UNIVERSIDAD NACIONAL DE LOJA

Área Agropecuaria y de Recursos Naturales Renovables

Carrera de Ingeniería en Manejo y Conservación del Medio Ambiente
Ciclo VIII, Paralelo “B”

SILVA, Blanca Nohely

Ing. Oscar Juela (Docente)
02-03-2018 (FECHA)

1. Tema:
- Proceso de clasificación de imágenes satelitales utilizando el programa Arcgis
2. Objeto
- Clasificar imágenes satelitales
3. Objetivo
- Clasificar las imágenes mediante el método ´´clasificación mínima distancia´´ de las
diferentes años en el programa Argis

4. Introducción
Los avances en informática y tecnología de sensores remotos cambian la forma de recoger,
procesar y usar la información geoespacial. La teledetección y la visión artificial son
herramientas eficientes para procesar este tipo de información y facilitar el análisis de los datos,
permitiendo el seguimiento de los cambios en la superficie terrestre (Chen y Stow, 2003)

Se realizan esfuerzos para desarrollar métodos avanzados de clasificación y segmentación de

imágenes y técnicas para mejorar la precisión, pero clasificar datos obtenidos por teledetección
es un tema complejo (Chen et al., 2004; Lu y Weng, 2007; Tsenget al., 2008).

La clasificación de una imagen digital consiste en categorizar una imagen multibanda. Se pasa
de tener unos ND continuos medidos por los sensores a una escala nominal o categórica de
manera que cada píxel pertenece a una categoría definida previamente. El ND de un píxel
clasificado es, en definitiva, el identificador de la clase o categoría en la que se haya incluido.
Estas clases pueden describir distintos tipos de cubiertas (variable nominal o categórica) o bien
intervalos de una misma categoría de interés (variable ordinal).
Los primeros intentos de clasificación digital se basaban exclusivamente en los ND de la
imagen que es una traducción digital de un flujo energético recibido por un sensor para una
determinada banda del espectro. Este tipo de clasificación tiene como inconveniente que no
siempre permite separar cubiertas, ya que pueden existir distintas categorías temáticas que
tengan un comportamiento espectral similar. En estos casos es conveniente .(Luna, 2014).

5. Desarrollo
- Cargamos el COMPOSITE de nuestra imagen en color real

- Generamos un archivo de respuesta espectral, ingresamos a ARCTOOLBOX y

buscamos la herramienta ISO CLOUSTER y llenamos los campos correspondientes
agregamos 5 categorías
 - El siguiente paso buscamos la herramienta MAXIMUN LIKELIHOOD
CLASSIFICATION y llenamos el primer campo seleccionando el COMPOSITE
generado anteriormente

- se generó la clasificación correspondiente de acuedo a nuestras necesidades esto

corresponde a la fase de asignación

- Este procedimiento se realiza de la misma manera para todas las imágenes de sus
diferentes años
6. Resultados
Imagen 1986

imagen 1996
imagen 2006

imagen 2017
7. Discusión
Con el método de clasificación no supervisada se comprueba que los píxeles no coinciden
respectivamente con cada una de las clases que interpretamos en las imágenes con color real.
Depende de cuentas clases se observa, asignamos la clasificación, sin embargo el software nos
proporciona un resultado incierto, motivo por el cual nosotros como intérpretes podemos
realizar un cambio de colores de acuerdo al criterio propio. Por lo tanto se ha distinguido en
las imágenes la variedad de cubierta vegetal, cuerpos de agua, nubosidad, ruido. Determinando
que es un método inexacto y que lo más conveniente en este caso sería aplicar el método
supervisado.

La clasificación es un criterio más e incluirlo en la más a él, es decir en aquella misma distancia
cercana sencillo para clasificar un pixel y el centroide de la clases (Martínez, et al., 2013), sin
embargo (González. 1998). Afirma que: este método no es demasiado bueno ya que
sobreclasifica la imagen, es decir ningún pixel queda sin clasificar realmente es un problema
ya que es preferible dejar áreas sin clasificar que clasificarlas sin garantías.
El análisis de resultados considera diferentes clases vegetales de la clasificación no
supervisada, sin embargo, el método mínima distancia permite clasificar diferentes categorías
de la zona de estudio
En la validación del método los resultados permiten concluir que el método propuesto converge
satisfactoriamente a nuestras necesidades
8. Conclusiones
- Se logró aplicar la clasificación mínima distancia logrando los resultados esperados
- Se identificó las diferentes categorías en la zona de estudio de trabajo Distrito Federal
- Aplicando el método no supervisado en el software ArcGIS se pudo obtener las distintas
clasificaciones de los píxeles en los cuales nosotros mediante la interpretación de la imagen
debíamos identificar la clase a la que pertenecían por ejemplo si era vegetación, nubosidad,
cueros de agua, etc.

.
9. Bibliografía
Arango, M., Branch, J., & Botero, V. (2005). CLASIFICACIÓN NO SUPERVISADA DE
COBERTURAS CLASIFICACIÓN NO SUPERVISADA DE COBERTURAS VEGETALES
VEGETALESSOBRE IMÁGENES DIGITALES DE SENSORES REMOTOS: “LANDSAT –
REMOTOS: “LANDSAT – ETM+” . Medellin: Universidad Nacional de Colombia, Sede
Medellín.

Chuvieco, E. (2000). Fundamentos de Teledetección Espacial. Madrid: Ediciones Rialp S.A.

Jackson, R. y Huete, A. “Interpreting vegetation índices” Preventive Veterinary Medecine, 11,
1992 pp. 185-200. Elsevier Science Publishers, Amterdam.
Kiefer, T. M. (1987). Remote Sensing and Image interpretation. New York.

Luis, T. (13 de Octubre de 2016). Obtención de variables biofisicas. Obtenido de

http://www.um.es/geograf/sigmur/teledet/tema08.pdf

Márquez, f. (2004). Introducción a la Teledetección. México: Pax México.

Martínez, A., Gallud, J., & Abad, F. (2013). Distorsiones en la adquisición de imágenes de
Teledetección y su corrección. Valencia: Universidad de Valencia.