Está en la página 1de 123

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 IMÁGENES DIGITALES.

9. PROCESAMIENTO DE LAS IMÁGENES 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.

Página 1 de 123
1. DEFINICIONES Y CONCEPTOS FUNDAMENTALES.

Percepción remota (PR) es la ciencia y arte de obtener información de un objeto, área o


fenómeno a travéés del análisis de los datos adquiridos mediante algún dispositivo que
no esta en contacto físico con el objeto, área o fenómeno investigados.

Los humanos tomamos conocimiento del mundo exterior detectando y midiendo los
cambios que los objetos imponen a los campos que los envuelven, según sean
éstos electromagnéticos, acústicos, gravimétricos o magnéticos: bastará poseer el sensor
adecuado para cada caso. Desde un punto de vista práctico, más acorde a nuestros fines,
podemos restringir la generalidad de este concepto limitándonos a utilizar el término
“percepción remota” (o “teledetección”) en conexión con técnicas electromagnéticas de
adquisición de información. Si quisiéramos historiar la evolución de la percepción
remota deberíamos, en un sentido estricto, retroceder algunos cientos de millones años
cuando alguna forma inferior de vida comenzó a diferenciar algunas de sus células
volviéndolas fotosensibles, proceso que evolucionó también durante millones de años
hasta convertirlas en un sensor altamente sofisticado como el ojo humano. Si bien éste
fue y sigue siendo el sensor utilizado en muchas aplicaciones cotidianas de la
percepción remota, ya desde el siglo XIX comenzó a ser sustituído por un mecanismo
que lo imitaba ofreciendo algunas ventajas como el del registro permanente de las
observaciones: la cámara fotográfica. Esta fue montada en plataformas tan dispares
como palomas y globos aerostáticos en un principio, luego en aviones y en épocas más
recientes en las primeras plataformas orbitales. El vertiginoso desarrollo de estas
últimas, acompañadas por los avances tecnológicos paralelos llevaron a la situación
actual en que innumerables plataformas orbitan la Tierra observándola con sofisticados
sensores como escáneres multiespectrales, sensores térmicos infrarrojos, sistemas de
radar y laser, etc.

La Percepción Remota involucra dos procesos básicos:

· Adquisición de datos desde plataformas con sensores adecuados


· Análisis de los datos mediante dispositivos visuales o digitales

Muchas veces la información así adquirida se complementa con datos de referencia ya


existentes de la región en estudio (mapas de suelos, estadísticas de cosechas, planos
catastrales, etc.) Toda esta información es usualmente combinada en forma de capas de
Página 2 de 123
información en lo que usualmente se denomina un SIG (Sistema de
Información Geográfico) o GIS de acuerdo a sus siglas en inglés.

FIG 2

Página 3 de 123
2. NATURALEZA DE LAS RADIACIONES ELECTROMAGNÉTICAS

Dada la importancia de las radiaciones electromagnéticas en la adquisición de


información por PR se justifica estudiar su naturaleza con mayor detalle. La energía
electromagnética o energía radiante es una entidad física que se manifiesta bajo dos
aspectos complementarios entre sí: el ondulatorio y el corpuscular. La concepción
ondulatoria que permite explicar ciertos fenómenos como los de difracción e
interferencia interpreta la la radiación como un campo eléctrico y uno magnético
oscilando en planos perpendiculares (Fig. 3). El fenómeno 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 eléctrico o magnético. El intervalo de
tiempo transcurrido entre dos instantes consecutivos en que uno u otro campo alcanza
igual valor se denomina período t. Se define la frecuencia de la radiación como la
relación 1/t que se expresa en ciclos por segundo

Fig 3.

La concepción corpuscular permite explicar ciertos hechos experimentales como el


efecto fotoeléctrico y la absorción de radiación por las moléculas y consiste en
concebir la radiación como un haz de corpúsculos llamados cuantos de radiación o
fotones que se desplazan en la dirección del haz con la velocidad de la luz.

Las concepciones ondulatoria y corpuscular de la radiación se concilian en la relación


de PLANCK:

La relación de Planck permite que un haz de radiación de determinada frecuencia


(o longitud de onda) sea interpretado como un flujo de cuantos de determinada energía.
En la Fig. 5 se representa el espectro electromagnético. Obsérvese que la región visible

Página 4 de 123
del espectro electromagnético representa sólo una pequeña
fracción de éste.

Por razones de practicidad se utilizan diferentes unidades de longitud de onda según la


región espectral considerada. En nuestro estudio, que se centrará fundamentalmente en
las regiones conocidas como visible e infrarrojo nos bastará con recurrir a los
micrómetros o micras (1 µm= 10-4 cm)o a los nanometros (1 nm = 10-3 µm). Para las
regiones de radar convendrá referirse a centímetros.

Obsérvese que la región visible del espectro electromagnético representa sólo una
pequeña fracción de éste.

Por razones de practicidad se utilizan diferentes unidades de longitud de onda según la


región espectral considerada. En nuestro estudio, que se centrará fundamentalmente en
las regiones conocidas como visible e infrarrojo nos bastará con recurrir a los
micrómetros o micras (1 µm= 10-4 cm) oalos nanometros (1 nm = 10-3 µm). Para las
regiones de radar convendrá referirse a centímetros.

Página 5 de 123
3. INTERACCION DE LA RADIACION CON LA MATERIA Y ORIGEN DE
LOS ESPECTROS.

Los objetos físicos se hallan constituidos por sistemas atómico-moleculares. El


contenido energético total de tales sistemas puede considerarse, en una primera
aproximación, como la suma de varios aportes energéticos: energía translacional,
energía vibracional, asociada a las vibraciones de los átomos en torno a sus posiciones
de equilibrio en las moléculas, energía rotacional, asociada a las rotaciones de la
molécula en torno a ciertos ejes y energía electrónica, asociada a los electrones
contenidos en la molécula: algunos de tales electrones participan decisivamente en los
enlaces químicos intramoleculares. Salvo la energía translacional las demás formas de
energía están sujetas a severas restricciones impuestas por la Mecánica Cuántica, no
pudiendo adoptar sino ciertos valores discretos de energía que se denominan niveles
energéticos. La Fig. 6 esquematiza una distribución de niveles energéticos para una
molécula hipotética.

Con A y B representamos dos niveles electrónicos, que son los que involucran un
mayor diferencial de energía. Cada uno de ellos posee sus propios niveles
vibracionales v y a su vez éstos poseen una estructura “fina” rotacional r.

En la misma figura se representa una transición entre los dos niveles electrónicos., Esta
puede iniciarse y terminar en diversos niveles vibracionales o rotacionales de ambos
niveles electrónicos, siempre que ciertas reglas de selección de la Mecánica Cuántica
autoricen tal transición. Para nosotros el hecho más importante a destacar es que los
patrones de niveles energéticos como el representado en la Fig 6 son específicos de
cada especie atómico-molecular.

Página 6 de 123
En condiciones usuales de temperatura ambiente los sistemas atómico-moleculares
suelen encontrarse en sus niveles energéticos más bajos, pero por el aporte de diversas
formas de energía (eléctrica, térmica, electromagnética, etc.) pueden ser excitados a
niveles energéticos superiores. Si la energía suministrada al sistema es suficiente podrá
provocar transiciones entre niveles electrónicos, usualmente acompañadas, como ya
vimos, por cambios vibracionales y rotacionales. Si las energías aportadas son menores
las transiciones sólo se producirán entre niveles vibracionales e incluso sólo
rotacionales. Consideremos la excitación de las moléculas por aporte de energía
radiante mediante un haz de radiación que posea un rango continuo de longitudes de
onda (o, lo que es equivalente, por un haz de fotones cuyas energías cubren un amplio
rango continuo de valores): este es el caso típico de la radiación emitida por el sol o por
cuerpos incandescentes. Este tipo de radiación suele llamarse continua o de espectro
continuo. El objeto o sistema irradiado absorberá aquellos fotones que poseen la
energía justamente necesaria para producir las transiciones que le son permitidas. Es así
que en el haz transmitido o reflejado luego de interaccionar con el sistema el número de
fotones de ciertas longitudes de onda se verá reducido, o dicho de otro modo, la
intensidad de las radiaciones de determinadas longitudes de onda se verá reducida.

Este efecto se representa en el caso hipotético de la Fig. 7: un haz incidente de


composición espectral dada por la curva A ve modificada dicha composición espectral
de acuerdo a la curva B, que puede ser considerada la curva espectral del objeto
irradiado.

La forma de dicha curva depende del patrón de niveles energéticos del objeto irradiado
y siendo dicho patrón altamente específico para el sistema atómico molecular del
objeto irradiado, es decir de su estructura química, la curva espectral de éste constituye
algo así como una impresión digital o firma espectral del objeto en cuestión
permitiendo su identificación.

Página 7 de 123
4. INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA
SUPERFICIE TERRESTRE.

Cuando la radiación 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 energético según la ley de la conservación de la energía

Es decir que la energía incidente se fracciona en varios componentes: energía reflejada,


absorbida y/o transmitida, siendo todos estos componentes dependientes de la longitud
de onda. Conviene aquí destacar dos puntos:

• La proporción de energía reflejada, absorbida o transmitida variará con los diferentes


objetos, dependiendo del tipo de material que compone dichos

objetos así como de su condición.Esto permite identificar diferentes objetos en una


imagen.

• La dependencia con la longitud de onda determina que la proporción de energía


reflejada, absorbida y/o transmitida varíe para las diferentes longitudes de onda. Esto
hace que dos objetos que pueden ser indistinguibles entre sí en un dado rango espectral
puedan ser perfectamente diferenciados en otro rango. Es conocido el uso de película
infrarroja en lugar de la pancromática común para detectar, por ejemplo, equipos
bélicos camouflados. La manera como un objeto refleja la energía que incide sobre él
afecta sensiblemente las características de la energía que detecta un sensor que esté
observando dicho objeto. En efecto, el tipo de reflexión que se produce quedará
determinado por la textura o grado de rugosidad de la superficie del objeto así como
del ángulo de incidencia de la energía radiante sobre el objeto. La reflexión especular
se produce cuando la radiación incide sobre una superficie relativamente lisa (esto
ocurre cuando el tamaño de las partículas de la superficie es menor que la longitud de
onda de la radiación incidente). En este caso los ángulos de incidencia y reflexión son
iguales, siguiendo las leyes de la óptica geométrica. La reflexión difusa o lambertiana
ocurre en el caso inverso, es decir cuando la superficie es más rugosa y la longitud de
onda de la radiación incidente es menor que el tamaño de las partículas de la
superficie. En este caso la radiación es reflejada en todas direcciones. Ver Fig. 9.

Página 8 de 123
Entre estos dos casos caben todas las posibilidades intermedias.

Como puede observarse (a) (b) también en la Fig. 9 (c) en el caso de la reflexión difusa
la radiación penetra hasta cierta profundidad en el material y tiene oportunidad de
interaccionar con los componentes químicos de éste. La radiación reflejada en forma
difusa posee pues más información que la especular acerca del objeto irradiado.
Obviamente, en Percepción Remota será pues particularmente importante medir las
propiedades de la reflectancia difusa de los objetos terrestres. Las características del
fenómeno de reflexión por parte de un objeto sobre la superficie terrestre puede ser
cuantificada midiendo la porción de energía incidente sobre el objeto que es reflejada
por éste. Podemos entonces definir la Reflectancia Espectral como:

Dada su simplicidad y claridad el concepto de superficie lambertiana se utiliza


usualmente como una aproximación del comportamiento óptico de los objetos
observados por percepción remota. Sin embargo, esta es una aproximación 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 sólo con la longitud de onda sino también
con los ángulos de irradiación y de observación. Se define así una Función de
Distribución de Reflectancia Bidireccional (BRDF: bidirectional reflectance
distribution function) que no es sino la reflectancia espectral de un objeto en función
delas geometrías de iluminación y observación que se le apliquen. La función BRDF es
necesaria en muchas aplicaciones de percepción remota para efectuar correcciones en
mosaicos de imágenes, para clasificaciones de coberturas terrestres, para detección de
Página 9 de 123
nubes, correcciones atmosféricas etc. y se han desarrollado modelos matemáticos para
representarla. Si bien no entraremos en mayores detalles sobre este tema debemos
señalar que esta función, matemáticamente compleja, simplemente describe algo que
nosotros observamos día a día: que los objetos lucen diferentes cuando los observamos
desde diferentes ángulos o cuando los iluminamos desde diferentes direcciones. Así
por ejemplo, el campo de soja de la Fig. 10 cuando el observador está de espaldas al
sol (a) o cuando está de frente a él (b). En este último caso se observa la reflexión
especular de muchas hojas.

Dada la importancia de la reflectancia espectral en Percepción Remota creemos


interesante analizar aquí las características espectrales de algunos objetos que aparecen
muy frecuentemente en las aplicaciones de esta tecnología: vegetación, suelo y agua.
En la Fig. 11 se representan las correspondientes curvas de reflectancia espectral.

Página 10 de 123
LA REFLECTANCIA EN LOS VEGETALES

La reflectancia de los vegetales es usualmente relativamente baja en la región visible,


con un máximo a aproximadamente 0.53 µm, es decir en el verde. Aumenta
bruscamente en el infrarrojo (IR) para luego caer a valores muy bajos a 2.5 µm. La baja
reflectancia en el visible se atribuye a la elevada absorción de los pigmentos vegetales,
principalmente clorofila. Estos pigmentos, sin embargo, son altamente transparentes a la
radiación IR, y la elevada reflectancia en dicha región estaría determinada por la
estructura interna de la hoja.

Los mínimos de reflexión a 1.45, 1.95 y 2.5 µm corresponden a la elevada absorción de


las moléculas 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 están
tapizadas por una simple capa de células epidérmicas

Página 11 de 123
carentes de clorofila y recubiertas por una delgada película de ceras. El tejido
mesodérmico entre las dos epidermis está formado por dos capas. La superior contiene
células oblongas dispuestas en forma regular y ordenada (tejido en empalizada). Estas
células son ricas en las clorofilas a y b que están contenidas en cuerpos subcelulares
denominados cloroplastos, componentes predominantes del grupo de cromoplastos
que también 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 mesodérmico es esponjoso, formado por células 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
radiación que atraviesa la hoja. Generalmente sólo una pequeña fracción de la
radiación incidente es reflejada directamente por la superficie externa.pues la cutícula y
la epidermis son casi transparentes al visible y al IR cercano. Otra fracción de
radiación puede ser transmitida directamente a través de la hoja. Finalmente, el resto de
la radiación sufre interacciones con la estructura interna de la hoja. Parte de ella puede
ser absorbida por los pigmentos de la hoja ,pero una fracción importante sufre
reflexiones y refracciones múltiples en el tejido esponjoso debido a la sensible
diferencia de índices de refracción entre el aire (n=1.0) y las paredes de las células
hidratadas (n=1.3).

Como consecuencia de tales reflexiones parte de la radiación vuelve hacia atrás,


pudiendo emerger como radiación reflejada. Como la clorofila es transparente al IR
cercano la hoja refleja intensamente dicho rango espectral (en dicha región típicamente
es reflejado un 40-50% de la radiación incidente en la hoja). Resumiendo, podemos
decir que las características espectrales de la radiación reflejada por una hoja en la
región visible depende fundamentalmente de la absorción de radiación por parte de los
pigmentos de la hoja, mientras que en el IR cercano, en la región de 0.7 a 1.3 µm, es
consecuencia primaria de la estructura interna de la hoja. Para valores superiores a 1.3
µm aparecen mínimos de reflectancia a 1.4, 1.9 y 2.7 µm asociados a las bandas de
absorción del agua. SUELOS.

La curva de reflectancia espectral de suelos es más monótona que la de la vegetación.


Entre los factores que afectan la reflectancia del suelo citemos su contenido de
humedad, su textura, rugosidad, presencia de materia orgánica y contenido de óxido de
hierro.. en particular, el contenido de humedad está estrechamente ligado a la textura:
los suelos arenosos, de partículas grandes, usualmente están bien drenados, resultando
con baja humedad y relativamente alta reflectancia. La inversa ocurre con los suelos

Página 12 de 123
mal drenados. La rugosidad y la materia orgánica, así como el óxido de hierro
disminuyen la reflectancia del suelo, a lo menos en la región visible.

LA REFLECTANCIA EN EL AGUA

Absorbe intensamente en el IR cercano: los cuerpos de agua aparecerán en dicha región


como cuerpos oscuros, facilitando su observación y delineamiento. Para longitudes de
onda visibles hay factores que complican la interpretación. En efecto, la reflectancia de
un cuerpo de agua puede generarse por interacción con la superficie (reflexión
especular), con material en suspensión o con el fondo mismo del cuerpo de agua. El
agua clara absorbe poca energía con longitudes de onda por debajo de 0.6 µm, pero a
medida que aumenta la turbidez la reflectancia en el visible aumenta rápidamente.
Igualmente la presencia de clorofila (algas, fitoplancton) modifica la reflectancia
del agua, efecto que se aplica al monitoreo por percepción remota de concentraciones de
algas. La Fig. 13 es una imagen MODIS que permite observar los sedimentos en el Río
de la Plata provenientes de los ríos Paraná y Uruguay y que se extienden hasta
aproximadamente Atlántida.

LA REFLECTANCIA EN LOS SUELOS

La curva de reflectancia espectral de suelos es más monótona que la de la vegetación.


Entre los factores que afectan la reflectancia del suelo citemos su contenido de
humedad, su textura, rugosidad, presencia de materia orgánica y contenido de óxido de
hierro, en particular, el contenido de humedad está estrechamente ligado a la textura:
los suelos arenosos, de partículas grandes, usualmente están bien drenados, resultando
con baja humedad y relativamente alta reflectancia. La inversa ocurre con los suelos
mal drenados. La rugosidad y la materia orgánica, así como el óxido de hierro
disminuyen la reflectancia del suelo, a lo menos en la región visible.

Página 13 de 123
5. INTERACCIONES ATMOSFERICAS

La radiación registrada por sensores remotos debe realizar una trayectoria a través de
la atmósfera, a consecuencia de la cual sufre variados efectos. La entidad de éstos
depende del trayecto recorrido, de las condiciones atmosféricas presentes y de la
longitud de onda de la radiación. En general intervienen dos mecanismos principales:
dispersión y absorción.

DISPERSION: Es una difusión de la radiación producida por partículas de la atmósfera y


podemos considerar tres mecanismos principales: dispersión de Rayleigh, dispersión de
Mie y dispersión no selectiva. La dispersión de Rayleigh es consecuencia de la
interacción de la radiación con moléculas de los gases atmosféricos y con otras
partículas pequeñas de diámetro mucho menor que la longitud de onda de la radiación
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 existirá mayor tendencia a dispersar las longitudes de onda más


cortas. El “azul del cielo” se debe a este efecto: en ausencia de él el cielo aparecería
negro, pero como la atmósfera dispersa sobretodo las cortas longitudes de onda (como
el azul en el rango de espectro visible) el cielo nos aparece azul. La dispersión de
Rayleigh es una de las causas primarias de nebulosidad en muchas imágenes que ven
así reducida su nitidez o contraste. La dispersión de Mie se produce cuando los
diámetros de las partículas atmosféricas son esencialmente iguales a la longitud de
onda de la radiación (vapor de agua, polvo fino, etc.) y tiende a influenciar la radiación
de longitudes de onda mayores que las afectadas por la dispersión de Rayleigh.

La dispersión no selectiva constituye un fenómeno mucho más molesto que los


anteriores y se produce cuando los diámetros de las partículas que producen la
dispersión son mucho mayores que las longitudes de onda con que interaccionan. Un
ejemplo típico lo constituyen pequeñas gotas de agua con diámetros 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 dispersión no selectiva respecto a la longitud de onda

Página 14 de 123
ocurrirá que en el espectro visible se dispersan en igual proporción 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 dispersión, en la absorción se produce una


transferencia de energía de la radiación a los constituyentes atmosféricos. Este
mecanismo implica absorción de energía de determinada o determinadas longitudes de
onda. Desde este punto de vista los absorbentes más eficaces de radiación solar son las
moléculas de agua, de dióxido de carbono y ozono. La absorción selectiva de ciertas
longitudes de onda por estas moléculas hace que la atmósfera constituya un medio
opaco para ciertos rangos espectrales, mientras que ofrezca ventanas libres de
absorción para otros rangos. A través de dichas ventanas deben mirar los satélites de
observación. En la Fig.15 se observan los efectos combinados que diversos
componentes atmosféricos ejercen sobre la radiación electromagnética solar en el
rango de 0.1 a 3mm a través de la absorción, dispersión y eventual reflexión en nubes.

Página 15 de 123
6. LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES

Hemos visto cómo las radiaciones electromagnéticas, fundamentalmente emitidas por


el sol y reflejadas por los objetos terrestres, o incluso emitidas por dichos objetos (p.ej.
en el infrarrojo térmico), todas más o menos afectadas por efectos atmosféricos, se
combinan generando “señales” de las cuales es posible extraer información acerca de
dichos objetos y de las coberturas terrestres. La detección de tales señales
electromagnéticas puede efectuarse por medios fotográficos o electrónicos.
Históricamente fueron la placa o el film fotográfico, usualmente sobre plataformas
aéreas, los sensores remotos por excelencia. Estos, a partir de las últimas décadas,
debieron convivir con los sensores electrónicos, más adecuados para las exigencias a
que son sometidos sobre plataformas suborbitales y satelitales. De todos modos la
detección sobre plataformas aéreas, sea con sensores fotográficos o electrónicos sigue
constituyendo una valiosa fuente de información en un amplio rango de aplicaciones, y
la decisión final sobre el uso de tal o cual tipo de plataforma debe ser cuidadosamente
analizada, particularmente cuando la relación costo/beneficio gravita sensiblemente
sobre el presupuesto de un proyecto. Fue a partir de la década del 60 que comenzó el
desarrollo vertiginoso de la percepción remota desde plataformas satelitales. Distintos
factores han condicionado este comportamiento que ha ido llevando a la percepción
remota satelital a una etapa esencialmente comercial. El más importante de dichos
factores fue seguramente la liberación para aplicaciones civiles al fin de la Guerra Fría
de tecnología reservada hasta entonces para uso militar. Hasta 1946 la observación
terrestre por percepción remota se efectuaba desde aviones o globos. En 1946 se
adquirieron las primeras fotografías desde cohetes V2 capturados a los alemanes,
siendo estas experiencias decisivas para ilustrar el potencial de la fotografía desde
alturas orbitales. Este potencial se volvió más evidente con las misiones orbitales y
espaciales a partir de la década del 60: uno de ellos fue el proyecto CORONA de
espionaje militar. Un número no determinado de estos satélites de corta vida (1 a 16
días) orbitando a unos 130 km de altura y utilizando cámaras fotográficas de alta
resolución realizó misiones de espionaje entre los años 1960 y 1972. El caudal
fotográfico así obtenido fue desclasificado en 1995. En la Fig. 16 se observa una
imagen de las ciudades de Artigas y Quarai obtenida en el año 1965 por un Satélite
Corona.

Página 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
realizó la primera experiencia controlada de fotografía orbital multiespectral. Estas
experiencias fueron continuadas en posteriores misiones (Skylab,Apolo-Soyuz, etc.)

Sin embargo, el año 1972 marca un hito en el avance de la percepción remota satelital
con el lanzamiento, por parte de E.E.U.U., del primero de una serie de satélites ópticos
especialmente destinados a monitorear los recursos terrestres. Dicha serie se llamó
LANDSAT y actualmente operan Landsat-5 y Landsat-7, Fig. 17, este último
actualmente con serias dificultades en su sistema de barrido constituyendo un
obstáculo para muchas de sus aplicaciones. Por su parte Francia, con la participación
de Suecia y Bélgica, lanzó en 1986 el primer satélite 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 países o resultantes de acuerdos entre dichos países (Rusia,
Japón, India, Argentina, China, Brasil, etc.). En general todos estos satélites se
caracterizan por órbitas quasi polares y solar –sincrónicas con parámetros similares a
los ejemplificados en la Fig. 19. En una órbita solar-sincrónica la rotación de la Tierra
en torno al sol, la inclinación de la órbita y el período orbital son tales que en cada
órbita el satélite cruza el Ecuador a la misma
hora solar local. En el caso del Landsat es a la
hora 09:45.

Adelantándonos a un tema que más adelante


analizaremos respecto a la resolución espacial
de los satélites, es decir, el tamaño mínimo de
los objetos que son capaces de discernir en sus
imágenes, diremos que los satélites que
acabamos de mencionar son de resolución
espacial moderada, pudiendo variar entre 5 y 30
m.
Página 17 de 123
En los últimos años se han puesto en órbita satélites comerciales de alta resolución
espacial como el Ikonos (Fig.20), el Quickbird (Fig.21) y el Orbview-3 (Fig.22). Las
órbitas de estos satélites son más bajas(680 y 450 km) y sus resoluciones espaciales
alcanzan a 1 m y 0.6m. La Fig. 23 permite apreciar visualmente en imágenes de un
cultivo agrícola el efecto de la resolución espacial.

Como una posibilidad ofrecida por los últimos desarrollos espaciales debemos
mencionar la adquisición de imágenes desde la Estación Espacial Internacional (ISS)
(Fig. 24) que vino a sustituir a la estación rusa MIR, que debió ser destruida al cabo de
su vida útil.

SATELITES METEOROLOGICOS Y AGROMETEOROLOGICOS

Existen también otras series de satélites destinados fundamentalmente a misiones


meteorológicas, agrometeorológicas, atmosféricas y oceánicas. Algunos de estos
satélites, como los de las series NOAA (Nacional Oceanic and Atmospheric

Página 18 de 123
Administration -USA), SEA STAR (USA) describen órbitas cuasi polares sincrónico-
solares a altitudes del orden de 850 km y resoluciones espaciales de 1km. Otros
satélites, como los de las series GOES (Geostationary Operational Environmental
Satellite) y METEOSAT (Eutmetsat – Europa), etc. Se mantienen en órbitas
geoestacionarias a aproximadamente 36000 km y con resoluciones espaciales de 1km.
Debe tenerse en cuenta que el período de un satélite, es decir el tiempo que tarda en
completar su órbita aumenta con la altitud: a 36000 km un satélite posee el mismo
período que la Tierra. Así, si se posiciona en el plano ecuatorial permanece estacionario
respecto a la superficie de la Tierra, es decir, observando siempre el mismo hemisferio. La
operación de estos satélites se esquematiza en la Fig. 25

LOS NUEVOS SATELITES PARA LA OBSERVACION DE LA TIERRA

Numerosos satélites orbitan actualmente la Tierra en misiones de observación no sólo


de las coberturas terrestres sino también de su atmósfera, sus océanos,etc., y en
general investigando la interacción de los dinámicos sistemas geofísicos. Estos
satélites 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 satélites TERRA (y su gemelo AQUA) y ENVISAT. TERRA es un
satélite multinacional de investigación científica de la NASA. Recorre una órbita solar-
sicrónica y es la “nave insignia” del Earth Observing System de la NASA. Fue puesto en órbita
en febrero del 2000 y transporta a bordo cinco sensores remotos destinados a medidas
terrestres ambientales y de cambios en el sistema climático. El ENVISAT , lanzado en el 2002
en órbita solar-sincrónica y operado por la ESA es posiblemente el mayor satélite de
observación construido hasta el momento (8000 kg). Transporta a bordo 10 sofisticados
sensores ópticos y de radar para monitorear permanentemente las cubiertas terrestres y
oceánicas, la atmósfera y los casquetes polares.

RECEPCION Y TRANSMISION DE LA INFORMACION SATELITAL

Página 19 de 123
Ya mencionamos que los satélites utilizan sensores diferentes a los de la fotografía
convencional. En general se trata de sensores electrónicos de estado sólido, adecuados
a las regiones espectrales para las que se desea obtener imágenes. Como detallaremos
más adelante cada satélite puede registrar las imágenes terrestres simultáneamente en
varias regiones visible e infrarrojo cercano, medio o térmico del espectro
electromagnético. Los sistemas óptico-telescópicos del satelite enfocan las escenas
terrestres sobre arreglos de tales detectores y las señales analógicas generadas por éstos
son digitalizadas para su retransmisión, sea a otros satélites geosincrónicos sea a
estaciones rastreadoras terrenas. Estas posibilidades se esquematizan en la Fig.26.

Los datos del satélite B pueden ser transmitidos directamente a una estación terrena si
ésta está en la línea de visión del satélite (A).

En caso contrario la información puede ser almacenada a bordo de B para su posterior


retransmisión a una estación terrena. B puede también enviar sus datos a un sistema
satelital repetidor que consiste en una serie de satélites de comunicaciones en órbita
geosincrónica. Los datos son enviados de un satélite repetidor C) a otro hasta alcanzar
un estación terrena adecuada.

Página 20 de 123
7. SENSORES

7.1. Consideraciones generales. Hemos visto cómo la radiación electromagnética es


portadora de la información acerca deaquellos materiales u objetos de interés en
percepción remota. Pero para adquirir y luegopoder procesar dicha información son
necesarios ciertos dispositivos denominados sensores. Existen gran número de sensores
destinados a numerosas aplicaciones, muchas de las cuales caen fuera del área
específica de nuestro estudio. Aquí nos concentraremos fundamentalmente en los
llamados espectroradiómetros de barrido (scanning radiometers) de particular
importancia en sistemas de percepción remota.En la gran mayoría de estos
instrumentos el mecanismo de base es el efecto fotoeléctrico: cuando un haz de fotones
incide sobre una placa negativamente cargada o sobre algún material fotosensible
adecuado se produce una emisión de partículas negativas (electrones). Estos electrones
pueden fluir desde la placa generando una señal electrónica. La magnitud de la
corriente eléctrica producida (número de fotoelectrones por unidad de tiempo) es
directamente proporcional a la intensidad luminosa. La energía cinética de
losfotoelectrones emitidos varía con la longitud de onda asociada a los fotones
incidentes. Sinembargo, debe tenerse en cuenta que diferentes materiales que
manifiestan el fenómeno fotoeléctrico liberan fotoelectrones bajo diferentes intervalos
de longitudes de onda: cada uno de ellos presenta un umbral de longitudes de onda
para el que el fenómeno se manifiesta y otro umbral de longitudes de onda para el que
el fenómeno cesa. Los sensores que aquí nos interesan son del tipo pasivo,
caracterizados porque la radiación que llega a ellos proviene de una fuente externa
(p.ej. el Sol). Además, los electrones liberados son capaces de inducir la formación de
una imagen cuando son recogidos por dispositivos adecuados de detección (detectores)

Como los sensores son instrumentos capaces de medir cuantitativamente la radiación


electromagnética en determinadas regiones del espectro se denominan radiómetros.
Cuando este sensor incluye además un componente del tipo de un prisma o red de
difracción o filtros de interferencia que pueden dispersar la radiación de una dada región
del espectro en longitudes de onda discretas que son dirigidas hacia los detectores se
denomina espectrómetro. Cuando la radiación es dispersada no en longitudes de onda
discretas sino en bandas espectrales más anchas, es decir cubriendo ciertos intervalos de
longitudes de onda el término más conveniente para el sensor es espectroradiómetro.
Este es el caso más usual en los sensores aeroespaciales. Como en general estos
sensores se desplazan barriendo la escena estática que están observando se dice que
operan en modo de barrido o escaneado (scanning mode). Podemos distinguir dos
categorías de estos escáneres: los óptico- mecánicos y los óptico-electrónicos. Los
primeros se caracterizan por tener un componente mecánico, p.ej. un espejo rotativo que
opera en el barrido de la escena, mientras que los segundos el mismo sistema óptico
enfoca la radiación sobre un arreglo lineal de detectores.

Otra característica que conviene distinguir en los sensores remotos es la manera como
ellos registran la información a medida que avanzan según su trayectoria u órbita. En
general el área barrida se extiende a ambos lados de la trayectoria (swath width) y su
anchura queda determinada por la óptica del sistema por ej. por el telescopio que debe
llevar el sistema para observaciones desde cientos de kilómetros de altura y determina
el campo de visión (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
Página 21 de 123
whiskbroom mode) normalmente utiliza un espejo rotatorio u oscilante, es decir que
constituye un sistema óptico-mecánico. Este barre la escena a lo largo de una línea
simple (o múltiple) transversal a la trayectoria. Esta línea es muy larga (kilómetros)
pero muy angosta (metros).

Cada línea se subdivide en una secuencia de elementos espaciales individuales cada


una de las cuales representa una pequeña área de la escena terrestre que se examina.

O sea que a lo largo de la línea existe un arreglo de celdas continuas, cada una de las
cuales refleja radiación y que son sensadas secuencialmente a lo largo de la línea. En el
sensor cada una de estas celdas está asociada a un pixel (o picture element) ligado a un
detector microelectrónico y se caracteriza por un dado valor de radiación que a través
del efecto fotoeléctrico genera una corriente electrónica.

El área cubierta por el píxel, es decir el área de la celda terrestre que se corresponde a
dicho píxel, queda determinada por el Campo de Visión Instantánea del sensor
(Instantaneous Field of View – IFOV).

El IFOV podemos definirlo como el ángulo sólido que se proyecta desde el detector al
área terrestre que está midiendo en cada instante. El IFOV es función de la óptica del
sensor, del tamaño del detector, de la altitud de la plataforma, etc. Los electrones
emitidos son recogidos sucesivamente, píxel por píxel, generando una señal variable
que representa la variación espacial de la radiación por el muestreo progresivo que el
sensor va efectuando sobre la escena terrestre estudiada. Esto permite asignar a cada
píxel un valor discreto llamado Número Digital (DN – digital number). Estos números
digitales resultan de convertir las señales analógicas generadas por el detector en valores
digitales constituidos por números enteros que cubren un intervalo finito, por ejemplo
28 cubriendo el intervalo de 0 a 255. Estos valores digitales permitirán construir la
imagen a través de dispositivos adecuados, por ejemplo el monitor de una computadora.
Página 22 de 123
En el modo de barrido en la dirección de la trayectoria (along track pushbroom) no
existe espejo oscilante, sino un arreglo lineal de pequeños detectores cuyas minúsculas
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 más adelante).
En este modo de barrido, los píxeles que constituirán la imagen final corresponden a
estos microdetectores con sus correspondientes filtros incorporados en el arreglo lineal.
A medida que la plataforma avanza en su órbita la radiación proveniente de las celdas
terrestres a lo largo del campo de visión del satélite llega simultáneamente a los
correspondientes detectores. La señal generada por cada detector es removida en
milisegundos, siendo el detector reseteado a cero quedando pronto para recibir la
radiación proveniente de la nueva línea del campo de visión.

7.2 Naturaleza de los detectores. En los primeros tiempos de la percepción remota los
detectores eran del tipo de los fotomultiplicadores. Actualmente la mayoría de los
detectores son de estado sólido, constituido por aleaciones o metales semiconductores.
Estos poseen una conductividad eléctrica 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 energía completo (desde el punto de vista de la configuración
electrónica del modelo atómico mecánicocuántico). Bajo ciertas condiciones, como la
interacción con fotones, electrones de dicho nivel son excitados a otro nivel
denominado banda de conducción. La resistencia a esta transferencia varía
inversamente al número de fotones incidentes. Diferentes materiales responden de
distinta manera a las diferentes longitudes de onda (es decir, a la energía de los
fotones), lo que los hace espectralmente selectivos. Es así que para la región visible se
utilizan fotodiodos de silicio y de PbO (óxido de plomo), en el infrarrojo cercano PbS
(sulfuro de plomo) e In-As (indio-arsénico), en el infrarrojo medio (3-6 µm) InSb
(indioantimonio) y en el infrarrojo térmico (8 –14 µm) Hg-Cd-Te (mercurio-cadmio-
teluro). Estos últimos deben ser enfriados a muy bajas temperaturas para optimizar la
eficiencia de la emisión electrónica. Uno de los dispositivos que en los últimos tiempos
ha adquirido gran importancia es el detector de acoplamiento de carga (charge-coupled
device – CCD).

Un CCD está formado por un material fotosensible embebido en un chip de silicio. Se


genera en éste un foso de potencial que recibe los electrones liberados por los fotones
incidentes en el chip posteriormente a su enfoque y filtración por el sistema óptico. Los
componentes fotosensibles del chip pueden llegar a ser muy pequeños, del orden de 1µ
de diámetro. Estos elementos pueden ser interconectados a través 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

Página 23 de 123
La Fig. 29 muestra una imagen obtenida con un microscopio electrónico de un
fragmento de un arreglo lineal de CCD´s.

Página 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 recolección de datos por percepción remota hemos seleccionado como
ejemplos típicos los casos de dos plataformas clásicas cuyas respectivas familias han
contribuido y siguen contribuyendo decisivamente a las aplicaciones prácticas de esta
disciplina: LANDSAT y SPOT. El primer caso es un ejemplo típico whiskbroom y el
segundo de pushbroom. En la Fig 30 se representa el esquema óptico del sensor TM
(Thematic Mapper) diseñado para Landsat-4 y Landsat-5. Nota.-Posteriormente se
desarrolló el ETM (Enhanced Thematic Mapper) para el Landsat-6 , que se perdió en
ellanzamiento. El actual Landsat-7, que permanece operativo junto con el Landsat-5,
lleva a bordo el ETM+ (Enhanced Thematic Mapper Plus). Este último, aunque
similar, presenta mejoras frente al TM, por ejemplo una banda pancromática de 15 m
de resolución y una mayor resolución de las bandas infrarrojas térmicas. Sin embargo,
un defecto aparentemente irreparable en el sistema óptico ha reducido mucho la
eficiencia de sus aplicaciones.

FALTA FIGURA 30

Este sensor está diseñado para tomar imágenes en el nadir, es decir imágenes 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 radiación hacia un corrector de las líneas barrido (SLC-scan lines corrector).
Este último es necesario para corregir el efecto acumulado del desplazamiento del
satélite en su órbita 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 corrección la radiación 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 energía es redirigida por un relay
óptico al plano focal refrigerado (91ºK) para infrarrojo medio y térmico donde se
encuentran los correspondientes detectores con sus filtros. Los detectores para visible e
infrarrojo cercano son de silicio organizados en 4 líneas de 16 detectores cada uno.
Para las bandas 5 y 7 (IR medio) los detectores son de antimoniuro de indio
organizados cada uno en líneas de 16 detectores. Por su parte el detector de infrarrojo
térmico 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
térmica. En el ETM+ del Landsat-7 este último valor ha sido mejorado a 60x60m. La
familia SPOT está constituida por 5 satélites (SPOT-1, lanzado en 1986 hasta el SPOT-
5 lanzado en el 2002) de los cuales están operativos los miembros 1,2,4 y 5. Todos se
caracterizan por el sistema pushbroom de barrido. Los sensores de estos satélites 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 satélite y por poder ser
orientados independientemente para efectuar observaciones con distintos ángulos. En
la Fig. 31 se esquematiza un SPOT con sus dos instrumentos enfocados al nadir. Cada
uno de ellos cubre una línea de barrido de 60 km. En la Fig. 32 se esquematizan las
posibilidades de observación de cada sensor.

Página 25 de 123
La radiación reflejada desde el terreno entra al HRV o HRVIR vía 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 visión total de 117 km y una sobreposición de 3 km. Sin
embargo, es también posible seleccionar desde la estación operadora terrestre ángulos
de observación fuera de nadir. De esta manera es posible observar desde una posición
centrada en la proyección terrestre de la trayectoria del satélite cualquier región de
interés dentro de una franja terrestre de 950 km. Esto hace que, pese a que el satélite
tiene un período de revisita de 26 días, puede observar una misma área en intervalos de
4 o 5 días en pasajes por órbitas cercanas realizando observación oblicua. También
pueden realizarse observaciones en pasajes en días sucesivos de modo que las dos
imágenes sean adquiridas según ángulos a ambos lados de la vertical (Fig.33). Se
obtienen así imágenes para medidas topográficas.

Página 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 satélites:

TM Rango espectral (µm) HRVIR Rango espectral (µm)

Banda 1 0.45-0.52 Banda 1 0.50-0.59


Banda 2 0.52-0.60 Banda 2 0.61-0.68
Banda 3 0.63-0.69 Banda 3 0.79-0.89
Banda 4 0.76-0.90 Banda 4 1.58-1.75
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) 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 también las del SPOT) son las siguientes:

Banda 1 (0.45-0.52µm)(azul): buena penetración en cuerpos de agua. Diferenciación


de suelos y vegetación y de coníferas con vegetación de hojas caducas.

Banda 2 (0.52-0.60µm)(verde): reflectancia en el verde para vegetación en buenas


condiciones.

Banda 3 (0.63-0.69µm) (rojo): absorción de la clorofila.. Diferenciación de especies


vegetales.

Banda 4 (0.76-0.90µm) (infrarrojo cercano): evaluación de biomasa. Delineación de


cuerpos de agua.
Página 27 de 123
Banda 5 (1.55-1.75µm) (infrarrojo medio): estado hídrico en vegetales.
Discriminación entre nubes, nieve y hielo

Banda 6 (10.4-12.5µm) (infrarrojo térmico): stress térmico en vegetales y mapeados


térmicos.

Banda 7 (2.08-2.35µm) (infrarrojo medio): Estudios geológicos, identificación de


zonas con alteraciones hidrotérmicas en rocas.

Página 28 de 123
7. RESOLUCION

7.4 Resolución. Los sistemas de percepción remota difieren en la resolución, es decir,


el nivel de detalle con que pueden capturar las imágenes, su frecuencia temporal,
“finura espectral”, etc.. Desde este punto de vista podemos considerar cuatro diferentes
tipos de resolución: espacial, espectral, radiométrica y temporal.

7.4.1 Resolución espacial. La resolución espacial se refiere a la finura de detalles


visibles en una imagen: cuanto menor es el área terrestre representada por cada píxel en
una imagen digital mayores son los detalles que pueden ser captados y mayor es la
resolución espacial. En las Figs. 26 a, b y c se observan imágenes de una misma región
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 resolución espacial: además de los
obviamente asociados al sensor, como ser el poder resolutivo del sistema
óptico, debemos considerar las influencias atmosféricas, presencia de humo, neblina,
bajos niveles de iluminación, etc.

También existen factores asociados a las características del objeto a detectar y de su


entorno: un buen contraste y bordes nítidos del objeto son favorecen la detección. La
selección de la resolución espacial necesaria para un dado proyecto debe analizarse
cuidadosamente. En efecto, pretender resoluciones mayores que la necesaria encarece el
costo de las imágenes y la carga de proceso.

SATELITES RESOLUCION ESPECTRAL

7.4.2 Resolución espectral. Ya vimos cómo los sistemas de percepción remota están
usualmente diseñados para captar imágenes en determinados rangos de longitudes de
onda denominados bandas o canales. Dependiendo de la aplicación pueden
seleccionarse sensores con bandas relativamente estrechas o anchas. La resolución
espectral se refiere al número y ancho de las bandas espectrales registradas por un
sensor. Cuanto más estrechas sean estas bandas mayor será la resolución espectral. Ya
nos hemos referido brevemente a este tema en la Sec. 7.1. cuando hablamos de
espectrómetros y espectroradiómetros. Para referirse a la multiplicidad y anchos
espectrales de las bandas de los sensores de percepción remota suele distinguirse entre
los sistemas multiespectrales y los hiperespectrales. El LANDSAT y el SPOT son
sistemas multiespectrales, que se caracterizan por un número no muy elevado de
bandas espectrales (V. tabla en Sec. 7.3). El sensor ASTER en el satélite TERRA de la
NASA posee 14 bandas en las regiones visible, infrarroja y térmica del espectro. Los
sistemas hiperespectrales (imaging spectrometers) se caracterizan por registrar
imágenes en cientos de bandas espectrales muy estrechas. Una limitación al número de
bandas consiste en que cuanto más estrecha es la banda menor es la energía que
transmite al detector. Las figuras 35 y 36 permiten visualizar la diferencia en los
perfiles espectrales de una dada región de la imagen según se analice con un sensor
multiespectral o hiperespectral.

Página 29 de 123
El primero es similar al del LANDSAT 7, y el segundo es el sensor HYPERION del
satélite EO-1 de la NASA. La Fig. 35 corresponde a un área agrícola próxima al río
Cuareim en Artigas, y la segunda corresponde a un muestreo del Cuareim. Si bien los
dos espectros poseen abscisas expresadas en diferentes sistemas, las líneas roja, azul y
verde en ambos perfiles corresponden a las mismas longitudes de onda. Se sugiere
comparar estas gráficas con las de la Fig. 11.

7.4.3 Resolución radiométrica. Resolución o sensibilidad radiométrica hace


referencia al número de niveles digitales utilizados para expresar los datos recogidos
por el sensor. En general, cuando mayor es el número de niveles mayor es el detalle
con que se podrá expresar dicha información. En las Figs. 37 y 38 se representan dos
casos bien iferenciados. Ambos representan el área de Rincón del Bonete en Uruguay,
visualizándose la ciudad de Paso de los Toros. En la Fig.37 los niveles digitales son
muy pocos y la imagen aparece prácticamente en blanco y negro. En la Fig. 38 , con
muchos más niveles digitales, el grado de detalle es muy superior, visualizándose la
ruta 5 , las calles de la ciudad el puente sobre el Río Negro etc. El puente también se
llega a distinguir en la Fig. 37 dado el elevado contraste con el agua del río.

Página 30 de 123
Página 31 de 123
En la Sec. 7.1 ya mencionamos los números digitales (DN) asociados a cada píxel en
las imágenes 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 número de niveles de grises se expresa comúnmente en términos de dígitos binarios
(bits) necesarios para almacenar el valor del nivel de gris máximo para el caso
considerado.

Un bit es la unidad fundamental de un sistema binario pudiendo poseer sólo los valores
1y 0. Usando un arreglo de bits puede representarse un número cualquiera dentro de los
límites de “longitud de palabra” de la computadora. Para lograr una imagen de pantalla
con variaciones de brillo prácticamente continuas desde el punto de vista visual se
necesitan 5 o 6 bits por píxel.

El número de valores que pueden ser representados por una serie dígitos es xn , donde x
es el número de valores que cada dígito puede representar y n es el número de dígitos
usados. En una base binaria el número de valores será 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 Resolución temporal. La Resolución Temporal es una medida de la frecuencia


con la que un satélite es capaz de obtener imágenes de una determinada área. También
se denomina intervalo de revisita. Altas resoluciones temporales son importantes en el
monitoreo de eventos que cambian en períodos relativamente cortos, como
inundaciones, incendios, calidad del agua en el caso de contaminaciones, desarrollo de
cosechas, etc. Asimismo, en áreas con cubiertas nubosas casi constantes como por
ejemplo las selvas tropicales, períodos cortos de visita, es decir altas resoluciones
temporales, aumentan la probabilidad de obtener imágenes satisfactorias. Si
consideramos un satélite de la familia LANDSAT, ( 5 o 7), su resolución temporal es
relativamente baja. En efecto, como sólo registra imágenes en el nadir para volver a
registrar una dada área habrá que esperar que vuelva a recorrer la misma órbita, lo cual
ocurre cada 16 días. Esto puede apreciarse en las Figs. 39 y 40:

Página 32 de 123
En la Fig. 39 vemos que las características orbitales del LANDSAT hacen que la
distancia entre el trazado terrestre de dos órbitas consecutivas sea de 2752 km en el
ecuador. En la Fig. 40 se observan las órbitas recorridas en días sucesivos. El intervalo
de tiempo entre órbitas adyacentes es de 7 días. De todos modos como LANDSAT-5 y
LANDSAT-7 están defasados 8 días, cuando ambos satélites se encuentran operativos
puede lograrse para una dada región una cobertura LANDSAT cada 8 días.

Otros satélites, como SPOT, IKONOS y QUICKBIRD poseen sensores que pueden
orientarse según diferentes ángulos, con lo cual pueden registrar imágenes no sólo en el
nadir sino también a través de enfoques laterales, frontales o traseros. Esto permite
lograr períodos de revisita mucho más cortos, incluso de dos o tres días. Otro ejemplo
de satélites con alta resolución 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 resolución
espacial de éstos es de 1 km, es decir mucho menor que la de los satélites anteriormente
mencionados. De todos modos, su elevada resolución temporal, los hace sumamente
útiles en monitoreos ambientales o agrometeorológicos sobre áreas muy extensas. Estas
características son compartidas con el instrumento MODIS a bordo de los satélites
TERRA y ACQUA sobre áreas muy extensas. Estas características son compartidas con
el instrumento MODIS a bordo de los satélites TERRA y ACQUA.

SATELITES: ESCALA Y RESOLUCION ESPACIAL

7.5 Escala y resolución espacial.

Los conceptos de escala y resolución espacial están 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 tamaño o distancia entre los objetos de la imagen y los reales terrenos. Esta
diferencia se expresa como la relación entre la distancia sobre la imagen y la real
terrena.. Así 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 cálculo similar puede efectuarse para áreas. Así, para una escala 1:10000 un área
de 1mm x 1mm en el mapa o imagen corresponde a 0.01 ha. sobre el terreno.
Página 33 de 123
Igualmente, un área de 5cm x 5 cm sobre el mapa corresponde a un área de 25 ha
sobre el terreno. Es común 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 número 1/100000 es menor que el de 1/40000. Lo mejor sería 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 método de cálculo difiere
según la referencia sea una imagen o mapa o bien una medida sobre el terreno. En el
primer caso la fórmula 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 topográfico a escala 1:100000 se usará para determinar la escala de una


imagen satelital. Se seleccionan dos puntos que pueden ubicarse fácilmente sobre la
imagen y el mapa. La distancia entre ellos en el mapa topográfico es de 8.3 mm y en la
imagen es de 40.0 mm. La escala de la imagen será

ED = 40.0 / 8.3 * 1/100000 = 1/20750

En el caso de que la referencia sea una medida sobre el terreno la fórmula a emplear
será:

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 será

ED = 40.0 / 415000 = 1/10735

7.5.2 Escala vs. Resolución Espacial. Ya vimos (Sec. 7.4.1) que la resolución
espacial de una imagen es una indicación del tamaño del pixel expresada en términos
de dimensiones sobre el terreno. Usualmente se presenta por un valor único
correspondiente a la longitud de un lado del cuadrado correspondiente a dicho pixel.
Así, una resolución espacial de 30 m significa que el pixel representa un área de 30 m
Página 34 de 123
x 30 m sobre el terreno. Si el pixel fuera rectangular debería ser representado por su
largo y ancho, por ejemplo 56 m x 79 m. La resolución espacial es una indicación del
potencial de detalle que ofrece una imagen. Si una imagen de satélite de 1 m de
resolución se imprime a una escala de 1/500000 se perdería el potencial de detalle que
ofrece dicha imagen. La inversa también es cierta: si se imprime una imagen de baja
resolución espacial, por ej. 500 m, a una escala muy fina sólo veríamos 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 aumentará
su nivel de detalle llegando a dificultarse su interpretación.

Página 35 de 123
8. ESTRUCTURA DE LAS IMÁGENES DIGITALES

Antes de encarar el procesamiento de las imágenes satelitales entendemos conveniente


resumir aquí una serie de conceptos básicos ya considerados previamente acerca de las
imágenes digitales, así como ampliarlos con otros que serán útiles 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 esquemática cómo una imagen
digital está compuesta de pixeles ubicados en la intersección de cada fila i y columna j
en cada una de las k bandas correspondientes a una dada escena.

Cada pixel en cada banda está en perfecto registro geométrico con sus equivalentes de
las restantes bandas. Asociado a cada pixel existe un número (Número Digital, DN)
que mide la radiancia promedio o brillo correspondiente al área de escena abarcada por
dicho pixel. En una base binaria de 8 bits el DN poseerá 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 habrá 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 permitirá, a
través de operaciones de clasificación basadas en algoritmos matemático-estadísticos,
asignar dicho pixel a clases temáticas definidas. El área terrestre representada por un
pixel está determinada por la altura del sensor y los parámetros de diseño de éste,
particularmente el campo de visión instantáneo (IFOV). Obviamente al reducirse dicha
área más detalles de la imagen serán aparentes, es decir que aumenta la resolución
espacial.

En esta rápida revisión no ha aparecido nada esencialmente nuevo acerca de los


conceptos que ya se habían analizado previamente. Sin embargo, vamos ahora a
profundizar algo más acerca de la estructura espectral de un pixel. De acuerdo a lo que
hemos visto, un pixel es una unidad espacial arbitraria cuyas propiedades básicas
(tamaño, forma, ubicación) quedan principalmente definidas por variables
Página 36 de 123
dependientes del sensor y no directamente por las propiedades del terreno. Sin embargo,
debemos considerar que de acuerdo a las características del terreno (textura, coberturas,
etc.) el área abarcada por un pixel puede incluir más de un tipo de objetos o clases
temáticas, por ej. arbustos, pasturas, suelo descubierto, agua, etc. Evidentemente la
radiación reflejada correspondiente a dicho pixel que llega al detector estará compuesta
por las contribuciones de las firmas espectrales de las clases temáticas 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 través de técnicas de
desmezclado se puede efectuar un análisis subpixel para estimar la proporción de las
diferentes clases

Este desmezclado espectral suele basarse en la suposición de que la respuesta espectral


xp de un pixel p es una suma lineal ponderada de las respuestas espectrales de sus
clases componentes. Matemáticamente esto se expresa a través de la ecuación

donde E es una matriz de k por c en la que k es el número de bandas espectrales del


sensor y c el número de clases; f es un vector de longitud c que expresa la cobertura
proporcional de clases en el área representada por el pixel y e es el error residual. Las
columnas de la matriz E son las respuestas espectrales de las clases . Así definido el
modelo de mezcla puede ser utilizado para estimar la composición por clases del pixel,
representada por f, a través de su respuesta espectral xp. Las restricciones del modelo
son

Página 37 de 123
También relacionado con la composición espectral del pixel existe un problema
significante aunque usualmente ignorado. En efecto, se demuestra que una proporción
importante de la señal que aparentemente proviene del área 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 radiación que se
ha registrado y que define la composición espectral de dichos pixeles proviene de un
área circular (o elíptica si el sensor no observa directamente el nadir) aproximadamente
doble del área cubierta por la proyección del pixel.

A pesar de que los detectores del sensor son más sensibles en el centro del FOV del
detector (lo que hace que la mayor parte de la radiación capturada provenga del área
cubierta por el pixel) la radiación proveniente de los pixeles vecinos hace una
contribución significante al valor del pixel. Este efecto es consecuencia de muchos
factores, incluyendo la óptica del instrumento, del detector, de la electrónica asociada
así como incluso de efectos atmosféricos.

Los efectos atmosféricos, particularmente en el caso de que la atmósfera presente


niebla, se debe a que las partículas de ésta desvían los fotones de su trayectoria recta.

Página 38 de 123
9. PROCESAMIENTO DE LAS IMÁGENES SATELITALES

El procesamiento de las imágenes digitales consiste en la manipulación numérica de


dichas imágenes e incluye:

· Preprocesamiento
· Realce
· Clasificación.

9.1 Preprocesamiento. Consiste en el procesamiento inicial de los datos crudos para


corregir las distorsiones radiométricas y geométricas de la imagen y eliminar el ruido.
Las distorsiones radiométricas obedecen a mecanismos que alteran los valores de brillo
de los pixeles y se deben fundamentalmente a interferencias atmosféricas y a efectos
asociados a a instrumentación. Las correcciones atmosféricas constituyen un problema
muy complejo si se quieren aplicar sobre la base de modelos físicos del
comportamiento de las radiaciones. En efecto, estos modelos tienen el mérito de su
rigor científico, precisión y aplicabilidad a un amplio rango de circunstancias, pero
suelen exigir complejos programas de computadora así como información
meteorológica detallada relativa a las condiciones en que se registró la escena. Esta
información es muy difícil de obtener y podemos decir que la aplicación rutinaria de
estos modelos actualmente no es posible. Una aproximación sencilla y práctica a la
corrección del efecto atmosférico se basa en la consideración de los histogramas de las
imágenes espectrales. Un histograma es un gráfico o tabla que muestra el número 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 relación entre longitud de
onda y efectos de dispersión atmosféricos los valores más bajos de los histogramas
corresponden a las mayores longitudes de onda: en particular la banda infrarroja
cercana es la que posee el valor más bajo. En esta banda los cuerpos de agua clara y las
sombras topográficas poseerían un valor de reflectancia de cero o muy próximo 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 atmosférica. En efecto, suponemos que las demás bandas,
particularmente cubriendo áreas geográficas extensas deben poseer algunos pixeles
(por ejemplo sombras topográficas o de nubes, cuerpos de agua clara y profunda, etc.)
que si no fuera por el efecto atmosférico tendrían valor cero. Para apoyar esta
suposición observemos cómo en una escena lunar, Fig. 45, la ausencia de atmósfera
hace aparecer las sombras totalmente negras. Las correcciones que habría 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 corrección adoptando un sensor como standard y ajustando el brillo de
todos los pixeles registrados por los demás detectores de modo que los brillos
promedio y desviaciones standard se emparejen con los del detector de referencia.
Página 39 de 123
Las distorsiones geométricas responden a muy diversas causas y pueden clasificarse
en gsistemáticas y no sistemáticas. Las principales causas de distorsiones geométricas
sistemáticas 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 línea de
arrido sobre el terreno no es normal a la proyección de la trayectoria sino que resulta
ligeramente oblicua, produciendo una distorsión geométrica cruzada con la trayectoria.

• Velocidad del espejo de escaneado. La velocidad de éste usualmente no es constante


durante un dado ciclo, produciendo una distorsión geométrica a lo largo del
escaneado.

• Efecto panorámico y curvatura terrestre. El efecto panorámico deriva del hecho de


que como para los sensores de las plataformas satelitales el IFOV angular es constante,
el tamaño del pixel sobre el terreno será mayor en los extremos de la oscilación que en
el nadir. También la curvatura terrestre conduce a un efecto similar, aunque para
satélites 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 también cambiará. Se
producirá una distorsión de escala a lo largo del trayecto.

• Rotación 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 más al oeste que cuando comenzó el barrido. Esto produce una
distorsión según la traza de barrido. Como casos de distorsiones geométricas no
sistemáticas citemos los efectos por altitud y actitud.

• Altitud. Si la plataforma se desvía de su altitud normal o si aumenta la elevación del


terreno se producen distorsiones de escala.

• Actitud. Hace referencia a la orientación del satélite (o bien plataforma aérea) 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 orientación de la
plataforma por la contribución de los movimientos respecto a estos ejes principales
(Fig. 46).

Página 40 de 123
ROLL YAW PITCH: Estos movimientos se definen como: balanceo (roll), cabeceo
(pitch) y desvío (yaw) y son obviamente. causa de distorsiones geométricas.

Algunas de las distorsiones geométricas que hemos mencionado previamente (debidas


a rotación de la Tierra, efectos panorámico y curvatura terrestre, sesgo de escaneado)
son bien comprendidas y pueden ser modeladas con funciones matemáticas que
permitan su evaluación y corrección. Las restantes distorsiones geométricas pueden
ser minimizadas estableciendo una relación matemática entre las coordenadas de los
píxeles 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
distorsión. Esta técnica de corrección de imagen requiere la identificación de una serie
de características existentes tanto en la imagen como en un mapa de referencia. Estas
características se denominan usualmente puntos de control de tierra (GCP, Ground
Control Points). Estos son usualmente detalles de la escena bien definidos y
espacialmente pequeños: curvas en ríos, detalles costeros, cruce de caminos o de pistas
de aeropuertos, etc. Una vez que se estableció la relación matemática ésta es aplicada
para rectificar o reubicar cada pixel de la imagen original en su posición geométrica
más correcta en la imagen corregida. En cuanto al ruido en las imágenes se trata de
señales espúreas provenientes de diversas fuentes potenciales, desde derivas periódicas
o funcionamiento defectuoso de un detector a interferencias electrónicas entre
componentes del sensor e interrupciones en las transmisión y registro de datos.

Hemos visto en esta sección que las correcciones radiométricas y geométricas


constituyen un tema complejo en el preprocesamiento de las imágenes satelitales. Sin
embargo, para tranquilidad del potencial usuario debemos decir que las estaciones
receptoras y distribuidoras de imágenes de satélite realizan en base a la información
telemétrica recibida del mismo satélite, las correcciones radiométricas y geométricas
pertinentes a dichas imágenes.

9.2 Realces Son procedimientos que tienden a mejorar la interpretabilidad visual de


una imagen, aunque no aumentan la cantidad de información contenida en ella. El
rango de opciones de que dispone el analista para realces de imagen es virtualmente
ilimitado, aunque la mayoría de estas técnicas pueden ubicarse en dos grupos:
operaciones de punto, que modifican

Página 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 cómo, a través de
una función de tranferencia lineal se puede efectuar dicha transformación.

El caso de nuestro ejemplo es el de un estiramiento de contraste lineal, donde vemos


cómo el rango de valores iniciales de los pixeles (20 a 127) es expandido hasta obtener
el rango máximo de 0 a 255. Al expandir la escala de grises se logra realzar detalles
sutiles de la imagen, difíciles de discriminar con la compresión inicial. El caso de
contraste lineal que hemos descrito es el más sencillo, y puede también ser descrito por
el algoritmo:

DNmodificado = [(DNoriginal – MIN)/(MAX – MIN)]*255

DNmodificado : número digital asignado al pixel en la imagen de salida Fig. 48


DNoriginal : número digital del pixel en la imagen de entrada
MIN : mín. valor de DN en la imagen de entrada
MAX : máx. valor de DN en la imagen de entrada

Página 42 de 123
En la Fig.48 se representa gráficamente la función de transferencia lineal.
Los estiramientos de contraste pueden realizarse utilizando otras funciones de
transferencia como la gaussiana, la de igualación, la de raíz cuadrada (que implica
tomar la raíz cuadrada del histograma original y aplicarle un estiramiento lineal, etc.
En general los softwares de percepción remota ofrecen las facilidades de cálculo para
estas y otras modalidades, y el analista aplicará una u otra según sus preferencias.

9.2.2 Filtrado espacial. Las operaciones de contraste descritas en la sección previa no


alteran los datos de la imagen, simplemente modifican su visualización. En el filtrado
espacial, en cambio, los datos de la imagen son modificados. En efecto, el valor de un
pixel en una dada ubicación es cambiado en función de los valores de los pixeles
vecinos.

En percepción remota las imágenes se caracterizan por un parámetro denominado


frecuencia espacial. Esta puede definirse como el número de cambios que ocurren en el
valor del pixel (o brillo) por unidad de distancia para alguna región particular de la
imagen. Si sobre una dada área de la imagen ocurren pocos cambios de brillo se
considera como un área de baja frecuencia (ej. grandes extensiones agrícolas, cuerpos
de agua extensos, etc.) .

Si, por otra parte, los cambios de brillo son numerosos y notorios tendremos un área de
alta frecuencia (calles o caminos en zonas urbanas, parcelas agrícolas pequeñas,etc.).
En las imágenes de percepción remota la frecuencia espacial puede realzarse o
deprimirse según la conveniencia del analista utilizando el filtrado espacial.
Este no es sino una aplicación de la operación general de procesamiento de imágenes
denominada convolución y que implica el siguiente procedimiento:

1. Se define una ventana móvil que contiene un arreglo de coeficientes o factores


ponderales.Estos arreglos se definen como operadores o kernels, cuyo tamaño es
normalmente el de un número impar de pixeles (3x3, 5x5, 7x7, etc)
Página 43 de 123
2. Dicho kernel se mueve a través 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 operación se repite para cada pixel de la imagen
original.

En la Fig. 49 se esquematiza el concepto de ventana móvil.

VENTANA MOVIL IMAGEN PROYECCION DE LA VENTANA MOVIL SOBRE


LA IMAGEN A PROCESAR
La Fig. 50 esquematiza la operación 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 móvil. Existen muchos tipos de
filtros de convolución. En las siguientes imágenes 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.

Página 44 de 123
Página 45 de 123
Página 46 de 123
Los filtros de baja frecuencia reducen las desviaciones respecto al promedio local de la
imagen y ésta aparece como más difusa, efecto que aumenta al aumentar el tamaño de
la ventana (5x5, 7x7, etc.).

Este filtro suele ser útil para reducir ciertos patrones de ruido, como por ejemplo los
efectos de ¨salt-and-pepper¨ de algunas imágenes. 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 así como para hacer ésta más nítida. Una importante aplicación es en la
identificación y mapeos de características geológicas, 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 móvil son

115, 119, 120, 123, 124, 125, 126, 127, 150

El valor de la mediana será pues 124.

La mediana es un parámetro de posición más robusto que la media. En efecto, un pixel


vecino con un valor no representativo no afectará significativamente el valor de la
mediana. Además, como la mediana es uno de los valores de los pixeles vecinos,
conduce a resultados más realistas que la media. Esto hace que la mediana si bien
¨suaviza¨ la imagen preserva los bordes más 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 imágenes de
radar.

La detección de cambios significantes de DN al pasar de un pixel a otro es un


problema común en percepción remota. Dichos cambios usualmente indican límites
físicos en la escena, como una línea costera, una carretera, el borde de una sombra, etc.

Página 47 de 123
Si bien existen muchas aproximaciones para el tratamiento de este problema una de las
más usadas es el empleo de algún 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


dirección vienen dadas por:

Además de los filtros que hemos mencionado como ejemplos típicos se han descrito
muchos otros que escapan del alcance de esta Introducción. Citemos por ejemplo los
filtros gaussianos, laplacianos, de transformada de Fourier, etc.

ANALISIS POR COMPONENTES PRINCIPALES

9.2.3 Análisis por Componentes Principales. Un problema frecuente en el análisis de


imágenes multiespectrales es el de la correlación existente entre ellas, es decir que
contienen mucha información redundante. Esta no aporta nada nuevo y aumenta
enormemente la carga computacional cuando dichas imágenes son sometidas a
procesos matemáticos. Esto podemos apreciarlo en la Fig. 56, en la que se observan
los dispersogramas típicos de los pares de bandas TM1/TM2, TM2/TM3 y TM3/TM4
del LANDSAT. Sólo las bandas 3 y 4 presentan baja correlación.

Página 48 de 123
La técnica de Análisis por Componentes Principales (PCA, Principal Components
Analysis) es una transformación que permite reducir esta redundancia y puede ser
aplicada previamente a un análisis visual o a un proceso más complejo de clasificación
a través de algoritmos matemático-estadísticos.

El propósito de esta técnica es “comprimir” toda la información contenida en un


conjunto original de N bandas espectrales a un conjunto menor de nuevas bandas o
componentes. Sin entrar en detalles matemáticos sobre esta transformación
representaremos gráficamente los conceptos involucrados. Para simplificar tomemos
sólo 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 combinación lineal de
estas dos bandas:

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

Página 49 de 123
Los componentes principales del conjunto de dos bandas está constituido por el sistema
de combinaciones lineales de dichas bandas, que con una adecuada selección de los
coeficientes aij resultarán independientes y no correlacionados entre sí. 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 están notoriamente correlacionados. En (b) se observa cómo,
luego de una adecuada combinación lineal la correlación es removida.

Vemos que la transformación no es sino una rotación en el espacio bidimensional de


los valores de los pixeles, y el ángulo de rotación quedará determinado por la
correlación entre los valores de d1 y d2.El eje d'1 define la dirección del primer
componente principal, y el eje d'2 la dirección del segundo componente principal.
Puede observarse que los datos a lo largo del primer componente principal poseen una
varianza o rango dinámico 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 información al primer componente principal.
El tratamiento podemos generalizarlo para un sistema de N bandas, representándolo 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 transformación y A es la matriz de
los coeficiente aij. . Obviamente la clave de una transformación exitosa radica en la
optimización de los coeficientes aij, lo cual puede hacerse por una transformación en
componentes principales (PCT) también conocida como transformación de Karhunen-
Loeve o de Hotelling, cuyos detalles escapan del alcance de esta Introducción. En
general los softwares para tratamiento de imágenes ofrecen módulos para realizar este
tipo de transformación. En el caso de imágenes de más de tres bandas usualmente
ocurre que el primer componente principal incluirá cerca de 90% de la varianza total de
la imagen, mientras que los sucesivos PC2, PC3,...,PCN poseerán porcentajes
decrecientes. En general PCN será mayormente ruido.

Página 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 Paysandú). En la Fig. 59, se observa el resultado de
la transformación en componentes principales. En la Fig.60 se presentan algunos
dispersogramas de las bandas resultantes de la transformación, donde se puede
observar la ortogonalidad de los CP.

FALTA FIGURA 58

Página 51 de 123
Página 52 de 123
COMBINACIONES DE COLORES

9.2.4 Combinaciones de color. Vimos que las imágenes satelitales suelen ser
multiespectrales, es decir que son registradas simultáneamente en varias regiones del
espectro electromagnético. Estas imágenes pueden ser estudiadas individualmente en
escalas de grises o en imágenes coloreadas obtenidas a partir de las primeras. Estas
últimas se generan según el modelo de color RGB. ( del inglés Red, Green, Blue). Este
hace referencia a la composición del color en términos 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 síntesis aditiva, es decir basado en la mezcla por adición de dichos primarios. Para
indicar en qué proporción se mezcla cada color se asigna un valor a cada uno de los
colores primarios. Así 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 existirán 2563 = 16.777.216 combinaciones posibles de rojo,
verde y azul, y a cada pixel de una combinación de color corresponderá un punto dentro
del cubo de color representado en las Figs. 61 y 62 (a esta última se le extrajo un sector
para mejor visualización interior).

Página 53 de 123
Por lo tanto, las coordenadas del rojo serán (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
combinación 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 máximo nivel (255,255,255).

La escala de grises es la diagonal que une el blanco y el negro. Concretando, para


preparar una combinación de color se seleccionan tres bandas de interés de la escena
multiespectral y computadora mediante se le asigna a cada una de ellas uno de los tres
colores primarios.

El display nos entregará una combinación RGB correspondiente a las bandas


seleccionadas y a la asignación de colores. Las bandas a seleccionar quedarán
condicionadas, aparte de las posibilidades ofrecidas por el sensor del satélite, por
aquellos rasgos de la escena que se desea realzar, y la asignación de colores además de
ser condicionada por dicho factor puede corresponder a un criterio profesional o
heurístico del analista. De todos modos, existen ciertas combinaciones que demostraron
ser de particular interés, sobre todo asociadas a temas ambientales y agronómicos.
Dichas combinaciones son:

RGB 3,2,1

Esta combinación 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
combinación que se aproxima a los colores naturales de la escena. La vegetación
aparece en diversos tonos de verde y los suelos en colores marrones o tostados.
Además, las bandas visibles tienen buena penetración en los cuerpos de agua y esta
combinación permite observar detalles en agua poco profundas (turbidez, corrientes,
batimetría, plumas de sedimentos, etc.).

RGB 5,4,3

Constituye una “simulación”del color natural, pese a utilizar 2 bandas infrarrojas.

Página 54 de 123
RGB 4,3,2

Esta combinación suele llamarse “falso color infrarrojo” pues los colores resultantes en
la imagen son similares a los de las fotografías obtenidas con film infrarrojo color. Al
asignar el rojo a la bandas 4 (NIR) resultará que todos los tonos de rojo, desde el rojo
muy oscuro al rosado pálido corresponden a vegetación: los tonos más oscuros se
relacionan con la presencia de vegetación arbórea densa, como bosques, montes, etc.,
pudiéndose identificar algunas especies como pinos y eucaliptos. Rojos claros indican
cultivos y praderas vigorosas. Los rosados corresponden a vegetación poco densa
como pasturas naturales. El celeste corresponde a suelo desnudo, seco o áreas 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 éstos presentan partículas en
suspensión aparecerán 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 combinación RGB 4,3,2 . Sin embargo, al dar más peso a la región
infrarroja (bandas 4 y 5) se ve realzada la diferencia de humedad en suelos y
vegetales. Generalmente cuanto mayor es la humedad del suelo más oscuro aparecerá
éste.

En las Figs. 63 y 64 , se presenta una imagen LANDSAT de una forestación en


Paysandú. A efectos comparativos esta imagen fue sometida a las combinaciones de
color arriba mencionadas.

Página 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 satélites teniendo en
cuenta las características espectrales de sus bandas. No todas las imágenes satelitales
presentan la diversidad de bandas del LANDSAT, y en tales casos algunas de las
Página 56 de 123
combinaciones antes referidas no pueden realizarse con las escenas de dichas satélites,
no obstante lo cual el analista puede intentar otras combinaciones que permitan realzar
características de interés. Así por ejemplo la Fig. 65 corresponde a una imagen NOAA-
17 captada sobre el Uruguay en Mayo de 2007, en un período de intensas
inundaciones. Este satélite sólo posee una banda visible (roja), dos en el infrarrojo
(cercano y medio) y dos en el infrarrojo térmico.

La combinación 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 nítidamente los contornos de los ríos (color negro), algunos de
los cuales en este período estaban desbordados, así como las zonas anegadas al oeste
de la laguna Merim (colores oscuros). Las áreas forestadas aparecen con color verdoso
más intenso(Rivera, Paysandú). Otro ejemplo es el caso del ASTER (instrumento a
bordo del satélite TERRA) que en el modo de resolución espacial de 20 m sólo posee
una banda en el verde, otra en el rojo y una tercera en el infrarrojo cercano. En este
caso es posible la combinación RGB 3,2,1 (i.r. cercano, rojo, verde) como se aprecia en
la Fig. 66, captada sobre Rincón 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 satélites, no obstante lo
cual el analista puede intentarotras combinaciones que permitan realzar características
de interés. Así por ejemplo la Fig. 65 corresponde a una imagen NOAA-17 captada
sobre el Uruguay en Mayo de 2007, en un período de intensas inundaciones.

Este satélite solo posee una banda visible (roja), dos en el infrarrojo (cercano y medio) y
dos en el infrarrojo térmico. La combinación 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 nítidamente los contornos de los
ríos (color negro), algunos de los cuales en este período estaban desbordados, así como
las zonas anegadas al oeste de la laguna Merín (colores oscuros). Las áreas forestadas
aparecen con color verdoso más intenso /Rivera, Paysandú). Otro ejemplo es el caso del
ASTER (instrumento a bordo del satélite TERRA) que en el modo de resolución
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 combinación RGB 3,2,1 (r.r. cercano, rojo,
verde) como se aprecia en la Fig. 66, captada sobre Rincón del Bonete.

Página 57 de 123
IMAGENES SATELITALES – CLASIFICACION

9.3 Clasificación. En las etapas de procesamiento de imágenes que acabamos de


discutir se busca sea corregir distorsiones geométricas y realizar correcciones
radiométricas eliminando formas de ruido presentes en los datos, sea aplicar
manipulaciones de realce para mejorar la interpretación visual de la imagen. Con la
clasificación llegamos a la etapa de operaciones extracción de información
reemplazando el análisis visual de la imagen mediante la aplicación de técnicas
cuantitativas para automatizar la identificación de los objetos contenidos en una
escena. Esto implica el análisis de datos de escenas multiespectrales aplicando distintas
técnicas, entre ellas reglas de decisión basadas en conceptos estadísticos 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 demás bandas. Así, para una imagen que conste de
K bandas habrán K niveles de grises asociados a cada pixel. Esos K niveles de grises
generan un espacio espectral k-dimensional en el que cada pixel está 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 vegetación. Para simplificar supongamos que
nuestro conjunto de bandas está formado sólo 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 vegetación están representadas por los vectores (firmas espectrales) de la Fig.
68.

Página 58 de 123
Sin embargo, la reflectancia de una dada cubierta terrestre no está usualmente
caracterizada por una curva única y definida. En efecto, la operación de diversos
factores naturales (topograficos, atmosféricos, genéticos, fenológicos, etc.) hacen que
en lugar de una sola curva haya que considerar una Familia de curvas, parecidas entre
sí pero que introducen cierta indeterminación en la caracterización de la cubierta
considerada.

O sea que no bastará un solo vector para representar una clase sino que caracterizarán
por vectores próximos entre sí y cuyas puntas determinarán un cluster, tal como se
aprecia en el diagrama de dispersión tridimensional de la Fig. 69, en la que se han
representado sólo los extremos de los vectores.

Hasta aquí nuestro ejemplo ha sido un poco simplista en el sentido de que no hemos
planteado una situación que se da corrientemente y es la superposición 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 clasificación que
pasaremos a considerar. Concretando, el proceso de clasificación intenta categorizar
Página 59 de 123
todos los pixeles de una imagen digital asignándolos a una o más clases de coberturas
terrestres o clases temáticas. Esta clasificación de carácter multiespectral no es sino un
proceso de extracción de información que analiza la firma espectral de los pixeles y
los asigna a clases basadas en firmas similares. Para lograr la mencionada
categorización de los pixeles se recurre a clasificadores que pueden ser considerados
como ciertos programas de computadora que implementan estrategias específicas para
la clasificación de la imagen. En el curso del tiempo se han diseñado muchas de tales
estrategias, y entre éstas el analista debe resolver cuál de ellas se adapta mejor a las
necesidades de su trabajo. Actualmente no es posible decidir qué clasificador es el
mejor para todas las situaciones dada la gran variedad de escenas y circunstancias que
los trabajos de percepción remota enfrentan. En tal sentido será conveniente referirnos
a las estrategias alternativas para la clasificación de imágenes.

Los métodos tradicionales de clasificación involucran dos alternativas: no supervisada


y supervisada. El método 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 temática a cada uno de dichos grupos. En el
método supervisado, en cambio, el analista supervisa el proceso de categorización del
pixel especificando al algoritmo de la computadora descriptores numéricos 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 áreas o sitios
de entrenamiento que permitan compilar un código de interpretación numérica que
describe los atributos espectrales para cada cobertura de interés.

Cada pixel de la escena es entonces comparado con el código de cada categoría


asignándole el nombre de aquella categoría a la que más se asimila. O sea que en el
enfoque supervisado el analista define sus categorías de interés y examina su
separabilidad espectral, mientras que en el no supervisado primero determina las clases
espectralmente separables y luego define las clases temáticas de interés. La preferencia
por uno u otro enfoque va a depender de la naturaleza del problema en estudio. En los
casos en que la definición de las áreas de entrenamiento y la correspondiente
codificación de las clases de interés sea satisfactoriamente realizable, el método
supervisado va a ser superior al no supervisado y será el preferido. En el caso de áreas
de terreno complejas, en cambio, el método no supervisado resultará superior al
supervisado. En efecto, en este caso el analista tendrá dificultades para definir sus áreas
de entrenamiento dada la variabilidad de la respuestra espectral dentro de cada clase.
Además, el enfoque supervisado es subjetivo en el sentido de que el analista intenta
definir clases temáticas compuestas a veces por varias clases espectrales, lo que no
ocurre en el método no supervisado que revela clases espectralmente distinguibles
dentro de las condicionantes impuestas al algoritmo de agrupamiento (o
“clusterificación”). Además, el método no supervisado posee el potencial para revelar
clases temáticas no previstas previamente.

9.4.1 Clasificación supervisada. Podemos definir esta clasificación como un proceso


en que pixeles de identidad conocida, ubicados dentro de las áreas de entrenamiento, se
utilizan para clasificar pixeles de identidad desconocida. La clasificación supervisada
involucra las siguientes etapas:

Página 60 de 123
· Etapa de entrenamiento.
· Selección del algoritmo de clasificación adecuado y clasificación.
· Operaciones de post clasificación.

En la etapa de entrenamiento el analista selecciona áreas de identidad conocida de la


cubierta terrestre de interés (cultivos, forestaciones, suelos, etc.) delineándolas sobre la
imagen digital bajo formas de rectángulos o polígonos cuyos datos numéricos quedan
archivados en la computadora como regiones de interés constituyendo los “datos de
entrenamiento”. Para realizar la selección el analista debe tener un conocimiento previo
del área de estudio, sea por reconocimientos de campo, sea por consulta de mapas,
fotografías aéreas, 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
clásicos para estos fines citemos los siguientes:

· Clasificador por mínima distancia


· Clasificador por paralelepípedos
· Clasificador por máxima probabilidad

9.4.1.1 Clasificador por mínima distancia.


Con este clasificador los datos de entrenamiento se utilizan sólo para determinar la
media de las clases seleccionadas como regiones de interés. El programa efectuará la
clasificación ubicando cada pixel no identificado en la clase cuya media se encuentra
más cercana para lo cual puede utilizar la distancia euclidiana. El procedimiento se
ejemplifica gráficamente en el diagrama de dispersión de la Fig. 70. Por razones de
simplicidad la representación la hacemos tomando sólo dos bandas (Banda I y Banda
II), pero debe tenerse en cuenta que cuando el procedimiento se implementa
numéricamente puede generalizarse para cualquier número de bandas.

Página 61 de 123
Un pixel a de identidad desconocida, será 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.

Así por ejemplo el punto b en la Fig. 70 clasificador lo adjudicaría a clase 3, aunque la


mayor variabilidad de la clase 1 nos hace pensar que tal vez sería más realista
adjudicarlo a ésta.. Por tal motivo este clasificador no es muy apropiado para aquellos
casos en que las clases espectrales están muy próximas entre sí en el espacio de medida
y a la vez tienen elevadas varianzas.

9.4.1.2 Clasificador por paralelepípedos.


Este clasificador se implementa definiendo un subespacio en forma de paralelepípedo
(es decir, un hiper-rectángulo) para cada clase. En este procedimiento se introduce
sensibilidad respecto a la varianza de las clases. En efecto, los límites de cada
paralelepípedo son definidos por el rango de valores para cada área de entrenamiento,
o sea por los números digitales máximo y mínimo para dicha área. Alternativamente,
dichos límites pueden definirse tomando cierto número de desviaciones standard para
ambos lados de la media del área de entrenamiento. En este caso la regla de decisión
es que el pixel de identidad desconocida caiga dentro de alguno de los paralelepípedos
para adjudicarlo a la correspondiente clase. Un ejemplo de la aplicación de este
clasificador en el caso sencillo de un diagrama de dispersión de sólo dos bandas se
presenta en la Fig. 71:

Este clasificador es rápido y fácil de implementar. Tiene sin embargo fuentes de error
asociadas al relativamente frecuente solapamiento de los paralelepípedos: un pixel
puede caer dentro de más de un paralelepípedo si éstos se solapan. Puede darse
también el caso de que no caiga en ninguno. Estos factores quitan robustez al
clasificador.

9.4.1.3 Clasificador por máxima probabilidad (maximum likelihood). Es un


algoritmo paramétrico que, a diferencia de los anteriormente considerados (no
paramétricos) asume alguna distribución estadística particular para las clases
consideradas. El clasificador de máxima probabilidad es uno de los más empleados en
Página 62 de 123
la clasificación supervisada y utiliza un modelo probabilístico, comúnmente la
distribución gaussiana para formular sus reglas de decisión en la categorización de los
pixeles.

Los parámetros necesarios para el modelo, como la media y la matriz de covariancia se


obtienen de los datos de las áreas 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 posición x, nos interesa


fundamentalmente conocer las probabilidades condicionales

El vector posición 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 término p(Ci | x) da la probabilidad de que la clase correcta
para un pixel en la posición x sea Ci. La clasificación se llevará a cabo según 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 distribución de
probabilidad p(x| Ci ) que describe la chance de de encontrar un píxel de una clase Ci
en la posición x. Obviamente habrán tantas p(x | Ci ) como cubiertas o clases terrestres
presentes.

Más tarde veremos cuál puede ser la forma de esta función de distribución.
Concretando, para un pixel en una posición x en un espacio mutiespectral existirá 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 están
relacionadas por el teorema de Bayes:

donde p(Ci) es la probabilidad de que la clase Ci esté presente en la imagen. Si, por
ejemplo 15% de los pixeles de una imagen pertenecen a la clase Ci entonces p(Ci)
valdrá 0.15. Esta probabilidad se denomina a priori pues debe ser estimada antes de la
clasificación. Esta estimación usualmente es difícil de obtener, ya que el analista debe
recurrir a fuentes externas como reconocimiento del terreno, mapas, datos históricos,
etc. Por tal motivo en la mayoría de los casos se asume que es la misma para todas las

Página 63 de 123
clases. En cuanto a p(x) es la probabilidad de encontrar un pixel de cualesquiera delas
clases en la posición x. Aunque para lo que sigue p(x) no va a ser importante podemos
notar que

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

En la [3] se eliminó p(x) al ser factor común. Por conveniencia matemática definiremos
funciones discriminantes g i(x) como

con lo cual podremos escribir la [3] como

Pasemos ahora a considerar la forma de la función de distribución de probabilidad


p(x| Ci ). Asumiremos para dicha función el modelo normal multivariado. En
consecuencia, para un caso de N bandas espectrales puede demostrarse que:

Página 64 de 123
En la Fig. 73 se esquematiza el criterio de decisión en este método.

Página 65 de 123
La proyección 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 través de la escena de un sector de forestación se observan


los resultados de un clasificador supervisado aplicando el método de máxima
probabilidad. En (a) se observa en una combinación de color RGB 4,5,3 la imagen a
clasificar. En (b) se indican, sobre la banda TM 3 las áreas de entrenamiento. Dichas
áreas corresponden a eucaliptus, pinos y varias cubiertas de vegetación natural y áreas
taladas o suelo descubierto. En (c) se observa la imagen clasificada a la cual se
aplicaron algunas operaciones cosméticas de post clasificación. 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 líneas verticales azul y roja indican la posición de las bandas 3 y 4.

Las porciones de espectros comprendidas entre las dos líneas mencionadas pueden
servir para interpretar la posición de los clústeres en el diagrama de dispersión.
Particularmente obsérvese que los espectros de las clases C4 y C5 son muy similares
entre sí, lo que hace que a los menos en el dispersograma de las bandas TM3 -TM4 no
exista una buena discriminación entre los clústeres de dichas clases.

Página 66 de 123
Página 67 de 123
9.3.2 Clasificación no supervisada. Como ya hemos mencionado, el método no
supervisado crea agrupamientos espectrales o clusters y el analista debe intentar
asociar una clase temática 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 método iterativo que requiere relativamente poca intervención humana,


siendo usual que el analista deba especificar:

• Número máximo de clusters que el algoritmo debe identificar (p.ej 10, 20 o más
según el caso)

• Máximo porcentaje de pixels cuyos valores se permite permanezcan incambiados


entre iteraciones. Cuando se alcanza dicho número el algoritmo se detiene.

• Máximo numero de iteraciones. Cuando se alcanza dicho número el algoritmo se


detiene.

• Número mínimo de miembros en un cluster. Si un cluster contiene menos de dicho


mínimo es eliminado y los miembros son asignados a un cluster alternativo.

• Máxima desviación standard. Cuando la desviación standard para un cluster excede


el máximo especificado y el número de miembros que contiene es más que el doble del
mínimo especificado, el cluster se divide en otros dos clusters.

• Suele también fijarse valores mínimos para las distancias entre los centros de los
clusters. Cuando la distancia resulta inferior a dichos valores los clusters se fusionan.

Para ilustrar cómo procede el algoritmo ISODATA consideremos un caso


bidimensional: un típico diagrama de dispersión entre bandas 3 (rojo) y 4 (infrarrojo
cercano) del LANDSAT.

La forma de la nube de puntos responde a la ya mencionada baja correlación entre


dichas bandas. Para definir la región en el espacio de dispersión utilizaremos la media,
µk yla desviación standard sk de las bandas consideradas. Consideremos un caso
hipotético de 5 vectores. Los 5 vectores se distribuirán desde la ubicación µ3-s3, µ4-s4
hasta µ3+ s3, µ4+ s4 y constituyen los centros de los clusters iniciales. Se crea así el
paralelepípedo de la Fig. 77(a) que no cubre completamente la nube de puntos del
diagrama de dispersión. En la primera iteración cada pixel de la base de datos se
compara con la media de cada cluster y se asigna a aquél cuya distancia euclidiana al
pixel es menor. Luego de esta primera iteración 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 continúa hasta que se
cumple alguna de las condicionantes planteadas al comienzo: se alcanza el umbral de
cambios estipulado o se alcanza el máximo número de iteraciones establecido.

Veamos ahora un caso sencillo de aplicación, para lo cual podemos volver a utilizar la
imagen la Fig. 78 que ya utilizamos en el caso de aplicación del método de máxima
probabilidad en la clasificación supervisada. En este caso, sin embargo, no definiremos
Página 68 de 123
áreas de entrenamiento sino que aplicaremos el módulo ISODATA del software ENVI.
Nuestra especificación fue la siguiente:

10 clusters, máximo 20 iteraciones, umbral de cambio: 5%, máxima desviación


standard por clase:1, distancia mínima entre medias de las clases: 3 (DN), máximo
número 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 vegetación natural
(C.4,5) y áreas taladas o totalmente descubiertas (C 6).

Página 69 de 123
ESTIMACION DE LA EXACTITUD DE UNA CLASIFICACION - MATRIZ DE
CONFUSION

9.3.3 Estimación de la exactitud de una clasificación: Matriz de confusión. En un


sentido estricto ninguna clasificación 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 según 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 clasificación. Este
procedimiento constituiría en realidad sólo una evaluación de la calidad de selección de
las áreas de entrenamiento. También podría recurrirse a una validación cruzada basada
en comparaciones con los resultados de otros clasificadores.

Página 70 de 123
El instrumento más usual para evaluar la exactitud de una clasificación es la matriz de
confusión, también llamada matriz de error o de contingencia. Esta es una matriz
cuadrada de n x n, donde n es el número de clases. Dicha matriz muestra la relación
entre dos series de medidas correspondientes al área en estudio. La primera serie
corresponde a datos de referencia adquiridos de observaciones de campo, inspección
de estadísticas agrícolas, interpretación de fotos aéreas y otras fuentes similares. La
segunda corresponde a la categorización de los pixeles realizada por el clasificador
para las clases de interés. En una matriz de confusión las columnas corresponden a los
datos de referencia, mientras que las filas corresponden a las asignaciones del
clasificador.
A partir de una matriz de confusión pueden deducirse varios índices relativos a la
exactitud de la clasificación. Para definir y comentar dichos índices calcularemos,
computadora y software mediante, la matriz de confusión para la escena LANDSAT
de la Fig.80 a.

Dicha escena corresponde a un área pequeña al norte de la ciudad de San Pedro, Jujuy,
Rep. Arg. registrada en noviembre de 2005. Clasificamos la imagen por el método
supervisado utilizando el algoritmo de las mínimas distancias. Las áreas de
entrenamiento para coberturas terrestres de interés las definimos en base al examen de
las combinaciones RGB color natural y falso infrarrojo apoyados por el análisis de los
perfiles espectrales. Las áreas de entrenamiento corresponden a las siguientes
regiones:

1. Forestación
2. Cerros sin vegetación
3. Cultivos
4. Areas no cultivadas

Puesto que no teníamos suficiente información terrestre para ser empleada como
referencia en la evaluación de la exactitud de dicha clasificación, efectuamos
paralelamente una clasificación supervisada utilizando el algoritmo de máxima
probabilidad y declarándola (a efectos del presente ejercicio) nuestra fuente de datos de
referencia, es decir nuestra verdad terrestre. Las imágenes clasificadas por ambos
métodos se presentan en las Figs. 80 b y c.
Calculada la matriz los resultados se exponen en la Fig. 81.

Página 71 de 123
Fig. 81 – Tabla de valores de la matriz de confusión
Página 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. Obsérvese que además de las
cuatro clasesde interés 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 omisión o de comisión. Los errores de omisión
corresponden a los elementos no diagonales de las columnas (ej.: un total de 4105
pixeles que debieran haber sido clasificados como “forestación” se asignaron a varias
otras clases). Los errores de comisión corresponden a los elementos no diagonales de
las filas (ej.: 2440 pixeles no clasificados, 8 de forestación, 993 de cerros sin
vegetación y 630 de cultivos se incluyeronerróneamente en la clase “áreas no
cultivadas”.
A partir de la matriz de confusión podemos calcular varias otras medidas de interés
desde el punto de vista de la exactitud:

Exactitud global (overall accuracy).

Se calcula dividiendo el número total de pixeles correctamente clasificados por el


número total de pixeles de referencia y expresándolo como porcentaje. En nuestro
caso,

(131261 / 160000)*100 = 82.0381%

Este índice es global y no nos indica cómo la exactitud se reparte entre las diversas
categorías individuales. Muchas veces las categorías individuales presentan
exactitudes drásticamente diferentes pero se combinan de modo que esto no se refleja
en la exactitud global. Examinando la matriz de confusión vemos que podemos utilizar
dos métodos para evaluar la exactitud de las categorías individuales:

Página 73 de 123
Exactitud del usuario (user’s accuracy).

Se calcula dividiendo el número de pixeles correctamente clasificados en cada


categoría por el número total de pixeles que fueron clasificados en dicha categoría
(total de la fila). Como ejemplo en nuestro caso tenemos para la forestación

(9476 / 14280)*100 = 66.36%

Se justifica este índice en el sentido de que el usuario está especialmente interesado en


el porcentaje de cada clase que ha sido correctamente clasificado.

Exactitud de productor (producer’s accuracy).

Resulta de dividir el número de pixeles correctamente clasificados en cada categoría


por el número de pixeles de referencia utilizados para dicha categoría (total de la
columna). En nuestro caso tendremos para la categoría forestación,

(9476 / 13581)*100 = 69.77%

El productor está más interesado en este índice pues le dice cuan bien los pixeles de
referencia han sido clasificados.

Las medidas de exactitud que acabamos de considerar, aunque simples de usar están
basadas sea en la diagonal principal, sea en las filas y columnas de la matriz de
confusión solamente. Estas medidas no aprovechan la información contenida en dicha
matriz considerada en conjunto. Más aún, puede ocurrir que una distribución
totalmente aleatoria de los pixeles en las clases pueda conducir a resultados
aparentemente correctos en la matriz de confusión.

Buscando superar estos inconvenientes se ha propuesto un índice denominado


coeficiente kappa. Este estadístico es una medida de la diferencia entre la exactitud
lograda en la clasificación con un clasificador automático y la chance de lograr una
clasificación correcta con un clasificador aleatorio.

La definición conceptual del coeficiente kappa es la siguiente:

Página 74 de 123
OTROS METODOS DE CLASIFICACION

9.3.4 Otros métodos de clasificación. En las secciones anteriores hemos considerado


algunos de los métodos más usuales de clasificación y que podríamos llamar clásicos.
Existen sin embargo muchos otros métodos, tanto paramétricos (es decir que asumen
alguna clase particular de distribución estadística, usualmente la distribución normal)
como no paramétricos (es decir que no hacen suposiciones acerca de la distribución 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
paramétricos: los neuronales y los difusos, que son ejemplos de aplicación de métodos
de inteligencia artificial.

9.3.4.1. Clasificador de red neuronal artificial. Desde un punto de vista operacional


nuestro cerebro está constituido de un enorme número, del orden de 100 billones, de
unidades procesadoras simples llamadas neuronas. Cada neurona está interconectada a
aproximadamente 10000 otras neuronas. (V. Fig.82)

Página 75 de 123
Estas conexiones son complejas, y cada neurona recibe como entrada los resultados
producidos por otras neuronas y a su vez envía sus señales a otras neuronas. El cerebro
puede pues ser descrito en términos de un conjunto de redes de neuronas que realizan,
por mecanismos no bien comprendidos, funciones específicas como las de la visión, el
olfato, etc. Se trata de una red neuronal biológica.

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 señales ponderadas provenientes de otras neuronas, las
suma, realiza una operación sencilla sobre dicha suma y el resultado lo envía a otras
neuronas. En las Figs. 83 a, b y c representamos un ejemplo de una red neuronal básica
y su modo operativo.

Página 76 de 123
Esta red tiene tres capas de neuronas: la capa de entrada (input layer) es simplemente
una interfase que no realiza ningún 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 podrían haber más. En un caso simple de
clasificación la información de entrada serían 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 transformación 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 efectúan
las siguientes operaciones:

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

La función de transformación más usual es la sigmoidal, y se denomina función de


activación

Página 77 de 123
que se representa gráficamente 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 retropropagación del error (back propagation). Este es un algoritmo
iterativo degradiente descendente que propaga el error hacia atrás en la red generando
el reajuste de pesos y minimizando el error de salida respecto al patrón 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 parámetros
numéricos, 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 razón por
la que los pesos no pueden ser especificados es porque usualmente no disponemos de
una clave como la relación causa – efecto, es decir, cómo los diferentes valores de los
pesos afectan el proceso computacional de la red. Esta situación resulta de la esencia
misma de las redes neuronales, que son básicamente “cajas negras” cuyo
comportamiento es en gran parte impredecible. En efecto, el usuario puede seleccionar
la “arquitectura”de la red, el número y tipo de neuronas, la manera como están
interconectadas, etc. Sin embargo no podrá establecer, ni siquiera intentar adivinar, los
pesos. Estos sólo podrán ser establecidos en el proceso de aprendizaje. Entre las
ventajas de las redes neuronales artificiales citemos la de poder aceptar todo tipo de
entradas numéricas, respondan o no a alguna distribución estadística. Esto hace que
datos provenientes de percepción remota pueden ser adicionados de datos de otro
origen.
Esta característica es muy útil en el caso de un SIG (Sistema de Información
Geográfica) ya que diferentes tipos de datos espaciales pueden ser usados
simultáneamente para mejorar el desempeño 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 podría
no verse afectado por la pérdida de una o dos neuronas como resultado del ruido en
aquellos.

Entre sus desventajas citemos la duración de los tiempos de entrenamiento. Además, el


algoritmo de gradiente descendente puede alcanzar mínimos locales (es decir un
mínimo en la función que relaciona los pesos con el error) más que un mínimo global.
También puede oscilar. Otro problema es que los valores de pesos que se aplican
inicialmente y que suelen ser valores pequeños y aleatorios influyen en los
resultados pudiendo hacer que la red converja hacia diferentes mínimos locales, con lo
cual son de esperar diferentes exactitudes de clasificación. Como ejemplo de aplicación
utilizaremos la misma imagen de la Fig. 78 (forestación en Paysandú)que hemos
utilizado para aplicar el método supervisado de alta probabilidad y el ISODATA.
Como datos de entrenamiento utilizamos regiones de interés similares a las
Página 78 de 123
seleccionadas en los casos anteriores. Para la clasificación se utilizó 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 gráfica muestra la evolución del proceso
iterativo.

CLASIFICADORES DIFUSOS (FUZZY CLASSIFIERS)

9.3.4.2 Clasificadores difusos (fuzzy classifiers). Las técnicas de clasificación que


hasta ahora hemos descrito conducen a que cada pixel individual reciba una
categorización única y precisa. En tal sentido se trata de clasificadores “duros”. Esta
situación es aceptable en percepción remota cuando el analista se encuentra con
extensiones importantes de coberturas terrestres relativamente uniformes, como
extensas áreas agrícolas, grandes cuerpos de agua claros y profundos, etc. En muchos
casos, sin embargo, se examinan áreas heterogéneas 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 análisis subpixel). Es obvio pues que en ciertos casos la
aplicación de clasificadores “duros” va a deteriorar la exactitud de una clasificación.
Obsérvese el siguiente ejemplo. Dos clusters, como los representados en la Fig. 86(a)
Página 79 de 123
pueden ser erróneamente particionados por un ISODATA duro cuyo resultado se
representa en la Fig.86(b).

Conceptos derivados de la “Lógica Difusa” (Fuzzy Logic), una disciplina


relativamente joven, nos ayudarán a enfrentar el problema. Surgen así los conceptos
de conjuntos difusos, clasificadores blandos o difusos, grados de membresía, etc.

Como caso típico de esta metodología consideremos un procedimiento que podemos


llamar “ISODATA difuso o blando”. Este, en lugar de generar una partición dura
admite que cada pixel puede pertenecer a todos los clusters pero con diferentes grados
de membresía que van entre 0 y 1. Sea U la matriz de grado de membresía con n
columnas, una por pixel, y p filas, una por cluster. El número 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 búsqueda de los centros o


centroides de clústeres que minimizan la diferencia entre los elementos de U. El
procedimiento comienza con una inicialización aleatoria de U con la condición dada
por la [1] :

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

Página 80 de 123
Los centros c de los clusters se calculan de acuerdo a:

10. ALGUNAS APLICACIONES DE LA PERCEPCION REMOTA

Los avances tecnológicos de las últimas décadas en el campo de la percepción remota y


de sus cada vez más numerosas aplicaciones nos hacen desistir de intentar realizar
acerca de éstas una presentación sistemática y formal, sobre todo si queremos
Página 81 de 123
mantener el carácter introductorio de este trabajo. Ya en los capítulos anteriores, al
referirnos a diversos aspectos y procedimientos de la Percepción Remota los hemos
ilustrado con algunos ejemplos de aplicación a casos de monitoreo de recursos
terrestres. Para este capítulo final hemos elegido algunos temas de aplicación puntuales
que creemos pueden ser de especial interés para quienes nos han acompañado hasta
aquí. Estos temas son:

· Aplicaciones en agricultura.
· Temperaturas terrestres y marinas.
· Monitoreo de áreas de desastre.

Esta selección no pretende restar importancia a aplicaciones como urbanismo, geología


y mineralogía, hidrología, estudios climáticos y atmosféricos, etc.

10.1 Aplicaciones en Agricultura. La percepción remota se ha convertido en una


importante fuente de información en el manejo de la producción agrícola, no sólo a
escalas locales sino a nivel global, particularmente para aquellas regiones en que el
suministro de alimentos suele pasar por períodos críticos. En estas aplicaciones la
percepción remota es particularmente empleada para la identificación de cultivos así
como analizar el estado de éstos, jugando para ello un papel primordial las
características espectrales de las principales coberturas terrestres a que ya nos hemos
referido en el Capítulo 4 del presente trabajo.

Indices de vegetación.

Vamos a referirnos a ciertas operaciones algebraicas efectuadas sobre los valores


numéricos de los pixeles correspondientes sobre dos o más bandas pertenecientes a la
misma escena. Entre las más importantes figuran las que conducen a evaluar los
índices de vegetación. Un índice de vegetación es un número generado por alguna
combinación de bandas espectrales y que puede tener alguna relación con la cantidad
de la vegetación presente en un dado píxel de la imagen
El más conocido es el Indice Diferencial de Vegetación Normalizado (NDVI –
Normalized Difference Vegetation Index)

Valores muy bajos de NDVI, del orden de 0.1, corresponden a áreas rocosas, arenosas
o nevadas. Valores de 0.2 a 0.3 pueden corresponder a áreas 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 áreas.
Página 82 de 123
Es obvio, de acuerdo a lo expuesto en el Cap. 4, que el fundamento de la definición del
NDVI radica en las características del espectro de los vegetales. En efecto, ya vimos
(Fig. 11, pág. 9) que la radiación reflejada por una hoja en la región visible depende
fundamentalmente de la radiación absorbida por los pigmentos de la hoja, mientras que
en el infrarrojo cercano, en la región de 0.7 a 1.3 mµ, depende de la estructura interna
de la hoja. Para valores mayores de 1.3 mµ aparecen mínimos de reflectancia a 1.4,
1.9 y 2.7 mµ. El stress vegetal suele manifestarse cuando por efecto de factores como
sequía, enfermedades, infección por plagas, etc., la hoja ve reducido su contenido de
agua. Esto produce el colapso de las células del mesodermo inferior (Fig. 12, pág.9), lo
cual reduce la reflectancia en el IR cercano, constituyendo un síntoma previsual de
stress ya que suele manifestarse días e incluso semanas antes de que comiencen a
apreciarse cambios visualmente o a través de la fotografía color convencional. El
espectro vegetal de la Fig. 11 posee el aspecto típico del obtenido con un
espectrómetro de laboratorio o bien con un sensor hiperespectral. Como los satélites
más usuales actualmente son sólo multiespectrales no nos pueden suministrar una
curva espectral con la alta resolución de un espectrómetro 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 algún
modo refleja las características del espectro de laboratorio y que nos puede brindar
mucha información acerca del estado de un cultivo, de una forestación, etc. La curva a
corresponde a pleno vigor vegetativo, la b representa una etapa más próxima a la
maduración y la c marca ya un estado de senescencia. Obsérvese el quiebre de las
curvas a aprox. 1.6mµ, que es un reflejo del contenido de agua de la hoja y permite
diferenciar claramente por el cambio de concavidad de la curva la transición 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 ocurrirá un notorio
decrecimiento del NDVI al pasar de la banda a a la c

Algunos ejemplos de aplicación del NDVI

· Seguimiento de una sequía.

Página 83 de 123
Durante los meses de noviembre de 1999 a marzo de 2000 se produjo en Uruguay una
intensa sequía. Esta fue seguida desde nuestra estación de rastreo de El Pinar a través
de imágenes NOAA de 1 km de resolución y calculando los índices de vegetación. Las
imágenes obtenidas se representa en la secuencia de la Fig. 88

· Seguimiento de cultivos

Las Figs. 89 a 91 de la pág. 82 muestran una secuencia de imágenes temporales de


algunas arroceras a lo largo de un pequeño sector del Río Cuareim cerca y al NNW de
la ciudad de Artigas. Las imágenes cubren aproximadamente 14 km x 14 km y fueron
extraídas 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 pequeña arrocera cuya posición 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 áreas (blancas) cuyos índices son prácticamente cero y con
menores desarrollo que la de referencia.

En la Fig. 90 se muestra la situación al 01-01-99 y puede observarse cómo el NDVI de


la referencia ha aumentado a aprox. 0.7, observándose que algunas áreas blancas han
elevado su NDVI, algunas notoriamente. Obviamente se trata de otras arroceras en
diferentes estados de evolución. En la Fig. 91 el NDVI de referencia a aumentado a
0.8-0.9 y también otras arroceras han aumentado notoriamente sus índices.
Vemos cómo la percepción remota ofrece la posibilidad de monitorear el estado de los
cultivos y, estando las imágenes georreferenciadas también permitirá calcular las áreas
cultivadas.

· Monitoreo a nivel global

Los ejemplos anteriores son de carácter localizado. Sin embargo existen actualmente
satélites como los de la serie NOAA y TERRA (Ver en la página 17 de este trabajo
nuestros comentarios sobre Satélites Meteorológicos y Agrometeorológicos así como
acerca de Los Nuevos Satélites Para la Observación 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 información
permanente sobre cambios en las coberturas terrestres. Entre los productos que estos
programas suministran se encuentra el NDVI a nivel global. Estos productos están
disponibles en Internet en resoluciones espaciales de 250m a 1 km por pixel. Uno de
los sitios más apropiados para bajarlos es el
Earth Observing System Data Gateway.

http://edcimswww.cr.usgs.gov./pub/imswelcome/

Página 84 de 123
Página 85 de 123
Página 86 de 123
INDICES N-DIMENSIONALES - TASSELED CAP

10.1.2 Indices N-dimensionales “Tasseled Cap”. Los índices descritos anteriormente


se basan en operaciones algebraicas realizadas sobre sólo dos bandas espectrales, la R
y la IRC en el caso del EVI se agrega la azul. Sin embargo, es obvio que las demás
bandas espectrales también contienen información de interés en el estudio de las
cubiertas vegetales, de vegetación N-dimensionales. En la Sec. 9.2.3, pág. 46 del
presente trabajo nos referimos al análisis por Componentes Principales. Vimos que
éstos se obtenían a través de una transformación matemática que permitía comprimir
toda la información contenida en un conjunto de N bandas espectrales a un conjunto
menor de nuevas bandas o componentes. Una transformación similar fue desarrollada
por Kauth y Thomas pero pensada de modo que los nuevos ejes maximicen
información de importancia en agricultura. Esta transformación, llamada “Tasseled
Cap”, permite resaltar los fenómenos más importantes (espectralmente observables)
que ocurren durante el desarrollo de un cultivo. Esta transformación, aplicada a las seis
bandas TM (excluida la térmica) del LANDSAT indica que la información de valor
agronómico ocupa esencialmente tres dimensiones:

1. Brightness: está asociado a las variaciones de reflectancia del suelo


2. Greeness: está correlacionado con el vigor de la vegetación
3. Third (o Wetness): está influído 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 vegetación y el de suelos


(Fig.93):

Página 87 de 123
En el plano de vegetación podemos representar la evolución 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 vegetación sería


proximadamente el esquematizado en la Fig. 95:

Página 88 de 123
Su forma se parece al gorro de Santa Claus (gorro con borlas = tasseled cap): de ahí el
nombre de la transformación. Pasando a un caso real, en las Figs. 96 a, b, c y d vemos:
a: Un área donde se observan tierras descubiertas, pasturas, areas de cultivos y montes.
b y c: Las imágenes correspondientes a los índices de Brightness y Greeness según la
transformación del Tasseled Cap.
d: El dispersograma de dichas imágenes. Figs.96 a,b,c y d

Veamos ahora otro ejemplo de aplicación. 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 imágenes 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 imágenes de brightness, greeness y wetness
obtenidas luego de aplicar la transformación de tasseled cap. Con estas tres últimas
imágenes podemos realizar una combinación RGB tal que R=brightness, G=greeness y
B=wetness. Esta combinación se representa en la Fig.98a. La Fig. 98b corresponde a

Página 89 de 123
una transformación similar realizada para una imagen de la misma zona captada en la
fecha 17/01/00.

En las Figs. 98, a y b, las áreas rojizas corresponden a suelo, las verdes a vegetación y
las azules a zonas húmedas o agua. Las situaciones intermedias aparecen como
balances entre dichos colores. En particular se puede observar el grado de inundación de
los arrozales, rojo oscuro o violáceo (suelo y humedad) o azul (totalmente inundados).
Comparando ambas imágenes puede detectarse en enero el aumento de tonalidades
rojizas, indicando una reducción de la cubierta de pasto y aparición de suelo
Página 90 de 123
descubierto (el verano1999-2000 se caracterizó por una intensa sequía). En la zona de
arrozales pueden observarse los cambios que en cuanto a grado de inundación,
comienzo de emergencia, etc., ocurrieron durante el período.
INDICES DE VEGETACION A PARTIR DE IMAGENES HIPERESPECTRALES

10.1.3 Indices de vegetación a partir de imágenes hiperespectrales De los índices


de vegetación bidimensionales (ej. NDVI) hemos pasado a los Ndimensionales (ej.
Tasseled Cap, que utiliza 6 bandas del Landsat). Una extensión de estos últimos lo
constituyen los índices obtenidos a partir de imágenes hiperespectrales, es decir,
obtenidas con sensores de elevada resolución espectral que permiten recoger
información terrestre no en unas pocos canales espectrales, como el SPOT o el
LANDSAT, sino en un gran número de ellos, pudiendo llegar a 200 o más. Los
espectros así obtenidos son comparables a los espectros obtenidos con los
espectrómetros en el laboratorio. Originalmente los sensores hiperespectrales se
montaron en plataformas aéreas, 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 µm con anchos de bandas de 10 nm. Un sensor de
características similares (Hyperion) se encuentra a bordo del satélite EO-1 de la
NASA, lanzado en noviembre del 2000. La Fig. 99 permite comparar la resolución
espectral de un espectro multiespectral (LANDSAT) y uno hiperespectral (EO-1
Hyperion) en el caso de una cubierta vegetal terrestre:

El potencial analítico que ofrecen las imágenes 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.

Página 91 de 123
Veamos un ejemplo. En la Fig. 100 se esquematizan los espectros del suelo y del
vegetal así como del espectro resultante de la adición de ellos, que es el espectro que
realmente registra el sensor del satélite.

Consideremos sólo la región espectral entre aproximadamente 0.625 y 0.770 um. En el


intervalo elegido el espectro del suelo puede considerarse prácticamente lineal ( y = ax
+ b). La Fig 101 permite comprobar cómo la derivación permite eliminar la influencia
del suelo.

Estas propiedades de las derivadas podemos aplicarlas a:

1. Al análisis del “borde rojo” del espectro de los vegetales. Dicho borde corresponde al
punto de inflexión que se produce entre el rojo y el IR cercano en el espectro de los
vegetales verdes. Los desplazamientos de su posición se han asociado a cambios
fenológicos y al stress vegetal. La posición del borde rojo puede determinarse con
precisión ubicando el máximo de la derivada primera del espectro. V. Fig. 102(a)

2. Calculo de un nuevo índice de vegetación:

Supongamos que el sensor hiperespectral está recibiendo radiación 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
dirección al sensor. Esta situación se representó gráficamente en la Fig. 100. Se propuso
emplear la integral de la derivada segunda como un índice de vegetación para eliminar
la influencia del suelo (Fig. 102(b).

Página 92 de 123
Las consideraciones que anteceden permiten prever un amplio campo de investigación
en la evaluación 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 térmico (IRT). Todo objeto cuya temperatura
se encuentre por encima del cero absoluto emite energía electromagnética en la región
infrarroja térmica (3 a 14 mµ) del espectro electromagnético. Si bien el ojo humano es
insensible a dichas radiaciones existen, como ya hemos visto en el Capítulo 7 de
este trabajo, sensores capaces de detectarlas. Efectivamente, los sistemas de percepción
remota en el IRT son capaces de registrar imágenes térmicas que ofrecen incontables
aplicaciones, fundamentalmente en el monitoreo de las superficies terrestres y
oceánicas así como de fenómenos atmosféricos. Es una práctica usual medir la
temperatura de un cuerpo mediante un termómetro que está en contacto o sumergido
en dicho cuerpo. La magnitud así medida es la llamada temperatura cinética que
constituye una manifestación interna de la energía translacional asociada al movimiento
aleatorio y colisiones de las moléculas del cuerpo considerado. Esta energía interna
puede convertirse en energía radiante y ser emitida como tal, haciéndola accesible a las
técnicas de percepción remota. Se puede medir así la temperatura radiante del objeto
que está correlacionada, aunque no es exactamente igual, a la temperatura cinética.
Efectivamente, aquélla es siempre algo más baja que esta última debida a una
propiedad térmica de los cuerpos que llamamos emisividad y que más adelante
consideraremos.asociada al movimiento aleatorio y colisiones de las moléculas del
cuerpo considerado. Esta energía interna puede convertirse en energía radiante y ser
emitida como tal, haciéndola accesible a las técnicas de percepción remota. Se puede
medir así la temperatura radiante del objeto que está correlacionada, aunque no es
exactamente igual, a la temperatura cinética. Efectivamente, aquélla es siempre algo
Página 93 de 123
más baja que esta última debida a una propiedad térmica de los cuerpos que llamamos
emisividad y que más adelante consideraremos.

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

FILAMENTO DE TUNGSTENO

Página 94 de 123
La energía total W emitida por la superficie del cuerpo negro a una dada temperatura
viene dada por el área bajo la curva y matemáticamente se describe por la ley de
Stefan-Boltzmann:

Saliendo ahora del plano puramente teórico diremos que en general los objetos terrestres
no son emisores perfectos como el cuerpo negro, sino que a una dada temperatura
emiten menos radiación que el cuerpo negro a la misma temperatura. La fracción que
ellos emiten respecto al cuerpo negro es una medida de su emisividad (e). Así por
Página 95 de 123
ejemplo, si a una dada temperatura y longitud de onda una superficie emite la mitad de
la radiación que emitiría un cuerpo negro en las mismas condiciones su emisividad
será de 0.5. Ejemplos de emisividad para algunos materiales en la región de 8-14 mµ:

De acuerdo a la definición que dimos de emisividad ésta podrá variar entre 0 y 1, pero
cabe aquí señalar 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
fracción constante de la del cuerpo negro. Si en cambio la emisividad del objeto varía
con la longitud de onda se denominará radiador selectivo. La Fig. 105 permite
comparar las curvas de emisión 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 parámetro de fundamental importancia en la estimación de diversas variables de
interés terrestre y oceánico. La tradicional medida de temperaturas mediante
termómetros o termistores por contacto está obviamente asociada a elevados costos

Página 96 de 123
operacionales y dificultades cuando dichas medidas pretenden cubrir extensas áreas
geográficas.

La gran solución a este problema la constituyen las mediciones desde satélites con
sensores que operan en la región del IRT. Existe actualmente muchos satélites con tales
sensores, pero aquí nos limitaremos a citar como ejemplos los de la serie NOAA
(National Oceanic and Atmospheric Administration – USA) y los satélites TERRA y
AQUA del sistema EOS de la NASA con su instrumento MODIS.

Refiriéndonos en particular a la serie NOAA, diremos que es una familia de satélites


solar- sincrónicos que orbita a 833 km de altitud. Su sensor AVHRR (Advanced High
Resolution Radiometer) ha sido tal vez el más ampliamente utilizado para las medidas
de temperatura. Posee cinco canales: uno en el visible (0.63 mµ ), uno en el IR
cercano (0.91 mµ), uno en el límite IR cercano/térmico (3.7 mµ) y dos en el IRT (10.8
mµ y 12 mµ).

Este sensor posee una resolución espacial de 1.1 km y un ancho de barrido de 2400 km.
Los satélites 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 geográficas sus mediciones no están libres de dificultades, particularmente
por la acción combinada de perturbaciones debidas a la emisividad del terreno y el
efecto atmosférico. La perturbación atmosférica es debida fundamentalmente a la
absorción y emisión de radiación térmica por parte del contenido de vapor de agua
atmosférico, mientras que el efecto de emisividad se debe a la heterogeneidad de los
elementos presentes en la superficie terrestre. En consecuencia, una adecuada
estimación de temperatura desde plataformas satelitales requerirá corregir los defectos
indicados.

Dentro de las técnicas disponibles para estas correcciones se destaca el método


conocido como de “ Ventana Dividida o Split Window” que combina los datos
obtenidossimultáneamente por dos canales espectrales en la misma ventana de
transmisión atmosférica. Se basa en el hecho de que la atenuación atmosférica que
experimenta la radiación emitida por la superficie terrestre es proporcional a la
diferencia de las correspondientes medidas efectuadas desde satélite y realizadas
simultáneamente desde dos canales térmicos distintos. En tal sentido se han propuesto
algoritmos para estimar la temperatura de superficies terrestres y oceánicas basándose
en los canales AVHRR 4 y 5 que aprovecha el efecto diferencial de la atmósfera sobre
la señal radiométrica en la región de la ventana atmosférica en la que operan estos
canales. La forma básica 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 través de modelos de


simulación o por correlación con observaciones terrestres.
La medida de temperatura es un buen indicador para el monitoreo del balance
Página 97 de 123
energético en la superficie terrestre y sirve como indicador del efecto invernadero.
Esto la hace esencial para variados estudios de naturaleza climática, hidrológica,
ecológica y biogeoquímica.

10.2.2.1 Temperatura del mar. Consideremos algo más en detalle las medidas de
temperaturas marinas. Debe tenerse en cuenta que como las radiaciones infrarrojas
térmicas son intensamente absorbidas por el agua las medidas de temperatura que se
obtienen corresponden a una capa superficial de pocos milímetros de espesor
(temperatura de piel) y van a ser algo inferiores a la de aguas más profundas. Sin
embargo, como a través de esa “piel”ocurren importantes procesos de intercambio
térmico entre el mar y la atmósfera, estas medidas de temperatura son de fundamental
importancia para estudios climáticos a nivel global. Citemos como típico ejemplo de
monitoreo de una anomalía térmica el fenómeno de El Niño. Este consiste en un
conjunto de alteraciones que tienen lugar en el Pacífico oriental a intervalos de tiempo
irregulares, por lo general de cuatro a siete años. Su origen se atribuye a procesos
complejos de interacción océano-atmósfera, algunos aúnpoco comprendidos, y con
efectos desastrosos a nivel global.

En la Fig. 106 se representan un mapa de la NOAA, generado a través de datos


satelitales, de las anomalías térmicas en el Pacífico en Setiembre de 1997, temporada
en que el fenómeno de El Niño se había presentado con especial intensidad y había
alcanzado ya su “madurez”

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

Página 98 de 123
Las observaciones de temperatura superficial del mar son obviamente muy importantes
para los oceanógrafos puesto que permiten el análisis espacial y temporal de las
corrientes oceánicas así como de sus variaciones. Incluso facilitan el pronóstico de
desastres climáticos como los inducidos por la corriente de El Niño.

Si pasamos ahora del nivel global al local veamos como ejemplo una imagen NOAA
de temperaturas del mar en las cercanías del Río de la Plata y regiones costeras
adyacentes. (Fig.108):

La imagen fue registrada a principios de febrero y las temperaturas son relativamente


elevadas.
Son fáciles 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 línea P y se registra en la gráfica de la Fig. 109.
Página 99 de 123
Estos afloramientos de aguas profundas más frías rodeadas de áreas más calientes son
lugares de intensa creación de biomasa (plancton) y ellas inducen la concentración de
peces. Una comprobación gráfica de esto lo constituye la Fig. 110. Esta es una imagen
adquirida por el satélite Sea Star de la NASA de la costa patagónica donde se observa
claramente la península de Valdés. Es una imagen registrada en el rango espectral
visible y permite visualizar el color del mar. Una línea de color más claro marca la
convergencia de las corrientes de las Malvinas y de Brasil. Al oeste de esta línea los
colores verdosos indican afloramiento de fitoplancton sobre las agua más frías de la
corriente de las Malvinas. Al este de la línea de convergencia los colores azules más
profundos indican la ausencia de fitoplancton.

Las medidas de temperatura en el IRT ofrecen así un método para orientar a los
buques pesqueros más directamente a las áreas 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 energético y del efecto invernadero, puesto que constituye uno de los
Página 100 de 123
parámetros clave en la física de los procesos que ocurren en la superficie de la Tierra
tanto a nivel local como global. Combina los resultados de las interacciones superficie-
atmósfera y de los flujos energéticos entre la atmósfera y el suelo. Por tal motivo su
medida es necesaria para variados estudios climáticos, hidrológicos, ecológicos y
biogeoquímicos. 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 terminación 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 través de los sensores AVHRR y MODIS, aunque también
se obtiene información de esta naturaleza a través de satélites geoestacionarios (ej.
serie GOES). Como en el caso de la medida de temperatura del mar también aquí se
recurre a algoritmos de cálculo, por ejemplo del tipo de ventana dividida o split-
window para procesar los datos de infrarrojo térmico.
Pasemos ahora a considerar algunos ejemplos más concretos de aplicación de medidas
de temperatura. Uno de ellos, cada vez más importante cuando se asocia a los
cambios climáticos globales que afectan nuestro planeta es el monitoreo de incendios.
Los incendios de diferentes tipos de biomasa como forestaciones, malezas, residuos
agrícolas, etc. juegan un importante rol en los cambios climáticos emitiendo a la
atmósfera gases de invernadero y aerosoles y afectando seriamente la biodiversidad de
los ecosistemas. La información satelital en la prevención y monitoreo de incendios,
particularmente en áreas extensas o en territorios de difícil acceso resulta sumamente
valiosa. Un sensor como AVHRR o MODIS no sólo puede detectar incendios cuando
ya están declarados a través de la visualización de sus plumas de humo (V. Fig.111
Incendios de campo en Paraguay)) sino que puede hacerlo a través de la detección de
anomalías térmicas o puntos calientes antes de que los efectos visuales se manifiesten
notoriamente.

Esta capacidad Fig 111 de detección es mayor en las observaciones infrarrojas


nocturnas, ya que durante el día, particularmente en climas cálidos, pueden confundirse
Página 101 de 123
fuegos activos con superficies arenosas o asfálticas 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 rápida de MODIS
(http://rapidfire.sci.nasa.gov/status/).

En la Fig.112 se observa un mapa del sistema de Respuesta rápida 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 aquí las aplicaciones de detección de incendios que mencionamos se han basado
en sensores de baja resolución espacial. El siguiente caso se refiere a imágenes
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
atmosféricos, como era de esperarse tratándose de bandas de longitudes de onda
relativamente cortas.

Página 102 de 123


Si, en cambio consideramos las bandas infrarrojas TM 4, 5 y 7 (Fig.114), esta última
justamente en el límite entre el infrarrojo medio y el térmico, es decir si consideramos
una combinación RGB 754, vemos cómo el efecto del humo desaparece y se observan
detalles de los frentes de ignición. Aunque las bandas que hemos utilizado son
sensibles a la radiación solar reflejada, las zonas en combustión están suficientemente
calientes como para emitir energía a dichas longitudes de onda. Esto se comprende
fácilmente observando las curvas de la Fig. 115, que muestras las bandas espectrales
TM superpuestas a las curvas de emisión radiante a diversas temperaturas

Para completar estas breves consideraciones acerca de la aplicación de las medidas de


temperatura a partir de datos satelitales nos referiremos a un caso en que el objetivo no
era la detección de puntos calientes sino por el contrario el seguimiento de heladas.
Durante el invierno del año 2000 se produjeron temperaturas muy bajas al sur de Brasil
(estados de Paraná, San Pablo, Minas Geraes). Las temperaturas de –4oC y menores
llegan a ser letales para los cafetales y se encomendó a nuestra estación de El Pinar,
Depto. de Canelones, efectuar un seguimiento de las temperaturas nocturnas de la
Página 103 de 123
región, ya que las madrugadas son más propensas a alcanzar dichos mínimos. El
seguimiento se efectuó mediante las bandas térmicas de los satélites NOAA 12 y 14 y
fueron captadas por un sistema AVHRR HRPT (High Resolution Picture
Transmission). En la Fig. 116 se presenta un típico mapa de temperaturas de los
obtenidos durante el monitoreo.

Los contornos verdes marcan la posición de las principales áreas cafetaleras. Puede
observarse que en varias zonas de éstas las temperaturas alcanzadas permiten
pronosticar deterioros irreversibles en las plantaciones.

MONITOREO DE AREAS DE DESASTRE

10.3 Monitoreo de áreas de desastre. Las imágenes satelitales constituyen una


valiosa herramienta para acceder rápidamente a aquellas áreas sometidas a desastres
ecológicos. Su amplia área de cobertura, su facilidad para visualizar rápidamente y
evaluar la situación de aquellos lugares donde las mismas consecuencias del desastre
impiden o dificultan otros tipos de aproximación son factores fundamentales en el
manejo de las acciones de recuperación posteriores al evento. Incluso en muchos casos
la información satelital permite emitir alertas previos al evento: en efecto, muchos
tipos de desastres, como inundaciones, sequías, huracanes, erupciones volcánicas, etc.
poseen señales precursoras que un satélite pude detectar. El alerta temprano permite
reducir los riesgos potenciales y planificar las acciones a tomar durante y luego del
Página 104 de 123
episodio. Cuando hablamos de desastres ecológicos lo hacemos en un sentido amplio.
En efecto, incluimos en dicho concepto no sólo los desastres naturales sino también los
debidos a la acción humana directa o bien inducidos por la acción humana. Algunos
son de rápido desenlace y con resultados devastadores, otros son de desarrollo lento
pero con iguales o más serias repercusiones en el tiempo.

10.3.1 Algunos ejemplos típicos.

· Sequías e incendios. En el desarrollo de este trabajo ya nos referimos a casos de


aplicación de los métodos de percepción remota a eventos ecológicos cuando
presentamos ejemplos de seguimiento de sequías 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 evaluación


es fácilmente realizable desde el espacio. Utilizando imágenes multitemporales, es
decir, tomadas en diferentes fechas, es posible detectar y cuantificar cambios ocurridos
en el área afectada en el lapso transcurrido entre la adquisición de las imágenes. Las
Figs. 117 a y b representan la misma escena: la confluencia de los ríos Missisipi y
Missouri en las proximidades de las ciudades de St.Charles y St.Louis antes y después
de las inundaciones del verano de 1993

Las imágenes corresponden a la banda TM5 del LANDSAT que permite realzar los
cuerpos de agua por su color casi negro. Existe un procedimiento muy útil para
evaluar cambios: si entre las dos fechas no hubiera ocurrido ningún cambio de
importancia en la escena, las dos imágenes TM5 estarían fuertemente correlacionadas
y un dispersograma de ambas evidenciaría dicha correlación. 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 inundación, Fig. 118 a, se evidenciarán (color azul) las zonas inundadas, pudiendo
medirse su área total, el área de las zonas urbanas inundadas, etc. Una combinación
Página 105 de 123
RGB 432 (falso infrarrojo, Fig. 119) complementa la anterior imagen y permite
identificar la naturaleza de algunas áreas emergentes de la inundación

· Terremotos y tsunamis: La aplicación de las técnica de percepción remota a los


terremotos puede considerarse un complemento de los sistemas de monitoreo terrestre.
El concepto de alerta temprano por parte de la percepción remota en este tipo de
eventos es usualmente algo diferente que para otros tipos de desastres. En efecto, el
aporte más útil en este caso es fundamentalmente el rápido suministro de información
post-desastre a las autoridades que manejan la recuperación del área. Esta información
se logra sobre todo a través de imágenes de alta resolución tales como IKONOS o
QUICKBIRD, como se ejemplifica en las imágenes 120 a,b,c, correspondientes a un
terremoto ocurrido en Algeria, región de Boumerdes en Mayo del 2003

Página 106 de 123


Rojo: áreas dañadas y escombros
Verde: asfalto y techos sin daños
Azul: suelo
Amarillo: vegetación
Cian: sombra

No obstante lo expresado anteriormente con carácter general respecto a los alertas


preterremoto, actualmente las técnicas de Percepción Remota pueden realizar su
contribución a éstas a través de detección de deformaciones del terreno previas al
evento sísmico. Esto se realiza mediante satélites con ciertos sensores que dado el
alcance de este trabajo no hemos considerado antes : son los sensores de radar
interferométrico que pueden llegar a detectar las deformaciones del orden de
centímetros que pueden manifestarse previamente a los terremotos.

En cuanto a los tsunamis, olas devastadoras provocadas por terremotos o erupciones


submarinas, son también objeto de alerta y evaluación de daños por técnicas de

Página 107 de 123


Percepción Remota. Fue un caso típico el ocurrido en el Océano 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 satélite QUICKBIRD, así
como las Figs 122 a y b, captadas por el satélite hindú IRS-P6 son típicos ejemplos de
la información que en estos casos puede suministrar la Percepción Remota casi en
tiempo real.

· Volcanes: Más de 1500 volcanes potencialmente activos están dispersos en la


superficie terrestre, de los cuales aproximadamente 500 han entrado en actividad en
algún momentoen los últimos tiempos. Aunque los científicos tratan de vigilar y prever
la actividad de estos volcanes por los métodos tradicionales basados en tierra, la
percepción 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 volcánica en horas previas a su ocurrencia. Sobre dicha base opera el Sistema
Página 108 de 123
de Alerta Térmica 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 días en búsqueda de anomalías térmicas.
También las imágenes infrarrojas de satélites geostacionarios captadas cada 15
minutos pueden ser utilizadas para predecir erupciones volcánicas a través de mapeos
térmicos de la superficie terrestre. Una de las posibilidades de la percepción remota en
el monitoreo de la actividad volcánica 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 aéreos muy frecuentados como por ejemplo en el estrecho de Bering, región
en la que hay actividad volcánica. En efecto, si un jet se introduce en una de tales
nubes la temperatura de las turbinas puede fundir las cenizas y partículas minerales
presentes y provocar un desastre. En la Fig. 123 vemos una imagen MODIS de una
pluma de cenizas en la erupción de un vlcán de la península rusa de Kamchatka

· Desertificación: La desertificación es un proceso complejo de degradación de los


suelos que conduce a una disminución o destrucción de su potencial biológico. Este
fenómeno depende de diversos factores: sequías, pastoreos excesivos, deforestación,
prácticas de cultivo inadecuadas, manejo impropio del agua que puede conducir a
erosión, salinización, etc.

Desde hace ya bastantes años los satélites a través de un monitoreo global están
contribuyendo al seguimiento y a una mejor compresión de los fenómenos de
desertificación. Si bien éstos una vez instalados son difícilmente reversibles, la
percepción remota es sin duda una herramienta de gran valor para complementar las
acciones de recuperación que se intenten.
Página 109 de 123
Un caso típico de desertificación monitoreada durante muchos años por percepción
remota es el del Mar de Aral. Este enorme lago, ubicado entre Kazakhstan y
Uzbekistan, que fue en una época el cuarto de mundo por su tamaño perdió más del
40% de su superficie. El factor principal que por los años 1950 disparó este proceso fue
la intensa irrigación de cultivos de algodón efectuada con agua de dos ríos que
alimentaban el lago. El aporte de estos ríos no pudo entonces compensar la
evaporación del lago, hecho agravado por ser la de éste una cuenca originariamente
semiárida. El proceso hizo colapsar la industria pesquera existente y millones de
habitantes se vieron afectados por los vientos transportando sales, arena y partículas
minerales provenientes del lecho del lago. Los problemas de salud incluían cáncer a la
garganta, enfermedades de la visión, problemas respiratorios, incremento de la
mortalidad infantil, etc. Las imágenes de las Figs. 124 a y b reflejan la evolución del
proceso entre los años 1973 y 2004.

Pese a que desde el año 1991, luego del colapso de la URSS, el problema del Mar de
Aral se internacionalizó y se realizan esfuerzos para detener o revertir la situación,
lasimágenes de la Fig. 124 parecen demostrar que ya es muy tarde para lograrlo.

· Derrames de petróleo: La contaminación de los océanos con petróleo es uno de los


grandes problemas ambientales actuales. Esta contaminación se adjudica en su mayor
proporción a operaciones de limpìeza de depósitos en buques tanque y en menor
proporción a accidentes en buques y plataformas petroleras. Son importantes también
las cantidades de petróleo vertidas en ríos y océanos por muchas industrias, incluyendo
refinerías y depósitos de almacenaje. En regiones como el Golfo Pérsico las emisiones
de petróleo han sido casi continuas desde 1982, destruyendo la industria pesquera y
volviendo inoperantes plantas de desalinización.

La percepción remota desde plataformas satelitales es en estos casos muy útil dada su
capacidad de supervisar amplias áreas, de realizar monitoreos localizados y de prestar
asistencia táctica en emergencias. Puede suministrar información acerca de la
velocidad y dirección de los derrames oceánicos a través de imágenes multitemporales
e incluso realizar mapeos de los derrames.

Ilustraremos esta aplicación considerando el derrame de petróleo resultante de los


incidentes bélicos que ocurrieron durante la Guerra del Golfo, en enero de 1991. El
Página 110 de 123
derrame en la costa de Kuwait alcanzó de 4 a 6 millones de barriles de petróleo.
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 bahía de Ad Daffi , Fig. 125.

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

En ésta se destaca la mayor reflectancia del petróleo, distinguiéndolo del agua que
absorbe intensamente dicha radiación y apareciendo casi negra en la imagen. Más aún,
basándoseen los diferentes niveles de reflectancia de las manchas de petróleo se puede
lograr discernir entre aceites pesados y livianos. Las áreas de las manchas y las
distancias costeras pueden ser directamente evaluadas a través del análisis de la
imagen.

· Un accidente nuclear: Chernobyl: El 26 de abril de 1986 ocurrió el peor accidente


registrado en la historia de las aplicaciones civiles de la energía nuclear. Ocurrió en
Página 111 de 123
uno de los cuatro reactores de la planta de Chernobyl en la ex Unión Soviética. Fue
consecuencia de la interrelación de fallas humanas en el manejo del reactor y de fallas
de diseño en éste. La explosión voló la cubierta de 1000 toneladas del reactor y
resquebrajó las paredes dejando expuesto el núcleo de grafito en combustión y
generándose una pluma de 5 km de altura de contaminantes radioactivos. La Fig.128 es
una composición RGB 742 de una escena LANDSAT-5 captada tres días después del
accidente, cubriendo el área de la planta nuclear. Puede distinguirse aproximadamente
el layout de ésta, en particular el lago de recirculación 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 pequeño en la imagen) que marca la posición del reactor accidentado
que produce una intensa emisión a la longitud de onda de la banda 7 (2.08 2.35µm).

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 resolución de esta banda
es de 120m x 120m, lo que hace más difusos los detalles. Sin embargo, nos permite
observar que la temperatura del lago de enfriamiento aún no es uniforme, pese al cese
de actividad de la planta. Los colores rojizos indican las temperaturas mayores y los
verdes y azules los más bajos. Obsérvese que en la mayor parte del lago la temperatura
es superior a la del río que corre en las proximidades.

· Deforestación: La deforestación descontrolada de los bosques tropicales es una de las


graves agresiones al planeta. La destrucción de bosques húmedos tropicales va más allá
de la simple pérdida de áreas pintorescas, y su continuidad irrestricta es un serio factor
de perturbación para el clima y la biodiversidad de la Tierra. La Fig. 130 muestra el
grado en que en unos pocos años avanzó la deforestación en una región de la
Amazonia brasileña y la Fig. 131 muestra una región de la selva peruana donde se
aprecia deforestación condicionada por la instalación de numerosos pozos petrolíferos.

Página 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 iluminación externa, usualmente el sol. Sin embargo,
en algún momento hicimos referencia a otro tipo de sensores, como el radar, que por
poseer su propia fuente de emisión se denominan sensores activos. La palabra radar es
un acrónimo de Radio Detection And Range, que más explícitamente podríamos
traducirlo como “detección y medida de distancias por ondas de radio”. Un sistema de
radar posee tres funciones primarias:

• Emite señales de microondas (en sus principios fueron de radio, de ahí su nombre)
hacia una escena.

• Recibe la fracción de energía reflejada por la escena en su

Página 113 de 123


Es usual en estas imágenes observar patrones de deforestación en forma de “espinas de
pescado”, que corresponden a la difusión de los procesos de deforestación a lo largo
de sendas o caminos.

Si bien el ritmo actual de deforestación es difícil de estimar, el análisis de imágenes


satelitales constituye una gran ayuda para su evaluación y para el desarrollo de
estrategias de control.

10.3.2 El monitoreo a escala global de desastres. En la Sección anterior nos hemos


referido a la forma cómo se manifiestan distintos tipos de desastres, algunos de origen
natural, otros causados directamente por el hombre y otros inducidos por éste. Algunos
de estos desastres ocurren en un corto lapso y sus resultados son devastadores. Otros
ocurren más lentamente pero sus resultados son tan serios o aún más que los
anteriores. La necesidad de alertar sobre estos procesos o bien de ayudar a la
recuperación de las áreas afectadas ha llevado a crear sistemas de monitoreo de
desastres basados en la percepción remota que operan a nivel global. Es así 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 Catástrofes”(International Charter “Space
and Major Disasters”) a la cual se unieron
luego Estados Unidos, India, Argentina, Japón y China.

Esto representa que frente a un desastre se active la cooperación de numerosos


satélites como SPOT, LANDSAT, IRS (India), RADARSAT (Canadá), TERRA
(USA), ENVISAT (ESA), NOAA, SAC-C (Argentina), ALOS (Japón),etc., así como
el sistema DMC. Un
Usuario Autorizado puede, por simple llamada telefónica 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.
Página 114 de 123
En cuanto al sistema DMC, (Disaster Monitoring Constellation) mencionado
anteriormente como integrante del International Charter, es una Asociación liderada
por la Universidad de Surrey (Inglaterra). Consiste en una red de microsatélites, y sus
estaciones terrestres

El sistema +DMC se caracteriza porque cada microsatélite pertenece y es operado por


la nación a la que pertenece, pero todos han sido igualmente espaciados en una órbita
solar- sincrónica de modo de poder ofrecer diariamente imágenes multiespectrales de
cualquier parte del mundo. Desde el año 2002 operan cinco microsatélites operados
por Algeria, China, Nigeria, Turquía, UK, y próximamente se les unirán otros
(España, Vietnam, ets.) Estos satélites poseen un FOV de 640 km y pueden obtener
imágenes multiespectrales con resolución de 32 m en el nadir. Algunos poseen además
sensores pancromáticos de 4 m de resolución.

• Observa la intensidad (detección) y el retardo de tiempo (distancia) de las señales o


eco de retorno.

Como el radar posee su propia fuente de emisión de radiaciones puede operar de día o
de noche, y como además las microondas pueden penetrar la atmósfera bajo
virtualmente cualquier condición climática el radar se convierte en un sensor que, a
diferencia de los que hemos estudiado antes puede operar en todo tiempo. Como
contrapartida, las imágenes de radar son de interpretación más difícil que las
correspondientes obtenidas para las regiones visibles o térmicas del espectro
electromagnético. En efecto, estas últimas pueden correlacionarse más fácilmente con
las apreciaciones realizadas por el ojo humano, mientras que las respuestas de las
microondas son marcadamente diferentes. La Fig. A-1 esquematiza la operación de un
sistema de radar a bordo de un satélite.
Página 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 energía por segundo y cada pulso tiene
una duración de típicamente 10 a 50 microsegundos. Cuando el pulso de radar alcanza
la superficie terrestre su energía 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
polarización específica (horizontal o vertical, pero no necesariamente la misma del
pulso emitido).

Lo ecos recibidos son digitalizados y registrados para su posterior procesamiento y


conversión 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
podrá calcularse la distancia al objeto reflector.
En el caso de los sensores de radar podremos hablar de dos tipos de resolución. El
pulso usualmente cubre una pequeña banda de frecuencias (ancho de banda) centrada
en la frecuencia seleccionada por el sistema de radar. Este ancho de banda determina la
resolución en la dirección del objeto iluminado. Mayores anchos de banda condicionan
resoluciones más finas en dicha dirección. Por otra parte, la longitud de la antena de
radar determina la resolución en la dirección del trayecto del satélite: cuanto más larga
es la antena más fina es la resolución en dicha dimensión. Es así que se desarrolló una
técnica, denominada radar de apertura sintética (Synthetic Aperture Radar – SAR), que
consiste en sintetizar una antena muy larga combinando señales recibidas por el radar a
medida que recorre su trayecto.
Las imágenes de radar están compuestas por pixeles, cada uno de los cuales representa
el eco proveniente de un área correspondientes sobre el terreno: zonas oscuras en la
imagen representan bajo retorno de energía hacia el radar, zonas brillantes
Página 116 de 123
corresponden a alto retorno. Dicho retorno está condicionado por una serie de factores,
algunos dependientes de los parámetros del sistema, otros dependientes de los
parámetros del área de interés y finalmente otros resultantes de las interacciones entre
los anteriores:

• Parámetros del sistema:


1. Longitud de onda (o frecuencia)
2. Polarización
3. Angulo de observación (v. Fig. A-2-a)
4. Dirección de observación
5. Resolución

• Parámetros del blanco o área de interés:


1. Textura de la superficie
2. Propiedades dieléctricas
3. Angulo y orientación de pendientes (v. Fig. A-2-b)

• Interacciones:
1. Textura de la superficie – longitud de onda del sistema
2. Angulo de observación (f) y ángulo de la pendiente (a) – se combinan para
determinar el ángulo de incidencia (.).
3. La dirección de observación y la orientación de la pendiente – influencian el área y
geometría del blanco presentado al radar.

AI-3

El retorno está a menudo relacionado con el tamaño del objeto que dispersa: los objetos
de aproximadamente las mismas dimensiones, o mayores, que la longitud de onda
aparecerán más luminosos, mientras que los objetos menores que la longitud de onda
aparecerán oscuros. Este efecto arroja información acerca de la textura de la región de
Página 117 de 123
interés. Las longitudes de onda más 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


penetración en la vegetación y en el suelo. En general cada sistema de radar, aéreo o
satelital utiliza sólo una de dichas bandas según su campo de aplicación, 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 reflexión es mayormente
especular y genera poco retorno). Los objetos difusores, como diversas formas de
vegetación, aparecen con tonos intermedios. Finalmente, edificios construidos por el
hombre, barcos, etc. pueden producir tonos brillantes, dependiendo de su forma,
orientación y/o sus constituyentes materiales (v. Fig. A-3).

La textura hace referencia al patrón 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.

Página 118 de 123


AI-5

Las Figs. A-4 a y b constituyen típicas imágenes de radar, en este caso adquiridas por
el satélite ERS de la Agencia espacial Europea en noviembre del 2000. Las imágenes
corresponden a aproximadamente la misma región de una forestación en Paysandú 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 imágenes de radar son de más compleja interpretación que las de los
satélites ópticos. Además, una característica típica de las imágenes de radar es su
aspecto granulado (“salt and peper”) por efecto de los speckles. Estos gránulos 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, así como a efectos de dispersión en el
objeto. Entre estas ondas reflejadas se pueden producir ahora efectos de interferencia
constructiva o destructiva generándose 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

Página 119 de 123


AI-6

Para terminar esta breve referencia a los sensores de radar, presentaremos dos
imágenes de la misma región, una de radar (Radarsat-1) y otra una imagen óptica
(composición RGB 453 del Landsat 5) (Figs.A-6 a y b en la página AI-7) La región es
la situada al SW de Sta Cruz, Río Grande do Sul, Brasil. La imagen de radar es una
combinación 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
resolución de 6.25 m, mientras que la de LANDSAT 5 es de 30m. La imagen Landsat
puede ser fácilmente interpretada en sus rasgos fundamentales de acuerdo a las
consideraciones efectuadas en las páginas 51 y siguientes de este trabajo
(Combinaciones de Color). Dicha interpretación permitirá establecer una correlación
temática con la imagen de radar.

AI-7

Página 120 de 123


Página 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 satélites:

TM Rango espectral (µm) HRVIR Rango espectral (µm)

Banda 1 0.45-0.52 Banda 1 0.50-0.59


Banda 2 0.52-0.60 Banda 2 0.61-0.68
Banda 3 0.63-0.69 Banda 3 0.79-0.89
Banda 4 0.76-0.90 Banda 4 1.58-1.75
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) 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 también las del SPOT) son las siguientes:

Banda 1 (0.45-0.52µm)(azul): buena penetración en cuerpos de agua. Diferenciación


de suelos y vegetación y de coníferas con vegetación de hojas caducas.

Banda 2 (0.52-0.60µm)(verde): reflectancia en el verde para vegetación en buenas


condiciones.

Banda 3 (0.63-0.69µm) (rojo): absorción de la clorofila.. Diferenciación de especies


vegetales.

Banda 4 (0.76-0.90µm) (infrarrojo cercano): evaluación de biomasa. Delineación de


cuerpos de agua.

Banda 5 (1.55-1.75µm) (infrarrojo medio): estado hídrico en vegetales.


Discriminación entre nubes, nieve y hielo

Banda 6 (10.4-12.5µm) (infrarrojo térmico): stress térmico en vegetales y mapeados


térmicos.

Banda 7 (2.08-2.35µm) (infrarrojo medio): Estudios geológicos, identificación de


zonas con alteraciones hidrotérmicas en rocas.

Página 122 de 123


APENDICE III: BIBLIOGRAFIA SUGERIDA.

De la muy abundante bibliografía existente sobre Percepción 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. O’Connell 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.

Página 123 de 123