TALLER SENSORES REMOTOS

CAROLINA GOMEZ ORTIZ C.C. 1036632488

ANLISIS ESPECTRAL
1. Abra las 7 bandas de la imagen entregada. Analice que informacin
entrega cada una de las bandas y que cobertura se logra distinguir en
cada una de ellas.

Figura 1. Imgenes representando cada una las 7 bandas del espectro electromagntico,B1- la
banda azul, B2- la banda verde, B3- la banda roja, B4- el infrarrojo cercano, B5- Infrarrojo medio,B6 y
B7 el infrarrojo lejano.

La imagen B1 mostrada en la parte inferior izquierda y B2 ubicada en la

parte superior izquierda, muestran claramente el lmite entre la
superficie terrestre y el cuerpo de agua, esto debido a que la imagen
corresponde a la banda azul y a la banda verde respectivamente. La
variabilidad del agua se hace clara a longitudes de onda cortas la azul y
la verde. El agua produce su mayor reflectividad en el azul y se reduce
paulatinamente hacia el inflarrojo cercano, donde ya prcticamente es
nula, lo contrario que pasa con la superficie terrestre, por lo cual es fcil
reconocer el lmite. Y la banda verde demarca mejor las zonas de agua
poca profundidad debido a que los contenidos de materiales en
suspensin (clorofilas por ejemplo) estn reflejando en esta banda. En la

imagen B3, B4, B5 y B7 se observan con ms claridad las caractersticas

de la superficie terrestre, que corresponden a rojo, infrarrojo cercano,
infrarrojo medio e infrarrojo lejano respectivamente. La vegetacin sana
presenta una elevada reflectividad en el infrarrojo cercano reducindose
hacia el infrarrojo medio. Cuando la clorofila no est ejerciendo
completamente su funcin se presenta una mayor reflectividad en la
banda roja, por lo que una hoja enferma con un color amarillento
corresponde la reflectividad de la banda verde + roja. El inflarrojo lejano
incluye es la proporcin emisiva del espectro terrestre, lo que explicara
la diferencia de imgenes entre la B6 y la B7 las dos correspondientes a
esta banda, ya que como tiene que ver con la emisin trmica las
imgenes tomadas en diferentes momentos pueden presentar grandes
diferencias en la seal que recibe el sensor.
2. Genere un layer stack. Y realice las siguientes combinaciones con la
imagen Landsat entregada: 321, 453, 752, 457, y otra de su gusto. Que
se observa con cada uno de las combinaciones?

Figura 2. Procedimiento para la realizacin del layer stack en el software Erdas.

Figura 3. Imagen del layer stack

Figura 4. Combinacin 3 2 1

Se diferencian bien las reas con coberturas, suelo desnudo, las nubes y el
agua a diferentes profundidades.

Figura 5. Combinacin 453

Se diferencian fuentes de agua, zonas de inundacin, las nubes, el relieve.

Figura 6. Combinacin 752

Se diferencia el agua, las coberturas, la zona urbana, relieve, las nubes

Figura 7. Combinacin 457

Se diferencian zonas de inundacion, el relieve, las zonas ocupadas por agua,

las nubes.

Figura 8. Combinacin 231

Se diferencia el agua a diferentes profundidades, la zona urbana, las nubes.

3. Equalice el histograma del layer stack.

Figura 9. Procedimiento para la ecualizacin del histograma en el software Erdas.

Figura 10. Histograma del layer stack sin la ecualizacin.

Figura 11. Layer stack con ecualizacin del histograma y la imagen del histograma ecualizado.

El histograma de frecuencias de cada banda nos informa como se distribuyen

los niveles digitales en una escena, en la Figura 10. Histograma del layer stack
sin la ecualizacin, nos muestra la distribucin del layer stack. Con la
ecualizacin lo que hacemos es una transformacin para que obtener para una
imagen de un histograma con una distribucin uniforme, como se observa en
Figura 11. Layer stack con ecualizacin del histograma y la imagen del
histograma ecualizado.
NDICES DE VEGETACIN Y TRANSFORMACIONES

Figura 12. Procedimiento para la realizacin de ndices en el software Erdas.

4. Genere los siguientes ndices con el layer stack:

Tasseled cap

Figura 13. Layer stack con el ndice Tasselep Cap.

NDVI

Figura 14. Layer stack con el ndice NDVI.

IR/R

Figura 15. Layer stack con el ndice IR/RI.

RGB a IHS (INTENSIDAD, TONO y SATURACIN). Analcelos y comprelos.

Figura 16. Layer stack con el ndice RGB a IHSI.

CLASIFICACIN
Seleccione una zona de la imagen entregada. Cree un shape de polgono de un
rea de 1.250.000 ha. y genere un AOI con dicho shape.

Figura 17. Procedimiento para la realizacin del shape que delimita el rea de inters en el ArcMap.

Figura 18. Procedimiento para la realizacin del AOI en el software Erdas.

Figura 19. Imagen del AOI layer.

rea de inters
Clasifique su porcin de imagen Landsat, usando mnimo 7 clases: pastos,
bosques, rastrojos, nubes, sombras, cuerpos de agua, zonas urbanas y cultivos.
Cree las semillas mediante la opcin New AOI Layer.

Figura 20. Procedimiento para la creacin de las semillas en el software Erdas, que permitirn la clasificacin del rea de
inters.

5. Clasificacin No Supervisada:
Lleve a cabo la clasificacin no supervisada con 7 clases usando los siguientes
mtodos:
K-MEANS
ISODATA

Figura 21. Imagen clasificacin no supervisada por medio del mtodo Isodata.

6.

Clasificacin Supervisada:

Lleve a cabo la clasificacin supervisada con las 7 clases indicadas

inicialmente. Defina al menos 5 polgonos de entrenamiento para cada clase.
Que diferencia encuentra entre los mapas generados?. Cual cree que es ms
ajustado a la realidad?

Figura 22. Imagen clasificacin en 7 categoras, cada categora con cinco semillas.

Figura 23. Imagen de estadsticas de las categoras de clasificacin supervisada de la imagen.

Los cuerpos de agua que son el rio, el mar y las cinagas son los que menores
valores reflejan para la banda roja, lo que es lgico ya que la variabilidad del
agua, debido a la profundidad y a la rugosidad se reconoce en las longitudes de
onda corta (azul y verde). La zona urbana es la que refleja ms en las bandas
verdes y azules.

Figura 24. Imagen clasificacin supervisada.

La Figura 21. Imagen clasificacin no supervisada por medio del mtodo

Isodata y Figura 24. Imagen clasificacin supervisada, conservan un patrn
muy similar de clasificacin de coberturas. Las dos clasificaciones pueden ser
complementarias ya que la clasificacin supervisada utiliza nuestro
conocimiento del terreno pero si este conocimiento no es perfecto pueden
escaparse cosas que una clasificacin no supervisada detectara. Por lo tanto
para una mejor representacin de la realidad es bueno realizar la clasificacin
por los dos mtodos.
.