EJERCICIO 18- Teorema de Bayes
5
Alumna: Herrera Marín Mariana EJERCICIO 18. TEOREMA DE BAYES Y CLASIFICACIÓN DE PROBABILIDAD MÁXIMA. El procedimiento de la probabilidad máxima es incuestionablemente el método má s usado para la clasificación en sensores remotos. El fundamento pa ra es ta ap roximación es el Teorema de Ba yes qu e expresa la relación de evidencia, conocimiento previo y la probabilidad de que una hipótesis específica, sea verdad. Desafortunadamente, el pequeño uso que se hace de estas habilidades para incorp or ar el conocimiento previo dentro del procedimiento. Comúnmente el análisis de hechos supone sobre la probabilidad relativa de encontrar clases de cubierta de suelo de inter és antes de considerar la evidencia, y así asu mi r que cad a cla se es igu al men te prob abl e. En casos de fuer te evidencia, esto usualmente puede hacer un poco de daño. Sin embargo, esto es en el contexto de evidencia débil, que el conocimiento previo puede hacer una importante contribución. IDRISI para Windows es inusual porque ofrece un conj unto de opciones para la inclus ión de conocimiento previo dentro del proceso de clasificación. En particular, ofrece una especial habilidad para incorporar conocimiento previo en la forma de imágenes de probabilidad, de tal manera que la probabilidad de que en algunas clases este permitido variar de algún lugar al siguiente. Como se verá en este ejercicio, esto ofrece un significante mejoramiento en el procedimiento de clasificación. a) Examine las imáge nes multi esp ectrales SPOT (XS), llamadas SPWEST1, SPWEST2 y SPWEST3. Estas son la banda verde, roja e in fr arro ja de sde el sensor SPOT- HRV del ár ea de West bo ro, Massachussets. Desde un color falso compuesto llamado SPWESTFC, de estas bandas se utilizara el modulo COMPOSIT con una estandarización linear con 1% de saturación. Entonces visualizar el resultado ( si es ta utilizando la vi sualizac ió n automática, esto puede ocurrir automáticamente). Wetsboro es u pe qu eño pu eblo rural qu e ha sufrido un desarr ollo sustancial en recientes años porque está localizado en un lugar estratégico d e la mayor alt a tecnolog ía de los Estados Un idos. Tambié n
-
Upload
lalolalobena -
Category
Documents
-
view
218 -
download
0
Transcript of EJERCICIO 18- Teorema de Bayes
8/8/2019 EJERCICIO 18- Teorema de Bayes
http://slidepdf.com/reader/full/ejercicio-18-teorema-de-bayes 1/5
Alumna: Herrera Marín Mariana
EJERCICIO 18.
TEOREMA DE BAYES Y CLASIFICACIÓN DE PROBABILIDADMÁXIMA.
El procedimiento de la probabilidad máxima es incuestionablemente el
método más usado para la clasificación en sensores remotos. El
fundamento para esta aproximación es el Teorema de Bayes que
expresa la relación de evidencia, conocimiento previo y la probabilidad
de que una hipótesis específica, sea verdad. Desafortunadamente, el
pequeño uso que se hace de estas habilidades para incorporar el
conocimiento previo dentro del procedimiento. Comúnmente el análisis
de hechos supone sobre la probabilidad relativa de encontrar clases de
cubierta de suelo de interés antes de considerar la evidencia, y así
asumir que cada clase es igualmente probable. En casos de fuerte
evidencia, esto usualmente puede hacer un poco de daño. Sin embargo,
esto es en el contexto de evidencia débil, que el conocimiento previo
puede hacer una importante contribución. IDRISI para Windows es
inusual porque ofrece un conjunto de opciones para la inclusión de
conocimiento previo dentro del proceso de clasificación. En particular,
ofrece una especial habilidad para incorporar conocimiento previo en la
forma de imágenes de probabilidad, de tal manera que la probabilidadde que en algunas clases este permitido variar de algún lugar al
siguiente. Como se verá en este ejercicio, esto ofrece un significante
mejoramiento en el procedimiento de clasificación.
a) Examine las imágenes multiespectrales SPOT (XS), llamadas
SPWEST1, SPWEST2 y SPWEST3. Estas son la banda verde, roja e
infrarroja desde el sensor SPOT- HRV del área de Westboro,
Massachussets. Desde un color falso compuesto llamado
SPWESTFC, de estas bandas se utilizara el modulo COMPOSIT con
una estandarización linear con 1% de saturación. Entoncesvisualizar el resultado ( si esta utilizando la visualización
automática, esto puede ocurrir automáticamente).
Wetsboro es u pequeño pueblo rural que ha sufrido un desarrollo
sustancial en recientes años porque está localizado en un lugar
estratégico de la mayor alta tecnología de los Estados Unidos. También
8/8/2019 EJERCICIO 18- Teorema de Bayes
http://slidepdf.com/reader/full/ejercicio-18-teorema-de-bayes 2/5
es un área con significativas cubiertas de humedales- la cobertura de los
suelos es una preocupación particular del medio ambiente.
b) Usando ADPLAYER de COMPOSER, visualizar la capa vectorial
llamada SPTRAIN. Esta capa contiene un conjunto de centros de
información, para el surgimiento de tipos de coberturas de suelo:
1. Residencias viejas OLDRS
2. Residencias nuevas NEWRS
3. Industrial/Comercial INDCM
4. Carreteras ROADS
5. Hidrología WATER
6. Agricultura/Pastoreo AGPAS
7. Bosque caducifolio DECID
8. Humedales WETLN
9. Campos de golf/césped GOLFG
10. Bosque de coníferas CONIF
11.Aguas poco profundas SHALW
La última columna en esta lista es una sugerencia de un conjunto de
nombres o firmas que pueden ser usadas en esto y en las secciones
restantes de este conjunto de ejercicio.
c) Usando MAKESIG para crear un conjunto de firmas para los centros
de formación en el archivo vectorial SPTRAIN. Indicando que las
bandas de 3SPOT llamadas SPWEST1, SPWEST2 y SPWEST3
deberían ser usadas. Las firmas deberían ser identificadas
utilizando los nombres. A través del modulo no se requiere un
orden específico para ser usado, se puede entrar en el orden de
lista para hacer uso de la paleta preparada para visualizar después
del paso de clasificación.
d) Correr MAXLIK en el grupo de Clasificadores Duros para crear una
imagen llamada SPMAX1. En este primer intento, se asumirá no
tener información previa en la frecuencia relativa, con la cual las
diferentes clases pueden aparecer. Por lo tanto elegir la opción
8/8/2019 EJERCICIO 18- Teorema de Bayes
http://slidepdf.com/reader/full/ejercicio-18-teorema-de-bayes 3/5
para probabilidades previas iguales y elegir para clasificar todos
los pixeles. Entonces especificar los nombres de todas las 11
clases de firmas y elegir para utilizar todas las bandas de
clasificación.
e) Cuando la clasificación este completada, visualizar el maparestante utilizando la paleta llamada SPMAX. También la opción de
visualizar la leyenda. A continuación comparar los resultados, para
el color compuesto falso, llamado SPWESTFC.
1. Comparar en la clasificación el color compuesto falso. ¿Cuáles
clases cree usted que realicen una mejor clasificación? ¿Cuáles
parecen ser las peores?
El estado de Massachussetts lleva a cabo un inventario regular del uso
del suelo utilizando fotografía aérea. Los datos de esta imagen SPOTutilizada aquí es de 1992. Antes de esto, las evaluaciones de uso de
suelo habían sido realizadas en 1978 y 1985. Basadas en estos
inventarios para el pueblo de Westboro, CROSSTAB es utilizado para
determinar la frecuencia relativa, con que cada clase de cubierta de
suelo cambia para cualquier otra clase durante el periodo de 1978- 85.
Estas frecuencias relativas son conocidas para la transición de
probabilidades y son la base subyacente para una cadena Markov que es
una predicción para futuras transiciones. Asumimos que la conducción
de fuerzas subyacentes y trayectorias de cambio que se han mantenido
estables. Esto es posible, pero estimar la probabilidad con que cadaclase de cubierta de cubierta de suelo podría cambiar a cualquier otra.
Utilizando las clases de cobertura de suelo de 1985 como una base, esta
transición de probabilidades eran aplicadas a esta base para ceder un
conjunto de mapas probables expresando la creencia previa de que cada
clase de cubierta de suelo pueda ocurrir en 1992.
Estos mapas tienen los siguientes nombres:
PROLDRS
PRNEWRS
PRINDCM
PROADS
PRWATER
8/8/2019 EJERCICIO 18- Teorema de Bayes
http://slidepdf.com/reader/full/ejercicio-18-teorema-de-bayes 4/5
PRAGPAS
PRDECID
PRWETLN
PRGOLFG
PRCONIF
PRSHALW
f) Visualizar una selección de los mapas previos de probabilidadutilizando la paleta de color IDRISI256 (ej. PRNEWRS). Reconocerque estas definiciones espaciales de previa probabilidad soloextendido para el límite del pueblo. El exterior del límite delpueblo, la probabilidad previa puede ser expresada ya que en latransición de probabilidad no espacial, más de uno se específico
tradicionalmente en el uso del procedimiento Bayesiano deProbabilidad Máxima. Por ejemplo, en la imagen PRNEWRS, el áreadel exterior del limite del pueblo tiene una probabilidad de 0.18,ya que simplemente representa la probabilidad de que algún áreapodría ser expresada para ser una nueva residencia en 1992. Sinembargo, la especialización- específica, tiene un rango deprobabilidades donde sea de 0.70 dependiendo de la existencia dela cobertura del suelo en 1985.
g) Ahora correr MAXLIKE otra vez. Repetir los mismos pasosrealizados previamente, pero este tiempo indica que se desea
especificar una probabilidad de imagen percatada y firma.Entonces indicar a lo largo con el nombre de la firma apropiadapara la probabilidad del mapa. Llamar a este nuevo mapa SPMAX2.
h) Visualizar SPMAX2 con la paleta SPMAX e indicar que se deseatener una leyenda. Usar la opción ADDLAYER en COMPOSER parasuperponer el archivo vectorial lamado WESTBND. Esta capamuestra los límites del pueblo
2. Describir las clases en que los cambios más obvios ocurren comoresultado de incluir las probabilidades.
i) Utilizar CROSSTAB para crear una imagen con entrecruzamientode la clasificación y una tabla con entrecruzamiento de tabulaciónde las diferencias entre SPMAX1 y SPMAX2. Llamando el mapa declasificación cruzada MAX1MAX2. Para visualizar MAX1MAX2 usarla paleta QUAL256. Para facilitar la examinación de áreas quetiene que cambiar como resultado de la introducción deprobabilidades, usando la leyenda interactiva, editar lascaracterísticas para cambiar de negro cada categoría que no ha
8/8/2019 EJERCICIO 18- Teorema de Bayes
http://slidepdf.com/reader/full/ejercicio-18-teorema-de-bayes 5/5
cambiado. Cuando se superpone el vector WESTBAND en el mapapara facilitar la examinación del efecto del régimen deprobabilidad.
3. Se da cuenta de algún cambio significativo que no era en lapregunta 2.
4. ¿cómo puede describir el patrón de las zonas que tuvieron uncambio fuera del límite del pueblo contra las que cambiarondentro del pueblo?
5. ¿Qué puede concluir sobre el valor de utilizar una definiciónespacial de probabilidades contra la definición no espacial?
Claramente, la definición espacial de probabilidades ofrece unapoderosa ayuda para el proceso de clasificación, el proceso ha sidolento, en gran medida por la incapacidad para específicar las
probabilidades en una manera espacial. El procedimiento ilustrado aquí proporciona un muy importante vínculo, y abre la puerta a un rangoentero de modelos de SIG, (como la cadena Markov, procedimientoilustrado aquí), que podrían ayudar en este proceso.
