IX CONGRESO NACIONAL

DEL COLOR ALICANTE 2010

Alicante, 29 y 30 de Junio, 1 y 2 de Julio de 2010

Universidad de Alicante

PUBLICACIONES UNIVERSIDAD DE ALICANTE w

ww.

sri.u

a.es

/con

gres

os/c

olor

10

C O M I T É E S P A Ñ O L D E C O L O RS O C I E D A D E S P A Ñ O L A D E Ó P T I C A

SEDOPTICA

Publicaciones de la Universidad de AlicanteCampus de San Vicente s/n

03690 San Vicente del RaspeigPublicaciones@ua.es

http://publicaciones.ua.esTeléfono: 965903480

Fax: 965909445

© Varios autores, 2010© de la presente edición: Universidad de Alicante

ISBN: 978-84-9717-144-1

Diseño de portada: candelaInk

Este libro ha sido debidamente examinado y valorado por evaluadores ajenos a la Universidad de Alicante, con el fin de garantizar la calidad científica del mismo.

Reservados todos los derechos. Cualquier forma de reproducción, distribución, comunicaciónpública o transformación de esta obra sólo puede ser realizada con la autorización de sus titulares,

salvo excepción prevista por la ley. Diríjase a CEDRO (Centro Español de Derechos Reprográficos,www.cedro.org) si necesita fotocopiar o escanear algún fragmento de esta obra.

IX CNC -Libro de Actas-

El IX Congreso Nacional de Color cuenta con el apoyo de las siguientes entidades:

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010

IX Congreso Nacional de Color

Alicante,

29 y 30 de Junio, 1 y 2 de Julio

Universidad de Alicante

Departamento de Óptica, Farmacología y Anatomía Facultad de Ciencias

Instituto Universitario de Física Aplicada a las Ciencias y las Tecnologías (IUFACyT)

Universidad de Alicante

IX CNC -Libro de Actas-

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010 COMITÉ ORGANIZADOR Presidente Francisco M. Martínez Verdú Universidad de Alicante Vicepresidente I

Vicepresidente II Secretaria Científica

Secretaria Administrativa Secretaria Técnica

Tesorero Vocal

Vocal

Vocal

Vocal Vocal

Eduardo Gilabert Pérez Joaquín Campos Acosta Esther Perales Romero Olimpia Mas Martínez

Sabrina Dal Pont

Valentín Viqueira Pérez Elísabet Chorro Calderón Verónica Marchante Bárbara Micó Vicent

Elena Marchante

Ernesto R. Baena Murillo

Universidad Politécnica de Valencia

IFA-CSIC Universidad de Alicante Universidad de Alicante Universidad de Alicante Universidad de Alicante Universidad de Alicante Universidad de Alicante Universidad de Alicante Universidad de Alicante Universidad de Alicante

COMITÉ CIENTÍFICO Natividad Alcón Gargallo Joaquín Campos Acosta

Pascual Capilla Perea Ángela García Codoner Eduardo Gilabert Pérez

José Mª González Cuasante

Francisco José Heredia Mira

Enrique Hita Villaverde Luís Jiménez del Barco Jaldo

Julio Antonio Lillo Jover

Francisco M. Martínez Verdú

Manuel Melgosa Latorre Ángel Ignacio Negueruela

Susana Otero Belmar

Jaume Pujol Ramo Javier Romero Mora

Mª Isabel Suero López

Meritxell Vilaseca Ricart

Instituto de Óptica, Color e Imagen, AIDO Instituto de Física Aplicada CSIC

Universidad de Valencia

Universidad Politécnica de Valencia Universidad Politécnica de Valencia Universidad Complutense de Madrid

Universidad de Sevilla

Universidad de Granada Universidad de Granada Universidad Complutense de Madrid Universidad de Alicante Universidad de Granada Universidad de Zaragoza

Instituto de Óptica, Color e Imagen, AIDO

Universidad Politécnica de Cataluña Universidad de Granada

Universidad de Extremadura

Universidad Politécnica de Cataluña IX CNC -Libro de Actas-

65

DETERMINACIÓN DEL COLOR DEL SUELO MEDIANTE UN SISTEMA DE APRENDIZAJE AUTOMÁTICO

Ángel Marqués1, Sara Ibáñez2, Héctor Moreno2, Juan M. Gisbert2

1 Dpto. de Ingeniería Cartográfica, Geodesia y Fotogrametría, Universidad Politécnica de Valencia, Valencia.

2 Dpto. de Producción Vegetal, Universidad Politécnica de Valencia, Valencia E-mail: amarques@cgf.upv.es

Resumen: En este trabajo proponemos una metodología de laboratorio orientada a la obtención automática del color del suelo. En el desarrollo del trabajo se relacionan sistemas de coordenadas propios de la Colorimetría con las notaciones Munsell utilizadas en las aplicaciones relacionadas con la Edafología y la Ciencia del Suelo. La ventaja principal de la metodología descrita con respecto a la determinación de color clásica basada en la comparación visual es la reducción de la influencia del observador. Palabras clave: Color del suelo, Medida del Color, Aprendizaje automático.

INTRODUCCIÓN

El color es una de las características morfológicas más importantes de los suelos; se utiliza para la designación de horizontes, permite identificar las diferentes clases y está estrechamente relacionado con las condiciones edáficas del medio.

Hay un elevado número de atributos del suelo relacionados con su color, y su determinación es básica para obtener características que se relacionan con él. Como más señaladas podemos destacar las siguientes [1, 2]:

• Grado de evolución del suelo.

• Clasificación del suelo. El color es un atributo muy utilizado en los diferentes sistemas de clasificación de suelos. Concretamente, en la Soil Taxonomy [3] se utiliza en la definición de varios horizontes de diagnóstico, en la identificación del régimen de humedad ácuico y como criterio de clasificación hasta nivel taxonómico incluso de familia.

• Contenido de humus y presencia de ciertos minerales como por ejemplo hematita, goetita, leprodocrecita, calcita y dolomita.

• Potencialidad y productividad de los suelos, a nivel tanto de fertilidad como de rasgos restrictivos.

Siendo su importancia tan relevante, las primeras clasificaciones ya incluían el color del suelo como elemento taxonómico y desde principios de 1900 surgen los primeros esfuerzos para establecer estándares del color.

MATERIALES Y MÉTODOS

Las pruebas realizadas en este trabajo se llevaron a cabo con muestras de suelo procedentes de las comarcas del Vinalopó Medio y el Bajo Segura. Ambas zonas son representativas de las condiciones ambientales en cuanto a clima, uso del suelo, manejo y materiales geológicos y edáficos del Sur de la Comunidad Valenciana. El muestreo se realizó mediante sondeos o calicatas e incluye tanto la capa superior del suelo (topsoil) como cada uno de los horizontes

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010

66

subsuperficiales. Sin embargo, los resultados presentados aquí están referidos a muestras del horizonte superficial. El número de muestras fue de 304.

Las coordenadas cromáticas se han obtenido mediante el colorímetro CS-100A de la firma Konika-Minolta [4]. Este intrumento proporciona los valores de las coordenadas cromáticas (x,y) junto con el valor de la luminancia Y. Los valores procedentes del colorímetro se transformaron al sistema CIELAB [5-7] para su posterior tratamiento.

Las lecturas del colorímetro se realizaron en una cabina de luz equipada con un iluminante D65 y una geometría 45/0. La cabina se instaló en una habitación aislada del exterior. El material de la cabina es acromático y posee textura mate para evitar reflejos indeseados. Además, la cabina se conectó a un estabilizador de corriente para garantizar uniformidad en la alimentación eléctrica.

La determinación de las notaciones Munsell de cada una de las 304 muestras de suelo fue realizada por cuatro observadores siguiendo el procedimiento estándar para la determinación del color [8].

En dicho procedimiento, la muestra seca y tamizada es comparada visualmente con las fichas de las tablas Munsell, de modo que el observador asigna una notación determinada a la muestra. Las condiciones de observación fueron las mismas que las utilizadas para la toma de medidas de colorímetro. La situación del observador con respecto a la muestra de suelo también se mantuvo constante para cada una de las muestras analizadas y entre observadores diferentes.

Una vez determinadas las coordenadas colorimétricas y la notación Munsell del conjunto de muestras es necesario adoptar un sistema de transformación entre ambos sistemas. En este trabajo planteamos dicha transformación como un problema de clasificación mediante el método de los k vecinos más próximos (k-nn). Este método se encuentra entre los más sencillos usados en aplicaciones de aprendizaje automático y se enmarca dentro de los denominados algoritmos de clasificación por proximidad [9].

En general, los sistemas de aprendizaje automático tienen como objetivo la resolución de un problema concreto por parte de una máquina a partir de ejemplos o muestras de aprendizaje. El objetivo final de este tipo de herramientas consiste en obtener un sistema que sea capaz de dar respuestas similares a las de un humano en una determinada tarea.

Los datos obtenidos previamente se ordenan en una matriz {xi; li}, donde los elementos xi son vectores de coordenadas en un determinado espacio multidimensional y li son las etiquetas que determinan la clase a la que pertenece cada muestra o prototipo. En el caso particular de este trabajo la etiqueta es la notación Munsell correspondiente a cada muestra. El espacio de coordenadas colorimétrico tiene tres coordenadas, es decir, 3Rxi ∈ . La métrica utilizada para

realizar la clasificación es la distancia euclídea en el espacio de coordendas colorimétricas. El programa que realiza la clasificación se denomina snn y ha sido escrito en el lenguaje de

programación C. La entrada de datos se toma de dos ficheros de texto en formato CSV. El primer fichero, denominado fichero de entrenamiento, contiene un conjunto de registros con la luminancia (Y), las coordenadas cromáticas (x,y) y la etiqueta Munsell de la clase correspondiente.

Los campos de cada registro están estructurados tal y como se observa a continuación: 31,0.383,0.392,10YR6/4

El segundo fichero contiene los datos correspondientes a las muestras que serán clasificadas a la clase Munsell correspondiente. La información relativa a cada muestra incluye la luminancia y coordenadas cromáticas (x,y) de la muestra junto con un identificador único dentro del conjunto completo de muestras.

La salida proporcionada por el programa consiste en una lista de registros que contienen las coordenadas de la muestra, el identificador y la etiqueta Munsell asignada por el programa. Esta

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010

67

información de salida se puede almacenar en ficheros para su posterior uso en otros entornos de trabajo.

RESULTADOS

En esta sección presentamos los resultados de las clasificaciones obtenidas con la metodología de los k vecinos más próximos. Antes de pasar a los valores numéricos, es necesario recordar que el sistema clásico de determinación del color del suelo está basado en un proceso psicofísico y por tanto depende del observador. Esta circunstancia se pudo comprobar en el transcurso del trabajo al analizar el conjunto de datos correspondientes a los cuatro observadores. Únicamente 14 muestras fueron identificadas con la misma notación Munsell por los cuatro observadores, lo cual representa un 4.6% del total de muestras. Las diferencias máximas entre los diferentes observadores no sobrepasaron la unidad en las dimensiones valor y croma.

Los resultados de la clasificación se presentan en las tablas 1 y 2. Estos resultados se dan en forma de porcentaje de aciertos del método de validación cruzada [9]. En dicho método de validación se toma la base de datos de entrenamiento y se elimina un registro. A continuación se clasifica el registro eliminado con el resto de muestras de la base de datos. Si el resultado de la clasificación coincide con la clase original del registro se contabiliza un acierto. Este proceso se repitió para la totalidad de los registros de la base datos y los resultados se plasman en las tablas mencionadas anteriormente.

Tabla 1 . Porcentaje de aciertos por observador.

Observador n P 1 [%] P2 [%] P3 [%] P4 [%] 1 5 31 30 33 33 1 10 44 47 47 46 1 20 55 58 60 57 1 40 59 65 67 67 2 20 59 34 63 62 2 30 65 38 68 68 3 20 76 18 70 79 3 25 82 29 71 82 4 20 75 60 72 75 4 30 74 54 70 74

La columna n representa el tamaño de cada clase, es decir, el número de muestras de la base de datos de entrenamiento que tienen asignada la misma etiqueta Munsell. Las columnas P1, P2, P3 y P4 contienen los porcentajes de acierto de las cuatro ponderaciones usadas en las pruebas. La distinta ponderación a cada una de las coordenadas es un mecanismo usado en clasificación para observar la sensibilidad del clasificador a cada una de las coordenadas del espacio métrico utilizado. La columna P1 contiene los resultados de asignar el mismo peso unidad a los tres valores (x,y,Y), mientras que en las columnas P2, P3 y P4 se ha asignado respectivamente pesos 0, 0.2 y 0.5 a la luminancia Y.

Tabla 2 . Porcentaje de aciertos para los cuatro observadores.

n P1 [%] P2 [%] P3 [%] P4 [%] 5 48 38 48 49

10 51 40 50 51 20 58 47 58 58 30 66 52 65 64 40 64 49 62 62 50 64 51 63 62 70 73 62 70 70 90 76 68 74 75

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010

68

CONCLUSIONES

Se requiere un tamaño mínimo de 30 muestras con la misma etiqueta Munsell para que el número de aciertos en la fase de aprendizaje sea aceptable (alrededor del 75%), siendo por lo tanto imprescindible aumentar el número de muestras de suelo, y en particular el número de muestras pertenecientes a cada clase. El 75% de las 304 muestras de la base de datos están incluidas en clases con un tamaño menor de 5 (únicamente hay clases con más de 5 elementos en los colores más comunes de la zona estudiada como por ejemplo 10YR6/4 o 10YR7/3), de modo que es necesario realizar un muestreo mucho más exhaustivo para aumentar el tamaño de las clases en todos los colores de suelo.

La variación del peso del componente Y (1.0, 0.0, 0.2 y 0.5 respectivamente) no mejora el número de aciertos en la clasificación, lo cual indica que la opción de asignar el mismo peso unidad a los tres valores (x,y,Y) es la más adecuada. La aplicación de distintos pesos en la clasificación mostró un comportamiento muy diferente de uno de los observadores: cuando el peso de asignado a Y es 0.0, en el primer observador el número de aciertos aumenta (del 59% al 65 %) mientras que en el resto de los casos baja (del 82% al 29% para el tercero).

En resumen, creemos que el método presentado aquí proporciona porcentajes de acierto aceptables cuando el tamaño de las clases de entrenamiento es alto (n > 30). Esta circunstancia nos sugiere que el uso de la metodología es muy interesante en el contexto de un sistema automático de obtención del color del suelo en laboratorio.

REFERENCIAS

[1] F. Ovalles, El color del suelo: Definiciones e interpretación (INIA CENIAP, 2003). [2] Munsell Color Co., Munsell Soil Color Charts (Munsell Color Company, 1980). [3] Soil Survey Division Staff, Keys to Soil Taxonomy (USDA-NCRS, 2006). [4] Konica Minolta, Chroma meter CS-100, Instruction Manual (Konica Minolta, 2000). [5] M. Aguilar, V. Blanca, Iluminación y color, (Universidad Politécnica de Valencia, 1995). [6] R.W.G. Hunt, Measuring Color, (Fountain Press, 1998). [7] S. Westland, C. Ripamonti, Computacional Colour Science using MATLAB (John Wiley & Sons, 2004). [8] AENOR, UNE 77303 Calidad del suelo: pretratamiento de muestras para análisis físico-químico (1977). [9] B. Sierra, Aprendizaje automático. Conceptos básicos y avanzados (Octubre, 2006).

IX CONGRESO NACIONAL DEL COLOR. ALICANTE 2010