Please use this identifier to cite or link to this item: http://hdl.handle.net/11349/14746
Title: Implementación de las transformadas ridgilet, contourlet y curvelet para el análisis multitemporal, identificación y predicción del cambio de uso y cobertura del suelo en los municipios de Mosquera, Facatativá, Chía, El Rosal, Funza y Madrid-Cundinamarca usando imágenes landsat
Author: Luna León, Daniel Guillermo
Borda Casas, Óscar Fernando
Advisor: Medina Daza, Rubén Javier
Subjects: Ingeniería Catastral y Geodesia - Tesis y disertaciones académicas
Uso de la tierra rural - Cundinamarca (Colombia)
Procesamiento de imágenes
Sistemas de información geográfica
Keywords: Predicción
Clasificación
Landsat
Matlab
Supervisada
Urbano
Date: 25-Feb-2019
Abstract: This document discusses the application of four algorithms, namely, contourlet, curvelet and ridgelet, wavelet fusion, which are intended to improve edges and spatial resolution respectively in an image, which were applied to images of the landsat 7 sensors and landsat 8 merged, in order to perform supervised and unsupervised classifications, in order to determine changes in land uses and coverage, with an emphasis on urban areas. The fusion was carried out through the application of several wavelet transforms, among them, main components, bior, rbio, haar, daubechies, with different levels of decomposition. In the case of the landsat 7 sensor, a gaps correction was made due to the error that this presents through the envi and erdas software, obtaining better results with the first one. The best results for the case of the landsat 7 sensor was bior 2.2 and for the landsat 8 rbio1.3, both in the decomposition level four. As for the application of contour improvement algorithms, namely, contourlet and ridgelet-curvelet, they were developed using the erdas software and the best algorithm for both sensors turned out to be the contourlet transform. The images fused with the wavelet transform (bior2.2 and rbio1.3) and the generated images (using the contourlet, curvelet and ridgelet transforms) were evaluated and analyzed quantitatively and qualitatively. The quantitative methods in the present analysis include ergas, rase, Universal Quality (Qu) and correlation coefficient (CC), whereas the qualitative method takes into account that spectral quality is not lost visually. The fusion of images and the implementation of the transformations were done with the MatLab® software, which provides the following Toolbox: Wavelet Toolbox, Image Processing Toolbox, Toolbox Contourlet and source code for Curvelet and Ridgelet. In the case of classifications supervised by vector support machines and decision trees, the best classification was the first. The highest Kappa coefficients were obtained from the merged image, followed by the merged Contourlet and finally the Contourlet. When carrying out the multitemporal analysis through the classifications made by vectorial support machines, some changes in land use and coverage were evidenced, especially the growth of the urban sector along the surrounding municipalities. A prediction was made for the year 2040 of the artificialized territories class that refers to the urban classes, and I throw a quite high value, which concludes that despite the dynamics of the urban land indicate an excessive growth of this, the value proposed by the prediction exceeds the limits of the territory, so it is necessary, if you want to go into depth in this topic, think about other variables and factors that affect this behavior, and that were not taken into account for this project. In conclusion, the mergers made show a remarkable change in the spatial resolution of the images, allowing to better identify areas, objects or coverage that maybe before the application of these were not so clear. Likewise, the classifications achieved their purpose allowing identifying different coverages through automatic tools or direct interaction with the user, allowing to identify the uses and coverage of the floor of the study area with an acceptable percentage of confidence taking into account the limitation that we have in terms of images that cover the study area.
Description: Este documento discute la aplicación de cuatro algoritmos, a saber, contourlet, curvelet y ridgelet, fusión wavelet, que están destinadas a la mejora de bordes y resolución espacial respectivamente en una imagen, las cuales se aplicaron a las imágenes de los sensores landsat 7 y landsat 8 fusionadas, con el fin de realizar clasificaciones supervisadas y no supervisadas, para poder determinar cambios en los usos y coberturas del suelo, haciendo énfasis en las zonas urbanas. La fusión se realizó mediante la aplicación de varias transformada wavelet, entre ellas, componentes principales, bior, rbio, haar, daubechies, con diferentes niveles de descomposición. Para el caso del sensor landsat 7, se realizó una corrección de gaps debido al error que presenta éste mediante los software envi y erdas, obteniendo mejores resultados con el primero. Los mejores resultados para el caso del sensor landsat 7 fue bior 2.2 y para el landsat 8 rbio1.3, ambas en el nivel de descomposición cuatro. En cuanto a la aplicación de algoritmos de mejoramiento de contornos, a saber, contourlet y ridgelet-curvelet, se desarrollaron mediante el software erdas y el mejor algoritmo para ambos sensores resulto ser la transformada contourlet. Las imágenes fusionadas con la transformada wavelet (bior2.2 y rbio1.3) y las imágenes generadas (usando las transformadas contourlet, curvelet y ridgelet) se evaluaron y analizaron cuantitativamente y cualitativamente. Los métodos cuantitativos en el presente análisis incluyen ergas, rase, Calidad Universal (Qu) y coeficiente de correlación (CC), mientras que el método cualitativo se tiene en cuenta que visualmente no se pierda calidad espectral. La fusión de imágenes y la implementación de las transformadas se realizaron con el software MatLab®, que proporciona los siguientes Toolbox: Toolbox de Wavelet, Toolbox de procesamiento de imágenes, Toolbox Contourlet y código fuente para Curvelet y Ridgelet. Para el caso de las clasificaciones supervisadas por máquinas de soporte vectorial y árboles de decisión, la mejor clasificación fue la primera. Los coeficientes Kappa más altos se obtuvieron de la imagen fusionada, seguida por la fusionada Contourlet y por último la Contourlet. Al realizar el análisis multitemporal a través de las clasificaciones realizadas por máquinas de soporte vectorial, se evidenciaron algunos cambios en los usos y coberturas del suelo, en especial el crecimiento del sector urbano a lo largo de los municipios aledaños. Se realizó una predicción para el año 2040 de la clase territorios artificializados que hace referencia a las clases urbanas, y arrojo un valor bastante alto, el cual deja como conclusión que a pesar de que las dinámicas del suelo urbano indican un crecimiento desmedido de este, el valor propuesto por la predicción sobrepasa los límites del territorio, por lo que es necesario, si se quiere entrar en profundidad en este tema, pensar en otras variables y factores que afectan este comportamiento, y que no fueron tenidas en cuenta para este proyecto. En conclusión las fusiones realizadas evidencian un notable cambio en la resolución espacial de las imágenes, permitiendo identificar mejor zonas, objetos o coberturas que tal vez antes de la aplicación de estos no eran tan claras. Así mismo, las clasificaciones lograron su cometido permitiendo identificar diferentes coberturas a través de herramientas automáticas o de interacción directa con el usuario, permitiendo identificar los usos y coberturas del suelo de la zona de estudio con un porcentaje aceptable de confianza teniendo en cuenta la limitación que se tiene en cuanto a imágenes que cubrieran la zona de estudio.
URI: http://hdl.handle.net/11349/14746
Appears in Collections:Ingeniería Catastral y Geodesia

Files in This Item:
File Description SizeFormat 
LunaLeonDanielGuillermo2019.pdfTrabajo de Grado20,62 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons