Semi-Automatic Classification Plugin

Documentation
Versión 6.4.0.2

Luca Congedo

05 de enero de 2020
 Índice general

1. Introducción 1

2. Instalación del Complemento 3

2.1. Instalación en Windows 32 bit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Instalación en Windows 64 bit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3. Instalación en Ubuntu Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4. Instalación en Debian Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5. Instalación en Mac OS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3. La Interfaz de SCP 21
3.1. SCP menú . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2. SCP dock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3. Barra de Trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4. Ventana principal de la interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5. Gráfico de Firmas Espectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.6. Gráfico de Dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.7. SCP Barra de Herramientas de edición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

4. Breve Introducción a la Teledetección 111

4.1. Definiciones Básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2. Satélites multiespectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.3. Clasificación de la Cobertura Terrestre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.4. Image processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.5. Conversión de la imagen a Reflectancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.6. Conversión a temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.7. Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

5. Tutoriales Básicos 141

5.1. Tutorial 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.2. Tutorial 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

6. Advanced Tutorials 193

6.1. Tutorial 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
6.2. Tutorial 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204

7. Semi-Automatic OS 221
7.1. Instalación en VirtualBox . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222

8. Preguntas Frecuentes 225

8.1. Instalación del Complemento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
8.2. Pre procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
8.3. Procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230

I
 8.4. Advertencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
8.5. Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
8.6. Varios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233

II
 CAPÍTULO 1

Introducción

Desarrollado por Luca Congedo, Semi-Automatic Classification Plugin (SCP) es un complemento de código
abierto gratuito para QGIS que permite la clasificación semi-automática (también conocida como clasificación
supervisada) de imágenes de sensores remotos. Proporciona muchas herramientas para la descarga de imágenes
gratuitas, el preprocesamiento, el postprocesamiento y la calculadora ráster (por favor mira ¿Qué puedo hacer con
SCP? (página 233)).
El **objetivo general ** de SCP is proveer un conjunto de herramientas entrelazadas para procesado ráster con
tal de hacer un flujo de trabajo automático y facilitar la clasificación de campos, que pueda ser usado también por
gente cuyo campo principal no es la teledetección. La primera version de SCP fue desarrollada por Luca Congedo
en 2012 para el » ACC Dar Project» para crear una herramienta para la clasificación de campos de una manera
razonable y automática; versiones siguientes de SCP fueron desarroladas como compromiso personal al campo de
la teledetección y la filosofía del código abierto. SCP version 6 (Nombre en clave: Greenbelt) es desarrollado en
el contexto del doctorando de Luca Congedo en Paisaje y medioambiente en Sapienza, Universidad de Roma
Este Manual del Usuario proporciona información acerca de Instalación del Complemento (página 3) de SPC y la
La Interfaz de SCP (página 21), con información detallada de todas las funciones. Además el Breve Introducción
a la Teledetección (página 111) muestra los conceptos básicos y definiciones que son requeridos para usar SCP.
Tutoriales Básicos (página 141) están disponibles para aprender las funciones principales de SCP.
You are kindly invited to contribute to SCP (see Cómo contribuir a SCP (página 234)) and join the Facebook
group . Also, please read the Preguntas Frecuentes (página 225).
Para mayor información y tutoriales visita el sitio oficial

De SIG a teledetección <https://fromgistors.blogspot.com>‘_

Cómo citar
Congedo Luca (2016). Semi-Automatic Classification Plugin Documentation. DOI: http://dx.doi.org/10.13140/
RG.2.2.29474.02242/1
Licencia:
A no ser que se indique lo contrario, el contenido de este trabajo está bajo licencia de tipo Creative Commons
Attribution-ShareAlike 4.0 International License.
Semi-Automatic Classification Plugin es un software gratuito: puede
ser redistribuido y/o modificado bajo los términos de la GNU General

1
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Public License como está publicado por la Free Software Foundation,

version 3 de la Licencia. El Semi-Automatic Classification Plugin es
distribuido con la esperanza de que sea útil, pero SIN NINGUNA GARANTÍA;
ni siquiera la garantía implícita de COMERCIALIZACION o CAPACIDAD PARA
UN PROPOSITO PARTICULAR. Ver la GNU General Public License para más
detalles. Has recibido una copia de la GNU General Public License junto
con Semi-Automatic Classification Plugin. Si no es así, mira http://www.
gnu.org/licenses/.
Traductores:
Español: Igor Francisco Dávalos Rojas, Imanol Uriarte Latorre

2 Capítulo 1. Introducción
 CAPÍTULO 2

Instalación del Complemento

El Semi-Automatic Classification Plugin requiere la instalación de GDAL, OGR, NumPy, SciPy y Matplotlib (in-
cluido con QGIS). Este capítulo describe la instalación de Semi-Automatic Classification Plugin para los sistemas
Operativos soportados.

2.1 Instalación en Windows 32 bit

2.1.1 QGIS descarga e instalación

Descarga la última versión de QGIS 32 bit desde aquí ;

Ejecuta el instalador de QGIS con privilegios de administrador, acepta la configuración por defecto.
Ahora QGIS está instalado.

3
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.1.2 Instalación del complemento Semi-Automatic Classification Plugin

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar
complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar
complemento;
Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el
complemento manualmente? (página 226) y ¿Cómo instalar el complemento desde el repositorio
oficial de SCP? (página 226).

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification

Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la
instalación de SCP);

2.1.3 Configuración del complemento

Ahora Semi-Automatic Classification Plugin está instalado y un panel y una barra de herramientas se habrá agre-
gado a QGIS. También, el menú SCP se encuentra disponible en la Barra de Menú de QGIS. Es posible mover la
barra de herramientas y el panel según sus necesidades, como se muestra en la siguiente imagen.

4 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.2 Instalación en Windows 64 bit

2.2.1 QGIS descarga e instalación

Descarga la última versión de QGIS 64 bit desde aquí ;

Ejecuta el instalador de QGIS con privilegios de administrador, acepta la configuración por defecto.
Ahora QGIS está instalado.

2.2.2 Instalación del complemento Semi-Automatic Classification Plugin

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar
complementos;

2.2. Instalación en Windows 64 bit 5

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar
complemento;
Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el
complemento manualmente? (página 226) y ¿Cómo instalar el complemento desde el repositorio
oficial de SCP? (página 226).

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification

Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la
instalación de SCP);

2.2.3 Configuración del complemento

Ahora Semi-Automatic Classification Plugin está instalado y un panel y una barra de herramientas se habrá agre-
gado a QGIS. También, el menú SCP se encuentra disponible en la Barra de Menú de QGIS. Es posible mover la
barra de herramientas y el panel según sus necesidades, como se muestra en la siguiente imagen.

6 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP

menú (página 21) selecciona Configuración > Procesado .

En la Configuración (página 96), ajusta la memoria RAM disponible (MB) en un valor que debería ser la
mitad de la memoria RAM del sistema. Por ejemplo, si tu sistema tiene 2GB de RAM, ajusta el valor a 1024MB.

2.2. Instalación en Windows 64 bit 7

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.3 Instalación en Ubuntu Linux

2.3.1 QGIS descarga e instalación

Abre una terminal y escribe:

sudo apt-get update

Presiona Enter y escribe la contraseña de usuario;

Escribe en la terminal:

sudo apt-get install qgis python3-matplotlib python3-scipy

Presiona Enter y espera hasta que el software se descargue e instale.

Ahora QGIS está instalado.

8 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.3.2 Instalación del complemento Semi-Automatic Classification Plugin

Ejecuta QGIS;
Desde el menú principal selecciona Complementos > Administrar e instalar
complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar
complemento;
Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el
complemento manualmente? (página 226) y ¿Cómo instalar el complemento desde el repositorio
oficial de SCP? (página 226).

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification

Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la
instalación de SCP);

2.3. Instalación en Ubuntu Linux 9

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.3.3 Configuración del complemento

Ahora Semi-Automatic Classification Plugin está instalado y un panel y una barra de herramientas se habrá agre-
gado a QGIS. También, el menú SCP se encuentra disponible en la Barra de Menú de QGIS. Es posible mover la
barra de herramientas y el panel según sus necesidades, como se muestra en la siguiente imagen.

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP

menú (página 21) selecciona Configuración > Procesado .

10 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

En la Configuración (página 96), ajusta la memoria RAM disponible (MB) en un valor que debería ser la
mitad de la memoria RAM del sistema. Por ejemplo, si tu sistema tiene 2GB de RAM, ajusta el valor a 1024MB.

2.3. Instalación en Ubuntu Linux 11

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.4 Instalación en Debian Linux

2.4.1 QGIS descarga e instalación

Abre una terminal y escribe:

sudo apt-get update

Presiona Enter y escribe la contraseña de usuario;

Escribe en la terminal:

sudo apt-get install qgis python3-matplotlib python3-scipy

Presiona Enter y espera hasta que el software se descargue e instale.

Ahora QGIS está instalado.

12 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.4.2 Instalación del complemento Semi-Automatic Classification Plugin

Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar
complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar
complemento;
Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el
complemento manualmente? (página 226) y ¿Cómo instalar el complemento desde el repositorio
oficial de SCP? (página 226).

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification

Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la
instalación de SCP);

2.4. Instalación en Debian Linux 13

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.4.3 Configuración del complemento

Ahora Semi-Automatic Classification Plugin está instalado y un panel y una barra de herramientas se habrá agre-
gado a QGIS. También, el menú SCP se encuentra disponible en la Barra de Menú de QGIS. Es posible mover la
barra de herramientas y el panel según sus necesidades, como se muestra en la siguiente imagen.

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP

menú (página 21) selecciona Configuración > Procesado .

14 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

En la Configuración (página 96), ajusta la memoria RAM disponible (MB) en un valor que debería ser la
mitad de la memoria RAM del sistema. Por ejemplo, si tu sistema tiene 2GB de RAM, ajusta el valor a 1024MB.

2.4. Instalación en Debian Linux 15

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.5 Instalación en Mac OS

2.5.1 QGIS descarga e instalación

Download and install the latest version of QGIS and GDAL from here .
Ahora QGIS está instalado.

2.5.2 Instalación del complemento Semi-Automatic Classification Plugin

Ejecuta QGIS;

16 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Desde el menú principal, selecciona Complementos > Administrar e instalar

complementos;

De la opción Todos selecciona el Semi-Automatic Classification Plugin y haz clic sobre Instalar
complemento;
Consejo: en caso de problemas o requerirse instalación sin conexión consulta ¿Cómo instalar el
complemento manualmente? (página 226) y ¿Cómo instalar el complemento desde el repositorio
oficial de SCP? (página 226).

El SCP se activará automáticamente; de todos modos, asegúrate de que el Semi-Automatic Classification

Plugin está seleccionado en el menú Instalados (el reinicio de QGIS es necesario para completar la
instalación de SCP);

In case of missing dependencies, you could get error messages such as the following example with matplotlib:

To install matplotlib type in a terminal:

sudo pip3 install matplotlib

and repeat this step for other missing dependencies.

2.5. Instalación en Mac OS 17

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

2.5.3 Configuración del complemento

Ahora Semi-Automatic Classification Plugin está instalado y un panel y una barra de herramientas se habrá agre-
gado a QGIS. También, el menú SCP se encuentra disponible en la Barra de Menú de QGIS. Es posible mover la
barra de herramientas y el panel según sus necesidades, como se muestra en la siguiente imagen.

Se recomienda la configuración de memoria RAM disponible para reducir el tiempo de procesamiento. En el SCP

menú (página 21) selecciona Configuración > Procesado .

18 Capítulo 2. Instalación del Complemento

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

En la Configuración (página 96), ajusta la memoria RAM disponible (MB) en un valor que debería ser la
mitad de la memoria RAM del sistema. Por ejemplo, si tu sistema tiene 2GB de RAM, ajusta el valor a 1024MB.

2.5. Instalación en Mac OS 19

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

20 Capítulo 2. Instalación del Complemento

 CAPÍTULO 3

La Interfaz de SCP

La interfaz de SCP está compuesta de varias partes que son descritas en detalle en los siguientes párrafos.

3.1 SCP menú

El SCP menú permite seleccionar las principales funciones de la Ventana principal de la interfaz (página 36), el
Gráfico de Firmas Espectrales (página 100), y el Gráfico de Dispersión (página 105).

Conjunto de bandas (página 38);

Descargar productos (página 51);

Herramientas Básicas (página 41);

Preprocesamiento (página 56);

Postprocesamiento (página 76);

Calculadora de Bandas (página 88);

Gráfico de Firmas Espectrales (página 100);

Gráfico de Dispersión (página 105);

En Lotes (página 92);

Configuración (página 96);

Manual del Usuario: abre el manual del usuario en línea en un navegador web;

21
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 1: SCP menú

22 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Ayuda en linea: abra la ‘ Ayuda en linea <https://fromgistors.blogspot.com/p/online-help.html>‘_ en

un navegador web; tambien, un grupo de Facebook está disponible para compartir informacion y preguntar
por ayuda sobre SCP.

Mostrar comlpemento plugin: Muestra todas las barras de herramientas y el pane, si están ocultas;

3.2 SCP dock

The SCP dock allows for the the creation of ROIs (Regions Of Interest) and spectral signatures, and the classi-
fication of a Conjunto de bandas (página 38). The Training input (página 24), created with SCP, stores the ROI
polygons and spectral signatures used for the land cover classification (see Tutorial 1: Your First Land Cover
Classification (página 141)).
ROIs are polygons used for the definition of the spectral characteristics of land cover classes. Spectral signatures
of classes are calculated from the ROIs or can be imported from other sources (see Importar firmas (página 45)).
It is worth pointing out that classification is always based on spectral signatures.
SCP allows for the creation of temporary ROI polygons using a region growing algorithm or drawn manually with
the tools provided in the Barra de Trabajo (página 34). Temporary ROI polygons can be saved in the Training
input (página 24) along with the spectral signatures of the ROI.
The Training input (página 24) is composed of a vector part (i.e. a shapefile) and a spectral signature part which
are independent. The attribute table of the vector contains four fields as in the following table.
Training input fields

Description Field name Field type

Macroclass ID MC_ID int
Macroclass Information MC_info string
Class ID C_ID int
Class Information C_info string

In SCP, land cover classes (and ROIs) are defined with a system of Classes (Class ID) and Macroclasses (Macro-
class ID) (see Clases y Macroclases (página 121)) that are used for the classification process; each Macroclass ID
is related to a Macroclass Information (e.g. macroclass name) and each Class ID is related to a Class Information
(e.g. class name), but only Macroclass ID and Class ID are used for the classification process.
The use of the Macroclass ID or Class ID for classifications is defined with the option Use MC ID or C ID in
the Algorithm (página 30). It is worth highlighting that when using Macroclass ID all the spectral signatures are
evaluated separately and each pixel is classified with the corresponding MC ID (i.e. there is no combination of
signatures before the classification).
The classification can be performed for the entire image ( Algorithm (página 30) ) or a part of it, creating a
Clasificación preliminar (página 35).
The SCP dock contains the following tabs:

Home (página 24)

• SCP news (página 24)
Training input (página 24)
• ROI Signature list (página 27)
• Macroclasses (página 28)
• ROI options (página 30)

3.2. SCP dock 23

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Classification (página 30)

• Algorithm (página 30)
• Land Cover Signature Classification (página 33)
• Classification output (página 33)

The left side of SCP dock contains buttons for accessing the main functions of SCP.

3.2.1 Home

The tab Home contains the buttons for accessing the main functions of SCP:

Conjunto de bandas (página 38);

Herramientas Básicas (página 41);

Descargar productos (página 51);

Preprocesamiento (página 56);

Band processing (página 71);

Postprocesamiento (página 76);

Calculadora de Bandas (página 88);

En Lotes (página 92);

SCP news

This section displays news about the SCP and related services. News are downloaded on startup (internet connec-
tion required). It can be enabled or disabled in the settings Panel (página 99).
It also contains the following buttons:
User manual: open the link to the user manual;
Ask a question: open the link to the online help;
Support the SCP: open the link to support the SCP ;

3.2.2 Training input

This tool allows for the creation of the training input file (.scp ) required for storing ROIs and spectral signatures.
The training input file is created according to the characteristics of the active band set defined in Conjunto de
bandas (página 38). A new training input file should be created for every band set, unless the band sets have the
same spectral characteristics and coordinate reference system.

: open a training input file; ROIs and spectral signatures are loaded in ROI Signature list (página 27);
the vector part of the training input is loaded in QGIS;

24 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 2: Home

3.2. SCP dock 25

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 3: Training input

26 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: create an empty training input file (.scp); the vector part of the training input is loaded in QGIS;
also a backup file is created (a file .scp.backup in the same directory as the file .scp) when the training
input file is saved;

Training input : it displays the path to the training input file;

The training input is displayed in QGIS as vector file. ROIs and spectral signatures are displayed in the ROI
Signature list (página 27). Macroclasses are defined in the Macroclasses (página 28).

ROI Signature list

The tab ROI Signature list displays the ROI polygons and spectral signatures contained in the training input file.
If an item is a ROI polygon, double click the item to zoom to that ROI in the map. Items in the table can be
highlighted with the mouse left click.
Changes in the ROI Signature list are applied to the file Training input (página 24) only when the QGIS project is
saved. ROIs can be edited, deleted and merged from this table.
ROIs and spectral signatures can be imported from other sources (see Importar firmas (página 45)) and exported
(see Exportar firmas (página 47)).
WARNING: In order to avoid data loss, do not edit the vector Training input using the QGIS tools.
Use only the tools of SCP for managing the Training input.

ROI Signature list:

• S: selection checkbox; only the spectral signatures checked in this list are used for the classifica-
tion process;
• Type: type of the item:
∘ R = only ROI polygon;
∘ S = only spectral signature;
∘ B = both ROI and spectral signature;
• MC ID: ROI Macroclass ID [int]; it can be edited with a single click; MC Info is displayed in
Macroclasses (página 28); if the ID of a spectral signature is set 0, then pixels belonging to this
signature are labelled as unclassified;
• C ID: ROI Class ID [int]; it can be edited with a single click;
• C Info: ROI Class Information [text]; it can be edited with a single click;
• Color: C ID color; double click to select a color for the class that is used in the classification;
if the ID of a spectral signature is set 0, then pixels belonging to this signature are labelled as
unclassified;

: merge highlighted spectral signatures or ROIs obtaining a new signature calculated as the average of
signature values for each band (covariance matrix is excluded);

: calculate spectral signatures of highlighted ROIs using the active band set in Conjunto de bandas
(página 38);

: delete highlighted ROIs and signatures;

: show the ROI spectral signature in the Gráfico de Firmas Espectrales (página 100); spectral signature
is calculated from the Conjunto de bandas (página 38);

3.2. SCP dock 27

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: open the Gráfico de Dispersión (página 105);

: open the tab Importar firmas (página 45);

: open the tab Exportar firmas (página 47);

ROI Signature list is complementary to the Barra de Trabajo (página 34) and it allows for saving ROIs to the
Training input (página 24) defining classes and macroclasses. A Conjunto de bandas (página 38) must be defined
before the ROI creation, and ROI polygons must be inside the area of the Band set.

MC ID : ROI Macroclass ID [int]; the corresponding MC Info is loaded if already defined in

Macroclasses (página 28);

MC Info : ROI Macroclass information [text]; style and information for macroclasses are defined
in Macroclasses (página 28);

C ID : ROI Class ID [int];

C Info : ROI Class information [text];

: delete the last saved ROI from the Training input (página 24);

Autosave : if checked, automatically save the ROI Signature list to the Training input (página 24)
every time a ROI is saved;

Calculate sig. : if checked, while saving a ROI, the spectral signature thereof is calculated (from
Conjunto de bandas (página 38) pixels under ROI polygon) and saved to Training input (página 24) (calcu-
lation time depends on the band number of the active band set in Conjunto de bandas (página 38));

: save the temporary ROI to the Training input (página 24) using the defined classes and macroclasses;
ROI is displayed in the ROI Signature list (página 27);

Macroclasses

Macroclasses allows for the definition of Macroclass names and colors (used to display the results of Clasifi-
cación preliminar (página 35) and Algorithm (página 30)). According to Algorithm (página 30), classifications
performed using C ID have the colors defined for classes in the ROI Signature list (página 27); classifications
performed using MC ID have the colors defined in the Macroclasses (página 28).
MC IDs are automatically added to this table when a new ROI is saved to the ROI Signature list (página 27) (if the
MC ID is not already in the list). Settings are stored in Training input (página 24).

Macroclasses :
• MC ID: Macroclass ID [int]; it can be edited with a single click;
• MC Info: Macroclass Information [text]; it can be edited with a single click;
• Color: MC ID color; double click to select a color for the class that is used in the classification;

: add a new row to the table;

: delete the highlighted rows from the table;

28 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 4: Macroclasses

3.2. SCP dock 29

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

ROI options

ROI options are useful for displaying pixel values or improving the creation of ROIs.

Display : if the ROI creation pointer is active (see Barra de Trabajo (página 34)), the pixel value of select

• NDVI (Normalized Difference Vegetation Index); NDVI requires the near-infrared and red bands;
• EVI (Enhanced Vegetation Index); EVI requires the blue, near-infrared and red bands converted
to reflectance; wavelengths must be defined in the Conjunto de bandas (página 38);
• Custom; use the custom expression defined in the following line;

• : set a custom expression; expression is based on the Band set; bands are defined as
bandset#b + band number (e.g. bandset#b1 for the first band of the Band set); for example
NDVI for a Landsat image would be ( bandset#b4 - bandset#b3 ) / ( bandset#b4 +
bandset#b3 );

Rapid ROI b. : if checked, temporary ROI is created with region growing using only one
Conjunto de bandas (página 38) band (i.e.region growing is rapider); the band is defined by the Band set
number; if unchecked, ROI is the result of the intersection between ROIs calculated on every band (i.e.
region growing is slower, but ROI is spectrally homogeneous in every band);

Auto-refresh ROI: calculate automatically a new temporary ROI while Region growing parameters in
the Barra de Trabajo (página 34) are being changed;

Auto-plot: calculate automatically the temporary ROI spectral signature and display it in the Gráfico
de Firmas Espectrales (página 100) (MC Info of this spectral signature is set tempo_ROI);

3.2.3 Classification

This tab allows for the classification of the active band set defined in Conjunto de bandas (página 38).
Classification is performed using the active band set and the spectral signatures checked in ROI Signature list
(página 27). Several classification options are set in this tab which affect the classification process also during the
Clasificación preliminar (página 35).
In particular the following options are available:

Use MC ID C ID : if MC ID is checked, the classification is performed using the Macroclass

ID (code MC ID of the signature); if C ID is checked, the classification is performed using the Class ID
(code C ID of the signature);

: open the Peso de banda del algoritmo (página 42) for the definition of band weights;

Algorithm

This tool allows for the selection of the classification algorithm and the optiona definition of thresholds.

: available Algoritmos de clasificación (página 121) are:

• Distancia mínima (página 122);
• Máxima Probabilidad (página 123);
• Mapeo del Angulo Espectral (página 124);

30 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 5: ROI options

3.2. SCP dock 31

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 6: Classification

32 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Threshold : it allows for the definition of a classification threshold (applied to all the spectral signatures); if T

• for Minimum Distance, pixels are unclassified if distance is greater than threshold value;
• for Maximum Likelihood, pixels are unclassified if probability is less than threshold value (max
100);
• for Spectral Angle Mapping, pixels are unclassified if spectral angle distance is greater than th-
reshold value (max 90);

: open the Umbral de firma (página 48) for the definition of signature thresholds;

Land Cover Signature Classification

Clasificación por Firmas de Cobertura del Suelo (página 124) is a classification that can be used as alternative or
in combination with the Algorithm (página 30) (see Umbral LCS (página 50)). Pixels belonging to two or more
different classes (or macroclasses) are classified as Class overlap with raster value = -1000.

Use LCS Algorithm only overlap: if LCS is checked, the Land Cover Signature Classification
is used; if Algorithm is checked, the selected Algorithm (página 30) is used for unclassified pixels of the
Land Cover Signature Classification; if only overlap is checked, the selected Algorithm (página 30) is used
only for class overlapping pixels of the Land Cover Signature Classification; unclassified pixels of the Land
Cover Signature Classification are left unclassified;

: open the Umbral LCS (página 50);

Classification output

Classification output allows for the classification of the Conjunto de bandas (página 38) according to the parame-
ters defined in Algorithm (página 30).
In addition, a previously saved classification style (QGIS .qml file) can be loaded and used for classification style.
Classification raster is a file .tif (a QGIS style file .qml is saved along with the classification); also other
outputs can be optionally calculated. Outputs are loaded in QGIS after the calculation.

Load qml : select a .qml file overriding the colors defined for C ID or MC ID;

: reset style to default (i.e. use the colors defined for C ID or MC ID);

Apply mask : if checked, a shapefile can be selected for masking the classification output (i.e. the
area outside the shapefile is not classified);

: reset the mask shapefile;

Create vector : if checked, in addition to the classification raster, a classification shapefile is saved
in the same directory and with the same name as the Classification output; conversion to vector can also be
performed at a later time (see Clasificación a vectorial (página 81));

Classification report : if checked, a report about the land cover classification is calculated and
saved as a .csv file in the same directory and with the same name (with the suffix _report) as the Classi-
fication output; report can also be performed at a later time (see Reporte de la clasificación (página 78));

3.2. SCP dock 33

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Save algorithm files : if checked, the Ráster de Algoritmo (página 127) is saved, in addition
to the classification raster, in the same directory as the Classification output; a raster for each spectral
signature used as input (with the suffix _sig_MC ID_C ID) and a general algorithm raster (with the
suffix _alg_raster) are created;

: choose the output destination and start the image classification;

3.3 Barra de Trabajo

Figura 7: Barra de Trabajo

El: guilabel: Working toolbar permite crear: guilabel:‘ ROIs temporales‘ y: guilabel: ‘previsualizaciones de clasi-
ficación.

Control de la imagen (página 34)

ROI Temporal (página 34)
Clasificación preliminar (página 35)

Las funciones se describen en detalle en los siguiente parrafos

3.3.1 Control de la imagen

: muestra la Ventana principal de la interfaz (página 36);

: zoom the map to the extent of the active band set in Conjunto de bandas (página 38);

RGB= : use el boton para mostrar/ocultar el :guilabel:‘ conjunto de bandas activas‘ in Con-
junto de bandas (página 38) en el mapa; de la lista seleccione un Composición de Color (página 119) que es
aplicado a el Conjunto de bandas (página 38); se pueden ingresar nuevos compuestos de color escribiendo
los números de banda separados por ‘‘ -‘‘ o ‘‘; ‘‘ o ‘‘, ‘‘ (p. ej. RGB = 4-3-2 o RGB = 4; 3; 2 o RGB = 4 ,
3,2);

: muestra el estiramiento de la imagen de entrada obteniendo los valores mínimos y máximos en función
del conteo acumulativo de la extensión actual del mapa;

: muestra el estiramiento de la imagen de entrada obteniendo los valores mínimos y máximos en función
de la desviación estándar de la extensión actual del mapa;
http://www.youtube.com/watch?v=9jA_Rh8YfKQ

3.3.2 ROI Temporal

A temporary ROI es un polígono temporal que se muestra en el mapa, que se puede guardar perma-
nentemente en: ref:training_input.A:guilabel:temporary ROI, puede ser dibujado manualmento o usando un
:ref:‘region_growing_algorithm‘( es decir, la imagen se segmenta alrededor de una semilla de píxeles que incluye
píxeles espectralmente homogéneos)

34 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: ajusta el mapa a la extensión del ROI temporal;

ROI: usa este botón para mostrar/ocultar el ROI temporal y el Entrenamiento de Entrada en el mapa;

: activa el puntero para crear un ROI temporal dibujando un polígono en el mapa; clic izquierdo en
el mapa para definir los vértices del ROI y clic derecho para definir el último vértice y cerrar el polígono;
presiona la tecla CTRL para agregar un polígono multipartes; presiona las teclas CTRL + Z para remover
el último polígono multipartes;

:activando el puntero para crear una temporary ROI usando el algoritmo de región incremental; clic
izquierdo sobre el mapa para crear la ROI; clic derecho sobre el mapa para visualizar la frima espectral de
un pixel de el active band set en la Gráfico de Firmas Espectrales (página 100); presionando el boton del
teclado «CTRL” y clic izquierdo para agregar un poligono multipartes (las partes nuevas no se crean si se
superponen a otras partes); presione los botones del teclado «CTRL+Z» para eliminar el ultimo poligono
miltipartes; presione el boton del tacldo «CTRL» y haga clic derecho para trazar firmas espectrales del
mismo píxel para todos los band sets;

: crea un ROI temporal usando el Algoritmo de Región Incremental en el mismo pixel de origen del
anterior; es útil después de cambiar los parámetros región incremental;
Parámetros de incremento de la región: se requieren los siguientes parametros para la creación de la ROI utilizando un algor

Dist : establece el intervalo que define la distancia espectral máxima entre el pixel de origen
y los pixeles de su alrededor (en unidades radiométricas);

Min : establece el área mínima del ROI (en unidades de pixel); esta configuración sobres-
cribe el Radio del rango hasta que el el tamaño mínimo del ROI es alcanzado; si ROI rápido
en una banda está seleccionado, el ROI tendrá al menos el tamaño definido en Tamaño Min
del ROI; si ROI rápido en una banda no está seleccionado, el ROI podría tener un tamaño
menor que el Tamaño Min del ROI;

Max : establece el ancho máximo del ROI (i.e. el largo de un lado de un cuadrado, centrado
en el pixel de origen, el cual inscribe al ROI) en unidades de pixel;
http://www.youtube.com/watch?v=CQqNtlOU6mI

3.3.3 Clasificación preliminar

:guilabel:»Vista previa de la Clasificación » permite mostrar clasificaciones temporales (es decir vistas previas de
clasificaciones ). Las vistas previas de clasificaciones son utiles para pruebas del algoritmo en areas pequeñas de la
band_set_tab antes de clasificar la imagen completa, lo que puede llevar mucho tiempo (ver Classification output
(página 33)).
Clasificación preliminar es ejecutada de acuerdo a los parámetros definidos en el Algorithm (página 30).
Adicionalmente al raster de clasificación, es posible mostrar un Ráster de Algoritmo (página 127), el cual es
útil para evaluar la distancia de un pixel clasificado como clase X a la firma espectral correspondiente X. En
Previsualización de la clasificación, los pixeles negros distan de la firma espectral correspondiente (probablemente
se necesita recolectar una nueva ROI o firma espectral en esa área). Los pixeles blancos son cercanos a la firma
espectral correspondiente (probablemente la forma espectral identifica correctamente esos pixeles).
Luego de la creación de una nueva vista previa, las antiguas son colocadas en el Panel de Capas de QGIS dentro
de un grupo de capas llamado Class_temp_group (se puede definir un nombre personalizado en Nombre
temporal de grupo (página 98)) y son eliminadas cuando la sesión de QGIS es cerrada.

3.3. Barra de Trabajo 35

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

ADVERTENCIA: Las clasificaciones preliminares son eliminadas automáticamente del disco cuan-
do la sesión de QGIS se cierra; un mensaje de QGIS (que puede ser ignorado) podría preguntar por la
ruta de capas perdidas cuando abras un proyecto grabado anteriormente.

: ajusta el mapa a la extensión de la última Clasificación preliminar (página 35);

Previa: usa el botón para mostrar/ocultar la última Clasificación preliminar (página 35) en el mapa;

: activa el puntero para la creación de una Clasificación preliminar (página 35); clic izquierdo en el
mapa para iniciar el proceso de clasificación y mostrar su vista preliminar; clic derecho inicia el proceso de
clasificación y muestra el Ráster de Algoritmo (página 127) de la vista preliminar;

: crea una nueva Clasificación preliminar (página 35) centrada en el mismo pixel de la anterior;

T : cambia dinámicamente la transparencia de la clasificación preliminar, lo cual es útil para comparar

la clasificación con otras capas;

S : tamaño de la vista preliminar en unidades de pixel (i.e. el largo de un lado de un cuadrado,

centrado en el pixel en el cual se dio clic);

: elimina de QGIS las clasificación preliminar que están registradas en el Class_temp_group;

3.4 Ventana principal de la interfaz

La ventana principal de la interfaz está compuesta por varias pestañas descritas en detalle en los parágrafos si-
guientes. Las pestañas pueden ser seleccionadas a través del menú en el lado izquierdo

Conjunto de bandas (página 38)

• Lista de imágenes multibanda (página 38)
• Lista de bandas únicas (página 39)
• Definición del Conjunto de bandas (página 39)
• Herramientas para Conjunto de bandas (página 40)
Herramientas Básicas (página 41)
• Lista RGB (página 41)
• Peso de banda del algoritmo (página 42)
• Creación de ROI Múltiples (página 43)
• Importar firmas (página 45)
• Exportar firmas (página 47)
• Umbral de firma (página 48)
• Umbral LCS (página 50)
Descargar productos (página 51)
• Datos de inicio de sesión (página 52)
• Buscar (página 53)
• Opciones de Descarga (página 56)

36 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Preprocesamiento (página 56)

• Landsat (página 56)
• Sentinel-2 (página 59)
• Sentinel-3 (página 60)
• ASTER (página 62)
• MODIS (página 63)
• Vectorial a ráster (página 65)
• Recortar múltiples rásters (página 66)
• Separar bandas ráster (página 67)
• Stack raster bands (página 69)
• Mosaic band sets (página 69)
• Cloud masking (página 70)
Band processing (página 71)
• Band combination (página 71)
• PCA (página 71)
• Clustering (página 73)
• Spectral distance (página 74)
Postprocesamiento (página 76)
• Exactitud (página 76)
• Cambio de cobertura del suelo (página 77)
• Reporte de la clasificación (página 78)
• Clasificación cruzada (página 79)
• Class signature (página 80)
• Clasificación a vectorial (página 81)
• Reclasificación (página 82)
• Editar ráster (página 84)
• Filtrado de la Clasificación (página 85)
• Erosión de la clasificación (página 87)
• Dilatación de la Clasificación (página 87)
Calculadora de Bandas (página 88)
• Lista de Bandas (página 89)
• Expresión (página 89)
• Cálculo de índice (página 90)
• Reglas de decisión (página 91)
• Ráster de salida (página 92)
En Lotes (página 92)
• En Lotes (página 92)
• Ejecutar (página 96)

3.4. Ventana principal de la interfaz 37

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Configuración (página 96)

• Procesando (página 96)
• Interfaz (página 97)
• Depurar (página 99)

3.4.1 Conjunto de bandas

Figura 8: Conjunto de Bandas

Imagen de entrada en SCP se llama conjunto de bandas. Esta pestaña permite la definición de uno o más conjunto
de bandas usado como entrada para la clasificaión y otras herramientas.
Los conjuntos de bandas se identifican con números. El conjunto de bandas activos (es decir, las pestañas selec-
cionadas en Definición del Conjunto de bandas (página 39) con nombre en verde negrita) se usa como entrada para
las herramientas en SCP dock (página 23) y Barra de Trabajo (página 34). Otras herramientas de SCP permiten la
selección de conjunto de bandas por números.
La definición del Conjunto de Bandas es guardada con el proyecto de QGIS.

Lista de imágenes multibanda

Esta sección permite seleccionar un raster multibanda. Si se selecciona, las bandas raster aparecen listadas en
:guilabel:‘conjunto de bandas activas ‘.
: Selecciona la imagen de entrada de una lista de imágenes multiespectrales cargadas en QGIS;

: abre uno o más archivos ráster que son agregados al conjunto de bandas activas y cargadas en QGIS;

38 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: recargar la lista de capas;

Lista de bandas únicas

Lista de rasters de banda únicas ya cargadas en QGIS. Es posible seleccionar una o más bandas para ser añadidas
a conjunto de bandas activas.

: actualiza la lista de bandas ráster cargadas en QGIS;

: selecciona todas las bandas ráster;

: Añade rasters seleccionados al conjunto de bandas activas

Definición del Conjunto de bandas

Definición de las bandas que componen los:guilabel:conjuntos de bandas. El conjunto de bandas activas es la
pestaña seleccionada con nombre verde negrita. Es posible añadir nuevos conjunto de bandas haciendo clic en el
siguiente botón:

: añade un nuevo y vacío band set;

Da click en en el botón para eliminar el correspondiente band set. Band sets pueden ser reordenados arras-
trando las pestañas.
El Center wavelength de las bandas debe ser definidos para poder usar varias funciones de SCP. Si el Center
wavelength no está definido, el numero de la banda es usado y algunos herramientas del SCP estarán desactivadas.
Es posible definir un factor de reescalado multiplicativo y un factor de reescalado aditivo para cada banda (por
ejemplo, usando los valores en los metadatos de Landsat), que se usan sobre la marcha (es decir, ‘‘ valor de
píxel = valor de píxel original * factor de reescalado multiplicativo + factor reescalado aditivo “”) durante el
procesamiento.
Todos: guilabel: band set esta definida con la siguiente tabla:

Peso de banda: tabla conteniendo los siguientes campos;

• Nombre de banda : nombre de la banda; el nombre no puede ser modificado;

• Longitud de onda central : centro de longitud de onda de la banda;

• Factor Multiplicativo : factor multiplicativo de reescalado;

• Factor Aditivo : factor aditivo de reescalado;

• : guilabel: Unidad de longitud de onda | project_save |: unidad de longitud de onda;
• : guilabel: Image name | project_save |: nombre de la imagen para rásteres multibanda;

: mueve las bandas seleccionadas hacia arriba;

: mueve las bandas seleccionadas hacia abajo;

3.4. Ventana principal de la interfaz 39

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: ordena automáticamente las bandas por su nombre, dando prioridad a los números del final del
nombre;

: remove highlighted bands from the active band set;

: borrar todas las bandas de: guilabel: conjunto de bandas activo;

Configuración rápida de longitud de onda : definición rápida del centro de longitud de onda para los siguient

• ASTER;
• GeoEye-1;
• Landsat 8 OLI;
• Landsat 7 ETM+;
• Landsat 5 TM;
• Landsat 4 TM;
• Landsat 1, 2, and 3 MSS;
• MODIS;
• Pleiades;
• QuickBird;
• RapidEye;
• Sentinel-2;
• Sentinel-3;
• SPOT 4;
• SPOT 5;
• SPOT 6;
• WorldView-2 and WorldView-3;

Unidad de longitud de onda : selecciona la unidad del centro de longitud de onda entre:
• Número de banda: sin unidad, solo el número de banda;
• 𝜇𝑚: micrómetros;
• nm: nanómetros;

: import a previously saved active band set from file;

: export the active band set to a file;

http://www.youtube.com/watch?v=1PclAtPjyZE

Herramientas para Conjunto de bandas

Es posible realizar varios procesos directamente en: guilabel: conjunto de bandas activo.

Crear ráster virtual de Conjunto de bandas: si está seleccionado, crea un ráster virtual con las bandas;

40 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Crear ráster de conjunto de bandas (bandas apiladas): si está seleccionado, crea un único ráster .tif
multibanda apilando todas las bandas;

Construir vistas generales: si está seleccionado, construye vistas generales del ráster (i.e. pirámides)
para mejorar el rendimiento en la representación; las vistas generales son creadas en el mismo directorio de
las bandas;

Expresiones en Calculadora de Bandas: si está seleccionado, calcula la Expresión (página 89) ingre-
sada en Calculadora de Bandas (página 88); es recomendable el uso de variables en las expresiones del
Conjunto de bandas (Ej. bandset#b1 );

RUN : elija el destino de salida e inicie el proceso;

3.4.2 Herramientas Básicas

La pestaña | tools | Basic tools incluye varias herramientas para manipular datos de entrada.

Lista RGB

Figura 9: Lista RGB

Esta pestaña permite manipular las RGB Composición de Color (página 119) usadas en la lista RGB= de la Control
de la imagen (página 34).

3.4. Ventana principal de la interfaz 41

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Lista RGB

RGB list: tabla conteniendo los siguientes campos;

• RGB: combinación RGB; este campo puede ser modificado manualmente;

: mueve la combinación RGB resaltada hacia arriba;

: mueve la combinación RGB resaltada hacia abajo;

: ordena automáticamente las combinaciones RGB por nombre;

: agrega una fila a la tabla;

: elimina las filas resaltadas de la tabla;

: elimina todas las combinaciones RGB de RGB list;

: exporta la Lista RGB a un archivo (i.e. .csv);

: importa una Lista RGB guardada anteriormente desde archivo (i.e. .csv);

RGB Automático

Combinaciones de bandas : agrega la combinación de todas las bandas (i.e. permutación) a la Lista
RGB (página 42) (e.g. 1-2-3, 1-2-4, . . . , 3-2-1);

Peso de banda del algoritmo

Esta pestaña permite la definición de pesos de banda que son útiles para mejorar la separabilidad espectral de
materiales en ciertas longitudes de onda (bandas). Durante el proceso de clasificación, los valores de banda y los
valores de firma espectral se multiplican por los pesos de banda correspondientes, modificando así las distancias
espectrales. Se muestra una pestaña para cada: ref: band_set_tab.

Peso de banda

Peso de banda: tabla conteniendo los siguientes campos;

• Número de banda : número de la banda en el Conjunto de bandas;
• Nombre de banda : nombre de la banda;
• Peso : peso de la banda; este valor puede ser editado;

Peso automático

: restaurar todos los pesos de las bandas a 1;

42 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 10: Peso de banda del algoritmo

Asignar peso : asignar como peso de banda el valor definido para todas las bandas seleccionadas
en la table;

Creación de ROI Múltiples

Esta pestaña permite la creación automática de ROI, útil para la clasificación rápida de imágenes multitemporales
o para la evaluación de precisión. Dada una lista de coordenadas de puntos y opciones de ROI, esta herramienta
realiza el crecimiento regional de ROI. El ROI creado se guarda automáticamente en Training input (página 24).
El active band set in Conjunto de bandas (página 38) se usa para cálculos.

Crear puntos aleatorios

Número de puntos : establece la cantidad de puntos que serán creados cuando Crear puntos es
presionado;

inside grid : si está marcada, el área: guilabel: band set se divide en celdas donde el tamaño de las
mismas se define en el cuadro combinado (unidad de imagen, generalmente metros); los puntos definidos
en ‘‘ Número de puntos aleatorios “” se crean aleatoriamente dentro de cada celda;

distancia min : si está seleccionado, los puntos aleatorios tienen como distancia mínima la definida
en el cuadro combinado (en unidades de imagen, usualmente metros); establecer una distancia mínima puede
producir menos puntos que el definido en Número de puntos;
: guilabel: Crear puntos | enter |: crea puntos aleatorios dentro del área: guilabel:‘ conjunto de bandas‘;

3.4. Ventana principal de la interfaz 43

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 11: Creación de ROI múltiples

stratified for the values of the first band of the band set min distance : if checked, create
random points inside the values defined in the expression calculated for the first band of the defined band
set; the expression must include the variable raster ; multiple expressions can be entered separated by
semicolon ( ; ) but the total number of stratified points is the same as the defined Number of points;

Coordenadas de punto y definición de ROI

Coordenadas de los Puntos y definición de ROI: tabla conteniendo los siguientes campos;
• X : coordenada X del punto (float);
• Y : coordenada Y del punto (float);
• MC ID: ID de Macroclase del ROI (int);
• MC Info: Información de la Macroclase del ROI (text);
• C ID: ID de Clase del ROI (int);
• C Info: Información de la Clase del ROI (text);
• Min : el área mínima de un ROI (en unidades de pixel);
• Max : el ancho máximo de un ROI (en unidades de pixel);
• Dist : el intervalo que define la máxima distancia espectral entre el pixel origen y los circundantes
(en unidades radiométricas);
• : guilabel: Rapid ROI band: si se define un número de banda, el ROI se crea solo con la banda
seleccionada, de manera similar a: guilabel:‘ Rapid ROI band‘ en: ref: ROI_list;

: agrega una nueva fila a la tabla; todos los campos de la tabla deben ser llenados para la creación del
ROI;

44 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: elimina las filas seleccionadas de la tabla;

: import a point list from text file or a point shapefile to the table; in case of text file, every line must
contain values separated by tabs of X, Y, MC ID, MC Info, Class ID, C Info, Min, Max, Dist, and
optionally the Rapid ROI band; in case of shapefile, only point coordinates are imported;

: exporta la lista de puntos a un archivo de texto;

Ejecutar

Calcular firm.: si está seleccionado, la firma espectral es calculada mientras el ROI es guardado en el
Training input (página 24);
: guilabel: RUN | run |: inicia el proceso de creación de ROI para todos los puntos y guarda los ROI en: ref:‘
training_input‘;

Importar firmas

La pestaña Importar firmas permite importar firmas espectrales desde varias fuentes.

Importar archivo de librería

Figura 12: Importar archivo de librería

Esta herramienta permite importar firmas espectrales desde varias fuentes: de un Training input (página 24) (.scp
file) guardado anteriormente; una USGS Spectral Library (archivo .asc); un archivo CSV exportado anteriormente.

3.4. Ventana principal de la interfaz 45

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Para elc aso de una USGS Spectral Library, la librería es muestreada automáticamente conforme a los anchos de
banda definidos en el Conjunto de bandas (página 38), y agregadas al ROI Signature list (página 27);

Selecciona un archivo : abre un archivo para ser importado en el Training input (página 24);

Importar archivo shape

Figura 13: Importar archivo shape

Esta herramienta permite importar un archivo shape, seleccionando los campos correspondientes al Training input
(página 24).

Selecciona un archivo shape : abre un archivo shape;

Campo MC ID : selecciona del archivo shape el campo correspondiente a MC ID;
Campo MC Info : selecciona del archivo shape el campo correspondiente a MC Info;
Campo C ID : selecciona del archivo shape el campo correspondiente a C ID;
Campo C Info : selecciona del archivo shape el campo correspondiente a C Info;

Calcular firm.: si está seleccionado, la firma espectral es calculada mientras el ROI es guardado en el
Training input (página 24);

Importar shape : importa todos los polígonos del archivo shape como ROIs en el Training input (pági-
na 24);

46 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 14: Descarga Librería Espectral de USGS

Descarga Librería Espectral de USGS

La pestaña Descarga Librería Espectral de USGS permite la descarga de la USGS spectral library (Clark, R.N.,
Swayze, G.A., Wise, R., Livo, E., Hoefen, T., Kokaly, R., Sutley, S.J., 2007, USGS digital spectral library splib06a:
U.S. Geological Survey, Digital Data Series 231).
Las librerías están agrupadas en capítulos incluyendo Minerals, Mixtures, Coatings, Volatiles, Man-Made, Plants,
Vegetation Communities, Mixtures with Vegetation, and Microorganisms. Se requiere una conexión a Internet.
Selecciona un capítulo : selecciona uno de los capítulos de la librería; después de que selecciones, las
librerías de ese capítulo son mostradas en Selecciona una librería;
Selecciona una librería : selecciona una de las librerías; la descripción de la librería es mostrada en el
marco Descripción de la Librería;
: guilabel: Importar biblioteca espectral | enter |: descargue la biblioteca y agregue la firma espectral mues-
treada a: ref:‘ ROI_list‘ utilizando los parámetros definidos para clase y macroclase; la biblioteca se mues-
trea automáticamente de acuerdo con las longitudes de onda de la banda de la imagen definidas en: guilabel:
conjunto de bandas activas en: ref:‘ band_set_tab‘, y se agrega a: ref: ROI_list;
Consejo: Las Librerías Espectrales descargadas desde USGS Spectral Library pueden
ser usadas con los algoritmos Distancia Mínima o Mapeo del Angulo Espectral, pero no con
Máxima Probabilidad porque este algoritmo necesita la matriz de covarianza que no está incluida
en las librerías espectrales.

Exportar firmas

Esta herramienta permite exportar las firmas seleccionadas en el ROI Signature list (página 27).

Exportar como archivo SCP : crea un nuevo archivo .scp y exporta los ROIs seleccionados y las firmas

3.4. Ventana principal de la interfaz 47

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 15: Exportar firmas

espectrales como archivo SCP (* .scp);

: guilabel: Exportar como shapefile | new_file|: exportar ROI resaltado (excluyendo datos de firma espectral)
como un nuevo shapefile (* .shp);

Exportar como archivo CSV : abre un directorio, y exporta las firmas espectrales seleccionadas como
archivos individuales CSV (* .csv) separadas por un punto y coma ( ; );

Umbral de firma

Esta pestaña permite la definición de un umbral de clasificación para cada firma espectral. Se enumeran todas las
firmas contenidas en: ref: training_input. Los umbrales definidos en esta herramienta se aplican a la clasificación
solo si: guilabel: el valor de Umbral en: ref:‘ class_alg‘ es 0.
Esto es útil para mejorar los resultados de clasificación, especialmente cuando las firmas espectrales son similares.
Los umbrales de las firmas se guardan en: ref: training_input.
Si el umbral es 0, entonces no se aplica ningún umbral y se clasifican todos los píxeles de la imagen. Dependiendo
del seleccionado: ref: clasificación_alg el valor umbral se evalúa de manera diferente:
para Distancia mínima, los pixeles no serán clasificados si la distancia es mayor que el valor del umbral;
para Máxima Probabilidad, los pixeles no serán clasificados si la probabilidad es menor que el valor del
umbral (máx 100);
para Mapeo del Angulo Espectral, los pixeles no serán clasificados si la distancia del ángulo espectral es
mayor que el valor del umbral (máx 90).

48 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 16: Umbral de firma

Umbral de firma

Umbral de firma: tabla conteniendo los siguientes campos;

• MC ID: Macroclase ID de la firma;
• MC Info: Información de Macroclase de la firma;
• C ID: Clase ID de la firma;
• C Info: Información de Clase de la firma;
• Umbral MD: umbral Distancia Mínima; este valor puede ser editado;
• Umbral ML: umbral Máxima Probabilidad; este valor puede ser editado;
• Umbral SAM: umbral Mapeo del Angulo Espectral; este valor puede ser editado;

: restaura todos los umbrales de firmas a 0 (por tanto no se usa el umbral);

Umbrales automáticos

Establecer umbral : establece el valor definido como umbral para todas las firmas seleccionadas
en la tabla;

Establecer umbral = 𝜎 * : para todas las firmas seleccionadas, establece un umbral automático
calculado como la distancia (o el ángulo) entre el promedio de la firma y (promedio de firma + (𝜎 * v)),

3.4. Ventana principal de la interfaz 49

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

donde 𝜎 es la desviación estándar y v es el valor definido; funciona con Distancia Mínima y Mapeo del
Angulo Espectral;

Umbral LCS

Figura 17: Umbral LCS

Esta pestaña permite la configuración de los umbrales de firmas usados por Clasificación por Firmas de Cobertura
del Suelo (página 124). Son listadas todas las firmas contenidas en el Training input (página 24) ; además, los
umbrales de firmas son guardados en el Training input (página 24).
Las firmas con solapamiento (que pertenecen a diferentes Clases o Macroclases) son resaltadas con naranja en la
tabla Umbral LCS; la revisión de solapamiento es efectuada considerando MC ID o C ID de acuerdo a la configu-

ración Usar MC ID C ID en el Algorithm (página 30). Las firmas con solapamiento que comparten el
mismo ID no se resaltan.

Umbral de Cobertura del Suelo - LC Signature

Umbral de Cobertura del Suelo - LC Signature: tabla conteniendo los siguientes campos;
• MC ID: Macroclase ID de la firma;
• MC Info: Información de Macroclase de la firma;
• C ID: Clase ID de la firma;
• C Info: Información de Clase de la firma;
• Color [overlap MC_ID-C_ID]: color de la firma; además, la combinación MC ID-C ID es mostra-
da en caso de existir solapamiento con otras firmas (mira Clasificación por Firmas de Cobertura
del Suelo (página 124));

50 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

• Min B X: valor mínimo de la banda X; este valor puede ser editado;

• Max B X: valor máximo de la banda X; este valor puede ser editado;

: show the ROI spectral signature in the Gráfico de Firmas Espectrales (página 100); spectral signature
is calculated from the Conjunto de bandas (página 38);

Umbrales automáticos

Establece automáticamente los umbrales para las firmas seleccionadas en la tabla Umbral de Cobertura del Suelo
- LC Signature; si no se ha seleccionado ninguna firma, entonces el umbral es aplicado a todas las firmas.

Min Max : establece el umbral basado en los mínimos y máximos de cada banda;

𝜎* : establece un umbral automático calculado como (valor de banda + (𝜎 * v)), donde 𝜎 es la

desviación estándar de cada banda y v es el valor definido en este cuadro;

Desde ROI : establece los umbrales usando los valores de pixeles del ROI temporal;

• +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es
aplicada a la opción Desde pixel;

• –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado.
Solo es aplicada a la opción Desde pixel;

Desde pixel : establece el umbral haciendo clic en un pixel, de acuerdo a las siguientes casillas de verificación:

• +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es
aplicada a la opción Desde pixel;

• –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado.
Solo es aplicada a la opción Desde pixel;

3.4.3 Descargar productos

La pestaña | download | : guilabel: Download products incluye las herramientas para buscar y descargar imáge-
nes gratuitas de teledetección. Además, la conversión automática a reflectancia de las bandas descargadas está
disponible.
Se requiere una conexión a Internet y es posible que se requiera un registro gratuito según el servicio de descarga.
Esta herramienta permite buscar y descargar:
: ref: imágenes Landsat_definition (de 1 MSS a 8 OLI) adquiridas desde los años 80 hasta nuestros días;
: ref: imágenes Sentinel2_definition (Nivel-1C y Nivel-2A) adquiridas desde 2015 hasta nuestros días;
: ref: imágenes Sentinel3_definition (OLCI Level-1B OL_1_EFR) adquiridas desde 2016 hasta nuestros
días;
: ref: imágenes ASTER_definition (Nivel 1T) adquiridas desde 2000 hasta nuestros días;
: ref: imágenes MODIS_definition (MOD09GQ, MYD09GQ, MOD09GA, MYD09GA, MOD09Q1,
MYD09Q1, MOD09A1, MYD09A1) adquiridas desde 2000 hasta nuestros días;

3.4. Ventana principal de la interfaz 51

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Para Landsat, ASTER y MODIS, la búsqueda se realiza a través del CMR Search API
<https://cmr.earthdata.nasa.gov/search/site/search_api_docs.html> _ desarrollado por la NASA. Las
imágenes de Landsat están disponibles gratuitamente a través de los servicios: EarthExplorer
<http://earthexplorer.usgs.gov/> _, Google Earth Engine <https://earthengine.google.com/datasets/> _, y
el ‘ Amazon Web Services (AWS) <http://aws.amazon.com/public-data-sets/landsat/> ‘_ (solo para Landsat 8).
Los productos ASTER L1T y MODIS se recuperaron del conjunto de datos en línea, cortesía del Centro de Archivo
Activo Distribuido de Procesos Terrestres de la NASA (LP DAAC), Centro de Observación y Ciencia de Recursos
de la Tierra (EROS) de USGS, Sioux Falls, Dakota del Sur, https://lpdaac.usgs.gov/data_access/data_pool.
Para Sentinel-2 y Sentinel-3, la búsqueda se realiza a través del Copernicus Open Access Hub
<https://scihub.copernicus.eu/> _ (usando el Data Hub API ); las imágenes se descargan principalmente de Ama-
zon S3 AWS <http://sentinel-pds.s3-website.eu-central-1.amazonaws.com> _ si está disponible.
Esta herramienta intenta descargar imágenes primero de Amazon Web Services y‘ Google Earth Engine‘; solo si
las imágenes no están disponibles, la descarga se realiza a través de los servicios que requieren iniciar sesión.

Datos de inicio de sesión

Figura 18: Login data

Login https://ers.cr.usgs.gov

For Landsat images USGS EROS credentials (https://ers.cr.usgs.gov) are required for downloads from EarthEx-
plorer . Login using your USGS EROS credentials or register for free at https://ers.cr.usgs.gov/register .

Usuario : ingresa tu nombre de usuario;

Contraseña : ingresa tu contraseña;

52 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

recordar: recordar nombre de usuario y contraseña en QGIS;

Acceso https://urs.earthdata.nasa.gov

For ASTER and MODIS images EOSDIS Earthdata credentials (https://urs.earthdata.nasa.gov ) are required for
download. Login using your EOSDIS Earthdata credentials or register for free at https://urs.earthdata.nasa.gov/
users/new . Before downloading ASTER and MODIS images, you must approve LP DAAC Data Pool clicking
the following link https://urs.earthdata.nasa.gov/approve_app?client_id=ijpRZvb9qeKCK5ctsn75Tg

Usuario : ingresa tu nombre de usuario;

Contraseña : ingresa tu contraseña;

recordar: recordar nombre de usuario y contraseña en QGIS;

Acceso a Sentinel

Para acceder a los datos de Sentinel se requiere el registro gratuito en https://scihub.copernicus.eu/userguide/

1SelfRegistration (otros servicios pudieran requerir un registro diferente) . Después del registro, ingresa el nombre
de usuario y la contraseña para acceder a los datos.

Servicio : escribe la URL de servicio (por defecto https://scihub.copernicus.eu/apihub); otros

servicios alternos que comparten la misma infraestructura pueden ser usados (como este https://scihub.
copernicus.eu/dhus , https://finhub.nsdc.fmi.fi , https://data.sentinel.zamg.ac.at);

: reset the default service;

Usuario : ingresa tu nombre de usuario;

Contraseña : ingresa tu contraseña;

recordar: recordar nombre de usuario y contraseña en QGIS;

Buscar

Search parameters

Define the search area by entering the coordinates (longitude and latitude) of an Upper Left (UL) point and
Lower Right (LR) point and select a product to search. Optional settings are date of acquisition, maximum
cloud cover, number of results (the less the results, the faster is the query).
Antes de buscar imágenes es necesario definir el área de búsqueda.

UL : set the UL longitude X (Lon) and the UL latitude Y (Lat);

LR : set the LR longitude X (Lon) and the LR latitude Y (Lat);

Show: show or hide the search area in the map;

: define a search area by left click to set the UL point and right click to set the LR point; the search area
is displayed in the map;

3.4. Ventana principal de la interfaz 53

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 19: Search

Products : set the search product;

Desde fecha : fijar la fecha inicial de adquisición;
hasta : fijar la fecha final de adquisición;

Max cloud cover ( %) : maximum cloud cover in the product;

Results : maximum number of products returned by the search;

Filter : set a filter such as the Product ID (e.g. LC81910312015006LGN00); it is possible

to enter multiple Product IDs separated by comma or semicolon (e.g. LC81910312015006LGN00,
LC81910312013224LGN00 ); filter is applied to resulting products in the search area;

Find : find the products in the search area; results are displayed inside the table in Product list (pági-
na 54); results are added to previous results;

Add OpenStreetMap to the map: this button allows for the display of OpenStreetMap tiles (© OpenS-
treetMap contributors) in the QGIS map as described in https://wiki.openstreetmap.org/wiki/QGIS . The
cartography is licensed as CC BY-SA (Tile Usage Policy );
Consejo: Los resultados de búsqueda (y la cantidad de éstos) dependen de la extensión del área
de búsqueda y el rango de fechas. Para obtener mejores resultados, ejecuta búsquedas múltiples
definiendo áreas con pequeñas extensiones e intervalos cortos en la fecha de adquisición (desde
y hasta)

Product list

The table Product list contains the results of the search. Click on any item (highlight) to display the image preview
thereof. Results are saved with the QGIS project.

54 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Product list : found products are displayed in this table, which includes the following fields;

• Product: the product name;

• ProductID: the product ID;
• AcquisitionDate: date of acquisition of product;
• CloudCover: percentage of cloud cover in the product;
• Zone/Path: the zone or WRS path depending on the product type;
• Row/DayNightFlag: the WRS row or acquisition flag(day or night) depending on the product
type;
• min_lat: minimum latitude of the product;
• min_lon: minimum longitude of the product;
• max_lat: maximum latitude of the product;
• max_lon: maximum longitude of the product;
• Collection/Size: collection code or size depending on the product type;
• Preview: URL of the product preview;
• Collection/ID: collection or image ID depending on the product type;
• Collection/Image: collection or image ID depending on the product type;

: muestra en el mapa la vista previa de las imágenes seleccionadas; la vista previa es georeferenciada
aproximadamente al vuelo;

: elimina las imágenes seleccionadas de la lista;

: elimina todas las imágenes de la lista;

: import the product list from a text file (i.e. .txt);

: export the product list to a text file (i.e. .txt);

Descargar

Download the products in the Product list (página 54). During the download it is recommended not to interact
with QGIS.

Only if preview in Layers: if checked, download only those images listed in Product list (página 54)
which are also listed in the QGIS layer panel;

Preprocesar imágenes: si está seleccionado, las bandas son convertidas automáticamente después de
la descarga, usando la configuración definida en Landsat (página 56);

Cargar bandas en QGIS: si está seleccionado, las bandas serán cargadas en QGIS después de la des-
carga;

: exporta los enlaces de descarga a un archivo de texto;

3.4. Ventana principal de la interfaz 55

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

RUN : start the download process of all the products listed in Product list (página 54);

Opciones de Descarga

Figura 20: Download options

This tab allows for the selection of single bands for Landsat, Sentinel-2, and Sentinel-3 images. Depending on the
download service, single band download could be unavailable.

Banda X: selecciona las bandas que deseas descargar;

Ancillary data: if checked, the metadata files are selected for download;

: selecciona todas las bandas o ninguna banda;

3.4.4 Preprocesamiento

La pestaña Preprocesamiento proporciona varias herramientas para la manipulación de datos que son útiles
antes del proceso de clasificación.

Landsat

Esta pestaña permite la conversión de imágenes Landsat 1, 2, y 3 MSS y Landsat 4, 5, 7, y 8 desde DN (i.e.
Digital Numbers) a la medida física de Top Of Atmosphere reflectance (TOA), o la aplicación de la simple co-
rrección atmosférica usando el método DOS1 (Dark Object Subtraction 1), que es una técnica basada en imagen
(para mayor información sobre la conversión de Landsat a TOA y la corrección DOS1, mira Conversión de la
imagen a Reflectancia (página 133)). El Pan-sharpening está también disponible; para mayor información lee
Pan-sharpening (página 131).

56 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 21: Landsat

Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos
WARNING: For the best spectral precision you should download the Landsat Level-2 Data Products
(Surface Reflectance) from https://earthexplorer.usgs.gov .

Conversión a reflectancia TOA y a temperatura de brillo de imágenes Landsat

Directorio conteniendo bandas Landsat : abre un directorio conteniendo bandas Landsat; los nom-
bres de las bandas Landsat deben terminar en su número correspondiente; si el archivo con metadatos está
incluido en este directorio el Metadatos (página 58) se completa automáticamente;

Seleccionar archivo MTL : si el archivo con los metadatos no está incluido en el Directorio
conteniendo bandas Landsat, selecciona la ruta del archivo con metadatos para completar el Metadatos
(página 58) automáticamente;

Temperatura de brillo en Celsius: si está seleccionada, convierte la temperatura de brillo a Celsius (si
la banda Landsat termal está listada en Metadatos (página 58)); si no está seleccionado la temperatura está
en Kelvin;

Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 (página 135) es
aplicada a todas las bandas (excluyendo la banda termal);

only to blue and green bands: if checked (with Apply DOS1 atmospheric correction also checked), the
Corrección DOS1 (página 135) is applied only to blue and green bands;

Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen
valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando
la imagen tiene borde negro (generalmente con valor de pixel = 0);

3.4. Ventana principal de la interfaz 57

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Realizar pansharpening: si está seleccionado, la transformación Brovey es aplicada para la Pan-

sharpening (página 131) de las bandas Landsat;

Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es
creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas
seleccionadas en el Conjunto de bandas (página 38);

Metadatos

Todas las bandas encontradas en el Directorio conteniendo bandas Landsat son listadas en la tabla Metadatos.
Si se encuentra el archivo de metadatos (un archivo .txt o .met con el sujito MTL) , los Metadatos son llenados
automáticamente. Para información sobre los campos Metadatos lee esta página y esta otra .

Satélite : el nombre del satélite (Ej. Landsat8);

Date : fecha de adquisición (Ej. 2013-04-15);

Elevación del Sol : elevación del Sol en grados;

Distancia Tierra-Sol : distancia de la Tierra al Sol en unidades astronómicas (calculada automática-

mente si Date está llenada;

: elimina las bandas seleccionadas de la tabla Metadatos;

Metadatos: tabla conteniendo los siguientes campos;

• Band: nombre de banda;
• RADIANCE_MULT: factor multiplicativo para el reescalado;
• RADIANCE_ADD: factor aditivo para el reescalado;
• REFLECTANCE_MULT: factor multiplicativo para el reescalado;
• REFLECTANCE_ADD: factor aditivo para el reescalado;
• RADIANCE_MAXIMUM: radiancia máxima;
• REFLECTANCE_MAXIMUM: reflectancia máxima;
• K1_CONSTANT: constante de conversión termal;
• K2_CONSTANT: constante de conversión termal;
• LMAX: radiancia espectral que es reescalada a QCALMAX;
• LMIN: radiancia espectral que es reescalada a QCALMIN;
• QCALMAX: valor máximo de pixel cuantificado y calibrado;
• QCALMIN: valor mínimo de pixel cuantificado y calibrado;

Ejecutar

RUN : select an output directory and start the conversion process; only bands listed in the table Meta-
data are converted; converted bands are saved in the output directory with the prefix RT_ and automatically
loaded in QGIS;

58 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 22: Sentinel-2

Sentinel-2

This tab allows for the conversion of Sentinel-2 images Level-1C to the physical measure of Top Of Atmosphere
reflectance (TOA), or the application of a simple atmospheric correction using the DOS1 method (Dark Object
Subtraction 1), which is an image-based technique (for more information about conversion to TOA and DOS1
correction, see Conversión de la imagen a Reflectancia (página 133)). This tool can also convert Sentinel-2 images
Level-2A from DN to reflectance values.
Once the input is selected, available bands are listed in the metadata table. Bands with 20m spatial resolution are
resampled to 10m resolution without changing the original pixel value (i.e. one 20m pixel is divided in four 10m
pixels with the same value).
WARNING: For the best spectral precision you should download the Sentinel-2 Level-2A Products
(Surface Reflectance) or use the official SNAP tool for atmospheric correction (see http://step.esa.int).

Conversión de Sentinel-2

Directory containing Sentinel-2 bands : open a directory containing Sentinel-2 bands; names of
Sentinel-2 bands must end with the corresponding number; if the metadata file is included in this direc-
tory then Metadatos (página 60) are automatically filled;

Select metadata file : select the metadata file which is a .xml file whose name contains
MTD_MSIL1C);

Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 (página 135) es
aplicada a todas las bandas;

only to blue and green bands: if checked (with Apply DOS1 atmospheric correction also checked), the
Corrección DOS1 (página 135) is applied only to blue and green bands;

3.4. Ventana principal de la interfaz 59

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen
valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando
la imagen tiene borde negro (generalmente con valor de pixel = 0);

Create Band set and use Band set tools: if checked, the active Band set is created after the conversion;
also, the Band set is processed according to the tools checked in the Conjunto de bandas (página 38);

Add bands in a new Band set: if checked, bands are added to a new empty Band set;

Metadatos

All the bands found in the Directory containing Sentinel-2 bands are listed in the table Metadata. If the Sentinel-2
metadata file (a .xml file whose name contains MTD_MSIL1C) is provided, then Metadata are automatically filled.
For information about Metadata fields read this informative page .

Satélite : nombre del satélite (Ej. Sentinel-2A);

: elimina las bandas seleccionadas de la tabla Metadatos;

Metadatos: tabla conteniendo los siguientes campos;

• Band: nombre de banda;
• Valor de Cuantificación: valor para la conversión a reflectancia TOA;
• Irradiancia solar: irradiancia solar de la banda;

Ejecutar

RUN : select an output directory and start the conversion process; only bands listed in the table Meta-
data are converted; converted bands are saved in the output directory with the prefix RT_ and automatically
loaded in QGIS;

Sentinel-3

This tab allows for the conversion of Sentinel-3 images (OL_1_EFR) to the physical measure of Top Of At-
mosphere reflectance (TOA), or the application of a simple atmospheric correction using the DOS1 method (Dark
Object Subtraction 1), which is an image-based technique (for more information about conversion to TOA and
DOS1 correction, see Conversión de la imagen a Reflectancia (página 133)). The following ancillary data are
required for conversion: instrument_data.nc , geo_coordinates.nc , tie_geometries.nc .
Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos
WARNING: Sentinel-3 bands are reprojected to WGS 84 coordinate system using a sample of pixels
from the file geo_coordinates.nc . For the best precision you should use the official SNAP tool (see
http://step.esa.int).

Sentinel-3 conversion

Directory containing Sentinel-3 bands : open a directory containing Sentinel-3 bands; names of
Sentinel-2 bands must end with the corresponding number; ancillary data required for conversion must
be in the same directory;

60 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 23: Sentinel-3

Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 (página 135) es
aplicada a todas las bandas;

only to blue and green bands: if checked (with Apply DOS1 atmospheric correction also checked), the
Corrección DOS1 (página 135) is applied only to blue and green bands;

Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen
valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando
la imagen tiene borde negro (generalmente con valor de pixel = 0);

Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es
creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas
seleccionadas en el Conjunto de bandas (página 38);

Metadatos

All the bands found in the Directory containing Sentinel-3 bands are listed in the table Metadata.

Satellite : satellite name (e.g. Sentinel-3A);

Product : product name (e.g. OLCI);

: elimina las bandas seleccionadas de la tabla Metadatos;

Metadatos: tabla conteniendo los siguientes campos;

• Band: nombre de banda;

3.4. Ventana principal de la interfaz 61

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Ejecutar

RUN : select an output directory and start the conversion process; only bands listed in the table Meta-
data are converted; converted bands are saved in the output directory with the prefix RT_ and automatically
loaded in QGIS;

ASTER

Figura 24: ASTER

Esta pestaña permite la conversión de imágenes ASTER LT1 a la medida física Top Of Atmosphere reflectance
(TOA), o a la aplicación de la corrección atmosférica simple usando el método DOS1 (Dark Object Subtraction
1), el cual es un método basado en imagen (para mayor información sobre conversión s TOA y corrección DOS1,
mira Conversión de la imagen a Reflectancia (página 133)).
Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos

Conversión de ASTER

Seleccionar archivo ASTER L1T : selecciona una imagen ASTER (archivo .hdf);

Aplicar la corrección atmosférica DOS1: si está seleccionado, la Corrección DOS1 (página 135) es
aplicada a todas las bandas;

only to green band: if checked (with Apply DOS1 atmospheric correction also checked), the Corrección
DOS1 (página 135) is applied only to green band;

Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen

62 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando
la imagen tiene borde negro (generalmente con valor de pixel = 0);

Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es
creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas
seleccionadas en el Conjunto de bandas (página 38);

Metadatos

Todas las bandas encontradas en Seleccionar archivo ASTER L1T son listafas en la tabla Metadatos. Para infor-
mación sobre los campos Metadatos visita la página de ASTER .

Date : fecha de adquisición (Ej. 20130415);

Elevación del Sol : elevación del Sol en grados;

Distancia Tierra-Sol : distancia de la Tierra al Sol en unidades astronómicas (calculada automática-

mente si Date está llenada;

Zona UTM : código de la zona UTM de la imagen;

SUPIZQUIERDAM : coordenadas de la esquina superior izquierda de la imagen;

: elimina las bandas seleccionadas de la tabla Metadatos;

Metadatos: tabla conteniendo los siguientes campos;

• Band: nombre de banda;
• UnitConversionCoeff : valor para la conversión a radiancia;
• PixelSize: irradiancia solar de la banda;

Ejecutar

RUN : select an output directory and start the conversion process; only bands listed in the table Meta-
data are converted; converted bands are saved in the output directory with the prefix RT_ and automatically
loaded in QGIS;

MODIS

This tab allows for the conversion of MODIS images to .tif format, and the reprojection to WGS 84.
Cuando el directorio de entrada se selecciona, las bandas disponibles se listan en la tabla de Metadatos

Conversión de MODIS

Select file MODIS : select a MODIS image (file .hdf);

Reproject to WGS 84: if checked, reproject bands to WGS 84, required for use in SCP;

Usar valor SinDatos (la imagen tiene borde negro) : si está seleccionado, los pixeles que tienen
valores SinDatos no son contados durqante la conversión y el cálculo de DNmin del DOS1; es útil cuando
la imagen tiene borde negro (generalmente con valor de pixel = 0);

3.4. Ventana principal de la interfaz 63

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 25: MODIS

Crear Conjunto de Bandas y utilizar sus herramientas: si está seleccionada, el Conjunto de Bandas es
creado después de la conversión; además, el Conjunto de Bandas es procesado de acuerdo a las herramientas
seleccionadas en el Conjunto de bandas (página 38);

Metadatos

All the bands found in the Select file MODIS are listed in the table Metadata. For information about Metadata
fields visit the MODIS page .

ID : ID of the image;

: elimina las bandas seleccionadas de la tabla Metadatos;

Metadatos: tabla conteniendo los siguientes campos;

• Band: nombre de banda;
• UnitConversionCoeff : value for conversion;

Ejecutar

RUN : select an output directory and start the conversion process; only bands listed in the table Meta-
data are converted; converted bands are saved in the output directory with the prefix RT_ and automatically
loaded in QGIS;

64 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 26: Vectorial a ráster

Vectorial a ráster

Esta pestaña permite la conversión de formato vectorial a ráster.

Selecciona el vectorial : selecciona un vectorial ya cargado en QGIS;

: recargar la lista de capas;

Usar el valor del campo del vector : si está seleccionado, el campo seleccionado es usado como
atributo para la conversión; los pixeles del ráster de salida tienen los mismos valores que los atributos del
vectorial;

Usar un valor constante : si está seleccionado, los polígonos son convertidos a ráster usando el
valor constante seleccionado;
Seleccionar el tipo de conversión : selecciona el tipo de conversión entre Centro de los pixeles y Todos los pixeles en

• Centro de los pixeles: durante la conversión, el vector es comparado con el ráster de referencia;
los pixeles ráster de salida son atribuidos al polígono si el centro del pixel está dentro de ese
polígono;
• Todos los pixeles en contacto: durante la conversión, el vector es comparado con el ráster de
referencia; los pixeles ráster de salida son atribuidos al polígono si el pixel topa a ese polígono;
Selecciona el ráster de referencia : selecciona un ráster de referencia; los pixeles del ráster de salida
tienen el mismo tamaño y alineamiento al del ráster de referencia. El ráster de referencia es un ráster de una
sola banda;

: recargar la lista de capas;

3.4. Ventana principal de la interfaz 65

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Ejecutar

RUN : choose the output destination and start the conversion to raster;

Recortar múltiples rásters

Figura 27: Recortar múltiples rásters

This tab allows for cutting several image bands at once, using a rectangle defined with point coordinates or a
boundary defined with a vector.

Lista de Rásters

: recargar la lista de capas;

: selecciona todos los rásters;

Coordenadas de corte

Set the Upper Left (UL) and Lower Right (LR) point coordinates of the rectangle used for clipping; it is possible
to enter the coordinates manually. Alternatively use a vector.

UL X : establecer la coordenada UL X;

UL Y : establecer la coordenada UL Y;

LR X : establecer la coordenada LR X;

66 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

LR Y : establecer la coordenada LR Y;

Mostrar: muestra u oculta el área de corte dibujada en el mapa;

: define el área de corte dibujando un rectángulo en el mapa; clic izquierdo para establecer el punto UL
y clic derecho para establecer el punto LR; el área es mostrada en el mapa;

Use vector for clipping : if checked, use the selected vector (already loaded in QGIS) for clipping;
UL and LR coordinates are ignored;

Use vector field for output name : if checked, a vector field is selected for clipping while iterating
through each vector polygon and the corresponding field value is added to the output name;

Use temporary ROI for clipping: if checked, use a temporary ROI (see ROI Signature list (página 27))
for clipping; UL and LR coordinates are ignored;

: recargar la lista de capas;

Valor SinDatos : si está seleccionado, establece el valor SinDatos para los pixeles (Ej. los
pixeles que están fuera del área de corte);

Prefijo para nombre de salida : establece el prefijo para los nombres de los archivos de salida (por
defecto es clip);

Ejecutar

RUN : choose an output destination and clip selected rasters; only rasters selected in the Lista de
Rásters (página 66) are clipped and automatically loaded in QGIS;

Separar bandas ráster

Separa una ráster multibanda en bandas sencillas.

Ráster de entrada

Selecciona una ráster multibanda : selecciona una ráster multibanda ya cargada en QGIS;

: recargar la lista de capas;

Prefijo para nombre de salida : establece el prefijo para los nombres de los archivos de salida (por
defecto es split);

Ejecutar

RUN : choose the output destination and split selected raster; output bands are automatically loaded
in QGIS;

3.4. Ventana principal de la interfaz 67

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 28: Separar bandas ráster

Figura 29: Stack raster bands

68 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Stack raster bands

Stack raster bands into a single file.

Lista de Rásters

: recargar la lista de capas;

: selecciona todos los rásters;

Ejecutar

RUN : choose the output destination and stack selected rasters; output is automatically loaded in
QGIS;

Mosaic band sets

Figura 30: Mosaic band sets

This tool allows for the mosaic of band sets, merging the corresponding bands of two or more band sets defined in
the Conjunto de bandas (página 38). An output band is created for every corresponding set of bands in the band
sets.
NoData values of one band set are replaced by the values of the other band sets.

3.4. Ventana principal de la interfaz 69

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Mosaic of band sets

Band set list : list if band sets defined in the Conjunto de bandas (página 38); in case of overlapping
images, the pixel values of the first band set in the list are assigned.

Usar valores SinDatos : si está seleccionado, establece el valor SinDatos de los pixeles, que
serán ignorados durante el cálculo;

Output name prefix : set the prefix for output file names (default is mosaic);

Ejecutar

RUN : select an output directory and start the mosaic process;

Cloud masking

Figura 31: Cloud masking

This tool allows for cloud masking, based on the values of a raster mask, creating an output masked band for each
band of the Conjunto de bandas (página 38). NoData is set in all the bands of the Conjunto de bandas (página 38)
for pixels corresponding to clouds.

Mask of band set

Select input band set : select the input Conjunto de bandas (página 38) to be masked;
Select the classification : select a classification raster (already loaded in QGIS) which contains a cloud
class;

70 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: recargar la lista de capas;

Mask class values : set the class values to be masked; class values must be separated by , and - can
be used to define a range of values (e.g. 1, 3-5, 8 will select classes 1, 3, 4, 5, 8); if the text is red then
the expression contains errors;

Use buffer of pixel size : if checked, a buffer is created for masked area, corresponding to the
defined number of pixels; this can be useful to dilate masked area in case the mask doesn’t cover the thinner
border of clouds;
NoData value: set the value of NoData pixels, corresponding to clouds;

Output name prefix : set the prefix for output file names (default is mask);

Ejecutar

RUN : select an output directory and start the mask process;

3.4.5 Band processing

The tab Band processing provides several functions that can be applied to the Conjunto de bandas (pági-
na 38).

Band combination

This tab allows for the combination of bands loaded in a Conjunto de bandas (página 38). This tool is intended for
combining classifications in order to get a raster where each value corresponds to a combination of class values.
A combination raster is produced as output and the area of each combination is reported in an text file.

Combination of band values

Select input band set (of classifications) : select the input Conjunto de bandas (página 38);

Ejecutar

RUN : choose the output destination and start the calculation; also, the details about the combinations
are displayed in the tab Output and saved in a .txt file in the output directory;

PCA

Esta pestaña permite el PCA (Análisis de Componentes Principales (página 130)) de las bandas cargadas en el
Conjunto de bandas.

3.4. Ventana principal de la interfaz 71

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 32: Band combination

Figura 33: PCA

72 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Análisis de Componentes Principales de un Conjunto de bandas

Select input band set : select the input Conjunto de bandas (página 38);

Número de componentes : si está seleccionado, establece el número de componentes calculados;

si no está seleccionado, todos los componentes son calculados;

Usar valores SinDatos : si está seleccionado, establece el valor SinDatos de los pixeles, que
serán ignorados durante el cálculo;

Ejecutar

RUN : select an output directory and start the calculation process; principal components are calculated
and saved as raster files; also, the details about the PCA are displayed in the tab Output and saved in a .txt
file in the output directory;

Clustering

Figura 34: Clustering

This tab allows for the Clustering (página 132) of a Conjunto de bandas (página 38). In particular, K-means
(página 132) and ISODATA (página 132) methods are available.

3.4. Ventana principal de la interfaz 73

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Clustering of band set

Select input band set : select the input Conjunto de bandas (página 38);

Method K-means ISODATA: select the clustering method K-means (página 132) or ISODATA
(página 132);

Distance threshold : if checked, for K-means: iteration is terminated if distance is lower than
threshold; for ISODATA: signatures are merged if distance is greater than threshold;

Number of classes : number of desired output classes;

Max number of iterations : maximum number of iterations if Distance threshold is not reached;

ISODATA max standard deviation : maximum standard deviation considered for splitting a class, for
ISODATA algorithm only;

ISODATA minimum class size in pixels : desired minimum class size in pixels, for ISODATA algorithm
only;

Usar valores SinDatos : si está seleccionado, establece el valor SinDatos de los pixeles, que
serán ignorados durante el cálculo;

Seed signatures

Seed signatures from band values Use Signature list as seed signatures Use random seed
signatures: select one options for seed signatures that start the iteration; the option Seed signatures from
band values divides the spectral space of the Conjunto de bandas (página 38) to get spectral signatures;
the option Use Signature list as seed signatures uses the spectral signatures checked in ROI Signature list
(página 27); the option Use random seed signatures randomly selects the spectral signatures of pixels in the
Conjunto de bandas (página 38);

Distance algorithm Minimum Distance Spectral Angle Mapping: select Distancia mínima (pági-
na 122) or * Mapeo del Angulo Espectral (página 124) for spectral distance calculation;

Save resulting signatures to Signature list: if checked, save the resulting spectral signatures in the ROI
Signature list (página 27);

Ejecutar

RUN : choose the output destination and start the calculation;

Spectral distance

This tab allows for calculating the spectral distance between every corresponding pixel of two band sets. The
output is a raster containing the spectral distance of each pixel. Optionally, a threshold can be defined for creating
a binary raster of values below and above the threshold.

74 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 35: Spectral distance

3.4. Ventana principal de la interfaz 75

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Spectral distance of band sets

Select first input band set : select the first input Conjunto de bandas (página 38);

Select second input band set : select the second input Conjunto de bandas (página 38);

Distance algorithm Minimum Distance Spectral Angle Mapping: select Distancia mínima (pági-
na 122) or * Mapeo del Angulo Espectral (página 124) for spectral distance calculation;

Distance threshold : if checked, a binary raster of values below and above the threshold is created;

Ejecutar

RUN : choose the output destination and start the calculation;

3.4.6 Postprocesamiento

La pestaña Postprocesamiento proporciona varas funciones que pueden ser aplicadas a la Salida de la clasi-
ficación.

Exactitud

Figura 36: Exactitud

76 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

This tab allows for the validation of a classification (read Evaluación De la Exactitud (página 129) ). Classification
is compared to a reference raster or reference vector (which is automatically converted to raster). If a vector is
selected as reference, it is possible to choose a field describing class values.
Several statistics are calculated such as overall accuracy, user’s accuracy, producer’s accuracy, and Kappa hat. In
particular, these statistics are calculated according to the area based error matrix where each element represents
the estimated area proportion of each class. This allows for estimating the unbiased user’s accuracy and producer’s
accuracy, the unbiased area of classes according to reference data, and the standard error of area estimates.
The output is an error raster that is a .tif file showing the errors in the map, where pixel values repre-
sent the categories of comparison (i.e. combinations identified by the ErrorMatrixCode in the error matrix)
between the classification and reference. Also, a text file containing the error matrix (i.e. a .csv file separated by
tab) is created with the same name defined for the .tif file.

Entrada

Selecciona la clasificación a evaluar : selecciona el ráster con la clasificación (ya cargado en QGIS);

: recargar la lista de capas;

Select the reference vector or raster : select a raster or a vector (already loaded in QGIS), used as
reference layer (ground truth) for the accuracy assessment;

: recargar la lista de capas;

Vector field : if a vector is selected as reference, select a vector field containing numeric class values;

Ejecutar

RUN : choose the output destination and start the calculation; the error matrix is displayed in the tab
Output and the error raster is loaded in QGIS;

Cambio de cobertura del suelo

La pestaña Cambio de cobertura del suelo permite la comparación entre dos clasificaciones para de-
terminar cambios en la cobertura del suelo. La salida es un ráster de cambios en la cobertura del
suelo (i.e. un archivo .tif mostrando los cambios en el mapa, donde cada pixel representa una categoría de com-
paración (i.e. combinaciones) entre dos clasificaciones, que es el ChangeCode en las estadísticas del cambio en
la cobertura del suelo) y un archivo de texto conteniendo las estadísticas del cambio en la cobertura del suelo (i.e.
un archivo .csv separado por etiquetas, con el mismo nombre definido para el archivo .tif).

Entrada

Selecciona la clasificación de referencia : selecciona una clasificación ráster de referencia (ya cargado
en QGIS);

: recargar la lista de capas;

Selecciona la nueva clasificación : selecciona una nueva clasificación ráster (ya cargada en QGIS),
para ser comparada con la clasificación de referencia;

: recargar la lista de capas;

3.4. Ventana principal de la interfaz 77

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 37: Cambio de cobertura del suelo

Reportar pixeles sin cambios: si está seleccionada, reporta también los pixeles sin cambios (que tienen
el mismo valor en ambas clasificaciones);

Ejecutar

RUN : choose the output destination and start the calculation; the land cover change statistics are
displayed in the tab Output (and saved in a text file) and the land cover change raster is loaded
in QGIS;

Reporte de la clasificación

Esta pestaña permite el cálculo de estadísticas de las Clases como el número de pixeles, porcentaje y área (las
unidades de área son definidas por la misma imagen).

Entrada

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);

: recargar la lista de capas;

Usar valor SinDatos ‘ |input_number|: si está seleccionado los valores ‘‘SinDatos‘ serán excluidos
del reporte

78 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 38: Reporte de la clasificación

Ejecutar

RUN : choose the output destination and start the calculation; the report is saved in a text file and
displayed in the tab Output;

Clasificación cruzada

This tab allows for the calculation of a cross classification raster and matrix. Classification is compared to a
reference raster or reference vector (which is automatically converted to raster). This is useful for calculating the
area for every combination between reference classes and classification values. If a vector is selected as reference,
it is possible to choose a field describing class values.
El resultado es un raster cruzado, el cual es un archivo .tif donde los valores de los píxeles representan
cetegorías de comparación (i.e. combinaciones identificadas por el‘‘CrossMatrixCode‘‘) entre la clasificación y la
referencia. Además, se crea un archivo de texto conteniendo la matriz cruzada (i.e. un archivo .csv separado por
tabulaciones) con el mismo nombre que el archivo .tif.

Entrada

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);

: recargar la lista de capas;

Usar valor SinDatos : si está marcado, los valores‘‘SinDatos‘‘ serán excluidos del cálculo;

3.4. Ventana principal de la interfaz 79

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 39: Clasificación cruzada

Select the reference vector or raster : select a raster or a vector (already loaded in QGIS), used as
reference layer;

: recargar la lista de capas;

Vector field : if a vector is selected as reference, select a vector field containing numeric class values;

Ejecutar

RUN : choose the output destination and start the calculation; the cross matrix is displayed in the tab
Output and the cross raster is loaded in QGIS;

Class signature

This tab allows for the calculation of the mean spectral signature of each class in a classification using a Conjunto
de bandas (página 38).
Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);

: recargar la lista de capas;

Select input band set : select the input Conjunto de bandas (página 38) for spectral signature calcula-
tion;

80 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 40: Class signature

Save resulting signatures to Signature list: if checked, save the resulting spectral signatures to ROI
Signature list (página 27);

Ejecutar

RUN : choose the output destination and start the conversion;

Clasificación a vectorial

Esta pestaña permite la conversión de un ráster de clasificación en un archivo vectorial shape.

Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);

: recargar la lista de capas;

Simbología

Usar código del listado de Firmas : si está seleccionado, el color y la información de Clase son definidos desde

• MC ID: usar el ID de las Macroclases;

• C ID: usar el ID de las Clases;

3.4. Ventana principal de la interfaz 81

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 41: Clasificación a vectorial

Ejecutar

RUN : choose the output destination and start the conversion;

Reclasificación

Esta pestaña permite la reclasificación (i.e. asignando un código de Clase nuevo a los pixeles ráster). En particular,
facilita la conversión desde los valores C ID a MC ID.
Selecciona la clasificación : selecciona un ráster de clasificación (ya cargadoen QGIS);

: recargar la lista de capas;

Valores

calcular valores de C ID a MC ID: si está seleccionado, la tabla de reclasificación table es completada

de acuerdo con la ROI Signature list (página 27) cuando Calcular valores únicos es presionado;

Calcular valores únicos : calcula valores únicos en la clasificación y completa la tabla de reclasifica-
ción;

Valores: tabla conteniendo los siguientes campos;

82 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 42: Reclasificación

• Valor antiguo: establece la expresión para definir los valores antiguos que serán reclasificados;
Valor antiguo puede ser un valor o una expresión definida usando la variable name raster
(nombres personalizados pueden ser definidos en Nombre de variable para expresiones (pági-
na 98) ), utilizando operadores Python (Ej. raster > 3 selecciona todos los pixeles que tienen
valor > 3 ; raster > 5 | raster < 2 selecciona todos los pixels que tienen valores > 5 o
< 2 ; raster >= 2 & raster <= 5 selecciona todos los pixeles que tienen valores entre 2
y 5);
• Valor Nuevo: establece el nuevo valor para los valores antiguos definidos en Valor antiguo;

: agrega una fila a la tabla;

: elimina las filas resaltadas de la tabla;

Simbología

Usar código del listado de Firmas : si está seleccionado, el color y la información de Clase son definidos desde

• MC ID: usar el ID de las Macroclases;

• C ID: usar el ID de las Clases;

3.4. Ventana principal de la interfaz 83

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Ejecutar

RUN : choose the output destination and start the calculation; reclassified raster is loaded in QGIS;

Editar ráster

Figura 43: Editar ráster

Esta pestaña permite la edición directa de los valores de los pixeles en un ráster. Solo los pixeles que están debajo
de polígonos ROI o polígonos vectoriales son editados.
Atención: El ráster de entrada es editado directamente; es recomendable crear una copia de seguri-
dad del ráster antes de usar esta herramienta para evitar pérdida de datos.
Esta herramienta permite editar rápidamente rásters grandes, especialmente cuando los polígonos de edición son
pequeños, debido a que los valores de píxel son editados directamente. Adicionalmente, la SCP Barra de Herra-
mientas de edición (página 108) está disponible para facilitar la edición de ráster usando múltiples valores.
Selecciona el ráster de entrada : selecciona un ráster (ya cargado en QGIS);

: recargar la lista de capas;

Editar valores de un ráster

Editar valores usando polígonos ROI: si está seleccionado, el ráster es editado usando polígonos de
ROI temporales existentes en el mapa;

84 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Editar valores usando vectorial : si está seleccionado, el ráster es editado usando todos los polí-
gonos del archivo vectorial seleccionado;

: recargar la lista de capas;

Opciones de Edición

Usar el valor del campo del vector : si está seleccionado, el ráster es editado usando el vectorial
seleccionado (en Editar valores usando vectorial) y los valores de los campos de los polígonos del vectorial
seleccionado;

Usar un valor constante : si está seleccionado, el ráster es editado utilizando el valor constante
elegido;

Use expression : if checked, raster is edited according to the entered expression; the expression
must contain one or more where; accepted variable are raster representing the input raster value and
vector representing the vector value if selected; the following example expression where(raster ==
1, 2, raster) is already entered, which sets 2 where raster equals 1, and leaves unchanged the
values where raster is not equal to 1;

Ejecutar

: deshace la última edición ráster (disponible solamente cuando se utiliza polígonos ROI);

RUN : edit the raster;

Filtrado de la Clasificación

Esta pestaña permite reemplazar valores de pequeños pixeles aislados con los valores con los del polígono vecino
más grande (basado en GDAL Sieve ). Es útil para remover manchas de la clasificación.
Selecciona la clasificación : selecciona un ráster (ya cargado en QGIS);

: recargar la lista de capas;

Tamaño de umbral : tamaño de la mancha que será reemplazada (en unidades de pixel); todas las
manchas más pequeñas que el número fijado serán reemplazadas por el valor del vecino cercano más grande;
Conexión de pixeles : selecciona el tipo de conexión de pixeles:
• 4: en una ventana 3x3, los pixeles diagonales no son considerados conectados;
• 8: en una ventana 3x3, los pixeles diagonales son considerados conectados;

Ejecutar

RUN : choose the output destination and start the calculation;

3.4. Ventana principal de la interfaz 85

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 44: Filtrado de la clasificación

Figura 45: Erosión de la clasificación

86 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Erosión de la clasificación

Esta pestaña permite remover el borde de una mancha de Clase (erosión), definiendo los valores de la Clase que
serán erosionados y el número de pixeles desde el borde. Es útil para el refinamiento de la clasificación.
Selecciona la clasificación : selecciona un ráster (ya cargado en QGIS);

: recargar la lista de capas;

Valores de Clase : establece los valores de Clase que serán erosionados; los valores de Clase pueden
estar separados por , y - pueden ser usados para definir un rango de valores (Ej. 1, 3-5, 8 seleccionará
las Clases 1, 3, 4, 5, 8); si el texto está rojo es porque la expresión contiene errores;

Tamaño en pixeles : número de pixeles que serán erosionados desde el borde;

Conexión de pixeles : selecciona el tipo de conexión de pixeles:
• 4: en una ventana 3x3, los pixeles diagonales no son considerados conectados;
• 8: en una ventana 3x3, los pixeles diagonales son considerados conectados;

Ejecutar

RUN : choose the output destination and start the calculation;

Dilatación de la Clasificación

Figura 46: Dilatación de la Clasificación

3.4. Ventana principal de la interfaz 87

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Esta pestaña permite la dilatación del borde de una mancha de Clase, definiendo los valores de la Clase a ser
dilatada y el número de pixeles desde el borde. Es útil para el refinamiento de la clasificación.
Selecciona la clasificación : selecciona un ráster (ya cargado en QGIS);

: recargar la lista de capas;

Valores de Clase : establece los valores de Clase que serán dilatados; los valores de Clase pueden estar
separados por , y - pueden ser usados para definir rangos de valores (Ej. 1, 3-5, 8 seleccionará las
Clases 1, 3, 4, 5, 8); si el texto está rojo es porque la expresión contiene errores;

Tamaño en pixeles : número de pixeles que serán dilatados desde el borde;

Conexión de pixeles : selecciona el tipo de conexión de pixeles:
• 4: en una ventana 3x3, los pixeles diagonales no son considerados conectados;
• 8: en una ventana 3x3, los pixeles diagonales son considerados conectados;

Ejecutar

RUN : choose the output destination and start the calculation;

3.4.7 Calculadora de Bandas

Figura 47: Calculadora de Bandas

La Calculadora de Bandas permite el cálculo para bandas ráster (i.e. calculo de valores de los pixeles)
usando funciones NumPy . Las bandas ráster deben estar ya cargadas en QGIS. Los rásters deben estar en la misma
proyección.

88 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Adicionalmente, es posible calcular un ráster usando Reglas de decisión.

Lista de Bandas

Lista de Bandas: es una tabla conteniendo la lista de bandas rásters de bandas simples (ya cargadas en QGIS);

• Variable: nombre variable definido automáticamente para cada banda (Ej. raster1, raster2);
• Nombre de banda: nombre de la banda (i.e. el nombre de la capa en QGIS);

: vuelve a cargar la lista de imágenes;

Expresión

Ingresa una espresión matemática para las bandas ráster. En particular, funciones NumPy pueden ser usadas con
el prefijo np. (Ej. np.log10(raster1) ). Para una lista de funciones NumPy mira la página de NumPy .
La expresión puede funcionar con ambos campos Variable y Nombre de banda (entre comillas dobles). Ade-
más, las bandas en el Conjunto de bandas (página 38) pueden ser referenciadas directamente; por ejemplo
bandset#b1 se refiere a la banda 1 del Conjunto de Bandas. Doble clic en cualquier elemento en la Lista
de Bandas (página 89) agrega su nombre a la expresión. Adicionalmente, las siguientes variables relacionadas con
Conjunto de bandas (página 38) están disponibles:
«#BLUE#»: la banda con el centro de longitud de onda cercano a 0.475 𝜇𝑚;
«#GREEN#»: the band with the center wavelength closest to 0.56 𝜇𝑚;
«#RED#»: la banda con el centro de longitud de onda cercano a 0.65 𝜇𝑚;
«#NIR#»: la banda con el centro de longitud de onda cercano a 0.85 𝜇𝑚;
Variables for output name are available:
#BANDSET#: the name of the first band in the Conjunto de bandas (página 38);
#DATE#: the current date and time (e.g. 20161110_113846527764);
Si el texto en la Expresión está verde, la sintaxis es correcta; si el texto está rojo, la sintaxis es incorrecta y no es
posible realizar los cálculos.
Es posible ingresar múltiples expresiones separadas por líneas nuevas como en el siguiente ejemplo:
"raster1" + "raster2"
"raster3" - "raster4"
Los ejemplos de arriba calculan dos rásters nuevas en el directorio de salida con el sufijo _1 (Ej.
calc_raster_1 ) para la primer expresión y _2 (Ej. calc_raster_2 ) para la segunda expresión. Ade-
más, es posible definir el nombre de salida usando el símbolo @ seguido por el nombre, como en el siguiente
ejemplo:
"raster1" + "raster2" @ calc_1
"raster3" - "raster4" @ calc_2
Los siguientes botones están disponibles:
+: más;
-: menos;
*: producto;
/ : división;
^: potencia;

3.4. Ventana principal de la interfaz 89

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

V: raíz cuadrada;
(: abrir paréntesis;
): cerrar paréntesis;
>: mayor que;
<: menor que;
ln: logaritmo natural;
𝜋: pi;
==: igual;
!=: no igual;
sin: seno;
asin: seno inverso;
cos: coseno;
acos: coseno inverso;
tan: tangente;
atan: tangente inversa;
donde: expresión condicional de acuerdo a la sintaxis where( condition , value if true,
value if false) (Ej. where("raster1" == 1, 2, "raster1"));
exp: exponencial natural;
SinDatos: valor SinDatos del ráster (Ej. nodata("raster1")); puede ser usado como valor de una
expresión (Ej. where("raster1" == nodata("raster1"), 0, "raster1"));

Cálculo de índice

Index calculation allows for entering a spectral index expression (see Índices espectrales (página 131)).
Cálculo de índice : lista de índices espectrales:
• NDVI: si está seleccionado, el cálculo de NDVI es ingresado en la Expresión ( (( "#NIR#" -
"#RED#") / ( "#NIR#" + "#RED#") @ NDVI) );
• EVI: si está seleccionado, el cálculo de EVI es ingresado en la Expresión ( 2.5 * ( "#NIR#"
- "#RED#" ) / ( "#NIR#" + 6 * "#RED#" - 7.5 * "#BLUE#" + 1) @
EVI );

: abre un archivo de texto (.txt) que contiene expresiones personalizadas para ser listadas en Cálculo
de Índice. El archivo de texto debe contener una expresión en cada línea; cada línea debe estar en la forma
nombre_de_expresión; expresión (separado por ;) donde el nombre_de_expresión es el
nombre que se mostrará en Cálculo de Índice. Si se abre un archivo vacío, los valores por defecto son
restituidos. A continuación, un ejemplo de contenido del texto:

NDVI; ( "#NIR#" - "#RED#" ) / ( "#NIR#" + "#RED#" ) @NDVI

EVI; 2.5 * ( "#NIR#" - "#RED#" ) / ( "#NIR#" + 6 * "#RED#" - 7.5 * "#BLUE#" +
˓→1) @EVI

SR; ( "#NIR#" / "#RED#" ) @SR

90 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Reglas de decisión

Reglas de decisión permite el cálculo de un ráster de salida basado en reglas. Las Reglas son declaraciones con-
dicionales basadas en otros rásters; si la Regla es verdadera, el correspondiente Valor es asignado al pixel de
salida.
Las Reglas son verificadas desde la primera a la última fila de la tabla; si la primer Regla es falsa, la siguiente
Regla es verificada para ese pixel, hasta la última regla. Si varias reglas son verdaderas para cierto pixel, el valor
de la primer Regla es asignado a ese pixel. El valor SinDatos es asignado a aquellos pixeles donde ninguna
Regla es verdadera.

Reglas de decisión: tabla conteniendo los siguientes campos;

• Valor: el valor asignado a los pixeles si la Regla es verdadera;
• Regla: la regla que será verificada (Ej. "raster1" > 0); múltiples declaraciones condiciona-
les pueden ser ingresadas separadas por ; (Ej. "raster1" > 0; "raster2" < 1 lo que
significa que establecerá el Valor donde raster1 > 0 and raster2 < 1);

: mueve la regla seleccionada hacia arriba;

: mueve la regla seleccionada hacia abajo;

: agrega una nueva fila ala tabla;

: elimina las filas seleccionadas de la tabla;

: borra la tabla;

: exporta las reglas a un archivo de texto que podrá ser importado después;

3.4. Ventana principal de la interfaz 91

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: importa reglas desde un archivo de texto;

Ráster de salida

El ráster de salida es un archivo .tif, con la misma resolución espacial y proyección que el ráster de entrada; si los
ráster de entrada tienen diferente resolución espacial, se usará la mayor resolución (i.e. menor tamaño de pixel)
para el ráster de salida.

Establecer valor SinDatos : si está seleccionado, establece el valor SinDatos a los pixeles del
ráster de salida;
Extensión: si las siguientes opciones están desactivadas, la extensión del ráster de salida abarcará la extensión de todos

• Intersección: si está seleccionado, la extensión del ráster de salida será igual a la intersección
con el ráster de entrada (i.e. extensión mínima);

• Igual que : si está seleccionada, la extensión del ráster de salida será igual que «Map
extent» (la extensión del mapa actualmente representada) o al de la capa seleccionada;

Alinear: si está marcado y Igual que está marcado seleccionando un raster, el cálculo se ejecuta
utilizando la misma extensión y alineación de píxeles del raster seleccionado.

RUN : if Expression is active and text is green, choose the output destination and start the cal-
culation based on Expression; if Decision rules is active and text is green, choose the output
destination and start the calculation based on Decision rules;

3.4.8 En Lotes

Esta pestaña permite la ejecución automática (lotes) de varias funciones de SCP usando una interfaz de script.

En Lotes

Entre un lote de expresiones; cada función debe estar en una línea nueva. Las Funciones tienen la siguiente
estructura:
nombre de la función; opciones de la función
Each function has options, identified by a name, with the following structure:
nombre de la opción: argumento de la opción
Las opciones deben estar separadas por el caracter ; . Cada opción de la función representa una opción en la
correspondiente interfaz de SCP; los argumentos de tipo texto deben estar entre el carácter ' ; en el caso de
casillas de verificación, el valor 1 significa seleccionado, mientras que el valor 0 significa no seleccionado. Una
nueva línea que comienza por ‘‘#‘‘debe ser utilizada para comentarios.
According to the function, some of the options are mandatory while other options can be omitted from the ex-
pression. Option names that contain path require the full path to a file. Some options require multiple arguments
such as lists; lists must be separated by , .
If the expression contains errors, the text is red. An expression check label is displayed with a brief description of
the error.

: borra la expresión;

92 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 48: En Lotes

: exporta el lote de expresiones a un archivo de texto;

: importa un lote de expresiones desde un archivo guardado anteriormente;

A table Functions is displayed at the right side; double click to insert a function in the expression; the following functions ar

Exactitud (página 76): calcula la exactitud (accuracy;classification_file_path

: '';reference_file_path : '';shapefile_field_name : '';
output_raster_path : '');
ASTER (página 62): ASTER conversion (aster_conversion;input_raster_path : '';
celsius_temperature : 0;apply_dos1 : 0;use_nodata : 1;nodata_value
: 0;create_bandset : 1;output_dir : '');
Calculadora de Bandas (página 88): cálculos de bandas (band_calc;expression
: '';output_raster_path : '';extent_same_as_raster_name : '';
extent_intersection : 1;set_nodata : 0;nodata_value : 0);
Band combination (página 71): band combination (band_combination;band_set : 1;
output_raster_path : '');
Class signature (página 80): class signature (class_signature;input_raster_path :
'';band_set : 1;save_signatures : 1;output_text_path : '');
Classification output (página 33): ejecuta la clasificación (classification;
use_macroclass : 0;algorithm_name : 'Minimum Distance';use_lcs :
0;use_lcs_algorithm : 0;use_lcs_only_overlap : 0;apply_mask : 0;
mask_file_path : '';vector_output : 0;classification_report : 0;
save_algorithm_files : 0;output_classification_path : '');

3.4. Ventana principal de la interfaz 93

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Dilatación de la Clasificación (página 87): dilatación de la clasificación

(classification_dilation;input_raster_path : '';class_values : '';
size_in_pixels : 1;pixel_connection : 4;output_raster_path : '');
Erosión de la clasificación (página 87): erosión de la clasificación (classification_erosion;
input_raster_path : '';class_values : '';size_in_pixels : 1;
pixel_connection : 4;output_raster_path : '');
Reporte de la clasificación (página 78): reporte de la clasificación (classification_report;
input_raster_path : '';use_nodata : 0;nodata_value : 0;
output_report_path : '');
Filtrado de la Clasificación (página 85): filtrado de la clasificación (classification_sieve;
input_raster_path : '';size_threshold : 2;pixel_connection : 4;
output_raster_path : '');
Clasificación a vectorial (página 81): convertir clasificación a vecto-
rial (classification_to_vector;input_raster_path : '';
use_signature_list_code : 1;code_field : 'C_ID';output_vector_path
: '');
Recortar múltiples rásters (página 66): recortar múltiples rásters (clip_multiple_rasters;
input_raster_path : '';output_dir : '';use_shapefile : 0;
shapefile_path : '';ul_x : '';ul_y : '';lr_x : '';lr_y : '';
nodata_value : 0;output_name_prefix : 'clip');
Cloud masking (página 70): cloud masking (cloud_masking;band_set :
1;input_raster_path : '';class_values : '';use_buffer : 1;
size_in_pixels : 1;nodata_value : 0;output_name_prefix : 'mask';
output_dir : '');
Clustering (página 73): clustering (clustering;band_set : 1;clustering_method
: 1;use_distance_threshold : 1;threshold_value : 0.0001;
number_of_classes : 10;max_iterations : 10;isodata_max_std_dev :
0.0001;isodata_min_class_size : 10;use_nodata : 0;nodata_value :
0;seed_signatures : 1;distance_algorithm : 1;save_signatures : 0;
output_raster_path : '');
Clasificación cruzada (página 79): Clasificación cruzada (cross_classification;
classification_file_path : '';use_nodata : 0;nodata_value
: 0;reference_file_path : '';shapefile_field_name : '';
output_raster_path : '');
Editar ráster (página 84): editar valores de ráster usando un archivo sha-
pe; (edit_raster_using_shapefile;input_raster_path : '';
input_vector_path : '';vector_field_name : '';constant_value : 0;
expression : 'where(raster == 1, 2, raster)');
Cambio de cobertura del suelo (página 77): calcula el cambio en la cobertura del sue-
lo (land_cover_change;reference_raster_path : '';new_raster_path :
'';output_raster_path : '');
Landsat (página 56): conversión de Landsat (landsat_conversion;input_dir :
'';mtl_file_path : '';celsius_temperature : 0;apply_dos1 : 0;
use_nodata : 1;nodata_value : 0;pansharpening : 0;create_bandset
: 1;output_dir : '');
MODIS (página 63): MODIS conversion (modis_conversion;input_raster_path
: '';reproject_wgs84 : 1;use_nodata : 1;nodata_value : -999;
create_bandset : 1;output_dir : '');
PCA (página 71): Análisis de Componentes Principales (pca;use_number_of_components
: 0, number_of_components : 2;use_nodata : 1;nodata_value : 0;
output_dir : '');

94 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Reclasificación (página 82): reclasificación del ráster (reclassification;

input_raster_path : '';value_list : 'oldVal-newVal;oldVal-newVal';
use_signature_list_code : 1;code_field : 'MC_ID';output_raster_path
: '');
Sentinel-2 (página 59): Sentinel-2 conversion (sentinel2_conversion;input_dir
: '';mtd_safl1c_file_path : '';apply_dos1 : 0;use_nodata : 1;
nodata_value : 0;create_bandset : 1;output_dir : '');
Sentinel-3 (página 60): Sentinel-3 conversion (sentinel3_conversion;input_dir : '';
apply_dos1 : 0;dos1_only_blue_green : 1;use_nodata : 1;nodata_value
: 0;create_bandset : 1;output_dir : '';band_set : 1);
Spectral distance (página 74): spectral distance of band sets (spectral_distance;
first_band_set : 1;second_band_set : 2;distance_algorithm : 1;
use_distance_threshold : 1;threshold_value : 0.1;output_dir : '');
Separar bandas ráster (página 67): separar el ráster en bandas simples (split_raster_bands;
input_raster_path : '';output_dir : '';output_name_prefix :
'split');
Stack raster bands (página 69): stack rasters into a single file (stack_raster_bands;
input_raster_path : '';output_raster_path : '');
Vectorial a ráster (página 65): convertir de vector a ráster (vector_to_raster;
vector_file_path : '';use_value_field : 1;vector_field_name : '';
constant_value : 1;reference_raster_path : '';type_of_conversion :
'Center of pixels';output_raster_path : '');
Adicionalmente, las siguientes funciones están disponibles:
Add a new band set: add a new empty band set (add_new_bandset;);
Agregar ráster a QGIS: agrega un ráster a QGIS (add_raster;input_raster_path : '';
input_raster_name : '');
Create band set: create a Band set assigning bands (create_bandset;raster_path_list :
'';center_wavelength : '';wavelength_unit : 1;multiplicative_factor
: '';additive_factor : '');
Abrir Entrada de Entrenamiento: abre un archivo de Entrada de Entrenamiento
(open_training_input;training_file_path : '');
Remove band set: remove a band set by the number thereof (remove_bandset;band_set : 1);
Select band set: select a band set (active band set) by the number thereof (select_bandset;
band_set : 1);
Establecer directorio de trabajo: estable el directorio de trabajo (el argumento es la ruta al directorio)
(!working_dir!;'');
Si el directorio de trabajo está definido, !working_dir! puede ser ingresado en otras funciones donde
la ruta es requerida (e.g. add_raster;input_raster_path : '!working_dir!/raster1.tif';
input_raster_name : 'raster1.tif'); An example of batch expression is:

!working_dir!; '/home/user/Desktop/temp/'
add_raster;input_raster_path : '!working_dir!/raster1.tif';input_raster_name :
˓→'raster1.tif'

band_calc;expression : 'where("raster1.tif" > 1, 1,0)';output_raster_path : '!

˓→working_dir!/calc1.tif';set_nodata : 1;nodata_value : 0

band_calc;expression : '"raster1.tif" * "calc1.tif"';output_raster_path : '!

˓→working_dir!/calc2.tif';extent_intersection : 0

3.4. Ventana principal de la interfaz 95

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Ejecutar

RUN : if text in the batch expression is green, start the batch processes;

3.4.9 Configuración

La pestaña Configuración permite la personalización de SCP.

Procesando

Figura 49: Procesado

Procesos para la Clasificación

Reproducir sonido cuando termina : si está seleccionado, reproduce un sonido cuando el proceso
de clasificación se completa;

Usar ráster virtual para archivos temporales : si está seleccionado, crea rásters virtuales para
ciertos archivos temporales, en lugar de crear rásters reales; es útil para reducir el uso del espacio en disco
durante los cálculos;

Compresión Ráster : si está seleccionado, se aplica la compresión sin pérdidas (DEFLATE or

PACKBITS) a los rásters de salida con el fin de ahorrar espacio en disco; es recomendable seleccionar esta
opción, sin embargo los archivos comprimidos a veces son más grandes que los archivos sin comprimir;

96 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

SMTP process notification

SMTP server : the SMTP server to login for sending a notification email when all the SCP
processes are finished (a notification is sent also in case of error, but not in case of crash);

user : the SMTP server user;

password : the SMTP server password;

Send email of completed process to : a list of addresses (separated by comma) to send the notifi-
cation email to;

RAM

RAM disponible (MB) : asigna la memoria RAM (en MB) disponible que es usada durante los
procesos con el fin de mejorar el desempeño de SCP ; este valor debería ser la mitad de la RAM del sistema
(Ej. 1024MB si el sistema tiene 2GB de RAM); en caso de errores, establezca a un valor menor que 512;
http://www.youtube.com/watch?v=KDI3ud9L6UY

Directorio temporal

: selecciona un nuevo directorio temporal cuando los archivos temporales son guardados durante
los procesamientos; la ruta del directorio temporal actual es mostrada; por defecto es el directorio temporal
del sistema;

: restaura el directorio temporal al valor por defecto;

Interfaz

Personalización de la interfaz.

Nombres de campo del Entrada de Entrenamiento

Establece los nombres de campo en el Training input (página 24) . El cambio de los nombres de campo por regla
general debe ser evitado.

Campo MC ID : nombre del campo ID de la Macroclase (por defecto MC_ID);

Campo MC Info : nombre del campo de información de la Macroclase (por defecto MC_info);

Campo C ID : nombre del campo ID de la Clase (por defecto is C_ID);

Campo C Info : nombre del campo de información de la Clase (por defecto C_info);

: restaura los nombres de campo a los valores por defecto;

3.4. Ventana principal de la interfaz 97

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 50: Interfaz

Estilo del ROI

Cambia el color y la transparencia del ROI para una mejor visualización de los ROIs temporales en el mapa.

Color del ROI : botón para cambiar el color del ROI;

Transparencia : cambia la transparencia del ROI;

: restaura el color y la transparencia del ROI a los valores por defecto;

Nombre de variable para expresiones

Establece el nombre de variable usado por las expresiones en la Reclasificación (página 82) y Editar ráster (pági-
na 84) .

Nombre de variable : establece el nombre de variable (por defecto raster);

: restaura el nombre de la variable al nombre por defecto;

Nombre temporal de grupo

Establece el Nombre temporal de grupo en el Panel de Capas de QGIS usado por las capas temporales .

Nombre de grupo : establece el nombre de grupo (por defecto Class_temp_group);

98 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: restaura el nombre de grupo al valor por defecto;

Panel

Descarga noticias al inicio: si está seleccionado, las noticias sobre SCP y los servicios relacionados
son descargados al inicio y mostrados en el PanelDock;

Depurar

Figura 51: Depurar

Utiliidades de Depurado para la creación de un archivo Log (i.e. grabación de actividades del SCP para reportar
problemas) y verificar dependencias del SCP.
http://www.youtube.com/watch?v=So04gNzDC9Y
Si encuentras algún error en el complemento, por favor lee ¿Cómo puedo reportar un error? (página 231) .

Archivo Log

Guardar eventos en un archivo Log : si está seleccionado, guarda los eventos en un archivo Log;

: exporta el archivo Log (i.e. en un archivo .txt);

: borra el contenido de un archivo Log;

3.4. Ventana principal de la interfaz 99

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Prueba

Test dependencies : test SCP dependencies (GDAL, GDAL subprocess, NumPy, SciPy, Matplotlib,
Internet connection); results are displayed in a window;

3.5 Gráfico de Firmas Espectrales

La ventana Gráfico de Firmas Espectrales incluye varias funciones para mostrar los valores de las firmas espec-
trales en función de las longitudes de onda (definidas en el Conjunto de bandas (página 38)). Se pueden agregar
Firmas al Gráfico de Firmas Espectrales a través del SCP dock (página 23).
La ventana del Gráfico de Firma Espectral incluye además algunas funciones útiles para la definición de ran-
go de valores usados por el Clasificación por Firmas de Cobertura del Suelo (página 124) (mira Umbral LCS
(página 50)).
Las Firmas sobrepuestas (pertenecientes a diferentes Clases o Macroclases) son resaltadas en naranja en la tabla
Lista de Firmas (página 101); la evaluación de sobreposición es efectuada considerando MC ID o C ID de acuerdo

a la configuración Usar MC ID C ID en Algorithm (página 30). Las Frimas sobrepuestas que comparten
el mismo ID no son resaltadas..

Figura 52: Gráfico de Firmas Espectrales

100 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

3.5.1 Lista de Firmas

Lista de firmas:
• S: cuadro de selección; si está seleccionado, la firma espectral es mostrada en el gráfico;
• MC ID: Macroclase ID de la firma;
• MC Info: Información de Macroclase de la firma;
• C ID: Clase ID de la firma;
• C Info: Información de Clase de la firma;
• Color [overlap MC_ID-C_ID]: color de la firma; además, la combinación MC ID-C ID es mostra-
da en caso de existir solapamiento con otras firmas (mira Clasificación por Firmas de Cobertura
del Suelo (página 124));
• Min B X: valor mínimo de la banda X; este valor puede ser editado;
• Max B X: valor máximo de la banda X; este valor puede ser editado;

: elimina las firmas seleccionadas de esta lista;

: agrega las firmas espectrales seleccionadas a la ROI Signature list (página 27);

: calcula las distancias espectrales de las firmas espectrales graficadas; las distancias son presentadas
en la pestaña Distancias espectrales (página 105);

Umbrales automáticos

Establece automáticamente los umbrales para las firmas seleccionadas en la tabla Lista de Firmas (página 101); si
ninguna firma está seleccionada, el umbral es aplicado a todas las firmas.

Min Max : establece el umbral basado en los mínimos y máximos de cada banda;

𝜎* : establece un umbral automático calculado como (valor de banda + (𝜎 * v)), donde 𝜎 es la

desviación estándar de cada banda y v es el valor definido en este cuadro;

: revierte el último umbral automático;

Desde ROI : establece los umbrales usando los valores de pixeles del ROI temporal;

• +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es
aplicada a la opción Desde pixel;

• –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado.
Solo es aplicada a la opción Desde pixel;

Desde pixel : establece el umbral haciendo clic en un pixel, de acuerdo a las siguientes casillas de verificación:

• +: si está seleccionado, el umbral de firma se extiende para incluir la firma del pixel. Solo es
aplicada a la opción Desde pixel;

3.5. Gráfico de Firmas Espectrales 101

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

• –: si está seleccionado, el umbral de firma se reduce para excluir la firma del pixel pinchado.
Solo es aplicada a la opción Desde pixel;

Gráfico

Clic izquierdo y mantenlo pulsado dentro del gráfico para mover la vista del gráfico. Usa la rueda del ratón para
acercar y alejar la vista del gráfico. Clic derecho y mantenlo presionado dentro del gráfico para acercar en un
área específica del gráfico. La Leyenda dentro del gráfico puede moverse usando el ratón.
Controles del gráfico:

: ajusta automáticamente el gráfico a los datos;

: guarda la imagen del gráfico en un archivo (formatos disponibles son .jpg, .png, and .pdf);

: activa el cursor para cambiar interactivamente el rango de valores de las firmas seleccionadas en el
gráfico; clic en el gráfico para establecer los valores mínimo y máximo de una banda (incluso para varias
firmas simultáneamente); el cursor se desactiva cuando se mueve fuera del área del gráfico;

Gráficar rango de valores: si está seleccionado, grafica el valor de los rangos para cada firma (área
semi-transparente);

Líneas de bandas: si está seleccionado, muestra una línea vertical para cada banda (centro de la longitud
de onda);

Cuadrícula: si está seleccionado, muestra la cuadrícula;

Caracteres Máx : estable el largo máximo del texto en la leyenda;

x y: muestra las coordenadas x y del cursor del ratón dentro del gráfico;

Figura 53: Firma Espectral: Ejemplo del gráfico de firmas espectrales

Detalles de firmas

Muestra los detalles acerca de las firmas espectrales (i.e. Longitud de onda, Valores, Desviación Estándar). En el
caso de las firmas calculadas desde ROIs, el tamaño del ROI (número de pixeles) es también mostrado.

102 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 54: Firma espectral: Detalles de firmas

Figura 55: Firma Espectral: Ejemplo de detalles de firmas

3.5. Gráfico de Firmas Espectrales 103

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 56: Firma Espectral: Distancias espectrales

104 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Distancias espectrales

Muestra las distancias espectrales de las firmas (mira Lista de Firmas (página 101)), las cuales son útiles para
evaluar la separabilidad del ROI (mira Distancia Espectral (página 127)).
Las siguientes distancias espectrales son calculadas :
Jeffries-Matusita Distance (página 127): range [0 = identical, 2 = different]; útil en particular para
clasificaciones de Máxima Probabilidad (página 123) ;
Angulo Espectral (página 128): range [0 = identical, 90 = different]; útil en particular para clasifica-
ciones de Mapeo del Angulo Espectral (página 124) ;
Distancia Euclidiana (página 128): útil en particular para clasificaciones de Distancia mínima (pági-
na 122) ;
Similaridad de Bray-Curtis (página 128): range [0 = different, 100 = identical]; útil en general;
Los valores son mostrados en rojo si las firmas son particularmente similares.

Figura 57: Firma Espectral: Ejemplo de distancias espectrales

3.6 Gráfico de Dispersión

La ventana del Gráfico de dispersión despliega valores de pixel de dos bandas ráster como puntos en un espacio
2D. Los Diagramas de Dispersión son útiles para determinar la separación del ROI entre dos bandas.
Las funciones se describen en detalle en los siguiente parrafos

3.6.1 Listado de Dispersión

Listado de Dispersión:
• S: cuadro de selección; si está mseleccionado, la firma espectral es mostrada en el gráfico;
• MC ID: Macroclase ID de la firma;
• MC Info: Información de Macroclase de la firma;
• C ID: Clase ID de la firma;
• C Info: Información de Clase de la firma;

3.6. Gráfico de Dispersión 105

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 58: Gráfico de Dispersión

106 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

• Color: campo de color; doble clic para seleccionar un color para el gráfico;

Banda X : banda X en el gráfico;

Banda Y : banda Y en el gráfico;

Precisión : usa una precisión personalizada para los cálculos (la precisión debe ser seleccionada de acuerdo a

• 4 = 10−4
• 3 = 10−3
• 2 = 10−2
• 1 = 10−1
• 0=1
• -1 = 10
• -2 = 102
• -3 = 103

Calcular : calcula el gráfico de dispersión para los ROIs marcados en S de la lista;

: elimina las firmas seleccionadas de esta lista;

: agrega un gráfico de dispersión temporal al listado (como MC Info = tempScatter) e inicia el

cálculo del gráfico del último ROI temporal (mira Barra de Trabajo (página 34));

: agrega un gráfico de dispersión temporal al listado (como MC Info = tempScatter) e inicia el

cálculo del gráfico de los pixeles en la extensión actual de la pantalla;

: agrega un gráfico de dispersión temporal al listado (como MC Info = tempScatter) e inicia el

cálculo del gráfico de toda la imagen;
ADVERTENCIA: Usar un valor de precisión demasiado alto puede resultar en cálculos lentos
o fallas.

Ráster de Dispersión

Esta herramienta permite dibujar polígonos de selección dentro del gráfico de dispersión; estos polígonos de
selección son usados para crear un Ráster de Dispersión que es un ráster temporal clasificado de acuerdo a la
intersección de los gráficos de dispersión y los polígonos dibujados.
Pixeles del active band set son clasificados, de acuerdo a los diagramas de dispersión de las bandas, si el valor de
un pixel está entre el rango de intersección entre los diagramas de dispersión y los polígonos seleccionados (Los
polígonos no deben sobreponerse). El valor es asignado a los Scatter raster pixeles in los numeros secuenciales
de los polígonos seleccionados; también el color del raster es derivado de los polígonos seleccionados.
Después de la creación de un nuevo Ráster de Dispersión, los rásters antiguos son colocados en el Panel de
Capas de QGIS dentro de un grupo llamado Class_temp_group (se puede definir un nombre personalizado
en Nombre temporal de grupo (página 98)) y son eliminados cuando se cierra la sesión de QGIS.

: activa el cursor para dibujar interactivamente un polígono en el gráfico; clic izquierdo en el gráfico
para definir los vértices y clic derecho para definir el último vértice y cerrar el polígono;
color: selecciona el color del polígono (el cual es usado también en el Ráster de Dispersión);

3.6. Gráfico de Dispersión 107

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

: elimina todos los polígonos del gráfico;

: calcula el Ráster de Dispersión y lo despliega en el mapa;

: calcula la firma espectral del Scatter raster (considerando todos los pixeles clasificados) usando el
active band set, y guarda la firma en la ROI Signature list (página 27);
Extensión : extensión del Ráster de Dispersión; las opciones disponibles son:
• Igual a pantalla: la extensión es la misma que la del mapa;
• Igual a imagen: la entensión es la misma que la de toda la imagen;

Gráfico

Clic izquierdo mantenlo presionado dentro del gráfico para mover la vista del gráfico. Usa la rueda del ratón
para acercar y alejar la vista del gráfico. Clic derecho y mantelo presionado dentro del gráfico para acercar en
un área específica del gráfico.

Rampa de color : selecciona la rampa de colores que se aplica a los gráficos de dispersión se-

leccionados en la lista cuando es presionado; si no está seleccionado ningún gráfico de dispersión la

rampa de colores se aplica a todos los gráficos de dispersión;

: ajusta automáticamente el gráfico a los datos;

: guarda la imagen del gráfico en un archivo (formatos disponibles son .jpg, .png, y .pdf);
x y: muestra las coordenadas x y del cursor del ratón dentro del gráfico;

3.7 SCP Barra de Herramientas de edición

El SCP Edit Toolbar permite la edición directa del valor del pixel en el raster de entrada definido en Editar ráster
(página 84) usando los polígonos del ROI. Solo los pixeles por debajo de los polígonos ROI son editados.

: abre la herramienta SCP Edit Toolbar para seleccionar el raster de entrada;

: edita el raster usando el valor seleccionado;

: edita el raster usando el valor seleccionado;

: edita el raster usando el valor seleccionado;

: deshace la última edición ráster (disponible solamente cuando se utiliza polígonos ROI);

108 Capítulo 3. La Interfaz de SCP

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 59: Ejemplo de Gráfico de Dispersión

Figura 60: SCP Herramientas

3.7. SCP Barra de Herramientas de edición 109

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Las funciones explicadas en los siguientes párrafos usan estas convenciones:

= Ingresar fecha

= Ingresar texto
= Lista
= Introducir número

= Opcional

= Configuración guardada en el proyecto activo de QGIS

= Configuración guardada en el registro de QGIS

= Deslizador

= Tabla

110 Capítulo 3. La Interfaz de SCP

 CAPÍTULO 4

Breve Introducción a la Teledetección

Definiciones Básicas (página 112)

• Definición de SIG (página 112)
• Definición de Teledetección (página 112)
• Sensores (página 114)
• Radiancia y Reflectancia (página 114)
• Firma Espectral (página 114)
• Cobertura del suelo (página 114)
Satélites multiespectrales (página 115)
• Satélites Landsat (página 115)
• Satélite Sentinel-2 (página 116)
• Satélite Sentinel-3 (página 117)
• Satélite ASTER (página 117)
• Productos MODIS (página 118)
Clasificación de la Cobertura Terrestre (página 119)
• Clasificación supervisada (página 119)
• Composición de Color (página 119)
• Áreas de entrenamiento (página 120)
• Clases y Macroclases (página 121)
• Algoritmos de clasificación (página 121)
• Distancia Espectral (página 127)
• Resultado de la Clasificación (página 129)
• Evaluación De la Exactitud (página 129)
Image processing (página 130)

111
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

• Análisis de Componentes Principales (página 130)

• Pan-sharpening (página 131)
• Índices espectrales (página 131)
• Clustering (página 132)
Conversión de la imagen a Reflectancia (página 133)
• Radiancia en el sensor. (página 134)
• Reflectancia en el Techo de la Atmósfera (TOA) (página 134)
• Reflectancia de la Superficie (página 135)
• Corrección DOS1 (página 135)
Conversión a temperatura (página 137)
• Conversión a Temperatura de Brillo en el Satélite (página 137)
• Estimación de la Temperatura de Superficie del Suelo (página 138)
Referencias (página 139)

4.1 Definiciones Básicas

Este capítulo proporciona definiciones básicas sobre SIG y teledetección. Para otros recursos útiles mira Recursos
gratis y valiosos sobre teledetección y SIG (página 234).

4.1.1 Definición de SIG

Existen muchas definiciones de SIG (Sistemas de Información Geográfica) que no es simplemente un programa.
En general los SIG son sistemas que permiten el uso de información geográfica (los datos tienen coordenadas
espaciales). En particular, los SIG permiten ver, consultar, calcular y realizar análisis espaciales de los datos, que
principalmente son de tipo ráster y vectorial. Los datos vectoriales están formados por objetos que pueden ser
puntos, líneas y polígonos; cada objeto puede tener uno o más atributos con valores. Un ráster es una cuadrícula
(o imagen) en la que cada celda tiene un atributo con valores (Fisher and Unwin, 2005). Muchas aplicaciones SIG
utilizan imágenes ráster que son obtenidas con sensores remotos.

4.1.2 Definición de Teledetección

Una definición general de Teledetección es «la ciencia y la tecnología por medio de la cual las características
de los objetos de interés pueden ser identificados, medidos o se pueden analizar sus características sin contacto
directo» (JARS, 1993).
Normalmente, la teledetección es la medición de la energía que es emanada desde la superficie de la Tierra. Si la
fuente de la energía medida es el Sol, entonces es llamada teledetección pasiva, y el resultado de esta medición
puede ser una imagen digital (Richards and Jia, 2006). Si la energía medida no es emitida por el Sol y es emitida
desde el sensor de la plataforma es definida como teledetección activa, como los sensores de radar que trabajan
en el rango de las microondas (Richards and Jia, 2006).
El espectro electromagnético es «el sistema que clasifica, según las longitudes de onda, toda la energía (desde
onda corta cósmica hasta onda larga de radio) que se mueve, armónicamente, a la velocidad constante de la luz»
(NASA, 2013). Los sensores pasivos miden la energía en la región óptica del espectro electromagnético, que
incluye el visible, infrarrojo cercano (i.e. IR), infrarrojo medio SWIR, y el infrarrojo térmico (ver Figura Espectro
Electromagnético (página 113)).

112 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 1: Espectro Electromagnético

by Victor Blacus (SVG version of File:Electromagnetic-Spectrum.png)
4.1. Definiciones Básicas (http://creativecommons.org/licenses/by-sa/3.0)]
[CC-BY-SA-3.0 113
via Wikimedia Commons
http://commons.wikimedia.org/wiki/File %3AElectromagnetic-Spectrum.svg
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

La interacción entre la energía solar y los materiales depende de la longitud de onda. La energía llega desde desde
el Sol hasta la Tierra y de ahí hacia el sensor. A lo largo de esta trayectoria, la energía solar atraviesa varios
medios y puede ser (NASA, 2013):
Transmitida - La energía atraviesa de un medio a otro con un cambio en su velocidad determinado por el
índice de refracción de los dos medios.
Absorbida - La energía se incorpora a la estructura molecular del material.
Reflejada - La energía regresar sin cambio con un ángulo de reflexión igual al ángulo de incidencia. La re-
flectancia es la proporción de energía reflejada con respecto a la energía incidente en un cuerpo. La longitud
de onda reflejada (no la absorbida) determina el color de un objeto.
Dispersada - La dirección de propagación de la energía cambia aleatoriamente. La dispersión de Rayleigh
y la de dispersión de Mie son los dos tipos más importantes de dispersión que ocurren en la atmósfera.
Emitida - De hecho, la energía es primero absorbida y luego re-emitida, generalmente con una longitud de
onda mayor. El objeto se calienta.

4.1.3 Sensores

Los Sensores pueden estar a bordo de aeroplanos o de satélites, midiendo la radiación electromagnética en rangos
específicos (normalmente llamadas bandas). Como resultado, las mediciones son cuantificadas y convertidas en
una imagen digital, donde cada elemento de la imagen (i.e. pixel) tiene un valor discreto en unidades de Digital
Number (DN) (NASA, 2013). Las imágenes resultantes tienen diferentes características (resoluciones) dependien-
do del sensor. Existen diferentes tipos de resoluciones:
Resolución Espacial, normalmente media en tamaño de pixel, «es el poder de resolución que necesita un
instrumento para la discriminación de entidades y está basada en el tamaño del detector, longitud focal, y
la altitud del sensor» (NASA, 2013); la resolución espacial es también denominada resolución geométrica
o IFOV;
Resolución Espectral, es el número y localización en el espectro electromagnético (definido por dos lon-
gitudes de onda) de la banda espectral (NASA, 2013) en sensores multiespectrales, para cada banda corres-
ponde una imagen;
Resolución Radiométrica, normalmente medida en bits (dígitos binarios), es el rango de valores de brillo
disponibles, los cuales en la imagen corresponden al máximo rango de DNs; por ejemplo una imagen con 8
bit de resolución tiene 256 niveles de brillo (Richards and Jia, 2006);
Para sensores satelitales, existe también la resolución temporal, que es el tiempo requerido para la revisita
de la misma área de la Tierra (NASA, 2013).

4.1.4 Radiancia y Reflectancia

Los sensores miden la radiancia, la cual corresponde a la energía enviada en una dirección dada hacia el sensor;
es también útil definir la reflectancia como la relación entre la reflejada contra la potencia total de energía.

4.1.5 Firma Espectral

La firma espectral es la reflectancia en función de la longitud de onda (mira Figura Curvas de Reflectancia
Espectral de Cuatro Objetivos (página 115)); cada material tiene una firma única, por lo tanto puede ser usada
para la clasificación de materiales (NASA, 2013).

4.1.6 Cobertura del suelo

La Cobertura del suelo es el material en la superficie terrestre, tal como tierra, vegetación, agua, asfalto, etc.
(Fisher and Unwin, 2005). Dependiendo de las resoluciones del sensor, el número y tipo de clases coberturas del
suelo que pueden ser identificadas en una imagen pueden variar significativamente.

114 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 2: Curvas de Reflectancia Espectral de Cuatro Objetivos

(desde NASA, 2013)

4.2 Satélites multiespectrales

Hay varios satélites con diferentes características que adquieren imágenes multiespectrales de la superficie te-
rrestre. Los siguientes satélites son particularmente útiles para el monitoreo de la cobertura del suelo porque las
imágenes se proporcionan de forma gratuita y se pueden descargar directamente desde: guilabel: SCP; Se han
adquirido datos durante las últimas décadas y el archivo está creciendo continuamente con imágenes recientes.

4.2.1 Satélites Landsat

Landsat es un conjunto de satélites desarrollados por la NASA (National Aeronautics and Space Administration
of USA), desde comienzos de los 1970’s.
Las imágenes Landsat son muy utilizadas para la investigación ambiental. Las resoluciones de los sensores Land-
sat 4 y Landsat 5 se presentan en la siguiente tabla (desde http://landsat.usgs.gov/band_designations_landsat_
satellites.php); además, la resolución temporal de Landsat es de 16 días (NASA, 2013).
Bandas Landsat 4 y Landsat 5

Bandas Landsat 4, Landsat 5 Longitud de Onda [micrómetros] Resolución [metros]

Banda 1 - Azul 0.45 - 0.52 30
Banda 2 - Verde 0.52 - 0.60 30
Banda 3 - Rojo 0.63 - 0.69 30
Banda 4 - Infrarrojo Cercano (NIR) 0.76 - 0.90 30
Banda 5 - SWIR 1.55 - 1.75 30
Banda 6 - Infrarrojo Térmico 10.40 - 12.50 120 (remuestreada a 30)
Banda 7 - SWIR 2.08 - 2.35 30

Las resoluciones del sensor Landsat 7 se presentan en la siguiente tabla (desde http://landsat.usgs.gov/band_
designations_landsat_satellites.php); además, la resolución temporal de Landsat es de 16 días (NASA, 2013).
Bandas Landsat 7

4.2. Satélites multiespectrales 115

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Bandas Landsat 7 Longitud de Onda [micrómetros] Resolución [metros]

Banda 1 - Azul 0.45 - 0.52 30
Banda 2 - Verde 0.52 - 0.60 30
Banda 3 - Rojo 0.63 - 0.69 30
Banda 4 - Infrarrojo Cercano (NIR) 0.77 - 0.90 30
Banda 5 - SWIR 1.57 - 1.75 30
Banda 6 - Infrarrojo Térmico 10.40 - 12.50 60 (remuestrada a 30)
Banda 7 - SWIR 2.09 - 2.35 30
Banda 8 - Pancromática 0.52 - 0.90 15

Las resoluciones del sensor Landsat 8 se presentan en la siguiente tabla (desde http://landsat.usgs.gov/band_
designations_landsat_satellites.php); además, la resolución temporal de Landsat es de 16 días (NASA, 2013).
Bandas Landsat 8

Bandas Landsat 8 Longitud de Onda [micrómetros] Resolución [metros]

Banda 1 - Coastal aerosol 0.43 - 0.45 30
Banda 2 - Azul 0.45 - 0.51 30
Banda 3 - Verde 0.53 - 0.59 30
Banda 4 - Rojo 0.64 - 0.67 30
Banda 5 - Infrarrojo Cercano (NIR) 0.85 - 0.88 30
Banda 6 - SWIR 1 1.57 - 1.65 30
Banda 7 - SWIR 2 2.11 - 2.29 30
Banda 8 - Pancromática 0.50 - 0.68 15
Banda 9 - Cirrus 1.36 - 1.38 30
Banda 10 - Infrarrojo Térmico (TIRS) 1 10.60 - 11.19 100 (remuestreada a 30)
Banda 11 - Infrarrojo Térmico (TIRS) 2 11.50 - 12.51 100 (remuestreada a 30)

Un vasto archivo de imágenes está disponible gratuitamente desde el Servicio Geológico de EE. UU. <http://www.
usgs.gov/> .Para obtener más información sobre cómo descargar imágenes Landsat libremente, lea esto.
Las imágenes están identificadas por sus paths y rows del WRS (Worldwide Reference System for Landsat ).

4.2.2 Satélite Sentinel-2

Sentinel-2 es un satélite multiespectral desarrollado por la European Space Agency (ESA) en el marco del Coper-
nicus land monitoring services. Sentinel-2 adquiere 13 bandas espectrales con resolución espectral de 10m, 20m
y 60m dependiendo de la banda, como se ilustra en la siguiente tabla (ESA, 2015).
Bandas Sentinel-2

Bandas Sentinel-2 Longitud de Onda Central [micrómetros] Resolución [metros]

Banda 1 - Coastal aerosol 0.443 60
Banda 2 - Azul 0.490 10
Banda 3 - Verde 0.560 10
Banda 4 - Rojo 0.665 10
Banda 5 - Vegetation Red Edge 0.705 20
Banda 6 - Vegetation Red Edge 0.740 20
Banda 7 - Vegetation Red Edge 0.783 20
Banda 8 - NIR 0.842 10
Banda 8A - Vegetation Red Edge 0.865 20
Banda 9 - Water vapour 0.945 60
Banda 10 - SWIR - Cirrus 1.375 60
Banda 11 - SWIR 1.610 20
Banda 12 - SWIR 2.190 20

116 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Las imágenes de Sentinel-2 están disponibles gratuitamente en el sitio web de la ESA https://scihub.copernicus.eu.

4.2.3 Satélite Sentinel-3

** Sentinel-3 ** es un satélite desarrollado por la Agencia Espacial Europea (ESA) en el marco de Copernicus
<http://copernicus.eu/> _ servicios de monitoreo terrestre. Lleva varios instrumentos, en particular el Instrumento
de color de mar y tierra (Ocean and Land Color Instrument OLCI) es un espectrómetro de imagen de escoba de
empuje que adquiere 21 bandas en el rango de 0.4-1.02 𝜇m con un ancho de franja de 1,270 km y una resolución
espacial de 300 m (ESA, 2013).
:guilabel:‘ Bandas Sentinel-3‘

Sentinel-3 Bands Longitud de Onda Central [micrómetros]

Oa1 0.400
Oa2 0.4125
Oa3 0.4425
Oa4 0.490
Oa5 0.510
Oa6 0.560
Oa7 0.620
Oa8 0.665
Oa9 0.67375
Oa10 0.68125
Oa11 0.70875
Oa12 0.75375
Oa13 0.76125
Oa14 0.764375
Oa15 0.7675
Oa16 0.77875
Oa17 0.865
Oa18 0.885
Oa19 0.900
Oa20 0.940
Oa21 1.020

4.2.4 Satélite ASTER

El satélite ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) fue lanzado en 1999 por
la colaboración entre el Japanese Ministry of International Trade and Industry (MITI) y la NASA. ASTER tiene
14 bandas cuyas resoluciones espaciales varían con las longitudes de onda: 15m en el visible e infrarrojo cercano,
30m en el infrarrojo medio, y 90m en el infrarrojo térmico (USGS, 2015). Las bandas ASTER son presentadas
en la siguiente tabla (debido a una falla del sensor los datos SWIR adquiridos desde Abril 1, 2008 no están
disponibles ). La banda adicional 3B (backwardlooking near-infrared) proporciona una cobertura stereo.
Bandas ASTER

4.2. Satélites multiespectrales 117

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Bandas ASTER Longitud de Onda [micrómetros] Resolución [metros]

Banda 1 - Verde 0.52 - 0.60 15
Banda 2 - Rojo 0.63 - 0.69 15
Banda 3N - Infrarrojo Cercano (NIR) 0.78 - 0.86 15
Banda 4 - SWIR 1 1.60 - 1.70 30
Banda 5 - SWIR 2 2.145 - 2.185 30
Banda 6 - SWIR 3 2.185 - 2.225 30
Banda 7 - SWIR 4 2.235 - 2.285 30
Banda 8 - SWIR 5 2.295 - 2.365 30
Banda 9 - SWIR 6 2.360 - 2.430 30
Banda 10 - TIR 1 8.125 - 8.475 90
Banda 11 - TIR 2 8.475 - 8.825 90
Banda 12 - TIR 3 8.925 - 9.275 90
Banda 13 - TIR 4 10.25 - 10.95 90
Banda 14 - TIR 5 10.95 - 11.65 90

4.2.5 Productos MODIS

El ** MODIS ** (Espectroradiómetro de Imágenes de Resolución Moderada) es un instrumento que opera en

los satélites Terra y Aqua lanzado por la NASA en 1999 y 2002, respectivamente. Sus resoluciones temporales
permiten ver toda la superficie de la Tierra cada uno o dos días, con un ancho de franja de 2.330 km. Sus sensores
miden 36 bandas espectrales en tres resoluciones espaciales: 250m, 500m y 1,000m. ( ver https://lpdaac.usgs.gov/
dataset_discovery/modis).
Hay varios productos disponibles, como la reflectancia de la superficie y los índices de vegetación. En este manual
estamos considerando las bandas de reflectancia de superficie disponibles a una resolución espacial de 250 m y
500 m (Vermote, Roger, & Ray, 2015).
Bandas MODIS

Bandas MODIS Longitud de Onda [micrómetros] Resolución [metros]

Banda 1 - Rojo 0.62 - 0.67 250 - 500
Banda 2 - Infrarrojo Cercano (NIR) 0.841 - 0.876 250 - 500
Banda 3 - Azul 0.459 - 0.479 500
Banda 4 - Verde 0.545 - 0.565 500
Band 5 - SWIR 1 1.230 - 1.250 500
Banda 6 - SWIR 2 1.628 - 1.652 500
Band 7 - SWIR 3 2.105 - 2.155 500

Los siguientes productos (Versión 6, ver https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table)

estan disponibles para descargar (Vermote, Roger, & Ray, 2015):
MOD09GQ: reflectancia diaria a una resolución espacial de 250 m de Terra MODIS;
MYD09GQ: reflectancia diaria a una resolución espacial de 250 m de Aqua MODIS;
MOD09GA: reflectancia diaria a una resolución espacial de 500 m de Terra MODIS;
MYD09GA: reflectancia diaria a una resolución espacial de 500 m de Aqua MODIS;
MOD09Q1: reflectancia a una resolución espacial de 250 m, que es un compuesto de MOD09GQ (cada
píxel contiene la mejor observación posible durante un período de 8 días);
MYD09Q1: reflectance at 250m spatial resolution, which is a composite of MYD09GQ (each pixel contains
the best possible observation during an 8-day period);
MOD09A1: reflectance at 250m spatial resolution, which is a composite of MOD09GA (each pixel contains
the best possible observation during an 8-day period);

118 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

MYD09A1: reflectance at 250m spatial resolution, which is a composite of MYD09GA (each pixel contains
the best possible observation during an 8-day period);

4.3 Clasificación de la Cobertura Terrestre

This chapter provides basic definitions about land cover classifications.

4.3.1 Clasificación supervisada

Una clasificación semi-automática (también llamada una clasificación supervisada) es una técnica de procesa-
miento de imágenes que permite la identificación de materiales en una imagen a partir de sus firmas espectrales.
Existen varios tipos de algoritmos de clasificación, pero el propósito general es producir un mapa temático de la
cobertura del suelo.
El procesamiento de imágenes y el análisis espacial con SIG requieren de software específico, tal como el Semi-
Automatic Classification Plugin de QGIS.

Figura 3: Imagen multiespectral procesada para producir una clasificación de la cobertura del suelo
(Imagen Landsat proporcionada por USGS)

4.3.2 Composición de Color

A menudo se crea una combinación de tres imágenes individuales monocromáticas, en la cual cada una es asignada
a un color. Esto es conocido como una composición de color y es útil para interpretación visual (NASA, 2013).
Las composiciones de color son generalmente expresadas como:
«R G B = Br Bg Bb»
donde:
R significa Rojo;
G significa Verde;
B significa Azul;
Br es el número de banda asociada al color Rojo;
Bg es el número de banda asociada al color Verde;
Bb es el número de banda asociada al color Azul;

4.3. Clasificación de la Cobertura Terrestre 119

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

La siguiente figura Composición de color para una imagen Landsat 8 (página 120) muestra una composición de
color «R G B = 4 3 2» de una imagen Landsat 8 (para Landsat 7 la misma composición de color es «R G B = 3 2
1, mientras que para Sentinel-2 es R G B = 4 3 2) y una composición de color «R G B = 5 4 3» (para Landsat 7 la
misma composición de color es «R G B = 4 3 2, mientras que para Sentinel-2 es R G B = 8 4 3). La composición
«R G B = 5 4 3» es útil para la interpretación de la imagen debido a que los píxeles de vegetación se muestran en
colores rojos (la vegetación saludable refleja una gran parte de la luz incidente en la longitud de onda del infrarrojo
cercano, resultando en valores de reflectancias más altos para la banda 5, dando por lo tanto valores más altos al
rojo).

Figura 4: Composición de color para una imagen Landsat 8

Datos onbtenidos de U.S. Geological Survey

4.3.3 Áreas de entrenamiento

Usualmente, la clasificación supervisada requiere que el usuario seleccione una o más Regiones de Interés (ROIs, o
Áreas de Entrenamiento) para cada clase de cobertura del suelo identificada en la imagen. Las ROIs son polígonos
dibujados sobre áreas homogéneas de la imagen que se superponen a píxeles pertenecientes a la misma clase de
cobertura del suelo.

Algoritmo de Región Incremental

El Algoritmo de Región Incremental permite seleccionar los pixeles similares a un pixel semilla, considerando la
similitud espectral (es decir, la distancia espectral) de los pixeles adyacentes. En SCP, el Algoritmo de Región
Incremental está disponible para la creación de áreas de entrenamiento. El parámetro distancia está relacionado
a la similitud de los valores de los pixeles al pixel semilla (mientras más bajo el valor, más similares serán los
pixeles seleccionados). Un parámetro adicional es el ancho máximo, el cual es el lado de un cuadrado, centrado
en el pixel semilla, el cual inscribe el área de entrenamiento (si todos los pixeles tuviesen el mismo valor, el área
de entrenamiento sería este cuadrado). El tamaño mínimo es utilizado como restricción (para cada banda), selec-
cionando al menos los pixeles que son más similares al pixel semilla hasta que el número de pixeles seleccionados
sean iguales al tamaño mínimo.
En la figura Ejemplo de Región Incremental (página 121) el pixel central es usado como semilla (imagen a), para
la región incremental de una banda (imagen b) con el parámetro distancia espectral = 0.1; los pixeles similares
son seleccionados para crear el área de entrenamiento (imagen c, e imagen d).

120 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 5: Ejemplo de Región Incremental

4.3.4 Clases y Macroclases

Las clases de cobertura del suelo se identifican con un código ID arbitrario (identificador). SCP permite la defini-
ción de Macroclase ID (MC ID), y Clase ID ** (C ID), los cuales son los códigos de identificador de las clases
de cobertura del suelo. Una **Macroclase es un grupo de ROIs con diferente ID Clase, lo cual es útil cuando
se necesita clasificar materiales que tienen diferente firma espectral en la misma clase de cobertura. Por ejemplo,
es posible identificar pasto (e.g. Clase ID = 1 y Macroclase ID = 1 ) y árboles (ej. Clase ID = 2
y Macroclase ID = 1 ) como clase vegetación (ej. Macroclase ID = 1 ). Varios Clase IDs pueden ser
asignados al mismo Macroclase ID, pero el mismo Clase ID no puede ser asignado a diferentes Macroclase IDs,
tal como se muestra en la siguiente tabla:
Ejemplo de Macroclases

Nombre de la Macroclase Macroclase ID Nombre de clase Clase ID

Vegetación 1 Pasto 1
Vegetación 1 Árboles 2
Construcciones 2 Construcciones 3
Construcciones 2 Caminos 4

Por lo tanto, las Clases son subconjuntos de una Macroclase, como se muestra en la Figura Ejemplo de Macrocla-
ses (página 122).
Si el propósito del estudio no requiere el uso de Macroclases, entonces el mismo Macroclase ID puede ser utilizado
para todos los ROIs (ej. Macroclase ID = 1) y las Macroclases serán ignoradas en el proceso de clasificación.

4.3.5 Algoritmos de clasificación

Las firmas espectrales (características espectrales) de las clases de cobertura de referencia son calculadas con-
siderando los valores de los pixeles de cada ROI que tengan el mismo Clase ID (o Macroclase ID). Por lo tanto,
el algoritmo de clasificación, clasifica la imagen completa comparando las características de cada pixel con las
características espectrales de las clases de referencia. SCP implementa los siguientes algoritmos de clasificación.

4.3. Clasificación de la Cobertura Terrestre 121

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 6: Ejemplo de Macroclases

Distancia mínima

El algoritmo Distancia Mínima calcula la distancia Euclídea 𝑑(𝑥, 𝑦) entre las firmas espectrales de los pixeles de
la imagen y las firmas espectrales de entrenamiento, de acuerdo a la siguiente ecuación:
⎯
⎸ 𝑛
⎸∑︁
𝑑(𝑥, 𝑦) = ⎷ (𝑥𝑖 − 𝑦𝑖 )2
𝑖=1

donde:
𝑥 = vector de firma espectral de un pixel de la imagen;
𝑦 = vector de firma espectral del área de entrenamiento;
𝑛 = número de bandas de la imagen.
Por lo tanto, la distancia es calculada para cada pixel en la imagen, asignando la clase de la firma espectral más
cercana de acuerdo a la siguiente función discriminante (adaptado de Richards and Jia, 2006):

𝑥 ∈ 𝐶𝑘 ⇐⇒ 𝑑(𝑥, 𝑦𝑘 ) < 𝑑(𝑥, 𝑦𝑗 )∀𝑘 ̸= 𝑗

donde:
𝐶𝑘 = clase de cobertura 𝑘;
𝑦𝑘 = firma espectral de la clase 𝑘;
𝑦𝑗 = firma espectral de la clase 𝑗.

122 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Es posible definir un umbral 𝑇𝑖 para excluir de la clasificación los pixeles bajo este valor:

𝑥 ∈ 𝐶𝑘 ⇐⇒ 𝑑(𝑥, 𝑦𝑘 ) < 𝑑(𝑥, 𝑦𝑗 )∀𝑘 ̸= 𝑗

𝑎𝑛𝑑
𝑑(𝑥, 𝑦𝑘 ) < 𝑇𝑖

Máxima Probabilidad

El algoritmo «Máxima Probabilidad» calcula las distribuciones de probabilidad para las clases, relacionado al
teorema de Bayes, estimando si un pixel pertenece a una clase de cobertura. En particular, las probabilidades de
distribución de las clases son asumidas de la forma de modelos normales multivariados (Richards & Jia, 2006).
Para utilizar este algoritmo, se requiere un número lo suficientemente alto de pixeles para cada área de entrena-
miento, lo cual permite el cálculo de la matriz de covarianza. La función discriminante, descrita por Richards and
Jia (2006), se calcula para cada pixel como:
1 1
𝑔𝑘 (𝑥) = ln 𝑝(𝐶𝑘 ) − ln |Σ𝑘 | − (𝑥 − 𝑦𝑘 )𝑡 Σ−1
𝑘 (𝑥 − 𝑦𝑘 )
2 2
donde:
𝐶𝑘 = clase de cobertura 𝑘;
𝑥 = vector de firma espectral de un pixel de la imagen;
𝑝(𝐶𝑘 ) = probabilidad de que la clase correcta sea 𝐶𝑘 ;
|Σ𝑘 | = determinante de la matriz de covarianzas de los datos en la clase 𝐶𝑘 ;
Σ−1
𝑘 = inversa de la matriz de covarianzas;

𝑦𝑘 = vector de firma espectral de la clase 𝑘.

Por consiguiente:

𝑥 ∈ 𝐶𝑘 ⇐⇒ 𝑔𝑘 (𝑥) > 𝑔𝑗 (𝑥)∀𝑘 ̸= 𝑗

Figura 7: Ejemplo de Máxima Probabilidad

4.3. Clasificación de la Cobertura Terrestre 123

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Adicionalmente, es posible definir un umbral de la función discriminante para excluir de la clasificación los pixeles
bajo este valor. Considerando un umbral 𝑇𝑖 , la condición de la clasificación resulta:

𝑥 ∈ 𝐶𝑘 ⇐⇒ 𝑔𝑘 (𝑥) > 𝑔𝑗 (𝑥)∀𝑘 ̸= 𝑗

𝑎𝑛𝑑
𝑔𝑘 (𝑥) > 𝑇𝑖

Máxima probabilidad es uno de los algoritmos de clasificación supervisada más comunes, sin embargo el proceso
de clasificación puede ser más lento que Distancia mínima (página 122).

Mapeo del Angulo Espectral

El Mapeo de Ángulo Espectral calcula el ángulo espectral entre las firmas espectrales de los pixeles de la imagen
y las firmas espectrales de entrenamiento. El ángulo espectral 𝜃 es definido como (Kruse et al., 1993):
(︃ ∑︀𝑛 )︃
−1 𝑖=1 𝑥𝑖 𝑦𝑖
𝜃(𝑥, 𝑦) = cos ∑︀𝑛 1 ∑︀𝑛 1
( 𝑖=1 𝑥2𝑖 ) 2 * ( 𝑖=1 𝑦𝑖2 ) 2

Donde:
𝑥 = vector de firma espectral de un pixel de la imagen;
𝑦 = vector de firma espectral del área de entrenamiento;
𝑛 = número de bandas de la imagen.
Por lo tanto un pixel pertenece a la clase teniendo el ángulo inferior, que es:

𝑥 ∈ 𝐶𝑘 ⇐⇒ 𝜃(𝑥, 𝑦𝑘 ) < 𝜃(𝑥, 𝑦𝑗 )∀𝑘 ̸= 𝑗

donde:
𝐶𝑘 = clase de cobertura 𝑘;
𝑦𝑘 = firma espectral de la clase 𝑘;
𝑦𝑗 = firma espectral de la clase 𝑗.
Para excluir de la clasificación los pixeles bajo este valor, es posible definir un umbral 𝑇𝑖 :

𝑥 ∈ 𝐶𝑘 ⇐⇒ 𝜃(𝑥, 𝑦𝑘 ) < 𝜃(𝑥, 𝑦𝑗 )∀𝑘 ̸= 𝑗

𝑎𝑛𝑑
𝜃(𝑥, 𝑦𝑘 ) < 𝑇𝑖

El Mapeo de Ángulo Espectral es ampliamente utilizado, especialmente con imágenes hiperespectrales.

Clasificación de Paralelepípedo

La clasificación por paralelepípedos es un algoritmo que considera el rango de valores de cada banda, formando
un paralelepípedo multidimensional que define la clase de cobertura. Un pixel es clasificado dentro de una clase,
si sus valores están dentro del paralelepípedo correspondiente. Una de las mayores desventajas es que los pixeles
cuyas firmas se superponen a dos o más paralelepípedos no pueden ser clasificados (Richards and Jia, 2006).

Clasificación por Firmas de Cobertura del Suelo

Clasificación por Firmas de Cobertura del Suelo está disponible en SCP (mira Land Cover Signature Classifica-
tion (página 33)). Esta clasificación permite la definición de umbrales espectrales para cada firma de entrada (un
valor mínimo y un valor máximo para cada banda). Los umbrales de cada firma de entrenamiento definen la región
espectral perteneciente a cada clase de cobertura del suelo.

124 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 8: Ejemplo de Mapeo de Ángulo Espectral

Las firmas espectrales de los pixeles de la imagen son comparados con las firmas espectrales de entrenamiento; un
pixel pertenece a la clase X si la firma espectral del pixel está completamente contenida en la región definida
por la clase X. En caso de pixeles que coinciden dentro de regiones superpuestas o fuera de cualquier región
espectral, es posible utilizar algoritmos de clasificación adicionales (ej. ref:minimum_distance_algorithm, Máxima
Probabilidad (página 123), Mapeo del Angulo Espectral (página 124)) considerando las características espectrales
de la firma original.
La siguiente figura ilustra un esquema de Clasificación por Firmas de Cobertura del Suelo para un caso simple de
dos bandas espectrales 𝑥 y 𝑦. Las regiones espectrales definidas por el usuario definen tres clases (𝑔𝑎 , 𝑔𝑏 , and 𝑔𝑐 ).
El punto 𝑝1 pertenece a la clase 𝑔𝑎 y el punto 𝑝2 pertenece a la clase 𝑔𝑏 . Sin embargo, el punto 𝑝3 está dentro de
ambas regiones espectrales 𝑔𝑏 y 𝑔𝑐 (regiones superpuestas); en este caso, el punto 𝑝3 quedará sin clasificar o será
clasificado según un algoritmo adicional de clasificación. El punto 𝑝4 está fuera de cualquier región espectra, por
lo tanto quedará sin clasificar o será clasificado según un algoritmo adicional de clasificación. Dado que el punto
𝑝4 pertenece a la clase 𝑔𝑐 , la región espectral puede ser extendida para incluir el punto 𝑝4 .
Esto es similar a Clasificación de Paralelepípedo (página 124), con la excepción de que las regiones espectrales
están definidas por el usuario y pueden ser asignadas independientemente para los límites mínimo y máximo. Es
posible imaginar la región espectral como el conjunto de todas las firmas espectrales de los pixeles pertenecientes
a una clase.
En la figura Gráfico de rangos espectrales (página 126) se muestran los rangos espectrales de tres claes (𝑔𝑎 , 𝑔𝑏 ,
y 𝑔𝑐 ); las líneas de colores dentro de los rangos (el área semi-transparente) representa las firmas espectrales de
los pixeles que definieron los límites superior e inferior del rango respectivo. El pixel 𝑝1 (línea interpunteada)
pertenece a la clase 𝑔𝑏 debido a que su firma espectral está completamente dentro del rango de la clase 𝑔𝑏 (en
el límite superior). El pixel 𝑝2 (línea entrecortada) queda sin clasificar debido a que su firma espectral no cae
completamente dentro de ningún rango. El pixel 𝑝3 (línea interpuntada) pertenece a la clase 𝑔𝑎 .
Es importante notar que estos umbrales espectrales pueden ser aplicados a cualquier forma espectral, indepen-
dientemente de sus características espectrales. Esta función puede ser muy útil para separar firmas espectrales que
difieren solamente en una banda, definiendo umbrales que incluyen o excluyen firmas específicas. De hecho, las
clases se separan correctamente si sus rangos espectrales difieren en al menos una banda. Por supuesto, incluso
si las regiones espectrales se superponen, es posible que ningún pixel caiga dentro del área superpuesta y sea
clasificado incorrectamente. El límite superior o inferior de un rango no implica la existencia en la imagen de una

4.3. Clasificación de la Cobertura Terrestre 125

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 9: Clasificación por Firmas de Cobertura del Suelo

Figura 10: Gráfico de rangos espectrales

126 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

firma espectral que tenga valores de rango mínimo o máximo para todas las bandas (Por ejemplo el pixel 𝑝1 de la
figura Gráfico de rangos espectrales (página 126) podría no existir).
Uno de los principales beneficios de la Clasificación por Firmas de Cobertura del Suelo es que es posible selec-
cionar pixeles e incluir su firma en un rango espectral. Por lo tanto, la clasificación debería ser la representación
directa de las clases esperadas para cada cada firma espectral. Esto es muy útil para la clasificación de una única
clase de cobertura del suelo (definida por umbrales espectrales específicos), y dejar sin clasificar el resto de la
imagen que no sea de interés para el propósito de la clasificación.

Ráster de Algoritmo

Un ráster de algoritmo representa la «distancia» (según la definición del algoritmo de clasificación) de un pixel de
la imagen a una firma espectral específica.
En general, se genera un ráster de algoritmo por cada firma espectral utilizada como entrenamiento. El valor
de cada pixel es el resultado del cálculo del algoritmo para una firma espectral definida. Por lo tanto, un pixel
pertenece a la class X si el valor del ráster de algoritmo correspondiente a la class X es el menor en el caso
de Distancia mínima (página 122) o Mapeo del Angulo Espectral (página 124), o el mayor en el caso de Máxima
Probabilidad (página 123).
Para una clasificación dada, la combinación de rásters de algoritmo puede ser generada para crear un raster con
las menores «distancias» (es decir, los pixeles tienen el valor del ráster de algoritmo correspondiente a la clase a
la que pertenecen en la clasificación). Por lo tanto, este raster puede ser útil para identificar pixeles que requieren
la recolección de más firmas espectrales similares (ver Clasificación preliminar (página 35)).

4.3.6 Distancia Espectral

Es útil valorar la distancia espectral (o separabilidad) entre firmas de entrenamiento o pixeles para evaluar si dife-
rentes clases que son muy similares entre sí podrían causar errores de clasificación. El :guilabel:‘SCP‘implementa
los siguientes algoritmos para evaluar la similitud de firmas espectrales.

Jeffries-Matusita Distance

La distancia de Jeffries-Matusita calcula la separabilidad de un par de distribuciones de probabilidad. Esto puede

tener significado particularmente para evaluar los resultados de clasificaciones Máxima Probabilidad (página 123).
La distancia Jeffries-Matusita 𝐽𝑥𝑦 se calcula como (Richards and Jia, 2006):

𝐽𝑥𝑦 = 2 1 − 𝑒−𝐵
(︀ )︀

donde:
)︂−1 (︃ Σ𝑥 +Σ𝑦
)︃
| |
(︂
1 Σ𝑥 + Σ 𝑦 1
𝐵 = (𝑥 − 𝑦)𝑡 (𝑥 − 𝑦) + ln 1
2
1
8 2 2 |Σ𝑥 | 2 |Σ𝑦 | 2

donde:
𝑥 = primer vector de firma espectral;
𝑦 = segundo vector de firma espectral;
Σ𝑥 = matriz de covarianza de la muestra 𝑥;
Σ𝑦 = matriz de covarianza de la muestra 𝑦;
La distancia Jeffries-Matusita es asintótica a 2 cuando las firmas son completamente diferentes, y tiende a 0 cuando
las firmas son idénticas.

4.3. Clasificación de la Cobertura Terrestre 127

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Angulo Espectral

El Ángulo Espectral es el más apropiado para evaluar los resultados de Mapeo del Angulo Espectral (página 124)
. El ángulo espectral 𝜃 es definido como (Kruse et al., 1993):
(︃ ∑︀𝑛 )︃
−1 𝑖=1 𝑥𝑖 𝑦𝑖
𝜃(𝑥, 𝑦) = cos ∑︀𝑛 1 ∑︀𝑛 1
( 𝑖=1 𝑥2𝑖 ) 2 * ( 𝑖=1 𝑦𝑖2 ) 2

Donde:
𝑥 = vector de firma espectral de un pixel de la imagen;
𝑦 = vector de firma espectral del área de entrenamiento;
𝑛 = número de bandas de la imagen.
El ángulo espectral varía de 0 cuando las firmas son idénticas a 90 cuando las firmas son completamente diferentes.

Distancia Euclidiana

La Distancia Euclidiana es particularmente útil para la evaluación de los resultados de la clasificación Distancia
mínima (página 122). De hecho, la distancia es definida como:
⎯
⎸ 𝑛
⎸∑︁
𝑑(𝑥, 𝑦) = ⎷ (𝑥𝑖 − 𝑦𝑖 )2
𝑖=1

donde:
𝑥 = primer vector de firma espectral;
𝑦 = segundo vector de firma espectral;
𝑛 = número de bandas de la imagen.
La Distancia Euclidiana es 0 cuando las firmas son idénticas y se incrementa según aumenta la distancia espectral
entre las firmas.

Similaridad de Bray-Curtis

La Similaridad de Bray-Curtis Similarity es un estadístico usado para evaluar la relación entre dos muestras (leer).
Es útil en general para evaluar la similaridad de firmas espectrales. La Similaridad de Bray-Curtis 𝑆(𝑥, 𝑦) se
calcula como:
(︂ ∑︀𝑛 )︂
|(𝑥𝑖 − 𝑦𝑖 )|
𝑆(𝑥, 𝑦) = 100 − ∑︀𝑛 𝑖=1 ∑︀𝑛 * 100
𝑖=1 𝑥𝑖 + 𝑖=1 𝑦𝑖

donde:
𝑥 = primer vector de firma espectral;
𝑦 = segundo vector de firma espectral;
𝑛 = número de bandas de la imagen.
La Distancia de Bray-Curtis se calcula como porcentaje y varía de 0 cuando las firmas son completamente dife-
rentes a 100 cuando las firmas son idénticas.

128 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 11: Clasificación de Landsat

Datos onbtenidos de U.S. Geological Survey

4.3.7 Resultado de la Clasificación

El resultado del proceso de clasificación es un raster (ver un resultado de clasificación de Landsat en la Figura
Clasificación de Landsat (página 129)), donde los valores de los pixeles corresponden a los Clase ID y cada color
representa una clase de cobertura del suelo.
Un cierto número de errores pueden ocurrir durante la clasificación de cobertura del suelo (ej. algunos pixeles
pueden haber sido asignados erróneamente a una clase de cobertura), debido a la similaridad espectral de las
clases o a una definición incorrecta de las clases durante la recolección de ROIs.

4.3.8 Evaluación De la Exactitud

Luego del proceso de clasificación, es útil evaluar la exactitud de una clasificación de cobertura del suelo para
identificar y medir los errores del mapa. Usualmente se realiza una evaluación de exactitud a través del cálculo
de una matriz de errores, la cual consiste en una tabla que compara la información del mapa resultante de la
clasificación con un conjunto de datos de referencia (ground truth) (Congalton and Green, 2009).
La siguiente tabla es un esquema de Matriz de Errores, donde k es el número de clases identificadas en la cla-
sificación de cobertura del suelo, y n es el número total de unidades de muestreo recolectadas. Los números en
la diagonal major (aii) representan el número de muestras correctamente identificadas, mientras que los otros
números son errores de clasificación.
Esquema de Matriz de Errores

Referencia 1 Referencia 2 ... Referencia k Total

Clase 1 𝑎11 𝑎12 ... 𝑎1𝑘 𝑎1+
Clase 2 𝑎21 𝑎22 ... 𝑎2𝑘 𝑎2+
... ... ... ... ... ...
Clase k 𝑎𝑘1 𝑎𝑘2 ... 𝑎𝑘𝑘 𝑎𝑘+
Total 𝑎+1 𝑎+2 ... 𝑎+𝑘 𝑛

Por lo tanto es posible calcular la precisión global como el ratio entre el número de muestras clasificadas correc-
tamente (la suma de la diagonal mayor) y el número total de unidades n (Congalton and Green, 2009).
The overall accuracy (also expressed in percentage) is defined as:
𝑘
∑︁
𝑂= 𝑎𝑖𝑖 /𝑛
𝑖=1

Ther user’s accuracy for each class is defined as the ratio (also expressed in percentage) between correct samples
and the row total:

𝑈𝑖 = 𝑎𝑖𝑖 /𝑎𝑖+

4.3. Clasificación de la Cobertura Terrestre 129

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

The commission error 𝐶𝐸𝑖 = 1 − 𝑈𝑖 corresponds to pixels classified as class 𝑖 that actually belong to a different
class.
The producer’s accuracy for each class is calculated as the ratio (also expressed in percentage) between correct
samples and the column total:

𝑃𝑖 = 𝑎𝑖𝑖 /𝑎+𝑖

The omission error 𝑂𝐸𝑖 = 1 − 𝑃𝑖 corresponds to pixels actually belonging to class 𝑖 that were classified erroneo-
usly as a different class.
User’s accuracy is It is recommended to calculate the area based error matrix (Olofsson, et al., 2014) where each
element represents the estimated area proportion of each class. This allows for estimating the unbiased user’s
accuracy and producer’s accuracy, the unbiased area of classes according to reference data, and the standard error
of area estimates.
Para mayor información, la siguiente documentación se encuentra disponible de manera libre: Landsat 7 Science
Data User’s Handbook, Remote Sensing Note , o Wikipedia.

4.4 Image processing

Remote sensing images can be processed in various ways in order to obtain classification, indices, or other derived
information that can be useful for land cover characterization.

4.4.1 Análisis de Componentes Principales

El Análisis de Componentes Principales (ACP) es un método para reducir la dimensionalidad de un conjunto de

variables medidas (bandas) en sus componentes principales (JARS, 1993)
La transformación de componentes principales produce un nuevo conjunto de bandas (componentes principales)
con las siguientes características: Los componentes principales no están correlacionados; cada componente tiene
una varianza menor al componente previo. Por lo tanto, éste es un método eficiente para la extracción de informa-
ción y comprensión de datos (Ready and Wintz, 1973).
Dada una imagen con N bandas espectrales, los componentes principales se obtienen por cálculo matricial (Ready
and Wintz, 1973; Richards and Jia, 2006):

𝑌 = 𝐷𝑡 𝑋

donde:
𝑌 = vector de componentes principales
𝐷 = matriz de autovalores de la matriz de covarianza 𝐶𝑥 en el espacio X
𝑡 denota la transposición vectorial
Y 𝑋 se calcula de la siguiente manera:

𝑋 =𝑃 −𝑀

𝑃 = vector de valores espectrales asociados a cada píxel.

𝑀 = vector de la media asociada a cada banda
Por lo tanto, la media de 𝑋 asociada a cada banda es 0. 𝐷 está formado por los autovectores (de la matriz de
covarianza 𝐶𝑥 ) ordenados de valores máximos a mínimos de los autovalores, para así tener el máximo de varianza
en el primer componente. De esta forma, los componentes principales no están correlacionados unos con otros, y
cada componente tiene una varianza menor que el anterior (Ready and Wintz, 1973).
Usualmente, los dos primeros componentes contienen más del 90 % de la varianza. Por ejemplo, el primer com-
ponente principal puede ser visualizado en una Composición de Color (página 119) para resaltar las clases de una
Cobertura del suelo (página 114), o utilizadas como entrada para una Clasificación supervisada (página 119).

130 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

4.4.2 Pan-sharpening

Pan-sharpening se refiere a la combinación de la información de las bandas multiespectrales (MS), las cuales
tienen una menor resolución espacial (para Landsat, las bandas tienen una resolución espacial de 30m), con la
resolución espacial de una banda pancromática (PAN), que para Landsat 7 y 8 es de 15m. El resultado es una
imagen multiespectral con la resolución espacial de la banda pancromática (ej. 15m). En SCP, se aplica una
transformación de Brovey, en la cual los valores de cada banda multiespectral con la nueva resolución se calculan
de la siguiente manera (Johnson, Tateishi and Hoan, 2012):

𝑀 𝑆𝑝𝑎𝑛 = 𝑀 𝑆 * 𝑃 𝐴𝑁/𝐼

Donde 𝐼 es Intensidad, la cual es una función de las bandas multiespectrales.

Se definen los siguientes pesos para I, en base a varias pruebas utilizando el SCP. Para Landsat 8, la Intensidad es
calculada como:

𝐼 = (0,42 * 𝐵𝑙𝑢𝑒 + 0,98 * 𝐺𝑟𝑒𝑒𝑛 + 0,6 * 𝑅𝑒𝑑)/2

Para Landsat 7, la Intensidad es calculada de la siguiente manera:

𝐼 = (0,42 * 𝐵𝑙𝑢𝑒 + 0,98 * 𝐺𝑟𝑒𝑒𝑛 + 0,6 * 𝑅𝑒𝑑 + 𝑁 𝐼𝑅)/3

Figura 12: ejemplo de pan-sharpening de una imagen Landsat 8. Izquierda, bandas originales multiespectrales
(30m); derecha, bandas con nueva resolución (pan-sharpened, 15m)
Datos onbtenidos de U.S. Geological Survey

4.4.3 Índices espectrales

Spectral indices are operations between spectral bands that are useful for extracting information such as vegetation
cover (JARS, 1993). One of the most popular spectral indices is the Normalized Difference Vegetation Index
(NDVI), defined as (JARS, 1993):

𝑁 𝐷𝑉 𝐼 = (𝑁 𝐼𝑅 − 𝑅𝑒𝑑)/(𝑁 𝐼𝑅 + 𝑅𝑒𝑑)

NDVI values range from -1 to 1. Dense and healthy vegetation show higher values, while non-vegetated areas
show low NDVI values.

4.4. Image processing 131

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Another index is the Enhanced Vegetation Index (EVI) which attempts to account for atmospheric effects such
as path radiance calculating the difference between the blue and the red bands (Didan,et al., 2015). EVI is defined
as:

𝐸𝑉 𝐼 = 𝐺(𝑁 𝐼𝑅 − 𝑅𝑒𝑑)/(𝑁 𝐼𝑅 + 𝐶1 𝑅𝑒𝑑 − 𝐶2 𝐵𝑙𝑢𝑒 + 𝐿)

where: 𝐺 is a scaling factor, 𝐶1 and 𝐶2 are coefficients for the atmospheric effects, and 𝐿 is a factor for accounting
the differential NIR and Red radiant transfer through the canopy. Typical coefficient values are: 𝐺 = 2,5, 𝐿 = 1,
𝐶1 = 6, 𝐶2 = 7,5 (Didan,et al., 2015).

4.4.4 Clustering

Clustering is the grouping of pixels based on spectral similarity (e.g. Distancia Euclidiana (página 128) or Angulo
Espectral (página 128)) calculated for a multispectral image (Richards and Jia, 2006).
Clustering can be used for unsupervised classification or for the automatic selection of spectral signatures. It
is worth noticing that, while Clasificación supervisada (página 119) produces a classification whith the classes
identified during the trainining process, the classes produced by clustering (i.e. clusters) have no definition and
consequently the user must assign a land cover label to each class.
The main advantage of clustering resides in automation. Of course, clusters do not necessarily represent a particu-
lar land cover type and additional processing could be required for producing an accurate classification.
There are several types of clustering, mainly based on iterative methods; the following are the algorithms provided
in SCP.

K-means

The K-means method is based on the calculation of the average spectral signature of clusters (Wikipedia, 2017;
JARS, 1993).
At first, the user defines the number of clusters expected in the image, which correspond to as many spectral
signatures (i.e. seeds). Starting spectral signatures can be selected in various ways (e.g. randomly, provided by the
user, calculated automatically from image values).
During the first iteration clusters are produced calculating the pixel spectral distance with initial spectral signatu-
res. The algorithms Distancia Euclidiana (página 128) or Angulo Espectral (página 128) can be used for distance
calculation. Pixels are assigned according to the most similar spectral signature, therefore producing clusters.
Then, the average spectral signature is calculated for each cluster of pixels, resulting in the spectral signatures that
will be used in the following iteration.
This process continues iteratively producing clusters and mean spectral signatures, until one of the following
condition is verified:
the spectral distance between the spectral signatures produced in this iteration with the corresponding ones
produced in the previous iteration is lower than a certain threshold;
the maximum number of iterations is reached.
After the last iteration, a raster of clusters is produced using the spectral signatures derived from the last iteration.

ISODATA

The ISODATA (Iterative Self-Organizing Data Analysis Technique) method is similar to K-means but with the
additional steps of merging clusters having similar spectral signatures and splitting clusters having too high vara-
bility (i.e. standard deviation) of spectral signatures (Ball & Hall, 1965). Following, the SCP implementation of
ISODATA is described.
At first, the user defines the number of clusters expected in the image, which correspond to as many spectral
signatures (i.e. seeds). Starting spectral signatures can be selected in various ways (e.g. randomly, provided by the
user, calculated automatically from image values). Initial parameteres provided by user are:

132 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

𝐶 = number of desired clusters

𝑁𝑚𝑖𝑛 = minimum number of pixels for a cluster
𝜎𝑡 = maximum standard deviation threshold for splitting
𝐷𝑡 = distance threshold for merging
During the first iteration clusters are produced calculating the Distancia Euclidiana (página 128) of pixels with
initial spectral signatures. Pixels are assigned according to the most similar spectral signature, therefore producing
clusters.
Therefore, the following parameters are calculated:
𝑁𝑖 = number of pixels of cluster 𝑖
𝑆𝑖 = average spectral signature of cluster 𝑖
𝐴𝑉 𝐸𝑅𝐴𝐺𝐸𝐷𝐼𝑆𝑇𝑖 = average distance of cluster 𝑖 with the seed spectral signature
𝐴𝑉 𝐸𝑅𝐴𝐺𝐸𝐷𝐼𝑆𝑇 𝐴𝑁 𝐶𝐸 = overall average distance of all clusters
𝜎𝑖𝑗 = standard deviation of cluster 𝑖 in band 𝑗
𝜎𝑚𝑎𝑥𝑖 = maximum standard deviation of cluster 𝑖 (i.e. 𝑚𝑎𝑥(𝜎𝑖𝑗 ))
𝑘𝑖 = band where 𝜎𝑚𝑎𝑥𝑖 occurred
𝑆𝑘𝑖 = value of 𝑆𝑖 at band 𝑘𝑖
𝑃 = number of clusters
Then, for each cluster 𝑖, if 𝑁𝑖 < 𝑁𝑚𝑖𝑛 , then the cluster 𝑖 is discarded.
If 𝑃 <= 𝐶 then try to split clusters. For each cluster 𝑖:
If 𝜎𝑚𝑎𝑥𝑖 > 𝜎𝑡 :
• If ((𝐴𝑉 𝐸𝑅𝐴𝐺𝐸𝐷𝐼𝑆𝑇𝑖 > 𝐴𝑉 𝐸𝑅𝐴𝐺𝐸𝐷𝐼𝑆𝑇 𝐴𝑁 𝐶𝐸) AND (𝑁𝑖 > (2 * 𝑁𝑚𝑖𝑛 + 2) )) OR (𝐶 > 2 *
𝑃 ):
∘ create a new spectral signature 𝑆𝑝+1 = 𝑆𝑖
∘ in 𝑆𝑖 set the value 𝑆𝑘𝑖 = 𝑆𝑘𝑖 + 𝜎𝑚𝑎𝑥𝑖
∘ in 𝑆𝑝+1 set the value 𝑆𝑘𝑝+1 = 𝑆𝑘𝑖 - 𝜎𝑚𝑎𝑥𝑖
∘ 𝑃 =𝑃 +1
∘ start a new iteration
If 𝑃 > (2 * 𝐶) then try to merge clusters.
For each combination 𝑥𝑦 of spectrals signatures calculate 𝐷𝑥𝑦 = Distancia Euclidiana (página 128) of
spectral signatures 𝑆𝑥 and 𝑆𝑦 .
If the minimum 𝐷𝑥𝑦 is greater than 𝐷𝑡 :
• S_{i} = (𝑁𝑖 * S_{i} + 𝑁𝑗 * S_{j})/(𝑁𝑖 + 𝑁𝑗 )
• discard S_{j}
• 𝑃 =𝑃 -1
• start a new iteration
After the last iteration, a raster of clusters is produced using the spectral signatures derived from the last iteration.
The number of clusters can vary according to the processes of splitting and merging.

4.5 Conversión de la imagen a Reflectancia

Este capítulo provee información sobre la conversión a reflectancia implementada en SCP.

4.5. Conversión de la imagen a Reflectancia 133

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

4.5.1 Radiancia en el sensor.

Radiancia es el «Flujo de energía (principalmente energía irradiante o incidente) por ángulo sólido que abandona
una unidad de área de una superficie en una dirección dada», «Radiancia es lo que mide el sensor y depende en
cierta medida de la reflectancia» (NASA, 2011, p. 47).
Imágenes como las de Landsat o Sentinel-2 están compuestas de diferentes bandas y un archivo de metadatos que
contiene la información requerida para la reflectancia.
Las imágenes de Landsat son provistas en radiancia, escaladas previamente al resultado. Para imágenes Landsat,
la Radiancia espectral en el sensor (𝐿𝜆 , medida en [vatios/(metro cuadrado * ster * 𝜇𝑚)]) está dada por (https:
//landsat.usgs.gov/Landsat8_Using_Product.php):

𝐿𝜆 = 𝑀𝐿 * 𝑄𝑐𝑎𝑙 + 𝐴𝐿

donde:
𝑀𝐿 = Factor multiplicativo de reescalamiento específico de la banda, proveniente de los metadatos (RA-
DIANCE_MULT_BAND_x, donde x es el número de banda)
𝐴𝐿 = Factor aditivo de reescalamiento específico de la banda, proveniente de los metadatos (RADIAN-
CE_MULT_BAND_x, donde x es el número de banda)
𝑄𝑐𝑎𝑙 = Valores de pixel discretizados y calibrados del producto estandar (valores digitales DN)
Imágenes Sentinel-2 (Level-1C) se proveen directamente en Reflectancia en el Techo de la Atmósfera (TOA)
(página 134), escaladas previamente al resultado (ESA, 2015).

4.5.2 Reflectancia en el Techo de la Atmósfera (TOA)

Es posible convertir imágenes con valores de radiancia a valores de Reflectancia en el Techo de la Atmósfera
(TOA), la cual combina la reflectancia de la superficie y la reflectancia atmosférica, para reducir la variabilidad
inter-imagen a través de una normalización de la irradiancia solar. Esta reflectancia TOA (𝜌𝑝 ), la cual es el ratio
de la energía reflejada con respecto al total de la energía incidente (NASA, 2011), puede ser calculada como:

𝜌𝑝 = (𝜋 * 𝐿𝜆 * 𝑑2 )/(𝐸𝑆𝑈 𝑁𝜆 * 𝑐𝑜𝑠𝜃𝑠 )

donde:
𝐿𝜆 = Radiancia espectral en el sensor (Radiancia en el satélite)
𝑑 = Distancia Tierra-Sol en Unidades Astronómicas (la cual se encuentra en el archivo de metadatos de las
imágenes Landsat 8, y un archivo de excel en http://landsathandbook.gsfc.nasa.gov/excel_docs/d.xls)
𝐸𝑆𝑈 𝑁𝜆 = Irradiancia Media Solar exo-atmosférica
𝜃𝑠 = Angulo zenital solar en grados, el cual es equivalente a: 𝜃𝑠 = 90° - 𝜃𝑒 donde 𝜃𝑒 es la elevación solar
Es importante notar que para las imágenes de Landsat 8 se proveen factores de reescalamiento para cada banda
que permiten la conversión directa de valores digitales DN a Reflectancia TOA.
Las imágenes Sentinel-2 se distribuyen ya con valores de reflectancia TOA escalados, los cuales pueden ser con-
vertidos a reflectancia TOA con un cálculo simple utilizando el Valor de Discretización provisto en los metadatos
(ver https://sentinel.esa.int/documents/247904/349490/S2_MSI_Product_Specification.pdf).
Sentinel-3 images are already provided in scaled TOA radiance. Conversion to reflectance is performed applying
the coefficients scale_factor and add_offset provided in the metadata of each band. The ancillary raster
tie_geometries.nc provides the value of sun zenith angle and the ancillary raster instrument_data
provides information about the solar flux for each band, which are used for the conversion to reflectance with
the correction for sun angle. In addition, the georeferencing of the bands is performed using the ancillary raster
geo_coordinates.nc which provides coordinates of every pixel.

134 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

4.5.3 Reflectancia de la Superficie

Los efectos de la atmósfera (i.e. la perturbación en los valores de reflectancia que varía con la longitud de onda)
debe ser considerada para medir la reflectancia en la superficie.
La reflectancia de la superficie (𝜌), tal como lo describe Moran et al. (1992), es:

𝜌 = [𝜋 * (𝐿𝜆 − 𝐿𝑝 ) * 𝑑2 ]/[𝑇𝑣 * ((𝐸𝑆𝑈 𝑁𝜆 * 𝑐𝑜𝑠𝜃𝑠 * 𝑇𝑧 ) + 𝐸𝑑𝑜𝑤𝑛 )]

donde:
𝐿𝑝 es el efecto bruma, en inglés path radiance
𝑇𝑣 es la transmitancia de la atmósfera en la dirección de visión
𝑇𝑧 es la transmitancia atmosférica en la dirección de iluminación
𝐸𝑑𝑜𝑤𝑛 is la irradiancia difusa descendiente
Por lo tanto, necesitamos varias medidas atmosféricas para calcular 𝜌 (correcciones basadas en medidas físi-
cas). Alternativamente, es posible utilizar técnicas basadas en imágen para el cálculo de esos parámetros sin
la necesidad de medidas in-situ durante la adquisición de la imagen. Vale la pena mencionar que el Producto
de Alto Nivel Landsat Reflectancia de Superficie para Landsat 8 está disponible (para más información leer
http://landsat.usgs.gov/CDR_LSR.php).

4.5.4 Corrección DOS1

El Dark Object Substrction (DOS) o substracción de objeto oscuro es una familia de correcciones atmosféricas
basadas en imagen. Chavez (1996) explica que «la suposición básica es que en la imagen algunos píxeles están
completamente en sombra, y sus radiancias recibidas en el satélite se deben a la dispersión atmosférica (efecto
bruma). Esta suposición es combinada con el hecho de que muy pocos elementos en la superficie de la Tierra
tienen un color negro absoluto, por lo tanto, una reflectancia asumida de uno por ciento es mejor que un cero
por ciento». Es importante mencionar que la exactitud de las técnicas basadas en imagen es generalmente menor
que las correcciones basadas en medidas físicas, pero son muy útiles cuando no están disponibles mediciones
atmosféricas que puedan mejorar la estimación de la reflectancia de la superficie terrestre. El efecto bruma es
dado por (Sobrino, et al., 2004):

𝐿𝑝 = 𝐿𝑚𝑖𝑛 − 𝐿𝐷𝑂1 %

donde:
𝐿𝑚𝑖𝑛 = «radiancia que corresponde a un valor digital para el cual la suma de todos los píxeles con valores
digitales menores o iguales a este valor es igual al 0.01 % de todos los píxeles de la imagen considerada»
Sobrino, et al., 2004, p. 437), por lo tanto, la radiancia obtenida con ese valor de conteo digital (𝐷𝑁𝑚𝑖𝑛 )
𝐿𝐷𝑂1 % = radiancia del objeto oscuro, con un valor asumido de reflectancia de 0.01
En particular para imágenes Landsat:

𝐿𝑚𝑖𝑛 = 𝑀𝐿 * 𝐷𝑁𝑚𝑖𝑛 + 𝐴𝐿

Las imágenes Sentinel-2 son convertidas a radiancia antes del cálculo DOS1.
La Radiancia de Objeto Oscuro es dada por (Sobrino, et al., 2004):

𝐿𝐷𝑂1 % = 0,01 * [(𝐸𝑆𝑈 𝑁𝜆 * 𝑐𝑜𝑠𝜃𝑠 * 𝑇𝑧 ) + 𝐸𝑑𝑜𝑤𝑛 ] * 𝑇𝑣 /(𝜋 * 𝑑2 )

Por lo tanto, el efecto bruma es:

𝐿𝑝 = 𝑀𝐿 * 𝐷𝑁𝑚𝑖𝑛 + 𝐴𝐿 − 0,01 * [(𝐸𝑆𝑈 𝑁𝜆 * 𝑐𝑜𝑠𝜃𝑠 * 𝑇𝑧 ) + 𝐸𝑑𝑜𝑤𝑛 ] * 𝑇𝑣 /(𝜋 * 𝑑2 )

Existen varias técnicas DOS (ej. DOS1, DOS2, DOS3, DOS4), basadas en diferentes asunciones acerca de 𝑇𝑣 , 𝑇𝑧 ,
y 𝐸𝑑𝑜𝑤𝑛 . La técnica más simple es la DOS1, donde se hacen las siguientes suposiciones (Moran et al., 1992):

4.5. Conversión de la imagen a Reflectancia 135

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

𝑇𝑣 = 1
𝑇𝑧 = 1
𝐸𝑑𝑜𝑤𝑛 = 0
Por lo tanto, el efecto bruma es:

𝐿𝑝 = 𝑀𝐿 * 𝐷𝑁𝑚𝑖𝑛 + 𝐴𝐿 − 0,01 * 𝐸𝑆𝑈 𝑁𝜆 * 𝑐𝑜𝑠𝜃𝑠 /(𝜋 * 𝑑2 )

Y la reflectancia de la superficie terrestre resultante está dada por:

𝜌 = [𝜋 * (𝐿𝜆 − 𝐿𝑝 ) * 𝑑2 ]/(𝐸𝑆𝑈 𝑁𝜆 * 𝑐𝑜𝑠𝜃𝑠 )

Los valores ESUN [W /(m2 * 𝜇𝑚)] para sensores Landsat se encuentran en la siguiente tabla.
Valores ESUN para bandas Landsat

Ban- Landsat 1 Landsat 2 Landsat 3 Landsat 4 Landsat 5 Landsat 7

da MSS MSS MSS TM TM* ETM+**
1 1983 1983 1970
2 1795 1796 1842
3 1539 1536 1547
4 1823 1829 1839 1028 1031 1044
5 1559 1539 1555 219.8 220 225.7
6 1276 1268 1291
7 880.1 886.6 887.9 83.49 83.44 82.06
8 1369

* de Chander, Markham, & Helder (2009)

** de http://landsathandbook.gsfc.nasa.gov/data_prod/prog_sect11_3.html
Para Landsat 8, 𝐸𝑆𝑈 𝑁 puede ser calculado como (from http://grass.osgeo.org/grass65/manuals/i.landsat.toar.
html):

𝐸𝑆𝑈 𝑁 = (𝜋 * 𝑑2 ) * 𝑅𝐴𝐷𝐼𝐴𝑁 𝐶𝐸_𝑀 𝐴𝑋𝐼𝑀 𝑈 𝑀/𝑅𝐸𝐹 𝐿𝐸𝐶𝑇 𝐴𝑁 𝐶𝐸_𝑀 𝐴𝑋𝐼𝑀 𝑈 𝑀

donde RADIANCE_MAXIMUM y REFLECTANCE_MAXIMUM son provistas en los metadatos de la imagen.

Los valores de ESUN [W /(m2 * 𝜇𝑚)] para el sensor Sentinel-2 (provistos en los metadatos de la imagen) se
muestran en la siguiente tabla.
valores de ESUN para bandas de Sentinel-2

Banda Sentinel-2
1 1913.57
2 1941.63
3 1822.61
4 1512.79
5 1425.56
6 1288.32
7 1163.19
8 1036.39
8A 955.19
9 813.04
10 367.15
11 245.59
12 85.25

Los valores de ESUN [W /(m2 * 𝜇𝑚)] para el sensor ASTER se muestran en la siguiente tabla (de Finn, et al.,
2012).

136 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Valores de ESUN para bandas ASTER

Banda ASTER
1 1848
2 1549
3 1114
4 225.4
5 86.63
6 81.85
7 74.85
8 66.49
9 59.85

Un ejemplo de comparación de valores de Reflectancia TOA, Reflectancia corregida con DOS1 y Producto de
Alto Nivel Landsat Reflectancia de Superficie (datos de referencia) se puede ver en la figura Firmas espectrales
de un píxel de superficie construida (página 137).

Figura 13: Firmas espectrales de un píxel de superficie construida

Comparación de valores de Reflectancia TOA, Reflectancia corregida con DOS1 y
Producto de Alto Nivel Landsat Reflectancia de Superficie

4.6 Conversión a temperatura

Este capítulo proporciona información básica sobre la conversión a Temperatura de Brillo en el Satélite imple-
mentada en SCP y la estimación de la Temperatura Superficial del Suelo.

4.6.1 Conversión a Temperatura de Brillo en el Satélite

Para las bandas termales, la conversión de valores digitales DN a Temperatura de Brillo en el satélite es dada por
(from https://landsat.usgs.gov/Landsat8_Using_Product.php):

𝑇𝐵 = 𝐾2 /𝑙𝑛[(𝐾1 /𝐿𝜆 ) + 1]

donde:
𝐾1 = constante de conversión térmica específica de la banda (en vatios /metro cuadrado * ster * 𝜇𝑚)
𝐾2 = Constante de conversión térmica específica de la banda (en grados kelvin)
y 𝐿𝜆 es la radiancia espectral en el sensor, medida en vatios/(metro cuadrado * ster * 𝜇𝑚).
Las cosntantes 𝐾1 y 𝐾2 para sensores Landsat son proporcionadas en la siguiente tabla.
Constantes de conversión térmica para Landsat

4.6. Conversión a temperatura 137

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Constante Landsat 4* Landsat 5* Landsat 7**

𝐾1 671.62 607.76 666.09
𝐾2 1284.30 1260.56 1282.71

* de Chander & Markham (2003)

** de NASA (2011)
Para Landsat 8, los valores de 𝐾1 y 𝐾2 son proprocionadas en el archivo de metadatos de la imagen.
𝐾1 y 𝐾2 son calculadas como (Jimenez-Munoz & Sobrino, 2010):

𝐾1 = 𝑐1 /𝜆5

𝐾2 = 𝑐2 /𝜆
donde (Mohr, Newell, & Taylor, 2015):
𝑐1 = Primera constante de radiación = 1,191 * 10−16 𝑊 𝑚2 𝑠𝑟−1
𝑐2 = segunda constante de radiación = 1,4388 * 10−2 𝑚𝐾
Por lo tanto, 𝐾1 y 𝐾2 para bandas ASTER se proporcionan en la siguiente tabla.
Constantes de conversión térmica para ASTER

Constante Banda 10 Banda 11 Banda 12 Banda 13 Banda 14

𝐾1 3,024 * 103 2,460 * 103 1,909 * 103 8,900 * 102 6,464 * 102
𝐾2 1,733 * 103 1,663 * 103 1,581 * 103 1,357 * 103 1,273 * 103

4.6.2 Estimación de la Temperatura de Superficie del Suelo

Varios estudios han descrito la estimación de la Temperatura de Superficie del Suelo. Ésta puede ser calculada a
partir de la Temperatura de Brillo en el Satélite 𝑇𝐵 como (Weng, et al. 2004):

𝑇 = 𝑇𝐵 /[1 + (𝜆 * 𝑇𝐵 /𝑐2 ) * 𝑙𝑛(𝑒)]

donde:
𝜆 = longitud de onda de la radiancia emitida
𝑐2 = ℎ * 𝑐/𝑠 = 1,4388 * 10−2 m K
ℎ = Constante de Planck’s = 6,626 * 10−34 J s
𝑠 = constante de Boltzmann = 1,38 * 10−23 J/K
𝑐 = velocidad de la luz 2,998 * 108 m/s
Los valores de 𝜆 para las bandas térmicas de los satélites Landsat y ASTER pueden ser calculadas a partir de las
tablas Satélites Landsat (página 115) y Satélite ASTER (página 117).
Varios estudios han utilizado el NDVI para la estimación de la emisividad de la superficie (SObrino, et al., 2004);
otros estudios han utilizado una clasificación de cobertura del suelo para la definición de la emisividad de cada
clase (Weng, et al. 2004). Por ejemplo, los valores de emisividad (𝑒) de varios tipos de cobertura del suelo se
proporcionan en la siguiente tabla (de Mallick, et al. 2012).
Valores de emisividad

Superficie de la tierra Emisividad e

Suelo 0.928
Pasto 0.982
Asfalto 0.942
Concreto 0.937

138 Capítulo 4. Breve Introducción a la Teledetección

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

4.7 Referencias

Ball, G. H. & Hall, D. J., 1965. ISODATA. A novel method of data analysis and pattern classification. Menlo
Park: Stanford Research Institute.
Chander, G. & Markham, B., 2003. Revised Landsat-5 TM radiometric calibration procedures and postca-
libration dynamic ranges Geoscience and Remote Sensing, IEEE Transactions on, 41, 2674 - 2677
Chavez, P. S., 1996. Image-Based Atmospheric Corrections - Revisited and Improved Photogrammetric
Engineering and Remote Sensing, [Falls Church, Va.] American Society of Photogrammetry, 62, 1025-1036
Congalton, R. and Green, K., 2009. Assessing the Accuracy of Remotely Sensed Data: Principles and Prac-
tices. Boca Raton, FL: CRC Press
Didan, K.; Barreto Munoz, A.; Solano, R. & Huete, A., 2015. MODIS Vegetation Index User’s Guide.
Collection 6, NASA
ESA, 2015. Sentinel-2 User Handbook. Available at https://sentinels.copernicus.eu/documents/247904/
685211/Sentinel-2_User_Handbook
ESA, 2013. Sentinel-3 User Handbook. Available at https://sentinels.copernicus.eu/documents/247904/
685236/Sentinel-3_User_Handbook
Finn, M.P., Reed, M.D, and Yamamoto, K.H., 2012. A Straight Forward Guide for Proces-
sing Radiance and Reflectance for EO-1 ALI, Landsat 5 TM, Landsat 7 ETM+, and AS-
TER. Unpublished Report from USGS/Center of Excellence for Geospatial Information Science,
8 p, http://cegis.usgs.gov/soil_moisture/pdf/A%20Straight%20Forward%20guide%20for%20Processing%
20Radiance%20and%20Reflectance_V_24Jul12.pdf
Fisher, P. F. and Unwin, D. J., eds., 2005. Representing GIS. Chichester, England: John Wiley & Sons
JARS, 1993. Remote Sensing Note. Japan Association on Remote Sensing. Available at http://www.
jars1974.net/pdf/rsnote_e.html
Jimenez-Munoz, J. C. & Sobrino, J. A., 2010. A Single-Channel Algorithm for Land-Surface Temperature
Retrieval From ASTER Data IEEE Geoscience and Remote Sensing Letters, 7, 176-179
Johnson, B. A., Tateishi, R. and Hoan, N. T., 2012. Satellite Image Pansharpening Using a Hybrid Approach
for Object-Based Image Analysis ISPRS International Journal of Geo-Information, 1, 228. Available at
http://www.mdpi.com/2220-9964/1/3/228)
Kruse, F. A., et al., 1993. The Spectral Image Processing System (SIPS) - Interactive Visualization and
Analysis of Imaging spectrometer. Data Remote Sensing of Environment
Mallick, J.; Singh, C. K.; Shashtri, S.; Rahman, A. & Mukherjee, S., 2012. Land surface emissivity retrie-
val based on moisture index from LANDSAT TM satellite data over heterogeneous surfaces of Delhi city
International Journal of Applied Earth Observation and Geoinformation, 19, 348 - 358
Mohr, P. J.; Newell, D. B. & Taylor, B. N., 2015. CODATA Recommended Values of the Fundamental
Physical Constants: 2014 National Institute of Standards and Technology, Committee on Data for Science
and Technology
Moran, M.; Jackson, R.; Slater, P. & Teillet, P., 1992. Evaluation of simplified procedures for retrieval of
land surface reflectance factors from satellite sensor output Remote Sensing of Environment, 41, 169-184
NASA, 2011. Landsat 7 Science Data Users Handbook Landsat Project Science Office at NASA’s Goddard
Space Flight Center in Greenbelt, 186 http://landsathandbook.gsfc.nasa.gov/pdfs/Landsat7_Handbook.pdf
NASA, 2013. Landsat 7 Science Data User’s Handbook. Available at http://landsathandbook.gsfc.nasa.gov
Olofsson, P.; Foody, G. M.; Herold, M.; Stehman, S. V.; Woodcock, C. E. & Wulder, M. A., 2014. Good
practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148,
42 – 57
Ready, P. and Wintz, P., 1973. Information Extraction, SNR Improvement, and Data Compression in Mul-
tispectral Imagery. IEEE Transactions on Communications, 21, 1123-1131

4.7. Referencias 139

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Richards, J. A. and Jia, X., 2006. Remote Sensing Digital Image Analysis: An Introduction. Berlin, Ger-
many: Springer
Sobrino, J.; Jiménez-Muñoz, J. C. & Paolini, L., 2004. Land surface temperature retrieval from LANDSAT
TM 5 Remote Sensing of Environment, Elsevier, 90, 434-440
USGS, 2015. Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Level 1 Pre-
cision Terrain Corrected Registered At-Sensor Radiance Product (AST_L1T). AST_L1T Product User’s
Guide. USGS EROS Data Center.
Vermote, E. F.; Roger, J. C. & Ray, J. P., 2015. MODIS Surface Reflectance User’s Guide. Collection 6,
NASA
Weng, Q.; Lu, D. & Schubring, J., 2004. Estimation of land surface temperature–vegetation abundance
relationship for urban heat island studies. Remote Sensing of Environment, Elsevier Science Inc., Box 882
New York NY 10159 USA, 89, 467-483
Wikipedia, 2017. k-means clustering. Available at https://en.wikipedia.org/wiki/K-means_clustering

140 Capítulo 4. Breve Introducción a la Teledetección

 CAPÍTULO 5

Tutoriales Básicos

The following are very basic tutorials for land cover classification using the Semi-Automatic Classification Plugin
(SCP). It is assumed that you have a basic knowledge of QGIS (you can find a guide to QGIS interface at this
page).

5.1 Tutorial 1

The following is a basic tutorial about the land cover classification using the Semi-Automatic Classification Plugin
(SCP). It is assumed that you have a basic knowledge of QGIS.

Tutorial 1: Your First Land Cover Classification (página 141)

• Download the Data (página 142)
• Clip the Data (página 145)
• Convert Data to Surface Reflectance (página 148)
• Define the Band set and create the Training Input File (página 149)
• Create the ROIs (página 153)
• Assess the Spectral Signatures (página 163)
• Create a Classification Preview (página 169)
• Create the Classification Output (página 169)

5.1.1 Tutorial 1: Your First Land Cover Classification

This is a basic tutorial about the use of SCP for the classification of a multispectral image. It is recommended to
read the Breve Introducción a la Teledetección (página 111) before this tutorial.
The purpose of the classification is to identify the following land cover classes:
1. Water;
2. Built-up;

141
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

3. Vegetation;
4. Bare soil.
The study area of this tutorial is Greenbelt (Maryland, USA) which is the site of NASA’s Goddard Space Flight
Center (the institution that will lead the development of the future Landsat 9 flight segment).
Following the video of this tutorial.
http://www.youtube.com/watch?v=fUZgYxgDjsk

Download the Data

We are going to download a Satélites Landsat (página 115) image (data available from the U.S. Geological Survey)
and use the following bands:
1. Blue;
2. Green;
3. Red;
4. Near-Infrared;
5. Short Wavelength Infrared 1;
6. Short Wavelength Infrared 2.
TIP : In case you have a slow connection you can download an image subset from this archive
(about 5 MB, data available from the U.S. Geological Survey), unzip the downloaded file, and
skip to Convert Data to Surface Reflectance (página 148).

Start QGIS and the SCP. Open the tab Descargar productos (página 51) clicking the button in the Home
(página 24), or in the SCP menú (página 21),
We are searching a specific image acquired on 16 April 2017 because it is cloud free. In Search parameters
(página 53) enter the point coordinates:
UL: -77 / 39
LR: -76.9 / 38.9

TIP : In general it is possible to define the area coordinates clicking the button , then left
click in the map for the UL point and right click in the map for the LR point.
Select L8 OLI/TIRS from the Products and set:
Date from: 2017-04-16
to: 2017-04-16

Now click the button Find and after a few seconds the image will be listed in the Product list (página 54).
Click the item in the table to display a preview that is useful for assessing the quality of the image and the cloud
cover.

Now click the button to load the preview in the map.

We can also select the bands to be downloaded according to our purpose. In particular, select the tab Opciones de
Descarga (página 56) and check only the Landsat bands (that will be used in this tutorial): 2, 3, 4, 5, 6, 7, and the
ancillary data.

For the purpose of this tutorial, uncheck the option Preprocess images (you should usually leave this checked)
because we are going to preprocess the image in Convert Data to Surface Reflectance (página 148). To start the

142 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 1: Search products

5.1. Tutorial 1 143

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 2: Search result

144 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 3: Image preview

image download, click the button RUN and select a directory where bands are saved. The download could
last a few minutes according to your internet connection speed. The download progress is displayed in a bar.

TIP : The option Only if preview in Layers allows for downloading only images in the result
table which are loaded as previews in the map. If this option is unchecked, all the products in the list
are downloaded.
After the download, all the bands are automatically loaded in the map.

Clip the Data

For for limiting the study area (and reducing the processing time) we can clip the image.
First, we need to define a Band set containing the bands to be clipped. Open the tab Conjunto de bandas (página 38)

clicking the button in the SCP menú (página 21) or the SCP dock (página 23).

Click the button to refresh the layer list, and select the bands: 2, 3, 4, 5, 6, and 7; then click to add
selected rasters to the Band set 1.
In Preprocesamiento (página 56) open the tab Recortar múltiples rásters (página 66). We are going to clip the
Band set 1 which contains Landsat bands.

Click the button and select an area such as the following image (left click in the map for the UL point and
right click in the map for the LR point), or enter the following values:
UL: 330015 / 4324995

5.1. Tutorial 1 145

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 4: Download options

146 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 5: Download of Landsat bands

Figura 6: Band set for clipping

5.1. Tutorial 1 147

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

LR: 349995 / 4309995

Figura 7: Clip area

Click the button RUN and select a directory where clipped bands are saved. New files will be created with
the file name prefix defined in Output name prefix. When the process is completed, clipped rasters are loaded and
displayed.

Convert Data to Surface Reflectance

Conversion to reflectance (see Radiancia y Reflectancia (página 114)) can be performed automatically. The meta-
data file (a .txt file whose name contains MTL) downloaded with the images contains the required information for
the conversion. Read Conversión de la imagen a Reflectancia (página 133) for information about the Reflectancia
en el Techo de la Atmósfera (TOA) (página 134) and Reflectancia de la Superficie (página 135).

In order to convert bands to reflectance, open the Preprocesamiento (página 56) clicking the button in the
SCP menú (página 21) or the SCP dock (página 23), and select the tab Landsat (página 56).

Click the button Directory containing Landsat bands and select the directory of clipped Landsat bands. The
list of bands is automatically loaded in the table Metadatos (página 58).

Click the button Select MTL file and select the metadata file
LC08_L1TP_015033_20170416_20170501_01_T1_MTL.txt from the directory of downloaded

148 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 8: Clipped bands

Landsat images. Metadata information is added to the table Metadatos (página 58).
In order to calculate Reflectancia de la Superficie (página 135) we are going to apply the Corrección DOS1

(página 135); therefore, enable the option Apply DOS1 atmospheric correction.
TIP : In general, it is recommended to perform the DOS1 atmospheric correction for the entire image
(before clipping the image) in order to improve the calculation of parameters based on the image.

For the purpose of this tutorial, uncheck the option Create Band set and use Band set tools because we are
going to define this in the following step Define the Band set and create the Training Input File (página 149).

In order to start the conversion process, click the button RUN and select the directory where converted
bands are saved.

After a few minutes, converted bands are loaded and displayed (file name beginning with RT_). If Play
sound when finished is checked in Procesos para la Clasificación (página 96) settings, a sound is played when the
process is finished.
We can remove all the bands loaded in QGIS layers except the ones whose name begin with RT_.

Define the Band set and create the Training Input File

Now we need to define the Band set which is the input image for SCP. Open the tab Conjunto de bandas (pági-

na 38) clicking the button in the SCP menú (página 21) or the SCP dock (página 23).

In Band set definition click the button to clear all the bands from active band set created during the previous

5.1. Tutorial 1 149

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 9: Landsat 8 conversion to reflectance

150 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 10: Converted Landsat 8 bands

steps.

Click the button to refresh the layer list, and select all the converted bands; then click to add selected
rasters to the Band set.

In the table Band set definition order the band names in ascending order (click to sort bands by name
automatically). Finally, select Landsat 8 OLI from the list Quick wavelength settings, in order to set automatically
the Center wavelength of each band and the Wavelength unit (required for spectral signature calculation).
We can display a Composición de Color (página 119) of bands: Near-Infrared, Red, and Green: in the Barra
de Trabajo (página 34), click the list RGB= and select the item 4-3-2 (corresponding to the band numbers in
Conjunto de bandas (página 38)). You can see that image colors in the map change according to the selected
bands, and vegetation is highlighted in red (if the item 3-2-1 was selected, natural colors would be displayed).
TIP : If a Conjunto de bandas (página 38) is defined, a temporary virtual raster (named Virtual
Band Set 1) is created automatically, which allows for the display of Composición de Color (pá-
gina 119). In order to speed up the visualization, you can show only the virtual raster and hide all the
layers in the QGIS Layers.
Now we need to create the Training input (página 24) in order to collect Áreas de entrenamiento (página 120)
(ROIs) and calculate the Firma Espectral (página 114) thereof (which are used in classification).

In the SCP dock (página 23) select the tab Training input (página 24) and click the button to create the
Training input (define a name such as training.scp). The path of the file is displayed and a vector is added to
QGIS layers with the same name as the Training input (in order to prevent data loss, you should not edit this layer
using QGIS functions).

5.1. Tutorial 1 151

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 11: Definition of a band set

152 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 12: Color composite RGB=4-3-2

Create the ROIs

We are going to create ROIs defining the Clases y Macroclases (página 121). Each ROI is identified by a Class ID
(i.e. C ID), and each ROI is assigned to a land cover class through a Macroclass ID (i.e. MC ID).
Macroclasses are composed of several materials having different spectral signatures; in order to achieve good
classification results we should separate spectral signatures of different materials, even if belonging to the same
macroclass. Thus, we are going to create several ROIs for each macroclass (setting the same MC ID, but assigning
a different C ID to every ROI).
We are going to used the Macroclass IDs defined in the following table.
Macroclasses

Macroclass name Macroclass ID

Water 1
Built-up 2
Vegetation 3
Bare soil (low vegetation) 4

ROIs can be created by manually drawing a polygon or with an automatic region growing algorithm.
Zoom in the map over the dark area in the upper right corner of the image which is a water body. In order to

create manually a ROI inside the dark area, click the button in the Barra de Trabajo (página 34). Left click
on the map to define the ROI vertices and right click to define the last vertex closing the polygon. An orange
semi-transparent polygon is displayed over the image, which is a temporary polygon (i.e. it is not saved in the
Training input).

5.1. Tutorial 1 153

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 13: Definition of Training input in SCP

154 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

TIP : You can draw temporary polygons (the previous one will be overridden) until the shape covers
the intended area.

Figura 14: A temporary ROI created manually

If the shape of the temporary polygon is good we can save it to the Training input.
Open the Training input (página 24) to define the Clases y Macroclases (página 121) . In the ROI Signature list

(página 27) set MC ID = 1 and MC Info = Water; also set C ID = 1 and C Info = Lake. Now click to save
the ROI in the Training input.
After a few seconds, the ROI is listed in the ROI Signature list (página 27) and the spectral signature is calculated

(because Signature was checked).

As you can see, the C ID in ROI Signature list (página 27) is automatically increased by 1. Saved ROI is displayed
as a dark polygon in the map and the temporary ROI is removed. Also, in the ROI Signature list (página 27) you
can notice that the Type is B, meaning that the ROI spectral signature was calculated and saved in the Training
input.
You can also see in the tab Macroclasses (página 28) that the first macroclass has been added to the table Macro-
classes .
Now we are going to create a second ROI for the built-up class using the automatic region growing algorithm.
Zoom in the lower region of the image. In Barra de Trabajo (página 34) set the Dist value to 0.08 . Click the

button in the Barra de Trabajo (página 34) and click over the purple area of the map. After a while the
orange semi-transparent polygon is displayed over the image.
TIP : Dist value should be set according to the range of pixel values; in general, increasing this value
creates larger ROIs.
In the ROI Signature list (página 27) set MC ID = 2 and MC Info = Built-up ; also set C ID = 2 (it should be
already set) and C Info = Buildings.

5.1. Tutorial 1 155

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 15: The ROI saved in the Training input

156 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 16: Macroclasses

5.1. Tutorial 1 157

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 17: A temporary ROI created with the automatic region growing algorithm

158 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 18: The ROI saved in the Training input

5.1. Tutorial 1 159

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Again, the C ID in ROI Signature list (página 27) is automatically increased by 1.

After clicking the button in the Barra de Trabajo (página 34) you should notice that the cursor in the map
displays a value changing over the image. This is the NDVI value of the pixel beneath the cursor (NDVI is

displayed because the function Display is checked in Training input (página 24)). The NDVI value can be
useful for identifying spectrally pure pixels, in fact vegetation has higher NDVI values than soil.
For instance, move the mouse over a vegetation area and left click to create a ROI when you see a local maximum
value. This way, the created ROI and the spectral signature thereof will be particularly representative of healthy
vegetation.

Figura 19: NDVI value of vegetation pixel displayed in the map. Color composite RGB = 4-3-2

Create a ROI for the class Vegetation (red pixels in color composite RGB=4-3-2) and a ROI for the class
Bare soil (low vegetation) (green pixels in color composite RGB=4-3-2) following the same steps
described previously. The following images show a few examples of these classes identified in the map.

160 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 20: Vegetation. Color composite RGB = 4-3-2

5.1. Tutorial 1 161

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 21: Bare soil (low vegetation). Color composite RGB = 4-3-2

162 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Assess the Spectral Signatures

Spectral signatures are used by Algoritmos de clasificación (página 121) for labelling image pixels. Different
materials may have similar spectral signatures (especially considering multispectral images) such as built-up and
soil. If spectral signatures used for classification are too similar, pixels could be misclassified because the algorithm
is unable to discriminate correctly those signatures. Thus, it is useful to assess the Distancia Espectral (página 127)
of signatures to find similar spectral signatures that must be removed. Of course the concept of distance vary
according to the algorithm used for classification.
One can simply assess spectral signature similarity by displaying a signature plot. In order to display the signature
plot, in the ROI Signature list (página 27) highlight two or more spectral signatures (with click in the table), then

click the button . The Gráfico de Firmas Espectrales (página 100) is displayed in a new window. Move and
zoom inside the Gráfico (página 102) to see if signatures are similar (i.e. very close). Double click the color in the
Lista de Firmas (página 101) to change the line color in the plot.
We can see in the following figure a signature plot of different materials.

Figura 22: Spectral plot

In the plot we can see the line of each signature (with the color defined in the ROI Signature list (página 27)), and
the spectral range (minimum and maximum) of each band (i.e. the semi-transparent area colored like the signature
line). The larger is the semi-transparent area of a signature, the higher is the standard deviation, and therefore the
heterogeneity of pixels that composed that signature. Spectral similarity between spectral signatures is highlighted
in orange in the Lista de Firmas (página 101).
Additionally, we can calculate the spectral distances of signatures (for more information see Distancia Espectral
(página 127)). Highlight two or more spectral signatures with click in the table Lista de Firmas (página 101),

then click the button ; distances will be calculated for each pair of signatures. Now open the tab Distancias
espectrales (página 105); we can notice that similarity between signatures vary according to considered algorithm.

5.1. Tutorial 1 163

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 23: Spectral distances

164 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

For instance, two signatures can be very similar for Mapeo del Angulo Espectral (página 124) (very low Angulo
Espectral (página 128)), but quite distant for the Máxima Probabilidad (página 123) (Jeffries-Matusita Distance
(página 127) value near 2). The similarity of signatures is affected by the similarity of materials (in relation to the
number of spectral bands available); also, the way we create ROIs influences the signatures.
Spectral signature values, standard deviation and other details such as the number of ROI pixels are displayed in
the Detalles de firmas (página 102).

Figura 24: Spectral signature values

We need to create several ROIs (i.e. spectral signatures) for each macroclass (repeating the steps in Create the
ROIs (página 153)), assigning a unique C ID to each spectral signature, and assess the spectral distance thereof in
order to avoid the overlap of spectral signatures belonging to different macroclasses.
In the list RGB= of the Barra de Trabajo (página 34) type 3-4-6 (you can also use the tool Lista RGB (pági-
na 41)). Using this color composite, urban areas are purple and vegetation is green. You can notice that this color
composite RGB = 3-4-6 highlights roads more than natural color (RGB = 3-2-1).
The following examples display a few RGB color composites of Landsat images.
TIP : Change frequently the Composición de Color (página 119) in order to clearly identify the
materials at the ground; use the mouse wheel on the list RGB= of the Barra de Trabajo (página 34)

for changing the color composite rapidly; also use the buttons and for better displaying the
Input image (i.e. image stretching).

It is worth mentioning that you can show or hide the temporary ROI clicking the button ROI in Barra de
Trabajo (página 34).
TIP : Install the plugin QuickMapServices in QGIS, and add a map (e.g. OpenStreetMap) in order to
facilitate the identification of ROIs using high resolution data.

5.1. Tutorial 1 165

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 25: Color composite RGB = 3-4-6

Figura 26: Built-up ROI: large buildings

166 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 27: Built-up ROI: road

Figura 28: Built-up ROI: buildings, narrow roads

5.1. Tutorial 1 167

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 29: Vegetation ROI: deciduous trees

Figura 30: Vegetation ROI: riparian vegetation

168 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Create a Classification Preview

The classification process is based on collected ROIs (and spectral signatures thereof). It is useful to create a
Clasificación preliminar (página 35) in order to assess the results (influenced by spectral signatures) before the
final classification. In case the results are not good, we can collect more ROIs to better classify land cover.
Before running a classification (or a preview), set the color of land cover classes that will be displayed in the
classification raster. In the ROI Signature list (página 27), double click the color (in the column Color) of each
ROI to choose a representative color of each class.
Also, we need to set the color for macroclasses in table Macroclasses (página 28).
Now we need to select the classification algorithm. In this tutorial we are going to use the Máxima Probabilidad
(página 123).

Open the Classification (página 30) to set the use of classes or macroclasses. Check Use C ID and in Algo-
rithm (página 30) select the Maximum Likelihood.

In Clasificación preliminar (página 35) set Size = 300; click the button and then left click a point of the image
in the map. The classification process should be rapid, and the result is a classified square centered in clicked point.
Previews are temporary rasters (deleted after QGIS is closed) placed in a group named Class_temp_group in

the QGIS panel Layers. Now in Classification (página 30) check Use MC ID and click the button in
Clasificación preliminar (página 35).
We can see that now there are only 4 colors representing the macroclasses.
TIP : When loading a previously saved QGIS project, a message could ask to handle missing layers,
which are temporary layers that SCP creates during each session and are deleted afterwards; you can
click Cancel and ignore these layers; also, you can delete these temporary layers clicking the button

in Barra de Trabajo (página 34).

In general, it is good to perform a classification preview every time a ROI (or a spectral signature) is added to the
ROI Signature list (página 27). Therefore, the phases Create the ROIs (página 153) and Create a Classification
Preview (página 169) should be iterative and concurrent processes.

Create the Classification Output

Assuming that the results of classification previews were good (i.e. pixels are assigned to the correct class defined
in the ROI Signature list (página 27)), we can perform the actual land cover classification of the whole image.

In Classification (página 30) check Use MC ID. In the Classification output (página 33) click the button

and define the path of the classification output, which is a raster file (.tif). If Play sound when finished
is checked in Procesos para la Clasificación (página 96) settings, a sound is played when the process is finished.
Well done! You have just performed your first land cover classification.
However, you can see that there are several classification errors, because the number of ROIs (spectral signatures)
is insufficient.
We can improve the classification using some of the tools that will be described in other tutorials.

5.2 Tutorial 2

The following is a tutorial about the functions of the Semi-Automatic Classification Plugin (SCP). It is assumed
that you have a basic knowledge of QGIS.

5.2. Tutorial 2 169

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 31: Definition of class colors

170 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 32: Definition of macroclass colors

5.2. Tutorial 2 171

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 33: Setting the algorithm and using C ID

172 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 34: Classification preview displayed over the image using C ID

Figura 35: Classification preview displayed over the image using MC ID

5.2. Tutorial 2 173

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 36: Result of the land cover classification

Figura 37: Example of error: Water bodies classified as Built-up

174 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 38: Example of error: Built-up classified as vegetation

Tutorial 2: Cloud Masking, Image Mosaic, and Land Cover Change Location (página 175)
• Download the Data (página 175)
• Create the cloud cover mask (página 183)
• Mask clouds in the Sentinel-2 image (página 184)
• Mosaic the Sentinel-2 images (página 184)
• Land cover change (página 188)

5.2.1 Tutorial 2: Cloud Masking, Image Mosaic, and Land Cover Change Loca-
tion

This tutorial is about the use of SCP for the assessment of land cover change of a multispectral image. It is
recommended to complete the Tutorial 1: Your First Land Cover Classification (página 141) before this tutorial.
The purpose of this tutorial is to locate land cover change over one year (between 2017 and 2018), using free
Sentinel-2 images.
Following the video of this tutorial.
http://www.youtube.com/watch?v=xm9s97GPs0Y

Download the Data

We are going to download a Satélite Sentinel-2 (página 116) image (Copernicus land monitoring services) and use
the bands illustrated in the following table.

5.2. Tutorial 2 175

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 39: Workflow

176 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Sentinel-2 Bands Central Wavelength [micrometers] Resolution [meters]

Band 2 - Blue 0.490 10
Band 3 - Green 0.560 10
Band 4 - Red 0.665 10
Band 5 - Vegetation Red Edge 0.705 20
Band 6 - Vegetation Red Edge 0.740 20
Band 7 - Vegetation Red Edge 0.783 20
Band 8 - NIR 0.842 10
Band 8A - Vegetation Red Edge 0.865 20
Band 11 - SWIR 1.610 20
Band 12 - SWIR 2.190 20

Start QGIS and the SCP . Open the tab Descargar productos (página 51) clicking the button in the Home

(página 24), or in the SCP menú (página 21). In the tab Descargar productos (página 51) click the button to
display the OpenStreetMap tiles (© OpenStreetMap contributors) in the QGIS map, licensed as CC BY-SA (Tile
Usage Policy ).

In general it is possible to define the area coordinates clicking the button , then left click in the map for
the UL point and right click in the map for the LR point. In this tutorial the study area is Rome (Italy), therefore
click in the map to define the search area, or alternatively, enter these point coordinates in Search parameters
(página 53):
UL: 12.4 / 41.9
LR: 12.5 / 41.8
The purpose of this tutorial is to map the land cover change between 2017 and 2018, therefore we need to download
at least two images. Because of cloud cover, we are going to download an additional image for 2016, which will
be used to replace pixels covered by clouds in the first image. We are searching for three images (tile 33TTG)
acquired on:
01 January 2017
10 February 2017
10 February 2018
Therefore, we need to perform three searches. Select Sentinel-2 from the Products and set:
Date from: 2017-01-01
to: 2017-01-01
In this case, enter L1C_T33TTG in Filter to filter the results only for the tile 33TTG.

Now click the button Find and after a few seconds the image will be listed in the Product list (página 54).
Click the item in the table to display a preview that is useful for assessing the quality of the image and the cloud
cover.
Repeat the date definition and the search also for the 2017-02-10 image. You can notice that there are a few clouds
over the area, therefore we are going to mosaic this image with the one acquired on 2017-01-01.
Finally, repeat the search for the 2018-02-10 image.
We can also select the bands to be downloaded according to our purpose. In particular, select the tab Opciones de
Descarga (página 56) and check only the Sentinel-2 bands that will be used in this tutorial and the ancillary data.

For the purpose of this tutorial, uncheck the option Only if preview in Layers because we want to download
and preprocess all the images listed in the table.

5.2. Tutorial 2 177

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 40: Search products

178 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 41: Search result

5.2. Tutorial 2 179

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 42: Search result of second image

180 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 43: Search results

5.2. Tutorial 2 181

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 44: Download options

182 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Before starting the download we need to set the preprocessing options in the tab Sentinel-2 (página 59) for prefor-

ming the Corrección DOS1 (página 135). Check the options Apply DOS1 atmospheric correction and
Add bands in a new Band set to automatically create a Band set for each image.

Figura 45: Preprocessing options

To start the image download, in the tab Descargar productos (página 51) click the button RUN and select a
directory where bands are saved (a new directory will be created for each image). The download could last a few
minutes according to your internet connection speed. The download progress is displayed in a bar.
After the download, all the bands of all the Sentinel-2 images (© Copernicus Sentinel data 2018) are automatically
loaded in the map. We can also display the RGB color composite of the Band sets clicking the list RGB= in the
Barra de Trabajo (página 34), and selecting the item 3-2-1.

Create the cloud cover mask

Before the land cover change assessment, we need to remove cloud cover pixels in the image acquired on 2017-
02-10. Of course we could perform the same process for all the other images.
In QGIS, load the file MSK_CLOUDS_B00.gml that should be inside the directory
L1C_T33TTG_A008556_20170210T100132_2017-02-10 . This vector file represents most of the
cloud cover in the image. In QGIS Layers Panel, left click the vector MSK_CLOUDS_B00 MaskFeature and
select Export > Save Feature as to save this gml file to shapefile (e.g. clouds.shp).
We can convert this vector file to raster using the tab Vectorial a ráster (página 65).

Click the button to refresh the layer list, and select the vector clouds. Check the Use constant value
to set the raster value 1 for clouds. Also, in Select the reference raster select the name of a band. This will create

5.2. Tutorial 2 183

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 46: Download of Sentinel-2 bands

a raster with the same size and aligned to the Sentinel-2 image. Finally click the button RUN to create the
mask.
We could also improve the mask by manually editing the pixel of the raster using the tool Editar ráster (página 84)
or creating a semi-automatic classification of clouds.

Mask clouds in the Sentinel-2 image

We are going to mask all the pixels covered by clouds in all the bands composing the Band set of the image
acquired on 2017-02-10.
In the tab Cloud masking (página 70), set the number of the 2017-02-10 Band set in Select input band set. In Select
the classification we select the mask created at the previous step. Enter 1 in Mask class values. Finally, uncheck

Use buffer of pixel size to speed up the masking process.

Now click the button RUN to select the output directory and start the masking process.

Mosaic the Sentinel-2 images

We are going to mosaic the 2017 images in order to create a cloud free image to be used for land cover change.
We use the image acquired on 2017-01-01 to fill the gaps in the 2017-02-10 image. In the tab Conjunto de bandas

(página 38), add a new Band set with the button and add the masked bands.
Now we can mosaic the 2017 images.

184 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 47: Vector to raster mask

5.2. Tutorial 2 185

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 48: Mask clouds

186 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 49: New Band set

5.2. Tutorial 2 187

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

In the tab Mosaic of band sets (página 70), in the Band set list enter the number of the 2017-02-10 masked Band

set, followed by comma, followed by the number of the 2017-01-01 Band set. Now click the button RUN
to select the output directory and start the masking process.

Figura 50: Mosaic Band sets

We could have used more than 2 Band sets. The process automatically mosaic the corresponding bands of the
input Band sets filling the NoData gaps of the first Band set with the pixels of the following Band sets. The mosaic
bands are automatically added to the map.

Land cover change

We are going to automatically locate the land cover change between the image mosaic of 2017 and the 2018 image.
SCP includes a tool that allows for calculating the spectral distance between every corresponding pixel of two
Band sets, and creating a raster of changes through a spectral distance threshold.

In the tab Conjunto de bandas (página 38), add a new Band set with the button and add the mosaic bands.
In the tab Spectral distance (página 74), set the number of the 2017 mosaic Band set in Select first input band set,

and set the number of the 2018 Band set in Select second input band set. In Distance algorithm check the

Spectral Angle Mapping. Check the Distance threshold and set the value 10 that is the threshold used for
creating the raster of changes.

Now click the button RUN to select the output directory and start the masking process.
After a while, the spectral distance raster and the raster of changes are added to the map

188 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 51: Mosaic of 2017 images

Figura 52: New Band set

5.2. Tutorial 2 189

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 53: Spectral distance

190 Capítulo 5. Tutoriales Básicos

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 54: Raster of changes

5.2. Tutorial 2 191

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

This is an automatic method for locating land cover changes. We can see that most land cover changes are due to
crop variations.
For instance, this method could be useful to assess vegetation burnt area or forest logging. We could set a different
threshold value for increasing or reducing the number of pixels identified as changes.
Of course, in order to identify the type of land cover change we should identify the land cover classes of the images
through photo-interpretation or with semi-automatic classification.

192 Capítulo 5. Tutoriales Básicos

 CAPÍTULO 6

Advanced Tutorials

The following are advanced tutorials using the Semi-Automatic Classification Plugin (SCP). It is assumed that
you have already performed the Tutoriales Básicos (página 141).

6.1 Tutorial 3

The following is a tutorial about the functions of the Semi-Automatic Classification Plugin (SCP). It is assumed
that you have a basic knowledge of QGIS.

Tutorial 3: Accuracy Assessment of a Land Cover Classification (página 193)

• Sample Design (página 194)
• Sample Collection and Photo-Intepretation (página 196)
• Calculation of Accuracy Statistics (página 202)

6.1.1 Tutorial 3: Accuracy Assessment of a Land Cover Classification

Accuracy assessment is a fundamental step after land cover classification in order to evaluate errors, globally and
for each class, and finally evaluate the reliability of the map.
This post is a tutorial about accuracy assessment of a land cover classification using the Semi-Automatic Classi-
fication Plugin (SCP) for QGIS. We are going to use the function of SCP to create ROIs using stratified random
points (a new function of SCP 6.4.0), which will be photo-interpreted and used as reference for the accuracy as-
sessment. The SCP tool Exactitud (página 76) will take care of the rest, providing the error matrix and the accuracy
estimates.
The following is the video tutorial, and the following text illustrates the phases in detail.
http://www.youtube.com/watch?v=H1cL0yhIygg
Accuracy assessment is performed comparing a sample of points (ground truth) to the classification. There are
several ways to choose the sample size and the allocation thereof (sample scheme). The sample should be designed
in order to achieve low standard errors of accuracy estimates, and usually this is achieved by random selection of
samples.

193
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Sample design depends on several variables such as the proportions of land cover classes and the standard errors
that we expect for the overall land cover classification and single classes. In order to reduce standard errors of
class specific estimates, it is recommended to stratify the sample. For further details about how to determine the
sample size and the stratification, please refer to «Olofsson, et al., 2014. Good practices for estimating area and
assessing accuracy of land change. Remote Sensing of Environment, 148, 42 – 57».

Sample Design

This tutorial assumes that you have already performed the classification of a Landsat image following the ins-
tructions of this previous Tutorial 1: Your First Land Cover Classification (página 141). You can download the
classification raster from this archive .
The land cover classes are described in the following table.
Classes

Macroclass name Class ID

Water 1
Built-up 2
Vegetation 3
Bare soil (low vegetation) 4

Basically, the main requirement is to provide an adequate number of samples for each class, even if the class area
proportion (𝑊𝑖 ) is low. The number of samples (𝑁 ) should be calculated as (Olofsson, et al., 2014):
𝑐
∑︁
𝑁 = ( (𝑊𝑖 − 𝑆𝑖 )/𝑆𝑜 )2
𝑖=1

where:
𝑊𝑖 = mapped area proportion of class i;
𝑆𝑖 = standard deviation of stratum i;
𝑆𝑜 = expected standard deviation of overall accuracy;
𝑐 = total number of classes;
This requires some conjectures about overall accuracy and user’s accuracy of each class. We should base these
conjectures on previous studies. One can hypothesize that user’s accuracy is lower and standard deviations 𝑆𝑖 is
higher for classes having low area proportion, but of course these values should be carefully evaluated.
To get 𝑊𝑖 start QGIS and load the classification raster.

Open the SCP menú (página 21) and click the tab Reporte de la clasificación (página 78) under the submenu

Postprocessing . This tool allows for estimating class area and class percentage.

Click the button to refresh the layer list, and select the classification raster in Select the classification

; next click RUN to start the calculation; the output report is saved in a text file and displayed in the tab
Output.
The report table contains the percentage of each class, which we divide by 100 to get the required 𝑊𝑖 . In this
tutorial we assume 𝑆𝑜 = 0,01 and conjecture the 𝑆𝑖 values reported in the following table (of course, these
assumptions are specific of this classification, other assumptions should be made for other classifications).
Conjectured standard deviations

194 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 1: Classification report

6.1. Tutorial 3 195

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Land Cover Class Area 𝑚2 𝑊𝑖 𝑆𝑖 𝑊𝑖 * 𝑆𝑖

1 976,500 0.0033 0.4 0.0013
2 111,267,000 0.3713 0.3 0.1114
3 187,018,200 0.6240 0.2 0.1248
4 438,300 0.0015 0.5 0.0007
Total 0.2382

Therefore, 𝑁 = (0,2382/0,01)2 = 567 is the number of samples that we should distribute among classes.
To stratify the sample we should conjecture user’s accuracy and standard deviations of strata (Olofsson, et al.,
2014).
A rough approximation is considering the mean value between equal distribution (𝑁𝑖 = 𝑁/𝑐) and weighted
distribution (𝑁𝑖 = 𝑁 * 𝑊𝑖 ), which is 𝑁𝑖 = (𝑁/𝑐 + 𝑁 * 𝑊𝑖 )/2 as illustrated in the following table.
Sample stratification

Land Cover Class Weighted Equal Mean

1 2 142 72
2 210 142 176
3 354 142 248
4 1 142 71
Total 567

Sample Collection and Photo-Intepretation

This phase involves the creation of (randomly selected) single pixel Áreas de entrenamiento (página 120) (ROIs),
and the attribution of a land cover class based on photo-interpretation of each ROI.
First, we need to define a Band set containing the classification raster that is an input required by the other tools
we are going to use.

Open the tab Conjunto de bandas (página 38) clicking the button in the SCP menú (página 21) or the SCP

dock (página 23). Click the button to refresh the layer list, and select the classification raster; then click
to add selected raster to the Band set 1.
We need to create the Training input (página 24) in order to collect ROIs that will be the actual samples.

In the SCP dock (página 23) select the tab Training input (página 24) and click the button to create the
Training input (define a name such as sample.scp). The path of the file is displayed and a vector is added to
QGIS layers with the same name as the Training input (in order to prevent data loss, you should not edit this layer
using QGIS functions).
Now we are going to create the stratified random sample using the SCP tool Multiple ROI creation. This tool
allows for the random creation of point coordinates according to the sample scheme previously defined.

TIP : In case you have already collected samples you can import (using the button ) a shapefile
or a csv file containing the coordinates and the classification codes.
This tool works in two steps:
1. randomly select point coordinates defining ROI parameters;
2. actually create ROI polygons based on point coordinates;
During the first step, in addition to point coordinates, other fields are automatically filled in the table from the
parameters set in the Barra de Trabajo (página 34), such as the minimum and maximum ROI size. In this tutorial
we use single pixel ROIs, although cluster sampling (several pixels per ROI) is also used for accuracy assessment.

196 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 2: Band set definition

6.1. Tutorial 3 197

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 3: Training input

198 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

To avoid manually editing these fields after the random point creation, in ROI Temporal (página 34) we need to
set the parameters Min = 1 and Max = 1. Created random samples will have the size of 1 pixel.

Now, open the SCP menú (página 21) and click the tab Creación de ROI Múltiples (página 43) under the

submenu Basic tools .

Figura 4: Multiple ROI creation

To reduce the photo-intepretation time (considering the illustrative purpose of this tutorial and that the classifica-
tion is a subset of a Landsat image), we are going to divide the number of samples by 10 according to the following
table (of course, in real cases we must use all the samples as designed).
Number of stratified samples

Land Cover Class Samples

1 7
2 18
3 25
4 7
Total 57

In Number of points enter 7 that is the number of samples designed for class 1. In the tab Creación de ROI

Múltiples (página 43) check the option stratified for the values and enter the first expression raster ==
1 (notice the double «=»). This expression means that we are going to randomly select points that fall over pixels
having value 1 of the classification (that is the first band of the Band set 1).

Therefore click Create points to start the random creation. After a while point coordinates will be added to

6.1. Tutorial 3 199

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

the table Coordenadas de punto y definición de ROI (página 44).

Figura 5: Samples for class 1

Now we repeat the above steps for class 2. In Number of points enter 18 and in stratified for the values enter

raster == 2. Click Create points and the samples will be added to the table.
Repeat the same steps for class 3 (25 points and raster == 3) and for class 4 (57 points and raster ==
4). Now that we have all the required samples we can create the ROIs (the single pixel polygons that will be
photo-interpreted).

Uncheck the option Calculate sig. because we don’t need the spectral signature of ROIs and click RUN

. After a while the ROIs will be added to the the Training input.
The type R means that, of course, spectral signatures were not calculated. All the created ROIs have the same
MC ID (i.e. macroclass ID) and C ID (i.e. class ID); now we can assign the correct class (MC ID) to each ROI
with photo-interpretation using images with resolution higher than the classification, or other services such as
OpenStreetMap).
In the ROI Signature list (página 27), double click on the first ROI in order to zoom to the ROI; after photo-
interpreting the class we can assing the correct MC ID and C ID with a click on the corresponding field in the ROI
list.
Of course we need to perform the photo-interpretation of all the samples, assigning the correct code. The photo-
interpretation should be performed without considerding the classification raster. It is worth highlighting that
spatial resolution (i.e. 30m) implies mixed pixels (i.e. pixels made of multiple materials at ground); therefore,
during the photo-interpretation we must consider the most prevalent land cover in the ROI area.

200 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 6: Samples added to the training input

6.1. Tutorial 3 201

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 7: A sample over a road photo-interpreted using a Copernicus Sentinel-2 image

Calculation of Accuracy Statistics

After the photo-interpretation of all the samples, we can perform the accuracy assessment by comparing the ROIs
to the classification. If you have skipped the previous step, you can download the photo-interpreted sample from
here .
The process will produce an an error raster (a .tif file showing the errors in the map, where pixel values represent
the combinations between the classification and reference identified by the ErrorMatrixCode in the error
matrix) and a text file (i.e. a .csv file separated by tab) containing the error matrix and the accuracy statistics.

Open the SCP menú (página 21) and click the tab Exactitud (página 76) under the submenu Postpro-
cessing .

In Select the classification to assess select the classification (click the button if the raster isn’t
in the list).
In Select the reference vector or raster select the sample vector that is the Training input (página 24), and
in Vector field select MC_ID that is the vector field containing the class values.

Now we can click RUN to start the raster processing.

After the calculation the accuracy statistics are displayed in the output interface and the error raster is loaded in
QGIS.
Several statistics are calculated such as overall accuracy, user’s accuracy, producer’s accuracy, and Kappa hat. In
particular, these statistics are calculated according to the area based error matrix (Olofsson, et al., 2014) where
each element represents the estimated area proportion of each class. This allows for estimating the unbiased user’s
accuracy and producer’s accuracy, the unbiased area of classes according to reference data, and the standard error

202 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 8: The tool Accuracy

Figura 9: Output

6.1. Tutorial 3 203

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

of area estimates and the confidence intervals. Of course the standard errors are influenced by the low number of
samples that we have collected in this tutorial.
Area based error matrix

Reference
1 2 3 4
Classified 1 0.0023 0 0.0009 0
2 0 0.3094 0.0619 0
3 0 0.0998 0.5242 0
4 0 0 0.0004 0.0010
Total 0.0023 0.4092 0.5874 0.0010

The overall accuracy is 83.7 % that is a good result (above 80 %). However, this classification was produced for
the first basic tutorial, therefore the classification could be improved. Also, note that we used a number of samples
lower than designed sample.
The user’s and producer’s accuracy are provided for each class.
Producer’s and user’s accuracy

1 2 3 4
Producer’s accuracy 100.0 75.6 89.2 100.0
User’s accuracy 71.4 83.3 84.0 71.4

We can see that classes 1 and 4 (bare soil and water respectively) have low user’s accuracy, while class 2 (built-up)
has low producer’s accuracy. We also get the unbiased area estimates (in 𝑚2 ) and the confidence intervals.
Unbiased area estimates

1 2 3 4
Area 697,500 122,645,412 176,044,017 313,071
95 % Confidence interval Area 352,984 33,778,661 33,780,877 158,436

These estimates are quite different from the ones directly derived from the classification raster (in the classification
report), but are based on reference data. For instance, the class 2 (built-up) has an estimated area of 122,645,412
𝑚2 , while it resulted 111,267,000 𝑚2 from the classification raster. Also, the confidence intervals provide infor-
mation about the uncertainty of these estimates.

6.2 Tutorial 4

The following is a tutorial about the functions of the Semi-Automatic Classification Plugin (SCP). It is assumed
that you have a basic knowledge of QGIS.

Tutorial 4: Postprocessing tools for assessing land cover change (página 205)
• Refine the classifications with direct editing (página 205)
• Classification report (página 208)
• Reclassification (página 208)
• Remove isolated pixels (página 211)
• Assess land cover change (página 212)
• Analyze the context of land cover changes (página 214)

204 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

• Assess the spectral signature of changes (página 216)

• Export the changes to vector format (página 219)

6.2.1 Tutorial 4: Postprocessing tools for assessing land cover change

This tutorial aims to analyze land cover change using SCP Postprocessing tools. Basically, we are going to assess
land cover change from two raster classifications, and relate the changes to a land use vector file. An overview of
several postprocessing tools is also provided.
The following is the video tutorial, and the following text illustrates the phases in detail.
http://www.youtube.com/watch?v=0IUosyr4pRw
The tools can be applied to any land cover classification, but we are going to use Copernicus data, which are
freely available (as established by the EU Regulation No 1159/2013 of 12 July 2013) and cover the European
countries. Of course, this tutorial is designed for demonstration purposes and it is not endorsed by the European
Union. The original Copernicus data (produced with funding by the European Union) are downloaded from https:
//land.copernicus.eu/ and remain the sole property of the European Union.
Following, a brief description of the data we are going to use.
The Copernicus High Resolution Layers are raster classifications with 20m spatial resolution. Several land cover
classes are available, but in this tutorial we are going to use the Imperviousness Density for 2012 and 2015.
These data classify the degree of imperviousness (0-100 % of impermeable cover of soil), which is the artificially
sealed area. The Imperviousness Density was produced using automatic derivation based on calibrated Normalized
Difference Vegetation Index. You can find the detailed product specifications here.
The Copernicus Corine Land Cover is a land use/land cover vector produced by standard methodology of photo-
interpretation of satellite images. The vector is classified in 44 classes divided in 3 hierarchical levels with mini-
mum mapping unit of 25 hectares. In this tutorial we are considering only the first level of Corine Land Cover
2012, divided in these classes:
1. artificial surfaces
2. agricultural areas
3. forests and semi-natural areas
4. wetlands
5. water bodies

Refine the classifications with direct editing

You can download the data for this tutorial from this archive , or use your own data (two classification rasters and
a land use vector).
For this tutorial, the original Copernicus data were modified by clipping the rasters to a small area over Florence
(Italy).
Start QGIS and load the two rasters IMD_2012.tif and IMD_2015.tif that are Copernicus Imperviousness
Density for 2012 and 2015 respectively. As you can see, the rasters have values from 0 to 100, representing the
degree of imperviousness.
It is useful to refine the classification by photo-interpretation, especially for data produced by semi-automatic
processing.
We can use high resolution images or other services such as OpenStreetMap. For example you can follow this
tutorial Download the Data (página 142) to download satellite images, or you can download a subset of a Landsat
8 image, already converted to reflectance, from this link (about 27 MB, data available from the U.S. Geological
Survey), unzip the downloaded file, and load the bands in QGIS.
First, we need to define a Band set containing a classification raster (this is required for drawing ROIs).

6.2. Tutorial 4 205

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Open the tab Conjunto de bandas (página 38) clicking the button in the SCP menú (página 21) or the SCP

dock (página 23). Click the button to refresh the layer list, and select the IMD_2012 raster (just this raster

is sufficient); then click to add selected raster to the Band set 1.

Figura 10: Band set definition

Optionally, we can create a band set for the satellite image to display a color composite; open the tab Conjunto de

bandas (página 38) and select all the Landsat bands in the list; click to add a new band set, then click
to add selected rasters to the Band set 2.
In QGIS zoom to an area where we want to correct the classification. In this case we are going to manually remove
a few pixels pretending they are classification errors.

We need to manually create a ROI, but first check that the Band set 1 is active. Now click the button in the
Barra de Trabajo (página 34). Left click on the map to define the ROI vertices and right click to define the last
vertex closing the polygon. An orange semi-transparent polygon is displayed over the image, which is a temporary
polygon (in this case we don’t need to define the Training input).

Now open the tool Editar ráster (página 84) opening the SCP menú (página 21) and the submenu
Postprocessing . Select the Input raster, for instance IMD_2012. According to the legend of Imperviousness

Density, in Use constant value enter 100 (we want to correct impervious pixels; in case we would like to

correct not impervious pixels we would enter the value 0). The other options are fine. Therefore, click RUN
to edit the raster.

206 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 11: Band set of the Landsat image

Figura 12: Manual ROI polygon

6.2. Tutorial 4 207

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Attention: the input raster is directly edited; it is recommended to create a backup copy of the input
raster before using this tool in order to prevent data loss.

Figura 13: The raster modified

Of course we could repeat these steps to edit any area of the raster.
TIP : Sometimes changes are not immediately visibile because the raster is not refreshed; try to zoom
out and zoom in to refresh the view.

Classification report

It could be interesting to know the area of each land cover class. In order to get the area statistics, open the

SCP menú (página 21) and click the tab Reporte de la clasificación (página 78) under the submenu
Postprocessing .

Click the button to refresh the layer list, and select the IMD_2012 raster in Select the classification

; next click RUN to start the calculation; the output report is saved in a text file and displayed in the tab
Output.
We can repeat the same steps for the IMD_2015 raster. Over the 86 % of the area is not impervious.

Reclassification

Before calculating land cover change it is convenient to reclassify the imperviousness degree into two classes:
built-up and not built-up. A possible threshold for the distinction between built-up and not built-up is 30 % (for
further information read this document ). We can reclassify the raster using the SCP tool, obtaining the simple
classification 1 = built-up and 0 = not built-up.

208 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 14: Report tool

6.2. Tutorial 4 209

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 15: The classification report

210 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Open the tool Reclasificación (página 82). In Select the classification select the raster IMD_2012. Click the

button twice to add two rows to the table. We need to enter the expressions illustrated in the following table.
Reclassification table

Old value New value

raster < 30 0
raster >= 30 1

Uncheck the options Use code from Signature list and click RUN to start the reclassification. A new
raster will be created (e.g. BU_2012).

Figura 16: Reclassification tool

Now select the IMD_2015 (the reclassification table is the same as before) and click RUN to reclassify
the 2015 raster (e.g. BU_2015). Now the two reclassified rasters are loaded in the map and we can assing an
appropriate symbology.

Remove isolated pixels

We are going to compute the land cover change, but first we may want to remove isolated pixels in order to
improve the analysis. In fact, single pixels may not represent real changes between the two classifications, because
of geometrical shifts or isolated classification errors. Of course, this step is not always required, and it should be
avoided if the purpose of the analysis is to find also the smallest changes.

6.2. Tutorial 4 211

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 17: Reclassified rasters

We are going to use classification sieve for removing single pixels. Open the tool Filtrado de la Clasificación
(página 85).
In Size threshold leave 2; all patches smaller the the selected number of pixels (i.e. single pixels) will be replaced
by the value of the largest neighbour patch. Of course we could increase this value if we want to remove larger
patches.
In Select the classification select the raster BU_2012. The option 4 in Pixel connection determines how pixels
are considered connected, that is in a 3x3 window diagonal pixels are not considered connected. If we select the
option 8 also diagonal pixels are considered connected.

Now click RUN to create the new raster BU_2012_sieve.

Of course, we should repeat these steps also for raster BU_2015 to create the new raster BU_2015_sieve.

Assess land cover change

Now we can use the tool to assess land cover change between the two classifications 2012 and 2015. Open the tool

Cambio de cobertura del suelo (página 77).

This tool is quite straightforward. Click the button to refresh the layer list. In Select the reference classifica-
tion select the BU_2012_sieve raster, that is the first classification. In Select the new classification select the
BU_2015_sieve raster, that is the latest classification.

Uncheck the option Report unchanged pixels, because we want to report only the pixels where the classifi-

212 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 18: Tool classification sieve

Figura 19: The rasters after removing isolated pixels

6.2. Tutorial 4 213

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

cation changed between 2012 and 2015. Now click RUN to create the new land cover change raster (e.g.
change). Also, a text file is created (i.e. a file .csv separated by tab) containing the land cover change statistics.

Figura 20: Land cover change tool

The values of the land cover change raster represent a combination between reference and new classification, as
described in the text file. In this case, only the value 1 is present that is the condition where BU_2012_sieve =
0 and BU_2015_sieve = 1.
From the report we ca read that 520 pixels changed from 0 to 1, while no pixel changed from 1 to 0 between years
2012 and 2015.

Analyze the context of land cover changes

Now, it could be interesting to compare land cover change to other data such as land use, in order to analyze the
context of new built-up areas. We are going to cross the land cover changes to the vector of Corine Land Cover;
this way we can differentiate the new built-up areas according to Corine Land Cover classification system.
The original Corine Land Cover data were modified by clipping to a small area over Florence (Italy) and adding a
field Class_1 filled with the first level of classification.
Load in QGIS the Copernicus Corine Land Cover shapefile CLC_2012.shp previously downloaded. You can
see the symbology of the first level Corine Land Cover classes that are:
1. artificial surfaces
2. agricultural areas
3. forests and semi-natural areas
4. wetlands

214 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 21: Land cover change raster

Figura 22: Land cover change report

6.2. Tutorial 4 215

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

5. water bodies

Figura 23: A subset of Corine Land Cover

Open the tool Clasificación cruzada (página 79). Click the button to refresh the layer list. In Select the

classification select the change raster, that is our land cover change. Check Use NoData value and set the
value 0, in order to exclude unchanged pixels (having value 0 in the change raster) from the analysis.
In Select the reference vector or raster select the vector CLC_2012 and in Vector field select the field Class_1,
containing the code of first level classes.

Now click RUN to create a new raster of comparison (e.g. change_CLC). The output will report the area
of each combination between change code and CLC_2012 code.
From the cross matrix we can evaluate the area in 𝑚2 of built-up changes occurrend in the 5 classes of Corine
Land Cover classification.
Cross matrix

CLC_2012
1 2 3 4 5
Change 1 157600 48400 2000 0 0

The tool Clasificación cruzada (página 79) can be very useful also for other analyses that involve the comparison
with other data, such as population or flood risk, but this could be the subject of other tutorials.

Assess the spectral signature of changes

An optional step could be the assessment of the spectral signature of changes. We can download satellite images
(see Tutorial 1: Your First Land Cover Classification (página 141) for the details) and calculate spectral signatures

216 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 24: Cross classification tool

6.2. Tutorial 4 217

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

for monitoring the changes through time.

We are going to use the Landsat 8 image downloaded at the beginning of this tutorial for calculating the spectral
signature of changes. First, we need to create a Training input to store the spectral signatures calculated from the

classes. In the SCP dock (página 23) select the tab Training input (página 24) and click the button to create
the Training input (define a name such as signatures.scp). The path of the file is displayed and a vector is
added to QGIS layers with the same name as the Training input (in order to prevent data loss, you should not edit
this layer using QGIS functions).

Now open the tool Class signature (página 80) opening the SCP menú (página 21) and the submenu
Postprocessing . In Select the classification select the raster change_CLC, thus we can distinguish the
spectral signatures of changes. In Select input band set enter the number of the band set containing the Landsat 8

bands (i.e. 2). Now click RUN to start the calculation.

Figura 25: The tool for extracting spectral signatures from classes

After a while the spectral signatures are loaded in the Training input.
If the changes involved vegetation, we could calculate spectral signatures for images acquired in different seasons
and assess the phenological variations of vegetation through spectral signatures. Also, these spectral signatures
could be used as training input for further land cover classifications.
In order to display the signature plot, in the ROI Signature list (página 27) highlight two or more spectral signatures

(with click in the table), then click the button . The Gráfico de Firmas Espectrales (página 100) is displayed
in a new window.

218 Capítulo 6. Advanced Tutorials

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 26: The calculated spectral signatures

Export the changes to vector format

This is an optional step that may be useful for further analyses and integration with other data. We are going to
convert the change raster to vector.

Open the tool Clasificación a vectorial (página 81). In Select the classification select the change_CLC

raster and uncheck the Use code from Signature list. Now click RUN to create a new vector (e.g.
change_vector).
In the attribute table of this change_vector you can see the field C_ID that represents the code of the change
raster as described in Assess land cover change (página 212). Of course we could delete the polygons with code 0
(unchanged area), displaying only changes with code 1.

6.2. Tutorial 4 219

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 27: Raster to vector tool

Figura 28: The vector of changes over the Landsat image

220 Capítulo 6. Advanced Tutorials

 CAPÍTULO 7

Semi-Automatic OS

A ser actualizado
El Semi-Automatic OS es una máquina virtual ligera para la clasificación de la cobertura del suelo de imagenes de
teledetección. Incluye el Plugin Semi-Automatic Classification (SCP) para QGIS, ya configurado junto con todas
las dependencias requeridas.

Figura 1: Semi-Automatic OS desktop

El Semi-Automatic OS está basado en Debian ,y está diseñado para ocupar muy pocos recursos de hardware.
Usa LXQT como entorno de escritorio principal. Esta máquina virtual puede ser utilizada para probar el Plugin
Semi-Automatic Classification, o cuando la instalación de los programas requeridos en el sistema host es proble-
mática.|br|. El Semi-Automatic OS está disponible como máquina virtual de 64 bit que puede ser ejecutada en el
VirtualBox de codigo abierto, o en otro programa de virtualización. Lo siguiente es una guia para la instalación
de el Semi-Automatic OS en el programa de codigo abierto de virtualización VirtualBox.

221
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

7.1 Instalación en VirtualBox

1. Descarga VirtualBox software de código abierto (selecciona la versión adecuada dependiendo de tu SO) e
instálalo, al final de la instalación reinicia el sistema;
2. Descarga el Semi-Automatic OS máquina virtual desde aqui <https://sourceforge.net/projects/
semi-automatic-os/files/latest/download>‘_ ;
3. Extraer el contenido de la maquina virtual en un directorio; el archivo esta comprimido en formato 7z(si
necesitas, descarga el programa de codigo abierto para la extracción desde http://www.7-zip.org/);
4. Inicia VirtualBox y crea una nueva máquina virtual Debian;
1. Haz clic en el botón Nueva;
2. Escribe un nombre para la máquina virtual (por ejemplo Semi-Automatic OS); elige Linux y Debian
(32 o 64 bit) como Tipo y la versión correspondiente; haz clic en Siguiente;

3. Selecciona el tamaño de memoria; más es mejor, pero este parámetro no debe exceder la mitad de la
memoria RAM del sistema anfitrión (por ejemplo si el sistema anfitrión tiene 1GB de RAM, escribe
512 MB); clic en Siguiente;

222 Capítulo 7. Semi-Automatic OS

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

4. En la configuración de Disco Duro selecciona Usar un archivo de disco duro virtual existente y selec-
ciona el archivo descargado SemiAutomaticOS.vmdk; clic en Crear;

5. Inicia el Semi-Automatic OS haciendo clic en el botón Iniciar;

6. Es recomendable instalar en la máquina virtual las virtualbox-guest-utils, en el Menu > Preferences > Synap-
tic Package Manager; que permiten una mejor integración del Semi-Automatic OS con el sistema anfitrión,
como: cambiar el tamaño de la ventana del sistema, también compartir carpetas.
El Semi-Automatic OS incluye un conjunto de datos de muestra de una imagen Landsat (disponible de el Servicio
Geologico de los EE.UU.) esa es la entrada para el primer tutorial básico del manual del usuario.

Semi-Automatic OS es software libre: puedes redistribuirlo y/o modificarlo bajo los términos de la Licencia Pú-
blica General de GNU como está publicada por Free Software Foundation, Versión 3.0 de la Licencia. Semi-
Automatic OS es distribuido con la esperanza de que sea útil, pero SIN NINGUNA GARANTÍA; incluso sin la
implícita garantía de COMERCIALIZACIÓN o ADAPTARLA PARA PROPÓSITOS ESPECÍFICOS. Lee la Licen-
cia Pública General de GNU para mayores detalles. Mira http://www.gnu.org/licenses/.‘

7.1. Instalación en VirtualBox 223

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

224 Capítulo 7. Semi-Automatic OS

 CAPÍTULO 8

Preguntas Frecuentes

Si tiene comentarios o preguntas, por favor únase al grupo de Facebook <https://www.facebook.com/groups/

SemiAutomaticClassificationPlugin>
Antes de preguntar, por favor revisa el sitio oficial From GIS to Remote Sensing y las siguientes Preguntas Fre-
cuentes.

Instalación del Complemento (página 226)

• ¿Cómo instalar el complemento manualmente? (página 226)
• ¿Cómo instalar el complemento desde el repositorio oficial de SCP? (página 226)
Pre procesamiento (página 228)
• ¿Qué bandas de la imagen debería utilizar para la clasificación semi-automática? (página 228)
• ¿Qué bandas Landsat pueden convertirse a reflectancia con el SCP? (página 228)
• ¿Puedo realizar la conversión de imágenes Sentinel-2 descargadas desde la web? (página 229)
• ¿Cómo son convertidas las imágenes Sentinel-2 que tienen diferente resolución? (página 229)
• ¿Se puede aplicar la conversión Landsat y la corrección DOS a bandas recortadas? (página 229)
• ¿Puedo aplicar la corrección DOS a bandas con borde negro (Ej. con el valor SinDatos)? (pági-
na 229)
• ¿Cómo quitar la cobertura de nubes a las imágenes? (página 229)
• Después del pan-sharpening de imágenes Landsat 8 ¿por qué las bandas NIR siguen teniendo 30m
de resolución? (página 229)
Procesamiento (página 230)
• Obtengo errores en la clasificación. ¿Cómo puedo mejorar la precisión? (página 230)
• ¿Es posible usar los mismos datos de entrada para otras imágenes? (página 230)
• ¿Cual es la diferencia entre clases y macroclases? (página 230)
• ¿Puedo usar el SCP con imágenes de drones o fotografías aéreas? (página 230)

225
Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

• ¿Por qué solo usar la banda 10 del Landsat 8 en la estimación de la temperatura de la superficie?
(página 230)
Advertencias (página 230)
• Advertencia [12]: La siguiente firma será excluida si se usa Máxima Probabilidad. ¿Por qué?
(página 230)
Errores (página 231)
• ¿Cómo puedo reportar un error? (página 231)
• Problemas con la creación de ráster virtual. ¿Por qué? (página 232)
• Error “Plugin is damaged. Python said: ascii”. ¿Por qué? (página 232)
• Error [50] “Internet error”. No se puede descargar imágenes Sentinel-2. ¿Por qué? (página 232)
• Error al instalar el plugin, posiblemente faltan dependencias. ¿Por qué? (página 232)
Varios (página 233)
• ¿Qué puedo hacer con SCP? (página 233)
• Cómo contribuir a SCP (página 234)
• Recursos gratis y valiosos sobre teledetección y SIG (página 234)
• Other tutorials about SCP, also in languages other than English (página 234)
• ¿Cómo puedo traducir este manual del usuario a otro lenguaje? (página 235)
• ¿Dónde está el código fuente de SCP? (página 235)
• How to install QGIS using OSGeo4W? (página 236)

8.1 Instalación del Complemento

8.1.1 ¿Cómo instalar el complemento manualmente?

El SCP puede instalarse manualmente (puede ser útil cuando no esté disponible una conexión a internet o se desea
instalar en varias computadoras) siguiendo estos pasos:
1. Descarga el archivo zip de SCP desde https://github.com/semiautomaticgit/
SemiAutomaticClassificationPlugin/archive/master.zip ;
2. extraer el contenido del archivo (varios archivos como COPYING.txt y carpetas como ui) en una nueva
carpeta llamada SemiAutomaticClassificationPlugin (sin el -master);
3. open the QGIS plugins directory (in Windows usually C:\Users\username\AppData\Roaming\QGIS\QGIS3\p
in Linux and Mac usually /home/username/.local/share/QGIS/QGIS3/profiles/
default/python/plugins) and delete the folder SemiAutomaticClassificationPlugin if
present;
4. copia la carpeta SemiAutomaticClassificationPlugin dentro del directorio plugins de QGIS;
5. el complemento debería estar instalado; inicia QGIS, abre el Administrador de complementos y asegúrate
que está seleccionado Semi-Automatic Classification Plugin.

8.1.2 ¿Cómo instalar el complemento desde el repositorio oficial de SCP?

Es posible instalar el SCP usando el repositorio oficial. Este repositorio permite la instalación de la última versión
del SCP (master), en algunos casos incluso antes de que esté disponible en el repositorio oficial de QGIS. Por
esto, puede ser útil si necesitas una corrección o una nueva función que todavía no está disponible en el repositorio

226 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

de QGIS. Además, la versión ‘‘master‘‘en el repositorio de SCP puede ser instalada junto a la versión disponible
en el repositorio de QGIS.
Para configurar el repositorio de SCP sigue estos pasos:
Ejecuta QGIS;
Desde el menú principal, selecciona Complementos > Administrar e instalar
complementos;

Clic en Configuración luego clic en el botón Añadir;

Dentro del cuadro Detalles del repositorio ingresa:

Nombre:

SCP

URL:

https://semiautomaticgit.github.io/SemiAutomaticClassificationPlugin/repository.xml

clic en Aceptar;

Después que el repositorio se actualice, el elemento Semi-Automatic Classification Plugin

- master estará listado junto con los otros complementos;

8.1. Instalación del Complemento 227

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Desde el menú Todos, selecciona el Semi-Automatic Classification Plugin - master y

da clic en el botón Instalar complemento; la última versión de SCP se activará automáticamente
(ignora los errores, reiniciar QGIS es necesario para completar la instalación de SCP); es posible desactivar
el otro SCP instalado en el repositorio de QGIS;

8.2 Pre procesamiento

8.2.1 ¿Qué bandas de la imagen debería utilizar para la clasificación semi-

automática?

En general, es preferible evitar las bandas del infrarojo térmico. Si está usando Landsat 4, 5 o 7 debería seleccionar
las bandas: 1, 2, 3, 4, 5, 7 evitando usar la banda 6 que es la del infrarojo térmico; para Landsat 8 debería elegir
las bandas: 2, 3, 4, 5, 6, 7. Generalmente se evita utilizar la banda 1 de Landsat 8 debido a que ésta es muy
similar a la banda azul, y es principalmente utilizada para el estudio de aerosoles costeros. Las bandas termales de
Landsat también se excluyen de las clasificaciones debido a que sus valores están principalmente relacionados a
la temperatura de los objetos.
Para imágenes Sentinel-2 puedes usar las bandas: 2, 3, 4, 5, 6, 7, 8, 8A, 11, 12.

8.2.2 ¿Qué bandas Landsat pueden convertirse a reflectancia con el SCP?

Todas las imágenes Landsat MSS 1, 2 y 3; TM 4 y 5; ETM 7 y OLI 8 descargadas desde http://earthexplorer.usgs.
gov/ y procesadas con el nivel 1 del Sistema de Generación de Producto (LPGS) pueden ser automáticamente

228 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

convertidas a reflectancia por SCP; los productos generados por LPGS tienen un archivo MTL incluido que es
requerido para dicha conversión.

8.2.3 ¿Puedo realizar la conversión de imágenes Sentinel-2 descargadas desde

la web?

Sí, puedes también convertir imágenes descargadas desde la web (de hecho es recomendable hacerlo). Debes
mover todas las bandas (archivos .jp2) con el archivo .xml si está presente cuyo nombre contiene MDT_SAFL1C
en el mismo directorio. Luego selecciona este directorio en Conversión de Sentinel-2 (página 59). Las imágenes
se convertirán a reflectancia.

8.2.4 ¿Cómo son convertidas las imágenes Sentinel-2 que tienen diferente re-
solución?

Durante la conversión a reflectancia los pixeles de las bandas de 20m son separados en 4 pixeles de 10m cuyos
valores son los mismos del pixel de 20m original. El propósito de esta operación es permitir el cálculo entre bandas
sin cambiar sus valores originales.

8.2.5 ¿Se puede aplicar la conversión Landsat y la corrección DOS a bandas

recortadas?

Sí, se puede recortar las imágenes antes de la conversión a reflectancia, después copiar el archivo MTL (incluido en
el conjunto de datos Landsat) dentro del directorio que tiene las bandas recortadas. Si desea aplicar la corrección
DOS (la cual es una técnica basada en imagen) deberá convertir las bandas Landsat originales (la imagen completa)
y luego recién recortar las bandas resultantes de la conversión (Ej. bandas convertidas a reflectancia).

8.2.6 ¿Puedo aplicar la corrección DOS a bandas con borde negro (Ej. con el
valor SinDatos)?

Si quieres aplicar la corrección DOS a una banda entera que tiene valores SinDatos (borde negro con valor = 0)
tienes que marcar la casilla «Usar valor SinDatos» y poner el valor en 0. Es así porque DOS es una técnica basada
en imagen y los valores SinDatos deben ser excluidos del cálculo.

8.2.7 ¿Cómo quitar la cobertura de nubes a las imágenes?

La corrección DOS1 no remueve las nubes de una imagen. Sin embargo, las imágenes Landsat 8 incluyen la banda
9 que identifica las nubes (vea este enlace NASA site). Puede usar esta banda para crear una máscara.
Para otros satélites Landsat, las nubes pueden ser enmascaradas usando el enfoque descrito en el siguiente artículo.
Also, see the following video-tutorial.

8.2.8 Después del pan-sharpening de imágenes Landsat 8 ¿por qué las bandas
NIR siguen teniendo 30m de resolución?

La banda Landsat 8 pancromática no es adquirida en la región del Infrarrojo Cercano (NIR) (mira Satélites Land-
sat (página 115)). Por lo tanto el proceso pan-sharpening puede mejorar la resolución de bandas NIR y SWIR
(mira Pan-sharpening (página 131)), para que parezca tener 30m de resolución. Sin embargo todas las ráster
pan-sharpened tienen 15m de resolución que permiten realizar cálculos ráster.

8.2. Pre procesamiento 229

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

8.3 Procesamiento

8.3.1 Obtengo errores en la clasificación. ¿Cómo puedo mejorar la precisión?

Muchos materiales tienen firmas espectrales similares (Ej. suelo y construcciones; o bosque y arbustos densos),
que pueden causar errores en la clasificación si los ROIs y sus firmas espectrales no son adquiridos correctamente.
Para mejorar los resultados, puedes intentar colectar más ROIs sobre esas áreas, de este modo enseñas al algoritmo
sobre esas áreas similares; también despliega las firmas espectrales de esas áreas en Gráfico de Firmas Espectrales
(página 100) para analizar sus similitudes. También puedes usar la Umbral de firma (página 48) para esas firmas
y reducir la variabilidad de las mismas (solo los pixeles similares a las firmas de entrada serán clasificados). El
Clasificación por Firmas de Cobertura del Suelo (página 124) es también útil para clasificar materiales específicos
que pueden ser espectralmente similares a otros.

8.3.2 ¿Es posible usar los mismos datos de entrada para otras imágenes?

Sí, es posible si todas las imágenes tienen el mismo número de bandas. Sin embargo, si las imágenes son adquiridas
en diferentes meses, los cambios en la cobertura del suelo (especialmente el estado de la vegetación) afectarán la
firma espectral (Ej. el mismo pixel tiene diferente firma espectral en diferentes períodos). Los efectos atmosféricos
pueden afectar las imágenes de modo diferente. Eso puede reducir la precisión en la clasificación. Por lo tanto, es
recomendable siempre colectar ROIs y firmas espectrales para cada imagen.

8.3.3 ¿Cual es la diferencia entre clases y macroclases?

Por favor mira Clases y Macroclases (página 121).

8.3.4 ¿Puedo usar el SCP con imágenes de drones o fotografías aéreas?

Sí, puedes usarlo si tienen por lo menos 4 bandas. Con menos de 4 bandas, los algoritmos semi-automatic classi-
fication son incapaces de clasificar la cobertura del suelo correctamente. Existen métodos alternativos de clasifi-
cación, como las clasificaciones orientadas a objetos que no están implementadas en SCP.

8.3.5 ¿Por qué solo usar la banda 10 del Landsat 8 en la estimación de la tem-
peratura de la superficie?

Muchos métodos han sido desarrollados para estimar la temperatura de la superficie. El método descrito en el
tutorial para la estimación de temperatura requiere solo una banda. Por otro lado, USGS recomienda a los usuarios
abstenerse de confiar en los datos de la Banda 11 de Landsat 8 en análisis cuantitativos de datos del Sensor
Infrarrojo Térmico (mira Changes to Thermal Infrared Sensor (TIRS) data by USGS).

8.4 Advertencias

8.4.1 Advertencia [12]: La siguiente firma será excluida si se usa Máxima Pro-
babilidad. ¿Por qué?

El ROI es muy pequeño (o demasiado homogéneo) para el Máxima Probabilidad (página 123) algoritmo porque
ese ROI tiene una matriz de covarianza singular. Deberías crear ROIs más grandes o no usar el algoritmo de
Máxima Probabilidad en el proceso de clasificación.

230 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

8.5 Errores

8.5.1 ¿Cómo puedo reportar un error?

Si encuentra un error con el Semi-Automatic Classification Plugin por favor siga estos pasos para obtener la
información necesaria (archivo log):
1. cierra QGIS si está abierto;

2. inicia QGIS, abre la pestaña del Complemento Depurar (página 99) y marca la casilla de verificación
Guardar eventos en un archivo log ;

Figura 1: Debug

3. click the button Test dependencies in the tab Depurar (página 99) ;
4. carga los datos en QGIS (o abre un proyecto de QGIS grabado con anterioridad) y repite los pasos que causaron el err

si el problema pudiera estar relacionado con los datos de la imagen, por favor usa este conjunto
de datos ;
5. si un mensaje de error aparece (como el de la siguiente imagen), copia todo el contenido del mensaje en un
archivo de texto;

6. open the tab Depurar (página 99) and uncheck the checkbox Records events in a log file, then click the

button and save the log file (which is a text file containing information about the Plugin processes);
7. abra el log file y copie todo el contenido del archivo;
8. join the Facebook group , create a new post and copy the error message and the log file (or attach them).

8.5. Errores 231

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Figura 2: Error message

8.5.2 Problemas con la creación de ráster virtual. ¿Por qué?

La creación automática de un ráster virtual después de la conversión a reflectancia de una imagen Landsat, no es
requerida para la clasificación. Pueden ocurrir errores si la ruta de destino contiene caracteres especiales (como le-
tras acentuadas) o espacios; intenta renombrar directorios (Ej. cambia «nuevo directorio» por «nuevo_directorio»).
Si continúas teniendo el mismo error puedes crear un ráster virtual manualmente.

8.5.3 Error “Plugin is damaged. Python said: ascii”. ¿Por qué?

It could be related to a wrong installation. Please, uninstall QGIS and install it again with administrative rights.
Then run QGIS and try to install the plugin following the Instalación del Complemento (página 3) guide.
También puede estar relacionado al nombre de usuario que contiene caracteres especiales. Por favor intenta la
instalación creando un nuevo usuario sin caracteres especiales (Ej. «usuario»).

8.5.4 Error [50] “Internet error”. No se puede descargar imágenes Sentinel-2.

¿Por qué?

El mensaje de error generalmente incluye alguna información sobre el problema. Primero, verifica el nombre de
usuario y la contraseña. Si la creación de la cuenta fue reciente, el proceso puede llevar algunos días hasta que
SCP tenga permitida la descarga.
También, podría haber una interrupción del servicio. Para imágenes Sentinel-2 revisa este sitio web https://scihub.
copernicus.eu/news/ por mensajes sobre el estado del servicio.
En caso de continuar el mismo error, por favor sigue estos pasos ¿Cómo puedo reportar un error? (página 231).

8.5.5 Error al instalar el plugin, posiblemente faltan dependencias. ¿Por qué?

El plugin requiere la instalación de librerías GDAL, NumPy, SciPy y Matplotlib, las cuales deberían haber sido
parte del instalador de QGIS. Si la instalación del plugin falla, y obtiene un mensaje acerca de posibles depen-
dencias faltantes, usted debería intentar instalar o actualizar QGIS y las dependencias requeridas. Nótese que para
evitar este error, las dependencias Python no deberían ser instaladas a través de Anaconda.

232 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

8.6 Varios

8.6.1 ¿Qué puedo hacer con SCP?

SCP posibilita la clasificación de la cobertura del suelo en imágenes de sensores remotos mediante Clasificación
supervisada (página 119). Puedes producir un ráster de cobertura terrestre usando uno de los Algoritmos de cla-
sificación (página 121) disponibles en SCP. Estos algoritmos requieren firmas espectrales de ROIs como entrada
(para las definiciones lee Breve Introducción a la Teledetección (página 111)) que definen las clases de cobertura
terrestre que serán identificadas en la imagen.

Figura 3: Imagen multiespectral procesada para producir una clasificación de la cobertura del suelo
(Imagen Landsat proporcionada por USGS)

SCP puede trabajar con imágenes multiespectrales adquiridas por satélites, aeroplanos, o drones. También SCP
permite la búsqueda y descarga de imágenes gratis (mira Descargar productos (página 51)). No puedes usar con
SCP, ortofotos con menos de 4 bandas, datos SAR y LIDAR.
Imagen de entrada en SCP se denomina Conjunto de bandas (página 38), la cual es usada como entrada para la
clasificación. SCP dispone de varias herramientas para el Preprocesamiento (página 56) de imágenes descargadas,
como la conversión a reflectancia y la manipulación de bandas.
Resultados de la clasificación pueden ser evaluados con las herramientas Exactitud (página 76) y Reporte de la
clasificación (página 78). Los rásters también pueden ser manipulados usando herramientas de Postprocesamiento
(página 76) como Clasificación a vectorial (página 81), Reclasificación (página 82), Editar ráster (página 84)
directamente, Filtrado de la Clasificación (página 85), Erosión de la clasificación (página 87), y Dilatación de la
Clasificación (página 87).
El Gráfico de Firmas Espectrales (página 100) y el Gráfico de Dispersión (página 105) permiten el análisis de
firmas espectrales y ROIs. También varias Herramientas Básicas (página 41) están disponibles para la creación
fácil de un ROI y edición de firmas espectrales.
Calculadora Ráster está disponible a través de la perfecta integración de Calculadora de Bandas (página 88) con
las bandas de Conjunto de bandas (página 38), calculando expresiones matemáticas e índices espectrales. También
se puede calcular un ráster de salida basados en Reglas de decisión (página 91).
La herramienta En Lotes (página 92) permite la ejecución automática de varias funciones de SCP usando una
interfaz de script.
Ver los Tutoriales Básicos (página 141) para más información y ejemplos.

8.6. Varios 233

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

8.6.2 Cómo contribuir a SCP

Puedes contribuir con SCP corrigiendo o agregando funcionalidades (mira ¿Dónde está el código fuente de SCP?
(página 235)), o traduciendo el manual de usuario (mira ¿Cómo puedo traducir este manual del usuario a otro
lenguaje? (página 235)).
Además. usted puede donar a este proyecto en el siguiente enlace: https://fromgistors.blogspot.com/p/donations.
html .

8.6.3 Recursos gratis y valiosos sobre teledetección y SIG

Los siguientes enlaces son recursos valiosos:

The Landsat 8 Data Users Handbook by USGS;
The Landsat 7 Science Data Users Handbook by NASA;
Webinar: Fundamentals of Remote Sensing by NASA.
Webinar: NASA Remote Sensing for Land Management by NASA.
Webinar: Creating and Using Normalized Difference Vegetation Index (NDVI) from Satellite Imagery by
NASA.
Webinar: Remote Sensing of Forest Cover and Change Assessment for Carbon Monitoring by NASA.
Webinar: Introduction to Remote Sensing for Conservation Management by NASA.

8.6.4 Other tutorials about SCP, also in languages other than English

Existen varios tutoriales sobre SCP en internet. A continuación una lista incompleta de esos recursos (por favor
nota que esos recursos podrían usar versiones antiguas de SCP):
English: Webinar by NASA ARSET about Land Cover Classification with Satellite Imagery;
English: Recommended Practice by UN-SPIDER about Burn Severity Mapping Burn Severity with QGIS;
English: Using the SCP QGIS plugin to download and process Sentinel 2 imagery;
French: Télédétection des feux de forêts;
Alemán: 2015 Jakob Erfassung von Landnutzungsveränderungen mit FOSS Image Processing Tools;
Indonesian: Koreksi Radiometrik Menggunakan QGIS:Semi Automatic Classification;
Italiano: Classificazione e Mosaico di Varie Immagini Landsat;
Coreano: QGIS Semi-Automatic Classification Plugin;
Portuguese: Workshop de Deteção Remota e Processamento Digital de Imagem com o QGIS e o Semi-
Automatic Classification Plugin;
Portugués: Classificacao supervisionada de imagens Sentinel-2 com QGIS e SCP;
Portugués: Avaliação do erro de uma imagem de satélite usando o QGIS e o SCP;
Portugués: Conversão Sentinel-2 para refletância com QGIS SCP;
Portugués: Criar composições coloridas no QGIS com SCP;
Portugués: Corte de imagem Sentinel-2 usand QGIS e SCP;
Portuguese: Deteção Remota Com O QGIS;
Russian: Sentinel- 2a Semi-Automatic Classification Plugin QGIS;
Spanish: Descarga de imágenes de satélite desde servidores públicos;
Sueco: Landsat 8 och fjärranalys med QGIS;

234 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Ukrainian: Semi-Automatic Classification 5.0;

Ukrainian: Qgis ;

8.6.5 ¿Cómo puedo traducir este manual del usuario a otro lenguaje?

Es posible traducir fácilmente el Manual del Usuario a cualquier idioma, debido a que está escrito en lenguaje rees-
tructurado de marcas (usando Sphinx). Sin embargo tu contribución es fundamental para la traducción del manual
a tu lenguaje. Las siguientes guías ilustran los pasos principales para la traducción. La cual puede efectuarse:
usando el servicio en línea gratuito Transifex;
usando los archivos gettext.po.
Antes de traducir, por favor lee este documento <http://docs.qgis.org/testing/en/docs/documentation_guidelines/
do_translations.html#translate-a-manual>‘_ de la guía de traducción de QGIS, la cual te ayudará a comprender
reStructuredText.
Método 1. Traducción usando el servicio en línea gratuito Transifex
Esta probablemente es la forma más fácil de traducir el manual usando un servicio en línea.
1. únete al proyecto del Manual de Semi-automatic Classification
Ve a la página https://www.transifex.com/semi-automatic-classification/
semi-automatic-classification-plugin-manual . Haz clic en el botón Help translate.
Puedes suscribirte usando tus cuentas de Google o Facebook, o registrando una nueva cuenta
gratuita.
2. Selecciona tu idioma
Selecciona tu idioma y haz clic en el botón Join team. Si tu idioma no está en el listado, clic
en el botón Request language.
3. Traducción
Existen varios archivos para traducir, los cuales se refieren a las secciones de la do-
cumentación de SCP. Para traducir la interfaz de SCP, debes seleccionar el archivo
semiautomaticclassificationplugin.ts .
Método 2. Traducir usando los archivos gettext.po
Para elegir usar este método, deberías estar familiarizado con GitHub. Este método de traducción permite la
traducción de los archivos PO en modo local.
1. Descargar los archivos de traducción
Ve hasta el proyecto GitHub https://github.com/semiautomaticgit/
SemiAutomaticClassificationManual_v4/tree/master/locale y descarga los archivos .po pa-
ra tu lenguaje (puedes añadir tu lenguaje si no está listado), o puedes bifurcar el repositorio.
Cada archivo .po es un archivo de texto que se refiere a una sección del Manual del Usuario.
2. Edita los archivos de traducción
Ahora puedes editar los archivos .po. Es conveniente editar estos archivos usando uno de los
siguientes programas: por ejemplo Poedit para Windows y Mac OS X, o Gtranslator para Linux
o OmegaT (basado en Java) para Windows, Linux y Mac OS X.

8.6.6 ¿Dónde está el código fuente de SCP?

Puedes encontrar el código fuente de SPC en el siguiente enlace https://github.com/semiautomaticgit/

SemiAutomaticClassificationPlugin

8.6. Varios 235

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

8.6.7 How to install QGIS using OSGeo4W?

Para instalar QGIS, primero descargue el instalador OSGeo4W x86 <http://download.osgeo.org/

osgeo4w/osgeo4w-setup-x86.exe> ó el instalador OSGeo4W x64 <http://download.osgeo.org/osgeo4w/
osgeo4w-setup-x86_64.exe>, de acuerdo a su sistmea operativo.
Luego inicie el instalador y selecciones «instalación avanzada».

Tilde la opción «Instalar desde Internet» y click en «Siguiente».

Select the installation directory and click Next.

236 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Select the local package directory and click Next.

Select Direct connection (or select an internet connection option) and click Next.

8.6. Varios 237

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

Select the first download site and click Next.

In the package list select qgis-dev (in category Desktop) until QGIS3 is released.

238 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

In the package list select python3-matplotlib (in category Libs).

In the package list select python3-numpy (in category Libs).

8.6. Varios 239

Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

In the package list select python3-scipy (in category Libs) and click Next.

Click Next to install also other dependencies.

240 Capítulo 8. Preguntas Frecuentes

 Semi-Automatic Classification Plugin Documentation, Versión 6.4.0.2

After the download, QGIS should be installed with all the required dependencies for SCP.

8.6. Varios 241