Cartografiado de un ecosistema costero vulnerable mediante clasificación basada en objetos en imágenes de muy alta resolución

Abstract

Los ecosistemas costeros están caracterizados por ser zonas con una alta biodiversidad y producción primaria, los cuales están sometidos a una alta variabilidad espacial y temporal, por ello es necesario cartografiarlos y monitorizarlos de una manera automática y sencilla. Los métodos de clasificación más tradicionales basados en píxeles es un reto cuando se trabaja con sensores de muy alta resolución. La clasificación a nivel de objeto utilizando metodologías OBIA (Object-Based Image Analysis) es una alternativa prometedora para solventar las limitaciones en la clasificación a nivel de píxel. El objetivo de este trabajo es obtener una cartografía del fondo marino en un ecosistema costero vulnerable a través de una clasificación a nivel de objeto. Para ello se utiliza una imagen de muy alta resolución, WorldView-2, la cual ha sido corregida y mejorada espacialmente a través de técnicas avanzadas de pansharpening. El estudio se ha centrado en la Reserva Natural de Maspalomas (Gran Canaria, España) por el gran interés en la conservación de sus extensas praderas de fanerógamas marinas. Las técnicas utilizadas en las distintas etapas de la clasificación OBIA han sido: (1) Multiresolution Segmentation seguida del algoritmo Spectral Difference, para la fase de segmentación y (2) aplicación de los clasificadores: Bayes, K-Nearest Neighbor y Support Vector Machine, para determinar el mejor modelo de clasificación, teniendo en cuenta las características espectrales y contextuales de la imagen. Finalmente, los distintos mapas temáticos fueron evaluados a través de comparativas visuales con datos y mapas de referencia y obteniendo las correspondientes matrices de confusión. La mejor precisión (93,97%) se ha obtenido utilizando el algoritmo K-Nearest Neighbor usando K=5.

Coastal ecosystems are important due to its high biodiversity and primary production. These ecosystems are subject to high spatial and temporal variability, so it is necessary to map and monitor them in an automatic and simple way. The more traditional classification techniques based on pixels is a challenge when working with very high resolution sensors. Object-level classification using Object-Based Image Analysis (OBIA) is a promising alternative to overcome limitations in pixel-level classification. The goal of this work is to obtain a map of the seabed in a vulnerable coastal ecosystem through an object-level classification. Hence, a very high resolution imagery, WorldView-2, is used. WV-2 imagery has been spatially corrected and improved through advanced pansharpening techniques. The study has focused on Maspalomas Natural Reserve (Gran Canaria, Spain) due to the great interest in the extensive seagrass meadows conservation. The techniques used in the different stages of the OBIA classification were: (1) Multiresolution Segmentation followed by the Spectral Difference algorithm for the segmentation phase and (2) application of the classifiers: Bayes, K-Nearest Neighbor and Support Vector Machine, to determine the best classification model, taking into account the spectral and contextual characteristics of the image. Finally, the different thematic maps were evaluated through visual comparisons with data and reference maps and obtaining the corresponding matrices of confusion. The best accuracy of (93.97%) was obtained using the K-Nearest Neighbor algorithm using a K=5.