Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Area de estudio
Corresponde a la subcuenca B4, límite sudeste de la cuenca del río Salado
(provincia de Buenos Aires) (figura 1).
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)
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)
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.
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
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
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
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
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
Usos invernales
Se determinaron 8 agrupamientos homogéneos
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.
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
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
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
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
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$
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
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
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
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
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
Tabla 15: valores medios de NDVI, para los usos del suelo detectados durante
el ciclo estival, dentro de cada cluster
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