Rev. Téc. Ing. Univ. Zulia. Vol. 36, Nº 3, 230 - 239, 2013  

Classification of types of paviments for urban roads from an Ortoimagen and object-orient analysis

Germán Torrijos C.

Universidad Distrital Francisco José de Caldas, Av. Circunvalar Franklin Delano Roosevelt. Telefax (57)(1) 323 93 00. Bogotá D.C., Colombia. germantorrijos@gmail.com

Abstract

The vehicular traffic in Bogotá City, capital of Colombia, is very high due to convergences of all transport system and constitutes by itself the commercial, cultural and industrial heartland of the country. With city’s urban growth and economic development of the city, the number of vehicles circulating inside it is increasing year after year, mainly in the metropolitan region. Due to this increase, its been observed a deterioration in the city’s highway system, making necessary to search alternatives that can mitigate this problem. In this context, the main purpose of this research is to classify the types of Bogota’s pavements of urban roads, using orthoimages produced by the Geographic Institute “Agustín Codazzi” –IGAC, in order to find an alternative to map the roads that need to be restored. To evaluate the method, a study was developed in small downtown area using the OBIA (Object Based Image Analysis) implemented in Ecognition software. In the final results two technologies of evaluation were used: the counterfoil of confusion across the calculation of statistical coefficients and the analysis of measures of uncertainty from the statistics of stability of the classification, giving like proved the production of a thematic map with the types of pavements of the zone of study with a precision result of 58,19%, determined by the coefficient of agreement Kappa (k), which is considered to be a good qualification.

Key words: analysis of image-based objects, object-oriented classification, OBIA.

Clasificación de los tipos de pavimentos de las vías urbanas a partir de una Ortoimagen por medio de análisis orientado a objetos

Resumen

La malla vial de la ciudad de Bogotá, capital de Colombia, presenta un deterioro progresivo debido a la creciente circulación de vehículos, haciendo necesario la búsqueda de alternativas que puedan ayudar a detectar este problema. En este contexto, la propuesta central de esta investigación, es realizar una clasificación de los tipos de pavimentos de las vías urbanas de Bogotá, haciendo uso de las ortoimágenes generadas por el Instituto Geográfico “Agustín Codazzi” - IGAC, con el propósito de encontrar una alternativa para mapear las vías que necesiten ser restauradas. Para evaluar la metodología, fue realizada la clasificación de un sector del centro de la ciudad utilizando la técnica de análisis de imagen basada en objetos u OBIA (object based image analysis), implementada en el software Ecognition. En los resultados finales fueron utilizadas dos técnicas de evaluación: la matriz de confusión a través del cálculo de coeficientes estadísticos y el análisis de medidas de incertidumbre a partir de las estadísticas de estabilidad de la clasificación, dando como resultado la elaboración de un mapa temático con los tipos de pavimentos de la zona de estudio con un resultado de precisión del 58,19%, determinado por el coeficiente de concordancia Kappa (k), el cual es considerado como una calificación buena.

Palabras clave: análisis de objetos basado en imágenes, clasificación orientada a objetos, OBIA.

Recibido el 23 de Mayo de 2012 En forma revisada el 23 de Septiembre de 2013  

1. Introducción

Los actuales sistemas de percepción remota, orbitales o aerotransportados, se caracterizan por la capacidad de generar datos con un potencial de discriminar cada vez mejor los objetos de la superficie terrestre, debido al aumento, principalmente, en su resolución espacial y espectral.

La disponibilidad de los datos de alta resolución espacial se está ampliando a la posibilidad de estudios urbanos que utilizan esta tecnología, tanto para el mapeo de la cobertura como para la definición y caracterización del uso del suelo urbano. De esa forma, la utilización de esos datos en áreas urbanas crece a grandes pasos a medida que avanzan las potencialidades de la percepción remota y el análisis espacial, espectral y radiométrico de imágenes digitales adquiridas con cámaras digitales aerotransportadas.

El fragmento del área proporcionado por la resolución espacial posibilita el análisis y el mapeo de la cobertura con mayor posibilidad para la caracterización de los objetos intra-urbanos.

Por otra parte, la utilización de técnicas automáticas y semi-automáticas para la extracción de información urbanas e intra-urbanas de imágenes de alta resolución espacial es asunto de diversos estudios en la actualidad, con énfasis en las técnicas de análisis basada en objetos (OBIA - Object Based Image Analysis, por sus siglas en inglés) [1, 2], el cual contrasta con el análisis que se realiza a nivel de pixel.

En este sentido, el trabajo de, Pinho [3] identificó los atributos que mejor describen las clases de cobertura del suelo intra-urbano utilizando OBIA. Hoy, uno de los principales esfuerzos por parte de la comunidad de investigadores en percepción remota ha sido la concepción y evaluación de metodologías de clasificación automática y/o semiautomática de cobertura del suelo urbano [4, 5]. Es el caso de, la utilización del nuevo concepto GEOBIA (Geography Object Based Image Analysis), el cual integra las ciencias de información geográfica, haciendo un abordaje a los métodos de clasificación imágenes-objetos obtenidos mediante percepción remota, evaluando sus características por medio de parámetros espaciales, espectrales y radiométricos [6].

Igualmente, la aplicación de la GEOBIA conduce al objetivo esencial que es desarrollar y aplicar la teoría, métodos y herramientas para apoyar y ayudar la interpretación humana de las imágenes de percepción remota, procesos automatizados y/o semi-automatizados que se traducen en un aumento de la producción, disminución de tiempo, subjetividad y beneficios de costos [7].

2. Área de estudio

El área seleccionada para este estudio se localiza en la ciudad de Bogotá, capital del Departamento de Cundinamarca y de Colombia. La circulación de vehículos en la ciudad de Bogotá es bastante alta, principalmente por ser el centro de convergencia del sistema de transporte, además de ser el polo comercial, cultural e industrial del país. Con el crecimiento urbano y económico de la ciudad, el número de vehículos que circula en ella viene en aumento año tras año, y consecuentemente el deterioro progresivo de su malla vial. Dentro de la región metropolitana existe un sector del centro de la ciudad, cuyas vías presentan características del tipo de pavimentos a evaluar en el presente estudio como son: asfalto; concreto y tierra.

El área considerada en esta investigación cubre una superficie aproximada de 72,26 hectáreas y un perímetro de 3490 m medidos en la imagen la cual ha sido rectificada y delimitada por una línea con trazos negros, como se muestra en la Figura 1.

Figura 1. Localización específica del área.  Fuente: Google Earth e IGAC  

 

El área comprende los Barrios de Paloquemao, Ricaurte, La Pepita, Santa Isabel e Industrial. Las coordenadas de la ortoimagen están referidas al Datum Magna Sirgas, que tiene su origen en la pilastra del Observatorio Astronómico de Bogotá, con las siguiente coordenadas: N 4° 35’ 56,57” y E 74° 04’ 51,30”; los mapas del Instituto Geográfico “Agustín Codazzi” en escala menor que 1:500.000 utilizan coordenadas planas en metros y no geográficas de latitud/longitud.

Las coordenadas planas se basan en un sistema de proyección cartográfica que representa la superficie esférica de la tierra proyectada sobre un plano; el sistema utilizado en Colombia es el sistema de Gauss-Krüger. Así, Colombia posee cinco orígenes para su sistema de coordenadas planas, separados entre sí por 3° de longitud. El origen principal o central de las coordenadas está definido por la pilastra del Observatorio Astronómico de Bogotá, atribuyendo a las coordenadas de origen los valores de 92.334,88 m. al Este y 109.320,97 m. al Norte (falso Este y falso Norte). Para georreferenciar la ortoimagen de estudio, se presentan sus coordenadas en la Tabla 1.

3. Material

Fueron utilizados los siguientes datos y programas para la realización del presente trabajo:

a) Ortoimagen aérea de alta resolución espacial, del año 2009, en las bandas azul (390-470 nm), verde (420-580 nm) y rojo (620-690 nm), suministrada por el Instituto Geográfico “Agustín Codazzi” en la Tabla 2, se presentan algunas especificaciones de la ortoimagen.

b) Archivo vectorial a escala 1:2000 con información de las cuadras del área de estudio.

Software utilizado:

a) Ecognition (v. 8.0): Software utilizado en la segmentación multiresolución, con base en la evolución de las técnicas de red fractal o FNEA (Fractal Net Evolution Approach).[8]

b) ENVI 4.4 (Demo free): Aplicado en la generación de texturas y Componentes Principales.

c) ERDAS Imagine 9.1 (Demo free): Utilizado en la digitalización del límite del área de estudio, corte del área de evaluación y determinación de las coordenadas.

d) ARC-VIEW 3.2 (Demo free): Generación de los archivos *.shp (cuadras), para exportación al software Ecognition.

4. Procedimiento metodológico

La metodología presentada se basa en el abordaje orientado a objeto, donde un problema o aplicación es representado por una colección de objetos que poseen características propias e interactúan entre sí [9]. La imagen adquirida mediante percepción remota debe ser segmentada para que sean creados los objetos, los cuales pasan a tener atributos que permiten construir una estructura semántica, cuyos descriptores son pasivos de asociación; posteriormente mediante la aplicación de las reglas de lógica fuzzy, se posibilita el análisis de contexto. Así, el conocimiento se puede fijar a través de las estructuras geométricas y temáticas de los objetos basados en sus relaciones espaciales. La metodología propuesta se resume en la Figura 2.

 

5. Definición y caracterización de las clases

La selección y caracterización de las clases de interés (tipos de pavimentos de las vías urbanas) fueron realizadas con base en la interpretación visual de la ortoimagen, identificando los pavimentos de las vías como concreto y asfalto, y en las vías no pavimentadas, la tierra.

Adicionalmente la caracterización se apoyó en la elaboración de las “llaves de interpretación” como: tamaño, forma, localización y textura, además del trabajo de campo.Enla Figura 3, se presentan las “llaves de interpretación” relacionando las clases de interés y sus respectivas características.

6. Segmentación

En la segmentación de la imagen se habían definido dos niveles (Figura 4); nivel uno con un mayor grado de detalle (mayor número de segmentos), para la clasificación de los tipos de pavimentos y nivel dos con menos detalle (menor número de segmentos) para la extracción de las cuadras y las vías; con la integración del archivo vectorial de cuadras no fue necesario la realización del segundo nivel de segmentación, quedando en la práctica solamente el nivel uno.

Definido el nivel de segmentación, así como los parámetros de escala, forma y compacidad (atributo que representa el grado de agrupamiento de los pixels en un objeto), los cuales fueron evaluados mediante la aplicación y elaboración de más de 50 combinaciones entre los mismos (ver documento completo de la disertación) donde fue escogido el nivel de segmentación con escala 30, forma 0.1 y Compacidad 0.5 (Tabla 3), el algoritmo de segmentación utilizado para esta evaluación fue el de segmentación multiresolución (mutiresolution segmentation) [8].

7. Definición de las clases

Luego del proceso de segmentación, fueron estructuradas las clases utilizadas para la clasificación de la ortoimagen. La elaboración de estas estructuras siguieron los atributos de las llaves de interpretación. Así, la ortoimagen presenta ocho clases: Asfalto, Concreto-a, Concreto-b, Otros (Carros, Estructuras-puentes, Fondo), Cuadras y Tierra.

8. Definición de los atributos y reglas de pertenencia

Para la realización de la clasificación utilizando el software Ecognition, es necesario tener tres fases preliminares bien definidas: el conocimiento de las características de los objetos o atributos inherentes a los objetos, la aplicación de la lógica Fuzzy o Booleana y la utilización de los operadores lógicos, mirando comparando y analizando uno o todos los objetos que deben ser clasificados.

En esta etapa fueron utilizados atributos con base en los parámetros espectrales para cada una de las clases generadas a partir de las bandas 1,2, y 3 de la ortoimagen; se utilizaron los valores de brillo de cada una de las bandas, las funciones de forma y las funciones Fuzzy y/o Booleana. En la Figura 5, se muestra un ejemplo de una función Fuzzy para Asfalto y otra para Cuadras.

Para la clase “Cuadras” fue utilizado además de los atributos espectrales los atributos espaciales (área por el número de pixels) por confusión en la respuesta espectral con el concreto (Figura 6).

9. Clasificación

La clasificación fue realizada en un área menor o zona de prueba la cual reunió todas las condiciones y parámetros de la zona de estudio (Figura 7), en esta área se ejecutaron todas las reglas y funciones establecidas para posteriormente aplicarlas en el área total de la zona de estudio, lo anterior se realizó por rendimiento en los procesos de los algoritmos.

10. Evaluación de la clasificación

En esta etapa, fueron utilizadas dos técnicas de evaluación: la matriz de confusión a través del cálculo de coeficientes estadísticos y el análisis de medidas de incertidumbre a partir de las estadísticas de estabilidad de la clasificación.

La realización de este análisis necesita la definición de algunos parámetros como: el esquema del muestreo; cantidad de elementos de muestreo; tipo de unidad del muestreo y los datos de referencia. Para nuestro estudio, se utilizó el esquema de muestreo aleatorio estratificado por clase, que mezcla la distribución geográfica con el menor potencial de tendencia. Esta estrategia es particularmente útil porque garantiza que todas las clases de estudio o de interés sean tenidas en cuenta.

Para estimar el número de elementos de muestreo fue considerada la ecuación 1. Con un nivel de probabilidad del 95%, un error máximo permitido de ±5%, y un 85% de aciertos [10], donde Z es el nivel de probabilidad que queramos darle a la estimación; p, indica el porcentaje estimado de aciertos; q, el de errores (q=1-p), y L, el nivel permitido del error.

Este valor indica que, al menos se han de tomar 196 muestras para obtener los niveles de exactitud marcados en el muestreo. Teniendo en cuenta que el número total de segmentos para las clases de interés (Asfalto, Concreto y Tierra) fue de 15.572, segmentos o polígonas, el número de elementos de muestreo se aproximó a 200 y se calculó el número proporcionalmente de segmentos para cada una de las clases (Figura 8). Para generar las muestras y la distribución de las mismas sobre el área de estudio con un esquema estratificado, fue utilizado el software Ecognition en la generación de un archivo *.shp, para cada una de las clases, también fue elaborada una tabla de números aleatorios para cada una de las clases utilizando el software de Excel. Con los números aleatorios generados, los archivos de la clasificación y los polígonos generados, fue obtenida la matriz de confusión de las clases de interés (Ver Tabla 4).

La matriz de confusión muestra que del total de segmentos o polígonos analizados, 60 polígonos fueron clasificados erróneamente, un 30% del total lo que significa una fiabilidad del 70%. Sin embargo, según Congalton y Green [9] con base en apenas en este índice de exactitud global, las inferencias pueden generar equívocos y concluyen que el cálculo y análisis de los índices del usuario (eu) y del productor (ep) dan mayor significado a los datos, revelando si existe alguna confusión entre las categorías.

El coeficiente de concordancia Kappa (k), dio un valor de 58,19%, presentado una calificación buena [10, 11]. Para un análisis de mayor precisión por clase, fue calculada la exactitud del usuario (eu) y la exactitud del productor (ep), con sus valores complementarios de los errores de comisión (ec) y de omisión (eo) de cada una de las clases Tabla 5.

En la clasificación con base en el abordaje a las funciones de pertenencia fuzzy, el análisis de la calidad temática puede ser efectuado a través de medidas de incertidumbre, que son calculados a partir de las imágenes de probabilidad a posteriori suministradas por el clasificador.

En la imagen a posteriori que el software Ecognition suministra, la estabilidad de la clasificación se observa al colocar los polígonos más estables de un color verde (prácticamente casi toda la imagen queda de este color) y de un color rojo los polígonos menos estables en cada una de las clases.

Conclusiones

Algunos de los objetos como cuadras fueron clasificados siguiendo las reglas y procesos establecidos en los modelos basados en objeto, clasificación que no hubiéramos podido efectuar tomando los parámetros radiométricos tradicionales por la confusión que se presenta en la clasificación con los demás objetos de la imagen.

El índice kappa, por sí solo no tiene un valor significativo, él está estrechamente relacionado al conocimiento del analista que tiene la responsabilidad de suministrar las muestras y evaluar previamente el resultado de la clasificación.

Los resultado obtenidos en esta investigación son motivadores de la continuidad de los estudios en la misma, al igual que el dominio de las técnicas y el conocimiento que se tenga de nuevos métodos de clasificación cuyo presupuesto teórico está abordando y rompiendo la barrera de los estudios de los objetos urbanos e intra-urbanos con imágenes de sensores remotos aerotransportados con resolución espacial o GSD (Ground Sample Distance) mayores que 0,15 m.

La clasificación de los tipos de pavimentos de las vías urbanas, provee los medios de suplir la demanda de informaciones precisas y rápidas sobre la existencia de vías que presentan condiciones no aptas para la movilización de las comunidades en general.

Agradecimientos

Al Prof. Dr. Antonio María García Tommaselli por sus orientaciones como coordinador del programa de Pós- Graduación en Ciencias Cartográficas (PPGCC), de la Universidad Estadual Paulista (UNESP), Brasil.

Al Consejo Nacional de Desarrollo Científico y Tecnológico (CNPq) Brasil, por el otorgamiento de la beca de estudios durante el último año de desarrollo de la presente investigación.

Al gobierno de Brasil por la oportunidad que da a los países en desarrollo en el otorgamiento de las diferentes becas de estudio.

A la Universidad Distrital “Francisco José de Caldas” de Bogotá, Colombia por la oportunidad del desarrollo del curso de maestría en el exterior.

Referencias bibliográficas

1. Mesev, V. Remotely Sensed Cities, London, UK, Taylor & Francis, 2003.         [ Links ]  

2. Blaschke. T.; Lang. S.; Hay. G.J. Object Based Image Analysis, Spatial Concepts for Knowledge Driven Remote Sensing Applications. Springer –Verlag Berlin Heidelberg. 2008.         [ Links ]  

3. Pinho, C.M.D; Feitosa, F.F; Kux, H.: Classificação automática de cobertura do solo urbano em imagem Ikonos: Comparação entre a abordagem pixel a pixil e orientada a objetos. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR) São Jose dos Campos: INPE, Artigos Vol. 12 (2005) 4217-4224.  

4. Darwish A, Leukert K, Reinhardt W (2003), Image Segmentation for the Purpose of Object_ Based Classification. Geoscience and Remote Sensing Symposium. IGARSS 2003. Proceedings 2003 IEE International 3 pp. 2039-2041. GEOBIA, 2008: University of Calgary, page <http://wiki.ucalgary.ca/ page/GEOBIA>. Acceso el 11 de junio de 2010.  

5. Costa, G.A.; Pinho, C.M.D.; Feitosa, R.Q.; Almeida, C.M.; Kux, H.J.H.; Fonseca, L. M. G.; Oliveira, D. Interimage: An Open Source Patform for Automatic Image Interptretaton In: Simposio Brasileiro de Geomatica e V Coloquio Brasileiro de Ciencias Geodesicas. Presidente Prudente, UNESP, 2007.         [ Links ]  

6. Araújo, E.; Kux, H. Análise multi-temporal de cenas do satélite QuickBird usando um novo paradigma de classificação de imagens e inferências espaciais: estudo de caso Belo Horizonte (MG), (2006) 159 p. Dissertação (Mestrado em Sensoriamento Remoto), INPE, São José dos Campos, 2006.         [ Links ]  

7. Geobia, 2008: University of Calgary, page <http://wiki.ucalgary.ca/page/GEOBIA>. Acceso agosto 5 de 2010.         [ Links ]  

8. Blaschke, T.; Hay, G. Object-oriented image analysis and scale-space: theory and methods for modeling and evaluating multi scale landscape structure. Disponible en: <www.definiens.com/publicaciones.pdf.> y <www.geo.sbg.ac.at/Larg/099_full.pdf>. Acceso 9 de julio de 2010.  

9. Congalton, R. G.; Green, R. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Boca Raton: Lewis Publishers (1999) 137.  

10. Chuvieco, E. Teledetección ambiental, La observación de la Tierra desde el Espacio, Edit. Ariel, S.A. Barcelona, (2002) 486-488.  

11. Landis, J. R.; Koch, G. G. The measurement of observer agreement for categorical data. Biometrics, Vol. 33, Nº 1 (1977) 159-174.