Determinacin de patrones espectrales para

distintos usos del suelo en ambientes

heterogneos.
Pablo Vzquez1, Sergio Masuelli2 y Gabriel Platzeck2
1
INTA - E.E.A. Cuenca del Salado
2
Comisin Nacional de Actividades Espaciales - CONAE

Av. Belgrano 416. (7203) Rauch, Buenos Aires.

pmvazquez@correo.inta.gov.ar

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).

Figura 1: Ubicacin de la subcuenca B4

Ocupa aproximadamente 3.5 millones de ha. y se caracteriza por un relieve

sorprendentemente llano (0.01 por ciento de pendiente promedio) donde salvo
pocas excepciones, no se advierten formas definidas y un acentuado problema
de hidrohalomorfismo generalizado en toda el rea (Tricart 1973), donde la
superficie apta para agricultura (marginal en su gran mayora) no supera el 12
por ciento de la superficie total del rea (INTA 1977). Segn Tricart, la
debilidad del potencial morfogentico de la Pampa deprimida favorece la
presencia de suelos muy antiguos, total o parcialmente conservados,
alternando con suelos ms recientes y desarrollados dentro de los anteriores.
De esta forma, nos encontramos ante un paisaje sin relieve marcado,
caracterizado por la presencia de suelos con distintos grados de alcalinidad,
salinidad e hidromorfismo distribuidos en forma de mosaico por toda el rea,
sin haber una clara correlacin entre el paisaje y las unidades taxonmicas
(Miaczynski 1995). Esta distribucin es coincidente con la descrita para
comunidades vegetales por Batista y Len (1992), Deregibus y Cauhp (1983)
y SAyG - INTA (1977). Este caos ambiental es el principal responsable de la
variabilidad en la respuesta radiomtrica dentro de cada clase de uso a lo largo

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)

Transformacin de valores de radiancia a reflectancia porcentual

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)

En el caso de Landsat 5, la USGS (2000) sugiere transformar primero las

cuentas digitales de este censor al de Landsat 7, por su mejor calibrado y
luego calibrarlas como ETM+.
Correccin atmosfrica: muy importante al momento de realizar
comparaciones multitemporales, si tenemos en consideracin que la humedad,
el oxgeno, el dixido de carbono y el ozono son los principales elementos que
distorsionan los valores de reflectancia recibidos por el censor. Como en la
zona se carece de informacin para describir el perfil atmosfrico al momento
de ser capturada la imagen, se utiliza el mtodo de la atmsfera relativa. Este

consiste en seleccionar una fecha como atmsfera patrn, y el resto de las

imgenes son llevadas a la atmsfera patrn a partir de una funcin del tipo

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).

Figura 2: Imagen de satlite de la subcuenca B4. Identificacin de reas agrcolas,

ganaderas y anegadas.

Dadas estas caractersticas, las bandas ms lgicas a seleccionar son las

bandas roja, infrarroja cercana, infrarroja media e infrarroja lejana. Hay varios
estudios que han demostrado la alta correlacin existente entre el IAF (Indice
de Area Foliar) y el NDVI (Carlson 1997, Matsushita 2002), por lo cual se
propone remplazar las bandas roja e infrarroja cercana por este indicador de
cobertura vegetal. Cabe aclarar que este ndice es valido para zonas con buena
cobertura vegetal; en aquellos casos donde la vegetacin es muy rala (zonas
semiridas), se recomienda evaluar otros indicadores que incluyan la curva de
suelos en la estimacin (caso del SAVI, TSAVI y otros) (Gitelson 2002).
Hay una serie de trabajos que demuestran que calculando el NDVI a partir de
la bandas roja e infrarroja cercana sin corregir, y relativizando sus valores
entre 0 y 100, se logra corregir sin inconvenientes los efectos distorsivos de la
atmsfera en estudios multitemporales (Carlson 1997), por lo cual, se sugiere
este mtodo, ya que permite ahorrar mucho tiempo de procesado de
imgenes, sin perder calidad en la informacin. De esta manera, las bandas a
utilizarse sern:
NDVI relativo: evolucin del IAF de las coberturas vegetales, donde cada
especie presenta una curva IAF caracterstica.
Infrarrojo medio: banda sensible al grado de estrs o senescencia de las
coberturas vegetales.
Infrarrojo lejano: banda muy sensible al contenido de humedad de la
vegetacin y estados de anegamiento.

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.

Proceso de extraccin de patrones espectrales para cada

clase de uso del suelo
Las imgenes fueron procesadas con el programa IDRISI Kilimanjaro (2003).
Una vez generados los polgonos para delimitar las verdades de campo, los
datos fueron exportados de manera tabulada para poder ser procesados por
paquetes estadsticos tradicionales (R ver. 2.2.1). Primeramente se realiz un
anlisis generador de clusters considerando las tres bandas (NDVI, IRM e IRL)
para todo el perodo de crecimiento, utilizando el mtodo borroso (fuzzy k
means). Se determin, sin el sesgo del observador, el nmero de patrones
espectrales reconocibles por el sensor. Estos conformarn los clusters de
comportamiento homogneo. Mediante un anlisis de la varianza se
identificaron las bandas y momentos ptimos para clasificarlos. A partir de este
nuevo agrupamiento, se hizo un anlisis discriminante para chequear la pureza
de los clusters al clasificarlos ya no por una secuencia temporal completa de
imgenes sino por los momentos y bandas ptimas. Finalmente se analiz el
grado de pureza de cada cluster y la participacin relativa de cada uso del
suelo en ellos.

Clasificacin de las imgenes

Teniendo la informacin de base completa, resta seleccionar el mtodo que
mejor se adapta a las caractersticas de la zona. Los mtodos no supervisados
no funcionan para este nivel de detalle, por lo cual son descartados. La
clasificacin supervisada es la ms difundida, aunque los resultados hallados no
son satisfactorios en esta zona. Queda un tercer tipo de clasificacin que es el
denominado mtodo del rbol, el cual consiste en ir discriminando las clases
entre si en pasos sucesivos, tal cual lo hara un sistema experto, utilizando en
cada caso la o las bandas especificas que permiten separar una clase del resto.
Lo interesante de este mtodo, a diferencia de la clasificacin supervisada, es
que no utiliza todas las bandas incluidas en la clasificacin para discriminar,
sino que se aprovecha de un conocimiento previo del comportamiento
espectral de cada clase para extraerlo con precisin. Esto evita el incremento
en el desvi estndar de las clases a separar por efecto de incluir informacin
no necesaria, y por ende, una mayor factibilidad de discriminar
satisfactoriamente cada clase de su entorno (Skidmore 1989, Chuvieco 2000).
La gran desventaja que tiene este mtodo es sin duda el trabajo de base
previo que debe realizarse y el conocimiento detallado del comportamiento
radiomtrico de las clases a estudiar para lograr resultados ptimos.

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.

Tabla 1: imgenes utilizadas para la identificacin de patrones espectrales

Path Row
22585

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)

1.11. pastizal (comunidad nativa predominantemente graminiforme adaptada a

condiciones de alcalinidad, sodicidad y fuertes alternancias entre perodos secos y
hmedos).

1.12. pasturas implantadas

1.13. monte implantado o cortina forestal (Eucaliptus sp, Acacia sp., Salix sp.)
2. Usos del suelo asociados al invierno
2.1
Trigo
2.2
Avena
2.3
Pastizal
2.4
Pajonal
2.5
Duraznillar
2.6
Juncal
2.7
Monte
2.8
Pasturas implantadas
2.9
Maiz (recin implantado)
2.10 Girasol (recin implantado)
2.11 Soja (recin implantado)
2.12 Alfalfa
2.13 Papa (recin implantado)
3. . Usos del suelo anuales
3.1
Pastizal
3.2
Pajonal
3.3
Duraznillar
3.4
Juncal
3.5
Monte

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

Figura 3: Transectas realizadas para obtener verdades de campo desde

diciembre de 2003 a enero de 2006

Anlisis discriminante exploratorio Fuzzy K means

Usos anuales
Se determinaron 7 agrupamientos homogneos, tratando de minimizar el
desvo estndar de las medias determinadas para cada uno de ellos, sin llegar
a generar una excesiva cantidad de agrupamientos. El NDVI permite identificar
la evolucin de las coberturas, reafirmando lo ya hallado por otros autores en
otro tipo de ambientes (Carlson 1997, Matsushita 2002).
En la tabla 2 se detalla la significancia de cada variable utilizada para
discriminar los grupos. De no aclararse, la variable corresponde al NDVI
determinado en ese mes.
Tabla 2: pxeles pertenecientes a usos del suelo anuales reagrupados por su
respuesta radiomtrica. N=25490
Variable
nov-03
dic-03
ene-04
feb-04
mar-04
may-04
jun-04
ago-04
sep-04
oct-04
ene-05

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

Se generaron tantos clusters como usos del suelo fueron identificados. En la

tabla 3 se detallan los estadsticos hallados para cada cluster.
Tabla 3: estadsticos hallados para los siete cluster identificados en el rea de
la cuenca baja del ro Salado seleccionados a partir de usos del suelo anual.
Cluster 1 de 7 contiene 4998 casos
Distance Variable
Minimum Mean
12.53
nov-03
3
64.48
10.46
dic-03
0
67.09
18.38
ene-04
0
30.4
14.79
feb-04
0
60.44
14.85
mar-04
16
62.19
18.38
may-04
0
42.03
20.25
jun-04
0
31.73
15.76
ago-04
0
36.82
19.38
sep-04
0
41.48
18.44
oct-04
0
0.41
9.26
ene-05
0
24.37
16.4
may-05
0
15.53
13.54
jul-05
0
31.5
14.01
sep-05
0
29.42
13.87
oct-05
0
36.76
14.22
nov-05
0
30.61
12.41
dic-05
0
17.81
13.19
B5_NOV03
129
143.05
12.77
B7_NOV03
129
134.19
10.78
B5_MAY04
128
143.87
13.13
B7_MAY04
0
134.61

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

Cluster 2 de 7 contiene 5836 casos

Distance Variable
Minimum Mean
21.89
nov-03
9
73.91
25.01
dic-03
0
62.97
24.52
ene-04
0
33.7
23.73
feb-04
4
59.56
22.2
mar-04
0
30.68
25.73
may-04
0
51.97
26.42
jun-04
0
40.83
24.48
ago-04
0
35.89
23.61
sep-04
0
49.11
13.45
oct-04
0
70

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

Cluster 2 de 7 contiene 5836 casos

Distance Variable
Minimum Mean
19.31
ene-05
0
20.85
14.9
may-05
0
28.28
13.16
jul-05
0
43.28
11.63
sep-05
0
55.55
12.25
oct-05
26
67.33
12.44
nov-05
0
23.46
18.62
dic-05
0
6.82
14.99
B5_NOV03
131
143.54
12.8
B7_NOV03
129
134.26
10.56
B5_MAY04
128
144.85
10.41
B7_MAY04
128
135.26

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

Cluster 3 de 7 contiene1022 casos

Distance Variable
Minimum Mean
19.32
nov-03
8
15.5
16.97
dic-03
0
17.73
17.5
ene-04
0
17.54
21.86
feb-04
42
91.36
19.06
mar-04
0
73.55
16.25
may-04
0
11.29
20.99
jun-04
0
13.49
17.92
ago-04
0
38.47
19.84
sep-04
0
38.76
19.69
oct-04
36
79.78
19.1
ene-05
0
0.31
18.47
may-05
0
2.46
7.51
jul-05
0
22.29
7.54
sep-05
0
26.04
7.44
oct-05
0
12.5
6.87
nov-05
0
0.39
6.46
dic-05
0
1.15
7.87
B5_NOV03
131
152.53
9.8
B7_NOV03
129
141.73
8.22
B5_MAY04
131
145.28
6.43
B7_MAY04
128
138.11

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

Cluster 4 de 7 contiene 5412 casos

Distance Variable
Minimum Mean
9.46
nov-03
0
54.69
10.41
dic-03
0
65.34
15.14
ene-04
0
38.46
10.27
feb-04
3
62.92
10.81
mar-04
0
47.18
15.61
may-04
0
41.42
9.81
jun-04
0
23.54
18.73
ago-04
0
33.35
15.04
sep-04
0
23.04
14.19
oct-04
0
46.41
11.66
ene-05
0
30.32
16.39
may-05
0
22.84
13.91
jul-05
0
28.86

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

Cluster 4 de 7 contiene 5412 casos

Distance Variable
Minimum Mean
Maximum St.Dev.
13.7
sep-05
0
24.2
138
14.59
15.62
oct-05
0
29.61
70
21.17
14.34
nov-05
0
19.02
69
15.15
12.26
dic-05
0
22.27
68
18.58
12.59
B5_NOV03
128
143.51
153
3.54
14.08
B7_NOV03
128
134.85
142
1.9
11.23
B5_MAY04
128
145.52
154
3.25
14.79
B7_MAY04
128
135.76
144
1.86
Cluster 5 de 7 contiene 6525 casos
Distance
26.57
28.08
28.18
19.4
20.02
22.88
23.1
23.87
19.66
19.12
20.18
20.77
20.91
22.26
22.43
18.75
19.8
19.09
19.61
19.86
18.94

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

Cluster 7 de 7 contiene 1681 casos

Distance
Variable
Minimum
10.81
nov-03
0
8.39
dic-03
0
6.59
ene-04
0
9.75
feb-04
0
9.22
mar-04
0
7.88
may-04
0
7.82
jun-04
0
8.94
ago-04
0
11.91
sep-04
0
10.26
oct-04
0
10.87
ene-05
0
6.64
may-05
0
9.16
jul-05
0
8.48
sep-05
0
15.14
oct-05
0

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

Cluster 7 de 7 contiene 1681 casos

Distance
Variable
Minimum
11.57
nov-05
0
8.66
dic-05
0
9.89
B5_NOV03
128
11.09
B7_NOV03
128
10.82
B5_MAY04
128
16.05
B7_MAY04
0

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

Figura 4: Evolucin del NDVI para los distintos clusters

NOV03
DIC03
ENE04
FEB04
MAR04
MAY04
JUN04
AGO04
SEP04
OCT04
ENE05
MAY05
JUL05
SEP05
OCT05
NOV05
DIC05

Tabla 4: Anlisis de la varianza para identificar momentos ptimos de

discriminacin utilizando NDVI.
Variable dependiente: NOV03

N: 25490

Analysis of Variance
Source
Sum-of-Squares
df
CLUSTER
1.02060E+08
6
Error
5626827.95
25484
Variable dependiente: FEB04

Variable dependiente: MAY04

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

Perodos sin significancia

Dep
Dep
Dep
Dep
Dep
Dep
Dep
Dep

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

El anlisis discriminante se corri considerando solamente el ms de noviembre

del 2003 y mayo del 2004. La pureza de los clusters fue muy alta y mnimo el
grado de confusin (tabla 5). La situacin inversa se observ cuando el mtodo
de clasificacin utilizado fue el supervisado convencional. Estos resultados son
consistentes con lo descrito por la USGS, donde, salvo excepciones, la escala
de detalle de los sensores Landsat es de 1:100.000, llegando a escalas
1:50.000 solo en aquellos lugares donde se reconocen usos del suelo poco
fragmentados, comportamiento espectral contrastante y ambiente homogneo
(tabla 5).

Tabla 5: Matriz de clasificacin comparada entre los clusters obtenidos durante

la extraccin de patrones espectrales (A) y los usos del suelo (B) (casos en filas
y categoras clasificadas en columnas)
A)
Cluster

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%

Para demostrar la heterogeneidad del comportamiento espectral de un uso de

suelo dado en reas muy fragmentadas y marginales, se detallarn en la tabla
7 los valores medios obtenidos para cada uso del suelo dentro de cada cluster.

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

138.45 143.10 149.56 142.17 138.20 131.80

136.64

monte

138.82 137.17

pajonal

144.19 144.34 152.68 144.52 144.53 133.00

pastizal

144.57 143.81

pastura

141.55 141.03 148.31 144.41 142.38

143.00

139.41
143.66 143.55 134.04

138.89
145.74
143.78
141.52

143.00

143.00

140.55 147.11 132.11

141.11

juncal

138.13 144.98 144.44 145.06 144.26 134.00

139.00

monte

137.95 138.00

pajonal

146.01 144.54 145.30 145.45 144.69 136.00

pastizal

144.75 145.03

pastura

146.01 144.40 141.31 145.00 149.40

duraznillar 141.57 147.00

alfalfa

132.83

140.84
146.52 145.45 129.96

138.53
145.27
145.37
145.44

132.72

132.73

133.90 133.94 129.35

132.73

juncal

132.12 135.08 139.56 134.77 132.23 129.46

131.88

monte

131.82 131.50

pajonal

134.35 134.76 141.83 135.48 134.86 130.00

pastizal

135.28 134.24

pastura

132.51 133.34 144.31 136.87 133.37

duraznillar 132.97 135.00

Promedio de B7_NOV03

91.90

84.81
15.25

Media general

141.60

alfalfa

Promedio de B5_MAY04

141.03 142.10 130.97

duraznillar 140.72 143.00

Promedio de B5_NOV03

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

Promedio de B7_MAY04 alfalfa

132.00

134.62 134.00 131.50

131.87
136.07
134.37
133.50

132.18

132.16

132.80 135.88 129.96

133.49

131.83 135.28 135.11 135.48 134.96 130.59

132.75

duraznillar 133.68 136.00

juncal

132.14

Cluster
Datos

USO
monte

131.01 131.33

Media general

132.11

131.24

pajonal

135.69 135.13 138.15 135.90 135.18 132.00

135.99

pastizal

134.88 135.23

135.29

pastura

136.50 135.58 136.00 136.23 138.05

136.18 135.15 129.35

136.14

De estos resultados puede rescatarse que sera factible incrementar el detalle

de extraccin de algunos usos del suelo dentro de cada cluster, aprovechando
algn comportamiento espectral distintivo en alguna banda o momento en
particular. Por ejemplo, el uso alfalfa se destaca del resto en su elevado valor
de NDVI (0.9 aproximadamente) en los clusters 2 y 5 del mes de noviembre.
Esto permiti, como se ver ms adelante, alimentar un rbol de decisiones
con una segunda clasificacin, aprovechando esta informacin complementaria
y especfica para un uso en particular.

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

Cluster 1 de 8 contiene 13479 casos

Variable
Minimum
Mean
nov-03
0
18.76
dic-03
46
84.87
ene-04
40
78.02
B5_NOV03
129
148.45
B7_NOV03
129
143.38

Maximum
57
106
105
158
152

St.Dev.
8.89
9.1
9.8
3.17
2.57

Distance
14.84
11.53

Cluster 2 de 8 contiene 5080

Variable
Minimum
nov-03
0
dic-03
0

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

Cluster 3 de 8 contiene 18086 casos

Variable
Minimum
Mean
nov-03
42
71.75
dic-03
38
75.47
ene-04
31
57.3
B5_NOV03
129
143.61
B7_NOV03
128
134.28

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

Cluster 4 de 8 contiene 8186 casos

Variable
Minimum
Mean
nov-03
46
85.71
dic-03
0
12.08
ene-04
0
53.58
B5_NOV03
131
139.95
B7_NOV03
129
132.44

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

Cluster 5 de 8 contiene 666

Variable
Minimum
nov-03
14
dic-03
0
ene-04
158
B5_NOV03
129
B7_NOV03
128

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

Cluster 6 de 8 contiene 10798 casos

Variable
Minimum
Mean
nov-03
20
66.59
dic-03
13
59.45
ene-04
0
29.04
B5_NOV03
128
143.45
B7_NOV03
128
134.62

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

Cluster 7 de 8 contiene 8497 casos

Variable
Minimum
Mean
nov-03
0
24.35
dic-03
25
60.12
ene-04
1
55.59
B5_NOV03
128
148.36
B7_NOV03
128
142

Maximum
57
97
98
157
151

St.Dev.
11.11
14.91
17.77
3.98
3.95

Distance
4.28
5.22

Cluster 8 de 8 contiene 744

Variable
Minimum
nov-03
8
dic-03
38

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

Tabla 9: anlisis de la varianza para determinar momentos ptimos de

identificacin de clusters.
Variable dependiente: 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

Variable dependiente: DIC03

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

Squared multiple R: 0.37

El anlisis discriminante se corri solamente sobre el mes de noviembre, ya

que es el nico con significancia para los usos del suelo desarrollados durante
el perodo invernal. En la tabla 10 se compara la performance de clasificar
estos usos en funcin de los clusters y considerando los usos identificados a
campo
Tabla 10: Matriz de clasificacin comparada entre los clusters obtenidos
durante la extraccin de patrones espectrales (A) y los usos del suelo (B)
(casos en filas y categoras clasificadas en columnas)
A)
Cluster

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)

Confusin media: 0.07

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

Confusin media: 0.04

Estos resultados pueden llegar a ser desalentadores cuando se pretende

clasificar todos los usos del suelo a la vez. Queda en evidencia la superposicin
en el comportamiento espectral de usos tan dispares como pastizales y usos
agrcolas (cluster 2 y 4 en la tabla 11).

Tabla 11: porcentaje de pxeles de usos del suelo incluidos en cada cluster.
Cluster

n pxeles

Agricultura

Usos predominantes (%)

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

NDVI noviembre 2003 moha

monte

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

Cluster 1 contiene 13660

Variable
Minimum
Mean
Maximum
St.Dev.
nov-03
0
19.27
70
9.86
dic-03
2
83.54
106
12.16
ene-04
29
75.24
105
12.27
feb-04
0
73.49
101
17.14
mar-04
0
42.16
97
23.76
may-04
0
26.26
79
18.12
jun-04
0
20.3
89
17.08
B5_NOV03
129
148.12
157
3.32
B7_NOV03
128
143.08
151
2.93
B5_MAY04
132
145.03
158
4.17
B7_MAY04
128
137.72
148
3.11
Cluster 2 contiene 16936
Variable
Minimum
Mean
Maximum
St.Dev.
nov-03
10
68.65
97
11.78
dic-03
0
74.67
101
7.81
ene-04
16
55.28
102
10.93
feb-04
0
70
100
8.68
mar-04
24
63.65
123
8.43
may-04
2
46.49
92
12.85
jun-04
0
27.12
83
11.45
B5_NOV03
129
143.69
155
2.83
B7_NOV03
128
134.46
147
2.08
B5_MAY04
128
145.43
155
3.2
B7_MAY04
128
135.41
144
2.07

Variable
nov-03
dic-03
ene-04
feb-04
mar-04
may-04
jun-04

Cluster 3 contiene 8252

Minimum
Mean
Maximum
St.Dev.
3
21.63
72
12.07
0
37.15
91
23.97
0
53.4
102
27.79
0
90.37
101
8.4
4
83
101
12.95
0
14.04
67
10.47
0
18.3
84
13.13

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

Cluster 4 contiene 10274

Variable
Minimum
Mean
Maximum
St.Dev.
nov-03
0
44.69
96
23.43
dic-03
11
70.08
103
16.02
ene-04
0
2.55
43
7.92
feb-04
0
72.42
101
13.59
mar-04
0
62.33
99
17.41
may-04
0
35.45
91
16.88
jun-04
0
20.56
81
11.81
B5_NOV03
128
145.98
158
4.01
B7_NOV03
128
138.28
152
4.82
B5_MAY04
128
145.86
158
3.47
B7_MAY04
128
136.79
237
3.11
Cluster 5 contiene 5413
Variable
Minimum
Mean
Maximum
St.Dev.
nov-03
7
71.67
96
12.48
dic-03
0
69.75
92
10.07
ene-04
0
42.85
82
13.55
feb-04
1
63.46
96
8.56
mar-04
0
21.02
55
14.5
may-04
3
50.56
92
10.74
jun-04
0
39.34
91
14.75
B5_NOV03
131
143.62
152
2.33
B7_NOV03
129
134.37
146
1.65
B5_MAY04
128
144.75
155
2.81
B7_MAY04
128
135.22
143
1.84
Cluster 7 contiene 2330
Variable
Minimum
Mean
Maximum
St.Dev.
nov-03
0
17.39
82
18.69
dic-03
0
15.91
72
15.14
ene-04
0
11.26
92
20.5
feb-04
0
39.4
97
35.75
mar-04
0
14.98
78
17.17
may-04
0
18.11
93
15.89
jun-04
0
12.59
83
11.86
B5_NOV03
128
138.38
155
9.3
B7_NOV03
128
134.3
151
6.41
B5_MAY04
128
137.78
155
8.08

Cluster 10 contiene 8498

Variable
Minimum
Mean
Maximum
St.Dev.
nov-03
7
68.25
102
15.21
dic-03
0
49.54
92
22.21
ene-04
0
19.79
70
17.27
feb-04
0
47.28
92
17.74
mar-04
0
52.48
123
15.97
may-04
0
50.94
100
15.14
jun-04
0
37.25
92
14.25
B5_NOV03
128
143.34
152
3.3
B7_NOV03
128
134.6
147
2.45
B5_MAY04
128
144.25
155
4.42
B7_MAY04
128
135.01
144
2.5

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$

Tabla 13: anlisis de la varianza para determinar momentos ptimos de

identificacin de clusters en usos del suelo estivales
Dep Var: NOV03

N: 65536

Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
Error

14358190.83
32844461.37

Multiple R: 0.55

Squared multiple R: 0.30

df

Mean-Square

F-ratio

9
65526

1595354.54
501.24

3182.80

0.00

Dep Var: DIC03

N: 65536

Multiple R: 0.86

Analysis of Variance
Source
Sum-of-Squares
DISCRIM$
27134841.63
Error
9352769.92

df
9
65526

Dep Var: ENE04

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

Squared multiple R: 0.20

Mean-Square
574649.52
306.54

Multiple R: 0.25

F-ratio
35263.78

Squared multiple R: 0.69

Mean-Square
2927398.95
178.95

Multiple R: 0.45

P
0.00

Squared multiple R: 0.25

Mean-Square
677644.33
281.18

Multiple R: 0.83

F-ratio
21123.13

Squared multiple R: 0.83

Mean-Square
5400654.03
153.15

Multiple R: 0.50

df
9
65526

Squared multiple R: 0.74

F-ratio
1874.61

P
0.00

Squared multiple R: 0.06

Mean-Square
114672.17
228.87

F-ratio
501.04

P
0.00

El anlisis discriminante se corri sobre los meses de diciembre, enero y marzo.

Tabla 14: Matriz de clasificacin comparada entre los clusters obtenidos

durante la extraccin de patrones espectrales (A) y los usos del suelo (B)
(casos en filas y categoras clasificadas en columnas) para el ciclo estival.
A)
1
10
2
3
4
5
6
7
8
9

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

alfalfa duraznill girasol juncal maiz moha monte pajonal

0.96
0.00
0.00 0.00 0.00 0.00
0.00
0.00
0.02
0.47
0.00 0.11 0.03 0.01
0.20
0.01
0.04
0.17
0.12 0.04 0.16 0.01
0.06
0.01
0.00
0.12
0.03 0.53 0.01 0.04
0.03
0.09
0.21
0.17
0.04 0.03 0.05 0.01
0.06
0.01
0.08
0.17
0.02 0.20 0.26 0.14
0.03
0.00
0.25
0.17
0.06 0.04 0.01 0.00
0.31
0.00
0.00
0.14
0.08 0.03 0.07 0.01
0.14
0.05
0.01
0.02
0.04 0.00 0.03 0.00
0.00
0.00
0.03
0.24
0.06 0.04 0.08 0.01
0.27
0.06
0.00
0.01
0.08 0.25 0.02 0.02
0.09
0.02
0.17
0.15
0.00 0.07 0.01 0.00
0.03
0.00
0.20
0.31
0.00 0.02 0.02 0.01
0.03
0.00

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

La mala performance del mtodo de clasificacin convencional puede explicarse

a la variabilidad en las fechas de siembra, a la diversidad de cultivos
implantados en el perodo estival y a la heterogeneidad en cuanto al estado de
las plantas dentro de un mismo lote. Todo esto responde al patrn catico de
los suelos de la regin y a su marginalidad para realizar agricultura. Esto queda
representado en la tabla 15.
Estos resultados son coincidentes con lo mencionado por el USGS y la NASA,
donde queda explicitado que la definicin media de los satlites Landsat
llegara a escalas 1:100.000, pudiendo incrementarse hasta 1:50.000 para
detectar cuerpos de agua o zonas con usos del suelo muy homogneas y
contrastantes. La principal limitante de este sensor para detectar usos
especficos del suelo reside en su baja resolucin espectral (ancho de banda).
Debe quedar claro que esta familia de satlites fue desarrollada para estudios
regionales.
Tabla 15: valores medios de NDVI, para los usos del suelo detectados durante
el ciclo estival, dentro de cada cluster
cluster
Datos
Promedio
de DIC03

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

44.33 29.34 8.26

53.28 63.47 61.18 62.10 21.49 65.97 29.48
44.95 59.58 59.22 43.50 16.12 79.84 15.00

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

72.17 8.98 84.95

75.09
81.17
75.56 69.15 34.53
0.57 47.17 3.20
60.25 18.79 83.64

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.