Uso del análisis de componentes principales en la precisión de los mapas de clasificación (caso de estudio: Yurimaguas)

Abstract

El objetivo principal fue investigar el papel del análisis de componentes principales para aumentar la precisión de la clasificación supervisada Parallelepiped. PCA se ha aplicado con éxito en la imagen Landsat/8 en las cercanías a la ciudad de Yurimaguas. La clasificación se realizó en dos grupos de bandas, se utilizó áreas de entrenamiento y validación de cinco clases (agua, Bosque, deforestación, vegetación secundaria y suelo urbano). En primer orden se utilizó el grupo de bandas en reflectancia superficial (b1, b2, b3, b4, b5, b6 y b7), donde la matriz de confusión dio una precisión general del 77.0851% y el cálculo de las estadísticas kappa dio una precisión de 0.6049. En segundo orden se utilizó las bandas del primer componente y segundo componente (PC1, PC2), donde el primer componente contiene 73.3 % de la información y el segundo componente el 19.2%, en los demás componentes el porcentaje de variabilidad disminuyó en gran medida, ambos componentes suman más del 92.5% de la varianza total de los datos, así se utilizó para clasificar estas dos componentes, donde la matriz de confusión dio una precisión general del 90.541% y el cálculo de las estadísticas kappa dio 0.7967. Los resultados obtenidos indican que la precisión general y el coeficiente kappa aumentan cuando se usa el primer componente (PC 1) y segundo componente (PC2).