Contenidos: Incorporación de datos de campo y generación de datos de entrenamiento desde la interfaz de GE. Cálculo de mosaicos de índices del área de estudio. Muestreo a partir de los datos de campo. Separación en training/testing. Algoritmos disponibles para clasificación supervisada. Parametrización de los algoritmos. Ajustes. Validación utilizando matrices de confusión (accuracy, kappa). Aplicación del modelo y mapeo de resultados. Visualizar y exportar los resultados de la clasificación.
Ejemplo de clasificación Supervisada con Sentinel 2 [Acá] Ejemplo de clasificación No Supervisada con Sentinel 2 [Acá]
Algunos de los pasos requeridos para una clasificación ya fueron explicados en tutoriales anteriores. Estos son:
- Cargar vector del área de estudio
- Seleccionar colección de imágenes y filtrar por fecha, nubes, bandas, etc.
- Reducir colección a imágen (e.g. calcular mediana para cada banda).
// Mantengo codigos de Tutorial 1 Seccion 2
// 1. area de estudio (de sección anterior)
var geometry = ee.FeatureCollection('ft:1NOdzgdcCiWZ6YcoEharXG_IYmW03G-ZJeUSZtoOB');
// 2. Seleccionar colecciones
// Seleccionar producto. Indicar el ImageCollection ID
var producto = ee.ImageCollection('LANDSAT/LC8_L1T_TOA');
// Definir bandas a seleccionar
var bandas = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7'];
// Filtrar colección
var coleccion1 = producto
// por área de estudio. Debe estar cargada el área en este caso en la variable “geometry”
.filterBounds(geometry)
//por rango de fechas
.filterDate('2016-08-01', '2016-10-31')
// por cobertura de nubes máxima
.filterMetadata('CLOUD_COVER','less_than', 40)
// por bandas (definidas más arriba)
.select(bandas);
// ver detalles de colección y filtros aplicados
print("Coleccion seleccionada", coleccion1);
// 3. Convertir a Imagen. Aplicar reducción de mediana
var stack1 = coleccion1.median();
// ver imagen en mapa:
Map.addLayer (stack1, {bands: ['B5', 'B4', 'B3'], min: [0,0,0], max: [0.6,0.6,0.6] }, "Landsat 8 B5-B4-B3" );
// centrar en área de estudio
Map.centerObject(geometry, 8);- Cargar o generar puntos (o polígonos) de entrenamiento y validación
Para el punto 4 se pueden generar nuevos puntos, cargarlos a partir de un vector disponible previamente, u obtenerlos de puntos ya generados en la plataforma GEE.
https://code.earthengine.google.com/ce97d96621040d67a1ec08ffc0df322c
Ahora vamos a combinar las dos variables clase0 y clase1 en un único FeatureCollection:
// Unir muestras por clase en un único FeatureCollection
var samples = clase0.merge( clase1 );
// ver caracteristicas de FeatureCollection
print ("muestras", samples);Las clasificaciones supervisadas se realizan cuando se tienen definidas las clases y se dispone de información de casos correspondientes a esas clases (información de campo). Los distintos clasificadores se entrenan con la información de campo disponible a partir del comportamiento en las distintas bandas consideradas. La evaluación del resultado de una clasificación requiere disponer de datos independientes a los utilizados para el entrenamiento.
Separación del conjunto de datos para entrenamiento y validación. La plataforma permite generar atributos (llamado “random” en este caso) con números al azar mediante la función randomColumn y agregarlos al FeatureCollection que contiene el set de datos. Genera valores entre 0 y 1. Esta requiere indicar el FeatureCollection y un valor inicial para generar los números al azar (“seed”):
// Separacion de set de datos (polígonos) para entrenamiento y validación
// generación de atributo con números al azar (columna "random")
// para hacer muestreo
var seed = 2015;
samples = samples.randomColumn('random', seed);Esto nos permitirá hacer un muestreo, seleccionando filas que contengan cierto rango de números generados al azar (Mayores o menores a cierto valor umbral). Para entrenar el algoritmo de clasificación se requiere extraer información de las imágenes para los polígonos seleccionados (similar a la etracción de información visto en secciones anteriores), incluyendo en las salidas los atributos clase y “random”:
// extraccion de información incluyendo atributos clase y "random"
var set_datos = stack1.sampleRegions({
collection: samples,
properties: ['clase','random'],
scale: 30
});El resultado de la extracción es una FeatureCollection que contiene información de cada banda y cada polígono:
Posteriormente se subdivide el FeatureCollection con el set de datos en Entrenamiento (“training”) y Validación (“testing”). Se selecciona un umbral de separación de los valores al azar generados entre 0 y 1 (atributo “random”). En este caso, se seleccionan los valores mayores o iguales a 0.6 para entrenamiento y los menores a 0.6 para validación. Se pueden ver en consola los nuevos set de datos generados:
// Separación entre Entrenamiento y validación. Identificar umbral de separación
var training = set_datos.filterMetadata('random', 'not_less_than', 0.6);
var testing = set_datos.filterMetadata('random', 'less_than', 0.6);
print ("Set de datos entrenamiento", training);
print ("Set de datos validación", testing);Aquí debemos seleccionar el algoritmo de clasificación, el set de datos de entrenamiento (“training”), el atributo de separación en clases (“clase”) y las bandas seleccionadas. En este caso usamos el algoritmo Random Forest:
// Entrenamiento
var bandas_sel = ['B7','B6','B5', 'B4', 'B3'];
var trained = ee.Classifier.randomForest().train(training, 'clase', bandas_sel);Una vez entrenado el modelo, se lo aplica a una imagen y se genera la clasificación.
// clasificación con el modelo entrenado
var classified = stack1.select(bandas).classify(trained).clip(geometry);
Map.addLayer(classified, {min:0, max:1, palette: ['339820', 'e6f0c2']}, 'Clasificacion');
print(classified);La clasificación puede ser exportada:
// Exportar imagen de clasificación
Export.image.toDrive({
image:classified,
description: 'clasificacion',
scale: 30,
region: geometry
});Generación de Matriz de Confusión y resultados. La herramienta permite calcular la matriz de confusión, y estimar exactitud general, de usuario y de productor e indice Kappa.
// Generación de matriz de confusión y resultados
var validation = testing.classify(trained);
var errorMatrix = validation.errorMatrix('clase', 'classification');
print('Matriz de Confusión:', errorMatrix);
print('Exactitud General:', errorMatrix.accuracy());
print('Indice Kappa:', errorMatrix.kappa());
print('Exactitudes de Usuario:', errorMatrix.consumersAccuracy());
print('Exactitudes de Productor:', errorMatrix.producersAccuracy());
// exportar matriz de confusion como csv
var err = ee.FeatureCollection( ee.Feature(null, {
'matrix': errorMatrix.getInfo()
}));
print (err);
Export.table.toDrive({
'collection': err,
'description': 'CM_tutorial_2',
'fileNamePrefix': 'CM_tutorial_2',
'fileFormat': 'CSV'}
);
// convertir matriz de confusion a array
var cfmt2x2 = errorMatrix.array().toList().map(
function(item){
item = ee.List(item);
return ee.Feature(null, {Bosque: item.get(0), NoBosque: item.get(1)})
});
print(cfmt2x2);Ejemplo de clase: Ir
Modifique el script para que funcione con CART y almacene el árbol generado en una nueva variable utilizando la función explain. Luego realice una nueva clasificación con el árbol ya generado y utilizando la funcionalidad provista por ee.Classifier.decisionTree en la región cubierta por el siguiente polígono:
var nueva_zona = ee.Geometry.Rectangle([-64.456, -24.417, -61.369, -26.214]);- ¿Qué pasa si incremento el número de árboles de un RandomForest?
- ¿Qué pasa si limito la profundidad en CART?