IMPLEMENTACIÓN METODOLOGICA ORIENTADA A PIXEL Y USO …
Transcript of IMPLEMENTACIÓN METODOLOGICA ORIENTADA A PIXEL Y USO …
IMPLEMENTACIÓN METODOLOGICA ORIENTADA A PIXEL Y USO DE NDVI PARA EL MAPEAMENTO DE LA ARBORIZACIÓN DE VIAS
PÚBLICAS DEL BARRIO CHAPADA, PONTA GROSSA-PR, CON USO DE IMAGENES PLÊIADES
Jessika Zambrano1
Sílvia Méri Carvalho2
Gil Gonçalves3
Resumen
Este artículo tiene como objetivo principal proponer una metodología orientada a pixel (BLASCHKE, 2009), para contribuir en el análisis de la distribución espacial de la arborización urbana en las vías públicas. Para ello se tuvieron en cuenta dos metodologías y la implementación del NDVI. Las dos metodologías hacen referencia al método de análisis visual, (MÉNDEZ, 2007) y clasificación supervisada, (PINILLA, 2006) con el fin de mapear el número de árboles en las vías del barrio Chapada de la ciudad de Ponta Grossa – PR. El estudio parte de un mapeamiento previo del barrio realizado por (CRISPIM, CARVALHO, 2018), y posteriormente fue extraída la vegetación arbórea localizada en las vías, por medio del cálculo del NDVI y estableciendo un área de influencia de 10m a partir del eje central de las vías del barrio, para subsiguientemente, procesar esa información utilizando uno de los métodos, la clasificación supervisada y NDVI. Como resultados obtenidos, fueron identificadas inicialmente por el análisis visual 3101 árboles en 228 vías, para el caso del NDVI se presentó un 66% de similitud (2050 árboles) y la clasificación supervisada obtuvo un mapeo superior al obtenido por medio de la metodología del análisis visual, consiguiendo 3430 árboles. Vale aclarar que en algunas regiones se generaron árboles que no fueron registrados por el análisis visual y algunos registrados por ellos que no fueron reflejados en el NDVI ni en la clasificación supervisada. Por consiguiente se requirió de la identificación de los verdaderos positivos y los falsos positivos. En cuanto al NDVI es un índice que facilita la identificación de los árboles, mas sin embargo se hacen visibles algunas falencias, como por ejemplo la mistura de los pixeles (GARCÍA y MARTÍNEZ, 2010), la reclasificación de los intervalos aún posee un poco de subjetividad. Dicho lo anterior se hace la aclaración que el mejor método de clasificación para la extracción de árboles en el presente trabajo fue la clasificación supervisada, ya que ella permite realizar las firmas espectrales más definidas, por medio de áreas de entrenamiento que reconocen el comportamiento espectral del pixel mucho más certero. Por tal razón esta clasificación supera a la del análisis visual y la implementación del NDVI. Para confirmar estas afirmaciones se realizaron matrices de error (TELEDET, 2018) con el fin de observar la calidad de las clasificaciones, arrojando porcentajes aceptables y buenos.
Palabras claves: Clasificación supervisada, NDVI, Arborización urbana.
1 Estudiante del Programa de Pos-graduación en Geografía de la Universidad Estadual de Ponta Grossa.
Email de contacto: [email protected]
2 Docente del Programa de Pos-graduación en Geografía de la Universidad Estadual de Ponta Grossa. Email de contacto: [email protected]
3 Docente de la Facultad de Ciencias y Tecnología de la Universidad de Coímbra. Email de contacto: [email protected]
IMPLEMENTATION OF PIXEL-ORIENTED METHODOLOGY AND USE
OF NDVI FOR MAPPING THE URBAN TREES OF PUBLIC ROADS OF
THE CHAPADA NEIGHBORHOOD, PONTA GROSSA-PR, WITH USE OF
PLEIADES IMAGES
Abstract: This paper aims to propose a pixel-oriented methodology (BLASCHKE, 2009), to contribute to
the analysis of the spatial distribution of public roads urban trees. For this, two methodologies and the
implementation of the NDVI were considered. The two methodologies make use of the visual analysis
method (MÉNDEZ, 2007) and supervised classification (PINILLA, 2006) in order to map the number of
trees of the Chapada neighborhood roads in the city of Ponta Grossa-PR. This study was based on a
previous mapping of the neighborhood, carried out by CRISPIM, CARVALHO (2018) and later the tree
vegetation located in the roads was extracted by NDVI calculation and an area of influence of 10m was
established from the central axis of the neighborhood roads, to then process that information using one of
the methods, supervised classification or NDVI. As results, were initially identified by visual analysis 3101
trees in 228 pathways, for the case of the NDVI 2050 trees, a similarity of 66% and for the supervised
classification, a higher mapping was obtained by the means of the visual analysis methodology, reaching
3430 trees. It is noteworthy that in some regions trees were generated that were not recorded by visual
analysis and some records, which were not reflected in the NDVI nor in the supervised classification. It
was therefore necessary to identify true positives and false positives. Although the NDVI is an index that
facilitates the identification of the trees, some flaws are still visible, such as the mixture of the pixels
(GARCÍA and MARTÍNEZ, 2010), and in the reclassification of the intervals there is still a little
subjectivity.That being said, it is noteworthy that the best method of classification for the extraction of
trees in the present work was the supervised classification, since it allows a better recognition of spectral
signatures, through training areas, which recognize the pixel’s spectral behavior more accurately. For this
reason, this classification exceeds visual analysis and implementation of NDVI. To corroborate these
statements, matrices of error were elaborated (TELEDET, 2018) in order to observe the quality of the
classifications, achieving acceptable percentages.
Keywords: Supervised classification, NDVI, Urban trees.
1- Introducción
La arborización urbana es una de las categorías dentro del espacio urbano, que
otorga el beneficio de disminución de las consecuencias que son presentadas por el
desarrollo industrial, poblacional, residencial, que poseen todas las ciudades del
mundo. La arborización urbana independiente de qué clase de arborización sea
siempre tendrá tres funciones, ecológica, estética y social (BIONDI, 2008). Los estudios
que se han venido realizando se centran en la importancia de plantar nuevos árboles,
conservar los antiguos, en el análisis y levantamientos sobre la presencia de espécies
endémicas, nativas y exóticas. Con respecto a la arborización de las vías, las cuales
hacen referencia a los árboles plantados a lo largo de las calzadas, Biondi (2008) afirma
que dicha vegetación, contiene el factor que establece más contacto con la población
urbana en general. La arborización de las vías es uno de los elementos de la
vegetación urbana que consigue hacer una simbiosis con los espacios libres, áreas
verdes y reservas forestales, logrando una biodiversidad. (SANTOS, LISBOA e
CARVALHO, 2012). Es una categoría que debe ser tratada con cuidado, pues su
planeación en el caso de algunas ciudades de Brasil, no es elaborada de forma
correcta, trayendo consigo daños a las vías, causando afloramiento de las raíces
impidiendo el correcto acceso de caminos, generando problemas con redes eléctricas, y
en determinadas ocasiones, generando perjuicios a la propia población.
El éxito de una arborización viaria radica, en un adecuado conocimiento de las
características y de las condiciones ambientales del lugar, esto debido a la cantidad de
factores relacionados con el espacio artificial. Por tal razón al realizar un plantío de
árboles este debe ser planeado y basado en criterios técnicos, con el fin de establecer
un equilibrio tanto con el árbol como con su entorno (SANTOS, LISBOA e CARVALHO,
2012). Es fundamental el inventario de la arborización urbana de cada ciudad, ya que
por medio de esta pueden ser hechos los planes de ordenamiento territorial que todavía
no estén encaminados o a su vez mejorar los existentes. (ARAUJO, 2011). El
levantamiento de la información es primordial para tener una aproximación real de la
ciudad. Este debe considerar el tamaño de la ciudad, el tamaño de la muestra, el
número de árboles, el diámetro, la altura del tronco, la condición del árbol, la presencia
de plagas, la ubicación de redes de servicios, etc. (ARAUJO, 2011). Actualmente las
ciudades del mundo están en la búsqueda de realizar inventarios de su arborización,
con el fin de establecer el estado de los árboles, los beneficios que están otorgando a
los espacios públicos y de igual manera por medio de estas compilaciones establecer
mejoras o nuevas plantaciones, si es el caso. Se ha planteado realizar estos censos de
arborización por medio de la implementación de la percepción remota, sin embargo se
debe tener presente que aún es una tarea con dificultades. (ARDILA et al., 2011). El
uso de estas nuevas alternativas, presenta restricciones al hacer el monitoreamiento,
por lo cual todavía esta distante de tener una precisión y exactitud igual a la que se
realiza en campo. Es válido aclarar algunas de las restricciones que la percepción
remota presenta cuando se quiere realizar un censo arbóreo, dichas limitaciones van
relacionadas a, la resolución espacial de las imágenes, la baja separabilidad espectral
entre las copas de los árboles y las otras superficies con la vegetación presentes en la
zona. (POULIOT et al., 2002). Además de lo anteriormente exaltado, se debe tomar en
consideración, que el espacio urbano, está conformado, por suelos urbanizados, vías,
plazas, lo que hace más difícil la identificación del árbol y el comportamiento que este
tiene en la imagen. Conjuntamente los árboles se observan en las imágenes
dependiendo de su especie, su estado de salud, forma de plantación, es decir en
algunas zonas los arboles están plantados de manera aislada o en conjuntos que al
observarse en la imagen tienden a fusionarse impidiendo su identificación individual con
certeza. (ARDILA et al., 2011).
De acuerdo con Ardila et al., (2011) como estos factores limitan la aplicabilidad
de los clasificadores espectrales para la identificación del árbol, es una solución
prometedora abordar la complejidad del espacio urbano mediante el uso de contexto de
la imagen. Contexto, definido como cualquier información que puede utilizarse para
caracterizar la situación de la entidad, es un elemento esencial para el reconocimiento
de la función. Cuando se habla del reconocimiento visual de los árboles en las
imágenes de satélite, estas otorgan ciertas ventajas para dicho procedimiento, puesto
que poseen características como el manejo de sus bandas espectrales en los canales
del RGB, que facilitan en mayor proporción la identificación de estos, permitiendo un
realce a los pixeles que se quieren destacar.
Para la realización de este artículo, se decidió implementar el método de análisis
basado en pixel, el cual consiste en la interacción local de pixeles individuales dentro de
una captura de un tamaño específico. (BLASCHKE, 2009). Dicha metodología es
conocida como, clasificación supervisada. De igual manera se incluyó el índice de
vegetación normalizada conocido como NDVI. El objetivo principal del artículo es
realizar una comparación, por medio de la implementación de tres metodologías,
análisis visual, NDVI y clasificación supervisada, con el fin de identificar la diferencia de
captura del número de árboles en las vías del barrio Chapada en Ponta Grossa-PR.
2. Material y Métodos
Para la elaboración de este artículo se tomó como recorte espacial el Barrio
Chapada, ubicado en la parte noroeste de Ponta Grossa, con un área aproximada de
17km2 (Figura 1).
La base de datos disponible por LAESA-Laboratorio de Estudios
Socioambientales está compuesta por archivos digitales de sus vías, el perímetro del
barrio y del mapeamiento (puntos) a partir del análisis visual, a su vez la imagen
satelital del sensor comercial Plêiades (ya con corrección geométrica). El satélite está
constituido de 50cm de resolución en color y ortorectificados 2m para imágenes
multiespectrales. (GEOSOLUCIONES, 2016).
Adicionalmente las imágenes satelitales necesitan ciertos procedimientos para
poder ser clasificadas, uno de ellos es conocido como el algoritmo panSharp (AMRO et
al., 2011), el cual es uno de los más empleados en la fusión de imágenes. El método
fue desarrollado con la finalidad de resolver unos de los mayores problemas
presentados en la unión de las bandas de imágenes que es la distorsión del color. Para
la realización del NDVI, no es necesario tener las bandas fusionadas, puesto que este
realiza una operación matemática con las bandas espectrales individuales. Por
consiguiente se realizó el NDVI a la ciudad de Ponta Grossa, para luego por medio del
perímetro del barrio solo obtener el NDVI de dicha zona.
A continuación a partir de una selección de atributos de acuerdo a los valores (-1
0 y 1) y a la reclasificación de estos, adicionalmente empleando la visualización del
profesional, se determinaron los rangos de discriminación para lo que es y no es
vegetación. Al momento de obtener el NDVI del barrio, se escogieron intervalos donde
se separara lo que es vegetación de lo que no es, posteriormente se añadió la capa de
vías, con el fin de establecer un buffer de influencia de 10m y extraer solo esa área.
Cuando se obtuvieron los resultados, se escogieron intervalos otorgados por el
NDVI, de tal forma que se visualizara y se obtuviera numéricamente, dentro de lo que
se tenía como vegetación, se extrajera lo que es arborización. Habiendo logrado
obtener la capa de la arborización dentro de las vías se llevó a cabo la conversión de
dicha clase a polígono, con el fin de determinar cuántos arboles habían sido
identificados. En seguida se realizó una depuración de polígonos debido a que la
conversión genera algunos excesos.
Figura 1 Localización Barrio Chapada
Fuente: Los autores
Después de esto ya realizado se crea los centroides de cada polígono y se
compara con el archivo digital pre existente, con el fin de establecer la diferencia de
captura. Para el caso de la clasificación supervisada se realizó de manera general a
toda Ponta Grossa. Se generó un archivo digital con puntos distribuidos de manera
aleatoria, donde la imagen la cual tenía una combinación RGB 1 4 3. Para realizar esta
clasificación se usó las clases y colores RGB de la cobertura de uso de la tierra (IBGE,
2006), con el fin de tener un conocimiento anticipado de la distribución del suelo de la
ciudad en su totalidad. Centrados en el barrio, se realizó el mismo procedimiento
adoptado en la ejecución del NDVI, adicionando una reclasificación a la imagen que
correspondía a los 10m de buffer de las vías.
3. Resultados y Discusión
El objetivo principal de la generación del NDVI es obtener una discriminación por
medio de los valores, y observar de manera certera que es vegetación y que no. Con
una desviación estándar de 0.21 y la media que fue de 0.4, se puede interpretar que los
datos tiene una variabilidad significativa. Por lo tanto no se va a encontrar fácilmente
una homogeneidad en los pixeles. Se extrajo una máscara del NDVI total de la imagen
de la ciudad, con el fin de visualizar de mejor manera la vegetación y no vegetación
presente en el barrio. Se tomó la decisión de extraer por medio de una reclasificación,
valores negativos entre -0.57- 0.13, y entre -0.14 - 0.25 donde no se evidenciaba
presencia de vegetación. Nuevamente se reclasifico el resultado de la extracción de lo
que era vegetación y se generaron las siguientes capas: solo, solo expuesto, campo
con árboles, árboles, bosque con árboles.
Se hace la aclaración que, la similitud espectral entre los valores del NDVI de
árboles y bosque limito la discriminación basada únicamente en el cálculo del NDVI, por
lo cual se recomienda la incorporación de nuevas variables para obtener una
clasificación más acertada. (GARCÍA e MARTINEZ, 2010). Para la obtención de los
puntos extraídos del NDVI, se tomó las últimas tres clases es decir campo con árboles,
árboles, bosque con árboles, se realizó una depuración visual minuciosa para
posteriormente calcular su centro de y obtener los árboles. A partir de los resultados
anteriores se analizó que tan cercanos estuvieron los arboles extraídos desde el NDVI,
con 1680 árboles mapeados en comparación a los capturados por Crispim e Carvalho
(2018), con 3101 árboles. Vale aclarar que estos últimos fueron capturados de manera
visual y manual.
En la clasificación supervisada, o por pixel, se crean polígonos, que delimitan los
pixeles de acuerdo a su comportamiento espectral, para posteriormente ser ubicados
en una clase que será definida por el intérprete. Se podría indicar que esta metodología
es relativamente buena en cuanto se realiza en lugares de pixeles homogéneos, pero
se puede llegar a presentar una disminución de precisión cuando se encuentra una
mezcla de pixeles con comportamientos espectrales similares dentro de la imagen,
dificultando clasificarlos en la clase que les corresponde. Sus principales
inconvenientes son que no considera la información espacial de la imagen, al igual que
la existencia de pixeles mixtos que representan dos o más capas. También es debido a
que el tamaño del pixel supera el del objeto, esto se puede remediar empleando
imágenes de resoluciones altas. (RECIO, 2009).
Existen varios métodos de clasificación de la escena en función de las signaturas
espectrales, para el caso de la clasificación del barrio Chapada se tomó la decisión de
hacerlo por máxima probabilidad.
Se tiene la opción de depurar los polígonos generados al momento de la
conversión de raster a polígono, para este caso se tomó la opción de retirar los
polígonos generados, utilizando la metodología de análisis visual, realizando un paneo
minucioso y determinando que polígonos estaban dando información equivocada
respecto a los arboles ubicados en las vías.
La evaluación de la clasificación supervisada se realizó por medio de la
generación de una matriz de confusión. (CHUVIECO, 1995). Se registró en el análisis
visual 3101 árboles para el barrio Chapada, por medio del NDVI 1680 árboles (figura 2),
lo cual indica un 55% de cercanía al mapeo realizado en la clasificación de análisis
visual. De esos 1680 árboles solo 891 son verdaderos, es decir están dentro de un área
de influencia establecida por el intérprete de 5m de los arboles obtenidos por análisis
visual.
Figura 2 Mapeo de árboles del barrio Chapada por NDVI y Análisis Visual
Fuente: los autores
El clasificador tiene como falsos negativos 789 los cuales están fuera del área de
influencia pero son arboles verdaderos.
Para la metodología de la clasificación supervisada se obtuvo 3137 árboles
(figura 3), es decir supero el conteo de análisis visual realizado. Vale aclarar que en
algunas regiones se generaron árboles que no fueron registrados por el análisis visual y
si fueron generados tanto por la clasificación supervisada como por el NDVI. De esos
3137 árboles 2856 son arboles verdaderos, es decir se encuentran dentro del área de
influencia establecida.
En cuanto al cálculo del NDVI de todo el barrio se obtiene un total de
confiabilidad del 98,42% a partir de la generación de la matriz de confusión. El resultado
de confiablidad del proceso de la matriz de error es satisfactorio, pero se debe tener en
cuenta que el NDVI no es una clasificación simplemente es un índice que se empleó
para hacer una selección de la vegetación, que permitió resaltar la arborización en las
vías encontradas en el barrio Chapada. El resultado de la matriz de error realizada para
el NDVI de las vías, arroja una confiabilidad del 67.64%. Es comprensible este
resultado puesto que se presentó mistura en los pixeles debido a su similitud en los
niveles digitales y su vecindad.
Figura 3 Árboles extraídos a partir de clasificación supervisada - barrio Chapada
Fuente: los autores
La matriz de error de la clasificación supervisada de todo el barrio Chapada,
arrojo un mejor resultado, una precisión de clasificación del 81.42%. De igual manera
se realizó la matriz de confusión para el buffer vial establecido, obteniendo un 82.35%
de confiabilidad.
En cuanto al NDVI se observa una limitación en comparación con la clasificación
supervisada, puesto que el NDVI, trabaja con la resolución espacial de las bandas
multiespectrales, por lo tanto el área de pixel es más grande que los pixeles de la
imagen fusionada. El comportamiento de los niveles digitales en el NDVI presentó una
inclusión de pixeles clasificados como no vegetación arbórea, esto se dio debido a que
se encontraban muy próximos de los pixeles de dicha clase. Esto se diferencia de la
clasificación supervisada, que otorga la posibilidad de hacer capturas de pixel más
específicos, es decir con un área más pequeña debido a la inclusión de la banda
pancromática que da origen a una discriminación más certera.
Para ello se recurre a la teoría de los verdaderos positivos, los cuales hacen
referencia a los datos que el proceso declaro como arboles verdaderos y resultaron
siendo verdaderos. Luego se encuentran los falsos positivos, que hacen referencia al
número de árboles que el clasificador declaro verdadero y que en realidad no lo son. A
su vez se obtiene los falsos negativos, que son el número de árboles que el clasificador
declara negativos y que en realidad son verdaderos. (XLSTAT, 2017). Para obtener los
resultados se realizó una influencia de 5m a los arboles otorgados por la metodología
del análisis visual, se decidió realizarlo de esa manera porque los árboles que fueron
mapeados por medio de esta metodología se posicionaron en el centro de la copa de
los árboles, y los obtenidos por medio de la clasificación supervisada y NDVI, se
encontraban desplazados hacia los laterales e incluso fuera de la copa de los arboles
pero muy cerca de ellos.
4. Conclusiones
Sin embargo tanto el NDVI como la clasificación supervisada son ayudas que
facilitan la captura de árboles, pero aún se hacen visibles algunas falencias, como por
ejemplo la mezcla de pixeles que tiene el mismo comportamiento espectral para el caso
de la metodología de clasificación supervisada. Los resultados certeros obtenidos para
el reconocimiento de los arboles fueron logrados por el método de la clasificación
orientada a pixel, ya que ella permite realizar una escogencia de pixeles más detallada,
es decir cuanto más pixeles se puedan tomar en la etapa de la escogencia de clases de
entrenamiento más se obtendrá un mejor resultado, y generara menos polígonos de
tamaño de pixel.
Es por eso que el valor de reconocimiento de árboles es mayor que el NDVI.
Además se observó que la concordancia, o sea la sobre posición de puntos son
mayores entre la clasificación supervisada y el análisis visual. Se debe tener en cuenta
que el NDVI, es un índice que permite identificar lo que es vegetación y no vegetación.
Por medio de una reclasificación se pueden realizar intervalos de pixeles que el
intérprete visual puede otorgar como clases, y posteriormente emplear la metodología
del análisis visual, mas no es una metodología para clasificar, sin embargo en el
presente trabajo se utilizó para realizar una comparación teniendo la certeza de lo que
era vegetación y no vegetación. Todos estos resultados se lograron porque se contaba
con el mapeamiento previo, por medio de la metodología de análisis visual para el
barrio. No todos los barrios de Ponta Grossa tienen disponibles estas informaciones, y
es aquí donde se deben buscar complementaciones a las mencionadas metodologías.
Más vale aclarar que ninguna de estas metodologías reemplaza al agregado que le da
el trabajo en campo, además se debe tener en cuenta que los software, siempre
tendrán un porcentaje de incertidumbre al momento de hacer cualquier proceso.
5. Referencias
AMRO, I.; MATEOS, J.; VEGA, M.; MOLINA, R.; KATSAGGELOS, A. A survey of classical methods and new trends in pansharpening of multispectral images. EURASIP Journal on Advances in Signal Processing, Granada, p. 1-33, 30 sep. 2011. ARDILA; Juan P. Tolpekin, V.; Bijker, W. Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images, International Journal of Applied Earth Observation and Geoinformation, Netherland, V. 15, p. 57-69, jun. 2011. ARAUJO, A. Arborização Urbana, serie de cadernos técnicos. Paraná, 2011. BIONDI, D. Arborização Urbana Aplicada à educação Ambiental nas escolas. Curitiba, 2008. BLASCHKE, T. Object based image analysis for remote sensing. Revista ISPRS Journal of Photogrammetry and Remote Sensing, Austria, n. 65, p. 2-16, aug, 2009. RECIO, J. A., Técnicas De Extracción De Características Y Clasificación De Imágenes Orientada A Objetos Aplicadas A La Actualización De Bases De Datos De Ocupación Del Suelo. 2009, 310 f. Tesis (Doctoral en Ingeniería Cartográfica, Geodesia Y Fotogrametría), Universidad de Valencia, Valencia, 2009. CHUVIECO, E. fundamentos de Teledetección Espacial, 2 ed. Madrid, 1995 449 p.
CRISPIM, M.; CARVALHO, S. Distribuição espacial da arborização de vias públicas no bairro Chapada e Piriquitos em Ponta Grossa-pr. In: ENCONTRO ANUAL DE INICIAÇÃO CIENTÍFICA, 27.2018, Ponta Grossa. Resumos…Ponta Grossa: UEPG, 2018, p 1-4 GARCÍA, S.; MARTINEZ, L. Método para identificación de cultivos de arroz (Oryza sativa L.) con base en imágenes de satélite. Revista Agronomía Colombiana, Colombia, v.28, n.2, p 1-12, jul. 2010. GEOSOLUCIONES. Soluciones Integrales en Geomática. Ingeniería Geoespacial, Imágenes de Satelitales de Alta Resolución, 2016. Disponible en: https://www.geosoluciones.cl/documentos/imagenes-alta-resolucion.pdf. IBGE. Brasil em Síntese. 2006. Disponível em: <https://cidades.ibge.gov.br/brasil/pr/ponta-grossa/panorama>. Acesso em: 12 nov. 2018. MENDEZ, E. ANÁLISIS VISUAL DE IMÁGENES. ESPAÑA, 2017. No publicado.
POULIOT, D.A.; KING, D.; BELL, F.; PITT, D. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration, Remote Sensing of Environment, Ontario, v. 82, p. 322-334, mar. 2002. PINILLA, C. PRÁCTICAS DE TELEDETECCIÓN, Jaen, 2006. Anotaciones de clase. SANTOS, T. O. B.; LISBOA, C. M. C. A.; CARVALHO, F. G. Análise da arborização viária do bairro de Petrópolis, Natal, RN: uma abordagem para diagnóstico e planejamento da flora urbana. Revista da Sociedade Brasileira de Arborização Urbana, Piracicaba, v.7, n.4, p.90-106, 2012. TELEDET. Disponivel en http://www.teledet.com.uy/tutorial-imagenes-satelitales/clasificacion-matriz-confusion.htm. Acceso en: 13 nov 2018
XLAT su solución de análisis de datos. Análisis detallado de sensibilidad y especificad. Disponible en: https://www.xlstat.com/es/soluciones/funciones/analisis-detallado-de-sensibilidad-y-especificidad. Acceso en: 2 mayo. 2019.