Ontología para la clasificación de imágenes de satélite (SOLERES KRS)​

Contenido​

1. Introducción
2. Diagrama de clases UML
3. Modelado de imágenes de satélite
4. Modelado de clasificación de imágenes de satélite
5. Proceso de transformación de modelos
6. Ontología OWL/XML

Introducción​

SOLERES-KRS es la parte del proyecto SOLERES que modela la información medioambiental. La información medioambiental modelizada está vinculada a la clasificación de imágenes de satélite. El objetivo de la clasificación de imágenes de satélite es dividir los píxeles de la imagen en clases discretas (clases espectrales). La imagen clasificada resultante es esencialmente un mapa temático de la imagen original. La figura muestra el proceso de clasificación

Figura 1. Proceso de clasificación

Diagrama de clases UML​

La figura muestra el diagrama de clases UML de una clasificación de imágenes de satélite modelada parcialmente. Los conceptos se agrupan básicamente en dos partes: (a) los conceptos que identifican la información de la imagen de satélite (clase Satellite_image) y; (b) los conceptos que identifican el proceso de clasificación de una imagen (clase Image_classification).

Figura 2. Diagrama de clases UML. Haga clic para ampliar

Modelado de imágenes de satélite​

Una imagen de satélite se obtiene mediante un satélite (teledetección). Esta información se modela en el diagrama mediante la clase Satélite, e incluye propiedades como su nombre y el nombre de la agencia, entre otras. Además, un satélite utiliza un conjunto de instrumentos o sensores (clase Instrumento) para obtener la imagen del satélite en una determinada resolución (clase Resolución) y utilizando un conjunto de bandas (clase Banda). La resolución describe la información espectral, radiométrica, temporal y espacial de una imagen. La misma banda de una imagen de satélite puede ser obtenida por diferentes instrumentos. Por último, cada imagen de satélite puede almacenarse físicamente como un enlace externo en un conjunto de archivos, identificados en la clase Resource.

Figura 3. Modelización de imágenes de satélite. Haga clic para ampliar

Modelado de clasificación de imágenes de satélite​

Representamos los conceptos que están asociados a la información de una clasificación de imágenes, agrupados en la clase Clasificación_de_imágenes. Una clasificación es realizada por unos técnicos (clase Técnico) en un tiempo determinado (clase Tiempo) y utiliza un conjunto de entrenamiento (clase Conjunto_entrenamiento) y un método de evaluación de indicadores de rendimiento (clase Indicador_rendimiento) para obtener unas clases (clase Clases) que generan la imagen clasificada (clase Imagen_clasificada). Ambos, conjunto de entrenamiento e imagen clasificada, se almacenan también en ficheros.

Existen otros métodos de evaluación para la clasificación de imágenes, tales como Elipses, Histograma, Divergencia transformada, Distancia Jeffries-Martusa, Divergencia estadística. Sin embargo, el método de evaluación utilizado en el proyecto SOLERES es el indicador de rendimiento. Los procedimientos habituales de clasificación pueden dividirse en dos categorías en función del método utilizado: clasificación supervisada y no supervisada.

Existen varios tipos de algoritmos de clasificación supervisada basados en la estadística. Algunos de los más populares son el paralelepípedo, la distancia mínima, la máxima verosimilitud, el difuso supervisado, el modelo neural y la distancia de Mahalanobis, entre otros. En una clasificación no supervisada, el analista sólo especifica el número de clases, y el algoritmo agrupa las clases, basándose únicamente en la información numérica de los datos. En estos algoritmos, el analista no tiene que conocer la zona a estudiar. Existen muchos algoritmos de clasificación no supervisada, como Isodata, k-means, Leader, neural model unsupervised o MaxiMin. Esta información se identifica en el diagrama de clases UML con las clases de enumeración Classificator_type y Training_type.

Figura 4. Modelización de la clasificación de imágenes de satélite. Haga clic para ampliar

Proceso de transformación de modelos​

La ontología se ha creado en OWL/XML a partir del diagrama de clases UML de forma automática. La figura muestra el esquema de transformación de UML a OWL/XML. Hemos utilizado la perspectiva de la Ingeniería Dirigida por Modelos (MDE) basada en la Arquitectura Dirigida por Modelos (MDA) clásica de la OMG. Para realizar el proceso utilizamos tres modelos: el modelo UML, el modelo OWL y el modelo OWL/XML. El primero se utiliza para representar el diagrama de clases de clasificación de imágenes ambientales. El segundo se genera temporalmente para poder realizar la transformación. El último representa la ontología OWL obtenida en formato XML.

La transformación del modelo se realiza automáticamente en dos pasos: (a) en el primer paso, utilizamos la transformación UML2OWL ATL para obtener un modelo OWL para la ontología utilizando el modelo del diagrama de clases UML, y; (b) en el segundo paso, obtenemos la representación final XML de nuestra ontología OWL a través del modelo obtenido y la transformación OWL2XML ATL. La figura muestra un fragmento del modelo OWL/XML obtenido como resultado del proceso de mapeo.

Figura 5. Esquema de transformación de UML a OWL/XML

Ontología OWL/XML​

Este ejemplo muestra la definición de la clase Image_classification. Consta de dos partes: una referencia generada automáticamente por el proceso de transformación y una lista de restricciones. La referencia está formada por el elemento ID. La lista de restricciones incluye características de clasificación, como las propiedades id (Image_classification.id) o name (Image_classifica-tion.name), y relaciones con instancias de otras clases, como Technician (Image_classification.ima-ge_classif_tech) o Performance_indicator (Image_classification.perform_indicator). Además, la restricción de cardinalidad afirma que cada clasificación tiene exactamente un id, un nombre, etc. Por último, el elemento label proporciona un nombre legible para la clase. La definición de las demás clases sería similar a ésta.

Figura 6. Diagrama de clases UML y un fragmento de la ontología OWL/XML. Haga clic para ampliar