Imágenes satelitales n Python

Aceptada

En este tutorial el objetivo será obtener un mapa de coberturas (suelo, agua, vegetación) a partir de una imagen satelital óptica. Comenzaremos seleccionando muestras de una imagen y analizando, mediante una comparación con firmas espectrales conocidas, a que cobertura pertecene cada muestra. Por último, utilizaremos las muestras para realizar una clasificación supervisada que dará como resultado el mapa buscado.


Tipo: Taller

Nivel: Principiante

Disertantes: Mariela Rajngewerc

Speakers Bio: Mi nombre es Mariela Rajngewerc, actualmente me encuentro realizando la carrera de doctorado en la Universidad Nacional de San Martin (UNSAM). Mi lugar de trabajo es el Laboratorio de Ecología, Teldetección y Eco-informática en el Instituto de Investigacion e Ingeniera Ambiental en UNSAM.

Horario: 18:00 - 22:00 - 22/11/2018

Sala: Sala C

Etiquetas/Tags: imágenes satelitales ciencia educación.

Descripción completa

Las imágenes satelitales cumplen un rol fundamental en el monitoreo terrestre, en particular en lugares de difícil acceso (humedales, glaciares, bosques, etc). En este tutorial trabajaremos con una imagen Landsat8. Este sat´ elite monitorea constantemente la Tierra y tiene un tiempo de revisita de 16 días, o sea: una imagen cada 16 días. Estas imágenes son ópticas y gratuitas. El objetivo principal de este tutorial es mostrar con un ejemplo sencillo como clasificar una imagen satelital en Python. Para ello veremos como levantar una imagen satelital utilizando la librería gdal. Luego, seleccionaremos polígonos homogéneos de la imagen y graficaremos las firmas espectrales (la reflectancia reflejada en función la longitud de onda) de cada uno. Compararemos las firmas calculadas con las firmas espectrales de las clases: agua, suelo y vegetación y decidiremos a qué clase representa cada polígono. Con esta información crearemos un dataset de datos etiquetados (a cada p´ıxel de cada polígono le asignamos la clase del polígono al que pertenece). Este será el conjunto de entrenamiento que utilizaremos para realizar una clasificación supervisada utilizando la librería sklearn. Por último obtendremos un mapa de cobertura.