4.2 — Análisis Multitemporal y Detección de Cambios
4.2 — Clasificación de Imágenes de Teledetección
Clasificación supervisada, no supervisada, algoritmos y árboles de decisión
La clasificación asigna cada píxel de la imagen a una categoría temática (clase de cubierta terrestre) basándose en sus valores espectrales. La clasificación supervisada usa muestras de entrenamiento conocidas; la no supervisada agrupa píxeles por similitud espectral sin información previa.
No Supervisada: K-means / ISODATA
Agrupa píxeles en K clústeres por similitud espectral sin información previa. El usuario asigna etiquetas a los clústeres después. Útil para explorar la estructura espectral de la imagen.
Supervisada: Máxima Verosimilitud
Asigna cada píxel a la clase con mayor probabilidad estadística usando distribución gaussiana. Requiere muestras de entrenamiento. Robusto en imágenes multibanda bien distribuidas.
SVM — Support Vector Machine
Encuentra el hiperplano óptimo que maximiza el margen entre clases en el espacio espectral. Muy preciso con pocas muestras. Funciona bien en espacios de alta dimensionalidad.
Random Forest
Conjunto de árboles de decisión con muestreo aleatorio. Alta resistencia al sobreajuste. Calcula importancia de bandas automáticamente. Referencia actual en teledetección.
🤖 Comparativa de Clasificadores
Precisión overall típica según número de clases y cantidad de muestras de entrenamiento
| Clasificador | Tipo | Ventaja principal | Limitación | En QGIS/SCP |
|---|---|---|---|---|
| K-means | No supervisada | Sin datos previos | Etiquetado manual de clústeres | SCP → Band Set Statistics |
| ISODATA | No supervisada | Número de clases flexible | Puede converger en mínimos locales | SCP → Classification → ISODATA |
| Mínima Distancia | Supervisada | Muy rápido | Baja precisión con clases solapadas | SCP → Classification → Minimum Distance |
| Máxima Verosimilitud | Supervisada | Estadísticamente óptimo con N grande | Asume distribución normal | SCP → Classification → Maximum Likelihood |
| SVM | Supervisada | Alta precisión con pocas muestras | Lento en imágenes grandes | SCP → Classification → SVM |
| Random Forest | Supervisada | Robusto, importancia de variables | Requiere más muestras | SCP → Classification → Random Forest |
- La clasificación supervisada requiere ROIs (Regions of Interest) representativas de cada clase: al menos 10× el número de bandas
- El coeficiente Kappa ≥ 0.8 indica clasificación muy buena; 0.6-0.8 buena; 0.4-0.6 moderada; < 0.4 pobre
- Las muestras de entrenamiento y de validación deben ser INDEPENDIENTES: nunca usar las mismas para validar
- Random Forest calcula la importancia de cada banda: permite seleccionar las bandas más discriminantes
- El post-procesamiento con filtro de mayoría o análisis de objetos (OBIA) mejora notablemente el resultado visual y la precisión
Conclusión del Módulo 4.2
- ✅ La clasificación convierte píxeles en categorías temáticas: el resultado es un mapa de coberturas del suelo cuantificable
- ✅ SVM y Random Forest ofrecen la mejor precisión actual para imágenes multiespectrales con muestras limitadas
- ✅ La validación rigurosa con matriz de confusión y Kappa es obligatoria para cualquier clasificación con uso científico