Evaluación del filtro reductor de speckle
Con el fin de reducir el moteado en las imágenes a analizar, se comparó el desempeño de nueve filtros específicos para imágenes radar: Media, Mediana, Paso bajo, Lee, Lee mejorado, Frost, Frost mejorado, Gamma y Sigma local. Cada uno con 5 tamaños de ventana (3, 5, 7, 9, 11). Se utilizaron criterios cualitativos tales como la comparación visual de imágenes filtradas con respecto a la original. La preservación de los bordes se consideró de menos relevancia, debido a que se buscó una estadística representativa del interior de las parcelas, y se descartaron los píxeles de los márgenes. Por otro lado, se utilizaron criterios cuantitativos basados en las estadísticas de la imagen filtrada y original, como la preservación de los valores originales, la reducción de la desviación estándar y el valor medio de la diferencia absoluta entre la imagen original y la filtrada. El análisis se realizó en sitios representativos de los tipos de cobertura por residuos agrícolas.
Análisis espacial y temporal de la interacción entre la señal y la superficie del suelo
Sobre las imágenes SAR pre-procesadas y filtradas, de las distintas fechas y en ambas polarizaciones, se posicionaron los polígonos correspondientes a los lotes agrícolas de la campaña 2012-2013. De este modo se extrajo el valor de coeficiente de retrodispersión de los pixeles incluidos en los objetos, para su procesamiento en el software estadístico R. Preliminarmente se verificaron los supuestos de normalidad e independencia de los datos. A partir de los conjuntos de valores de retrodispersión de cada lote, correspondientes a la imagen con fecha de adquisición más cercana a la cosecha y para ambas polarizaciones, se construyeron diagramas de caja. Para comparar los valores de las clases de cobertura, e identificar diferencias estadísticas entre sus medias, se realizó un análisis de la varianza, con test a posteriori de Tukey. En el caso de los lotes con cultivo antecesor correspondiente a maíz, y aquellos que solo exhibían restos de residuos de cultivo de soja, se realizó un estudio multitemporal. En este caso se construyeron diagramas de caja a partir de lotes representativos de estas coberturas, para cada fecha de adquisición y banda de la imagen.
Clasificación supervisada de datos SAR.
Para la clasificación de los datos de radar, las imágenes correspondientes a las distintas fechas y polarizaciones fueron apiladas en un solo archivo. No se realizaron clasificaciones en base a una única imagen SAR, ya que en el modo de adquisición descripto, no se obtienen resultados
99
satisfactorios (Violini 2016). Las imágenes variaban en la dirección de adquisición (ascendente- descendente), y/o se encontraban desplazadas con respecto al centro del área de estudio. Debido a esto no se correspondían espacialmente en su totalidad. Por lo cual se resolvió realizar clasificaciones de acuerdo a las áreas de conjunción entre imágenes. Cada clasificación abarco el área de coincidencia entre imágenes de 2, 3, y 4 fechas8. Así mismo se realizaron pruebas con
una y ambas bandas de polarización. El esquema espacial de la clasificación quedó establecido como se explicita en la Figura 36.
Fechas de las imágenes utilizadas en cada área de
clasificación --- Área 1 31 de agosto 01 de octubre --- Área 2 06 de noviembre 26 de noviembre --- Área 3 01 de octubre 06 de noviembre 26 de noviembre --- Área 4 31 de agosto 01 de octubre 06 de noviembre 26 de noviembre
Figura 36. Áreas de clasificación con las correspondientes fechas de adquisición de las imágenes intervinientes. El proceso se realizó en base al enfoque de clasificación pixel por pixel, sin tener en cuenta clases nulas, lo cual forzó a que todos los pixeles sean asignados a una de las categorías definidas en el set de entrenamiento. El algoritmo de clasificación supervisada utilizado fue el de máxima verosimilitud. Para cada área de clasificación el algoritmo fue corrido sobre tres conjuntos de datos: los correspondientes a la polarización HH, a la polarización VV, y a las dos polarizaciones (HH-VV).
Las clases a ingresar en el modelo de clasificación fueron tres: rastrojo de soja, rastrojo de maíz, y verdeo de invierno. Para la generación de los conjuntos de entrenamiento y validación correspondientes a las clases rastrojo de soja y rastrojo de maíz, se utilizaron los datos generados por medio del análisis realizado en el capítulo 5. En el caso de la clase verdeo de invierno, se utilizó un mapa de valores de NDVI del periodo en estudio.
8 La imagen con fecha de adquisición 26 de noviembre fue apartada del análisis, por irregularidades en
100
Para este estudio, los datos de referencia de cada categoría se utilizaron en un 50% para entrenar y el 50% restante para validar la precisión clasificación. Los mapas de clasificación a menudo poseen pixeles mal clasificados dentro de polígonos de clases de referencia homogéneas, especialmente en los mapas derivados de datos radar. Para reducir el ruido en estos productos y mejorar las precisiones de la clasificación, la aplicación de un filtro de postclasificación es común (McNairn et al. 2014). Del mismo modo que en el capítulo 5, se procedió con una regularización aplicando un filtro de mayoría (ventana 5x5) sobre las clasificaciones que integraban ambas polarizaciones.
La evaluación de la precisión de la clasificación se realizó por medio de la construcción de las matrices de confusión, y los estadísticos asociados descriptos en el capítulo 4 de la presente tesis.