Ayuda y tutorial

Herramientas de la barra de herramientas

La barra de herramientas flotante sobre el lienzo incluye:

• Restablecer vista: restaura el zoom y la posición originales.
• Selector de objetos: habilita el modo de selección de polígonos existentes.
• Herramienta SAM: Utiliza el modelo Segment Anything para la segmentación automática.
  • Seleccione la herramienta SAM y haga clic con el botón izquierdo dentro del objeto para añadir un punto positivo. Los puntos positivos aparecen como marcadores verdes con el signo +. Se requiere al menos un punto positivo.
  • Añada más puntos positivos para incluir las áreas que falten. La vista previa de la segmentación se actualiza automáticamente después de cada cambio.
  • Haga clic con el botón derecho en las áreas que no pertenecen al objeto para añadir puntos negativos, mostrados como marcadores rojos con el signo −. Estos puntos ayudan a eliminar áreas no deseadas de la vista previa.
  • Pulse Backspace para eliminar el punto añadido más recientemente. Puede seguir añadiendo o eliminando puntos hasta que la vista previa coincida con el objeto.
  • Pulse Enter o haga clic en el botón ✓ para guardar la vista previa actual como un polígono. Si SAM todavía está procesando, Argiope esperará la vista previa más reciente antes de guardarla. La herramienta permanece activa para que pueda iniciar otro objeto.
  • Pulse Esc o haga clic en el botón × para cancelar la sesión actual de SAM sin guardar la vista previa.
• Dibujar polígono: delimita manualmente una región de interés.
• Dibujar línea: traza manualmente una línea de referencia.
• Deshacer y Rehacer: deshacen y rehacen los últimos 10 cambios aplicados a los polígonos.
• Acercar, Alejar y Desplazar: ajustan el área de visualización. Mantener pulsada la tecla Shift activa temporalmente la herramienta Desplazar.
• Importar archivo de objetos: añade anotaciones directamente desde el visor. Importe un JSON en formato COCO o un archivo ROI de ImageJ (https://imagej.net/ij/). Para los archivos ROI de ImageJ, descomprímalos primero y seleccione los objetos deseados.
• Exportar archivo de objetos: exporta un JSON en formato COCO o un archivo ROI de ImageJ (https://imagej.net/ij/).
• Seleccionar modelo: elija el modelo de IA que se aplicará; Generar objetos (IA) ejecuta el modelo en la imagen actual.

Lista de objetos y etiquetas

El panel lateral enumera todos los objetos. Puede agregar etiquetas para clasificar la imagen u objetos individuales.

Modelos de IA: cómo agregar modelos

• Haga clic Modelos de IA. Para agregar un modelo, escriba un nombre y seleccione el tipo de modelo:
  • Segmentación Zero-shot:
    • Lista de objetos: agregue palabras clave que describan objetivos (separadas por comas), por ejemplo, mariposa, pequeño cuadrado verde, círculo grande. Pruebe variantes para obtener un rendimiento sólido.
    • Umbral de detección: umbral de confianza por objeto (separado por comas). Umbrales muy bajos (por ejemplo, 0,001%) pueden ayudar durante la exploración.
    • Número máximo de objetos: cantidad máxima de objetos de cada tipo que se conservarán (valores separados por comas). Se da prioridad a los resultados con mayor confianza.
    • Búfer (%): margen aplicado a los polígonos. Los valores positivos expanden el polígono y los negativos lo contraen. El porcentaje se aplica a cada borde (por ejemplo, -10 elimina aproximadamente el 10 % de cada lado).
  • Detección Zero-shot: igual que el anterior pero devuelve cuadros delimitadores.
  • Segmentación Roboflow:
    • URL: indique la dirección del modelo en Roboflow; por ejemplo, colorchecker-segmentation/3.
    • Clave API: necesaria para ejecutar inferencias en Roboflow. Es personal y confidencial y puede encontrarse en su cuenta de la aplicación web de Roboflow.
    • Umbral de detección (%): confianza mínima. Sólo se mantendrá la detección con valores de confianza superiores al umbral.
    • Número máximo de objetos: cantidad máxima de objetos por imagen.
    • Búfer (%): margen aplicado a los polígonos. Los valores positivos expanden el polígono y los negativos lo contraen. El porcentaje se aplica a cada borde (por ejemplo, -10 elimina aproximadamente el 10 % de cada lado).
  • Clasificación Roboflow:
    • URL y Clave API como arriba.
  • Roboflow Workflow:
    • Nombre del workspace: slug que aparece en la URL del workspace de Roboflow, por ejemplo, evolutionary-ecology-lab.
    • ID del Workflow: ID o slug del Workflow publicado en Roboflow Deploy.
    • Clave API: clave personal de la cuenta Roboflow utilizada para ejecutar el Workflow.
    • Nombre de entrada de imagen: nombre asignado a la entrada de imagen del Workflow; normalmente image.
    • Aplicar resultados como: seleccione segmentation para crear polígonos editables o tags para agregar etiquetas a la imagen.
    • Clave de salida del Workflow: opcional. Déjela vacía para detectar automáticamente la salida de predicciones; utilice una ruta separada por puntos solo cuando existan varias salidas, por ejemplo, output.predictions.
    • Búfer (%): expansión o contracción aplicada a los polígonos cuando se utiliza el resultado de segmentación.
  • Clasificación Gemini:
    • Clave API: necesaria para ejecutar inferencias con Gemini. Es personal y confidencial y está disponible en Google AI for Developers (https://ai.google.dev/).
    • Modelo: seleccione el modelo Gemini.
    • Prompt: escriba una instrucción para el modelo Gemini. Por ejemplo: «Lee la etiqueta de esta imagen y devuelve su contenido.»
  • Clasificación ChatGPT:
    • Clave API: cree o acceda a una clave en la plataforma OpenAI (https://platform.openai.com/api-keys). Las suscripciones de ChatGPT y los créditos de API son servicios separados.
    • Modelo: seleccione o introduzca un modelo OpenAI compatible con entrada de imágenes.
    • Prompt: describa la clasificación deseada y el formato de respuesta, por ejemplo, "identifica la especie y devuelve solamente su nombre científico."
  • Clasificación Claude:
    • Clave API: cree o acceda a una clave en Anthropic Console (https://console.anthropic.com/settings/keys). La cuenta debe disponer de créditos para la API.
    • Modelo: seleccione o introduzca un modelo Claude compatible con entrada de imágenes.
    • Prompt: describa la clasificación deseada y el formato de respuesta.

Análisis

Use Análisis para añadir estadísticas a la tabla exportada. Todos los resultados se registran por objeto; los análisis que producen imágenes también guardan visualizaciones en la carpeta de la sesión.

Estadísticas básicas

• Estadísticas de valores brutos: object_overall_max/min/mean/std/median/mad* y desviación estándar media**. Resumen todos los valores de píxel combinados entre los canales del objeto.
• Estadísticas tras la transformación por raíz cuadrada y por logaritmo natural (ln+1): las mismas estadísticas calculadas después de transformar los valores de los píxeles.
• Estimación de densidad kernel: estima la moda mediante KDE (el punto de mayor densidad) para el objeto, en la columna object_multimax. Representa la combinación más frecuente de valores de los canales. Por ejemplo, en una imagen RGB, KDE estima la combinación más frecuente de valores R, G y B.
• Estadísticas a nivel de canal:
• channel_CWL y channel_FWHM: longitud de onda central y ancho total a la mitad del máximo a partir de metadatos de imagen; un par por canal.
• channel_mean, channel_std, channel_median, channel_mad, channel_max, channel_min: estadísticas por canal del polígono.
• channel_relative_intensity: intensidad relativa media del canal (valor del canal dividido entre la suma de los canales de cada píxel y, después, promediado entre todos los píxeles). Por ejemplo, en una imagen RGB, R_relativo = R/(R+G+B), G_relativo = G/(R+G+B) y B_relativo = B/(R+G+B); a continuación, R_relativo, G_relativo y B_relativo se promedian en todo el polígono.
• Cada línea de la hoja de cálculo representa un canal espectral dentro de un polígono. Las métricas que pertenecen a todo el polígono (número de píxeles, media general, etc.) se repiten en cada línea por conveniencia.

*La desviación absoluta mediana (MAD) es una medida de variabilidad calculada como 1,4826 × mediana(abs(x_i − mediana(x))).

**object_overall_mean_std, object_ln1_overall_mean_std y object_sqrt_overall_mean_std: desviación estándar media de los canales a nivel de píxel. Por ejemplo, en una imagen RGB se calcula como media(std(R,G,B)).

Descriptores de forma

Seleccione solo los descriptores de forma que desea exportar. Estas métricas se calculan a partir de la máscara poligonal, independientemente de los valores de intensidad de píxeles.

• Circularidad: exporta object_Circ. Se calcula como 4 × π × área/perímetro². Los valores próximos a 1 indican una forma más circular; los próximos a 0, una forma más alargada.
• Relación de aspecto: exporta object_AR. Se calcula como major_axis/minor_axis a partir de los ejes de la elipse ajustada.
• Redondez: exporta object_Round. Se calcula como 4 × área/(π × major_axis²).
• Solidez: exporta object_Solidity. Se calcula como área/área convexa.
• Centroide: exporta object_X y object_Y, las coordenadas x e y medias de todos los píxeles de la máscara poligonal.
• Perímetro: exporta object_Perim, el perímetro de la máscara poligonal en píxeles.
• Cuadro delimitador: exporta object_BX, object_BY, object_Width y object_Height. Estos valores describen el rectángulo más pequeño, alineado con los ejes, que contiene la máscara poligonal.

Análisis de componentes principales (PCA)

• Calcula valores propios y vectores propios a partir de los píxeles enmascarados (requiere al menos dos canales y suficientes píxeles).
• Exporta valores propios de PC1 y PC2 (object_PC1, object_PC2) y la suma de valores propios (object_PC_sum).
• Un archivo JSON con todos los valores propios/vectores, covarianza y recuento de muestras se guarda en la carpeta de imágenes dentro de la carpeta del polígono.

I de Moran en PCA

• Mide la autocorrelación espacial en rásteres PC1 y PC2 derivados del polígono.
• Exporta moran_I_PC1 y moran_I_PC2; los valores positivos más altos indican agrupamiento, mientras que los negativos indican dispersión.

Semivariograma de imagen

El semivariograma de imagen describe cómo cambian las diferencias entre los valores de los píxeles con la distancia espacial dentro de cada objeto seleccionado. Los píxeles se tratan como mediciones multicanal continuas; no se clasifican ni se convierten en categorías. Cada objeto se analiza de forma independiente en su cuadrícula regular, y nunca se forman pares entre imágenes u objetos diferentes.

Para cada par de píxeles, Argiope calcula la diferencia cuadrática media entre los canales seleccionados y divide el resultado por dos. Los pares se agrupan en clases de distancia. La semivarianza empírica de una clase es la media ponderada por el número real de pares. Con un solo canal, el cálculo se reduce al semivariograma escalar convencional.

Opciones de cálculo

• Cálculo — Aproximado: recomendado para imágenes grandes. Muestrea desplazamientos y pares por separado dentro de cada clase de distancia, evitando que dominen las distancias mayores. En cada ejecución se genera una nueva semilla aleatoria que queda registrada en el JSON. Aumente Máximo de pares muestreados por clase o Repeticiones del muestreo cuando los resultados varíen excesivamente entre ejecuciones.
• Cálculo — Exacto: evalúa todos los pares válidos de cada desplazamiento de la cuadrícula regular sin construir una matriz completa píxel por píxel. Es más lento y resulta útil para objetos pequeños, cálculos de referencia o validación del modo aproximado.
• Nugget — Libre (estimado): estima una discontinuidad no negativa en las distancias inmediatamente superiores a cero. Puede representar variación no resuelta a corta distancia o ruido de medición, pero puede estar muy correlacionado con el sill y el range.
• Nugget — Fijado en cero: elimina el nugget de la optimización y ajusta un modelo cuya semivarianza límite en el origen es cero. Esto puede estabilizar los demás parámetros cuando el nugget libre es despreciable. No debe utilizarse automáticamente si las primeras clases indican una discontinuidad real.
• Política de pares de la máscara — Extremos válidos: política convencional y predeterminada. El par se acepta cuando ambos píxeles extremos son válidos, aunque el segmento recto entre ellos atraviese un área situada fuera de la máscara.
• Política de pares de la máscara — Mismo componente conectado: acepta el par solamente cuando ambos píxeles pertenecen al mismo componente 8-conectado de la máscara. Impide pares entre regiones desconectadas, pero no rechaza un segmento que atraviese el exterior si los extremos permanecen conectados por otra trayectoria.
• Mínimo de pares por clase: las clases por debajo de este número permanecen en la tabla empírica, se marcan como insuficientes y se excluyen del ajuste.
• Distancia máxima: limita la extensión espacial del cálculo. Si se deja en blanco, Argiope utiliza la mitad de la diagonal de la cuadrícula de la imagen. La distancia debe ser suficiente para mostrar la meseta; un range más allá de la extensión analizada genera una advertencia.
• Ancho de clase: controla el ancho de las clases de distancia. Si se deja en blanco, se crean aproximadamente 40 clases, nunca más estrechas que un paso de la cuadrícula. Las clases muy estrechas pueden contener pocos pares; las muy anchas pueden ocultar estructuras de corta distancia.
• Máximo de pares muestreados por clase: presupuesto de muestreo del modo aproximado para cada clase. Los valores mayores reducen el ruido del muestreo, pero aumentan el tiempo de procesamiento.
• Repeticiones del muestreo: repite el muestreo estratificado para estimar su incertidumbre. Solo está disponible en el modo aproximado. La salida separa sampling_run_sd (variación entre ejecuciones individuales) y sampling_mean_se (error estándar de la media de las repeticiones).
• Análisis direccional: también analiza 0°, 45°, 90° y 135° en las coordenadas de la imagen. La dirección 0° sigue el aumento de las columnas y 90° el aumento de las filas. Los ranges direccionales se utilizan para indicar la dirección de máxima continuidad y la razón de anisotropía.

Modelos que se ajustarán

• Solo nugget: modelo nulo o de referencia, sin estructura espacial dependiente de la distancia. Con el nugget fijado en cero se convierte en el semivariograma idénticamente cero.
• Esférico: alcanza el sill en un range matemático finito.
• Exponencial: se aproxima al sill de forma asintótica y presenta un comportamiento relativamente abrupto a distancias cortas.
• Gaussiano: se aproxima al sill de forma asintótica, con un origen más suave.
• Matérn: compara los valores de suavidad ν = 0,5, 1,5 y 2,5. El ν seleccionado se exporta; ν = 0,5 corresponde a una correlación de tipo exponencial.

Cada modelo elegido por el usuario se ajusta de forma independiente mediante mínimos cuadrados ponderados de Cressie, con pesos proporcionales a N(h) / gamma_model(h)^2. Argiope no ordena los modelos ni selecciona el mejor. El usuario debe decidir qué modelo es científicamente apropiado después de examinar la curva, los residuos, la convergencia, la estabilidad de los parámetros, la extensión de las distancias observadas y las advertencias. Un error pequeño solo es comparable entre análisis con la misma escala de datos, canales, pesos, clases y configuración espacial.

Limitación de los intervalos de confianza: los pares de píxeles de un semivariograma no son independientes, porque muchos pares comparten píxeles y persiste la dependencia espacial entre observaciones. Por ello, los intervalos normales mostrados utilizan un error estándar aproximado y deben tratarse como descriptivos, no como intervalos con una cobertura calibrada del 95%. En el modo aproximado, sampling_mean_se mide la incertidumbre de Monte Carlo de la media de las repeticiones; no incluye toda la incertidumbre espacial o del proceso.

Limitación de la incertidumbre de los parámetros: los errores estándar de los parámetros proceden del jacobiano local de mínimos cuadrados. Las clases de distancia pueden estar correlacionadas y esta aproximación no sustituye un bootstrap espacial ni un análisis de verosimilitud a nivel del campo. Trate estos errores estándar y las advertencias de correlación entre parámetros como diagnósticos, especialmente ante estimaciones en el límite, ranges más allá de la extensión observada o parámetros fuertemente correlacionados.

Interpretación y archivos

• Nugget: discontinuidad modelada a corta distancia; vale cero cuando está fijado.
• Sill: suma del nugget y del partial sill, que representa la meseta modelada de la semivarianza.
• Range efectivo: distancia a la que la correlación predicha cae a 0,05; el modelo esférico también presenta un range matemático finito.
• PNG principal: puntos empíricos dimensionados por el número de pares, incertidumbre y curvas de todos los modelos ajustados, sin destacar una curva preferida.
• PNG de validación: valores observados frente a ajustados y residuos de cada modelo convergente, además de diagnósticos de error sin ordenación automática.
• CSV empírico: límites de clase, distancia media, semivarianza, número de pares, incertidumbre, dirección e indicación de clase insuficiente.
• CSV de modelos: todos los candidatos, convergencia, errores, advertencias, modo del nugget y parámetros ajustados.
• JSON: resultados completos y metadatos de reproducibilidad, incluidos canales, configuración, semilla generada, extensión de la máscara, tiempo, estimación de memoria y versión del algoritmo.
• Tabla de resultados: una fila por cada modelo y dirección ajustados, con modo del nugget, nugget, sill, range efectivo, ν de Matérn, anisotropía, calidad del ajuste, convergencia y advertencias.

Agrupación K-Means

• Segmenta los píxeles del polígono en grupos discretos. El modo manual utiliza el número de grupos elegido; el modo automático prueba hasta el número máximo de grupos mediante la puntuación de silueta.
• Exporta etiquetas de clúster (kmeans_labels_img), kmeans_n_clusters, centros y proporciones. Las métricas opcionales del paisaje se seleccionan por separado.
• El mejor número de grupos en modo automático es el que tiene la puntuación de silueta más alta, equilibrando compacidad y separación.
• Se guarda un archivo JSON en la carpeta de imágenes dentro de la carpeta del polígono con detalles sobre el análisis.
• Un archivo de imagen con grupos y centros de grupos se guarda en la carpeta de imágenes dentro de la carpeta del polígono.

Modelo de mezcla gaussiana (GMM)

• Ajusta un modelo de mezcla con covarianza diagonal. El modo manual utiliza el número de componentes indicado; el modo automático selecciona el mejor modelo hasta el número máximo de componentes mediante BIC. Opcionalmente, puede escalar los datos antes del ajuste.
• Exporta gmm_labels_img, gmm_n_clusters, las medias y los pesos de los grupos. Las métricas opcionales del paisaje se seleccionan por separado.
• Nota: gmm_labels_img puede mostrar menos grupos visibles que los componentes del modelo si algunos componentes no reciben píxeles.
• BIC elige el modelo más simple que explica los datos.
• Se guarda un archivo JSON en la carpeta de imágenes dentro de la carpeta del polígono con detalles sobre el análisis.
• Una imagen con los grupos y sus medias se guarda en la carpeta de imágenes del polígono.

Métricas de configuración del paisaje

Después de que K-Means o GMM convierte cada píxel clasificado en una clase del mapa, active las métricas del paisaje y seleccione solo las medidas necesarias. Los resultados por clase usan columnas como kmeans_landscape_class_1_pland; los resultados del paisaje completo usan columnas como gmm_landscape_pielou_evenness. Los parches utilizan conectividad de 8 vecinos, las áreas son recuentos de píxeles y los bordes se cuentan como lados de píxel. Sea A el área clasificada total, A_i el área de la clase i, a y P el área y perímetro de un parche, p_i = A_i/A y K el número de clases.

• Área total de la clase: A_i, número de píxeles clasificados en la clase.
• PLAND: 100 A_i/A. Mide qué proporción del objeto ocupa la clase.
• Número de parches (NP): número de componentes desconectados usando 8 vecinos. Valores altos indican mayor subdivisión.
• Densidad de parches (PD): 100 NP/A, expresada como parches por 100 píxeles clasificados.
• Área media, mediana y máxima de los parches: resúmenes de los recuentos de píxeles de los parches de la clase.
• Índice del parche más grande (LPI): 100 max(a)/A. Mide el dominio del parche mayor en todo el paisaje clasificado.
• Borde total (TE): suma de los perímetros de los parches. Un lado contribuye cuando toca otra clase o el exterior de la máscara clasificada.
• Densidad de bordes (ED): TE/A, cantidad de borde de la clase por píxel clasificado.
• Relación perímetro-área media: media de P/a. Valores altos indican más borde con relación al área.
• Índice de forma medio: media de P/(4√a). Un cuadrado compacto vale 1; los parches irregulares tienen valores mayores.
• Circularidad media: media de 4πa/P². Valores cercanos a 1 indican parches más circulares.
• Dimensión fractal media: media de 2 ln(0,25P)/ln(a). Describe la complejidad del borde; los parches de un píxel se excluyen porque la expresión logarítmica no está definida.
• Distancia media al vecino más cercano: media de la menor distancia euclidiana hasta otro parche de la misma clase, medida entre los centros de los píxeles de borde más cercanos. No está definida cuando solo existe un parche.
• Índice de proximidad medio: para cada parche suma a_j/d_ij² sobre los demás parches de la misma clase, usando distancias entre centros de píxeles de borde, y promedia las sumas. El área de búsqueda es todo el paisaje clasificado; vale 0 cuando no existe otro parche de la misma clase.
• Índice de agregación: 100 g_ii/max(g_ii), donde g_ii es el número de lados cardinales compartidos entre píxeles de la clase y el denominador es el máximo posible para esa área. Valores altos indican agregación.
• Índice de contigüidad: media de la contigüidad FRAGSTATS calculada por parche. Una matriz 3×3 asigna peso 2 a los vecinos cardinales, 1 a los diagonales y 1 al píxel focal; el valor de cada parche es ((Σc/a)−1)/12. Vale 0 para un parche de un píxel.
• Clumpiness: sea G_i el número de adyacencias cardinales iguales y dirigidas dividido por todas las superficies cardinales de los píxeles de la clase, incluidas las orientadas al fondo o al límite del paisaje. CLUMPY es (G_i−p_i)/(1−p_i) cuando G_i≥p_i o p_i≥0,5; en caso contrario, es (G_i−p_i)/p_i. No está definido cuando una clase ocupa todo el paisaje.
• Diversidad relativa de parches: (1/Σp_i²)/K, exportada como kmeans_patch_diversity_relative o gmm_patch_diversity_relative. Se acerca a 1 cuando las clases tienen proporciones iguales y a 1/K cuando una clase domina.
• Equidad de Pielou: J = H′/ln(K), donde H′ = −Σp_iln(p_i). Valores cercanos a 1 indican proporciones iguales; no está definida cuando solo existe una clase.

Fórmulas definidas por el usuario

• Cree métricas personalizadas por polígono a nivel de píxel. Para cada fórmula, indique un nombre y una expresión; los resultados se exportan como User_{name}.
• Haga clic Leer canales para detectar los nombres de los canales de las imágenes seleccionadas. Si no se selecciona ninguna imagen, lee los nombres de los canales de todas las imágenes.
• Consulte los canales por sus etiquetas (p. ej., R, band1) o con band("label"). Los ayudantes de matemáticas/estadísticas admitidos incluyen mean, median, std, min, max, sum, count, exp, log, símbolos aritméticos básicos (+ - * / ^), comparaciones (> < >= <= == !=) y operadores lógicos (and, or, not, &&, ||, !).
• Ejemplo: count(R > 0.5 and G < 0.4) cuenta los píxeles dentro del polígono donde ambas condiciones son verdaderas.
• Ejemplo: (R - G) / (R + G) calcula una diferencia normalizada a nivel de píxel y calcula el promedio entre píxeles dentro del polígono.

Agregar y organizar archivos

• Agregar archivos o Agregar carpeta para importar desde el disco.
• Los elementos importados aparecen como miniaturas. Puede arrastrar y soltar tarjetas para reordenarlas.
• Importante: Si los archivos que agregó están almacenados en una fuente externa que requiere una conexión a Internet, asegúrese de que su conexión sea estable. Una conexión inestable puede afectar el rendimiento del software.

1) Si elige Apilar imágenes, estarán disponibles tres pestañas: Canales, Alineación y Calibración.

Pestaña Canales

La estructura de imágenes apiladas aparece como grupos de imágenes. Cada fila representa un grupo que se tratará como una imagen multiespectral. Las filas están alineadas para que cada imagen dentro de una fila se maneje de manera consistente.

• Dentro de un grupo, puede reordenar (arrastrar y soltar) o eliminar (icono de papelera) las imágenes.
• Entre grupos, puede reordenar (arrastrar y soltar) o eliminar (icono de papelera).
• Puede crear un nuevo grupo.
• Utilice el icono de configuración en la parte inferior para elegir si desea utilizar todos los canales (R, G, B) o dejar que Argiope seleccione automáticamente el mejor canal.
• Especifique CWL (longitud de onda central) y FWHM (ancho total a la mitad del máximo) para cada canal. La entrada acepta números (por ejemplo, 450) o etiquetas (por ejemplo, UV). Si bien no es estrictamente necesario para la calibración, la interpretación precisa de las métricas de color depende de los valores correctos de longitud de onda.

Pestaña Alineación

Alinea las imágenes entre sí para que todos los canales espectrales se superpongan correctamente para una composición multiespectral. Hay tres opciones: Coincidencia de características + homografía, Corrección de fase o Manual. La alineación automática funciona en la mayoría de los casos.