114 Número Especial - Junio 2006

INTRODUCCIÓN

Este trabajo se centra en el estudio de métodos deinterpretación de imágenes de satélite para el reco-nocimiento de estructuras oceánicas mesoescalares.La dificultad del análisis de estas imágenes se debeprincipalmente a su variabilidad morfológica y con-textual, así como a las condiciones meteorológicas,entre otros factores.

Este trabajo muestra los resultados obtenidos por unsistema de interpretación automática para imágenesdel sensor AVHRR (Advanced Very High ResolutionRadiometer), desarrollados para detectar y etiquetarestructuras oceánicas. Este sistema de interpretaciónautomática contiene principalmente un conjunto for-mado por diversos clasificadores que permiten anali-zar y comparar los modelos de clasificación Estos cla-sificadores se basan en los principios funcionales yoperacionales derivados de las redes neuronales, lossistemas difusos y las redes bayesianas.

La zona de estudio se encuentra entre el noroes-te de África y el Archipiélago Canario. Una des-cripción detallada de dicha zona se puede encon-trar en García-Weil et al. (2000) y Tejera (1997).La principal característica de esta zona es la pre-sencia de estructuras oceánicas mesoescalarestales como los afloramientos, las estelas y losgiros cálidos y fríos.

ETAPAS DEL RECONOCIMIENTOAUTOMÁTICO

En la Figura 1 se muestra el proceso completoestructurado en bloques de las etapas fundamenta-les del reconocimiento automático. Se parte de unabase de datos de imágenes AVHRR de la zona deestudio. Estas imágenes son preprocesadas, analiza-das y segmentadas por un sistema experto gráfico(Guindos et al., 2004).

Revista de Teledetección. 2006. Número Especial: 114-118

Interpretación automática de imágenes oceánicasmediante sistemas neurodifusos

J. A. Piedra, F. Guindos y M. Cantónjpiedra@ual.es, fguindos@ual.es, mcanton@ual.es

Universidad de Almería. Escuela Politécnica Superior. Dpto. de Lenguajes y Computación

RESUMEN

El objetivo principal de este trabajo es mejorar lainterpretación automática de las imágenes de satéliteoceánicas. Se presenta un estudio comparativo sobrediferentes clasificadores: redes bayesianas, redes neu-ronales – función de base radial y sistemas difusos,sistemas neurodifusos y modelos de neurocomputa-ción basados en retículos difusos.

PALABRAS CLAVE: clasificadores híbridos, redesbayesianas, sistemas neurodifusos.

ABSTRACT

The main goal of this work is to improve the auto-matic interpretation of ocean satellite images. We pre-sent a comparative study of different classifiers: baye-sian network, artificial neural network – radial basefunction & fuzzy system, neurofuzzy system andfuzzy lattice neurocomputing model.

KEY WORDS: hybrid classifiers, bayesian networks,neurofuzzy systems.

Figura 1. Etapas fundamentales para el reconocimientode estructuras oceánicas.

23. J. A. Piedra 12/2/07 09:50 Página 114

La principal característica de dicho sistema es lapresencia de una segmentación iterativa que permi-te ajustar de manera automatizada la segmentaciónóptima a partir de un conocimiento dado. Una vezsegmentadas las imágenes la siguiente etapa seencarga de la extracción de características.

Además de las características numéricas calcula-das utilizamos, el conocimiento extraído en formade reglas de los HLKP –High-Level KnowledgeProcessor– (Torres et al., 2003). Brevemente pode-mos decir que es un clasificador basado en redesneuronales que utiliza el conocimiento simbólicopara la construcción de reglas, las cuales nos per-miten aportar mayor conocimiento a la etapa deselección de características.

La metodología de selección de características per-mite utilizar las redes bayesianas para la reducciónde características irrelevantes (Inza et al., 2000). Lametodología propuesta en (Piedra et al., 2005) pre-tende obtener una aproximación de las característicasmás relevantes mediante la utilización de las redesbayesianas y las técnicas de tipo filtro.

Una vez seleccionadas las características relevan-tes la siguiente etapa es la clasificación. En estaetapa se construyen diversos clasificadores: redesbayesianas, redes neuronales, sistemas híbridos –red neuronal de función de base radial y un sistemadifuso tipo Sugeno –, sistemas neurodifusos – NEF-PROX, NEFCLASS y ANFIS – y modelos neuro-nales basados en retículos difusos. La evaluacióndel comportamiento de todos estos clasificadores hapermitido conocer la eficiencia y comprensibilidadde los mismos.

CLASIFICADORES

El artículo se centra en el estudio del análisis delcomportamiento clasificatorio de los sistemas neu-rodifusos en el reconocimiento de estructuras oceá-nicas. Para ello, se han seleccionado diferentesmodelos neurodifusos por considerarlos pieza claveen este estudio –NEFCLASS–, por estructura pecu-liar basada en cinco capas sobre un sistema difuso–ANFIS–, por la mayor velocidad de computo y sucapacidad de aprendizaje interpretable –NEF-PROX– y por la capacidad de generalización y abs-tracción de reglas mediante la utilización de retícu-los difusos –s-FLNMAP–. Destacar que todos estosmodelos obtienen buenos resultados en la literaturapero no han sido aplicados directamente al recono-cimiento de estructuras oceánicas.

Sistema híbrido

El modelo cooperativo seleccionado está basadoen un sistema híbrido formado por una red neuronalfunción de base radial –RBF– y en un sistema difu-so de tipo Sugeno. En la fase de entrenamiento deeste modelo la red neuronal RBF se usa para extra-er el conjunto de reglas difusas que determinarán elfuncionamiento del sistema difuso.

La posibilidad de generación de forma automáti-ca de Sugeno de orden cero a partir de una red neu-ronal RBF, se ha utilizado como base para la crea-ción de un sistema difuso equivalente.

Este tipo de modelo ha sido utilizado por (Fer-nández y Corchado, 2004) en la predicción de lasmareas rojas mediante sistemas neuro-simbólicos.Estos sistemas se basan en la metodología del razo-namiento basado en casos. Las fases de recupera-ción y adaptación de casos se realizan mediante lasredes neuronales RBF que permiten la creación deun modelo generado de forma automática a partirde los propios datos, que es capaz de adaptarse a loscambios continuos de las variables de entrada yaprender en función del error cometido en situacio-nes anteriores. Para la fase de revisión utiliza el sis-tema difuso tipo Sugeno, estableciendo una posibleclasificación en función de la estructura de lasreglas difusas empleadas por cada modelo.

Sistemas neurodifusos

Los sistemas neurodifusos permiten combinar lasventajas de las redes neuronales y de los sistemasdifusos:

• Permite manejar información imprecisa, vaga oimperfecta.

• Utiliza cualquier tipo de información - numéri-ca, lingüística, lógica, etc.

• Posee la capacidad de aprendizaje, organizacióny ajuste por sí mismo.

• No necesita conocimiento a priori sobre losdatos.

• Reduce el proceso de toma de decisiones.

Uno de los sistemas seleccionados ANFIS–Adaptative Network Based Fuzzy Inference Sys-tem– (Jang, 1993), es un sistema de inferencia difu-so implementado sobre una red adaptativa. ANFISpuede servir como base para la construcción de unconjunto de reglas difusas con las funciones de per-tenencia asociadas para generar parejas estipuladasde entrada-salida.

Interpretación automática de imágenes oceánicas mediante sistemas neurodifusos

Número Especial - Junio 2006 115

23. J. A. Piedra 12/2/07 09:50 Página 115

Por otra parte, usamos un modelo general para laaproximación de funciones mediante un modeloneurodifuso basado en aprendizaje supervisado. Elmodelo es NEFPROX –NEuroFuzzyfunctionapPROXimator– (Nauck y Kruse, 1998), que tienela capacidad de no necesitar aprendizaje reforzado.Además, este modelo deriva de NEFCLASS(Nauck et al, 1996) (Nauck, 2000), pero la diferen-cia es que NEFCLASS sólo se utiliza en tareas declasificación discreta.

Sistema neurocomputacional basado en retículosdifusos

La neurocomputación de retículos difusos(Kaburlasos y Petridis, 2000) emerge como unparadigma conexionista sobre los retículos difusos,el cual tiene las ventajas de la capacidad de trata-miento con diferentes tipos de datos numéricos ylingüísticos, intervalos de valores, datos perdidos oimperfectos.

El clasificador s-FLNMAP –Fuzzy Lattice Neu-ral MAP– ha sido introducido en (Petridis y Kabur-lasos, 2000). s-FLNMAP es una sinergia de dosesquemas de agrupamiento s-FLN. Los dos esque-mas s-FLN son denotados por s-FLNa y s-FLNb.En particular, s-FLNa agrupa los datos de entrada,s-FLNb agrupa los datos correspondientes a lascategorías, donde un mapa de interconexiones per-mite asociar ambos esquemas. El mapa asigna unacategoría a los grupos de datos de entrada. Lasreglas extraídas por el clasificador s-FLNMAP sonrepresentadas como hiperrectángulos.

Al final del proceso de aprendizaje, hay M hipe-rrectángulos particionados en K clases, donde K esla cardinalidad del conjunto finito de categorías.Una vez completado el proceso de aprendizaje, el

conjunto de hiperrectángulos calculados puede serimplementado como un árbol de decisión o una redneuronal.

Redes bayesianas

Las redes bayesianas han sido satisfactoriamenteusadas como modelos para la representación deincertidumbre en las bases de datos de conocimien-to. La incertidumbre es representada en términos deuna distribución de probabilidad donde las relacio-nes de independencia inducidas son representadaspor la estructura de la red.

Las redes bayesianas proveen una visualizacióngráfica intuitiva del conocimiento. En este trabajohemos evaluado los dos clasificadores más sim-ples y con mejores resultados en los procesos declasificación:

• Naive-Bayes (Duda y Hart, 2001): este métodoasume que todas las características son condi-cionalmente independientes cuando la clase esconocida. Esto implica que la estructura de lared es la más simple, ya que los únicos arcos enel grafo dirigido son los que relacionan lavariable clase con cada una de las característi-cas. La ventaja es que tiene que aprender unmenor número de parámetros que existen en lasrelaciones de independencia, ya que son lasmás simples y esto condiciona una menor tasade error.

• Tree Augmented Naïve Bayes – TAN (Friedmanet al, 1997): es similar al modelo anterior con lasalvedad de que las características pueden tenerdos arcos dirigidos, uno de ellos de la clase y laclase no pude tener ningún arco dirigido que lellegue.

RESULTADOS

Los resultados obtenidos en el proceso de clasifi-cación se muestran en la Tabla 1 para los modelosintroducidos. Hay que destacar que se ha contadocon un número de 1000 casos para las diferentesestructuras oceánicas. Estos casos han sido extraí-dos del conjunto de imágenes analizadas en el pro-ceso de segmentación iterativa (Guindos et al,2004). La principal característica de estos casos esque pertenecen a diferentes aproximaciones de seg-mentaciones sobre una misma estructura. La tasa deaciertos de los clasificadores se ha realizadomediante validación cruzada.

J. A. Piedra, F. Guindos y M. Cantón

116 Número Especial - Junio 2006

Clasificador C R Aciertos

Sistema Híbrido 14 100 69,13

NEFCLASS 16 367 96,49

NEFPROX 16 420 89,62

ANFIS 14 407 83.63

s-FLNMAP 15 156 92.29

Naïve Bayes 16 -- 89.68

TAN 14 -- 87.08

Tabla 1. Resultados comparativos de clasificación (en laprimera fila la letra C = número de características y R=número de reglas utilizadas).

23. J. A. Piedra 12/2/07 09:50 Página 116

Las mejores clasificaciones se obtienen paraNEFCLASS y s-FLNMAP. Es importante enfatizarel trabajo de los sistemas neurodifusos, ya queobtienen una buena tasa de aciertos y facilitan laadquisición de conocimiento a través de las reglasdifusas muy cercanas a la comprensión humana.

La principal diferencia entre s-FLNMAP y NEF-CLASS radica en el número de reglas obtenidas,156 y 367 respectivamente. Esto implica que sepodría asumir la tasa de aciertos del 92.29% para s-FLNMAP –que es 4.2% inferior a la obtenida porNEFCLASS– permitiendo un sistema mucho máscomprensible ya que el número de reglas difusas esde un 58% inferior.

En la Figura 2 se muestra un ejemplo del resulta-do del reconocimiento de estructuras oceánicas.

CONCLUSIONES

Se han construido diversos clasificadores neuro-difusos para analizar su comportamiento en nuestrodominio de estudio. Se ha observado que es difícilde cuantificar cuál es el mejor de los clasificadoresneurodifusos desde el punto de vista de la com-prensibilidad, ya que un incremento en las tasas deacierto conlleva a mermar la interpretabilidad de los

clasificadores. Uno de los sistemas neurodifusosnovedosos expuestos ha sido s-FLNMAP que utili-za tanto redes neuronales como retículos difusos.Éste ha permitido extraer los aspectos más genera-les en forma de reglas con valores de intervalosnuméricos para cada una de las características queintervienen en el sistema.

Se ha realizado un estudio para aproximar cuál esel mejor clasificador. El criterio es la búsqueda delequilibrio entre el rendimiento (tasa de aciertos) yla comprensibilidad del usuario (cómo de cercano ysimple le resulta la interpretación del sistema a unser humano). Se ha observado por tanto que los sis-temas neurodifusos en nuestro problema de estudiofuncionan bastante bien y su representación esfácilmente interpretable.

AGRADECIMIENTOS

Este trabajo ha estado apoyado por el proyectoCICyT Nº T/N2004-05346.

BIBLIOGRAFÍA

DUDA R.O. y HART P. E. 2001. Pattern classifica-tion. John Wiley and Sons, New York.

FERNÁNDEZ F. y CORCHADO J. M. 2004. Fore-casting System for Red Tides. Applied Intelligen-ce. 21 (3): 251-264.

FRIEDMAN, N., GEIGER, D. Y GOLDSZMIDTM. 1997. Bayesian network classifiers. MachineLearning 29 (2): 131-164.

GARCÍA-WEIL, L., PACHECO, M., RODRÍ-GUEZ , G. y T. McCLIMANS. 2000. Topograp-hic Effects on the Mesoscale Ocean Circulationnear Canarian Archipelago Examines by meansof Satellite Images and Laboratory Simulations.IEEE Int. Geoscience and Remote Sensing Sym-posium, Proc. IGARSS2000, páginas 1830-1832,Hawaii USA.

GUINDOS F., PIEDRA J. A. Y CANTÓN M. 2004.Ocean features recognition in AVHRR images bymeans of bayesian net and expert system. 3rdInternational Workshop on Pattern Recognition inRemote Sensing, Kingston University, UnitedKingdom, August 2004.

INZA, I., LARRAÑAGA, P., ETXEBERRIA R. ySIERRA B.. 2000. Feature subset selection bybayesian networks based optimization. ArtificialIntelligence 123 (1-2): 157-184.

Interpretación automática de imágenes oceánicas mediante sistemas neurodifusos

Número Especial - Junio 2006 117

Figura 2. Las estructuras reconocidas son el afloramien-to, las estelas: La Palma, La Gomera, Tenerife, GranCanaria y un giro frío.

23. J. A. Piedra 12/2/07 09:50 Página 117

J. A. Piedra, F. Guindos y M. Cantón

118 Número Especial - Junio 2006

JANG, R. 1993. ANFIS Adaptative Network basedFuzzy Inference System. IEEE Transactions OnSystems, Man and Cybernetics, vol. 23, número 3.

KABURLASOS, V. G. y PETRIDIS, V. 2000.Fuzzy lattice neurocomputing (FLN) models.Neural Networks 13 (10): 1145-1170.

NAUCK, D. y KRUSE, R. 1998. A neuro-fuzzyapproach to obtain interpretable fuzzy systemsfor function approximation. Fuzzy Systems Pro-ceedings, IEEE World Congress on Computatio-nal Intelligence, vol. 2 , pp 1106 –1111.

NAUCK, D., NAUCK, U. y KRUSE, R. 1996.Generating classification rules with the neuro-fuzzy system NEFCLASS. Fuzzy Information Pro-cessing Society, NAFIPS, Biennial Conference ofthe North American, pp 466–470.

NAUCK, D. 2000. Knowledge discovery with NEF-CLASS. Fourth International Conference on Know-ledge-Based Intelligent Engineering Systems andAllied Technologies, vol. 1, pp. 158-161.

PETRIDIS, V. y KABURLASOS, V. G. 2000. Lear-ning in the framework of fuzzy lattices. IEEE Tran-sactions on Fuzzy Systems 7 (4): 422-440. Errata inIEEE Transactions on Fuzzy Systems 8 (2): 236.

PIEDRA J. A., SALMERÓN A., CANTÓN M.,GUINDOS F. y RUIZ D. 2005. Reduction of irre-levant features in ocean satellite images by meansof bayesian networks. VI Jornadas de transferneciatecnológica de inteligencia artificial. I CongresoEspañol de Informática, pp. 133-140.

TEJERA A. 1997. Mesoscale variability in thecanary region from altimetry. In Proc 3rd ERSSymposium On Space at the service of our envi-roment, volume 3, páginas 1509-1519, Florence,Italy ESA SP-414.

TORRES J. A., GUINDOS F., LÓPEZ M. y CAN-TON M. 2003. Competitive neural-net-based sys-tem for the automatic detection of oceanic mesos-calar structures on AVHRR scenes. IEEE Trans. onGeoscience and Remote Sensing 41 (4): 845-852.

23. J. A. Piedra 12/2/07 09:50 Página 118