ANLISIS Y TRATAMIENTO DIGITAL DE IMGENES

Clasificacin de Uso y Cobertura del Suelo

CARLOS J. MUOZ MONTOYA
cjmunozm@yahoo.com










UNIVERSIDAD PEDAGGICA Y TECNOLGICA DE COLOMBIA
INSTITUTO GEOGRFICO AGUSTN CODAZZI
Bogot D.C.

2001





ANLISIS Y TRATAMIENTO DIGITAL DE IMGENES
Clasificacin de Uso y Cobertura del Suelo









CARLOS J. MUOZ MONTOYA
cjmunozm@yahoo.com



Profesora:
Dra. HELENA POSADA
Especialista en Geomtica






UNIVERSIDAD PEDAGGICA Y TECNOLGICA DE COLOMBIA
INSTITUTO GEOGRFICO AGUSTN CODAZZI
Bogot D.C.

2001







CONTENIDO


0. INTRODUCCIN

1. ETAPAS DE PRE-PROCESAMIENTO DIGITAL DE IMGENES
1.1 CARACTERSTICAS DE LA IMAGEN
1.2 SISTEMA DE PROCESAMIENTO DIGITAL DE IMGENES
1.3 DESPLIEGUE Y ANLISIS ESTADSTICO POR BANDAS
1.3.1 Banda 1: Azul
1.3.2 Banda 2: Verde
1.3.3 Banda 3: Rojo
1.3.4 Banda 4: Infrarrojo cercano
1.3.5 Banda 5: Infrarrojo medio
1.3.6 Banda 6: Infrarrojo termal
1.3.7 Banda 7: Infrarrojo cercano
1.4 DESPLIEGUE Y ANLISIS DE COMPOSICIN
1.4.1 Identificacin y anlisis de cobertura
1.4.2 Perfil espacial
1.5 MEJORAMIENTOS
1.5.1 Mejoramiento espacial

2. ETAPAS DEL PROCESAMIENTO DIGITAL DE IMGENES
2.1 CORRECCIN GEOMTRICA LOCAL
2.2 MEJORAMIENTO
2.2.1 Mejoramiento por Contraste
2.2.1.1 Contraste / Brillo
2.2.1.2 Contraste Lineal / Gama
2.2.1.3 Contraste Suavizado
2.2.1.4 Contraste por Ecualizacin del Histograma
2.2.2 Filtrajes
2.2.2.1 Filtros de Paso Bajo
2.2.2.2 Filtros de Paso Alto
2.2.3 Mejoramiento Espectral
2.2.3.1 Componentes Principales
2.2.3.2 ndice de Vegetacin
2.3 CLASIFICACIN DIGITAL DE USO Y COBERTURA DEL SUELO
2.3.1 Clasificacin No Supervisada
2.3.2 Clasificacin Supervisada
2.3.2.1 Elaboracin de la Leyenda
2.3.2.2 Definicin de reas de entrenamiento
2.3.2.3 Anlisis de las estadsticas de las reas de entrenamiento
2.3.2.3.1 diagrama de signaturas de los niveles digitales
2.3.2.3.2 Diagramas de dispersin
2.3.2.3.3 Anlisis de divergencia
2.3.2.3.4 Matriz de contingencia
2.3.2.4 Ejecucin de la Clasificacin
2.3.2.5 Verificacin de Resultados de la clasificacin
2.3.2.6 Composicin del Mapa de Uso y Cobertura del Suelo

CONCLUSIONES
REFERENCIAS BIBLIOGRFICAS





LISTA DE FIGURAS Y TABLAS


Figura 1. Satlite Landsat
Figura 2. Imagen de la Sabana de Bogot D.C.
Figura 3. Firmas espectrales de las principales coberturas
Figura 4. Histograma e imagen de la banda 1: Azul
Figura 5. Histograma e imagen de la banda 2: Verde
Figura 6. Histograma e imagen de la banda 3: Rojo
Figura 7. Histograma e imagen de la banda 4: Infrarrojo cercano
Figura 8. Histograma e imagen de la banda 5: Infrarrojo medio
Figura 9. Histograma e imagen de la banda 6: Infrarrojo termal
Figura 10. Histograma e imagen de la banda 7: Infrarrojo cercano
Figura 11. Composicin en Imgenes Landsat
Figura 12. Firmas espectrales obtenidas de la imagen
Figura 13. Perfil espacial
Figura 14. Perfiles radiomtricos por bandas
Figura 15. Sistema de Coordenadas
Figura 16. Puntos de Control (GPS)
Figura 17. Coordenadas de Puntos de Control y Error Medio Cuadrtico (RMS)
Figura 18. Imagen Georeferenciada
Figura 19. Mejoramiento Contraste / Brillo
Figura 20. Mejoramientos por Contraste Gama y Lineal
Figura 21. Contraste Suavizado
Figura 22. Contraste por Ecualizador del Histograma
Figura 23. Aplicacin de Filtros
Figura 24. Primer y Segundo Componente Principal
Figura 25. Tercer componente y Composicin RGB: 1-2-3
Figura 26. ndice de Vegetacin
Figura 27. Clasificacin de Uso y Cobertura del Suelo: No supervisada
Figura 28. Mapa de Clasificacin de Cobertura y Uso del Suelo:NoSupervisada
Figura 29. reas de entrenamiento
Figura 30. Editor de firmas
Figura 31. Diagrama de signaturas de los niveles digitales
Figura 32. Diagramas de dispersin espectral entre cubiertas
Figura 33. Diagramas de dispersin espectral entre cubiertas
Figura 34. Clasificacin Supervisada
Figura 35. Verificacin Visual
Figura 36. Anlisis de correspondencia de puntos aleatorios
Figura 37. Imagen final filtrada
Figura 38. reas por categoras (Ha)
Figura 39. Mapa de Uso y Cobertura del Suelo por Clasificacin Supervisada





LISTA DE TABLAS

Tabla 1. Estadstica descriptiva por bandas
Tabla 2. Anlisis visual entre combinacin de bandas
Tabla 3. Niveles digitales por categoras
Tabla 4. Matriz de Autovalores
Tabla 5. Vector de Autovalores
Tabla 6. Resumen de Clasificacin No Supervisada
Tabla 7. Elaboracin de la Leyenda
Tabla 8. Media y desviacin tpica de las categoras seleccionadas
Tabla 9. Traslape radiomtrico entre bandas
Tabla 10. Matriz de error en reas de muestreo



















0. INTRODUCCIN

La teledeteccin como una herramienta para la captura, procesamiento y anlisis
de informacin obtenida sobre y/o bajo la superficie terrestre debido a la propiedad
que tienen cada uno los cuerpos de emitir la energa de una fuente externa, ha
sido trascendental en la realizacin de inventarios de uso y cobertura del suelo,
impactos ambientales, yacimientos mineros, deteccin de desastres, propagacin
de enfermedades, control de incendios y deforestacin entre muchas otras
aplicaciones, en grandes espacios y en tiempos prcticamente reales.













altitud: 822 Km.
periodo: 101 min
ciclo: 26 das
Satlite LandSat
N
Figura 1. Satlite Landsat TM-5
En la imagen se observa la orbita y altitud de un satlite de deteccin


En el presente informe se pretende el conocimiento y resumen del proceso ha
seguir para obtener como objetivo principal la clasificacin del uso y cobertura del
suelo, en cada una de sus diferentes fases, como trabajo complementario al curso
de Sensores Remotos y como apoyo a la gua prctica de anlisis digital de
imgenes.


ANLISIS Y TRATAMIENTO DIGITAL DE IMGENES
Clasificacin de Uso y Cobertura del Suelo

Para cualquier proyecto el primer paso a realizar es determinar sus objetivos,
alcances y limitaciones para un escenario especfico, en un periodo de tiempo
determinado. Para este proyecto se ha fijado como objetivo primordial realizar una
clasificacin de usos y cobertura del suelo utilizando para ello una imagen del
programa espacial Landsat TM-5 de la Sabana de Bogot del ao 1994; siendo
esta una limitante temporal debido a que no es posible realizar una exploracin de
campo sobre los usos y coberturas actuales para contrastar la informacin, pero
sin embargo debido a que la dinmica agrcola de la sabana tiende a variar poco,
se realiz un anlisis preliminar sobre fotografas areas de una poca similar a la
fecha de toma; con lo cual se obtuvo una idea general de los usos y cobertura
predominantes en la poca.
AREA DE ESTUDIO
La imagen cubre la Sabana de Bogot desde la represa de Tomin al norte hasta
la represa del Mua hacia el sur; por el oriente con los cerros del macizo de
Sumapaz y hacia el occidente con los municipios de Subachoque, Tenjo, Cota y
Madrid, con una extensin de 185Km
2
.

1. ETAPAS DE PRE-PROCESAMIENTO DIGITAL DE IMGENES

La etapa del preprocesamiento digital de imgenes, est conformada por cuatro
fases que se desarrollarn a continuacin: Lectura de la imagen, despliegue,
anlisis de los valores digitales y correcciones radiomtricas y geomtricas

1.1 CARACTERSTICAS DE LA IMAGEN
El programa norteamericano Landsat TM-5, cuenta con mapeador temtico,
constituido por un equipo de barrido multiespectral constituido por cerca de 100
sensores, con una resolucin espacial de 30 metros, espectral de 7 bandas, tres
del espectro visible y 4 del infrarrojo y una resolucin radiomtrica de 8 bits (256
niveles digitales de informacin) (Chuvieco: 1996, 126).













Figura 2. Imagen de la Sabana de Bogot
N
Los sensores del programa Landsat, reciben la radiacin proveniente de una
fuente exterior a ellos, a travs de unos detectores sensibles a unas longitudes de
onda predeterminadas y organizadas por bandas conocidas como imgenes
multiespectrales. Los cuerpos tienen una forma peculiar de reflejar o emitir energa
y ello depende de las caractersticas fsicas o qumicas del objeto que interacciona
con la energa electro magntica y vara segn las longitudes de onda, estas
propiedades se grafican por medio de firmas espectrales (Chuvieco, 563).
La figura siguiente, representa las curvas espectrales de las principales coberturas
terrestres, dando una idea de su comportamiento radiomtrico denominado como
firmas o respuestas espectrales (Salvatierra & Lpez, 6).

























Infrarrojo Medio Ic Visible
Figura 3. Firmas espectrales de las principales coberturas
En la figura se observa que las bandas del infrarrojo presentan una mayor
separacin entre las coberturas en su respuesta espectral y por lo tanto la
diferenciacin y clasificacin de las mismas es ms fcil.

1.2 SISTEMA DE PROCESAMIENTO DIGITAL DE IMGENES
Para el anlisis de la imagen de la zona de estudio, se trabaj con el
programa ERDAS IMAGINE, Inicialmente importando y realizando
una conversin del formato original de la imagen Bogota94.lan a
Bogota94.img, esto con el fin de proteger la integridad de la
informacin de la imagen original y trabajar con una copia de la
misma.
1.3 DESPLIEGUE Y ANLISIS ESTADSTICO POR BANDAS
Una vez se despliega de la imagen cada una de las bandas, se
procede a realizar un anlisis inicialmente visual, para desglosar sus
ventajas y desventajas con respecto a la identificacin de las
diferentes coberturas y usos del suelo en cada layer y contrastarlo a
travs del cuadro de estadsticas que mide la respuesta radiomtrica
de cada uno de los cuerpos a travs de los niveles digitales (ND).

ESTADISTICA DESCRIPTIVA

min mx media Rango Varianza Desv Est Espectro Electromagntico
Banda 1 30 255 49.817 225 386.52 19.66 0.45-0.52m Azul
Banda 2 9 255 24.295 246 181.71 13.48 0.52-0.60m Verde
Banda 3 8 255 24.125 247 291.73 17.08 0.63-0.69m Rojo
Banda 4 2 255 64.562 253 633.53 25.17 0.76-0.90m Infrarrojo cercano
Banda 5 1 255 60.663 254 645.67 25.41 1.55-1.75m Infrarrojo medio
Banda 6 32 147 114.377 115 111.94 10.58 10.4-12.5m Infrarrojo termal
Banda 7 0 255 24.444 255 225.60 15.02 2.08-2.35m Infrarrojo medio
Tabla 1. Estadstica Descriptiva por Bandas
El anlisis estadstico se resume en la evaluacin de los parmetros de tendencia
central de cada banda espectral de una imagen por separado y en conjunto, as
como: valores mnimo, mximo, rango, media aritmtica, desviacin estndar
varianza, histogramas, covarianza y coeficiente de correlacin y caractersticas de
las firmas espectrales. Estas medidas permiten valorar la informacin radiomtrica
de una imagen y tener una idea sobre el nivel de su calidad, heterogeneidad y
separabilidad (Salvatierra & Lpez: 2001, 14). Inicialmente se realizar un anlisis
por separado de las bandas y posteriormente en la fase de clasificacin de uso y
cobertura se realizar un anlisis conjunto.
En la tabla anterior se observan los principales resultados estadsticos de cada
una de las bandas que conforman la imagen Bogota95.img y su correspondiente
rango espectral.

1.3.1 Banda 1: Azul (0.45-0.52m)

Del cuadro de estadstica descriptiva el rango determinado como el intervalo entre
el mximo y el mnimo, es de 225ND, pero al observar el histograma, se aprecia
que este no tiene valores representativos mas all de 90ND (d), por lo que el
intervalo efectivo es de 58 ND (d-a), lo cual debido a su estreches, la
diferenciacin de coberturas tiende a ser confusa por el poco contraste, limitado a
la diferenciacin del agua y la cobertura vegetal, caracterstico en este tipo de
sensor; similarmente se observa que la tendencia del histograma es bimodal,
aspecto que podra resultar ventajoso en el sentido que se puede realizar una
anlisis entre las dos curvas (a, b, c y c, d) y obtener alguna categorizacin fiable;
los niveles digitales de estas curvas se especifican a continuacin:
a = 32, b = 45, c = 60, d = 75, e = 90
Tambin se observa que el valor mnimo se aleja demasiado del cero, lo cual
significa la presencia de dispersin atmosfrica, lo cual es comn para pequeas
longitudes de onda como es la del azul en esta banda.
La resolucin radiomtrica del sensor, para el espectro electromagntico visible
del azul, presenta una mejor penetracin en aguas claras, deteccin de turbideces
y contaminantes en el agua, estudios oceanogrficos y es til adems para la
deteccin de aspectos antrpicos, cmo reas urbanas o vas de comunicacin.


















d
c
a
b
Figura 4. Histograma e imagen de la banda 1: Azul

En la imagen se identifica el rea urbana lo cual contrasta con los grises oscuros
que se asocian a la cobertura vegetal.


1.3.2. Banda 2: Verde (0.52-0.60m)

Del cuadro de estadstica descriptiva, el intervalo es de 246ND, pero al observar
en el histograma, mas all de 51ND (c), los dems valores no son representativos
y debido a la estrechez, la clasificacin tiende a ser difcil debido al pobre
contraste; esto tambin se observa por la picusoidad de la curva y a pequea
desviacin estndar; la resolucin radiomtrica del sensor tiene una buena
penetracin del agua facilita la discriminacin entre aguas claras y turbias, la
deteccin de derrames de petrleo y la contaminacin. Los niveles digitales
mximos y mnimos se especifican a continuacin: a = 11, b = 22, c = 51
En la imagen se observa sin entrar en detalle, el rea urbana, la vegetacin y
grandes cuerpos de agua.





















b
c a
Figura 5. Histograma e imagen de la banda 2: Verde

1.3.3 Banda 3: Rojo (0.63-0.69m)

Similar que las bandas anteriores, el intervalo aparentemente es amplio (247ND),
pero al observar el histograma, los niveles digitales son representativos hasta
62ND (d), lo cual limita el intervalo efectivo a 54 ND y debido a su estrechez
(desviacin estndar pequea), lo cual se observa en la grfica por ser picuda y
alargada hacia arriba; la categorizacin de coberturas tambin tiende a ser
limitada debido al pobre contraste, no siendo fcil la identificacin de detalles
debido a la gran concentracin de grises oscuros. A continuacin se especifican
los niveles digitales de los limites de clase: a = 9, b = 18, c = 35, d = 62

d
c
b
a















Figura 6. Histograma e imagen de la banda 3: Rojo
La resolucin radiomtrica del sensor, para el espectro electromagntico visible
del rojo, se destaca el vigor de la vegetacin, la deteccin de plantas enfermas y
sanas, se discrimina el color del follaje.
En la imagen se observa un bajo contraste, sin embargo se puede identificar el
rea urbana, la vegetacin y cuerpos de agua.

1.3.4 Banda 4: Infrarrojo cercano (0.76-0.90m)
La resolucin radiomtrica del sensor, para el espectro electromagntico del
infrarrojo cercano, facilita diferenciar el suelo, la biomasa, el estrs de la
vegetacin, diferenciacin entre conferas y latifoliadas y los cuerpos de agua.



















c
b
a
Figura 7. Histograma e imagen de la banda 4: Infrarrojo cercano
Del cuadro de estadsticas se observa que el intervalo definido entre el mayor y el
menor nivel digital es de 253ND, pero al observar el histograma, valores por
encima de 135ND, no son representativos; por lo tanto el intervalo representativo
(c-a) es de 130 ND, adems la curva es amplia siendo indicador de la
heterogeneidad radiomtrica de la banda, por lo cual es posible diferenciar una
diversidad de categoras debido al contraste que ofrece la imagen; los niveles
digitales mximos y mnimos se especifican a continuacin: a = 5, b = 65, c = 135.

1.3.5 Banda 5: Infrarrojo medio (1.55-1.75m)
Al analizar el cuadro de estadsticas, el intervalo para esta banda es de 254ND,
pero al analizar el histograma, niveles por encima de 128ND, no son
representativos, lo cual da como resultado un intervalo efectivo de (a-c) 123ND,
por lo cual similar a la anterior banda, el espectro es amplio para realizar una
mayor y ms precisa clasificacin diferenciando diversidad de detalles; los niveles
digitales mximos y mnimos se especifican a continuacin: a = 5, b = 64, c = 128
Este sensor permite diferenciar, contenidos de humedad en la vegetacin y el
suelo.

















Figura 8. Histograma e Imagen de la banda 5: Infrarrojo medio
b
a c

1.3.6 Banda 6: Infrarrojo Termal (10.4-12.5m)
Analizando el cuadro de estadsticas, el intervalo es de 115ND, pero al observar el
histograma se aprecia una curva principal (a, b, c) con un intervalo efectivo de
42ND, siendo por lo tanto este muy estrecho, lo cual se refleja en la desviacin
estndar; similar a las bandas 1,2 y 3, ofrece un bajo contraste. Los niveles
digitales representativos se especifican a continuacin:
a=91, b=119, c=133 y d=32.
Esta banda termal es importante en estudios relacionados niveles de emisin de
calor, gases, humo, e incendios e inercia termal diurna y estacional.


















d
c
b
a
Figura 9. Histograma e imagen de la banda 6: Infrarrojo trmico
1.3.7 Banda 7: Infrarrojo Cercano (2.08-2.35m)

Al analizar el cuadro de estadsticas se observa que el intervalo es de 255ND,
pero al observar el histograma valores mayores a 78ND, no son representativos;
por lo tanto el intervalo efectivo es de 76ND; obsrvese que el histograma tiende a
ser picudo y sesgado hacia la derecha. Los niveles digitales representativos son:
a=2, b=18, c=78. La resolucin radiomtrica del sensor, para el espectro
electromagntico del infrarrojo cercano, detecta la emisin de calor y humo debido
a la presencia de incendios, deteccin del smock, del calor diurno y nocturno.
Al analizar grfica y estadsticamente las bandas de la imagen se puede concluir
que en el rango visible (bandas 1, 2 y 3), el contraste en la imagen es bajo y el
histograma tiende a ser picudo con un rango pequeo; esto es debido a que la
respuesta espectral entre algunas categoras es pequea y puede conducir a
confusin (suelo orgnico, con agua y cobertura) por lo tanto su clasificacin es de
mayor cuidado (ver figura de firmas espectrales); por otro lado en el espectro del
infrarrojo (bandas 4,5 y 7) ocurre lo contrario, hay un buen contraste y por lo tanto
se puede con mas claridad diferenciar el suelo de la vegetacin; y es debido a que
la respuesta espectral es amplia entre ellas.


















Figura 10. Imagen de la banda 7: Infrarrojo Cercano
c
b
a


1.4. DESPLIEGUE Y ANALISIS DE COMPOSICIONES

El despliegue de una o varias imgenes puede realizarse de diversas maneras: en
tonos de grises, en falso color o a travs de composiciones de 3 bandas que se
despliegan cada una en un caon diferente, rojo, verde o azul; de acuerdo al
orden de la banda de la imagen a ser desplegada y al caon de salida utilizado, se
realzan algunas caractersticas de la superficie sobre otras; a continuacin se
explicar algunas de las composiciones ms comunes:

7,5,2 5,4,3 4,5,3
















Figura 11. Composiciones en Imagenes Landsat
Las composiciones 4-5-3 y 5-4-3, resaltan la vegetacin y permite una amplia y
mayor diferenciacin de usos y cobertura del suelo; la composicin 7-5-2, no
facilita una diferenciacin clara de la diversidad de cobertura vegetal, pero el
contraste facilita la identificacin entre el suelo, la cobertura y los cuerpos de agua.
En el siguiente cuadro se resume una interpretacin visual cromtica de los
diversos usos del suelo identificados y contrastados por colores en cada una de
las imgenes:
Cobertura \ Composicin 4-5-3 5-4-3 7-5-2
Cuerpos de agua Azul oscuro Azul rey Azul oscuro
Vegetacin pramo Verde oliva Rojo morado Verde amarillo oscuro
Bosques Caf Verde oscuro Verde oscuro
Pastos naturales (rastrojos y malezas) Verde medio Morado medio Verde claro amarillento
Invernadero 1 Blanco-morado Blanco morado Blanco-azul medio
Invernadero 2 Morado Morado medio Blanco
Pastos manejados Naranja Verde claro Verde oscuro a medio
Cultivo de Papa Verde claro Rojo Amarillo oscuro
Erosin Azul verdoso Morado claro Amarillo claro
Zona urbana Azul grisceo Morado oscuro Rosado oscuro
Nubosidad Blanco Blanco Blanco
Sombras Negro Negro Negro
Tabla 2. Anlisis visual entre combinaciones de bandas


1.4.1 Identificacin y Anlisis de Coberturas
A partir de la composicin de las bandas 4-5-3 en falso color, se identifican
coberturas de cuerpos de agua, vegetacin, usos del suelo, suelos, nubes y
proyeccin de sombras. En la tabla se identifica la respuesta espectral, en cada
una de las bandas.
NIVELES DIGITALES
COBERTURA B1 B2 B3 B4 B5 B6 B7 Comp. 4-5-3
Cuerpos de Agua 54 32 36 11 4 110 2 Azul oscuro
Vegetacin de Pramo 38 19 19 51 58 113 20 Verde oliva
Bosques 36 14 11 48 19 104 6 Caf
Pastos naturales 40 20 22 47 66 112 27 Verde medio
Invernadero 1 116 62 73 89 93 118 47 Blanco-morado
Invernadero 2 82 38 42 71 56 110 20 Morado
Pastos manejados 46 24 19 102 65 113 19 Naranja
Cultivo de Papa 53 23 29 41 128 127 74 Verde claro
Erosin 62 37 51 60 126 120 65 Azul verdoso
Zona Urbana 69 34 39 34 58 129 39 Azul grisceo
Nubes 255 216 255 227 255 95 127 Blanco
Sombras 8 16 12 18 13 109 5 Negro
Tabla 3. Niveles Digitales por categoras
De la tabla se puede concluir que los niveles digitales para las bandas 1, 2 y 3 en
algunos casos tienden a ser cercanos como es el caso de la vegetacin de
pramo y bosques, zonas urbanas e invernaderos, lo cual dificulta una
identificacin clara sobre la imagen, siendo necesario aplicar contrastes para
lograr su separacin. Los ND de las bandas 4 y 5 presentan una buena separacin
y por lo tanto un buen contraste sobre la imagen siendo ms ntida la identificacin
de las diversas categoras.

















Figura 12. Firmas Espectrales obtenidas de la imagen
Obsrvese del diagrama de firmas espectrales, como en la banda 1, 2 y 3 es
posible diferenciar reas urbanas, cobertura vegetal y agua, la clasificacin en
detalle es de cuidado debido a la estrechez de las firmas; las bandas 4 y 5
permiten una mejor diferenciacin de las diversas categoras determinadas en la
imagen; la banda 6 termal dificulta la separacin de clases, debido a que el
objetivo de esta es la de diferenciar focos de calor y humedad.
De lo anterior se puede concluir que las bandas 4 y 5 son indispensables para
realizar un anlisis de uso y cobertura del suelo.

1.4.2 Perfil Espacial
El objetivo de graficar el perfil es desplegar los valores radiomtricos de una
seccin de la imagen en cada una de las bandas y observar su respuesta en cada
una de las categoras del terreno.













Figura 13. Perfil espacial
Este perfil se ha localizado hacia el norte del rea de estudio en los alrededores
de la represa de Tomin; tomando como origen el oeste, el eje atraviesa una zona
de cultivos, pastos naturales y algunos relictos de bosque, el embalse y suelo
erosionado.

Figura 14. Perfiles radiomtricos
por banda
Agua Cultivos
Cultivos Agua
Banda 7
Banda 6 Banda 5 Cultivos Agua
Banda 4 Banda 3
Banda 2 Banda 1


















Como puede observarse en los respectivos perfiles radiomtricos, las bandas 4, 5
y 7 dan un mejor contraste, debido a que hay mayor diferencia espectral en sus
niveles digitales entre las diferentes categoras con que se clasifico el terreno; los
valores ms bajos determinan la respuesta espectral del agua y la cobertura
vegetal los ms altos respectivamente.
La banda 1, 2 y 6, no ofrecen contraste. La banda 3 los cultivos y las zonas de
erosin presentan algo de contraste debido a la sinuosidad aunque no es
claramente diferenciable; en la banda 4 se diferencia el agua claramente de las
dems categoras, en la banda 5 se diferencian los cuerpos de agua, la vegetacin
arbrea natural con valores bajos y la erosin y cultivos con valores altos. En la
banda 7 se observa una tenue diferencia entre la cobertura vegetal, el agua y las
zonas de erosin.


2. ETAPAS DEL PROCESAMIENTO DIGITAL DE IMAGENES

En esta fase una vez determinadas las bandas y composicin sobre el cual se va
a realizar la clasificacin de uso y cobertura del suelo, se define la leyenda de
trabajo y se procede a corregir geomtricamente la imagen a travs de la
georeferenciacin; posteriormente se aplican mejoramientos utilizando contrastes
y filtros con el fin de identificar con mayor precisin las diversas categoras a
diferenciar y por ltimo se realiza la clasificacin supervisada y/o no supervisada
como proceso previo a la edicin y salida final del mapa, objetivo del estudio.

En este punto se pudo concluir que las bandas del infrarrojo cercano y medio (4,5)
y la banda azul (4) del espectro visible, en la composicin 4, 5,3 es la que mejor
contraste ofrece, como pudo analizarse en los respectivos anlisis estadsticos. La
leyenda de trabajo para el uso y cobertura del suelo se ha determinado para:
Cuerpos de Agua, Vegetacin de Pramo, Bosques, Pastos Naturales,
Invernaderos 1 y 2, Pastos Manejados, Cultivos de Papa, reas de Erosin y
Urbanas y la presencia de Nubes y Sombras.


2.1 CORRECCIN GEOMTRICA LOCAL

El propsito es eliminar las distorsiones geomtricas de la imagen, adaptndola a
un sistema de proyeccin cartogrfica a travs de la georeferenciacin de la
imagen, para ello se trata de modificar la posicin original de los pxeles en la
imagen tomando como referencia puntos de control de coordenadas reales
obtenidas por GPS o a travs de cartografa base.
La imagen de la Sabana de Bogot, se georeferenciar inicialmente a travs del
sistema de coordenadas de proyeccin: Transversal Mercator, tomando como
referencia el elipsoide internacional de 1909, con origen de coordenadas en el
Datum del Observatorio Astronmico de Bogot, localizado en las coordenadas
geogrficas 740451.3 W y 43556.57 N y coordenadas planas 1000.000 m. N
y 1000.000 m. E.











Figura 15. Sistema de Coordenadas
Posteriormente se localiza una nube de puntos de control (GPS) previamente
identificados sobre la imagen y ploteadas sus coordenadas sobre cartografa a
escala 1:50.000 del rea de estudio. Se identificaron 25 puntos y sus homlogos
en la cartografa, tomando con preferencia intersecciones entre vas, cuerpos de
agua, bifurcaciones, esquinas, etc. distribuidas por toda la imagen y fcilmente
identificables; a medida que se georeferencian los puntos, a travs de una
trasformacin Polinomial se calcula el error medio cuadrtico (RMS), el cual debe
ser menor a 1, para garantizar precisin en la correccin a efectuar; por lo tanto de
los puntos de control se eliminaron los que mayor error presentaron hasta lograr
un ajuste de mnimo 15 puntos.






















Figura 10. Contraste por Histograma Ecualizador


Figura 16. Puntos de Control (GPS)
En el proceso de georeferenciacin a partir de la adicin de coordenadas de los
puntos de control, se calcul el RMS en X e Y obtenido, el cual es menor a la
unidad y el error cuadrtico medio total es de 0.9782, por lo cual se considera la
transformacin y ajuste precisa.
Una vez obtenida la correccin geomtrica de la imagen, se salva la nueva
imagen.

















Figura 17. Coordenadas de Puntos de Control y Error Medio Cuadrtico (RMS)

Por ltimo se ajusta las coordenadas de la imagen con las del mapa a travs de
una transformacin por el mtodo del vecino ms cercano. El valor del pxel que
ocupa la coordenada ms cercana de la imagen respecto a la estimada ser
usado por el valor del pxel de salida en la imagen georreferenciada. Como
ventajas se considera su clculo fcil, rpido y la conservacin de los valores de
salida originales de entrada.















Imagen Original
Imagen Corregida
Figura 18. Imagen Georeferenciada
2.2 MEJORAMIENTOS

El mejoramiento de una imagen es el proceso de transformacin de la misma en
una forma ms interpretable para el ojo humano con miras a alguna aplicacin en
particular. Existen tres tipos de mejoramientos: espacial, radiomtrico y espectral.

2.2.1 Mejoramiento por Contraste
Los procesos de ajuste del contraste tienden a adaptar la resolucin radiomtrica
de la imagen a la capacidad del monitor de visualizacin, algunos de ellos tienden
a expandir los ND contrastando los detalles de la imagen o por el contrario a
contraer como proceso contrario, homogenizando la informacin con menos
niveles digitales (Chuvieco, 278). Este mejoramiento modifica los niveles digitales
(ND) de los pxeles a partir de los ND vecinos, en funcin de la frecuencia de los
mismos.
A continuacin se mostrarn los cambios en la imagen al aplicar diversos
contrastes:

2.2.1.1 Contaste / Brillo

Al aplicar el mejoramiento espacial Contast / Bright; se observa como la imagen
contrasta a valores altos y bajos de brillo, o por el contrario se suaviza al disminuir
el contraste e incrementar el brillo; con lo cual es posible realzar detalles u
homogeneizar otros.

Imagen original Bajo contraste / Alto brillo Alto contraste / Bajo Brillo














Figura 19. Mejoramiento Contraste / Brillo


2.2.1.2 Contraste Lineal / Gama

Al aplicar este mejoramiento se observa como en el contraste gama, los detalles
de la superficie se resaltan, contrastando a valores altos y con el contraste lineal la
imagen pierde contraste y brillo homogenizando la superficie.
Como puede observarse de la figura anterior los mejoramientos resaltan o atenan
la composicin de los ND de la imagen, siendo por lo tanto posible resaltar u
homogeneizar reas a identificar sobre la superficie.

























Imagen Original
Contraste Lineal
Contraste Gama
Figura 20. Mejoramientos por contraste Gama y Lineal

2.2.1.3 Contraste Suavizado















Figura 21. Contraste Suavizado (Smooth)
Original
Smooth
Al aplicar este contraste la superficie tiende a homogeneizarse disminuyendo los
niveles de contraste, este contraste es til para delinear reas con caractersticas
similares; ej: reas de cultivos, urbanas, etc.

2.2.1.4 Contraste por Ecualizacin del Histograma
En este realce se tiene en cuenta la distribucin de frecuencias de los ND, y por lo
tanto aquellos ND que tengan mayor frecuencia, tendrn mayor proporcin en la
visualizacin de la imagen. Los resultados generados dan un mayor realce, por lo
que es posible discriminar mayor cantidad de detalles de la superficie.















Figura 22. Contraste por Ecualizacin del Histograma
Ecualizador Original

2.2.2 Filtrajes
Los filtros se aplican en el anlisis digital para aislar componentes de inters;
mediante esta tcnica se pretende suavizar o reforzar los contrastes de tal forma
que los ND de la imagen se asemejen o diferencien ms de los correspondientes a
los pxeles que les rodean (ibit, 307).

2.2.2.1 Filtros de Paso Bajo (Low Pass Filter)
Estos filtros tienden a destacar el componente de homogeneidad en la imagen,
subrayando aquellas reas donde la frecuencia de cambio es baja. Tienen por
objetivo suavizar los contrastes espaciales presentes en la imagen, en otras
palabras se trata de asemejar el ND de cada pxel al de los pxeles vecinos,
reduciendo la variabilidad espacial de la escena. Como puede observarse en la
imagen siguiente filtrada, ofrece perfiles menos ntidos, ms difuminados,
perdindose contrastes espaciales que denotan fronteras entre cubiertas; se
diferencia con claridad el rea urbana y agrcola.

2.2.2.2 Filtros de Paso Alto (High Pass Filter)
Estos filtros van dirigidos a los componentes de alta frecuencia, es decir a aquellas
reas de alta variabilidad donde el contraste espacial es intenso. El objetivo es
aislar estos componentes de lata frecuencia, lo cual supone el remarcar
digitalmente los contrastes espaciales entre pixeles vecinos, enfatizando los
rasgos lineales presentes en la imagen como carreteras, permetros de parcelas,
accidentes geolgicos, entre otros. En la imagen se observa con claridad las
diferentes arterias viales del centro urbano.

Original
High pass
Low pass



















Figura 23. Aplicacin de Filtros

2.2.3 Mejoramiento Espectral
Este proceso permite comprimir bandas de un mismo tipo de imagen, extraer
nuevas bandas para hacerlas ms interpretables para el ojo humano, aplicar
transformaciones y algoritmos matemticos y desplegar una amplia variedad de
informacin en los tres caones de colores (red, green, blue) de despliegue
(Salvatierra & Lpez, 30).

2.2.3.1 Componentes Principales
El objetivo de esta tcnica es resumir un grupo amplio de variables en un nuevo
conjunto, ms pequeo sin perder una parte significativa de la informacin original.
En el campo de la teledeteccin, la adquisicin de imgenes sobre bandas
adyacentes del espectro, implica con frecuencia detectar una informacin
redundante, puesto que los tipos de cubierta tienden a presentar un
comportamiento similar en regiones prximas del espectro. Por ello, las medidas
realizadas en una banda pueden presentar una importante correlacin en las
deducidas de otra, haciendo una o varias de ellas prcticamente irrelevantes, por
lo que esta tcnica permite sintetizar las bandas originales, creando nuevas
bandas



BANDAS B1 B2 B3 B4 B5 B6 B7
B1 0.337 0.295 0.300 -0.471 -0.664 0.210 0.018
B2 0.182 0.280 0.098 -0.281 0.384 -0.308 0.745
B3 0.193 0.399 0.195 -0.248 0.431 -0.287 -0.658
B4 0.438 -0.040 -0.833 -0.278 0.072 0.157 -0.059
B5 0.439 0.341 -0.108 0.683 -0.275 -0.366 0.026
B6 0.626 -0.673 0.359 0.034 0.147 -0.028 -0.022
B7 0.192 0.320 0.158 0.301 0.349 0.785 0.070
Tabla 4. Matriz de Autovalores (i)
De la matriz de varianza-covarianza de las bandas que componen la imagen
original, se extraen los autovalores para cada uno de los componentes (i), estos
autovalores expresan la longitud de cada uno de los nuevos componentes, y, en
ltima instancia, la proporcin de informacin original que retienen (Chuvieco:
1996, 350).
De la tabla se observa la fuerte relacin positiva entre que tiene la B1con B4-5-6,
la B4 con 5, la B6 con 7 y la B7 con la 2.
Autovalores %
5079.73 82.4
598.48 9.7
334.15 5.4
130.41 2.1
10.86 0.2
9.10 0.1
1.61 0.1
Tabla 5. Vector de Autovalores
Los auto-valores muestran la variabilidad entre las bandas; de acuerdo a la tabla
la varianza original asociada a cada uno de los componentes puede expresarse
como 82.4% para el primer componente, 9.7% para el segundo, 5.4% para el
tercero y 2.1% para el cuarto componente. De acuerdo a los porcentajes se
seleccionaron nicamente los 3 primeros componentes que retienen el 97.5% de
la varianza original de la imagen.

2do. Componente 1er. Componente













Figura 24. Primer y segundo componente principal
La imagen del primer componente presenta una fisionoma muy similar a la de una
imagen pancromtica, con una valoracin indiferenciada de la mayor parte de las
cubiertas: bajos valores en el agua (negro), medios en la cobertura vegetal y altos
en los suelos desnudos (blancos).
La imagen de la segunda componente evidencia los sectores con una actividad
cloroflica alta, como son las zonas de cultivos y cobertura vegetal natural (gris
oscuro), los suelos descubiertos de vegetacin tienen valores bajos (blancos).














Composicin RGB 1:2:3 3er. Componente
Figura 25. Tercer componente y composicin RGB: 1-2-3
El tercer componente remarca las lminas de agua (blanco) y espacios edificados;
por el contrario la vegetacin presenta tonos gris medio a oscuro, en funcin de su
vigor, los cultivos regados tienen colores ms oscuros que la vegetacin natural.
La composicin en color rojo, verde, azul enfatiza la representacin visual de la
vegetacin en naranja y suelos descubiertos en azul blanco a medio, y en azul
oscuro donde hay cubierta vegetal densa con alta humedad.
Como conclusin puede analizarse la importancia de general nuevas imgenes
conformadas por bandas que representan los componentes principales,
eliminando la redundancia de informacin que se presenta en las siete bandas
originales.

2.2.3.2 ndice de Vegetacin
El ndice de vegetacin sirve para diferenciar reas con y sin vegetacin, e
inclusive para detectar en la banda roja e infrarroja cercana la vegetacin sana de
la enferma, lo cual contrasta por el mayor vigor de la primera, y bajo contraste en
la segunda.
Las transformaciones ms usuales son para las bandas 3 y 4 son:
El Cociente simple:
3
4
TM
TM
Coc =

ndice de vegetacin: El cual tiene la ventaja que reduce el efecto del relieve.

3 4
3 4
TM TM
TM TM
NDVI
+

=


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