Would you like to inspect the original subtitles? These are the user uploaded subtitles that are being translated:
1
00:00:00,000 --> 00:00:07,969
[MÚSICA]
2
00:00:07,969 --> 00:00:10,010
Hola a todos y bienvenidos de nuevo.
3
00:00:10,010 --> 00:00:14,330
En esta conferencia, voy a tratar de reunir todos estos conceptos de imágenes que
4
00:00:14,330 --> 00:00:18,210
te he estado enseñando en una aplicación realmente práctica.
5
00:00:18,210 --> 00:00:20,670
Es probable que esta conferencia sea bastante larga.
6
00:00:20,670 --> 00:00:24,360
Así que siéntate conmigo, debería ser muy interesante.
7
00:00:24,360 --> 00:00:28,310
En la última conferencia, le mostré NDVI que es una aplicación práctica
8
00:00:28,310 --> 00:00:32,948
de usar imágenes, pero en esta conferencia voy a mostrar la clasificación de imágenes.
9
00:00:32,948 --> 00:00:35,900
Que con NDVI, sabemos lo que estamos buscando y
10
00:00:35,900 --> 00:00:40,390
conocemos un algoritmo que nos lleva allí razonablemente con un par de bandas.
11
00:00:40,390 --> 00:00:43,700
¿ Qué pasa si tenemos un conjunto más amplio de cosas que estamos buscando o
12
00:00:43,700 --> 00:00:47,820
simplemente queremos ver qué tipo de cosas hay en el paisaje?
13
00:00:47,820 --> 00:00:49,830
La clasificación de imágenes nos lleva allí.
14
00:00:51,050 --> 00:00:54,510
Tal vez queremos encontrar todos los lugares urbanos, o
15
00:00:54,510 --> 00:00:57,440
todos los lugares agrícolas, o toda el agua.
16
00:00:57,440 --> 00:01:03,062
El agua se ve diferente en todas partes, y la agricultura se ve diferente en todas partes,
17
00:01:03,062 --> 00:01:07,733
y las áreas urbanas se ven diferentes en todas partes, por lo que encontrarlas no es
18
00:01:07,733 --> 00:01:11,780
tanto lo mismo que usar NDVI para encontrar una vegetación saludable.
19
00:01:11,780 --> 00:01:15,904
Es posible que necesitemos descubrir diferentes propiedades de cada una de ellas que nos
20
00:01:15,904 --> 00:01:19,550
permitan identificarlas desde el espacio con imágenes de detección remota.
21
00:01:19,550 --> 00:01:22,180
Esto es lo que hacemos con la clasificación de imágenes.
22
00:01:22,180 --> 00:01:25,350
Creamos firmas para áreas de interés
23
00:01:25,350 --> 00:01:29,170
que nos ayudan a identificar áreas para las que no hemos creado firmas.
24
00:01:29,170 --> 00:01:32,840
Podemos clasificar aquellas ubicaciones de las que no sabemos nada
25
00:01:32,840 --> 00:01:36,040
en función de las que le hayamos hablado al software SIG.
26
00:01:36,040 --> 00:01:38,330
Esto tendrá sentido en un momento.
27
00:01:38,330 --> 00:01:41,440
Primero, tenemos nuestra imagen de Landsat, y
28
00:01:41,440 --> 00:01:47,928
una vez más está en la banda equivocada ordenando aquí, así que vamos a corregirlo.
29
00:01:47,928 --> 00:01:54,202
Vaya a propiedades, y en simbología, estableceré las bandas en sus bandas correctas.
30
00:01:54,202 --> 00:01:59,328
La banda 4 con Landsat es roja, la banda 3 es verde y la banda 2 es azul.
31
00:01:59,328 --> 00:02:03,630
Voy a hacer clic en aplicar y eso se ve mucho mejor para mí.
32
00:02:03,630 --> 00:02:06,735
Una cosa para aquellos de ustedes que están siguiendo a lo largo de la nota es que no
33
00:02:06,735 --> 00:02:10,070
necesariamente tienen que descargar el enorme archivo para esto ahora mismo.
34
00:02:10,070 --> 00:02:15,020
Si ya descargó los datos de Landsat y los componía en un
35
00:02:15,020 --> 00:02:18,930
ráster de geodatabase de archivos, puede usarlo en lugar de descargar este en particular aquí.
36
00:02:18,930 --> 00:02:25,200
Eso es todo esto, es el ráster 11 banda completa usando datos Landsat.
37
00:02:25,200 --> 00:02:29,100
Ahora, para empezar, la clasificación de imágenes viene como una barra de herramientas en nuestro SIG.
38
00:02:29,100 --> 00:02:31,100
Haga clic derecho en un espacio en blanco arriba en la barra de herramientas y
39
00:02:31,100 --> 00:02:34,885
haga clic en clasificación de imágenes en el menú desplegable que aparece.
40
00:02:34,885 --> 00:02:36,260
Sólo voy a desacoplar esto.
41
00:02:37,750 --> 00:02:38,410
En general,
42
00:02:38,410 --> 00:02:43,930
estamos trabajando con lo que sea el rastor en esta pequeña lista desplegable de aquí abajo.
43
00:02:43,930 --> 00:02:45,140
Tengo unos botones aquí arriba.
44
00:02:45,140 --> 00:02:49,610
Tengo un administrador de muestras de entrenamiento, que usaremos en un momento, soltaré polígono para la
45
00:02:49,610 --> 00:02:51,740
muestra de entrenamiento, y luego tengo un botón de clasificación.
46
00:02:53,050 --> 00:02:57,240
Hagamos una clasificación rápida sin supervisión.
47
00:02:57,240 --> 00:03:01,510
Lo que eso significa es que va a usar modelos estadísticos para tratar de averiguar
48
00:03:01,510 --> 00:03:05,160
cuáles deberían ser las clases, en qué grupos diferentes caen estos píxeles,
49
00:03:05,160 --> 00:03:06,900
pero no sabrá cuáles son esos píxeles.
50
00:03:06,900 --> 00:03:09,860
Solo intentará minimizar la variación dentro de un grupo y
51
00:03:09,860 --> 00:03:13,570
averiguar qué cosas parecen ser capaces de agruparse.
52
00:03:13,570 --> 00:03:18,382
Voy a ejecutar eso y aparece y notarás que es una
53
00:03:18,382 --> 00:03:21,988
herramienta de geoprocesamiento, por lo que probablemente podamos encontrarla en la caja de herramientas también y
54
00:03:21,988 --> 00:03:25,240
podemos buscar el clúster Iso, eso debería ser suficiente.
55
00:03:26,850 --> 00:03:30,730
Podemos ver que está en herramientas especiales de analista bajo segmentación y
56
00:03:30,730 --> 00:03:31,650
clasificación.
57
00:03:31,650 --> 00:03:33,900
Así que podemos ir a buscar estas herramientas también aquí.
58
00:03:35,240 --> 00:03:38,560
Agregó la escena Landsat, todas las bandas en capas,
59
00:03:38,560 --> 00:03:42,850
el ráster aquí a mis bandas ráster de entrada para mí.
60
00:03:42,850 --> 00:03:47,613
Voy a decirle que encuentre, cinco clases y
61
00:03:47,613 --> 00:03:51,605
que cree un ráster clasificado,
62
00:03:51,605 --> 00:03:56,007
llamado Clasificación no supervisada.
63
00:03:58,557 --> 00:04:02,715
Dejaré estos otros en sus valores predeterminados y haré clic en Aceptar.
64
00:04:05,035 --> 00:04:08,720
Mientras está funcionando, vamos a hablar de lo que es sólo un poco más.
65
00:04:08,720 --> 00:04:11,490
Ahora, supervisado versus no supervisado.
66
00:04:11,490 --> 00:04:12,840
Tal vez puedas adivinar qué es eso,
67
00:04:12,840 --> 00:04:16,410
pero sin supervisión significa que la computadora lo resuelve todo.
68
00:04:16,410 --> 00:04:18,690
No estamos supervisando la computadora.
69
00:04:18,690 --> 00:04:21,810
Mientras que una clasificación supervisada significa que le decimos
70
00:04:21,810 --> 00:04:22,310
a la computadora qué buscar.
71
00:04:22,310 --> 00:04:25,270
Somos los supervisores de esa clasificación.
72
00:04:25,270 --> 00:04:28,030
Eso puede parecer un poco obvio, pero sólo quiero dejarlo claro porque
73
00:04:28,030 --> 00:04:30,370
vamos a usar esa terminología un poco.
74
00:04:30,370 --> 00:04:33,990
Ahora, también mientras está funcionando, vamos a configurar nuestra clasificación supervisada.
75
00:04:35,190 --> 00:04:39,430
En una clasificación supervisada, recorremos la imagen y dibujamos polígonos que
76
00:04:39,430 --> 00:04:46,220
le dicen a la computadora, esta es área urbana o esta es agricultura.
77
00:04:46,220 --> 00:04:51,330
Lo que hace es mirar las combinaciones de bandas en los valores
78
00:04:51,330 --> 00:04:55,680
en cada píxel y decir que sé que cuando obtengo este valor en rojo,
79
00:04:55,680 --> 00:04:59,520
este valor en verde, este valor en azul, este valor en infrarrojo cercano y
80
00:04:59,520 --> 00:05:02,822
este valor en infrarrojo de onda corta, es agricultura.
81
00:05:02,822 --> 00:05:05,620
Pero cuando el uso cambia a esta otra cosa,
82
00:05:05,620 --> 00:05:10,060
como sucede en esta otra área de muestra de entrenamiento, eso significa que es agua.
83
00:05:10,060 --> 00:05:10,670
Vamos a hacer eso.
84
00:05:12,890 --> 00:05:19,030
Para empezar, vamos a acercar este lago aquí y vamos a crear un polígono aquí.
85
00:05:19,030 --> 00:05:21,420
Dice crear una muestra de entrenamiento dibujando un polígono, por lo que
86
00:05:21,420 --> 00:05:23,110
no estamos creando una clase de entidad ni nada.
87
00:05:23,110 --> 00:05:28,090
Estamos creando un polígono que usaremos para decirle que esto es agua.
88
00:05:28,090 --> 00:05:34,022
No necesitamos ser súper precisos, pero tenemos que cubrir diferentes colores y
89
00:05:34,022 --> 00:05:37,060
valores de banda.
90
00:05:37,060 --> 00:05:42,940
Cuando termine de crear el polígono, puedo hacer doble clic para terminarlo y hacer
91
00:05:42,940 --> 00:05:44,090
que permanezca allí.
92
00:05:44,090 --> 00:05:47,390
Si quiero ver mis polígonos, puedo ir al administrador de muestras de entrenamiento y
93
00:05:47,390 --> 00:05:51,100
me da estos polígonos aquí y en general,
94
00:05:51,100 --> 00:05:54,730
lo que quiero hacer es enfocarme en un tipo de cosas a la vez.
95
00:05:54,730 --> 00:05:57,720
Me voy a centrar sólo en el agua hasta que termine de crear muestras de entrenamiento para el
96
00:05:57,720 --> 00:05:58,260
agua en este momento.
97
00:05:58,260 --> 00:06:00,320
Y esa no es una regla difícil y rápida,
98
00:06:00,320 --> 00:06:04,520
solo es un poco más fácil con el funcionamiento de ArcGIS. En
99
00:06:04,520 --> 00:06:07,970
lo que quiero enfocarme mientras estoy creando estos polígonos es
100
00:06:09,950 --> 00:06:13,610
que acaba de terminar las clasificaciones no supervisadas.
101
00:06:13,610 --> 00:06:16,770
Permítanme terminar de crear este polígono primero en esta parte del lago.
102
00:06:17,980 --> 00:06:21,860
Pero lo que quiero hacer mientras estoy creando mis polígonos es enfocarme en obtener
103
00:06:21,860 --> 00:06:27,480
variación en los tipos de cosas que representan un concepto. El
104
00:06:27,480 --> 00:06:29,980
agua puede parecer este tipo de verde turbio o
105
00:06:29,980 --> 00:06:33,860
este tipo de azul azulado y luego si uso C para
106
00:06:33,860 --> 00:06:38,980
desplazar y arrastrar, también puede ser este azul oscuro profundo aquí y luego hay
107
00:06:38,980 --> 00:06:43,310
otro agujero como aquí abajo que es un azul claro que tendemos a pensar como agua.
108
00:06:43,310 --> 00:06:51,560
Quiero asegurarme de que capturé todos estos en mi polígono de entrenamiento aquí para
109
00:06:51,560 --> 00:06:55,330
decirle a ArcGIS que así es el aspecto del agua en esta imagen.
110
00:06:55,330 --> 00:06:58,530
Incluso tiene esta reflectancia diferente a veces cuando
111
00:06:58,530 --> 00:07:01,660
se altera la superficie del agua, refleja la luz solar en el satélite.
112
00:07:03,170 --> 00:07:08,690
Así que eso es agua allí y cuando termine de crear muestras de entrenamiento para
113
00:07:08,690 --> 00:07:12,500
un elemento, voy a seleccionarlas todas haciendo clic en uno, manteniendo pulsada la tecla Mayús y
114
00:07:12,500 --> 00:07:14,090
haciendo clic en la parte superior.
115
00:07:14,090 --> 00:07:17,630
Voy a presionar este botón de muestras de entrenamiento de fusión aquí y
116
00:07:17,630 --> 00:07:21,420
luego haré clic en el nombre de la clase y solo voy a darle el nombre de la clase Agua aquí.
117
00:07:21,420 --> 00:07:25,740
Esos van a tener un valor uno y le daré un color de azul por ahora.
118
00:07:27,900 --> 00:07:29,450
Tomemos un descanso por un momento y echemos
119
00:07:29,450 --> 00:07:33,070
un vistazo a la clasificación no supervisada y veamos cómo lo hizo.
120
00:07:33,070 --> 00:07:37,240
Cerraré el sencillo gerente de entrenamiento, y lo que puedo ver de inmediato es que
121
00:07:38,440 --> 00:07:41,670
estamos trabajando en este lago aquí, pero
122
00:07:41,670 --> 00:07:45,870
también parece pensar que lo que hay aquí es lo mismo que lo que hay aquí dentro.
123
00:07:45,870 --> 00:07:48,318
Así que sabemos que se perdió un poco.
124
00:07:48,318 --> 00:07:52,430
Ese lago se fusiona con un montón de otras cosas que no son agua
125
00:07:52,430 --> 00:07:55,840
en las montañas y se mezcla con la agricultura aquí abajo.
126
00:07:55,840 --> 00:07:58,730
Hay muchos diferentes Aunque hay un montón de diferentes tipos de agricultura
127
00:07:58,730 --> 00:08:01,560
aquí abajo y los arroja en un montón de clases diferentes o
128
00:08:01,560 --> 00:08:04,980
dos clases diferentes al menos, esta clase roja y esta clase verde.
129
00:08:04,980 --> 00:08:08,140
Ahora, recuerde que no sabe qué son estas clases, qué significan,
130
00:08:08,140 --> 00:08:10,690
solo está tratando de averiguar estadísticamente qué
131
00:08:10,690 --> 00:08:15,290
píxeles se agrupan mejor y cuáles no deberían estar en el mismo grupo.
132
00:08:15,290 --> 00:08:19,800
Y así no va a ser perfecto, pero tal vez haya casos en los que
133
00:08:19,800 --> 00:08:23,850
nos ayude a entender el paisaje un poco mejor y podemos jugar con
134
00:08:23,850 --> 00:08:28,560
la configuración del número mínimo de píxeles en un grupo y el número de
135
00:08:28,560 --> 00:08:31,960
grupos para intentar que sea un poco más preciso para nosotros.
136
00:08:31,960 --> 00:08:35,370
Pero mientras tanto, vamos a centrarnos en la clasificación supervisada donde podemos
137
00:08:35,370 --> 00:08:37,520
mejorar aún más los resultados.
138
00:08:37,520 --> 00:08:40,580
Así que ya hemos hecho nuestra agua.
139
00:08:40,580 --> 00:08:44,130
Ahora digamos que queremos hacer cinco clases de nuevo.
140
00:08:44,130 --> 00:08:48,963
Queremos hacer agua, queremos hacer tierra desnuda, queremos hacer vegetación, y
141
00:08:48,963 --> 00:08:54,205
luego vegetación agrícola, y luego áreas urbanas como ciudades y pueblos.
142
00:08:54,205 --> 00:08:58,465
Vamos a hacer tierra desnuda ahora que podemos hacer una especie de franjas anchas del paisaje aquí.
143
00:08:58,465 --> 00:09:02,260
Voy a ser bastante descuidado aquí y hacer eso.
144
00:09:03,460 --> 00:09:08,910
Y consigue este tipo de área más ligera por aquí que tiene alguna variación en ella,
145
00:09:08,910 --> 00:09:09,510
y hazlo.
146
00:09:10,590 --> 00:09:11,610
Y seré un poco rápido.
147
00:09:11,610 --> 00:09:14,660
Y generalmente quieres ser un poco más preciso que lo que estoy haciendo.
148
00:09:14,660 --> 00:09:18,590
Pero recuerde, nuestro gran enfoque es encontrar los diferentes
149
00:09:18,590 --> 00:09:22,810
tipos de lugares que representan la tierra desnuda aquí.
150
00:09:22,810 --> 00:09:26,170
Por lo tanto, si creo un polígono aquí, con un color un poco diferente,
151
00:09:26,170 --> 00:09:31,120
y trato de extenderme a través de la imagen, para
152
00:09:32,180 --> 00:09:36,150
ver que estás obteniendo todas las cosas diferentes.
153
00:09:36,150 --> 00:09:38,200
Porque estas son escenas grandes y
154
00:09:38,200 --> 00:09:41,420
hay diferentes áreas con diferentes colores sólo en la roca y el paisaje.
155
00:09:41,420 --> 00:09:45,240
Así que aquí arriba hay una especie de tierra rojiza desnuda que debería
156
00:09:45,240 --> 00:09:47,580
asegurarme de echar un vistazo y agregar a mi muestra de barril.
157
00:09:48,720 --> 00:09:49,790
Vale, eso es bueno.
158
00:09:49,790 --> 00:09:52,580
Revisemos el Training Sample Manager de nuevo y
159
00:09:52,580 --> 00:09:55,913
fusionemos el siguiente grupo de cosas que acabo de crear en uno.
160
00:09:58,060 --> 00:09:59,130
Y lo llamaré «Bare».
161
00:09:59,130 --> 00:10:02,250
Y eso va a tener un valor de 7.
162
00:10:02,250 --> 00:10:06,220
Y hagámoslo un poco de bronceado anaranjado, como la agrupación allí.
163
00:10:07,830 --> 00:10:11,640
Vale, y ahora vamos a hacer otra.
164
00:10:11,640 --> 00:10:14,420
Vamos a hacer vegetación aquí.
165
00:10:15,600 --> 00:10:22,204
Así que voy a seleccionar esto aquí y esto aquí.
166
00:10:24,364 --> 00:10:26,556
Y definitivamente una especie de área más oscura de aquí arriba.
167
00:10:32,114 --> 00:10:34,944
Pero, vamos también a acercarnos, porque hay algunos prados
168
00:10:34,944 --> 00:10:37,716
en Sierra Nevada que son un poco más claros de color verde, y
169
00:10:37,716 --> 00:10:40,523
podrían no ser capturados en algunas de mis otras muestras, aquí.
170
00:10:46,083 --> 00:10:51,480
Vamos a agarrar esto aquí, tiene una serie de colores diferentes en esta área.
171
00:10:51,480 --> 00:10:54,420
E incluso estoy teniendo problemas aquí para decir si esto es,
172
00:10:54,420 --> 00:10:56,710
estos son pequeños estanques o vegetación.
173
00:10:56,710 --> 00:10:57,750
Pero creo que es vegetación.
174
00:10:57,750 --> 00:11:01,140
Tal vez algunos cortes claros que están empezando a crecer de nuevo o algo así.
175
00:11:01,140 --> 00:11:07,470
Así que vamos a asegurarnos de que los capturamos en algún tipo de polígono aquí.
176
00:11:11,984 --> 00:11:13,430
Está bien.
177
00:11:13,430 --> 00:11:15,290
Y luego tenemos otra vegetación aquí arriba.
178
00:11:15,290 --> 00:11:16,680
Lo cual no estoy seguro,
179
00:11:16,680 --> 00:11:19,510
podría ser agricultura pero parece que tal vez no lo es.
180
00:11:20,510 --> 00:11:21,200
Es difícil de decir.
181
00:11:21,200 --> 00:11:25,020
Así que esto se vuelve borroso bastante rápido incluso cuando tienes una clasificación supervisada.
182
00:11:27,150 --> 00:11:29,648
Y captemos esto también, y llamemos a eso bueno.
183
00:11:31,340 --> 00:11:34,927
Y luego nos fusionaremos, nuestra clase otra vez y
184
00:11:34,927 --> 00:11:39,526
lo llamaremos, Vegetación y
185
00:11:39,526 --> 00:11:43,792
el No Intensivo, ya que voy a hacer Agricultura Intensiva a continuación.
186
00:11:46,475 --> 00:11:49,123
Eso va a ser un valor de 13 y voy a darle verde claro.
187
00:11:50,829 --> 00:11:54,735
Volviendo aquí y para aquellos que se preguntan cómo estoy desplazando nuevamente,
188
00:11:54,735 --> 00:11:58,021
mantengo presionado C y luego hago clic y arrastrando para hacer eso y
189
00:11:58,021 --> 00:12:01,260
luego suelto C cuando estoy listo usar la herramienta que ya tengo.
190
00:12:01,260 --> 00:12:06,230
Ahora me permite cambiar rápidamente a la herramienta panorámica sin ir constantemente a la barra de herramientas.
191
00:12:06,230 --> 00:12:09,930
Vale ahora Ag tiene un montón de colores diferentes asociados con él.
192
00:12:09,930 --> 00:12:13,450
Y estos son sólo en la luz visible probablemente muy diferente una vez que incluimos
193
00:12:13,450 --> 00:12:16,450
todas las bandas que han sido capturadas durante nuestras áreas de entrenamiento.
194
00:12:16,450 --> 00:12:17,980
Voy a ser un poco descuidado.
195
00:12:17,980 --> 00:12:20,620
Podría ser bueno si pudiera sólo los campos sin las líneas entre ellos.
196
00:12:21,900 --> 00:12:26,121
Voy a capturar algunas áreas amplias de la agricultura aquí que parecen
197
00:12:26,121 --> 00:12:30,570
tener diferentes representaciones de cómo se ve Ag en el paisaje.
198
00:12:34,285 --> 00:12:39,111
porque incluso tiene algunas ubicaciones rojizas, y luego tiene verde profundo, y
199
00:12:39,111 --> 00:12:41,950
verde claro, y ligeramente bronceado.
200
00:12:41,950 --> 00:12:44,410
Todos probablemente la agricultura diferentes fases.
201
00:12:44,410 --> 00:12:47,310
Este tipo de áreas azuladas podrían ser campos inundados de arroz.
202
00:12:48,460 --> 00:12:50,811
Así que queremos asegurarnos de obtener una buena representación aquí.
203
00:12:53,841 --> 00:12:55,980
Vale, y eso debería ser bueno para eso.
204
00:12:57,040 --> 00:13:01,400
Púrgalo de nuevo, llámalo Ag.
205
00:13:01,400 --> 00:13:02,530
Haz que sea un color verde profundo.
206
00:13:02,530 --> 00:13:08,870
Y luego hagamos una última aquí, que es las zonas urbanas.
207
00:13:08,870 --> 00:13:11,910
Y voy a hacer grandes franjas de áreas urbanas aquí.
208
00:13:16,380 --> 00:13:22,320
Y de nuevo tratar de capturar los diferentes pueblos y ciudades de la región.
209
00:13:22,320 --> 00:13:25,154
Así que nos aseguraremos de hacer zoom un poco y
210
00:13:25,154 --> 00:13:28,146
capturar todos los diferentes tipos de áreas urbanas.
211
00:13:31,507 --> 00:13:32,880
Parece un aeropuerto aquí.
212
00:13:35,710 --> 00:13:38,910
Bien ahora antes de ir y ejecutar mi clasificación,
213
00:13:38,910 --> 00:13:43,990
una cosa que podría querer hacer es evaluar qué tan bien
214
00:13:43,990 --> 00:13:48,420
parecen estar haciendo mis muestras de entrenamiento incluso antes de ver cómo las clasifican y
215
00:13:48,420 --> 00:13:53,980
una forma de hacerlo es usar la herramienta de diagrama de dispersión aquí.
216
00:13:53,980 --> 00:13:59,364
Así que vamos a seleccionar dos de estos aquí y voy a usar la
217
00:13:59,364 --> 00:14:04,859
herramienta de mostrar gráficos de dispersión y veremos si mi computadora puede manejar esto.
218
00:14:04,859 --> 00:14:07,749
Y lo que debería pasar es que los paneles deberían volar.
219
00:14:09,303 --> 00:14:14,172
Vamos a expandirlo un poco, para que podamos verlo mejor y, lo que estamos
220
00:14:14,172 --> 00:14:18,120
viendo aquí es una referencia cruzada de los valores y las diferentes bandas.
221
00:14:18,120 --> 00:14:23,730
Así que, la banda tres es verde, frente a la banda uno es una banda de aerosoles.
222
00:14:23,730 --> 00:14:28,630
Y, nos muestra este tipo de gráfico cruzado entre dos bandas a la vez.
223
00:14:28,630 --> 00:14:33,830
Y, luego nos muestra los valores de cada una de esas bandas en el gráfico.
224
00:14:33,830 --> 00:14:41,197
Entonces, donde la curva 11, digamos, es una intensidad de 25.000. La
225
00:14:41,197 --> 00:14:45,800
banda 1 tiene una intensidad de alrededor de 15.000 aquí en los mismos casos.
226
00:14:45,800 --> 00:14:49,280
Por lo tanto, muestra todos los píxeles en nuestra muestra de entrenamiento y
227
00:14:49,280 --> 00:14:51,720
lo que queremos aquí es que no sean coincidentes.
228
00:14:51,720 --> 00:14:54,860
Estas manchas no deberían alinearse entre sí porque en realidad estamos diciendo
229
00:14:54,860 --> 00:14:55,650
sus cosas diferentes.
230
00:14:55,650 --> 00:14:59,900
Por lo tanto, deberían tener diferentes valores en estos gráficos.
231
00:15:01,340 --> 00:15:05,760
Así que si tenemos mucha alineación como lo hago ahora, especialmente en estos aquí abajo,
232
00:15:05,760 --> 00:15:10,420
podría ser que no estamos haciendo un gran trabajo, o que nuestras
233
00:15:10,420 --> 00:15:13,810
definiciones de clase promuevan la superposición y que van a ser difíciles de separar.
234
00:15:15,340 --> 00:15:18,130
Así que puede ser que la vegetación, no intensiva en el ag,
235
00:15:18,130 --> 00:15:18,970
tenga mucha superposición y
236
00:15:18,970 --> 00:15:22,930
que va a ser difícil de entrenar, pero si tengo mucha superposición en mis
237
00:15:24,750 --> 00:15:29,585
gráficos aquí como lo hago ahora, entonces podría ser una señal de que necesito pasar un poco
238
00:15:29,585 --> 00:15:34,725
más de tiempo refinando mis muestras de entrenamiento y asegurándome de obtener áreas más ajustadas, así que
239
00:15:34,725 --> 00:15:39,415
soy un poco menos rápido y descuidado como lo he estado haciendo en esta demostración, y
240
00:15:39,415 --> 00:15:42,695
un poco más cuidadoso en mis bordes en lo que estoy seleccionando.
241
00:15:44,255 --> 00:15:45,355
En uno realmente bueno,
242
00:15:45,355 --> 00:15:50,765
vas a ver mucha distinción entre estas manchas de color diferentes aquí.
243
00:15:52,450 --> 00:15:55,230
Y que quede claro, la mancha verde es la Ag aquí y
244
00:15:55,230 --> 00:15:57,980
la mancha plateada es la urbana, al igual que los colores que he mostrado aquí abajo.
245
00:15:59,620 --> 00:16:01,480
Vale, ahora otra forma de evaluarlo
246
00:16:01,480 --> 00:16:06,650
, sin embargo, es ejecutar la clasificación.
247
00:16:06,650 --> 00:16:10,950
Y vamos a ocultar esto por ahora y así para ejecutarlo vamos a la clasificación y
248
00:16:10,950 --> 00:16:13,800
luego a la clasificación de máxima probabilidad.
249
00:16:13,800 --> 00:16:15,850
Pero primero necesito guardar mis firmas. Por lo
250
00:16:15,850 --> 00:16:22,400
tanto, lo que vamos a hacer es hacer clic en el botón Crear un archivo de firma.
251
00:16:22,400 --> 00:16:25,442
Dale un nombre de archivo y lo guardará como archivo de firma.
252
00:16:25,442 --> 00:16:30,749
Así Landsat escena todas las bandas demo, guardar y escribe mi archivo de firma para mí.
253
00:16:30,749 --> 00:16:34,090
Y ahora esto podría tomar un tiempo y
254
00:16:34,090 --> 00:16:40,540
ahora puedo hacer la clasificación de máxima probabilidad en los datos.
255
00:16:40,540 --> 00:16:45,320
Así que de nuevo, cuando lo hago sin seleccionar el menú desplegable, lo agrega como
256
00:16:45,320 --> 00:16:49,350
las bandas ráster de entrada, y luego voy a buscar el archivo de firma que acabo de guardar.
257
00:16:50,770 --> 00:16:53,401
Así que necesito llegar a mi carpeta de usuario.
258
00:16:56,820 --> 00:16:59,884
Y si lo sigues, ve a buscar al que salvaste,
259
00:16:59,884 --> 00:17:02,852
no sigas adonde voy, porque aquí es donde lo guardé.
260
00:17:05,632 --> 00:17:09,864
Vale y luego me pregunta dónde quiero poner mi ráster de salida,
261
00:17:09,864 --> 00:17:15,380
mi ráster clasificado de salida, así que voy a llamarlo Landsat clasificado v1.
262
00:17:15,380 --> 00:17:19,188
Y esta v1 es importante para mí al menos, porque sé que mi primera
263
00:17:19,188 --> 00:17:22,085
clasificación no va a ser la mejor.
264
00:17:22,085 --> 00:17:23,605
Este es un proceso de refinamiento.
265
00:17:23,605 --> 00:17:26,335
Podrías hacer cinco o diez de estas clasificaciones y
266
00:17:26,335 --> 00:17:30,740
cada vez que vas a hacer referencia a esa gráfica de dispersión y ver si puedes obtener
267
00:17:30,740 --> 00:17:35,280
mejores áreas de interés o incluso mejores polígonos que son tus muestras de entrenamiento.
268
00:17:35,280 --> 00:17:37,130
Y luego vas a ejecutar la clasificación de nuevo.
269
00:17:37,130 --> 00:17:40,343
Vea cómo funciona visualmente y, a continuación, vuelva a evaluar y
270
00:17:40,343 --> 00:17:44,003
agregue más polígonos de entrenamiento y elimine polígonos de entrenamiento.
271
00:17:44,003 --> 00:17:49,510
Así que V1 me ayuda a hacer un seguimiento de cómo lo estoy haciendo aquí.
272
00:17:49,510 --> 00:17:54,567
Y, de hecho, sería bueno si hubiera nombrado mi
273
00:17:54,567 --> 00:18:00,070
archivo de firma de la misma manera, y agregado V1.
274
00:18:00,070 --> 00:18:03,294
Para saber qué ráster vino de qué archivo de firma, para
275
00:18:03,294 --> 00:18:05,726
que, si empiezo a empeorar, de repente,
276
00:18:05,726 --> 00:18:10,230
pueda volver al ráster que era mejor, y al archivo de firma que era mejor.
277
00:18:10,230 --> 00:18:13,280
Por lo tanto, Es bueno hacer un seguimiento de estas cosas.
278
00:18:13,280 --> 00:18:15,340
También voy a mirar el ráster de confianza de salida,
279
00:18:15,340 --> 00:18:19,270
así que voy a tener que guardarlo, un ráster de confianza.
280
00:18:19,270 --> 00:18:25,075
Voy a llamarlo confidence_v1 para que coincida.
281
00:18:25,075 --> 00:18:28,944
Y lo que me dice es que este es un ráster que muestra la certeza de
282
00:18:28,944 --> 00:18:32,951
la clasificación en 14 niveles de confianza con los valores más bajos
283
00:18:32,951 --> 00:18:34,840
siendo la mayor confiabilidad.
284
00:18:34,840 --> 00:18:36,690
Y veremos cómo usarlo en un momento.
285
00:18:36,690 --> 00:18:40,060
Así que haré clic en Aceptar para ejecutarlo y esto también podría tomar un tiempo.
286
00:18:40,060 --> 00:18:41,950
Así que podemos sentarnos y esperar un poco.
287
00:18:44,050 --> 00:18:46,120
Bien y cuando esté hecho obtengo dos rásteres,
288
00:18:46,120 --> 00:18:49,570
mi ráster de confianza y mi ráster de clasificación aquí.
289
00:18:49,570 --> 00:18:53,344
Y inicialmente, de vez en cuando elige colores que se parecen un poco a los
290
00:18:53,344 --> 00:18:56,910
que eligió, pero lo que realmente está pasando es, son los valores aquí.
291
00:18:56,910 --> 00:19:01,630
Por lo tanto, el valor en el ráster de clasificación coincide con el valor que ponemos aquí.
292
00:19:01,630 --> 00:19:07,380
Entonces, lo que me gusta hacer para hacerlo más intuitivo es establecer los colores en
293
00:19:07,380 --> 00:19:12,820
mi ráster para que coincidan aproximadamente con lo que tengo en mi ventana de clasificación aquí.
294
00:19:12,820 --> 00:19:18,510
Entonces Behr va a ser una especie de amarillo anaranjado y no intensivo
295
00:19:18,510 --> 00:19:23,740
será un verde claro y ag será un verde oscuro de algún tipo.
296
00:19:25,410 --> 00:19:26,870
Y lo urbano es gris.
297
00:19:30,409 --> 00:19:35,910
Vale, y ahora podemos ir a echar un vistazo y ver aproximadamente lo bien que nos fue en esto.
298
00:19:38,790 --> 00:19:42,170
Así que se ve relativamente bien para mí.
299
00:19:42,170 --> 00:19:46,430
Estoy seguro de que hay muchas mejoras pero esta zona urbana de aquí fue capturada.
300
00:19:46,430 --> 00:19:49,130
La AG se limita en su mayoría a las áreas de AG.
301
00:19:49,130 --> 00:19:52,470
Tengo un poco de agonía en esta franja que en
302
00:19:52,470 --> 00:19:53,920
realidad no es agricultura aquí.
303
00:19:53,920 --> 00:19:56,440
Es muy probable que sólo sea un área boscosa.
304
00:19:56,440 --> 00:19:59,608
Así que podría ser yo, sobre el muestreo de mi Ag, o
305
00:19:59,608 --> 00:20:05,262
bajo muestreo de mis áreas boscosas donde necesito proporcionar algunos polígonos más para
306
00:20:05,262 --> 00:20:11,025
mi clase no intensiva de vegetación, que realmente capturó esta área aquí.
307
00:20:11,025 --> 00:20:14,580
Y, luego echemos un vistazo a las áreas regadas.
308
00:20:14,580 --> 00:20:16,650
Así que capturó los lagos bastante bien.
309
00:20:16,650 --> 00:20:19,260
Tampoco predijo demasiado los lagos.
310
00:20:20,290 --> 00:20:22,866
Así que hicimos un buen trabajo con eso.
311
00:20:22,866 --> 00:20:24,140
Tal vez no lo predijimos.
312
00:20:24,140 --> 00:20:25,785
Podría haber algunos polígonos por aquí.
313
00:20:27,280 --> 00:20:32,160
Y entonces parece que tal vez debería haber hecho un área de nieve o
314
00:20:32,160 --> 00:20:36,210
capturado esto como una clase de tierra desnuda y nieve porque parece pensar que
315
00:20:36,210 --> 00:20:40,900
la capa de nieve allí es urbana.
316
00:20:40,900 --> 00:20:43,490
Así que podemos ver algunas áreas para corregir, pero
317
00:20:43,490 --> 00:20:48,918
que hicimos un buen trabajo de hacer que automáticamente nos diga lo que todo está aquí.
318
00:20:48,918 --> 00:20:53,628
Y entonces lo que podemos hacer con esto es tal vez convertir a polígonos para el análisis, o
319
00:20:53,628 --> 00:20:58,139
usarlo en una cadena de procesamiento de ráster adicional, sabiendo que cada valor de píxel es
320
00:20:58,139 --> 00:21:02,010
ahora el tipo de algo en lugar de solo algunos valores de imágenes sin procesar.
321
00:21:03,460 --> 00:21:05,560
Ahora, una herramienta más gruesa que podemos usar para
322
00:21:05,560 --> 00:21:08,500
refinar en rondas futuras es este ráster de confianza.
323
00:21:08,500 --> 00:21:12,377
Entonces, donde se leen los valores aquí.
324
00:21:12,377 --> 00:21:17,353
Arc GIS está diciendo que sabes, no estoy realmente seguro de que tengo esto bien, y
325
00:21:17,353 --> 00:21:22,084
así que podríamos ir a usarlo como entrada para decir bien, tal vez necesitamos algunas
326
00:21:22,084 --> 00:21:26,040
muestras de entrenamiento que cubran estas áreas en particular un poco más.
327
00:21:27,080 --> 00:21:31,430
Si no está realmente seguro de que sea correcto, probablemente deberíamos proporcionar
328
00:21:31,430 --> 00:21:36,900
nuevas muestras de capacitación que se parezcan a aquellas áreas de las que no está seguro.
329
00:21:36,900 --> 00:21:39,800
Para que podamos darle más información para su clasificación.
330
00:21:42,250 --> 00:21:45,355
Ahora una última cosa que he estado hablando de proporcionar nuevas muestras de entrenamiento.
331
00:21:45,355 --> 00:21:49,955
Pero entonces, si quiero trabajar en una de estas clases,
332
00:21:49,955 --> 00:21:51,655
probablemente debería repartirla.
333
00:21:51,655 --> 00:21:53,715
Por lo tanto, digamos que quiero proporcionar nuevas muestras de capacitación urbana.
334
00:21:53,715 --> 00:21:55,707
Así que, voy a hacer clic en él, y voy a volver a dividirlo.
335
00:21:55,707 --> 00:21:57,067
Y va a llamarlos urbanos 1, 2, 3, 4, 5 y
336
00:21:57,067 --> 00:22:01,787
6 y me devuelve esos polígonos como polígonos individuales.
337
00:22:01,787 --> 00:22:08,436
Y luego lo que normalmente haré es ir a agregar nuevos polígonos urbanos aquí.
338
00:22:08,436 --> 00:22:10,354
O puede eliminar los individuales,
339
00:22:10,354 --> 00:22:13,158
decir que piensa que uno de estos era un poco demasiado amplio.
340
00:22:13,158 --> 00:22:17,034
Así que tal vez uno urbano era un poco demasiado amplio, así que
341
00:22:17,034 --> 00:22:22,755
puedo hacer clic en eso y luego eliminar las muestras de capacitación seleccionadas.
342
00:22:22,755 --> 00:22:25,884
Y ahora no tengo esa que quizás estaba causando algunas
343
00:22:25,884 --> 00:22:28,890
malas predicciones en otros lugares, porque era demasiado grande.
344
00:22:28,890 --> 00:22:33,720
Puedo ir a crear nuevas y refinadas muestras de entrenamiento que son un poco más específicas de
345
00:22:33,720 --> 00:22:35,580
un área, o algo así.
346
00:22:35,580 --> 00:22:39,950
Y luego, cuando termine, puedo fusionarlos de nuevo,
347
00:22:39,950 --> 00:22:42,790
seleccionándolos y usando el botón Combinar de nuevo.
348
00:22:48,370 --> 00:22:51,930
Y si quiero, puedo guardarlos como un shapefile, solo para
349
00:22:51,930 --> 00:22:54,030
tener estos polígonos en otro lugar.
350
00:22:54,030 --> 00:22:57,310
Para la clasificación, debe guardar las muestras de entrenamiento usando este botón, pero
351
00:22:57,310 --> 00:23:00,890
también puede guardar estos polígonos para usted en otro lugar.
352
00:23:02,120 --> 00:23:03,580
Tal vez desee usarlos para la
353
00:23:03,580 --> 00:23:06,530
extracción de ráster en algunas otras herramientas también.
354
00:23:08,150 --> 00:23:10,660
Está bien, eso es todo para esta conferencia.
355
00:23:10,660 --> 00:23:15,282
Si fuera a continuar, seguiría refinando esto, como dije,
356
00:23:15,282 --> 00:23:20,087
y comenzaría a eliminar áreas de entrenamiento que estaban causando malas predicciones.
357
00:23:20,087 --> 00:23:24,311
Y agregar nuevas áreas de entrenamiento para refinar las predicciones, basadas en mi
358
00:23:24,311 --> 00:23:28,532
ráster de confianza, basadas en mis gráficas de dispersión, para tratar de asegurarse de que las gráficas de dispersión no se
359
00:23:28,532 --> 00:23:32,500
superpongan demasiado, y luego en base a mis rásteres de clasificación reales.
360
00:23:32,500 --> 00:23:35,766
Y luego, si hubiera terminado, podría empezar a tomar mi ráster clasificado y
361
00:23:35,766 --> 00:23:37,213
usarlo en otras canalizaciones.
362
00:23:37,213 --> 00:23:42,079
Y debido a que Landsat intenta ser consistente, podría usar mucho tiempo esta misma
363
00:23:42,079 --> 00:23:47,040
clasificación en imágenes futuras de landsat o imágenes pasadas de landsat.
364
00:23:47,040 --> 00:23:50,850
Así que podría automatizarlo en toda la pila de imágenes de Landsat y decir bien, así
365
00:23:50,850 --> 00:23:54,330
es como se ve Urban en esta área.
366
00:23:54,330 --> 00:23:56,050
Si quiero ver diferentes caminos y
367
00:23:56,050 --> 00:23:59,090
filas de paisajes en áreas básicamente diferentes, debería
368
00:24:00,280 --> 00:24:03,050
asegurarme de tener una clasificación que cubra esas áreas, también.
369
00:24:03,050 --> 00:24:06,840
No debería aplicar una clasificación de esta zona a una nueva
370
00:24:06,840 --> 00:24:08,260
ubicación en la Tierra.
371
00:24:08,260 --> 00:24:13,140
Por lo tanto, hay un límite para esa reutilización, pero si obtiene un amplio alcance espacial en su
372
00:24:13,140 --> 00:24:18,310
clasificación, puede usarlo en muchas escenas de paisaje diferentes generalmente,
373
00:24:18,310 --> 00:24:20,610
potencialmente con algún refinamiento adicional.
374
00:24:21,940 --> 00:24:23,980
Vale, así que esa es la clasificación.
375
00:24:23,980 --> 00:24:26,040
Lo que hicimos es tomar
376
00:24:27,350 --> 00:24:31,990
una imagen de detección remota con muchas bandas, crear una muestra de entrenamiento.
377
00:24:33,150 --> 00:24:37,976
O un conjunto de muestras de entrenamiento que tenían diferentes nombres de clase con
378
00:24:37,976 --> 00:24:42,996
diferentes significados para nosotros y podríamos polígonos que contienen arco GIS.
379
00:24:42,996 --> 00:24:47,704
¿ Qué valores en las 11 bandas de landsat coinciden con esas cosas particulares
380
00:24:47,704 --> 00:24:50,140
como el agua o la tierra desnuda?
381
00:24:50,140 --> 00:24:56,190
Y luego, ejecutamos una clasificación utilizando esas muestras de capacitación en la
382
00:24:56,190 --> 00:25:00,630
imagen de Landsat para que ArcGIS prediga qué están todos los píxeles en el paisaje.
383
00:25:01,980 --> 00:25:05,570
Creo que esta es una funcionalidad realmente genial y muy poderosa en SIG.
384
00:25:05,570 --> 00:25:08,520
Hay mucho más aquí en términos de evaluar el éxito y
385
00:25:08,520 --> 00:25:10,380
en términos de cómo aplicar esto.
386
00:25:10,380 --> 00:25:13,424
En una escala más amplia que no estaremos cubriendo en este curso.
387
00:25:13,424 --> 00:25:15,740
Pero tendrás algo de práctica en la tarea de esta semana,
388
00:25:15,740 --> 00:25:19,080
así que espero que eso te ayude al menos a recoger los conceptos básicos de esto, para
389
00:25:19,080 --> 00:25:21,820
que puedas seguir usándolo en tu propio trabajo.
390
00:25:21,820 --> 00:25:23,070
Está bien nos vemos la próxima vez.38438
Can't find what you're looking for?
Get subtitles in any language from opensubtitles.com, and translate them here.