¿Podemos detectar automáticamente las nuevas construcciones en el territorio?

En esta entrada se resume el trabajo “Detección automáctica de nuevas construcciones a partir de ortofotos del Institut Cartogràfic Valencià”  realizado por Alfonso Moya Fuero en la Tesina Final del Master de Teledetección (UVFacultad de física) realizada en el año 2012 y que resultó premiada con el Padre Tosca de Cartografía y Territorio convocados por el Institut Cartogràfic Valencià.

En los últimos años han proliferado por el territorio construcciones fuera de ordenación. Se encuentran en situación legal de fuera de ordenación aquellas construcciones, edificaciones o instalaciones, así como los usos y actividades que existiendo al tiempo de la aprobación de los instrumentos de planeamiento, resulten disconformes con los mismos. Y ello puede ser por varias cuestiones, como por ejemplo, la modificación dela altura máxima permitida o alineaciones a viales, o construir dentro de suelos con algún tipo de figura de protección. Al cabo de cuatro años, el propietario puede darle forma legal a la construcción, ya que la Administración no puede actuar contra ellas y pasan de ser ilegales” a “legalizables”(Real Decreto 1492/2011, de 24 de octubre, por el que se aprueba el Reglamento de valoraciones de la Ley de Suelo).

El objeto del trabajo es realizar un estudio sobre las ortofotos del Instituto Cartográfico Valenciano con el fin de detectar nuevas construcciones en diseminado. Para ello se han detectado previamente estos elementos en las ortofotos en dos fechas diferentes (años 2006 y 2008) para que actúen de “datos de entrenamiento” y “datos de verificación” de las diferentes técnicas de clasificación empleadas.

Los datos de partida son dos ortofotomapas de dos años diferentes para poder localizar sobre ellos nuevas construcciones en el territorio y así poder comprobar diferentes metodologías de detección de cambios. Las fechas de los vuelos son el año 2006 y el 2008.

Para el tratamiento de dicha información y la aplicación de las técnicas de detección se han empleado tres software comerciales, ArcGis de la casa Esri, ENVI de la casa ITTVIS y Matlab de la casa Mathworks.

La metodología seguida a grandes rasgos es la siguiente:

  1. Detección de nuevas construcciones mediante una comparación visual entre dos ortofotos de dos fechas diferentes. Una vez detectadas se han recortado las imágenes de 100×100 píxeles para utilizarlas como entrenamiento del calsificador.

  2. Recorte de las mismas manteniendo la misma georeferenciación de los pixeles comunes. Se han recortado las cuatro bandas disponibles (IRGB).

  3. Normalización radiométrica. Para las imágenes tomadas en diferentes espacio temporal, es necesario realizar dicho ajuste para que ambas imágenes sean comparables, es decir, se corrigen mediante transformaciones lineales de cada banda haciendo que cada una ostente el valor medio radiométrico de todo el conjunto, con esto garantizamos que no se producen errores por la medida en diferentes fechas (cambian los valores radiométricos) haciendo mas uniformes las bandas calcualdas posteriormente para aplicarles las técnicas de clasificación. Con esto corregimos errores atmosféricos o de calibración del sensor.

  4. Extracción de bandas como entradas de los algoritmos de clasificación, como la diferencia de NVDI (indice de vegetación), Chi cuadrado (si los suelos no han cambiado, los valores radiométricos no deben superar en un 205 dicha distrubión), vector de cambios (restando los valores radiométricos de todas las bandas) y transforamda MAD (“The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data”). Esta técnica permite estimar, de un modo casi automático, las áreas radiométricas invariantes a partir de técnicas multivariadas. Entre las propiedades que tienen las componentes MAD una es la ortogonalidad no correlacionada, cuyas varianzas se guardan en una matriz. La correlación mide el valor y dirección de esa asociación de pixeles de una manera lineal, es decir, si en la imagen de entrada va aumentando un valor, en la imagen homónima también irá aumentando de la misma manera, si no es que hay cambios entre los pixeles y no hay correlación

  5. Operaciones morfológicas sobre las bandas extraídas como aperturas, cierres, erosiones y dilataciones con el fin de asilar los cambios buscados. La morfología matemática aplicada a las imágenes es una técnica de procesado no lineal que permite extraer información sobre la geometría de los objetos (forma y estructura) .Permite extraer componentes de la imagen que son útiles en la representación y descripción de la forma de las regiones, (fronteras, esqueletos,…) y permite obtener características relevantes de los objetos en la imagen, (tamaños, formas,…)

  6. Emplear un clasificador para agrupar en una o varias clases los objetos a identificar.

  7. Detección de la clase que recoge la nueva edificación del resto en base a criterios de compacidad. Se ha empleado El algoritmo K-means, creado por MacQueen en 1967 es el algoritmo de clustering más conocido y utilizado ya que es de muy simple aplicación y eficaz. Sigue un procedimiento simple de clasificación de un conjunto de objetos en un determinado número K de clústeres, K determinado a priori. El nombre de K-means viene porque representa cada uno de los clústerespor la media (o media ponderada) de sus puntos, es decir, por su centroide. La representación mediante centroides tiene la ventaja de que tiene un significado gráfico y estadístico inmediato.

  8. Una vez calculadas las clases, para discriminarla del resto aplicamos un algoritmo basado en la compacidad de las mismas, ya que una nueva construcción normalmente sigue una forma geométrica compacta, esta clase tendrá todos sus componentes juntos y no disgregados por la imagen.

Causas que empeoran la calidad de los resultados:

  1. La gran cantidad de cambios que hay entre ambas imágen es y que no son solo nuevas construcciones, como por ejemplo las sombras, la vegetación, el diferente color de las tomas (aunque se han normalizado sigue habiendo diferencias), elementos nuevo que no son construcciones como vehículos, piscinas, balsas, etc.

  2. La variedad de formas y tamaños de las nuevas construcciones, si se buscara en las imágenes un elemento invariable con forma, tamaño y textura conocidala detección sería más fácil.

Como posibles mejoras del algoritmo caben las siguientes posibilidades:

  1. Utilizar nuevas fuentes cartográficas para la detección de nuevas construcciones, como por ejemplo LIDAR. Actualmente solo se dispone de un vuelo LIDAR de la Comunidad Valenciana, no se puede utilizar como serie histórica pero si como cartografía de apoyo o de verificación.

  2. Utilizar otras imágenes con diferente información espectral. Se pueden utilizar imágenes de satélite en otras bandas para incluirlas en los clasificadores, la desventaja es que no tiene todavía la resolución del a ortofoto, que es de 50cm.

  3. Explorar nuevas transformaciones morfológicas para intentar asilar los cambios entre las imágenes de la serie histórica.

  4. Probar nuevos clasificadores, en este trabajo se ha utilizado solo clasificadores post-proceso, pero puede explorarse la posibilidad de utilizar SVM, clasificadores pre-proceso, etc.

Alfonso Moya – Team Coordinator. Msc. in Remote Sensing

Deja un comentario