Disponible con una licencia de Spatial Analyst.
Una de las aplicaciones más conocidas de las herramientas de generalización es el proceso de limpieza de una imagen clasificada que se derivó de un software de teledetección. El proceso de clasificación suele dar como resultado muchas pequeñas zonas de datos aisladas que están mal clasificadas o que son irrelevantes para el análisis.
Crear un mapa de uso del suelo generalizado desde una imagen de satélite
El siguiente ejemplo describe una secuencia típica de la aplicación de las herramientas de generalización para producir una capa ráster que es más apropiada para la presentación o el análisis posterior.
Cada herramienta se puede utilizar por separado o en combinación con otras herramientas de limpieza de datos para diversas aplicaciones.
Comenzar con una escena de satélite sin procesar
La imagen que aparece debajo muestra la imagen de satélite sin procesar que será clasificada. Si bien el proceso de clasificación no se describirá explícitamente, la siguiente sección desarrollará en detalle algunas de las razones por las que el resultado directo generalmente necesita un nuevo procesamiento para resultar útil.
Imagen resultante después de la clasificación
En una clasificación supervisada, se identifican las muestras de capacitación en una imagen, como por ejemplo, la imagen de satélite. Las muestras de capacitación se toman en distintos usos del suelo para identificar, agua, residenciales, maderas duras, coníferas, etc. A partir de estas muestras de capacitación, todas las demás ubicaciones de celdas en la imagen se asignan a uno de estos tipos o usos de suelo conocidos. A veces, las firmas de uso del suelo (estadísticas derivadas de las muestras de capacitación) son similares, dificultando la tarea de distinguir las dos clases. Por ejemplo, con las muestras de capacitación existentes, el software tal vez no pueda distinguir entre una ciénaga de aliso y un suelo húmedo con maderas duras. Esto tal vez se deba a una cantidad insuficiente de muestras de capacitación o al hecho de que nunca se tomaron muestras de esos usos del suelo específicos. Estas limitaciones, junto con otras, pueden llevar a una mala clasificación de ciertas ubicaciones.
Como resultado, un grupo simple o pequeño de celdas puede estar mal clasificado como una entidad distinta al grupo de celdas que lo rodean, cuando en realidad, la entidad pertenece al grupo de celdas que lo rodea. Otra aspecto típico de una mala clasificación son los límites entre los distintos usos del suelo. A menudo, se obtiene como resultado una representación irregular y poco realista del límite, que se puede suavizar con las herramientas de generalización.
Debajo se muestra la clasificación de la imagen de satélite. Observe que hay celdas simples aisladas muy pequeñas o grupos de celdas a lo largo de la imagen.
Las siguientes secciones describen cómo se pueden aplicar las herramientas de generalización para producir un ráster clasificado final.
Quitar celdas mal clasificadas con el Filtro mayoritario
Para quitar las celdas simples mal clasificadas en la imagen clasificada, se aplica la herramienta Filtro mayoritario. Los resultados se muestran en la imagen que aparece debajo. Observe que muchos de los grupos de celdas más pequeños desaparecieron.
Suavizar zonas con Refinado de límites
Para suavizar los límites entre las zonas, puede implementar la herramienta Refinado de límites. Al expandir y contraer los límites, las zonas más grandes invadirán las más pequeñas, como sucede en el caso de la imagen que aparece debajo. Nuevamente, observe que otros grupos, más pequeños o más finos, también desaparecieron.
Identificar clusters con Grupo de regiones
Las herramientas Filtro mayoritario y Refinado de límites sólo procesarán los clusters simples o muy pequeños de algunas celdas mal clasificadas asignándolos al valor que aparezca más a menudo en la vecindad inmediata. Supongamos, sin embargo, que hay un umbral de cierto tamaño debajo del cual los grupos individuales de celdas similares se consideran demasiado pequeños para ser tomados en cuenta en el análisis subsiguiente. Estos clusters se deben disolver en los grupos que los rodean. Por ejemplo, los clusters contiguos de la misma categoría de uso del suelo que sean menores a 7.200 metros cuadrados de tamaño no se consideran suficientes para el análisis. Sin embargo, estas regiones aisladas no se pueden procesar por separado ya que tienen el mismo valor de uso del suelo que la zona completa.
Para solucionar este problema, se aplica la herramienta Grupo de regiones. Esta herramienta asignará un identificador único para cada región en el ráster de entrada (la imagen clasificada). Una región es un grupo contiguo de celdas con el mismo valor. Imagine una zona única compuesta de dos regiones que no están conectadas. Grupo de regiones dividirá esta zona en dos zonas nuevas, cada una con un valor de identificación (zona) único. El valor de zona original se mantiene como un campo LINK en la tabla de atributos de salida. El ráster resultante se muestra debajo y muestra las distintas zonas de salida.
Quitar áreas más pequeñas que el umbral
A continuación, mediante una herramienta de selección, como la herramienta Extraer por consulta de atributos de la caja de herramientas Extracción, se crea un ráster de salida en el que se quitaron las regiones que son más pequeñas que el umbral.
Eliminar regiones pequeñas con Nibble
Al utilizar la herramienta Nibble en el ráster resultante de la herramienta de extracción (que identifica las regiones para eliminar) y con los valores del ráster de imagen clasificado, la herramienta visita cada ubicación de celda para eliminar y la reemplaza con la celda más cercana con un valor en el ráster clasificado.
Mapa del uso del suelo generalizado final
Al utilizar el elemento LINK de los resultados de la herramienta Grupo de regiones, los valores de zona originales de la imagen clasificada se vuelven a asignar a las regiones individuales creadas con la herramienta Grupo de regiones.
El resultado es un mapa de uso del suelo más generalizado que puede utilizarse en análisis posteriores.