Determinación de patrones espectrales para

distintos usos del suelo en ambientes

heterogéneos.

Pablo Vázquez1, Sergio Masuelli2 y Gabriel Platzeck2

1
INTA - E.E.A. Cuenca del Salado
2
Comisión Nacional de Actividades Espaciales - CONAE
Av. Belgrano 416. (7203) Rauch, Buenos Aires.
pmvazquez@correo.inta.gov.ar

Resumen
Son conocidos los inconvenientes para identificar determinados usos o
elementos específicos de un ambiente terrestre cuando la composición del
paisaje es muy heterogénea tanto en relieve, suelos, como en el uso de los
mismos. En el caso específico de los cultivos, estos aspectos muchas veces son
descuidados. La fecha de siembra, el estado fenológico, el estado nutricional e
hídrico, la sanidad y la tecnología con la que se implantó son factores
determinantes de su respuesta radiométrica en el espacio y en el tiempo, por
lo cual deberán considerarse cada combinación de factores como un uso
específico per sé y luego de clasificarlos, reagruparlos como corresponda al
interés del estudio.
Estos factores son solo una parte del problema. Es común suponer que a
mayor número de bandas involucradas en la clasificación, mejores serán los
resultados hallados. Sin embargo esto no es así. El incremento de bandas
innecesarias para discriminar elementos lo único que consigue es incrementar
la variabilidad de cada clase, impidiendo que los algoritmos más utilizados
(Máxima verosimilitud, Vecino más próximo, Mahalanobis, entre otros) puedan
separar satisfactoriamente a los usos entre si. Por tal motivo, es fundamental
identificar cual o cuales son las bandas y los momentos más aptos para
discriminar cada una de las clases del resto satisfactoriamente. El siguiente
trabajo pretende describir una metodología de trabajo que permite cuantificar
el error de clasificación, pureza de clases y momentos óptimos para estudiar
distintos usos del suelo observados en una zona de ambientes edáfico-
productivo muy fragmentado como lo es la cuenca baja del río Salado.

Palabras clave: clasificación, teledetección, patrón espectral, error, cuenca del

Salado.
 Materiales y Métodos

Area de estudio
Corresponde a la subcuenca B4, límite sudeste de la cuenca del río Salado
(provincia de Buenos Aires) (figura 1).

Figura 1: Ubicación de la subcuenca B4

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

sorprendentemente llano (0.01 por ciento de pendiente promedio) donde salvo
pocas excepciones, no se advierten formas definidas y un acentuado problema
de hidrohalomorfismo generalizado en toda el área (Tricart 1973), donde la
superficie apta para agricultura (marginal en su gran mayoría) no supera el 12
por ciento de la superficie total del área (INTA 1977). Según Tricart, la
debilidad del potencial morfogenético de la Pampa deprimida favorece la
presencia de suelos muy antiguos, total o parcialmente conservados,
alternando con suelos más recientes y desarrollados dentro de los anteriores.
De esta forma, nos encontramos ante un paisaje sin relieve marcado,
caracterizado por la presencia de suelos con distintos grados de alcalinidad,
salinidad e hidromorfismo distribuidos en forma de mosaico por toda el área,
sin haber una clara correlación entre el paisaje y las unidades taxonómicas
(Miaczynski 1995). Esta distribución es coincidente con la descrita para
comunidades vegetales por Batista y León (1992), Deregibus y Cauhépé (1983)
y SAyG - INTA (1977). Este caos ambiental es el principal responsable de la
variabilidad en la respuesta radiométrica dentro de cada clase de uso a lo largo
del tiempo, con lo cual se hace evidente la importancia de definir con gran
detalle cada una de ellas.
Se requiere de una serie de pasos básicos para llegar a este objetivo:
Selección del sensor que más se adecua a los objetivos del trabajo
(resolución espacial, radiométrica, temporal y espectral).
Corrección geométrica: método RST con algoritmo de remuestreo vecino
más próximo. El motivo de esta selección es que es una metodología muy
robusta y conserva el valor original de los píxeles.
Corrección radiométrica: expresar resultados en valores físicos (reflectancia
porcentual) según los algoritmos definidos para el censor utilizado. En el caso
de Landsat 7, los algoritmos utilizados son (USGS 2000)
Transformación de cuentas digitales a radiancia

Lλ = gain ⋅ DN λ + bias
Donde:
λ: banda ETM
Gain y bias: factores de corrección dados en el header de la imagen
L: Radiancia a nivel de satélite (también radiancia de brillo)
DN: cuentas digitales de la imagen (valor entre 0 y 255)

Transformación de valores de radiancia a reflectancia porcentual

π ⋅ Lλ ⋅ d 2
ρλ =
Donde:
ESUN ⋅ sin (θ )
λ

λ: banda ETM
L: Radiancia a nivel del satélite
d: distancia tierra – sol, en unidades astronómicas
ESUN: irradiancia solar exoatmosférica
θ: ángulo de elevación solar (en el header)

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

cuentas digitales de este censor al de Landsat 7, por su mejor calibrado y
luego calibrarlas como ETM+.
Corrección atmosférica: muy importante al momento de realizar
comparaciones multitemporales, si tenemos en consideración que la humedad,
el oxígeno, el dióxido de carbono y el ozono son los principales elementos que
distorsionan los valores de reflectancia recibidos por el censor. Como en la
zona se carece de información para describir el perfil atmosférico al momento
de ser capturada la imagen, se utiliza el método de la atmósfera relativa. Este
consiste en seleccionar una fecha como atmósfera patrón, y el resto de las
imágenes son “llevadas” a la atmósfera patrón a partir de una función del tipo

atmosfera 0 λ = α * atmosfera1λ + β
Donde:
λ: banda ETM
Atmósfera 0= atmósfera patrón
α y β : pendiente y ordenada al origen.
Atmósfera 1: atmósfera a corregir
La determinación de esta función se realiza tomando las lecturas de
reflectancia en sitios de alta y baja reflectividad invariable en el tiempo
(salinas, canteras en el primer caso y cuerpos de agua profundos sin
vegetación en el segundo), en ambas fechas simultáneamente (Caselles y
López, 1989).
Consolidación de imágenes vecinas para cada fecha: debido a que los
valores de imágenes vecinas no tienen valores similares, ya sea por cuestiones
del censor o simplemente por desfasajes en las fechas de adquisición (entre
path vecinos), es necesario consolidar los datos para que usos similares tengan
valores similares de reflectancia en el área de estudio. Para corregir este factor
de distorsión, se toman los valores de reflectancia punto a punto y banda por
banda en la zona de superposición. Se obtienen una serie de puntos a los
cuales se les aplica una función de regresión (en general las respuestas son
lineales) y una vez obtenida la ecuación se aplica a la banda objetivo (Caselles
y López, 1989).
Las imágenes resultantes son cuatro veces el tamaño en bytes que las
originales sin corregir, ya que pasan a transformarse de una imagen de 8 bits a
10 bits. Este aumento de precisión es ficticio, pues la resolución radiométrica
original es de 8 bits (en el caso de Landsat). Por lo tanto, se recomienda
retransformar la imagen a su resolución original llevándola de Floating Point a
Byte.

Selección de bandas
El criterio de selección apunta a reducir el número de bandas, y que éstas
fueran representativas del espectro radiométrico que se va a estudiar. En el
caso de la subcuenca B4, predominan las zonas netamente ganaderas, con
escasas superficies de suelo desnudo y forestadas, amplias áreas anegadas y
zonas agrícolas muy fragmentadas, salvo la sección sur del Partido de Azul
(figura 2).
Figura 2: Imagen de satélite de la subcuenca B4. Identificación de áreas agrícolas,
ganaderas y anegadas.

Dadas estas características, las bandas más lógicas a seleccionar son las
bandas roja, infrarroja cercana, infrarroja media e infrarroja lejana. Hay varios
estudios que han demostrado la alta correlación existente entre el IAF (Indice
de Area Foliar) y el NDVI (Carlson 1997, Matsushita 2002), por lo cual se
propone remplazar las bandas roja e infrarroja cercana por este indicador de
cobertura vegetal. Cabe aclarar que este índice es valido para zonas con buena
cobertura vegetal; en aquellos casos donde la vegetación es muy rala (zonas
semiáridas), se recomienda evaluar otros indicadores que incluyan la curva de
suelos en la estimación (caso del SAVI, TSAVI y otros) (Gitelson 2002).
Hay una serie de trabajos que demuestran que calculando el NDVI a partir de
la bandas roja e infrarroja cercana sin corregir, y relativizando sus valores
entre 0 y 100, se logra corregir sin inconvenientes los efectos distorsivos de la
atmósfera en estudios multitemporales (Carlson 1997), por lo cual, se sugiere
este método, ya que permite ahorrar mucho tiempo de procesado de
imágenes, sin perder calidad en la información. De esta manera, las bandas a
utilizarse serán:
NDVI relativo: evolución del IAF de las coberturas vegetales, donde cada
especie presenta una curva IAF característica.
Infrarrojo medio: banda sensible al grado de estrés o senescencia de las
coberturas vegetales.
Infrarrojo lejano: banda muy sensible al contenido de humedad de la
vegetación y estados de anegamiento.
Definición de clases
Este paso es el de mayor importancia, ya que es el que define la capacidad de
poder discriminar entre una clase y otra. Debe ser lo más pura posible,
tratando de minimizar el desvío estándar de las lecturas en cada banda, para
así evitar solapamientos importantes entre clases. Como ejemplo, podemos
citar un cultivo: TRIGO. La clase trigo aparentemente debería ser suficiente
para separarla de otros usos del suelo, como pasturas o verdeos de invierno.
Sin embargo, es común hallar grandes contaminaciones entre estos usos,
haciendo casi imposible separarlos en esta zona (Vázquez, com.per.). Aquí es
donde se presenta la necesidad de conocer cuales son las situaciones que
pueden presentarse en la clase TRIGO en la zona de estudio, para luego
evaluar si se pueden tratar todas como una sola, o es necesario clasificarlas
por separado. En esta zona se han detectado siete subclases de TRIGO,
dependiendo de la fecha de siembra, técnica de implantación y estado
nutricional.

Verdades de campo
Estas deben realizarse de manera de capturar ejemplos de todas las clases a
estudiar. Una vez tomadas las muestras a campo, trazar los polígonos para la
definición espectral de cada uso. Estos no deben ser necesariamente regulares,
ya que por lo general los cultivos en estas zonas marginales copian los límites
de los suelos de aptitud agrícola. Hay que tener especial cuidado en no incluir
las áreas marginales de las parcelas, ya que aumentan la variabilidad real de la
clase por contaminación. En un lote pueden coexistir dos o tres subclases de
una misma clase, por lo tanto, es fundamental la correcta identificación de las
mismas a campo.

Proceso de extracción de patrones espectrales para cada

clase de uso del suelo
Las imágenes fueron procesadas con el programa IDRISI Kilimanjaro (2003).
Una vez generados los polígonos para delimitar las verdades de campo, los
datos fueron exportados de manera tabulada para poder ser procesados por
paquetes estadísticos tradicionales (R ver. 2.2.1). Primeramente se realizó un
análisis generador de clusters considerando las tres bandas (NDVI, IRM e IRL)
para todo el período de crecimiento, utilizando el método borroso (fuzzy k
means). Se determinó, sin el sesgo del observador, el número de patrones
espectrales reconocibles por el sensor. Estos conformarán los clusters de
comportamiento homogéneo. Mediante un análisis de la varianza se
identificaron las bandas y momentos óptimos para clasificarlos. A partir de este
nuevo agrupamiento, se hizo un análisis discriminante para chequear la pureza
de los clusters al clasificarlos ya no por una secuencia temporal completa de
imágenes sino por los momentos y bandas óptimas. Finalmente se analizó el
grado de pureza de cada cluster y la participación relativa de cada uso del
suelo en ellos.
Clasificación de las imágenes
Teniendo la información de base completa, resta seleccionar el método que
mejor se adapta a las características de la zona. Los métodos no supervisados
no funcionan para este nivel de detalle, por lo cual son descartados. La
clasificación supervisada es la más difundida, aunque los resultados hallados no
son satisfactorios en esta zona. Queda un tercer tipo de clasificación que es el
denominado método del árbol, el cual consiste en ir discriminando las clases
entre si en pasos sucesivos, tal cual lo haría un sistema experto, utilizando en
cada caso la o las bandas especificas que permiten separar una clase del resto.
Lo interesante de este método, a diferencia de la clasificación supervisada, es
que no utiliza todas las bandas incluidas en la clasificación para discriminar,
sino que se aprovecha de un conocimiento previo del comportamiento
espectral de cada clase para extraerlo con precisión. Esto evita el incremento
en el desvió estándar de las clases a separar por efecto de incluir información
no necesaria, y por ende, una mayor factibilidad de discriminar
satisfactoriamente cada clase de su entorno (Skidmore 1989, Chuvieco 2000).
La gran desventaja que tiene este método es sin duda el trabajo de base
previo que debe realizarse y el conocimiento detallado del comportamiento
radiométrico de las clases a estudiar para lograr resultados óptimos.

Imágenes utilizadas
Las imágenes utilizadas fueron Landsat 5 y Landsat ETM7 facilitadas por la
Comisión Nacional de Actividades Espaciales (CONAE) dentro del ámbito del
proyecto Emergencias Ambientales de dicha institución. Las escenas utilizadas
se detallan en la figura 3 y en la tabla 1.

Figura 3.
Tabla 1: imágenes utilizadas para la identificación de patrones espectrales

Path Row
22585 22586 22486
Noviembre 2003 Noviembre 2003 Noviembre 2003
Diciembre 2003 Diciembre 2003 Diciembre 2003
Enero 2004 Enero 2004
Febrero 2004 Febrero 2004
Marzo 2004 Marzo 2004 Marzo 2004
Mayo 2004 Mayo 2004 Mayo 2004
Junio 2004 Junio 2004 Junio 2004
Agosto 2004 Agosto 2004 Agosto 2004
Septiembre 2004 Septiembre 2004 Septiembre 2004
Octubre 2004 Octubre 2004 Octubre 2004
Diciembre 2004 Diciembre 2004
Enero 2005 Enero 2005 Enero 2005
Febrero 2005 Febrero 2005 Febrero 2005
Mayo 2005 Mayo 2005 Mayo 2005
Julio 2005 Julio 2005
Septiembre 2005 Septiembre 2005
Octubre 2005 Octubre 2005 Octubre 2005
Noviembre 2005 Noviembre 2005
Diciembre 2005 Diciembre 2005
Resultados
A continuación se describen los usos del suelo identificados en el área de
estudio
1. Usos del suelo asociados al verano
1.1. maíz
1.2. girasol
1.3. soja
1.4. moha
1.5. sorgo
1.6. papa
1.7. alfalfa
1.8. duraznillar (pastizal muy anegable poblado por Solanum glaucophylum)
1.9. juncal (palustres en general)
1.10. pajonal (pastizal levemente anegable, con suelos predominantemente de ph
neutro dominado por Paspalum cuadrifalium)
1.11. pastizal (comunidad nativa predominantemente graminiforme adaptada a
condiciones de alcalinidad, sodicidad y fuertes alternancias entre períodos secos y
húmedos).
1.12. pasturas implantadas
1.13. monte implantado o cortina forestal (Eucaliptus sp, Acacia sp., Salix sp.)
2. Usos del suelo asociados al invierno
2.1 Trigo
2.2 Avena
2.3 Pastizal
2.4 Pajonal
2.5 Duraznillar
2.6 Juncal
2.7 Monte
2.8 Pasturas implantadas
2.9 Maiz (recién implantado)
2.10 Girasol (recién implantado)
2.11 Soja (recién implantado)
2.12 Alfalfa
2.13 Papa (recién implantado)
3. . Usos del suelo anuales
3.1 Pastizal
3.2 Pajonal
3.3 Duraznillar
3.4 Juncal
3.5 Monte
 3.6 Pastura implantada
3.7 Alfalfa
En la figura 3 se detallan los sitios donde se extrajeron puntos de observación
de los distintos usos del suelo desde diciembre del 2003 a enero 2006

Figura 3: Transectas realizadas para obtener verdades de campo desde

diciembre de 2003 a enero de 2006

Análisis discriminante exploratorio – Fuzzy K means

Usos anuales
Se determinaron 7 agrupamientos homogéneos, tratando de minimizar el
desvío estándar de las medias determinadas para cada uno de ellos, sin llegar
a generar una excesiva cantidad de agrupamientos. El NDVI permite identificar
la evolución de las coberturas, reafirmando lo ya hallado por otros autores en
otro tipo de ambientes (Carlson 1997, Matsushita 2002).
En la tabla 2 se detalla la significancia de cada variable utilizada para
discriminar los grupos. De no aclararse, la variable corresponde al NDVI
determinado en ese mes.
Tabla 2: píxeles pertenecientes a usos del suelo anuales reagrupados por su
respuesta radiométrica. N=25490
Variable Between SS df Within SS F-ratio
nov-03 6754528.24 6 3908405.73 7339.98
dic-03 6407617.2 6 6562307.13 4147.05
ene-04 3184950.42 6 11236819 1203.81
feb-04 4620389.08 6 3709718.13 5289.77
mar-04 6266638.63 6 7124700.03 3735.66
may-04 2815113.11 6 3953487.73 3024.23
jun-04 1759006.71 6 3654398.43 2044.33
ago-04 69000.52 6 6215851.73 47.15
sep-04 3617820.67 6 6880165.03 2233.3
oct-04 18583656.9 6 3376072.83 23378.61
ene-05 1683698.04 6 8650588.63 826.64
 Variable Between SS df Within SS F-ratio
may-05 1022329.36 6 5960600.23 728.45
jul-05 1093138.76 6 2851664.43 1628.08
sep-05 5097315.78 6 9108096.23 2376.91
oct-05 7384860.75 6 7579693.83 4137.99
nov-05 2081272.28 6 8918581.33 991.13
dic-05 1429297.84 6 7225410.43 840.16
B5_NOV03 279270.6 6 240074.725 4940.58
B7_NOV03 90846.66 6 73614.8255 5241.35
B5_MAY04 185632.95 6 407171.025 1936.32
B7_MAY04 43439.31 6 203830.825 905.13
** TOTAL ** 74469823.8 126
Se generaron tantos clusters como usos del suelo fueron identificados. En la
tabla 3 se detallan los estadísticos hallados para cada cluster.
Tabla 3: estadísticos hallados para los siete cluster identificados en el área de
la cuenca baja del río Salado seleccionados a partir de usos del suelo anual.
Cluster 1 de 7 contiene 4998 casos
Distance Variable Minimum Mean Maximum St.Dev.
12.53 nov-03 3 64.48 95 10.54
10.46 dic-03 0 67.09 92 15.66
18.38 ene-04 0 30.4 158 24.03
14.79 feb-04 0 60.44 94 13.35
14.85 mar-04 16 62.19 89 9.24
18.38 may-04 0 42.03 87 15.24
20.25 jun-04 0 31.73 83 11.02
15.76 ago-04 0 36.82 89 15.04
19.38 sep-04 0 41.48 92 16.58
18.44 oct-04 0 0.41 42 3.31
9.26 ene-05 0 24.37 141 18.31
16.4 may-05 0 15.53 161 13.3
13.54 jul-05 0 31.5 75 10.25
14.01 sep-05 0 29.42 138 20.46
13.87 oct-05 0 36.76 86 23.79
14.22 nov-05 0 30.61 161 22.23
12.41 dic-05 0 17.81 164 17.7
13.19 B5_NOV03 129 143.05 149 3.39
12.77 B7_NOV03 129 134.19 140 1.78
10.78 B5_MAY04 128 143.87 151 4.8
13.13 B7_MAY04 0 134.61 237 3.56

Cluster 2 de 7 contiene 5836 casos

Distance Variable Minimum Mean Maximum St.Dev.
21.89 nov-03 9 73.91 96 10.01
25.01 dic-03 0 62.97 100 18.19
24.52 ene-04 0 33.7 88 18.17
23.73 feb-04 4 59.56 91 13.22
22.2 mar-04 0 30.68 85 19.53
25.73 may-04 0 51.97 96 12.55
26.42 jun-04 0 40.83 91 15.28
24.48 ago-04 0 35.89 96 15.06
23.61 sep-04 0 49.11 100 19.95
13.45 oct-04 0 70 99 13.16
Cluster 2 de 7 contiene 5836 casos
Distance Variable Minimum Mean Maximum St.Dev.
19.31 ene-05 0 20.85 92 18.51
14.9 may-05 0 28.28 169 16.65
13.16 jul-05 0 43.28 96 13.16
11.63 sep-05 0 55.55 145 19.24
12.25 oct-05 26 67.33 95 10.88
12.44 nov-05 0 23.46 154 17.39
18.62 dic-05 0 6.82 62 9.32
14.99 B5_NOV03 131 143.54 152 2.28
12.8 B7_NOV03 129 134.26 145 1.47
10.56 B5_MAY04 128 144.85 154 3.2
10.41 B7_MAY04 128 135.26 143 2.01

Cluster 3 de 7 contiene1022 casos

Distance Variable Minimum Mean Maximum St.Dev.
19.32 nov-03 8 15.5 67 4.95
16.97 dic-03 0 17.73 50 8.9
17.5 ene-04 0 17.54 64 13.63
21.86 feb-04 42 91.36 97 6.15
19.06 mar-04 0 73.55 93 31.92
16.25 may-04 0 11.29 80 7.16
20.99 jun-04 0 13.49 57 7.43
17.92 ago-04 0 38.47 89 13.61
19.84 sep-04 0 38.76 69 17.88
19.69 oct-04 36 79.78 94 6.72
19.1 ene-05 0 0.31 47 3.35
18.47 may-05 0 2.46 79 5.95
7.51 jul-05 0 22.29 74 12.75
7.54 sep-05 0 26.04 85 21.4
7.44 oct-05 0 12.5 66 5.51
6.87 nov-05 0 0.39 31 2.41
6.46 dic-05 0 1.15 43 3.71
7.87 B5_NOV03 131 152.53 156 1.97
9.8 B7_NOV03 129 141.73 145 1.34
8.22 B5_MAY04 131 145.28 151 2.06
6.43 B7_MAY04 128 138.11 143 1.44

Cluster 4 de 7 contiene 5412 casos

Distance Variable Minimum Mean Maximum St.Dev.
9.46 nov-03 0 54.69 93 14.19
10.41 dic-03 0 65.34 94 15.99
15.14 ene-04 0 38.46 74 19.01
10.27 feb-04 3 62.92 84 11.64
10.81 mar-04 0 47.18 80 20.06
15.61 may-04 0 41.42 93 9.91
9.81 jun-04 0 23.54 77 9.02
18.73 ago-04 0 33.35 96 15.56
15.04 sep-04 0 23.04 79 14.2
14.19 oct-04 0 46.41 93 12.88
11.66 ene-05 0 30.32 141 18.49
16.39 may-05 0 22.84 169 14.68
13.91 jul-05 0 28.86 83 9.26
Cluster 4 de 7 contiene 5412 casos
Distance Variable Minimum Mean Maximum St.Dev.
13.7 sep-05 0 24.2 138 14.59
15.62 oct-05 0 29.61 70 21.17
14.34 nov-05 0 19.02 69 15.15
12.26 dic-05 0 22.27 68 18.58
12.59 B5_NOV03 128 143.51 153 3.54
14.08 B7_NOV03 128 134.85 142 1.9
11.23 B5_MAY04 128 145.52 154 3.25
14.79 B7_MAY04 128 135.76 144 1.86

Cluster 5 de 7 contiene 6525 casos

Distance Variable Minimum Mean Maximum St.Dev.

26.57 nov-03 8 72.06 97 10.57
28.08 dic-03 0 73.36 101 14.56
28.18 ene-04 0 46.38 164 25.42
19.4 feb-04 10 71.28 96 7.65
20.02 mar-04 0 63.46 123 10
22.88 may-04 8 51.19 92 10.73
23.1 jun-04 0 27.13 75 11.99
23.87 ago-04 0 37.15 98 16.78
19.66 sep-04 0 43.74 99 15.45
19.12 oct-04 0 61.91 95 11.36
20.18 ene-05 0 30.33 141 20.67
20.77 may-05 0 21.02 169 17.06
20.91 jul-05 4 33.93 82 8.5
22.26 sep-05 0 20.74 73 20.9
22.43 oct-05 0 58.7 94 10.86
18.75 nov-05 0 35.44 154 21.44
19.8 dic-05 0 24.27 179 20.4
19.09 B5_NOV03 129 143.53 150 2.54
19.61 B7_NOV03 129 134.08 145 1.54
19.86 B5_MAY04 132 145.54 158 3.29
18.94 B7_MAY04 128 135.26 180 2.24

Cluster 7 de 7 contiene 1681 casos

Distance Variable Minimum Mean Maximum St.Dev.
10.81 nov-03 0 21.85 72 23.34
8.39 dic-03 0 17.47 75 18.11
6.59 ene-04 0 1.94 56 6.13
9.75 feb-04 0 19.09 80 19.45
9.22 mar-04 0 19.66 74 18.82
7.88 may-04 0 20.38 65 17.89
7.82 jun-04 0 12.17 69 12.08
8.94 ago-04 0 33.72 81 15.84
11.91 sep-04 0 9.21 70 11.16
10.26 oct-04 0 17.25 83 17.69
10.87 ene-05 0 5.66 141 13.98
6.64 may-05 0 10.16 161 14.6
9.16 jul-05 0 20.89 70 11.27
8.48 sep-05 0 12.21 64 15.14
15.14 oct-05 0 26.7 74 22.26
 Cluster 7 de 7 contiene 1681 casos
Distance Variable Minimum Mean Maximum St.Dev.
11.57 nov-05 0 9.94 83 16.11
8.66 dic-05 0 10.62 164 18.15
9.89 B5_NOV03 128 132.63 155 4.76
11.09 B7_NOV03 128 129.92 143 2.22
10.82 B5_MAY04 128 134.51 154 7.7
16.05 B7_MAY04 0 130.88 143 6.13

Del análisis se puede interpretar que los meses noviembre, febrero y mayo
(NDVI) serían los más recomendados para separar estos 7 clusters. Esto es
confirmado por un análisis de la varianza, donde éstos períodos presentan
mejor ajuste a los clusters definidos y mejor diferenciación entre medias (figura
4 y tabla 4). En caso de no disponer imágenes de noviembre, octubre presenta
un valor discriminante similar. Esta afirmación solo es válida cuando las
condiciones climáticas no son extremas, ya que extremas sequías como
inundaciones eliminan cualquier diferencia espectral existente entre
comunidades.

NOV03
DIC03
300 ENE04
FEB04
MAR04
MAY04
200 JUN04
AGO04
SEP04
e OCT04
ul
a ENE05
V
100 MAY05
JUL05
SEP05
OCT05
NOV05
0 DIC05
1 2 3 4 5 6 7
Cluster

Figura 4: Evolución del NDVI para los distintos clusters

Tabla 4: Análisis de la varianza para identificar momentos óptimos de
discriminación utilizando NDVI.

Variable dependiente: NOV03 N: 25490 Multiple R: 0.97

Squared multiple R: 0.95

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
CLUSTER 1.02060E+08 6 17009986.18 77038.52 0.00
Error 5626827.95 25484 220.80

Variable dependiente: FEB04 N: 25490 Multiple R: 0.74

Squared multiple R: 0.55
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
CLUSTER 4617359.22 6 769559.87 5282.00 0.00
Error 3712738.81 25483 145.69

Variable dependiente: MAY04 N: 25490 Multiple R: 0.64

Squared multiple R: 0.42
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
CLUSTER 2812550.54 6 468758.42 3019.52 0.00
Error 3956055.68 25483 155.24

Variable dependiente: OCT04 N: 25490 Multiple R: 0.92

Squared multiple R: 0.84
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
CLUSTER 18554664.60 6 3092444.10 23142.22 0.00
Error 3405236.96 25483 133.63

Períodos sin significancia

Dep Var: ENE04 N: 25490 Multiple R: 0.47 Squared multiple R: 0.22
Dep Var: JUN04 N: 25490 Multiple R: 0.57 Squared multiple R: 0.32
Dep Var: AGO04 N: 25490 Multiple R: 0.10 Squared multiple R: 0.01
Dep Var: SEP04 N: 25490 Multiple R: 0.59 Squared multiple R: 0.34
Dep Var: ENE05 N: 25490 Multiple R: 0.40 Squared multiple R: 0.16
Dep Var: JUL05 N: 25490 Multiple R: 0.53 Squared multiple R: 0.28
Dep Var: OCT05 N: 25490 Multiple R: 0.70 Squared multiple R: 0.49
Dep Var: NOV05 N: 25490 Multiple R: 0.44 Squared multiple R: 0.19

El análisis discriminante se corrió considerando solamente el més de noviembre

del 2003 y mayo del 2004. La pureza de los clusters fue muy alta y mínimo el
grado de confusión (tabla 5). La situación inversa se observó cuando el método
de clasificación utilizado fue el supervisado convencional. Estos resultados son
consistentes con lo descrito por la USGS, donde, salvo excepciones, la escala
de detalle de los sensores Landsat es de 1:100.000, llegando a escalas
1:50.000 solo en aquellos lugares donde se reconocen usos del suelo poco
fragmentados, comportamiento espectral contrastante y ambiente homogéneo
(tabla 5).
Tabla 5: Matriz de clasificación comparada entre los clusters obtenidos durante
la extracción de patrones espectrales (A) y los usos del suelo (B) (casos en filas
y categorías clasificadas en columnas)
A)
Cluster 1 2 3 4 5 7
1 0.99 0.00 0.00 0.01 0.00 0.00
2 0.00 0.97 0.00 0.01 0.02 0.00
3 0.00 0.00 0.99 0.01 0.00 0.00
4 0.00 0.02 0.00 0.92 0.04 0.01
5 0.00 0.01 0.00 0.04 0.94 0.00
7 0.03 0.00 0.00 0.06 0.00 0.91
Kappa: 0.95
Confusión media: 0.01

B)
Uso del suelo alfalfa duraznillar juncal monte pajonal pastizal pastura
alfalfa 1.00 0.00 0.00 0.00 0.00 0.00 0.00
duraznillar 0.00 0.73 0.06 0.38 0.00 0.01 0.00
juncal 0.04 0.16 0.63 0.17 0.09 0.01 0.01
monte 0.00 0.01 0.00 0.77 0.00 0.00 0.01
pajonal 0.05 0.38 0.02 0.45 0.62 0.12 0.06
pastizal 1.45 0.59 0.11 1.24 0.28 0.69 0.73
pastura 0.16 0.00 0.00 0.00 0.02 0.01 0.80
Kappa: 0.67
Confusion media: 0.17

Como es prácticamente imposible discriminar de manera directa los usos del

suelo, se reconstruyeron las proporciones de cada uno de ellos absorbidas por
cada cluster para detectar la pureza de las clases (tabla 6).
Tabla 6: porcentaje de píxeles de usos del suelo incluidos en cada cluster
Cluster alfalfa duraznillar juncal monte pajonal pastizal pastura
1 0.00% 25.61% 3.81% 2.81% 24.53% 40.93% 2.31%
2 0.10% 0.02% 1.04% 0.10% 20.66% 64.32% 13.75%
3 0.00% 0.00% 0.87% 0.00% 97.87% 0.00% 1.26%
4 0.00% 0.74% 19.79% 0.00% 37.48% 41.27% 0.72%
5 1.03% 2.03% 1.08% 0.57% 11.59% 80.45% 3.26%
7 0.00% 9.53% 88.79% 0.00% 0.06% 1.62% 0.00%

Para demostrar la heterogeneidad del comportamiento espectral de un uso de

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

Tabla 7: valores medios de NDVI, IRM e IRL por uso del suelo anual, dentro de
cada cluster para los períodos selectos.
Cluster
Datos USO 1 2 3 4 5 7 Media general
alfalfa 89.83 92.09 91.90
duraznillar 61.16 58.00 54.33 60.66 7.71 55.91
juncal 59.34 53.56 29.33 43.50 57.69 22.49 34.53
Promedio de NOV03 monte 75.24 81.17 84.81 77.35
pajonal 66.75 70.59 15.25 51.52 65.94 27.00 54.10
pastizal 63.55 75.12 61.74 72.87 16.23 70.07
pastura 89.67 75.71 16.46 50.33 81.67 76.67
alfalfa 74.17 75.45 75.34
duraznillar 59.63 75.00 51.43 68.60 12.39 55.71
juncal 47.31 56.79 67.44 62.56 65.69 17.88 39.01
Promedio de FEB04 monte 77.58 72.50 85.14 78.93
pajonal 65.07 65.33 91.63 64.70 69.53 65.00 69.83
pastizal 57.98 57.20 61.27 71.29 21.65 63.47
pastura 66.59 63.93 78.23 61.18 71.08 65.54
alfalfa 84.83 84.24 84.29
duraznillar 33.64 54.00 38.98 48.59 12.29 32.99
juncal 34.91 55.61 40.44 41.37 47.46 21.33 31.30
Promedio de MAY04 monte 55.89 57.33 63.89 57.54
pajonal 37.27 45.34 10.88 40.09 48.78 0.00 36.87
pastizal 49.41 53.81 41.64 51.46 13.77 50.08
pastura 55.27 51.53 48.31 44.00 48.65 51.10
alfalfa 92.83 89.07 89.38
duraznillar 0.00 73.00 44.33 59.44 4.11 6.36
juncal 2.47 63.97 67.44 42.48 62.56 18.25 28.60
Promedio de OCT04 monte 0.00 68.83 67.86 15.81
pajonal 0.28 70.16 79.96 44.63 59.21 43.00 48.21
pastizal 0.37 68.43 48.55 62.11 40.54 51.97
pastura 1.17 79.97 78.85 51.15 66.48 68.81
alfalfa 142.00 141.60 141.63
duraznillar 140.72 143.00 141.03 142.10 130.97 139.92
juncal 138.45 143.10 149.56 142.17 138.20 131.80 136.64
Promedio de B5_NOV03 monte 138.82 137.17 139.41 138.89
pajonal 144.19 144.34 152.68 144.52 144.53 133.00 145.74
pastizal 144.57 143.81 143.66 143.55 134.04 143.78
pastura 141.55 141.03 148.31 144.41 142.38 141.52
alfalfa 143.00 143.00 143.00
duraznillar 141.57 147.00 140.55 147.11 132.11 141.11
juncal 138.13 144.98 144.44 145.06 144.26 134.00 139.00
Promedio de B5_MAY04 monte 137.95 138.00 140.84 138.53
pajonal 146.01 144.54 145.30 145.45 144.69 136.00 145.27
pastizal 144.75 145.03 146.52 145.45 129.96 145.37
pastura 146.01 144.40 141.31 145.00 149.40 145.44
alfalfa 132.83 132.72 132.73
duraznillar 132.97 135.00 133.90 133.94 129.35 132.73
juncal 132.12 135.08 139.56 134.77 132.23 129.46 131.88
monte 131.82 131.50 132.14 131.87
Promedio de B7_NOV03
pajonal 134.35 134.76 141.83 135.48 134.86 130.00 136.07
pastizal 135.28 134.24 134.62 134.00 131.50 134.37
pastura 132.51 133.34 144.31 136.87 133.37 133.50

Promedio de B7_MAY04 alfalfa 132.00 132.18 132.16

duraznillar 133.68 136.00 132.80 135.88 129.96 133.49
juncal 131.83 135.28 135.11 135.48 134.96 130.59 132.75
 Cluster
Datos USO 1 2 3 4 5 7 Media general
monte 131.01 131.33 132.11 131.24
pajonal 135.69 135.13 138.15 135.90 135.18 132.00 135.99
pastizal 134.88 135.23 136.18 135.15 129.35 135.29
pastura 136.50 135.58 136.00 136.23 138.05 136.14

De estos resultados puede rescatarse que sería factible incrementar el detalle

de extracción de algunos usos del suelo dentro de cada cluster, aprovechando
algún comportamiento espectral distintivo en alguna banda o momento en
particular. Por ejemplo, el uso alfalfa se destaca del resto en su elevado valor
de NDVI (0.9 aproximadamente) en los clusters 2 y 5 del mes de noviembre.
Esto permitió, como se verá más adelante, alimentar un árbol de decisiones
con una segunda clasificación, aprovechando esta información complementaria
y específica para un uso en particular.

Usos invernales
Se determinaron 8 agrupamientos homogéneos

Variable Between SS df Within SS df F-ratio

nov-03 46406984.3 7 7089485.4 61277.0
dic-03 43289978.4 7 7115995.3 56948.3
ene-04 15514964.3 7 13139336.9 9607.0
B5_NOV03 548024.7 7 923915.4 5552.6
B7_NOV03 1154900.1 7 534123.6 20241.0
** TOTAL 106915000.0 35 28802856.3
Se generaron menos clusters que los usos identificados a campo, lo cual indica
que el grado de discriminación no es muy bueno, aunque cabe destacar que la
variabilidad de los clusters es muy baja. (Tabla 8)
Tabla 8: estadísticos hallados para los ocho clusters identificados en el área de
la cuenca baja del río Salado seleccionados a partir de usos del suelo
invernales.

Cluster 1 de 8 contiene 13479 casos

Distance Variable Minimum Mean Maximum St.Dev.
8.11 nov-03 0 18.76 57 8.89
12.87 dic-03 46 84.87 106 9.1
13.47 ene-04 40 78.02 105 9.8
12.08 B5_NOV03 129 148.45 158 3.17
7.61 B7_NOV03 129 143.38 152 2.57

Cluster 2 de 8 contiene 5080 casos

Distance Variable Minimum Mean Maximum St.Dev.
14.84 nov-03 0 16.45 57 11.65
11.53 dic-03 0 13.95 54 13.03
 12.65 ene-04 0 42.91 102 26.9
6.44 B5_NOV03 128 145.41 157 8.35
10.08 B7_NOV03 128 139.38 151 5.79

Cluster 3 de 8 contiene 18086 casos

Distance Variable Minimum Mean Maximum St.Dev.
14.49 nov-03 42 71.75 100 10.09
14.61 dic-03 38 75.47 101 6.89
17.24 ene-04 31 57.3 100 10.49
18.43 B5_NOV03 129 143.61 156 2.6
17.04 B7_NOV03 128 134.28 150 1.9

Cluster 4 de 8 contiene 8186 casos

Distance Variable Minimum Mean Maximum St.Dev.
15.92 nov-03 46 85.71 102 9.6
15.11 dic-03 0 12.08 46 8.86
13.82 ene-04 0 53.58 102 22.5
7.61 B5_NOV03 131 139.95 153 2.15
13.96 B7_NOV03 129 132.44 144 1.28

Cluster 5 de 8 contiene 666 casos

Distance Variable Minimum Mean Maximum St.Dev.
7.46 nov-03 14 54.79 96 12.43
6.04 dic-03 0 20.75 43 11.4
5.78 ene-04 158 160.8 164 3.04
5.54 B5_NOV03 129 139.19 152 5.35
4.2 B7_NOV03 128 133.07 145 3.21

Cluster 6 de 8 contiene 10798 casos

Distance Variable Minimum Mean Maximum St.Dev.
14.86 nov-03 20 66.59 99 11.79
13.6 dic-03 13 59.45 93 12.1
11.14 ene-04 0 29.04 59 11.37
15.07 B5_NOV03 128 143.45 156 3.19
13.95 B7_NOV03 128 134.62 150 2.12

Cluster 7 de 8 contiene 8497 casos

Distance Variable Minimum Mean Maximum St.Dev.
9.06 nov-03 0 24.35 57 11.11
13.6 dic-03 25 60.12 97 14.91
12.23 ene-04 1 55.59 98 17.77
11.95 B5_NOV03 128 148.36 157 3.98
11.88 B7_NOV03 128 142 151 3.95

Cluster 8 de 8 contiene 744 casos

Distance Variable Minimum Mean Maximum St.Dev.
4.28 nov-03 8 47.24 79 10.82
5.22 dic-03 38 68.02 92 10.37
 5.96 ene-04 158 159.66 164 2.7
6.08 B5_NOV03 129 144.67 154 3.81
6.27 B7_NOV03 128 136.39 148 3.39

El análisis permite determinar que el NDVI y la banda IRL de noviembre son las
bandas más adecuadas para discriminar usos del suelo desarrollados junto a
los cereales de invierno. La explicación radica en aprovechar el desfasaje en los
momentos de senescencia de los cereales de invierno (avena y trigo
principalmente) y los menores valores de NDVI alcanzados por las pasturas
implantadas. El mes de diciembre separa muy bien todos aquellos usos
destinados a cereales y oleaginosas de verano de lo que fueron los cultivos de
invierno, y especialmente identifica perfectamente el uso papa, como se verá
más adelante. Los meses anteriores a noviembre presentan gran confusión con
el entorno natural, lo cual hace muy difícil discriminar usos del suelo bajo esas
condiciones (figura 5 y tabla 9).
Figura 5: evolución del NDVI, IRM (B5), IRL (B7) del mes de noviembre y NDVI
mes de diciembre para los 8 clusters identificados en el ciclo invernal.

200

150
Value

100

50
NOV03
DIC03
B5_NOV03
0 B7_NOV03
1 2 3 4 5 6 7 8
CLUSTER
Tabla 9: análisis de la varianza para determinar momentos óptimos de
identificación de clusters.

Variable dependiente: NOV03 N: 65536 Multiple R: 0.93

Squared multiple R: 0.87

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P

CLUSTER 46406984.27 7 6629569.18 61274.07 0.00

Error 7089824.92 65528 108.20

Variable dependiente: DIC03 N: 65536 Multiple R: 0.93

Squared multiple R: 0.86
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
CLUSTER 43289978.42 7 6184282.63 56949.24 0.00
Error 7115874.58 65528 108.59
Variable dependiente: B7_NOV03 N: 65536 Multiple R: 0.83
Squared multiple R: 0.68
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
CLUSTER 1154900.05 7 164985.72 20240.23 .00
Error 534143.46 65528 8.15

Dep. var: B5_NOV03 N: 65536 Multiple R: 0.61 Squared multiple R: 0.37

El análisis discriminante se corrió solamente sobre el mes de noviembre, ya

que es el único con significancia para los usos del suelo desarrollados durante
el período invernal. En la tabla 10 se compara la performance de clasificar
estos usos en función de los clusters y considerando los usos identificados a
campo
Tabla 10: Matriz de clasificación comparada entre los clusters obtenidos
durante la extracción de patrones espectrales (A) y los usos del suelo (B)
(casos en filas y categorías clasificadas en columnas)
A)
Cluster 1 2 3 4 5 6 7 8
1 0.71 0.05 0.00 0.00 0.00 0.00 0.19 0.04
2 0.33 0.45 0.00 0.00 0.03 0.00 0.12 0.07
3 0.00 0.00 0.46 0.18 0.04 0.25 0.00 0.07
4 0.00 0.00 0.08 0.84 0.03 0.04 0.00 0.01
5 0.02 0.00 0.02 0.04 0.52 0.28 0.01 0.12
6 0.00 0.00 0.36 0.11 0.11 0.27 0.01 0.14
7 0.48 0.07 0.00 0.00 0.02 0.00 0.26 0.17
8 0.06 0.00 0.01 0.00 0.11 0.07 0.08 0.67

Kappa: 0.52 Confusión media: 0.07

B)
 Uso alfalfa avena duraznillar girasol juncal maíz malezal
alfalfa 0.92 0.00 0.00 0.00 0.00 0.00 0.00
avena 0.05 0.08 0.07 0.00 0.00 0.00 0.00
duraznillar 0.00 0.05 0.23 0.00 0.22 0.00 0.00
girasol 0.01 0.00 0.00 0.62 0.01 0.02 0.02
juncal 0.00 0.01 0.19 0.00 0.54 0.00 0.04
maíz 0.00 0.01 0.01 0.39 0.01 0.08 0.03
malezal 0.00 0.00 0.00 0.00 0.00 0.00 0.95
moha 0.09 0.01 0.00 0.12 0.00 0.03 0.00
monte 0.02 0.04 0.10 0.00 0.00 0.00 0.01
pajonal 0.01 0.02 0.04 0.00 0.00 0.00 0.23
papa 0.00 0.00 0.00 0.00 0.00 0.00 0.00
pastizal 0.05 0.03 0.04 0.00 0.01 0.00 0.00
pastura 0.15 0.07 0.02 0.00 0.00 0.00 0.00
soja 0.01 0.00 0.00 0.36 0.00 0.06 0.08
sorgo 0.01 0.00 0.02 0.46 0.02 0.01 0.01
trigo 0.13 0.02 0.00 0.00 0.00 0.00 0.00

Uso moha monte pajonal papa pastizal pastura soja sorgo trigo
alfalfa 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.07
avena 0.13 0.24 0.02 0.00 0.10 0.10 0.00 0.00 0.21
duraznillar 0.02 0.06 0.12 0.00 0.22 0.06 0.00 0.00 0.01
girasol 0.01 0.00 0.01 0.14 0.04 0.01 0.07 0.04 0.02
juncal 0.01 0.03 0.13 0.00 0.03 0.00 0.00 0.02 0.00
maiz 0.04 0.00 0.03 0.13 0.04 0.00 0.09 0.13 0.00
malezal 0.00 0.00 0.00 0.00 0.00 0.00 0.03 0.02 0.00
moha 0.54 0.00 0.09 0.00 0.06 0.06 0.00 0.00 0.01
monte 0.01 0.48 0.02 0.00 0.07 0.06 0.00 0.00 0.21
pajonal 0.02 0.01 0.26 0.00 0.38 0.02 0.00 0.00 0.00
papa 0.01 0.00 0.00 0.98 0.00 0.00 0.00 0.00 0.00
pastizal 0.06 0.02 0.18 0.00 0.52 0.05 0.00 0.00 0.04
pastura 0.01 0.24 0.06 0.00 0.10 0.21 0.00 0.00 0.14
soja 0.02 0.00 0.01 0.13 0.03 0.01 0.09 0.14 0.04
sorgo 0.01 0.01 0.19 0.00 0.17 0.00 0.08 0.03 0.00
trigo 0.01 0.08 0.00 0.00 0.05 0.04 0.00 0.00 0.66

Kappa: 0.39 Confusión media: 0.04

Estos resultados pueden llegar a ser desalentadores cuando se pretende

clasificar todos los usos del suelo a la vez. Queda en evidencia la superposición
en el comportamiento espectral de usos tan dispares como pastizales y usos
agrícolas (cluster 2 y 4 en la tabla 11).
Tabla 11: porcentaje de píxeles de usos del suelo incluidos en cada cluster.
Cluster nº píxeles Agricultura Usos predominantes (%)
% uso1 uso2 uso3 uso4
1 15376 99 Soja (34) Maíz (29) Girasol (23) Papa (12)

2 3667 37 Pajonal (28) Juncal (25) Soja (16) Maiz (11)

3 12864 9 Pastizal (74) Pajonal (13)

4 11331 50 Trigo (53) Pastizal (25)l

5 3008 12 Juncal (36) Pastizal (31) Duraznillar (15) Avena (5)

6 7942 15 Pastizal (64) Pajonal (13) Duraznillar (6) Maíz (6)

7 5620 98 Soja (50) Maíz (40) Girasol (8)

8 5726 33 Pastizal (31) Pajonal (19) Maíz (17) Soja (14)

Un análisis del comportamiento espectral de los usos del suelo dentro de cada
cluster permitió detectar valores críticos de una banda en particular para
discriminar alguno de los usos, como se verá más adelante. Esta información
se detalla en la tabla 12.

Tabla 12: valores medios de NDVI, IRM e IRL por uso del suelo detectado
durante el ciclo invernal, dentro de cada cluster para los períodos selectos

Cluster
Datos USO 1 2 3 4 5 6 7 8 Promedio
alfalfa 91.9 91.9
avena 74.1 85.2 60.9 62.1 55.0 72.4
duraznillar 6.0 73.6 80.9 53.1 63.8 48.0 55.9
girasol 15.9 16.7 76.2 86.4 54.3 64.1 23.9 42.8 22.8
juncal 24.0 4.9 74.3 76.5 49.5 64.0 30.1 40.8 34.5
maíz 17.6 16.7 74.8 75.4 55.6 63.2 28.5 44.7 28.8

NDVI noviembre 2003 moha 50.0 82.1 82.2 53.6 62.6 51.0 54.4 65.1
monte 75.4 83.2 66.7 66.5 59.0 77.3
pajonal 24.0 15.7 73.5 80.5 58.5 63.8 20.7 45.9 53.0
papa 11.6 10.0 76.0 75.7 51.0 63.3 32.5 44.8 12.3
pastizal 36.0 12.2 75.1 84.9 56.6 64.2 35.3 51.6 70.7
pastura 75.8 81.9 64.3 64.5 51.1 78.0
soja 15.8 17.4 75.6 88.1 50.9 63.2 27.5 43.8 28.7
sorgo 12.5 23.3 70.5 79.0 44.7 64.0 27.2 49.7 34.4
trigo 77.3 89.2 59.6 64.2 53.9 87.4

Cluster
Datos USO 1 2 3 4 5 6 7 8 promedio
 alfalfa 141.6 141.6
avena 141.2 139.6 138.3 143.9 144.9 140.6
duraznillar 131.5 142.9 139.3 137.0 143.1 142.9 139.9
girasol 150.2 145.8 143.4 140.6 139.1 145.5 150.4 147.1 149.3
juncal 136.0 131.3 144.4 135.6 135.2 143.1 150.4 144.6 136.6
maíz 149.0 147.2 144.4 143.3 139.6 145.1 149.2 145.9 148.1
moha 146.0 142.9 142.5 144.1 147.0 146.0 146.7 145.8
B5 noviembre 2003
monte 143.6 138.4 136.2 141.7 146.0 138.9
pajonal 146.0 152.2 144.6 141.0 139.1 144.3 151.7 145.1 146.1
papa 144.3 143.3 144.0 143.7 142.7 144.0 145.0 144.0 144.2
pastizal 148.0 135.2 144.4 140.7 138.5 144.7 148.0 145.4 143.8
pastura 142.8 139.9 139.2 144.6 146.7 141.0
soja 148.7 149.6 144.4 140.2 140.2 145.4 150.4 147.4 148.3
sorgo 149.4 144.9 145.2 141.0 139.0 145.2 147.2 145.5 147.4
trigo 143.2 139.4 140.6 143.2 143.9 139.7

alfalfa 132.7 132.7

avena 132.9 132.3 132.9 135.7 136.4 133.4
duraznillar 129.5 133.7 132.1 131.5 134.1 134.1 132.7
girasol 145.4 138.8 133.7 133.6 133.9 137.6 143.0 138.2 143.8
juncal 137.0 129.5 134.5 131.5 130.9 134.4 140.7 136.0 131.9
maíz 144.4 139.8 134.6 137.4 134.6 136.4 142.3 138.2 142.0
moha 142.7 133.0 134.3 140.3 137.4 142.0 138.0 137.1
B7 noviembre 2003
monte 134.1 131.6 130.9 133.0 132.0 131.9
pajonal 142.0 141.3 134.4 133.1 132.7 134.8 142.8 135.8 136.2
papa 141.7 140.1 135.4 136.3 138.7 137.7 140.0 137.3 141.5
pastizal 143.0 131.6 134.3 132.5 132.5 135.1 140.3 135.8 134.3
pastura 133.7 132.5 132.9 135.5 136.8 133.1
soja 144.2 140.9 134.5 133.3 134.7 136.9 142.6 139.1 142.0
sorgo 144.0 137.3 134.6 133.0 133.0 135.1 140.7 135.8 140.0
trigo 133.7 132.1 134.2 134.8 135.7 132.3

Usos estivales
Se determinaron 10 agrupamientos homogéneos. Sin embargo 3 de ellos
agruparon información con errores vinculados a la imagen original (clusters 6,
8 y 9, sumando un total de 60 píxeles) por lo cual fueron descartados (Tabla
12).
Tabla 12: píxeles pertenecientes a usos del suelo estivales reagrupados por su
respuesta radiométrica. N=65490
Variable Between SS df Within SS df F-ratio
nov-03 33008012 9 14194641.1 16930.36
dic-03 20725180.1 9 15762040.2 9573.2
ene-04 43036798.7 9 15604141.1 20080.35
feb-04 10647414.7 9 13875604.5 5586.8
mar-04 20613728.9 9 17458704 8596.38
may-04 10927371.1 9 14331263.8 5551.4
jun-04 3693307.69 9 12335320.2 2179.9
B5_NOV03 474430.08 9 851669.866 4055.76
B7_NOV03 928083.01 9 645251.666 10471.98
B5_MAY04 1229616.53 9 1012848.17 8838.87
B7_MAY04 1167725.88 9 506256.666 16793.5
TOTAL 1.46E+08 99 70000

Cluster 1 contiene 13660

Variable Minimum Mean Maximum St.Dev.
nov-03 0 19.27 70 9.86
dic-03 2 83.54 106 12.16
ene-04 29 75.24 105 12.27
feb-04 0 73.49 101 17.14
mar-04 0 42.16 97 23.76
may-04 0 26.26 79 18.12
jun-04 0 20.3 89 17.08
B5_NOV03 129 148.12 157 3.32
B7_NOV03 128 143.08 151 2.93
B5_MAY04 132 145.03 158 4.17
B7_MAY04 128 137.72 148 3.11

Cluster 2 contiene 16936

Variable Minimum Mean Maximum St.Dev.
nov-03 10 68.65 97 11.78
dic-03 0 74.67 101 7.81
ene-04 16 55.28 102 10.93
feb-04 0 70 100 8.68
mar-04 24 63.65 123 8.43
may-04 2 46.49 92 12.85
jun-04 0 27.12 83 11.45
B5_NOV03 129 143.69 155 2.83
B7_NOV03 128 134.46 147 2.08
B5_MAY04 128 145.43 155 3.2
B7_MAY04 128 135.41 144 2.07

Cluster 3 contiene 8252

Variable Minimum Mean Maximum St.Dev.
nov-03 3 21.63 72 12.07
dic-03 0 37.15 91 23.97
ene-04 0 53.4 102 27.79
feb-04 0 90.37 101 8.4
mar-04 4 83 101 12.95
may-04 0 14.04 67 10.47
jun-04 0 18.3 84 13.13
B5_NOV03 130 149.67 157 3.03
B7_NOV03 129 142.43 151 2.52
B5_MAY04 132 145.38 158 3.76
B7_MAY04 132 138.58 148 3.05

Cluster 4 contiene 10274

Variable Minimum Mean Maximum St.Dev.
nov-03 0 44.69 96 23.43
dic-03 11 70.08 103 16.02
ene-04 0 2.55 43 7.92
feb-04 0 72.42 101 13.59
mar-04 0 62.33 99 17.41
may-04 0 35.45 91 16.88
jun-04 0 20.56 81 11.81
B5_NOV03 128 145.98 158 4.01
B7_NOV03 128 138.28 152 4.82
B5_MAY04 128 145.86 158 3.47
B7_MAY04 128 136.79 237 3.11

Cluster 5 contiene 5413

Variable Minimum Mean Maximum St.Dev.
nov-03 7 71.67 96 12.48
dic-03 0 69.75 92 10.07
ene-04 0 42.85 82 13.55
feb-04 1 63.46 96 8.56
mar-04 0 21.02 55 14.5
may-04 3 50.56 92 10.74
jun-04 0 39.34 91 14.75
B5_NOV03 131 143.62 152 2.33
B7_NOV03 129 134.37 146 1.65
B5_MAY04 128 144.75 155 2.81
B7_MAY04 128 135.22 143 1.84

Cluster 7 contiene 2330

Variable Minimum Mean Maximum St.Dev.
nov-03 0 17.39 82 18.69
dic-03 0 15.91 72 15.14
ene-04 0 11.26 92 20.5
feb-04 0 39.4 97 35.75
mar-04 0 14.98 78 17.17
may-04 0 18.11 93 15.89
jun-04 0 12.59 83 11.86
B5_NOV03 128 138.38 155 9.3
B7_NOV03 128 134.3 151 6.41
B5_MAY04 128 137.78 155 8.08
 Cluster 10 contiene 8498
Variable Minimum Mean Maximum St.Dev.
nov-03 7 68.25 102 15.21
dic-03 0 49.54 92 22.21
ene-04 0 19.79 70 17.27
feb-04 0 47.28 92 17.74
mar-04 0 52.48 123 15.97
may-04 0 50.94 100 15.14
jun-04 0 37.25 92 14.25
B5_NOV03 128 143.34 152 3.3
B7_NOV03 128 134.6 147 2.45
B5_MAY04 128 144.25 155 4.42
B7_MAY04 128 135.01 144 2.5

El análisis espectral demostró una gran complejidad para discriminar usos del
suelo en esta estación de crecimiento. Los NDVI de diciembre, enero y marzo
presentan capacidad discriminante con respecto a los clusters construidos. Las
bandas IRM e IRL, junto al resto de los NDVI considerados no presentaron un
aporte significativo (tabla 13 y figura 6).
Figura 6: evolución del NDVI, de los meses de diciembre, enero y marzo para
los 10 clusters identificados en el ciclo estival.
USO$ (Todas)

90.00

80.00

70.00

60.00

50.00 Datos
Promedio de DIC03
Promedio de ENE04
40.00 Promedio de MAR04

30.00

20.00

10.00

0.00
1 2 3 4 5 6 7 9 10

CLUSTER$

Tabla 13: análisis de la varianza para determinar momentos óptimos de

identificación de clusters en usos del suelo estivales

Dep Var: NOV03 N: 65536 Multiple R: 0.55 Squared multiple R: 0.30

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 14358190.83 9 1595354.54 3182.80 0.00
Error 32844461.37 65526 501.24
Dep Var: DIC03 N: 65536 Multiple R: 0.86 Squared multiple R: 0.74
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 27134841.63 9 3014982.40 21123.13 0.00
Error 9352769.92 65526 142.73

Dep Var: ENE04 N: 65536 Multiple R: 0.91 Squared multiple R: 0.83

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 48605886.28 9 5400654.03 35263.78 0.00
Error 10035318.08 65526 153.15

Dep Var: FEB04 N: 65536 Multiple R: 0.50 Squared multiple R: 0.25

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 6098798.97 9 677644.33 2409.97 0.00
Error 18424859.97 65526 281.18

Dep Var: MAR04 N: 65536 Multiple R: 0.83 Squared multiple R: 0.69

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 26346590.57 9 2927398.95 16358.76 0.00
Error 11725870.91 65526 178.95

Dep Var: MAY04 N: 65536 Multiple R: 0.45 Squared multiple R: 0.20

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 5171845.69 9 574649.52 1874.61 0.00
Error 20086601.77 65526 306.54

Dep Var: JUN04 N: 65536 Multiple R: 0.25 Squared multiple R: 0.06

Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
DISCRIM$ 1032049.54 9 114672.17 501.04 0.00
Error 14996870.35 65526 228.87

El análisis discriminante se corrió sobre los meses de diciembre, enero y marzo.

Tabla 14: Matriz de clasificación comparada entre los clusters obtenidos
durante la extracción de patrones espectrales (A) y los usos del suelo (B)
(casos en filas y categorías clasificadas en columnas) para el ciclo estival.
A)
1 10 2 3 4 5 6 7 8 9
1 0.87 0.00 0.00 0.10 0.00 0.00 0.03 0.00 0.00 0.00
10 0.00 0.93 0.00 0.00 0.00 0.00 0.00 0.06 0.01 0.00
2 0.00 0.03 0.94 0.00 0.00 0.00 0.00 0.03 0.01 0.00
3 0.00 0.00 0.10 0.89 0.00 0.00 0.00 0.00 0.00 0.00
4 0.00 0.00 0.02 0.09 0.77 0.00 0.00 0.11 0.01 0.00
5 0.00 0.04 0.01 0.00 0.00 0.95 0.00 0.00 0.00 0.00
6 0.00 0.02 0.09 0.00 0.00 0.00 0.88 0.00 0.00 0.00
7 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.89 0.00 0.00
8 0.00 0.03 0.00 0.00 0.00 0.00 0.01 0.01 0.95 0.00
9 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00
Kappa: 0.89
Confusión media: 0.01
B)
alfalfa duraznill girasol juncal maiz moha monte pajonal
alfalfa 0.96 0.00 0.00 0.00 0.00 0.00 0.00 0.00
duraznillar 0.02 0.47 0.00 0.11 0.03 0.01 0.20 0.01
girasol 0.04 0.17 0.12 0.04 0.16 0.01 0.06 0.01
juncal 0.00 0.12 0.03 0.53 0.01 0.04 0.03 0.09
maiz 0.21 0.17 0.04 0.03 0.05 0.01 0.06 0.01
moha 0.08 0.17 0.02 0.20 0.26 0.14 0.03 0.00
monte 0.25 0.17 0.06 0.04 0.01 0.00 0.31 0.00
pajonal 0.00 0.14 0.08 0.03 0.07 0.01 0.14 0.05
papa 0.01 0.02 0.04 0.00 0.03 0.00 0.00 0.00
pastizal 0.03 0.24 0.06 0.04 0.08 0.01 0.27 0.06
pastura 0.00 0.01 0.08 0.25 0.02 0.02 0.09 0.02
soja 0.17 0.15 0.00 0.07 0.01 0.00 0.03 0.00
sorgo 0.20 0.31 0.00 0.02 0.02 0.01 0.03 0.00
continuación
papa pastizal pastura soja sorgo
alfalfa 0.00 0.00 0.00 0.04 0.00
duraznillar 0.00 0.09 0.00 0.02 0.04
girasol 0.30 0.03 0.02 0.03 0.00
juncal 0.02 0.03 0.07 0.02 0.01
maiz 0.25 0.01 0.03 0.13 0.03
moha 0.00 0.00 0.09 0.02 0.00
monte 0.09 0.00 0.00 0.00 0.06
pajonal 0.09 0.10 0.10 0.17 0.01
papa 0.86 0.00 0.03 0.01 0.00
pastizal 0.02 0.07 0.07 0.02 0.02
pastura 0.02 0.04 0.43 0.01 0.01
soja 0.06 0.00 0.05 0.35 0.10
sorgo 0.00 0.00 0.00 0.25 0.17
Kappa: 0.19
Confusión media: 0.07
La mala performance del método de clasificación convencional puede explicarse
a la variabilidad en las fechas de siembra, a la diversidad de cultivos
implantados en el período estival y a la heterogeneidad en cuanto al estado de
las plantas dentro de un mismo lote. Todo esto responde al patrón caótico de
los suelos de la región y a su marginalidad para realizar agricultura. Esto queda
representado en la tabla 15.
Estos resultados son coincidentes con lo mencionado por el USGS y la NASA,
donde queda explicitado que la definición media de los satélites Landsat
llegaría a escalas 1:100.000, pudiendo incrementarse hasta 1:50.000 para
detectar cuerpos de agua o zonas con usos del suelo muy homogéneas y
contrastantes. La principal limitante de este sensor para detectar usos
específicos del suelo reside en su baja resolución espectral (ancho de banda).
Debe quedar claro que esta familia de satélites fue desarrollada para estudios
regionales.

Tabla 15: valores medios de NDVI, para los usos del suelo detectados durante
el ciclo estival, dentro de cada cluster
cluster

Datos USO 1 2 3 4 5 6 7 8 9 10 promedio

alfalfa 100.00 94.30 0.00 90.52
Promedio duraznillar 80.56 60.76 72.82 43.10 72.38 54.00 46.02 3.10 69.40 38.39 63.73
de DIC03 girasol 86.54 52.33 75.27 44.31 82.72 82.39 50.96 12.01 77.75 48.68 78.19
juncal 78.00 53.02 67.34 1.20 64.00 67.11 38.56 7.30 36.00 36.19
maiz 87.70 51.59 76.12 37.57 83.08 71.63 38.16 2.85 77.18 57.96 73.67
moha 69.79 27.71 66.43 14.33 67.44 54.13 61.00 18.43 48.50 56.61
monte 80.40 79.31 85.39 79.67 52.00 0.00 76.90
pajonal 79.22 59.95 74.79 15.99 72.28 71.40 18.95 19.20 74.69 64.32 60.73
papa 90.98 0.00 90.31 68.32 68.29 87.81
pastizal 81.16 60.68 75.17 11.62 72.49 70.51 39.67 14.54 71.50 49.08 69.09
pastura 77.17 53.49 74.11 2.94 66.92 58.65 24.78 11.13 43.00 49.09
soja 82.86 45.97 74.30 36.94 79.64 52.45 39.08 15.22 48.55 38.42 52.38
sorgo 70.27 49.00 70.52 46.71 70.78 54.42 25.00 61.18
alfalfa 84.00 77.00 83.33 77.36
Promedio duraznillar 74.56 23.90 49.09 48.80 2.69 37.50 1.79 1.09 158.00 0.13 25.78
de ENE04 girasol 73.10 28.29 58.87 62.82 0.11 54.58 0.00 24.30 162.50 1.82 52.45
juncal 67.33 26.84 44.66 39.55 0.96 45.89 0.00 2.30 2.25 16.10
maiz 78.41 26.79 65.21 64.37 0.07 54.44 0.90 72.90 158.55 0.41 56.47
moha 72.83 35.00 66.68 57.33 0.00 36.25 0.00 22.36 0.63 44.94
monte 70.36 64.57 0.00 61.33 0.00 57.00 53.81
pajonal 63.19 31.22 50.55 28.74 0.13 50.40 6.34 17.86 164.00 0.33 34.28
papa 84.57 83.62 0.00 67.22 0.00 78.39
pastizal 69.04 27.93 55.55 54.19 0.27 41.01 0.30 25.05 158.00 2.35 38.53
pastura 59.33 29.44 48.95 47.56 0.00 36.10 3.75 13.99 4.30 29.13
soja 86.90 24.50 69.51 65.85 3.11 61.42 2.74 37.19 158.77 1.64 50.19
sorgo 87.07 26.00 75.17 67.28 0.00 0.98 0.00 47.64
Promedio alfalfa 77.00 80.46 83.67 80.55
de MAR04
duraznillar 57.33 61.97 66.91 67.00 66.42 34.00 71.25 5.19 59.60 43.92 60.59
girasol 39.06 52.42 60.46 70.59 50.19 11.74 75.70 15.23 38.63 31.20 44.34
juncal 27.75 53.81 62.08 61.86 58.88 25.39 66.94 10.75 37.21 35.29
maiz 43.37 54.44 69.59 74.06 57.76 21.43 77.78 14.65 59.18 31.18 54.21
 cluster

USO 1 2 3 4 5 6 7 8 9 10 promedio
moha 52.17 45.14 58.23 45.33 58.44 28.13 79.00 42.71 37.00 51.31
Promedio pajonal 35.66 49.18 60.67 87.38 56.59 18.49 87.96 2.70 57.92 29.05 52.80
de MAR04
papa 30.17 44.33 29.34 8.26 17.29 28.75
pastizal 50.38 53.28 63.47 61.18 62.10 21.49 65.97 29.48 56.00 31.23 55.12
pastura 33.17 44.95 59.58 59.22 43.50 16.12 79.84 15.00 26.30 30.66

soja 40.05 57.77 82.57 85.63 72.17 8.98 84.95 15.95 71.77 35.19 72.27
sorgo 62.07 67.67 77.75 80.01 75.09 81.17 52.00 77.64 77.64
Promedio de DIC03 87.23 57.86 74.94 31.80 75.56 69.15 34.53 11.14 64.31 47.28 65.28
Promedio de ENE04 79.05 28.08 57.07 59.51 0.57 47.17 3.20 17.34 160.05 1.70 43.88
Promedio de MAR04 39.16 53.09 65.71 81.08 60.25 18.79 83.64 14.60 62.48 32.87 54.71

Conclusiones
La resolución radiométrica y espectral de los satélites Landsat es insuficiente
para discriminar usos del suelo específicos en zonas de elevada heterogeneidad
ambiental. El NDVI fue la fuente de información más significativa para
discriminar usos del suelo.
Debido a la elevada confusión, los usos del suelo deben reagruparse en
clusters por su comportamiento radiométrico a lo largo de todo el período de
crecimiento, ya que un solo momento de estudio es insuficiente. En todos los
casos siempre existen usos del suelo predominantes, conociéndose la
proporción de cada uno de ellos.
En todos los casos se lograron identificar las fechas críticas donde mejor se
aprecian las diferencias de comportamiento entre clusters.
Esta información es de gran importancia para definir un sistema inteligente de
clasificación de usos del suelo, que a su vez permita estimar el error verdadero.
Estos patrones espectrales deberán ser complementados con información de
suelos para lograr resultados óptimos.
Bibliografía

1. Batista W. B. y León R. J. (1992). Asociación entre comunidades

vegetales y algunas propiedades del suelo en el centro de la Depresión
del Salado. Ecología Austral. 2 : 47-55.
2. Carlson T. y Riziley D. (1997). On the Relation between NDVI, Fractional
Vegetation Cover, and Leaf Area Index. Remote Sens. Environ. 62: 241-
252.
3. Caselles V. y López M. J. (1989). An alternative simple approach to
estimate atmospheric correction in multitemporal studies. Int. J. Remote
Sensing. 10: 1127-1134.
4. Chuvieco E. (2000). Fundamentos de teledetección espacial. Capítulo 7.
Tratamiento digital de imágenes: II. Generación de información temática
Ediciones Rialp, S.A. Madrid. Tercera edición. 406-408.
5. Deregibus V. A. y Cahuépé M. A. (1983). Pastizales naturales de la
Depresión del Salado :Utilización basada en conceptos ecológicos. RIA.
18(1) : 47-78.
6. Gitelson A. A., Stark R., Grits U., Rundquist D., Kaufman Y. y Derry Y.
(2002). Vegetation and soil lines in visible spectral space: a concept and
technique for remote estimation of vegetation fraction. Int. J. Remote
Sensing. 23 (13), 2537–2562.
7. Guerschman J. P., Paruelo, J. M., Di Bella C., Giallorenzi M. C. and Pacin
F. 2003. Land cover classification in the Argentine Pampas using multi
temporal Landsat TM data. Int. J. Remote Sensing. 24:17. 3381-3402.
8. Matsushita B. y Tamura M. (2002). Integrating remotely sensed data
with an ecosystem model to estimate net primary productivity in East
Asia. Remote Sens. Environ. 81: 58–66.
9. Miaczynski C. (1995). Los suelos hidromórficos e hidrohalomórficas de la
provincia de Buenos Aires. Rev. Fac. Agr. 15: 23-36.
10. NASA. (2001). Landsat 7 Science Data Users Handbook:
http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/
chapter12.html
11. SAyG-INTA ; Centro Nacional de Investigaciones Agropecuarias, dpto.
Suelos. (1977). La Pampa Deprimida : Condiciones de drenaje de sus
suelos. Suelos. Nº 154. 166 p.
12. Skidmore A. K. (1989). An expert system classifies eucaliptus forest
types using Thematic Mapper data and digital terrain model.
Photogrammetric Eng. and Remote Sensing. 55: 1149-1464.
13. Tricart J. (1973). La geomorfología de la Pampa Deprimida como base
para los estudios edafológicos y agronómicos. Plan mapa de suelos de la
región Pampeana, INTA. Buenos Aires. XII colección científica. 202 p.
14. USGS. (2000). MRLC 2000 Image Preprocessing Procedure. U.S.
Department of Interior. 8 pp.