A Geostatistically Weighted k-NN Classifier for Remotely Sensed Imagery. 遥感影像的地统计加权k-NN分类器研究

El presente estudio busca incrementar la exactitud de los mapas temáticos de uso y cobertura de tierras obtenidos en base a datos satelitales. Para dicho fin, los autores investigan el uso de modelos geoestadísticos para caracterizar la variabilidad espacial inherente entre categorías temáticas (bosques, pastos naturales, pastos manejados, áreas construidas) y los incorpora a un algoritmo de clasificación supervisado, no-paramétrico, aplicado a cada pixel, que utiliza la regla K de vecino más próximo (k-NN). El estudio define tres métodos geográficos de ponderación (cálculo de pesos), los cuales son integrados a dos algoritmos k-NN convencionales (pesos por distancia inversa-IDW y distancia diferenciada -DDW). Esta integración se realiza vía un esquema que permite variar los pesos de la información temática (espectral) y geográfica. La evaluación del método propuesto se llevo a cabo mediante una imagen IKONOS que cubre una porción menor del área de estudio total, y que varía espacial y espectralmente. Los resultados muestran que la incorporación de pesos vía métodos geoestadísticos produce un incremento general estadísticamente significativo en la exactitud temática de os mapas, en comparación a los métodos k-NN convencionales, los cuales hacen uso únicamente de la información espectral. Dicho incremento es particularmente notorio en las categorías o clases que presenta variación interna y son fácilmente confundidas con otras.