Importancia de la segmentación de imágenes en el análisis de la vegetación
¿Por qué es tan importante segmentar la imagen?
Cuando se trata de analizar la vegetación, la segmentación de las imágenes no sólo es importante, es imprescindible.
La explicación es muy sencilla, en teledetección lo importante de una imagen no son los colores, son los valores. Cada píxel contiene una información numérica por cada una de las bandas que componen esa imagen, y esa información es la base del trabajo que permite aplicar diferentes algoritmos. Ya sea un sensor RGB, térmico, multiespectral o híperespectral, la información de un píxel es una medida de la respuesta espectral media de todo lo que se encuentra dentro de ese píxel. Evidentemente, cuanto mayor sea el tamaño del píxel (menor resolución de la imagen), más elementos estarán influyendo en sus valores espectrales.
La clave de las imágenes de muy alta resolución, es que podemos encontrar píxeles con información pura, es decir, píxeles cuya información se corresponde única y exclusivamente con la vegetación que nos interesa analizar. Pero teniendo en cuenta que la imagen abarca todo el escenario en el que se encuentra la vegetación, también tendremos información de píxeles de suelo y cualquier otro elemento presente en la escena y que no es de nuestro interés para el análisis que necesitamos llevar a cabo. Es más, como puede observarse en nuestra siguiente imagen de detalle correspondiente a líneas de cultivo, además de existir píxeles puros de vegetación y de suelo, en el límite entre uno y otro podemos observar píxeles que contienen una información espectral que es mezcla entre los valores correspondientes a vegetación y los valores correspondientes a suelo.
¿Qué ocurre si no segmentamos la imagen?
Si comparamos los espectros correspondientes a cada uno de los tres píxeles que aparecen en la imagen de ejemplo, podemos ver claramente las diferencias en la siguiente gráfica. En el caso del píxel puro de vegetación, como cabe esperar, vemos una firma espectral típica de vegetación. Lo mismo podemos observar en el caso del píxel puro de suelo, la firma espectral de tendencia lineal es lo esperado. Pero si nos fijamos en el píxel correspondiente al borde de las plantas, vemos cómo la firma espectral está a medio camino entre las dos anteriores. Es decir, ese píxel que en principio podríamos considerarlo como vegetación por corresponderse con el borde de la planta tiene una influencia de los valores espectrales del suelo, lo cual da lugar a que no sea representativo.
Como sabemos, para analizar la vegetación aplicamos diferentes algoritmos (índices de vegetación), que son operaciones matemáticas a partir de los valores de reflectividad en longitudes de onda concretas. Cada índice emplea valores de unas longitudes de onda u otras en función del objetivo del análisis (capacidad fotosintética, respuesta de determinados pigmentos nutricionales, etc).
Si los valores que introducimos en estos algoritmos no se corresponden con valores puros de vegetación, estaremos haciendo un cálculo erróneo y, por tanto, nuestro análisis y nuestras conclusiones no serán válidas.
A continuación, se muestra el proceso para la caracterización y análisis de un cultivo, en el que el resultado final se alcanza a partir de la segmentación de los píxeles puros de vegetación.
Y lo más importante… ¿cómo se ven afectados los datos si no segmentamos la imagen?
Como ya sabemos, en teledetección lo importante son los valores, no los colores, así que vamos a ver cómo influye la segmentación en la calidad de nuestros resultados.
Para ello, en la imagen híper espectral de ejemplo de cultivo hemos delimitado 10 parcelas de igual tamaño y hemos calculado un índice básico, el NDVI, para cada una de las parcelas en dos supuestos: con segmentación de imagen y sin segmentación de imagen.
Se puede observar claramente, como era de esperar, que los valores de NDVI para cada parcela son diferentes entre ambos métodos. También era de esperar que los valores de NDVI sin segmentación sean inferiores, pues el valor de este índice es mucho más bajo en el suelo que en la vegetación, por lo que la influencia del suelo está dando lugar a valores de NDVI medios más bajos. Por tanto, si no segmentamos estamos obteniendo unos valores de NDVI erróneos que no representan la realidad.
Por otro lado, alguien puede pensar que en determinados casos no es tan importante el valor absoluto del índice, si no la diferencia relativa que existe entre parcelas. Pues bien, como se puede observar en el gráfico, en función del porcentaje de píxeles de suelo y suelo/vegetación presentes en la parcela, la diferencia entre el NDVI real de la vegetación y el NDVI calculado sin segmentación es muy variable. Por ejemplo, las parcelas 2 y 9 tienen un NDVI real muy similar (0,777 en la parcela 2 y 0,773 en la parcela 9), pero si no segmentamos, la parcela 2 seguiría teniendo un NDVI similar (0,772) mientras que el NDVI de la parcela 9 sería sensiblemente más bajo (0,750), debido a que la presencia de píxeles que no son puros de vegetación es mayor en la parcela 9 que en la parcela 2.
Conclusiones
Analizar una imagen sin una adecuada segmentación de los elementos que nos interesan, es este caso la vegetación, es un error de base. No importa si estamos usando un sensor de última generación, con una gran calidad geométrica y espectral, si cuando procesamos las imágenes obtenidas y las analizamos no lo hacemos de manera correcta, pues estaremos introduciendo un factor de error grave que echará a perder la calidad de los datos.
