Disponible con una licencia de Spatial Analyst.
Una de las aplicaciones más comunes 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 a menudo da como resultado muchas zonas de datos pequeñas y aisladas que están mal clasificadas o que son irrelevantes para el análisis.
Crear un mapa de uso del suelo generalizado a partir de una imagen de satélite
En el siguiente ejemplo se muestra una secuencia típica de la aplicación de las herramientas de generalización para producir una capa ráster que sea más adecuada para la presentación o el análisis posterior.
Cada herramienta se puede utilizar por sí sola o junto con otras herramientas de limpieza de datos para varias aplicaciones.
Comenzar con una escena de satélite sin procesar
La siguiente imagen muestra la imagen de satélite sin procesar que se clasificará. Aunque el proceso de clasificación no se describirá explícitamente, en la siguiente sección se detallarán algunas de las razones por las que el resultado directo generalmente necesita un procesamiento adicional para ser útil.
Resultado de la imagen después de la clasificación
En una clasificación supervisada, las muestras de entrenamiento se identifican en una imagen, como la imagen de satélite. Las muestras de entrenamiento se toman en distintos usos del suelo para identificar agua, suelo residencial, maderas duras, coníferas, etc. A partir de estas muestras de entrenamiento, el resto de ubicaciones de celda de 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 entrenamiento) son similares, lo que dificulta la distinción entre dos clases. Por ejemplo, con las muestras de entrenamiento existentes, es posible que el software no pueda distinguir entre una zona pantanosa con alisos y un suelo húmedo con maderas duras. Puede deberse a un número inadecuado de muestras de entrenamiento o al hecho de que nunca se muestrearon determinados usos del suelo. Estas limitaciones, así como 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 mar de celdas que lo rodea, cuando en realidad la entidad pertenece al grupo de celdas que lo rodea. Otra área típica de mala clasificación son los límites entre los diferentes usos del suelo. A menudo, los resultados son una representación irregular y poco realista del límite que se puede suavizar con las herramientas de generalización.
A continuación, se muestra la clasificación de la imagen de satélite. Observe que hay muchas celdas simples aisladas pequeñas o grupos de celdas en toda la imagen.
En las siguientes secciones se muestra cómo se pueden aplicar las herramientas de generalización para producir un ráster clasificado final.
Eliminar celdas mal clasificadas con Filtro mayoritario
Para eliminar las celdas simples mal clasificadas en la imagen clasificada, se aplica la herramienta Filtro mayoritario. Los resultados se muestran en la siguiente imagen. Observe que muchos de los grupos de celdas más pequeños han desaparecido.
Suavizar zonas con Refinado de límites
Para suavizar los límites entre zonas, se puede implementar la herramienta Refinado de límites. Al expandir y reducir los límites, las zonas más grandes invadirán las zonas más pequeñas, como ocurre en el caso de la imagen siguiente. De nuevo, observe que han desaparecido aún más grupos de celdas más pequeños y más finos.
Identificar clústeres con Grupo de regiones
Las herramientas Filtro mayoritario y Refinado de límites solo procesarán los clústeres sencillos o muy pequeños de unas pocas celdas mal clasificadas asignándolos al valor que aparece con más frecuencia en la vecindad inmediata. Supongamos, sin embargo, que hay un umbral de cierto tamaño por debajo del cual los grupos individuales de celdas similares se consideran demasiado pequeños para ser significativos en el análisis subsiguiente. Estos clústeres se deben disolver en los grupos circundantes. Por ejemplo, los clústeres contiguos de la misma categoría de uso del suelo que tengan un tamaño inferior a 7.200 metros cuadrados no se consideran significativos para el análisis. Sin embargo, estas regiones aisladas no se pueden procesar individualmente, ya que tienen el mismo valor de uso del suelo que la zona completa.
Para resolver este problema, se aplica la herramienta Grupo de regiones. Esta herramienta asignará un identificador único a cada región del ráster de entrada (la imagen clasificada). Una región es un grupo contiguo de celdas con el mismo valor. Considere 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 a continuación y muestra las numerosas zonas de salida diferentes.
Eliminar áreas más pequeñas que el umbral
A continuación, utilizando una herramienta de selección, como la herramienta Extraer por atributos de la caja de herramientas Extracción, se crea un ráster de salida en el cual se eliminaron las regiones más pequeñas que el umbral de área.
Eliminar regiones pequeñas con Nibble
Al utilizar la herramienta Nibble en el ráster resultante de la herramienta de extracción (identificar las regiones que se eliminarán) y con los valores del ráster de imagen clasificado, la herramienta visita cada ubicación de celda a 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 de vínculo de los resultados de la herramienta Grupo de regiones, los valores de zona originales de la imagen clasificada se reasignan a las regiones individuales creadas con la herramienta Grupo de regiones.
El resultado es un mapa de uso del suelo más generalizado que se puede utilizar en análisis posteriores.