Documentos de Académico
Documentos de Profesional
Documentos de Cultura
=
En las imgenes se observa claramente en tonalidades blancas las reas que
presentan fuerte vigor en la cobertura vegetal y tonalidades negras los cuerpos de
agua y reas urbanas; la degradacin entre tonos blancos a grises claros es clara
indicacin del estrs de la vegetacin.
NDVI Coc.
Figura 26. ndice de Vegetacin
Como puede observarse en la figura, una gran ventaja de la utilizacin del ndice
vegetal NDVI, sobre el cociente simple, es la disminucin del efecto topogrfico o
reas de sombro, por lo cual resulta ms prximo para un anlisis de cobertura y
estrs vegetal. Las reas de cultivo se muestran ms vigorosas y por lo tanto
saludables, mientras que la vegetacin natural de las laderas del la cordillera,
hacia el oriente de la ciudad muestras tonos grises claros, siendo indicador del
estrs.
2.3 CLASIFICACIN DIGITAL DE USO Y COBERTURA DEL SUELO
La clasificacin digital es la fase culminante del tratamiento digital de
imgenes y objetivo principal de este estudio, hacia ella se orientan
buena parte de las mejoras a travs de los realces y contrastes y
correcciones previamente analizados; como producto de la
clasificacin se obtiene una cartografa inventario de diversas
categoras definidas por el usuario (Chuvieco, 370).
2.3.1 Clasificacin No Supervisada
Este es un proceso automtico de clasificacin espectral por clases presentes en
la imagen, no requiere de un conocimiento previo del rea de estudio, en la cual
mediante algoritmos se asignan a intervalos de ND, categoras que contrastan en
la imagen y sobre la cual el interprete debe asociar al mundo real; por lo general
los resultados obtenidos son de difcil interpretacin por lo cual es necesario
recodificar la clasificacin agrupndola en nuevas categoras con ms sentido. En
este proceso se asume que los ND de la imagen forman una serie de
agrupaciones o conglomerados (clusters), ms o menos ntidos segn los casos.
Figura 27. Clasificacin de Uso y Cobertura del Suelo: No Supervisada
Para el ejercicio, inicialmente se realiz una clasificacin para 15 clases
espectrales, utilizando el algoritmo Isodata y posteriormente a travs de la
identificacin de cada clase con parmetros del terreno se procedi a agruparla a
travs de la recodificacin de clases en 8 categoras finales como se observa en la
leyenda de la figura anterior. No fue posible identificar de esta clasificacin las
reas erosionadas y las sombras producidas por las nubes debido a su bajo
porcentaje en toda el rea y al pobre contraste; fue necesario reagrupar las
categoras invernadero 1 y 2 en invernadero y pastos manejados y cultivos de
papa en cultivos.
De esta clasificacin se puede concluir que si hay un buen conocimiento del rea
de estudio esta puede mejorarse a travs de una recodificacin, caso contrario los
resultados pueden ser los no esperados y difciles de interpretar.
Row Class_Names Area (Ha) Histogram Red Green Blue
0 Sin Clasificar 100870.59 872583 0 0 0
1 Cuerpos de Agua 10259.5 88750 0 0 1
2 Nubosidad 1832.61 15853 1 1 1
3 Bosques 71188.21 615815 0.63 0.32 0.17
4 Vegetacin Pramo 15123.6 130827 0 0.39 0
5 Pastos Naturales 87336.61 755507 0 1 0
6 Invernaderos 21276.87 184056 0.63 0.13 0.94
7 Zona Urbana 28809.37 249216 0.75 0.75 0.75
8 Cultivos de Papa 123161.51 1065411 1 0.65 0
Tabla 6. Resumen de Clasificacin No Supervisada
Por ltimo se realiz la composicin de la imagen en un mapa
cartogrfico, incluyendo su orientacin, georeferenciacin, escala y
leyenda.
UNIVERSIDAD PEDAGGICA Y TECNOLGICA DE COLOMBIA
INSTITUTO GEOGRFICO AGUSTN CODAZZI
MAESTRA EN GEOGRAFA
Sensores Remotos
Dra. Helena Salvatierra & Lpez
Realiz:
Alejandra Taborda
Carlos Muoz Montoya
2001
Figura 28. Mapa de Clasificacin de Cobertura y Usos del Suelo:
Mtodo No Supervisado
2.3.2 Clasificacin Supervisada
El mtodo supervisado parte de un cierto conocimiento de la zona de estudio,
adquirido por la experiencia previa o por trabajos de campo. Es por esto, que el
interprete delimita sobre la imagen reas lo suficientemente representativas de
cada una de las categoras que componen la leyenda, reas que comnmente se
conocen como reas de entrenamiento, que como su nombre lo indica, entrenan
al computador para identificar reas comunes sobre toda la imagen.
2.3.2.1 Elaboracin de la Leyenda
Cumpliendo el objetivo del estudio y apoyado de fotografas areas y mapas de la
zona, se identificaron diferentes coberturas y usos del suelo, que se enuncian a
continuacin:
1. Cuerpos de Agua 5. Invernadero 1 9. Zonas de Erosin
2. Vegetacin de Pramo 6. Invernadero 2 10. Zonas Urbanas
3. Bosques 7. Pastos Manejados 11. Nubosidad
4. Pastos Naturales 8. Cultivos de Papa 12. Sombras
Tabla 7. Elaboracin de la Leyenda
2.3.2.2 Definicin de las reas de Entrenamiento
Uno de los aspectos de mayor inferencia es la correcta determinacin de las reas
de entrenamiento por categoras, es recomendable delimitar reas lo
suficientemente grandes y homogneas, aspecto que est determinado
visualmente segn su composicin por la tenue degradacin de tonos; tomando
como ejemplo la suave degradacin de naranjas, contrastan diversos estados de
desarrollo y/o humedad de los pastizales manejados, similar podramos mencionar
la leve degradacin entre azul claro, medio y grisceo que representa la
variabilidad de cubiertas del rea urbana.
Figura 29. reas de Entrenamiento
Es muy importante tener claramente identificadas las coberturas para evitar
traslapes con otras categoras y generar clasificaciones imprecisas. Adems
dependiendo del objetivo del trabajo, es vital definir una composicin que mejor
represente las coberturas a clasificar para nuestro caso 4:5:3 (infrarrojo cercano:
Infrarrojo medio: Rojo) y aplicar filtros y/o contrastes segn sea necesario
superponiendo por medio de cortinas (swiper) a la imagen original para facilitar la
identificacin y correcta definicin de las reas de entrenamiento.
A medida que se van definiendo las reas de entrenamiento y se van agrupando,
en la ventana del editor de firmas se introduce el nombre de la categora creada,
hasta definir todas las reas de entrenamiento de cada cobertura.
Figura 30. Editor de Firmas
2.3.2.3 Anlisis de las estadsticas de las reas de entrenamiento
Existen diversos mtodos para evaluar la viabilidad de que las categoras puedan
clasificarse sin un grave riesgo de error; los mtodos pueden ser grficos como es
el diagrama de signaturas de los ND y el de dispersin espectral entre cubiertas;
otros mtodos pueden ser numricos como son las matrices de divergencia.
2.3.2.3.1 Diagrama de signaturas de los niveles digitales
Observando la grfica de signaturas, puede observarse que en el rango visible:
azul, verde, rojo; la diferenciacin de la diversidad de cobertura vegetal y de os
cuerpos de agua es bastante difcil, esto debido a que la respuesta espectral
cercana y por lo tanto el rango de separacin es muy estrecha. Es factible
discriminar el suelo erosionado y urbano de la vegetacin.
Para el infrarrojo cercano y medio por el contrario al anterior, el contraste es mayor
y claramente visible la diferenciacin de cada una de las categoras, por lo tanto
se confirma que estas dos bandas son las ms opcionadas para realizar una
clasificacin de usos y coberturas del suelo. En la banda termal es prcticamente
imposible diferenciacin alguna.
Figura 31. Diagrama de Signaturas de los Niveles Digitales
2.3.2.3.2 Diagrama de Dispersin
COBERTURAS BAN DA 1 BAN DA 2 BAN DA 3 BAN DA 4 BAN DA 5 BAN DA 7
Estadsticas X X X X X X
Cuerpos de Agua 52.10 3.07 28.20 2.89 32.02 5.07 12.47 2.40 3.97 3.03 2.85 1.83
Veget. Pramo 40.22 3.20 18.10 2.32 19.36 3.38 38.82 8.06 50.75 12.66 19.88 5.40
Bosques 49.94 5.13 23.98 3.58 24.91 5.22 47.24 8.66 66.25 14.35 29.40 7.55
Pastos Naturales 38.31 2.76 15.45 2.04 13.23 2.02 41.43 11.37 28.32 9.29 9.90 3.01
Invernadero 1 172.79 55.49 100.06 44.19 124.28 54.76 142.55 50.87 183.10 59.26 124.27 60.90
Invernadero 2 80.54 16.29 37.99 9.31 41.06 11.57 67.85 13.55 56.21 13.16 22.20 7.27
Pasto Manejados 44.95 2.95 21.90 2.34 17.42 3.28 105.75 9.38 62.27 7.01 18.19 3.43
Cultivos de Papa 50.33 6.73 22.75 4.60 27.03 7.05 39.54 12.39 104.93 19.74 59.24 15.61
reas de Erosin 79.32 11.68 49.71 9.62 67.31 14.07 72.38 11.51 143.93 22.79 71.45 12.67
Zona Urbana 71.74 8.04 34.82 5.25 41.15 7.33 39.61 9.23 62.98 13.56 40.60 8.67
Nubosidad 250.02 22.14 215.20 46.88 234.59 41.53 225.03 39.99 242.20 27.62 147.31 29.14
Sombras 38.35 4.35 13.34 2.09 11.05 1.85 18.32 5.53 10.80 3.79 4.48 1.36
Tabla 8. Media y desviacin tpica de las categoras seleccionadas
De la tabla anterior se observa como el invernadero 1, presenta la mayor
desviacin estndar, seguida de la nubosidad, pero esto no tiene gran relevancia
al momento de realizar la clasificacin debido a que las medias digitales estn
bastante alejadas, aspecto que no ocurre con el invernadero 2 y las reas de
erosin y urbanas, que tienen una media cercana y la desviacin tiende a traslapar
las respuestas radiomtricas, por lo tanto hay una gran probabilidad de confusin.
Al analizar las grficas de dispersin espectral por cubiertas en cada una de las
bandas se puede analizar el traslape existente entre algunas categoras y si se
superponen se pude analizar la fuerte correlacin entre las bandas del espectro
visible.
0
50
100
150
200
250
300
0
50
100
150
200
250
300
0
50
100
150
200
250
300
Banda 2
Banda 3
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
Banda 1
1. Cuerpos de Agua 2. Vegetacin de Pramo 3. Bosques
4. Pastos Naturales 5. Invernadero 1 6. Invernadero 2
7. Pastos Manejados 8. Cultivos de Papa 9. Zonas de Erosin
10. Zona Urbana 11. Nubosidad 12. Sombras
Figura 32. Diagramas de dispersin espectral entre cubiertas
0
50
100
150
200
250
300
0
50
100
150
200
250
300
0
50
100
150
200
BANDA 4
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
BANDA 7
BANDA 5
1 2 3 4 5 6 7 8 9 10 11 12
Figura 33. Diagramas de dispersin espectral entre cubiertas
1. Cuerpos de Agua 2. Vegetacin de Pramo 3. Bosques
4. Pastos Naturales 5. Invernadero 1 6. Invernadero 2
7. Pastos Manejados 8. Cultivos de Papa 9. Zonas de Erosin
10. Zona Urbana 11. Nubosidad 12. Sombras
En los diagramas de dispersin anteriores, claramente se puede analizar los
traslapes entre las diversas categoras, que pueden conducir a una clasificacin
poco precisa o a una recategorizacin de las coberturas propuestas.
Banda 1 2-3-4-7-8-12 y 6-9-10
Banda 2 1-3-6-7-8-10 y 2-4-12
Banda 3 1-3-6-8 y 2-4-7-12
Banda 4 2-3-4-8-10 y 6-9 y 5-7
Banda 5 2-3-6-7-10 y 5-9
Banda 7 2-3-4-6-7 y 5-8-9
Tabla 9. Traslape radiomtrico entre bandas
De lo anterior podemos concluir que existe una fuerte correlacin entre la
vegetacin de pramo y los bosques (2-3) en todas las bandas, en algunas puede
presentarse dificultades al separar invernadero 2 y las reas urbanas. La seleccin
de las bandas es otro parmetro a analizar y de ello se puede concluir que las
bandas 1 y 2 tienen una estrecha correlacin en la gran mayora de las categoras
por lo cual no es aconsejable su uso; de otro lado la banda 4 y 5, presenta fuerte
correlacin en las categoras de vegetacin natural y reas antrpicas,
discriminadas fcilmente entre s, por su valor representativo de la media
radiomtrica. Las bandas 3-4-5 son las que mayor contraste tienen y son las ms
recomendadas para realizar la clasificacin respectiva.
2.3.2.3.3 Anlisis de Divergencia
Una forma prctica de analizar las reas de entrenamiento para evaluar su calidad
y pureza previa a correr la clasificacin, es obteniendo la matriz de separabilidad
entre las categoras, por medio de esta se calcula la distancia estadstica entre
pares de signaturas radiomtricas y se analiza la correspondencia entre los
mejores pares de bandas que mejor separan las categoras generadas en las
reas de entrenamiento. En la prctica se utiliz el anlisis de divergencia
Jefferies-Matusita, con valores ptimos por encima de los 1400 y valores crticos
por debajo de 1000.
Signature Separability Listing
File: c:/maestria/bogota94firm.sig
Distance measure: Jefferies-Matusita
Using bands: 1 2 3 4 5 6 7
Taken 7 at a time
Class
1 Invernadero1 6 Bosques_Naturales 11 Suelos desnudos
2 Invernadero2 7 Cultivo de Papa 12 Nubes
3 Cuerpos de Agua 8 Urbano 13 Sombras
4 Vegetacion_Paramo 9 Erosin
5 Pastos_Naturales 10 Pastos manejados
Best Average Separability
Bands AVE MIN Class Pairs:
1: 2 1: 3 1: 4 1: 5 1: 6 1: 7 1: 8
1: 9 1:10 1:11 1:12 1:13 2: 3 2: 4
2: 5 2: 6 2: 7 2: 8 2: 9 2:10 2:11
2:12 2:13 3: 4 3: 5 3: 6 3: 7 3: 8
3: 9 3:10 3:11 3:12 3:13 4: 5 4: 6
4: 7 4: 8 4: 9 4:10 4:11 4:12 4:13
5: 6 5: 7 5: 8 5: 9 5:10 5:11 5:12
5:13 6: 7 6: 8 6: 9 6:10 6:11 6:12
6:13 7: 8 7: 9 7:10 7:11 7:12 7:13
8: 9 8:10 8:11 8:12 8:13 9:10 9:11
9:12 9:13 10:11 10:12 10:13 11:12 11:13
12:13
1 2 3 4 1399 1006 1392 1414 1413 1414 1414 1412 1414
5 6 7 1414 1414 1414 1414 1414 1414 1414
1414 1413 1413 1414 1414 1414 1414
1414 1414 1414 1414 1414 1414 1414
1414 1414 1408 1414 1388 1388 1376
1408 1414 1414 1414 1381 1414 1401
1006 1310 1414 1400 1413 1414 1414
1414 1231 1413 1400 1414 1413 1414
1414 1414 1390 1414 1414 1414 1414
1397 1414 1414 1414 1414 1414 1414
1414 1414 1414 1414 1414 1414 1166
1414
De la tabla anterior se puede concluir que las categoras que ms probabilidad de
confusin y por lo tanto de generar errores son los pastos naturales y bosques
(5:6) y los suelos y sombras (11:13), y por el contrario ofrecen mejor separabilidad
las dems categoras, lo cual trae a conclusin que es importante redefinir estas
categoras en la clasificacin posterior a realizar; las mejores bandas a utilizar es
la combinacin: 3-4-5.
2.3.2.3.4 Matriz de contingencia
Esta matriz evala el error cometido al determinar las reas de muestreo.
Classified
Data Inver1 Inver2 Agua VegPar Bosque Papa Pasto_m Pasto_n
Erosion Urbana
Nubes
Sombra
Invernadero1 96.13 1.29 0 0.03 0.08 0 0 0.03 1.45 0.62 0 0
Invernadero2 2.77 98.12 0 0.02 0.08 0 0.11 0 0 0.02 0 0
Agua 0 0 99.3 0 0 0 0 0 0 0 0 0
Veg Pramo 0 0 0 97.47 1.47 0.26 0 0.91 0 0 0 0
Bosques 0.22 0.23 0.19 1.3 94.47 2.9 0 0.26 0.29 0.83 0 0
Cultivo Papa 0.33 0.23 0 0.29 1.17 94.11 0.11 0 1.45 0.13 0 0
PastosManej 0.11 0 0 0 0.87 0 99.78 0 0 0.13 0 0
PastosNatural 0 0.12 0.14 0.86 0.44 0 0 93.92 0 0 0 1.93
Erosion 0.22 0 0 0 1.2 2.73 0 0 96.81 0.59 0 0
Area Urbana 0.22 0 0.37 0 0.19 0 0 0 0 97.68 0 0
Nubosidad 0 0 0 0 0 0 0 0 0 0 100 0
Sombras 0 0 0 0.03 0.03 0 0 4.87 0 0 0 98.07
Total
muestra 904 852 2134 5940 3671 1171 1834 3406 345 5292 1901 519
Tabla 10. Matriz de Error en reas de muestreo
De la tabla anterior puede deducirse que las reas de entrenamiento fueron
exitosas, por lo tanto los anlisis y conclusiones deducidas con respecto a las
categoras y bandas son de confiabilidad.
2.3.2.4 Ejecucin de la clasificacin supervisada
Una vez definidas la composicin de bandas y redefinidas las categoras el paso
siguiente es correr el algoritmo de clasificacin y analizar los resultados obtenidos.
Para ello se ha definido trabajar con la composicin 4:5:3 y con el algoritmo de
mxima probabilidad.
Este mtodo considera que los ND en el seno de cada clase se ajustan a una
distribucin normal, lo cual permite describir esa categora por una funcin de
probabilidad, a partir de su vector de medias y matriz de varianza-covarianza. El
clculo se realiza para todas las categoras que intervienen en la clasificacin,
asignando el pxel a aquella que maximice la funcin de probabilidad.
Figura 34. Clasificacin Supervisada
2.3.2.5 Verificacin de los resultados de la clasificacin
Este aspecto es de gran importancia y con el apoyo de fotografas areas, mapas
y visitas de campo se debe analizar el mapa obtenido, tomando reas aleatorias
de la cual se conoce su uso y cobertura y verificarlas sobre el mapa obtenido, para
deducir su precisin.
Inicialmente se realiz un anlisis visual, obtenindose una concordancia entre los
resultados generados y las categoras muestreadas sobre la imagen, solamente
se encontr dificultades en el rea urbana y su correspondencia con algunos
invernaderos, aspecto que como fue lgico se haban deducido de los anlisis
anteriormente tratados.
Clasificad
Original
Figura 35. Verificacin Visual
El otro procedimiento utilizado fue generando una nube de puntos aleatoria y se
analiz su correspondencia con las categoras correctas y las generadas, a partir
de una muestra de 100 puntos.
Figura 36. Anlisis de correspondencia de puntos aleatorios
Categora Clasificada Categora Correcta
Del anlisis anterior se obtuvo como resultado:
CLASSIFICATION ACCURACY ASSESSMENT REPORT
-----------------------------------------
Image File : c:/bogota94_superv1.img
User Name : None
Date : Fri Nov 30 12:26:44 2001
ACCURACY TOTALS
Class Reference Classified Number Producers Users
Name Totals Totals Correct Accuracy Accuracy
---------- ---------- ---------- ------- --------- -----
Unclassified 0 0 0 --- ---
Invernadero 1 0 5 0 --- ---
Invernadero 2 1 5 1 100.00% 20.00%
Cuerpos de Agua 0 0 0 --- ---
Vegetacion_Para 3 4 2 66.67% 50.00%
Pastos Naturale 19 18 11 57.89% 61.11%
Cultivo de Papa 7 4 3 42.86% 75.00%
Pastos Manejado 35 33 31 88.57% 93.94%
Bosques 19 19 15 78.95% 78.95%
Erosion 4 2 2 50.00% 100.00%
Area Urbana 11 8 8 72.73% 100.00%
Nubosidad 0 0 0 --- ---
Sombras 1 2 1 100.00% 50.00%
Totals 100 100 74
Overall Classification Accuracy = 74.00%
De este resumen se observa la dificultad en asociar los invernaderos, los pastos
naturales y la vegetacin de pramo; sin embargo el porcentaje de clasificacin se
considera aceptable: 74% de confiabilidad
KAPPA (K^) STATISTICS
Overall Kappa Statistics = 0.6750
Conditional Kappa for each Category.
Class Name Kappa
Unclassified 0.0000
Invernadero 1 0.0000
Invernadero 2 0.1919
Cuerpos de Agua 0.0000
Vegetacion_Paramo 0.4845
Pastos Naturales 0.5199
Cultivo de Papa 0.7312
Pastos Manejados 0.9068
Bosques 0.7401
Erosion 1.0000
Area Urbana 1.0000
Nubosidad 0.0070
Sombras 0.4949
El indice Kappa, permite determinar la fortaleza de la clasificacin, si este tiende a
1 = 100%, se considera perfecta, valores por debajo del 65% hacen necesaria su
verificacin.
2.3.2.6 Composicin del Mapa de Uso y Cobertura del Suelo
Como paso final se realiza la composicin del mapa, no sin antes limpiar la
clasificacin, aplicando un filtro para asociar aquellos pixeles aislados, los cuales
en muchos casos no representan un rea significativa y son absorbidos por clases
predominantes. Para ello se utiliz el filtro del vecino ms prximo con una
ventana de 3X3.
Figura 37. Imagen final filtrada
Posteriormente se realiza el clculo del rea de las zonas clasificadas:
Figura 38. reas por categoras (Ha)
Para finalmente realizar la composicin del mapa, con el respectivo ttulo,
orientacin, sistema de coordenadas, escala y leyenda, como puede observarse
en la imagen siguiente:
MAESTRA EN GEOGRAFA
Curso en Sensores Remotos
Dra. Helena Posada
Realiz:
CARLOS MUOZ MONTOYA
2001
UNIVERSIDAD PEDAGGICA Y TECNOLGICA DE COLOMBIA
INSTITUTO GEOGRFICO AGUSTN CODAZZI
Figura 39. Mapa de Uso y Cobertura del Suelo por Clasificacin Supervisada
CONCLUSIONES
En el procesamiento, tratamiento y anlisis digital de imgenes, es de vital
importancia la referencia del rea de estudio, complementada con una exploracin
en campo, ya que en gran medida la validez de los procesos generados en la
clasificacin del uso y cobertura del suelo depende de ello. Por otro lado el anlisis
tanto visual como estadstico busca convalidar los resultados preliminares de la
informacin a generar y obtenida siendo este un proceso de mucha importancia ya
que de este anlisis se deducen las posibles bandas que mejor correspondencia
tienen con la leyenda propuesta segn el objeto del estudio y la correlacin entre
las diferentes categoras que bien pueden detectar posibles errores antes de
ejecutar el proceso de clasificacin, lo cual permite una recategorizacin y por lo
tanto un ahorro en esfuerzos, tiempo y dinero.
La clasificacin no supervisada tiene la gran desventaja que no es necesario un
conocimiento preliminar del rea de estudio, siendo este un proceso automtico de
discriminacin de niveles radiomtricos en clases. Este tipo de clasificacin puede
ser til en estudios preliminares generales, pero no garantizan una clasificacin
acorde a la realidad a pesar de ser totalmente objetiva.
La clasificacin supervisada, es quiz el mejor procedimiento para generar mapas
temticos de uso y cobertura del suelo, ya que por ser una clasificacin
inicialmente subjetiva donde se requiere del conocimiento del rea bien sea por
exploraciones, ayudas de fotografas areas o mapas, el interprete debe definir
reas de entrenamiento con las cuales se realizan los anlisis grficos y
estadsticos respectivos para asegurar una correcta clasificacin, no sin obviar una
verificacin de los resultados. Aunque se recomienda el empleo de las dos
tcnicas supervisada y no supervisada para complementar el anlisis respectivo
del terreno.
Para el caso prctico la clasificacin No supervisada y supervisada, grficamente
tienen una fuerte correlacin en la identificacin de las coberturas lo cual lleva a
concluir que el trabajo prctico es validado.
REFERENCIAS BIBLIOGRFICAS
SALVATIERRA Cristina y Daniel LOPEZ, Gua Prctica de Anlisis Digital de
Imgenes de Satlite con Erdas Imagine. Instituto Geogrfico Agustn Codazzi,
Bogot D.C., Septiembre de 2000
SALVATIERRA & LPEZ Elena, Introduccin al Procesamiento Digital. Instituto
Geogrfico Agustn Codazzi, Bogot D.C., Marzo de 2001
CHUVIECO Emilio, Fundamentos de Teledeteccin Espacial. Ediciones RIALP,
S.A. Madrid. Espaa. Diciembre de 1996. ISBN: 84-321-3127-X