1) El documento introduce conceptos sobre espectroscopia de imagen e imágenes hiperespectrales, incluyendo definiciones, el experimento de Newton, y cómo se miden las firmas espectrales. 2) Explica los principios de medición espectral y comparar sensores como Landsat y HyMap. 3) Describe aplicaciones como agricultura, ambientes acuáticos, geología y bosques, enfocándose en parámetros como biomasa, contenido de clorofila y agua.

1. Imágenes
Hiperespectrales
Dr. H. Jaime Hernández Palma

2. Introducción

3. Definiciones:
“hiperespectral“ vs “Espectroscopia de Imagen“
El término hiperespectral es más usado en teledetección
 ¿Límites entre multiespectral, superespectral y hiperespectral?
¿Número de bandas? ¿Anchos de bandas? ¿región del espectro?

4. ¿Espectroscopía de Imagen?
La espectroscopia es el estudio de la interacción entre la radiación
electromagnética y la materia, con absorción, transmisión o emisión de energía
radiante. La luz se refracta en un prisma para medir la intensidad de
la radiación en todas las longitudes de hondas.
Datos espectrales  espectros (firmas espectrales).
Una imagen (del latín imago. Singular "imagen"; plural "imágenes") es una
representación visual, que manifiesta la apariencia visual de un objeto real
o imaginario.
Originalmente la espectroscopia fue una medición singular (puntual)
(hoy en día: todavía en mediciones con espectrómetros manuales)

6. Comparación de la resolución espectral de sensores Landsat / Hymap
Absorción de clorofila
Absorciones de agua
6 bandas más bien anchas para describir
un espectro complejo con muchas bandas
de absorción y reflexión (~Landsat).
 Broadband sensor - multiespectral
Reflectancia
[10000
=
100%]
Peak verde
Longitud de onda λ (μm)

7. Imaging Spectroscopy and remote sensing
1. Comparison spectral resolution Landsat sensor/ HyMap IS sensor
125 bandas estrechas (HyMap) para describir
todo el espectro óptico.
 Espectroscopia de imagen - hiperepectral
Reflectance
[10000
=
100%]

8. ¿Cómo se ve una imagen hiperespectral?
Vista RGB de imagen HyMap (Composite RGB 1, 7,14)

9. Teoría
Introducción - Teoria - Sensores - Applicaciones

10. El experimento de Newton
Imagen de: http://teachart.msu.edu/pila/images/newton.gif
En 1666 Isaac Newton
demostró que el cristal sucio
no es la causa para los
colores con el experimento
ilustrado arriba.
Luz del sol
Primer
prisma
Segundo
prisma
La primer prisma divide
el flujo de luz y produce
un espectro con muchos
colores
Uno de los colores es
separado por un orificio y
guiado a un segundo
prisma
El color no cambia el
segundo prisma  el
prisma no puede ser
la causa para las
diferentes colores
pero la luz la misma.
Plano con un
Orificio

11. Nuevas preguntas
Después el descubierto de Newton, aparecieron nuevas preguntas:
¿Qué causa por los colores?
¿La luz es una partícula o una onda?
 En 1803 Thomas Young pudo demostrar
que la luz se mueve como ondas.
Patrón de
interferencia de
la luz.

12. Nuevas preguntas
Al mismo tiempo William Herrschel descubrió que diferentes colores tienen diferentes
temperaturas (azul es mas frío que rojo) y también que hay “colores/ondas no visibles” a
la derecha del rojo que en su experimento fueron mas cálido que el rojo  “infrarroja”.
Estos descubrimientos sobre las interrelaciones de colores de la luz, longitudes de ondas
y frecuencia fueron la base para el desarrollo de la espectroscopia.

13. ¿Qué se mide con la espectroscopia de imagen?
Medición de la distribución espectral de la densidad de la radiación
electromagnética, que es reflejado o emitido de un cuerpo.
Unidad de medida: W / m² str µm
W = potencia de luz por Área (normalizado a 1 m²)
De un
Ángulo dietro definido (normalizado a un “estéreo radian”)
Por un
intervalo de longitud de onda (normalizado a 1 µm)
1 estéreo radian

14. Principio de la medición espectral
Una medición espectral incluye siempre:
1. Fuente de radiación (p.e. el sol)
2. Objeto de medición (p.e. la sup. terrestre)
3. El camino del luz (espacio/atmósfera)
4. Sensor que mide la densidad de la radiación
espectral.
Para crear datos de espectroscopia de imagen
además:
5. Un sensor que mide la distribución espacial
de la densidad de la radiacion espectral.
Superficie terrestre
sol sensor

15. Principio de la medicion espectral
Radiación total medida por el sensor:
Rtot = R1 + R2 + R3 + R4
R1: Radiación directamente reflejada desde la superficie
R2: Radiación difusa reflejada de la superficie
(incluida aquella desde atmósfera)
R3: Radiación difusa reflejada desde la atmósfera
R4: Radiación (difusa) reflejada desde áreas cercanas
(que de verdad no son parte del pixel medido)
sol
Superficie terrestre
R1
R2
R3
R4
sensor

16. Diferencia entre radiación directa y difusa
Superficies naturales  mezcla de reflectores directos y difusos.
 la reflexión de estas superficies depende de los ángulos  BDRF
“Bidirectional Reflection coefficient”

18. Ventanas atmosféricas

19. Sensores
Introducción - Teoria - Sensores - Applicaciones

20. Sensores hiperespectrales
La calidad de sensores hiperespectrales es valorado en función de:
1. Resolución espectral (p.e. 0.3 – 2.4 µm – qué longitudes de ondas mide)
2. Resolución radiométrica (radiación en W / m2 str µm que es requerido para
cambiar el valor del ND de un pixel)
3. Resolución espectral (el ancho de las bandas).
4. Resolución espacial (tamaño del pixel).
5. “noise-equivalent radiation, NEDL” ~ corriente residual (el ruido que produce el
sensor – se mide con el sensor cubierto, en oscuridad).
6. Relación señal-ruido (relación entre la señal medida y la corriente residual).

21. Primeros sensores hiperespectrales
• 1982: AIS (Airborne Imaging Spectrometer)
• 1987: AVIRIS (Airborne Visible/infrared Imaging Spectrometer): 225
bandas de 10 nm c/u. Pixel más usado de 20 m (a 60.000 pies).
Avión: NASA ER-2.
https://directory.eoportal.org/web/eoportal/airborne-sensors/aviris

22. HyMap (sensor aéreo)
126 bandas
 Pixeles: 3.5 – 10m
(dependiendo de la altitud)
 Field of view: 62°
Región del EE Campo
espectral
Ancho de
banda
VIS 0.45 - 0.89 um 15 – 16 nm
NIR 0.89 - 1.35 um 15 – 16 nm
SWIR1 1.40 - 1.80 um 15 – 16 nm
SWIR2 1.95 - 2.48 um 18 – 20 nm

23. Introducción - Teoria - Sensores - Applicaciones
HyMap
Imagen de 2011
Tamaño de pixeles: 4m
Karlsruhe, Alemania

24. Hyperion (satelital)
241 bandas
 tamano de pixeles: 30m
 Swath: 7.5km
Resolución espectral: 10nm
Instantanous Field of view: 0.63°

25. Grafico de: The EO-1 Hyperion Imaging Spectrometer, IEEE Aerospace Conference, Jay Pearlman, Carol Segal, Pamela Clancy,
Neil Nelson, Peter Jarecke, Momi Ono, Debra Beiso, Lushalan Liao, Karen Yokoyama, and Steve Carman, TRW. And Bill Browne,
Lawrence Ong and Stephen Ungar, GSFC

26. Introducción - Teoria - Sensores - Applicaciones
Hyperion
Imagen de 2011
Tamaño de pixeles: 30m
Karlsruhe, Alemania

27. Applicaciones
(selección)

28. Imagenes de: http://www.precision-crop-protection.uni-bonn.de/gk_research/project_2_01/image_1.jpg;
http://www.precision-crop-protection.uni-bonn.de/gk_research/project_1_02/image_2.jpg
Agricultura

29. Agricultura
Evaluar el contento de clorofila (y otras partículas químicas).
 Evaluar el contento de agua.
Determinar la cantidad de biomasa.
Determinar el índice de área foliar “Leaf area Index” (LAI).
Detectar vegetación enferma.
Determinar la cantidad de fertilización ideal (agricultura de precisión).

30. Agricultura
Agricultura en el contexto de control y regulación:
El gobierno puede usar datos de teledetección para:
Monitorear si el agricultor está cultivando las plantas por las cuales el recibe
subvenciones. Big Brother is watching you! (EUROPA!)
Identificación de especies.

31. Enfoque general
Índices espectrales (p.e: NDVI)
(-) NDVI (+)
Biomasa
(t/ha)

32. Agricultura
Imagen de: Tobias Hank,
LMU Munich
Heterogeneidad en cultivos. En algunas partes se necesita más fertilización que en
otras partes  agricultura de precisión (requiere maquinaría adaptada con GPS).
http://www.aradc.org/precisionag/home

33. Agricultura
Ejemplo de índices de vegetación y LAI:
Alta correlación dentro
hNDVI/PRI y LAI
Para valores > 2.0 hay tendencias de
saturación.

34. Contenido de humedad
Imagen de: Tobias Hank, LMU Munich

35. Determinación del contenido de agua en las plantas

36. Detección de vegetación enferma
http://www.precision-crop-protection.uni-bonn.de/gk_research/project_2_01/image_1.jpg

37. Efecto de la Fenología

38. Agricultura de Precisión

39. Ambiente acuático
(ej.: calidad de agua en lagos y mar)
Se puede usar la información hiperespectral para:
Estimar el contenido de clorofila en el agua (cantidad de algas).
Evaluar el contenido de material particulado.
Detección de contaminaciones en el agua.
Gran ventaja: Información continuada sobre grandes aéreas con datos del
satélite

40. Ambiente acuático
(ej.: calidad de agua en lagos y mar)
Sandra Mannheim, Karl Segl, Birgit Heim, and Hermann Kaufmann. 2004. MONITORING OF LAKE WATER QUALITY USING HYPERSPECTRAL, CHRIS-
PROBA DATA. CHRIS-Proba Workshop, ESA.

41. Ambiental acuático
(ej.: calidad de agua en lagos y mar)
Mayo
2003
Junio
2003
Imagenes de Roland Doerffer, Helmholtz Research Centre

42. Geología
Introducción - Teoria - Sensores - Applicaciones
Imagen de: http://www.spectir.com/wp-content/uploads/2011/12/vc_surface_geology.jpg

43. Geología
Identificar minerales de interés
Determinar la salinidad de suelos
Composición químico de piedras
Determinar áreas de hielo
 Detección de contaminación por residuos mineros
…

44. Imagen de Charly Kaufmann, GFZ Potsdam

46. Aplicaciones Forestales
Parámetros forestales:
Determinar especies de árboles
Estimar la cantidad de biomasa
Determinar el “Leaf area Index” LAI
Detectar vegetación enferma
Determinar el contenido de clorofila (y otros partículas químicas en las hojas)
Determinar el contenido de agua en la vegetación
Las objetos de interés son muy similares a las objetos de interés en agricultura
(plantas), sin embargo los resultados muchas veces son diferentes porque la
estructura de bosques es mucho más heterogénea y compleja.

47. Investigación en Incendios Forestales

48. Diagrama de dispersión entre el contenido de humedad de vegetación
verde CHVV (%) y el índice espectral NDIIb6 (MODIS: b2-b6/b2+b6) para
tres tipos de vegetación (n=150). Adaptado de Caccamo et al. (2012).

49. Fusión de datos de LiDAR con datos
hiperespectrales para separar
rodales.
Hay algunos rodales que se puede
solo separar solo usando ambos
tipos de datos, por ejemplo:
La firma espectral es similar pero la
estructura (altura) es diferente.
Imagen de Henning Buddenbaum, Universidad de Trier.
Hiperespectral + LiDAR

50. Introducción - Teoria - Sensores - Applicaciones
Forestal
Ejemplo clasificación de especies de árboles

51. Catastro de Firmas Espectrales de Vegetación Urbana en Santiago
de Chile
Acuña-Ruz, T. , Mattar C. , Hernández H.J.
Objetivo General
Construir un catastro de firmas espectrales foliares de especies de
árboles urbanos y analizar su separabilidad espectral

52. N° Nombre Científico Código N° de Registros
1 Acer negundo A_ne 10
2 Prunus ceracifera var. nigra P_ce 7
3 Robinia pseudoacacia R_ps 6
4 Quillaja saponaria Q_sa 13
5 Ligustrum japonicum L_ja 10
6 Jacaranda mimosifolia J_mi 5
7 Liquidambar styraciflua L_st 8
8 Grevillea robusta G_ro 6
9 Schinus areira S_ar 11
10 Ailanthus altissima A_al 5
11 Cryptocarya alba C_al 10
12 Melia azedarach M_az 6
13 Ulmus campestris U_c 5
14 Platanus acerifolia P_ac 6
15 Styphnolobium japonicum S_ja 6
16 Catalpa bignonioides C_bi 5
17 Liriodendron tulipifera L_tu 6
18 Populus deltoides P_de 5

53. Etapa Categoría Descripción
I
Extracción y
Traslado
Extraer hojas expuestas al sol a una altura mínima de 3
metros.
Seleccionar hojas en el mismo estado fenológico y vigor.
Guardar en una bolsa de polietileno
II
Preparación
equipo
experimental
Ensamblar equipo de experimentación
Fijar altura D1 y geometría de observación
Configurar número de registros (x10) y tiempo de
integración
III
Preparación
muestra
objetivo
Descartar peciolos y elementos adheridos en la cara
adaxial.
Arreglar un plano homogéneo con la muestra.
IV
Adquisición
firma
espectral
Preparar la referencia estándar (Spectralon).
Registrar la reflectancia porcentual de la referencia
estándar.
Registrar la reflectancia porcentual de la muestra objetivo
V
Elaboración
metadata
Ubicación geográfica del
sitio de adquisición
Latitud, longitud y altitud
Tiempo de adquisición Fecha y hora
Técnica de campo
experimental
Geometría de visión, Método
de muestreo, Tiempo de
integración.
Protocolo de Firmas Espectrales

54. AZUL VERDE ROJO INFRARROJO CERCANO

55. Análisis de Amplitud Espectral (Price, 1992)
D VIS
D NIR
Análisis de Separabilidad Espectral
 Promedio Reflectancia cada 5 nm
 Índices de vegetación
• Verdor: “Normalized Difference Vegetation Index”
• Pig. foliares: “Anthocyanin Reflectance Index”
• Contenido de agua: “Water Band Index”
 Derivadas (pendientes)
Pendientes
Variables características
 Dos regiones de análisis:
 Visible (400-699 nm) y NIR (700-970 nm)
970

56. Variabilidad de la Amplitud Espectral
Figura: Comparación intraespecífica de amplitud espectral (Dws) en el visible (VIS 400-699 nm en azul) e infrarrojo cercano (NIR
700-960 nm en rojo).

57. Pendiente
M563-M583
Índice vegetal
ARI: 550/700
Tipo de
variable
Variable
Extraída
Ciruelo Quillay
Pendiente en
el VIS
M463 4
M473 3
M483 1
M563 3
M573 4
M583 5
Pendiente en
el NIR
M963 5
Índices de
vegetación
ARI1 2
ARI2 1
WBI 2
Extracción de Patrones Espectrales con LDA
Selección de variables predictivas
Pendiente
M963
Índice vegetal
WBI: 970/900
Pendiente
M483
Primeras 5 variables (sobre 187) seleccionas por
LDA que mejor describen las características
diferenciables (singularidades) por especie.
Quillay = M483*C1+WBI+C2+M473*C3+M463*C4+M963*C5
Ciruelo = ARI2*C1+ARI1*C2+M563*C3+M573*C4+M583*C5
Análisis Discriminante:

58. Procesamientos

59. La estructura de datos hiperespectrales:
Un cubo de datos:
0.341
0.323
0.421
0.386
0.379
0.269
0.147
0.439
0.113
0.381
0.456
0.326
0.418
0.417
0.261
0.126
0.128
0.211
0.611
0.547
0.352
0.257
0.286
0.365
0.341
0.412
0. 245
0.511
0.369
0.437 0.417
0.315
0.241
0.341
0.291
0.263
0.414
0.452
0.436
0.427
0.414
0.485
0.417
0.417
0.311
0.321
0.399
0.254
0.247
0.246
0.234
0.144
0.157
0.200
0.403
0.207
0.317
0.271
0.470 0.417
0.3
Valores x
Valores y
Valores z
0
Ejemplo: pixel marcado tiene los
valores: x = 1, y=4, z1= 0.269
Existen muchos más valores de zi (resto
de bandas de la imagen).
Repeticion - IV - „Feature Selection + extraction“ - modelos de reflexion de copas – desmezcla lineal

60. La estructura de datos hiperespectrales:
Un cubo de datos:
0.341
0.323
0.421
0.386
0.379
0.269
0.147
0.439
0.113
0.381
0.456
0.326
0.418
0.417
0.261
0.126
0.128
0.211
0.611
0.547
0.352
0.257
0.286
0.365
0.341
0.412
0. 245
0.511
0.369
0.437 0.417
0.315
0.241
0.341
0.291
0.263
0.414
0.452
0.436
0.427
0.414
0.485
0.417
0.417
0.311
0.321
0.399
0.254
0.247
0.246
0.234
0.144
0.157
0.200
0.403
0.207
0.317
0.271
0.470 0.417
0.3
Valores x
Valores y
Valores z
0
Es posible seleccionar un pixel para
graficar su firma espectral.

61. 0.113
Los valores de Longitud de onda son fijos (=bandas) y dependen de las especificaciones del sensor.
206
380
490
700
1020
λ = 1400nm
λ = 1420nm
λ . = 1440nm
λ = 1470nm
λ = 1500nm

62. Índices de Vegetación

63. Definición de un índice:
Bannari et al. 1995. A Review of Vegetation Indices - Remote Sensing Reviews, 1995, Vol. 13, pp. 95-120
Un índice es un número que describe la intensidad de
un fenómeno que es demasiado complejo para ser
descompuesto en parámetros conocidos.
¿Ejemplos?

64. Definición de un índice de vegetación
Campbell, J. B. (1987) Introduction to Remote Sensing. The Guilford Press, New York, USA, 551.
“Índices de vegetación son medidas
cuantitativas que indican la vitalidad de la
vegetación”

65. Comportamiento de la vegetación en el espectro óptico
0,4 – 0,7 m (Visible)
Absorción por actividad de:
- Clorofila 65 %
- Xantófila 29 %
- Caroteno 6 %
0,8 – 1,4 m (IRc)
Capa esponjosa del
mesófilo aumento la
reflexión
1,4 – 8 m (IRm)
Estado hídrico de la
planta

66. Ejemplo: Normalized Difference Vegetation Index NDVI
Imagen RGB Imagen NDVI
¿Interpretación?

67. ¿Qué tipos de índices de vegetación existen?
A. Razones y razones normalizadas
B. Razones y razones normalizadas con factores de corrección
C. Derivadas a partir de la curva espectral
D. Áreas bajo la
curva espectral
E. Ángulos entre puntos seleccionados
de la curva espectral

68. Índices calculados como razones y razones normalizadas
Los IVs más conocidos
Razón simple
Normalized Difference Vegetacion Index (NDVI) (razón normalizada)
Las bandas Roja e Infrarroja cambian según el sensor:
-
NIR en Landsat 5 y 7: Banda 4 (780nm-900nm) Landsat 8 (OLI) NIR: Banda 5 ( 851-879 nm)
Red en Landsat 5 y 7: Banda 3 (630nm – 690nm) Landsat 8 (OLI) Red: Banda 4 ( 636-673 nm)
En general en hiperespectrales:
NIR : ~800-900 nm
Red: ~600-700 nm

69. Banda infrarroja
(800nm)
Banda roja
(680nm)
Banda roja
Banda infrarroja
Vegetación
Suelo/Arena

70. Banda infrarroja
(800nm)
Banda roja
(680nm)
Calculo de NDVI:
Formular general:
NDVI = (IR800nm – R680nm)/(IR800nm + R680nm)
Determinación de valores para
“suelo/arena”:
NDVIsuelo = (2480 – 1450) / (2480 + 1450) = 0.26
Determinación de valores para
“vegetacion “:
NDVIveg = (3450 – 200) / (3450 + 200) = 0.89

71. Índices de vegetación

72. Ventaja de las índices normalizados como el NDVI: los valores
tienen un rango : -1 a 1 lo cual facilita la interpretación.
Por eso es posible comparar diferentes imágenes y también
definir valores típicos para diferentes superficies:
P.ej.:
 Valores de NDVI > 0.3 = vegetación (0.2 en zonas áridas)
 Valores de NDVI < 0.3 = suelo, superficies artificiales
 Valores de NDVI < 0 = agua

73. Índices con factores de corrección
Los IVs lo más conocidos de este tipo son los miembros del familia del
“Soil adjusted Vegetation Index (SAVI)”
L = factor de corrección (entre 0 y 1): L = 0 (cubierta de vegetación muy alta)
L = 1 (cubierta de vegetación muy bajo).
Para L = 0, SAVI y NDVI son iguales.
 Usado en zonas áridas donde la vegetación es menos densa y se mezcla con el
espectro del suelo (en cada pixel y en función de su tamaño).
 Es usual usar un valor de L = 0.5
 En general, se prefiere el NDVI porque es mas estable, especialmente si no hay
datos acerca del verdadero valor de L.

74. A. R. HUETE: A Soil-Adjusted Vegetation Index (SAVI), REMOTE SENSING OF ENVIRONMENT 25:295-309 (1988)

75. Existen muchas variaciones del SAVI con diferentes aplicaciones.
Ejemplos:

76. Índices que usan derivadas a partir de la curva espectral
Los IVs más conocidos de este tipo son los índices REP = “red edge position” o técnicas
de posición del RED EDGE (borde rojo).
El “red edge”
 El “red edge” describe el paso desde la
región roja (reflexión vegetal muy baja) a la
región infrarroja (reflexión vegetal muy alta).
El REP se calcula como el valor de longitud
de onda donde la curva tiene la pendiente
máxima.
Eso se puede calcular fácilmente con la
primera derivada de la curva.
Posición de la pendiente máxima

77. El “red edge”
Posición de la
Máxima pendiete
 El REP es reconocido por ser sensible al contenido de clorofila y,
consecuentemente, a la salud/condición de la vegetación.

78. FILELLA & J. PENUELAS (1994): The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. International
Journal of Remote Sensing, 15:7, 1459-1470

79. Índices como áreas bajo la curva espectral
Los IVs de este tipo se calculan como aéreas:
 Arriba o debajo de la curva espectral (integral)
 De un objeto geométrico como un triángulo
Repeticion - IV - „Feature Selection + extraction“ - modelos de reflexion de copas – desmezcla lineal

80. Solo pocos índices usan de verdad la información hiperespectral total. Una excepción
es la integral hiperespectral en el “red edge”.
Imagen de Tobias Hank, Ludwig-Maximilians-Universität München
También se pueden usar
las integrales de otras
zonas de la curva
espectral como por ejem.
la región alrededor de los
970 nm

81. Aerea debajo de la curva espectral Mezcla de las dos formas
Imagen de Tobias Hank, Ludwig-Maximilians-Universität München
Con Integral:

82. Índices que se calculan como ángulos
Se calculan como ángulos:
 Entre dos vectores que se forman de tres puntos en la curva espectral
 Entre un vector que se forma de dos puntos y la dirección del Norte de la
banda con longitud de onda más corta.
ventajas
1. Normalización del valores 0°- 180° (grados) o 0 – pi (radianes)
2. Se combinan más bandas en un solo índice (3 vs 2 datos).

83. Cálculo del ángulo entre dos vectores de tres puntos:
Las variables P1, P2, P3 son valores de reflexión de tres bandas en distintas
longitudes de onda de un pixel de una imagen hiperespectral.
T1, T2, T3 son tres ángulos del triángulo que se puede formar entre los
puntos 1, 2 y 3.
“Three Angle Index” (TAI):
T1 T2
T3
a
b
c
Idea original de: Palacios-Orueta et al. 2006: “Assessment of NDVI and NDWI spetral indices using MODIS time series analysis and development of a new
spectral index based on MODIS shortwave infrared bands. Proceedings of the 1st international conference on remote sensing and geoinformation processing.
Trier, Germany.
Repeticion - IV - „Feature Selection + extraction“ - modelos de reflexion de copas – desmezcla lineal

84. Índices de Vegetación
https://www.harrisgeospatial.com/docs/Alphab
eticalListSpectralIndices.html

85. Feature Selection
&
Feauture extraction

86. ¿Qué es “Feature Selection” y “Feature Extraction”?
“Feature Selection” y “Feature Extraction” son términos
generales para algoritmos y procesos de estadística que facilitan
la reducción de un gran número de variables predictivas a
algunas variables seleccionados (o nuevas) que tienen la
información más importante.
“Y”
Var. predicha
(dependiente)
Modelo de clasificación o
estimación
Qué variables independientes usar?
Todas, un sub-conjunto? Transformaciones de ellas?

87. “Feature Selection”: Algoritmos que seleccionan un
subconjunto del grupo de predictores sin cambiar los
predictores los mismos.
Ejemplos:
Algoritmo genético
Selección “Stepwise”/Paso en Paso
Árboles de Decisión (“Decision Trees”; Random Forest)
B1
B3
B2 B6
B7 B5
B4
B9
B8
B10
B13
B12
B14
B11
B15
B15
B10
B4
Feature Selection

88. “Feature Extraction”: Algoritmos para obtener nuevos
predictores del grupo de predictores originales. Los nuevos
predictores resumen la información de las variables originales en
una forma compacta.
Ejemplos:
 Principle Component
Analysis (PCA)
 Kernel-PCA
 Minimum Noise Fraction (MNF)
B1
B3
B2 B6
B7 B5
B4
B9
B8
B10
B13
B12
B14
B11
B15
N2
N1
N3
Feature Extraction
Variables nuevas que
resumen a las originales

89. Algoritmos de Feature Selection
(Selección)

90. Árboles de decisión
Variables
predictivas
(bandas, etc):
b1, b2, …
Variable de
interés: Y
 Niveles  Var. numérica
 Clase  Var. categórica

91. ¿Qué variable es más importante para la clasificación de la pobreza?

92. Índices de Vegetación
Forest discrimination index:
FDI: 𝑁𝐼𝑅2 − (𝑅𝐸 + 𝐵𝑙𝑢𝑒)
Norm. Diff. Veg. Index (NDVI)
Enhanced Vegetation Index (EVI):
Band ratio (NREB) : (𝑁𝐼𝑅2 + 𝑅𝐸) − 𝐵𝑙𝑢𝑒
Variables LiDAR
Canopy height model (CHM)
The aim of this study was to develop and test
the applicability of geographic object-based
image analysis including decision tree
classification to classify WorldView-2 imagery
and LiDAR-derived ancillary data to map the
aquatic vegetation communities of the Magela
Creek floodplain.

93. Random forest (RF)
Es una forma especial de “bagging” que construye un gran número
de árboles de decisión de-correlacionados y los promedia.
Pasos de un RF:
a. Toma “n” muestras al azar (“boostrap”) desde los datos
originales (conjuntos aleatorios de variables predictivas).
b. Para cada muestra se crean árboles de clasificación o
regresión que elige la mejor división entre todos los predictores.
c. Predice nuevos datos por agregación de las predicciones de los
árboles (promedio).
d. Estima el error de la predicción (out-of-bag con 1/3 de los datos).
Clasificación  variable predicha es categórica
Regresión  variables predicha es numérica

94. Banda 1
Banda n
Banda i
Banda k
Banda 2
Banda m

95. Cuanto cambia el error (dif. antes
y después) cada vez que se usa
la variable en una “split” (suma
para todos los árboles de
decisión).
Banda K
Banda L
Banda M
.
.
.
Banda Z
Importancia de cada variable en la predicción

96. Genetic algorithms
Método que genera una población de las reglas de clasificación que
"evolucionan" por procedimiento análogo a la selección natural (mutación
aleatoria) hasta una solución óptima.
Los GAs son similares a los modelos de árboles de clasificación, salvo que
las normas de los árboles de clasificación se derivan de divisiones
recursivas de los datos y los Gas de reglas genéticas como evolución y
cross-over.

97. SVM busca un hiperplano n-dimensional (Hi)
que combina las variables predictoras
ambientales (Xi) y los límites que permiten
clasificar cada caso a cada categoría
(Ausencia / Presencia).
Existen infinitos posibles Hi ¿cuál es la
mejor?
La que mejor separa las categorías.
Un vector de soporte = puntos que
conforman las dos líneas paralelas al
mejor hiperplano
La distancia entre las líneas será la
mayor posible.
Función de separación:
- Lineal
- No lineal  Kernel
(mapea los datos en
espacios diferentes
usando los planos Hi
óptimos)
Support vector machines

98. Algoritmos de Feature Reduction
(Selección)

99. Componentes principales
tm1 tm2 tm3 tm4 tm5 tm7
tm1 1.0000 0.9484 0.9336 0.5043 0.7577 0.8338
tm2 1.0000 0.9549 0.5889 0.8136 0.8690
tm3 1.0000 0.5633 0.8681 0.9160
tm4 1.0000 0.6272 0.5438
tm5 1.0000 0.9623
tm7 1.0000
Matriz de correlaciones parciales Imagen TM5 Peñuelas Ene 2007

100. Análisis de componentes principales
Si hay bandas anómalas no las elimina en la transformación.
NDCP 1 = k1 * NDBanda A + k2 * NDBanda B
NDCP 2 = m1 * NDBanda A + m2 * NDBanda B
Extendible a muchas bandas.

101. Composición RGB PC123 (TM5 ene 2007)

102. Minimum Noise Fraction (MNF)
Técnica similar a los componentes principales que separa información
útil del ruido de la imagen. Permite identificar las bandas “ruido” y
eliminarlas. Consiste en 2 reducciones consecutivas:
1. Estimación del ruido basado en correlaciones (matriz).
2. Creacción de nuevos componentes (bandas) que contienen la
varianza de todas las bandas sin considerar aquellas consideradas
ruido.
Dimensionality reduction of multidimensional satellite imagery
Shen-En Qian Novel techniques can reduce dimensionality to derive better remote-sensing products. 21 March 2011, SPIE
Newsroom. DOI: 10.1117/2.1201102.003560
Classification maps derived from original imagery and after dimensionality reduction from 224 to 22 dimensions using
principal-components analysis (PCA), wavelet transformation, minimum-noise fraction (MNF), and band selection,
respectively. The values in parentheses are correct classification rates with respect to the classification map of the
original imagery.

103. ¿Porque necesitamos “Feature Selection” / “Feature Extraction”?
Datos hiperespectrales tienen un gran peso (una imagen hiperespectral
tiene muchas veces mas que 1 GB)
Datos hiperespectrales tienen una gran dimensionalidad (muchas
bandas)
Algunas restricciones:
• Alta co-linearidad tiene efectos en regresiones lineales!!
• En algunos casos el número de muestras para entrenar el algoritmo de
clasificación es dependiente en el número de predictores (bandas).

104. Ejemplo
Comparación de una clasificación supervisada con todas bandas como input y con
algunas bandas de una transformación MNF como input.
Clasificación SVM con todas bandas Clasificación SVM con 20 bandas MNF

105. Repeticion - IV - „Feature Selection + extraction“ - modelos de reflexion de copas – desmezcla lineal

106. Repeticion - IV - „Feature Selection + extraction“ - modelos de reflexion de copas – desmezcla lineal

107. Repeticion - IV - „Feature Selection + extraction“ - modelos de reflexion de copas – desmezcla lineal

108. Imágenes
Hiperespectrales
Dr. H. Jaime Hernández Palma