PIEDRA FERNÁNDEZ, JOSÉ ANTONIO
El gran auge de la teledetección unido al lanzamiento de diferentes satélites en los últimos tiempos ha potenciado el desarrollo de nuevas técnicas en el procesamiento digital de imágenes [Lillesand y Kiefer, 1994] [Chuvieco, 96]. La teledetección permite tener una observación remota de la superficie terrestre, lo que ayuda al estudio y conocimiento de fenómenos mesoescalares. La línea de
investigación en Teledetección de los Océanos fue iniciada por el profesor Dr. D. Manuel Cantón Garbín a finales de los años 80, siendo sus estudios de investigación pioneros en España. Nuestro marco se centra en el reconocimiento de estructuras oceánicas en la cuenca de las Islas Canarias.
La zona bajo estudio abarca la región comprendida entre los 20º y 40º N y los 9º y 19º O, incluyendo el Archipiélago Canario y la costa norte de África. La situación geográfica de las Islas Canarias entre la plataforma continental y el océano hace que esta región se encuentre sujeta a influencias de distinta naturaleza que generan características oceanográficas tales como: el afloramiento costero del noroeste de África, los remolinos mesoescalares procedentes del Mediterráneo
(dando lugar a los giros fríos y cálidos) y la corriente de Canarias que fluye hacia el Ecuador a través del archipiélago Canario (dando lugar a estelas en las diferentes islas) [Tejera, 1996][García, 1998].
El estudio se basa en la información extraída del océano Atlántico en el archipiélago canario y afloramiento canario-saharanio mediante imágenes del sensor Advanced Very High Resolution Radiometer (AVHRR), que proporcionan mapas de temperatura de la superficie del mar (SST ? Sea Surface Temperature).
El reconocimiento de patrones se divide en una serie de etapas:
adquisición de datos, extracción de características y clasificación. En la primera etapa nuestro trabajo obtiene dos tipos de datos de partida: simbólicos (HLKPs) y numéricos (a partir de las segmentaciones obtenidas por SEG). Uno de los objetivos alcanzados en esta fase en nuestro trabajo ha sido la propuesta de un nuevo conjunto de descriptores basados en momentos invariantes. Este
nuevo conjunto de momentos invariantes se basa en los propuestos con anterioridad por otros autores, como [Hu, 1962], [Maitra, 1979], [Teague, 1980] y [Cantón, 1982], mediante la utilización de técnicas clustering jerarquizadas [Lozano, 1998]. La principal característica de los nuevos invariantes es su mejora a la hora de representar los objetos con un carácter más invariante y su facilidad de cómputo.
La siguiente etapa en el reconocimiento de patrones es la selección de características relevantes. Hemos desarrollado una metodología de selección y validación de características. Esta metodología establece la integración de dos métodos: técnicas filtro (filter) y las redes bayesianas. Las técnicas filter utilizan funciones de evaluación de tipo filtro para la búsqueda de características en un subespacio del dominio, destacando CFS (Correlation ? Based Filter Selection) [Hall
and Smith, 1997] como aquella que mejores resultados ha obtenido.
Un aspecto importante del aprendizaje es obtener un modelo que represente el dominio de conocimiento y que sea accesible para el usuario. Una representación del conocimiento que es capaz de capturar esta información sobre las dependencias entre las variables son las redes bayesianas (la segunda técnica empleada en esta metodología). Dichas dependencias simplifican la representación del conocimiento (menos parámetros) y el razonamiento (propagación de las probabilidades).
La última etapa en el reconocimiento de patrones es la clasificación.
Al igual que en la etapa anterior me gustaría, ya que nuestro estudio versa sobre los sistemas híbridos neurodifusos, introducir el concepto de computación suave (Soft Computing) [Zadeh, 1994] [Bonissone, 1997]. Este concepto es una metodología nueva que pretende integrar otras tecnologías, donde cada una de ellas contribuirá con lo mejor en su dominio para la resolución de un problema específico. La esencia de la computación suave es que a diferencia de las técnicas
tradicionales (Hard Computing), es capaz de adaptarse, tolerar y explotar la imprecisión, incertidumbre, y verdades parciales que tienen la mayoría de los problemas del mundo real. Generalmente utiliza la lógica difusa, redes neuronales, razonamiento probabilístico y algoritmos genéticos, pero es capaz de trabajar con cualquier otra técnica.
El propósito de la etapa de clasificación es la aplicación de los sistemas híbridos inteligentes (donde cada una de las técnicas referenciadas contribuye con una metodología distintiva para manejar problemas en su dominio), concretamente los sistemas híbridos neurodifusos, ya que actualmente aportan muy buenos resultados y se están empezando a utilizar en Teledetección [Acharyya, 2003].
Los sistemas híbridos neurodifusos combinan las ventajas de las redes neuronales y de la lógica difusa, logrando obtener un sistema más robusto (consistencia de las reglas), confiable y flexible (adaptación del conocimiento), así como una mayor potencia de aprendizaje y aproximación (desde el punto de vista semántico) al mundo real. Existen diversos sistemas neurodifusos. Para nuestro
estudio se ha seleccionado un subconjunto con diferentes arquitecturas y modos de aprendizaje: ANFIS, NEFCLASS, NEFPROX, RBF-SUGENO (sistema híbrido: una red neuronal de función de base radial y un sistema difuso de tipo sugeno) y FLNMAP (red neuronal de dos capas basada en retículos difusos). Este último se puede ver como una generalización de los anteriores, ya que en la extracción de
las reglas difusas se definen los retículos asociados a cada característica.
El principal problema se plantea en la búsqueda de un equilibrio entre la tasa de aciertos en la clasificación y la comprensibilidad del sistema neurodifuso. La aplicación de la metodología de selección y validación de características ha permitido optimizar la construcción de los sistemas neurodifusos. Además, se ha propuesto desde el punto de vista de la comprensibilidad, la inclusión de técnicas basadas en retículos difusos como un mecanismo de generalización de reglas
difusas [Kaburlasos y Petridis, 2000]. Las reglas difusas extraídas por los clasificadores neurodifusos pueden ser reducidas a una representación más simplificada mediante los retículos difusos.
Por último, se ha realizado un análisis comparativo con los métodos comúnmente utilizados en clasificación como son redes neuronales, árboles de decisión, técnicas de clustering, frente a los sistemas neurodifusos, haciendo especial énfasis no sólo en la tasa de aciertos obtenida por el clasificador sino en la comprensibilidad de los sistemas obtenidos.
Concluyendo, en este trabajo se han abordado las etapas de un sistema de reconocimiento de patrones mediante diferentes metodologías. Por un lado, se destaca la propuesta de nuevos momentos invariantes aportando información relevante al dominio de estudio. Por otr
