Pasos para hacer una clasificación supervisada


*Selección de las clases: será una solución de compromiso entre las que sean de interés y las que aparentan ser diferenciables (visualmente usando una composición color y/o clasificacion no supervisada). Para mejorar los resultados, conviene que las clases sean homogeneas desde el punto de vista de su respuesta espectral; por ejemplo si en las tierras destinadas a agricultura se presentan 3 situaciones espectralmente diferentes (predominio vegetación verde, predominio vegetación seca, predominio suelo), es preferible separar en 3 clases en lugar de formar una sola clase (poco homogenea) que mezcle las 3 situaciones.

*Trazado de sitios de entrenamiento: para cada clase se delimitan sitios donde las clases se presenten homogeneas y cumplan ciertos requisitos de tamaño y distribución.

*Confección de firmas espectrales: se llama así a una serie de datos estadísticos que caracterizan a cada clase, y se obtienen a partir de los sitios de entrenamiento.

*Análisis de separabilidad a priori: con las firmas espectrales se hacen cálculos que determinan si las clases seleccionadas e indicadas en los sitios de entrenamiento parecen separables (es un proceso mucho más sencillo que el de clasificar y evaluar; si no resultan separables, se deben revisar los sitios de entrenamiento o la selección inicial de clases; no conviene proceder con la clasificación, que no dará resultado satisfactorio).

*Aplicación del procedimiento de clasificación:
Paralelepípedo, Distancia mínima, Maxima verosimilitud, Clasificación en arbol, Redes neuronales; hay diversidad de procedimientos. Entre los que hacen uso de la estadíastica (reglas paramétricas) se destaca el de Máxima verosimilitud; para clases que no siempre presentan un histograma simétrico (como es el caso en clasificación urbana) son más convenientes otros métdos como el de clasificación en árbol y los de redes neuronales (reglas no paramétricas). Algunos softwares permiten el uso combinado de ambos tipos.

*Validación de resultados
¿Cuánto erró el procedimiento al generar cada clase de esta nueva capa?
¿Es seguro usar los resultados obtenidos? ¿Cuánto?
Hay varios métodos de validación que dan respuesta a estas preguntas.