Comparación de métricas del paisaje en imágenes clasificadas por segmentos y por pixeles
Maria Alejandra Molina Berbeo
16/12/2019
Índice
1. Introducción
2. Datos y Métodos
2.1 Área de estudio
2.2 Insumos
2.3 Procesos
3. Resultados
3.1 Métricas ventana 1
3.2 Métricas ventana 2
3.3 Métricas de paisaje
4. Discusión
5. Conclusiones
6. Referencias
7. Anexos
Resumen
1. Introducción
La clasificación de imágenes es una de los productos más comunes que se pueden obtener a partir de imágenes obtenidas por sensores remotos (Jensen 2015), sin embargo la aparición de sensores e imágenes con alta resolución y la necesidad de mejorar la clasificaciones han situado a la clasificación a partir de objetos como un alternativa para la típica clasificación por pixeles (Liang et al. 2012).
Uno de los procesos que se desarrollan para hacer un clasificación por objetos es la segmentación, que se refiere al proceso mediante el cual se divide una imagen en partes o fracciones bien definidas que no se superponen (Schiewe 2002), un segmento se define como la agrupación de pixeles uniformes y homogéneos respecto a su tonalidad, aspecto relevante en la textura (Haralick & Shapiro 1985). Además, las zonas que rodean un segmento definido deben obligatoriamente tener valores diferentes de pixeles, y sus bordes deben ser bien definidos y no difusos (Haralick & Shapiro 1985).
Sin embargo, un reto importante para la segmentación es encontrar los parámetros adecuados para que resulte lo mejor posible, esto debido a que los segmentos varían de tamaño forma y textura dependiendo de la ventana de estudio (Hossain & Chen 2019).
Por otro lado, las métricas del paisaje han sido utilizadas ampliamente para identificar procesos ecológicos a nivel paisajístico (McGarigal 1994), identificar este tipo de procesos es de gran importancia ya que se pueden entender procesos de pérdida y fragmentación del hábitat de algunas especies (Metzger et al. 2006; De Chazal & Rounsevell 2009). A nivel del neotrópico, la pérdida de biodiversidad impulsada principalmente por la pérdida de cobertura natural a causa de la expansión de la frontera agropecuaria ha dominado los procesos de transformación del paisaje, de allí que los elementos y aspectos del paisaje sean un objeto de estudio constante a través de diferentes métricas (Laurance et al. 2014; Lambin et al. 2000; Caldas et al. 2007; Rudel et al. 2002; Wassenaar et al. 2007; H. Ricardo Grau 2008; Sánchez-Cuervo et al. 2012).
La estimación de métricas del paisaje a partir de la clasificación de imágenes de sensores remotos ha sido una práctica constante (Frohn 2007) y ha soportado un sin número de toma de decisiones en torno a la planificación sistemática de la conservación y otros procesos de cambio de cobertura de la tierra que se relacionan completamente con la biodiversidad (Rose et al. 2014; Pettorelli et al. 2014).
La tendencia general ha sido comparar las clasificaciones a partir de su exactitud o valores que se extraigan de una matriz de confusión con unos puntos de muestreo (Liang et al. 2012), sin embargo, teniendo en cuenta que las clasificaciones de imágenes tienen una utilidad amplia en diferentes áreas de conocimiento, es necesario compararlas en un ambiente más práctico que teórico y así poder entender cómo influye cada una de ellas a la hora de hacer estimaciones sobre el paisaje y posteriores toma de decisiones.
Teniendo en cuenta lo anterior, este trabajo pretende comparar los resultados de las métricas de paisaje a partir de dos tipos de clasificación: i) no supervisada a partir de pixeles y ii) a partir de segmentos, en dos tipos de paisaje: a) ventana 1 (paisaje continuo) y b) ventana 2 (paisaje fraccionado). De esta manera se hace evidente la contribución que la percepción remota hace a áreas como la ecología y la conservación desde ya varias décadas (Rose et al. 2014).2.1 Área de estudio
Se toman dos ventanas de estudio, la primera de ellas (Ventana 1, Figura 3) se escoge con la intención de tener un paisaje poco fraccionado, con más continuidad y con más cobertura de bosque, por el contrario, la segunda ventana (ventana 2, figura 3) se elige dentro de un paisaje más intervenido y fraccionado. Esto se hace con el objetivo de comparar cómo varían las métricas de paisaje a través de dos tipos de paisaje.
Estas dos ventanas se ubican cerca a los municipios de El Rosal y San Francisco (Figura 2), que se ubican en el departamento de Cundinamarca (figura 1), el municipio de San Francisco tiene una altitud de 1520 m.s.n.m aproximadamente y una temperatura de 20°C y se ubica a unos 55 Km al noroccidente de la capital, mientras que el municipio de El Rosal tiene una altitud de 2685 m.s.n.m y una temperatura promedio de 14°C y está a una distancia de 20 km de Bogotá (CAR 2004).
Figura 1: Área de estudio
Tanto el Rosal como San Francisco hacen parte de la provincia de Gualivá la cual posee una topografía montañosa con considerables escarpes y cerros empinados entre los que se destacan Cerro del Tablazo que cubre parte del municipio de San Francisco. En cuanto a su hidrografía, los dos municipios de la ventana de estudio hacen parte de la cuenca del río Negro y subcuencas como la de Villeta o Tobia y Pinzaima-Supatá (CAR 2004) .
Por otro lado, respecto a las actividades agrícolas, se tiene que los dos productos más importantes son el café y la caña que se extienden hacia el muncipio de San Francisco, mientras que el municipio del Rosal se caracteriza por la siembra de papa, flores y frutales (CAR 2004).
San Francisco es considerado un municipio de importancia ecológica ya que representa una parte importante de la conectividad para los parques naturales Chinagza, Sumapaz, El Santuario de Flora y Fauna de Iguaque además de algunos distritos de manejo de la zona (Instituto Alexander Von Humboldt 2017). El municipio de San Francisco posee además una parte de lo que se considera un hotspot de biodiversidad como lo es el bosque andino de alta montaña (Hincapié et al. 2002).
Adicionalmente, la zona de estudio posee bosques secundarios que son el resultado del abandono de actividades antrópicas, los bosques secundarios han tomado un papel importante dentro de la conservación de las especies que se ven afectadas por diferentes usos de la tierra (Chazdon et al. 2009) debido a que se ha evidenciado que pueden llegar a ser igual de importantes que los bosques maduros a la hora garantizar la conservación y persistencia en el tiempo de las especies en zonas tropicales (Chazdon 2013).2.2 Insumos
Por otro lado, se toman 2 imágenes Sentinel-2A de la Agencia Espacial Europea, para cada una de las ventanas de estudio, estas imágenes están corregidas atmosféricamente teniendo corrección BoA (bottom of atmosphere) y fueron tomadas del 15 de diciembre de 2018 (Tabla 1).
Tabla 1: Descripción de imágenes satelitales utilizadas en este trabajo.
figura 2: Imágenes insumo para el trabajo, a y b corresponden a las imágenes de Google earth y c y d las que se importaron de la colección de Sentinel en color verdadero.
2.3 Procesos
Una vez se recortan las 2 imágenes a cada una de las ventanas, se sigue el código de Google Earth Engine (GEE) propuesto por Crowley y colaboradores (2019) para la identificación de segmentos, este código hace uso del algoritmo SNIC (Simple Non-Iterative Clustering) (Figura 3) el cual tiene en cuenta texturas, contrastes, tamaño valores de pixeles para crear grupos de pixeles.
Respecto a los parámetros que los autores proponen se hicieron varios intentos hasta encontrar los valores óptimos para este caso, las variables que los autores proponen y los valores fijados para este trabajo se componen de: i) la compacidad que se refiere a la forma que deberían tener los segmentos, este parámetro varía entre 0 y 1 donde 0 es un círculo y 1 a un cuadrado, para el caso de este trabajo se fija el valor de 0.2 para la ventana 1 y 0 para la ventana 2. ii) conectividad: que se refiere al vecindario de pixeles o a cuántos pixeles se van a tener en cuenta para el agrupamiento, este parámetro puede ser 4 u 8, para este trabajo se fija el valor de 8 puesto que los paisajes se disponen de manera transversal.iii) Forma de la semilla: que se refiere a la forma que deben tomar los puntos desde donde empezará el algoritmo a agrupar los pixeles, este parámetro se fijó como “square” siguiendo recomendaciones y por último iv) la distancia de semilla: se fija como 10 pixeles. El código que se empleó para este trabajo puede ser consultado en la siguiente dirección: ventana 1 -> https://code.earthengine.google.com/fbb903a42f2f2183ed176a298b2c281d, ventana 2 -> https://code.earthengine.google.com/d0cdfb400293099c509fac94dc23e0b4.
Figura 3: Cuadro metodológico, se señalan los insumos, procesos y productos que se emplearán en el trabajo, cuando los productos se acompañen de “X2” significa que hay un producto para cada una de las dos ventanas de estudio por ende se entienden como 4 productos.
Estas dos clasificaciones son empleadas como insumos para el programa ArcGIS a partir de su herramienta “patch analyst” donde se calculan 5 métricas del paisaje a nivel de clase:
Area Weighted Mean Patch Fractal Dimension (AWMPFD): En español dimensión fractal del parche promedio ponderado por área que da cuenta de la complejidad de la forma de los parches, comúnmente los parches más grandes son más complejos que los pequeños, sin embargo, esta métrica los estudia independiente de su tamaño esta medida va de 1 a 2 donde 1 es para formas con perámetros simples y 2 para las formas son más complejas. Total Edge (TE): En español total de bordes que se refiere al perámetro de suman los bordes para ese paisaje.
Mean Patch Size (MPS): En español tamaño promedio de parche, esta medida está por clase.
Number of Patches (NumP): En español número de parches, se refiere al número de parches por clase. Class Area (CA): Área de clase, es la sumatoria de los parches pertenecientes a x clase.
Y 3 métricas del paisaje a nivel de paisaje: Simpson’s Diversity Index (SIDI): Que se refiere al índice de diverisdad e Simpson, y mida la diversidad relativa de los parches. El índice será igual a cero cuando solo hay un parche en el paisaje y aumenta a medida que aumenta el número de tipos de parche o la distribución proporcional de los tipos de parche. Area Weighted Mean Patch Fractal Dimension (AWMPFD): A nivel de paisaje se refiere al promedio de la dimensión fractal del parche promedio ponderado por área de todas las clases.
Total Edge (TE): A nivel de paisaje se refiere a la sumatoria de todos los bordes pertenecientes a todas las clases. Number of Patches (NumP): A nivel de paisaje se refiere al total de parches que existen en el paisaje independientemente de la clase a la que pertenezcan.
3.1 Métricas Ventana 1
En general la métrica de dimension fractal (AWMPFD) a través de todas las clases y en los dos tipos de clasificación es muy smiliar y varía entre 1.3 y 1.5 resultando así en formas complejas de parche (Tabla 2).
Para la métrica de total de bordes (TE) se tiene que varía entre los tipos de clasificación, siendo muy superior por ejemplo en la clase de cultivos 1 y bosque para la clasificación por pixeles, sin emabrgo hay valores que varían menos como en el caso de la clase de nubes donde la diferencia es de 853 (Tabla 2).
La métrica del promedio del tamaño del parche (MPS) varía de manera significativa a través de las dos clasificaciones, el caso más significativo se observa en la clase de nubes donde para la clasificación por segmentos es de 14.5 ha mientras que para la clasifiacación por pixeles es de 5.3 ha. La que varía menos es la de clase de cultivos 2 con una diferencia de 2.2 ha entre los dos tipos de clasificaciones (Tabla 2).
Tabla 2 : Métricas del paisaje para la ventana 1 de estudio
3.2 Métricas Ventana 2
En general la métrica de dimension fractal (AWMPFD) a través de todas las clases y en los dos tipos de clasificación es muy smiliar y varía entre 1.4 y 1.5 resultando así en formas complejas de parche (Tabla 3).
Para la métrica de total de bordes (TE) se tiene que varía entre los tipos de clasificación, siendo muy superior por ejemplo en la clase de nubes y para la clasificación por pixeles. En general, el valor de esta métrica es mayor en la clasificación por segmentos (Tabla 3).
Tabla 3 : Métricas del paisaje para la ventana 2 de estudio
La métrica del promedio del tamaño del parche (MPS) varía de manera poco signifcativa a través de las dos clasificaciones, el caso donde se da una diferencia mayor es en la clase de nubes donde para la clasificación por segmentos es de 2.8 ha mientras que para la clasifiacación por pixeles es de 0.3 ha. La que varía menos es la de clase de cultivos 3 con una diferencia de 0.3 ha entre los dos tipos de clasificaciones siendo un valor mayor en la clasificación por pixeles (Tabla 3).
Con relación a al métrica de número de parches (NumP) por clase, en general la clasificación por pixeles genera mayor número de parches, siendo esto observado con mayor fuerza en la clase de cultivos 1 y menos evidente en la clase de invernaderos. Finalmente, respecto al área que ocupan todos los parches en cada una de las coberturas (CA) se tiene que para la clase de nubes es mayor en la clasificación por pixeles, para la clase de cultivos 1 es mayor en la clasificación por pixeles, en la clase de cultivos 2 es mayor en la clasificación por segmentos, en la clase de cultivos 3 es mayor en la clasificación por pixeles y para clase de invernaderos es mayor para la clasificación por segmentos (Tabla 3).3.3 Métricas de paisaje
Respecto a las dos ventanas de estudio se tiene que el índice dediversidad de Simpson es ligeramente mayor en la ventana 2 que en la ventana 3, la mátrica que da cuenta de la complejdiad de la forma de los parches es ligeramente mayor en la ventana 1, el total de bordes es mayor en la ventana 2 y a través de la clasificación de pixeles para las dos ventanas (Tabla 4).
Tabla 4 : Métricas del paisaje por ventanas de estudio
Finalmente, el número de parches es mayor en la ventana dos para los dos tipo de clasificación respecto a la ventana 1 (Tabla 4).
4. Discusión
Como se señaló en los resultados, la complejidad de los parches es alta y similar en las dos ventanas de estudio bajo los dos métodos de clasificación. Sin embargo, se esperaba que los parches fueran menos complejos para la ventana 2 (la más fraccionada y constituida principalmente por cuadrados y rectángulos en su mayoría). Ese resultado puede deberse al ruido que genera la clasificación por pixeles.
Esto mismo ocurre con todas las clases de la ventana 1 para la métrica de total de bordes. La clasificación por pixeles genera estas coberturas de manera menos continua, de allí que esta métrica esté sobreestimada bajo esta clasificación. Las convoluciones de las coberturas que genera la clasificación por pixeles influye en este efecto, mientras que la clasificación por segmentos tiende a generalizar más las coberturas y a que sean más continuas de alguna manera.
Lo anterior también se evidencia en la métrica de número de parches. La clasificación por pixeles genera más número de parches por clase que la clasificación por segmentos que tiende a simplificarlos en las dos ventanas de estudio. Otros estudios han señalado tener también diferencias significativas en cuanto a número de parches y densidad de bordes en los dos tipos de clasificaciones, este es el caso de estudio en el condado de Pekín en China dominado principalmente por bosque (Yanghua et al. 2016). A pesar de lo anterior las áreas que ocupan algunas clases no difieren en más de 30ha entre tipos de clasificación, siendo la clase de nubes la que más se acerca en área a través de estas en la ventana 1. La reflectancia de las nubes tiene una apariencia lo suficientemente clara para que las clasificaciones la estimen de manera muy similar, esto mismo ocurre con la clase de invernaderos en la ventana 2.
Comparando la observación de los mapas de las dos clasificaciones (figura 4 y 5) , se puede observar que la clasificación por pixeles a veces genera una clase nueva para las vías que separan los cultivos o las coberturas, por ejemplo en la ventana 2 (Figura 5) las cercas vivas entre cultivos las clasifica como otra categoría que en este caso quedó incluida dentro de nubes, mientras que la clasificación por segmentos tiende a difuminar estos bordes y simplemente los agrega al mismo parche de cultivo obteniendo un tipo de “suavizado” para esos límites entre cultivos, sin dejar de generar parches bien definidos.
Lo anterior sugiere que el uso de una clasificación u otra a la hora de estimar métricas y evaluar decisiones sobre las mismas, depende de dos aspectos: de la escala y del tipo de paisaje en el que se encuentre el objeto de estudio. Si por ejemplo, se desea investigar fragmentación para una especie que es un mamífero grande y que tiene una movilidad amplia sobre un paisaje dominado por coberturas continuas y grandes, la mejor opción debería ser utilizar una clasificación por segmentos. Si por el contrario se desea investigar una especie pequeña, que tiene movilidad muy baja y que se encuentra en un paisaje muy transformado y fraccionado se debería recurrir a una clasificación por pixeles que dé más detalle de las coberturas y generalice menos los parches del paisaje.
Uno de los objetivos en ciencias como la ecología y análisis del paisaje, es identificar los grandes cambios que se dan a nivel de cobertura. Como ya se señaló, la clasificación por segmentos tiende a generalizar los parches y a identificar parches muy bien definidos dejando de lado un poco el detalle. Este tipo de clasificaciones sería entonces de utilidad en la identificación de cambios grandes y generales de cobertura a gran escala, esta conclusión ha sido apoyada en otros estudios donde se han hecho comparaciones de diferentes métricas a partir de clasificación por segmentos y por pixeles en paisajes de Jamaica, los autores en este caso recomiendan que el método basado en objetos sea el método elegido para los análisis del paisaje, particularmente los estudios de fragmentación forestal (Newman et al. 2011).5. Conclusiones
Tanto en la ventana 1 como en la ventana 2 las clasificaciones por pixeles tienden a tener mayor número de parches en todas las clases. Mientras que la clasificación por segmentos generaliza más las clases y tiene menos parches por clase. En general las dos ventanas de estudio tienden a tener una complejidad alta en los parches que las componen.
La diversidad de parches según el índice de Simpson, señala que los tipos de clasificación no difieren en diversidad de parches significativamente y tampoco lo hacen a través de las ventanas. Se recomienda clasificación por segmentos cuando los paisajes son menos fraccionados y más continuos ya que los resultados obtenidos por clasificación por pixeles pueden agregar un ruido que a veces no es de interés, sin embargo, este ruido puede agregar un detalle que algunas ocasiones puede ser de importancia para las investigaciones. Se recomienda hacer una evaluación de las clasificaciones antes de aplicar las métricas ya que, en este estudio el objetivo no era evaluar la exactitud de las clasificaciones sino las métricas del paisaje a partir de ellas.
Las clases aquí identificadas se hicieron de una manera muy general para que el análisis de los resultados fuera lo más sencillo posible, sin embargo, se reconoce que la agrupación de las clases obtenidas por los dos tipos de clasificaciones puede ser mejoradas y tal vez consultadas con un experto que pueda dar un nombre más específico que el que se les da en este trabajo, como por ejemplo tipo de cultivo o tipo de bosque.
En general, las maneras en que la percepción remota aporta a las ciencias ecológicas y de la conservación son infinitas, sin embargo, es hora de que los resultados se evalúen en escenarios más reales y sean enfrentados a tomas de decisiones. Es de interés que la discusión no se centre simplemente en qué método es mejor por su exactitud. Como se ha señalado acá, los dos tipos de clasificación, la de segmentos y la de pixeles, son útiles dependiendo del objetivo, la escala y los paisajes que se quieren estudiar.6. Referencias
Caldas, M. et al., 2007. Land Cover The and Land Use Change : Theorizing Peasant of Amazonian Deforestation Economy. Annals of the American Geographers, 97(1), pp.86–110.
CAR, 2004. Departamento de Cundinamarca Provincia del Gualivá, audiencia pública. , pp.2–3.
De Chazal, J. & Rounsevell, M.D.A., 2009. Land-use and climate change within assessments of biodiversity change: A review. Global Environmental Change, 19(2), pp.306–315.
Chazdon, R.L. et al., 2009. The Potential for Species Conservation in Tropical Secondary Forests. , 23(6), pp.1406–1417.
Chazdon, R.L., 2013. Tropical Forest Regeneration. In Levin S.A, ed. Encyclopedia of Biodiversity. Waltham, MA, pp. 277–286.
Crowley, M.A. et al., 2019. Generating intra-year metrics of wildfire progression using multiple open-access satellite data streams. Remote Sensing of Environment, 232(October 2018), p.111295. Available at: https://doi.org/10.1016/j.rse.2019.111295. Frohn, R.C., 2007. The use of landscape pattern metrics in remote sensing image classification. , 1161.
H. Ricardo Grau, M.A., 2008. Globalization and land-use transitions in Latin America. Ecology and Society, 13(2).
Haralick, R.M. & Shapiro, L.G., 1985. Image segmentation Techniques.pdf. Computer vision, graphics and image processing.
Hincapié, J.C. et al., 2002. Páramos y ecosistemas altos andinos de Colombia en condición hotspot y global climatic tensor.
Hossain, M.D. & Chen, D., 2019. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective. ISPRS Journal of Photogrammetry and Remote Sensing, 150(February), pp.115–134. Available at: https://doi.org/10.1016/j.isprsjprs.2019.02.009.
Instituto Alexander Von Humboldt, 2017. Expediciones Humboldt, San Francisco, Cundinamarca.
Jensen, J.R., 2015. Introductory digital image processing. Lambin, E.F., Rounsevell, M.D.A. & Geist, H.J., 2000. Are agricultural land-use models able to predict changes in land-use intensity? Agriculture, Ecosystems and Environment, 82(1–3), pp.321–331.
Laurance, W.F., Sayer, J. & Cassman, K.G., 2014. Agricultural expansion and its impacts on tropical nature. Trends in Ecology and Evolution, 29(2), pp.107–116. Liang, S., Xiaowen, L. & Wang, J., 2012. Advanced Remote Sensing.
McGarigal, K., 1994. FRAGSTATS: spatial pattern analysis program for quantifying landscape structure. USDA Forest Service General Technical Report PNW, 97331(503). Available at: http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Fragstats+spatial+pattern+analysis+program+for+quantifying+landscape+structure#2.
Metzger, M.J. et al., 2006. The vulnerability of ecosystem services to land use change. Agriculture, Ecosystems & Environment, 114(1), pp.69–85.
Newman, M.E., Mclaren, K.P. & Wilson, B.S., 2011. Comparing the effects of classification techniques on landscape-level assessments: pixel-based versus object-based classification. , 1161.
Pettorelli, N. et al., 2014. Satellite remote sensing , biodiversity research and conservation of the future.
Rose, R.A. et al., 2014. Ten ways remote sensing can contribute to conservation. , 29(2), pp.350–359.
Rudel, T.K., Bates, D. & Machinguiashi, R., 2002. A Tropical Forest Transition? Agricultural Change, Out-migration, and Secondary Forests in the Ecuadorian Amazon. Annals of the Association of American Geographers, 92(1), pp.87–102.
Sánchez-Cuervo, A.M. et al., 2012. Land Cover Change in Colombia: Surprising Forest Recovery Trends between 2001 and 2010. PLoS ONE, 7(8).
Schiewe, J., 2002. ACSG Table of contents Table des matières Authors index Index des auteurs Search Exit Sortir SEGMENTATION OF HIGH-RESOLUTION REMOTELY SENSED DATA - CONCEPTS , APPLICATIONS AND PROBLEMS. Symposium on Geospatial Theory, Processing and Applications, (June), pp.1–6.
Wassenaar, T. et al., 2007. Projecting land use changes in the Neotropics: The geography of pasture expansion into forest. Global Environmental Change, 17(1), pp.86–104.
Yanghua, Z., Huiping, L. & Yang, X., 2016. Comparison and Analysis of Landscape Metrics based on Pixel Classification and Object Classification Methods.
7. Anexos
Como se señaló se hizo una reclasficiación de la clasificación que sacó cada uno de los métodos, en el documento se señala visualmente las uniones y agrupaciones que se hicieron de las clases, a continuación se especifica qué cambios se efectuaron.
Anexo 1 : Reclasificación de cada clasificación, en la primer columna se señala el tipo de clasificación y la ventana: Seg (segmentación) pix (pixeles) V1 (venatana 1) V2 (ventana 2), igualmente en esta columna se indica el número de las clases que se agruparon, mientras que la segunda columna muestra cuál fue el número nuevo que se le asignó a la agrupación, finalmente la tercera columna indica el nombre que se le asignó a esa clasificación y quedó plasmada en la figura 4 y 5 del documento.