Search

Con los recientes avances realizados en el campo de Observación de la Tierra (EO), el uso de información de detección remota capturada por sensores disponibles (ubicados en plataformas aéreas y / o satelitales) ha adquirido un papel muy importante en una amplia gama de actividades humanas como la gestión del medio ambiente y recursos naturales (incluidos bosques, agua, recursos geológicos y mineralógicos), prevención de riesgos y catástrofes, planificación de espacios urbanos y rurales, detección de objetivos militares y tareas de inteligencia, etc. Hasta la fecha, se han desarrollado múltiples métodos de análisis de imágenes hiperespectrales, enmarcados en el campo del machine learning, cubriendo un rango amplio de objetivos como information retrieval, unmixing, clasificación, compresión. En los últimos años, gracias a los avances en hardware y software, un campo pequeño del machine learning denominado Deep learning ha cobrado especial interés para todas las comunidades científicas en general y en la de remote sensing en particular. Este tipo de aproximaciones en teledetección es muy interesante ya que no solo permite el procesado espectral, sino que además podemos analizar la imagen espacial o espacio-espectralmente. En este sentido, se están publicando una cantidad considerable de artículos sobre esta temática dejando casi en segundo plano métodos tan ampliamente utilizados como la Máquina de Vectores de Soporte (SVM), Regresión Logistica Multinomial (MLR), etc. Si nos centramos en el campo de las imágenes hiperespectrales, observamos que existe una gran cantidad de artículos con unos porcentajes de precisión muy altos, que en parte puede estar provocado por la manera en que la comunidad científica está trabajando con este tipo de datos y el sobre-entrenamiento. En esta charla, se dan pautas para que los investigadores puedan demostrar el poder de generalización de sus métodos espaciales o espacio-espectrales de una manera práctica y sencilla.

[EN] Hyperspectral images are very important in many Earth Observation programs. The large amount of information is contained in hyperspectral images (hundreds of narrow and continuous spectral channels) is very useful for applications in which the characterization of the Earth surface materials is relevant. This is due to the fact that each observed element can be uniquely characterized by its spectral signature, for instance in precision agriculture, urban planning or detection/prevention of natural disasters, among others. However, the large dimensionality of hyperspectral images represents a challenge for analysis algorithms, both from the storage and processing viewpoints, resulting from data variability and correlation. Several algorithms have been proposed in the literature for the analysis of hyperspectral images. In this paper, we review the most popular techiques for hyperspectral classification. These techniques are inter-compared using three publicly available hyperspectral data sets. [ES] Las imágenes hiperespectrales constituyen el núcleo de varios programas de observación remota de la Tierra. La cantidad de información que contienen estas imágenes, formadas por cientos de canales espectrales estrechos y casi continuos, resulta de gran utilidad en aplicaciones en las que la caracterización de los materiales observados en la superficie terrestre resulta de gran relevancia. Esto se debe a la posibilidad de caracterizar de forma inequívoca cada material a través de su firma espectral. Algunas de estas aplicaciones son la agricultura de precisión, la planificación de espacios urbanos, o la prevención y seguimiento de desastres naturales. Sin embargo, la gran dimensión de las imágenes hiperespectrales supone un reto en su tratamiento, almacenamiento y procesamiento, debido a la gran variabilidad espectral y la correlación existente en los datos. En la literatura se han desarrollado múltiples algoritmos de análisis de imágenes hiperespectrales. En este artículo revisamos los algoritmos más utilizados para la clasificación de este tipo de imágenes, realizando experimentos con tres imágenes públicas y presentando una comparativa entre los métodos más ampliamente utilizados en este campo. Este trabajo ha sido financiado por el Ministerio de Educación (Resolución de 26 de diciembre de 2014 y de 19 de noviembre de 2015, de la Secretaría de Estado de Educación, Formación Profesional y Universidades, por la que se convocan ayudas para la formación de profesorado universitario, de los subprogramas de Formación y de Movilidad incluidos en el Programa Estatal de Promoción del Talento y su Empleabilidad, en el marco del Plan Estatal de Investigación Científica y Técnica y de Innovación 2013-2016). Este trabajo también ha sido financiado por la Junta de Extremadura (decreto 279/2014, ayudas para la realización de actividades de investigación y desarrollo tecnológico, de divulgación y de transferencia de conocimiento por los Grupos de Investigación de Extremadura, Ref.GR15005) y por el MINECO (TIN2015-63646-C5-5-R).