencia a dicha informacin espec-
tral. Tericamente la correspondencia entre las clases espectrales y las informacionales debiera ser
biunvoca una a una, pero la realidad es bien distinta. Lo usual es encontrarnos en uno de los tres
siguientes casos:
- Ms de una clase espectral se corresponda con una nica clase informacional.
- Una nica clase espectral se corresponde con varias clases informacionales.
- Varias clases espectrales se corresponden con varias clases informacionales.
En funcin del tipo de clase elegido para realizar la clasificacin podemos distinguir dos tipos de
clasificacin:
- Clasificacin supervisada, que se basa en las clases informacionales.
- Clasificacin no supervisada, en la que, analizando valores espectrales similares,
establece grupos de pxeles con caractersticas espectrales similares.
Podramos asumir que el problema de la clasificacin implica la construccin de un procedimiento
que ser aplicado a una secuencia continua de casos, en la cul, cada nuevo caso deber ser asig-
nado a otro del conjunto de clases predefinidas con anterioridad a partir de atributos o caracters-
ticas detectadas en los mismos (Michie et al. 1994).
Esta definicin de clasificacin se refiere a la denominada clasificacin supervisada, ya que en la
no supervisada, como se ha indicado anteriormente, las clases en las que se englobar el conjunto
de datos sern deducidas automticamente de los propios datos, segn el procedimiento de clasi-
ficacin que adoptemos (por ejemplo tcnicas de mnima distancia eucldea en los clasificadores
Isodata o K-means).
Adems, dentro de los mtodos supervisados podemos distinguir dos subgrupos en funcin de si
se presupone o no la distribucin de probabilidad de las clases de tal manera que podemos resu-
mir los distintos tipos de clasificacin segn la siguiente tabla:
No supervisada: La clasificacin se basa en clases espectrales (los pxeles de
una misma clase deben tener valores espectrales similares).
Paramtrica: Suponen una distribucin de
probabilidad de las clases conocida (nor-
malmente Distribucin normal). Si la dimen-
sionalidad de los datos es alta se necesitan
muchas muestras de aprendizaje.
Clasificacin
Supervisada: Los clasificadores
se construyen basndose en las
clases informacionales. Se especi-
fican ejemplos de las distintas cla-
ses de inters (reas de entrena-
miento o regiones de inters), de
forma que los patrones que carac-
terizan las diferentes clases se
obtienen de estas reas.
No paramtrica: No presuponen la forma
de la distribucin de las probabilidades Es-
timan la densidad de probabilidad de cada
observacin usando muestras de entrena-
miento.
Figura 2: Taxonoma de los mtodos de clasificacin en teledeteccin.
La taxonoma reflejada en la Figura 2 es la ms habitual y simple, pero hay autores como Jensen
16
MEN SALIR
(2005) que distinguiran un tercer grupo de clasificacin supervisada denominado no mtrica en
el que engloba al clasificador de rbol de decisin (CART) basndose en su posibilidad de trabajar
tanto con datos numricos como nominales. En trabajos como el de Duda et al. (2000), se introdu-
ce un cuarto tipo de clasificador supervisado que es el denominado estocstico en los que el
azar juega una parte crucial en la bsqueda y el entrenamiento. Desde un punto de vista general,
estos mtodos encauzan la bsqueda hacia las regiones en las que se espera encontrar la solucin
y dejar al azar encontrar buenos parmetros de entrenamiento.
En Lu & Weng (2007) la taxonoma de los algoritmos de clasificacin se realiza en funcin del crite-
rio que elijamos y adems de los tipos de clasificacin indicados en Figura 2, distingue varios tipos
grupos de clasificacin como: clasificadores por pxel o clasificadores por sub-pxel si se tiene en
cuenta o no los problemas de los pxeles no puros, clasificadores duros o blandos en funcin de
si realizan una clasificacin tajante de si un pxel pertenece o no a una clase o si proporcionan una
medida del grado de similitud con la clase en cuestin.
1.3.2 Objetivos de las operaciones de clasificacin
Como se indic en el apartado anterior, podemos abordar la clasificacin de dos maneras, o bien
tratando de agrupar los datos dados en una serie de clases o grupos de datos segn las caracters-
ticas propias de los mismos, o bien, sabiendo con anterioridad las clases existentes en nuestros
datos, establecer las reglas mediante las cuales podramos clasificar una nueva fuente de datos
segn esas clases predefinidas. La primera operacin es conocida como clasificacin no supervi-
sada y la segunda es la denominada clasificacin supervisada.
Una cuestin muy importante es la definicin de las clases y su naturaleza. Henery (1994) distingue
tres casos claros:
- Las clases corresponden a etiquetas de distintos subgrupos de la poblacin. La
pertenencia a una clase es una variable independiente ya que la membresa de los
elementos de la poblacin a las clases existentes es determinada por una entidad o
sujeto externo.
- Las clases son el resultado de un proceso predictivo (ver apartado 1.2.2
Estadsticos y parmetros ). La clase ha de ser deducida del conocimiento de sus
atributos, con lo que ser una variable aleatoria.
- Las clases son predefinidas mediante la particin del espacio de la muestra. En es-
te caso la clase es una variable dependiente de los atributos.
1.3.3 Definicin estadstica de clasificacin
Las operaciones de clasificacin se realizan en base a las mediciones de reflectancia que estn al-
macenadas en cada pxel de la imagen, de manera que tendremos un vector M-dimensional co-
rrespondiente a la medicin en un determinado pxel en el espacio espectral con M bandas de in-
formacin (Gorte 1999).
Son varios los autores que se refieren a las imgenes multiespectrales como imgenes vectoriales.
As, Cortijo Bon (1995) define las imgenes captadas por teledeteccin como: Un tipo particular
de imgenes vectoriales compuesta por pxeles en la que cada pxel tiene asociado un vector d di-
mensional en lugar de un nico valor, en este caso d se refiere al nmero de bandas espectrales de
la imagen.
Definimos una observacin como un vector con d componentes

E. Quirs Rosado 17
MEN SALIR
| |
d
X X X X ..., , ,
2 1
=
Ec. 29: Observacin en teledeteccin.
en donde X
i
= Gi y es una variable aleatoria que representa el valor de la observacin X en la banda
i, o sea que es le valor de reflectividad en la banda i. Los valores tpicos de reflectividad estn re-
muestreados al intervalo G={0, 1, ..., 255}, suponiendo una imagen de 8 bits.
El espacio de observaciones > es el conjunto de todos los valores posibles que puede tomar una
observacin X:
i
d
i
G
1 =
= u
Ec. 30: Espacio de observaciones en teledeteccin.
en dnde denota el producto cartesiano.
Siendo J las distintas clases potenciales en una imagen, denominaremos 1 al conjunto de clases
informacionales:
{ }
J
e e e ..., , ,
2 1
= O
Ec. 31: Conjunto de clases informacionales.
Si le aadimos a dicho conjunto la clase de rechazo, N
0
, que se le asigna a todas las observacio-
nes para las que no se tiene una certeza aceptable de ser clasificadas correctamente obtendremos
el conjunto de clases informacionales extendido 1*:
{ }
0 2 1
, ..., , , * e e e e
J
= O
Ec. 32: Conjunto de clases informacionales extendido.
Finalmente ya podremos definir lo que es estadsticamente un clasificador, que es una funcin d :
>O* definida sobre las observaciones X. De manera que, para toda observacin X, d(X)e O*. As,
el objetivo de un clasificador ha de ser el de dividir el espacio de observaciones O en J regiones
disjuntas (R
1
, R
2
, ..., R
J
, R
0
), una por cada una de las clases de O* adems de construir una regla que
identifique cualquier observacin X como perteneciente a la clase i si la regin en la que est ese
vector est asociada a la clase i (Cortijo Bon 1995).
1.3.3.1Mtodos estadsticos de clasificacin supervisada
Si nos centramos en la clasificacin supervisada, tendremos que definir el trmino patrn o
muestra de entrenamiento como el modelo que caracteriza una clase y que es necesario para
estimar la funcin de probabilidad asociada a cada clase. Como ya se ha comentado, en algunos
casos se supone una forma a dicha funcin de probabilidad (mtodos paramtricos), entonces los
patrones o reas de entrenamiento slo nos servirn para definir algunos de los parmetros nece-
sarios para la clasificacin. Sin embargo, en los mtodos no paramtricos necesitaremos ms
muestras de entrenamiento para poder estimar la funcin de probabilidad.
1.3.3.1.1 Funciones discriminantes
Segn lo expuesto en el apartado 1.3.3 Definicin estadstica de clasificacin, un clasificador ha de
construir una regla que identifique cualquier observacin X como perteneciente a una determinada
18
MEN SALIR
clase C si la regin en la que est situada X es R
c
.
Una funcin discriminante g
i
(X) para la clase i tiene la propiedad de que alcanza un valor mayor que
cualquier otra funcin discriminante g
j
(X), si X pertenece a la i-sima regin de decisin, siendo i=j.
As si e
i
denota la i-sima clase, una regla de decisin basada en funciones discriminantes
es:
i
X d e = ) ( si y slo si g
i
(X) > g
j
(X) j=1, 2, ..., J
Ec. 33: Regla de decisin basada en funciones discriminantes.
En el caso de que g
i
(X)=g
j
(X), si i=j, hay que aadir un criterio adicional a la regla de decisin, de
manera que definiremos superficies o fronteras de decisin a aquellas que separan dos regio-
nes de decisin adyacentes R
i
y R
j
y se verifica que g
i
(X)-g
j
(X)=0.
1.3.3.1.2 Teorema de Bayes
Dado un objeto B, con etiqueta de clase desconocida, H es la hiptesis de que B pertenece a una
clase C. La probabilidad a posteriori de la hiptesis H sigue el teorema de Bayes y se postula de la
siguiente forma:
( )
( ) ( )
( ) B P
H P H B P
B H P =
Ec. 34: Teorema de Bayes.

Siendo:
P(H|B) la probabilidad a posteriori.
P(H), P(X) probabilidad a priori.
P(B|H) es la verosimilitud definida en la seccin 1.2.2.
Si denominamos H
1,
H
2
,... a las distintas hiptesis, que en nuestro caso sern los clasificadores y D
a los datos, el teorema de Bayes indica que:
( )
( ) ( )
( ) D P
H P H D P
D H P
i i
i
=
Ec. 35: Teorema de Bayes aplicado a clasificacin.
En donde:
P(H
i
) es la probabilidad previa de la hiptesis H
i
e indica la probabilidad de una hiptesis antes de
la obtencin de los datos.
P(H
i
( D) es la probabilidad de la hiptesis H
i
tras la obtencin de los datos.
Y entonces, se elegira aquella hiptesis que maximizara la probabilidad condicional, pero esto es
imposible en la prctica ya que el tamao del espacio de hiptesis es muy grande, entonces se uti-
liza el teorema de Bayes de otra forma:
1. Se calculan las probabilidades a priori (formacin del clasificador).
2. Se calcula la probabilidad a posteriori (clasificacin de una nueva instancia).
E. Quirs Rosado 19
MEN SALIR
( )
( ) ( )
( )
i
k k i
i k
X P
C P C X P
X C P =
Ec. 36: Probabilidad a posteriori segn Bayes.
Como P(Xi) es la misma para todas las clases, no se calcula, con lo que la expresin queda de la
forma:
( ) ( ) ( )
k k i i k
C P C X P X C P =
Ec. 37: Probabilidad a posteriori segn Bayes para todas las clases.
En la que es necesario calcular:
eK: ( )
ejemplos total n
C clase ejemplos n
Ck P
k
=
Ec. 38: Probabilidad.
El teorema de Bayes nos indica cmo revisar la probabilidad de eventos en base a nuevos datos
(Movellan 2002).
1.3.3.1.3 Funciones discriminantes basadas en la teora estads-
tica de la decisin
Si queremos clasificar de una forma ptima un conjunto de observaciones, tendremos que minimi-
zar la probabilidad media de error en la clasificacin (estrategia ptima en el sentido de Bayes).
Enunciamos dos reglas bsicas de decisin:
- Regla de decisin ptima de Bayes. En la que dada una observacin X y segn la regla de
decisin basada en funciones discriminantes definida en el apartado 1.3.3.1.1
Funciones discriminantes, podemos afirmar que:
d(X)=e
c
si R(e
c
|X)= min
i=1,...J
{R(e
i
|X)}
Ec. 39: Regla de decisin ptima de Bayes.
Siendo R(e
i
|X) el riesgo medio de Bayes resultante al clasificarlo como de la clase
e
i
:
_
=
=
J
j
j i
X p j i X R
1
) ( ) ( ) ( e e
Ec. 40: Riesgo medio de Bayes.
En la que, a su vez, (i|j) es el coste asociado a la decisin de clasificar una obser-
vacin a la clase i cuando realmente debera ser asignada a la clase j o lo que de-
nominaremos con posterioridad como falsos positivos y/o falsos negativos. To-
mar valor 0 si la decisin es acertada y 1 si la decisin es errnea:
=
=
=
j i si
j i si
j i
1
0
) (
Ec. 41: Valores de la funcin de costo.
20
MEN SALIR
Utilizando la regla de Bayes podemos escribir la Ec. 40 de la siguiente manera:
) ( ) ( ) ( ) (
1
i
J
j
j i
p X p j i X R e e e
_
=
=
Ec. 42: Riesgo medio de Bayes.
- Regla de mxima verosilimitud: Una observacin pertenece a la clase e
c
si la vero-
similitud entre la clase c y la observacin X es mxima para todo i=1,...,J
{ } ) ( max ) ( ) (
,..., 1
iX L cX L si X d
J i
c
=
= = e
Ec. 43: Regla de decisin basada en mxima verosimilitud.
En la que, segn se ha indicado en el apartado 1.2.2. Estadsticos y parme-
tros , L(iX)=p(X|ei).
Como se puede observar, para aplicar estas reglas de decisin a la hora de realizar clasificaciones
necesitaramos conocer de antemano el valor de p(X|ei). Para ello, estimaremos una aproximacin
del mismo utilizando un modelo paramtrico o no paramtrico en funcin del conocimiento
que tengamos de la funcin de distribucin de las probabilidades asociadas a cada clase.
Existe la posibilidad de que la observacin no pertenezca a alguna de las clases que se han defini-
do, bien porque su clase no se haya definido o bien porque presente valores extraos debido a
problemas en la captacin. Entonces, esta observacin debera asignarse a la clase denominada
rechazo (Cortijo Bon 1995). El modo de incluir observaciones en la clase rechazo es la de umbra-
lizar la probabilidad de pertenencia a clases, de manera que si la probabilidad obtenida para todas
las clases predefinidas es menor que el valor adoptado para el umbral, la observacin sera asigna-
da directamente a la clase rechazo. La eleccin del valor umbral depender del mtodo de clasifi-
cacin elegido, y se tratar con posterioridad.
1.3.3.1.4 Muestras de entrenamiento
La clasificacin supervisada construye una regla de decisin basada en casos conocidos para los
que sabe qu decisin se ha de tomar. Por eso, en este tipo de clasificacin, es necesario definir
un conjunto de aprendizaje que contenga las observaciones para cada una de las i-1 clases a
discriminar junto con la clase a la que se sabe con certeza que pertenece. A partir de ese conjunto
o muestra deberemos obtener a qu clases pertenece otra observacin X.
Dicho de forma matemtica:
( ) ( ) ( ) { } ) , ,..., ) , , ) ,
2 2 1 1 n n
c X c X c X =
Ec. 44: Conjunto de entrenamiento.
En el que N es el nmero de muestras de entrenamiento tomadas, y c
i
es la clase verdadera de la
observacin X
i.
En la prctica, el proceso de entrenamiento consiste en definir sobre la imagen reas pertenecien-
tes a las clases que queremos clasificar y que sern representativas de las mismas. Estos patrones
son los que servirn para construir la regla de clasificacin que, con posterioridad, se utilizar para
asignar al resto de pxeles de la imagen a cada una de las clases definidas.
La precisin de la clasificacin supervisada es funcin de los datos de entrenamiento que utilice-
mos en su generacin (Foody & Mathur 2006).

E. Quirs Rosado 21
MEN SALIR
Segn Chuvieco (1995) la seleccin de las reas de entrenamiento debe ser el resultado de un
muestreo que responder a criterios de representatividad y validez estadstica:
- Representatividad: con ste trmino Chuvieco (1995) se refiere a lo ya mencionado en el
apartado 1.3.1 Introduccin, haciendo hincapi en que es tan incorrecto definir reas
de entrenamiento en superficies excesivamente homogneas, como en zonas de tran-
sicin de clases.
El primer caso se refiere a la densidad del elemento a clasificar. No es lo mismo definir
la regin de inters en una zona con alta densidad de poblacin del elemento a clasifi-
car que en una de densidad baja.
El segundo concepto se refiere a la seleccin de la regin de entrenamiento en una zo-
na de transicin entre dos elementos a clasificar (dos clases). Estos errores llevaran a
una mala definicin de las muestras sobre las que se formar nuestro clasificador y por
lo tanto una mala clasificacin final. Sin embargo, trabajos posteriores como el de
Foody & Mathur (2006) han demostrado que: las muestras de entrenamiento han de
ser diseadas basndose en el modo en el que el algoritmo de clasificacin opere y
haciendo nfasis en separar las clases ms que en describirlas. En su trabajo utilizaron
el clasificador SVM (Support vector machine) y eligieron las muestras de entrenamiento de
tal modo que, aunque no describieran con elevada exactitud la informacin ms des-
criptiva de las clases a extraer, s reflejaran la informacin de las clases necesaria para
ajustar los hiper-planos que las separaran; De este modo, obtuvo una exactitud en la
clasificacin del 91.1% utilizando muestras de entrenamiento que, al contrario de lo
usual, eran de poco tamao y con respuestas espectrales englobadas en la zona de
transicin espectral entre las clases a discriminar.
- Validez Estadstica: Hay que tener en cuenta tanto el nmero como la distribucin de las
muestras. Son varios los autores que han estudiado la influencia de la extensin y loca-
lizacin ptima para la obtencin de resultados satisfactorios. El tamao de las mues-
tras de entrenamiento requerido para caracterizar de forma adecuada la repuesta es-
pectral de las clases, habitualmente, se define asumiendo que la respuesta espectral de
cada clase sigue una distribucin normal y que la poblacin es muy grande. Entonces el
tamao N de la muestra requerido viene dado por:
2
2 2
h
Z
N
o
=
Ec. 45: Tamao ptimo de la muestra de entrenamiento (frmula genrica).
En la que o es el valor de la desviacin estndar fijado a priori, h es el semi-ancho del
intervalo de confianza que indica la precisin de la estimacin y Z viene determinado
por un nivel de confianza especfico. Esta ecuacin fue definida para aquellos mtodos
de clasificacin en los que se necesita una estimacin precisa del valor medio de cada
clase (clasificador de mnima distancia...). Pero fue generalizada para todo tipo de clasi-
ficadores.
Otra alternativa muy utilizada en teledeteccin es la de englobar el valor de N (nmero
de pxeles de entrenamiento por cada clase) en el intervalo de 10 a 30 veces el nmero
de bandas espectrales de la imagen p (Mather 2004).
| | p p N 30 , 10 e
Ec. 46: Tamao ptimo de la muestra de entrenamiento (Mather 2004).
22
MEN SALIR
Otros autores se inclinan por utilizar la frmula recogida en Congalton & Green (1999)
basada en la distribucin multinomial
( )
2 '
/ 1
i i i
b B n [ [ =
Ec. 47: Tamao ptimo de la muestra de entrenamiento (Congalton & Green 1999).
En la que el nmero de muestras de entrenamiento es funcin de la distribucin chi-
cuadrado, de la precisin y nivel de confianza requeridos y del porcentaje de superficie
de la imagen que ocupa cada clase. Con respecto a esta definicin del nmero de mues-
tras, hay que sealar que no fue deducida por los autores Congalton & Green (1999) pa-
ra establecer el tamao de las muestras en el proceso de clasificacin de imgenes, sino
para el tamao de las muestras de control a la hora de realizar el control de calidad de
los resultados de la clasificacin.
Algunos trabajos ms actuales, como el de Foody et al. (2006) han demostrado que para
tipos concretos de clasificadores, (SVM, en su caso) se puede reducir el lmite superior
de 30*n de bandas sin apenas prdida de precisin en los resultados. El trabajo reali-
zado por Van Niel et al. (2005) arroj resultados similares para el algoritmo de clasifica-
cin de mxima verosimilitud, llegndose a alcanzar precisiones muy aceptables con un
tamao de muestras de entrenamiento solo de 2 a 4 veces el nmero de bandas espec-
trales.
De todo ello, se deduce que el nmero ptimo de muestras de entrenamiento no ha de
ser derivado de una frmula global, sino que, en funcin del mtodo de clasificacin
elegido, es necesario conocer unos u otros parmetros estadsticos con cierta certeza
(vector de la media, matriz covarianzas...) y en funcin de ello el tamao de la muestra
tendr que cumplir unas u otras condiciones (Tso B. 2001). Adems, como ya se ha ex-
plicado con anterioridad, una de las diferencias entre los mtodos de clasificacin pa-
ramtricos y no paramtricos consiste en la necesidad de estimar parmetros estadsti-
cos de las clases, con lo cual el tamao de la muestra de entrenamiento puede ser me-
nor.
El estudio llevado a cabo por Sarunas (1997) demuestra que, mientras que para un clasi-
ficador paramtrico el error medio esperado en la clasificacin disminuye en un rango
entre [(N/p)
-1/4
y (N/p)
-3/4
], para un mtodo no paramtrico la probabilidad del error espe-
rado disminuye segn (N/p)
-1
, recordemos que N es el nmero de muestras de entrena-
miento y p es la dimensionalidad de los datos (nmero de bandas).
Lo que se concluye de todo esto es que es primordial, antes de disear las muestras de entrena-
miento, conocer con detalle el algoritmo de clasificacin que se vaya a emplear, de manera que
dichas muestras sean elegidas de forma que contribuyan a aumentar el potencial del clasificador y
as obtener un resultado lo ms exacto posible.
1.3.4 Antecedentes, mtodos de clasificacin
Como hemos visto en apartados anteriores los mtodos de clasificacin pueden ser divididos bajo
mltiples criterios. La divisin que ms encaja en este trabajo es la reflejada en la Figura 2, en vir-
tud de lo cual, pasaremos a estudiar en profundidad los mtodos de clasificacin supervisada que
sern los que utilizaremos en nuestro estudio.
1.3.4.1Clasificacin paramtrica
Segn Ruiz (1998): los mtodos paramtricos son aquellos en los que las funciones de decisin se

E. Quirs Rosado 23
MEN SALIR
obtienen a partir de funciones de densidad de probabilidad de los objetos para cada clase, cuyos
parmetros se estiman a partir de las muestras de aprendizaje recogidas para cada categora, sin
tener en cuenta las restantes.
En este tipo de clasificacin se suele suponer que las funciones de distribucin de la probabilidad
de cada clase siguen una distribucin normal multivariante.
1.3.4.1.1 Distribucin normal multivariante
Los vectores d dimensionales de una imagen con d bandas, definidas segn el apartado 1.3.3
Definicin estadstica de clasificacin, se consideran, bajo la premisa de la clasificacin paramtri-
ca, pertenecientes a una distribucin normal multivariantes cuya funcin de densidad es:
( )
( )
2
) (
1
2
1
) | (
_
=
_
i
i
T
i
X X
n
i
e i X p

t
e
Ec. 48: Funcin de densidad normal multivariante.
En la que E
i
es la matriz covarianzas de la clase i, E
i
-1
es la inversa de dicha matriz y
i
es el vector
medio de la clase i.
Esta funcin de densidad representa la probabilidad de que un vector X pertenezca a una clase e
i
y
tiene cierta analoga con la Ec. 9: Funcin de densidad de la distribucin normal.
Figura 3: Funciones de densidad de la distribucin normal multivariante. Fuente: Pinilla (1995), Duda et al.(2000)
En la parte inferior de la Figura 3 se ha representado la funcin de densidad P(x|e
i
) y los lmites
para el caso de que P(e
1
)=P(e
2
).
En el caso en el que las bandas de la imagen fueran estadsticamente independientes, la matriz de
covarianzas es diagonal cuyos valores corresponden con las varianzas de cada banda.
24
MEN SALIR
La representacin n-dimensional de la funcin de densidad multivariante es una nube de puntos de
probabilidad de ocurrencia tambin denominada cluster. Su centro viene localizado por el vec-
tor de medias y adoptar una forma u otra en funcin de la diagonal principal de la matriz de cova-
rianzas.
Figura 4: Distribucin bidimensional de probabilidad de pertenencia a clases.
El lugar geomtrico de puntos de densidad constante es un hiperelipsoide que se obtiene hacien-
do constante la forma cuadrtica del exponente de la Ec. 48: Funcin de densidad normal multiva-
riante de la siguiente manera:
( )
cte X X
i
i
T
i
=
_
1
) (
Ec. 49: Hiperelipsoide de densidad de probabilidad constante.
Se define entonces la distancia de Mahalanobis de una observacin X a una clase i (a su media
i
) como:
( )
i
X i
i
T
i
M X X =
_
1
) (
Ec. 50: Distancia de Mahalanobis.
De tal modo, podemos afirmar que: Los puntos de igual densidad de probabilidad se encuentran a
la misma distancia de Mahalanobis de la media, adems los ejes principales de los hiperelipsoides
son los autovectores de la matriz de covarianzas y las longitudes de sus ejes estn definidas por
sus autovalores (Hernndez & Lorenzo 2002). Adems los volmenes de dichos hiperelipsoides
cuantifican la dispersin de las muestras sobre la media (Duda et al. 2000).
Recordemos que los autovalores de una matriz cuadrada son las medidas bsicas de tamao de la
misma, stas no se vern alteradas por transformaciones lineales de esta matriz. Es inmediato de-
ducir que si la matriz es diagonal, como en nuestro caso, los autovalores son los elementos de la
diagonal principal. Los autovectores representan las direcciones caractersticas de la matriz y son
variantes.
En la prctica E
i
y
i
no son conocidos, con lo cual, tienen que ser estimados a partir de las mues-

E. Quirs Rosado 25
MEN SALIR
tras de entrenamiento n
i
de la clase i. Dicha estimacin se hace por el mtodo de mxima verosimi-
litud (Duda et al. 2000):
_
=
=
i
n
l
j
i l
i
j
i
X
n
1
;
1
Para j = 1, 2, ..., d, siendo d el nmero de bandas
Ec. 51: Estimador del vector medio.
T k
i
k
i l
j
i
n
l
j
i l
ijk i
X X
n
i
) )( (
1
1
;
1
;

=
_ _
=
Para j = 1, 2, ..., d y k = 1, 2, ..., d
Ec. 52: Estimador de la matriz covarianza.
Llegamos a la conclusin entonces de que la estimacin por mxima verosimilitud para el vector de
medias es la media de la muestra y la estimacin por mxima verosimilitud para la matriz de cova-
rianzas es la media aritmtica de las n matrices .
T k
i
k
i l
j
i
j
i l
X X ) )( (
; ;

1.3.4.1.2 Mtodos paramtricos de clasificacin
Son muchos los mtodos que presuponen una distribucin de probabilidad de las clases conocida
(habitualmente distribucin normal). Su principal problema es que si la dimensionalidad de los da-
tos es alta, sern necesarias muchas muestras de aprendizaje. Entre los mtodos ms conocidos
utilizados en teledeteccin se encuentran el de mxima verosimilitud, mnima distancia y distancia
de Mahalanobis. A continuacin explicaremos someramente cada uno de ellos, ya que los que se
han utilizado en este trabajo sern ampliamente revisados en apartados posteriores.
1.3.4.1.2.1 Mtodo de mxima verosimilitud o mxima probabilidad
Este mtodo se engloba dentro de los denominados clasificadores cuadrticos y considera que los
ND de cada categora se ajustan a una distribucin normal. Esto nos permite describir esa catego-
ra por una funcin de probabilidad, a partir de su vector de medias y matriz de varianza-
covarianza. Para determinar a qu clase pertenece un determinado pxel, se calcula la probabilidad
de pertenencia a todas las clases y se asignar a la clase a la cul hayamos obtenido la mxima
probabilidad.
Segn la Ec. 48: Funcin de densidad normal multivariante obtenamos la probabilidad de que un
vector X pertenezca a una clase e
i
. Si quisiramos calcular la probabilidad de pertenencia de una
observacin entre dos clases, tendramos que calcular las probabilidades de pertenencia a ambas y
posteriormente asignarla a la que sea mayor, de la forma:
1 2 1
) ( ) ( e e e - > X X p X p si
Ec. 53: Probabilidad de pertenencia a una clase. Mtodo de mxima probabilidad.
Si extendemos este concepto a todas las clases de una imagen multiespectral y utilizamos la fun-
cin discriminante indicada en la Ec. 43: Regla de decisin basada en mxima verosimilitud se
asignar a la observacin X a la clase e
i
si la funcin g
i
(X) es mayor que cualquier otra g
j
(X) para to-
do i=j.
26
MEN SALIR
siendo:
_
E =
1
2
1
2
1
) ( ) ( ) ( ) (
i
i
T
i i i
X X Ln X g
Ec. 54: Verosimilitud de que una observacin X pertenezca a la clase e
i
cuando X sigue una ley normal.
Generalizando podremos decir que:
{ } ) ( max ) (
,..., 1
X g L L si X d
c
i
X
j i
c
X c
= = =
=
e
Ec. 55: Regla de clasificacin de mxima verosimilitud.
Segn se explica en Duda et al. (2000) se podran dar tres casos tales que:
En el primero y ms simple, las clases sean independientes y tengan la misma varianza o
2
, enton-
ces la matriz de covarianzas sera diagonal. Geomtricamente este primer caso corresponde al caso
en el que las muestras caen en hiperesferas de igual tamao.
I
i
2
o = E
Ec. 56: Matriz de covarianzas en el 1
er
caso de las funciones discriminantes.
El segundo caso es aquel en el que las matrices covarianzas de todas las clases sean idnticas pe-
ro, por otro lado, arbitrarias geomtricamente, en este caso, las muestras caen en agrupaciones en
forma de hiperelipsoides de igual tamao y forma.
E = E
i
Ec. 57: Matriz de covarianzas en el 2 caso de las funciones discriminantes.
El tercer caso es el ms habitual y es el que corresponde a aquel en el que las matrices de cova-
rianza de cada clase son diferentes, entonces las muestras caern en agrupaciones con forma de
hiperelipses de diferente forma y/o tamao.
i
E
Ec. 58: Matriz de covarianzas en el 3
er
caso de las funciones discriminantes.

Caso 2: las mues-
tras caen en agru-
paciones en forma
de hiperelipsoides
de igual tamao y
forma (Clasifica-
dor Mahalan
bis)
o- a-
Caso 3: las mues-
tras caen en agru-
paciones en forma
de hiperelipsoides
de diferente ta-
mao/forma (Cla-
sificador Cu
drtico)
Caso 1: las mues-
tras caen en agru-
paciones en forma
de hiperesferas de
igual tamao o
forma (clasifica-
dor lineal)
E. Quirs Rosado 27
MEN SALIR
Figura 5: Posibles casos en las funciones discriminantes para la fc de densidad normal. Fuente: Duda et al. (2000)
Conviene aclarar que en todos los casos las funciones L
X
i
son funciones cuadrticas de X y por lo
tanto las fronteras de decisin sern cuadrticas tomando la forma de hiperelipses, hiperesferas,
hiperparbolas o hiperboloides. Dependiendo de la forma de las matrices de covarianza se podr
dar una particularizacin de los discriminantes cuadrticos, que son los clasificadores lineales en
funcin de si estamos en el primer o segundo caso explicados anteriormente (Cortijo Bon 1995).
Figura 6: Fronteras de decisin en los clasificadores cuadrticos.
1.3.4.1.2.2 Mtodo de mnima distancia eucldea
Este mtodo de clasificacin es conocido habitualmente como mtodo de mnima distancia. Pertene-
ce al grupo de los clasificadores lineales y es, como hemos aclarado en el apartado anterior, una
particularizacin del anlisis discriminante cuadrtico: Cuando las matrices covarianza de todas las
clases son similares el clasificador cuadrtico de mxima verosimilitud se convierte en lineal.
Si las matrices covarianzas de todas las clases no son similares, se puede forzar la clasificacin a
ser lineal adoptando como matriz covarianza de cada clase la matriz covarianza comn definida de
la siguiente forma:
_
=
E = E
J
i
i i
n
N
1
) 1 (
1
Ec. 59: Matriz de covarianza comn para todas las clases.
Suponemos que no hemos tenido que forzar las covarianzas porque todas las clases tienen la
misma varianza. Entonces las matrices de covarianzas sern diagonales y de la forma ,
geomtricamente estaramos en el caso 1 de la
I
i
2
o = E
Figura 5.
Con esto podemos definir el conjunto de funciones discriminantes de la forma:
2
2
2
2
) ln(
2
) ( ) (
) ln( ) (
o
t
o

t
i
i
i
T
i
i
E
i
X
X X
X g
=

=
Ec. 60: Funcin discriminante cuando todas las clases tienen la misma varianza.
En esta expresin
2
i
X es la distancia Eucldea de la observacin X a la clase e
i
, y
i
t son las
probabilidades a priori, si todas las clases tienen igual probabilidad a priori, el nuevo conjunto de
28
MEN SALIR
funciones discriminantes se puede escribir del siguiente modo:
i
T
i i
T
i
E
i
X X X g = = 2 ) (
2
Ec. 61: Funcin discriminante en la clasificacin por mnima distancia eucldea.
El clasificador funciona de la siguiente forma: Se mide la distancia eucldea
2
i
X de cada X a
cada clase c, para posteriormente asignarle la clase a la cual tenga menor distancia. Las fronteras
de decisin son hiperplanos de ecuacin lineal que separan las regiones y que son perpendiculares
a la lnea que une las medias entre clases.
Figura 7: Clasificador de mnima distancia eucldea.
Figura 8: Hiperplano lineal de separacin entre regiones. Fuente: Duda et al. (2000).
Este clasificador pertenece por tanto al grupo de los ADL (Anlisis Discriminante Lineal). En Cortijo
Bon (1995) se discuten las ventajas / desventajas de este tipo de clasificadores con respecto a los
ADC. Se explica cmo, an siendo dos mtodos robustos, si las funciones de densidad para cada
clase son funciones normales, los ADL necesitan menos espacio y clculo que los clasificadores
cuadrticos. Pero no slo se debe elegir uno u otro en funcin de su rapidez de clculo. En
McLachlan (2005) se argumentan las ventajas que presentan los ADL si las matrices de covarianza

E. Quirs Rosado 29
MEN SALIR
son destacadamente diferentes y con pequeas muestras de entrenamiento. sta razn aadida a
su buen funcionamiento cuando los datos no son puros y a que su interpretacin es muy sencilla
explica su versatilidad y su uso extendido. En Duda et al. (2000) tambin se destaca su simplicidad
por encima de cualquier otra desventaja.
Friedman (1989) introdujo otro mtodo de clasificacin basado en el de mxima verosimilitud pero
que combina como casos particulares los mtodos ADL y ADC. Esta variante es el denominado
Anlisis Discriminante Regularizado (ADR), en el que la estimacin de las matrices de covarianza se
realiza mediante un proceso de regularizacin o validacin cruzada a partir de los datos de entre-
namiento. Este mtodo est caracterizado por dos parmetros: El primero controla el grado de
acercamiento a la matriz de covarianzas comn y el segundo el grado de acercamiento a un mlti-
plo de una matriz de covarianzas especificada, que en algunos casos puede ser la matriz identidad.
El ADR incluye como casos particulares el ADC y el ADL, construyendo clasificadores mixtos con
distintos grados de acercamiento al ADC o al ADL en funcin de las muestras de entrenamiento.
En el trabajo realizado por Cortijo & Prez de la Blanca (1999) tambin se demuestra la gran capa-
cidad de este mtodo, proporcionando clasificaciones muy exactas bajo circunstancias problem-
ticas en la clasificacin, tales como imgenes con dimensionalidad muy alta, muestras de entrena-
miento con mucho solape y datos espacialmente autocorrelados.
1.3.4.1.2.3 Mtodo de la distancia de Mahalanobis
El mtodo de clasificacin por mnima distancia de Mahalanobis es similar al de mxima probabili-
dad o verosimilitud, pero asumiendo que las covarianzas de las clases son iguales con lo cual esta-
ramos en el caso 2 de la Figura 5.
Figura 9: Clasificador de mnima distancia de Mahalanobis.
Su forma de operar es idntica al de mnima distancia eucldea, slo se diferencia en la ecuacin
que utiliza para calcular la distancia de la observacin X a la clase e
i
. En ste caso se utiliza la
ecuacin presentada en Ec. 50: Distancia de Mahalanobis.
Se debe aclarar que la distancia eucldea es un caso particular de la distancia de Mahalanobis en la
que , as pues la distancia eucldea no tiene en cuenta la dispersin de las variables y las
relaciones existentes entre ellas, mientras que en la distancia de Mahalanobis s que se descuentan
esos factores al introducir en su frmula general la inversa de la matriz de covarianzas (Uriel & Al-
ds 2005).
I
i
2
o = E
30
MEN SALIR
1.3.4.2Clasificacin no paramtrica
La presuncin de la distribucin normal (o cualquier otro tipo de distribucin estndar) no se suele
presentar en la realidad. Adems, si las muestras de entrenamiento son insuficientes, no represen-
tativas o estn distribuidas de forma multi-modal, dichas muestras de entrenamiento pueden in-
troducir incertidumbres aadidas en el procedimiento de clasificacin de las imgenes (Lu & Weng
2007).
Existen trabajos que han mostrado que los mtodos de clasificacin no paramtricos proporcio-
nan mejores resultados. Por ejemplo, en Sarunas (1997) se demuestra cmo an con pequeas
muestras de entrenamiento los algoritmos de clasificacin no paramtricos proporcionan mejores
resultados que los paramtricos. Tambin Cortijo & Prez de la Blanca (1999) obtienen como con-
clusin de su trabajo que, bajo la hiptesis de muestras de entrenamiento con solapamiento, es
preferible adoptar como mtodo de clasificacin un algoritmo no paramtrico.
En los mtodos de clasificacin no paramtricos, los coeficientes de las funciones de decisin co-
rrespondientes a fronteras de separacin entre clases en el espacio de representacin definido por
las variables o caractersticas se obtienen a partir de muestras de todas las clases. Dichas funcio-
nes no siguen una estructura matemtica tipificada (Ruiz 1998).
Entre los mtodos de clasificacin no paramtricos ms conocidos, se encuentran el del vecino
ms prximo, el de rboles de decisin y el de redes neuronales. No obstante, se han incluido en
este apartado a dos clasificadores como el del paraleleppedo y el del ngulo espectral a los que
no todos los autores los clasifican dentro de los mtodos no paramtricos y que a pesar de las dis-
crepancias con otros trabajos su naturaleza es claramente no paramtrica.
1.3.4.2.1 Mtodo del vecino ms prximo
La idea bsica del mtodo es la siguiente: Es muy probable que, las muestras que estn prximas
entre s en u, siendo u el espacio de las observaciones definido por la Ec. 30: Espacio de observa-
ciones en teledeteccin, pertenezcan a la misma clase o bien pertenezcan a clases diferentes pero
tengan valores muy parecidos de la probabilidad a posteriori de sus respectivas clases. La primera
idea origina la regla de clasificacin del vecino ms prximo (1-NNR) y la segunda a la regla de cla-
sificacin por los k-vecinos ms prximos (K-NNR).
Esta familia de clasificadores se basa en la estimacin directa de la probabilidad aposteriori y se
puede dividir en dos posibles reglas:
- Regla 1-NN o regla del vecino ms cercano: Se basa en la suposicin de que la clase
de la observacin X, es la del elemento ms cercano del conjunto de muestras .
Sea X
NN
el vecino ms cercano a X, definimos la regla de clasificacin:
( ) ( ) { }
( )
e
=
= =
c NN
N i
i NN
c
X
X X X X
si X d
e
o o
e
,
, min ,
) ( ... 1
Ec. 62: Regla de clasificacin del vecino ms prximo (1-NNR).
En la que o es una mtrica definida en u.
El efecto de esta regla es el de dividir el espacio de representacin en N regiones
de influencia, una por cada elemento del conjunto de entrenamiento. Cada una de
esas regiones tiene forma poligonal y los bordes corresponden a los puntos situa-
dos a igual distancia entre prototipos. Cada una de estas regiones se conoce como
regin de Voronoi y la particin poligonal del espacio de representacin se conoce

E. Quirs Rosado 31
MEN SALIR
como particin de Voronoi. En la Figura 10 se muestra la particin de Voronoi
asociada a este sencillo problema.
Cada regin de Voronoi puede considerarse como una regin de decisin (restringi-
da al prototipo central), por lo que la regin de decisin de una clase ser la unin
de todas las regiones de Voronoi de los prototipos de esa clase. La consecuencia
es que las fronteras de decisin sern fronteras lineales a trozos.
Figura 10: Clasificacin 1-NN y regiones de Voronoi asociadas.
- Regla K-NN o por los k vecinos ms prximos: Consiste en buscar los k-vecinos ms
prximos a X en y asignar la observacin a la clase ms representada en los k
vecinos seleccionados. Si K
i
(X) es el nmero de muestras de la clase e
i
presentes
en los k vecinos ms prximos a X, la regla de decisin se enunciar:
{ }
J i
i c c
X K X K si X d
... 1
) ( max ) ( ) (
=
= = e
Ec. 63: Regla de clasificacin por los k vecinos ms prximos (k-NNR).
Figura 11: Clasificacin 3-NN para dos clases.
Pero el problema en ambos casos no est totalmente especificado si no se define qu tipo de dis-
tancia vamos a adoptar para definir la vecindad (Molina et al. 1994). Son muchos los autores que
tratan sobre el problema tales como Shakhnarovich et al (2006) y Todeschini (1989), llegando este
ltimo a la conclusin de que aunque la distancia eucldea da resultados aceptables, existe otro
tipo de distancias a aplicar en el mtodo de los K-vecinos ms cercanos que incrementara la exac-
titud del algoritmo de clasificacin. As tambin en el trabajo de Friedman (1994) se proponen di-
versos nuevos tipos de algoritmos de clasificacin mediante los K vecinos ms prximos variando
32
MEN SALIR
el espacio mtrico en el que se vaya a trabajar.
Otro problema fundamental es el de que, para aplicar esta regla de clasificacin necesitamos un
conjunto de muestras de entrenamiento muy grande, de hecho, tericamente n y como es evi-
dente, esa es una condicin imposible de cumplir. Por lo tanto, para obtener una buena clasifica-
cin por el mtodo del o los vecinos ms prximos, se ha de contar con un gran conjunto de
muestras de entrenamiento.
Este segundo problema es independiente del primero y conlleva al llamado comportamiento asin-
ttico de la regla del vecino ms prximo o cotas de error.
- La cota de error de la regla 1-NN para un supuesto de J clases:
|
.
|
\
|
s s
* *
1
*
1
2 E
J
J
E E E
NN
Ec. 64: Cota de error de la regla de clasificacin 1-NNR.
Siendo E
*
, el error medio al utilizar la regla de Bayes.
- La cota de error de la regla K-NN para un supuesto de J clases: Cuanto mayor sea la
vecindad considerada, menor ser el error asociado a la clasificacin K-NN.
*
lim E E
NN K
k
=

Ec. 65: Cota de error de la regla de clasificacin K-NNR.
La combinacin de estas cotas de error con el problema de la mtrica en la regla de clasificacin
del vecino prximo nos lleva a enunciar las siguientes afirmaciones (Cortijo Bon 1995):
Hay que formular una mtrica adecuada para la bsqueda de vecinos en conjuntos poco numerosos, ya que el
comportamiento asinttico de la regla no depende de la mtrica utilizada.
Hay que ponderar la regla del vecino ms prximo, ya que los vecinos ms cercanos no son representa-
tivos de las distribuciones de probabilidad subyacentes. Esta afirmacin est basada en trabajos
como el de Macleod et al. (1987) en el que se demuestra cmo poner un peso a cada distancia me-
dida en la regla del vecino ms prximo puede funcionar cuando el conjunto de muestras de en-
trenamiento es finito.
Las muestras de entrenamiento deben ser seleccionadas bajo los mtodos de seleccin de muestras, entre los que se
incluyen los mtodos de edicin y los adaptativos. El primer mtodo consiste en redefinir el conjunto de
muestras de entrenamiento eliminando las que se encuentren en zonas de solapamiento entre cla-
ses (Wilson 1972) y el segundo mtodo consiste en imponer sobre los agrupamientos existentes,
ciertas relaciones de vecindad entre las muestras, de manera que cada clase se caracteriza por un
nmero fijo y reducido de muestras o prototipos, corrigindose la posicin inicial de los prototipos
de forma que al final del proceso de aprendizaje las fronteras de decisin entre clases sean lo ms
parecidas a las ptimas.
El precursor de esta tcnica fue Kohonen (1990) y la denomin self-organizing map. Es una tcnica
particular de redes neuronales, existiendo multitud de variantes de la misma aplicadas tanto a los
entrenamientos supervisados como no supervisados. Otro mtodos de muestreo adaptativo puede
ser el propuesto recientemente por Yu & Gales (2007), aunque su investigacin ha sido encaminada
hacia la mejora del mtodo de clasificacin de mxima verosimilitud. En total Cortijo Bon (1995)
enumera hasta 8 algoritmos de edicin de muestras de entrenamiento y 11 distintos algoritmos de
mtodos adaptativos.

E. Quirs Rosado 33
MEN SALIR
1.3.4.2.2 Mtodo de rboles de decisin
Actualmente este es un mtodo muy utilizado en clasificaciones tanto multiespectrales como hi-
perespectrales. Lu & Weng (2007) en su revisin a los algoritmos de clasificacin existentes en la
actualidad, lo engloba dentro de los clasificadores por-pxel, o sea, que no tiene en cuenta la hete-
rogeneidad de terreno al que representa el pxel (pxeles pertenecientes a ms de una clase). Desde
otro punto de vista, clasifican este mtodo de rboles de decisin dentro de los clasificadores du-
ros, que solo permiten "entrenar" al sistema de modo que un determinado uso o cobertura es ex-
clusivamente de una clase.
Una visin particular es la de Duda et al (2000), que incluyen este mtodo de clasificacin dentro de
un nuevo grupo de clasificadores denominado no mtricos ya que se podran clasificar datos nomi-
nales tales como descripciones discretas y sin ninguna nocin natural de similitud o incluso de or-
den.
Son muchos los trabajos que han aplicado las tcnicas de rboles de decisin a tareas de clasifica-
cin en teledeteccin. Algunos ejemplos son: Fitzgerald & Lees (Fitzgerald & Lees 1994), Friedl &
Brodley (1997), DeFries & Cheung-Wai Chan (2000), McIver & Friedl (2002), Gmez-Chova et al.
(2003), Yang et al. (2003), Mahesh & Mather (2003), Lawrence et al. (2004), Gislason et al. (2006), Wa-
heed et al. (2006) En la gran mayora de ellos el mtodo empleado por excelencia en trabajos de
teledeteccin es el de classification and regression trees: CART propuesto por Briedman et al.
(1993), aunque tambin se emplean variantes del mtodo resultantes de implementar el algoritmo
bsico con los mtodos boosting, bagging y Random Forest. De estas variantes hablaremos poste-
riormente.
Un rbol de decisin es un cuestionario jerrquico, en el que la respuesta a una pregunta determi-
na la siguiente pregunta. Mediante este rbol de decisin cada observacin X ser asignada a una
regin etiquetada como una clase en concreto. El proceso de construccin del rbol de clasifica-
cin se realiza mediante una particin recursiva del espacio de observaciones u en base a las
muestras de entrenamiento. El nodo de partida se denomina raz y tiene asignadas todas las mues-
tras de entrenamiento. Posteriormente, se va partiendo este conjunto inicial evaluando una regla
lgica sobre el valor o valores de algunas variables, de manera que las muestras que verifican la
condicin se asignan a un nodo hijo, y las restantes al otro nodo hijo. Este proceso se repite recur-
sivamente hasta que se verifica la condicin establecida como parada. Finalmente a cada nodo se
le asigna la etiqueta de la clase ms representada en ella.
Figura 12: Clasificador de rbol binario. Fuente: Cortijo Bon (1995).
Para la construccin de un rbol de clasificacin hay que especificar 4 elementos bsicos:
34
MEN SALIR
1. Un conjunto de Q preguntas binarias que permitan la particin de cada nodo del
rbol: Estas preguntas sern de una u otra forma en funcin de si se quiere hacer
una particin ortogonal (paralelas a los ejes de representacin del espacio) u obli-
cua. Si la particin es ortogonal las preguntas son de la forma x
m
6c? y si la parti-
cin es oblicua la pregunta sera
_
=
s
N
m
m m
c x a
1
? lo que supondra un clculo
ms complicado y en algunas ocasiones, particiones ms precisas.
Figura 13: Particiones ortogonal y oblicua en rboles de decisin. Fuente: Duda et al. (2000).
2. Una funcin que mida la bondad del criterio de particin: La particin ha de
realizarse de forma que los datos de cada uno de los subconjuntos descendientes
sean ms puros que en el conjunto padre. As, el grado de impureza i(t) de cada
nodo t se define en funcin de las probabilidades p(Jt) de cada clase dentro de la
regin definida por el nodo t, y la bondad de la particin s en un nodo t se define
como el decrecimiento en impureza conseguido con ella.
) ( ) ( ) ( ) , ( ) , (
R Ri L i L
t p t p t i t s i t s = A = +
Ec. 66: Bondad de la particin en un nodo de los rboles de clasificacin.
siendo el esquema de particin el siguiente:
Figura 14: Esquema de particin en un rbol de clasificacin. Fuente: Cortijo Bon (1995).
3. Una regla de parada para detener el proceso: La subdivisin del espacio contina
de acuerdo con el procedimiento especificado hasta que se satisface un criterio de
parada o prepoda como fijar un valor para :> 0 y declarar t como nodo terminal si:
{ } | < A
e
) , ( max t s i
S s
.

E. Quirs Rosado 35
MEN SALIR
Tambin se podra dar por finalizado el proceso si se alcanzan todos los nodos termi-
nales con ejemplos de una nica clase (nodos puros), o no existe una divisin tal que
los dos nodos hijos tengan algn dato. Esto conllevara a la generacin de un rbol que
se ajusta demasiado a los datos de entrenamiento pero que, a menudo, cuando se le
presentan nuevos datos para clasificar, no tiene la suficiente capacidad de generaliza-
cin (Martnez 2006)
En general no se utilizan los criterios de prepoda, puesto que podran detener el proce-
so antes de tiempo o demasiado tarde, siendo difcil que el crecimiento se pare unifor-
memente en todas las ramas del rbol. La manera ms correcta de proceder segn
Briedman et al. (1993) es construir un rbol relativamente grande y proceder a su pos-
terior poda obteniendo una secuencia decreciente de rboles, siendo uno de ellos el
elegido finalmente en funcin del que tenga asociado el menor error y menor compleji-
dad.
4. Una regla para asignar cada nodo terminal a una clase: La forma ms simple es
la de asignar al nodo terminal la clase para la cual p(jt) es mxima.
Las variantes del mtodo de clasificacin mediante rboles de Decisin, de las que hemos hablado
al comienzo de este apartado, se refieren a un tipo de clasificacin denominada conjuntos de
clasificadores, que son sistemas que clasifican nuevos ejemplos combinando las decisiones indi-
viduales de los clasificadores de los que estn compuestos.
Los conjuntos de clasificadores se construyen en dos fases: En una primera fase, la fase de entre-
namiento, se genera una serie de clasificadores (a cada uno de ellos lo denominaremos clasificador
individual o clasificador base) con un algoritmo concreto (que denominaremos algoritmo base). En
una segunda fase se combinan las distintas hiptesis generadas (Martnez 2006).
El denominado boosting fue desarrollado por Schapire (1990) y es un mtodo genrico para mejo-
rar el desarrollo de cualquier algoritmo de aprendizaje. No fue aplicado a tcnicas de clasificacin
de rboles de decisin hasta Freund & Schapire (1996). En ste trabajo, adems, se compar los
resultados de implementar el clasificador de rboles de decisin mediante los algoritmos boosting y
bagging, siendo ste ltimo propuesto por Briedman (2001) y desarrollado explcitamente para im-
plementar los clasificadores de rboles de decisin.
La diferencia entre ambos mtodos consiste en que mientras que el proceso de bagging est basa-
do en entrenar varios clasificadores en algunas muestras del conjunto de entrenamiento total, que
previamente se han catalogado como reductoras de la varianza de la clasificacin, el mtodo boos-
ting construye clasificadores mediante la asignacin de pesos a los ejemplos de forma adaptativa.
En cada iteracin del mtodo boosting se construye un clasificador que intenta compensar los erro-
res cometidos previamente por otros clasificadores. Para lograr que cada nuevo clasificador mejore
los resultados en regiones donde fallan los anteriores se utiliza un conjunto de datos ponderado
cuyos pesos son actualizados tras cada iteracin: Se incrementan los pesos de los ejemplos mal
clasificados por el ltimo clasificador y se reducen los pesos de los bien clasificados.
Dicho de otra manera, el mtodo boosting esta basado en re-ponderaciones de la muestra y el m-
todo bagging consiste en construir un clasificador completo a partir de previas versiones de clasifi-
cadores ms simples. El mtodo boosting tiene un mayor coste computacional, pero en la gran ma-
yora de los casos es ms exacto que el mtodo bagging, reduciendo el sesgo y la varianza de la cla-
sificacin.
La ltima variante de los rboles de clasificacin es el denominado Random-Forest (Briedman 2001),
que puede ser considerado como una versin mejorada del mtodo bagging, y que consiste en una
combinacin de clasificadores de rboles de decisin tal que cada rbol depende de los valores de
un vector de la muestra aleatoria de forma independiente y con la misma distribucin para todos
36
MEN SALIR
los rboles. Breidman define un bosque aleatorio como un clasificador compuesto por rboles de
decisin donde cada rbol h
t
ha sido generado a partir del conjunto de datos de entrenamiento y
de un vector ,
t
de nmeros aleatorios idnticamente distribuidos e independientes de los vectores
,
1
, ,
2
,..., ,
t-1
previamente utilizados para generar los clasificadores h
1
, h
2
, ..., h
t-1
respectivamente.
Gislason et al. (2006) han demostrado ventajas de este mtodo con respecto a los mtodos boosting
y bagging tales como: rapidez, la posibilidad del mtodo de estimacin de la importancia de las va-
riables en la clasificacin y la de deteccin de outliers u observaciones que, siendo atpicas y/o
errneas, tienen un comportamiento muy diferente con respecto al resto de los datos.
1.3.4.2.3 Redes neuronales
El uso de la tcnica de clasificacin mediante redes neuronales artificiales (Artificial Neural Net-
works) se ha extendido ampliamente en los ltimos aos. Tienen varias ventajas, aadidas a su na-
turaleza no paramtrica, tales como, la capacidad de generar fronteras de decisin arbitrarias, fcil
adaptacin a diferentes tipos de datos y estructuras de entrada, generacin de valores difusos y
generalizacin de uso con mltiples imgenes, por lo que es una prometedora tcnica para la clasi-
ficacin de la cubierta terrestre (Lu & Weng 2007).
Se ha dicho, y se repite en todos los textos, que el funcionamiento de las redes neuronales artifi-
ciales se basa en el comportamiento de las neuronas reales de nuestro sistema nervioso pero, sin
demrito de la idea original, esta analoga es muy exagerada y no debera insistirse en ella. Las re-
des neuronales artificiales se construyen mediante conjuntos de unidades de procesamiento entre-
lazadas, en los que, cada unidad o neurona recibe informacin ponderada de entrada proveniente
de otras neuronas para, previa suma de dichas entradas ponderadas, realizar un clculo simple so-
bre el resultado de dicha suma (por ejemplo umbralizacin) y posteriormente enviar un dato de
salida a otras neuronas.
El proceso de umbralizacin consiste en la comparacin del resultado de la suma ponderada S con
un valor preestablecido T para posteriormente enviar una u otra salida en funcin de si el valor de
S es mayor o menor que T.
A todo este proceso se le ha de aadir la capacidad de aprendizaje de la neurona denominado heb-
bian learning desarrollado por Hebb (1949). Este proceso se realiza mediante una fase de entrena-
miento en el que las redes neuronales artificiales se basan en las muestras de entrenamiento, en-
sayan y repiten el proceso hasta obtener un resultado de salida de la clasificacin muy aproximado
al real. Al comienzo de la fase de entrenamiento, los pesos iniciales de entrada son aleatorios, y a
medida que se van repitiendo los procesos se van reajustando para ir igualando la salida obtenida
a la salida real.
La distribucin de neuronas dentro de una red se realiza formando niveles o capas de un nmero
determinado de neuronas cada una. A partir de su situacin dentro de la red se pueden distinguir
tres tipos de capas:
De entrada: Estas capas reciben la informacin desde el exterior.
De Salida: Estas envan la informacin hacia el exterior.
Ocultas: Son capas que slo sirven para procesar informacin y comunicar otras capas.
El modelo ms escueto que se puede presentar es el llamado perceptrn simple, que consta de
dos capas de neuronas. Este tipo de modelo slo puede dar solucin a un problema de clasifica-
cin en el que la frontera de decisin es una lnea recta que divide las clases. Existe otro modelo
ms complejo capaz de llevar a cabo umbralizaciones ms complicadas y que consta de una capa
de entrada, una capa de salida y una o ms capas ocultas, es el llamado perceptrn multicapa.
En este modelo no existe interconexin entre las neuronas de una misma capa, pero s que todas

E. Quirs Rosado 37
MEN SALIR
las neuronas de una capa estn conectadas con todas las neuronas de las capas adyacentes.
Figura 15: Organizacin del modelo de perceptrn multicapa. Fuente: Schowengerdt (2007).
El algoritmo ms utilizado en el perceptrn multicapa es el de propagacin hacia atrs. Este algorit-
mo est compuesto de dos pasos. En el primero cada muestra se introduce en la capa de entrada y
se producir una salida tal y como se ha explicado en el apartado anterior. El error cometido en la
salida ser distribuido a travs de la red en sentido contrario, desde la capa de salida hacia la de
entrada, ajustando los pesos de la informacin transmitida. De ese modo, los pasos del proceso se
repetirn hasta que la red haya aprendido las caractersticas de todas las clases de las muestras de
entrenamiento.
Durante el primer paso del proceso (direccin hacia delante), la cantidad de seal recibida por una
neurona puede ser expresada de la forma:
ji
i
i j
w a x
_
=
Ec. 67: Seal recibida por una neurona.
En la que e
ji
es el peso de la conexin entre las neuronas i y j, y a
j
es la actividad de la neurona que
es una funcin no linear de la forma:
|
|
.
|
\
|
+
=
T
x
a
j
j
exp
1
1
1
Ec. 68: Actividad de una neurona.
En esta funcin interviene la denominada Temperatura T, que normalmente adopta un valor de
T=1, y que tiende a hacer la curva sigmoidal ms abrupta cuando T<1 y ms gradual cuando T>1,
(Tso & Mather 2001).
En el segundo paso (propagacin hacia atrs), los pesos se modificarn empezando desde la capa
de salida hasta la de entrada segn la siguiente expresin:
n
ji
n
ji
n
ji
w
E
w w
c
c
=
+
q
1
Ec. 69: Modificacin de los pesos asignados a las conexiones entre neuronas.
38
MEN SALIR
En la que es el peso asociado a la conexin entre las neuronas i y j en la poca n, q es la tasa
de aprendizaje (0 s q s 1) y
n
ji
w
n
ji
w
E
c
c
es el gradiente Interpretado como el cambio en el error E que re-
sultara del cambio en el peso . Los valores iniciales de los pesos son normalmente valores alea-
torios pequeos.
n
ji
w
Segn Mather (2004) las ventajas de la utilizacin del algoritmo de propagacin hacia atrs en una
red neuronal artificial multicapa seran:
- Aceptacin de todo tipo de entradas numricas, se adapten o no a una distribucin
estadstica. De ese modo, se podran aadir a la clasificacin otros datos ajenos a
la teledeteccin. Esta ventaja fue constatada ya desde los comienzos de la aplica-
cin de redes neuronales en tcnicas de clasificacin (Benediktsson et al. 1989).
- Estas redes pueden reconocer entradas que sean similares a las de la muestra de
entrenamiento, pudiendo generalizar con mayor xito las redes ms pequeas que
las compuestas por mayor nmero de neuronas. En cuanto a este concepto Wang
et al. (2005) difieren ya que, tras un estudio del impacto del tamao de una red de
propagacin hacia atrs, sus resultados no muestran ningn sesgo entre el tamao
de la red y el rendimiento para un determinado error de validacin.
- Debido a que las redes consisten en un nmero de capas de neuronas conectadas
por uniones ponderadas, son tolerantes al ruido inherente en los patrones de en-
trenamiento. El resultado total no debera estar significativamente afectado por la
prdida de una o dos neuronas como resultado de la entrada de datos de entrena-
miento con ruido.
Las desventajas que se presentan en su trabajo son:
- El diseo de la red, entendiendo por diseo, el nmero de capas y el nmero de
neuronas. Acerca de esta desventaja se han realizado varios estudios, Ostafe (2005)
recomienda, para la eleccin del nmero de capas ocultas, comenzar con una y si
los resultados no son buenos, ir incrementando sucesivamente. Con respecto al
nmero de neuronas afirma que, debera ser un poco mayor, pero si el nmero de
neuronas es demasiado grande, entonces existe el riesgo de que la red genere rui-
dos y si el nmero de neuronas es pequeo, entonces la red no puede aprender co-
rrectamente.
Sin embargo Keiner (1999) comprob que el incremento de neuronas ocultas, a pe-
sar de incrementar la precisin, incrementa tambin el nmero de ponderaciones
necesarias, con lo que el clculo se hace ms extenso. Afirma que debera existir un
balance entre la precisin y el tiempo de clculo. Por todo ello concluye que una
buena eleccin para tareas de clasificacin, es la de una red de propagacin hacia
atrs con tres capas ocultas.
Otro autor, Tamura (1997), afirma que el nmero de neuronas en las capas ocultas
debe corresponder con el nmero de variables independientes que se necesiten pa-
ra solucionar el aprendizaje, afirmacin que concuerda con la realizada por Paola &
Schowengerdt (1995), que sostiene que para obtener una buena clasificacin se ha
de tener una neurona de entrada por cada banda de la imagen y una neurona de
salida por cada clase, con lo que el nmero de parmetros de una red neuronal se-
r:

E. Quirs Rosado 39
MEN SALIR
( )
CLASES BANDAS OCULTAS NEURONAS CAPAS RN
N N N N N + + =
Ec. 70: Nmero de parmetros en una red neuronal.
- El tiempo de clculo es largo. Los clculos que al algoritmo de clasificacin de
mxima verosimilitud le llevaran menos de un minuto, las redes neuronales necesi-
taran varias horas de entrenamiento para obtener un resultado con el mismo nivel
de exactitud. Este problema se solventa con algoritmos en paralelo como los pro-
puestos en Plaza et al. (2008).
- Los resultados obtenidos por una red neuronal dependen de los valores iniciales de
las ponderaciones dadas a las conexiones entre neuronas. Hemos dicho que se
comienza el proceso con valores aleatorios pequeos para dichos pesos, si varia-
mos la ponderacin inicial, entonces obtendremos diferentes exactitudes. De este
modo se han propuesto varios mtodos para la inicializacin de los pesos. Yam et
al. (1997) propuso un mtodo basado en lgebra lineal de manera que al reducir el
error inicial de la red se reduce el tiempo de entrenamiento. Un trabajo posterior
(Yam & Chow 2000) implement el algoritmo mediante la desigualdad de Cauchy.
- La capacidad de generalizacin de las redes neuronales depende en gran medida
del nmero de neuronas ocultas y del nmero de iteraciones necesarias para el en-
trenamiento o aprendizaje.
A este conjunto de desventajas deberamos aadirle la enunciada por Foody (2001) en la que se
afirma que las redes neuronales tales como el perceptrn multicapa no son del todo libres de su-
posiciones, ya que normalmente se supone que el conjunto de entrenamiento de las clases se ha
definido exhaustivamente, pero si esa condicin no se satisface, se producira un detrimento de la
exactitud de la clasificacin. Para evitar este problema propone utilizar un mtodo de clasificacin
alternativo denominado Radial Basis Function que es otro algoritmo basado en redes neuronales
pero que tiene la capacidad de identificar casos atpicos mediante un anlisis posterior del resulta-
do de la clasificacin.
Adems del mtodo del perceptrn multicapa existen mltiples algoritmos desarrollados por los
investigadores basados en redes neuronales artificiales. Entre ellos se encuentra el LVQ (Learning
Vector Quantization) que puede ser considerado como una versin supervisada del SOM (Self organi-
zing Map) propuesto por Kohonen (1990), mtodo no supervisado y del que hemos hablado en
apartados anteriores. Este mtodo LVQ fue probado en Vassilas et al. (1997) y result ser un mto-
do con gran reduccin de la fase de entrenamiento. Otra variante de redes neuronales utilizada en
clasificacin de imgenes es ART (Adaptive Resonance Theory) propuesta por Carpenter & Grossberg
(1988) que sigue un mtodo de aprendizaje no supervisado basado en redes neuronales, pero que
ha dado lugar a variantes tales como ARTMAP (adaptive resonance theory-supervised predictive mapping)
(Carpenter et al. 1991) que consiste en un mtodo supervisado formado por dos mdulos ART y
Fuzzy ARTMAP (Carpenter et al. 1992) que es una variante mejorada del anterior.
Haciendo una revisin histrica, el primer estudio en el que se compararon los mtodos estadsti-
cos paramtricos de clasificacin (mnima distancia eucldea, mxima verosimilitud...) con mtodos
basados en redes neuronales fue Benediktsson et al. (1989), en el que se demostr que las redes
neuronales tenan un gran potencial para clasificar imgenes multiespectrales con precisiones muy
similares a las tcnicas clsicas con la ventaja de la no suposicin de la distribucin de clases in-
herente a los mtodos no paramtricos. A este trabajo le siguieron los de Bischof et al. (1992), Ka-
mata et al. (1992), Solaiman & Mouchot (1994), Kim et al. (1995) y muchos ms en los que se com-
pararon los resultados de las clasificaciones realizadas mediante redes neuronales y mediante el
40
MEN SALIR
mtodo de mxima verosimilitud, obtenindose en todos resultados muy satisfactorios ya que el
aumento en el tiempo de clculo se ve compensado por su naturaleza no paramtrica.
1.3.4.2.4 Mtodo del paraleleppedo
Existen discrepancias en cuanto a la naturaleza paramtrica-no paramtrica de este clasificador, de
manera que hay autores como Brunn et al. (2004) que lo incluyen en el grupo de los paramtricos
argumentando que es ideal pero no crucial que los datos de entrenamiento estn distribuidos
normalmente. Sin embargo la gran mayora de los autores lo engloban dentro de los mtodos no
paramtricos, algunos como Belward & Valenzuela (1991) basando su categorizacin en que en s-
te mtodo no se considera la distribucin de los pxeles de entrenamiento en cada clase. Girard
(2003) describe la clasificacin por paraleleppedos como un mtodo basado nicamente en un
modelo radiomtrico, no dependiente ni de mediciones de distancias ni probabilidades.
El modo de proceder del mtodo del paraleleppedo es, tras la representacin de cada pxel de las
muestras de entrenamiento en un diagrama cartesiano con tantos ejes como bandas tenga la ima-
gen, definir un sub-espacio de forma paraleleppeda, por ejemplo un hiper-rectngulo para cada
clase. Los lmites del paraleleppedo para cada clase pueden estar definidos por el mximo y el m-
nimo valor de los pxeles de cada clase, o alternativamente, por la desviacin estndar o multipli-
cada por un cierto nmero a cada lado de la media de los datos de entrenamiento de cada clase
(Tso B. 2001).
Figura 16: Algoritmo de clasificacin del paraleleppedo en un espacio tridimensional.
La regla de decisin est basada en un operador lgico booleano y/o: Si y slo si la observacin
est contenida en el intervalo definido para todas las d bandas, entonces ser asignado a la clase
en cuestin.
si X
c
e [
c
-o
c
,
c
+o
c
] entonces Xc e Clase C
Ec. 71: Regla de decisin del clasificador paraleleppedo.
Si la observacin X
C
est contenida en varias clases lo ms habitual es que se asigne a la clase del
primer paraleleppedo en el que est contenido, con lo cual, el orden en el que se evalen los para-

E. Quirs Rosado 41
MEN SALIR
leleppedos es de crucial importancia, no existiendo normalmente ninguna regla para definir el me-
jor orden.
Otro mtodo tambin bastante extendido para la asignacin de esa observacin a una clase es el
de calcular su distancia eucldea hasta el centro de cada uno de los paraleleppedos a los que per-
tenece y utilizar la regla de la mnima distancia para definir su clasificacin correcta (Mather 2004).
Sin embargo, otros autores como Davis & Wang (2002) prefieren utilizar la regla de clasificacin de
mxima verosimilitud para realizar la decisin final en los paraleleppedos con solapamiento. Lo
que si que est claro es que en la gran mayora de los casos es necesaria una reclasificacin adi-
cional para evitar ambigedades que contrarresta la simplicidad y rapidez del mtodo.
Un caso conflictivo que se nos puede presentar es que la observacin X
C
no se encuentre dentro
de ningn paraleleppedo definido por las muestras de entrenamiento, en ese caso lo normal es
que se le etiquete como sin clasificar.
Este mtodo de clasificacin, aunque es muy simple y rpido, tiene algunas desventajas, que auto-
res como Verbyla (2002) resumen en: La utilizacin de los valores mximo y mnimo de cada clase
de la muestra de entrenamiento como representativos de la clase; el solapamiento entre clases
requiere un tratamiento de decisin adicional; los pxeles no contenidos en los paraleleppedos se
quedarn como no clasificados; cada pxel es clasificado sin estimacin de la confianza de la pre-
diccin y finalmente, este tipo de clasificador no representa la correlacin espectral de las clases.
Una nueva variante del mtodo fue propuesta por Xiang et al. (2005) en la que con la ayuda de al-
goritmos genticos lograron transformar la clasificacin en un mtodo no supervisado en el que,
por tanto, el operador no ha de definir los lmites de los paraleleppedos indicativos de cada clase.
1.3.4.2.5 Mtodo del ngulo espectral
Este mtodo, a pesar de que fue desarrollado para imgenes hiperespectrales, no utiliza ninguna
de las caractersticas especiales de dichas imgenes y por tanto, puede ser aplicado tambin a
imgenes multiespectrales (Schowengerdt 2007).
Segn afirman Sohn & Rebello (2002), la distancia eucldea, incluidas sus variaciones como la dis-
tancia de Mahalanobis, es inherentemente insensitiva a la forma del patrn espectral y el coseno
del ngulo u (ngulo espectral) proporciona una mejor definicin de similitud debido a su natura-
leza invariante a las variaciones linealmente escaladas. Esas variaciones estn causadas por las va-
riaciones en iluminacin debidas a la topografa del terreno. As, dos clases de suelo idnticas
pueden originar vectores espectrales de distinta magnitud en funcin de la cantidad de luz recibi-
da, por lo tanto si la medida del ngulo espectral es independiente de esa magnitud, este mtodo
de clasificacin puede ser utilizado en imgenes no corregidas por el efecto topogrfico y/o atmos-
frico.
Si consideramos dos firmas espectrales (Figura 17) que representan dos clases en el espacio bidi-
mensional (bandas x e y), obtendremos dos vectores v
1
y v
2
. La distancia eucldea entre las clases
es la longitud que une sus extremos, d, y su ngulo espectral es el coseno del ngulo u, de manera
que su magnitud viene dada por la siguiente expresin:
2 1
2 1
,
2 1
cos
v v
v v
T
v v
= u
Ec. 72: ngulo espectral entre dos vectores.
Si escalamos los vectores por una dimensin r, segn la Figura 17, mientras que la distancia eucl-
42
MEN SALIR
dea d es escalada en la misma dimensin r, el coseno del ngulo espectral permanece invariable.
Figura 17: ngulo espectral y distancia espectral en el espacio bidimensional. Fuente: Sohn et al. (1999).
Sohn & Rebello (2002) han desarrollado un clasificador supervisado basado en la medicin del n-
gulo espectral como medida de distancia de cada pxel a la clase correspondiente sta distancia
est medida en unidades angulares (0-90) y viene dada por la siguiente expresin:
(
(
(
(
=
_ _
_
= =
=
d
k
d
k
k w k i
d
K
k w k i
X
i
i
i
x
x
1 1
2 2
,
1
,
1
,
cos
u
e
Ec. 73: ngulo espectral entre una observacin X y la clase e
i
.
De manera que cada observacin pertenecer a la clase a la que menor ngulo espectral le separe.
Este mtodo no requiere que los datos estn distribuidos normalmente, y es insensible a las va-
rianzas de los datos y al tamao de la muestra de entrenamiento. El clasificador del ngulo espec-
tral se apoya en la forma del patrn espectral, mientras que otros clasificadores se apoyan en la
distribucin estadstica del patrn en el espacio objeto. De ah su naturaleza no paramtrica.
1.3.5 Proceso de eleccin del mtodo de clasificacin
Una vez repasados algunos de los mtodos ms utilizados en la comunidad de la teledeteccin,
sealaremos los criterios a tener en cuenta a la hora de seleccionar uno u otro mtodo.
Segn Henery (1994) la eleccin del mtodo de clasificacin ha de estar basada en la siguientes
premisas:
- Exactitud: indicar la fiabilidad de las reglas de clasificacin o lo que es lo mismo, la
proporcin de clasificaciones correctas que aporta cada mtodo. Ser necesario
estudiar la exactitud no slo a nivel general, sino que incluso algunos mtodos se-
rn ms exactos para algunas clases en concreto y otros lo sern en otras, con lo
que en funcin de la jerarqua de importancia de nuestras clases habr que esta-
blecer el mtodo ms exacto.
- Rapidez: En muchos casos esta premisa supera en la prioridad de eleccin a la ante-

E. Quirs Rosado 43
MEN SALIR
44
rior, ya que se ha de intentar un equilibrio razonable entre la productividad del m-
todo de clasificacin y la exactitud del mismo.
- Comprensin: El mtodo elegido ha de ser entendido por el operador que lo ha de
aplicar.
- Tiempo de aprendizaje: Especialmente en un entorno variable, se hace necesario
aprender o reajustar las reglas de clasificacin en el menor tiempo posible.
En nuestro caso slo tendremos en cuenta la primera de las premisas, realizando la comparacin
del mtodo de clasificacin propuesto con los mtodos de clasificacin convencionales en funcin
de la exactitud aportada por los mismos.
1.4 Definicin del problema
Los mtodos de clasificacin usualmente utilizados en teledeteccin presentan algunos problemas
bsicos debidos a su poca adecuacin a las caractersticas de los datos de partida y a su imposibi-
lidad de configuracin e interaccin con el usuario.
Tal y como se ha explicado en esta introduccin, tradicionalmente los mtodos de clasificacin se
dividen en dos grandes familias. La primera familia es la de mtodos paramtricos (mxima verosi-
milutud, bayesianos) cuyas condiciones iniciales (distribuciones gaussianas de las reflectancias,
homocedasticidad
2
) no se cumplen nunca en las imgenes procedentes de teledeteccin. Eso
significa que la potencia de los tests asociados a dichas pruebas queda gravemente mermada y las
clasificaciones pueden ser innecesariamente deficientes. La segunda familia incluye mtodos no
paramtricos (redes neuronales, rboles de clasificacin y otros). Estos mtodos tienen problemas
relacionados con su carcter de caja negra que dificulta o impide entender las relaciones de la
clasificacin con las variables iniciales y limita enormemente la generalizacin de resultados obte-
nidos en casos concretos a otras zonas o casos.
En este contexto general, vamos a proponer y probar en este trabajo un nuevo mtodo de clasifi-
cacin de imgenes multiespectrales que pensamos que puede mejorar los existentes cubriendo
algunos de los problemas por lo que se ven afectados. Para ello se realizarn las clasificaciones
adaptando el proceso a la naturaleza probabilstica del mtodo y se compararn los resultados con
mtodos clsicos para verificar lo acertado o no de lo propuesto.
2
La homocedasticidad es una propiedad fundamental del modelo de regresin lineal general y est dentro de
sus supuestos clsicos bsicos. Se dice que existe homocedasticidad cuando la varianza de los errores esto-
csticos de la regresin son los mismos para cada observacin i.
MEN SALIR
Captulo 2 Objetivos del trabajo
Captulo 2 Objetivos del trabajo
En este captulo definiremos el objetivo general que ha sido el motivo de la elaboracin de esta
tesis. Adems, la realizacin del trabajo ha ido dando lugar a la determinacin de varios objetivos
especficos que son los que se incluyen en el segundo apartado del captulo.
2.1 Objetivo general
Se propone un nuevo mtodo de clasificacin de imgenes multiespectrales basado en MARS (mul-
tiple adaptive regression splines), mtodo no paramtrico propuesto por Friedman (1990) en mbi-
tos muy diferentes y que slo existe constancia de que ha sido utilizado una vez en el mbito de la
teledeteccin por Solberg (2004), pero en el rango espectral de las microondas, con lo que su me-
todologa y resultados no son comparables a los de este trabajo.
Se realizarn las clasificaciones adaptando el proceso a la naturaleza probabilstica de MARS y se
compararn los resultados con mtodos clsicos para verificar las ventajas del mtodo propuesto.
MARS ha sido utilizado en otros campos con xito. Su carcter no paramtrico, la gestin de inter-
acciones y no linealidad y la transparencia en cuanto a comprender la intervencin y peso de las
variables iniciales sugieren que puede ofrecer ventajas importantes en las clasificaciones. Se ha
encontrado referencia al mtodo de clasificacin MARS en Duda et al. (2000), que lo engloba de-
ntro de los mtodos de clasificacin mediante redes neuronales multicapa y en Molina et al.(1994),
pero no se tiene constancia de que se haya aplicado en problemas de clasificacin de imgenes
multiespectrales. De hecho, en este ltimo trabajo, refirindose al mtodo de clasificacin MARS y
al ACE, se expone:
Creemos que estos mtodos tendrn un hueco en la prctica de la clasificacin, en cuanto se sol-
venten algunos problemas relativamente pequeos. Todava, sin embargo, no podemos recomen-
darlos basndonos en nuestros ensayos empricos.
Para resolver estos problemas y comprobar la calidad de la clasificacin se trabajar con una ima-
gen del sensor ASTER y con varias categoras del mapa forestal de Extremadura, como reas de
entrenamiento y posterior control del error.
2.2 Objetivos especficos
Una vez definido el objetivo principal, detallamos a continuacin los objetivos especficos.
Tal y como ya se ha indicado, las reas de entrenamiento para la realizacin de las clasificaciones
fueron extradas del mapa forestal de Extremadura. Su determinacin marcar el primer objetivo
especfico de esta tesis:
a) Comprobar si existe relacin entre el tamao de la muestra de entrenamiento y la exac-
titud de la clasificacin MARS.
Antes del comienzo de las clasificaciones se realizaron varios estudios de separabilidad entre las
clases o categoras del mapa forestal con las que se iba a trabajar. Este estudio conlleva:
b) Analizar si existe correspondencia entre los resultados de los distintos estudios de se-
parabilidad.
c) Estudiar si existe correspondencia entre las separabilidad entre clases y la exactitud de
esas clases en los distintos mtodos de clasificacin.
45
MEN SALIR
46
Algunas de las ventajas del mtodo de clasificacin MARS son: su carcter no paramtrico, la ges-
tin de interacciones y no linearidad y la transparencia en cuanto a comprender la intervencin y
peso de las variables iniciales. Con esto, los siguientes objetivos especficos sern:
d) Realizar un mtodo de clasificacin basado en la tcnica pairwise (por parejas) median-
te el clasificador MARS con datos provenientes de un sensor multiespectral.
e) Estudiar detalladamente las probabilidades generadas por MARS para las parejas de
clases, implementando una aplicacin que calcule el punto ptimo de corte que delimi-
te el espacio de pertenencia a una u otra clase.
Finalmente, y una vez obtenidos los ficheros mapas finales de clasificacin por el mtodo MARS y
por los otros dos mtodos clsicos se compararn sus resultados mediante dos variantes:
f) Se estudiarn las tres tcnicas de clasificacin mediante mtodos de control del error
adaptados a las caractersticas no deterministas de la clasificacin. En este caso se rea-
lizar un anlisis de la curva ROC para las probabilidades de cada clase en todos los
mtodos.
g) Se comprobarn las clasificaciones mediante los mtodos clsicos de control de exac-
titudes: matrices de confusin y estadsticos asociados.
MEN SALIR
Captulo 3: Zona de estudio y material
E. Quirs Rosado 47
Captulo 3 Zona de estudio y material
En este tercer captulo describiremos la zona de trabajo, la situaremos geogrficamente y estudia-
remos los tipos de vegetacin predominantes en la misma. Para ello y en primer lugar, especifica-
remos los tipos de cobertura del suelo de la comunidad de Extremadura. Seguidamente, centrare-
mos geogrficamente nuestra descripcin al mbito estricto de la imagen utilizada en el trabajo.
En segundo lugar llevaremos a cabo una descripcin del material que se ha utilizado describiendo
tanto el sensor espacial ASTER, como las imgenes generadas por ste. Detallaremos la imagen
utilizada y las operaciones previas realizadas en la misma antes de comenzar los procesos de clasi-
ficacin.
Finalmente, haremos referencia a las aplicaciones informticas que han sido necesarias para la ela-
boracin de este estudio.
3.1 Zona de estudio
Las coordenadas geogrficas del centro de la imagen de satlite con la que hemos trabajado son
38.74 Norte y 6.06 Oeste, lo que la sita en la Comunidad Autnoma de Extremadura, y ms
concretamente en la parte norte de la provincia de Badajoz. La altitud media del terreno que en-
globa dicha imagen es de 350 m sobre el nivel del mar.
Figura 18: Localizacin geogrfica de la imagen.
En primer lugar haremos referencia al tipo de vegetacin existente en la regin extremea. Para ello
nos basamos en Devesa (1995) donde se indica un predominio de vegetacin de carcter medite-
rrneo, con elementos plenamente adaptados a la estacionalidad tpica de este clima.
MEN SALIR
48
Figura 19: Extremadura, ocupacin del suelo en ao 2000. Fuente: Observatorio de la sostenibilidad (2006).
Segn el informe del Observatorio de la Sostenibilidad (2006), la distribucin de la ocupacin del
suelo en Extremadura en el ao 2000 tiene las siguientes caractersticas:
- Es una de las comunidades con mayor extensin agrcola, tanto en cifras absolutas
(2.311.234 ha) como en porcentaje de superficie total (55%).
- La dehesa es un elemento distintivo del paisaje rural extremeo, siendo la clase
dominante dentro de las zonas agrcolas (45% del total agrcola).
- La segunda clase en extensin corresponde a las zonas forestales (42%), dentro de
las cuales, las superficies arboladas suponen el 18%.
- Otro elemento caracterstico de esta comunidad es el elevado porcentaje de super-
ficies de agua, de las cuales ms del 91% corresponden a embalses.
- Extremadura se caracteriza por ser una de las comunidades con menor porcentaje
de zonas artificiales, entendiendo por zonas artificiales las zonas urbanas, indus-
triales, redes de transporte, etc.
As podramos distribuir las principales clases de cobertura del suelo en Extremadura de la siguien-
te forma:
MEN SALIR

E. Quirs Rosado 49
Figura 20: Distribucin de clases de coberturas del suelo en Extremadura. Fuente: Observatorio de la sostenibilidad (2006).
Segn este grfico se puede deducir que las dos dedicaciones del suelo por excelencia en Extre-
madura son las coberturas agrcolas y las zonas forestales. Pero si adems observamos el mapa de
ocupacin del suelo en 2000 editado por el Ministerio de Fomento (Figura 19), observamos una
clara centralizacin de las dos coberturas en cada una de las provincias que componen la comuni-
dad. De este modo, la provincia de Badajoz, en la que se encuentra enclavada la zona de estudio
de esta tesis, est dedicada primordialmente a cultivos, tanto de secano como de regado. Por otro
lado, la mayor parte de la superficie de la provincia cacerea est compuesta por espacios arbusti-
vos con una pequea porcin de superficie arbolada.
Llegados a este punto, centraremos nuestra descripcin en el entorno geogrfico en el que se ha
desarrollado este trabajo. Tras una observacin de la imagen de satlite (Figura 21), podemos dis-
tinguir a primera vista 3 zonas claramente distinguibles en cuanto a tipos de vegetacin. Estas tres
zonas se corresponden con 3 comarcas de la provincia cuyos usos del suelo tienen caractersticas
muy distintas. As, podremos diferenciar:
- Zona Vegetacin 1 Vegas Altas del Guadiana, con un gran predominio de cultivos de rega-
do como maz, arroz, tomate y otros. No obstante, en Rivas (1964) encontramos amplia in-
formacin acerca de otros tipos de vegetacin que se pueden localizar en la cuenca Extre-
mea del Guadiana.
- Zona Vegetacin 2 Tierra de Barros, donde el uso imperante es el de cultivos de secano
como la vid y el olivar.
- Zona Vegetacin 3 La Serena es la zona de mayor variedad de cobertura. Se pueden en-
contrar encinas y alcornoques, aunque tambin existen grandes extensiones de jaras, can-
tueso, retamas, acebuches, aulagas y tomillo. En cuanto a cultivos, segn Prez (1978),
predomina el cereal y en menor extensin el olivar.
MEN SALIR
50
Zona 3
Zona 2
Zona 1
Figura 21: Zonas de vegetacin de la imagen de satlite.
Otro elemento destacable del escenario que ocupa la imagen es el embalse de Alange, con una
extensin aproximada de 5000 hectreas y una capacidad de 852 hectmetros cbicos. Si nos re-
ferimos a aguas, debemos sealar que en la zona, tambin ocupa un lugar destacado el ro Gua-
diana.
Desde el punto de vista urbano, las poblaciones ms destacadas que se pueden localizar en la
imagen son Mrida, Almendralejo, Don Benito, Villanueva, adems de otras no tan extensas como
Fuente del maestre, Villafranca de los Barros y Guarea.
MEN SALIR

E. Quirs Rosado 51
Figura 22: Poblaciones ms destacables de la imagen.
3.2 El Sensor ASTER
El sensor ASTER es uno de los 5 sensores a bordo del satlite TERRA, que fue lanzado al espacio
en Diciembre de 1999 y cuyo objetivo fundamental era disponer de informacin a nivel global, so-
bre un periodo de tiempo suficientemente largo, con la que efectuar modelos climticos y ambien-
tales que facilitaran la prediccin futura (Prez & Eche 2004).
ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) fue desarrollado como proyecto
de colaboracin entre Estados Unidos y Japn, dentro del marco de Observacin de la Tierra
(EOS).
Con el fin de cubrir un amplio rango espectral, ASTER se compone de tres subsistemas separados
e independientes (Abrams & Hook 2001):
MEN SALIR
52
Sub-sistema Banda
Resolucin
espectral (m)
Resolucion
espacial (m)
Resolucin
radiomtrica
1 0.52-0.60
2 0.63-0.69
3N 0.78-0.86
3B 0.78-0.86
4 1.60-1.70
5 2.145-2.185
6 2.185-2.225
7 2.235-2.285
8 2.295-2.365
9 2.360-2.430
10 8.125-8.475
11 8.475-8.825
12 8.925-9.275
13 10.25-10.95
14 10.95-11.65
15
30
90
8 bits
8 bits
12 bits
Visible e infrarrojo
Proximo (VNIR)
Infrarrojo medio
(SWIR)
Infrarrojo Termico
(TIR)
Tabla 3: Caractersticas del sensor ASTER.
El subsistema VNIR consta de dos telescopios independientes ensamblados conjuntamente para
minimizar la distorsin de la imagen. Uno de ellos est enfocado al nadir, y otro en diagonal en el
sentido de avance del satlite. La cuarta banda (3B) enfocada con un ngulo de 27.6 con respecto
al nadir, capacita al sensor para generar imgenes estereoscpicas dentro de una misma rbita. El
hecho de que las dos imgenes estereoscpicas sean capturadas en la misma rbita reduce los
problemas causados por el cambio en la reflectancia de la superficie asociados con el retardo tem-
poral. As Mather (2004) argumenta esta ventaja comparndola con el tipo de estereoscopa gene-
rada por SPOT, en la que las imgenes estereoscpicas pertenecen a dos rbitas diferentes.
Cada banda del subsistema VNIR consta de 5000 detectores tipo CCD, aunque solamente 4000 de
ellos son usados de forma simultnea. La razn de esto radica en que existe un retraso de tiempo
entre la adquisicin de la imagen hacia atrs y de la imagen del nadir. Durante este tiempo la rota-
cin de la Tierra desplaza el centro de la imagen. El subsistema VNIR extrae automticamente los
4000 pxeles correctos basados en la informacin de la posicin de la orbita dada por la plataforma
EOS. El sensor puede girar tambin lateralmente hasta +/-24, lo que permitira repetir la observa-
cin excepcionalmente de un mismo rea en un plazo mximo de 5 das, cuando su periodicidad
de revisita usual es de 16 das.
El subsistema SWIR utiliza un sencillo telescopio de tipo refractivo. El detector en cada una de las
seis bandas es un Platinum Silicide-Silicon (PtSi-Si) Schottky de tipo lineal y refrigerado a 80K.
El subsistema TIR es un instrumento de precisin que recoge la energa emitida por la superficie
terrestre en cinco bandas trmicas. Cada banda utiliza diez detectores de Mercurio-Cadmio-Teluro
(HgCdTe) en una distribucin en lnea que incluye filtros de paso para cada detector.
Segn el Level-1 data working group (1996) las bandas VNIR se utilizarn para interpretacin topo-
grfica debido a su alta resolucin espacial y tambin sern tiles para evaluar la vegetacin y los
minerales de xido de hierro. Las bandas SWIR se seleccionan principalmente a efectos de elaborar
cartografa mineralgica y permitirn tambin, la discriminacin entre nubes y nieve. Las bandas
TIR se utilizarn para separar la temperatura y la emisividad de la superficie.
Los patrones de emisividad derivados de las cinco bandas TIR sern una herramienta poderosa pa-
ra estimar el contenido de slice, lo que es importante para caracterizar las rocas de silicato que
son el tipo de roca ms abundante en la superficie terrestre.
Cada escena del sensor ASTER cubre un rea de 60 x 60 km, pero si a esto le aadimos la adquisi-
cin de la imagen hacia atrs, obtenemos una superficie de captura total de 136 km de longitud en
MEN SALIR

E. Quirs Rosado 53
el sentido orbital (Hook et al. 1999).
El principal objetivo con el que se desarroll el sensor ASTER fue obtener datos geolgicos deta-
llados para el entendimiento de fenmenos como actividades volcnicas que podran producir un
impacto significativo en el medio ambiente (Kato et al. 2001).
La realidad actual es otra, ya que las escenas producidas por este sensor han sido utilizadas en
trabajos con fines bien distintos de los propios de la geologa. As podemos mencionar los trabajos
realizados con escenas ASTER como el de Stefanov & Netzband (2005) cuyo fin era el de caracteri-
zar ecolgicamente zonas urbanas, Sobrino et al. (2007) que destinaron la informacin de las 5
bandas trmicas a la discriminacin de cultivos agrcolas, Muukkonen & Heiskanen (2005) en el que
se estim la biomasa de bosques boreales, Seiz & Davies (2006) en el que se validaron las escenas
ASTER para la reconstruccin geomtrica de masas nubosas, o los trabajos de Barry (2006) y
Khromova et al. (2006) que investigaron geometras y movimientos de glaciares, Tralli et al. (2005) y
Gillespie et al. (2007) que realizaron estudios de prediccin de riesgos naturales con imgenes del
sensor ASTER, trabajos encaminados a deteccin de temperaturas de suelo como los de Liu et al.
(2006) y Pu et al. (2006). Finalmente destacaremos el trabajo de Jianwen & Bagan (2005) que utiliza-
ron una escena ASTER para determinar distintos tipos de usos de suelo, comparando tambin dos
tipos de clasificadores, aunque nosotros intentaremos discriminar entre tipos de especies foresta-
les ya que su trabajo agrupaba clases ms genricas.
3.2.1 Caractersticas generales de las imgenes ASTER
Los datos ASTER estn disponibles en diferentes niveles de procesamiento (Mather 2004):
- Nivel L-0: Datos sin procesamiento alguno y a resolucin total
- Nivel L-1A: Datos similares a los L-0, pero que adjuntan los coeficientes de calibra-
cin geomtrica y radiomtrica.
- Nivel L-1B: A los que se les ha aplicado ya la correccin geomtrica y radiomtrica.
- Niveles L-2 al L-4: A los que Prez & Eche (2004) denominan productos ASTER de
alto nivel y que incluyen productos como Modelos Digitales de Elevaciones genera-
dos de las bandas 3N y 3B, imgenes de radiancia, temperatura, emisividad y ms
propiedades de la superficie capturada.
Estos productos se encuentran muy bien sintetizados en Kato et al. (2001). Por esta razn hemos
procedido a la traduccin de una de sus tablas puesto que se describe muy correctamente todos
los tipos de datos disponibles, aunque se puede encontrar informacin ms detallada en la pgina
web del ASTER Ground Data System (GSD)
3
.
3
http://www.gds.aster.ersdac.or.jp/gds_www2002/libraly_e/set_lib.html
MEN SALIR
54
Producto procesado en
Japn
Nivel Descripcin
Identificacin del conjunto de
datos
1A Radiancia en el sensor ASTL1A
1B Radiancia georeferenciada ASTL1B
2A02 Emisividad espectral relativa AST2A02
2A03 Reflectancia espectral relativa
AST2A03V
AST2A03S
2B01 Radiancia de la superficie
AST2B01V
AST2B01S
AST2B01T
2B03 Temperatura de la superficie AST2B03
2B04 Emisividad de la superficie AST2B04
2B05 Reflectancia de la superficie
AST2B05V
AST2B05V
3A01
Radiancia registrada en el sensor
con ortorectificacin
AST3A01
4A01
Modelo digital de elevaciones
relativo (X,Y,Z)
AST3A01X
AST3A01Z
4A04 Mapa volcnico
4A08 Mapa mineral
4A09 Mapa de estructura geolgica
4A10 Mapa de estructura geolgica
4A15 Mapas de arrecifes coralinos
4A16 Turbiedad
4A17
Temperatura de la superficie del
agua
4A19 Plantas acuticas
4xxx Mapa de agricultura
4xxx Mapa de tierras ridas
4xxx Mapa de tierras hmedas
4xxx Mapa forestal
Datos estndar
Datos semi-estndar
Datos especiales
(nivel superior)
Sin identificacin
Tabla 4: Listado de los productos ASTER. Fuente: Kato et al (2001).
3.2.2 Imagen utilizada
La imagen utilizada fue adquirida en el EOS Data Gateway
4
y pertenece a la categora L-1B, lo que
indica que ha sido corregida tanto geomtricamente como radiomtricamente. Las propiedades
ms caractersticas de la misma han sido extradas del fichero de metadatos adjunto a la imagen y
estn resumidas en la siguiente tabla:
4
http://edcimswww.cr.usgs.gov/pub/imswelcome/
MEN SALIR

E. Quirs Rosado 55
CARACTERSTICAS GENERALES DE LA IMAGEN
CARACTERSTICAS POR BANDAS
Nombre AST_L1B_003_08042000114003_06172003181233
Nivel de correccin Correccin geomtrica y radiomtrica
Tipo de datos Versin 003
Da de la toma 04/08/2000
Hora de la toma 11:40:03
Poryeccin
Geogrfica
UTM huso 29 N
Sistema de
Referencia
WGS-84
Tipo de coordenadas Latitud/ longitud
Latitud centro de la
imagen
38.74 N
Longitud centro de la
imagen
-6.06 W
Tamao del pixel 0.007m
Rotacin () -9.512144
Bandas 1-3N Banda 3B Bandas 4-9 Banda
Dimension (filas X columnas) 4200 x 4980 4600 x 4980 2100 x 2490 700 x 830
Tamao (bytes) 62,748,000 124,511,749 31,374,000 5,810,
Tamao Pixel (m) 15 15 30 90
Longitud de onda (m) 0.556 - 0.807 0.804 - 0.804 1.656 - 2.4 8.291 -
s 10-14
000
11.318
Tabla 5: Caractersticas de la imagen ASTER utilizada.
Cabra destacar dos cosas acerca de los datos de esta Tabla 5. En primer lugar, se puede observar
que los rangos espectrales de las bandas de la imagen no coinciden exactamente con los mostra-
dos en la Tabla 3: Caractersticas del sensor ASTER La explicacin a este primer detalle se encuen-
tra en Level-1 data working group (1996), en la que se detallan las precisiones de los valores cen-
trales de cada una de las bandas espectrales y que concuerdan a la perfeccin con los valores re-
ales de las bandas de la imagen utilizada.
Por otro lado, convendra sealar que en Level-1 data working group (1996) tambin se puede en-
contrar informacin ms detallada acerca de los modelos de correccin geomtrica y radiomtrica
que se aplican en la versin 003 (que es la que rega en el momento de adquisicin de la imagen)
para la transformacin de la imagen L-1A a L-1B. No se ha estimado conveniente entrar muy al de-
talle en la explicacin de los mismos, puesto que para la realizacin de la tesis y a nivel particular,
se realiz una georeferenciacin adicional a la imagen en vista de que al insertar las reas de en-
trenamiento del mapa forestal de Extremadura, no casaban exactamente con la orientacin preli-
minar de la imagen L-1B. Hay que recordar que la correccin geomtrica del nivel L1B es global y
aproximada. As, como se dispona de una serie de puntos de apoyo tomados en campo mediante
tcnicas GPS, se procedi a la georreferenciacin de la imagen mediante 9 puntos perfectamente
identificables en la misma.
A continuacin en la Figura 23 se muestra cmo se corrigi el desplazamiento de la imagen L-1B al
ser georreferenciada (imagen de la derecha). No obstante, en el Captulo 4. Mtodos, se indicarn
otros tratamientos posteriores que se realizaron a la imagen antes de comenzar con los procesos
de clasificacin.
MEN SALIR
56
Figura 23: Comparacin de la superposicin del mapa forestal en la imagen L1B original y la imagen L1B georreferenciada.
Antes de realizar el proceso de georreferenciacin de la imagen, se procedi a un remuestreo de
las bandas de menor resolucin para que todas las bandas tuvieran 15 m de tamao de pxel para
que el algoritmo de clasificacin pudiera trabajar con datos homogneos. Al remuestrear los datos
de menor a mayor resolucin no existe alteracin alguna en la informacin original de las bandas,
ya que lo nico que se genera es mayor cantidad de pxeles. As en las bandas de infrarrojo trmico
(TIR), cada pxel de tamao original (90m) se divide en 36 pxeles remuestreados, todos ellos con la
misma informacin en el ND. Lo mismo ocurre en las 6 bandas SWIR en las que cada pxel original
se dividir en 4 pxeles.
255 255 255 255 255 255
255 255 255 255 255 255
255 255 255 255 255 255
255 255 255 255 255 255
255 255 255 255 255 255
255 255 255 255 255 255
255
90m
90m
Figura 24: Ejemplo de remuestreo de las bandas TIR.
Una vez remuestreadas las 14 bandas de la imagen se procedi al proceso de georreferenciacin.
Para ello se utilizaron 9 puntos de apoyo distribuidos segn la Figura 25.
MEN SALIR

E. Quirs Rosado 57

4
Figura 25: Distribucin de puntos de apoyo en la imagen.
El mtodo elegido para efectuar la georreferenciacin fue el polinmico 2D de segundo grado. El
grado del polinomio elegido era el mximo grado que se poda efectuar con los 9 puntos de apoyo
de que se dispona, ya que, segn el manual del programa ENVI (RSI 2003) con el que se realiz la
operacin, el nmero mnimo de puntos de control tiene que ser mayor o igual al cuadrado de 1+
grado del polinomio.
Con respecto a la interpolacin se escogi la del vecino prximo, puesto que es la que menores
alteraciones produce. Estos mtodos fueron detallados en el apartado 1.1.2 Imgenes multiespec-
trales.
El sistema de referencia de la imagen pas a ser, por este procedimiento de georreferenciacin, el
European Datum 1950, con sistema de proyeccin UTM y referidas al huso 30, siendo este sistema
al que estaban referidos los puntos de apoyo.

MEN SALIR
58
3.3 El mapa de vegetacin
El mapa de vegetacin con el que se ha trabajado es el Mapa Forestal de Espaa (MFE), en for-
mato digital a escala 1:50.000. El MFE fue una iniciativa del desaparecido ICONA y representa el
estado de la vegetacin en unos determinados momentos, que corresponden a las fechas en que
se tomaron las fotografas areas (1983-1986) y en que se realizaron los trabajos de campo (1986-
1996 en nuestra versin del mapa).
El MFE naci de la necesidad de disponer de una cartografa de vegetacin actualizada, a escala
1/50.000, para la elaboracin del Inventario Forestal Nacional y que sirviera de apoyo para activi-
dades diversas tales como el inventario de hbitats y especies, la defensa contra incendios foresta-
les o la lucha contra la erosin y la desertificacin, entre otras.
El mapa presenta una distribucin del territorio en teselas o polgonos correspondientes a unida-
des homogneas de vegetacin a las que se asigna informacin sobre dicho tipo de vegetacin.
Esta fuente de informacin est disponible, tambin en papel y en soporte digital con formato Ar-
cInfo (Junta de Extremadura 2003).
La versin utilizada en esta tesis ha sido la sintetizada por la Consejera de Agricultura y Medio
Ambiente de la Junta de Extremadura. En esta versin de 2001, se gener una cartografa que refle-
ja de forma clara dos aspectos que se consideran fundamentales de cara al proceso planificador: la
finalidad o finalidades principales de las distintas formaciones forestales existentes en la actualidad
en Extremadura y las especies principales o agrupaciones de especies que componen dichas for-
maciones (Junta de Extremadura 2003).
Se considera superficie forestal a cualquier terreno que no est ocupado por cultivos permanentes
o ncleos urbanos. As, tantos los cultivos marginales como los pastizales o matorrales, a pesar de
la carencia de cobertura arbrea, se suman a los verdaderos bosques a la hora de conformar las
cifras de superficie forestal. En otras palabras, el concepto oficial de superficie forestal incluye los
bosques existentes y tambin los terrenos que podran albergar masas forestales ms o menos
densas tras procesos de reforestacin o abandono de la actividad agraria (Pulido et al. 2007).
Figura 26: Mapa forestal de Espaa. Versin sintetizada por la Junta de Extremadura. Ao 2001.
MEN SALIR

E. Quirs Rosado 59
3.4 Categoras de vegetacin
Segn el trabajo de Pulido et al. (2007), el 41% de la Comunidad autnoma de Extremadura est
formada por bosques y dehesas, los matorrales altos o manchas ocupan un 2%. Sin embargo ms clarifi-
cador resulta el grfico mostrado a continuacin y que ha sido extrado de Junta de Extremadura
(2003). En l se pueden distinguir 9 formaciones en Extremadura que son: bosques, matorrales, dehesas,
pastizales, galeras, humedales, semidesiertos, mosaicos agrcolas forestales y terrenos agrcolas marginales.
9. Terrenos agrcolas
marginales (8%)
8. Mosaico de vegetacion
natural con cultivos (1%)
4. Pastizales (13%)
5. Galeras (1%)
6. Humedales (0,03)%
7. Semidesiertos (0,1%)
3. Dehesas (34%)
2. Matorrales (7%)
1. Bosques (12%)
No forestal (24%)
Figura 27: Representacin de formaciones forestales en Extremadura. Fuente: junta de Extremadura (2003).
De cada una de estas formaciones podemos distinguir los siguientes aspectos:
1. Bosques: Corresponden a zonas con vegetacin dominante compuesta por especies
arbreas, con un subpiso y cortejo formado por especies arbustivas, subarbustivas
o por la combinacin de stas con zonas sin cobertura de vegetacin (pedregosas,
arenosas, etc.). La presencia de dosel herbceo se limita a zonas puntuales y no
constituye habitualmente el principal aprovechamiento.
2. Matorrales: Son zonas cuya cobertura vegetal predominante es de tipo arbustivo y
no cuentan con presencia de especies arbreas con dicho porte, o sta es igual o
inferior en cobertura al 5% de la superficie. El estrato herbceo est presente slo
de forma puntual y no constituye el principal aprovechamiento.
3. Dehesas: Son formaciones fisionmicas resultantes de la eliminacin selectiva por
parte del hombre de algunos elementos arbreos y de la totalidad de arbustivos
que componen la vegetacin natural, con fines exclusivamente agroganaderos
(Desvesa 1995). Es, sin duda, la cubierta con mayor grado de presencia en Extre-
madura, ocupando un 34% de su superficie total, casi milln y medio de hectreas.
Es tambin la formacin dominante en todas las secciones forestales en las que se
divide la regin, a excepcin de Gata y Hurdes, donde aparece relegada a una posi-
cin posterior por el dominio del bosque, y en la Serena, donde aparece en segun-
do lugar tras los pastizales. El criterio de densidad de la masa marca los dos tipos
de subformaciones que se han definido.
4. Pastizales: Bajo esta formacin se consideran aquellas zonas en las que predomina
la cubierta herbcea sobre las restantes, ya sea por porcentaje superficial o por
constituir el aprovechamiento principal.
MEN SALIR
60
5. Galeras: Se consideran aqu las formaciones propias de mrgenes de ros, arroyos y
otro tipo de cauces o terrenos con presencia de agua, constituidas por vegetacin
tpica de ribera, ya sea natural, con fresnos, alisos, lamos, chopos, sauces, adelfas,
tamujos, sacos, madreselvas, zarzas, etc., o introducida, con eucaliptos como es-
pecie principal (eucalipto blanco, eucalipto rojo, etc.).
6. Humedales: Zonas de gran inters ecolgico constituidas por vegetacin hidrfila,
siendo la formacin que presenta menor superficie de todas las consideradas. Esta
escasa representacin se debe a que dichas formaciones se encuentran asociadas
a masas de agua ms o menos permanentes de escasa profundidad o a zonas que
pueden presentar cierto encharcamiento temporal, condicionantes limitados en Ex-
tremadura a reas reducidas que en muchas ocasiones no llegan al mnimo superfi-
cial que hace posible su representacin cartogrfica a la escala de trabajo
(1/50.000). Tambin es cierto, en el caso de las reas inundables en mrgenes de
ros y arroyos, que suelen coincidir con zonas agrcolas de elevada potencialidad
productiva, en las que, tradicionalmente, se han llevado a cabo obras de drenaje
para su puesta en cultivo o para la mejora de ste que las ha hecho perder su con-
dicin de zonas hmedas.
7. Semidesiertos: Agrupa aquellas zonas donde la existencia de afloramientos o acmu-
los rocosos de distinto tipo, o la naturaleza extremadamente arenosa del substrato
hacen que la cubierta vegetal no alcance el 20% de la superficie del suelo. Por su
escasa significacin se ha incluido una nica subformacin en la que se han agru-
pado los pedregales y los arenales.
8. Mosaico de vegetacin natural con cultivos agrcolas: Bajo esta formacin se incluyen aque-
llos terrenos en los que la combinacin de cubiertas agrcolas y forestales impide,
bien por la escasa superficie de las mismas, bien por la forma de distribucin de la
vegetacin natural (lneas, setos, golpes, vaguadas, ), su representacin de forma
independiente. Otra condicin que se ha impuesto a esta formacin es la pendien-
te del terreno, que no puede ser superior al 20% o en caso de serlo existen banca-
les o terrazas.
9. Terrenos agrcolas marginales: Se considera esta formacin con la intencin de incluir
en ella aquellas reas con escasa vocacin agrcola, bien a consecuencia de limita-
ciones importantes al cultivo, bien por su escaso rendimiento econmico muy de-
pendiente de las subvenciones, susceptibles de reconversin a terrenos forestales
o agrosilvopastorales.
En el Mapa Forestal de Extremadura estas 9 formaciones estn divididas en 79 especies. Estas es-
pecies estn contenidas en el campo con denominacin de rtulo1 que indica la especie ms do-
minante del polgono, (ejemplo en la Figura 28).
En nuestro caso hablamos de polgono ya que la versin del Mapa Forestal con el que hemos tra-
bajado fue convertida a formato vectorial. De manera que se representaron mediante polgonos
cerrados todas aquellas zonas con la misma especie en el campo rtulo 1.
Figura 28: Formato de la base de datos asociada al mapa forestal en formato vectorial.
Si nos situamos en el rea estricta de trabajo, las especies o clases presentes se reducen mayorita-
riamente a 18 y son las mostradas en la Figura 29.
MEN SALIR

E. Quirs Rosado 61
Escala 1:500,000
Figura 29: Categoras de vegetacin presentes en la zona de trabajo.
MEN SALIR
Captulo 3: Zona de estudio y material
La superficie de ocupacin imperante en la imagen es la de cultivos agrcolas, segn se puede
apreciar en la Tabla 6. Sin embargo esa categora de vegetacin no ha sido tomada en cuenta a la
hora de realizar las clasificaciones ya que dentro de esa categora se pueden encontrar infinidad de
tipos de cultivos que tendran distintas respuestas espectrales y que provocaran errores graves a
la hora de la discriminacin de clases. A modo de ejemplo, es evidente y se puede apreciar en la
Figura 21, que es bien distinta la reflectancia entre los cultivos de regado y los de secano, con lo
que jams los podramos incluir en la misma categora a la hora de realizar una clasificacin ya que
la regla de clasificacin sera del todo errnea.
Una vez descartados los cultivos agrcolas, la categora dominante en la imagen pasa a ser la encina
y le sigue un tipo de eucalipto denominado camaldulensis. Existen categoras como el pino resinero que
tiene una presencia despreciable en el rea de trabajo.
Rtulo 1 MFE Leyenda
Superficie total en
comunidad
Extremadura (ha)
Superficie
total en
imagen (ha)
Porcentaje de
ocupacin de cada
especie en la imagen
999 Agua 50,471 4,962 1.3%
547 Matorral mixto siliccola 38,110 4,750 1.2%
534 Cultivos agrcolas 1,370,713 242,293 61.4%
507 Galera arbrea mixta 14,969 2,353 0.6%
458 Pastizal estacional denso 356,243 13,561 3.4%
454 Mancha degradada 41,160 865 0.2%
453 Mancha densa 22,401 861 0.2%
337 Canchales, pedregales 1,956 213 0.1%
329 Desierto rocoso 45,642 4,217 1.1%
309 Retama sphaerocapa 164,457 10,920 2.8%
303 Cistus ladanifer 73,980 2,199 0.6%
221 Lavndula stoechas 6,045 1,040 0.3%
62 Eucaliptus camaldulensis 80,547 19,465 4.9%
61 Eucaliptus globulus 8,329 1,012 0.3%
46 Quercus suber 211,656 5,353 1.4%
45 Quercus rotundifolia 1,266,103 78,602 19.9%
26 Pinus pinaster 83,987 138 0.0%
23 Pinus pinea 21,749 1,780 0.5%
Tabla 6: Superficie de ocupacin de las categoras de vegetacin en la imagen.
3.4.1 Definicin y caractersticas
En este apartado definiremos una por una las categoras de vegetacin de la Tabla 6 y lo haremos
segn las agrupaciones de vegetacin en las que se presenta la leyenda del Mapa Forestal de Ex-
tremadura.
En algunas categoras, adems de la descripcin en s del tipo de vegetacin del que se trate, se
indicar tambin la poca de floracin. Se ha estimado conveniente incluir dicha informacin para
que el lector pueda discriminar qu especies se encontraban en flora en el momento en el que se
capt la imagen.
Otra informacin que se ha incluido en muchas categoras es el tipo de suelo y habitat en el que se
desarrolla cada especie. En las zonas de vegetacin poco densa del rea de estudio esta informa-
cin puede resultar crucial a la hora de la clasificacin.
62
MEN SALIR
a) Formaciones arbreas:
a.1) Eucaliptus camaldulensis (Figura 30): Eucaliptus camaldulensis
Rtulo1 del MFE:
cdigo 62.
Nombre comn:
Eucalipto rojo.
Descripcin: rbol
de hoja perenne que
puede llegar a
alcanzar 50 m de
talla, con corteza lisa,
caediza, blanca, gris
plida o de color de
ante con manchas
grises y rojizas,
cayendo en escamas
irregulares. Su tronco
produce una
exudacin
denominada goma roja, empleada con fines medicinales. Su madera es muy du-
ra, fuerte y duradera, emplendose en postes en zonas hmedas, construccin
naval, traviesas de ferrocarril, puentes y para pasta de papel. Cultivado con fines
ornamentales con mucha frecuencia (Lpez & Snchez de Lorenzo 1999).
Florece: Principalmente entre junio y noviembre, aunque de forma irregular casi
todo el ao.
Aparece: En mrgenes de ros de interior y llanuras aluviales sujetas a inunda-
ciones peridicas. Prefiere suelos sedimentarios profundos con subsuelo arcillo-
so.
a.2) Eucaliptus globulus (Figura 31): Eucaliptus globulus
Rtulo 1 del MFE:
cdigo 61.
Nombre comn: Eu-
calipto blanco.
Descripcin: rbol
de hoja perenne y de
gran talla que alcanza
hasta 60 m de altura,
con el tronco
frecuentemente
retorcido y la corteza
lisa, griscea y
persistente. Sus flores
no han desarrollado
un cliz y una corola
tpicos, sino que

E. Quirs Rosado 63
MEN SALIR
stos se presentan en forma de una cpsula en cono invertido. Su madera es
castao-amarillenta, pesada, fuerte y duradera, emplendose en construccin
naval, aperos de labranza y pasta de papel. Las hojas se emplean en medicina
(Lpez & Snchez de Lorenzo 1999).
Florece: Junio a noviembre.
Aparece: En suelos ligeramente cidos y frescos.
a.3) Quercus suber (Figura 32): Quercus suber
Rtulo 1 del MFE:
cdigo 46.
Nombre comn:
Alcornoque.
Descripcin:
Pertenece a la familia
de las fagceas y es
un rbol de hoja
perenne de copa re-
lativamente baja,
pero muy amplia y
extendida. Una de sus
caractersticas fun-
damentales es la
corteza de corcho
que los recubre y que
suele ser arrancada cada 9 o 10 aos para su aprovechamiento. El tronco rojizo
que queda tras la exfoliacin va desarrollando paulatinamente una nueva costra
de corcho. Tambin sus bellotas son aprovechadas para la alimentacin ganade-
ra (Kremer 1990).
Florece: Junio.
Aparece: Sobre suelos silceos, sueltos y frescos, en climas clidos y templa-
dos, algo hmedos y sin fuertes heladas. Elige laderas poco elevadas abrigadas
de los vientos del norte.
a.4) Quercus rotundifolia (Figura 33): Quercus rotundifolia
Rtulo 1 del MFE:
cdigo 45.
Nombre comn:
Encina.
Descripcin: rbol
perennifolio, tambin de
la familia de las
fagceas. En su punto
ptimo es un rbol
corpulento que puede
alcanzar los 25m de
altura, pero segn el
tipo de presiones a que
64
MEN SALIR
se vea sometida puede ser un arbusto o incluso una mata de escaso porte. Es el
rbol espaol y extremeo ms representativo. Sus bellotas son las ms apre-
ciadas para el ganado en montanera y su madera produce una excelente lea y
carbn (picn) (Galn et al. 2000).
Florece: Entre junio y julio.
Aparece: Especie indiferente en cuanto a suelos, aunque gusta de los sueltos y
profundos. Muy resistente a la sequa.
a.5) Pinus pinaster (Figura 34): Pinus pinaster
Rtulo 1 del MFE:
cdigo 26.
Nombre comn: Pino
resinero.
Descripcin: Confera
de hoja perenne con
copa ancha. El color
de su corteza vara en
funcin de la edad,
comenzando griscea
para acabar rojiza en
su vejez. Su principal
caracterstica es la
resina que se
desprende de su
tronco al realizar
incisiones (Kremer 1990). En la actualidad la resinacin est muy reducida en
Espaa por motivos econmicos, por lo que sus principales intereses actuales
son la produccin de madera y el de la produccin de setas, ya que el nscalo o
robelln se produce entre sus races (Galn et al. 2000).
Florece: Entre abril y mayo.
Aparece: En suelos arenosos y empobrecidos.
a.6) Pinus pinea (Figura 35): Pinus pinea
Rtulo 1 del MFE:
cdigo 23.
Nombre comn:
Pino pionero.
Descripcin:
Confera de hoja
perenne de 25 a 30m
de altura y con una
llamativa copa en
forma de parasol
bastante cerrada,
densa y de perfil
redondeado. Su

E. Quirs Rosado 65
MEN SALIR
madera, a diferencia del pinus pinaster, tiene bajo contenido en resina con alta re-
sistencia lo que la hace idnea como material de construccin. Su principal ca-
racterstica son sus frutos. Los piones, ricos en aceite son comestibles y muy
utilizados en el mbito del consumo humano (Kremer 1990).
Florece: Entre junio y julio.
Aparece: En suelos arenosos pudiendo soportar tambin suelos bsicos. Ade-
ms exigen un clima clido, sin apenas heladas. No requiere gran cantidad de
lluvia pero s mucho sol.
a.7) Galera arbrea mixta (Figura 36): Galera arbrea mixta
Rtulo 1 del MFE:
cdigo 507.
Descripcin:
Formaciones propias
de mrgenes de ros,
arroyos y otro tipo
de cauces o terrenos
con presencia de
agua, con ms de un
15% de especies de
porte arbreo y
mezclando tipologa
de frondosas y
exticas (eucaliptos).
Florece: Segn
floracin de
frondosas o exticas.
Aparece: Ligada a los cursos de agua.
b) Matorrales
b.1) Matorral mixto siliccola (Figura 37): Matorral mixto siliccola
Rtulo 1 del MFE:
cdigo 547.
Descripcin:
Agrupacin vegetal
definida por su
estructura o por su
aspecto, conferidos
por el hecho de que
su estrato superior o
el ms alto con
espesura est
caracterizado por el
predominio de matas
(especies leosas
relativamente bajas y
ramificadas desde su
66
MEN SALIR
base). Esta determinado por un grupo plurispecfico de especies (Ruiz de la Torre
1990).
Florece: Segn floracin de las especies que lo compongan.
Aparece: Sobre sustratos silceos.
b.2) Retama sphaerocapa (Figura 38): Retama sphaerocapa
Rtulo 1 del MFE:
cdigo 309.
Nombre comn:
Retama amarilla.
Descripcin:
Arbusto de uno a dos
metros de altura, con
infinitas ramas y
diminutas hojas en el
pice que se
desprenden
rpidamente del
arbusto. A lo largo de
las ramas ms
antiguas nacen
racimos de flores de
muy pequeo tamao y de color amarillo; los frutos son redondeados, de cu-
bierta endurecida y crnea y contienen una gran semilla negra en su interior. Es
una especie muy tolerante a los fros invernales y a los calores estivales. Forma
matorrales muy extensos, donde pasta ganado ovino (Galn et al. 2000).
Florece: Entre abril y julio.
Aparece: Sobre suelos calizos o silceos.
b.3) Cistus ladanifer (Figura 39): Cistus ladanifer
Rtulo 1 del MFE:
cdigo 303.
Nombre comn: Jara
del ldano.
Descripcin: Arbusto
perennifolio que
puede alcanzar una
altura de hasta 3
metros. Sus hojas se
cubren de una
sustancia viscosa y
aromtica en das
calurosos. Flores
grandes, con tres
spalos y cinco
ptalos blancos que

E. Quirs Rosado 67
MEN SALIR
pueden estar tintados de negro en la base y que duran un slo da. Antiguamen-
te se usaba el ldano como emplasto para la curacin de hernias y roturas de
huesos. En la actualidad es ms usado como fijador de productos de perfumera
(Galn et al. 2000).
Florece: En abril y mayo.
Aparece: Huye de suelos bsicos y prospera muy bien sobre pizarras.
b.4) Lavndula stoechas (Figura 40): Lavndula Stoechas
Rtulo 1 del MFE:
cdigo 221.
Nombre comn:
Cantueso.
Descripcin: Arbusto
muy aromtico y
vistoso, con largas
brcteas de color
prpura intenso. Tallos
algo pelosos y hojas
estrechas, de unos 4
cm. Flores
atrompetadas, en
cabezuelas densas,
ptalos de color
prpura muy oscuros.
Se ha utilizado en medicina popular como sedantes y digestivos y por supuesto
como fuente de aroma en la industria cosmtica. Tampoco se puede olvidar su
inters ornamental (Galn et al. 2000).
Florece: Entre febrero y junio.
Aparece: Suelos cidos, normalmente pinares y lugares pedregosos.
b.5) Mancha degradada (Figura 41): Mancha degradada
Rtulo 1 del MFE:
cdigo 454.
Descripcin: Matorral
arbustivo denso y
monostrato, consti-
tuido por una mezcla
irregular de especies
de diferentes formas
de vida, pero con
predomino de
esclerfilas y
laurifolias, su talla es
inferior a 3 metros y su
cubierta inferior al 75-
80% (Ruiz de la Torre
1990).
68
MEN SALIR
b.6) Mancha densa (Figura 42): Mancha densa
Rtulo 1 del MFE:
cdigo 453.
Descripcin: Matorral
arbustivo denso y
monostrato,
constituido por una
mezcla irregular de
especies de diferentes
formas de vida, pero
con predomino de
esclerfilas y laurifolias,
su talla es inferior a 3
metros y su cubierta
entre el 100-80% (Ruiz
de la Torre 1990).
c) Cultivos
c.1) Pastizal estacional denso (Figura 43): Pastizal estacional denso
Rtulo 1 del MFE:
cdigo 458.
Descripcin:
Agrupacin vegetal
dominada por hierbas
vivaces con partes a-
reas verdes en una
parte del ao
(generalmente en
invierno y/o primavera,
a veces desde el otoo)
y marchitas
posteriormente hasta
nuevo rebrote. Pueden
intervenir tambin
especies anuales,
principalmente
gramneas y leguminosas. Su porcentaje de cubierta est entre 100-80% (Ruiz de
la Torre 1990).

E. Quirs Rosado 69
MEN SALIR
d) Sin vegetacin
d.1) Canchales, pedregales (Figura 44):
Canchales, pedregales
Rtulo 1 del MFE: cdigo 337.
Descripcin: Peascales
integrados por bloques de grandes
dimensiones (Ruiz de la Torre
1990).
d.2) Desierto rocoso (Figura 45): Desierto
rocoso
Rtulo 1 del MFE: cdigo 329.
Descripcin: Segn (Ruiz de la
Torre 1990) la definicin de
desierto corresponde con aqul
terreno con cubierta de vegetacin
inferior o a lo sumo igual al 5% de
la superficie. La categora rocoso
le confiere a la cubierta una
naturaleza de roquedo.
e) Agua
e.1) Agua (Figura 46): Agua
Rtulo 1 del MFE:
cdigo 999.
Descripcin: Incluye
las zonas ocupadas
por el agua perma-
nentemente, o slo
temporalmente en el
caso de cursos de
agua. Comprende
todas las extensiones
de agua, generalmen-
te dulce y raramente
salada, situadas por
encima del nivel
medio de la marea: r-
os, canales, lagos,
lagunas, superficies
de aguas costeras cerradas por tierra, embalses, charcas, etc. Se incluyen las
zonas hmedas, desprovistas de arbolado, inundadas parcial, temporal o per-
manentemente por agua dulce o salobre: zonas palustres, marismas etc. Se ex-
cluye el espacio ocupado por las aguas marinas (Junta de Extremadura 2003).
70
MEN SALIR
3.5 Las aplicaciones informticas
A continuacin se detallarn las aplicaciones informticas utilizadas en este trabajo explicando a
grandes rasgos en qu fases han sido empleadas. No obstante, la explicacin detallada de sus usos
se llevar a cabo en el Captulo 4 Mtodos:
- ENVI Versin 4.0 (ITT Visual Information Solutions)
Descripcin general: ENVI (Entorno para la Visualizacin de Imgenes) es un paquete
de procesado de imgenes para trabajar con datos de teledeteccin. Permite desa-
rrollos nuevos en un lenguaje propio llamado IDL.
Fases del trabajo en las que ha intervenido: Con este programa hemos realizado tanto las
operaciones previas de georreferenciacin y remuestreo de la imagen, como extrac-
cin de los ND de todas las bandas de la imagen en las reas de entrenamiento.
Finalmente, tambin se han realizado con ENVI las clasificaciones convencionales
de la imagen para la posterior comparacin de sus resultados con los obtenidos
mediante el clasificador propuesto en esta tesis.
- Arc-View Versin 3.2a (ESRI, Environmental Systems Research Institute,
Inc.).
Descripcin general: ArcView es un Sistema de informacin geogrfica. Est constitui-
do por un conjunto de herramientas para visualizar, explorar, consultar, editar y
analizar informacin asociada a una localizacin concreta. Posee herramientas para
incorporar informacin espacial y atributiva, crear mapas, desarrollar anlisis espa-
ciales, realizar consultas y clculos sobre datos descriptivos, acceder a bases de
datos externas e implementar aplicaciones mediante la programacin en el lenguaje
Avenue.
Fases del trabajo en las que ha intervenido: Esta herramienta ha sido utilizada en el inicio
y al final de las tareas de esta tesis. Al inicio del trabajo, se emple ArcView para la
exportacin de las categoras de vegetacin del Mapa Forestal de Extremadura
(MFE) a una extensin compatible con ENVI, que es la aplicacin utilizada para la
definicin de las reas de entrenamiento. En la fase final, se llevaron a cabo las re-
presentaciones grficas de los resultados de la clasificacin con MARS mediante
ArcView.
- Arc Info Versin 9.1 (ESRI, Environmental Systems Research Institute, Inc.)
Descripcin general: ArcInfo es un programa de ejecucin en el sistema operativo DOS
que permite el manejo, gestin, y anlisis de un gran volumen de datos espaciales
con sus atributos temticos asociados.
Fases del trabajo en las que ha intervenido: Esta aplicacin ha sido fundamental en la rea-
lizacin de este trabajo, ya que ha intervenido en casi todos los pasos de la clasifi-
cacin mediante MARS y en la fase de preparacin de las muestras de entrenamien-
to.
Para la preparacin de las muestras de entrenamiento se crearon con ArcInfo los
buffers en las categoras de vegetacin del MFE. La razn de la realizacin de los
buffers se puede encontrar ampliamente explicada en el Captulo 4 Mtodos, pero a
modo de antecedente, podramos decir que se realizaron para lograr la seguridad
de que las reas de entrenamiento en la imagen obtenan informacin pura de cada
clase, evitando, de este modo, errores en la superposicin de la imagen con el MFE.

E. Quirs Rosado 71
MEN SALIR
Posteriormente y una vez obtenidas con MARS las funciones discriminantes entre
clases o reglas de clasificacin para las muestras de entrenamiento, se aplicaron di-
chas funciones a la totalidad de la imagen mediante ArcInfo. Dicho con otras pala-
bras, fue ArcInfo el la herramienta empleada para realizar la clasificacin propia-
mente dicha una vez obtenidas las reglas de clasificacin.
- SPSS versin 12.0 (SPSS Inc.)
Descripcin general: SPSS es un programa estadstico de anlisis. SPSS responde al
funcionamiento de todo programa que lleva a cabo anlisis estadsticos: pasados
los datos a analizar a un fichero con las caractersticas del programa, ste es anali-
zado con una serie de rdenes, dando lugar a unos resultados de tipo estadstico
que el investigador debe interpretar.
Fases del trabajo en las que ha intervenido: Este programa estadstico ha intervenido en
la preparacin y generacin de los ficheros combinados entre clases para la poste-
rior elaboracin de la funcin discriminante entre ellas con MARS.
Aprovechando que es un programa estadstico y que tiene capacidad de anlisis
predictivo, hemos calculado tambin con SPSS la separabilidad entre clases me-
diante regresin logstica binaria.
Tambin se utiliz este programa en la reduccin de volumen de datos necesaria en
algunos procesos.
- MARS Versin 2.0 (Salford Systems)
Descripcin general: MARS es un modelo de regresin no lineal desarrollado por
Friedman en 1991 e implementado por Salford Systems, en donde una funcin mul-
tivariante es aproximada a travs de un particionamiento recursivo del espacio de
entrada y en el cual cada particin se realiza sobre alguna de las variables indepen-
dientes. En cada una de las regiones en las que se va dividiendo el espacio, se ajus-
ta una funcin base de una variable, la cual, normalmente, es lineal. El modelo final
se obtiene como una combinacin lineal de dichas funciones base.
Fases del trabajo en las que ha intervenido: Este ha sido el programa ms notable de esta
tesis ya que su aplicacin en imgenes multiespectrales es la innovacin y principal
objetivo del trabajo.
Se obtuvieron con MARS las funciones bsicas o funciones discriminantes que se-
paran cada clase del resto de clases, basndose en los datos proporcionados por
las muestras de entrenamiento. Adems de dichas funciones, este programa ofrece
informacin acerca del grado de separabilidad entre las clases mediante el rea ba-
jo la curva ROC. De todo ello se dar informacin ampliada en el Captulo 4
Mtodos.
- Microsoft Excel 2000 (Micros0ft Corporation)
Descripcin general: Excel 2000 es una aplicacin del tipo hoja de clculo, integrada
en el entorno Windows y desarrollada por Microsoft. Excel combina las capacidades
de una hoja de clculo normal con bases de datos, programas de grficos bidimen-
sionales y tridimensionales, lenguaje propio de programacin y generacin de ma-
cros.
Fases del trabajo en las que ha intervenido: Adems de aplicaciones auxiliares, EXCEL ha
sido necesario para desarrollar una pequea macro programada que calcula el pun-
to ptimo de corte entre los falsos positivos y falsos negativos y as asignar la per-
72
MEN SALIR
tenencia o no pertenencia de cada pxel a la clase en cuestin.
Explicado de otro modo: El resultado de las clasificaciones obtenidas con MARS
son las probabilidades de pertenencia de cada pxel a la clase en cuestin, de ma-
nera que con Excel se busc, para cada clasificacin, dnde estaba el lmite de la
probabilidad por el que se marcaba la asignacin del pxel a la clase. No obstante
nos remitimos al apartado Captulo 4 Mtodos para una mayor comprensin del
trabajo.
- ArcMap Versin 9.1 (ESRI, Environmental Systems Research Institute, Inc.)
Descripcin general: ArcMap es una aplicacin de ArcGIS Desktop que permite crear,
visualizar, consultar, editar y realizar anlisis sobre datos geogrficos obteniendo
informacin cartogrfica de gran calidad.
Fases del trabajo en las que ha intervenido: Este programa se ha utilizado nicamente pa-
ra la elaboracin de los mapas finales de clasificacin.
Para que quede un poco ms claro y a modo de antecedente al prximo captulo, mostraremos a
continuacin un flujo de trabajo en el que se indicarn las fases de trabajo a grandes rasgos y qu
aplicaciones informticas han intervenido en cada una de ellas.

E. Quirs Rosado 73
MEN SALIR
74
Preparacin de la imagen:
Remuestreo
Georreferenciacin
Preparacin de las muestras de
entrenamiento:
Exportacin de las clases del MFE
Creaccin de buffers en las clases del MFE
1
er
Estudio de separabilidad entre
clases:
Divergencia Transformada
Extraccin de los ND de la imagen en las
reas de interes:
Exportacin de los ficheros ASCII de cada clase
Generacin de ficheros combinacin entre
clases:
Creacin de un fichero por cada clase en
combinacin con el resto de clases
Clasificaciones convencionales:
Mxima Verosimilitud y Paraleleppedos
2 estudio de separabilidad entre
clases:
Regresion Logstica binaria
Calculo de funciones bsicas y modelo MARS:
Slo para las muestras de entrenamiento
Control del error:
Curva ROC y Matriz de confusin
3 estudio de separabilidad entre
clases:
Multi Adaptive Regression Splines
Aplicacin de las funciones bsicas a la
totalidad de la imagen:
Obtencin de ficheros de probabilidad de
pertenencia a cada clase
Clculo del punto ptimo de corte Aplicacin del punto de corte:
Generacin de grids binarios de pertenencia a cada
clase
Unin grids binarios:
grids probabilidad por clase
Control del error
Curva ROC
Elaboracin del mapa de clasificacin final Control del error:
Matriz de confusin
SPSS
ArcView
ArcInfo
ArcInfo
ArcInfo
SPSS
MARS
Excel
Figura 47: Flujo de trabajo con indicacin de la intervencin de cada aplicacin informtica.
MEN SALIR
Captulo 4: Mtodos
Captulo 4 Mtodos
Este captulo se dedicar a la descripcin detallada de toda la metodologa realizada para la
consecucin de los objetivos de la tesis.
Se ha dividido en 5 secciones tales que, en la primera se describir todas las operaciones llevadas
a cabo para la generacin de las reas de entrenamiento que posteriormente se utilizarn en los
tres metodos de clasificacin realizados.
Seguidamente se detallar el procedimiento llevado a cabo en cada uno de estos tres mtodos de
clasificacin MARS, Mxima Verosimilitud y Paraleleppedos.
Finalmente se describirn las tcnicas de control de error de cada uno de los mtodos de
clasificacin, que a su vez, nos servirn para comparar las aptitudes de los mismos.
Si en algn momento no se entiende bien la secuencia del trabajo o alguno de los pasos
realizados, siempre puede consultar la versin grfica de la Figura 47 .
4.1 reas de entrenamiento
Tal y como se indic en el apartado 1.3.3.1.4 Muestras de entrenamiento, la clasificacin supervi-
sada construye una regla de decisin basada en casos conocidos o conjunto de aprendizaje. Ese
conjunto es lo que llamaremos a partir de ahora reas de entrenamiento y no sern ms que un
conjunto de localizaciones (pxeles de la imagen) al que asignamos, se supone que sin error, la cla-
se a la que pertenece.
La pertenencia a cada clase se extrajo del Mapa Forestal, pero como tambin se indic anterior-
mente en el apartado 3.2.2 Imagen utilizada, se tuvieron que realizar operaciones previas antes de
definir las reas de entrenamiento propiamente dichas.
Una vez delimitadas las reas de entrenamiento con su asignacin exacta a cada clase, no habra
ms que introducirlas en el clasificador para que ste construyera las reglas de decisin de perte-
nencia a cada clase (fase de entrenamiento), basndose en los casos reales de entrada proporcio-
nados por esas muestras de entrenamiento.
4.1.1 Operaciones previas
Las reas de entrenamiento que se han utilizado provienen del MFE, tal y como se ha indicado en
apartados anteriores. Se hizo necesario realizar algunas operaciones previas a dicha fuente de
informacin para hacerla compatible con las aplicaciones informticas que tenan que tratarla con
posterioridad.
Adems, observando detenidamente la Figura 23 se puede observar que, a pesar de haber
realizado una georreferenciacin a la imagen L1B, an no existe una correcta correspondencia
geogrfica entre las dos fuentes de datos (imagen y MFE). Por esa razn se tom la decisin de
eliminar los pxeles de borde de todos los polgonos seleccionados como muestras de
entrenamiento. Esto se realiz calculando un buffer hacia el interior de 100 metros y usando ste
como delimitador de la muestra. La distancia de 100 m se consider suficiente para eliminar los
problemas derivados de un registro geomtrico impreciso y mejorar la pureza de las muestras de
entrenamiento.
Esta fase del trabajo se realiz en los siguientes pasos:
75
MEN SALIR
a) Importacin del Mapa Forestal de Extremadura MFE.e00 y conversin a formato Shapefile (shp).
Esta operacin se realiz con ArcView y ArcInfo, tal y como se indic en el flujo de trabajo
de la Figura 47. Recordemos que ArcInfo es una aplicacin que funciona bajo el sistema
operativo DOS, por lo tanto mostraremos a continuacin los comandos que se utilizaron.
El formato del MFE de que se dispona tena extensin e00. Este tipo de formato es un
fichero de intercambio de una cobertura de ArcInfo que no se puede leer directamente y es
que necesario transformar a un formato de trabajo como shapefile o a cobertura (coverage)
antes de poder verlo.
El formato shapefile creado inicialmente por ESRI para ArcView se ha convertido en un
estndar de facto entre Sistemas de Informacin Geogrfica y la mayora de los SIG y
otras aplicaciones informaticas que tratan con datos geogrficos poseen la capacidad de
trabajar con l.
Para la importacin y transformacin e00 a shape utilizamos la utilidad Import71,
suministrada con ArcView. Posteriormente, una vez incluido el mapa completo como un
tema de Arcview, se convirtieron a shapefile indepediente cada una de las 17 categoras con
las que bamos a trabajar.
Seguidamente, se transformaron los shapefiles generados en el paso anterior a coberturas de
ArcInfo lo que asegura su correccin topolgica:
- Se denomina cobertura a un conjunto de hechos geogrficos ligados mediante
una topologa especfica y cuyos atributos son almacenados en una base de datos
asociada. Aparecen as coberturas de polgonos, de lneas o de puntos (Bosque et
al. 1994). La diferencia con los shapefiles es que la estructura es topolgica desde
un punto de vista estricto, mientras que los shapefiles no lo son (son posibles
errores topolgicos y no hay herramientas para detectarlos y corregirlos).
- Por otro lado, la topologa en el contexto de los SIG hace referencia a las
propiedades de vecindad o adyacencia, inclusin, conectividad y orden, es decir,
propiedades no mtricas y que permanecen invariables ante cambios morfolgicos,
de escala o de proyeccin.
A partir de este momento pondremos siempre como ejemplo todas las operaciones
ejecutadas con la clase 999 aunque recordando siempre que todos los comandos se han
ejecutado para las 17 clases del MFE con las que hemos trabajado (ver apartado 3.4
Categoras de vegetacin).
La secuencia de comandos en Arcinfo es la siguiente:
Ar c: shapearc cod999.shp cod999 [ 1]
Ar c: clean cod999 cod999cl 10 10 poly [ 2]
Ar c: buffer cod999cl cod999b # # -100 # poly [ 3]
Ar c: arcshape cos99cl cod999.shp [ 4]
La orden 1 transforma el shapefile a cobertura, la 2 construye la topologa con una
tolerancia de 10 m y la 3 construye el buffer interior a 100 m. Finalmente, la 4 vuelve a
generar shapefiles para su lectura con ENVI en el siguiente paso. El motivo de realizar este
proceso a travs de Arcinfo es asegurar la correccin topolgica de los polgonos, cuestin
que ejecutando los buffers directamente sobre los shapefiles no queda garantizada. En la
Figura 48 se muestra un esquema de trabajo con las operaciones realizadas.
76
MEN SALIR
Captulo 4: Mtodos
MFE.e00
polgonos.shp
buf f er
buffers (forma-
to cobertura)
i mpor t 71
shapear c
ar cshape
buffers.shp
Coberturas
ArcInfo
Figura 48: Secuencia de operaciones realizadas para la obtencin de los buffers.
4.1.2 Designacin de las reas de entrenamiento
Ya se ha mencionado en varias ocasiones que las reas de entrenamiento se obtuvieron a partir del
MFE, pero, como se puede suponer, no se utilizaron todos los polgonos disponibles sino slo una
muestra de ellos. Se eliminaron polgonos aleatoriamente con el objeto de tener variabilidad en los
tamaos de las muestras y as poder estudiar si exista relacin entre el tamao de las mismas y el
resultado de la clasificacin final.
Tal y como queda reflejado en la Tabla 7, las muestras de entrenamiento varan desde la superficie
del rea de entrenamiento para la clase 221, que ha sido delimitada en un 78.2% de la superficie
total, hasta la del rea de entrenamiento para la clase 454 que ocupa un 31.9% de la totalidad del
rea definida en el MFE. De ese modo, tuvimos un amplio margen para estudiar si exista relacin
entre el tamao de la muestra de entrenamiento y la exactitud de la clasificacin.
Por otro lado, segn se explic en el apartado 1.3.3.1.4 Muestras de entrenamiento, existen varias
frmulas que indican el tamao mnimo de la muestra de entrenamiento. segn la Ec. 46: Tamao
ptimo de la muestra de entrenamiento (Mather 2004) y las 14 bandas de la imagen, el nmero
mnimo de pxeles de la muestra de entrenamiento debera estar en el intervalo de [140,420]. Si
observamos la clase con menor nmero de pxeles, clase 26, con 3200 pxeles superara con creces
el valor obtenido con dicha frmula.
Se ha de notar que en dicho apartado existen otras frmulas como la mostrada en la Ec. 47: Tama-
o ptimo de la muestra de entrenamiento (Congalton & Green 1999), pero como ya se indic, su
definicin fue orientada al tamao de las muestras de control en el control de calidad, con lo que
no hicimos uso de ella.
En nuestro caso, tuvimos en cuenta nicamente los porcentajes mostrados en la Tabla 7 puesto
que nos parecieron los ms representativos a la hora de estudiar los tamaos de las reas de
entrenamiento utilizadas.

E. Quirs Rosado 77
MEN SALIR
Rtulo 1 MFE Leyenda
Superficie
total en
imagen (ha)
Superficie
ROIS
(ha)
Porcentaje
de superficie
n pxeles
designados
originalmente
999 Agua 4,962 3,334 67.19% 148,178
547 Matorral mixto siliccola 4,750 2,837 59.73% 126,089
507 Galera arbrea mixta 2,353 1,157 49.18% 51,422
458 Pastizal estacional denso 13,561 5,217 38.47% 231,867
454 Mancha degradada 865 276 31.89% 12,267
453 Mancha densa 861 557 64.68% 24,756
337 Canchales, pedregales 213 77 36.22% 3,422
329 Desierto rocoso 4,217 2,354 55.82% 104,622
309 Retama sphaerocapa 10,920 6,955 63.69% 309,111
303 Cistus ladanifer 2,199 1,063 48.33% 47,244
221 Lavndula stoechas 1,040 813 78.18% 36,133
62 Eucaliptus camaldulensis 19,465 14,063 72.25% 625,022
61 Eucaliptus globulus 1,012 566 55.93% 25,156
46 Quercus suber 5,353 2,595 48.48% 115,333
45 Quercus rotundifolia 78,602 54,419 69.23% 2,418,622
26 Pinus pinaster 138 72 52.24% 3,200
23 Pinus pinea 1,780 1,209 67.92% 53,733
Tabla 7: Superficie de las reas de entrenamiento en la imagen.
78
MEN SALIR
Captulo 4: Mtodos
En la Figura 49 se muestra la disposicin de las distintas reas de entrenamiento:

Clase 61
Clase 62
Clase 46
Clase 507
Clase 45
Clase 23
Clase 26
Clase 547
Clase 309
Clase 221
Clase 303
Clase 454
Clase 453
Clase 458
Clase 337
Clase 329
Clase 999

Figura 49: Disposicin de las reas de entrenamiento.
A partir de este momento trataremos a la imagen Aster como 14 matrices de datos con 4200 filas y
4980 columnas. Ya, en el apartado 3.2.2 Imagen utilizada, se explic que una de las operaciones
previas realizadas a la imagen fue la de remuestrear todas las bandas con resolucin de 15 m. Con
todo ello, la imagen ya estara preparada para la extraccin de la informacin necesaria en las
localizaciones de las reas de entrenamiento.
La manera de capturar los ND de las 14 bandas de la imagen en las localizaciones de las reas de
entrenamiento para cada clase del MFE fue la siguiente:

E. Quirs Rosado 79
MEN SALIR
- Una vez abierta la imagen en ENVI, se superpusieron los ficheros shape de cada clase
(con buffer). Posteriormente se exportaron al formato ROI (region of interest), que es el
formato que utiliza ENVI para la definicin espacial de las reas de entrenamiento.
- Finalmente, para capturar los ND de todas las bandas en esos polgonos, se utiliz la
opcin de exportar las Regiones a archivos ASCII. De esta manera, ENVI devuelve en un
fichero de texto los ND de las localizaciones definidas por las reas de entrenamiento.
Realizando todas estas operaciones se obtuvieron 17 ficheros ASCII (uno por clase) con el
contenido de cada banda en cada pixel contenido en las reas de entrenamiento
5
. El acceso
directo a los ficheros se adjunta en el correspondiente apartado de resultados 5.1.2 Ficheros de
reas de entrenamiento.
4.1.3 Primer estudio de separabilidad
Como ya se adelant en el flujo de trabajo mostrado en la Figura 47, una vez preparadas las mues-
tras de entrenamiento y aprovechando que las reas de inters estaban incluidas en el programa
ENVI, se realiz un primer estudio de separabilidad entre cada clase y todas las dems. Este estu-
dio, como se puede observar en el flujo de trabajo, se comparara posteriormente con el realizado
mediante otras aplicaciones.
El clculo de la separabilidad, segn se explica en Richards & Jia (2006), puede resultar beneficioso
para hacerse una idea previa a la clasificacin, de la similitud de las clases escogidas y as actuar en
consecuencia. Si todas las clases tienen una alta separabilidad entre ellas, lo lgico es que el clasi-
ficador funcione correctamente. Sin embargo, si alguna clase tiene baja separabilidad con otra,
bien se pueden fundir en una sola, o bien, se podra eliminar una de ellas.
Antes de proseguir, convendra subrayar que la gran mayora de los mtodos del clculo de sepa-
rabilidad entre clases podran ser considerados paramtricos, ya que suelen suponer la normalidad
de la distribucin de las clases, por lo que si el mtodo de clasificacin que utilicemos es no para-
mtrico, el grado de separabilidad que nos ofrecen los primeros no ser representativo. Por ello
habr que tener mucha prudencia con las decisiones que se tomen a raz de sus resultados.
En nuestro caso, nos limitamos a realizar estudios de separabilidad con distintos programas infor-
mticos y a comparar los resultados que de ellos se desprendieron, sin alterar las clases inicial-
mente definidas. Con todo ello podremos establecer en las conclusiones, si existe relacin directa
entre la exactitud de las clasificaciones y los distintos tipos de estudios de separabilidad que se
han realizado.
El programa ENVI calcula la separabilidad espectral entre pares de clases midiendo la distancia de
Jeffries-Matusita (JM) y la divergencia transformada (DT).
Correspondera sealar que ambas distancias son calculadas suponiendo modelos de distribucin
de las clases normales multivariantes (ver apartado 1.3.4.1.1 Distribucin normal multivariante),
con lo que habra que englobarlas en el grupo de estudios de separabilidad paramtricos.
La distancia JM define las distancias entre las clases i y j segn:
5
Como se ver en apartados posteriores, en algunas de las clases hubo que reducir el tamao de los ficheros
de muestras de entrenamiento puesto que la aplicacin informtica MARS no tena capacidad suficiente para
procesar algunos de los archivos de pares de clases por exceso de tamao. Sin embargo, para las
clasificaciones realizadas con ENVI si que se utilizaron estas muestras de entrenamiento ntegras.
80
MEN SALIR
Captulo 4: Mtodos
( )
)
=
x
j i ij
dx x p x p J
2
) | ( ) | ( e e
Ec. 74: Distancia JM entre clases.
Para clases con distribucin normal la expresin se convierte en:
( )
ij
B
ij
e J
= 1 2
Ec. 75: Distancia JM entre clases con distribucin normal.
En la que B
ij
se refiere a la distancia Bhattacharyya entre las clases i y j y se expresa de la forma:
( )
|
|
|
.
|
\
|
E E
E + E
+
|
|
.
|
\
|
E + E
=
j i
j i
j i
j i T
j i ij
B
2 /
ln ) (
2
) (
2
1
1
8
1

Ec. 76: Distancia Bhattacharyya entre clases con distribucin normal.
La presencia del factor exponencial en la Ec. 75: Distancia JM entre clases con distribucin normal,
le impone una ponderacin exponencial decreciente a medida que se separan las clases espectra-
les. Si representamos en la Figura 50 la distancia JM en funcin de la distancia entre clases, se
puede observar un comportamiento de saturacin a diferencia de lo que no se espera para la pro-
babilidad de clasificacin correcta (Richards & Jia 2006).
La distancia JM tiene un lmite superior de 1,41, y un lmite inferior de 0. Adems, es asinttica al
valor 2, lo que significa que un valor de 2 en la distancia JM implica que la clasificacin se realizar
con un 100% de exactitud. Cuando la distancia calculada es cero, se puede decir que las firmas son
totalmente inseparables (Lasaporana & Lanorte 2007).
D
i
s
t

J
M

e
n
t
r
e

c
l
a
s
e
s
Distancia entre medias de clases
2
0
Depende de las matrices covarianza
Figura 50: Distancia JMen funcin de la separacin entre las medias de las clases. Fuente:Richards & Jia (2006).
La otra medida de separabilidad que ofrece ENVI es la de la DT, que se calcula segn la siguiente
frmula:
|
|
.
|
\
|
=
8
1 2
ij
D
ij
e DT
Ec. 77: DT entre clases.
En la que D
ij
es la divergencia entre clases y viene dada por la siguiente expresin:

E. Quirs Rosado 81
MEN SALIR
| | dx
x p
x p
x p x p D
x j
i
j i ij
)
=
) | (
) | (
ln ) | ( ) | (
e
e
e e
Ec. 78: Divergencia entre clases.
Donde ) | (
i
x p e y ) | (
j
x p e representan los valores de las distribuciones de probabilidad de las cla-
ses i y j en una posicin genrica.
Al igual que la distancia JM y debido al carcter exponencial de la Ec. 77 la probabilidad tiende a
converger a medida que aumenta la separacin entre clases, pero en este caso el valor de conver-
gencia es 2.
Figura 51: Exactitud de clasificacin en funcin de la DT. Fuente: Richards & Jia (2006)
E
x
a
c
t
i
t
u
d

d
e

l
a

c
l
a
s
i
f
i
c
a
c
i
n

lmite superior
terico
Curva emprica
DT
Segn se muestra en la Figura 51, existe una probabilidad terica de realizar una clasificacin co-
rrecta en funcin de la DT obtenida y esta se expresara de la siguiente forma:
( )
4
2
1
8
1
1 1
ij C
DT P <
Ec. 79: Probabilidad de clasificacin correcta segn la DT.
Tambin se puede observar en la Figura 51 que existe una curva emprica obtenida del trabajo de
Swain & King (1973) y que difiere de la terica en gran medida.
Dado que no se ha encontrado una explicacin clara en ninguna referencia bibliogrfica de cul es
el comportamiento real de la probabilidad de clasificacin correcta para el intervalo de la distancia
JM [1.414-2], decidi tener en cuenta para el estudio de separabilidad slo los valores de la DT.
Los valores obtenidos se adjuntan en el apartado 5.1.3 Resultados del primer estudio de separabi-
lidad.
4.2 Clasificacin: mtodo MARS
Multivariate adaptive regression splines (MARS) es un procedimiento de regresin no paramtrico en el
que no se realiza ninguna suposicin acerca de la relacin funcional entre las variables dependien-
tes e independientes. En su lugar, MARS construye esta relacin a partir de un conjunto de coefi-
cientes base y funciones bsicas, que a su vez, estn totalmente influidos por la regresin de los
datos. El mtodo operativo consiste en llevar a cabo particiones del espacio de entrada en regio-
nes, cada una de ellas con su propia ecuacin de regresin (StatSoft 2007).
82
MEN SALIR
Captulo 4: Mtodos
El mtodo MARS fue propuesto por Friedman (1990) y consiste bsicamente en un algoritmo basa-
do en el particionamiento recursivo y en la regresin multietapa que emplea funciones tipo spline
para lograr la aproximacin a una funcin de regresin arbitraria (Bonilla et al. 2003). Segn Nedjah
& Luiza de Macedo (2005), MARS es una tcnica de regresin adaptativa poderosa y bien estable-
cida.
MARS utiliza una clase especfica de funciones bsicas como predictores en lugar de los datos ori-
ginales. Esta forma de operar, hace posible dejar en blanco selectivamente ciertas regiones de una
variable, convirtindolas en valor 0 y permitiendo al algoritmo centrarse en sub-regiones especfi-
cas de los datos.
El modo de trabajar es el de generar en principio un modelo sobreajustado para, posteriormente, ir
reduciendo su complejidad eliminando los splines que menos contribuyan al ajuste del modelo a los
datos introducidos.
Hasta ahora, el mtodo MARS ha sido ampliamente utilizado para realizar trabajos predictivos y de
simulacin tales como: Heikkinen et al. (2007), Leathwick et al.(2006), Prasad et al. (2006), Felicsimo
et al.(2004) y Moisen & Frescino (2002). Otros autores han comparado esta tcnica de modelado
con otras ya existentes, as, Muoz & Felicsimo (2004) sealan que MARS es una tcnica ms
adecuada para modelar situaciones que incluyen un alto nmero de variables , no linealidad, multi-
colinearidad y/o un alto grado de interaccin entre predictores. Tambin, trabajos como Francis et
al o Dwinnell (2000) ensalzan la base de estadstica rigurosa con la que se ha construido la tcnica
MARS, sin olvidarnos de la ventajosa claridad de los resultados MARS frente a las cajas negras
producidas por las redes neuronales.
Segn se indica en Hastie et al.(2001), el mtodo MARS puede ser enfocado a problemas de clasifi-
cacin. En su trabajo se indican dos tipos de clasificacin: el tipo deondo slo intervienen dos cla-
ses, en las cuales el mtodo MARS sin ningn tipo de variante es slido y competitivo y un segun-
do tipo de clasificacin con ms de dos clases, donde se recomienda la utilizacin de un mtodo
hbrido de MARS denominado PolyMARS, que fue diseado especficamente para tareas de clasifi-
cacin por Stone et al. (1997).
No entraremos en detallar esta ltima tcnica puesto que, en nuestro caso, se ha realizado la clasi-
ficacin pairwise o por pares de clases que correspondera al primero de los dos casos seala-
dos por Hastie et al. (2001).
Tal y como se mencion en el apartado 1.4 Definicin del problema, este mtodo no se ha utiliza-
do en el campo de la teledeteccin salvo en el trabajo de Solberg (2004), pero el echo de que se
trabajara con imgenes radar le confa una naturaleza completamente distinta a nuestro trabajo. A
pesar de todo, los resultados obtenidos por el mtodo MARS en ese trabajo fueron muy satisfacto-
rios comparndolos con otros clasificadores.
4.2.1 Fundamentos
Las herramientas utilizadas por MARS son las ya mencionadas funciones bsicas, que sirven para
generalizar la bsqueda de nudos. Las funciones bsicas son el conjunto de funciones utilizadas
para representar la informacin contenida en una o ms variables (Nedjah & Luiza de Macedo
2005). Adems, estas funciones bsicas expresan la relacin entre las variables dependientes y la
independiente.
Definiremos un spline como una curva delimitada a trozos mediante polinomios. Se utilizan para
aproximar formas tales como curvas mediante simples polinomios.
Un spline cbico con umbrales k
1
, k
2
, ..., k
s
es un polinomio cbico definido sobre los intervalos (-,

E. Quirs Rosado 83
MEN SALIR
k
1
), (k
1
,k
2
), ..., (k
s
,) y cuya derivada segunda es continua en todos los puntos. A las funciones spline
cbicas se las denomina funciones bsicas. En n dimensiones, cada funcin base es el producto
de n funciones base univariantes, una para cada coordenada:
La ecuacin general de los splines de regresin adaptativa multivariante es la mostrada en Hastie et
al. (2001):
_
=
+ = =
M
m
m m
X h x f y
1
0
) ( ) ( | |
Ec. 80: Splines de regresin adaptativa multivariante.
de tal modo que, y es predicha en funcin de las variables predictoras X.
La funcin consiste en un parmetro interceptor |
0
y la suma ponderada por |
m
de otra u otras
funciones bsicas h
m
(X). Por tanto, el modelo estar formado de una suma ponderada de funciones
bsicas seleccionadas de un gran nmero de funciones bsicas que enlazan todos los valores de la
variable predictora.
Si profundizamos ms en el algoritmo MARS, hay que indicar que ste construye modelos a partir
de funciones truncadas por dos lados de la forma:
>
=
+
otro
t x t x
t x
0
) (
Ec. 81: funciones truncadas por dos lados.
Figura 52: funciones truncadas o splines. Fuente: Hastie et al. (2001).
Cada funcin es lineal a tramos, con un nudo en el valor t, siendo cada nudo la localizacin en la
que termina una regin de los datos y comienza otra distinta (Nedjah & Luiza de Macedo 2005). La
idea es formar pares reflejados para cada variable X
j
, con nudos en cada valor observado x
ij
de esa
variable (ver Figura 52). Entonces, la coleccin de funciones bsicas ser:
( ) ( ) { }
{ }
p j
x x x t j j
Nj j j
X t t X C
,..., 2 , 1
,..., ,
2 1
,
=
e
+ +
=
Ec. 82: Conjunto de funciones bsicas.
Si todos los valores de entrada son distintos, habr 2Np funciones bsicas.
El procedimiento empleado por MARS se divide en tres etapas. En primer lugar, se emplea un algo-
ritmo hacia adelante para seleccionar las funciones base y los nudos. Seguidamente, se emplea
un algoritmo hacia atrs para eliminar funciones base, hasta que se encuentra la mejor combina-
84
MEN SALIR
Captulo 4: Mtodos
cin de ellas. Finalmente, se utiliza un suavizado que proporciona a la aproximacin obtenida el
grado de continuidad deseable en las fronteras de las particiones:
- La manera de seleccionar las funciones bsicas finales de todo el conjunto inicial comienza
por determinar slo la funcin constante h
0
(X)=1 con lo que todas las funciones del con-
junto C son funciones candidatas. En cada paso se ir considerando como nuevos pares de
funciones todos los productos de una funcin h
m
en el conjunto modelo M con uno de los
pares reflejados de C, de modo que se aadir al modelo M el trmino:
M h X t X h t X X h
l j l M j l M
e +
+ + + +
, ) ( ) (
) ( ) (
2 1
| |
Ec. 83: Mtodo de incorporacin de funciones bsicas al modelo M.
Por ejemplo, en una primera etapa se podra considerar aadir al modelo la funcin
{ }
ij j j
x t X t t X e +
+ +
; ) ( ) (
2 1
| | . Se escoge un valor para t que minimice el error mnimo
cuadrtico. Entonces el par de funciones bsicas determinadas por ese valor de t son aa-
didas al modelo M. As se procede sucesivamente hasta que el modelo M contenga el
mximo de trminos prefijados por el usuario al comienzo del proceso.
En la Figura 53 se muestra grficamente el proceso: A la izquierda se muestran las funcio-
nes que componen el modelo en cada fase y a la derecha las posibles candidatas. En rojo
se han marcado las funciones que se van seleccionando en cada caso.
Figura 53: Proceso de construccin de un modelo MARS. Fuente: Hastie et al. (2001).
Al finalizar el proceso, tenemos un modelo muy amplio de la forma expresada en la Ec. 80,
detenindose el proceso cuando la aproximacin construida incluye un nmero mximo de
funciones fijadas por el usuario.

- El mtodo de supresin hacia atrs en cada fase consiste en ir excluyendo aquellos tr-
E. Quirs Rosado 85
MEN SALIR
minos del modelo que causen el mnimo incremento en el error residual. As, se va produ-
ciendo la mejor estimacin del modelo (
) para cada nmero de trminos del mismo.

El propsito de esta fase consiste en reducir el grado de complejidad del modelo, aumen-
tando su capacidad de generalizacin (Bonilla et al. 2003).
Se puede utilizar el criterio de validacin cruzada para estimar el valor ptimo de . Este
criterio sigue la siguiente ecuacin:
( )
( )
2
1
2
/ ) ( 1
) (
) (
N M
x f y
GCV
N
i
i i
=
_
=
Ec. 84: Criterio de validacin cruzada.
Siendo M() el nmero efectivo de parmetros en el modelo. Es un trmino que penaliza la
complejidad del modelo prefirindose un modelo ms sencillo frente a otro ms complejo
aunque el primero muestre peor ajuste, siempre y cuando el nmero de parmetros sea
significativamente menor.
As, si hay r funciones base linealmente independientes en el modelo, y K son los nudos se-
leccionados en el procedimiento hacia atrs, la ecuacin que define M() es la siguiente:
cK r M + = ) (
Ec. 85: Nmero efectivo de parmetros en el modelo.
El valor de c suele ser 3, salvo cuando se restringe al modelo a ser aditivo, que pasa a tomar
un valor de 2 (Hastie et al. 2001).
- El ltimo paso que se realiza es el suavizado. ste se hace necesario ya que la aproxima-
cin mediante splines lineales produce discontinuidades en las fronteras de las regiones. El
suavizado consiste en reemplazar las funciones base truncadas lineales, por funciones c-
bicas, que coinciden con la aproximacin lineal por tramos en los extremos de los subin-
tervalos.
Este suavizado asegura la continuidad de la primera y la segunda derivada en todos los
puntos salvo en los extremos del intervalo (Bonilla et al. 2003).
4.2.2 Clasificacin pairwise
Ya se ha mencionado en el apartado 4.2 Clasificacin: mtodo MARS que la tcnica que se ha se-
guido en este trabajo para realizar la clasificacin es la pairwise, o lo que es lo mismo, la clasifica-
cin por pares de clases. As, se ha generado una clasificacin de discriminacin de cada clase con
cada una de las restantes. El concepto es el de componer variaciones con repeticin (recordando los
conceptos matemticos de combinacin variacin y permutacin) de las 17 clases tomadas de dos
en dos.
Por la regla matemtica de la variacin se realizaron, el siguiente nmero de clasificaciones:
272
)! 2 17 (
! 17
2 , 17
=
= VR
Para llevar a cabo esas 272 clasificaciones, se hizo necesario generar 272 archivos obtenidos de las
regiones de inters, fusionando la informacin de los ND de cada una de las dos clases. Esta ope-
racin se ha realizado con el programa SPSS, uniendo los dos ficheros correspondientes a cada
86
MEN SALIR
Captulo 4: Mtodos
clase mediante la orden fundir archivos. Posteriormente, se efectuaron cambios en el fichero de
manera que quedaran las columnas de informacin que a continuacin se detallan y que corres-
ponden a las variables del modelo:
VAR00001 Toma valor 1 para la clase i y 0 para la j
ESP Indica el cdigo del MFE de la clase i o la j
V1 Nmero secuencial que se haba generado en Envi
V2 Coordenada fila
V3 Coordenada columna
V4 Coordenada X UTM
V5 Coordenada Y UTM
V6-V19 Valores de los ND correspondientes a las 14 bandas
Conviene aclarar que no todas estas variables intervienen en el clculo. Por ejemplo, las coordena-
das no se usarn como predictores aunque por razones de control no se eliminaron de estos fiche-
ros. Por lo tanto, el modo de proceder posteriormente fue el de seleccionar nica y exclusivamente
las variables necesarias para la generacin de los modelos (ver apartado 4.2.2.1)
Se puede consultar uno por uno todos los 272 archivos generados en el apartado 5.2.1 Ficheros
generados para la clasificacin pairwise.
Sealaremos tambin que, algunos de los ficheros generados para dos clases eran demasiado ex-
tensos para el procesado del mismo en la versin disponible de MARS. Por esa razn, hubo que
proceder a una reduccin aleatoria de los datos. Esa reduccin en algunos casos fue hasta del
98%, realizando esta operacin mediante el comando Select Cases: Random Sampledel SPSS. Por
esta razn, el tamao de las muestras de entrenamiento fue reducido en muchas de las clases, con
lo que las proporciones mostradas en la Tabla 7: Superficie de las reas de entrenamiento en la
imagen se alteraron de forma significativa:

E. Quirs Rosado 87
MEN SALIR
Rtulo 1 MFE Leyenda
n pxeles
designados
originalmente
n pxeles
utilizados en
MARS
999 Agua 148,178 29,519
547 Matorral mixto siliccola 126,089 25,093
507 Galera arbrea mixta 51,422 51,323
458 Pastizal estacional denso 231,867 46,084
454 Mancha degradada 12,267 12,283
453 Mancha densa 24,756 24,692
337 Canchales, pedregales 3,422 3,483
329 Desierto rocoso 104,622 20,875
309 Retama sphaerocapa 309,111 61,459
303 Cistus ladanifer 47,244 47,240
221 Lavndula stoechas 36,133 36,140
62 Eucaliptus camaldulensis 625,022 62,426
61 Eucaliptus globulus 25,156 25,274
46 Quercus suber 115,333 22,941
45 Quercus rotundifolia 2,418,622 60,338
26 Pinus pinaster 3,200 3,213
23 Pinus pinea 53,733 53,729
Tabla 8: Reduccin de la superficie de las reas de entrenamiento para procesado con MARS.
A modo de ejemplo se muestra en la Figura 54 los pxeles aleatoriamente elegidos para el proce-
samiento con MARS en una de las clases:
Figura 54: Distribucin de pxeles aleatorios en las muestras de entrenamiento para MARS.
4.2.2.1Segundo estudio de separabilidad
Tal y como se indica en el flujo de trabajo del apartado 3.5 Las aplicaciones informticas, una vez
generados los ficheros de combinacin de clases se ejecut un segundo estudio de separabilidad
con la aplicacin SPSS. Esta vez el estudio se realiz mediante regresin logstica binaria (RLB).
88
MEN SALIR
Captulo 4: Mtodos
4.2.2.1.1 Regresin logstica binaria
Para definir el trmino Regresin nos remitiremos al apartado 1.2.2 Estadsticos y parmetros , en el
que ya se explic que la regresin consiste en establecer la relacin que existe entre una variable
dependiente y una o varias variables independientes. En ese mismo apartado, se defina tambin el
concepto de correlacin, indicando ste ltimo, el grado de asociacin entre las variables. Estos
conceptos han de ser claramente diferenciables ya que, mientras que el primero explica la relacin
entre las variables, el segundo determina si esa relacin es o no significativa.
La RLB o binomial pertenece, segn Guisande et al. (2007), al grupo de modelos de regresin para varia-
bles dependientes cualitativas. En estos modelos la variable dependiente siempre ser cualitativa y las
variables independientes pueden ser continuas, discretas, categricas, dicotmicas o una mezcla
de ellas (Guisande et al. 2007). Recordemos que una variable cualitativa es aquella que no se expresa
numricamente, aunque pueden utilizarse cdigos numricos para representar sus valores.
Por otro lado, el modelo de regresin se denomina binario o binomial puesto que la variable depen-
diente es dicotmica, de forma que se le suele asignar valor 1 si el hecho ocurre y 0 si no ocurre.
As, en nuestro caso, los modelos estn compuestos por las siguientes variables:
o Variable dependiente (cualitativa): tipos de clase de vegetacin (encina, alcor-
noque...) aunque hayamos utilizado el cdigo numrico del MFE para representar-
las (cod.45, cod.46...).
o Variables independientes: son los valores de los ND de las 14 bandas de la ima-
gen.
Volviendo a la definicin de la regresin logstica, la ecuacin general de una curva logstica se re-
presenta segn:
) (
1
cx b
e
a
Y
+
=
Ec. 86: Ecuacin general de la curva logstica.
En la que la constante a delimita el lmite superior de la curva, la constante c determina la pendien-
te y la constante b define el tamao de la curva.
Expresando la Ec. 86 en funcin de la probabilidad de que se produzca el evento y para un modelo
multivariante, resultara de la forma:
( )
k k
X X
e
p
o o o + + +
+
=
...
1 1 0
1
1
Ec. 87: Ecuacin general de la curva logstica en funcin de la probabilidad.
En el caso de que p sea mayor de 0.5, se suele asumir que el evento se produce y si la probabilidad
es menor de 0.5 se asumira que no se produce. Se puede observar en la Figura 55 que la funcin
logstica se encuentra entre los valores 0 y 1, lo que la hace muy adecuada para modelizar una pro-
babilidad (Abraira & Prez de Vargas 1996).

E. Quirs Rosado 89
MEN SALIR
Figura 55: Funcin logstica binaria. Fuente: Abraira & Prez de Vargas (1996).
4.2.2.1.2 Separabilidad con SPSS
Una vez abiertos en SPSS los ficheros de combinacin de dos clases, se procedi al clculo de la
RLB en la que se introdujeron los siguientes parmetros:
- Variable dependiente: ESP que es la variable que contiene el cdigo de cada una de las dos
clases.
- Variables independientes: Se designaron las 14 variables correspondientes a los ND de las
bandas de la imagen.
- Mtodo de clculo: Adelante RV. Este mtodo compara la entrada basndose en la significa-
cin del estadstico de puntuacin y contrasta la eliminacin en relacin al estadsitico de
la razn de verosimilitud, que se basa en estimaciones de la mxima verosimilitud parcial.
- Guardar: Probabilidades. De este modo se guarda en otra variable las probabilidades de
que cada pxel pertenezca a la clase en cuestin.
Conviene en este momento explicar que la matriz de separabilidad segn la RLB es simtrica (se
comprob en la clase 45) con lo que los clculos de la RLB se hicieron slo a un lado de la diago-
nal principal (136 ficheros), o lo que es lo mismo, una vez calculada la separabilidad mediante RLB
entre la clase i y la j ya no se calcul la separabilidad entre la j y la i.
Obrando de este modo para cada una de los 136 ficheros se obtuvieron los resultados del clculo
que se adjuntan en el apartado 5.2.2.1 Ficheros de regresin logstica.
Dichos ficheros generados por la aplicacin SPSS para la RLB contienen la siguiente informacin:
REGRESIN LOGSTICA
Resumen del procesamiento de los casos: En este apartado se indica el nmero de casos utili-
zados para el anlisis. Si todos los datos del fichero son correctos, se habrn incluido en el clculo
el 100% de los casos (cada caso corresponde con la informacin de un pxel)
Codificacin del la variable dependiente (dicotmica): Internamente el programa asigna el va-
lor 0 al menor de los dos cdigos, y el valor 1 al mayor.
BLOQUE 0: BLOQUE INICIAL
Tabla de clasificacin: Muestra el ajuste del modelo de regresin que hasta el momento slo
posee un parmetro en la ecuacin o
0
. El modelo presentado en la Tabla 9 sigue la estructura de
una matriz de confusin, en la que los elementos de la diagonal principal representan las clasifica-
ciones correctas y los de fuera de dicha diagonal, los elementos incorrectamente clasificados:
90
MEN SALIR
Captulo 4: Mtodos
Pronosticado
clase i clase j
clase i Positivo Verdadero

Falso Negativo
O
b
s
e
r
v
a
d
o
clase j Falso Positivo Negativo Verdadero
Tabla 9: Estructura de una Matriz de Confusin.
Se indica tambin en esta tabla, el nmero de casos clasificados correctamente en porcentaje.
Variables en la ecuacin: Se presenta el parmetro estimado (B), su error estndar (E.T.) y su
significacin estadstica con la prueba de Wald, que es un estadstico que sigue una ley Chi cuadrado
con un grado de libertad. Y la estimacin de la OR (Exp(B)).
Variables que no estn en la ecuacin: Indica el resto de variables ausentes en la ecuacin y su
correspondiente grado de significacin, de manera que segn esa puntuacin, el proceso las ir
incorporando a la ecuacin en el bloque 1
BLOQUE 1: MTODO = POR PASOS HACIA ADELANTE (razn de verosimilitud)
Pruebas omnibus sobre los coeficientes del modelo: Nos indica el valor de los contrastes _
2
entre nuestros datos y el modelo que hemos generado. Como la regresin obtenida es por pasos,
nos indicar el valor de _
2
en los distintos pasos. El _
2
habr de ir disminuyendo hasta un paso en
el que aunque se aumente el nmero de variables, el valor de _
2
no vare.
Debido a que se seleccion el mtodo por pasos hacia adelante, a medida que van aumentando
los pasos del proceso, van aumentando el nmero de variables que intervienen en el modelo en
funcin de su significancia. As, en el ltimo paso del proceso sern incluidas todas las variables
significativas para el modelo.
Resumen de los modelos: Se nos indica el valor estadstico de 2Log de la verosimilitud, as co-
mo el r
2
de Cox y Snell.
Tabla de clasificacin: Muestra una tabla de clasificacin como la indicada en la del bloque 0
pero para cada paso.
Variables en la ecuacin: Indica cada una de las variables seleccionadas en cada paso con sus
correspondientes estadsticos.
Modelo si se elimina el trmino: Muestra una evaluacin de cunto pierde el modelo obtenido
si se elimina la variable incluida en el paso en cuestin. Este procedimiento se realiza siempre en
los mtodos automticos de construccin del modelo por pasos y en l se evala tanto la inclu-
sin como la exclusin de variables.
En la tabla se presenta, para cada variable del modelo, los cambios en la verosimilitud si dicha va-
riable se elimina. Si la significacin del cambio fuese mayor que el criterio de exclusin establecido,
la variable se eliminara del modelo en el paso siguiente.
Para entender mejor toda esta informacin se recomienda al lector remitirse al apartado 5.2.2.1
Ficheros de regresin logstica en el que se explica al detalle uno de los ficheros resultado de la
RLB.
E. Quirs Rosado 91
MEN SALIR
4.2.2.1.3 La curva ROC y estadstico AUC
El valor de porcentaje de aciertos o exactitud que devuelve el programa SPSS, se calcula segn la
siguiente frmula basada en la matriz de confusin de la Figura 57
casos n
NV PV
Exactitud
+
=
Ec. 88: Exactitud de una clasificacin.
Este estadstico es muy utilizado por su simplicidad, pero tiene el inconveniente de aportar una
idea del clasificador aislado.
Tal y como se indica en Muoz & Felicsimo (2004), a la hora de comparar distintos tipos de clasifi-
cadores, se recomienda utilizar la curva ROC (Receiver Operating Characteristic), ya que no se limita a
resumir los resultados en un umbral de decisin aislado, sino que realiza el estudio a travs de to-
dos los posibles umbrales de decisin.
Por otro lado, Wong et al. (2006) seala que se ha demostrado tanto tericamente como emprica-
mente que el estadstico AUC (Area Under the ROC Curve) es una medida de evaluacin de clasifica-
dores binarios que aventaja a la exactitud.
Los grficos ROC son grficos bidimensionales en los que en el eje X se representa la especifici-
dad y en el eje Y la sensibilidad del clasificador.
- La especificidad del clasificador es la probabilidad de clasificar un elemento como
perteneciente a la clase j cuando realmente pertenece a esa clase j:
FP NV
NV
dad Especifici
+
=
Ec. 89: Especificidad de un clasificador.
- La sensibilidad del clasificador es la probabilidad de clasificar un elemento como per-
teneciente a la clase i cuando realmente pertenece a la clase i:
FN PV
PV
ad Sensibilid
+
=
Ec. 90: Sensibilidad de un clasificador.
En la Figura 56 se muestra un ejemplo de curva ROC, de la que cabra mencionar las siguientes ca-
ractersticas:
1. El punto 0,0 representa la hecho de no realizar nunca una clasificacin positiva,
mientras que su punto opuesto (1,1) representa la hecho de siempre realizar una
clasificacin positiva.
2. La clasificacin perfecta vendra dada por la localizacin (0,1), de manera que un
clasificador es mejor cuanto mayor es su sensibilidad y menor su especificidad.
3. Un clasificador cuya curva ROC se acerque al eje X es denominado por Fawcett
(2003) como conservativo, de manera que slo hara clasificaciones positivas bajo
evidencias firmes en la muestra de entrenamiento. El clasificador denominado libe-
ral, es aquel que realiza clasificaciones positivas con pruebas poco firmes.
4. La diagonal (Y=X) representa que el clasificador no es vlido, puesto que la pro-
porcin de positivos verdaderos es igual a la de negativos verdaderos con lo que el
92
MEN SALIR
Captulo 4: Mtodos

clasificador no tiene ningn poder de discriminacin.
1 - Especificidad
1,0 0,8 0,6 0,4 0,2 0,0
S
e
n
s
i
b
i
l
i
d
a
d
1,0
0,8
0,6
0,4
0,2
0,0
Curva COR
Los segmentos diagonales son producidos por los empates.
Figura 56: Ejemplo de curva ROC.
El modo de obtener la curva ROC es representar para cada posible eleccin de valor de corte entre
una y otra clase, el valor de la especificidad (o ms concretamente 1- especificidad) y su corres-
ondiente sensibilidad.
Existe
efinira la curva ROC sera la encontrada en
Martnez-Camblor (2007):
p
n dos mtodos de obtener el grfico de la curva, el paramtrico y el no paramtrico
6
:
- En el mtodo paramtrico se supone que las clases, cuya funcin de distribucin
denominaremos G y F, siguen algn modelo paramtrico conocido, usualmente dis-
tribucin normal. La expresin que d
( ) ( )
|
|
. \
j
o
|
| u +
u = =
j i i
p
t
t F G ROC
o ) 1 (
1 1 1
1
1
ue se denota a la funcin de distribucin normal por u, y t es el punto de
Ec. 91: Ecuacin de la curva ROC en el modelo binormal.
En la q
corte.
As, segn se aprecia en la Figura 57, en funcin del punto de corte t, se obtendran
6
existen algunos autores como [35] Erkanli, A., M. Sung, E. J. Costello & A. Angold (2006). "Bayesian semipa-
rametric ROC analysis." Statitics in medicine Vol. 25: 3905-3928.que proponen mtodos intermedios denomi-
nados semiparamtricos.
E. Quirs Rosado 93
MEN SALIR
distintos valores de falsos positivos y falsos negativos que generaran los consi-
guientes valores de sensibilidad y especificidad necesarios para la representacin
de la curva ROC.
PV
NV
FP
FN
FN
FP
NV
PV
Figura 57: Variacin del punto de corte en el modelo binormal de la curva ROC.
- En el mtodo no paramtrico no se hace ninguna suposicin sobre la distribucin
de las variables. El mtodo que se utiliza normalmente es el de sustituir las funcio-
nes de distribucin desconocidas por sus correspondientes Funciones de Distribucin
Empricas (G y F). Por tanto la ecuacin de la curva no paramtrica quedar de la
forma:
)) 1 (
t F G
1 ) (
t C O R
n m
=
Ec. 92: Ecuacin de la curva ROC en el modelo no paramtrico.
m
G
y
n
F
son las estimaciones empricas de las funciones de distribucin con tama-
os m y n respectivamente.
n
F es la funcin cuantil o lo que es lo mismo, la inversa
de su funcin de distribucin (Molanes 2007).
Existe una diversidad de tcnicas que se basan tanto en el mtodo paramtrico como en el no pa-
ramtrico. As, sirvan de ejemplo como tcnicas paramtricas Ma et al. (2006) o Karayianni et al.
(1996), y de las no paramtricas Evangelista et al.(2005), Yousef et al. (2006) y Mueller & Zhang
(2006), siendo estas algunas muestras de una larga lista de trabajos.
No existe una propuesta clara que oriente acerca de cul de estos dos mtodos ha de ser utilizado.
Incluso trabajos como Hajian-Tilaki et al. (1997) demostraron cmo la diferencia de resultados en-
94
MEN SALIR
Captulo 4: Mtodos

-
calar simple
stadstica muy importante: Su valor es equivalente a la probabilidad
nte una pareja o dupla de elementos de ambas clases (i
El rea bajo la curva ROC se define como:
tre ambos mtodos es muy pequea, trabajando tanto con muestras de carcter paramtrico, co
mo no paramtrico. No obstante, parece lgico aplicar siempre el modelo paramtrico cuando el
mtodo de clasificacin seguido haya sido de esa naturaleza y no paramtrico en caso contrario
7
.
La construccin de la curva ROC es necesaria para el clculo del estadstico AUC (Area Under the
ROC Curve). La curva ROC es una representacin bidimensional de la actuacin del clasificador. Pa-
ra comparar varios clasificadores deberemos reducir esta representacin a un valor es
que represente el rendimiento esperado (Fawcett 2003). Este valor simple es el valor del rea bajo
la curva (AUC) y es una porcin del rea de una unidad cuadrada que vara entre 0 y 1.
El AUC tiene una propiedad e
de que el clasificador catalogue correctame
y j) aleatoriamente escogida.
( ) ( ) ( )
)
=
1
0
1
1 1 dt t F G AUC
Ec. 93: rea bajo la curva ROC.
Nos remitimos de nuevo a la metodologa seguida en este trabajo. As, una vez realizado el clculo
de la RLB, se procedi a la generacin de la correspondiente curva ROC con los valores de la pro-
babilidad de pertenencia a cada clase que devolvi la RLB. El grfico de la curva y su correspon-
diente AUC se guard al final de cada uno de los ficheros de Regresin que se adjuntan en el apar-
tado 5.2.2.1 Ficheros de regresin logstica. No obstante, como el dato que genera ms inters es
C, s la Tabla 15: AUC de la RLB el del AU e ha realizado un resumen de las mismas en
lase a la que corresponden. Una
4.2.3 Entrenamiento con MARS
Recordemos de manera breve que el proceso de clasificacin es el siguiente: el operador seleccio-
na una serie de zonas en la imagen y le indica al clasificador a qu clases pertenecen. Seguidamen-
te, el clasificador se entrena con dichas zonas y construye una serie de reglas de clasificacin que
relacionan las caractersticas de la imagen en esas zonas con la c
vez construida las reglas de clasificacin, stas son aplicadas a la totalidad de la imagen para de-
ducir a qu clase pertenece cada uno de los pxeles de la misma.
Los ficheros que se generaron en el apartado 5.2.1 Ficheros generados para la clasificacin pairwi-
se eran los necesarios para que la aplicacin informtica MARS construyera dichas reglas de clasi-
ficacin. Si seguimos la lnea expuesta en el prrafo anterior, el fichero debe contener informacin
de qu caractersticas tiene la imagen para cada clase. En nuestro caso, las caractersticas no son
otras que los ND de cada una de las bandas. As, cada fichero de parejas de clases contiene 14 va-
riables, desde la V6 a la V14, que corresponden a los ND de las bandas y una variable (ESP) que
contiene el cdigo de la clase a la que pertenece ese pxel.
Por exigencias del programa ha sido preciso incluir una decimosexta variable que tomara valor 1
para la primera de las dos clases a discriminar y 0 para la otra. Esta variable fue denominada como
VAR00001. Esta variable indicara al programa que, dentro del rango de probabilidades de 0 a 1, a
7
En nuestro caso, todos los clculos de curvas ROC, tanto de este apartado como los de apartados poste-
riores, fueron realizados mediante SPSS, y segn se indica en su manual de ususario, el clculo se realiza ba-
jo la premisa no paramtrica.
E. Quirs Rosado 95
MEN SALIR
la primera clase le asignara valor 1 y a la segunda el valor 0. Dicho de otro modo: Si el fichero de
a pxel un valor de puntuacin.
Dicha amente en SPSS y para insertarla se gener un ejecuta-
ble qu y 0 a la segunda automticamente:
n las que delimitan en el espacio la separacin entre dos clases. Ese mo-
rmente, MARS aplica el modelo que ha obtenido de nuevo
s de clases. As, una vez abierto en MARS el fichero correspondiente con el
aje, se procedi a introducir los parmetros de-
ente las funciones bsicas innecesarias. Si se ve que utiliza las
Si se introdujera el va-
acin cruzada. Recordemos que se utilizaba la validacin cruzada para es-
parejas de clases es el que se cre para discriminar la clase i de la j, a la clase i le asignaramos pro-
babilidad 1 y a la j probabilidad 0.
Una vez establecida la regla de clasificacin, MARS le calcular a cad
Cuanto ms cercano sea ste a 1 significar que es ms probable que pertenezca a la clase i que a
la clase j. Si el valor es ms cercano a 0, indicar todo lo contrario.
variable VAR00001 fue aadida direct
valor 1 a la primera clase e asignara el
IF (ESP =
EXECUTE .
i) var00001 = 1 .
IF (ESP = j) var00001 = 0 .
EXECUTE .
Recordemos que el modo de funcionamiento de MARS es el de elaborar un modelo compuesto por
funciones bsicas que so
delo y esas funciones bsicas sern las reglas de clasificacin que se obtengan en esta fase de en-
trenamiento con MARS.
Adems, tal y como se ha dicho anterio
a los datos de entrada, obteniendo de ese modo, un indicador de la exactitud o grado de ajuste de
ese modelo a dichos datos de entrada.
Bajo este esquema de trabajo, se procedi en primer lugar a la obtencin de los modelos que dis-
criminaban las pareja
que se quera realizar el entrenamiento o aprendiz
seados en el clculo:
- Variable de destino (target variable): VAR00001.
- Variables predictoras: V6-V19, que eran los ND de las bandas; se excluyen las variables que re-
cogen las coordenadas imagen y UTM.
- Nmero mximo de funciones bsicas: 45. Este nmero es esencialmente arbitrario pero la expe-
riencia nos ha mostrado que el triple del nmero de variables descriptoras es suficiente.
MARS eliminar posteriorm
45 deberamos aumentar ese lmite aunque valorando si estamos cayendo en una sobrepa-
rametrizacin sin sentido.
- Mximo nmero de interacciones: 1, lo que significa que se valorarn las posibles interacciones
de cada variable con cada una de las dems pero siempre por pares.
lor 2, las interacciones se estableceran entre cada variable y cada combinacin de dos de
las otras. Esta variante se ensay confirmando que era innecesaria.
- Testing: por valid
timar el nmero ptimo de trminos en las funciones bsicas (ver apartado 4.2.1
Fundamentos)
- Calcular: El mejor modelo, para que devolviera slo el mejor resultado y no todos los pasos
intermedios.
El modo de proceder fue el de obtener los modelos MARS para cada pareja de clases y una vez
elaborados, comprobar su exactitud (grado de ajuste a los datos de entrada) mediante la curva
ROC. Tras confirmar la misma, se pudo pasar a la siguiente fase de la clasificacin que consisti en
aplicar las funciones bsicas del modelo a la totalidad de la imagen.
96
MEN SALIR
Captulo 4: Mtodos
As, por un lado, se copiaron las funciones bsicas, almacenndolas en ficheros de texto para su
posterior utilizacin (ver apartado 5.2.3.1 Funciones bsicas). Por otra parte, se aplicaron dichos
Los ficheros con las puntuaciones devueltas por MARS se incluyen en el apartado 5.2.3.2
modelos a los datos de entrenamiento con los que haban sido generados, obteniendo as una idea
preliminar de la exactitud o grado de ajuste del modelo a los datos.
Puntuaciones estimadas con los modelos MARS
4.2.3.1La matriz de separabilidad
El modo de obtener la idea preliminar de grado de ajuste de los modelos MARS a los datos de en-
trada, fue el de calcular el estadstico AUC una vez aplicados dichos modelos a los datos de entre-
namiento.
Los ficheros de clculo de los estadsticos AUC se han adjuntado en el apartado 5.2.3.3 reas bajo
la curva ROC de los modelos MARS.
Se asumi dicho estadstico como el indicativo de la separabilidad estimada por MARS entre las
e parejas d clases (ver Tabla 19: Separabilidad segn MARS).
4.2.4 Aplicacin de los modelos a la totalidad de la imagen
El objeto de guardar las funciones bsicas es componer un programa (en realidad una macro) para
aplicarlas a la totalidad de la imagen y as llevar a cabo lo aprendido por el clasificador en el proce-
a precaucin que hubo que tener
sicas haban adoptado esa nomenclatura para referirse a las ban-
so de entrenamiento a todos los pxeles de la imagen. Con este procedimiento se pudo comprobar
si las funciones bsicas son capaces de discriminar las clases para las que fueron entrenadas.
El primer procedimiento que hubo que realizar fue exportar a formato ASCII las 14 bandas de la
imagen para que el clasificador pudiera trabajar con ellas. La nic
en cuenta fue la de exportarlas en formato ASCIIgrid, que es el formato que admite ArcInfo, aplica-
cin con la se realizaron los procesos a partir de este momento.
El nombre con el que se design a cada banda fue V6, V7,, V19 y la correspondiente extensin
de cada una fue asc. El motivo de dicha numeracin corresponde a que en los archivos que se
utilizaron para el entrenamiento, los valores de las bandas de cada pxel estaban almacenados en
esas variables; y las funciones b
das (Ver apartado 4.2.2 Clasificacin pairwise en la que se describan los ficheros con los que
MARS realiz el entrenamiento)
La segunda parte del proceso consisti en generar ficheros AML, que son ficheros de texto que
contiene
b
lvente pe-
ro tamb rse tomando como muestra una imagen o grid preexistente,
como cualquiera de las bandas usadas como descriptores, por ejemplo:
tcell V7
- El segu limpieza y borra las funciones bsicas (BF) y resulta-
dos (Y1
n secuencias de comandos de ArcInfo. Estas macros son las que aplicaron las funciones
sicas a la totalidad de la imagen. Por tanto, se redactaron siguiendo la siguiente estructura:
- En el primer mdulo se define el tamao de la celda de salida y al marco o lmites
de la imagen. La celda puede definirse dando las dimensiones explcitamente y el
marco mediante las coordenadas mnimas y mximas del rectngulo envo
in puede hace
se
setwindow V7
ndo mdulo es slo de
, Y2) que pudieran haber quedado de otro clculo anterior:

E. Quirs Rosado 97
MEN SALIR
&do i = 1 &to 50
% a &if [exists BF%i% -grid] &the kill BF%i ll
Finalme las funciones bsicas de MARS (BF) y
se calcula un grid con el resultado. El siguiente es un ejemplo real de uno de los
272 fich
;
BF4 ~
2 ~
&end
&if [exists Yveg -grid] &then kill Yveg all
&if [exists Y1 -grid] &then kill Y1 all
&if [exists Y2 -grid] &then kill Y2 all
- nte, en el tercer mdulo se incluyen
eros AML que se escribieron.
BF1 = max(0, V8 - 69.000);
BF2 = max(0, 69.000 - V8 );
BF3 = max(0, V7 - 77.000);
BF4 = max(0, 77.000 - V7 );
BF5 = max(0, V16 - 1662.000);
BF6 = max(0, 1662.000 - V16 );
BF9 = max(0, V6 - 121.000);
BF10 = max(0, 121.000 - V6 );
BF11 = max(0, V19 - 1863.000);
BF12 = max(0, 1863.000 - V19 )
BF13 = max(0, V11 - 76.000);
BF14 = max(0, 76.000 - V11 );
BF15 = max(0, V14 - 64.000);
BF16 = max(0, 64.000 - V14 );
BF17 = max(0, V8 - 62.000);
BF19 = max(0, V7 - 109.000);
BF21 = max(0, V12 - 78.000);
BF22 = max(0, 78.000 - V12 );
BF23 = max(0, V11 - 84.000);
BF25 = max(0, V10 - 41.000);
BF26 = max(0, 41.000 - V10 );
BF27 = max(0, V17 - 1611.000);
BF29 = max(0, V9 - 77.000);
BF30 = max(0, 77.000 - V9 );
BF31 = max(0, V14 - 54.000);
BF33 = max(0, V11 - 57.000);
; BF35 = max(0, V19 - 1985.000)
BF37 = max(0, V13 - 55.000);
BF38 = max(0, 55.000 - V13 );
BF39 = max(0, V8 - 51.000);
BF41 = max(0, V8 - 59.000);
BF43 = max(0, V8 - 45.000);
BF45 = max(0, V15 - 1159.000);
002 * Yveg = 0.493 + 0.027 * BF1 - 0.021 * BF2 - 0.011 * BF3 + 0.
- .526795E-03 * BF5 - 0.001 * BF6 - 0.003 * BF9 ~
+ 0.007 * BF10 + 0.001 * BF11 + .729883E-03 * BF1
-
- 0.008 * BF16 - 0.004 * BF17 + 0.012 * BF19 ~
0.028 * BF13 + 0.004 * BF14 + 0.031 * BF15 ~
- 0.040 * BF21 + 0.003 * BF22 + 0.034 * BF23 ~
+ 0.008 * BF25 - 0.010 * BF26 - 0.003 * BF27 ~
* BF31 ~ - 0.005 * BF29 - 0.002 * BF30 + 0.023
- 0.021 * BF33 + 0.002 * BF35 - .810970E-03 * BF37 ~
+ 0.010 * BF38 + 0.098 * BF39 - 0.072 * BF41 ~
- 0.044 * BF43 - .421700E-03 * BF45
98
MEN SALIR
Captulo 4: Mtodos
Se han adjuntado todos los AML en el apartado 5.2.4.1 Archivos AML. Para no hacer tan extensa
se en cuestin y posteriormente
das las clases desde la 999 has-
ta e asignada el nmero 15.
El modo de ejecutarlos ctu siguiendo los siguientes pasos:
- Se ejecuta el correspondiente aml (en este caso estaramos hablando de la combi-
- Renom ulada en el aml por el nombre de la combinacin
_1
probabilidades final
su nomenclatura, se design cada fichero con el nombre de la cla
un nmero del 0 al 16 que corresponden de forma consecutiva a to
la 23, exceptuando el caso de la clase 45 a la que le fu
se efe
- Entramos en el mdulo Grid
8
de ArcInfo
grid
- Abrimos una ventana grfica
display 9999 1
nacin de la clase 999 con la 547, segn la nomenclatura explicada anteriormente)
&run 999_1.aml
bramos la variable yveg calc
de clases
rename yveg y999_1
- Se solicitan los datos del grid
describe y999_1
- Definimos la extensin de la ventana grfica adaptada al grid
mapextent y999
- Muestra, en la ventana grfica, el grid de
image y999_1
As se procedi para las 272 combinaciones de clases.
Los grid resultantes se han adjuntado en el apartado 5.2.4.2 Grids de puntuacin para las combi-
naciones de clases y no son ms que imgenes raster cuyo contenido por pxel es el de la puntua-
cin (score) de pertenecer a la clase en cuestin, discriminndola de la clase con la que est combi-
nada. As y como ejemplo aclaratorio, el grid y999_1 es el grid que se ha generado segn las fun-
ciones bsicas obtenidas por MARS, que contiene la puntuacin de que cada pxel pertenezca a la
clase 999 si la comparamos con la clase 547. El grid y999_4 corresponde con el grid que muestra la
punt dolo con el de la clase 454 y
as sucesiva
ido hasta el momento es un conjun-
uacin de que cada pxel pertenezca a la clase 999 comparn
mente.
4.2.4.1Clculo del punto ptimo de corte
Tal y como se ha explicado en el apartado anterior, lo consegu
to de 16 grids de puntuaciones por clase, pero los valores que MARS ha estimado como tal no son
probabilidades y no estn necesariamente en el intervalo 0-1 sino que segn el caso pueden pre-
sentar valores menores o mayores (ver Figura 62 y Figura 63).
8
A partir de este momento utilizaremos la nomenclatura Grid para referirnos al formato nativo que ESRI utili-
za para el almacenamiento de datos raster.
(http://webhelp.esri.com/arcgisdesktop/9.2/index.cfm?id=2683&pid=2677&topicname=About_the_ESRI_grid_format)

E. Quirs Rosado 99
MEN SALIR
Bajo esta circunstancia surge ahora la pregunta de dnde estara el punto de corte ptimo que de-
limita qu pxeles pertenecen a una clase y cules a otra. En este caso no nos valdra el valor es-
nunca), sino que tendramos que
El p
, se tom la decisin
iento a seguir deba ir cuantificando el nmero de falsos positivos y de falsos negativos
tndar de 0.5 para hacer la particin (en realidad no vale casi
buscarlo en funcin de los valores de puntuacin que contenga cada grid.
unto de corte deber cumplir con los siguientes requisitos:
- Maximizar la probabilidad de clasificaciones correctas.
- Minimizar la probabilidad de clasificaciones incorrectas.
Entonces, el punto ptimo de corte tomar el valor correspondiente en el que el nmero de falsos
positivos y de falsos negativos se igualen.
Existen algunas aplicaciones que realizan el clculo, tales como SimTest (Zimmermann 2001), pero
debido a la incapacidad de aplicacin del mismo con los datos de esta tesis
de realizar una pequea aplicacin automatizada que realizara la estimacin del punto ptimo de
corte en el que el nmero de falsos positivos y falsos negativos se igualaran.
El procedim
variando el punto de corte o punto en el que se separan las probabilidades de pertenecer a una u
otra clase.
Si nos remitimos al apartado 4.2.2.1.3 La curva ROC y estadstico AUC y nos fijamos en la Figura
57, la metodologa a seguir es la misma que para la construccin de la curva ROC, solo que en este
cro a ejecutar en EXCEL, obteniendo as el punto exacto del intervalo de
e cada pxel perteneca o no
El proceso a
e cada clase con las restantes as es que el valor 1 es el que se le asigna a
caso debamos cuantificar los falsos positivos y los falsos negativos cada vez que se cambiara el
punto de corte.
De este modo, se programaron varias rutinas ejecutables en SPSS que posteriormente se comple-
mentaron con una ma
puntuaciones entre 0 y 1 en el que se pudiera afirmar con exactitud qu
a la clase en cuestin.
seguir en las rutinas que se programaron es el siguiente:
1. Abrir el archivo .sav que contiene las puntuaciones estimadas por MARS. En este
caso contiene una primera variable "var00001" que asigna el valor 1 para una clase
y 0 para la otra. Recordemos que estamos trabajando con los archivos de combi-
nacin d
la clase principal. La otra variable contiene las probabilidades de MARS llamada "es-
timate".
Los archivos con los que se trabaj son los que se han incluido en el apartado
5.2.3.2 Puntuaciones estimadas con los modelos MARS.
2. Ejecutar en el editor de sintaxis el archivo "fposi_fnega_general.sps" (incluido en el
apndice 11.1). ste hace una primera aproximacin de entre qu valores del inter-
valo 0 y 1 estar el punto de corte ptimo del modelo. Para ello devuelve las fre-
a el cmputo de los falsos positi-
cuencias de falsos positivos y falsos negativos que se producen entre el 0 y el 1 en
intervalos de dcimas.
Habr que observar en los grficos de frecuencia que devuelve el SPSS entre qu
dcimas se produce el corte y tenerlo en cuenta para realizar el siguiente paso.
(Ntese que al ejecutar la aplicacin se crean nuevas variables en el archivo de
probabilidades, estas variables son necesarias par
vos y falsos negativos y son a las que nos referimos en el apartado 5.2.3.2
Puntuaciones estimadas con los modelos MARS).
100
MEN SALIR
Captulo 4: Mtodos

rograma buscar
n intervalo se han adjuntado en los
3. Se ampliar la bsqueda en el intervalo observado en el paso anterior, de manera
que habr que ejecutar el archivo que corresponda a dicho intervalo. Por ejemplo,
si se ha observado que el punto de corte debera estar entre el 0.4 y el 0.5 se ten-
dr que ejecutar el archivo "fposi_fnega_4-5.sps" de forma que el p
ms concretamente el punto de corte entre los valores 0.4 y 0.5.
Los archivos de ampliacin de bsqueda e
apndices 11.2, 11.3, 11.4, 11.5, 11.6 y 11.7.
Del mismo modo SPSS devolver los cuadros de frecuencias de falsos positivos y
formato "*.xls" y todos los objetos como un documento de resultados
ejecutar la macro "grafico_corte", cuya sintaxis ha sido
falsos negativos y sus correspondientes histogramas.
4. Si se desea que represente las curvas correspondientes para poder definir ms
exactamente el punto de corte entre ambas hay que exportar el visor de resultados
del SPSS con
sin grficos.
5. Se abrir el archivo EXCEL exportado y siempre y cuando se haya realizado todos
los pasos anteriores, se podr
incluida en el apndice 11.8.
Actuando de esta forma para cada combinacin de clases, se obtuvieron los ficheros Excel inclui-
dos en el apartado 5.2.4.3 Obtencin del punto ptimo de corte con los resultados de la estima-
sumen con dichos valores para que el
lector no tenga que consultar todos los archivos anteriores.
a a la
o (a modo de ejemplo incluimos la de la
clase 999 como clase p
25, que es el punto ptimo de corte estimado
l que
btenidos de la forma explicada se han adjuntado en el apartado 5.2.4.4
cin del punto ptimo de corte para las probabilidades de pertenencia a cada clase.
En el mismo apartado se ha adjuntado tambin una tabla re
4.2.4.2Obtencin de grids binarios
La razn de deducir cul era el punto ptimo de corte en el intervalo de puntuaciones es la de
aplicar dicho valor a los grids de puntuaciones de combinacin de clases y as obtener grids bina-
rios en los que cada pxel adoptara el valor 1 si perteneca a la clase principal o 0 si pertenec
secundaria (en este segundo caso adoptaremos el trmino de no pertenece a la clase principal).
La manera de obtener los grids binarios de pertenencia/no pertenencia a la clase fue mediante la
siguiente sentencia ejecutada en el mdulo GRID de ArcInf
rincipal y la 547 como secundaria):
g999_1bin = con(y999_1 > 0.425,1,0)
En este caso el comando condicional con
9
devolver un grid binario en el que asignar 1 a todos
los pxeles que tengan una puntuacin superior a 0.4
en su caso, y 0 a los que tengan puntuacin menor.
De este modo, el grid binario conseguido puede ser interpretado como un mapa binario en e
el valor 1 indica la pertenencia a la clase 999 y el valor 0 la no pertenencia a la clase 999.
Todos los grids binarios o
Obtencin grids binarios.
9
http://webhelp.esri.com/arcgisdesktop/9.2/index.cfm?TopicName=Con
E. Quirs Rosado 101
MEN SALIR
4.2.4.3Fusin de todos los modelos de cada clase
Con todas las operaciones realizadas hasta el momento obtuvimos un conjunto de 16 grids bina-
rios por clase en los que cada uno mostraba la pertenencia a la clase en cuestin discriminndola
del resto de clases. Por tanto, proceda entonces realizar una fusin de los mismos y producir un
grid de probabilidades nico por clase.
La manera correcta de realizar dicho grid fue la de asignarle probabilidad 1 a aquellos pxeles que
en los 16 grids tenan valor 1, o lo que es lo mismo, a aquellos pxeles que haban sido categoriza-
dos como de la clase en cuestin discriminndolos de las 16 clases restantes.
Del mismo modo, la probabilidad 0 deba ser asignada a aquellos pxeles que haban sido categori-
zados como no pertenecientes a la clase principal en los 16 grids. As tambin hubo que calcular
las probabilidades intermedias en el intervalo [0,1] de los pxeles en funcin del nmero de veces
que hubieran sido categorizados como pertenecientes o no a la clase en cuestin.
Se sigui, por tanto un procedimiento muy simple mediante la aplicacin ArcView para llevar a ca-
bo dicho grid de probabilidades fusionando todos los 16 grids de cada clase:
- En primer lugar, se sumaron todos los grids binarios mediante la calculadora de mapas.
El resultado de dicha operacin fue un grid con valores en el intervalo del 0 al 16,
de manera que los pxeles que haban sido categorizados como pertenecientes a la
clase en todos los grids binarios, tenan valor 16, los categorizados como pertene-
cientes en todos los grids menos en 1, tomaron el valor 15 y as sucesivamente
hasta los pxeles con valor 0, que eran los que en ningn grid haban sido clasifica-
dos como pertenecientes a la clase principal.
- El segundo y ltimo paso consisti en dividir, tambin mediante la calculadora de
mapas, el grid del paso anterior por el valor 16, y as obtener un intervalo de datos
entre [0,1] que son los valores estndares de probabilidad que habamos estado
utilizando hasta el momento.
Cabra sealar que, antes de realizar este paso se recortaron los grid de las sumas de grids binarios
puesto que se observ que en los bordes de la imagen se tenan valores muy dispersos que podan
llevar a confusiones y a disminuir los posteriores controles de exactitud de las clasificaciones. No
obstante, no es en este mtodo en el nico que se produjeron esos valores perifricos dispersos,
en los dos mtodos de clasificacin con los que fue comparado MARS (Mxima Verosimilitud y Pa-
raleleppedos) tambin produjeron estas anomalas en los bordes.
Los grids de probabilidad elaborados mediante el procedimiento aqu explicado se han adjuntado
en el apartado 5.2.4.5 Fusin de modelos. Grid de probabilidad por clase.
4.2.5 Obtencin del mapa final de clasificacin
El producto final, objetivo de todo trabajo de clasificacin es el de obtener un mapa o imagen cu-
yos pxeles indiquen a la clase a la que, segn el clasificador, pertenecen.
La elaboracin de dicho mapa a partir de los 17 grids de probabilidad de cada una de las clases se
llev a cabo en el mdulo GRID de ArcInfo y la sentencia utilizada para dicha tarea fue la siguiente:
clas_final=upos(prob_999,prob_547,prob_507,prob_458,prob_454,prob_453,prob_
337,prob_329,prob_309,prob_303,prob_221,prob_62,prob_61,prob_46,prob_45,pro
b_26,prob_23)
102
MEN SALIR
Captulo 4: Mtodos
El comando upos
10
devuelve un grid en el que cada pxel contiene el nmero de orden del grid de
entrada que posee el mayor valor de probabilidad. Explicado de otro modo: segn se redact la
sentencia, si en el grid de salida clas_final un pxel tomaba valor 1 significaba que era el grid
prob_999 el que tena el mayor valor de probabilidad de todos los grids en esa posicin. Si por
ejemplo, el grid de salida devolvi para un pxel el valor 4, significaba que la probabilidad mxima
era el de pertenencia a la clase o clase 454.
Como este mapa obtenido no era fcil de interpretar, se procedi a la reclasificacin del mismo en
la aplicacin ArcView de manera que en vez del nmero de orden del grid al que con mayor proba-
bilidad perteneca cada pxel, el valor fuera el de la clase en cuestin.
As se obtuvo el mapa de clasificacin final segn el mtodo MARS que se ha incluido en el aparta-
do 5.2.5 Obtencin del mapa final de clasificacin.
10
http://webhelp.esri.com/arcgisdesktop/9.2/index.cfm?TopicName=UPos

E. Quirs Rosado 103
MEN SALIR
4.3 Mtodo de mxima verosimilitud
Se ha realizado una clasificacin por el mtodo de mxima verosimilitud con el fin de comparar
resultados con los obtenidos con el mtodo MARS. Como ya se explic en el apartado 1.3.4.1.2.1
Mtodo de mxima verosimilitud o mxima probabilidad, es un mtodo paramtrico cuyo uso est
muy extendido.
Cabe sealar que tanto esta clasificacin, como la del mtodo del paraleleppedo se realizaron con
la imagen remuestreada y georreferenciada 3.2.2 Imagen utilizada, en lugar de utilizar la imagen
ASTER original, para que la comparacin entre mtodos fuera lo ms homognea posible.
4.3.1 Obtencin del mapa de clasificacin
Esta clasificacin se llev a cabo mediante la aplicacin ENVI, configurando el proceso de la si-
guiente manera:
- Se seleccionaron las regiones de inters correspondientes a las 17 clases (ver apar-
tado 4.1.2 Designacin de las reas de entrenamiento), para que todas intervinieran
en la clasificacin.
- Se asign a todas las clases 0.95 como umbral de probabilidad, aunque como ve-
remos en el siguiente apartado, posteriormente ese umbral fue reducido a 0.50.
- Finalmente se introdujo un factor de escala de 4095. Este factor de escala hubo de
ser cuantificado, segn el manual del programa, en funcin del nmero de bits
mximo que tenga la imagen. En nuestro caso, tal y como se indic en la Tabla 3:
Caractersticas del sensor ASTER, las bandas correspondientes al infrarojo trmico
tienen una resolucin radiomtrica de 12bits, pues segn el manual, se ha de intro-
ducir un factor de escala = 2
nbits
-1 y eso, en nuestro caso, corresponde con el fac-
tor de escala introducido.
Estos son los nicos parmetros que la aplicacin necesita para llevar a cabo el clculo, por lo que
una vez introducidos, se realiz la clasificacin.
El resultado de la misma se encuentra en el apartado 5.3.1 Obtencin del mapa de clasificacin
4.3.2 Obtencin de grids de probabilidades por clase
ENVI ofrece la posibilidad de devolver las denominadas rule images, que en funcin del mtodo de
clasificacin que se elija, devuelve datos concretos para cada clase que ha intervenido en la clasifi-
cacin.
De este modo, las rule images del clasificador de mxima verosimilitud son imgenes cuyos pixeles
contienen el valor de la funcin discriminante (Richards & Jia 2006):
_
E =
1
2
1
2
1
) ( ) ( ln ) ( ln ) (
i
i
t
i i i i
m x m x p x g e
Ec. 94: Funcin discriminante de mxima verosimilitud.
En este paso surgi un problema, ya que los valores que contenan esas rule images estaban en el
intervalo de [-300000 ,100] observndose heterogeneidades muy concentradas con valores negati-
vos muy dispersos. Se prob varios cambios de factor de escala, pero las rule images siempre de-
volvan valores en ese intervalo que distorsionaban los clculos de probabilidades. (Ver Figura 70 y
104
MEN SALIR
Captulo 4: Mtodos
Figura 71).
Ante esta situacin, hubo que buscar una forma alternativa de obtener grids de probabilidades de
cada clase evitando el uso directo de estas imgenes.
ENVI ofrece la posibilidad de realizar una post clasificacin con esas rule images cambiando, tanto
los umbrales iniciales de la clasificacin, como el nmero de clases, sin necesidad de tener que
repetir todo el proceso de clasificacin.
Aprovechando esta posibilidad, se opt por realizar grids binarios de combinacin de clases. As,
tendramos que obrar de la misma forma que con la clasificacin de MARS para obtener el grid de
probabilidad final: Sumar todos los grids binarios y dividir el resultado de la suma entre el nmero
de clases.
Si adems seguamos el proceso tal y como elaboramos el mapa final de clasificacin con MARS,
obtendramos un mapa de clasificacin de mxima verosimilitud alternativo. Si posteriormente
comparbamos este segundo mapa con el original de ENVI podramos entonces validar que el pro-
ceso haba sido realizado correctamente.
Por tanto, se realizaron los grids binarios de combinacin de todas las clases, pero esta vez se in-
trodujo un umbral de probabilidad de 0.5 puesto que con el original de 0.95 ENVI dejaba muchos
pxeles sin clasificar. Todos esos grids binarios fueron exportados al formato ASCIIgrid para poder
trabajar con ellos en ArcView.
Para la elaboracin del grid de probabilidades por clase se sigui el mismo procedimiento explica-
do en el apartado 4.2.4.3 Fusin de todos los modelos de cada clase, es decir, sumar todos los 16
grids binarios de cada clase y despus dividir el resultado entre el nmero de grids con el objeto de
conseguir los valores en el intervalo [0,1]. Dichos grids de probabilidad se han incluido en el apar-
tado 5.3.2 Grids de probabilidades por clase.
Como se ha dicho anteriormente, una forma de comprobar que los grids de probabilidad fueron
obtenido de forma correcta, era la de realizar con ellos un mapa final de clasificacin, para poste-
riormente compararlo con el original de ENVI.
Dicho mapa de clasificacin final se realiz en ArcInfo, actuando de idntica forma que con la cla-
sificacin MARS, segn lo ya explicado en el apartado 4.2.5 Obtencin del mapa final de clasifica-
cin.
Slo una variante, influenciada por las limitaciones del comando upos, oblig a introducir una ope-
racin intermedia: Este comando upos no devuelve dato en aqul pxel que en alguno de los grids
con los que se construye el mapa final no tenga dato. As, como eran muchos los pxeles que en
los grids binarios ENVI dejaba sin clasificar el mapa de clasificacin final quedara casi sin informa-
cin.
El modo de evitar este problema fue el de asignarle valor 0 a los pxeles que en los grids de proba-
bilidad no tuvieran dato. Como el valor 0 es el mnimo del intervalo de probabilidades, el comando
upos tendra en cuenta el pxel para elaborar el mapa final pero muy probablemente existira un grid
que en esa localizacin tuviera un valor de probabilidad ms elevado. (Recordemos que este co-
mando devuelve en el mapa final el n de orden del grid que contiene el valor ms alto para cada
pxel).
La asignacin del valor 0 a los pxeles de los grids de probabilidad que no contenan dato (va-
lor=NoData) se llev a cabo mediante el comando set no value label del men transformation de
ArcView.
Con estos nuevos grids de probabilidad, en los que todos los pxeles tenan valores, se elabor el
mapa final de clasificacin.

E. Quirs Rosado 105
MEN SALIR
Para comprobar que era el mismo mapa que el que haba realizado ENVI y que todo el proceso
haba sido correcto, se restaron ambos mapas mediante la calculadora de mapas de ARCVIEW y se
obtuvo el mapa de diferencias incluido en el apartado 5.3.3 Comparacin de mapas de clasifica-
cin. Los comentarios acerca de ese mapa se comentarn en el Captulo 6 Discusin.
106
MEN SALIR
Captulo 4: Mtodos
4.4 Mtodo del paraleleppedo
De entre los mtodos de clasificacin no paramtricos, se eligi el mtodo del paraleleppedo por
su sencillez y simplicidad.
Al igual que en el caso anterior este mtodo de clasificacin se ejecut mediante la aplicacin
ENVI.
En este caso son an menos los parmetros que ENVI solicita para la configuracin de la clasifica-
cin.
Una vez importadas las reas de inters de las 17 clases, se defini el umbral para la mxima des-
viacin estndar de la media. Recordemos que ese es del nico valor del que dependa el tamao
del paraleleppedo de cada clase y por tanto su correspondiente regla de decisin (ver Ec. 71: Re-
gla de decisin del clasificador paraleleppedo).
Dicho valor, segn las consultas realizadas en el manual de usuario, deba estar en el intervalo de
valores [1,3], por lo que se opt por un valor intermedio de 2.
Con slo ese parmetro, ENVI gener la clasificacin incluida en el apartado 5.4.1 Obtencin del
mapa de clasificacin .
4.4.2 Obtencin de grids de probabilidad de cada clase
Al igual que en el mtodo de mxima verosimilitud, ENVI ofrece la posibilidad de generar las rule
images de la clasificacin. En este caso el contenido de las mismas es el nmero de bandas que
cumplen la condicin del paraleleppedo. As, si un pxel de la rule images de la clase 999 tiene va-
lor 5, sabremos que, en esa localizacin, 5 de las 14 bandas satisfacen la condicin del paralelep-
pedo.
En este caso no se observaron irregularidades en rule images, con lo que asumieron directamente
el papel de grids de probabilidad por clase sin necesidad de hacerles ningn cambio. Lo nico que
haba que tener en cuenta es que, en este caso, el intervalo de valores de probabilidades estara
entre [0-14] con un incremento de nmeros enteros.
Dichas rule images pueden ser consultadas en el apartado 5.4.2 Grids de probabilidades por clase.

E. Quirs Rosado 107
MEN SALIR
4.5 Control del error. Comparacin de mtodos
El lector podra preguntarse por qu pusimos tanto inters en generar grids de probabilidad de los
tres mtodos de clasificacin, si con el mapa de clasificacin final ya se podan comparar las exac-
titudes de los mtodos. La razn fue la de comparar los tres mtodos tanto por los mapas de pro-
babilidad de cada clase como por el producto final que han generado. De esta manera obtendra-
mos una idea ms clara de la potencialidad de los mismos antes de elaborar el mapa final genera-
do por cada uno de los clasificadores.
Hay que sealar tambin que en las dos variantes de control de error que se llevaron a cabo, los
clculos fueron realizados tomando como referencia las mismas reas de entrenamiento con las
que se generaron las clasificaciones. As, obrando de esta forma, comprobaramos si los clasifica-
dores discriminaban las regiones de la imagen para las que haban sido entrenados y posteriormen-
te podramos comparar cules de los clasificadores discriminaba mejor dichas reas de entrena-
miento.
4.5.1 reas bajo la curva de los grids de probabilidad
Como se ha dicho anteriormente, primero se compararon todos los grids de probabilidad de cada
clase obtenidos por los tres mtodos para evaluar la exactitud de los clasificadores en un paso in-
termedio antes de la elaboracin del mapa final.
Para comparar dichos grids de probabilidad se eligi el estadstico del rea bajo la curva ROC, que
como ya se explic en el apartado 4.2.2.1.3 La curva ROC y estadstico AUC, es un mtodo muy
simple y apropiado para medir la bondad un clasificador y para poder compararlo con otros mto-
dos.
Para calcular el AUC necesitbamos generar ficheros con formato *.sav que contuvieran lo valores
de probabilidad que cada clasificador haba estimado, tanto en las zonas donde la clase s exista,
como en zonas donde la clase no exista. Posteriormente, se podra calcular el estadstico AUC que
indicara la calidad o exactitud de esas probabilidades estimadas.
De este modo, se generaron dos ficheros diferentes que posteriormente se fusionaron:
- Unos que se denominaron presencias y que contenan dos variables: Una varia-
ble se denominara presencia, que adquiri el valor uno para todos los casos. La
segunda variable se denomin prob y contena los valores de los grids de proba-
bilidad en las regiones de inters.
- Por otro lado se generaron otros archivos que se denominaron ausencias que, al
igual que los anteriores, contenan dos variables: Una que tambin se denomin
presencia y que en este caso tomara el valor 0, ya que nos estbamos refiriendo
a localizaciones de ausencias de valores. Y la segunda variable, que al igual que la
anterior se denomin prob, que contena los valores del grid de probabilidad en
localizaciones fuera de las reas de inters de las clases correspondientes.
La forma de generar el archivo de presencias fue muy simple, ya que slo haba que abrir los grids
de probabilidad en ENVI, superponer en los mismos las ROIs de la clase correspondiente al grid en
cuestin y finalmente exportar el contenido de dichas ROIs a un archivo en formato ASCII.
El archivo de ausencias se gener de forma anloga, pero en este caso se superpona en ENVI una
nube de puntos complementaria a las ROIS correspondientes (ver Figura 58). Seguidamente se
obr del mismo modo que en el caso anterior, exportando a un archivo ASCII los valores que la
108
MEN SALIR
Captulo 4: Mtodos
imagen contena en dichas localizaciones.
Figura 58: Localizaciones de presencias y ausencias de la clase 999 sobre grid de probabilidad.
En la figura se muestra el caso de la clase 999 en la que, en color azul, se muestran las localizacio-
nes en las que se extrajeron los datos para el fichero de presencia y en rojo se muestra la nube de
puntos que sirvi para generar el fichero de ausencia y que como se puede observar es comple-
mentario geogrficamente a la ROI de la clase 999.
Se puede observar tambin que el fichero de ausencias est diseado para que no extraiga infor-
macin de los bordes de los grids de probabilidad, puesto que como ya hemos mencionado en
varias ocasiones, se localizaron valores extraos en los mismos.
Una vez obtenidos los ficheros ASCII de cada clase, se les dio formato SPSS, incluyndoles la va-
riable presencia, con su correspondiente valor 0 o 1 segn procediera para finalmente fusionar los
ficheros de presencia y ausencia de la misma clase y calcular la curva ROC y su correspondiente
AUC.
Se actu de la misma forma para todos todas las clases en los tres mtodos de clasificacin. Los

E. Quirs Rosado 109
MEN SALIR
resultados se incluyen en el apartado 5.5 Comparacin de mtodos con AUC .
4.5.2 Matriz de confusin
La comparacin de los tres mapas de clasificacin finales elaborados por cada uno de los mto-
dos, se llev a cabo mediante la clsica tcnica de comparacin de las matrices de confusin gene-
radas a partir de las regiones de inters y de los correspondientes valores de los mapas de clasifi-
cacin.
La evaluacin de la exactitud temtica en los trabajos de teledeteccin suele hacerse en forma de
matriz de error o tambin denominada matriz de confusin (Ariza 2002).
Una matriz de error es un camino muy efectivo para representar la exactitud del mapa en el que las
precisiones individuales de cada categora son claramente descritas, tanto con los errores de inclu-
sin (errores de comisin) como con los errores de exclusin (errores de omisin) presentes en la
clasificacin (Congalton & Green 1999).
Un error de comisin es definido simplemente como la inclusin de un rea en una categora
cuando sta no pertenece a dicha categora. Un error de omisin es la exclusin de un rea en
una categora cuando sta pertenece a ella. Cada error es una omisin de la categora correcta y
una comisin de una categora incorrecta.
Adems de mostrar claramente los errores de omisin y comisin, la matriz de error puede ser
usada para calcular otras mediciones de exactitud, tales como la exactitud total, la exactitud del
productor y la exactitud del usuario
La exactitud total es simplemente la suma de la diagonal principal dividida por el nmero total de
unidades de muestra en la matriz de error completa. Este valor es la estadstica de tasacin de la
exactitud ms comnmente utilizado y el ms familiar a todos. Sin embargo, no es suficiente la
simple representacin de la exactitud total. Es importante presentar la matriz completa de manera
que se puedan calcular otras mediciones de exactitud segn se necesiten.
Las exactitudes del productor y del usuario son modos de representar precisiones de categoras
individuales en vez de slo la exactitud de la clasificacin total. As, Ariza (2002) define exactitud
del usuario como el porcentaje de los elementos de comprobacin que realmente estn bien cla-
sificados y la exactitud del productor como el porcentaje de elementos que se han clasificado
correctamente dentro de la unidad cartogrfica equivalente.
Dicho con otras palabras la exactitud del productor es el porcentaje de aciertos que se han produ-
cido en la clasificacin de la totalidad de elementos que eran de esa clase y la exactitud del usuario
es el porcentaje de casos que segn la clasificacin pertenecen a la clase y de verdad lo son.
1 2 3 k
T o ta l F ila n
i+
1
n
11
n
12
n
13
n
1k
n
1+
2
n
21
n
22
n
23
n
2k
n
2+
3
n
31
n
32
n
33
n
3k
n
3+
k
n
k 1
n
k 2
n
k 3
n
kk
n
k +
T o ta l
C o lum na n
+j
n
+1
n
+2
n
+3
n
+k n
Datos de Referencia (j=columnas )
C
l
a
s
i
f
i
c
a
c
i
n

(
i
=

f
i
l
a
s
)
Figura 59: Formato general de una matriz de confusin.
110
MEN SALIR
Captulo 4: Mtodos
Sea el nmero de muestras clasificadas en la categora i en la clasificacin:
_
=
+
=
k
j
ij i
n n
1
G
Ec. 95: Nmero de muestras clasificadas en la clase i.
Y el nmero de muestras clasificadas en la categora j en el conjunto de datos de referen-
cia:
_
=
+
=
k
i
ij j
n n
1
G
Ec. 96: Nmero de muestras clasificadas en la clase j.
La exactitud total entre la clasificacin de teledeteccin y los datos de referencia puede ser
calculada como sigue:
n
n
total exactitud
k
i
ii _
=
=
1
G
Ec. 97: Exactitud total de una clasificacin.
La exactitud del productor puede ser calculada por:
j
jj
j
n
n
productor del exactitud
+
= G
Ec. 98: Exactitud del productor de una clasificacin.
La exactitud del usuario puede ser calculada mediante:
+
=
i
ii
i
n
n
usuario del exactitud
Ec. 99: Exactitud del usuario de una clasificacin.
Para comparar si una matriz de confusin es significativamente diferente de otra, se utiliza el esta-
dstico Kappa (Zhan et al. 2002) que se define:
_
_ _
=
+ +
= =
+ +
=
k
i
i i
k
i
k
i
i i ii
n n n
n n n n
K
1
2
1 1
Ec. 100: Estadstico Kappa de una clasificacin.

Con estos estadsticos nos sera suficiente para comparar las tres tcnicas de clasificacin y esta-
blecer las conclusiones finales.
Llegados a este punto convendra aclarar de nuevo que los clculos de las matrices de confusin
han sido realizados tambin tomando como verdad terreno o datos de referencia las mismas reas
de entrenamiento con las que se gener la clasificacin.
En el caso de los dos mtodos de clasificacin realizados mediante ENVI, tanto la matriz de confu-

E. Quirs Rosado 111
MEN SALIR
112
sin, las exactitudes del usuario y productor de cada clase, y los estadsticos Kappa los calculaba el
programa automticamente. As es que en el nico caso en el que hubo que realizar los clculos
fue en el del mapa de clasificacin obtenido con MARS.
Para ello primero se gener la matriz de confusin en ArcView mediante el comando tabulate area
11
superponiendo al mapa de clasificacin todas las reas de inters con las que se realiz la clasifi-
cacin. Posteriormente, se export al formato dbf la matriz resultante y se realizaron con Excel los
clculos correspondientes a los estadsticos en cuestin segn la formulacin arriba reseada.
Se han incluido en el apartado 5.6 Comparacin de mtodos mediante la matriz de confusin los
resultados de los tres mtodos de clasificacin.
11
http://webhelp.esri.com/arcgisdesktop/9.2/index.cfm?id=5236&pid=5234&topicname=Tabulate_Area
MEN SALIR
Captulo 5: Resultados
Captulo 5 Resultados
Se han incluido en este captulo todos los resultados obtenidos en la elaboracin de la metodolo-
ga detallada en el captulo anterior.
En ciertos apartados de este captulo slo se han incluido algunos resultados como muestra de
ejemplo, ya que la inclusin de todos los clculos hubiera supuesto un volumen de informacin
imposible de almacenar en el soporte digital que se adjunta en esta tesis.
5.1 Resultados de las reas de entrenamiento
5.1.1 Resultados de las operaciones previas
A continuacin, en formato de tabla, se adjuntan accesos directos a todos los ficheros generados
en las operaciones indicadas en el apartado 4.1.1 Operaciones previas:
Clase Shapearc Buffer
999 cod999.shp cod999buff.shp
Tabla 10: Ficheros resultado de las operaciones previas.
Debido al formato especfico de los ficheros contenidos en la Tabla 10 (no pueden ser consultados
sino mediante programas especficos), se incluye una muestra grfica en la Figura 60 de los despla-
zamientos obtenidos. El lector puede reparar en la mejora sustancial de la pureza de las reas de
entrenamiento conseguida con esta operacin (buffers en color blanco, polgonos originales en
113
MEN SALIR
color rojo).
Figura 60: Desplazamiento paralelo hacia el interior realizado a los polgonos originales del MFE.
5.1.2 Ficheros de reas de entrenamiento
Los archivos que se generaron segn se detall en el apartado 4.1.2 Designacin de las reas de
entrenamiento tienen la siguiente cabecera de informacin:
ID: se refiere a una identificacin de cada pixel numerada correlativamente.
X,Y: se refiere a las coordenadas del pixel en el sistema de coordenadas imagen
(fila, columa).
Map X, Map Y: se refiere a las coordenadas en el sistema en el que fue
georreferenciada la imagen (apartado 3.2.2 Imagen utilizada).
B1, B2....: se refieren a los ND del pixel en cada una de las 14 bandas.
Figura 61: Formato del fichero de exportacin ASCII de las reas de entrenamiento.
114
MEN SALIR
Los ficheros ASCII generados por cada clase o clase se puenen consultar en los siguientes accesos
directos:
Especie999_Alange_Geofer_15m.txt
5.1.3 Resultados del primer estudio de separabilidad
Los resultados retornados por ENVI en cuanto a la separabilidad entre clases se anexan en el si-
guiente fichero:
separabilidad_ENVI.pdf
Como ya se argument en el apartado correspondiente, a pesar de que ENVI proporciona dos dis-
tancias para el estudio de la separabilidad entre clases, slo se ha tenido en cuenta la DT, de modo
que sus resultados han sido resumidos en la matriz de separabilidad mostrada en la Figura 55. Se
puede observar que la matriz nicamente tiene valores a un lado de la diagonal principal. La razn
no es otra ms que, como los resultados que devuelve ENVI para la separabilidad entre la clase i y
la j son los mismos que los de la separabilidad entre la clase j y la i, hemos obviado repetir dos ve-
ces todos los valores.

E. Quirs Rosado 115
MEN SALIR
Divergencia Transformada
999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999 - 2.000 2.000 2.000 2.000 2.000 1.998 1.999 2.000 2.000 2.000 1.999 2.000 2.000 2.000 2.000 2.000
547 - 2.000 1.694 1.938 1.979 1.982 1.558 1.437 0.597
0.450
0.868
0.695
1.440 1.113 1.421 1.077 1.876 1.918 1.554
507 - 2.000 1.999 1.999 1.429 1.990 2.000 2.000 2.000 1.874 1.999 1.990 1.999 2.000 2.000
458 - 2.000 2.000 1.996 1.852 1.598 1.417 1.928 1.951 1.781 1.778 1.998 1.997
454 - 2.000 1.899 2.000 1.957 2.000 1.669 1.774 1.924 2.000 1.885 1.567
453 - 2.000 1.827 2.000 1.985 2.000 1.791 1.823 1.874 2.000 1.940 1.817
337 - 1.978 1.993 1.993 2.000 1.938 1.999 1.979 1.992 2.000 2.000
329 - 1.617 1.459 1.881 1.372 1.514 1.199 1.941 1.926 1.790
309 - 1.362 1.384 1.744 1.810 1.508 1.631 1.986 1.980
303 - 1.385 1.346 1.435 1.036 1.906 1.874 1.590
221 - 1.921 1.901 1.818 1.966 1.997 1.971
62 - 1.002 1.932 1.715 1.560
61 - 1.102 1.988 1.629 1.558
46 - 1.926 1.515 1.573
45 - 2.000 1.998
26 - 1.816
23 -
Tabla 11: Matriz separabilidad segn la DT.
Por un lado se remarcaron con color verde las parejas de clases que tendran la mxima separabili-
dad, y con color rojo las de menor separabilidad. As se pueden observar dos a dos cuales son las
clases que probablemente producirn mayor exactitud en su discriminacin.
Si calculamos los sumatorios de todas las separabilidades obtenidas entre cada clase y el resto de
clases y posteriormente ordenamos dichos sumatorios, obtendremos cules son las clases con
mejor y peor separabilidad total con respecto a las restantes.
Clase E D.T.
999 31.995
507 31.280
337 31.277
45 30.934
26 30.199
453 29.903
454 29.478
221 29.079
23 28.772
458 28.441
329 27.801
61 26.906
309 26.899
62 25.599
547 25.583
303 25.523
46 24.997
Tabla 12: Orden de separabilidad segn la DT.
Como se puede observar en la Tabla 12, obtuvimos como clases con mayor separabilidad la 999
(Agua), la 507 (Galera arbrea mixta) y 337 (Canchales, pedregales). Las clases menos separables, segn
el estudio de DT seran la 46 (Alcornoque) la 303 (Jara del ldano), la 547(Matorral mixto siliccola) y la 62
(Eucalipto rojo).
116
MEN SALIR

E. Quirs Rosado 117
5.2 Mtodo MARS
5.2.1 Ficheros generados para la clasificacin pairwise
Los 272 ficheros que se generaron para la posterior clasificacin pairwise mediante MARS se pueden
consultar en los siguientes accesos directos:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
-
*
999-547
*
999-507
*
999-458
*
999-454
*
999-453
*
999-337
*
999-329
*
999-309
*
999-303
*
999-221
*
999-62
*
999-61
*
999-46
*
999-45
*
999-26
*
999-23
547 *
547-999
-
*
547-507
*
547-458
*
547-454
*
547-453
*
547-337
*
547-329
*
547-309
*
547-303
*
547-221
*
547-62
*
547-61
*
547-46
*
547-45
*
547-26
*
547-23
507 *
507-999 507-547
-
*
507-458 507-454 507-453 507-337
*
507-329
*
507-309 507-303 507-221
*
507-62 507-61
*
507-46
*
507-45 507-26 507-23
458 *
458-999
*
458-547
*
458-507
-
*
458-454
*
458-453
*
458-337
*
458-329
*
458-309
*
458-303
*
458-221
*
458-62
*
458-61
*
458-46
*
458-45
*
458-26
*
458-23
454 *
454-999
*
454-547
*
454-507
*
454-458
-
454-453 454-337
*
454-329
*
454-309 454-303 454-221
*
454-62 454-61
*
454-46
*
454-45 454-26 454-23
453 *
453-999
*
453-547 453-507
*
453-458 453-454
-
453-337
*
453-329
*
453-309 453-303 453-221
*
453-62 453-61
*
453-46
*
453-45 453-26 453-23
337 *
337-999
*
337-547 337-507
*
337-458 337-454 337-453
-
*
337-329
*
337-309 337-303 337-221
*
337-62 337-61
*
337-46
*
337-45 337-26 337-23
329 *
329-999
*
329-547
*
329-507
*
329-458
*
329-454
*
329-453
*
329-337
-
*
329-309
*
329-303
*
329-221
*
329-62
*
329-61
*
329-46
*
329-45
*
329-26
*
329-23
309 *
309-999
*
309-547
*
309-507
*
309-458
*
309-454
*
309-453
*
309-337
*
309-329
-
*
309-303
*
309-221
*
309-62
*
309-61
*
309-46
*
309-45
*
309-26
*
309-23
303 *
303-999
*
303-547 303-507
*
303-458 303-454 303-453 303-337 303-329
*
303-309
-
303-221
*
303-62 303-61
*
303-46
*
303-45 303-26 303-23
221 *
221-999
*
221-547 221-507
*
221-458 221-454 221-453 221-337
*
221-329
*
221-309 221-303
-
*
221-62 221-61
*
221-46
*
221-45 221-26 221-23
62 *
62-999
*
62-547
*
62-507
*
62-458
*
62-454
*
62-453
*
62-337
*
62-329
*
62-309
*
62-303
*
62-221
-
*
62-61
*
62-46
*
62-45
*
62-26
*
62-23
61 *
61-999
*
61-547 61-507
*
61-458 61-454 61-453 61-337
*
61-329
*
61-309 61-303 61-221
*
61-62
-
*
61-46
*
61-45 61-26 61-23
46 *
46-999
*
46-547
*
46-507
*
46-458
*
46-454
*
46-453
*
46-337
*
46-329
*
46-309
*
46-303
*
46-221
*
46-62
*
46-61
-
*
46-45
*
46-26
*
46-23
45 *
45-999
*
45-547
*
45-507
*
45-458
*
45-454
*
45-453
*
45-337
*
45-329
*
45-309
*
45-303
*
45-221
*
45-62
*
45-61
*
45-46
-
*
45-26
*
45-23
26 *
26-999
*
26-547 26-507
*
26-458 26-454 26-453 26-337
*
26-329
*
26-309 26-303 26-221
*
26-62 26-61
*
26-46
*
26-45
-
26-23
23 *
23-999
*
23-547 23-507
*
23-458 23-454 23-453 23-337
*
23-329
*
23-309 23-303 23-221
*
23-62 23-61
*
23-46
*
23-45 23-26
-
Tabla 13: Ficheros para la clasificacin pairwise.
MEN SALIR
118
5.2.2 Separabilidad con SPSS
5.2.2.1Ficheros de regresin logstica
Los ficheros que gener SPSS tras calcular la RLB se pueden examinar en los siguientes accesos
directos:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999-547 999-507 999-458 999-454 999-453 999-337 999-329 999-309 999-303 999-221 999-62 999-61 999-46 999-45 999-26 999-23
547
- 547-507 547-458 547-454 547-453 547-337 547-329 547-309 547-303 547-221 547-62 547-61 547-46 547-45 547-26 547-23
507
- 507-458 507-454 507-453 507-337 507-329 507-309 507-303 507-221 507-62 507-61 507-46 507-45 507-26 507-23
458
- 458-454 458-453 458-337 458-329 458-309 458-303 458-221 458-62 458-61 458-46 458-45 458-26 458-23
454
- 454-453 454-337 454-329 454-309 454-303 454-221 454-62 454-61 454-46 454-45 454-26 454-23
453
- 453-337 453-329 453-309 453-303 453-221 453-62 453-61 453-46 453-45 453-26 453-23
337
- 337-329 337-309 337-303 337-221 337-62 337-61 337-46 337-45 337-26 337-23
329
- 329-309 329-303 329-221 329-62 329-61 329-46 329-45 329-26 329-23
309
- 309-303 309-221 309-62 309-61 309-46 309-45 309-26 309-23
303
- 303-221 303-62 303-61 303-46 303-45 303-26 303-23
221
- 221-62 221-61 221-46 221-45 221-26 221-23
62
- 62-61 62-46 62-45 62-26 62-23
61
- 61-46 61-45 61-26 61-23
46
- 46-45 46-26 46-23
45
- 45-26 45-23
26
- 26-23
23
-
Tabla 14: Ficheros de RLB.
Segn lo ya explicado en el apartado 4.2.2.1.2 Separabilidad con SPSS, y a modo de ejemplo, co-
mentaremos los resultados obtenidos por SPSS para la RLB entre las clases 23 y 26. La informacin
ms importante que del archivo se puede extraer es la siguiente:
a) Todos los 56942 casos fueron procesados: Ese nmero de casos corresponde con
la suma de los nmeros de pxeles de las reas de entrenamiento de las clases 23 y
26, segn se indicaba en la Tabla 8: Reduccin de la superficie de las reas de en-
trenamiento para procesado con MARS
b) Internamente el programa asigna valor 1 a la clase con cdigo 26 que es la mayor y
valor 0 a la clase 23.
c) En el bloque inicial, o bloque 0, ningn pxel de la clase 26 ha sido clasificado co-
rrectamente, sin embargo, todos los pxeles de la clase 23 han resultado ser positi-
vos verdaderos, por lo que el porcentaje global de aciertos es del 64.4%.
d) En el paso 0, que es el paso en el que la ecuacin de regresin slo tiene un par-
metro constante, dicha ecuacin adopta la siguiente forma:
MEN SALIR
817 . 2
1
1
e
p
+
= con un error estndar asociado de 0.018
y ninguna de las variables interviene en el modelo.
e) En el paso 1 ya da comienzo el procedimiento de construccin del modelo por pa-
sos, que contina hasta el paso n 13. El orden de inclusin de variables es el si-
guiente con el correspondiente porcentaje de clasificacin correcta:
Paso 1: V8, siendo el porcentaje de aciertos del 94.2%
Los porcentajes de acierto se calculan con el valor de la probabilidad 0.5 como cor-
te entre las dos clases.
f) El modelo de RLB final, que sera el correspondiente al ltimo paso (n 13), tiene la
siguiente forma:
) 060 . 0 036 . 0 120 . 0 028 . 0 833 . 0 783 . 0 429 . 0 685 . 0 880 . 1 288 . 0 351 . 0 113 . 0 425 . 0 471 . 5 (
19 17 16 15 14 13 12 11 10 9 8 7 6
1
1
V V V V V V V V V V V V V
e
p
+ + + +
+
=
Con este modelo de regresin logstica obtenido en el ltimo paso, se calculan las probabilidades
de que cada uno de los pxeles pertenezca a una u otra clase. El modo de operar es sustituir en
cada caso los valores de las variables V6-V19, obteniendo directamente el valor de la probabilidad.
Si ste es mayor de 0.5, se asignara a la clase 26 y si es menor que 0.5, se asignara a la clase 23.
Este ha sido slo un ejemplo de los 136 ficheros obtenidos. Habra que analizar uno por uno los
ficheros generados y extraeramos esta informacin de cada uno de los modelos.

E. Quirs Rosado 119
MEN SALIR
5.2.2.2reas bajo la curva ROC de la RLB
Como se explic en el apartado 4.2.2.1 Segundo estudio de separabilidad una vez realizado el cl-
culo de la RLB, se procedi al clculo del AUC con los resultados de la misma, y as obtener unas
segundas medidas de separabilidad entre pares de clases. En la siguiente tabla se muestra un re-
sumen con el dato AUC obtenido para cada combinacin de clases.
AUC Regresin Logistica Binaria
999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999 - 0.988 0.960 0.970 0.999 0.999 0.972 0.992 0.968 0.982 0.977 0.992 0.996 0.991 0.983 0.998 0.998
547 - 0.992 0.971 0.950 0.984 0.994 0.902 0.944 0.703
0.723
0.794
0.768 0.784
0.910 0.870 0.911 0.894 0.903 0.964 0.883
- 0.997 0.991 0.995 0.877 0.991 0.997 0.993 0.997 0.969 0.993 0.986 0.995 0.992 0.996
- 0.999 0.999 0.996 0.958 0.945 0.89 0.985 0.986 0.976 0.909 0.997 0.997
- 0.999 0.935 0.998 0.956 0.998 0.933 0.975 0.942 0.987 0.968 0.943
- 1.000 0.892 0.999 0.988 1.000 0.966 0.983 0.961 0.989 0.985 0.987
- 0.996 0.998 0.995 0.995 0.981 0.998 0.996 0.997 0.999 0.999
329 - 0.934 0.900 0.960 0.929 0.927 0.899 0.896 0.967 0.977
- 0.923 0.856 0.973 0.973 0.958 0.808 0.990 0.993
303 - 0.821 0.887 0.935 0.905 0.906 0.981 0.91
- 0.977 0.981 0.974 0.908 0.999 0.994
62 - 0.944 0.852 0.933
61 - 0.865 0.934 0.937 0.969
46 - 0.922 0.834 0.951
45 - 0.972 0.961
26 - 0.984
23 -
507
458
454
453
337
309
221
Tabla 15: AUC de la RLB.
Si obramos igual que en el apartado 5.1.3 Resultados del primer estudio de separabilidad, y orde-
namos los sumatorios de las AUC de cada clase, obtendremos tambin un orden de separabilidad
de las clases.
Clase E AUC
337 15.792
999 15.765
507 15.721
453 15.521
23 15.475
26 15.419
454 15.367
458 15.298
221 15.237
61 15.131
329 15.055
309 15.035
45 15.014
46 14.838
62 14.743
547 14.735
303 14.73
Tabla 16: Orden de separabilidad segn RLB.
120
MEN SALIR

E. Quirs Rosado 121
5.2.3 Entrenamiento con el clasificador MARS
En el apartado 4.2.3 Entrenamiento con MARS ya se explic detalladamente que, una vez entrena-
do el clasificador MARS en las reas de inters, por un lado se almacenaran las funciones bsicas
calculadas y por otro lado se calculara el grado de ajuste de los modelos a los datos de entrada.
Este grado de ajuste ser asumido como valor de separabilidad.
Obrando en consecuencia, se adjuntan en este apartado en primer lugar, las funciones bsicas de
MARS y en segundo lugar, los valores de probabilidad en las reas de entrenamiento para el poste-
rior clculo de la separabilidad entre clases.
5.2.3.1Funciones bsicas
Los 272 ficheros de texto que se generaron para almacenar las funciones bsicas de discriminacin
entre parejas de clases se encuentran bajo los siguientes accesos directos:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999-547 999-507 999-458 999-454 999-453 999-337 999-329 999-309 999-303 999-221 999-62 999-61 999-46 999-45 999-26 999-23
547
547-999 - 547-507 547-458 547-454 547-453 547-337 547-329 547-309 547-303 547-221 547-62 547-61 547-46 547-45 547-26 547-23
507
507-999 507-547 - 507-458 507-454 507-453 507-337 507-329 507-309 507-303 507-221 507-62 507-61 507-46 507-45 507-26 507-23
458
458-999 458-547 458-507 - 458-454 458-453 458-337 458-329 458-309 458-303 458-221 458-62 458-61 458-46 458-45 458-26 458-23
454
454-999 454-547 454-507 454-458 - 454-453 454-337 454-329 454-309 454-303 454-221 454-62 454-61 454-46 454-45 454-26 454-23
453
453-999 453-547 453-507 453-458 453-454 - 453-337 453-329 453-309 453-303 453-221 453-62 453-61 453-46 453-45 453-26 453-23
337
337-999 337-547 337-507 337-458 337-454 337-453 - 337-329 337-309 337-303 337-221 337-62 337-61 337-46 337-45 337-26 337-23
329
329-999 329-547 329-507 329-458 329-454 329-453 329-337 - 329-309 329-303 329-221 329-62 329-61 329-46 329-45 329-26 329-23
309
309-999 309-547 309-507 309-458 309-454 309-453 309-337 309-329 - 309-303 309-221 309-62 309-61 309-46 309-45 309-26 309-23
303
303-999 303-547 303-507 303-458 303-454 303-453 303-337 303-329 303-309 - 303-221 303-62 303-61 303-46 303-45 303-26 303-23
221
221-999 221-547 221-507 221-458 221-454 221-453 221-337 221-329 221-309 221-303 - 221-62 221-61 221-46 221-45 221-26 221-23
62
62-999 62-547 62-507 62-458 62-454 62-453 62-337 62-329 62-309 62-303 62-221 - 62-61 62-46 62-45 62-26 62-23
61
61-999 61-547 61-507 61-458 61-454 61-453 61-337 61-329 61-309 61-303 61-221 61-62 - 61-46 61-45 61-26 61-23
46
46-999 46-547 46-507 46-458 46-454 46-453 46-337 46-329 46-309 46-303 46-221 46-62 46-61 - 46-45 46-26 46-23
45
45-999 45-547 45-507 45-458 45-454 45-453 45-337 45-329 45-309 45-303 45-221 45-62 45-61 45-46 - 45-26 45-23
26
26-999 26-547 26-507 26-458 26-454 26-453 26-337 26-329 26-309 26-303 26-221 26-62 26-61 26-46 26-45 - 26-23
23
23-999 23-547 23-507 23-458 23-454 23-453 23-337 23-329 23-309 23-303 23-221 23-62 23-61 23-46 23-45 23-26 -
Tabla 17: Funciones bsicas del entrenamiento con MARS.
MEN SALIR
122
5.2.3.2 Puntuaciones estimadas con los modelos MARS
El resultado de la aplicacin de cada modelo a los datos de entrenamiento es una variable deno-
minada estimate, que indica la puntuacin que MARS le asigna.
Los ficheros tienen formato SPSS y se pueden consultar en tabla anexa. Si el lector accede a los
mismos, podr observar que adems de las variables Var00001 y la estimate, que son las que en
este momento nos ocupan, existen otras ms con valores en algunos casos y en otros no. Estas
variables fueron necesarias para las operaciones de obtencin de puntos ptimos de corte segn
se explica en el apartado 4.2.4.1 Clculo del punto ptimo de corte.
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999-547 999-507 999-458 999-454 999-453 999-337 999-329 999-309 999-303 999-221 999-62 999-61 999-46 999-45 999-26 999-23
547
547-999 - 547-507 547-458 547-454 547-453 547-337 547-329 547-309 547-303 547-221 547-62 547-61 547-46 547-45 547-26 547-23
507
507-999 507-547 - 507-458 507-454 507-453 507-337 507-329 507-309 507-303 507-221 507-62 507-61 507-46 507-45 507-26 507-23
458
458-999 458-547 458-507 - 458-454 458-453 458-337 458-329 458-309 458-303 458-221 458-62 458-61 458-46 458-45 458-26 458-23
454
454-999 454-547 454-507 454-458 - 454-453 454-337 454-329 454-309 454-303 454-221 454-62 454-61 454-46 454-45 454-26 454-23
453
453-999 453-547 453-507 453-458 453-454 - 453-337 453-329 453-309 453-303 453-221 453-62 453-61 453-46 453-45 453-26 453-23
337
337-999 337-547 337-507 337-458 337-454 337-453 - 337-329 337-309 337-303 337-221 337-62 337-61 337-46 337-45 337-26 337-23
329
329-999 329-547 329-507 329-458 329-454 329-453 329-337 - 329-309 329-303 329-221 329-62 329-61 329-46 329-45 329-26 329-23
309
309-999 309-547 309-507 309-458 309-454 309-453 309-337 309-329 - 309-303 309-221 309-62 309-61 309-46 309-45 309-26 309-23
303
303-999 303-547 303-507 303-458 303-454 303-453 303-337 303-329 303-309 - 303-221 303-62 303-61 303-46 303-45 303-26 303-23
221
221-999 221-547 221-507 221-458 221-454 221-453 221-337 221-329 221-309 221-303 - 221-62 221-61 221-46 221-45 221-26 221-23
62
62-999 62-547 62-507 62-458 62-454 62-453 62-337 62-329 62-309 62-303 62-221 - 62-61 62-46 62-45 62-26 62-23
61
61-999 61-547 61-507 61-458 61-454 61-453 61-337 61-329 61-309 61-303 61-221 61-62 - 61-46 61-45 61-26 61-23
46
46-999 46-547 46-507 46-458 46-454 46-453 46-337 46-329 46-309 46-303 46-221 46-62 46-61 - 46-45 46-26 46-23
45
45-999 45-547 45-507 45-458 45-454 45-453 45-337 45-329 45-309 45-303 45-221 45-62 45-61 45-46 - 45-26 45-23
26
26-999 26-547 26-507 26-458 26-454 26-453 26-337 26-329 26-309 26-303 26-221 26-62 26-61 26-46 26-45 - 26-23
23
23-999 23-547 23-507 23-458 23-454 23-453 23-337 23-329 23-309 23-303 23-221 23-62 23-61 23-46 23-45 23-26 -
Tabla 18: Ficheros de puntuaciones del entrenamiento con MARS.
MEN SALIR
5.2.3.3reas bajo la curva ROC de los modelos MARS.
La separabilidad en esta ocasin se calcul en los 272 casos de combinacin de clases. Como se
puede observar la matriz es casi simtrica.
AUC Multiadaptive Regression Splines
999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999 - 0.995 0.985 0.970 0.999 0.999 0.987 0.995 0.969 0.989 0.988 0.994 0.997 0.994 0.984 0.997 0.999
547 0.995 - 0.998 0.977 0.974 0.990 0.997 0.951 0.958 0.829
0.759
0.863
0.863
0.759
0.829
0.818
0.818
0.946 0.926 0.958 0.923 0.930 0.986 0.944
507 0.985 0.998 - 0.997 0.997 0.999 0.914 0.996 0.997 0.998 0.998 0.98 0.996 0.991 0.995 0.99 0.998
458 0.970 0.977 0.997 - 0.999 1.000 0.997 0.968 0.966 0.952 0.985 0.987 0.979 0.918 0.994 0.997
454 0.999 0.974 0.997 0.999 - 1.000 0.953 0.997 0.964 0.998 0.965 0.989 0.961 0.988 0.992 0.968
453 0.999 0.990 0.999 1.000 - 0.999 0.926 0.999 0.989 1.000 0.979 0.990 0.968 0.992 0.990 0.991
337 0.987 0.997 0.914 0.997 1.000 0.999 - 0.998 0.998 0.997 0.997 0.987 1.000 0.998 0.996 1.000 1.000
329 0.995 0.951 0.996 0.968 0.953 0.926 0.998 - 0.949 0.940 0.980 0.952 0.97 0.926 0.917 0.982 0.982
309 0.969 0.958 0.996 0.997 0.999 0.998 0.949 - 0.948 0.935 0.976 0.978 0.964 0.843 0.990 0.994
303 0.989 0.998 0.966 0.964 0.989 0.997 0.940 0.948 - 0.933 0.940 0.972 0.934 0.925 0.982 0.948
221 0.988 0.946 0.998 0.952 0.998 1.000 0.997 0.980 0.935 0.933 - 0.982 0.990 0.980 0.949 0.997 0.993
62 0.994 0.926 0.979 0.985 0.965 0.979 0.987 0.952 0.976 0.940 0.982 - 0.865 0.957 0.965 0.962
61 0.997 0.958 0.993 0.987 0.989 0.990 1.000 0.970 0.978 0.972 0.990 - 0.917 0.956 0.989 0.985
46 0.994 0.923 0.991 0.979 0.961 0.968 0.998 0.926 0.963 0.934 0.980 0.865 0.917 - 0.927 0.960 0.968
45 0.985 0.930 0.995 0.918 0.988 0.992 0.996 0.917 0.841 0.925 0.949 0.957 0.956 0.927 - 0.977 0.979
26 0.997 0.986 0.990 0.994 0.992 0.990 1.000 0.982 0.991 0.982 0.997 0.965 0.989 0.960 0.977 - 0.990
23 0.999 0.944 0.998 0.997 0.968 0.991 1.000 0.982 0.994 0.948 0.993 0.962 0.985 0.968 0.979 0.990 -
Tabla 19: Separabilidad segn MARS.
En este caso, el orden de separabilidad que se obtuvo fue muy similar a los de los estudios anterio-
res:
Clase E AUC
337 15.865
999 15.841
507 15.829
26 15.781
23 15.698
453 15.674
221 15.618
454 15.607
61 15.492
458 15.445
329 15.385
547 15.272
46 15.255
309 15.254
303 15.254
45 15.233
62 15.233
Tabla 20: Orden de separabilidad segn MARS.

E. Quirs Rosado 123
MEN SALIR
124
Si el lector desea acceder a los clculos de la curva ROC y su correspondiente AUC puede consul-
tarlos en la siguiente tabla:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999-547 999-507 999-458 999-454 999-453 999-337 999-329 999-309 999-303 999-221 999-62 999-61 999-46 999-45 999-26 999-23
547
547-999 - 547-507 547-458 547-454 547-453 547-337 547-329 547-309 547-303 547-221 547-62 547-61 547-46 547-45 547-26 547-23
507
507-999 507-547 - 507-458 507-454 507-453 507-337 507-329 507-309 507-303 507-221 507-62 507-61 507-46 507-45 507-26 507-23
458
458-999 458-547 458-507 - 458-454 458-453 458-337 458-329 458-309 458-303 458-221 458-62 458-61 458-46 458-45 458-26 458-23
454
454-999 454-547 454-507 454-458 - 454-453 454-337 454-329 454-309 454-303 454-221 454-62 454-61 454-46 454-45 454-26 454-23
453
453-999 453-547 453-507 453-458 453-454 - 453-337 453-329 453-309 453-303 453-221 453-62 453-61 453-46 453-45 453-26 453-23
337
337-999 337-547 337-507 337-458 337-454 337-453 - 337-329 337-309 337-303 337-221 337-62 337-61 337-46 337-45 337-26 337-23
329
329-999 329-547 329-507 329-458 329-454 329-453 329-337 - 329-309 329-303 329-221 329-62 329-61 329-46 329-45 329-26 329-23
309
309-999 309-547 309-507 309-458 309-454 309-453 309-337 309-329 - 309-303 309-221 309-62 309-61 309-46 309-45 309-26 309-23
303
303-999 303-547 303-507 303-458 303-454 303-453 303-337 303-329 303-309 - 303-221 303-62 303-61 303-46 303-45 303-26 303-23
221
221-999 221-547 221-507 221-458 221-454 221-453 221-337 221-329 221-309 221-303 - 221-62 221-61 221-46 221-45 221-26 221-23
62
62-999 62-547 62-507 62-458 62-454 62-453 62-337 62-329 62-309 62-303 62-221 - 62-61 62-46 62-45 62-26 62-23
61
61-999 61-547 61-507 61-458 61-454 61-453 61-337 61-329 61-309 61-303 61-221 61-62 - 61-46 61-45 61-26 61-23
46
46-999 46-547 46-507 46-458 46-454 46-453 46-337 46-329 46-309 46-303 46-221 46-62 46-61 - 46-45 46-26 46-23
45
45-999 45-547 45-507 45-458 45-454 45-453 45-337 45-329 45-309 45-303 45-221 45-62 45-61 45-46 - 45-26 45-23
26
26-999 26-547 26-507 26-458 26-454 26-453 26-337 26-329 26-309 26-303 26-221 26-62 26-61 26-46 26-45 - 26-23
23
23-999 23-547 23-507 23-458 23-454 23-453 23-337 23-329 23-309 23-303 23-221 23-62 23-61 23-46 23-45 23-26 -
Tabla 21: Ficheros de las AUC de MARS.
MEN SALIR

E. Quirs Rosado 125
5.2.4 Aplicacin de los modelos a la totalidad de la imagen
Corresponden estos resultados a la metodologa detallada en el apartado 4.2.4 Aplicacin de los
modelos a la totalidad de la imagen.
5.2.4.1Archivos AML
Los archivos AML que se generaron para que la aplicacin ArcInfo pudiera ejecutar las funciones
bsicas a la totalidad de la imagen se pueden consultar en la siguiente tabla:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999- 1 999- 2 999- 3 999- 4 999- 5 999- 6 999- 7 999- 8 999- 9 999-10 999-11 999-12 999-13 999-16 999-14 999-15
547
547- 0 - 547- 2 547- 3 547- 4 547- 5 547- 6 547- 7 547- 8 547- 9 547-10 547-11 547-12 547-13 547-16 547-14 547-15
507
507- 0 507- 1 - 507- 3 507- 4 507- 5 507- 6 507- 7 507- 8 507- 9 507-10 507-11 507-12 507-13 507-16 507-14 507-15
458
458- 0 458- 1 458- 2 - 458- 4 458- 5 458- 6 458- 7 458- 8 458- 9 458-10 458-11 458-12 458-13 458-16 458-14 458-15
454
454- 0 454- 1 454- 2 454- 3 - 454- 5 454- 6 454- 7 454- 8 454- 9 454-10 454-11 454-12 454-13 454-16 454-14 454-15
453
453- 0 453- 1 453- 2 453- 3 453- 4 - 453- 6 453- 7 453- 8 453- 9 453-10 453-11 453-12 453-13 453-16 453-14 453-15
337
337- 0 337- 1 337- 2 337- 3 337- 4 337- 5 - 337- 7 337- 8 337- 9 337-10 337-11 337-12 337-13 337-16 337-14 337-15
329
329- 0 329- 1 329- 2 329- 3 329- 4 329- 5 329- 6 - 329- 8 329- 9 329-10 329-11 329-12 329-13 329-16 329-14 329-15
309
309- 0 309- 1 309- 2 309- 3 309- 4 309- 5 309- 6 309- 7 - 309- 9 309-10 309-11 309-12 309-13 309-16 309-14 309-15
303
303- 0 303- 1 303- 2 303- 3 303- 4 303- 5 303- 6 303- 7 303- 8 - 303-10 303-11 303-12 303-13 303-16 303-14 303-15
221
221- 0 221- 1 221- 2 221- 3 221- 4 221- 5 221- 6 221- 7 221- 8 221- 9 - 221-11 221-12 221-13 221-16 221-14 221-15
62
6 2 - 0 6 2 - 1 6 2 - 2 6 2 - 3 6 2 - 4 6 2 - 5 6 2 - 6 6 2 - 7 6 2 - 8 6 2 - 9 62- 10 - 62-12 62-13 62-16 62-14 62-15
61
6 1 - 0 6 1 - 1 6 1 - 2 6 1 - 3 6 1 - 4 6 1 - 5 6 1 - 6 6 1 - 7 6 1 - 8 6 1 - 9 61- 10 61-11 - 61-13 61-16 61-14 61-15
46
4 6 - 0 4 6 - 1 4 6 - 2 4 6 - 3 4 6 - 4 4 6 - 5 4 6 - 6 4 6 - 7 4 6 - 8 4 6 - 9 46- 10 46-11 46-12 - 46-16 46-14 46-15
45
4 5 - 0 4 5 - 1 4 5 - 2 4 5 - 3 4 5 - 4 4 5 - 5 4 5 - 6 4 5 - 7 4 5 - 8 4 5 - 9 45- 10 45-11 45-12 45-13 - 45-14 45-15
26
2 6 - 0 2 6 - 1 2 6 - 2 2 6 - 3 2 6 - 4 2 6 - 5 2 6 - 6 2 6 - 7 2 6 - 8 2 6 - 9 26- 10 26-11 26-12 26-13 26-16 - 26-15
23
2 3 - 0 2 3 - 1 2 3 - 2 2 3 - 3 2 3 - 4 2 3 - 5 2 3 - 6 2 3 - 7 2 3 - 8 2 3 - 9 23- 10 23-11 23-12 23-13 23-16 23-14 -
Tabla 22: Archivos AML a ejecutar en la totalidad de la imagen.
MEN SALIR
5.2.4.2Grids de puntuacin para las combinaciones de clases
A partir de este apartado y hasta la obtencin de los grids finales de probabilidad de cada clase, se
incluirn nicamente los resultados de una clase (999). El motivo es la imposibilidad de adjuntar
todos los grids, debido al elevado volumen de informacin que se generara.
Adems se ha convertido el formato original de los datos, a imgenes jpg para que los grids puedan
ser consultados por el lector sin necesidad de tener que ejecutar la aplicacin ArcView.
As, todos los grids de puntuaciones de discriminacin para la combinacin de la clase 999 con el
resto de clases generados de la forma explicada en el apartado 4.2.4 Aplicacin de los modelos a
la totalidad de la imagen se pueden consultar en los siguientes accesos directos:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999- 1 999- 2 999- 3 999- 4 999- 5 999- 6 999- 7 999- 8 999- 9 999-10 999-11 999-12 999-13 999-16 999-14 999-15
Tabla 23: Grids de puntuacin para la combinacin de la clase 999 con las restantes (MARS).
Ahora describiremos el contenido del grid 999-8, en el que las zonas ms oscuras indican una ma-
yor probabilidad de pertenencia a la clase 999 y las ms claras son las que tienen mayor probabili-
dad de pertenecer a la clase 309, o lo que es lo mismo, de no pertenecer a la clase 999.
Figura 62: Grid de puntuacin de la combinacin de clases 999-309.
126
MEN SALIR
En el grid 999-8, la distribucin de los valores de puntuacin aparece segn el siguiente histogra-
ma. Si el lector observa la figura podr comprender la necesidad de buscar un punto de corte para
la elaboracin de los grids binarios.
Figura 63: Distribucin de valores de puntuacin de la combinacin de clases 999-309.

E. Quirs Rosado 127
MEN SALIR
128
5.2.4.3 Obtencin del punto ptimo de corte
Se puede acceder a los clculos detallados de los puntos de corte para cada grid de puntuacin
del apartado anterior en la siguiente tabla:
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999- 1 999- 2 999- 3 999- 4 999- 5 999- 6 999- 7 999- 8 999- 9 999-10 999-11 999-12 999-13 999-16 999-14 999-15
547
547- 0 - 547- 2 547- 3 547- 4 547- 5 547- 6 547- 7 547- 8 547- 9 547-10 547-11 547-12 547-13 547-16 547-14 547-15
507
507- 0 507- 1 - 507- 3 507- 4 507- 5 507- 6 507- 7 507- 8 507- 9 507-10 507-11 507-12 507-13 507-16 507-14 507-15
458
458- 0 458- 1 458- 2 - 458- 4 458- 5 458- 6 458- 7 458- 8 458- 9 458-10 458-11 458-12 458-13 458-16 458-14 458-15
454
454- 0 454- 1 454- 2 454- 3 - 454- 5 454- 6 454- 7 454- 8 454- 9 454-10 454-11 454-12 454-13 454-16 454-14 454-15
453
453- 0 453- 1 453- 2 453- 3 453- 4 - 453- 6 453- 7 453- 8 453- 9 453-10 453-11 453-12 453-13 453-16 453-14 453-15
337
337- 0 337- 1 337- 2 337- 3 337- 4 337- 5 - 337- 7 337- 8 337- 9 337-10 337-11 337-12 337-13 337-16 337-14 337-15
329
329- 0 329- 1 329- 2 329- 3 329- 4 329- 5 329- 6 - 329- 8 329- 9 329-10 329-11 329-12 329-13 329-16 329-14 329-15
309
309- 0 309- 1 309- 2 309- 3 309- 4 309- 5 309- 6 309- 7 - 309- 9 309-10 309-11 309-12 309-13 309-16 309-14 309-15
303
303- 0 303- 1 303- 2 303- 3 303- 4 303- 5 303- 6 303- 7 303- 8 - 303-10 303-11 303-12 303-13 303-16 303-14 303-15
221
221- 0 221- 1 221- 2 221- 3 221- 4 221- 5 221- 6 221- 7 221- 8 221- 9 - 221-11 221-12 221-13 221-16 221-14 221-15
62
6 2 - 0 6 2 - 1 6 2 - 2 6 2 - 3 6 2 - 4 6 2 - 5 6 2 - 6 6 2 - 7 6 2 - 8 6 2 - 9 62- 10 - 62-12 62-13 62-16 62-14 62-15
61
6 1 - 0 6 1 - 1 6 1 - 2 6 1 - 3 6 1 - 4 6 1 - 5 6 1 - 6 6 1 - 7 6 1 - 8 6 1 - 9 61- 10 61-11 - 61-13 61-16 61-14 61-15
46
4 6 - 0 4 6 - 1 4 6 - 2 4 6 - 3 4 6 - 4 4 6 - 5 4 6 - 6 4 6 - 7 4 6 - 8 4 6 - 9 46- 10 46-11 46-12 - 46-16 46-14 46-15
45
4 5 - 0 4 5 - 1 4 5 - 2 4 5 - 3 4 5 - 4 4 5 - 5 4 5 - 6 4 5 - 7 4 5 - 8 4 5 - 9 45- 10 45-11 45-12 45-13 - 45-14 45-15
26
2 6 - 0 2 6 - 1 2 6 - 2 2 6 - 3 2 6 - 4 2 6 - 5 2 6 - 6 2 6 - 7 2 6 - 8 2 6 - 9 26- 10 26-11 26-12 26-13 26-16 - 26-15
23
2 3 - 0 2 3 - 1 2 3 - 2 2 3 - 3 2 3 - 4 2 3 - 5 2 3 - 6 2 3 - 7 2 3 - 8 2 3 - 9 23- 10 23-11 23-12 23-13 23-16 23-14 -
Tabla 24: Ficheros de obtencin del punto ptimo de corte entre probabilidades de clases.
Explicaremos a continuacin el modo de obtencin de los puntos de corte mediante un ejemplo
concreto, el del caso del grid 999-1.
Una vez ejecutada la aplicacin inicial "fposi_fnega_general.sps", sta contabiliza el nmero de falsos
positivos y falsos negativos que existiran si furamos variando el punto de corte (ver apartado
4.2.4.1 Clculo del punto ptimo de corte). En el editor de datos se pueden analizar los grficos
que se muestran en la Figura 64 y observar que el punto de corte debera estar entre los valores 0.4
y 0.5, ya que de un valor a otro los falsos positivos y los falsos negativos varan en el orden de
cuantificacin.
Teniendo en cuenta esta observacin, habra entonces que ejecutar la aplicacin "fposi_fnega_4-
5.sps". De esta manera afinaramos ms en el intervalo de bsqueda [0.4-0.5].
Una vez realizada esta accin se exporta a Excel tal y como se indic en el apartado 4.2.4.1 Clculo
del punto ptimo de corte y al ejecutar la macro correspondiente "grafico_corte" se nos genera el
grfico incluido en la Figura 65 pudiendo estimar ms concretamente que el punto ptimo de corte
en el intervalo de probabilidades para elaborar el grid binario debe ser el 0.425.
MEN SALIR
Figura 64: Histogramas de frecuencias de falsos positivos y falsos negativos.

E. Quirs Rosado 129
MEN SALIR
Punto ptimo de Corte
0
200
400
600
800
1.000
1.200
1.400
1.600
v0.41 v0.42 v0.43 v0.44 v0.45 v0.46 v0.47 v0.48 v0.49
F
r
e
c
u
e
n
c
i
a
s
f-
f+
Punto ptimo de corte
Figura 65: Obtencin del punto ptimo de corte.
Para que al lector le resulte ms fcil la consulta de los puntos de corte, se ha incluido en la si-
guiente tabla un resumen de todos los puntos de corte calculados:
999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999 - 0.425 0.495 0.270 0.558 0.610 0.618 0.448 0.259 0.372 0.343 0.430 0.410 0.450 0.267 0.610 0.444
547 0.574 - 0.570 0.453 0.619 0.505 0.637 0.524 0.442 0.410 0.425 0.446 0.480 0.489 0.474 0.590 0.460
507 0.508 0.429 - 0.434 0.495 0.418 0.730 0.435 0.428 0.374 0.383 0.456 0.405 0.410 0.407 0.584 0.411
458 0.730 0.546 0.567 - 0.531 0.500 0.610 0.650 0.455 0.449 0.510 0.495 0.501 0.574 0.465 0.640 0.440
454 0.441 0.384 0.505 0.469 - 0.409 0.590 0.484 0.469 0.335 0.411 0.400 0.423 0.478 0.474 0.540 0.362
453 0.395 0.495 0.582 0.500 0.582 - 0.608 0.583 0.528 0.455 0.474 0.451 0.450 0.562 0.574 0.606 0.429
337 0.381 0.363 0.270 0.389 0.410 0.392 - 0.388 0.362 0.293 0.308 0.352 0.378 0.354 0.331 0.511 0.375
329 0.553 0.476 0.565 0.350 0.516 0.418 0.612 - 0.320 0.415 0.412 0.419 0.437 0.480 0.322 0.619 0.450
309 0.741 0.557 0.615 0.545 0.531 0.472 0.640 0.680 - 0.450 0.566 0.524 0.550 0.540 0.509 0.626 0.450
303 0.656 0.573 0.627 0.551 0.665 0.545 0.705 0.585 0.537 - 0.512 0.531 0.540 0.590 0.539 0.631 0.490
221 0.657 0.574 0.618 0.490 0.589 0.526 0.692 0.589 0.434 0.488 - 0.555 0.515 0.588 0.429 0.654 0.395
62 0.571 0.554 0.540 0.508 0.605 0.548 0.647 0.582 0.474 0.469 0.445 - 0.603 0.579 0.517 0.710 0.475
61 0.590 0.520 0.585 0.495 0.577 0.550 0.621 0.562 0.450 0.460 0.485 0.391 - 0.497 0.462 0.609 0.509
46 0.550 0.512 0.590 0.426 0.524 0.438 0.646 0.520 0.405 0.410 0.414 0.421 0.505 - 0.442 0.637 0.443
45 0.729 0.527 0.610 0.535 0.526 0.426 0.670 0.679 0.492 0.461 0.571 0.480 0.538 0.557 - 0.619 0.388
26 0.390 0.410 0.416 0.360 0.461 0.395 0.488 0.382 0.372 0.370 0.346 0.290 0.391 0.362 0.381 - 0.343
23 0.556 0.539 0.589 0.560 0.637 0.571 0.625 0.550 0.550 0.511 0.608 0.523 0.492 0.558 0.605 0.657 -
Tabla 25: Resumen de los puntos de corte entre probabilidades.
130
MEN SALIR
5.2.4.4Obtencin grids binarios
A partir de los puntos de corte obtenidos en el apartado anterior, obrando de la forma que se ex-
plic en el apartado 4.2.4.2 Obtencin de grids binarios, se obtuvieron todos los grids binarios.
Tal y como ocurra en el apartado 5.2.4.2 Grids de puntuacin para las combinaciones de clases,
no se han podido incluir todos ellos por problemas de incapacidad de almacenamiento de tal vo-
lumen de datos.
De este modo se han incluido, a modo de ejemplo, imgenes de los grids binarios que fueron ob-
tenidos para la clase 999.
i/j 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
999
- 999- 1 999- 2 999- 3 999- 4 999- 5 999- 6 999- 7 999- 8 999- 9 999-10 999-11 999-12 999-13 999-16 999-14 999-15
Tabla 26: Grids binarios de la combinacin de la clase 999 con las restantes (MARS)
Si nos remitimos al ejemplo mostrado en la Figura 62, su correspondiente grid binario es el que a
continuacin se muestra:
Figura 66: Grid binario de la combinacin de clases 999-309

E. Quirs Rosado 131
MEN SALIR
132
5.2.4.5Fusin de modelos. Grid de probabilidad por clase
Los grids de probabilidad por clase, obtenidos a partir de la suma de los binarios incluidos en el
apartado anterior se pueden examinar en los siguientes accesos directos:
clase 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
grid 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
Tabla 27: Grids de probabilidades por clases (MARS).
No obstante, para seguir con el ejemplo ya iniciado, se muestra a continuacin el grid resultante de
la fusin de todos los grids binarios para la clase 999 que se adjuntaron en el apartado 5.2.4.4
Obtencin grids binarios:
Figura 67: Grid de probabilidad de pertenencia a la clase 999.
MEN SALIR
133
5.2.5 Obtencin del mapa final de clasificacin
Finalmente se adjunta el mapa final de clases segn el clasificador MARS y elaborado a partir de
toda la metodologa ya explicada.
1:600,000
Figura 68: Mapa final clasificacin con MARS.
MEN SALIR
En dicho mapa, las categoras clasificadas, aparecen segn los siguientes porcentajes de superficie
sobre la totalidad de la imagen:
Clase Porcentaje
Sin Clasificar 0.00%
Agua 2.65%
Matorral mixto siliccola 4.06%
Galera arbrea mixta 3.14%
Pastizal estacional denso 10.45%
Mancha degradada 0.52%
Mancha densa 0.62%
Canchales, pedregales 2.66%
Desierto rocoso 1.87%
Retama sphaerocapa 29.36%
Cistus ladanifer 5.77%
Lavndula Stoechas 7.60%
Eucaliptus camaldulensis 8.39%
Eucaliptus globulus 1.98%
Quercus suber 5.47%
Quercus rotundifolia 5.19%
Pinus pinaster 0.36%
Pinus pinea 9.93%
Tabla 28: Superficie de ocupacin de clases en la imagen segn clasificacin MARS.
La clase predominante del mapa de clasificacin es la retama (29.36%) y la minoritaria el pinus pinas-
ter ocupando un 0.36% de superficie del total.
134
MEN SALIR
5.3 Mtodo de mxima verosimilitud
1:600,000
Figura 69: Mapa de clasificacin por mxima verosimilitud.

E. Quirs Rosado 135
MEN SALIR
El mapa de clasificacin de mxima verosimilitud obtenido con los parmetros que se expusieron
en el apartado 4.3.1 Obtencin del mapa de clasificacin es el de la Figura 69.
De dicho mapa se pueden extraer los siguientes porcentajes de ocupacin asignados a cada clase
por el clasificador de mxima verosimilitud:
Clase Porcentaje
Agua 1.96%
Mancha densa 1.08%
Quercus suber 3.46%
Pinus pinea 2.32%
Tabla 29: Superficie de ocupacin de clases en la imagen segn mxima verosimilitud.
En este caso, la clase que mayor superficie ocupa es el pastizal estacional denso, con un 27% del to-
tal del mapa. La clase minoritaria sigue siendo el pinus pinaster con un 0.69%.
Tambin conviene observar que el clasificador deja sin clasificar un 0.72% de la superficie.
5.3.2 Grids de probabilidades por clase
Para que el lector comprenda la necesidad de evitar la utilizacin de las rule images que devolva
ENVI, se ha incluido a continuacin un ejemplo de la rule image correspondiente a la clase 999,
con su correspondiente histograma. As se podrn apreciar los valores heterogneos negativos de
los que se hablaba en el apartado 4.3.2 Obtencin de grids de probabilidades por clase.
136
MEN SALIR
Figura 70: Rule image para la maxima verosimilitud de la clase 999.
Su correspondiente histograma de frecuencias de valores:
Valores de la fun-
cin discrimintante
Figura 71: Histograma de la rule image de la clase 999.

E. Quirs Rosado 137
MEN SALIR
Ante esta distribucin de datos resulta evidente que se debe realizar la operacin alternativa para
la obtencin de los grids de probabilidad por clase.
As y obrando como que se explic en 4.3.2 Obtencin de grids de probabilidades por clase se ob-
tuvieron los siguientes grids:
clase 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
grid 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
Tabla 30: Grids de probabilidad por clase segn mxima verosimilitud.
El grid de probabilidad obtenido para la clase 999 es el siguiente (Se han marcado de color rojo los
pxeles que quedaran sin clasificar en esa clase segn el clasificador):
Figura 72: Grid probabilidad para la mxima verosimilitud de la clase 999.
El lector podr comprender con mayor claridad el volumen de pxeles no clasificados mediante la
siguiente figura:
138
MEN SALIR
Val li- ores de probabi
d d
Valores de
probabilidad
Figura 73: Histograma de la grid de probabilidad de la clase 999.
5.3.3 Comparacin de mapas de clasificacin
Ya se expuso en el apartado 4.3.2 Obtencin de grids de probabilidades por clase, que exista la
necesidad de comprobar si los grids de probabilidad por clase, que se haban obtenido de forma
alternativa a los que proporcionaba directamente ENVI, haban sido obtenidos correctamente.
Se sealaba en ese apartado que una forma de comprobarlo era proceder a elaborar un segundo
mapa de clasificacin por mxima verosimilitud, pero esta vez con los grids de probabilidad que
habamos obtenido en ArcView. Si todo haba sido ejecutado de forma correcta, los mapas deber-
an ser idnticos.
Obrando de esta forma obtuvimos un segundo mapa de clasificacin por mxima verosimilitud,
pero que no se ha incluido puesto que es tan similar al original de ENVI que prcticamente no se
pueden apreciar diferencias (Figura 74).

E. Quirs Rosado 139
MEN SALIR
Figura 74: Mapa de diferencias entre clasificacin ENVI y clasificacin alternativa de mxima verosimilitud.
En la Figura 74, se puede apreciar una diferencia entre los mapas de clasificacin de tan solo un
0.07%. Esta diferencia nos confirma que el proceso de obtencin de los grids de probabilidad en
ArcView ha sido realizado correctamente.
140
MEN SALIR
5.4 Mtodo del paraleleppedo
1:600,000
Figura 75: Mapa de clasificacin por paraleleppedo.

E. Quirs Rosado 141
MEN SALIR
El mapa de clasificacin obtenido con ENVI fue el mostrado en la Figura 75:, y las categoras clasi-
ficadas aparecen segn los siguientes porcentajes:
Clase Porcentaje
Agua 4.84%
Mancha densa 0.00%
Quercus suber 0.00%
Pinus pinea 0.00%
Tabla 31: Superficie de ocupacin por clases en la imagen segn paraleleppedo.
Las categoras de pinus pinaster, pinus pinea, mancha degradada y mancha densa no las clasific, y slo
asign a la clase Quercus Suber 4 pxeles.
Al igual que el clasificador de mxima verosimilitud, el pastizal estacional denso es el que mayor pro-
porcin de mapa ocupara con un 33.19% del total de la superficie.
5.4.2 Grids de probabilidades por clase
Los grids de probabilidad por clase directamente obtenidos de ENVI son los que a continuacin se
adjuntan:
clase 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
grid 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
Tabla 32: Grids de probabilidad por clase segn paraleleppedo.
Siguiendo la lnea de otros apartados, en la Figura 76 se muestra el grid de la clase 999.
142
MEN SALIR
Figura 76: Grid de probabilidad de pertenencia a la clase 999 segn paraleleppedos.
Se ha remarcado en rojo las localizaciones en las que en ninguna banda se cumple la condicin del
paraleleppedo para la clase 999.

E. Quirs Rosado 143
MEN SALIR
5.5 Comparacin de mtodos con AUC
A continuacin se incluyen en este apartado y en el siguiente los controles de errores y exactitudes
llevados a cabo para cada mtodo que sirvieron para evaluar la calidad de cada clasificacin y la
posterior comparacin de resultados de las mismas.
Los resultados de la curva ROC para los grids de probabilidad de cada clase segn los distintos m-
todos pueden ser consultados en los siguientes accesos directos.
Met. 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
MARS 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
Max.
Vero
999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
Paral 999 547 507 458 454 453 337 329 309 303 221 62 61 46 45 26 23
Tabla 33: Curvas ROC y AUC de los grids de probabilidad de clases segn los tres mtodos de clasificacin.
A modo de resumen se ha realizado el siguiente cuadro en el que el lector puede tener una idea
global de los resultados obtenidos:
MARS Max Vero Parale
cod Clase AUC AUC AUC
999 Agua 3334 0.952 0.945 0.793
547 Matorral mixto siliccola 2837 0.852 0.813 0.754
507 Galera arbrea mixta 1157 0.936 0.936 0.814
458 Pastizal estacional denso 5217 0.844 0.714 0.687
454 Mancha degradada 276 0.978 0.929 0.954
453 Mancha densa 557 0.985 0.961 0.971
337 Canchales, pedregales 77 0.963 0.969 0.791
329 Desierto rocoso 2354 0.890 0.884 0.701
309 Retama sphaerocapa 6955 0.724 0.699 0.670
303 Cistus ladanifer 1063 0.856 0.826 0.728
221 Lavndula Stoechas 813 0.906 0.898 0.657
62 Eucaliptus camaldulensis 14063 0.908 0.856 0.834
61 Eucaliptus globulus 566 0.949 0.939 0.870
46 Quercus suber 2595 0.864 0.841 0.766
45 Quercus rotundifolia 54419 0.688 0.577 0.600
26 Pinus pinaster 72 0.957 0.976 0.903
23 Pinus pinea 1209 0.952 0.960 0.924
Has
Tabla 34: AUC por clase segn los tres mtodos de clasificacin.
144
MEN SALIR

E. Quirs Rosado 145
5.6 Comparacin de mtodos mediante la matriz de
confusin
Las matrices de confusin obtenidas para cada uno de los mtodos de clasificacin son las que a
continuacin se muestran:
MEN SALIR
P
i
n
u
s

p
i
n
e
a
P
i
n
u
s

p
i
n
a
s
t
e
r
Q
u
e
r
c
u
s

r
o
t
u
n
d
i
f
o
l
i
a
Q
u
e
r
c
u
s

s
u
b
e
r
E
u
c
a
l
i
p
t
u
s

g
l
o
b
u
l
u
s
E
u
c
a
l
i
p
t
u
s

c
a
m
a
l
d
u
l
e
n
s
i
s
L
a
v
n
d
u
l
a

S
t
o
e
c
h
a
s
C
i
s
t
u
s

l
a
d
a
n
i
f
e
r
R
e
t
a
m
a

s
p
h
a
e
r
o
c
a
p
a
D
e
s
i
e
r
t
o

r
o
c
o
s
o
C
a
n
c
h
a
l
e
s
,

p
e
d
r
e
g
a
l
e
s
M
a
n
c
h
a

d
e
n
s
a
M
a
n
c
h
a

d
e
g
r
a
d
a
d
a
P
a
s
t
i
z
a
l

e
s
t
a
c
i
o
n
a
l

d
e
n
s
o
G
a
l
e
r
a

a
r
b
r
e
a

m
i
x
t
a
M
a
t
o
r
r
a
l

m
i
x
t
o

s
i
l
i
c
c
o
l
a
A
g
u
a
P
i
n
u
s

p
i
n
e
a
9
,
8
4
1
,
2
7
5
1
1
5
,
2
0
0
1
7
,
4
4
5
,
3
7
5
2
,
4
6
5
,
3
2
5
1
4
4
,
9
0
0
1
3
,
0
6
9
,
8
0
0
1
8
1
,
3
5
0
1
,
2
7
1
,
4
7
5
3
2
0
,
6
2
5
1
,
0
6
8
,
3
0
0
8
,
3
2
5
1
4
3
,
1
0
0
2
0
2
,
0
5
0
2
0
5
,
2
0
0
9
1
,
1
2
5
2
,
6
3
4
,
7
5
0
1
0
7
,
1
0
0
P
i
n
u
s

p
i
n
a
s
t
e
r
4
5
,
0
0
0
4
1
2
,
4
2
5
4
5
3
,
3
7
5
5
2
6
,
5
0
0
2
6
,
3
2
5
5
6
0
,
7
0
0
6
7
5
3
3
,
0
7
5
1
5
,
9
7
5
2
0
0
,
2
5
0
2
,
7
0
0
6
,
0
7
5
1
0
,
8
0
0
4
,
2
7
5
1
5
4
,
3
5
0
8
3
,
2
5
0
6
,
9
7
5
Q
u
e
r
c
u
s

r
o
t
u
n
d
i
f
o
l
i
a
3
0
,
3
7
5
1
,
1
2
5
8
6
,
6
8
1
,
9
2
5
2
7
7
,
2
0
0
1
1
4
,
3
0
0
1
,
8
3
0
,
1
5
0
1
3
0
,
0
5
0
1
3
1
,
1
7
5
3
,
2
9
0
,
8
5
0
9
0
7
,
6
5
0
9
0
0
0
6
7
5
1
,
5
0
6
,
6
0
0
1
1
,
2
5
0
4
5
8
,
3
2
5
1
2
4
,
6
5
0
Q
u
e
r
c
u
s

s
u
b
e
r
1
3
0
,
0
5
0
8
1
,
2
2
5
3
0
,
9
8
2
,
9
5
0
1
1
,
6
0
4
,
8
2
5
5
2
9
,
8
7
5
1
1
,
9
9
4
,
0
7
5
3
4
,
8
7
5
5
2
0
,
4
2
5
1
,
7
6
6
,
0
2
5
1
,
2
0
8
,
7
0
0
2
0
,
2
5
0
1
5
3
,
2
2
5
6
2
,
3
2
5
7
6
7
,
9
2
5
3
9
3
,
5
2
5
1
,
8
3
6
,
0
0
0
3
2
4
,
0
0
0
E
u
c
a
l
i
p
t
u
s

g
l
o
b
u
l
u
s
1
7
1
,
4
5
0
6
,
5
2
5
1
7
,
6
4
7
,
6
5
0
1
,
2
4
7
,
1
7
5
2
,
7
9
5
,
6
2
5
1
4
,
2
5
5
,
3
2
5
2
3
,
1
7
5
1
0
2
,
1
5
0
1
,
5
2
5
,
2
7
5
3
8
0
,
7
0
0
4
,
2
7
5
7
3
,
8
0
0
1
3
,
2
7
5
5
1
6
,
3
7
5
3
7
,
1
2
5
6
8
9
,
1
7
5
1
0
2
,
3
7
5
E
u
c
a
l
i
p
t
u
s

c
a
m
a
l
d
u
l
e
n
s
i
s
4
0
7
,
7
0
0
4
4
,
1
0
0
1
4
,
0
0
5
,
5
7
5
2
,
7
1
7
,
5
5
0
1
,
4
3
9
,
5
5
0
7
1
,
4
9
5
,
3
2
5
2
7
,
4
5
0
5
3
9
,
5
5
0
1
,
5
8
6
,
0
2
5
1
,
6
4
5
,
4
2
5
4
9
,
2
7
5
2
2
5
,
0
0
0
1
2
9
,
8
2
5
7
0
6
,
9
5
0
3
,
9
2
7
,
3
7
5
1
,
6
4
3
,
1
7
5
3
5
1
,
0
0
0
L
a
v
n
d
u
l
a

S
t
o
e
c
h
a
s
3
3
,
3
0
0
2
2
5
3
5
,
8
5
3
,
0
7
5
6
6
3
,
9
7
5
5
7
,
8
2
5
3
,
6
6
3
,
0
0
0
5
,
7
1
2
,
0
7
5
1
,
1
7
6
,
9
7
5
3
,
3
8
9
,
6
2
5
5
8
5
,
4
5
0
4
8
,
6
0
0
9
0
0
3
,
3
7
5
2
,
5
4
7
,
6
7
5
1
2
0
,
1
5
0
2
,
6
9
8
,
2
0
0
4
9
3
,
2
0
0
C
i
s
t
u
s

l
a
d
a
n
i
f
e
r
4
3
5
,
1
5
0
1
1
,
0
2
5
3
0
,
3
0
6
,
3
7
5
1
,
0
7
5
,
2
7
5
1
0
6
,
8
7
5
3
,
5
9
9
,
3
2
5
6
7
2
,
0
7
5
4
,
0
3
9
,
6
5
0
3
,
6
8
1
,
6
7
5
9
3
4
,
8
7
5
8
,
1
0
0
4
3
,
8
7
5
9
1
,
1
2
5
1
,
8
9
3
,
1
5
0
2
2
,
9
5
0
3
,
0
2
9
,
8
5
0
3
6
0
,
9
0
0
R
e
t
a
m
a

s
p
h
a
e
r
o
c
a
p
a
5
2
,
4
2
5
2
0
,
2
5
0
1
9
9
,
6
5
1
,
9
5
0
1
,
7
9
1
,
2
2
5
1
2
7
,
8
0
0
5
,
0
6
7
,
9
0
0
9
6
4
,
5
7
5
5
4
9
,
0
0
0
3
8
,
0
3
2
,
8
7
5
2
,
0
0
3
,
1
7
5
4
,
5
0
0
2
,
7
0
0
9
0
0
1
5
,
9
9
7
,
0
5
0
8
6
,
6
2
5
1
,
8
2
0
,
7
0
0
2
,
1
0
7
,
5
7
5
D
e
s
i
e
r
t
o

r
o
c
o
s
o
1
0
8
,
9
0
0
5
,
6
2
5
1
4
,
7
6
4
,
9
5
0
5
5
7
,
7
7
5
2
6
,
5
5
0
9
9
7
,
4
2
5
9
,
4
5
0
2
3
4
,
9
0
0
5
8
4
,
1
0
0
9
,
1
1
1
,
6
0
0
1
7
,
7
7
5
4
7
0
,
4
7
5
1
1
5
,
4
2
5
5
2
5
,
8
2
5
1
1
1
,
8
2
5
3
9
9
,
8
2
5
1
8
5
,
6
2
5
C
a
n
c
h
a
l
e
s
,

p
e
d
r
e
g
a
l
e
s
4
,
2
7
5
0
5
0
1
,
0
7
5
8
,
7
7
5
8
,
5
5
0
1
,
2
6
2
,
7
0
0
9
,
0
0
0
1
1
,
0
2
5
4
2
,
5
2
5
3
3
,
5
2
5
4
9
0
,
9
5
0
6
7
5
2
2
5
2
2
,
5
0
0
2
,
3
2
8
,
3
0
0
5
1
,
3
0
0
3
3
0
,
0
7
5
M
a
n
c
h
a

d
e
n
s
a
1
0
4
,
4
0
0
9
,
0
0
0
2
,
4
1
8
,
3
0
0
1
,
1
6
1
,
0
0
0
6
0
,
3
0
0
2
,
5
5
3
,
5
2
5
0
2
3
4
,
9
0
0
1
9
,
5
7
5
2
,
5
1
3
,
7
0
0
3
,
3
7
5
3
,
3
6
4
,
4
2
5
4
3
2
,
4
5
0
7
,
2
0
0
3
7
,
3
5
0
2
4
2
,
7
7
5
2
,
0
2
5
M
a
n
c
h
a

d
e
g
r
a
d
a
d
a
2
5
9
,
8
7
5
7
,
8
7
5
2
,
5
6
1
,
8
5
0
6
6
6
,
2
2
5
3
5
,
5
5
0
2
,
8
2
3
,
0
7
5
2
2
5
3
3
4
,
1
2
5
2
7
,
9
0
0
9
4
9
,
7
2
5
6
7
5
9
8
8
,
2
0
0
1
,
6
0
2
,
0
0
0
7
,
6
5
0
3
3
,
5
2
5
5
2
5
,
3
7
5
3
,
3
7
5
P
a
s
t
i
z
a
l

e
s
t
a
c
i
o
n
a
l

d
e
n
s
o
6
7
5
2
,
7
0
0
6
0
,
0
7
3
,
2
0
0
2
8
3
,
9
5
0
1
4
,
1
7
5
9
3
7
,
1
2
5
1
8
8
,
7
7
5
2
9
0
,
4
7
5
1
2
,
4
9
3
,
3
5
0
1
,
3
9
4
,
5
5
0
1
,
1
2
5
4
5
0
0
2
6
,
1
4
9
,
7
2
5
7
2
,
4
5
0
2
4
6
,
8
2
5
1
,
1
0
4
,
5
2
5
G
a
l
e
r
a

a
r
b
r
e
a

m
i
x
t
a
5
,
4
0
0
1
,
3
5
0
6
9
9
,
3
0
0
5
5
,
1
2
5
1
9
,
8
0
0
2
,
0
0
2
,
0
5
0
7
,
8
7
5
5
,
1
7
5
1
2
8
,
7
0
0
2
2
,
2
7
5
7
3
,
8
0
0
1
1
,
2
5
0
2
,
0
2
5
1
3
7
,
0
2
5
3
,
1
3
2
,
0
0
0
4
7
,
7
0
0
8
3
8
,
3
5
0
M
a
t
o
r
r
a
l

m
i
x
t
o

s
i
l
i
c
c
o
l
a
4
1
4
,
9
0
0
9
0
0
2
6
,
8
1
0
,
1
0
0
7
0
2
,
9
0
0
1
3
3
,
4
2
5
3
,
6
5
0
,
6
2
5
1
3
7
,
7
0
0
1
,
0
5
9
,
7
5
0
1
,
7
2
3
,
7
2
5
4
4
5
,
2
7
5
6
7
5
3
2
,
6
2
5
7
7
,
8
5
0
5
7
0
,
1
5
0
1
6
,
8
7
5
1
1
,
7
6
2
,
3
2
5
1
8
,
9
0
0
A
g
u
a
9
0
0
6
7
5
2
,
0
9
2
,
7
2
5
2
1
,
8
2
5
1
3
,
0
5
0
5
0
2
,
2
0
0
8
,
1
0
0
3
9
,
6
0
0
3
3
5
,
7
0
0
4
8
,
8
2
5
3
7
,
8
0
0
1
6
,
4
2
5
6
,
0
7
5
1
8
6
,
9
7
5
9
2
7
,
9
0
0
7
2
,
2
2
5
2
6
,
7
4
4
,
6
2
5
V a l o r e s d e l a c l a s i f i c a c i n
V
e
r
d
a
d

T
e
r
r
e
n
o
:

r
e
a
s

d
e

e
n
t
r
e
n
a
m
i
e
n
t
o
M
A
T
R
I
Z

C
O
N
F
U
S
I
N

C
L
A
S
I
F
I
C
A
C
I
N

M
A
R
S
T
a
b
l
a

3
5
:
M
a
t
r
i
z

d
e

c
o
n
f
u
s
i
n

p
a
r
a

l
a

c
l
a
s
i
f
i
c
a
c
i
n

c
o
n

M
A
R
S
.
MEN SALIR
E
u
c
a
l
i
p
t
u
s

c
a
m
a
l
d
u
l
e
n
s
i
s
P
i
n
u
s

p
i
n
e
a
P
i
n
u
s

p
i
n
a
s
t
e
r
E
u
c
a
l
i
p
t
u
s

g
l
o
b
u
l
u
s
A
g
u
a
M
a
t
o
r
r
a
l

m
i
x
t
o

s
i
l
i
c
c
o
l
a
G
a
l
e
r
a

a
r
b
r
e
a

m
i
x
t
a
P
a
s
t
i
z
a
l

e
s
t
a
c
i
o
n
a
l

d
e
n
s
o
M
a
n
c
h
a

d
e
g
r
a
d
a
d
a
M
a
n
c
h
a

d
e
n
s
a
C
a
n
c
h
a
l
e
s
,

p
e
d
r
e
g
a
l
e
s
D
e
s
i
e
r
t
o

r
o
c
o
s
o
R
e
t
a
m
a
s
p
h
a
e
r
o
c
a
p
a
C
i
s
t
u
s

l
a
d
a
n
i
f
e
r
L
a
v
n
d
u
l
a

S
t
o
e
c
h
a
s
Q
u
e
r
c
u
s

s
u
b
e
r
Q
u
e
r
c
u
s

r
o
t
u
n
d
i
f
o
l
i
a
s
i
n

c
l
a
s
i
f
i
c
a
r
6
3
0
0
0
0
1
0
1
7
0
0
0
0
6
9
0
0
4
1
7
,
0
7
7
E
u
c
a
l
i
p
t
u
s

c
a
m
a
l
d
u
l
e
n
s
i
s
8
2
,
6
4
3
6
3
1
5
4
8
6
6
3
8
6
3
,
3
1
5
6
2
7
7
5
3
1
9
2
8
6
4
0
1
,
2
6
5
4
,
3
3
0
4
3
9
5
7
5
,
5
5
5
2
6
,
1
5
6
P
i
n
u
s

p
i
n
e
a
5
6
,
2
0
2
4
1
,
9
2
5
2
9
9
3
3
1
5
1
5
,
6
0
8
1
8
5
5
4
5
8
1
4
0
1
0
4
,
1
5
9
8
3
1
6
,
0
5
9
1
,
2
3
6
7
,
3
9
2
7
1
,
6
5
6
P
i
n
u
s

p
i
n
a
s
t
e
r
2
2
,
0
1
0
1
,
0
4
7
2
,
7
5
8
8
0
7
1
1
1
2
,
1
1
1
3
8
3
0
1
1
0
8
2
1
5
1
1
,
7
8
3
8
1
2
4
3
2
1
5
1
1
,
2
1
8
1
3
,
9
8
4
E
u
c
a
l
i
p
t
u
s

g
l
o
b
u
l
u
s
1
8
9
,
9
9
2
1
,
5
6
5
1
6
1
6
,
7
1
4
2
0
5
7
,
6
4
6
6
5
3
,
2
8
2
1
5
0
2
8
4
0
3
,
6
4
4
9
,
3
7
6
1
,
1
7
2
2
8
0
1
0
,
2
4
6
9
9
,
6
0
3
A
g
u
a
2
,
4
0
1
2
7
3
2
1
1
8
,
0
3
1
1
4
6
4
,
1
1
7
1
,
0
2
5
1
0
1
4
1
4
5
3
7
5
1
,
8
0
7
1
2
5
6
2
0
5
6
,
6
8
6
M
a
t
o
r
r
a
l

m
i
x
t
o

s
i
l
i
c
c
o
l
a
3
0
,
9
2
2
1
,
6
6
6
1
1
4
8
6
9
1
7
4
4
,
7
3
8
2
0
5
4
,
1
7
0
1
8
0
8
6
7
1
,
7
6
8
1
3
,
5
4
3
3
,
4
0
9
1
,
1
7
6
2
,
7
9
0
1
6
8
,
6
9
4
G
a
l
e
r
a

a
r
b
r
e
a

m
i
x
t
a
2
2
,
8
1
5
2
1
0
3
8
2
,
9
4
5
2
4
2
3
8
,
6
1
3
9
8
4
2
1
2
3
4
9
8
1
0
5
9
9
2
6
1
1
3
9
2
7
,
3
4
9
P
a
s
t
i
z
a
l

e
s
t
a
c
i
o
n
a
l

d
e
n
s
o
1
0
,
7
0
2
7
5
2
2
2
0
0
7
,
1
7
3
5
,
2
3
1
5
2
7
1
4
1
,
6
2
4
0
5
3
2
6
6
,
1
0
6
6
8
,
8
8
3
1
,
9
3
6
1
,
4
1
9
3
,
8
6
4
5
3
0
,
6
7
9
M
a
n
c
h
a

d
e
g
r
a
d
a
d
a
6
7
,
1
4
1
3
,
3
4
0
6
9
1
,
0
2
3
0
1
4
,
9
5
7
1
2
9
6
8
8
,
1
3
1
5
,
1
8
4
5
8
,
8
5
7
9
3
6
6
,
5
5
5
3
0
6
7
,
5
2
8
3
1
,
9
4
7
M
a
n
c
h
a

d
e
n
s
a
4
0
,
2
1
2
9
3
4
6
4
1
,
7
0
7
1
4
2
,
7
7
5
9
9
6
7
2
,
1
1
6
1
7
,
0
5
8
1
1
2
2
,
5
8
9
1
2
7
1
,
2
5
2
3
7
,
2
2
4
1
7
,
0
4
8
C
a
n
c
h
a
l
e
s
,

p
e
d
r
e
g
a
l
e
s
4
,
8
5
2
1
0
3
5
8
1
6
,
3
1
6
1
,
1
0
2
4
,
6
9
1
1
,
8
7
1
2
3
2
2
,
6
5
0
8
5
0
1
,
0
9
1
2
3
0
9
4
6
2
1
7
,
9
2
3
D
e
s
i
e
r
t
o

r
o
c
o
s
o
8
,
2
0
9
5
1
3
2
0
2
6
7
3
9
1
2
,
1
5
3
1
9
0
5
,
5
4
7
2
0
3
1
,
0
4
8
2
6
3
9
,
3
9
9
1
3
,
4
8
5
9
3
7
3
0
6
2
,
3
5
4
1
5
1
,
4
4
3
R
e
t
a
m
a

s
p
h
a
e
r
o
c
a
p
a
1
1
,
5
3
6
1
3
7
3
4
2
6
8
5
,
8
9
6
4
,
2
1
7
2
2
4
4
0
,
5
7
9
3
1
2
2
4
,
0
0
6
1
3
1
,
0
6
0
1
,
3
2
4
1
,
5
5
2
5
,
9
0
0
6
2
5
,
0
1
5
C
i
s
t
u
s

l
a
d
a
n
i
f
e
r
1
7
,
5
3
0
7
7
8
3
5
2
5
2
7
8
9
7
,
2
7
1
1
3
1
4
,
4
2
4
3
0
2
3
4
3
3
,
0
7
7
1
2
,
1
2
7
1
5
,
0
4
5
2
,
3
6
6
4
,
5
5
5
1
0
5
,
7
7
9
L
a
v
n
d
u
l
a

S
t
o
e
c
h
a
s
1
1
,
9
8
8
1
6
9
1
1
2
5
8
2
,
0
7
0
7
,
5
4
9
1
8
1
1
9
,
5
3
6
1
8
3
1
4
3
,
2
1
6
3
6
,
4
6
8
5
,
2
7
8
2
7
,
0
8
6
2
,
6
0
3
2
7
9
,
0
1
2
Q
u
e
r
c
u
s

s
u
b
e
r
4
1
,
5
4
8
5
9
1
7
5
1
,
1
0
4
1
,
1
7
9
4
,
7
5
8
6
4
9
2
,
6
2
1
1
8
4
2
2
1
2
2
,
4
3
2
6
,
0
5
7
2
,
0
0
2
9
7
4
0
,
9
0
3
1
2
6
,
7
8
2
Q
u
e
r
c
u
s

r
o
t
u
n
d
i
f
o
l
i
a
4
,
2
8
6
2
2
7
2
2
1
6
8
1
,
7
2
0
2
,
2
7
3
9
2
1
4
,
4
6
2
4
4
5
5
4
1
,
0
0
4
7
,
1
3
6
1
,
0
2
5
1
3
7
1
,
9
9
8
1
3
1
,
8
1
2
V
e
r
d
a
d

T
e
r
r
e
n
o
:

r
e
a
s

d
e

e
n
t
r
e
n
a
m
i
e
n
t
o
M
A
T
R
I
Z

C
O
N
F
U
S
I
N

C
L
A
S
I
F
I
C
A
C
I
N

M
X
I
M
A

V
E
R
O
S
I
M
I
L
I
T
U
D
T
a
b
l
a

3
6
:
M
a
t
r
i
z

d
e

c
o
n
f
u
s
i
n

p
a
r
a

l
a

c
l
a
s
i
f
i
c
a
c
i
n

p
o
r

m
x
i
m
a

v
e
r
o
s
i
m
i
l
i
t
u
d
.

MEN SALIR
E
u
c
a
l
i
p
t
u
s

c
a
m
a
l
d
u
l
e
n
s
i
s
P
i
n
u
s

p
i
n
e
a
P
i
n
u
s

p
i
n
a
s
t
e
r
E
u
c
a
l
i
p
t
u
s

g
l
o
b
u
l
u
s
A
g
u
a
M
a
t
o
r
r
a
l

m
i
x
t
o

s
i
l
i
c
c
o
l
a
G
a
l
e
r
a

a
r
b
r
e
a

m
i
x
t
a
P
a
s
t
i
z
a
l

e
s
t
a
c
i
o
n
a
l

d
e
n
s
o
M
a
n
c
h
a

d
e
g
r
a
d
a
d
a
M
a
n
c
h
a

d
e
n
s
a
C
a
n
c
h
a
l
e
s
,

p
e
d
r
e
g
a
l
e
s
D
e
s
i
e
r
t
o

r
o
c
o
s
o
R
e
t
a
m
a

s
p
h
a
e
r
o
c
a
p
a
C
i
s
t
u
s

l
a
d
a
n
i
f
e
r
L
a
v
n
d
u
l
a

S
t
o
e
c
h
a
s
Q
u
e
r
c
u
s

s
u
b
e
r
Q
u
e
r
c
u
s

r
o
t
u
n
d
i
f
o
l
i
a
s
i
n

c
l
a
s
i
f
i
c
a
r
2
,
2
1
6
1
5
2
5
9
1
,
8
5
1
2
,
0
4
5
1
,
4
4
9
1
6
,
8
9
7
0
0
8
6
1
,
0
4
9
9
,
2
0
3
2
8
1
3
,
2
7
3
8
7
3
1
1
8
,
3
8
4
E
u
c
a
l
i
p
t
u
s

c
a
m
a
l
d
u
l
e
n
s
i
s
5
3
5
,
8
9
1
5
2
,
5
0
8
3
,
0
1
8
2
2
,
7
8
1
8
,
7
0
8
9
2
,
8
2
5
4
,
4
0
4
1
4
,
9
2
8
1
1
,
6
3
1
1
9
,
5
1
5
7
5
5
7
3
,
3
2
3
6
2
,
3
7
7
2
8
,
5
8
9
8
,
2
9
5
9
2
,
6
5
2
6
5
0
,
7
6
2
P
i
n
u
s

p
i
n
e
a
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
P
i
n
u
s

p
i
n
a
s
t
e
r
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
E
u
c
a
l
i
p
t
u
s

g
l
o
b
u
l
u
s
1
,
0
2
8
1
4
5
7
5
3
2
2
6
6
0
8
8
2
,
0
4
1
0
0
2
1
7
3
7
3
,
9
4
0
9
6
9
2
5
5
4
2
2
4
8
,
9
9
2
A
g
u
a
1
4
,
5
2
8
2
4
0
2
5
1
4
6
1
1
6
,
4
8
4
3
,
0
4
9
1
2
,
3
6
3
4
,
7
0
0
2
6
9
3
,
5
6
4
1
,
5
7
2
8
,
1
0
4
6
,
9
2
2
3
,
0
1
1
1
,
4
7
9
2
,
6
0
2
7
3
,
1
3
2
M
a
t
o
r
r
a
l

m
i
x
t
o

s
i
l
i
c
c
o
l
a
2
4
,
1
1
6
2
0
0
7
8
7
3
5
4
,
3
5
5
1
4
,
1
5
7
1
,
4
2
6
1
9
,
2
8
0
1
3
1
2
4
6
9
4
,
2
6
7
2
7
,
6
8
7
7
,
3
0
4
8
,
5
6
5
6
,
1
3
3
2
9
6
,
3
0
8
G
a
l
e
r
a

a
r
b
r
e
a

m
i
x
t
a
1
3
,
3
6
1
3
5
1
2
1
0
4
1
,
5
7
6
4
1
5
2
8
,
1
7
1
4
0
2
3
4
6
1
,
5
6
0
5
6
2
1
,
1
4
7
1
,
1
0
0
1
9
2
8
1
,
0
0
7
1
0
,
3
8
8
P
a
s
t
i
z
a
l

e
s
t
a
c
i
o
n
a
l

d
e
n
s
o
2
3
,
3
9
2
3
1
3
7
3
3
1
4
1
1
,
7
5
9
8
,
2
8
4
1
,
1
5
2
1
6
4
,
7
8
0
0
1
1
4
6
1
5
,
3
2
4
1
8
6
,
5
3
9
5
,
1
7
3
1
1
,
6
1
9
7
,
2
7
6
1
,
0
9
7
,
0
3
2
M
a
n
c
h
a

d
e
g
r
a
d
a
d
a
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
M
a
n
c
h
a

d
e
n
s
a
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C
a
n
c
h
a
l
e
s
,

p
e
d
r
e
g
a
l
e
s
3
,
9
8
8
1
9
1
4
2
1
3
2
,
3
7
0
1
,
2
6
2
1
,
9
3
2
1
,
5
4
2
7
5
2
9
6
3
1
2
1
,
1
2
2
3
4
1
7
1
9
9
5
5
3
1
,
7
3
2
D
e
s
i
e
r
t
o

r
o
c
o
s
o
2
,
0
7
5
3
9
3
0
1
6
3
5
3
8
4
6
2
9
7
1
,
7
8
4
0
0
1
1
5
2
5
,
4
3
0
1
,
0
0
5
3
2
,
3
5
4
4
6
,
4
4
9
R
e
t
a
m
a

s
p
h
a
e
r
o
c
a
p
a
1
8
0
0
0
0
6
0
9
8
2
8
9
6
7
0
0
1
1
1
7
8
5
3
9
7
1
9
9
7
,
1
9
0
C
i
s
t
u
s

l
a
d
a
n
i
f
e
r
2
9
2
0
0
0
1
4
1
3
2
0
4
5
0
0
0
0
3
4
6
2
6
7
1
5
7
2
9
L
a
v
n
d
u
l
a

S
t
o
e
c
h
a
s
3
,
7
6
4
1
2
1
5
1
3
7
0
2
,
3
0
8
1
6
0
2
,
6
9
0
0
0
2
1
1
3
2
1
,
7
0
0
4
2
1
1
,
8
0
9
5
0
4
3
0
,
8
4
9
Q
u
e
r
c
u
s

s
u
b
e
r
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Q
u
e
r
c
u
s

r
o
t
u
n
d
i
f
o
l
i
a
2
2
1
0
0
2
3
2
6
4
3
5
1
,
8
2
9
0
0
4
7
7
2
,
2
9
1
6
7
1
8
3
6
0
6
,
6
9
8
M
A
T
R
I
Z

C
O
N
F
U
S
I
N

C
L
A
S
I
F
I
C
A
C
I
N

P
A
R
A
L
E
L
E
P
P
E
D
O
V
e
r
d
a
d

T
e
r
r
e
n
o
:

r
e
a
s

d
e

e
n
t
r
e
n
a
m
i
e
n
t
o
V a l o r e s d e l a c l a s i f i c a c i n
T
a
b
l
a

3
7
:

M
a
t
r
i
z

d
e

c
o
n
f
u
s
i
n

p
a
r
a

l
a

c
l
a
s
i
f
i
c
a
c
i
n

p
o
r

p
a
r
a
l
e
l
e
p
p
e
d
o
s
.
MEN SALIR
Los estadsticos por clase que se deducen a partir de las matrices de confusin son:
Clase MARS Max Ver Parale Clase MARS Max Ver Parale
Pinus pinea 81.70% 78.00% 0.00% Pinus pinea 19.96% 20.20% 0.00%
Pinus pinaster 57.26% 85.44% 0.00% Pinus pinaster 16.22% 4.78% 0.00%
Quercus
rotundifolia 15.96% 5.45% 0.28%
Quercus
rotundifolia 90.77% 83.80% 57.26%
Quercus suber 44.93% 35.46% 0.00% Quercus suber 18.59% 17.69% 0.00%
Eucaliptus globulus 49.44% 66.39% 2.99% Eucaliptus globulus 7.06% 4.86% 1.25%
Eucaliptus
camaldulensis 50.97% 85.44% 85.74%
Eucaliptus
camaldulensis 70.83% 64.87% 31.84%
Lavndula
Stoechas 70.45% 74.95% 5.01%
Lavndula
Stoechas 10.01% 6.85% 4.04%
Cistus ladanifer 38.20% 31.82% 0.13% Cistus ladanifer 8.03% 8.62% 4.46%
Retama
sphaerocapa 55.15% 42.40% 0.25%
Retama
sphaerocapa 14.18% 15.76% 8.21%
Desierto rocoso 38.85% 37.65% 0.15% Desierto rocoso 32.28% 17.40% 0.25%
Canchales,
pedregales 63.48% 77.17% 8.62%
Canchales,
pedregales 9.62% 8.15% 0.63%
Mancha densa 60.80% 68.84% 0.00% Mancha densa 25.56% 15.06% 0.00%
Mancha degradada 58.24% 66.29% 0.00% Mancha degradada 14.80% 5.21% 0.00%
Pastizal estacional
denso 50.53% 61.08% 71.06%
Pastizal estacional
denso 25.33% 18.19% 10.75%
Galera arbrea
mixta 27.22% 75.09% 54.78%
Galera arbrea
mixta 43.57% 51.42% 46.77%
Matorral mixto
siliccola 41.65% 35.48% 11.23%
Matorral mixto
siliccola 24.73% 16.28% 3.41%
Agua 80.54% 79.67% 78.62% Agua 86.12% 87.35% 46.19%
Ex. Productor Ex. Usuario
Tabla 38: Exactitudes de usuario y productor de los tres mtodos de clasificacin.
Y finalmente los estadsticos de carcter global son:
Exactitud total Kappa
MARS 32.19% 0.2448
Max Verosimilitud 20.76% 0.1605
Paraleleppedo 20.06% 0.1293
Tabla 39: Exactitud total y estadstico Kappa de los tres mtodos de clasificacin.

E. Quirs Rosado 149
MEN SALIR
150
MEN SALIR
Captulo 6: Discusin
Captulo 6 Discusin
Corresponde en este captulo establecer reflexiones sobre los resultados del trabajo, antes de emi-
tir las conclusiones finales. Para ello organizaremos la discusin en los siguientes trminos:
Acerca de las reas de Entrenamiento.
Como se ha explicado, las reas de entrenamiento no han sido definidas para separar clases es-
pectrales sino que fueron tomadas directamente del Mapa Forestal. La leyenda del MFE es botni-
ca y no refleja necesariamente clases separables por sus caractersticas radiomtricas. Este pro-
blema no se ha considerado relevante ya que el objetivo de este trabajo es la comparacin de m-
todos de clasificacin por lo que es recomendable incluir categoras de todo tipo para probar los
algoritmos bajo circunstancias tanto fciles como difciles. Si el objetivo fuera construir un mapa
de vegetacin, es seguro que el listado de categoras hubiera sido algo distinto y hubiera estado
precedido de un anlisis sobre la leyenda reconocible con mayor seguridad.
La forma de realizar ese anlisis previo de categoras separables deber ser definido cuidadosa-
mente debido a lo que comentamos a continuacin. Si nos centramos en los resultados obtenidos
en los distintos tipos de estudios de separabilidad (Tabla 11, Tabla 16 y Tabla 20), podemos obser-
var cmo, a pesar de que el orden es algo diferente, s que se puede decir que los mtodos de DT,
RLB y MARS, califican como muy separables las categoras agua (cod. 999), galera arbrea mixta (cod.
507) y canchales, pedregales (cod.337). Sin embargo, no existe un acuerdo unnime en las categoras
que estos mtodos valoran como poco separables. nicamente coinciden en la clase 303 (Cistus
ladanifer).
En cambio, en nada corresponden dichos resultados de separabilidad con los estudios de exacti-
tud mediante el estadstico AUC realizados a las categoras ya clasificadas (Tabla 34).
Segn ese estadstico, las tres clases con mayor puntuacin AUC corresponden con la mancha den-
sa, mancha degradada y Pinus pinaster (clases 453, 454 y 26 respectivamente). Tampoco se encuentra
al Cistus ladanifer en los puestos ms bajos de la clasificacin, por lo que se puede afirmar que no
existe relacin entre los estudios de separabilidad previos realizados por parejas de clases y los
resultados finales de clasificacin. Incluso resulta muy llamativo el hecho de que uno de los estu-
dios de separabilidad se haya realizado con el mismo mtodo con el que posteriormente se ha lle-
vado a cabo la clasificacin, como es el caso de MARS. Sin embargo, no existe correspondencia
entre las clases de mayor AUC en los grids de probabilidad final y el estudio de separabilidad ini-
cial.
Tambin se ha mencionado a lo largo de esta tesis, que se intentara buscar si exista alguna rela-
cin entre el tamao de la muestra de entrenamiento y el resultado de la clasificacin MARS. En la
Tabla 34 queda evidenciado que el clasificador MARS no es tan robusto cuando la muestra de en-
trenamiento es pequea (vase el caso de las clases Pinus pinaster y canchales pedregales, las que me-
nor superficie ocupan). Este resultado debe confirmarse ya que dos clases siguen siendo muy po-
cas para llegar a conclusiones generales. A este respecto, Felicsimo y Muoz (com. pers.) llegan a
la conclusin de que el efecto de reducir la muestra no es perder exactitud sino reducir la fiabilidad
del AUC, que puede dar valores muy variables con pequeos cambios en la composicin muestral.
A juzgar por lo que se coment en el apartado 1.3.3.1.4 Muestras de entrenamiento, esto no signi-
fica que el mtodo de clasificacin sea mejor o peor. Foody & Mathur (2006) demostraron que: las
muestras de entrenamiento han de ser diseadas basndose en el modo en el que el algoritmo de
clasificacin opere y haciendo nfasis en separar las clases ms que en describirlas.

E. Quirs Rosado 151
MEN SALIR
Acerca del mtodo MARS.
Se ha argumentado en otros captulos que una de las ventajas que ofrece el clasificador MARS es
la transparencia del proceso.
Hemos comprobado que el usuario del clasificador puede ver en todo momento cules son las
funciones bsicas que construyen las reglas de clasificacin y consecuentemente, cules son las
bandas de la imagen que intervienen en el clculo y el peso que se les concede en la discrimina-
cin de una u otra clase.
Asimismo, esta transparencia nos ha hecho elaborar un nuevo mtodo de bsqueda entre las pro-
babilidades de pertenencias a las clases, con el fin de obtener el valor de entre dichas probabilida-
des, que marca la frontera entre el s pertenece a la clase y el no pertenece a la clase. Este mtodo le
aporta una mayor adaptabilidad del clasificador al tipo de datos con el que se trabaja.
En una clasificacin elaborada con un mtodo convencional, a priori se definen los umbrales de
clasificacin que posteriormente se pueden cambiar, siempre y cuando el resultado de la clasifica-
cin no satisfaga al operador, no teniendo opcin a adentrarse en el proceso y examinar a fondo
los datos. Esta circunstancia contrasta con la interoperabilidad del mtodo MARS.
Segn se muestra en la Tabla 25, el punto de corte es variable de una combinacin de clases a
otra, con lo que resulta difcil definir, a priori y a nivel general, un umbral de clasificacin tal y co-
mo se realiza de forma sistemtica en mtodos como el de RLB (Figura 55).
Acerca de los mtodos convencionales de clasificacin.
Lo primero que cabe aclarar es el por qu de la eleccin, de los mtodos de mxima verosimilitud
como mtodo paramtrico y el del paraleleppedo como no paramtrico para realizar la validacin
del mtodo propuesto.
En el primer caso se eligi el de Mxima Verosimilitud porque de los mtodos de clasificacin su-
pervisada es el ms utilizado (Richards & Jia 2006). Adems son muchos los trabajos actuales, co-
mo Ouma & Tateishi (2008), Samaniego et al. (2008) o Choi et al. (2008), en los que el mtodo de
mxima verosimilitud resulta ser el mtodo de validacin de otros nuevos algoritmos de clasifica-
cin, ya sean estos paramtricos o no.
Por otro lado, varios autores como Hamada et al. (2007)o Mahtab et al. (2008), han demostrado que
el mtodo del paraleleppedo tiene aptitudes para realizar buenas clasificaciones, a pesar de ser un
mtodo simple. Incluso en trabajos actuales tambin se utiliza como tcnica para validar nuevas
tcnicas de clasificacin, por ejemplo Zhong et al. (2007).
En la eleccin de este segundo mtodo tuvo mucho peso su simplicidad, tanto en operatividad
como en los resultados que retorna. Decimos esto, porque como ya se ha visto en el apartado
4.3.2 Obtencin de grids de probabilidades por clase, ha sido complejo obtener los grids de pro-
babilidades por clase con el mtodo de mxima verosimilitud.
A este respecto se puede decir que las operaciones que hubo que realizar para obtener los grids de
probabilidad de mxima verosimilitud, sirvieron tanto para obtener unos datos de probabilidad
real, obviando las funciones de discriminacin, como para validar que el mtodo de clasificacin
pairwise obtiene unos resultados consistentes. Esto ha quedado demostrado en la Figura 74 en la
que se aprecia que las diferencias entre la clasificacin pairwise y la original de ENVI, son prcti-
camente nulas.
La principal desventaja del mtodo del paraleleppedo es que los datos en los que se basa para la
asignacin de los pxeles a las clases son el nmero de bandas que cumplen la condicin inicial. En
152
MEN SALIR
Captulo 6: Discusin
una imagen multiespectral ese nmero es reducido, con lo cual el rango de probabilidades si hici-
ramos la conversin tambin lo sera. De este modo, es muy probable que existan empates entre
probabilidades.
Ante un empate, el clasificador del paraleleppedo asigna el pxel a la primera clase que se estable-
ci en el momento de la definicin de las reas de inters. Este criterio no parece muy slido dn-
dose con tanta frecuencia el caso de empate. En nuestro caso se puede observar esta evidencia
viendo cmo en el mapa de clasificacin final (Tabla 31: Superficie de ocupacin por clases en la
imagen segn paraleleppedo) existen 4 clases no clasificadas.
Acerca de la comparacin de los mtodos de clasificacin.
En la comparacin de los mtodos de clasificacin segn el estadstico AUC, podemos observar
que los tres, MARS, mxima verosimilitud y paraleleppedos, coinciden en que en las clases 45
(Quercus suber) y la 309 (Retama sphaerocapa) obtienen los peores resultados, lo que quiere decir que
muy probablemente las muestras de entrenamiento no sean muy apropiadas para la clasificacin.
Esto se debe muy probablemente a que se trata de formaciones de caractersticas espectrales muy
variables debido al diferente y tambien muy variable grado de cobertura arbrea y arbustiva y frac-
cin de suelo desnudo.
En la Tabla 34 se puede advertir cmo en 14 de las 17 clases con las que se ha realizado la clasifi-
cacin, el mtodo MARS obtiene mejores resultados, lo que nos lleva a confirmar la conveniencia
de incluir este mtodo en el campo de la clasificacin de imgenes multiespectrales.
Por otro lado, si atendemos a los resultados obtenidos en el apartado 5.6 Comparacin de mto-
dos mediante la matriz de confusin, podemos deducir que segn la exactitud total, el clasificador
MARS obtiene mejores resultados (12,12% mejor) que los clasificadores convencionales. El estads-
tico Kappa tambin ofrece un valor ms elevado para la clasificacin con MARS (0.245 frente a
0.129).
Valorando las exactitudes del usuario y del productor advertimos que el mtodo MARS no es mejor
que el mtodo de Mxima Verosimilitud en cuanto a exactitud del productor o lo que es lo mismo,
produce ms errores de omisin que el mtodo de Mxima Verosimilitud. Sin embargo, en el caso
de la exactitud del usuario, el mtodo MARS es bastante ms exacto que el mtodo de Mxima
Verosimilitud puesto que comete menos errores de comisin (no incluye dentro de una clase pxe-
les que son de otra clase).
Generalmente, en trabajos de clasificacin, el control del error se realiza slo con la matriz de con-
fusin. Pero existen trabajos como Huang & Ling (2005) o Ling et al.(2003) en los que se sugiere que
el estadstico AUC debera sustituir a la exactitud a la hora de medir y comparar clasificadores.
Tambin se ha mencionado en captulos anteriores que Muoz & Felicsimo (2004), a la hora de
comparar distintos tipos de clasificadores, recomiendan utilizar la curva ROC, puesto que no se
limita a resumir los resultados en un umbral de decisin aislado, sino que realiza el estudio a travs
de todos los posibles umbrales de decisin.
Sin embargo, son pocos los autores que en el mbito de la teledeteccin utilizan la curva ROC para
evaluar sus trabajos, slo unos pocos trabajos como Marchant et al. (2001) y Te-Ming et al.(1997) lo
emplean.
Cabe sealar que en oposicin a los autores anteriormente mencionados, Liu et al. (2007) en su
revisin de los distintos mtodos de control de exactitud de error en clasificaciones temticas, no
incluye al AUC como un posible mtodo de control de error.
Por todas estas razones, en este trabajo se ha realizado el control del error de las clasificaciones

E. Quirs Rosado 153
MEN SALIR
154
por los dos mtodos mencionados, obteniendo que, en los dos casos, el clasificador MARS ha ob-
tenido mejores resultados globales.
Sobre la implementacin del mtodo
La inclusin del mtodo MARS tal como se ha presentado aqu en las aplicaciones actuales de cla-
sificacin de imgenes no presenta, en nuestra opinin, problemas especiales. La necesidad de
clculo intensivo es aplicable tambin al mtodo de mxima verosimilitud y una buena parte de las
etapas (las comparaciones por pares) pueden ser transparentes al usuario. La seleccin del punto
ptimo de corte es un proceso iterativo simple que en nuestro caso se ha hecho a mano pero que
puede ser automatizado sin dificultad. Finalmente, la informacin generada por la clasificacin es
muy grande y potencialmente muy til para comprender las relaciones entre las clases que se sepa-
ran y sus caractersticas espectrales.
MEN SALIR
Captulo 7: Conclusiones
Captulo 7 Conclusiones
Tras el anlisis y discusin de los resultados obtenidos y con el fin de dar respuesta a los objetivos
marcados al inicio de este trabajo, emitimos las siguientes conclusiones:
a) MARS es un clasificador que mejora los resultados de los mtodos
analizados, especialmentecuando se dispone de muestras amplias.
b) Existe correspondencia entre los resultados de los tres estudios de separabilidad
realizados.
c) Los estudios de separabilidad previos a las clasificaciones no se han
mostrado fiables por lo que la informacin aportada no debe ser utilizada
como criterio nico a la hora de definir clases.
d) El mtodo de clasificacin pairwise mediante el clasificador MARS
funciona de manera correcta con datos ASTER y utiliza eficazmente la
informacin multiespectral disponible al hacer mltiples clasificaciones
binarias.
e) La determinacin del punto ptimo de corte para delimitar los espacios
de pertenencia y no pertenencia permite un ajuste adaptativo de la
clasificacin por lo que supone aade un valor aadido al clasificador
MARS.
f) Basndonos en el AUC, MARS obtiene mejores resultados en un 82% de las clases
en la comparacin con los clasificadores de Mxima Verosimilitud y Paraleleppe-
dos.
g) MARS obtuvo mejores resultados que el resto de clasificadores convencionales
tambin con los mtodos clsicos de control del error, salvo en el caso de la exac-
titud del productor.
Por tanto podemos afirmar, como conclusin final, que el mtodo de clasificacin mediante Multi-
ple Adaptive Regression Splines (MARS), es idneo para ser aplicado con solidez a datos espaciales en
el mbito de la Teledeteccin. El carcter no paramtrico de MARS, su transparencia en cuanto a
las variables que intervienen en los procesos y su adaptabilidad a los datos, le confieren a este cla-
sificador un gran potencial de aplicacin en el rea de las clasificaciones multiespectrales.

E. Quirs Rosado 155
MEN SALIR
156
MEN SALIR
Captulo 8: Lneas de trabajo Futuras
Captulo 8 Lneas de trabajo futuras
Segn se realizaba este trabajo surgieron algunas nuevas lneas potenciales de investigacin
complementarias al uso de MARS como clasificador.
- Uso de MARS con datos hiperespectrales con el objetivo de analizar cmo son manejadas
las correlaciones entre las bandas y como se reducen dentro del conjunto de funciones
bsicas.
- Uso de MARS sobre bandas procedentes del ACP (Anlisis de Componentes Principales) y
ACI (Anlisis de Componentes Independientes) y comparacin de los resultados con los
obtenidos a partir de la bandas originales no reducidas.
- Creacin de una librera de firmas de clasificacin para las principales categoras de
vegetacin en Espaa para su uso en el anlisis histrico de los usos y cubierta del suelo.
- Creacin de un protocolo para la actualizacin semiautomtica del Mapa Forestal Nacional
mediante la aplicacin de las firmas de clasificacin actuales a imgenes futuras.

E. Quirs Rosado 157
MEN SALIR
158
MEN SALIR
Captulo 9: Acrnimos y siglas
Captulo 9 Acrnimos y siglas
ADC Anlisis discriminante cuadrtico.
ADL Anlisis discriminante lineal.
ADR Anlisis discriminante regularizado.
AML Ficheros para programar secuencias de comandos de ArcInfo.
ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer.
AUC Area Under the ROC Curve: rea bajo la curva ROC.
BUFFER Operacin de equidistancia de un determinado polgono.
DT Divergencia transformada.
GRID Formato nativo que ESRI utiliza para el almacenamiento de datos ras-
ter.
JM Jeffries Mattusita.
MARS Multi Adaptive Regression Splines.
MDE Modelo digital de elevaciones.
MFE Mapa forestal de Extremadura.
Max Ver Mxima Verosimilirud.
ND Nivel digital: valores contenidos en cada pxel de una imagen digital.
RLB Regresin logstica binaria.
ROC Receiver Operating Characteristic.
ROI Region of interest: Trmino ingls que se refiere a las reas de
entrenamiento.

E. Quirs Rosado 159
MEN SALIR
160
MEN SALIR
Captulo 10: Bibliografa
Captulo 10 Bibliografa
[1] (2006). Reglamento por el que se establece un rgimen comunitario de control de las exportaciones de
productos y tecnologa de doble uso. Reglamento (CE) n 394/2006.
[2] Abraira, V. & A. Prez de Vargas (1996). Mtodos multivariantes en bioestadstica, Ramn
Areces.
[3] Abrams, M. & S. Hook (2001). ASTER user handbook. Pasadena, JPL-NASA.
[4] Aldrich, R. C. (1979). Remote sensing of wildland resources: A state of the art review. Fort Collins,
Rocky mountain forest and range experiment station forest service U.S. department of
agriculture: 60.
[5] Ariza, F. J. (2002). Calidad en la produccin cartogrfica. Madrid.
[6] Atkinson, P. M., E. Pardo-Igzquiza & M. Chica-Olmo (2008). "Downscaling cokriging for
super-resolution mapping of continua in remotely sensed images." IEEE transactions on geoscience
and remote sensing 46(2): 573-580.
[7] Barry, R. G. (2006). "The status of research on glaciers and global glacier recession: A review." Pro-
gress in physical geography Vol. 30(3): 285-306.
[8] Belward, S. & S. Valenzuela (1991). Remote sensing and geographical information systems for
resource management in developing countries, Kluwer academic publishers.
[9] Benediktsson, J. A., P. H. Swain & O. K. Ersoy (1989). Neural network approaches versus sta-
tistical methods in classification of multisource remote sensing data. 12th Canadian symposium on
remote sensing. International geoscience and remote sensing symposium, 1989.
IGARSS'89.
[10] Bischof, H., W. Schneider & A. J. Pinz (1992). "Multispectral classification of Landsat images
using neural networks." IEEE transactions on geoscience and remote sensing 30(3): 482-490.
[11] Bonilla, M., I. Olmeda & R. Puertas (2003). "Modelos paramtricos y no paramtricos en pro-
blemas de credit scoring." Revista Espaola de financiacin y contabilidad Vol. XXXII, n 118:
833-869.
[12] Bosque, J., F. J. Escobar, E. Garca & M. J. Salado (1994). Sistemas de informacin geogrfi-
ca: Prcticas con PC ArcInfo e Idrisi. Madrid, RA-MA.
[13] Boucher, A., K. C. Seto & A. G. Journel (2006). "A novel method for mapping land cover c
ges: Incorporating time and space with geostatistics." IEEE transactions on geoscience and remo
han-
te
sensing 44(11): 3427-3435.
[14] Briedman, L. (2001). Random forests. California, Department of statistics, University of

E. Quirs Rosado 161
MEN SALIR
California at Berkeley: 5-32.
[15] Briedman, L., J. H. Friedman, C. J. Stone & R. A. Olshen (1993). Classification and regres-
sion trees. New York, Chapman & Hall.
[16] Brunn, S. D., S. L. Cutter & J. W. Harrington (2004). Geography and technology, Kluwer
Academic Publishers.
[17] Carneggie, D. M. & D. T. Lauer (1966). "Uses of multiband remote sensing in forest and range
inventory." Photogrammetria Vol. 21: 115-141.
[18] Carpenter, G. A. & S. Grossberg (1988). "The ART of adaptive pattern recognition by a self-
organizing neural network." Computer Vol. 21: 77-88.
[19] Carpenter, G. A., S. Grossberg, N. Markuzon, J. H. Reynolds & D. B. Rosen (1992). "
zy ARTMAP: A neural network architecture for incremental supervised learning of analog multi
nal maps." IEEE transactions on neural networks
Fuz-
dimensio-
Vol. 3(N 5): 698-713.
[20] Carpenter, G. A., S. Grossberg & J. H. Reynolds (1991). "ARTMAP: Supervised real-time
learning and classification of nonstationary data by a self-organizing neural network." Neural networks
Vol. 4: 565-588.
[21] Congalton, R. G. & K. Green (1999). Assessing the accuracy of remotely sensed data: Principles
and practices. Florida, Lewis Publishers.
[22] Cortijo Bon, F. J. (1995). Estudio comparativo de mtodos de clasificacin de imgenes multiban-
da. Departamento de ciencias de la computacin e inteligencia artificial. Granada, ETS de
ingeniera informtica: 320.
[23] Cortijo, F. J. & N. Prez de la Blanca (1999). "The performance of regularized discriminant
analysis versus non-parametric classifiers applied to high-dimensional image classification." Internatio-
nal journal of remote sensing Vol. 20, No 17: 3345-3365.
[24] Cuartero, A. & A. M. Felicsimo (2003). "Rectificacin y ortorectificacin de imgenes de satli-
te: Anlisis comparativo y discusiones." Geofocus Vol. 3: 45-58.
[25] Cuartero, A., E. Quirs & A. M. Felicsimo (2005). A study of ASTER DEM accuracies and
its dependence of software processing. Sixth International Conference on Geomorphology, Z
goza.
ara-
axi- [26] Choi, H., A. C. Bovik & K. R. Castleman (2008). "Feature normalization via expectation m
mization and unsupervised nonparametric classification for M-FISH chromosome images." IEEE tran-
sactions on medical imaging 27(8): 1107-1119.
[27] Chuvieco, E. (1995). Fundamentos de teledeteccin espacial. Madrid, Ediciones Rialp.
162
MEN SALIR
[28] Davis, C. H. & X. Wang (2002). Urban land-cover classification from high resolution multi-
spectral IKONOS imagery. IEEE international geoscience and remote sensing symposium,
2002. IGARSS '02.
[29] DeFries, R. S. & J. Cheung-Wai Chan (2000). "Multiple criteria for evaluating machine learning
algorithms for land cover classification from satellite data." Remote sensing of environment Vol. 74:
503-515.
[30] Desvesa, J. A. (1995). Vegetacin y Flora de Extremadura. Badajoz, Universitas.
[31] Duda, R., P. Hart & D. Stork (2000). Pattern classification.
[32] Dwinnell, W. (2000). "Exploring MARS: An alternative to Neural Networks." 2008, from
http://www.salfordsystems.com/publications.php.
[33] Dye, R. & L. Wood (1989). "Resolution improvement by multi-temporal data merging." ISPRS
journal of photogrammetry and remote sensing 44(1): 14-20.
[34] Dymond, J. R. & J. D. Shepherd (1999). "Correction of the topographic effect in remote sensing."
IEEE transactions on geoscience and remote sensing 37(5): 2618-2619.
[35] Erkanli, A., M. Sung, E. J. Costello & A. Angold (2006). "Bayesian semiparametric ROC a
lysis." Statitics in medicine
na-
Vol. 25: 3905-3928.
[36] Evangelista, P. E., M. J. Embrechts, P. Bonissone & B. K. Szymanski (2005). Fuzzy ROC
curves for unsupervised nonparametric ensemble techniques. IEEE international joint conference on
neural networks, 2005. IJCNN '05.
[37] Fawcett, T. (2003). ROC graphs: Notes and practical considerations for researchers. Palo Alto,
HP laboratories: 38.
[38] Felicsimo, A. M., A. Gmez & J. Muoz (2004). Potential distribution of forest species
in dehesas of Extremadura. Sustainability of agrosilvopastoral systems: Dehesas, montados. S.
Schnabel and A. Ferreira, IUSS: 231-246.
[39] Fitzgerald, R. W. & B. G. Lees (1994). "Assessing the classification accuracy of multisource r
mote sensing data." Remote sensing of environment
e-
Vol. 47: 362-368.
[40] Foody, G. & A. Mathur (2006). "The use of small training sets containing mixed pixels for a
rate hard image classification: Training on mixed spectral responses for classification by a SVM." Rem
ccu-
o-
te sensing of environment Vol. 103: 179-189.
[41] Foody, G., A. Mathur, C. Snchez-Hernndez & D. Boyd (2006). "Training set size r
rements for de classification of a specific class." Remote sensing of environment
equi-
Vol.104: 1-14.
[42] Foody, G. M. (2001). The effect of a non-exhaustively defined set of classes on neural network

E. Quirs Rosado 163
MEN SALIR
classifications. IEEE international geoscience and remote sensing symposium, 2001. IGARSS
'01.
[43] Francis, L., FCAS & MAAA. "Martian chronicles: Is MARS better than neural networks?" 2008,
from http://www.salfordsystems.com/publications.php.
[44] Freund, Y. & R. Schapire (1996). Experiments with a new boosting algorithm. Machine l
ning: Thirteenth international conference.
ear-
[45] Friedl, M. A. & C. E. Brodley (1997). "Decision tree classification of land cover from remotely
sensed data." Remote sensing of environment Vol.61: 399-409.
[46] Friedman, J. H. (1989). "Regularized discriminant analysis." Journal of the American statis-
tical association Vol. 84(N 405): 165-175.
[47] Friedman, J. H. (1990). Multivariate adaptive regression splines, Salford systems: 158.
[48] Friedman, J. H. (1994). Flexible metric nearest neighbor classification, Salford systems: 32.
[49] Galn, P., R. Gamarra & J. I. Garca (2000). rboles y arbustos de la pennsula ibrica e islas
Baleares. Madrid, Ediciones Jaguar.
[50] Garca, S. (2005). Apuntes estadstica II. Ingeniera industrial universidad Carlos III. M
drid: 61.
a-
[51] Gibson, P. J. (2000). Introductory remote sensing: Principles and concepts. London, Routledge.
[52] Gillespie, T. W., J. Chu, E. Frankenberg & D. Thomas (2007). "Assessment and prediction of
natural hazards form satellite imagery." Progress in physical geography Vol. 31(5): 459-470.
[53] Girard, M.-C. (2003). Processing of remote sensing data, Taylor & Francis.
[54] Gislason, P. O., J. A. Benediktsson & J. R. Sveinsson (2006). "Random forests for land cover
classification." Pattern recognition letters. Science direct Vol. 27: 294-300.
[55] Gmez-Chova, L., J. Calpe, E. Soria, G. Camps-Valls, J. D. Martin & J. Moreno (2003).
"CART-based feature selection of hyperspectral images for crop cover classification." 2003 International
conference on image processing, 2003. ICIP 2003. III vol.2: 589-92.
[56] Gorte, B. (1999). Supervised image classification. Spatial statistic for remote sensing, K
wer academic publishers: 153-163.
lu-
[57] Gu, D., A. R. Gillespie, J. B. Adams & R. A.-W. Weeks, R. (1999). "A statistical approach for
topographic correction of satellite images by using spatial context information." IEEE transactions on
geoscience and remote sensing 37(1): 236-246.
164
MEN SALIR
[58] Guisande, C., A. Barreiro, I. Maneiro, I. Riveiro, A. Vergara & A. Vaamonde (2007). Tra-
tamiento de datos. Vigo, Daz de santos.
[59] Hajian-Tilaki, K., J. Hanley, L. Joseph & J. P. Collet (1997). "A comparison of parametric and
nonparametric approaches to ROC analysis of quantitative diagnostic tests." Medical decision making
Vol. 17(n 1): 94-102.
[60] Hamada, Y., D. A. Stow, L. L. Coulter, J. C. Jafolla & L. W. Hendricks (2007). "Detecting
Tamarisk species (Tamarix spp.) in riparian habitats of southern California using high spatial resolution
hyperspectral imagery." Remote sensing of environment Vol 109: 237-248.
[61] Hastie, T., R. Tibshirani & J. H. Friedman (2001). The elements of statistical learning: Data
mining, inference and prediction, Springer.
[62] Hayes, D. J. & W. B. Cohen (2007). "Spatial, spectral and temporal patterns of tropical forest
cover change as observed with multiple scales of optical satellite data." Remote sensing of environ-
ment 106(1): 1-16.
[63] Hebb, D. O. (1949). The organization of behaviour. New York, Jhon Wiley & sons.
[64] Heikkinen, R. K., M. Luoto, M. Kuussaari & T. Toivonen (2007). "Modelling the spatial d
tribution of a threatened butterfly: Impacts of scale and statistical technique." Landscape and urban
is-
planning 79(3-4): 347-357.
[65] Henery, R. J. (1994). Classification. Machine learning, neural and statistical classification. D. J.
D. Michie and C. C. Spiegelhalter. Cap-3: 17-28.
[66] Hernndez, F. M. & J. J. Lorenzo (2002). Reconocimiento de formas: Clasificacin y aprendiza-
je. Las Palmas de Gran Canaria, Departamento de informtica.
[67] Hook, S., E. Abbot, C. Grove, A. B. Kahle & F. Palluconi (1999). Use of multispectral
thermal infrared data in geological studies. Manual of remote sensing: Remote sensing for the earth
sciencies. A. N. Rencz, Wiley & sons - ASPRS. Vol. 3: 59-110.
[68] Hsieh, P.-F., L. C. Lee & N.-Y. Chen (2001). "Effect of spatial resolution on classification errors
of pure and mixed pixels in remote sensing." IEEE transactions on geoscience and remote sen-
sing 39(12): 2657-2663.
[69] Huang, J. & C. X. Ling (2005). "Using AUC and accuracy in evaluating learning algorithms."
IEEE transactions on knowledge and data engineering Vol. 17(3): 299-310.
[70] Huseby, R. B. & R. Solberg (1998). A model-based approach for geometric correction of optical
satellite images. Oslo, Norwegian Computing Center: 24.
[71] Jensen, J. R. (2005). Introductory digital image processing. A remote sensing perspective.

E. Quirs Rosado 165
MEN SALIR
[72] Jianwen, M. & H. Bagan (2005). "Land-use classification using ASTER data and self-organized
neutral networks." International journal of applied earth observation and geoinformation 7(3):
183-188.
[73] Junta de Extremadura, Ed. (2003). Plan forestal de Extremadura. Mrida, Junta de E
madura.
xtre-
las- [74] Kamata, S., R. O. Eason, A. Perez & E. A.-K. Kawaguchi, E. (1992). A neural network c
sifier for LANDSAT image data. Pattern recognition, 1992. Vol.II. 11th IAPR international con
ference on pattern recognition methodology and systems.
-
[75] Karayianni, T., O. J. Tretiak & N. Herrmann (1996). ROC analysis: Comparison between the
binormal and the Neyman-Pearson model. Thirtieth asilomar conference on signals, systems and
computers, 1996.
[76] Kato, M., M. Syoji & M. Oyanagi (2001). Aster status and data application use. 22nd Asian
conference con remote sensing, Singapore.
[77] Keiner, L. E. (1999). Neural networks as on-linear function approximators for remote
sensing applications. Information processing for remote sensing. C. Chen, World scientific: 600.
[78] Khromova, T. E., G. B. Osipova, D. G. Tsvetkov, M. B. Dyurgerov & R. G. Barry (2006).
"Changes in glacier extent in the eastern Pamir, central Asia, determined from historical data and
ASTER imagery." Remote sensing of environment 102(1-2): 24-32.
[79] Kim, K.-O., Y.-K. Yang, J.-H. Lee, K.-H. C. A.-K.-H. Choi & T.-K. K. A.-T.-K. Kim (1995).
Classification of multispectral image using neural network. International geoscience and remote
sensing symposium, 1995. IGARSS '95. 'Quantitative remote sensing for science and a
cations'.
ppli-
[80] Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE.
[81] Kremer, B. (1990). rboles. Barcelona, Blume.
[82] Lasaporana, R. & A. Lanorte (2007). On the spectral separability of Prometheus fuel types in
the Mediterranean ecosystems of the Italian peninsula. 6th International workshop of the EARSeL
special interest group on forest fires, Greece.
[83] Lawrence, R., A. Bunn, S. Powell & M. Zambon (2004). "Classification of remotely sensed
imagery using stochastic gradient boosting as a refinement of classification tree analysis." Remote sen-
sing of environment Vol. 90: 331-336.
[84] Leathwick, J. R., J. Elith & T. Hastie (2006). "Comparative performance of generalized additive
models and multivariate adaptive regression splines for statistical modelling of species distributions." Eco-
logical modelling. Results from a second workshop on advances in predictive species dis-
tribution models, held in Riederalp, Switzerland, 2004 199(2): 188-196.
166
MEN SALIR
[85] Level-1 data working group (1996). Algorithm theoretical basis document for ASTER level-1
data processing (Ver. 3.0). Japan, Earth remote sensing data analysis center: 128.
[86] Ling, C. X., J. Huang & H. Zhang (2003). AUC: A statistically consistent and more discriminant
measure than accuracy. IJCAI 2003.
[87] Liu, C. R., P. Frazier & L. Kumar (2007). "Comparative assessment of the measures of thematic
classification accuracy." Remote sensing of environment 107(4): 606-616.
[88] Liu, Y., T. Hiyama & Y. Yamaguchi (2006). "Scaling of land surface temperature using satellite
data: A case examination on ASTER and MODIS products over a heterogeneous terrain area." Remote
sensing of environment 105(2): 115-128.
[89] Lpez, A. & J. M. Snchez de Lorenzo (1999). rboles en Espaa. Manual de identificacin.
Madrid, Ediciones mundiprensa.
[90] Lu, D. & Q. Weng (2007). "A survey of image classification methods and techniques for improving
classification performance." International journal of remote sensing Vol. 28, N5: 823-870.
[91] Lunetta, R. S., J. F. Knight, J. Ediriwickrema, J. G. Lyon & L. D. Worthy (2006). "Land-
cover change detection using multi-temporal MODIS NDVI data." Remote sensing of environment
105(2): 142-154.
[92] Ma, S., X. Song & J. Huang (2006). "Regularized binormal ROC method in disease classification
using microarray data." BMC bioinformatics Vol. 7(n 253): 16.
[93] Macleod, J. E., A. Luk & D. M. Titterington (1987). "A re-examination of the distance-
weighted k-nearest neighbor classification rule." IEEE transactions on systems, man, and cyberne-
tics Vol. SMC-17(n 4): 689-696.
[94] Mahesh, P. & P. M. Mather (2003). "An assessment of the effectiveness of decision tree methods
for land cover classification." Remote sensing of environment Vol. 86: 554-565.
[95] Mahtab, A., V. N. Sridhar & R. R. Navalgund (2008). "Impact of surface anisotropy on c
cation accuracy of selected vegetation classes: An evaluation using multidate multiangular MISR data
over parts of Madhya Pradesh, India." IEEE transactions on geoscience and remote sensing
lassifi-
Vol.
46(n 1): 250-258.
[96] Marchant, J. A., H. J. Andersen & C. M. Onyango (2001). "Evaluation of an imaging sensor
for detecting vegetation using different waveband combinations." Computers and electronics in agri-
culture 32(2): 101-117.
[97] Martnez-Camblor, P. (2007). "Comparacin de pruebas diagnsticas desde la curva ROC." Re-
vista Colombiana de estadstica Vol. 30(n2): 163-176.

E. Quirs Rosado 167
MEN SALIR
[98] Martnez, G. (2006). Clasificacin mediante conjuntos. Departamento de ingeniera infor-
mtica. Madrid, Universidad autnoma de Madrid, escuela politcnica superior: 178.
[99] Mather, P. M. (2004). Computer processing of remotely-sensed images: An introduction (Third
edition), Willey & sons.
[100] McIver, D. K. & M. A. Friedl (2002). "Using prior probabilities in decision-tree classification of
remotely sensed data." Remote sensing of environment Vol. 81: 253-261.
[101] McLachlan (2005). Discriminant analysis and statistical pattern recognition. Queensland,
Wiley.
[102] Melesse, A. M., Q. Weng, P. S. Thenkabail & G. B. Senay (2007). "Remote sensing sensors
and applications in environmental resources mapping and modelling." Sensors Vol. 7: 3209-3241.
[103] Michie, D., D. J. Spiegelhalter & C. C. Taylor (1994). Machine learning, neural and statisti-
cal classification.
[104] Moisen, G. G. & T. S. Frescino (2002). "Comparing five modelling techniques for predicting
forest characteristics." Ecological modelling 157(2-3): 209-225.
[105] Molanes, E. M. (2007). Nonparametric statistical inference for relative curves in two-sample
problems. Departamento de matemticas. La Corua, Universidade da Corua: 224.
[106] Molina, R., N. Prez de la Blanca & C. C. Taylor (1994). Modern statistical techniques.
Machine learning, neural and statistical classification, Michie, D.J. Cap-4: 29-49.
[107] Molinero, L. M. (2003). Qu es el mtodo de estimacin de mxima verosimilitud y cmo se
interpreta? Asociacin de la sociedad espaola de hipertensin. Octubre 2003: 5.
[108] Movellan, J. R. (2002). "Introduction to probability theory and statistics." from
http://neurobot.bio.auth.gr/archives/000008introduction_to_probability_theory_and_statis
tics.php.
[109] Mueller, S. T. & J. Zhang (2006). A non-parametric ROC-based measure of sensitivity. Third
workshop on ROC analysis in machine learning, Pittsburgh, USA.
[110] Muoz, J. & A. M. Felicsimo (2004). "Comparison of statistical methods commonly used in
predictive modelling." Journal of vegetation science Vol. 15(2): 285-292.
[111] Muukkonen, P. & J. Heiskanen (2005). "Estimating biomass for boreal forests using ASTER
satellite data combined with standwise forest inventory data." Remote sensing of environment 99(4):
434-447.
[112] Navulur, K. (2006). Multispectral image analysis using the object-oriented paradigm, CRC p
ss.
re-
168
MEN SALIR
[113] Nedjah, N. & M. Luiza de Macedo (2005). Fuzzy systems engineering: Theory and practice,
Springer.
[114] Observatorio de la Sostenibilidad, e. E. (2006). Cambios de ocupacin del suelo en Espaa.
Madrid, Ministerio de Medio Ambiente: 350-359.
[115] Ostafe, D. (2005). Neural network hidden layer number determination using pattern recognition
techniques. 2nd Romanian-Hungarian joint symposium on applied computational i
ce, Timisoara, Romania, SACI 2005.
ntelligen-
ul- [116] Ouma, Y. O. & R. Tateishi (2008). "Urban-trees extraction from Quickbird imagery using m
tiscale spectex-filtering and non-parametric classification." ISPRS journal of photogrammetry and
remote sensing 63(3): 333-351.
[117] Paola, J. D. & R. A. Schowengerdt (1995). "A detailed comparison of backpropagation neural
networks." IEEE transactions on geoscience and remote sensing Vol. 33(n 4): 981-996.
[118] Prez, C. & J. C. Eche (2004). Taller de teledeteccin: Tratamiento de imgenes ASTER. Sala-
manca.
[119] Prez , J. L. (1978). "Flora Basfila y Calccola de la comarca de la Serena (Badajoz)." Anales
del instituto botnico de Cavanilles Vol. 35: 183-198.
[120] Pinilla, C. (1995). Elementos de teledeteccin. Madrid, Rama.
[121] Plaza, J., R. Prez, A. Plaza, P. Martnez & D. Valencia (2008). "Parallel m
cal/neural processing of hyperspectral images using heterogeneous and homogeneous platforms."
orphologi-
Cluster
computing Vol. 11(n 1): 17-32.
[122] Prasad, A. M., L. R. Iverson & A. Liaw (2006). "Newer classification and regression tree t
niques: Bagging and random forests for ecological prediction." Ecosystems
ech-
9: 181-199.
[123] Pu, R., P. Gong, R. Michishita & T. Sasagawa (2006). "Assessment of multi-resolution and
multi-sensor data for urban surface temperature retrieval." Remote sensing of environment 104(2):
211-225.
[124] Pulido, F., R. Sanz, D. Abel, F. J. Ezquerra, A. Gil, G. Gonzlez, A. Hernndez, G. Mo-
reno, J. J. Prez & F. Vzquez (2007). Los bosques de Extremadura. Mrida, Junta de Extremadu-
ra.
[125] Quirs, E. & A. Cuartero (2005). "Posibilidades estereoscpicas de los datos espaciales." Geo-
focus Vol.5(Informes y comentarios): 65-76.
[126] Riao, D., E. Chuvieco, J. Salas & I. A.-A. Aguado, I. (2003). "Assessment of different t
graphic corrections in Landsat-TM data for mapping vegetation types." IEEE transactions on geos
opo-
-

E. Quirs Rosado 169
MEN SALIR
cience and remote sensing 41(5): 1056-1061.
[127] Richards, J. A. & X. Jia (2006). Remote sensing digital analysis: An introduction, Springer.
[128] Rivas, S. (1964). Vegetacin y flrula de la cuenca Extremea del Guadiana. Madrid.
[129] Rocchini, D. (2007). "Effects of spatial and spectral resolution in estimating ecosystem [alpha]-
diversity by satellite imagery." Remote sensing of environment 111(4): 423-434.
[130] RSI (2003). ENVI, Research systems Inc.
[131] Ruiz de la Torre, J. (1990). Mapa forestal de Espaa. Escala 1:200.000. Memoria general.
Madrid, Ministerio de agricultura, pesca y alimentacin.
[132] Ruiz, L. A. (1998). Introduccin al tratamiento digital de imgenes en teledeteccin. Valencia,
Servicio de publicaciones de la Universidad politcnica de Valencia.
[133] Samaniego, L., A. Bardossy & K. Schulz (2008). "Supervised classification of remotely sensed
imagery using a modified k-NN technique." IEEE transactions on geoscience and remote sensing
46(7): 2112-2125.
[134] Sarunas, R. (1997). "On dimensionality, sample size, and classification error of nonparametric
linear classification algorithms." IEEE transactions on pattern analysis and machine intelligence
Vol 19: 667-671.
[135] Schapire, R. (1990). "The strength of weak learnability." Machine learning Vol. 5: 197-227.
[136] Schowengerdt, R. A. (2007). Remote sensing: Models and methods for image processing, A
demic press.
ca-
ma- [137] Seiz, G. & R. Davies (2006). "Reconstruction of cloud geometry from multi-view satellite i
ges." Remote sensing of environment 100(2): 143-149.
[138] Shakhnarovich, G., T. Darrell & P. Indyk (2006). Nearest-neighbour methods in learning and
vision. London, MIT press.
[139] Sobrino, J. A., J. C. Jimnez-Muoz, L. Balick, A. R. Gillespie, D. A. Sabol & W. T. G
tafson (2007). "Accuracy of ASTER level-2 thermal-infrared standard products of an agricultural area
in Spain." Remote sensing of environment
us-
106(2): 146-153.
[140] Sobrino, J. A., N. Raissouni, Y. Kerr & A. Olioso (2000). Teledeteccin. Valencia, Univer-
sidad de Valencia.
[141] Soenen, S. A., D. R. Peddle & C. A. Coburn (2005). "SCS+C: A modified sun-canopy-
sensor topographic correction in forested terrain." IEEE Transactions on geoscience and remote
sensing 43(9): 2148-2159.
170
MEN SALIR
[142] Sohn, Y., E. Moran & F. Gurri (1999). "Deforestation in north-central Yucatan (1985-1995):
Mapping secondary succession of forest and agricultural land use in Sotuta using the cosine of the angle
concept." Photogrammetric engineering and remote sensing Vol. 65: 947-958.
[143] Sohn, Y. & N. S. Rebello (2002). "Supervised and unsupervised spectral angle classifiers."
Photogrammetric engineering and remote sensing Vol. 68: 1271-1281.
[144] Solaiman, B. & M. C. Mouchot (1994). A comparative study of conventional and neural net-
work classification of multispectral data. Geoscience and remote sensing symposium, 1994.
IGARSS '94. Surface and atmospheric remote sensing: Technologies, data analysis and i
terpretation.
n-
et- [145] Solberg, A. H. (2004). "Flexible nonlinear contextual classification." Pattern recognition l
ters. Science direct 25: 1501-1508.
[146] StatSoft, I. (2007). "Electronic statistic textbook." 2008.
[147] Stefanov, W. L. & M. Netzband (2005). "Assessment of ASTER land cover and MODIS NDVI
data at multiple scales for ecological characterization of an arid urban center." Remote sensing of en-
vironment 99: 31-43.
[148] Stone, C. J., M. H. Hansen, C. Kooperberg & Y. K. Truong (1997). "Polynomial splines
and their tensor products in extended linear modelling: 1994 Wald memorial lecture." The annals of
statistics Vol. 25(4): 1371-1470.
[149] Swain, P. H. & R. C. King (1973). Two effective feature selection criteria for multispectral remote
sensing. International joint conference on pattern recognition, Washington, DC.
[150] Tamura, S. (1997). Method of determining an optimal number of neurons contained in hidden
layers of a neural network. Patent storm. United States, Nippondenso Co., Ltd.: 14.
[151] Te-Ming, T., C. Chin-Hsing & I. C. Chein (1997). "A posteriori least squares orthogonal s
pace projection approach to desired signature extraction and detection." IEEE transactions on geos
ubs-
-
cience and remote sensing 35(1): 127-139.
[152] Teillet, P. M., G. Fedosejevs, K. J. Thome & J. L. Barker (2007). "Impacts of spectral band
difference effects on radiometric cross-calibration between satellite sensors in the solar-reflective spectral
domain." Remote sensing of environment 110(3): 393-409.
[153] Todeschini, R. (1989). "K-nearest neighbour method: The influence of data transformations and
metrics." Chemometrics and intelligent laboratory systems Vol. 6: 213-220.
[154] Toutin, T. (2003). Geometric correction of remotely sensed data. Remote sensing of fo-
rest environments: Concepts and case studies, Springer: 143-174.

E. Quirs Rosado 171
MEN SALIR
[155] Toutin, T. (2004). "Review article: Geometric processing of remote sensing images: models, a
rithms and methods." International journal of remote sensing
lgo-
Vol. 25(n 10): 1893-1924.
[156] Tralli, D. M., R. G. Blom, V. Zlotnicki, A. Donnellan & D. L. Evans (2005). "Satellite r
mote sensing of earthquake, volcano, flood, landslide and coastal inundation hazards." ISPRS journal of
e-
photogrammetry and remote sensing: Remote sensing and geospatial information for natu-
ral hazards characterization 59(4): 185-198.
[157] Tso, B. & P. M. Mather (2001). Classification method for remotely sensed data. London.
[158] Tso B., a. M. P. M. (2001). Classification Method for remotely sensed data. London.
[159] U.S. congress, o. o. t. a., Ed. (1993). The future of remote sensing from space: Civilian satelli-
te systems and applications. Washington, DC, U.S. Government Printing Office.
[160] Uriel, E. & J. Alds (2005). Anlisis multivariante aplicado. Madrid, Thomson learning ibe-
ro.
[161] Van der Meer, F. (1999). Physical principles of optical remote sensing. Spatial statistics
for remote sensing. F. Van der Meer. The Netherlands, Kluwer Academic Publishers.
[162] Van Niel, T., T. McVicar & B. Datt (2005). "On the relationship between training sample size
and data dimensionality: Monte Carlo analysis of broadband multitemporal classification." Science di-
rect Vol. 98: 468-480.
[163] Vassilas, N., E. Charou & S. Varoufakis (1997). Fast and efficient land-cover classification of
multispectral remote sensing data using artificial neural network techniques. 13th international c
rence on digital signal processing proceedings, 1997.
onfe-
[164] Verbyla, D. L. (2002). Practical GIS analysis, CRC press.
[165] Vincini, M. & E. Frazzi (2003). "Multitemporal evaluation of topographic normalization m
hods on deciduous forest TM data." IEEE transactions on geoscience and remote sensing
et-
41(1
2586-2590.
1):
[166] Waheed, T., R. B. Bonnell, S. O. Prasher & E. Paulet (2006). "Measuring performance in
precision agriculture: CART - A decision tree approach." Agricultural water management 84(1-2):
173-185.
[167] Wang, L., H. C. Quek, K. H. Tee, N. Zhou & C. Wan (2005). Optimal size of a feedforward
neural network: How much does it matter? Proceedings of the joint international conference on
autonomic and autonomous systems and international conference on networking and s
vices (ICAS/ICNS 2005).
er-
[168] Wilson, D. L. (1972). "Asymptotic properties of nearest neighbor rules using edited data." IEEE
transactions on systems, man, and cybernetics Vol. SMC-2(n 3): 408-421.
172
MEN SALIR

E. Quirs Rosado 173
[169] Wong, A. K. S., J. W. T. Lee & D. S. Yeung (2006). Improving text classifier performance based
on AUC. 18th international conference on pattern recognition, 2006. ICPR 2006.
[170] Woodcock, C. E. & A. H. Strahler (1987). "The factor of scale in remote sensing." Remote
sensing of environment 21(3): 311-332.
[171] Xiang, M., C.-C. Hung, M. Pham, B.-C. K. A.-B.-C. Kuo & T. A.-C. Coleman, T. (2005).
A parallelepiped multispectral image classifier using genetic algorithms. 2005 IEEE international
geoscience and remote sensing symposium, 2005. IGARSS '05.
[172] Yam, J. Y. F. & T. W. S. Chow (2000). "A weight initialization method for improving training
speed in feedforward neural network." Neurocomputing 30(1-4): 219-232.
[173] Yam, Y. F., T. W. S. Chow & C. T. Leung (1997). "A new method in determining initial
weights of feedforward neural networks for training enhancement." Neurocomputing 16(1): 23-32.
[174] Yang, C., S. O. Prasher, P. Enright, C. Madramootoo, M. Burgess, P. K. Goel & I. C
llum (2003). "Application of decision tree technology for image classification using remote sensing data
Agricultural systems
a-
."
Vol. 76: 1101-1117.
[175] Yousef, W. A., R. F. Wagner & M. H. Loew (2006). "Assessing classifiers from two i
dent data sets using ROC analysis: A nonparametric approach." IEEE transactions on pattern
ndepen-
ana-
lysis and machine intelligence 28(11): 1809-1817.
[176] Yu, K. & M. Gales (2007). "Bayesian adaptive inference and adaptive training." IEEE transac-
tions on audio, speech, and language processing Vol. 15(n 6): 1932-1943.
[177] Zhan, Q., M. Molenaar & A. Lucieer (2002). Pixel unmixing at the sub-pixel scale b
sed on land cover class probabilities: Application to urban areas. Uncertainty in remote sen-
a-
sing and GIS. Foody G. M. and P. M. Atkinson, Wiley: 59-76.
[178] Zhong, Y., L. Zhang, J. Gong & P. Li (2007). "A supervised artificial immune classifier for r
mote-sensing imagery." IEEE transactions on geoscience and remote sensing
e-
Vol. 45(n 12):
3957-3966.
[179] Zimmermann, N. E. (2001). Sim test.
MEN SALIR
Captulo 11: Apndices
Captulo 11 Apndices
11.1 Aplicacin fposi_fnega_general.sps
VAR0. 1 ( 3)
Measur ement Level : Scal e
Col umn Wi dt h: 8 Al i gnment : Ri ght
Pr i nt For mat : F8. 2
Wr i t e For mat : F8. 2
VAR0. 2 ( 4)
VAR0. 3 ( 5)
VAR0. 4 ( 6)
VAR0. 5 ( 7)
VAR0. 6 ( 8)
VAR0. 7 ( 9)
VAR0. 8 ( 10)

E. Quirs Rosado 174
MEN SALIR

AR0. 9 ( 11)
>= 0. 1 & var 00001 = 0) var 0. 1 = 1 .
ar 0. 1 = 0 .
ar 00001 = 0) var 0. 2 = 1 .
01 = 1) var 0. 2 = 0 .
r 00001 = 0) var 0. 3 = 1 .
<= 0. 3 & var 00001 = 1) var 0. 3 = 0 .
r 0. 4 = 1 .
var 00001 = 1) var 0. 4 = 0 .
0. 5 = 1 .
var 00001 = 1) var 0. 5 = 0 .
= 0) var 0. 6 = 1 .
var 0. 6 = 0 .
( est i mat e >= 0. 7 & var 00001 = 0) var 0. 7 = 1 .
01 = 1) var 0. 7 = 0 .
r 00001 = 0) var 0. 8 = 1 .
<= 0. 8 & var 00001 = 1) var 0. 8 = 0 .
r 0. 9 = 1 .
var 00001 = 1) var 0. 9 = 0 .
2 VAR0. 3 VAR0. 4 VAR0. 5 VAR0. 6 VAR0. 7 VAR0. 8 VAR0. 9
V
I F ( est i mat e
EXECUTE .
I F ( est i mat e <= 0. 1 & var 00001 = 1) v
EXECUTE .
( est i mat e >= 0. 2 & v I F
EXECUTE .
I F ( est i mat e <= 0. 2 & var 000
EXECUTE .
I F ( est i mat e >= 0. 3 & va
ECUTE . EX
I F ( est i mat e
EXECUTE .
r 00001 = 0) va I F ( est i mat e >= 0. 4 & va
EXECUTE .
( est i mat e <= 0. 4 & I F
EXECUTE .
I F ( est i mat e >= 0. 5 & var 00001 = 0) var
EXECUTE .
I F ( est i mat e <= 0. 5 &
ECUTE . EX
I F ( est i mat e >= 0. 6 & var 00001
EXECUTE .
var 00001 = 1) I F ( est i mat e <= 0. 6 &
EXECUTE .
I F
EXECUTE .
I F ( est i mat e <= 0. 7 & var 000
EXECUTE .
I F ( est i mat e >= 0. 8 & va
ECUTE . EX
I F ( est i mat e
EXECUTE .
r 00001 = 0) va I F ( est i mat e >= 0. 9 & va
EXECUTE .
( est i mat e <= 0. 9 & I F
EXECUTE .
FREQUENCI ES
VARI ABLES=VAR0. 1 VAR0.
/ BARCHART FREQ
E. Quirs Rosado 175
MEN SALIR
/ ORDER= ANALYSI S .
ga_2-3.sps
Scal e
ement Level : Scal e
)
For mat : F8. 2
For mat : F8. 2
)
For mat : F8. 2
11.2 Aplicacin fposi_fne
VAR0. 21 ( 3)
Measur ement Level :
or mat : F8. 2 Wr i t e F
VAR0. 22 ( 4)
Measur
or mat : F8. 2 Pr i nt F
R0. 23 ( 5 VA
Wi dt h: 8 Al i gnment : Ri ght Col umn
VAR0. 24 ( 6)
ment Level : Scal e Measur e
Wr i t e
VAR0. 25 ( 7)
Pr i nt
VAR0. 26 ( 8)
Measur
R0. 27 ( 9 VA
VAR0. 28 ( 10)
Wr i t e
VAR0. 29 ( 11)
Al i gnment : Ri ght Col umn Wi dt h: 8
176
MEN SALIR

i t
ar 0. 21 = 1 .
var 00001 = 1) var 0. 21 = 0 .
01 = 0) var 0. 22 = 1 .
var 0. 22 = 0 .
>= 0. 23 & var 00001 = 0) var 0. 23 = 1 .
var 0. 23 = 0 .
ar 00001 = 0) var 0. 24 = 1 .
0001 = 1) var 0. 24 = 0 .
ar 00001 = 0) var 0. 25 = 1 .
<= 0. 25 & var 00001 = 1) var 0. 25 = 0 .
r 0. 26 = 1 .
var 00001 = 1) var 0. 26 = 0 .
ECUTE .
01 = 0) var 0. 27 = 1 .
var 0. 27 = 0 .
>= 0. 28 & var 00001 = 0) var 0. 28 = 1 .
var 0. 28 = 0 .
ar 00001 = 0) var 0. 29 = 1 .
0001 = 1) var 0. 29 = 0 .
AR0. 21 VAR0. 22 VAR0. 23 VAR0. 24 VAR0. 25 VAR0. 26 VAR0. 27 VAR0. 28
Wr e For mat : F8. 2
I F ( est i mat e >= 0. 21 & var 00001 = 0) v
EXECUTE .
I F ( est i mat e <= 0. 21 &
EXECUTE .
I F ( est i mat e >= 0. 22 & var 000
EXECUTE .
I F ( est i mat e <= 0. 22 & var 00001 = 1)
EXECUTE .
I F ( est i mat e
EXECUTE .
I F ( est i mat e <= 0. 23 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 24 & v
EXECUTE .
I F ( est i mat e <= 0. 24 & var 0
EXECUTE .
I F ( est i mat e >= 0. 25 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
I F ( est i mat e >= 0. 26 &
EXECUTE .
var 00001 = 0) va
I F ( est i mat e <= 0. 26 &
EX
I F ( est i mat e >= 0. 27 & var 000
EXECUTE .
I F ( est i mat e <= 0. 27 & var 00001 = 1)
EXECUTE .
I F ( est i mat e
EXECUTE .
I F ( est i mat e <= 0. 28 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 29 & v
EXECUTE .
I F ( est i mat e <= 0. 29 & var 0
EXECUTE .
FREQUENCI ES
VARI ABLES=V
VAR0. 29
/ BARCHART FREQ
E. Quirs Rosado 177
MEN SALIR
11.3 Aplicacin fposi_fnega_3-4.sps
For mat : F8. 2
Wi dt h: 8 Al i gnment : Ri ght
)
For mat : F8. 2
0)
dt h: 8 Al i gnment : Ri ght
Scal e
VAR0. 31 ( 3)
Pr i nt
VAR0. 32 ( 4)
ement Level : Scal e Measur
Col umn
VAR0. 33 ( 5)
Measur
R0. 34 ( 6 VA
VAR0. 35 ( 7)
Wr i t e
VAR0. 36 ( 8)
Col umn
VAR0. 37 ( 9)
Measur
R0. 38 ( 1 VA
Col umn Wi
VAR0. 39 ( 11)
178
MEN SALIR

var 0. 31 = 0 .
ar 00001 = 0) var 0. 32 = 1 .
0001 = 1) var 0. 32 = 0 .
ar 00001 = 0) var 0. 33 = 1 .
<= 0. 33 & var 00001 = 1) var 0. 33 = 0 .
r 0. 34 = 1 .
var 00001 = 1) var 0. 34 = 0 .
ar 0. 35 = 1 .
var 00001 = 1) var 0. 35 = 0 .
01 = 0) var 0. 36 = 1 .
var 0. 36 = 0 .
( est i mat e >= 0. 37 & var 00001 = 0) var 0. 37 = 1 .
0001 = 1) var 0. 37 = 0 .
ar 00001 = 0) var 0. 38 = 1 .
<= 0. 38 & var 00001 = 1) var 0. 38 = 0 .
r 0. 39 = 1 .
var 00001 = 1) var 0. 39 = 0 .
. 32 VAR0. 33 VAR0. 34 VAR0. 35 VAR0. 36 VAR0. 37 VAR0. 38
FREQ
I F ( est i mat e >= 0. 31 & var 00001 = 0) var 0. 31 = 1 .
EXECUTE .
I F ( est i mat e <= 0. 31 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 32 & v
EXECUTE .
I F ( est i mat e <= 0. 32 & var 0
EXECUTE .
I F ( est i mat e >= 0. 33 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
I F ( est i mat e >= 0. 34 &
EXECUTE .
var 00001 = 0) va
I F ( est i mat e <= 0. 34 &
EXECUTE .
I F ( est i mat e >= 0. 35 & var 00001 = 0) v
EXECUTE .
I F ( est i mat e <= 0. 35 &
EXECUTE .
I F ( est i mat e >= 0. 36 & var 000
EXECUTE .
I F ( est i mat e <= 0. 36
EXECUTE .
& var 00001 = 1)
I F
EXECUTE .
I F ( est i mat e <= 0. 37 & var 0
EXECUTE .
I F ( est i mat e >= 0. 38 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
I F ( est i mat e >= 0. 39 & var 00001 = 0) va
EXECUTE .
I F ( est i mat e <= 0. 39 &
EXECUTE .
FREQUENCI ES
VARI ABLES=VAR0. 31 VAR0
VAR0. 39
/ BARCHART
E. Quirs Rosado 179
MEN SALIR
)
For mat : F8. 2
For mat : F8. 2
)
R0. 48 ( 10)
nt Level : Scal e
8. 2
VAR0. 41 ( 3)
Col umn
) VAR0. 42 ( 4
Measur
R0. 43 ( 5 VA
VAR0. 44 ( 6)
Wr i t e
VAR0. 45 ( 7)
Pr i nt
VAR0. 46 ( 8)
Measur
R0. 47 ( 9 VA
VA
Measur eme
Wr i t e For mat : F
AR0. 49 ( 11) V
180
MEN SALIR

>= 0. 41 & var 00001 = 0) var 0. 41 = 1 .
var 0. 41 = 0 .
ar 00001 = 0) var 0. 42 = 1 .
0001 = 1) var 0. 42 = 0 .
ar 00001 = 0) var 0. 43 = 1 .
<= 0. 43 & var 00001 = 1) var 0. 43 = 0 .
r 0. 44 = 1 .
var 00001 = 1) var 0. 44 = 0 .
r 0. 45 = 1 .
var 00001 = 1) var 0. 45 = 0 .
01 = 0) var 0. 46 = 1 .
var 0. 46 = 0 .
( est i mat e >= 0. 47 & var 00001 = 0) var 0. 47 = 1 .
001 = 1) var 0. 47 = 0 .
ar 00001 = 0) var 0. 48 = 1 .
<= 0. 48 & var 00001 = 1) var 0. 48 = 0 .
r 0. 49 = 1 .
var 00001 = 1) var 0. 49 = 0 .
FREQ
I F ( est i mat e
EXECUTE .
I F ( est i mat e <= 0. 41 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 42 & v
EXECUTE .
I F ( est i mat e <= 0. 42 & var 0
EXECUTE .
I F ( est i mat e >= 0. 43 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I
EX
F ( est i mat e <= 0. 44 &
ECUTE .
EXECUTE .
I F ( est i mat e <= 0. 45 &
EXECUTE .
I F ( est i mat e >= 0. 46 & var 000
EXECUTE .
I F ( est i mat e <= 0. 46 & var 00001 = 1)
EXECUTE .
I F
EXECUTE .
I F ( est i mat e <= 0. 47 & var 00
EXECUTE .
I F ( est i mat e >= 0. 48 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I F ( est i mat e <= 0. 49 &
EXECUTE .
FREQUENCI ES
VAR0. 49
/ BARCHART
E. Quirs Rosado 181
MEN SALIR
or mat : F8. 2
)
For mat : F8. 2
)
Scal e
) VAR0. 51 ( 3
Pr i nt F
VAR0. 52 ( 4)
Col umn
VAR0. 53 ( 5)
Measur
R0. 54 ( 6 VA
VAR0. 55 ( 7)
Wr i t e
VAR0. 56 ( 8)
Col umn
VAR0. 57 ( 9)
Measur
AR0. 58 ( 10 V
Col umn Wi
VAR0. 59 ( 11)
182
MEN SALIR

>= 0. 51 & var 00001 = 0) var 0. 51 = 1 .
var 0. 51 = 0 .
ar 00001 = 0) var 0. 52 = 1 .
0001 = 1) var 0. 52 = 0 .
ar 00001 = 0) var 0. 53 = 1 .
<= 0. 53 & var 00001 = 1) var 0. 53 = 0 .
r 0. 54 = 1 .
var 00001 = 1) var 0. 54 = 0 .
r 0. 55 = 1 .
var 00001 = 1) var 0. 55 = 0 .
01 = 0) var 0. 56 = 1 .
var 0. 56 = 0 .
( est i mat e >= 0. 57 & var 00001 = 0) var 0. 57 = 1 .
001 = 1) var 0. 57 = 0 .
ar 00001 = 0) var 0. 58 = 1 .
<= 0. 58 & var 00001 = 1) var 0. 58 = 0 .
r 0. 59 = 1 .
var 00001 = 1) var 0. 59 = 0 .
FREQ
I F ( est i mat e
EXECUTE .
I F ( est i mat e <= 0. 51 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 52 & v
EXECUTE .
I F ( est i mat e <= 0. 52 & var 0
EXECUTE .
I F ( est i mat e >= 0. 53 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I
EX
F ( est i mat e <= 0. 54 &
ECUTE .
EXECUTE .
I F ( est i mat e <= 0. 55 &
EXECUTE .
I F ( est i mat e >= 0. 56 & var 000
EXECUTE .
I F ( est i mat e <= 0. 56 & var 00001 = 1)
EXECUTE .
I F
EXECUTE .
I F ( est i mat e <= 0. 57 & var 00
EXECUTE .
I F ( est i mat e >= 0. 58 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I F ( est i mat e <= 0. 59 &
EXECUTE .
FREQUENCI ES
VAR0. 59
/ BARCHART
E. Quirs Rosado 183
MEN SALIR
or mat : F8. 2
)
For mat : F8. 2
)
Scal e
) VAR0. 61 ( 3
Pr i nt F
VAR0. 62 ( 4)
Col umn
VAR0. 63 ( 5)
Measur
R0. 64 ( 6 VA
VAR0. 65 ( 7)
Wr i t e
VAR0. 66 ( 8)
Col umn
VAR0. 67 ( 9)
Measur
AR0. 68 ( 10 V
Col umn Wi
VAR0. 69 ( 11)
184
MEN SALIR

>= 0. 61 & var 00001 = 0) var 0. 61 = 1 .
var 0. 61 = 0 .
ar 00001 = 0) var 0. 62 = 1 .
0001 = 1) var 0. 62 = 0 .
ar 00001 = 0) var 0. 63 = 1 .
<= 0. 63 & var 00001 = 1) var 0. 63 = 0 .
r 0. 64 = 1 .
var 00001 = 1) var 0. 64 = 0 .
r 0. 65 = 1 .
var 00001 = 1) var 0. 65 = 0 .
01 = 0) var 0. 66 = 1 .
var 0. 66 = 0 .
( est i mat e >= 0. 67 & var 00001 = 0) var 0. 67 = 1 .
001 = 1) var 0. 67 = 0 .
ar 00001 = 0) var 0. 68 = 1 .
<= 0. 68 & var 00001 = 1) var 0. 68 = 0 .
r 0. 69 = 1 .
var 00001 = 1) var 0. 69 = 0 .
FREQ
I F ( est i mat e
EXECUTE .
I F ( est i mat e <= 0. 61 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 62 & v
EXECUTE .
I F ( est i mat e <= 0. 62 & var 0
EXECUTE .
I F ( est i mat e >= 0. 63 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I
EX
F ( est i mat e <= 0. 64 &
ECUTE .
EXECUTE .
I F ( est i mat e <= 0. 65 &
EXECUTE .
I F ( est i mat e >= 0. 66 & var 000
EXECUTE .
I F ( est i mat e <= 0. 66 & var 00001 = 1)
EXECUTE .
I F
EXECUTE .
I F ( est i mat e <= 0. 67 & var 00
EXECUTE .
I F ( est i mat e >= 0. 68 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I F ( est i mat e <= 0. 69 &
EXECUTE .
FREQUENCI ES
VAR0. 69
/ BARCHART
E. Quirs Rosado 185
MEN SALIR
or mat : F8. 2
For mat : F8. 2
)
For mat : F8. 2
ment Level : Scal e
mat : F8. 2
Scal e
l i gnment : Ri ght
VAR0. 71 ( 3)
ement Level : Scal e Measur
Wr i t e F
VAR0. 72 ( 4)
Pr i nt
VAR0. 73 ( 5)
Col umn
VAR0. 74 ( 6)
Measur
R0. 75 ( 7 VA
VAR0. 76 ( 8)
Pr i nt
VAR0. 77 ( 9)
Col umn
) VAR0. 78 ( 10
Measur e
Pr i nt For
VAR0. 79 ( 11)
Col umn Wi dt h: 8 A
186
MEN SALIR

var 0. 71 = 0 .
ar 00001 = 0) var 0. 72 = 1 .
0001 = 1) var 0. 72 = 0 .
ar 00001 = 0) var 0. 73 = 1 .
<= 0. 73 & var 00001 = 1) var 0. 73 = 0 .
r 0. 74 = 1 .
var 00001 = 1) var 0. 74 = 0 .
ar 0. 75 = 1 .
var 00001 = 1) var 0. 75 = 0 .
01 = 0) var 0. 76 = 1 .
var 0. 76 = 0 .
( est i mat e >= 0. 77 & var 00001 = 0) var 0. 77 = 1 .
0001 = 1) var 0. 77 = 0 .
ar 00001 = 0) var 0. 78 = 1 .
<= 0. 78 & var 00001 = 1) var 0. 78 = 0 .
r 0. 79 = 1 .
var 00001 = 1) var 0. 79 = 0 .
FREQ
I F ( est i mat e >= 0. 71 & var 00001 = 0) var 0. 71 = 1 .
EXECUTE .
I F ( est i mat e <= 0. 71 & var 00001 = 1)
EXECUTE .
I F ( est i mat e >= 0. 72 & v
EXECUTE .
I F ( est i mat e <= 0. 72 & var 0
EXECUTE .
I F ( est i mat e >= 0. 73 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
I F ( est i mat e >= 0. 74 &
EXECUTE .
var 00001 = 0) va
I F ( est i mat e <= 0. 74 &
EXECUTE .
I F ( est i mat e >= 0. 75 & var 00001 = 0) v
EXECUTE .
I F ( est i mat e <= 0. 75 &
EXECUTE .
I F ( est i mat e >= 0. 76 & var 000
EXECUTE .
I F ( est i mat e <= 0. 76
EXECUTE .
& var 00001 = 1)
I F
EXECUTE .
I F ( est i mat e <= 0. 77 & var 0
EXECUTE .
I F ( est i mat e >= 0. 78 & v
EXECUTE .
I F ( est i mat e
EXECUTE .
EXECUTE .
I F ( est i mat e <= 0. 79 &
EXECUTE .
FREQUENCI ES
VAR0. 79
/ BARCHART
E. Quirs Rosado 187
MEN SALIR
11.8 Macro EXCEL grfico corte
Sub Gr af i co_cor t e( )
'
Gr af i co_ ' cor t e Macr o
( " Sheet " ) . Sel ect
" C1" ) . Sel ect
Cel l . For mul aR1C1 = " v0. 02"
, Type: =xl Fi l l Def aul t
Wi ndow. Smal l Scr ol l Down: =- 66
i on. Past eSpeci al Past e: =xl Al l , Oper at i on: =xl None, Ski p-
at i on. Cut CopyMode = Fal se
l None, Ski p-
l se _
at i on. Cut CopyMode = Fal se
Sel ect i on. Copy
oj a1" ) . Sel ect
ue
ect
Range( " C457: C458" ) . Sel ect
Sel ect i on. Copy
Sheet s( " Hoj a1" ) . Sel ect
' Macr o gr abada el 09/ 03/ 2006 por El i a Qui r s
'
' Acceso di r ect o: CTRL+e
'
Sheet s
Sheet s. Add
B1" ) . Sel ect Range( "
Appl i cat i on. Cut CopyMode = Fal se
el l . For mul aR1C1 = " f - " Act i veC
Range(
Act i veCel l . For mul aR1C1 = " f +"
A2" ) . Sel ect Range( "
Act i veCel l . For mul aR1C1 = " v0. 01"
A3" ) . Sel ect Range( "
Act i ve
Range( " A2: A3" ) . Sel ect
on. Aut oFi l l Dest i nat i on: =Range( " A2: A10" ) Sel ect i
Range( " A2: A10" ) . Sel ect
" Sheet " ) . Sel ect Sheet s(
Act i ve
on. Copy Sel ect i
B2: C2" ) . Sel ect Range( "
Sel ect
Bl anks: =Fal se _
r anspose: =Tr ue , T
Sheet s( " Sheet " ) . Sel ect
C441: C442" ) . Sel ect Range( "
Appl i c
Sel ect i on. Copy
" Hoj a1" ) . Sel ect Sheet s(
Range( " B3: C3" ) . Sel ect
on. Past eSpeci al Past e: =xl Al l , Oper at i on: =x Sel ect i
anks: =Fa Bl
, Tr anspose: =Tr ue
" Sheet " ) . Sel ect Sheet s(
Act i veWi ndow. Smal l Scr ol l Down: =18
C449: C450" ) . Sel ect Range( "
Appl i c
Sheet s( " H
Sel ect i on. Past eSpeci al Past e: =xl Al l , Oper at i on: =xl None, Ski p-
Bl anks: =Fal se _
, Tr anspose: =Tr
Sheet s( " Sheet " ) . Sel
188
MEN SALIR

ng
Tr ue
l ect
ast e: =xl Al l , Oper at i on: =xl None, Ski p-
6
l , Oper at i on: =xl None, Ski p-
al se
ki p-
ki p-
ki p-
. Li neSt yl e = xl None
gonal Up) . Li neSt yl e = xl None
Ra e( " B5: C5" ) . Sel ect
Sel ect i on. Past eSpeci al Past e: =xl Al l , Oper at i on: =xl None, Ski p-
Bl anks: =Fal se _
, Tr anspose: =
Sheet s( " Sheet " ) . Se
Sel ect i on. Copy
Sel ect i on. Past eSpeci al P
Bl anks: =Fal se _
Act i veWi ndow. Smal l Scr ol l Down: =
Mode = Fal se Appl i cat i on. Cut Copy
Sel ect i on. Copy
Sel ect i on. Past eSpeci al Past e: =xl Al
Bl anks: =Fal se _
Appl i cat i on. Cut CopyMode = F
Sel ect i on. Copy
Sel ect i on. Past eSpeci al Past e: =xl Al l , Oper at i on: =xl None, S
Bl anks: =Fal se _
Sel ect i on. Copy
Bl anks: =Fal se _
Sel ect i on. Copy
Bl anks: =Fal se _
Range( " A1: C10" ) . Sel ect
Sel ect i on. Bor der s( xl Di agonal Down)
Sel ect i on. Bor der s( xl Di a
E. Quirs Rosado 189
MEN SALIR
Wi t h Sel ect i on. Bor der s( xl EdgeLef t )
hi n
omat i c
geTop)
mat i c
xl Cont i nuous
geRi ght )
Thi n
mat i c
xl Cont i nuous
mat i c
or i zont al )
Thi n
mat i c
agonal Up) . Li neSt yl e = xl None
xl EdgeLef t )
nuous
l EdgeTop)
i nuous
l EdgeBot t om)
l EdgeRi ght )
uous
xl Aut omat i c
l I nsi deVer t i cal )
. Li neSt yl e = xl Cont i nuous
. Wei ght = xl T
. Col or I ndex = xl Aut
End Wi t h
Wi t h Sel ect i on. Bor der s( xl Ed
. Wei ght = xl Thi n
. Col or I ndex = xl Aut o
End Wi t h
Wi t h Sel ect i on. Bor der s( xl EdgeBot t om)
. Li neSt yl e =
. Col or I ndex = xl Aut omat i c
End Wi t h
Wi t h Sel ect i on. Bor der s( xl Ed
. Wei ght = xl
End Wi t h
Wi t h Sel ect i on. Bor der s( xl I nsi deVer t i cal )
. Li neSt yl e =
End Wi t h
Wi t h Sel ect i on. Bor der s( xl I nsi deH
. Wei ght = xl
End Wi t h
Sel ect i on. Bor der s( xl Di agonal Down) . Li neSt yl e = xl None
Sel ect i on. Bor der s( xl Di
Wi t h Sel ect i on. Bor der s(
. Li neSt yl e = xl Cont i
. Wei ght = xl Medi um
End Wi t h
Wi t h Sel ect i on. Bor der s( x
. Li neSt yl e = xl Cont
End Wi t h
End Wi t h
. Li neSt yl e = xl Cont i n
. Col or I ndex =
End Wi t h
End Wi t h
190
MEN SALIR

E. Quirs Rosado 191
Hor i zont al )
ar ker s
t . Set Sour ceDat a Sour ce: =Sheet s( " Hoj a1" ) . Range( " A1: C10" ) ,
her e: =xl Locat i onAsObj ect , Name: =" Hoj a1"
nt o pt i mo de Cor t e"
) . HasTi t l e = Fal se
HasTi t l e = Tr ue
xi sTi t l e. Char act er s. Text = " Fr ecuenci as"
= Fal se
eChar t . Axes( xl Val ue)
l ect
l se
Fal se
Wi t h Sel ect i on. Bor der s( xl I nsi de
I ndex = xl Aut omat i c . Col or
End Wi t h
Range( " G8" ) . Sel ect
Char t s. Add
Act i veChar t . Char t Type = xl Li neM
Act i veChar
Pl ot By: = _
xl Col umns
Act i veChar t . Locat i on W
Wi t h Act i veChar t
. HasTi t l e = Tr ue
. Char t Ti t l e. Char act er s. Text = " Pu
. Axes( xl Cat egor y, xl Pr i mar y
. Axes( xl Val ue, xl Pr i mar y) .
. Axes( xl Val ue, xl Pr i mar y) . A
End Wi t h
Wi t h Act i veChar t . Axes( xl Cat egor y)
. HasMaj or Gr i dl i nes = Fal se
. HasMi nor Gr i dl i nes
End Wi t h
Wi t h Act i v
. HasMaj or Gr i dl i nes = Tr ue
. HasMi nor Gr i dl i nes = Fal se
End Wi t h
Act i veChar t . Axes( xl Cat egor y) . Se
Wi t h Act i veChar t . Axes( xl Cat egor y)
. Cr ossesAt = 1
. Ti ckLabel Spaci ng = 1
. Ti ckMar kSpaci ng = 1
. Axi sBet weenCat egor i es = Fa
. Rever sePl ot Or der =
End Wi t h
End Sub
MEN SALIR
MEN SALIR
MEN SALIR
MEN SALIR

9788469263167

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

9788469263167

Uploaded by

Copyright:

Available Formats

MEN SALIR

Edita: Universidad de Extremadura

Ec. 26: Residuos entre las observaciones de la variable y sus estimaciones.

) para cada nmero de trminos del mismo.

son las estimaciones empricas de las funciones de distribucin con tama-

Ec. 100: Estadstico Kappa de una clasificacin.

You might also like