69 XI Congreso Nacional de Teledetección, 21-23 septiembre 2005. Puerto de la Cruz. Tenerife. Clasificador para series de imágenes destinadas a la obtención de mapas detallados de vegetación y cultivos. X. Pons (1, 2) , G. Moré (2) y P. Serra (1) (1) Departament de Geografia. Edifici B. Universitat Autònoma de Barcelona, E-08193 Bellaterra. Xavier.Pons@uab.es, Pere.Serra@uab.es. (2) Centre de Recerca Ecològica i Aplicacions Forestals (CREAF). Edifici C. Universitat Autònoma de Barcelona, E-08193 Bellaterra, Barcelona. g.more@creaf.uab.es. Resumen La obtención de datos de fenología de la vegetación natural y los cultivos resulta imprescindible para obtener mapas detallados (más de 20 categorías de esta temática) a partir de clasificación de imágenes. Para dicho fin se requiere del uso de múltiples fechas de adquisición. Sin embargo, esta variedad de fechas suele conllevar la presencia de sombras, nubes, nieves, etc, que acarrean la pérdida de una importante superficie clasificable. En esta comunicación se presenta un clasificador no supervisado (IsoMM) que permite un mejor aprovechamiento de las imágenes de una serie temporal gracias a un particular tratamiento de los valores NoData. El nuevo algoritmo ha sido aplicado a la obtención de mapas de zonas forestales y agrícolas de varios miles de ha, con una leyenda de más de 25 categorías en dichas zonas usando imágenes Landsat. En este escenario IsoMM permite clasificar hasta un 40% más de superficie respecto al tratamiento habitual, manteniendo un acierto global del 90%. 1. Introducción El disponer de una serie continua de imágenes Landsat (adquisición de imágenes cada 16 días) permite utilizar la diferente fenología de la vegetación como un potente criterio discriminante para obtener clasificaciones muy detalladas temáticamente. A su vez, y a diferencia de otros sensores en plataformas que ofrecerían una resolución temporal aún mayor pero una pobre resolución espacial, Landsat permite obtener cartografía con un detalle geométrico de unos 30 m abarcando extensiones razonablemente grandes (32400 km 2 ). A la hora de escoger el método de clasificación resulta muy difícil mantener con éxito un método supervisado cuando se pretende conseguir una leyenda detallada de vegetación natural y cultivos; ello es debido al hecho que las clases derivadas de áreas de entrenamiento serán, en el escenario descrito, difícilmente asimilables a clases estadísticas que un clasificador supervisado pueda tratar con el rigor adecuado (clases multimodales por presencia de varias situaciones fenológicas simultáneas en la misma escena, etc). Ello lleva a dejar el proceso en manos de un clasificador no supervisado que se enfrente a la tarea de encontrar las clases estadísticas realmente presentes en la imagen y que puedan ser reasignadas posteriormente a clases temáticas. Cuando se entregan al clasificador las imágenes disponibles es habitual que una parte muy considerable de ellas no sea realmente utilizable, de modo que, a la práctica, se está desperdiciando una cantidad importante de la información contenida en la serie temporal [1]. Este rechazo es debido a que muchas imágenes contienen abundantes zonas no válidas (NoData). Dichas zonas NoData provienen principalmente de dos fuentes. Por un lado, la presencia de nubes y nieblas y zonas innivadas, provoca que un elevado número de imágenes no sea utilizable, o sólo lo sea si se aplica una máscara para excluir dichas zonas. Por otro lado, las imágenes recibidas se suelen someter a una corrección radiométrica que reduce los artefactos indeseados debidos a los efectos de la atmósfera o a la iluminación diferencial causada por la hora del día, el lugar de la Tierra o el relieve [2]; sin embargo, en regiones montañosas este proceso invalida ciertas zonas por considerarlas de radiometría poco fiable (sombras por ocultamiento del relieve circundante o por autoocultamiento). Como hemos dicho, dado que la intersección de zonas NoData de las diferentes imágenes potencialmente utilizables (cada 16 días) resulta a menudo en una superficie muy considerable y que los clasificadores implementados en los paquetes software convencionales excluyen de la clasificación cualquier píxel que contenga NoData para alguna de las variables, se tiende a desechar las imágenes con valores NoData. Ello evita obtener imágenes con amplias zonas no clasificadas por nubes, nieves o problemas radiométricos en alguna fecha pero conlleva una importante pérdida de potencial de clasificación, dando lugar a resultados