CLASIFICACIÓN SUPERVISADA DE IMÁGENES

1. ¿En qué consiste la clasificación digital supervisada?

La clasificación supervisada requiere de cierto conocimiento previo del terreno y de los tipos de coberturas
presentes en el área de estudio, para lo que se realiza, en el mejor de los casos, una combinación de trabajo
de campo, de análisis de fotografías aéreas, mapas e informes técnicos, así como referencias profesionales y
locales.

Con base de este conocimiento se definen y se delimitan sobre la imagen las áreas de entrenamiento o áreas
piloto. Las características espectrales de tales áreas son utilizadas a fin de “entrenar” un algoritmo de
clasificación, el cual calcula los parámetros estadísticos de cada banda para cada sitio piloto y de esta forma
proceder a evaluar cada ND de la imagen, compararlo y asignarlo a una respectiva clase (ver Figura 1).

Así entonces, la clasificación supervisada intenta definir las clases temáticas que no tengan claro significado
espectral, razón por la que es considerada un método artificial (Posada, 2008).

Figura 1: Esquema de Clasificación digital supervisada

Fuente: Olaya, 2007

2. ¿Cuál es la metodología para implementar una clasificación

digital supervisada?
El proceso se puede resumir en las siguientes etapas: análisis visual y estadístico de la imagen y de sus
bandas, elaboración de la leyenda del mapa, selección y delimitación de áreas pilotos, generación y
evaluación tanto de sus estadísticas como de sus reajustes, elección y aplicación del algoritmo de
clasificación, reajustes y nueva clasificación, y finalmente, la evaluación de los resultados y su presentación
(Posada, 2008).

Clasificación no supervisada
El computador agrupa según su similitud espectral un número de píxeles de cada clase haciendo uso de
patrones estadísticos en los datos, hasta clasificar toda la imagen. Posteriormente, el analista reclasifica las
clases determinadas por el computador con base en una leyenda asociada a las coberturas de la imagen.

Esta clasificación se puede hacer usando fórmulas de distancia espectral mínima, para formar cúmulos o
(clúster), utilizando los promedios arbitrarios o el promedio de las firmas espectrales existentes. De una
manera mecánica, esta iteración se repite hasta que se ejecute el máximo de iteraciones o hasta que se
alcance el máximo porcentaje de asignación de píxeles no cambiados entre dos iteraciones.
Clasificación supervisada,
Difiere de la anterior en que para cada clase diseñada por parte del analista se crean las firmas apropiadas
para las coberturas, previo al proceso sistemático en el software. En ésta se debe capturar cada firma o
cobertura manualmente, por lo tanto es necesario que el intérprete reconozca patrones e identifique píxeles
que determinen las clases, que es lo que se conoce como áreas de entrenamiento.

La clasificación supervisada es apropiada cuando se requieren pocas clases, siendo lo correcto verificar el
terreno como parte metodológica de la clasificación.

Es posible utilizar cualquiera de estas dos posibilidades de clasificación, supervisada o no supervisada, y en el

mejor de los casos hacer una combinación de ellas a fin de optimizar resultados. Cuando se trata de clasificar
muchos datos o áreas muy extensas, así como con bastantes cambios de coberturas y de firmas espectrales,
se puede obtener con la clasificación no supervisada un conjunto básico de clases y por medio de la
supervisada la definición de ellas.

https://acolita.com/clasificacion-supervisada-no-supervisada-en-arcgis/

https://www.youtube.com/watch?v=wubaK6dKvCI

https://www.youtube.com/watch?v=936jXZ9t7jc