INTRODUCCION A LA PERCEPCION REMOTA

CONTENIDO

1. DEFINICION Y CONCEPTOS FUNDAMENTALES. 2. NATURALEZA DE LAS RADIACIONES ELECTROMAGNETICAS. 3. INTERACCION DE LA RADIACION CON LA MATERIA Y ORIGEN DE LOS ESPECTROS. 4. INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA SUPERFICIE TERRESTRE. 5. INTERACCIONES ATMOSFERICAS. 6. LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES. 7. SENSORES. 8. ESTRUCTURA DE LAS IMGENES DIGITALES. 9. PROCESAMIENTO DE LAS IMGENES DIGITALES. 10. ALGUNAS APLICACIONES DE LA PERCEPCION REMOTA.

APENDICE I: NOCIONES BASICAS SOBRE SENSORES DE RADAR. APENDICE II: BANDAS ESPECTRALES DE ALGUNOS SATELITES ACTUALES. APENDICE III: BIBLIOGRAFIA SUGERIDA.

Pgina 1 de 123

1. DEFINICIONES Y CONCEPTOS FUNDAMENTALES.

Percepcin remota (PR) es la ciencia y arte de obtener informacin de un objeto, rea o fenmeno a travs del anlisis de los datos adquiridos mediante algn dispositivo que no esta en contacto fsico con el objeto, rea o fenmeno investigados.

Los humanos tomamos conocimiento del mundo exterior detectando y midiendo los cambios que los objetos imponen a los campos que los envuelven, segn sean stos electromagnticos, acsticos, gravimtricos o magnticos: bastar poseer el sensor adecuado para cada caso. Desde un punto de vista prctico, ms acorde a nuestros fines, podemos restringir la generalidad de este concepto limitndonos a utilizar el trmino percepcin remota (o teledeteccin) en conexin con tcnicas electromagnticas de adquisicin de informacin. Si quisiramos historiar la evolucin de la percepcin remota deberamos, en un sentido estricto, retroceder algunos cientos de millones aos cuando alguna forma inferior de vida comenz a diferenciar algunas de sus clulas volvindolas fotosensibles, proceso que evolucion tambin durante millones de aos hasta convertirlas en un sensor altamente sofisticado como el ojo humano. Si bien ste fue y sigue siendo el sensor utilizado en muchas aplicaciones cotidianas de la percepcin remota, ya desde el siglo XIX comenz a ser sustitudo por un mecanismo que lo imitaba ofreciendo algunas ventajas como el del registro permanente de las observaciones: la cmara fotogrfica. Esta fue montada en plataformas tan dispares como palomas y globos aerostticos en un principio, luego en aviones y en pocas ms recientes en las primeras plataformas orbitales. El vertiginoso desarrollo de estas ltimas, acompaadas por los avances tecnolgicos paralelos llevaron a la situacin actual en que innumerables plataformas orbitan la Tierra observndola con sofisticados sensores como escneres multiespectrales, sensores trmicos infrarrojos, sistemas de radar y laser, etc.

La Percepcin Remota involucra dos procesos bsicos: Adquisicin de datos desde plataformas con sensores adecuados Anlisis de los datos mediante dispositivos visuales o digitales Muchas veces la informacin as adquirida se complementa con datos de referencia ya existentes de la regin en estudio (mapas de suelos, estadsticas de cosechas, planos catastrales, etc.) Toda esta informacin es usualmente combinada en forma de capas de
Pgina 2 de 123

informacin en lo que usualmente se denomina un SIG Informacin Geogrfico) o GIS de acuerdo a sus siglas en ingls.

(Sistema

de

FIG 2

Pgina 3 de 123

2. NATURALEZA DE LAS RADIACIONES ELECTROMAGNTICAS Dada la importancia de las radiaciones electromagnticas en la adquisicin de informacin por PR se justifica estudiar su naturaleza con mayor detalle. La energa electromagntica o energa radiante es una entidad fsica que se manifiesta bajo dos aspectos complementarios entre s: el ondulatorio y el corpuscular. La concepcin ondulatoria que permite explicar ciertos fenmenos como los de difraccin e interferencia interpreta la la radiacin como un campo elctrico y uno magntico oscilando en planos perpendiculares (Fig. 3). El fenmeno ondulatorio posee una doble periodicidad: en el espacio y en el tiempo. La periodicidad espacial determina la longitud de onda que es la distancia entre dos puntos consecutivos de igual amplitud del campo elctrico o magntico. El intervalo de tiempo transcurrido entre dos instantes consecutivos en que uno u otro campo alcanza igual valor se denomina perodo t. Se define la frecuencia de la radiacin como la relacin 1/t que se expresa en ciclos por segundo Fig 3.

. La concepcin corpuscular permite explicar ciertos hechos experimentales como el efecto fotoelctrico y la absorcin de radiacin por las molculas y consiste en concebir la radiacin como un haz de corpsculos llamados cuantos de radiacin o fotones que se desplazan en la direccin del haz con la velocidad de la luz. Las concepciones ondulatoria y corpuscular de la radiacin se concilian en la relacin de PLANCK:

La relacin de Planck permite que un haz de radiacin de determinada frecuencia (o longitud de onda) sea interpretado como un flujo de cuantos de determinada energa. En la Fig. 5 se representa el espectro electromagntico. Obsrvese que la regin visible
Pgina 4 de 123

del espectro fraccin de ste.

electromagntico

representa

slo

una

pequea

Por razones de practicidad se utilizan diferentes unidades de longitud de onda segn la regin espectral considerada. En nuestro estudio, que se centrar fundamentalmente en las regiones conocidas como visible e infrarrojo nos bastar con recurrir a los micrmetros o micras (1 m= 10-4 cm)o a los nanometros (1 nm = 10-3 m). Para las regiones de radar convendr referirse a centmetros.

Obsrvese que la regin visible del espectro electromagntico representa slo una pequea fraccin de ste. Por razones de practicidad se utilizan diferentes unidades de longitud de onda segn la regin espectral considerada. En nuestro estudio, que se centrar fundamentalmente en las regiones conocidas como visible e infrarrojo nos bastar con recurrir a los micrmetros o micras (1 m= 10-4 cm) oalos nanometros (1 nm = 10-3 m). Para las regiones de radar convendr referirse a centmetros.

Pgina 5 de 123

3. INTERACCION DE LA RADIACION CON LA MATERIA Y ORIGEN DE LOS ESPECTROS. Los objetos fsicos se hallan constituidos por sistemas atmico-moleculares. El contenido energtico total de tales sistemas puede considerarse, en una primera aproximacin, como la suma de varios aportes energticos: energa translacional, energa vibracional, asociada a las vibraciones de los tomos en torno a sus posiciones de equilibrio en las molculas, energa rotacional, asociada a las rotaciones de la molcula en torno a ciertos ejes y energa electrnica, asociada a los electrones contenidos en la molcula: algunos de tales electrones participan decisivamente en los enlaces qumicos intramoleculares. Salvo la energa translacional las dems formas de energa estn sujetas a severas restricciones impuestas por la Mecnica Cuntica, no pudiendo adoptar sino ciertos valores discretos de energa que se denominan niveles energticos. La Fig. 6 esquematiza una distribucin de niveles energticos para una molcula hipottica.

Con A y B representamos dos niveles electrnicos, que son los que involucran un mayor diferencial de energa. Cada uno de ellos posee sus propios niveles vibracionales v y a su vez stos poseen una estructura fina rotacional r. En la misma figura se representa una transicin entre los dos niveles electrnicos., Esta puede iniciarse y terminar en diversos niveles vibracionales o rotacionales de ambos niveles electrnicos, siempre que ciertas reglas de seleccin de la Mecnica Cuntica autoricen tal transicin. Para nosotros el hecho ms importante a destacar es que los patrones de niveles energticos como el representado en la Fig 6 son especficos de cada especie atmico-molecular.
Pgina 6 de 123

En condiciones usuales de temperatura ambiente los sistemas atmico-moleculares suelen encontrarse en sus niveles energticos ms bajos, pero por el aporte de diversas formas de energa (elctrica, trmica, electromagntica, etc.) pueden ser excitados a niveles energticos superiores. Si la energa suministrada al sistema es suficiente podr provocar transiciones entre niveles electrnicos, usualmente acompaadas, como ya vimos, por cambios vibracionales y rotacionales. Si las energas aportadas son menores las transiciones slo se producirn entre niveles vibracionales e incluso slo rotacionales. Consideremos la excitacin de las molculas por aporte de energa radiante mediante un haz de radiacin que posea un rango continuo de longitudes de onda (o, lo que es equivalente, por un haz de fotones cuyas energas cubren un amplio rango continuo de valores): este es el caso tpico de la radiacin emitida por el sol o por cuerpos incandescentes. Este tipo de radiacin suele llamarse continua o de espectro continuo. El objeto o sistema irradiado absorber aquellos fotones que poseen la energa justamente necesaria para producir las transiciones que le son permitidas. Es as que en el haz transmitido o reflejado luego de interaccionar con el sistema el nmero de fotones de ciertas longitudes de onda se ver reducido, o dicho de otro modo, la intensidad de las radiaciones de determinadas longitudes de onda se ver reducida.

Este efecto se representa en el caso hipottico de la Fig. 7: un haz incidente de composicin espectral dada por la curva A ve modificada dicha composicin espectral de acuerdo a la curva B, que puede ser considerada la curva espectral del objeto irradiado. La forma de dicha curva depende del patrn de niveles energticos del objeto irradiado y siendo dicho patrn altamente especfico para el sistema atmico molecular del objeto irradiado, es decir de su estructura qumica, la curva espectral de ste constituye algo as como una impresin digital o firma espectral del objeto en cuestin permitiendo su identificacin.

Pgina 7 de 123

4. INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA SUPERFICIE TERRESTRE. Cuando la radiacin incide sobre un dado objeto de la superficie terrestre pueden considerarse los tres tipos fundamentales de interacciones que se representan en la Fig.8 con el correspondiente balance energtico segn la ley de la conservacin de la energa

Es decir que la energa incidente se fracciona en varios componentes: energa reflejada, absorbida y/o transmitida, siendo todos estos componentes dependientes de la longitud de onda. Conviene aqu destacar dos puntos: La proporcin de energa reflejada, absorbida o transmitida variar con los diferentes objetos, dependiendo del tipo de material que compone dichos objetos as como de su condicin.Esto permite identificar diferentes objetos en una imagen. La dependencia con la longitud de onda determina que la proporcin de energa reflejada, absorbida y/o transmitida vare para las diferentes longitudes de onda. Esto hace que dos objetos que pueden ser indistinguibles entre s en un dado rango espectral puedan ser perfectamente diferenciados en otro rango. Es conocido el uso de pelcula infrarroja en lugar de la pancromtica comn para detectar, por ejemplo, equipos blicos camouflados. La manera como un objeto refleja la energa que incide sobre l afecta sensiblemente las caractersticas de la energa que detecta un sensor que est observando dicho objeto. En efecto, el tipo de reflexin que se produce quedar determinado por la textura o grado de rugosidad de la superficie del objeto as como del ngulo de incidencia de la energa radiante sobre el objeto. La reflexin especular se produce cuando la radiacin incide sobre una superficie relativamente lisa (esto ocurre cuando el tamao de las partculas de la superficie es menor que la longitud de onda de la radiacin incidente). En este caso los ngulos de incidencia y reflexin son iguales, siguiendo las leyes de la ptica geomtrica. La reflexin difusa o lambertiana ocurre en el caso inverso, es decir cuando la superficie es ms rugosa y la longitud de onda de la radiacin incidente es menor que el tamao de las partculas de la superficie. En este caso la radiacin es reflejada en todas direcciones. Ver Fig. 9.

Pgina 8 de 123

Entre estos dos casos caben todas las posibilidades intermedias. Como puede observarse (a) (b) tambin en la Fig. 9 (c) en el caso de la reflexin difusa la radiacin penetra hasta cierta profundidad en el material y tiene oportunidad de interaccionar con los componentes qumicos de ste. La radiacin reflejada en forma difusa posee pues ms informacin que la especular acerca del objeto irradiado. Obviamente, en Percepcin Remota ser pues particularmente importante medir las propiedades de la reflectancia difusa de los objetos terrestres. Las caractersticas del fenmeno de reflexin por parte de un objeto sobre la superficie terrestre puede ser cuantificada midiendo la porcin de energa incidente sobre el objeto que es reflejada por ste. Podemos entonces definir la Reflectancia Espectral como:

Dada su simplicidad y claridad el concepto de superficie lambertiana se utiliza usualmente como una aproximacin del comportamiento ptico de los objetos observados por percepcin remota. Sin embargo, esta es una aproximacin que pocas veces se cumple para las superficies naturales, particularmente cuando el sensor opera fuera del nadir, es decir, en observaciones laterales. En efecto, las propiedades de reflectancia de un objeto pueden variar, no slo con la longitud de onda sino tambin con los ngulos de irradiacin y de observacin. Se define as una Funcin de Distribucin de Reflectancia Bidireccional (BRDF: bidirectional reflectance distribution function) que no es sino la reflectancia espectral de un objeto en funcin delas geometras de iluminacin y observacin que se le apliquen. La funcin BRDF es necesaria en muchas aplicaciones de percepcin remota para efectuar correcciones en mosaicos de imgenes, para clasificaciones de coberturas terrestres, para deteccin de
Pgina 9 de 123

nubes, correcciones atmosfricas etc. y se han desarrollado modelos matemticos para representarla. Si bien no entraremos en mayores detalles sobre este tema debemos sealar que esta funcin, matemticamente compleja, simplemente describe algo que nosotros observamos da a da: que los objetos lucen diferentes cuando los observamos desde diferentes ngulos o cuando los iluminamos desde diferentes direcciones. As por ejemplo, el campo de soja de la Fig. 10 cuando el observador est de espaldas al sol (a) o cuando est de frente a l (b). En este ltimo caso se observa la reflexin especular de muchas hojas.

Dada la importancia de la reflectancia espectral en Percepcin Remota creemos interesante analizar aqu las caractersticas espectrales de algunos objetos que aparecen muy frecuentemente en las aplicaciones de esta tecnologa: vegetacin, suelo y agua. En la Fig. 11 se representan las correspondientes curvas de reflectancia espectral.

Pgina 10 de 123

LA REFLECTANCIA EN LOS VEGETALES La reflectancia de los vegetales es usualmente relativamente baja en la regin visible, con un mximo a aproximadamente 0.53 m, es decir en el verde. Aumenta bruscamente en el infrarrojo (IR) para luego caer a valores muy bajos a 2.5 m. La baja reflectancia en el visible se atribuye a la elevada absorcin de los pigmentos vegetales, principalmente clorofila. Estos pigmentos, sin embargo, son altamente transparentes a la radiacin IR, y la elevada reflectancia en dicha regin estara determinada por la estructura interna de la hoja. Los mnimos de reflexin a 1.45, 1.95 y 2.5 m corresponden a la elevada absorcin de las molculas de agua presentes en la hoja. La Fig. 12 representa un corte transversal de una hoja, mostrando su estructura interna: Las superficies interna y externa estn tapizadas por una simple capa de clulas epidrmicas

Pgina 11 de 123

carentes de clorofila y recubiertas por una delgada pelcula de ceras. El tejido mesodrmico entre las dos epidermis est formado por dos capas. La superior contiene clulas oblongas dispuestas en forma regular y ordenada (tejido en empalizada). Estas clulas son ricas en las clorofilas a y b que estn contenidas en cuerpos subcelulares denominados cloroplastos, componentes predominantes del grupo de cromoplastos que tambin contienen pigmentos como xantofilas y carotenos (las clorofilas reflejan el verde, las xantofilas el amarillo, verde y rojo y los carotenos el rojo). La parte inferior del tejido mesodrmico es esponjoso, formado por clulas de forma irregular, flojamente empaquetadas, dejando entre ellas numerosos espacios intercelulares y cavidades de aire. En la misma Fig. 12 se indican posibles trayectorias para la radiacin que atraviesa la hoja. Generalmente slo una pequea fraccin de la radiacin incidente es reflejada directamente por la superficie externa.pues la cutcula y la epidermis son casi transparentes al visible y al IR cercano. Otra fraccin de radiacin puede ser transmitida directamente a travs de la hoja. Finalmente, el resto de la radiacin sufre interacciones con la estructura interna de la hoja. Parte de ella puede ser absorbida por los pigmentos de la hoja ,pero una fraccin importante sufre reflexiones y refracciones mltiples en el tejido esponjoso debido a la sensible diferencia de ndices de refraccin entre el aire (n=1.0) y las paredes de las clulas hidratadas (n=1.3). Como consecuencia de tales reflexiones parte de la radiacin vuelve hacia atrs, pudiendo emerger como radiacin reflejada. Como la clorofila es transparente al IR cercano la hoja refleja intensamente dicho rango espectral (en dicha regin tpicamente es reflejado un 40-50% de la radiacin incidente en la hoja). Resumiendo, podemos decir que las caractersticas espectrales de la radiacin reflejada por una hoja en la regin visible depende fundamentalmente de la absorcin de radiacin por parte de los pigmentos de la hoja, mientras que en el IR cercano, en la regin de 0.7 a 1.3 m, es consecuencia primaria de la estructura interna de la hoja. Para valores superiores a 1.3 m aparecen mnimos de reflectancia a 1.4, 1.9 y 2.7 m asociados a las bandas de absorcin del agua. SUELOS. La curva de reflectancia espectral de suelos es ms montona que la de la vegetacin. Entre los factores que afectan la reflectancia del suelo citemos su contenido de humedad, su textura, rugosidad, presencia de materia orgnica y contenido de xido de hierro.. en particular, el contenido de humedad est estrechamente ligado a la textura: los suelos arenosos, de partculas grandes, usualmente estn bien drenados, resultando con baja humedad y relativamente alta reflectancia. La inversa ocurre con los suelos
Pgina 12 de 123

mal drenados. La rugosidad y la materia orgnica, as como el xido de hierro disminuyen la reflectancia del suelo, a lo menos en la regin visible. LA REFLECTANCIA EN EL AGUA Absorbe intensamente en el IR cercano: los cuerpos de agua aparecern en dicha regin como cuerpos oscuros, facilitando su observacin y delineamiento. Para longitudes de onda visibles hay factores que complican la interpretacin. En efecto, la reflectancia de un cuerpo de agua puede generarse por interaccin con la superficie (reflexin especular), con material en suspensin o con el fondo mismo del cuerpo de agua. El agua clara absorbe poca energa con longitudes de onda por debajo de 0.6 m, pero a medida que aumenta la turbidez la reflectancia en el visible aumenta rpidamente. Igualmente la presencia de clorofila (algas, fitoplancton) modifica la reflectancia del agua, efecto que se aplica al monitoreo por percepcin remota de concentraciones de algas. La Fig. 13 es una imagen MODIS que permite observar los sedimentos en el Ro de la Plata provenientes de los ros Paran y Uruguay y que se extienden hasta aproximadamente Atlntida.

LA REFLECTANCIA EN LOS SUELOS La curva de reflectancia espectral de suelos es ms montona que la de la vegetacin. Entre los factores que afectan la reflectancia del suelo citemos su contenido de humedad, su textura, rugosidad, presencia de materia orgnica y contenido de xido de hierro, en particular, el contenido de humedad est estrechamente ligado a la textura: los suelos arenosos, de partculas grandes, usualmente estn bien drenados, resultando con baja humedad y relativamente alta reflectancia. La inversa ocurre con los suelos mal drenados. La rugosidad y la materia orgnica, as como el xido de hierro disminuyen la reflectancia del suelo, a lo menos en la regin visible.

Pgina 13 de 123

5. INTERACCIONES ATMOSFERICAS La radiacin registrada por sensores remotos debe realizar una trayectoria a travs de la atmsfera, a consecuencia de la cual sufre variados efectos. La entidad de stos depende del trayecto recorrido, de las condiciones atmosfricas presentes y de la longitud de onda de la radiacin. En general intervienen dos mecanismos principales: dispersin y absorcin.
DISPERSION: Es una difusin de la radiacin producida por partculas de la atmsfera y podemos considerar tres mecanismos principales: dispersin de Rayleigh, dispersin de Mie y dispersin no selectiva. La dispersin de Rayleigh es consecuencia de la interaccin de la radiacin con molculas de los gases atmosfricos y con otras partculas pequeas de dimetro mucho menor que la longitud de onda de la radiacin con la que interaccionan. Este efecto es inversamente proporcional a la 4ta potencia de la longitud de onda, tal como se representa en la Fig14.

En consecuencia existir mayor tendencia a dispersar las longitudes de onda ms cortas. El azul del cielo se debe a este efecto: en ausencia de l el cielo aparecera negro, pero como la atmsfera dispersa sobretodo las cortas longitudes de onda (como el azul en el rango de espectro visible) el cielo nos aparece azul. La dispersin de Rayleigh es una de las causas primarias de nebulosidad en muchas imgenes que ven as reducida su nitidez o contraste. La dispersin de Mie se produce cuando los dimetros de las partculas atmosfricas son esencialmente iguales a la longitud de onda de la radiacin (vapor de agua, polvo fino, etc.) y tiende a influenciar la radiacin de longitudes de onda mayores que las afectadas por la dispersin de Rayleigh. La dispersin no selectiva constituye un fenmeno mucho ms molesto que los anteriores y se produce cuando los dimetros de las partculas que producen la dispersin son mucho mayores que las longitudes de onda con que interaccionan. Un ejemplo tpico lo constituyen pequeas gotas de agua con dimetros comprendidos entre 5 y 100 mm que dispersan en igual forma todas las radiaciones en las regiones visible e IR cercano y medio. Al ser su dispersin no selectiva respecto a la longitud de onda
Pgina 14 de 123

ocurrir que en el espectro visible se dispersan en igual proporcin las radiaciones azules, verde y rojas, con la consecuencia de que las nubes y la niebla aparecen blancas.
ABSORCION

Contrariamente a lo que ocurre en la dispersin, en la absorcin se produce una transferencia de energa de la radiacin a los constituyentes atmosfricos. Este mecanismo implica absorcin de energa de determinada o determinadas longitudes de onda. Desde este punto de vista los absorbentes ms eficaces de radiacin solar son las molculas de agua, de dixido de carbono y ozono. La absorcin selectiva de ciertas longitudes de onda por estas molculas hace que la atmsfera constituya un medio opaco para ciertos rangos espectrales, mientras que ofrezca ventanas libres de absorcin para otros rangos. A travs de dichas ventanas deben mirar los satlites de observacin. En la Fig.15 se observan los efectos combinados que diversos componentes atmosfricos ejercen sobre la radiacin electromagntica solar en el rango de 0.1 a 3mm a travs de la absorcin, dispersin y eventual reflexin en nubes.

Pgina 15 de 123

6. LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES

Hemos visto cmo las radiaciones electromagnticas, fundamentalmente emitidas por el sol y reflejadas por los objetos terrestres, o incluso emitidas por dichos objetos (p.ej. en el infrarrojo trmico), todas ms o menos afectadas por efectos atmosfricos, se combinan generando seales de las cuales es posible extraer informacin acerca de dichos objetos y de las coberturas terrestres. La deteccin de tales seales electromagnticas puede efectuarse por medios fotogrficos o electrnicos. Histricamente fueron la placa o el film fotogrfico, usualmente sobre plataformas areas, los sensores remotos por excelencia. Estos, a partir de las ltimas dcadas, debieron convivir con los sensores electrnicos, ms adecuados para las exigencias a que son sometidos sobre plataformas suborbitales y satelitales. De todos modos la deteccin sobre plataformas areas, sea con sensores fotogrficos o electrnicos sigue constituyendo una valiosa fuente de informacin en un amplio rango de aplicaciones, y la decisin final sobre el uso de tal o cual tipo de plataforma debe ser cuidadosamente analizada, particularmente cuando la relacin costo/beneficio gravita sensiblemente sobre el presupuesto de un proyecto. Fue a partir de la dcada del 60 que comenz el desarrollo vertiginoso de la percepcin remota desde plataformas satelitales. Distintos factores han condicionado este comportamiento que ha ido llevando a la percepcin remota satelital a una etapa esencialmente comercial. El ms importante de dichos factores fue seguramente la liberacin para aplicaciones civiles al fin de la Guerra Fra de tecnologa reservada hasta entonces para uso militar. Hasta 1946 la observacin terrestre por percepcin remota se efectuaba desde aviones o globos. En 1946 se adquirieron las primeras fotografas desde cohetes V2 capturados a los alemanes, siendo estas experiencias decisivas para ilustrar el potencial de la fotografa desde alturas orbitales. Este potencial se volvi ms evidente con las misiones orbitales y espaciales a partir de la dcada del 60: uno de ellos fue el proyecto CORONA de espionaje militar. Un nmero no determinado de estos satlites de corta vida (1 a 16 das) orbitando a unos 130 km de altura y utilizando cmaras fotogrficas de alta resolucin realiz misiones de espionaje entre los aos 1960 y 1972. El caudal fotogrfico as obtenido fue desclasificado en 1995. En la Fig. 16 se observa una imagen de las ciudades de Artigas y Quarai obtenida en el ao 1965 por un Satlite Corona.

Pgina 16 de 123

Un zoom sobre dicha imagen permite detectar objetos de10m. Entre las misiones espaciales citemos las misiones Mercury, Gemini y Apolo. En particular el Apolo IX realiz la primera experiencia controlada de fotografa orbital multiespectral. Estas experiencias fueron continuadas en posteriores misiones (Skylab,Apolo-Soyuz, etc.) Sin embargo, el ao 1972 marca un hito en el avance de la percepcin remota satelital con el lanzamiento, por parte de E.E.U.U., del primero de una serie de satlites pticos especialmente destinados a monitorear los recursos terrestres. Dicha serie se llam LANDSAT y actualmente operan Landsat-5 y Landsat-7, Fig. 17, este ltimo actualmente con serias dificultades en su sistema de barrido constituyendo un obstculo para muchas de sus aplicaciones. Por su parte Francia, con la participacin de Suecia y Blgica, lanz en 1986 el primer satlite de laserie SPOT (Systeme Pour l'Observation de la Terre) de la cual operan actualmente los Spot -2, -4 y 5 (Fig. 18).

Actualmente existen muchas otras plataformas satelitales similares a las anteriores y pertenecientes a distintos pases o resultantes de acuerdos entre dichos pases (Rusia, Japn, India, Argentina, China, Brasil, etc.). En general todos estos satlites se caracterizan por rbitas quasi polares y solar sincrnicas con parmetros similares a los ejemplificados en la Fig. 19. En una rbita solar-sincrnica la rotacin de la Tierra en torno al sol, la inclinacin de la rbita y el perodo orbital son tales que en cada rbita el satlite cruza el Ecuador a la misma hora solar local. En el caso del Landsat es a la hora 09:45. Adelantndonos a un tema que ms adelante analizaremos respecto a la resolucin espacial de los satlites, es decir, el tamao mnimo de los objetos que son capaces de discernir en sus imgenes, diremos que los satlites que acabamos de mencionar son de resolucin espacial moderada, pudiendo variar entre 5 y 30 m.
Pgina 17 de 123

En los ltimos aos se han puesto en rbita satlites comerciales de alta resolucin espacial como el Ikonos (Fig.20), el Quickbird (Fig.21) y el Orbview-3 (Fig.22). Las rbitas de estos satlites son ms bajas(680 y 450 km) y sus resoluciones espaciales alcanzan a 1 m y 0.6m. La Fig. 23 permite apreciar visualmente en imgenes de un cultivo agrcola el efecto de la resolucin espacial.

Como una posibilidad ofrecida por los ltimos desarrollos espaciales debemos mencionar la adquisicin de imgenes desde la Estacin Espacial Internacional (ISS) (Fig. 24) que vino a sustituir a la estacin rusa MIR, que debi ser destruida al cabo de su vida til.

SATELITES METEOROLOGICOS Y AGROMETEOROLOGICOS

Existen tambin otras series de satlites destinados fundamentalmente a misiones meteorolgicas, agrometeorolgicas, atmosfricas y ocenicas. Algunos de estos satlites, como los de las series NOAA (Nacional Oceanic and Atmospheric
Pgina 18 de 123

Administration -USA), SEA STAR (USA) describen rbitas cuasi polares sincrnicosolares a altitudes del orden de 850 km y resoluciones espaciales de 1km. Otros satlites, como los de las series GOES (Geostationary Operational Environmental Satellite) y METEOSAT (Eutmetsat Europa), etc. Se mantienen en rbitas geoestacionarias a aproximadamente 36000 km y con resoluciones espaciales de 1km. Debe tenerse en cuenta que el perodo de un satlite, es decir el tiempo que tarda en completar su rbita aumenta con la altitud: a 36000 km un satlite posee el mismo
perodo que la Tierra. As, si se posiciona en el plano ecuatorial permanece estacionario respecto a la superficie de la Tierra, es decir, observando siempre el mismo hemisferio. La operacin de estos satlites se esquematiza en la Fig. 25

LOS NUEVOS SATELITES PARA LA OBSERVACION DE LA TIERRA

Numerosos satlites orbitan actualmente la Tierra en misiones de observacin no slo de las coberturas terrestres sino tambin de su atmsfera, sus ocanos,etc., y en general investigando la interaccin de los dinmicos sistemas geofsicos. Estos satlites transportan sofisticados instrumentos para cumplir dichas misiones.Queda fuera del alcance de nuestro estudio referirnos a la extensa lista de dichas plataformas y sus instrumentos. De todos modos nos referiremos a dos ejemplos notables de tales plataformas: los satlites TERRA (y su gemelo AQUA) y ENVISAT. TERRA es un satlite multinacional de investigacin cientfica de la NASA. Recorre una rbita solarsicrnica y es la nave insignia del Earth Observing System de la NASA. Fue puesto en rbita
en febrero del 2000 y transporta a bordo cinco sensores remotos destinados a medidas terrestres ambientales y de cambios en el sistema climtico. El ENVISAT , lanzado en el 2002 en rbita solar-sincrnica y operado por la ESA es posiblemente el mayor satlite de observacin construido hasta el momento (8000 kg). Transporta a bordo 10 sofisticados sensores pticos y de radar para monitorear permanentemente las cubiertas terrestres y ocenicas, la atmsfera y los casquetes polares. RECEPCION Y TRANSMISION DE LA INFORMACION SATELITAL

Pgina 19 de 123

Ya mencionamos que los satlites utilizan sensores diferentes a los de la fotografa convencional. En general se trata de sensores electrnicos de estado slido, adecuados a las regiones espectrales para las que se desea obtener imgenes. Como detallaremos ms adelante cada satlite puede registrar las imgenes terrestres simultneamente en varias regiones visible e infrarrojo cercano, medio o trmico del espectro electromagntico. Los sistemas ptico-telescpicos del satelite enfocan las escenas terrestres sobre arreglos de tales detectores y las seales analgicas generadas por stos son digitalizadas para su retransmisin, sea a otros satlites geosincrnicos sea a estaciones rastreadoras terrenas. Estas posibilidades se esquematizan en la Fig.26.

Los datos del satlite B pueden ser transmitidos directamente a una estacin terrena si sta est en la lnea de visin del satlite (A). En caso contrario la informacin puede ser almacenada a bordo de B para su posterior retransmisin a una estacin terrena. B puede tambin enviar sus datos a un sistema satelital repetidor que consiste en una serie de satlites de comunicaciones en rbita geosincrnica. Los datos son enviados de un satlite repetidor C) a otro hasta alcanzar un estacin terrena adecuada.

Pgina 20 de 123

7. SENSORES

7.1. Consideraciones generales. Hemos visto cmo la radiacin electromagntica es portadora de la informacin acerca deaquellos materiales u objetos de inters en percepcin remota. Pero para adquirir y luegopoder procesar dicha informacin son necesarios ciertos dispositivos denominados sensores. Existen gran nmero de sensores destinados a numerosas aplicaciones, muchas de las cuales caen fuera del rea especfica de nuestro estudio. Aqu nos concentraremos fundamentalmente en los llamados espectroradimetros de barrido (scanning radiometers) de particular importancia en sistemas de percepcin remota.En la gran mayora de estos instrumentos el mecanismo de base es el efecto fotoelctrico: cuando un haz de fotones incide sobre una placa negativamente cargada o sobre algn material fotosensible adecuado se produce una emisin de partculas negativas (electrones). Estos electrones pueden fluir desde la placa generando una seal electrnica. La magnitud de la corriente elctrica producida (nmero de fotoelectrones por unidad de tiempo) es directamente proporcional a la intensidad luminosa. La energa cintica de losfotoelectrones emitidos vara con la longitud de onda asociada a los fotones incidentes. Sinembargo, debe tenerse en cuenta que diferentes materiales que manifiestan el fenmeno fotoelctrico liberan fotoelectrones bajo diferentes intervalos de longitudes de onda: cada uno de ellos presenta un umbral de longitudes de onda para el que el fenmeno se manifiesta y otro umbral de longitudes de onda para el que el fenmeno cesa. Los sensores que aqu nos interesan son del tipo pasivo, caracterizados porque la radiacin que llega a ellos proviene de una fuente externa (p.ej. el Sol). Adems, los electrones liberados son capaces de inducir la formacin de una imagen cuando son recogidos por dispositivos adecuados de deteccin (detectores) Como los sensores son instrumentos capaces de medir cuantitativamente la radiacin electromagntica en determinadas regiones del espectro se denominan radimetros. Cuando este sensor incluye adems un componente del tipo de un prisma o red de difraccin o filtros de interferencia que pueden dispersar la radiacin de una dada regin del espectro en longitudes de onda discretas que son dirigidas hacia los detectores se denomina espectrmetro. Cuando la radiacin es dispersada no en longitudes de onda discretas sino en bandas espectrales ms anchas, es decir cubriendo ciertos intervalos de longitudes de onda el trmino ms conveniente para el sensor es espectroradimetro. Este es el caso ms usual en los sensores aeroespaciales. Como en general estos sensores se desplazan barriendo la escena esttica que estn observando se dice que operan en modo de barrido o escaneado (scanning mode). Podemos distinguir dos categoras de estos escneres: los ptico- mecnicos y los ptico-electrnicos. Los primeros se caracterizan por tener un componente mecnico, p.ej. un espejo rotativo que opera en el barrido de la escena, mientras que los segundos el mismo sistema ptico enfoca la radiacin sobre un arreglo lineal de detectores. Otra caracterstica que conviene distinguir en los sensores remotos es la manera como ellos registran la informacin a medida que avanzan segn su trayectoria u rbita. En general el rea barrida se extiende a ambos lados de la trayectoria (swath width) y su anchura queda determinada por la ptica del sistema por ej. por el telescopio que debe llevar el sistema para observaciones desde cientos de kilmetros de altura y determina el campo de visin (Field of View o FOV) Las dos principales opciones de barrido se esquematizan en la Fig. 27. El modo cruzado con la trayectoria (cross track o
Pgina 21 de 123

whiskbroom mode) normalmente utiliza un espejo rotatorio u oscilante, es decir que constituye un sistema ptico-mecnico. Este barre la escena a lo largo de una lnea simple (o mltiple) transversal a la trayectoria. Esta lnea es muy larga (kilmetros) pero muy angosta (metros).

Cada lnea se subdivide en una secuencia de elementos espaciales individuales cada una de las cuales representa una pequea rea de la escena terrestre que se examina. O sea que a lo largo de la lnea existe un arreglo de celdas continuas, cada una de las cuales refleja radiacin y que son sensadas secuencialmente a lo largo de la lnea. En el sensor cada una de estas celdas est asociada a un pixel (o picture element) ligado a un detector microelectrnico y se caracteriza por un dado valor de radiacin que a travs del efecto fotoelctrico genera una corriente electrnica. El rea cubierta por el pxel, es decir el rea de la celda terrestre que se corresponde a dicho pxel, queda determinada por el Campo de Visin Instantnea del sensor (Instantaneous Field of View IFOV). El IFOV podemos definirlo como el ngulo slido que se proyecta desde el detector al rea terrestre que est midiendo en cada instante. El IFOV es funcin de la ptica del sensor, del tamao del detector, de la altitud de la plataforma, etc. Los electrones emitidos son recogidos sucesivamente, pxel por pxel, generando una seal variable que representa la variacin espacial de la radiacin por el muestreo progresivo que el sensor va efectuando sobre la escena terrestre estudiada. Esto permite asignar a cada pxel un valor discreto llamado Nmero Digital (DN digital number). Estos nmeros digitales resultan de convertir las seales analgicas generadas por el detector en valores digitales constituidos por nmeros enteros que cubren un intervalo finito, por ejemplo 28 cubriendo el intervalo de 0 a 255. Estos valores digitales permitirn construir la imagen a travs de dispositivos adecuados, por ejemplo el monitor de una computadora.
Pgina 22 de 123

En el modo de barrido en la direccin de la trayectoria (along track pushbroom) no existe espejo oscilante, sino un arreglo lineal de pequeos detectores cuyas minsculas dimensiones permiten que se asocien hasta miles de ellos en dicho arreglo. El sistema de filtros incorporado al arreglo permite seleccionar las longitudes de onda. Cada detector es un dispositivo de acoplamiento de carga (Charge-Coupled Device CCD ver ms adelante). En este modo de barrido, los pxeles que constituirn la imagen final corresponden a estos microdetectores con sus correspondientes filtros incorporados en el arreglo lineal. A medida que la plataforma avanza en su rbita la radiacin proveniente de las celdas terrestres a lo largo del campo de visin del satlite llega simultneamente a los correspondientes detectores. La seal generada por cada detector es removida en milisegundos, siendo el detector reseteado a cero quedando pronto para recibir la radiacin proveniente de la nueva lnea del campo de visin. 7.2 Naturaleza de los detectores. En los primeros tiempos de la percepcin remota los detectores eran del tipo de los fotomultiplicadores. Actualmente la mayora de los detectores son de estado slido, constituido por aleaciones o metales semiconductores. Estos poseen una conductividad elctrica intermedia entre la de un metal y la de un aislador. En condiciones normales o no excitados estos semiconductores poseen sus electrones en un nivel de energa completo (desde el punto de vista de la configuracin electrnica del modelo atmico mecnicocuntico). Bajo ciertas condiciones, como la interaccin con fotones, electrones de dicho nivel son excitados a otro nivel denominado banda de conduccin. La resistencia a esta transferencia vara inversamente al nmero de fotones incidentes. Diferentes materiales responden de distinta manera a las diferentes longitudes de onda (es decir, a la energa de los fotones), lo que los hace espectralmente selectivos. Es as que para la regin visible se utilizan fotodiodos de silicio y de PbO (xido de plomo), en el infrarrojo cercano PbS (sulfuro de plomo) e In-As (indio-arsnico), en el infrarrojo medio (3-6 m) InSb (indioantimonio) y en el infrarrojo trmico (8 14 m) Hg-Cd-Te (mercurio-cadmioteluro). Estos ltimos deben ser enfriados a muy bajas temperaturas para optimizar la eficiencia de la emisin electrnica. Uno de los dispositivos que en los ltimos tiempos ha adquirido gran importancia es el detector de acoplamiento de carga (charge-coupled device CCD). Un CCD est formado por un material fotosensible embebido en un chip de silicio. Se genera en ste un foso de potencial que recibe los electrones liberados por los fotones incidentes en el chip posteriormente a su enfoque y filtracin por el sistema ptico. Los componentes fotosensibles del chip pueden llegar a ser muy pequeos, del orden de 1 de dimetro. Estos elementos pueden ser interconectados a travs de microcircuitos para formar arreglos lineales o bidimensionales. Puede llegar a prepararse arreglos lineales que en 2 cm de longitud con hasta 1000 detectores individuales. La Fig. 28 esquematiza un CCD individual

Pgina 23 de 123

La Fig. 29 muestra una imagen obtenida con un microscopio electrnico de un fragmento de un arreglo lineal de CCDs.

Pgina 24 de 123

7.SENSORES: BANDAS ESPECTRALES LANDSAT TM y SPOT HRVIR

7.3 Estudio de dos casos: LANDSAT y SPOT. Para profundizar algo el estudio de los mecanismos de recoleccin de datos por percepcin remota hemos seleccionado como ejemplos tpicos los casos de dos plataformas clsicas cuyas respectivas familias han contribuido y siguen contribuyendo decisivamente a las aplicaciones prcticas de esta disciplina: LANDSAT y SPOT. El primer caso es un ejemplo tpico whiskbroom y el segundo de pushbroom. En la Fig 30 se representa el esquema ptico del sensor TM (Thematic Mapper) diseado para Landsat-4 y Landsat-5. Nota.-Posteriormente se desarroll el ETM (Enhanced Thematic Mapper) para el Landsat-6 , que se perdi en ellanzamiento. El actual Landsat-7, que permanece operativo junto con el Landsat-5, lleva a bordo el ETM+ (Enhanced Thematic Mapper Plus). Este ltimo, aunque similar, presenta mejoras frente al TM, por ejemplo una banda pancromtica de 15 m de resolucin y una mayor resolucin de las bandas infrarrojas trmicas. Sin embargo, un defecto aparentemente irreparable en el sistema ptico ha reducido mucho la eficiencia de sus aplicaciones. FALTA FIGURA 30 Este sensor est diseado para tomar imgenes en el nadir, es decir imgenes de areas terrestres ubicadas directamente debajo del sensor. El escaneado lo realiza un espejo oscilante bidireccional que permite un ancho de barrido de 185 km. Un telescopio dirige la radiacin hacia un corrector de las lneas barrido (SLC-scan lines corrector). Este ltimo es necesario para corregir el efecto acumulado del desplazamiento del satlite en su rbita y el barrido cruzado realizado por el espejo. El SLC es un sistema de espejos que rota perpendicularmente al espejo de barrido y compensa el efecto orbital.Luego de la correccin la radiacin incide en el plano focal primario donde se encuentran los detectores para visible e infrarrojo cercano con sus correspondientes filtros espectrales (bandas 1 a 4). Una parte de la energa es redirigida por un relay ptico al plano focal refrigerado (91K) para infrarrojo medio y trmico donde se encuentran los correspondientes detectores con sus filtros. Los detectores para visible e infrarrojo cercano son de silicio organizados en 4 lneas de 16 detectores cada uno. Para las bandas 5 y 7 (IR medio) los detectores son de antimoniuro de indio organizados cada uno en lneas de 16 detectores. Por su parte el detector de infrarrojo trmico es un arreglo de cuatro detectores de telururo de cadmio y mercurio. El IFOV del TM es de 30x30m para las bandas 1-5 y 7, y de 120x120m para la banda infrarroja trmica. En el ETM+ del Landsat-7 este ltimo valor ha sido mejorado a 60x60m. La familia SPOT est constituida por 5 satlites (SPOT-1, lanzado en 1986 hasta el SPOT5 lanzado en el 2002) de los cuales estn operativos los miembros 1,2,4 y 5. Todos se caracterizan por el sistema pushbroom de barrido. Los sensores de estos satlites HRV (High Resolution Visible) para 1,2 y 3 y HRVIR (High Resolution Visible Infrared) para 4 y 5 se caracterizan por estar duplicados en cada satlite y por poder ser orientados independientemente para efectuar observaciones con distintos ngulos. En la Fig. 31 se esquematiza un SPOT con sus dos instrumentos enfocados al nadir. Cada uno de ellos cubre una lnea de barrido de 60 km. En la Fig. 32 se esquematizan las posibilidades de observacin de cada sensor.

Pgina 25 de 123

La radiacin reflejada desde el terreno entra al HRV o HRVIR va un espejo plano y un telescopio la proyecta sobre dos arreglos CCD de 6000 detectores cada uno dispuestos linealmente (ver Fig. 29). Cuando los dos instrumentos miran directamente el terreno debajo del sensor se pueden disponer de modo de cubrir franjas adyacentes, con un campo de visin total de 117 km y una sobreposicin de 3 km. Sin embargo, es tambin posible seleccionar desde la estacin operadora terrestre ngulos de observacin fuera de nadir. De esta manera es posible observar desde una posicin centrada en la proyeccin terrestre de la trayectoria del satlite cualquier regin de inters dentro de una franja terrestre de 950 km. Esto hace que, pese a que el satlite tiene un perodo de revisita de 26 das, puede observar una misma rea en intervalos de 4 o 5 das en pasajes por rbitas cercanas realizando observacin oblicua. Tambin pueden realizarse observaciones en pasajes en das sucesivos de modo que las dos imgenes sean adquiridas segn ngulos a ambos lados de la vertical (Fig.33). Se obtienen as imgenes para medidas topogrficas.

Pgina 26 de 123

7.3 Bandas Espectrales de LANDSAT TM y SPOT HRVIR. En la Tabla siguiente se presentan los rangos de longitudes de onda abarcados por las bandas espectrales de estos satlites: TM Rango espectral (m) Banda 1 0.45-0.52 Banda 2 0.52-0.60 Banda 3 0.63-0.69 Banda 4 0.76-0.90 Banda 5 1.55-1.75 Banda 6 10.4-12.5 Banda 7 2.08-2.35 HRVIR Rango espectral (m) Banda 1 0.50-0.59 Banda 2 0.61-0.68 Banda 3 0.79-0.89 Banda 4 1.58-1.75

IFOV Nadir 30x30m (b. 1-5,7) IFOV Nadir 20x20m 120x120m (b. 6) Barrido 180 km Barrido 60 km (c/instrumento) Las principales aplicaciones de las bandas del LANDSAT TM (y por similitud de rangos espectrales tambin las del SPOT) son las siguientes: Banda 1 (0.45-0.52m)(azul): buena penetracin en cuerpos de agua. Diferenciacin de suelos y vegetacin y de conferas con vegetacin de hojas caducas. Banda 2 (0.52-0.60m)(verde): reflectancia en el verde para vegetacin en buenas condiciones. Banda 3 (0.63-0.69m) (rojo): absorcin de la clorofila.. Diferenciacin de especies vegetales. Banda 4 (0.76-0.90m) (infrarrojo cercano): evaluacin de biomasa. Delineacin de cuerpos de agua.
Pgina 27 de 123

Banda 5 (1.55-1.75m) (infrarrojo medio): estado hdrico en vegetales. Discriminacin entre nubes, nieve y hielo Banda 6 (10.4-12.5m) (infrarrojo trmico): stress trmico en vegetales y mapeados trmicos. Banda 7 (2.08-2.35m) (infrarrojo medio): Estudios geolgicos, identificacin de zonas con alteraciones hidrotrmicas en rocas.

Pgina 28 de 123

7. RESOLUCION 7.4 Resolucin. Los sistemas de percepcin remota difieren en la resolucin, es decir, el nivel de detalle con que pueden capturar las imgenes, su frecuencia temporal, finura espectral, etc.. Desde este punto de vista podemos considerar cuatro diferentes tipos de resolucin: espacial, espectral, radiomtrica y temporal. 7.4.1 Resolucin espacial. La resolucin espacial se refiere a la finura de detalles visibles en una imagen: cuanto menor es el rea terrestre representada por cada pxel en una imagen digital mayores son los detalles que pueden ser captados y mayor es la resolucin espacial. En las Figs. 26 a, b y c se observan imgenes de una misma regin a tres diferentes resoluciones espaciales (baja, mediana y alta, correspondiendo respectivamente al MODIS 1.1 km , LANDSAT-5, 30m y QUICKBIRD, 0.60m. Existen diferentes factores que influyen en la resolucin espacial: adems de los obviamente asociados al sensor, como ser el poder resolutivo del sistema ptico, debemos considerar las influencias atmosfricas, presencia de humo, neblina, bajos niveles de iluminacin, etc. Tambin existen factores asociados a las caractersticas del objeto a detectar y de su entorno: un buen contraste y bordes ntidos del objeto son favorecen la deteccin. La seleccin de la resolucin espacial necesaria para un dado proyecto debe analizarse cuidadosamente. En efecto, pretender resoluciones mayores que la necesaria encarece el costo de las imgenes y la carga de proceso.
SATELITES RESOLUCION ESPECTRAL

7.4.2 Resolucin espectral. Ya vimos cmo los sistemas de percepcin remota estn usualmente diseados para captar imgenes en determinados rangos de longitudes de onda denominados bandas o canales. Dependiendo de la aplicacin pueden seleccionarse sensores con bandas relativamente estrechas o anchas. La resolucin espectral se refiere al nmero y ancho de las bandas espectrales registradas por un sensor. Cuanto ms estrechas sean estas bandas mayor ser la resolucin espectral. Ya nos hemos referido brevemente a este tema en la Sec. 7.1. cuando hablamos de espectrmetros y espectroradimetros. Para referirse a la multiplicidad y anchos espectrales de las bandas de los sensores de percepcin remota suele distinguirse entre los sistemas multiespectrales y los hiperespectrales. El LANDSAT y el SPOT son sistemas multiespectrales, que se caracterizan por un nmero no muy elevado de bandas espectrales (V. tabla en Sec. 7.3). El sensor ASTER en el satlite TERRA de la NASA posee 14 bandas en las regiones visible, infrarroja y trmica del espectro. Los sistemas hiperespectrales (imaging spectrometers) se caracterizan por registrar imgenes en cientos de bandas espectrales muy estrechas. Una limitacin al nmero de bandas consiste en que cuanto ms estrecha es la banda menor es la energa que transmite al detector. Las figuras 35 y 36 permiten visualizar la diferencia en los perfiles espectrales de una dada regin de la imagen segn se analice con un sensor multiespectral o hiperespectral.

Pgina 29 de 123

El primero es similar al del LANDSAT 7, y el segundo es el sensor HYPERION del satlite EO-1 de la NASA. La Fig. 35 corresponde a un rea agrcola prxima al ro Cuareim en Artigas, y la segunda corresponde a un muestreo del Cuareim. Si bien los dos espectros poseen abscisas expresadas en diferentes sistemas, las lneas roja, azul y verde en ambos perfiles corresponden a las mismas longitudes de onda. Se sugiere comparar estas grficas con las de la Fig. 11. 7.4.3 Resolucin radiomtrica. Resolucin o sensibilidad radiomtrica hace referencia al nmero de niveles digitales utilizados para expresar los datos recogidos por el sensor. En general, cuando mayor es el nmero de niveles mayor es el detalle con que se podr expresar dicha informacin. En las Figs. 37 y 38 se representan dos casos bien iferenciados. Ambos representan el rea de Rincn del Bonete en Uruguay, visualizndose la ciudad de Paso de los Toros. En la Fig.37 los niveles digitales son muy pocos y la imagen aparece prcticamente en blanco y negro. En la Fig. 38 , con muchos ms niveles digitales, el grado de detalle es muy superior, visualizndose la ruta 5 , las calles de la ciudad el puente sobre el Ro Negro etc. El puente tambin se llega a distinguir en la Fig. 37 dado el elevado contraste con el agua del ro.

Pgina 30 de 123

Pgina 31 de 123

En la Sec. 7.1 ya mencionamos los nmeros digitales (DN) asociados a cada pxel en las imgenes digitales y que generan lo que llamamos escala de grises que en realidad es la escala de niveles digitales disponibles para representar los detalles de la imagen. El nmero de niveles de grises se expresa comnmente en trminos de dgitos binarios (bits) necesarios para almacenar el valor del nivel de gris mximo para el caso considerado. Un bit es la unidad fundamental de un sistema binario pudiendo poseer slo los valores 1y 0. Usando un arreglo de bits puede representarse un nmero cualquiera dentro de los lmites de longitud de palabra de la computadora. Para lograr una imagen de pantalla con variaciones de brillo prcticamente continuas desde el punto de vista visual se necesitan 5 o 6 bits por pxel. El nmero de valores que pueden ser representados por una serie dgitos es xn , donde x es el nmero de valores que cada dgito puede representar y n es el nmero de dgitos usados. En una base binaria el nmero de valores ser 2n . Por ejemplo, para 5 bits tendremos 32 valores, para 8 bits 256 valores, para 11 bits 2048, etc. En el caso del Landsat y el HRVI se tienen 8 bits, es decir, la escala de grises se extiende de 0 a 255, totalizando 256 valores. 7.4.4 Resolucin temporal. La Resolucin Temporal es una medida de la frecuencia con la que un satlite es capaz de obtener imgenes de una determinada rea. Tambin se denomina intervalo de revisita. Altas resoluciones temporales son importantes en el monitoreo de eventos que cambian en perodos relativamente cortos, como inundaciones, incendios, calidad del agua en el caso de contaminaciones, desarrollo de cosechas, etc. Asimismo, en reas con cubiertas nubosas casi constantes como por ejemplo las selvas tropicales, perodos cortos de visita, es decir altas resoluciones temporales, aumentan la probabilidad de obtener imgenes satisfactorias. Si consideramos un satlite de la familia LANDSAT, ( 5 o 7), su resolucin temporal es relativamente baja. En efecto, como slo registra imgenes en el nadir para volver a registrar una dada rea habr que esperar que vuelva a recorrer la misma rbita, lo cual ocurre cada 16 das. Esto puede apreciarse en las Figs. 39 y 40:

Pgina 32 de 123

En la Fig. 39 vemos que las caractersticas orbitales del LANDSAT hacen que la distancia entre el trazado terrestre de dos rbitas consecutivas sea de 2752 km en el ecuador. En la Fig. 40 se observan las rbitas recorridas en das sucesivos. El intervalo de tiempo entre rbitas adyacentes es de 7 das. De todos modos como LANDSAT-5 y LANDSAT-7 estn defasados 8 das, cuando ambos satlites se encuentran operativos puede lograrse para una dada regin una cobertura LANDSAT cada 8 das. Otros satlites, como SPOT, IKONOS y QUICKBIRD poseen sensores que pueden orientarse segn diferentes ngulos, con lo cual pueden registrar imgenes no slo en el nadir sino tambin a travs de enfoques laterales, frontales o traseros. Esto permite lograr perodos de revisita mucho ms cortos, incluso de dos o tres das. Otro ejemplo de satlites con alta resolucin temporal lo constituyen los de la serie NOAA con sus sensores AVHRR. Estos poseen un tiempo de revisita de 12 horas, lo cual permite una cobertura diaria global diurna y nocturna. Sin embargo, debe tenerse en cuenta que la resolucin espacial de stos es de 1 km, es decir mucho menor que la de los satlites anteriormente mencionados. De todos modos, su elevada resolucin temporal, los hace sumamente tiles en monitoreos ambientales o agrometeorolgicos sobre reas muy extensas. Estas caractersticas son compartidas con el instrumento MODIS a bordo de los satlites TERRA y ACQUA sobre reas muy extensas. Estas caractersticas son compartidas con el instrumento MODIS a bordo de los satlites TERRA y ACQUA.
SATELITES: ESCALA Y RESOLUCION ESPACIAL

7.5 Escala y resolucin espacial. Los conceptos de escala y resolucin espacial estn estrechamente relacionados con el grado de detalle con que podemos visualizar una dada imagen. Sin embargo difieren en ciertos aspectos que conviene puntualizar. 7.5.1 Escala. La escala de una imagen o de un mapa hace referencia a la diferencia relativa de tamao o distancia entre los objetos de la imagen y los reales terrenos. Esta diferencia se expresa como la relacin entre la distancia sobre la imagen y la real terrena.. As por ejemplo, una escala de 1: 100000 significa que 1 cm en el mapa o imagen corresponde a 100000 cm (1 km) sobre el terreno. Los siguientes son ejemplos de escalas y las correspondientes distancias terrenas para tres distancias medidas sobre un mapa o imagen:

Un clculo similar puede efectuarse para reas. As, para una escala 1:10000 un rea de 1mm x 1mm en el mapa o imagen corresponde a 0.01 ha. sobre el terreno.
Pgina 33 de 123

Igualmente, un rea de 5cm x 5 cm sobre el mapa corresponde a un rea de 25 ha sobre el terreno. Es comn referirse a una escala diciendo que es mayor o menor que otra escala. Sin embargo, esta manera de expresarse puede llevar a confusiones. En efecto, una escala de por ejemplo 1:100000 suele llamarse escala de 100000 y una escala de 1:40000 escala de 40000. Sin embargo la primera es menor que la segunda, ya que el nmero 1/100000 es menor que el de 1/40000. Lo mejor sera decir que 1:100000 es una escala gruesa y 1:40000 una escala fina. Para calcular la escala desconocida de una imagen o un mapa es necesario comparar la distancia entre dos puntos sobre una referencia conocida y los mismos dos puntos sobre el mapa o imagen de escala desconocida. La referencia puede ser otra imagen o mapa de escala conocida o una distancia medida sobre el terreno. El mtodo de clculo difiere segn la referencia sea una imagen o mapa o bien una medida sobre el terreno. En el primer caso la frmula a aplicar es: ED = DD / DR * ER donde ED: escala desconocida a calcular; DR: distancia entre dos puntos medida sobre la imagen o mapa de referencia; DD: distancia entre los mismos dos puntos medida sobre la imagen o mapa de escala desconocida. Ejemplo: Un mapa topogrfico a escala 1:100000 se usar para determinar la escala de una imagen satelital. Se seleccionan dos puntos que pueden ubicarse fcilmente sobre la imagen y el mapa. La distancia entre ellos en el mapa topogrfico es de 8.3 mm y en la imagen es de 40.0 mm. La escala de la imagen ser ED = 40.0 / 8.3 * 1/100000 = 1/20750 En el caso de que la referencia sea una medida sobre el terreno la frmula a emplear ser: ED= MD/RD donde ED: escala desconocida a calcular; RD: distancia entre dos puntos medida sobre el terreno; MD distancia entre los mismos dos puntos medidos sobre el mapa o imagen Nota.Las unidades de RD y MD deben ser las mismas. Ejemplo: si la distancia medida sobre el mapa o imagen es de 40.0 mm y la distancia sobre el terreno son 415 m (415000 mm) la escala desconocida ser ED = 40.0 / 415000 = 1/10735

7.5.2 Escala vs. Resolucin Espacial. Ya vimos (Sec. 7.4.1) que la resolucin espacial de una imagen es una indicacin del tamao del pixel expresada en trminos de dimensiones sobre el terreno. Usualmente se presenta por un valor nico correspondiente a la longitud de un lado del cuadrado correspondiente a dicho pixel. As, una resolucin espacial de 30 m significa que el pixel representa un rea de 30 m
Pgina 34 de 123

x 30 m sobre el terreno. Si el pixel fuera rectangular debera ser representado por su largo y ancho, por ejemplo 56 m x 79 m. La resolucin espacial es una indicacin del potencial de detalle que ofrece una imagen. Si una imagen de satlite de 1 m de resolucin se imprime a una escala de 1/500000 se perdera el potencial de detalle que ofrece dicha imagen. La inversa tambin es cierta: si se imprime una imagen de baja resolucin espacial, por ej. 500 m, a una escala muy fina slo veramos los pixeles individuales. Cuando efectuamos zoom repetido sobre una imagen digital (es decir, cuando vamos afinando la escala) llega un momento en que comienzan a visualizarse los pixeles, y a partir de ese punto aunque sigamos afinando la escala no se aumentar su nivel de detalle llegando a dificultarse su interpretacin.

Pgina 35 de 123

8. ESTRUCTURA DE LAS IMGENES DIGITALES

Antes de encarar el procesamiento de las imgenes satelitales entendemos conveniente resumir aqu una serie de conceptos bsicos ya considerados previamente acerca de las imgenes digitales, as como ampliarlos con otros que sern tiles en las posteriores etapas de este estudio. Ya vimos como una imagen digital consiste de elementos discretos denominados pixeles. Estos elementos bidimensionales constituyen los menores elementos no divisibles de la imagen. En la Fig. 41 vemos en forma esquemtica cmo una imagen digital est compuesta de pixeles ubicados en la interseccin de cada fila i y columna j en cada una de las k bandas correspondientes a una dada escena.

Cada pixel en cada banda est en perfecto registro geomtrico con sus equivalentes de las restantes bandas. Asociado a cada pixel existe un nmero (Nmero Digital, DN) que mide la radiancia promedio o brillo correspondiente al rea de escena abarcada por dicho pixel. En una base binaria de 8 bits el DN poseer 28 valores en un rango de 0 a 255. Estos valores pueden ser modulados para producir en la pantalla de una computadora un escala de grises que va desde el negro (DN=0) hasta el blanco (DN=255). O sea que para cada pixel en una escena que consta de k bandas espectrales habr asociados k niveles de grises. Estos definen un espacio espectral k dimensional en el que cada pixel es representado por un vector que constituye su firma espectral y que permitir, a travs de operaciones de clasificacin basadas en algoritmos matemtico-estadsticos, asignar dicho pixel a clases temticas definidas. El rea terrestre representada por un pixel est determinada por la altura del sensor y los parmetros de diseo de ste, particularmente el campo de visin instantneo (IFOV). Obviamente al reducirse dicha rea ms detalles de la imagen sern aparentes, es decir que aumenta la resolucin espacial. En esta rpida revisin no ha aparecido nada esencialmente nuevo acerca de los conceptos que ya se haban analizado previamente. Sin embargo, vamos ahora a profundizar algo ms acerca de la estructura espectral de un pixel. De acuerdo a lo que hemos visto, un pixel es una unidad espacial arbitraria cuyas propiedades bsicas (tamao, forma, ubicacin) quedan principalmente definidas por variables
Pgina 36 de 123

dependientes del sensor y no directamente por las propiedades del terreno. Sin embargo, debemos considerar que de acuerdo a las caractersticas del terreno (textura, coberturas, etc.) el rea abarcada por un pixel puede incluir ms de un tipo de objetos o clases temticas, por ej. arbustos, pasturas, suelo descubierto, agua, etc. Evidentemente la radiacin reflejada correspondiente a dicho pixel que llega al detector estar compuesta por las contribuciones de las firmas espectrales de las clases temticas que incluye, tal como se esquematiza en la Fig. 42:

O sea que desde el punto de vista espectral se trata de un pixel mezclado. Conociendo los espectros puros de cada objeto o clase que incluye el pixel (obtenido de bibliotecas adecuadas o de ensayos de laboratorio previos), a travs de tcnicas de desmezclado se puede efectuar un anlisis subpixel para estimar la proporcin de las diferentes clases Este desmezclado espectral suele basarse en la suposicin de que la respuesta espectral xp de un pixel p es una suma lineal ponderada de las respuestas espectrales de sus clases componentes. Matemticamente esto se expresa a travs de la ecuacin

donde E es una matriz de k por c en la que k es el nmero de bandas espectrales del sensor y c el nmero de clases; f es un vector de longitud c que expresa la cobertura proporcional de clases en el rea representada por el pixel y e es el error residual. Las columnas de la matriz E son las respuestas espectrales de las clases . As definido el modelo de mezcla puede ser utilizado para estimar la composicin por clases del pixel, representada por f, a travs de su respuesta espectral xp. Las restricciones del modelo son

Pgina 37 de 123

Tambin relacionado con la composicin espectral del pixel existe un problema significante aunque usualmente ignorado. En efecto, se demuestra que una proporcin importante de la seal que aparentemente proviene del rea de terreno representada por un dado pixel proviene de los pixeles vecinos, tal como se esquematiza en la Fig. 43. Aunque los pixeles de una imagen usualmente aparecen cuadrados, la radiacin que se ha registrado y que define la composicin espectral de dichos pixeles proviene de un rea circular (o elptica si el sensor no observa directamente el nadir) aproximadamente doble del rea cubierta por la proyeccin del pixel. A pesar de que los detectores del sensor son ms sensibles en el centro del FOV del detector (lo que hace que la mayor parte de la radiacin capturada provenga del rea cubierta por el pixel) la radiacin proveniente de los pixeles vecinos hace una contribucin significante al valor del pixel. Este efecto es consecuencia de muchos factores, incluyendo la ptica del instrumento, del detector, de la electrnica asociada as como incluso de efectos atmosfricos.

Los efectos atmosfricos, particularmente en el caso de que la atmsfera presente niebla, se debe a que las partculas de sta desvan los fotones de su trayectoria recta.

Pgina 38 de 123

9. PROCESAMIENTO DE LAS IMGENES SATELITALES

El procesamiento de las imgenes digitales consiste en la manipulacin numrica de dichas imgenes e incluye: Preprocesamiento Realce Clasificacin. 9.1 Preprocesamiento. Consiste en el procesamiento inicial de los datos crudos para corregir las distorsiones radiomtricas y geomtricas de la imagen y eliminar el ruido. Las distorsiones radiomtricas obedecen a mecanismos que alteran los valores de brillo de los pixeles y se deben fundamentalmente a interferencias atmosfricas y a efectos asociados a a instrumentacin. Las correcciones atmosfricas constituyen un problema muy complejo si se quieren aplicar sobre la base de modelos fsicos del comportamiento de las radiaciones. En efecto, estos modelos tienen el mrito de su rigor cientfico, precisin y aplicabilidad a un amplio rango de circunstancias, pero suelen exigir complejos programas de computadora as como informacin meteorolgica detallada relativa a las condiciones en que se registr la escena. Esta informacin es muy difcil de obtener y podemos decir que la aplicacin rutinaria de estos modelos actualmente no es posible. Una aproximacin sencilla y prctica a la correccin del efecto atmosfrico se basa en la consideracin de los histogramas de las imgenes espectrales. Un histograma es un grfico o tabla que muestra el nmero de pixeles f(DN) de una imagen que poseen un valor DN. En la Fig. 44 se observan los histogramas para las bandas 1 a 4 del LANDSAT. FALTA FIGURA 44 Como era de esperar de acuerdo a lo que vimos acerca de la relacin entre longitud de onda y efectos de dispersin atmosfricos los valores ms bajos de los histogramas corresponden a las mayores longitudes de onda: en particular la banda infrarroja cercana es la que posee el valor ms bajo. En esta banda los cuerpos de agua clara y las sombras topogrficas poseeran un valor de reflectancia de cero o muy prximo a cero si no fuera por el efecto dispersivo. Se admite que el desplazamiento del extremos inferior de los histogramas es debido fundamentalmente al componente dispersivo de la interferencia atmosfrica. En efecto, suponemos que las dems bandas, particularmente cubriendo reas geogrficas extensas deben poseer algunos pixeles (por ejemplo sombras topogrficas o de nubes, cuerpos de agua clara y profunda, etc.) que si no fuera por el efecto atmosfrico tendran valor cero. Para apoyar esta suposicin observemos cmo en una escena lunar, Fig. 45, la ausencia de atmsfera hace aparecer las sombras totalmente negras. Las correcciones que habra pues que hacer a las bandas 1 a 4 es restarle respectivamente los valores 42, 37, 24 y 12. Los efectos instrumentales se asocian principalmente a desajustes en las equivalencias de las curvas de respuesta de los diferentes detectores de un instrumento (ej. diferentes valores en la corriente oscura y en la ganancia en las curvas de respuesta). Se puede efectuar una correccin adoptando un sensor como standard y ajustando el brillo de todos los pixeles registrados por los dems detectores de modo que los brillos promedio y desviaciones standard se emparejen con los del detector de referencia.
Pgina 39 de 123

Las distorsiones geomtricas responden a muy diversas causas y pueden clasificarse en gsistemticas y no sistemticas. Las principales causas de distorsiones geomtricas sistemticas son las siguientes: Sesgo de escaneado: causado por el movimiento de avance de la plataforma durante el tiempo requerido para cada barrido del espejo (sistemas whiskbroom).La lnea de arrido sobre el terreno no es normal a la proyeccin de la trayectoria sino que resulta ligeramente oblicua, produciendo una distorsin geomtrica cruzada con la trayectoria. Velocidad del espejo de escaneado. La velocidad de ste usualmente no es constante durante un dado ciclo, produciendo una distorsin geomtrica a lo largo del escaneado. Efecto panormico y curvatura terrestre. El efecto panormico deriva del hecho de que como para los sensores de las plataformas satelitales el IFOV angular es constante, el tamao del pixel sobre el terreno ser mayor en los extremos de la oscilacin que en el nadir. Tambin la curvatura terrestre conduce a un efecto similar, aunque para satlites de barrido poco extenso, como el LANDSAT (185 km) o el SPOT (120 km) el efecto es despreciable, a diferencia de lo que ocurre con los NOAA, con 2700 km de FOV. Velocidad de la plataforma. Si la velocidad de la plataforma cambia, la cobertura terrestrea lo largo de su traza terrestre para sucesivos escaneos tambin cambiar. Se producir una distorsin de escala a lo largo del trayecto. Rotacin de la Tierra. A medida que el sensor escanea el terreno la Tierra se desplaza de oeste a este. De modo que un punto del terreno registrado al fin del escaneado va a estar ms al oeste que cuando comenz el barrido. Esto produce una distorsin segn la traza de barrido. Como casos de distorsiones geomtricas no sistemticas citemos los efectos por altitud y actitud. Altitud. Si la plataforma se desva de su altitud normal o si aumenta la elevacin del terreno se producen distorsiones de escala. Actitud. Hace referencia a la orientacin del satlite (o bien plataforma area) en el espacio tridimensional en que se desplaza. En tal sentido podemos definir un sistema de tridimensional de coordenadas ortogonales centrado en el centro de gravedad de la plataforma considerada. De acuerdo con esto puede definirse la orientacin de la plataforma por la contribucin de los movimientos respecto a estos ejes principales (Fig. 46).

Pgina 40 de 123

ROLL YAW PITCH: Estos movimientos se definen como: balanceo (roll), cabeceo (pitch) y desvo (yaw) y son obviamente. causa de distorsiones geomtricas. Algunas de las distorsiones geomtricas que hemos mencionado previamente (debidas a rotacin de la Tierra, efectos panormico y curvatura terrestre, sesgo de escaneado) son bien comprendidas y pueden ser modeladas con funciones matemticas que permitan su evaluacin y correccin. Las restantes distorsiones geomtricas pueden ser minimizadas estableciendo una relacin matemtica entre las coordenadas de los pxeles en la imagen y los correspondientes puntos sobre el terreno. Esto puede hacerse independientemente del conocimiento que el analista pueda tener de la fuente y tipo de distorsin. Esta tcnica de correccin de imagen requiere la identificacin de una serie de caractersticas existentes tanto en la imagen como en un mapa de referencia. Estas caractersticas se denominan usualmente puntos de control de tierra (GCP, Ground Control Points). Estos son usualmente detalles de la escena bien definidos y espacialmente pequeos: curvas en ros, detalles costeros, cruce de caminos o de pistas de aeropuertos, etc. Una vez que se estableci la relacin matemtica sta es aplicada para rectificar o reubicar cada pixel de la imagen original en su posicin geomtrica ms correcta en la imagen corregida. En cuanto al ruido en las imgenes se trata de seales espreas provenientes de diversas fuentes potenciales, desde derivas peridicas o funcionamiento defectuoso de un detector a interferencias electrnicas entre componentes del sensor e interrupciones en las transmisin y registro de datos. Hemos visto en esta seccin que las correcciones radiomtricas y geomtricas constituyen un tema complejo en el preprocesamiento de las imgenes satelitales. Sin embargo, para tranquilidad del potencial usuario debemos decir que las estaciones receptoras y distribuidoras de imgenes de satlite realizan en base a la informacin telemtrica recibida del mismo satlite, las correcciones radiomtricas y geomtricas pertinentes a dichas imgenes. 9.2 Realces Son procedimientos que tienden a mejorar la interpretabilidad visual de una imagen, aunque no aumentan la cantidad de informacin contenida en ella. El rango de opciones de que dispone el analista para realces de imagen es virtualmente ilimitado, aunque la mayora de estas tcnicas pueden ubicarse en dos grupos: operaciones de punto, que modifican

Pgina 41 de 123

independientemente el brillo de cada pixel y operaciones locales, que modifican el valor de cada pixel basadas en el valor de los pixeles vecinos. Dentro de las primeras citaremos algunas como estiramiento de contraste y manipulaciones espectrales, y entre las segundas el filtrado espacial. 9.2.1 Estiramiento de contraste. Este procedimiento involucra un cambio de forma del histograma reasignando los valores de los pixeles. En las Figs. 47 a,b,c,d vemos un ejemplo de cmo, a travs de una funcin de tranferencia lineal se puede efectuar dicha transformacin.

El caso de nuestro ejemplo es el de un estiramiento de contraste lineal, donde vemos cmo el rango de valores iniciales de los pixeles (20 a 127) es expandido hasta obtener el rango mximo de 0 a 255. Al expandir la escala de grises se logra realzar detalles sutiles de la imagen, difciles de discriminar con la compresin inicial. El caso de contraste lineal que hemos descrito es el ms sencillo, y puede tambin ser descrito por el algoritmo: DNmodificado = [(DNoriginal MIN)/(MAX MIN)]*255 DNmodificado : nmero digital asignado al pixel en la imagen de salida Fig. 48 DNoriginal : nmero digital del pixel en la imagen de entrada MIN : mn. valor de DN en la imagen de entrada MAX : mx. valor de DN en la imagen de entrada
Pgina 42 de 123

En la Fig.48 se representa grficamente la funcin de transferencia lineal. Los estiramientos de contraste pueden realizarse utilizando otras funciones de transferencia como la gaussiana, la de igualacin, la de raz cuadrada (que implica tomar la raz cuadrada del histograma original y aplicarle un estiramiento lineal, etc. En general los softwares de percepcin remota ofrecen las facilidades de clculo para estas y otras modalidades, y el analista aplicar una u otra segn sus preferencias.

9.2.2 Filtrado espacial. Las operaciones de contraste descritas en la seccin previa no alteran los datos de la imagen, simplemente modifican su visualizacin. En el filtrado espacial, en cambio, los datos de la imagen son modificados. En efecto, el valor de un pixel en una dada ubicacin es cambiado en funcin de los valores de los pixeles vecinos. En percepcin remota las imgenes se caracterizan por un parmetro denominado frecuencia espacial. Esta puede definirse como el nmero de cambios que ocurren en el valor del pixel (o brillo) por unidad de distancia para alguna regin particular de la imagen. Si sobre una dada rea de la imagen ocurren pocos cambios de brillo se considera como un rea de baja frecuencia (ej. grandes extensiones agrcolas, cuerpos de agua extensos, etc.) . Si, por otra parte, los cambios de brillo son numerosos y notorios tendremos un rea de alta frecuencia (calles o caminos en zonas urbanas, parcelas agrcolas pequeas,etc.). En las imgenes de percepcin remota la frecuencia espacial puede realzarse o deprimirse segn la conveniencia del analista utilizando el filtrado espacial. Este no es sino una aplicacin de la operacin general de procesamiento de imgenes denominada convolucin y que implica el siguiente procedimiento: 1. Se define una ventana mvil que contiene un arreglo de coeficientes o factores ponderales.Estos arreglos se definen como operadores o kernels, cuyo tamao es normalmente el de un nmero impar de pixeles (3x3, 5x5, 7x7, etc)
Pgina 43 de 123

2. Dicho kernel se mueve a travs de la imagen original, y el valor del pixel central del kernel en la imagen de salida se obtiene multiplicando cada coeficiente del kernel por el correspondiente valor del pixel en la imagen original y sumando el resultado de todos los productos resultantes . La operacin se repite para cada pixel de la imagen original. En la Fig. 49 se esquematiza el concepto de ventana mvil.

VENTANA MOVIL IMAGEN PROYECCION DE LA VENTANA MOVIL SOBRE LA IMAGEN A PROCESAR La Fig. 50 esquematiza la operacin de un filtro de baja frecuencia

Este filtro puede considerarse un filtro de media ya que el resultado es el valor promedio de todos los pixeles cubiertos por la ventana mvil. Existen muchos tipos de filtros de convolucin. En las siguientes imgenes se dan ejemplos de los efectos obtenidos con algunos de dichos filtros (Figs. 51 a,b y c, y Fig.51 bis a,b y c.

Pgina 44 de 123

Pgina 45 de 123

Pgina 46 de 123

Los filtros de baja frecuencia reducen las desviaciones respecto al promedio local de la imagen y sta aparece como ms difusa, efecto que aumenta al aumentar el tamao de la ventana (5x5, 7x7, etc.). Este filtro suele ser til para reducir ciertos patrones de ruido, como por ejemplo los efectos de salt-and-pepper de algunas imgenes. Los filtros de alta frecuencia deprimen los componentes de baja frecuencia reteniendo los de alta frecuencia (variaciones locales). Pueden ser utilizados para realzar bordes entre distintos objetos de una imagen as como para hacer sta ms ntida. Una importante aplicacin es en la identificacin y mapeos de caractersticas geolgicas, incluyendo fallas, fracturas, monoclinas, que poseen diferentes rangos de frecuencias espaciales. Un kernel de alta frecuencia puede ser el siguiente:

Los filtros de mediana sustituyen cada pixel de la imagen por la mediana de los pixeles vecinos. Ejemplo:

En orden crecientes los valores de los pixeles cubiertos por la ventana mvil son 115, 119, 120, 123, 124, 125, 126, 127, 150 El valor de la mediana ser pues 124. La mediana es un parmetro de posicin ms robusto que la media. En efecto, un pixel vecino con un valor no representativo no afectar significativamente el valor de la mediana. Adems, como la mediana es uno de los valores de los pixeles vecinos, conduce a resultados ms realistas que la media. Esto hace que la mediana si bien suaviza la imagen preserva los bordes ms grandes cuyas dimensiones sean mayores que las dimensiones del kernel. Esto es muy conveniente cuando este filtro se aplica para eliminar ruidos como los de salt and pepper o los speckles de las imgenes de radar. La deteccin de cambios significantes de DN al pasar de un pixel a otro es un problema comn en percepcin remota. Dichos cambios usualmente indican lmites fsicos en la escena, como una lnea costera, una carretera, el borde de una sombra, etc.
Pgina 47 de 123

Si bien existen muchas aproximaciones para el tratamiento de este problema una de las ms usadas es el empleo de algn filtro de gradiente, como por ejemplo el de Sobel. Este consiste en filtrar la imagen en dos direcciones ortogonales, por ej. horizontal y vertical. Los filtros de gradiente utilizados son:

Componente horizontal Componente vertical Los resultados g x y g y para cada pixel se combinan en un vector cuya magnitud y direccin vienen dadas por:

Adems de los filtros que hemos mencionado como ejemplos tpicos se han descrito muchos otros que escapan del alcance de esta Introduccin. Citemos por ejemplo los filtros gaussianos, laplacianos, de transformada de Fourier, etc. ANALISIS POR COMPONENTES PRINCIPALES 9.2.3 Anlisis por Componentes Principales. Un problema frecuente en el anlisis de imgenes multiespectrales es el de la correlacin existente entre ellas, es decir que contienen mucha informacin redundante. Esta no aporta nada nuevo y aumenta enormemente la carga computacional cuando dichas imgenes son sometidas a procesos matemticos. Esto podemos apreciarlo en la Fig. 56, en la que se observan los dispersogramas tpicos de los pares de bandas TM1/TM2, TM2/TM3 y TM3/TM4 del LANDSAT. Slo las bandas 3 y 4 presentan baja correlacin.
Pgina 48 de 123

La tcnica de Anlisis por Componentes Principales (PCA, Principal Components Analysis) es una transformacin que permite reducir esta redundancia y puede ser aplicada previamente a un anlisis visual o a un proceso ms complejo de clasificacin a travs de algoritmos matemtico-estadsticos. El propsito de esta tcnica es comprimir toda la informacin contenida en un conjunto original de N bandas espectrales a un conjunto menor de nuevas bandas o componentes. Sin entrar en detalles matemticos sobre esta transformacin representaremos grficamente los conceptos involucrados. Para simplificar tomemos slo dos bandas espectrales. Representemos por d1 el valor del pixel en la banda 1 y por d2 el valor del pixel en la banda 2. Podemos definir una combinacin lineal de estas dos bandas:

donde d'1 y d'2 representan los valores del pixel luego de la transformacin. Esta puede ser representada grficamente como en las Figs. 57 a y b

Pgina 49 de 123

Los componentes principales del conjunto de dos bandas est constituido por el sistema de combinaciones lineales de dichas bandas, que con una adecuada seleccin de los coeficientes aij resultarn independientes y no correlacionados entre s. Esto se ilustra en las Figs. 57 a y b. En (a) los valores de los pixeles graficados en el espacio bidimensional d1 y d2 estn notoriamente correlacionados. En (b) se observa cmo, luego de una adecuada combinacin lineal la correlacin es removida. Vemos que la transformacin no es sino una rotacin en el espacio bidimensional de los valores de los pixeles, y el ngulo de rotacin quedar determinado por la correlacin entre los valores de d1 y d2.El eje d'1 define la direccin del primer componente principal, y el eje d'2 la direccin del segundo componente principal. Puede observarse que los datos a lo largo del primer componente principal poseen una varianza o rango dinmico mayor que el correspondiente a cualesquiera de los dos ejes originales. Por su parte los datos a lo largo del segundo componente principal (eje d'2) poseen una varianza considerablemente menor que la correspondiente a d'1. Es decir que hemos volcado la mayor parte de la informacin al primer componente principal. El tratamiento podemos generalizarlo para un sistema de N bandas, representndolo en forma matricial:

donde d es un vector columna conteniendo los N valores originales de los pixeles de d1 a dN, d' es el correspondiente vector luego de la transformacin y A es la matriz de los coeficiente aij. . Obviamente la clave de una transformacin exitosa radica en la optimizacin de los coeficientes aij, lo cual puede hacerse por una transformacin en componentes principales (PCT) tambin conocida como transformacin de KarhunenLoeve o de Hotelling, cuyos detalles escapan del alcance de esta Introduccin. En general los softwares para tratamiento de imgenes ofrecen mdulos para realizar este tipo de transformacin. En el caso de imgenes de ms de tres bandas usualmente ocurre que el primer componente principal incluir cerca de 90% de la varianza total de la imagen, mientras que los sucesivos PC2, PC3,...,PCN poseern porcentajes decrecientes. En general PCN ser mayormente ruido.
Pgina 50 de 123

En la Fig.58, se representan las bandas TM 1, 2, 3, 4, 5 y 7 correspondientes a una imagen LANDSAT 5 (Dpto. de Paysand). En la Fig. 59, se observa el resultado de la transformacin en componentes principales. En la Fig.60 se presentan algunos dispersogramas de las bandas resultantes de la transformacin, donde se puede observar la ortogonalidad de los CP. FALTA FIGURA 58

Pgina 51 de 123

Pgina 52 de 123

COMBINACIONES DE COLORES

9.2.4 Combinaciones de color. Vimos que las imgenes satelitales suelen ser multiespectrales, es decir que son registradas simultneamente en varias regiones del espectro electromagntico. Estas imgenes pueden ser estudiadas individualmente en escalas de grises o en imgenes coloreadas obtenidas a partir de las primeras. Estas ltimas se generan segn el modelo de color RGB. ( del ingls Red, Green, Blue). Este hace referencia a la composicin del color en trminos de la intensidad de los colores primarios con los que se forma: el rojo, el verdey el azul. Es un modelo de color basado en la sntesis aditiva, es decir basado en la mezcla por adicin de dichos primarios. Para indicar en qu proporcin se mezcla cada color se asigna un valor a cada uno de los colores primarios. As por ejemplo, para un display de computadora de 8 bits por pixel el rango de valores posibles (o sea de DN) para cada componente de color es de 0 a 255. En consecuencia existirn 2563 = 16.777.216 combinaciones posibles de rojo, verde y azul, y a cada pixel de una combinacin de color corresponder un punto dentro del cubo de color representado en las Figs. 61 y 62 (a esta ltima se le extrajo un sector para mejor visualizacin interior).

Pgina 53 de 123

Por lo tanto, las coordenadas del rojo sern (255,0,0), del verde (0,255,0) y del azul (0,0,255). La ausencia de color, es decir el negro corresponde al punto (0,0,0). La combinacin de dos colores a nivel 255 con un tercero a nivel 0 da lugar a tres colores intermedios: el amarillo (255,255,0), el cyan (0,255,255) y el magenta (255,0,255). El blanco se forma con los tres colores primarios a su mximo nivel (255,255,255). La escala de grises es la diagonal que une el blanco y el negro. Concretando, para preparar una combinacin de color se seleccionan tres bandas de inters de la escena multiespectral y computadora mediante se le asigna a cada una de ellas uno de los tres colores primarios. El display nos entregar una combinacin RGB correspondiente a las bandas seleccionadas y a la asignacin de colores. Las bandas a seleccionar quedarn condicionadas, aparte de las posibilidades ofrecidas por el sensor del satlite, por aquellos rasgos de la escena que se desea realzar, y la asignacin de colores adems de ser condicionada por dicho factor puede corresponder a un criterio profesional o heurstico del analista. De todos modos, existen ciertas combinaciones que demostraron ser de particular inters, sobre todo asociadas a temas ambientales y agronmicos. Dichas combinaciones son: RGB 3,2,1 Esta combinacin suele llamarse color natural pues involucra a las tres bandas .,visibles y se le asigna a cada una de ellas su verdadero color, resultando una combinacin que se aproxima a los colores naturales de la escena. La vegetacin aparece en diversos tonos de verde y los suelos en colores marrones o tostados. Adems, las bandas visibles tienen buena penetracin en los cuerpos de agua y esta combinacin permite observar detalles en agua poco profundas (turbidez, corrientes, batimetra, plumas de sedimentos, etc.). RGB 5,4,3 Constituye una simulacindel color natural, pese a utilizar 2 bandas infrarrojas.
Pgina 54 de 123

RGB 4,3,2 Esta combinacin suele llamarse falso color infrarrojo pues los colores resultantes en la imagen son similares a los de las fotografas obtenidas con film infrarrojo color. Al asignar el rojo a la bandas 4 (NIR) resultar que todos los tonos de rojo, desde el rojo muy oscuro al rosado plido corresponden a vegetacin: los tonos ms oscuros se relacionan con la presencia de vegetacin arbrea densa, como bosques, montes, etc., pudindose identificar algunas especies como pinos y eucaliptos. Rojos claros indican cultivos y praderas vigorosas. Los rosados corresponden a vegetacin poco densa como pasturas naturales. El celeste corresponde a suelo desnudo, seco o reas rocosas. El azul-celeste puede corresponder a zonas urbanas. El azul oscuro a negro se relaciona con agua clara en cursos o cuerpos de agua. Si stos presentan partculas en suspensin aparecern con tonalidades azul-verdosas (cian). Los colores verde a verde azulado corresponden a parcelas aradas o suelos descubiertos con mayor o menor contenido de humedad. RGB 4,5,3 Al asignarle el color rojo a la banda 4 (infrarroja cercana) esta banda va a tener ciertas similitudes con la combinacin RGB 4,3,2 . Sin embargo, al dar ms peso a la regin infrarroja (bandas 4 y 5) se ve realzada la diferencia de humedad en suelos y vegetales. Generalmente cuanto mayor es la humedad del suelo ms oscuro aparecer ste. En las Figs. 63 y 64 , se presenta una imagen LANDSAT de una forestacin en Paysand. A efectos comparativos esta imagen fue sometida a las combinaciones de color arriba mencionadas.

Pgina 55 de 123

Las combinaciones de color que acabamos de ver (pag. anteror) hacen referencia a las bandas del LANDSAT, pero los criterios son aplicables a otros satlites teniendo en cuenta las caractersticas espectrales de sus bandas. No todas las imgenes satelitales presentan la diversidad de bandas del LANDSAT, y en tales casos algunas de las
Pgina 56 de 123

combinaciones antes referidas no pueden realizarse con las escenas de dichas satlites, no obstante lo cual el analista puede intentar otras combinaciones que permitan realzar caractersticas de inters. As por ejemplo la Fig. 65 corresponde a una imagen NOAA17 captada sobre el Uruguay en Mayo de 2007, en un perodo de intensas inundaciones. Este satlite slo posee una banda visible (roja), dos en el infrarrojo (cercano y medio) y dos en el infrarrojo trmico. La combinacin de color utilizada en este caso es RGB 3,2,1 (infrarrojo medio, infrarrojo cercano, rojo). Las bandas infrarrojas que son intensamente absorbidas por el agua permiten destacar ntidamente los contornos de los ros (color negro), algunos de los cuales en este perodo estaban desbordados, as como las zonas anegadas al oeste de la laguna Merim (colores oscuros). Las reas forestadas aparecen con color verdoso ms intenso(Rivera, Paysand). Otro ejemplo es el caso del ASTER (instrumento a bordo del satlite TERRA) que en el modo de resolucin espacial de 20 m slo posee una banda en el verde, otra en el rojo y una tercera en el infrarrojo cercano. En este caso es posible la combinacin RGB 3,2,1 (i.r. cercano, rojo, verde) como se aprecia en la Fig. 66, captada sobre Rincn del Bonete.

diversidad de las bandas del LANDSAT,y en tales casos algunas de las combinaciones antes referidas no pueden realizarse con las escenas de dichos satlites, no obstante lo cual el analista puede intentarotras combinaciones que permitan realzar caractersticas de inters. As por ejemplo la Fig. 65 corresponde a una imagen NOAA-17 captada sobre el Uruguay en Mayo de 2007, en un perodo de intensas inundaciones. Este satlite solo posee una banda visible (roja), dos en el infrarrojo (cercano y medio) y dos en el infrarrojo trmico. La combinacin de color utilizada en este caso es RGB 3.2,1 (infrarrojo medio, infrarrojo cercano, rojo). Las bandas infrarrojas que son intensamente absorbidas por el agua permiten destacar ntidamente los contornos de los ros (color negro), algunos de los cuales en este perodo estaban desbordados, as como las zonas anegadas al oeste de la laguna Mern (colores oscuros). Las reas forestadas aparecen con color verdoso ms intenso /Rivera, Paysand). Otro ejemplo es el caso del ASTER (instrumento a bordo del satlite TERRA) que en el modo de resolucin espacial de 20 m solo posee una banda en el verde, otra en el rojo y una tercera en el infrarrojo cercano. En este caso es posible la combinacin RGB 3,2,1 (r.r. cercano, rojo, verde) como se aprecia en la Fig. 66, captada sobre Rincn del Bonete.
Pgina 57 de 123

IMAGENES SATELITALES CLASIFICACION

9.3 Clasificacin. En las etapas de procesamiento de imgenes que acabamos de discutir se busca sea corregir distorsiones geomtricas y realizar correcciones radiomtricas eliminando formas de ruido presentes en los datos, sea aplicar manipulaciones de realce para mejorar la interpretacin visual de la imagen. Con la clasificacin llegamos a la etapa de operaciones extraccin de informacin reemplazando el anlisis visual de la imagen mediante la aplicacin de tcnicas cuantitativas para automatizar la identificacin de los objetos contenidos en una escena. Esto implica el anlisis de datos de escenas multiespectrales aplicando distintas tcnicas, entre ellas reglas de decisin basadas en conceptos estadsticos para establecer la identidad de cada pixel en una imagen. Antes de seguir, repasemos algunos conceptos previos. Vimos que cada pixel de una dada banda espectral tiene un pixel coincidente en cada una de las dems bandas. As, para una imagen que conste de K bandas habrn K niveles de grises asociados a cada pixel. Esos K niveles de grises generan un espacio espectral k-dimensional en el que cada pixel est representado por un vector que es su firma espectral. Vayamos a un caso sencillo y concreto. Supongamos que queremos analizar una imagen multiespectral identificando tres clases muy generales como suelo, agua y vegetacin. Para simplificar supongamos que nuestro conjunto de bandas est formado slo por las bandas LANDSAT TM 2,3 y 4. En la Fig. 67 se representan las curvas de reflectancia espectral de las clases consideradas. A dichas curvas se han superpuesto los rangos espectrales de las bandas TM 2,3 y 4. En el espacio tridimensional definido por estas bandas las clases suelo, agua y vegetacin estn representadas por los vectores (firmas espectrales) de la Fig. 68.

Pgina 58 de 123

Sin embargo, la reflectancia de una dada cubierta terrestre no est usualmente caracterizada por una curva nica y definida. En efecto, la operacin de diversos factores naturales (topograficos, atmosfricos, genticos, fenolgicos, etc.) hacen que en lugar de una sola curva haya que considerar una Familia de curvas, parecidas entre s pero que introducen cierta indeterminacin en la caracterizacin de la cubierta considerada. O sea que no bastar un solo vector para representar una clase sino que caracterizarn por vectores prximos entre s y cuyas puntas determinarn un cluster, tal como se aprecia en el diagrama de dispersin tridimensional de la Fig. 69, en la que se han representado slo los extremos de los vectores.

Hasta aqu nuestro ejemplo ha sido un poco simplista en el sentido de que no hemos planteado una situacin que se da corrientemente y es la superposicin parcial de los clusters. En estos casos se presentan dificultades para asignar un dado pixel a una u otra de las clases cuyos clusters se solapan. Este problema obliga a recurrir a soluciones de compromiso recurriendo a procedimientos de clasificacin que pasaremos a considerar. Concretando, el proceso de clasificacin intenta categorizar
Pgina 59 de 123

todos los pixeles de una imagen digital asignndolos a una o ms clases de coberturas terrestres o clases temticas. Esta clasificacin de carcter multiespectral no es sino un proceso de extraccin de informacin que analiza la firma espectral de los pixeles y los asigna a clases basadas en firmas similares. Para lograr la mencionada categorizacin de los pixeles se recurre a clasificadores que pueden ser considerados como ciertos programas de computadora que implementan estrategias especficas para la clasificacin de la imagen. En el curso del tiempo se han diseado muchas de tales estrategias, y entre stas el analista debe resolver cul de ellas se adapta mejor a las necesidades de su trabajo. Actualmente no es posible decidir qu clasificador es el mejor para todas las situaciones dada la gran variedad de escenas y circunstancias que los trabajos de percepcin remota enfrentan. En tal sentido ser conveniente referirnos a las estrategias alternativas para la clasificacin de imgenes. Los mtodos tradicionales de clasificacin involucran dos alternativas: no supervisada y supervisada. El mtodo no supervisado crea agrupamientos espectrales o clusters que no tienen mayor significado desde el punto de vista del usuario, por lo que el analista debe intentar asociar una clase temtica a cada uno de dichos grupos. En el mtodo supervisado, en cambio, el analista supervisa el proceso de categorizacin del pixel especificando al algoritmo de la computadora descriptores numricos de los varios tipos de coberturas terrestres presentes en la escena. Para ello debe recurrirse a un muestreo de sitios representativos de coberturas conocidas, llamadas reas o sitios de entrenamiento que permitan compilar un cdigo de interpretacin numrica que describe los atributos espectrales para cada cobertura de inters. Cada pixel de la escena es entonces comparado con el cdigo de cada categora asignndole el nombre de aquella categora a la que ms se asimila. O sea que en el enfoque supervisado el analista define sus categoras de inters y examina su separabilidad espectral, mientras que en el no supervisado primero determina las clases espectralmente separables y luego define las clases temticas de inters. La preferencia por uno u otro enfoque va a depender de la naturaleza del problema en estudio. En los casos en que la definicin de las reas de entrenamiento y la correspondiente codificacin de las clases de inters sea satisfactoriamente realizable, el mtodo supervisado va a ser superior al no supervisado y ser el preferido. En el caso de reas de terreno complejas, en cambio, el mtodo no supervisado resultar superior al supervisado. En efecto, en este caso el analista tendr dificultades para definir sus reas de entrenamiento dada la variabilidad de la respuestra espectral dentro de cada clase. Adems, el enfoque supervisado es subjetivo en el sentido de que el analista intenta definir clases temticas compuestas a veces por varias clases espectrales, lo que no ocurre en el mtodo no supervisado que revela clases espectralmente distinguibles dentro de las condicionantes impuestas al algoritmo de agrupamiento (o clusterificacin). Adems, el mtodo no supervisado posee el potencial para revelar clases temticas no previstas previamente. 9.4.1 Clasificacin supervisada. Podemos definir esta clasificacin como un proceso en que pixeles de identidad conocida, ubicados dentro de las reas de entrenamiento, se utilizan para clasificar pixeles de identidad desconocida. La clasificacin supervisada involucra las siguientes etapas:

Pgina 60 de 123

 Etapa de entrenamiento. Seleccin del algoritmo de clasificacin adecuado y clasificacin. Operaciones de post clasificacin. En la etapa de entrenamiento el analista selecciona reas de identidad conocida de la cubierta terrestre de inters (cultivos, forestaciones, suelos, etc.) delinendolas sobre la imagen digital bajo formas de rectngulos o polgonos cuyos datos numricos quedan archivados en la computadora como regiones de inters constituyendo los datos de entrenamiento. Para realizar la seleccin el analista debe tener un conocimiento previo del rea de estudio, sea por reconocimientos de campo, sea por consulta de mapas, fotografas areas, etc. Una vez que se dispone de un conjunto de estos datos de entrenamiento debe tratase de adjudicar cada uno de los pixeles de la escena a alguna clase. Entre los algoritmos clsicos para estos fines citemos los siguientes: Clasificador por mnima distancia Clasificador por paraleleppedos Clasificador por mxima probabilidad 9.4.1.1 Clasificador por mnima distancia. Con este clasificador los datos de entrenamiento se utilizan slo para determinar la media de las clases seleccionadas como regiones de inters. El programa efectuar la clasificacin ubicando cada pixel no identificado en la clase cuya media se encuentra ms cercana para lo cual puede utilizar la distancia euclidiana. El procedimiento se ejemplifica grficamente en el diagrama de dispersin de la Fig. 70. Por razones de simplicidad la representacin la hacemos tomando slo dos bandas (Banda I y Banda II), pero debe tenerse en cuenta que cuando el procedimiento se implementa numricamente puede generalizarse para cualquier nmero de bandas.

Pgina 61 de 123

Un pixel a de identidad desconocida, ser adjudicado a una dada clase computando las distancias euclidianas entre el pixel y el centroide de cada clase. Aunque simple desde el punto de vista computacional este algoritmo tiene ciertas limitaciones, entre ellas la insensibilidad a los diferentes grados de varianza en las respuestas espectrales de las diferentes clases. As por ejemplo el punto b en la Fig. 70 clasificador lo adjudicara a clase 3, aunque la mayor variabilidad de la clase 1 nos hace pensar que tal vez sera ms realista adjudicarlo a sta.. Por tal motivo este clasificador no es muy apropiado para aquellos casos en que las clases espectrales estn muy prximas entre s en el espacio de medida y a la vez tienen elevadas varianzas. 9.4.1.2 Clasificador por paraleleppedos. Este clasificador se implementa definiendo un subespacio en forma de paraleleppedo (es decir, un hiper-rectngulo) para cada clase. En este procedimiento se introduce sensibilidad respecto a la varianza de las clases. En efecto, los lmites de cada paraleleppedo son definidos por el rango de valores para cada rea de entrenamiento, o sea por los nmeros digitales mximo y mnimo para dicha rea. Alternativamente, dichos lmites pueden definirse tomando cierto nmero de desviaciones standard para ambos lados de la media del rea de entrenamiento. En este caso la regla de decisin es que el pixel de identidad desconocida caiga dentro de alguno de los paraleleppedos para adjudicarlo a la correspondiente clase. Un ejemplo de la aplicacin de este clasificador en el caso sencillo de un diagrama de dispersin de slo dos bandas se presenta en la Fig. 71:

Este clasificador es rpido y fcil de implementar. Tiene sin embargo fuentes de error asociadas al relativamente frecuente solapamiento de los paraleleppedos: un pixel puede caer dentro de ms de un paraleleppedo si stos se solapan. Puede darse tambin el caso de que no caiga en ninguno. Estos factores quitan robustez al clasificador. 9.4.1.3 Clasificador por mxima probabilidad (maximum likelihood). Es un algoritmo paramtrico que, a diferencia de los anteriormente considerados (no paramtricos) asume alguna distribucin estadstica particular para las clases consideradas. El clasificador de mxima probabilidad es uno de los ms empleados en
Pgina 62 de 123

la clasificacin supervisada y utiliza un modelo probabilstico, comnmente la distribucin gaussiana para formular sus reglas de decisin en la categorizacin de los pixeles. Los parmetros necesarios para el modelo, como la media y la matriz de covariancia se obtienen de los datos de las reas de entrenamiento. Veamos los fundamentos de este clasificador. Supongamos que una imagen posee un total de M clases espectrales que representaremos como

Para determinar la clase a que pertenece un pixel en la posicin x, nos interesa fundamentalmente conocer las probabilidades condicionales

El vector posicin x es un vector columna de valores de brillo para el pixel. O sea que describe al pixel como un punto en un espacio multiespectral con coordenadas definidas por el brillo. El trmino p(Ci | x) da la probabilidad de que la clase correcta para un pixel en la posicin x sea Ci. La clasificacin se llevar a cabo segn la regla:

Nuestro problema es que los p(Ci | x ) en la [1] son desconocidos. Ahora bien, si tenemos suficientes datos de entrenamiento podremos estimar una distribucin de probabilidad p(x| Ci ) que describe la chance de de encontrar un pxel de una clase Ci en la posicin x. Obviamente habrn tantas p(x | Ci ) como cubiertas o clases terrestres presentes. Ms tarde veremos cul puede ser la forma de esta funcin de distribucin. Concretando, para un pixel en una posicin x en un espacio mutiespectral existir un conjunto de probabilidades relativas de que el pixel pertenezca a cada una de dichas clases. Esta probabilidad podremos estimarla a partir de los datos de entrenamiento. Tenemos ahora una probabilidad desconocida, p(Ci | x ), que es la que nos interesa, y una conocida p(x | Ci ) obtenible a partir de los datos de entrenamiento. Ambas estn relacionadas por el teorema de Bayes:

donde p(Ci) es la probabilidad de que la clase Ci est presente en la imagen. Si, por ejemplo 15% de los pixeles de una imagen pertenecen a la clase Ci entonces p(Ci) valdr 0.15. Esta probabilidad se denomina a priori pues debe ser estimada antes de la clasificacin. Esta estimacin usualmente es difcil de obtener, ya que el analista debe recurrir a fuentes externas como reconocimiento del terreno, mapas, datos histricos, etc. Por tal motivo en la mayora de los casos se asume que es la misma para todas las
Pgina 63 de 123

clases. En cuanto a p(x) es la probabilidad de encontrar un pixel de cualesquiera delas clases en la posicin x. Aunque para lo que sigue p(x) no va a ser importante podemos notar que

Basndonos en [2] podemos escribir la regla [1] como

En la [3] se elimin p(x) al ser factor comn. Por conveniencia matemtica definiremos funciones discriminantes g i(x) como

con lo cual podremos escribir la [3] como

Pasemos ahora a considerar la forma de la funcin de distribucin de probabilidad p(x| Ci ). Asumiremos para dicha funcin el modelo normal multivariado. En consecuencia, para un caso de N bandas espectrales puede demostrarse que:

Pgina 64 de 123

En la Fig. 73 se esquematiza el criterio de decisin en este mtodo.

Pgina 65 de 123

La proyeccin de superficies en campana sobre el plano espectral genera dispersogramas cuyos contornos de equiprobabilidad elipsoidales son los que se representan en la figura.

En las Figs. 74 a,b y c , a travs de la escena de un sector de forestacin se observan los resultados de un clasificador supervisado aplicando el mtodo de mxima probabilidad. En (a) se observa en una combinacin de color RGB 4,5,3 la imagen a clasificar. En (b) se indican, sobre la banda TM 3 las reas de entrenamiento. Dichas reas corresponden a eucaliptus, pinos y varias cubiertas de vegetacin natural y reas taladas o suelo descubierto. En (c) se observa la imagen clasificada a la cual se aplicaron algunas operaciones cosmticas de post clasificacin. En la Fig. 75 se observan los perfiles espectrales de las clases seleccionadas y en la Fig.76 un dispersograma en el plano espectral de las bandas TM 3 y 4. En los perfiles espectrales de la Fig. 75 las lneas verticales azul y roja indican la posicin de las bandas 3 y 4. Las porciones de espectros comprendidas entre las dos lneas mencionadas pueden servir para interpretar la posicin de los clsteres en el diagrama de dispersin. Particularmente obsrvese que los espectros de las clases C4 y C5 son muy similares entre s, lo que hace que a los menos en el dispersograma de las bandas TM3 -TM4 no exista una buena discriminacin entre los clsteres de dichas clases.

Pgina 66 de 123

Pgina 67 de 123

9.3.2 Clasificacin no supervisada. Como ya hemos mencionado, el mtodo no supervisado crea agrupamientos espectrales o clusters y el analista debe intentar asociar una clase temtica a cada uno de dichos grupos. Se han propuesto numerosos algoritmos para crear estos clusters. Como ejemplo nosotros nos referiremos al conocido como ISODATA (Iterative Self-Organizing Data Analysis Technique). Se trata de un mtodo iterativo que requiere relativamente poca intervencin humana, siendo usual que el analista deba especificar: Nmero mximo de clusters que el algoritmo debe identificar (p.ej 10, 20 o ms segn el caso) Mximo porcentaje de pixels cuyos valores se permite permanezcan incambiados entre iteraciones. Cuando se alcanza dicho nmero el algoritmo se detiene. Mximo numero de iteraciones. Cuando se alcanza dicho nmero el algoritmo se detiene. Nmero mnimo de miembros en un cluster. Si un cluster contiene menos de dicho mnimo es eliminado y los miembros son asignados a un cluster alternativo. Mxima desviacin standard. Cuando la desviacin standard para un cluster excede el mximo especificado y el nmero de miembros que contiene es ms que el doble del mnimo especificado, el cluster se divide en otros dos clusters. Suele tambin fijarse valores mnimos para las distancias entre los centros de los clusters. Cuando la distancia resulta inferior a dichos valores los clusters se fusionan. Para ilustrar cmo procede el algoritmo ISODATA consideremos un caso bidimensional: un tpico diagrama de dispersin entre bandas 3 (rojo) y 4 (infrarrojo cercano) del LANDSAT. La forma de la nube de puntos responde a la ya mencionada baja correlacin entre dichas bandas. Para definir la regin en el espacio de dispersin utilizaremos la media, k yla desviacin standard sk de las bandas consideradas. Consideremos un caso hipottico de 5 vectores. Los 5 vectores se distribuirn desde la ubicacin 3-s3, 4-s4 hasta 3+ s3, 4+ s4 y constituyen los centros de los clusters iniciales. Se crea as el paraleleppedo de la Fig. 77(a) que no cubre completamente la nube de puntos del diagrama de dispersin. En la primera iteracin cada pixel de la base de datos se compara con la media de cada cluster y se asigna a aqul cuya distancia euclidiana al pixel es menor. Luego de esta primera iteracin se calcula una nueva media para cada cluster. El proceso iterativo se repite nuevamente para cada pixel tomando ahora como referencia las medias de los nuevos clusters. El proceso se contina hasta que se cumple alguna de las condicionantes planteadas al comienzo: se alcanza el umbral de cambios estipulado o se alcanza el mximo nmero de iteraciones establecido. Veamos ahora un caso sencillo de aplicacin, para lo cual podemos volver a utilizar la imagen la Fig. 78 que ya utilizamos en el caso de aplicacin del mtodo de mxima probabilidad en la clasificacin supervisada. En este caso, sin embargo, no definiremos
Pgina 68 de 123

reas de entrenamiento sino que aplicaremos el mdulo ISODATA del software ENVI. Nuestra especificacin fue la siguiente: 10 clusters, mximo 20 iteraciones, umbral de cambio: 5%, mxima desviacin standard por clase:1, distancia mnima entre medias de las clases: 3 (DN), mximo nmero de pares de clases a fusionarse: 2. El resultado se ve en la Fig. 79 donde se han indicado la clases identificadas como eucaliptus 1 (C.1), eucaliptus 2 (C.2), pinos (C.3), 2 clases de vegetacin natural (C.4,5) y reas taladas o totalmente descubiertas (C 6).

Pgina 69 de 123

ESTIMACION DE LA EXACTITUD DE UNA CLASIFICACION - MATRIZ DE CONFUSION

9.3.3 Estimacin de la exactitud de una clasificacin: Matriz de confusin. En un sentido estricto ninguna clasificacin puede considerarse completa hasta que su grado de exactitud sea evaluado. Este puede definirse como el grado de concordancia entre las clases asignadas por el clasificador y sus ubicaciones correctas segn datos de tierra recolectados por el usuario y considerados como datos de referencia. Al tomar como referencia el conjunto de datos de entrenamiento, aunque obviamente este procedimiento conduce a sobreestimar la exactitud de la clasificacin. Este procedimiento constituira en realidad slo una evaluacin de la calidad de seleccin de las reas de entrenamiento. Tambin podra recurrirse a una validacin cruzada basada en comparaciones con los resultados de otros clasificadores.

Pgina 70 de 123

El instrumento ms usual para evaluar la exactitud de una clasificacin es la matriz de confusin, tambin llamada matriz de error o de contingencia. Esta es una matriz cuadrada de n x n, donde n es el nmero de clases. Dicha matriz muestra la relacin entre dos series de medidas correspondientes al rea en estudio. La primera serie corresponde a datos de referencia adquiridos de observaciones de campo, inspeccin de estadsticas agrcolas, interpretacin de fotos areas y otras fuentes similares. La segunda corresponde a la categorizacin de los pixeles realizada por el clasificador para las clases de inters. En una matriz de confusin las columnas corresponden a los datos de referencia, mientras que las filas corresponden a las asignaciones del clasificador. A partir de una matriz de confusin pueden deducirse varios ndices relativos a la exactitud de la clasificacin. Para definir y comentar dichos ndices calcularemos, computadora y software mediante, la matriz de confusin para la escena LANDSAT de la Fig.80 a. Dicha escena corresponde a un rea pequea al norte de la ciudad de San Pedro, Jujuy, Rep. Arg. registrada en noviembre de 2005. Clasificamos la imagen por el mtodo supervisado utilizando el algoritmo de las mnimas distancias. Las reas de entrenamiento para coberturas terrestres de inters las definimos en base al examen de las combinaciones RGB color natural y falso infrarrojo apoyados por el anlisis de los perfiles espectrales. Las reas de entrenamiento corresponden a las siguientes regiones: 1. Forestacin 2. Cerros sin vegetacin 3. Cultivos 4. Areas no cultivadas Puesto que no tenamos suficiente informacin terrestre para ser empleada como referencia en la evaluacin de la exactitud de dicha clasificacin, efectuamos paralelamente una clasificacin supervisada utilizando el algoritmo de mxima probabilidad y declarndola (a efectos del presente ejercicio) nuestra fuente de datos de referencia, es decir nuestra verdad terrestre. Las imgenes clasificadas por ambos mtodos se presentan en las Figs. 80 b y c. Calculada la matriz los resultados se exponen en la Fig. 81.

Pgina 71 de 123

Fig. 81 Tabla de valores de la matriz de confusin Pgina 72 de 123

Tenemos dos versiones equivalentes de la matriz: una cuyas entradas se expresan en pixeles y otra en que se expresan como porcentajes. Obsrvese que adems de las cuatro clasesde inters se introduce una columna y fila correspondiente a los pixeles que no pudieron ser clasificados. Los elementos en rojo de la diagonal indican los pixeles que fueron correctamente clasificados. Todos los elementos fuera de la diagonal indican errores de omisin o de comisin. Los errores de omisin corresponden a los elementos no diagonales de las columnas (ej.: un total de 4105 pixeles que debieran haber sido clasificados como forestacin se asignaron a varias otras clases). Los errores de comisin corresponden a los elementos no diagonales de las filas (ej.: 2440 pixeles no clasificados, 8 de forestacin, 993 de cerros sin vegetacin y 630 de cultivos se incluyeronerrneamente en la clase reas no cultivadas. A partir de la matriz de confusin podemos calcular varias otras medidas de inters desde el punto de vista de la exactitud: Exactitud global (overall accuracy). Se calcula dividiendo el nmero total de pixeles correctamente clasificados por el nmero total de pixeles de referencia y expresndolo como porcentaje. En nuestro caso, (131261 / 160000)*100 = 82.0381%

Este ndice es global y no nos indica cmo la exactitud se reparte entre las diversas categoras individuales. Muchas veces las categoras individuales presentan exactitudes drsticamente diferentes pero se combinan de modo que esto no se refleja en la exactitud global. Examinando la matriz de confusin vemos que podemos utilizar dos mtodos para evaluar la exactitud de las categoras individuales:
Pgina 73 de 123

Exactitud del usuario (users accuracy). Se calcula dividiendo el nmero de pixeles correctamente clasificados en cada categora por el nmero total de pixeles que fueron clasificados en dicha categora (total de la fila). Como ejemplo en nuestro caso tenemos para la forestacin (9476 / 14280)*100 = 66.36% Se justifica este ndice en el sentido de que el usuario est especialmente interesado en el porcentaje de cada clase que ha sido correctamente clasificado. Exactitud de productor (producers accuracy). Resulta de dividir el nmero de pixeles correctamente clasificados en cada categora por el nmero de pixeles de referencia utilizados para dicha categora (total de la columna). En nuestro caso tendremos para la categora forestacin, (9476 / 13581)*100 = 69.77% El productor est ms interesado en este ndice pues le dice cuan bien los pixeles de referencia han sido clasificados.

Las medidas de exactitud que acabamos de considerar, aunque simples de usar estn basadas sea en la diagonal principal, sea en las filas y columnas de la matriz de confusin solamente. Estas medidas no aprovechan la informacin contenida en dicha matriz considerada en conjunto. Ms an, puede ocurrir que una distribucin totalmente aleatoria de los pixeles en las clases pueda conducir a resultados aparentemente correctos en la matriz de confusin. Buscando superar estos inconvenientes se ha propuesto un ndice denominado coeficiente kappa. Este estadstico es una medida de la diferencia entre la exactitud lograda en la clasificacin con un clasificador automtico y la chance de lograr una clasificacin correcta con un clasificador aleatorio. La definicin conceptual del coeficiente kappa es la siguiente:

Pgina 74 de 123

OTROS METODOS DE CLASIFICACION

9.3.4 Otros mtodos de clasificacin. En las secciones anteriores hemos considerado algunos de los mtodos ms usuales de clasificacin y que podramos llamar clsicos. Existen sin embargo muchos otros mtodos, tanto paramtricos (es decir que asumen alguna clase particular de distribucin estadstica, usualmente la distribucin normal) como no paramtricos (es decir que no hacen suposiciones acerca de la distribucin de probabilidad de los datos que procesan). Aunque el alcance de este trabajo no nos permite referirnos a todos ellos, nos referiremos brevemente a dos de ellos, ambos no paramtricos: los neuronales y los difusos, que son ejemplos de aplicacin de mtodos de inteligencia artificial. 9.3.4.1. Clasificador de red neuronal artificial. Desde un punto de vista operacional nuestro cerebro est constituido de un enorme nmero, del orden de 100 billones, de unidades procesadoras simples llamadas neuronas. Cada neurona est interconectada a aproximadamente 10000 otras neuronas. (V. Fig.82)

Pgina 75 de 123

Estas conexiones son complejas, y cada neurona recibe como entrada los resultados producidos por otras neuronas y a su vez enva sus seales a otras neuronas. El cerebro puede pues ser descrito en trminos de un conjunto de redes de neuronas que realizan, por mecanismos no bien comprendidos, funciones especficas como las de la visin, el olfato, etc. Se trata de una red neuronal biolgica. Las redes neuronales artificiales (Artificial Neural Networks ANN) intentan de una manera muy simple simular el trabajo del cerebro. Para ello crean una red de unidades procesadoras interconectadas (neuronas artificiales), cada una de las cuales es una simple computadora que recibe seales ponderadas provenientes de otras neuronas, las suma, realiza una operacin sencilla sobre dicha suma y el resultado lo enva a otras neuronas. En las Figs. 83 a, b y c representamos un ejemplo de una red neuronal bsica y su modo operativo.

Pgina 76 de 123

Esta red tiene tres capas de neuronas: la capa de entrada (input layer) es simplemente una interfase que no realiza ningn procesamiento. Las capas media (hidden layer) y de salida (output layer)contienen los elementos procesadores de cada nodo de la red. En esta red hay una sola capa media, pero podran haber ms. En un caso simple de clasificacin la informacin de entrada seran los vectores multiespectrales de los pixeles de entrenamiento, una banda por nodo. En cada nodo de la capa media se produce una sumatoria y una transformacin como se representa en la Fig.83.(b). Para cada nodo j de la capa media llega una entrada pi ponderada sobre la cual se efectan las siguientes operaciones:

hj es la salida del nodo j, y es dirigida a cada nodo de salida k. La salida de ste, ok, vendr dada por las operaciones

La funcin de transformacin ms usual es la sigmoidal, y se denomina funcin de activacin

Pgina 77 de 123

que se representa grficamente en la Fig. 83.(c).

CLASIFICACION DE REDES NEURONALES ARTIFICIALES

Esta red tiene la capacidad de aprender ajustando los pesos de sus conexiones en un proceso iterativo de entrenamiento con patrones de referencia. Para esto utiliza un algoritmo de retropropagacin del error (back propagation). Este es un algoritmo iterativo degradiente descendente que propaga el error hacia atrs en la red generando el reajuste de pesos y minimizando el error de salida respecto al patrn de referencia. Desde el punto de vista computacional una red neuronal puede se considerada como un algoritmo abierto, o programa incompleto, en el sentido de que ciertos parmetros numricos, los pesos, no son especificados por el programador. Dichos pesos son calculados durante la fase de entrenamiento. Esta requiere ciertos datos, los conjuntos de datos de entrenamiento, y otro programa, el algoritmo de aprendizaje. La razn por la que los pesos no pueden ser especificados es porque usualmente no disponemos de una clave como la relacin causa efecto, es decir, cmo los diferentes valores de los pesos afectan el proceso computacional de la red. Esta situacin resulta de la esencia misma de las redes neuronales, que son bsicamente cajas negras cuyo comportamiento es en gran parte impredecible. En efecto, el usuario puede seleccionar la arquitecturade la red, el nmero y tipo de neuronas, la manera como estn interconectadas, etc. Sin embargo no podr establecer, ni siquiera intentar adivinar, los pesos. Estos slo podrn ser establecidos en el proceso de aprendizaje. Entre las ventajas de las redes neuronales artificiales citemos la de poder aceptar todo tipo de entradas numricas, respondan o no a alguna distribucin estadstica. Esto hace que datos provenientes de percepcin remota pueden ser adicionados de datos de otro origen. Esta caracterstica es muy til en el caso de un SIG (Sistema de Informacin Geogrfica) ya que diferentes tipos de datos espaciales pueden ser usados simultneamente para mejorar el desempeo del clasificador. Por otra parte, al estar constituidas por varias capas de neuronas conectadas por enlaces ponderados son tolerantes al ruido existente en los patrones de entrenamiento: el resultado final podra no verse afectado por la prdida de una o dos neuronas como resultado del ruido en aquellos.

Entre sus desventajas citemos la duracin de los tiempos de entrenamiento. Adems, el algoritmo de gradiente descendente puede alcanzar mnimos locales (es decir un mnimo en la funcin que relaciona los pesos con el error) ms que un mnimo global. Tambin puede oscilar. Otro problema es que los valores de pesos que se aplican inicialmente y que suelen ser valores pequeos y aleatorios influyen en los resultados pudiendo hacer que la red converja hacia diferentes mnimos locales, con lo cual son de esperar diferentes exactitudes de clasificacin. Como ejemplo de aplicacin utilizaremos la misma imagen de la Fig. 78 (forestacin en Paysand)que hemos utilizado para aplicar el mtodo supervisado de alta probabilidad y el ISODATA. Como datos de entrenamiento utilizamos regiones de inters similares a las
Pgina 78 de 123

seleccionadas en los casos anteriores. Para la clasificacin se utiliz una red neuronal de dos capas ocultas y 2000 iteraciones. En las Figs 84 (a) y (b) se observan la imagen original y la clasificada. En la Fig.85 la grfica muestra la evolucin del proceso iterativo.

CLASIFICADORES DIFUSOS (FUZZY CLASSIFIERS)

9.3.4.2 Clasificadores difusos (fuzzy classifiers). Las tcnicas de clasificacin que hasta ahora hemos descrito conducen a que cada pixel individual reciba una categorizacin nica y precisa. En tal sentido se trata de clasificadores duros. Esta situacin es aceptable en percepcin remota cuando el analista se encuentra con extensiones importantes de coberturas terrestres relativamente uniformes, como extensas reas agrcolas, grandes cuerpos de agua claros y profundos, etc. En muchos casos, sin embargo, se examinan reas heterogneas donde incluso con resoluciones medias de 30 m como la del Landsat no se puede asegurar que un dado pixel contenga una sola clase de cobertura (un problema de esta naturaleza lo encaramos en la Sec. 8 cuando nos referimos al anlisis subpixel). Es obvio pues que en ciertos casos la aplicacin de clasificadores duros va a deteriorar la exactitud de una clasificacin. Obsrvese el siguiente ejemplo. Dos clusters, como los representados en la Fig. 86(a)
Pgina 79 de 123

pueden ser errneamente particionados por un ISODATA duro cuyo resultado se representa en la Fig.86(b).

Conceptos derivados de la Lgica Difusa (Fuzzy Logic), una disciplina relativamente joven, nos ayudarn a enfrentar el problema. Surgen as los conceptos de conjuntos difusos, clasificadores blandos o difusos, grados de membresa, etc. Como caso tpico de esta metodologa consideremos un procedimiento que podemos llamar ISODATA difuso o blando. Este, en lugar de generar una particin dura admite que cada pixel puede pertenecer a todos los clusters pero con diferentes grados de membresa que van entre 0 y 1. Sea U la matriz de grado de membresa con n columnas, una por pixel, y p filas, una por cluster. El nmero de clusters es especificado por el usuario y los centros iniciales de los clusters son generados aleatoriamente o suministrados por el usuario:

Este algoritmo, como el ISODATA, es iterativo en la bsqueda de los centros o centroides de clsteres que minimizan la diferencia entre los elementos de U. El procedimiento comienza con una inicializacin aleatoria de U con la condicin dada por la [1] :

La distancia euclidiana de un pixel i a un centro j viene dada por la expresin usual:

Pgina 80 de 123

Los centros c de los clusters se calculan de acuerdo a:

10. ALGUNAS APLICACIONES DE LA PERCEPCION REMOTA Los avances tecnolgicos de las ltimas dcadas en el campo de la percepcin remota y de sus cada vez ms numerosas aplicaciones nos hacen desistir de intentar realizar acerca de stas una presentacin sistemtica y formal, sobre todo si queremos
Pgina 81 de 123

mantener el carcter introductorio de este trabajo. Ya en los captulos anteriores, al referirnos a diversos aspectos y procedimientos de la Percepcin Remota los hemos ilustrado con algunos ejemplos de aplicacin a casos de monitoreo de recursos terrestres. Para este captulo final hemos elegido algunos temas de aplicacin puntuales que creemos pueden ser de especial inters para quienes nos han acompaado hasta aqu. Estos temas son: Aplicaciones en agricultura. Temperaturas terrestres y marinas. Monitoreo de reas de desastre. Esta seleccin no pretende restar importancia a aplicaciones como urbanismo, geologa y mineraloga, hidrologa, estudios climticos y atmosfricos, etc. 10.1 Aplicaciones en Agricultura. La percepcin remota se ha convertido en una importante fuente de informacin en el manejo de la produccin agrcola, no slo a escalas locales sino a nivel global, particularmente para aquellas regiones en que el suministro de alimentos suele pasar por perodos crticos. En estas aplicaciones la percepcin remota es particularmente empleada para la identificacin de cultivos as como analizar el estado de stos, jugando para ello un papel primordial las caractersticas espectrales de las principales coberturas terrestres a que ya nos hemos referido en el Captulo 4 del presente trabajo. Indices de vegetacin. Vamos a referirnos a ciertas operaciones algebraicas efectuadas sobre los valores numricos de los pixeles correspondientes sobre dos o ms bandas pertenecientes a la misma escena. Entre las ms importantes figuran las que conducen a evaluar los ndices de vegetacin. Un ndice de vegetacin es un nmero generado por alguna combinacin de bandas espectrales y que puede tener alguna relacin con la cantidad de la vegetacin presente en un dado pxel de la imagen El ms conocido es el Indice Diferencial de Vegetacin Normalizado (NDVI Normalized Difference Vegetation Index)

Valores muy bajos de NDVI, del orden de 0.1, corresponden a reas rocosas, arenosas o nevadas. Valores de 0.2 a 0.3 pueden corresponder a reas pobres con arbustos o pasturas naturales. A partir de estos valores tendremos los niveles correspondientes apraderas, cultivos, forestaciones etc. dependiendo el valor alcanzado, que puede llegar hasta 0.6 y 0.8, del estado de desarrollo y sanidad de tales reas.
Pgina 82 de 123

Es obvio, de acuerdo a lo expuesto en el Cap. 4, que el fundamento de la definicin del NDVI radica en las caractersticas del espectro de los vegetales. En efecto, ya vimos (Fig. 11, pg. 9) que la radiacin reflejada por una hoja en la regin visible depende fundamentalmente de la radiacin absorbida por los pigmentos de la hoja, mientras que en el infrarrojo cercano, en la regin de 0.7 a 1.3 m, depende de la estructura interna de la hoja. Para valores mayores de 1.3 m aparecen mnimos de reflectancia a 1.4, 1.9 y 2.7 m. El stress vegetal suele manifestarse cuando por efecto de factores como sequa, enfermedades, infeccin por plagas, etc., la hoja ve reducido su contenido de agua. Esto produce el colapso de las clulas del mesodermo inferior (Fig. 12, pg.9), lo cual reduce la reflectancia en el IR cercano, constituyendo un sntoma previsual de stress ya que suele manifestarse das e incluso semanas antes de que comiencen a apreciarse cambios visualmente o a travs de la fotografa color convencional. El espectro vegetal de la Fig. 11 posee el aspecto tpico del obtenido con un espectrmetro de laboratorio o bien con un sensor hiperespectral. Como los satlites ms usuales actualmente son slo multiespectrales no nos pueden suministrar una curva espectral con la alta resolucin de un espectrmetro o un sensor hiperespectral. Sin embargo, con sus datos, por ejemplo con las 6 bandas visibles e infrarrojas del Landsat, podemos construir un espectro grosero como el de la Fig.87 que de algn modo refleja las caractersticas del espectro de laboratorio y que nos puede brindar mucha informacin acerca del estado de un cultivo, de una forestacin, etc. La curva a corresponde a pleno vigor vegetativo, la b representa una etapa ms prxima a la maduracin y la c marca ya un estado de senescencia. Obsrvese el quiebre de las curvas a aprox. 1.6m, que es un reflejo del contenido de agua de la hoja y permite diferenciar claramente por el cambio de concavidad de la curva la transicin a un estado de stress. Si se consideran los valores relativos de las reflectancias en el rojo y en el infrarrojo cercano para cada banda se comprende que ocurrir un notorio decrecimiento del NDVI al pasar de la banda a a la c

Algunos ejemplos de aplicacin del NDVI Seguimiento de una sequa.

Pgina 83 de 123

Durante los meses de noviembre de 1999 a marzo de 2000 se produjo en Uruguay una intensa sequa. Esta fue seguida desde nuestra estacin de rastreo de El Pinar a travs de imgenes NOAA de 1 km de resolucin y calculando los ndices de vegetacin. Las imgenes obtenidas se representa en la secuencia de la Fig. 88 Seguimiento de cultivos Las Figs. 89 a 91 de la pg. 82 muestran una secuencia de imgenes temporales de algunas arroceras a lo largo de un pequeo sector del Ro Cuareim cerca y al NNW de la ciudad de Artigas. Las imgenes cubren aproximadamente 14 km x 14 km y fueron extradas de una imagen Landsat standard de 185 km x 185 km. Junto a cada imagen se muestra la foto del estado de desarrollo de una pequea arrocera cuya posicin se indica en la imagen (ensayo de La Escuela Agraria de Artigas). La Fig. 89, corresponde al 30-11-98, y la arrocera de referencia posee un NDVI de 0.1 0.2. Se observan otras reas (blancas) cuyos ndices son prcticamente cero y con menores desarrollo que la de referencia. En la Fig. 90 se muestra la situacin al 01-01-99 y puede observarse cmo el NDVI de la referencia ha aumentado a aprox. 0.7, observndose que algunas reas blancas han elevado su NDVI, algunas notoriamente. Obviamente se trata de otras arroceras en diferentes estados de evolucin. En la Fig. 91 el NDVI de referencia a aumentado a 0.8-0.9 y tambin otras arroceras han aumentado notoriamente sus ndices. Vemos cmo la percepcin remota ofrece la posibilidad de monitorear el estado de los cultivos y, estando las imgenes georreferenciadas tambin permitir calcular las reas cultivadas. Monitoreo a nivel global Los ejemplos anteriores son de carcter localizado. Sin embargo existen actualmente satlites como los de la serie NOAA y TERRA (Ver en la pgina 17 de este trabajo nuestros comentarios sobre Satlites Meteorolgicos y Agrometeorolgicos as como acerca de Los Nuevos Satlites Para la Observacin de la Tierra) que en el marco de programas de monitoreo permanente de la superficie terrestre como por ejemplo el programa EOS (Earth Observation System) de la NASA, suministran informacin permanente sobre cambios en las coberturas terrestres. Entre los productos que estos programas suministran se encuentra el NDVI a nivel global. Estos productos estn disponibles en Internet en resoluciones espaciales de 250m a 1 km por pixel. Uno de los sitios ms apropiados para bajarlos es el Earth Observing System Data Gateway. http://edcimswww.cr.usgs.gov./pub/imswelcome/

Pgina 84 de 123

Pgina 85 de 123

Pgina 86 de 123

INDICES N-DIMENSIONALES - TASSELED CAP

10.1.2 Indices N-dimensionales Tasseled Cap. Los ndices descritos anteriormente se basan en operaciones algebraicas realizadas sobre slo dos bandas espectrales, la R y la IRC en el caso del EVI se agrega la azul. Sin embargo, es obvio que las dems bandas espectrales tambin contienen informacin de inters en el estudio de las cubiertas vegetales, de vegetacin N-dimensionales. En la Sec. 9.2.3, pg. 46 del presente trabajo nos referimos al anlisis por Componentes Principales. Vimos que stos se obtenan a travs de una transformacin matemtica que permita comprimir toda la informacin contenida en un conjunto de N bandas espectrales a un conjunto menor de nuevas bandas o componentes. Una transformacin similar fue desarrollada por Kauth y Thomas pero pensada de modo que los nuevos ejes maximicen informacin de importancia en agricultura. Esta transformacin, llamada Tasseled Cap, permite resaltar los fenmenos ms importantes (espectralmente observables) que ocurren durante el desarrollo de un cultivo. Esta transformacin, aplicada a las seis bandas TM (excluida la trmica) del LANDSAT indica que la informacin de valor agronmico ocupa esencialmente tres dimensiones: 1. Brightness: est asociado a las variaciones de reflectancia del suelo 2. Greeness: est correlacionado con el vigor de la vegetacin 3. Third (o Wetness): est infludo por las bandas en el IR medio y tiene que ver con la humedad vegetal y del suelo. Las tres primeras dimensiones definen dos planos: el de vegetacin y el de suelos (Fig.93):

Pgina 87 de 123

En el plano de vegetacin podemos representar la evolucin estacional de un cultivo (Fig.94):

1: suelo sin cubierta vegetal o con siembra reciente 2: cultivo emergente 3: madurez, cosecha 4: suelo sin cubierta o con rastrojo El dispersograma de la imagen de un cultivo en el plano de vegetacin sera proximadamente el esquematizado en la Fig. 95:

Pgina 88 de 123

Su forma se parece al gorro de Santa Claus (gorro con borlas = tasseled cap): de ah el nombre de la transformacin. Pasando a un caso real, en las Figs. 96 a, b, c y d vemos: a: Un rea donde se observan tierras descubiertas, pasturas, areas de cultivos y montes. b y c: Las imgenes correspondientes a los ndices de Brightness y Greeness segn la transformacin del Tasseled Cap. d: El dispersograma de dichas imgenes. Figs.96 a,b,c y d

Veamos ahora otro ejemplo de aplicacin. Para ello volveremos a considerar el caso de la zona arrocera al norte de la ciudad de Artigas con la que recientemente ilustramos el seguimiento de un cultivo utilizando el NDVI aplicado a imgenes multitemporales. En las Fig. 97a aparece una imagen RGB color natural de dicha zona adquirida el 30/11/99 y en las Figs 97 b, c y d las imgenes de brightness, greeness y wetness obtenidas luego de aplicar la transformacin de tasseled cap. Con estas tres ltimas imgenes podemos realizar una combinacin RGB tal que R=brightness, G=greeness y B=wetness. Esta combinacin se representa en la Fig.98a. La Fig. 98b corresponde a
Pgina 89 de 123

una transformacin similar realizada para una imagen de la misma zona captada en la fecha 17/01/00.

En las Figs. 98, a y b, las reas rojizas corresponden a suelo, las verdes a vegetacin y las azules a zonas hmedas o agua. Las situaciones intermedias aparecen como balances entre dichos colores. En particular se puede observar el grado de inundacin de los arrozales, rojo oscuro o violceo (suelo y humedad) o azul (totalmente inundados). Comparando ambas imgenes puede detectarse en enero el aumento de tonalidades rojizas, indicando una reduccin de la cubierta de pasto y aparicin de suelo
Pgina 90 de 123

descubierto (el verano1999-2000 se caracteriz por una intensa sequa). En la zona de arrozales pueden observarse los cambios que en cuanto a grado de inundacin, comienzo de emergencia, etc., ocurrieron durante el perodo.
INDICES DE VEGETACION A PARTIR DE IMAGENES HIPERESPECTRALES

10.1.3 Indices de vegetacin a partir de imgenes hiperespectrales De los ndices de vegetacin bidimensionales (ej. NDVI) hemos pasado a los Ndimensionales (ej. Tasseled Cap, que utiliza 6 bandas del Landsat). Una extensin de estos ltimos lo constituyen los ndices obtenidos a partir de imgenes hiperespectrales, es decir, obtenidas con sensores de elevada resolucin espectral que permiten recoger informacin terrestre no en unas pocos canales espectrales, como el SPOT o el LANDSAT, sino en un gran nmero de ellos, pudiendo llegar a 200 o ms. Los espectros as obtenidos son comparables a los espectros obtenidos con los espectrmetros en el laboratorio. Originalmente los sensores hiperespectrales se montaron en plataformas areas, como el AVIRIS (airborne visible / infrared imaging spectrometer) de la NASA, puesto en servicio en 1989 y que posee 210 canales que operan entre 0.4 y 2.45 m con anchos de bandas de 10 nm. Un sensor de caractersticas similares (Hyperion) se encuentra a bordo del satlite EO-1 de la NASA, lanzado en noviembre del 2000. La Fig. 99 permite comparar la resolucin espectral de un espectro multiespectral (LANDSAT) y uno hiperespectral (EO-1 Hyperion) en el caso de una cubierta vegetal terrestre:

El potencial analtico que ofrecen las imgenes obtenidas con sensores hiperespectrales es obvio, y una de sus grandes posibilidades es el procesamiento en derivadas de las curvas espectrales, que permite reducir la influencia de interferencias.

Pgina 91 de 123

Veamos un ejemplo. En la Fig. 100 se esquematizan los espectros del suelo y del vegetal as como del espectro resultante de la adicin de ellos, que es el espectro que realmente registra el sensor del satlite.

Consideremos slo la regin espectral entre aproximadamente 0.625 y 0.770 um. En el intervalo elegido el espectro del suelo puede considerarse prcticamente lineal ( y = ax + b). La Fig 101 permite comprobar cmo la derivacin permite eliminar la influencia del suelo. Estas propiedades de las derivadas podemos aplicarlas a: 1. Al anlisis del borde rojo del espectro de los vegetales. Dicho borde corresponde al punto de inflexin que se produce entre el rojo y el IR cercano en el espectro de los vegetales verdes. Los desplazamientos de su posicin se han asociado a cambios fenolgicos y al stress vegetal. La posicin del borde rojo puede determinarse con precisin ubicando el mximo de la derivada primera del espectro. V. Fig. 102(a) 2. Calculo de un nuevo ndice de vegetacin: Supongamos que el sensor hiperespectral est recibiendo radiacin reflejada por un cultivo junto con la reflejada por el suelo de los surcos intermedios o reflejada por el suelo mismo debajo del follaje y que atraviesa nuevamente la cubierta vegetal en direccin al sensor. Esta situacin se represent grficamente en la Fig. 100. Se propuso emplear la integral de la derivada segunda como un ndice de vegetacin para eliminar la influencia del suelo (Fig. 102(b).

Pgina 92 de 123

Las consideraciones que anteceden permiten prever un amplio campo de investigacin en la evaluacin de las cubiertas vegetales basado en las posibilidades que nos abre la modalidad hiperespectral de las plataformas satelitales.
PERCEPCION REMOTA EN EL INFRARROJO TERMICO

10.2.1 Generalidades sobre el infrarrojo trmico (IRT). Todo objeto cuya temperatura se encuentre por encima del cero absoluto emite energa electromagntica en la regin infrarroja trmica (3 a 14 m) del espectro electromagntico. Si bien el ojo humano es insensible a dichas radiaciones existen, como ya hemos visto en el Captulo 7 de este trabajo, sensores capaces de detectarlas. Efectivamente, los sistemas de percepcin remota en el IRT son capaces de registrar imgenes trmicas que ofrecen incontables aplicaciones, fundamentalmente en el monitoreo de las superficies terrestres y ocenicas as como de fenmenos atmosfricos. Es una prctica usual medir la temperatura de un cuerpo mediante un termmetro que est en contacto o sumergido en dicho cuerpo. La magnitud as medida es la llamada temperatura cintica que constituye una manifestacin interna de la energa translacional asociada al movimiento aleatorio y colisiones de las molculas del cuerpo considerado. Esta energa interna puede convertirse en energa radiante y ser emitida como tal, hacindola accesible a las tcnicas de percepcin remota. Se puede medir as la temperatura radiante del objeto que est correlacionada, aunque no es exactamente igual, a la temperatura cintica. Efectivamente, aqulla es siempre algo ms baja que esta ltima debida a una propiedad trmica de los cuerpos que llamamos emisividad y que ms adelante consideraremos.asociada al movimiento aleatorio y colisiones de las molculas del cuerpo considerado. Esta energa interna puede convertirse en energa radiante y ser emitida como tal, hacindola accesible a las tcnicas de percepcin remota. Se puede medir as la temperatura radiante del objeto que est correlacionada, aunque no es exactamente igual, a la temperatura cintica. Efectivamente, aqulla es siempre algo
Pgina 93 de 123

ms baja que esta ltima debida a una propiedad trmica de los cuerpos que llamamos emisividad y que ms adelante consideraremos.

En la grfica de la Fig. 103 se representan las curvas de radiacin del cuerpo negro para distintas temperaturas

FILAMENTO DE TUNGSTENO
Pgina 94 de 123

La energa total W emitida por la superficie del cuerpo negro a una dada temperatura viene dada por el rea bajo la curva y matemticamente se describe por la ley de Stefan-Boltzmann:

Saliendo ahora del plano puramente terico diremos que en general los objetos terrestres no son emisores perfectos como el cuerpo negro, sino que a una dada temperatura emiten menos radiacin que el cuerpo negro a la misma temperatura. La fraccin que ellos emiten respecto al cuerpo negro es una medida de su emisividad (e). As por
Pgina 95 de 123

ejemplo, si a una dada temperatura y longitud de onda una superficie emite la mitad de la radiacin que emitira un cuerpo negro en las mismas condiciones su emisividad ser de 0.5. Ejemplos de emisividad para algunos materiales en la regin de 8-14 m:

De acuerdo a la definicin que dimos de emisividad sta podr variar entre 0 y 1, pero cabe aqu sealar que un cuerpo que posee una emisividad menor que 1 pero que permanece constante para todas las longitudes de onda se denomina cuerpo gris. Es decir que para este tipo de objeto a todas las longitudes de onda su emisividad es una fraccin constante de la del cuerpo negro. Si en cambio la emisividad del objeto vara con la longitud de onda se denominar radiador selectivo. La Fig. 105 permite comparar las curvas de emisin para el cuerpo negro, para un cuerpo gris y para un radiador selectivo.

El agua es por ejemplo un cuerpo gris, mientras que el cuarzo es un radiador selectivo.
APLICACIONES DEL INFRARROJO TERMICO

10.2.2 Aplicaciones La medida de temperatura desde plataformas orbitales constituye un parmetro de fundamental importancia en la estimacin de diversas variables de inters terrestre y ocenico. La tradicional medida de temperaturas mediante termmetros o termistores por contacto est obviamente asociada a elevados costos
Pgina 96 de 123

operacionales y dificultades cuando dichas medidas pretenden cubrir extensas reas geogrficas.

La gran solucin a este problema la constituyen las mediciones desde satlites con sensores que operan en la regin del IRT. Existe actualmente muchos satlites con tales sensores, pero aqu nos limitaremos a citar como ejemplos los de la serie NOAA (National Oceanic and Atmospheric Administration USA) y los satlites TERRA y AQUA del sistema EOS de la NASA con su instrumento MODIS. Refirindonos en particular a la serie NOAA, diremos que es una familia de satlites solar- sincrnicos que orbita a 833 km de altitud. Su sensor AVHRR (Advanced High Resolution Radiometer) ha sido tal vez el ms ampliamente utilizado para las medidas de temperatura. Posee cinco canales: uno en el visible (0.63 m ), uno en el IR cercano (0.91 m), uno en el lmite IR cercano/trmico (3.7 m) y dos en el IRT (10.8 m y 12 m). Este sensor posee una resolucin espacial de 1.1 km y un ancho de barrido de 2400 km. Los satlites en actividad de esta serie son NOAA-12, 14, 15, 16, 17 y 18. Debe tenerse en cuenta que pese a su gran eficiencia para medir temperaturas sobre grandes extensiones geogrficas sus mediciones no estn libres de dificultades, particularmente por la accin combinada de perturbaciones debidas a la emisividad del terreno y el efecto atmosfrico. La perturbacin atmosfrica es debida fundamentalmente a la absorcin y emisin de radiacin trmica por parte del contenido de vapor de agua atmosfrico, mientras que el efecto de emisividad se debe a la heterogeneidad de los elementos presentes en la superficie terrestre. En consecuencia, una adecuada estimacin de temperatura desde plataformas satelitales requerir corregir los defectos indicados. Dentro de las tcnicas disponibles para estas correcciones se destaca el mtodo conocido como de Ventana Dividida o Split Window que combina los datos obtenidossimultneamente por dos canales espectrales en la misma ventana de transmisin atmosfrica. Se basa en el hecho de que la atenuacin atmosfrica que experimenta la radiacin emitida por la superficie terrestre es proporcional a la diferencia de las correspondientes medidas efectuadas desde satlite y realizadas simultneamente desde dos canales trmicos distintos. En tal sentido se han propuesto algoritmos para estimar la temperatura de superficies terrestres y ocenicas basndose en los canales AVHRR 4 y 5 que aprovecha el efecto diferencial de la atmsfera sobre la seal radiomtrica en la regin de la ventana atmosfrica en la que operan estos canales. La forma bsica del algoritmo de ventana dividida para los canales AVHRR 4 y 5 es la siguiente:

Donde a y b son constantes que pueden ser estimadas a travs de modelos de simulacin o por correlacin con observaciones terrestres. La medida de temperatura es un buen indicador para el monitoreo del balance
Pgina 97 de 123

energtico en la superficie terrestre y sirve como indicador del efecto invernadero. Esto la hace esencial para variados estudios de naturaleza climtica, hidrolgica, ecolgica y biogeoqumica. 10.2.2.1 Temperatura del mar. Consideremos algo ms en detalle las medidas de temperaturas marinas. Debe tenerse en cuenta que como las radiaciones infrarrojas trmicas son intensamente absorbidas por el agua las medidas de temperatura que se obtienen corresponden a una capa superficial de pocos milmetros de espesor (temperatura de piel) y van a ser algo inferiores a la de aguas ms profundas. Sin embargo, como a travs de esa pielocurren importantes procesos de intercambio trmico entre el mar y la atmsfera, estas medidas de temperatura son de fundamental importancia para estudios climticos a nivel global. Citemos como tpico ejemplo de monitoreo de una anomala trmica el fenmeno de El Nio. Este consiste en un conjunto de alteraciones que tienen lugar en el Pacfico oriental a intervalos de tiempo irregulares, por lo general de cuatro a siete aos. Su origen se atribuye a procesos complejos de interaccin ocano-atmsfera, algunos anpoco comprendidos, y con efectos desastrosos a nivel global. En la Fig. 106 se representan un mapa de la NOAA, generado a travs de datos satelitales, de las anomalas trmicas en el Pacfico en Setiembre de 1997, temporada en que el fenmeno de El Nio se haba presentado con especial intensidad y haba alcanzado ya su madurez

En la Fig. 107 se indican los eventos climticos que indujo en el globo, incluso a distancias muy grandes como en la India.

Pgina 98 de 123

Las observaciones de temperatura superficial del mar son obviamente muy importantes para los oceangrafos puesto que permiten el anlisis espacial y temporal de las corrientes ocenicas as como de sus variaciones. Incluso facilitan el pronstico de desastres climticos como los inducidos por la corriente de El Nio. Si pasamos ahora del nivel global al local veamos como ejemplo una imagen NOAA de temperaturas del mar en las cercanas del Ro de la Plata y regiones costeras adyacentes. (Fig.108):

La imagen fue registrada a principios de febrero y las temperaturas son relativamente elevadas. Son fciles de distinguir los frentes de confluencia entre aguas de distintas temperaturas (corriente de las Malvinas-corriente del Brasil). En estos frentes se producen importantes gradientes de temperatura, como el que se produce a lo largo de la lnea P y se registra en la grfica de la Fig. 109.
Pgina 99 de 123

Estos afloramientos de aguas profundas ms fras rodeadas de reas ms calientes son lugares de intensa creacin de biomasa (plancton) y ellas inducen la concentracin de peces. Una comprobacin grfica de esto lo constituye la Fig. 110. Esta es una imagen adquirida por el satlite Sea Star de la NASA de la costa patagnica donde se observa claramente la pennsula de Valds. Es una imagen registrada en el rango espectral visible y permite visualizar el color del mar. Una lnea de color ms claro marca la convergencia de las corrientes de las Malvinas y de Brasil. Al oeste de esta lnea los colores verdosos indican afloramiento de fitoplancton sobre las agua ms fras de la corriente de las Malvinas. Al este de la lnea de convergencia los colores azules ms profundos indican la ausencia de fitoplancton. Las medidas de temperatura en el IRT ofrecen as un mtodo para orientar a los buques pesqueros ms directamente a las reas propicias de captura, reduciendo su consumo de combustible y aumentando su eficiencia en masa y tiempo de captura.

10.2.2.2. Temperatura terrestre. La temperatura terrestre es un buen indicador del balance energtico y del efecto invernadero, puesto que constituye uno de los
Pgina 100 de 123

parmetros clave en la fsica de los procesos que ocurren en la superficie de la Tierra tanto a nivel local como global. Combina los resultados de las interacciones superficieatmsfera y de los flujos energticos entre la atmsfera y el suelo. Por tal motivo su medida es necesaria para variados estudios climticos, hidrolgicos, ecolgicos y biogeoqumicos. Su importancia en agricultura radica en que la temperatura del suelo y del follaje es uno de los factores determinantes del crecimiento vegetal y gobierna el inicio y terminacin de los procesos estacionales de los vegetales. Como en el caso de las medidas marinas en las terrestres existen abundantes bases de datos de temperatura a nivel global obtenidos a travs de los sensores AVHRR y MODIS, aunque tambin se obtiene informacin de esta naturaleza a travs de satlites geoestacionarios (ej. serie GOES). Como en el caso de la medida de temperatura del mar tambin aqu se recurre a algoritmos de clculo, por ejemplo del tipo de ventana dividida o splitwindow para procesar los datos de infrarrojo trmico. Pasemos ahora a considerar algunos ejemplos ms concretos de aplicacin de medidas de temperatura. Uno de ellos, cada vez ms importante cuando se asocia a los cambios climticos globales que afectan nuestro planeta es el monitoreo de incendios. Los incendios de diferentes tipos de biomasa como forestaciones, malezas, residuos agrcolas, etc. juegan un importante rol en los cambios climticos emitiendo a la atmsfera gases de invernadero y aerosoles y afectando seriamente la biodiversidad de los ecosistemas. La informacin satelital en la prevencin y monitoreo de incendios, particularmente en reas extensas o en territorios de difcil acceso resulta sumamente valiosa. Un sensor como AVHRR o MODIS no slo puede detectar incendios cuando ya estn declarados a travs de la visualizacin de sus plumas de humo (V. Fig.111 Incendios de campo en Paraguay)) sino que puede hacerlo a travs de la deteccin de anomalas trmicas o puntos calientes antes de que los efectos visuales se manifiesten notoriamente.

Esta capacidad Fig 111 de deteccin es mayor en las observaciones infrarrojas nocturnas, ya que durante el da, particularmente en climas clidos, pueden confundirse
Pgina 101 de 123

fuegos activos con superficies arenosas o asflticas muy calientes. Existen sistemas satelitales de monitoreo de incendios a nivel global. El FIRMS (Fire Information for Resource Management System) por ejemplo genera un mapa de puntos calientes/incendios casi en tiempo real accesible por Internet. El FIRMS, operado por la NASA y la Univ. de Maryland se basa en el sistema de respuesta rpida de MODIS (http://rapidfire.sci.nasa.gov/status/). En la Fig.112 se observa un mapa del sistema de Respuesta rpida de MODIS (Julio de 2006) donde se observan puntos calientes y/o incendios en Uruguay, Paraguay y parte de la Argentina. Nuevamente se observa una gran densidad de puntos calientes en Paraguay, correspondientes a incendios de campo como los registrados en la Fig. 111.

Hasta aqu las aplicaciones de deteccin de incendios que mencionamos se han basado en sensores de baja resolucin espacial. El siguiente caso se refiere a imgenes captadas por el LANDSAT TM en un incendio registrado en el Parque Nacional de Yellowstone (USA) en Julio de 1988 (Fig.113). Esta imagen color natural se ve obviamente afectada por el efecto dispersivo del humo y otros componentes atmosfricos, como era de esperarse tratndose de bandas de longitudes de onda relativamente cortas.

Pgina 102 de 123

Si, en cambio consideramos las bandas infrarrojas TM 4, 5 y 7 (Fig.114), esta ltima justamente en el lmite entre el infrarrojo medio y el trmico, es decir si consideramos una combinacin RGB 754, vemos cmo el efecto del humo desaparece y se observan detalles de los frentes de ignicin. Aunque las bandas que hemos utilizado son sensibles a la radiacin solar reflejada, las zonas en combustin estn suficientemente calientes como para emitir energa a dichas longitudes de onda. Esto se comprende fcilmente observando las curvas de la Fig. 115, que muestras las bandas espectrales TM superpuestas a las curvas de emisin radiante a diversas temperaturas

Para completar estas breves consideraciones acerca de la aplicacin de las medidas de temperatura a partir de datos satelitales nos referiremos a un caso en que el objetivo no era la deteccin de puntos calientes sino por el contrario el seguimiento de heladas. Durante el invierno del ao 2000 se produjeron temperaturas muy bajas al sur de Brasil (estados de Paran, San Pablo, Minas Geraes). Las temperaturas de 4oC y menores llegan a ser letales para los cafetales y se encomend a nuestra estacin de El Pinar, Depto. de Canelones, efectuar un seguimiento de las temperaturas nocturnas de la
Pgina 103 de 123

regin, ya que las madrugadas son ms propensas a alcanzar dichos mnimos. El seguimiento se efectu mediante las bandas trmicas de los satlites NOAA 12 y 14 y fueron captadas por un sistema AVHRR HRPT (High Resolution Picture Transmission). En la Fig. 116 se presenta un tpico mapa de temperaturas de los obtenidos durante el monitoreo.

Los contornos verdes marcan la posicin de las principales reas cafetaleras. Puede observarse que en varias zonas de stas las temperaturas alcanzadas permiten pronosticar deterioros irreversibles en las plantaciones.
MONITOREO DE AREAS DE DESASTRE

10.3 Monitoreo de reas de desastre. Las imgenes satelitales constituyen una valiosa herramienta para acceder rpidamente a aquellas reas sometidas a desastres ecolgicos. Su amplia rea de cobertura, su facilidad para visualizar rpidamente y evaluar la situacin de aquellos lugares donde las mismas consecuencias del desastre impiden o dificultan otros tipos de aproximacin son factores fundamentales en el manejo de las acciones de recuperacin posteriores al evento. Incluso en muchos casos la informacin satelital permite emitir alertas previos al evento: en efecto, muchos tipos de desastres, como inundaciones, sequas, huracanes, erupciones volcnicas, etc. poseen seales precursoras que un satlite pude detectar. El alerta temprano permite reducir los riesgos potenciales y planificar las acciones a tomar durante y luego del
Pgina 104 de 123

episodio. Cuando hablamos de desastres ecolgicos lo hacemos en un sentido amplio. En efecto, incluimos en dicho concepto no slo los desastres naturales sino tambin los debidos a la accin humana directa o bien inducidos por la accin humana. Algunos son de rpido desenlace y con resultados devastadores, otros son de desarrollo lento pero con iguales o ms serias repercusiones en el tiempo. 10.3.1 Algunos ejemplos tpicos. Sequas e incendios. En el desarrollo de este trabajo ya nos referimos a casos de aplicacin de los mtodos de percepcin remota a eventos ecolgicos cuando presentamos ejemplos de seguimiento de sequas y monitoreo de incendios. En ciertas regiones estostipos de desastres son frecuentes y con graves consecuencias para las poblaciones afectadas. Inundaciones. Las inundaciones constituyen otro caso cuyo seguimiento y evaluacin es fcilmente realizable desde el espacio. Utilizando imgenes multitemporales, es decir, tomadas en diferentes fechas, es posible detectar y cuantificar cambios ocurridos en el rea afectada en el lapso transcurrido entre la adquisicin de las imgenes. Las Figs. 117 a y b representan la misma escena: la confluencia de los ros Missisipi y Missouri en las proximidades de las ciudades de St.Charles y St.Louis antes y despus de las inundaciones del verano de 1993

Las imgenes corresponden a la banda TM5 del LANDSAT que permite realzar los cuerpos de agua por su color casi negro. Existe un procedimiento muy til para evaluar cambios: si entre las dos fechas no hubiera ocurrido ningn cambio de importancia en la escena, las dos imgenes TM5 estaran fuertemente correlacionadas y un dispersograma de ambas evidenciara dicha correlacin. El dispersograma real es el de la Fig. 118 b donde el sector alargado horizontal en la parte inferior corresponde a los pixeles inundados. Si pedimos a la computadora que los destaque en la imagen de la inundacin, Fig. 118 a, se evidenciarn (color azul) las zonas inundadas, pudiendo medirse su rea total, el rea de las zonas urbanas inundadas, etc. Una combinacin
Pgina 105 de 123

RGB 432 (falso infrarrojo, Fig. 119) complementa la anterior imagen y permite identificar la naturaleza de algunas reas emergentes de la inundacin

Terremotos y tsunamis: La aplicacin de las tcnica de percepcin remota a los terremotos puede considerarse un complemento de los sistemas de monitoreo terrestre. El concepto de alerta temprano por parte de la percepcin remota en este tipo de eventos es usualmente algo diferente que para otros tipos de desastres. En efecto, el aporte ms til en este caso es fundamentalmente el rpido suministro de informacin post-desastre a las autoridades que manejan la recuperacin del rea. Esta informacin se logra sobre todo a travs de imgenes de alta resolucin tales como IKONOS o QUICKBIRD, como se ejemplifica en las imgenes 120 a,b,c, correspondientes a un terremoto ocurrido en Algeria, regin de Boumerdes en Mayo del 2003

Pgina 106 de 123

Rojo: reas daadas y escombros Verde: asfalto y techos sin daos Azul: suelo Amarillo: vegetacin Cian: sombra No obstante lo expresado anteriormente con carcter general respecto a los alertas preterremoto, actualmente las tcnicas de Percepcin Remota pueden realizar su contribucin a stas a travs de deteccin de deformaciones del terreno previas al evento ssmico. Esto se realiza mediante satlites con ciertos sensores que dado el alcance de este trabajo no hemos considerado antes : son los sensores de radar interferomtrico que pueden llegar a detectar las deformaciones del orden de centmetros que pueden manifestarse previamente a los terremotos.

En cuanto a los tsunamis, olas devastadoras provocadas por terremotos o erupciones submarinas, son tambin objeto de alerta y evaluacin de daos por tcnicas de
Pgina 107 de 123

Percepcin Remota. Fue un caso tpico el ocurrido en el Ocano Indico en diciembre de 2004, generado por un terremoto de magnitud 9.0 con epicentro fuera de la costa de Sumatra. Las Figs. 121 a y b (Sri Lanka) , captadas por el satlite QUICKBIRD, as como las Figs 122 a y b, captadas por el satlite hind IRS-P6 son tpicos ejemplos de la informacin que en estos casos puede suministrar la Percepcin Remota casi en tiempo real.

Volcanes: Ms de 1500 volcanes potencialmente activos estn dispersos en la superficie terrestre, de los cuales aproximadamente 500 han entrado en actividad en algn momentoen los ltimos tiempos. Aunque los cientficos tratan de vigilar y prever la actividad de estos volcanes por los mtodos tradicionales basados en tierra, la percepcin remota satelital se ha vuelto una herramienta crucial en esta vigilancia. Uno de los indicadores de alerta utilizados son los puntos calientes que permiten detectar actividad volcnica en horas previas a su ocurrencia. Sobre dicha base opera el Sistema
Pgina 108 de 123

de Alerta Trmica del MODIS que realiza una cobertura global completa cada 48 horas, es decir que cada pixel de 1 km en la superficie terrestre es monitoreado una vez cada dos das en bsqueda de anomalas trmicas. Tambin las imgenes infrarrojas de satlites geostacionarios captadas cada 15 minutos pueden ser utilizadas para predecir erupciones volcnicas a travs de mapeos trmicos de la superficie terrestre. Una de las posibilidades de la percepcin remota en el monitoreo de la actividad volcnica es el seguimiento de las plumas de humo y polvo generadas en las erupciones. Dichas nubes que pueden llegar a elevarse hasta unos 12000 metros, constituyen un grave peligro para los aviones, particularmente en corredores areos muy frecuentados como por ejemplo en el estrecho de Bering, regin en la que hay actividad volcnica. En efecto, si un jet se introduce en una de tales nubes la temperatura de las turbinas puede fundir las cenizas y partculas minerales presentes y provocar un desastre. En la Fig. 123 vemos una imagen MODIS de una pluma de cenizas en la erupcin de un vlcn de la pennsula rusa de Kamchatka

Desertificacin: La desertificacin es un proceso complejo de degradacin de los suelos que conduce a una disminucin o destruccin de su potencial biolgico. Este fenmeno depende de diversos factores: sequas, pastoreos excesivos, deforestacin, prcticas de cultivo inadecuadas, manejo impropio del agua que puede conducir a erosin, salinizacin, etc. Desde hace ya bastantes aos los satlites a travs de un monitoreo global estn contribuyendo al seguimiento y a una mejor compresin de los fenmenos de desertificacin. Si bien stos una vez instalados son difcilmente reversibles, la percepcin remota es sin duda una herramienta de gran valor para complementar las acciones de recuperacin que se intenten.
Pgina 109 de 123

Un caso tpico de desertificacin monitoreada durante muchos aos por percepcin remota es el del Mar de Aral. Este enorme lago, ubicado entre Kazakhstan y Uzbekistan, que fue en una poca el cuarto de mundo por su tamao perdi ms del 40% de su superficie. El factor principal que por los aos 1950 dispar este proceso fue la intensa irrigacin de cultivos de algodn efectuada con agua de dos ros que alimentaban el lago. El aporte de estos ros no pudo entonces compensar la evaporacin del lago, hecho agravado por ser la de ste una cuenca originariamente semirida. El proceso hizo colapsar la industria pesquera existente y millones de habitantes se vieron afectados por los vientos transportando sales, arena y partculas minerales provenientes del lecho del lago. Los problemas de salud incluan cncer a la garganta, enfermedades de la visin, problemas respiratorios, incremento de la mortalidad infantil, etc. Las imgenes de las Figs. 124 a y b reflejan la evolucin del proceso entre los aos 1973 y 2004.

Pese a que desde el ao 1991, luego del colapso de la URSS, el problema del Mar de Aral se internacionaliz y se realizan esfuerzos para detener o revertir la situacin, lasimgenes de la Fig. 124 parecen demostrar que ya es muy tarde para lograrlo. Derrames de petrleo: La contaminacin de los ocanos con petrleo es uno de los grandes problemas ambientales actuales. Esta contaminacin se adjudica en su mayor proporcin a operaciones de limpeza de depsitos en buques tanque y en menor proporcin a accidentes en buques y plataformas petroleras. Son importantes tambin las cantidades de petrleo vertidas en ros y ocanos por muchas industrias, incluyendo refineras y depsitos de almacenaje. En regiones como el Golfo Prsico las emisiones de petrleo han sido casi continuas desde 1982, destruyendo la industria pesquera y volviendo inoperantes plantas de desalinizacin. La percepcin remota desde plataformas satelitales es en estos casos muy til dada su capacidad de supervisar amplias reas, de realizar monitoreos localizados y de prestar asistencia tctica en emergencias. Puede suministrar informacin acerca de la velocidad y direccin de los derrames ocenicos a travs de imgenes multitemporales e incluso realizar mapeos de los derrames. Ilustraremos esta aplicacin considerando el derrame de petrleo resultante de los incidentes blicos que ocurrieron durante la Guerra del Golfo, en enero de 1991. El
Pgina 110 de 123

derrame en la costa de Kuwait alcanz de 4 a 6 millones de barriles de petrleo. Nuestra zona de estudio se encuentra a 322 km al sur de Kuwait City, sobre la costa de Arabia Saudita y se centra en la baha de Ad Daffi , Fig. 125.

Se trata de una baha poco profunda limitada al este por varias islas. Esa zona jug en este caso, como en oportunidad de anteriores derrames, un papel clave bloqueando el desplazamiento hacia el sur del petrleo derramado. Este derrame se origin el 21 de enero y las imgenes fueron adquiridas el 4 de marzo. La imagen de la Fig. 126 es una combinacin RGB color natural, mientras que la Fig.127 corresponde a la banda TM5 (infrarrojo medio).

En sta se destaca la mayor reflectancia del petrleo, distinguindolo del agua que absorbe intensamente dicha radiacin y apareciendo casi negra en la imagen. Ms an, basndoseen los diferentes niveles de reflectancia de las manchas de petrleo se puede lograr discernir entre aceites pesados y livianos. Las reas de las manchas y las distancias costeras pueden ser directamente evaluadas a travs del anlisis de la imagen. Un accidente nuclear: Chernobyl: El 26 de abril de 1986 ocurri el peor accidente registrado en la historia de las aplicaciones civiles de la energa nuclear. Ocurri en
Pgina 111 de 123

uno de los cuatro reactores de la planta de Chernobyl en la ex Unin Sovitica. Fue consecuencia de la interrelacin de fallas humanas en el manejo del reactor y de fallas de diseo en ste. La explosin vol la cubierta de 1000 toneladas del reactor y resquebraj las paredes dejando expuesto el ncleo de grafito en combustin y generndose una pluma de 5 km de altura de contaminantes radioactivos. La Fig.128 es una composicin RGB 742 de una escena LANDSAT-5 captada tres das despus del accidente, cubriendo el rea de la planta nuclear. Puede distinguirse aproximadamente el layout de sta, en particular el lago de recirculacin del agua de enfriamiento de los reactores. En esta imagen, al haber utilizado la banda 7 para el rojo aparece un punto rojo intenso (muy pequeo en la imagen) que marca la posicin del reactor accidentado que produce una intensa emisin a la longitud de onda de la banda 7 (2.08 2.35m).

La Fig. 129 es una imagen correspondiente a la banda TM 6 del LANDSAT 5 que es altamente sensible a las variaciones de temperatura no demasiado alejadas de los valores de temperatura ambiente en la superficie terrestre. La resolucin de esta banda es de 120m x 120m, lo que hace ms difusos los detalles. Sin embargo, nos permite observar que la temperatura del lago de enfriamiento an no es uniforme, pese al cese de actividad de la planta. Los colores rojizos indican las temperaturas mayores y los verdes y azules los ms bajos. Obsrvese que en la mayor parte del lago la temperatura es superior a la del ro que corre en las proximidades. Deforestacin: La deforestacin descontrolada de los bosques tropicales es una de las graves agresiones al planeta. La destruccin de bosques hmedos tropicales va ms all de la simple prdida de reas pintorescas, y su continuidad irrestricta es un serio factor de perturbacin para el clima y la biodiversidad de la Tierra. La Fig. 130 muestra el grado en que en unos pocos aos avanz la deforestacin en una regin de la Amazonia brasilea y la Fig. 131 muestra una regin de la selva peruana donde se aprecia deforestacin condicionada por la instalacin de numerosos pozos petrolferos.

Pgina 112 de 123

APENDICE I: NOCIONES BASICAS SOBRE SENSORES DE RADAR

En el presente trabajo nos hemos referido fundamentalmente a sensores pasivos, es decir que necesitan una fuente de iluminacin externa, usualmente el sol. Sin embargo, en algn momento hicimos referencia a otro tipo de sensores, como el radar, que por poseer su propia fuente de emisin se denominan sensores activos. La palabra radar es un acrnimo de Radio Detection And Range, que ms explcitamente podramos traducirlo como deteccin y medida de distancias por ondas de radio. Un sistema de radar posee tres funciones primarias: Emite seales de microondas (en sus principios fueron de radio, de ah su nombre) hacia una escena.

Recibe la fraccin de energa reflejada por la escena en su

Pgina 113 de 123

Es usual en estas imgenes observar patrones de deforestacin en forma de espinas de pescado, que corresponden a la difusin de los procesos de deforestacin a lo largo de sendas o caminos. Si bien el ritmo actual de deforestacin es difcil de estimar, el anlisis de imgenes satelitales constituye una gran ayuda para su evaluacin y para el desarrollo de estrategias de control.

10.3.2 El monitoreo a escala global de desastres. En la Seccin anterior nos hemos referido a la forma cmo se manifiestan distintos tipos de desastres, algunos de origen natural, otros causados directamente por el hombre y otros inducidos por ste. Algunos de estos desastres ocurren en un corto lapso y sus resultados son devastadores. Otros ocurren ms lentamente pero sus resultados son tan serios o an ms que los anteriores. La necesidad de alertar sobre estos procesos o bien de ayudar a la recuperacin de las reas afectadas ha llevado a crear sistemas de monitoreo de desastres basados en la percepcin remota que operan a nivel global. Es as que en la Conferencia UNISPACE III celebrada en Viena en julio de 1999, la Agencia Espacial Europea (ESA) y la Agencia Espacial Francesa (CNES) elaboraron la Carta Internacional sobre el Espacio y las Grandes Catstrofes(International Charter Space and Major Disasters) a la cual se unieron luego Estados Unidos, India, Argentina, Japn y China. Esto representa que frente a un desastre se active la cooperacin de numerosos satlites como SPOT, LANDSAT, IRS (India), RADARSAT (Canad), TERRA (USA), ENVISAT (ESA), NOAA, SAC-C (Argentina), ALOS (Japn),etc., as como el sistema DMC. Un Usuario Autorizado puede, por simple llamada telefnica movilizar los recursos espaciales mencionados. En la Fig. 132 se observa un relevamiento de las inundaciones de abril-mayo de 2007 en Uruguay realizado en el marco del International Charter.
Pgina 114 de 123

En cuanto al sistema DMC, (Disaster Monitoring Constellation) mencionado anteriormente como integrante del International Charter, es una Asociacin liderada por la Universidad de Surrey (Inglaterra). Consiste en una red de microsatlites, y sus estaciones terrestres

El sistema +DMC se caracteriza porque cada microsatlite pertenece y es operado por la nacin a la que pertenece, pero todos han sido igualmente espaciados en una rbita solar- sincrnica de modo de poder ofrecer diariamente imgenes multiespectrales de cualquier parte del mundo. Desde el ao 2002 operan cinco microsatlites operados por Algeria, China, Nigeria, Turqua, UK, y prximamente se les unirn otros (Espaa, Vietnam, ets.) Estos satlites poseen un FOV de 640 km y pueden obtener imgenes multiespectrales con resolucin de 32 m en el nadir. Algunos poseen adems sensores pancromticos de 4 m de resolucin. Observa la intensidad (deteccin) y el retardo de tiempo (distancia) de las seales o eco de retorno. Como el radar posee su propia fuente de emisin de radiaciones puede operar de da o de noche, y como adems las microondas pueden penetrar la atmsfera bajo virtualmente cualquier condicin climtica el radar se convierte en un sensor que, a diferencia de los que hemos estudiado antes puede operar en todo tiempo. Como contrapartida, las imgenes de radar son de interpretacin ms difcil que las correspondientes obtenidas para las regiones visibles o trmicas del espectro electromagntico. En efecto, estas ltimas pueden correlacionarse ms fcilmente con las apreciaciones realizadas por el ojo humano, mientras que las respuestas de las microondas son marcadamente diferentes. La Fig. A-1 esquematiza la operacin de un sistema de radar a bordo de un satlite.
Pgina 115 de 123

El sistema posee una antenaque alternadamente transmite y recibe pulsos de microondas de longitudes de onda definidas comprendidas en el rango de 1 cm a 1m y polarizadas en un plano vertical u horizontal. Aproximadamente se emiten 1500 pulsos de alta energa por segundo y cada pulso tiene una duracin de tpicamente 10 a 50 microsegundos. Cuando el pulso de radar alcanza la superficie terrestre su energa se dispersa en todas direcciones, y parte de ella se refleja hacia la antena. AI-2 Este eco o backscatter retorna al sensor de radar y es recibido por la antena con una polarizacin especfica (horizontal o vertical, pero no necesariamente la misma del pulso emitido). Lo ecos recibidos son digitalizados y registrados para su posterior procesamiento y conversin en una imagen. Dado que los pulsos de radar se propagan con la velocidad de la luz es evidente que midiendo el tiempo necesario para su viaje de ida y vuelta podr calcularse la distancia al objeto reflector. En el caso de los sensores de radar podremos hablar de dos tipos de resolucin. El pulso usualmente cubre una pequea banda de frecuencias (ancho de banda) centrada en la frecuencia seleccionada por el sistema de radar. Este ancho de banda determina la resolucin en la direccin del objeto iluminado. Mayores anchos de banda condicionan resoluciones ms finas en dicha direccin. Por otra parte, la longitud de la antena de radar determina la resolucin en la direccin del trayecto del satlite: cuanto ms larga es la antena ms fina es la resolucin en dicha dimensin. Es as que se desarroll una tcnica, denominada radar de apertura sinttica (Synthetic Aperture Radar SAR), que consiste en sintetizar una antena muy larga combinando seales recibidas por el radar a medida que recorre su trayecto. Las imgenes de radar estn compuestas por pixeles, cada uno de los cuales representa el eco proveniente de un rea correspondientes sobre el terreno: zonas oscuras en la imagen representan bajo retorno de energa hacia el radar, zonas brillantes
Pgina 116 de 123

corresponden a alto retorno. Dicho retorno est condicionado por una serie de factores, algunos dependientes de los parmetros del sistema, otros dependientes de los parmetros del rea de inters y finalmente otros resultantes de las interacciones entre los anteriores: Parmetros del sistema: 1. Longitud de onda (o frecuencia) 2. Polarizacin 3. Angulo de observacin (v. Fig. A-2-a) 4. Direccin de observacin 5. Resolucin Parmetros del blanco o rea de inters: 1. Textura de la superficie 2. Propiedades dielctricas 3. Angulo y orientacin de pendientes (v. Fig. A-2-b) Interacciones: 1. Textura de la superficie longitud de onda del sistema 2. Angulo de observacin (f) y ngulo de la pendiente (a) se combinan para determinar el ngulo de incidencia (.). 3. La direccin de observacin y la orientacin de la pendiente influencian el rea y geometra del blanco presentado al radar. AI-3

El retorno est a menudo relacionado con el tamao del objeto que dispersa: los objetos de aproximadamente las mismas dimensiones, o mayores, que la longitud de onda aparecern ms luminosos, mientras que los objetos menores que la longitud de onda aparecern oscuros. Este efecto arroja informacin acerca de la textura de la regin de
Pgina 117 de 123

inters. Las longitudes de onda ms usuales en los sistemas de radar son las siguientes:

Banda P = ~ 65 cm Banda L= ~ 23 cm Banda S = ~ 10 cm BandaC=~ 5cm BandaX=~ 3cm

Cuanto mayor es la longitud de onda, o sea menor la frecuencia, mayor es el poder de penetracin en la vegetacin y en el suelo. En general cada sistema de radar, areo o satelital utiliza slo una de dichas bandas segn su campo de aplicacin, pero en general la banda C constituye un buen compromiso. AI-4 En una imagen de radar se observan dos tipos principales de variaciones de brillo: Variaciones de tono Variaciones de textura El tono hace referencia a los diferentes niveles de grises del negro al blanco, siendo proporcional a la intensidad del retorno del radar. Los objetos relativamente llanos como cuerpos de agua calmos aparecen con tonos oscuros (la reflexin es mayormente especular y genera poco retorno). Los objetos difusores, como diversas formas de vegetacin, aparecen con tonos intermedios. Finalmente, edificios construidos por el hombre, barcos, etc. pueden producir tonos brillantes, dependiendo de su forma, orientacin y/o sus constituyentes materiales (v. Fig. A-3).

La textura hace referencia al patrn de las variaciones espaciales de tono, y depende del grado de uniformidad espacial de los objetos de la escena. La textura puede ser definida como fina, mediana o gruesa.
Pgina 118 de 123

AI-5 Las Figs. A-4 a y b constituyen tpicas imgenes de radar, en este caso adquiridas por el satlite ERS de la Agencia espacial Europea en noviembre del 2000. Las imgenes corresponden a aproximadamente la misma regin de una forestacin en Paysand que ya hemos utilizado como ejemplo de clasificaciones en el presente trabajo. En particular la parte inferior izquierda puede ser reconocida en las Figs. 74, 78 y 79. Como vemos, las imgenes de radar son de ms compleja interpretacin que las de los satlites pticos. Adems, una caracterstica tpica de las imgenes de radar es su aspecto granulado (salt and peper) por efecto de los speckles. Estos grnulos son inherentes a la naturaleza misma del radar. En efecto, las ondas coherentes emitidas por el sensor activo del radar, en forma similar a lo que ocurre con un laser, se propagan en concordancia de fase hasta incidir sobre los objetos terrestres, donde la coherencia se pierde al reflejarse y retornar: esto se debe a las diferentes distancias que deben atravesar desde el objeto a la antena, as como a efectos de dispersin en el objeto. Entre estas ondas reflejadas se pueden producir ahora efectos de interferencia constructiva o destructiva generndose una estrucutura granulada en la imagen, como se observa en la Fig.A-5. El efecto de los speckles puede atenuarse mediante filtraciones con filtros adecuados. En particular en la Fig. A-4b se ha aplicado dicho tratamiento

Pgina 119 de 123

AI-6 Para terminar esta breve referencia a los sensores de radar, presentaremos dos imgenes de la misma regin, una de radar (Radarsat-1) y otra una imagen ptica (composicin RGB 453 del Landsat 5) (Figs.A-6 a y b en la pgina AI-7) La regin es la situada al SW de Sta Cruz, Ro Grande do Sul, Brasil. La imagen de radar es una combinacin RGB multitemporal de fechas 21/10/05, 08/12/05, 25/01/06, mientras que la imagen Landsat es de fecha 03/11/05. La imagen de radar posee originalmente una resolucin de 6.25 m, mientras que la de LANDSAT 5 es de 30m. La imagen Landsat puede ser fcilmente interpretada en sus rasgos fundamentales de acuerdo a las consideraciones efectuadas en las pginas 51 y siguientes de este trabajo (Combinaciones de Color). Dicha interpretacin permitir establecer una correlacin temtica con la imagen de radar. AI-7

Pgina 120 de 123

Pgina 121 de 123

APENDICE II: BANDAS ESPECTRALES DE ALGUNOS SATELITES ACTUALES

Bandas Espectrales de LANDSAT TM y SPOT HRVIR. En la Tabla siguiente se presentan los rangos de longitudes de onda abarcados por las bandas espectrales de estos satlites: TM Rango espectral (m) Banda 1 0.45-0.52 Banda 2 0.52-0.60 Banda 3 0.63-0.69 Banda 4 0.76-0.90 Banda 5 1.55-1.75 Banda 6 10.4-12.5 Banda 7 2.08-2.35 IFOV Nadir 30x30m (b. 1-5,7) 120x120m (b. 6) Barrido 180 km HRVIR Rango espectral (m) Banda 1 0.50-0.59 Banda 2 0.61-0.68 Banda 3 0.79-0.89 Banda 4 1.58-1.75

IFOV Nadir 20x20m Barrido 60 km (c/instrumento)

Las principales aplicaciones de las bandas del LANDSAT TM (y por similitud de rangos espectrales tambin las del SPOT) son las siguientes: Banda 1 (0.45-0.52m)(azul): buena penetracin en cuerpos de agua. Diferenciacin de suelos y vegetacin y de conferas con vegetacin de hojas caducas. Banda 2 (0.52-0.60m)(verde): reflectancia en el verde para vegetacin en buenas condiciones. Banda 3 (0.63-0.69m) (rojo): absorcin de la clorofila.. Diferenciacin de especies vegetales. Banda 4 (0.76-0.90m) (infrarrojo cercano): evaluacin de biomasa. Delineacin de cuerpos de agua. Banda 5 (1.55-1.75m) (infrarrojo medio): estado hdrico en vegetales. Discriminacin entre nubes, nieve y hielo Banda 6 (10.4-12.5m) (infrarrojo trmico): stress trmico en vegetales y mapeados trmicos. Banda 7 (2.08-2.35m) (infrarrojo medio): Estudios geolgicos, identificacin de zonas con alteraciones hidrotrmicas en rocas.

Pgina 122 de 123

APENDICE III: BIBLIOGRAFIA SUGERIDA. De la muy abundante bibliografa existente sobre Percepcin Remota hemos seleccionado algunos textos cubriendo distintos aspectos de esta disciplina. Lillesand, Thomas M. y Ralph W. Kiefer, Remote Sensing and Image Interpretation, New York: Wiley & Sons, 2000. Jensen, John R., Introductory Digital Image Processing: A Remote Sensing Perspective, Upper Saddle River, N.J., Prentice Hall:1996. Richards, John A. y Xiuping Jia, Remote Sensing Digital Image Analysis. An Introduction, Springler: 1999. Schowengerdt, Robert A., Remote Sensing. Models and Methods for Image Processing. Elsevier: 2007. Campbell, James B., Introduction to Remote Sensing, The Guilford Press: 1996. Aronoff. Stan, Remote Sensing for GIS Managers, ESRI Press: 2005. Baker, John C., Kevin M. OConnell y Ray A. Williamson Editors, Commercial Observation Satellites. At the Leading Edge of Global transparency. Rand and ASPRS: 2001. Diana Liverman, Emilio F. Moran, Ronald R. Rindfuss y Paul C. Stern Editors, People and Pixels. National Academic Presss: 1998.

Pgina 123 de 123