Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
Son conocidos los inconvenientes para identificar determinados usos o
elementos especficos de un ambiente terrestre cuando la composicin del
paisaje es muy heterognea tanto en relieve, suelos, como en el uso de los
mismos. En el caso especfico de los cultivos, estos aspectos muchas veces son
descuidados. La fecha de siembra, el estado fenolgico, el estado nutricional e
hdrico, la sanidad y la tecnologa con la que se implant son factores
determinantes de su respuesta radiomtrica en el espacio y en el tiempo, por
lo cual debern considerarse cada combinacin de factores como un uso
especfico per s y luego de clasificarlos, reagruparlos como corresponda al
inters del estudio.
Estos factores son solo una parte del problema. Es comn suponer que a
mayor nmero de bandas involucradas en la clasificacin, mejores sern los
resultados hallados. Sin embargo esto no es as. El incremento de bandas
innecesarias para discriminar elementos lo nico que consigue es incrementar
la variabilidad de cada clase, impidiendo que los algoritmos ms utilizados
(Mxima verosimilitud, Vecino ms prximo, Mahalanobis, entre otros) puedan
separar satisfactoriamente a los usos entre si. Por tal motivo, es fundamental
identificar cual o cuales son las bandas y los momentos ms aptos para
discriminar cada una de las clases del resto satisfactoriamente. El siguiente
trabajo pretende describir una metodologa de trabajo que permite cuantificar
el error de clasificacin, pureza de clases y momentos ptimos para estudiar
distintos usos del suelo observados en una zona de ambientes edficoproductivo muy fragmentado como lo es la cuenca baja del ro Salado.
Palabras clave: clasificacin, teledeteccin, patrn espectral, error, cuenca del
Salado.
Materiales y Mtodos
Area de estudio
Corresponde a la subcuenca B4, lmite sudeste de la cuenca del ro Salado
(provincia de Buenos Aires) (figura 1).
del tiempo, con lo cual se hace evidente la importancia de definir con gran
detalle cada una de ellas.
Se requiere de una serie de pasos bsicos para llegar a este objetivo:
Seleccin del sensor que ms se adecua a los objetivos del trabajo
(resolucin espacial, radiomtrica, temporal y espectral).
Correccin geomtrica: mtodo RST con algoritmo de remuestreo vecino
ms prximo. El motivo de esta seleccin es que es una metodologa muy
robusta y conserva el valor original de los pxeles.
Correccin radiomtrica: expresar resultados en valores fsicos (reflectancia
porcentual) segn los algoritmos definidos para el censor utilizado. En el caso
de Landsat 7, los algoritmos utilizados son (USGS 2000)
Transformacin de cuentas digitales a radiancia
L = gain DN + bias
Donde:
: banda ETM
Gain y bias: factores de correccin dados en el header de la imagen
L: Radiancia a nivel de satlite (tambin radiancia de brillo)
DN: cuentas digitales de la imagen (valor entre 0 y 255)
L d 2
ESUN sin ( )
Donde:
: banda ETM
L: Radiancia a nivel del satlite
d: distancia tierra sol, en unidades astronmicas
ESUN: irradiancia solar exoatmosfrica
: ngulo de elevacin solar (en el header)
atmosfera 0 = * atmosfera1 +
Donde:
: banda ETM
Atmsfera 0= atmsfera patrn
y : pendiente y ordenada al origen.
Atmsfera 1: atmsfera a corregir
La determinacin de esta funcin se realiza tomando las lecturas de
reflectancia en sitios de alta y baja reflectividad invariable en el tiempo
(salinas, canteras en el primer caso y cuerpos de agua profundos sin
vegetacin en el segundo), en ambas fechas simultneamente (Caselles y
Lpez, 1989).
Consolidacin de imgenes vecinas para cada fecha: debido a que los
valores de imgenes vecinas no tienen valores similares, ya sea por cuestiones
del censor o simplemente por desfasajes en las fechas de adquisicin (entre
path vecinos), es necesario consolidar los datos para que usos similares tengan
valores similares de reflectancia en el rea de estudio. Para corregir este factor
de distorsin, se toman los valores de reflectancia punto a punto y banda por
banda en la zona de superposicin. Se obtienen una serie de puntos a los
cuales se les aplica una funcin de regresin (en general las respuestas son
lineales) y una vez obtenida la ecuacin se aplica a la banda objetivo (Caselles
y Lpez, 1989).
Las imgenes resultantes son cuatro veces el tamao en bytes que las
originales sin corregir, ya que pasan a transformarse de una imagen de 8 bits a
10 bits. Este aumento de precisin es ficticio, pues la resolucin radiomtrica
original es de 8 bits (en el caso de Landsat). Por lo tanto, se recomienda
retransformar la imagen a su resolucin original llevndola de Floating Point a
Byte.
Seleccin de bandas
El criterio de seleccin apunta a reducir el nmero de bandas, y que stas
fueran representativas del espectro radiomtrico que se va a estudiar. En el
caso de la subcuenca B4, predominan las zonas netamente ganaderas, con
escasas superficies de suelo desnudo y forestadas, amplias reas anegadas y
zonas agrcolas muy fragmentadas, salvo la seccin sur del Partido de Azul
(figura 2).
Definicin de clases
Este paso es el de mayor importancia, ya que es el que define la capacidad de
poder discriminar entre una clase y otra. Debe ser lo ms pura posible,
tratando de minimizar el desvo estndar de las lecturas en cada banda, para
as evitar solapamientos importantes entre clases. Como ejemplo, podemos
citar un cultivo: TRIGO. La clase trigo aparentemente debera ser suficiente
para separarla de otros usos del suelo, como pasturas o verdeos de invierno.
Sin embargo, es comn hallar grandes contaminaciones entre estos usos,
haciendo casi imposible separarlos en esta zona (Vzquez, com.per.). Aqu es
donde se presenta la necesidad de conocer cuales son las situaciones que
pueden presentarse en la clase TRIGO en la zona de estudio, para luego
evaluar si se pueden tratar todas como una sola, o es necesario clasificarlas
por separado. En esta zona se han detectado siete subclases de TRIGO,
dependiendo de la fecha de siembra, tcnica de implantacin y estado
nutricional.
Verdades de campo
Estas deben realizarse de manera de capturar ejemplos de todas las clases a
estudiar. Una vez tomadas las muestras a campo, trazar los polgonos para la
definicin espectral de cada uso. Estos no deben ser necesariamente regulares,
ya que por lo general los cultivos en estas zonas marginales copian los lmites
de los suelos de aptitud agrcola. Hay que tener especial cuidado en no incluir
las reas marginales de las parcelas, ya que aumentan la variabilidad real de la
clase por contaminacin. En un lote pueden coexistir dos o tres subclases de
una misma clase, por lo tanto, es fundamental la correcta identificacin de las
mismas a campo.
Imgenes utilizadas
Las imgenes utilizadas fueron Landsat 5 y Landsat ETM7 facilitadas por la
Comisin Nacional de Actividades Espaciales (CONAE) dentro del mbito del
proyecto Emergencias Ambientales de dicha institucin. Las escenas utilizadas
se detallan en la figura 3 y en la tabla 1.
Figura 3.
22586
22486
Noviembre 2003
Noviembre 2003
Noviembre 2003
Diciembre 2003
Diciembre 2003
Diciembre 2003
Enero 2004
Enero 2004
Febrero 2004
Febrero 2004
Marzo 2004
Marzo 2004
Marzo 2004
Mayo 2004
Mayo 2004
Mayo 2004
Junio 2004
Junio 2004
Junio 2004
Agosto 2004
Agosto 2004
Agosto 2004
Septiembre 2004
Septiembre 2004
Septiembre 2004
Octubre 2004
Octubre 2004
Octubre 2004
Diciembre 2004
Diciembre 2004
Enero 2005
Enero 2005
Enero 2005
Febrero 2005
Febrero 2005
Febrero 2005
Mayo 2005
Mayo 2005
Mayo 2005
Julio 2005
Julio 2005
Septiembre 2005
Septiembre 2005
Octubre 2005
Octubre 2005
Noviembre 2005
Noviembre 2005
Diciembre 2005
Diciembre 2005
Octubre 2005
Resultados
A continuacin se describen los usos del suelo identificados en el rea de
estudio
1. Usos del suelo asociados al verano
1.1. maz
1.2. girasol
1.3. soja
1.4. moha
1.5. sorgo
1.6. papa
1.7. alfalfa
1.8. duraznillar (pastizal muy anegable poblado por Solanum glaucophylum)
1.9. juncal (palustres en general)
1.10. pajonal (pastizal levemente anegable, con suelos predominantemente de ph
neutro dominado por Paspalum cuadrifalium)
3.6
Pastura implantada
3.7
Alfalfa
En la figura 3 se detallan los sitios donde se extrajeron puntos de observacin
de los distintos usos del suelo desde diciembre del 2003 a enero 2006
Between SS
6754528.24
6407617.2
3184950.42
4620389.08
6266638.63
2815113.11
1759006.71
69000.52
3617820.67
18583656.9
1683698.04
df
6
6
6
6
6
6
6
6
6
6
6
Within SS
3908405.73
6562307.13
11236819
3709718.13
7124700.03
3953487.73
3654398.43
6215851.73
6880165.03
3376072.83
8650588.63
F-ratio
7339.98
4147.05
1203.81
5289.77
3735.66
3024.23
2044.33
47.15
2233.3
23378.61
826.64
Variable
may-05
jul-05
sep-05
oct-05
nov-05
dic-05
B5_NOV03
B7_NOV03
B5_MAY04
B7_MAY04
**
Between SS
1022329.36
1093138.76
5097315.78
7384860.75
2081272.28
1429297.84
279270.6
90846.66
185632.95
43439.31
TOTAL
df
6
6
6
6
6
6
6
6
6
6
**
Within SS
5960600.23
2851664.43
9108096.23
7579693.83
8918581.33
7225410.43
240074.725
73614.8255
407171.025
203830.825
74469823.8
F-ratio
728.45
1628.08
2376.91
4137.99
991.13
840.16
4940.58
5241.35
1936.32
905.13
126
Maximum
95
92
158
94
89
87
83
89
92
42
141
161
75
138
86
161
164
149
140
151
237
St.Dev.
10.54
15.66
24.03
13.35
9.24
15.24
11.02
15.04
16.58
3.31
18.31
13.3
10.25
20.46
23.79
22.23
17.7
3.39
1.78
4.8
3.56
Maximum
96
100
88
91
85
96
91
96
100
99
St.Dev.
10.01
18.19
18.17
13.22
19.53
12.55
15.28
15.06
19.95
13.16
Maximum
92
169
96
145
95
154
62
152
145
154
143
St.Dev.
18.51
16.65
13.16
19.24
10.88
17.39
9.32
2.28
1.47
3.2
2.01
Maximum
67
50
64
97
93
80
57
89
69
94
47
79
74
85
66
31
43
156
145
151
143
St.Dev.
4.95
8.9
13.63
6.15
31.92
7.16
7.43
13.61
17.88
6.72
3.35
5.95
12.75
21.4
5.51
2.41
3.71
1.97
1.34
2.06
1.44
Maximum
93
94
74
84
80
93
77
96
79
93
141
169
83
St.Dev.
14.19
15.99
19.01
11.64
20.06
9.91
9.02
15.56
14.2
12.88
18.49
14.68
9.26
Variable
nov-03
dic-03
ene-04
feb-04
mar-04
may-04
jun-04
ago-04
sep-04
oct-04
ene-05
may-05
jul-05
sep-05
oct-05
nov-05
dic-05
B5_NOV03
B7_NOV03
B5_MAY04
B7_MAY04
Minimum Mean
8
72.06
0
73.36
0
46.38
10
71.28
0
63.46
8
51.19
0
27.13
0
37.15
0
43.74
0
61.91
0
30.33
0
21.02
4
33.93
0
20.74
0
58.7
0
35.44
0
24.27
129
143.53
129
134.08
132
145.54
128
135.26
Mean
21.85
17.47
1.94
19.09
19.66
20.38
12.17
33.72
9.21
17.25
5.66
10.16
20.89
12.21
26.7
Maximum
97
101
164
96
123
92
75
98
99
95
141
169
82
73
94
154
179
150
145
158
180
Maximum
72
75
56
80
74
65
69
81
70
83
141
161
70
64
74
St.Dev.
10.57
14.56
25.42
7.65
10
10.73
11.99
16.78
15.45
11.36
20.67
17.06
8.5
20.9
10.86
21.44
20.4
2.54
1.54
3.29
2.24
St.Dev.
23.34
18.11
6.13
19.45
18.82
17.89
12.08
15.84
11.16
17.69
13.98
14.6
11.27
15.14
22.26
Mean
9.94
10.62
132.63
129.92
134.51
130.88
Maximum
83
164
155
143
154
143
St.Dev.
16.11
18.15
4.76
2.22
7.7
6.13
Del anlisis se puede interpretar que los meses noviembre, febrero y mayo
(NDVI) seran los ms recomendados para separar estos 7 clusters. Esto es
confirmado por un anlisis de la varianza, donde stos perodos presentan
mejor ajuste a los clusters definidos y mejor diferenciacin entre medias (figura
4 y tabla 4). En caso de no disponer imgenes de noviembre, octubre presenta
un valor discriminante similar. Esta afirmacin solo es vlida cuando las
condiciones climticas no son extremas, ya que extremas sequas como
inundaciones eliminan cualquier diferencia espectral existente entre
comunidades.
300
200
e
ul
a
V
100
4
5
Cluster
NOV03
DIC03
ENE04
FEB04
MAR04
MAY04
JUN04
AGO04
SEP04
OCT04
ENE05
MAY05
JUL05
SEP05
OCT05
NOV05
DIC05
N: 25490
Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
1.02060E+08
6
Error
5626827.95
25484
Variable dependiente: FEB04
F-ratio
77038.52
P
0.00
Multiple R: 0.74
Squared multiple R: 0.55
Mean-Square
769559.87
145.69
F-ratio
5282.00
P
0.00
N: 25490
Multiple R: 0.64
Squared multiple R: 0.42
Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
2812550.54
6
Error
3956055.68
25483
Variable dependiente: OCT04
Mean-Square
17009986.18
220.80
N: 25490
Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
4617359.22
6
Error
3712738.81
25483
Multiple R: 0.97
Squared multiple R: 0.95
Mean-Square
468758.42
155.24
N: 25490
Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
18554664.60
6
Error
3405236.96
25483
F-ratio
3019.52
P
0.00
Multiple R: 0.92
Squared multiple R: 0.84
Mean-Square
3092444.10
133.63
F-ratio
23142.22
P
0.00
Var:
Var:
Var:
Var:
Var:
Var:
Var:
Var:
ENE04
JUN04
AGO04
SEP04
ENE05
JUL05
OCT05
NOV05
N:
N:
N:
N:
N:
N:
N:
N:
25490
25490
25490
25490
25490
25490
25490
25490
Multiple
Multiple
Multiple
Multiple
Multiple
Multiple
Multiple
Multiple
R:
R:
R:
R:
R:
R:
R:
R:
0.47
0.57
0.10
0.59
0.40
0.53
0.70
0.44
Squared
Squared
Squared
Squared
Squared
Squared
Squared
Squared
multiple
multiple
multiple
multiple
multiple
multiple
multiple
multiple
R:
R:
R:
R:
R:
R:
R:
R:
0.22
0.32
0.01
0.34
0.16
0.28
0.49
0.19
1
2
3
4
5
7
0.99
0.00
0.00
0.00
0.00
0.03
0.00
0.97
0.00
0.02
0.01
0.00
0.00
0.00
0.99
0.00
0.00
0.00
0.01
0.01
0.01
0.92
0.04
0.06
0.00
0.02
0.00
0.04
0.94
0.00
0.00
0.00
0.00
0.01
0.00
0.91
juncal
0.00
0.06
0.63
0.00
0.02
0.11
0.00
monte
0.00
0.38
0.17
0.77
0.45
1.24
0.00
pajonal
0.00
0.00
0.09
0.00
0.62
0.28
0.02
Kappa: 0.95
Confusin media: 0.01
B)
Uso del suelo
alfalfa
duraznillar
juncal
monte
pajonal
pastizal
pastura
alfalfa
1.00
0.00
0.04
0.00
0.05
1.45
0.16
duraznillar
0.00
0.73
0.16
0.01
0.38
0.59
0.00
pastizal
0.00
0.01
0.01
0.00
0.12
0.69
0.01
Kappa: 0.67
Confusion media: 0.17
Como es prcticamente imposible discriminar de manera directa los usos del
suelo, se reconstruyeron las proporciones de cada uno de ellos absorbidas por
cada cluster para detectar la pureza de las clases (tabla 6).
Tabla 6: porcentaje de pxeles de usos del suelo incluidos en cada cluster
Cluster
1
2
3
4
5
7
alfalfa
0.00%
0.10%
0.00%
0.00%
1.03%
0.00%
duraznillar juncal
25.61%
3.81%
0.02%
1.04%
0.00%
0.87%
0.74%
19.79%
2.03%
1.08%
9.53%
88.79%
monte
2.81%
0.10%
0.00%
0.00%
0.57%
0.00%
pajonal
24.53%
20.66%
97.87%
37.48%
11.59%
0.06%
pastizal
40.93%
64.32%
0.00%
41.27%
80.45%
1.62%
pastura
2.31%
13.75%
1.26%
0.72%
3.26%
0.00%
Tabla 7: valores medios de NDVI, IRM e IRL por uso del suelo anual, dentro de
cada cluster para los perodos selectos.
Cluster
pastura
0.00
0.00
0.01
0.01
0.06
0.73
0.80
Datos
USO
alfalfa
Promedio de NOV03
duraznillar
61.16
58.00
juncal
59.34
53.56
monte
75.24
81.17
pajonal
66.75
70.59
pastizal
63.55
75.12
pastura
89.67
alfalfa
Promedio de FEB04
59.63
75.00
juncal
47.31
56.79
monte
77.58
72.50
pajonal
65.07
65.33
pastizal
57.98
57.20
pastura
66.59
63.93
33.64
34.91
55.61
monte
55.89
57.33
pajonal
37.27
45.34
pastizal
49.41
53.81
pastura
55.27
51.53
0.00
73.00
juncal
2.47
63.97
monte
0.00
68.83
pajonal
0.28
70.16
pastizal
0.37
68.43
pastura
1.17
79.97
142.00
54.33
60.66
7.71
55.91
43.50
57.69
22.49
34.53
16.46
77.35
51.52
65.94
27.00
54.10
61.74
72.87
16.23
70.07
50.33
81.67
76.67
75.45
67.44
75.34
51.43
68.60
12.39
55.71
62.56
65.69
17.88
39.01
85.14
91.63
78.23
78.93
64.70
69.53
65.00
69.83
61.27
71.29
21.65
63.47
61.18
71.08
65.54
84.24
40.44
84.29
38.98
48.59
12.29
32.99
41.37
47.46
21.33
31.30
48.78
0.00
36.87
13.77
63.89
57.54
10.88
40.09
41.64
51.46
48.31
44.00
48.65
44.33
59.44
4.11
6.36
67.44
42.48
62.56
18.25
28.60
79.96
44.63
59.21
43.00
48.21
48.55
62.11
40.54
78.85
51.15
66.48
50.08
51.10
89.07
89.38
67.86
15.81
51.97
68.81
141.63
139.92
juncal
136.64
monte
138.82 137.17
pajonal
pastizal
144.57 143.81
pastura
139.41
143.66 143.55 134.04
138.89
145.74
143.78
141.52
143.00
143.00
141.11
juncal
139.00
monte
137.95 138.00
pajonal
pastizal
144.75 145.03
pastura
alfalfa
132.83
140.84
146.52 145.45 129.96
138.53
145.27
145.37
145.44
132.72
132.73
132.73
juncal
131.88
monte
131.82 131.50
pajonal
pastizal
135.28 134.24
pastura
Promedio de B7_NOV03
91.90
84.81
15.25
Media general
141.60
alfalfa
Promedio de B5_MAY04
29.33
92.83
duraznillar
5
92.09
54.00
juncal
alfalfa
84.83
alfalfa
Promedio de OCT04
75.71
duraznillar
duraznillar
74.17
alfalfa
Promedio de MAY04
2
89.83
132.00
131.87
136.07
134.37
133.50
132.18
132.16
133.49
132.75
132.14
Cluster
Datos
USO
monte
131.01 131.33
Media general
132.11
131.24
pajonal
135.99
pastizal
134.88 135.23
135.29
pastura
136.14
Usos invernales
Se determinaron 8 agrupamientos homogneos
Variable
nov-03
dic-03
ene-04
B5_NOV03
B7_NOV03
** TOTAL
Between SS
46406984.3
43289978.4
15514964.3
548024.7
1154900.1
106915000.0
df
7
7
7
7
7
35
Within SS df
7089485.4
7115995.3
13139336.9
923915.4
534123.6
28802856.3
F-ratio
61277.0
56948.3
9607.0
5552.6
20241.0
Se generaron menos clusters que los usos identificados a campo, lo cual indica
que el grado de discriminacin no es muy bueno, aunque cabe destacar que la
variabilidad de los clusters es muy baja. (Tabla 8)
Tabla 8: estadsticos hallados para los ocho clusters identificados en el rea de
la cuenca baja del ro Salado seleccionados a partir de usos del suelo
invernales.
Distance
8.11
12.87
13.47
12.08
7.61
Maximum
57
106
105
158
152
St.Dev.
8.89
9.1
9.8
3.17
2.57
Distance
14.84
11.53
Maximum
57
54
St.Dev.
11.65
13.03
casos
Mean
16.45
13.95
12.65
6.44
10.08
ene-04
B5_NOV03
B7_NOV03
0
128
128
42.91
145.41
139.38
102
157
151
26.9
8.35
5.79
Distance
14.49
14.61
17.24
18.43
17.04
Maximum
100
101
100
156
150
St.Dev.
10.09
6.89
10.49
2.6
1.9
Distance
15.92
15.11
13.82
7.61
13.96
Maximum
102
46
102
153
144
St.Dev.
9.6
8.86
22.5
2.15
1.28
Distance
7.46
6.04
5.78
5.54
4.2
casos
Mean
54.79
20.75
160.8
139.19
133.07
Maximum
96
43
164
152
145
St.Dev.
12.43
11.4
3.04
5.35
3.21
Distance
14.86
13.6
11.14
15.07
13.95
Maximum
99
93
59
156
150
St.Dev.
11.79
12.1
11.37
3.19
2.12
Distance
9.06
13.6
12.23
11.95
11.88
Maximum
57
97
98
157
151
St.Dev.
11.11
14.91
17.77
3.98
3.95
Distance
4.28
5.22
Maximum
79
92
St.Dev.
10.82
10.37
casos
Mean
47.24
68.02
5.96
6.08
6.27
ene-04
B5_NOV03
B7_NOV03
158
129
128
159.66
144.67
136.39
164
154
148
2.7
3.81
3.39
El anlisis permite determinar que el NDVI y la banda IRL de noviembre son las
bandas ms adecuadas para discriminar usos del suelo desarrollados junto a
los cereales de invierno. La explicacin radica en aprovechar el desfasaje en los
momentos de senescencia de los cereales de invierno (avena y trigo
principalmente) y los menores valores de NDVI alcanzados por las pasturas
implantadas. El mes de diciembre separa muy bien todos aquellos usos
destinados a cereales y oleaginosas de verano de lo que fueron los cultivos de
invierno, y especialmente identifica perfectamente el uso papa, como se ver
ms adelante. Los meses anteriores a noviembre presentan gran confusin con
el entorno natural, lo cual hace muy difcil discriminar usos del suelo bajo esas
condiciones (figura 5 y tabla 9).
Figura 5: evolucin del NDVI, IRM (B5), IRL (B7) del mes de noviembre y NDVI
mes de diciembre para los 8 clusters identificados en el ciclo invernal.
200
Value
150
100
50
3 4 5 6
CLUSTER
NOV03
DIC03
B5_NOV03
B7_NOV03
N: 65536
Analysis of Variance
Source
Sum-of-Squares
CLUSTER
Error
46406984.27
7089824.92
df
Mean-Square
F-ratio
7
65528
6629569.18
108.20
61274.07
0.00
N: 65536
Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
43289978.42
7
Error
7115874.58
65528
Variable dependiente: B7_NOV03
Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
1154900.05
7
Error
534143.46
65528
Dep. var: B5_NOV03
Multiple R: 0.93
Squared multiple R: 0.87
N: 65536
Multiple R: 0.93
Squared multiple R: 0.86
Mean-Square
F-ratio
P
6184282.63
56949.24
0.00
108.59
N: 65536
Multiple R: 0.83
Squared multiple R: 0.68
Mean-Square
164985.72
8.15
F-ratio
20240.23
Multiple R: 0.61
P
.00
0.71
0.05
0.00
0.00
0.00
0.00
0.19
0.04
0.33
0.45
0.00
0.00
0.03
0.00
0.12
0.07
0.00
0.00
0.46
0.18
0.04
0.25
0.00
0.07
0.00
0.00
0.08
0.84
0.03
0.04
0.00
0.01
0.02
0.00
0.02
0.04
0.52
0.28
0.01
0.12
0.00
0.00
0.36
0.11
0.11
0.27
0.01
0.14
0.48
0.07
0.00
0.00
0.02
0.00
0.26
0.17
0.06
0.00
0.01
0.00
0.11
0.07
0.08
0.67
Kappa: 0.52
B)
Uso
alfalfa
avena
duraznillar
girasol
juncal
maz
malezal
alfalfa
0.92
0.00
0.00
0.00
0.00
0.00
0.00
avena
0.05
0.08
0.07
0.00
0.00
0.00
0.00
duraznillar
0.00
0.05
0.23
0.00
0.22
0.00
0.00
girasol
0.01
0.00
0.00
0.62
0.01
0.02
0.02
juncal
0.00
0.01
0.19
0.00
0.54
0.00
0.04
maz
0.00
0.01
0.01
0.39
0.01
0.08
0.03
malezal
0.00
0.00
0.00
0.00
0.00
0.00
0.95
moha
0.09
0.01
0.00
0.12
0.00
0.03
0.00
monte
0.02
0.04
0.10
0.00
0.00
0.00
0.01
pajonal
0.01
0.02
0.04
0.00
0.00
0.00
0.23
papa
0.00
0.00
0.00
0.00
0.00
0.00
0.00
pastizal
0.05
0.03
0.04
0.00
0.01
0.00
0.00
pastura
0.15
0.07
0.02
0.00
0.00
0.00
0.00
soja
0.01
0.00
0.00
0.36
0.00
0.06
0.08
sorgo
0.01
0.00
0.02
0.46
0.02
0.01
0.01
trigo
0.13
0.02
0.00
0.00
0.00
0.00
0.00
Uso
moha
monte
pajonal
papa
pastizal
pastura
soja
sorgo
trigo
alfalfa
0.00
0.00
0.00
0.00
0.00
0.01
0.00
0.00
0.07
avena
0.13
0.24
0.02
0.00
0.10
0.10
0.00
0.00
0.21
duraznillar
0.02
0.06
0.12
0.00
0.22
0.06
0.00
0.00
0.01
girasol
0.01
0.00
0.01
0.14
0.04
0.01
0.07
0.04
0.02
juncal
0.01
0.03
0.13
0.00
0.03
0.00
0.00
0.02
0.00
maiz
0.04
0.00
0.03
0.13
0.04
0.00
0.09
0.13
0.00
malezal
0.00
0.00
0.00
0.00
0.00
0.00
0.03
0.02
0.00
moha
0.54
0.00
0.09
0.00
0.06
0.06
0.00
0.00
0.01
monte
0.01
0.48
0.02
0.00
0.07
0.06
0.00
0.00
0.21
pajonal
0.02
0.01
0.26
0.00
0.38
0.02
0.00
0.00
0.00
papa
0.01
0.00
0.00
0.98
0.00
0.00
0.00
0.00
0.00
pastizal
0.06
0.02
0.18
0.00
0.52
0.05
0.00
0.00
0.04
pastura
0.01
0.24
0.06
0.00
0.10
0.21
0.00
0.00
0.14
soja
0.02
0.00
0.01
0.13
0.03
0.01
0.09
0.14
0.04
sorgo
0.01
0.01
0.19
0.00
0.17
0.00
0.08
0.03
0.00
trigo
0.01
0.08
0.00
0.00
0.05
0.04
0.00
0.00
0.66
Kappa: 0.39
Tabla 11: porcentaje de pxeles de usos del suelo incluidos en cada cluster.
Cluster
n pxeles
Agricultura
uso1
uso2
uso3
uso4
15376
99
Soja (34)
Maz (29)
Girasol (23)
Papa (12)
3667
37
Pajonal (28)
Juncal (25)
Soja (16)
Maiz (11)
12864
Pastizal (74)
Pajonal (13)
11331
50
Trigo (53)
Pastizal (25)l
3008
12
Juncal (36)
Pastizal (31)
Duraznillar (15)
Avena (5)
7942
15
Pastizal (64)
Pajonal (13)
Duraznillar (6)
Maz (6)
5620
98
Soja (50)
Maz (40)
Girasol (8)
5726
33
Pastizal (31)
Pajonal (19)
Maz (17)
Soja (14)
Un anlisis del comportamiento espectral de los usos del suelo dentro de cada
cluster permiti detectar valores crticos de una banda en particular para
discriminar alguno de los usos, como se ver ms adelante. Esta informacin
se detalla en la tabla 12.
Tabla 12: valores medios de NDVI, IRM e IRL por uso del suelo detectado
durante el ciclo invernal, dentro de cada cluster para los perodos selectos
Cluster
Datos
USO
alfalfa
avena
duraznillar
Promedio
55.0
72.4
91.9
74.1
85.2
60.9
62.1
6.0
73.6
80.9
53.1
63.8
48.0
55.9
76.2
86.4
54.3
64.1
23.9
42.8
22.8
24.0
4.9
74.3
76.5
49.5
64.0
30.1
40.8
34.5
17.6
16.7
74.8
75.4
55.6
63.2
28.5
44.7
28.8
82.1
82.2
53.6
62.6
51.0
54.4
65.1
75.4
83.2
66.7
66.5
73.5
80.5
58.5
63.8
15.9
juncal
maz
pajonal
16.7
girasol
4
91.9
50.0
24.0
15.7
20.7
59.0
77.3
45.9
53.0
papa
11.6
10.0
76.0
75.7
51.0
63.3
32.5
44.8
12.3
pastizal
36.0
12.2
75.1
84.9
56.6
64.2
35.3
51.6
70.7
75.8
81.9
64.3
64.5
51.1
78.0
soja
15.8
17.4
75.6
88.1
50.9
63.2
27.5
43.8
28.7
sorgo
12.5
23.3
70.5
79.0
44.7
64.0
27.2
49.7
34.4
77.3
89.2
59.6
64.2
53.9
87.4
promedio
pastura
trigo
Cluster
Datos
USO
alfalfa
141.6
avena
duraznillar
B5 noviembre 2003
141.2
139.6
138.3
143.9
144.9
140.6
131.5
142.9
139.3
137.0
143.1
142.9
139.9
girasol
150.2
145.8
143.4
140.6
139.1
145.5
150.4
147.1
149.3
juncal
136.0
131.3
144.4
135.6
135.2
143.1
150.4
144.6
136.6
maz
149.0
147.2
144.4
143.3
139.6
145.1
149.2
145.9
148.1
moha
146.0
146.0
146.7
145.8
146.0
138.9
monte
142.9
142.5
144.1
147.0
143.6
138.4
136.2
141.7
pajonal
146.0
152.2
144.6
141.0
139.1
144.3
151.7
145.1
146.1
papa
144.3
143.3
144.0
143.7
142.7
144.0
145.0
144.0
144.2
pastizal
148.0
135.2
144.4
140.7
138.5
144.7
148.0
145.4
143.8
142.8
139.9
139.2
144.6
146.7
141.0
pastura
soja
148.7
149.6
144.4
140.2
140.2
145.4
150.4
147.4
148.3
sorgo
149.4
144.9
145.2
141.0
139.0
145.2
147.2
145.5
147.4
143.2
139.4
140.6
143.2
143.9
139.7
trigo
alfalfa
132.7
avena
duraznillar
girasol
B7 noviembre 2003
141.6
145.4
132.7
132.9
132.3
132.9
135.7
136.4
133.4
129.5
133.7
132.1
131.5
134.1
134.1
132.7
138.8
133.7
133.6
133.9
137.6
143.0
138.2
143.8
juncal
137.0
129.5
134.5
131.5
130.9
134.4
140.7
136.0
131.9
maz
144.4
139.8
134.6
137.4
134.6
136.4
142.3
138.2
142.0
moha
142.7
133.0
134.3
140.3
137.4
142.0
138.0
137.1
134.1
131.6
130.9
133.0
132.0
131.9
monte
pajonal
142.0
141.3
134.4
133.1
132.7
134.8
142.8
135.8
136.2
papa
141.7
140.1
135.4
136.3
138.7
137.7
140.0
137.3
141.5
pastizal
143.0
131.6
134.3
132.5
132.5
135.1
140.3
135.8
134.3
133.7
132.5
132.9
135.5
136.8
133.1
pastura
soja
144.2
140.9
134.5
133.3
134.7
136.9
142.6
139.1
142.0
sorgo
144.0
137.3
134.6
133.0
133.0
135.1
140.7
135.8
140.0
133.7
132.1
134.2
134.8
135.7
132.3
trigo
Usos estivales
Se determinaron 10 agrupamientos homogneos. Sin embargo 3 de ellos
agruparon informacin con errores vinculados a la imagen original (clusters 6,
8 y 9, sumando un total de 60 pxeles) por lo cual fueron descartados (Tabla
12).
Tabla 12: pxeles pertenecientes a usos del suelo estivales reagrupados por su
respuesta radiomtrica. N=65490
Variable
Between SS
nov-03
33008012
dic-03
20725180.1
ene-04
43036798.7
feb-04
10647414.7
mar-04
20613728.9
may-04
10927371.1
jun-04
3693307.69
B5_NOV03
474430.08
B7_NOV03
928083.01
B5_MAY04
1229616.53
B7_MAY04
1167725.88
TOTAL
df
9
9
9
9
9
9
9
9
9
9
9
Within SS df
14194641.1 16930.36
15762040.2
9573.2
15604141.1 20080.35
13875604.5
5586.8
17458704
8596.38
14331263.8
5551.4
12335320.2
2179.9
851669.866
4055.76
645251.666 10471.98
1012848.17
8838.87
506256.666
16793.5
1.46E+08
99
F-ratio
70000
Variable
nov-03
dic-03
ene-04
feb-04
mar-04
may-04
jun-04
B5_NOV03
B7_NOV03
B5_MAY04
B7_MAY04
130
129
132
132
149.67
142.43
145.38
138.58
157
151
158
148
3.03
2.52
3.76
3.05
El anlisis espectral demostr una gran complejidad para discriminar usos del
suelo en esta estacin de crecimiento. Los NDVI de diciembre, enero y marzo
presentan capacidad discriminante con respecto a los clusters construidos. Las
bandas IRM e IRL, junto al resto de los NDVI considerados no presentaron un
aporte significativo (tabla 13 y figura 6).
Figura 6: evolucin del NDVI, de los meses de diciembre, enero y marzo para
los 10 clusters identificados en el ciclo estival.
USO$ (Todas)
90.00
80.00
70.00
60.00
Datos
50.00
Promedio de DIC03
Promedio de ENE04
Promedio de MAR04
40.00
30.00
20.00
10.00
0.00
1
10
CLUSTER$
N: 65536
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
Error
14358190.83
32844461.37
Multiple R: 0.55
df
Mean-Square
F-ratio
9
65526
1595354.54
501.24
3182.80
0.00
N: 65536
Multiple R: 0.86
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
27134841.63
Error
9352769.92
df
9
65526
Multiple R: 0.91
N: 65536
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
48605886.28
Error
10035318.08
Dep Var: FEB04
N: 65536
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
6098798.97
Error
18424859.97
Dep Var: MAR04
N: 65536
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
26346590.57
Error
11725870.91
Dep Var: MAY04
N: 65536
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
5171845.69
Error
20086601.77
Dep Var: JUN04
N: 65536
Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
1032049.54
Error
14996870.35
df
9
65526
Mean-Square
3014982.40
142.73
df
9
65526
df
9
65526
df
9
65526
P
0.00
F-ratio
2409.97
P
0.00
F-ratio
16358.76
P
0.00
Mean-Square
574649.52
306.54
Multiple R: 0.25
F-ratio
35263.78
Mean-Square
2927398.95
178.95
Multiple R: 0.45
P
0.00
Mean-Square
677644.33
281.18
Multiple R: 0.83
F-ratio
21123.13
Mean-Square
5400654.03
153.15
Multiple R: 0.50
df
9
65526
F-ratio
1874.61
P
0.00
Mean-Square
114672.17
228.87
F-ratio
501.04
P
0.00
1
0.87
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
10
0.00
0.93
0.03
0.00
0.00
0.04
0.02
0.00
0.03
0.00
2
3
4
5
6
7
8
9
0.00 0.10 0.00 0.00 0.03 0.00 0.00 0.00
0.00 0.00 0.00 0.00 0.00 0.06 0.01 0.00
0.94 0.00 0.00 0.00 0.00 0.03 0.01 0.00
0.10 0.89 0.00 0.00 0.00 0.00 0.00 0.00
0.02 0.09 0.77 0.00 0.00 0.11 0.01 0.00
0.01 0.00 0.00 0.95 0.00 0.00 0.00 0.00
0.09 0.00 0.00 0.00 0.88 0.00 0.00 0.00
0.00 0.00 0.00 0.10 0.00 0.89 0.00 0.00
0.00 0.00 0.00 0.00 0.01 0.01 0.95 0.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00
Kappa: 0.89
Confusin media: 0.01
B)
alfalfa
duraznillar
girasol
juncal
maiz
moha
monte
pajonal
papa
pastizal
pastura
soja
sorgo
continuacin
papa pastizal pastura soja
alfalfa
0.00
0.00
0.00 0.04
duraznillar 0.00
0.09
0.00 0.02
girasol
0.30
0.03
0.02 0.03
juncal
0.02
0.03
0.07 0.02
maiz
0.25
0.01
0.03 0.13
moha
0.00
0.00
0.09 0.02
monte
0.09
0.00
0.00 0.00
pajonal
0.09
0.10
0.10 0.17
papa
0.86
0.00
0.03 0.01
pastizal 0.02
0.07
0.07 0.02
pastura
0.02
0.04
0.43 0.01
soja
0.06
0.00
0.05 0.35
sorgo
0.00
0.00
0.00 0.25
Kappa: 0.19
Confusin media: 0.07
sorgo
0.00
0.04
0.00
0.01
0.03
0.00
0.06
0.01
0.00
0.02
0.01
0.10
0.17
Promedio
de ENE04
Promedio
de MAR04
USO
1
2
3
4
5
6
7
8
9
10 promedio
alfalfa
100.00
94.30 0.00
90.52
duraznillar 80.56 60.76 72.82 43.10 72.38 54.00 46.02 3.10 69.40 38.39
63.73
girasol
86.54 52.33 75.27 44.31 82.72 82.39 50.96 12.01 77.75 48.68
78.19
juncal
78.00 53.02 67.34 1.20 64.00 67.11 38.56 7.30
36.00
36.19
maiz
87.70 51.59 76.12 37.57 83.08 71.63 38.16 2.85 77.18 57.96
73.67
moha
69.79 27.71 66.43 14.33 67.44 54.13 61.00 18.43
48.50
56.61
monte
80.40
79.31
85.39 79.67 52.00 0.00
76.90
pajonal
79.22 59.95 74.79 15.99 72.28 71.40 18.95 19.20 74.69 64.32
60.73
papa
90.98
0.00 90.31 68.32
68.29
87.81
pastizal
81.16 60.68 75.17 11.62 72.49 70.51 39.67 14.54 71.50 49.08
69.09
pastura
77.17 53.49 74.11 2.94 66.92 58.65 24.78 11.13
43.00
49.09
soja
82.86 45.97 74.30 36.94 79.64 52.45 39.08 15.22 48.55 38.42
52.38
sorgo
70.27 49.00 70.52 46.71 70.78
54.42
25.00
61.18
alfalfa
84.00
77.00 83.33
77.36
duraznillar 74.56 23.90 49.09 48.80 2.69 37.50 1.79 1.09 158.00 0.13
25.78
girasol
73.10 28.29 58.87 62.82 0.11 54.58 0.00 24.30 162.50 1.82
52.45
juncal
67.33 26.84 44.66 39.55 0.96 45.89 0.00 2.30
2.25
16.10
maiz
78.41 26.79 65.21 64.37 0.07 54.44 0.90 72.90 158.55 0.41
56.47
moha
72.83 35.00 66.68 57.33 0.00 36.25 0.00 22.36
0.63
44.94
monte
70.36
64.57
0.00 61.33 0.00 57.00
53.81
pajonal
63.19 31.22 50.55 28.74 0.13 50.40 6.34 17.86 164.00 0.33
34.28
papa
84.57
83.62 0.00 67.22
0.00
78.39
pastizal
69.04 27.93 55.55 54.19 0.27 41.01 0.30 25.05 158.00 2.35
38.53
pastura
59.33 29.44 48.95 47.56 0.00 36.10 3.75 13.99
4.30
29.13
soja
86.90 24.50 69.51 65.85 3.11 61.42 2.74 37.19 158.77 1.64
50.19
sorgo
87.07 26.00 75.17 67.28 0.00
0.98
0.00
47.64
alfalfa
77.00
80.46 83.67
80.55
duraznillar 57.33 61.97 66.91 67.00 66.42 34.00 71.25 5.19 59.60 43.92
60.59
girasol
39.06 52.42 60.46 70.59 50.19 11.74 75.70 15.23 38.63 31.20
44.34
juncal
27.75 53.81 62.08 61.86 58.88 25.39 66.94 10.75
37.21
35.29
maiz
43.37 54.44 69.59 74.06 57.76 21.43 77.78 14.65 59.18 31.18
54.21
cluster
USO
moha
pajonal
1
52.17
35.66
2
3
4
5
6
7
8
45.14 58.23 45.33 58.44 28.13 79.00 42.71
49.18 60.67 87.38 56.59 18.49 87.96 2.70
papa
pastizal
pastura
30.17
50.38
33.17
soja
sorgo
Promedio de DIC03
Promedio de ENE04
Promedio de MAR04
40.05
62.07
87.23
79.05
39.16
57.77
67.67
57.86
28.08
53.09
Promedio
de MAR04
82.57
77.75
74.94
57.07
65.71
85.63
80.01
31.80
59.51
81.08
9
57.92
10 promedio
37.00
51.31
29.05
52.80
56.00
17.29
31.23
26.30
28.75
55.12
30.66
71.77
52.00
11.14 64.31
17.34 160.05
14.60 62.48
35.19
77.64
47.28
1.70
32.87
72.27
77.64
65.28
43.88
54.71
15.95
Conclusiones
La resolucin radiomtrica y espectral de los satlites Landsat es insuficiente
para discriminar usos del suelo especficos en zonas de elevada heterogeneidad
ambiental. El NDVI fue la fuente de informacin ms significativa para
discriminar usos del suelo.
Debido a la elevada confusin, los usos del suelo deben reagruparse en
clusters por su comportamiento radiomtrico a lo largo de todo el perodo de
crecimiento, ya que un solo momento de estudio es insuficiente. En todos los
casos siempre existen usos del suelo predominantes, conocindose la
proporcin de cada uno de ellos.
En todos los casos se lograron identificar las fechas crticas donde mejor se
aprecian las diferencias de comportamiento entre clusters.
Esta informacin es de gran importancia para definir un sistema inteligente de
clasificacin de usos del suelo, que a su vez permita estimar el error verdadero.
Estos patrones espectrales debern ser complementados con informacin de
suelos para lograr resultados ptimos.
Bibliografa
1. Batista W. B. y Len R. J. (1992). Asociacin entre comunidades
vegetales y algunas propiedades del suelo en el centro de la Depresin
del Salado. Ecologa Austral. 2 : 47-55.
2. Carlson T. y Riziley D. (1997). On the Relation between NDVI, Fractional
Vegetation Cover, and Leaf Area Index. Remote Sens. Environ. 62: 241252.
3. Caselles V. y Lpez M. J. (1989). An alternative simple approach to
estimate atmospheric correction in multitemporal studies. Int. J. Remote
Sensing. 10: 1127-1134.
4. Chuvieco E. (2000). Fundamentos de teledeteccin espacial. Captulo 7.
Tratamiento digital de imgenes: II. Generacin de informacin temtica
Ediciones Rialp, S.A. Madrid. Tercera edicin. 406-408.
5. Deregibus V. A. y Cahup M. A. (1983). Pastizales naturales de la
Depresin del Salado :Utilizacin basada en conceptos ecolgicos. RIA.
18(1) : 47-78.
6. Gitelson A. A., Stark R., Grits U., Rundquist D., Kaufman Y. y Derry Y.
(2002). Vegetation and soil lines in visible spectral space: a concept and
technique for remote estimation of vegetation fraction. Int. J. Remote
Sensing. 23 (13), 25372562.
7. Guerschman J. P., Paruelo, J. M., Di Bella C., Giallorenzi M. C. and Pacin
F. 2003. Land cover classification in the Argentine Pampas using multi
temporal Landsat TM data. Int. J. Remote Sensing. 24:17. 3381-3402.
8. Matsushita B. y Tamura M. (2002). Integrating remotely sensed data
with an ecosystem model to estimate net primary productivity in East
Asia. Remote Sens. Environ. 81: 5866.
9. Miaczynski C. (1995). Los suelos hidromrficos e hidrohalomrficas de la
provincia de Buenos Aires. Rev. Fac. Agr. 15: 23-36.
10. NASA. (2001). Landsat 7 Science Data Users Handbook:
http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/
chapter12.html
11. SAyG-INTA ; Centro Nacional de Investigaciones Agropecuarias, dpto.
Suelos. (1977). La Pampa Deprimida : Condiciones de drenaje de sus
suelos. Suelos. N 154. 166 p.
12. Skidmore A. K. (1989). An expert system classifies eucaliptus forest
types using Thematic Mapper data and digital terrain model.
Photogrammetric Eng. and Remote Sensing. 55: 1149-1464.
13. Tricart J. (1973). La geomorfologa de la Pampa Deprimida como base
para los estudios edafolgicos y agronmicos. Plan mapa de suelos de la
regin Pampeana, INTA. Buenos Aires. XII coleccin cientfica. 202 p.
14. USGS. (2000). MRLC 2000 Image Preprocessing Procedure. U.S.
Department of Interior. 8 pp.