All language subtitles for gis-capstone - 04 - Classifying Imagery and Derived Products (Review from Imagery, Automation, and Applications).es

[MÚSICA]

Hola a todos y bienvenidos de nuevo.

En esta conferencia, voy a tratar de reunir todos estos conceptos de imágenes que

te he estado enseñando en una aplicación realmente práctica.

Es probable que esta conferencia sea bastante larga.

Así que siéntate conmigo, debería ser muy interesante.

En la última conferencia, le mostré NDVI que es una aplicación práctica

de usar imágenes, pero en esta conferencia voy a mostrar la clasificación de imágenes.

Que con NDVI, sabemos lo que estamos buscando y

conocemos un algoritmo que nos lleva allí razonablemente con un par de bandas.

¿ Qué pasa si tenemos un conjunto más amplio de cosas que estamos buscando o

simplemente queremos ver qué tipo de cosas hay en el paisaje?

La clasificación de imágenes nos lleva allí.

Tal vez queremos encontrar todos los lugares urbanos, o

todos los lugares agrícolas, o toda el agua.

El agua se ve diferente en todas partes, y la agricultura se ve diferente en todas partes,

y las áreas urbanas se ven diferentes en todas partes, por lo que encontrarlas no es

tanto lo mismo que usar NDVI para encontrar una vegetación saludable.

Es posible que necesitemos descubrir diferentes propiedades de cada una de ellas que nos

permitan identificarlas desde el espacio con imágenes de detección remota.

Esto es lo que hacemos con la clasificación de imágenes.

Creamos firmas para áreas de interés

que nos ayudan a identificar áreas para las que no hemos creado firmas.

Podemos clasificar aquellas ubicaciones de las que no sabemos nada

en función de las que le hayamos hablado al software SIG.

Esto tendrá sentido en un momento.

Primero, tenemos nuestra imagen de Landsat, y

una vez más está en la banda equivocada ordenando aquí, así que vamos a corregirlo.

Vaya a propiedades, y en simbología, estableceré las bandas en sus bandas correctas.

La banda 4 con Landsat es roja, la banda 3 es verde y la banda 2 es azul.

Voy a hacer clic en aplicar y eso se ve mucho mejor para mí.

Una cosa para aquellos de ustedes que están siguiendo a lo largo de la nota es que no

necesariamente tienen que descargar el enorme archivo para esto ahora mismo.

Si ya descargó los datos de Landsat y los componía en un

ráster de geodatabase de archivos, puede usarlo en lugar de descargar este en particular aquí.

Eso es todo esto, es el ráster 11 banda completa usando datos Landsat.

Ahora, para empezar, la clasificación de imágenes viene como una barra de herramientas en nuestro SIG.

Haga clic derecho en un espacio en blanco arriba en la barra de herramientas y

haga clic en clasificación de imágenes en el menú desplegable que aparece.

Sólo voy a desacoplar esto.

En general,

estamos trabajando con lo que sea el rastor en esta pequeña lista desplegable de aquí abajo.

Tengo unos botones aquí arriba.

Tengo un administrador de muestras de entrenamiento, que usaremos en un momento, soltaré polígono para la

muestra de entrenamiento, y luego tengo un botón de clasificación.

Hagamos una clasificación rápida sin supervisión.

Lo que eso significa es que va a usar modelos estadísticos para tratar de averiguar

cuáles deberían ser las clases, en qué grupos diferentes caen estos píxeles,

pero no sabrá cuáles son esos píxeles.

Solo intentará minimizar la variación dentro de un grupo y

averiguar qué cosas parecen ser capaces de agruparse.

Voy a ejecutar eso y aparece y notarás que es una

herramienta de geoprocesamiento, por lo que probablemente podamos encontrarla en la caja de herramientas también y

podemos buscar el clúster Iso, eso debería ser suficiente.

Podemos ver que está en herramientas especiales de analista bajo segmentación y

clasificación.

Así que podemos ir a buscar estas herramientas también aquí.

Agregó la escena Landsat, todas las bandas en capas,

el ráster aquí a mis bandas ráster de entrada para mí.

Voy a decirle que encuentre, cinco clases y

que cree un ráster clasificado,

llamado Clasificación no supervisada.

Dejaré estos otros en sus valores predeterminados y haré clic en Aceptar.

Mientras está funcionando, vamos a hablar de lo que es sólo un poco más.

Ahora, supervisado versus no supervisado.

Tal vez puedas adivinar qué es eso,

pero sin supervisión significa que la computadora lo resuelve todo.

No estamos supervisando la computadora.

Mientras que una clasificación supervisada significa que le decimos

a la computadora qué buscar.

Somos los supervisores de esa clasificación.

Eso puede parecer un poco obvio, pero sólo quiero dejarlo claro porque

vamos a usar esa terminología un poco.

Ahora, también mientras está funcionando, vamos a configurar nuestra clasificación supervisada.

En una clasificación supervisada, recorremos la imagen y dibujamos polígonos que

le dicen a la computadora, esta es área urbana o esta es agricultura.

Lo que hace es mirar las combinaciones de bandas en los valores

en cada píxel y decir que sé que cuando obtengo este valor en rojo,

este valor en verde, este valor en azul, este valor en infrarrojo cercano y

este valor en infrarrojo de onda corta, es agricultura.

Pero cuando el uso cambia a esta otra cosa,

como sucede en esta otra área de muestra de entrenamiento, eso significa que es agua.

Vamos a hacer eso.

Para empezar, vamos a acercar este lago aquí y vamos a crear un polígono aquí.

Dice crear una muestra de entrenamiento dibujando un polígono, por lo que

no estamos creando una clase de entidad ni nada.

Estamos creando un polígono que usaremos para decirle que esto es agua.

No necesitamos ser súper precisos, pero tenemos que cubrir diferentes colores y

valores de banda.

Cuando termine de crear el polígono, puedo hacer doble clic para terminarlo y hacer

que permanezca allí.

Si quiero ver mis polígonos, puedo ir al administrador de muestras de entrenamiento y

me da estos polígonos aquí y en general,

lo que quiero hacer es enfocarme en un tipo de cosas a la vez.

Me voy a centrar sólo en el agua hasta que termine de crear muestras de entrenamiento para el

agua en este momento.

Y esa no es una regla difícil y rápida,

solo es un poco más fácil con el funcionamiento de ArcGIS. En

lo que quiero enfocarme mientras estoy creando estos polígonos es

que acaba de terminar las clasificaciones no supervisadas.

Permítanme terminar de crear este polígono primero en esta parte del lago.

Pero lo que quiero hacer mientras estoy creando mis polígonos es enfocarme en obtener

variación en los tipos de cosas que representan un concepto. El

agua puede parecer este tipo de verde turbio o

este tipo de azul azulado y luego si uso C para

desplazar y arrastrar, también puede ser este azul oscuro profundo aquí y luego hay

otro agujero como aquí abajo que es un azul claro que tendemos a pensar como agua.

Quiero asegurarme de que capturé todos estos en mi polígono de entrenamiento aquí para

decirle a ArcGIS que así es el aspecto del agua en esta imagen.

Incluso tiene esta reflectancia diferente a veces cuando

se altera la superficie del agua, refleja la luz solar en el satélite.

Así que eso es agua allí y cuando termine de crear muestras de entrenamiento para

un elemento, voy a seleccionarlas todas haciendo clic en uno, manteniendo pulsada la tecla Mayús y

haciendo clic en la parte superior.

Voy a presionar este botón de muestras de entrenamiento de fusión aquí y

luego haré clic en el nombre de la clase y solo voy a darle el nombre de la clase Agua aquí.

Esos van a tener un valor uno y le daré un color de azul por ahora.

Tomemos un descanso por un momento y echemos

un vistazo a la clasificación no supervisada y veamos cómo lo hizo.

Cerraré el sencillo gerente de entrenamiento, y lo que puedo ver de inmediato es que

estamos trabajando en este lago aquí, pero

también parece pensar que lo que hay aquí es lo mismo que lo que hay aquí dentro.

Así que sabemos que se perdió un poco.

Ese lago se fusiona con un montón de otras cosas que no son agua

en las montañas y se mezcla con la agricultura aquí abajo.

Hay muchos diferentes Aunque hay un montón de diferentes tipos de agricultura

aquí abajo y los arroja en un montón de clases diferentes o

dos clases diferentes al menos, esta clase roja y esta clase verde.

Ahora, recuerde que no sabe qué son estas clases, qué significan,

solo está tratando de averiguar estadísticamente qué

píxeles se agrupan mejor y cuáles no deberían estar en el mismo grupo.

Y así no va a ser perfecto, pero tal vez haya casos en los que

nos ayude a entender el paisaje un poco mejor y podemos jugar con

la configuración del número mínimo de píxeles en un grupo y el número de

grupos para intentar que sea un poco más preciso para nosotros.

Pero mientras tanto, vamos a centrarnos en la clasificación supervisada donde podemos

mejorar aún más los resultados.

Así que ya hemos hecho nuestra agua.

Ahora digamos que queremos hacer cinco clases de nuevo.

Queremos hacer agua, queremos hacer tierra desnuda, queremos hacer vegetación, y

luego vegetación agrícola, y luego áreas urbanas como ciudades y pueblos.

Vamos a hacer tierra desnuda ahora que podemos hacer una especie de franjas anchas del paisaje aquí.

Voy a ser bastante descuidado aquí y hacer eso.

Y consigue este tipo de área más ligera por aquí que tiene alguna variación en ella,

y hazlo.

Y seré un poco rápido.

Y generalmente quieres ser un poco más preciso que lo que estoy haciendo.

Pero recuerde, nuestro gran enfoque es encontrar los diferentes

tipos de lugares que representan la tierra desnuda aquí.

Por lo tanto, si creo un polígono aquí, con un color un poco diferente,

y trato de extenderme a través de la imagen, para

ver que estás obteniendo todas las cosas diferentes.

Porque estas son escenas grandes y

hay diferentes áreas con diferentes colores sólo en la roca y el paisaje.

Así que aquí arriba hay una especie de tierra rojiza desnuda que debería

asegurarme de echar un vistazo y agregar a mi muestra de barril.

Vale, eso es bueno.

Revisemos el Training Sample Manager de nuevo y

fusionemos el siguiente grupo de cosas que acabo de crear en uno.

Y lo llamaré «Bare».

Y eso va a tener un valor de 7.

Y hagámoslo un poco de bronceado anaranjado, como la agrupación allí.

Vale, y ahora vamos a hacer otra.

Vamos a hacer vegetación aquí.

Así que voy a seleccionar esto aquí y esto aquí.

Y definitivamente una especie de área más oscura de aquí arriba.

Pero, vamos también a acercarnos, porque hay algunos prados

en Sierra Nevada que son un poco más claros de color verde, y

podrían no ser capturados en algunas de mis otras muestras, aquí.

Vamos a agarrar esto aquí, tiene una serie de colores diferentes en esta área.

E incluso estoy teniendo problemas aquí para decir si esto es,

estos son pequeños estanques o vegetación.

Pero creo que es vegetación.

Tal vez algunos cortes claros que están empezando a crecer de nuevo o algo así.

Así que vamos a asegurarnos de que los capturamos en algún tipo de polígono aquí.

Está bien.

Y luego tenemos otra vegetación aquí arriba.

Lo cual no estoy seguro,

podría ser agricultura pero parece que tal vez no lo es.

Es difícil de decir.

Así que esto se vuelve borroso bastante rápido incluso cuando tienes una clasificación supervisada.

Y captemos esto también, y llamemos a eso bueno.

Y luego nos fusionaremos, nuestra clase otra vez y

lo llamaremos, Vegetación y

el No Intensivo, ya que voy a hacer Agricultura Intensiva a continuación.

Eso va a ser un valor de 13 y voy a darle verde claro.

Volviendo aquí y para aquellos que se preguntan cómo estoy desplazando nuevamente,

mantengo presionado C y luego hago clic y arrastrando para hacer eso y

luego suelto C cuando estoy listo usar la herramienta que ya tengo.

Ahora me permite cambiar rápidamente a la herramienta panorámica sin ir constantemente a la barra de herramientas.

Vale ahora Ag tiene un montón de colores diferentes asociados con él.

Y estos son sólo en la luz visible probablemente muy diferente una vez que incluimos

todas las bandas que han sido capturadas durante nuestras áreas de entrenamiento.

Voy a ser un poco descuidado.

Podría ser bueno si pudiera sólo los campos sin las líneas entre ellos.

Voy a capturar algunas áreas amplias de la agricultura aquí que parecen

tener diferentes representaciones de cómo se ve Ag en el paisaje.

porque incluso tiene algunas ubicaciones rojizas, y luego tiene verde profundo, y

verde claro, y ligeramente bronceado.

Todos probablemente la agricultura diferentes fases.

Este tipo de áreas azuladas podrían ser campos inundados de arroz.

Así que queremos asegurarnos de obtener una buena representación aquí.

Vale, y eso debería ser bueno para eso.

Púrgalo de nuevo, llámalo Ag.

Haz que sea un color verde profundo.

Y luego hagamos una última aquí, que es las zonas urbanas.

Y voy a hacer grandes franjas de áreas urbanas aquí.

Y de nuevo tratar de capturar los diferentes pueblos y ciudades de la región.

Así que nos aseguraremos de hacer zoom un poco y

capturar todos los diferentes tipos de áreas urbanas.

Parece un aeropuerto aquí.

Bien ahora antes de ir y ejecutar mi clasificación,

una cosa que podría querer hacer es evaluar qué tan bien

parecen estar haciendo mis muestras de entrenamiento incluso antes de ver cómo las clasifican y

una forma de hacerlo es usar la herramienta de diagrama de dispersión aquí.

Así que vamos a seleccionar dos de estos aquí y voy a usar la

herramienta de mostrar gráficos de dispersión y veremos si mi computadora puede manejar esto.

Y lo que debería pasar es que los paneles deberían volar.

Vamos a expandirlo un poco, para que podamos verlo mejor y, lo que estamos

viendo aquí es una referencia cruzada de los valores y las diferentes bandas.

Así que, la banda tres es verde, frente a la banda uno es una banda de aerosoles.

Y, nos muestra este tipo de gráfico cruzado entre dos bandas a la vez.

Y, luego nos muestra los valores de cada una de esas bandas en el gráfico.

Entonces, donde la curva 11, digamos, es una intensidad de 25.000. La

banda 1 tiene una intensidad de alrededor de 15.000 aquí en los mismos casos.

Por lo tanto, muestra todos los píxeles en nuestra muestra de entrenamiento y

lo que queremos aquí es que no sean coincidentes.

Estas manchas no deberían alinearse entre sí porque en realidad estamos diciendo

sus cosas diferentes.

Por lo tanto, deberían tener diferentes valores en estos gráficos.

Así que si tenemos mucha alineación como lo hago ahora, especialmente en estos aquí abajo,

podría ser que no estamos haciendo un gran trabajo, o que nuestras

definiciones de clase promuevan la superposición y que van a ser difíciles de separar.

Así que puede ser que la vegetación, no intensiva en el ag,

tenga mucha superposición y

que va a ser difícil de entrenar, pero si tengo mucha superposición en mis

gráficos aquí como lo hago ahora, entonces podría ser una señal de que necesito pasar un poco

más de tiempo refinando mis muestras de entrenamiento y asegurándome de obtener áreas más ajustadas, así que

soy un poco menos rápido y descuidado como lo he estado haciendo en esta demostración, y

un poco más cuidadoso en mis bordes en lo que estoy seleccionando.

En uno realmente bueno,

vas a ver mucha distinción entre estas manchas de color diferentes aquí.

Y que quede claro, la mancha verde es la Ag aquí y

la mancha plateada es la urbana, al igual que los colores que he mostrado aquí abajo.

Vale, ahora otra forma de evaluarlo

, sin embargo, es ejecutar la clasificación.

Y vamos a ocultar esto por ahora y así para ejecutarlo vamos a la clasificación y

luego a la clasificación de máxima probabilidad.

Pero primero necesito guardar mis firmas. Por lo

tanto, lo que vamos a hacer es hacer clic en el botón Crear un archivo de firma.

Dale un nombre de archivo y lo guardará como archivo de firma.

Así Landsat escena todas las bandas demo, guardar y escribe mi archivo de firma para mí.

Y ahora esto podría tomar un tiempo y

ahora puedo hacer la clasificación de máxima probabilidad en los datos.

Así que de nuevo, cuando lo hago sin seleccionar el menú desplegable, lo agrega como

las bandas ráster de entrada, y luego voy a buscar el archivo de firma que acabo de guardar.

Así que necesito llegar a mi carpeta de usuario.

Y si lo sigues, ve a buscar al que salvaste,

no sigas adonde voy, porque aquí es donde lo guardé.

Vale y luego me pregunta dónde quiero poner mi ráster de salida,

mi ráster clasificado de salida, así que voy a llamarlo Landsat clasificado v1.

Y esta v1 es importante para mí al menos, porque sé que mi primera

clasificación no va a ser la mejor.

Este es un proceso de refinamiento.

Podrías hacer cinco o diez de estas clasificaciones y

cada vez que vas a hacer referencia a esa gráfica de dispersión y ver si puedes obtener

mejores áreas de interés o incluso mejores polígonos que son tus muestras de entrenamiento.

Y luego vas a ejecutar la clasificación de nuevo.

Vea cómo funciona visualmente y, a continuación, vuelva a evaluar y

agregue más polígonos de entrenamiento y elimine polígonos de entrenamiento.

Así que V1 me ayuda a hacer un seguimiento de cómo lo estoy haciendo aquí.

Y, de hecho, sería bueno si hubiera nombrado mi

archivo de firma de la misma manera, y agregado V1.

Para saber qué ráster vino de qué archivo de firma, para

que, si empiezo a empeorar, de repente,

pueda volver al ráster que era mejor, y al archivo de firma que era mejor.

Por lo tanto, Es bueno hacer un seguimiento de estas cosas.

También voy a mirar el ráster de confianza de salida,

así que voy a tener que guardarlo, un ráster de confianza.

Voy a llamarlo confidence_v1 para que coincida.

Y lo que me dice es que este es un ráster que muestra la certeza de

la clasificación en 14 niveles de confianza con los valores más bajos

siendo la mayor confiabilidad.

Y veremos cómo usarlo en un momento.

Así que haré clic en Aceptar para ejecutarlo y esto también podría tomar un tiempo.

Así que podemos sentarnos y esperar un poco.

Bien y cuando esté hecho obtengo dos rásteres,

mi ráster de confianza y mi ráster de clasificación aquí.

Y inicialmente, de vez en cuando elige colores que se parecen un poco a los

que eligió, pero lo que realmente está pasando es, son los valores aquí.

Por lo tanto, el valor en el ráster de clasificación coincide con el valor que ponemos aquí.

Entonces, lo que me gusta hacer para hacerlo más intuitivo es establecer los colores en

mi ráster para que coincidan aproximadamente con lo que tengo en mi ventana de clasificación aquí.

Entonces Behr va a ser una especie de amarillo anaranjado y no intensivo

será un verde claro y ag será un verde oscuro de algún tipo.

Y lo urbano es gris.

Vale, y ahora podemos ir a echar un vistazo y ver aproximadamente lo bien que nos fue en esto.

Así que se ve relativamente bien para mí.

Estoy seguro de que hay muchas mejoras pero esta zona urbana de aquí fue capturada.

La AG se limita en su mayoría a las áreas de AG.

Tengo un poco de agonía en esta franja que en

realidad no es agricultura aquí.

Es muy probable que sólo sea un área boscosa.

Así que podría ser yo, sobre el muestreo de mi Ag, o

bajo muestreo de mis áreas boscosas donde necesito proporcionar algunos polígonos más para

mi clase no intensiva de vegetación, que realmente capturó esta área aquí.

Y, luego echemos un vistazo a las áreas regadas.

Así que capturó los lagos bastante bien.

Tampoco predijo demasiado los lagos.

Así que hicimos un buen trabajo con eso.

Tal vez no lo predijimos.

Podría haber algunos polígonos por aquí.

Y entonces parece que tal vez debería haber hecho un área de nieve o

capturado esto como una clase de tierra desnuda y nieve porque parece pensar que

la capa de nieve allí es urbana.

Así que podemos ver algunas áreas para corregir, pero

que hicimos un buen trabajo de hacer que automáticamente nos diga lo que todo está aquí.

Y entonces lo que podemos hacer con esto es tal vez convertir a polígonos para el análisis, o

usarlo en una cadena de procesamiento de ráster adicional, sabiendo que cada valor de píxel es

ahora el tipo de algo en lugar de solo algunos valores de imágenes sin procesar.

Ahora, una herramienta más gruesa que podemos usar para

refinar en rondas futuras es este ráster de confianza.

Entonces, donde se leen los valores aquí.

Arc GIS está diciendo que sabes, no estoy realmente seguro de que tengo esto bien, y

así que podríamos ir a usarlo como entrada para decir bien, tal vez necesitamos algunas

muestras de entrenamiento que cubran estas áreas en particular un poco más.

Si no está realmente seguro de que sea correcto, probablemente deberíamos proporcionar

nuevas muestras de capacitación que se parezcan a aquellas áreas de las que no está seguro.

Para que podamos darle más información para su clasificación.

Ahora una última cosa que he estado hablando de proporcionar nuevas muestras de entrenamiento.

Pero entonces, si quiero trabajar en una de estas clases,

probablemente debería repartirla.

Por lo tanto, digamos que quiero proporcionar nuevas muestras de capacitación urbana.

Así que, voy a hacer clic en él, y voy a volver a dividirlo.

Y va a llamarlos urbanos 1, 2, 3, 4, 5 y

6 y me devuelve esos polígonos como polígonos individuales.

Y luego lo que normalmente haré es ir a agregar nuevos polígonos urbanos aquí.

O puede eliminar los individuales,

decir que piensa que uno de estos era un poco demasiado amplio.

Así que tal vez uno urbano era un poco demasiado amplio, así que

puedo hacer clic en eso y luego eliminar las muestras de capacitación seleccionadas.

Y ahora no tengo esa que quizás estaba causando algunas

malas predicciones en otros lugares, porque era demasiado grande.

Puedo ir a crear nuevas y refinadas muestras de entrenamiento que son un poco más específicas de

un área, o algo así.

Y luego, cuando termine, puedo fusionarlos de nuevo,

seleccionándolos y usando el botón Combinar de nuevo.

Y si quiero, puedo guardarlos como un shapefile, solo para

tener estos polígonos en otro lugar.

Para la clasificación, debe guardar las muestras de entrenamiento usando este botón, pero

también puede guardar estos polígonos para usted en otro lugar.

Tal vez desee usarlos para la

extracción de ráster en algunas otras herramientas también.

Está bien, eso es todo para esta conferencia.

Si fuera a continuar, seguiría refinando esto, como dije,

y comenzaría a eliminar áreas de entrenamiento que estaban causando malas predicciones.

Y agregar nuevas áreas de entrenamiento para refinar las predicciones, basadas en mi

ráster de confianza, basadas en mis gráficas de dispersión, para tratar de asegurarse de que las gráficas de dispersión no se

superpongan demasiado, y luego en base a mis rásteres de clasificación reales.

Y luego, si hubiera terminado, podría empezar a tomar mi ráster clasificado y

usarlo en otras canalizaciones.

Y debido a que Landsat intenta ser consistente, podría usar mucho tiempo esta misma

clasificación en imágenes futuras de landsat o imágenes pasadas de landsat.

Así que podría automatizarlo en toda la pila de imágenes de Landsat y decir bien, así

es como se ve Urban en esta área.

Si quiero ver diferentes caminos y

filas de paisajes en áreas básicamente diferentes, debería

asegurarme de tener una clasificación que cubra esas áreas, también.

No debería aplicar una clasificación de esta zona a una nueva

ubicación en la Tierra.

Por lo tanto, hay un límite para esa reutilización, pero si obtiene un amplio alcance espacial en su

clasificación, puede usarlo en muchas escenas de paisaje diferentes generalmente,

potencialmente con algún refinamiento adicional.

Vale, así que esa es la clasificación.

Lo que hicimos es tomar

una imagen de detección remota con muchas bandas, crear una muestra de entrenamiento.

O un conjunto de muestras de entrenamiento que tenían diferentes nombres de clase con

diferentes significados para nosotros y podríamos polígonos que contienen arco GIS.

¿ Qué valores en las 11 bandas de landsat coinciden con esas cosas particulares

como el agua o la tierra desnuda?

Y luego, ejecutamos una clasificación utilizando esas muestras de capacitación en la

imagen de Landsat para que ArcGIS prediga qué están todos los píxeles en el paisaje.

Creo que esta es una funcionalidad realmente genial y muy poderosa en SIG.

Hay mucho más aquí en términos de evaluar el éxito y

en términos de cómo aplicar esto.

En una escala más amplia que no estaremos cubriendo en este curso.

Pero tendrás algo de práctica en la tarea de esta semana,

así que espero que eso te ayude al menos a recoger los conceptos básicos de esto, para

que puedas seguir usándolo en tu propio trabajo.

Está bien nos vemos la próxima vez.