REPORTE DE ESTANCIA ACADÉMICA

Uso de tecnologías SIG y teledetección para la clasificación de imágenes

satelitales, como complemento del proyecto de investigación “Modelación
Hidrológica empírica del gasto de 100 años de periodo de retorno del río
Santa Mónica, bajo dos escenarios de uso de suelo”

Presenta:

Aketzalli Espejel Rodríguez

Co-tutor: Tutor:

Dr. Alfonso Calera Belmonte Dr. Adolfo Exebio García

Montecillos, México, enero de 2019.

 Contenido
1 INTRODUCCIÓN ........................................................................................................ 5

2 OBJETIVOS. ................................................................................................................ 7

2.1 Objetivo general .................................................................................................... 7

2.2 Objetivos particulares .......................................................................................... 7

3 MATERIALES Y MÉTODOS .................................................................................... 8

3.1 Descripción de la zona de estudio........................................................................ 8

3.1.1 Ubicación ............................................................................................................ 8

3.1.2 Clima .................................................................................................................. 8

3.2 Materiales ............................................................................................................ 11

3.3 Métodos ............................................................................................................... 12

3.3.1 Series temporales de imágenes de satélite, procesado básico. ......................... 12

3.3.1.1 Descarga de imágenes multiespectrales. ............................................... 12

3.3.1.2 Pre-procesamiento de imágenes. ........................................................... 12

3.3.1.3 Re muestreo imágenes Landsat. ............................................................ 14

3.3.2 Leyenda de los mapas de usos de suelo. ........................................................... 14

3.3.3 Cultivos y vegetación presentes. Su fenología y crecimiento. ......................... 15

3.3.4 Clasificación: Patrones temporales y espectrales. ............................................ 19

3.3.4.1 Obtención de curvas de NDVI............................................................... 19

3.3.4.2 Clasificación supervisada con de ERDAS IMAGINE 2014. ............... 25

3.3.5 Medida de la calidad de la clasificación. .......................................................... 33

4 RESULTADOS Y ANÁLISIS ................................................................................... 35

4.1 Curvas de NDVI. ................................................................................................ 35

4.2 Mapa temático .................................................................................................... 39

I
5 CONCLUSIONES ...................................................................................................... 40

6 AGRADECIMIENTOS ............................................................................................. 41

7 REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 42

II
 Índice de Figuras.
Figura 1. Ubicación geográfica de la cuenca del río Papalotla. .......................................... 8
Figura 2. Tipo de clima en la cuenca del río Papalotla........................................................ 9
Figura 3. Precipitación media anual de la cuenca del río Papalotla. ................................. 10
Figura 4. Mapa de uso de suelo y vegetación del 2013. .................................................... 14
Figura 5. Etapa fenológica de cultivo y variables climatológicas. .................................... 17
Figura 6. Etapa fenológica de un cultivo y variación del NDVI. ...................................... 18
Figura 7. SPIDER web-GIS, interfaz. ............................................................................... 20
Figura 8. Activación de la capa de NDVI y configuración de leyenda. ............................ 20
Figura 9. Activación de la capa RGB y ajuste de brillo. ................................................... 21
Figura 10. Obtención de información puntual. .................................................................. 22
Figura 11. Representación gráfica de la evolución temporal del NDVI para un punto en
particular. ........................................................................................................................... 23
Figura 12. Exportación de los puntos de interés, en formato “cvs” o “PNG”. .................. 23
Figura 13. Búsqueda de un sitio específico. ...................................................................... 24
Figura 14. Filtrado por porcentaje de nubosidad y selección del satélite. ......................... 25
Figura 15. Agregación de imágenes con NDVI en el entorno de trabajo. ......................... 26
Figura 16. Creación del “Layer Stack”. ............................................................................. 26
Figura 17. Creación del AOI. ............................................................................................ 27
Figura 18. Digitalización de las áreas de interés. .............................................................. 27
Figura 19. Asociación del área de interés con su respectiva firma espectral. ................... 28
Figura 20. Obtención de gráfica e histograma de las firmas espectrales de cada clase..... 29
Figura 21. Obtención del reporte estadístico. .................................................................... 29
Figura 22. Realización de la clasificación supervisada. .................................................... 30
Figura 23. Enlace entre Google Earth y la vista de trabajo en Erdas. ............................... 31
Figura 24. Introducción de variables en la herramienta Knowledge Engineering. ........... 32
Figura 25. Introducción de hipótesis. ................................................................................ 32
Figura 26. Introducción de reglas de decisión. .................................................................. 33
Figura 27. Curvas de NDVI promedio para cada tipo de cobertura. ................................. 35
Figura 28. Histograma de NDVI para cada tipo de cobertura en la imagen del 17 de abril
de 2017. ............................................................................................................................. 36
Figura 29. Histograma de NDVI para cada tipo de cobertura en la imagen del 16 de junio
de 2017. ............................................................................................................................. 37
Figura 30. Histograma de NDVI para cada tipo de cobertura en la imagen del 20 de
septiembre de 2017. ........................................................................................................... 37
Figura 31. Histograma de NDVI para cada tipo de cobertura en la imagen del 23 de
noviembre de 2017. ........................................................................................................... 38
Figura 32. Mapa temático de la cuenca del río Papalotla, 2017. ....................................... 39

III
 Índice de Cuadros.
Cuadro 1. Características de los tipos de clima presentes en la cuenca. ............................. 9
Cuadro 2. Características de las imágenes de satélite empleadas...................................... 11
Cuadro 3. Características de la carta de uso de suelo y vegetación empleada. ................. 11
Cuadro 4. Rango de valores de NDVI para cada cobertura y fecha de estudio................. 38

IV
1 INTRODUCCIÓN

El manejo de los recursos naturales, representa una de las preocupaciones del desarrollo en los
últimos años. Los cambios de uso de suelo y vegetación, son los mejores indicadores que
explican la interacción de los recursos naturales y la población.

Los análisis del uso del suelo a través del tiempo, se ha llevado a cabo mediante la elaboración de
mapas de cobertura, los cuales han evolucionado basándose en la fotogrametría y, posteriormente
con el desarrollo tecnológico, en la teledetección y Sistemas de Información Geográfica.

La evaluación del impacto del cambio de uso del suelo, utilizando modelos hidrológicos en
pequeñas cuencas o a nivel regional es ampliamente utilizado y ha demostrado su utilidad (Weng,
2001). Cada modelo, requiere de parámetros de entrada y es aquí donde radica la importancia de
los sensores remotos, los cuales permiten obtener información sobre el estado de una zona
geográfica. En términos relevantes para la modelación hidrológica: humedad del suelo, cobertura
y densidad de la vegetación, etc.

Sánchez et al.1, menciona que los parámetros relacionados a la cobertura y densidad de

vegetación que sirven de alimentación a los modelos hidrológicos, pueden obtenerse a partir de la
clasificación de imágenes satelitales mediante el análisis del índice de vegetación de diferencias
normalizadas (NDVI). El NDVI es una medida de la capacidad fotosintética de las plantas
(Ruymy et al., 1994) y la resistencia estomática con respecto a la transferencia de vapor de agua.
Los valores de NDVI altos son indicadores de presencia de la vegetación, mientras que valores
bajos representan lo más parecido a suelo desnudo.

El NDVI, es uno de los métodos ampliamente utilizados no solo en la distinción de coberturas y

detección de cambios; sino también en la asistencia del estado y necesidades hídricas de los

1
Sánchez, M.N., Rodríguez R.M., Martínez F. J., y Calera B.A. (2010). SIGPAC y series multitemporales
LANDSAT 15 TM como estrategia híbrida de clasificación de usos de suelo para aplicaciones hidrológicas. En
Congreso Nacional de Tecnologías de la Información Geográfica. Universidad de Sevilla. Disponible en:
http://www.age-geografia.es/tig/2010_Sevilla/ponencia3/SANCHEZ.pdf

5
cultivos mediante el análisis del desarrollo fenológico (Garrido et al., 2015 2y Villodre et al.,
20153).

Por otro lado de acuerdo a Chuvieco (2008)4, la clasificación de imágenes se divide en dos
grupos: los supervisados y los no supervisados. El primer grupo, parte de un grupo de elementos
pertenecientes a la imagen, conocidos como áreas de entrenamiento, de los que se conoce con un
nivel de exactitud alto la clase a la que pertenecen. La clasificación del conjunto de la imagen es
el proceso por el que a cada elemento contenido en la imagen se le asigna una categoría,
basándose en los atributos contenidos en las áreas de entrenamiento (Borrás et al, 2017). Los
métodos de clasificación supervisada son el paralelepípedo, la mínima distancia a la media, la
distancia de Mahalanobis y el de máxima probabilidad. El más utilizado es el de máxima
probabilidad ya que la calcula a nivel de pixel de clase temática; utiliza el vector de medias y la
matriz de varianzas- covarianzas para asignar a cada pixel la clase que maximice la función de
probabilidad (Dutta et al., 2006).

Este estudio, aplicó el método de clasificación supervisada por el método de máxima

probabilidad para clasificar usos de suelo, y análisis temporal del NDVI para discriminar
coberturas.

2
Garrido, R. J., González, G.M, Arellano, A.I., Madurga, DC.C., Navarro, C.DS.M., López, T.J., Calera, B.A.
(2015). Predicción de las Necesidades Hídricas con una Semana de Antelación Empleando Meteorología e Imágenes
de Satélite. Tierras de Castilla y León: Agricultura. 231. 126-131.
3
Carrilero, J., Garrido, R.J., González, G.L., Calera, B.A., Roser, B.F.M. (2015). Predicción del riego en cultivos de
maíz de la Mancha Oriental mediante meteorología y teledetección. Grandes Cultivos. Disponible en:
https://www.researchgate.net/publication/303050408_Prediccion_del_riego_en_cultivos_de_maiz_de_la_Mancha_O
riental_mediante_meteorologia_y_teledeteccion
4
Chuvieco,E. (2008). Teledetección ambiental. 3ª ed. Ariel. Barcelona, España. 592 p.

6
2 OBJETIVOS.

Para abordar el programa de actividades de la estancia académica, se acordaron los siguientes

objetivos:

2.1 Objetivo general

Obtención de un mapa de usos de suelo y vegetación para el año 2017.

2.2 Objetivos particulares

Analizar temporalmente el NDVI para la distinción de coberturas/usos de suelo.

Realizar una clasificación supervisada mediante el método de máxima probabilidad.

7
3 MATERIALES Y MÉTODOS

3.1 Descripción de la zona de estudio

3.1.1 Ubicación

La cuenca del río Papalotla, Estado de México, México, está ubicada en la Región Hidrológica 26
Pánuco y Región Hidrológica administrativa 13 Valle de México. Al Este colinda con el estado
de Tlaxcala y al Sureste con el estado de Puebla (Figura 1).

Cuenta con un área de 196.73 km2 e incluye parte de los municipios de Papalotla, Chiautla,
Tepletlaoxtoc, Atenco, Texcoco y Tezoyuca.

Figura 1. Ubicación geográfica de la cuenca del río Papalotla.

3.1.2 Clima

De acuerdo a la Figura 2, en la parte alta de la cuenca se aprecia un clima semifrío subhúmedo

con verano fresco largo y una temperatura media anual desde 5°C hasta 12 °C; en la parte media
y baja, se observa que dominan climas templados subhúmedos con una temperatura media anual
entre 12 °C y 18 ° C. En la parte baja de la cuenca también se puede encontrar un clima

8
semiárido templado. En la Figura 3, se muestra la precipitación media anual de la cuenca (400
mm hasta 1200 mm). Las características de cada tipo de clima se describen en el Cuadro 1.

Figura 2. Tipo de clima en la cuenca del río Papalotla.

Cuadro 1. Características de los tipos de clima presentes en la cuenca.

Tipo de Clima Descripción de la temperatura Descripción de la precipitación
BS1kw Semiárido, templado, temperatura media anual entre 12 °C y Lluvias de verano y porcentaje de lluvia invernal del 5% al
18 °C, temperatura del mes mas frío entre -3ºC y 18 ºC, 10.2% del total anual.
temperatura del mes mas caliente menor de 22 °C.

C(wo) Templado,subhúmedo, temperatura media anual entre 12 ºC y Precipitación en el mes mas seco menor de 40 mm; lluvias de
18 ºC, temperatura del mes mas frío entre -3 ºC y 18 ºC y verano con índice P/T menor de 43.2 y porcentaje de
temperatura del mes mas caliente bajo 22 ºC. precipitación invernal del 5% al 10.2% del total anual.

C(w1) Templado,subhúmedo, temperatura media anual entre 12 ºC y Precipitación en el mes mas seco menor de 40 mm;lluvias de
18 ºC, temperatura del mes mas frío entre -3 ºC y 18 ºC y verano con índice P/T entre 43.2 y 55 y porcentaje de lluvia
temperatura del mes mas caliente bajo 22ºC. invernal del 5% al 10.2% del total anual.

C(w2) Templado, subhúmedo, temperatura media anual entre 12 ºC y Precipitación en el mes mas seco menor de 40 mm; lluvias de
18 ºC, temperatura del mes mas frío entre -3 ºC y 18 ºC y verano con índice P/T mayor de 55 y porcentaje de lluvia
temperatura del mes mas caliente bajo 22ºC. invernal del 5 al 10.2% del total anual.

Cb'(w2) Semifrío, subhúmedo con verano fresco largo, temperatura Precipitación en el mes mas seco menor de 40 mm; lluvias de
media anual entre 5 ºC y 12 ºC , temperatura del mes mas frío verano y porcentaje de lluvia invernal del 5 al 10.2% del total
entre -3 ºC y 18 ºC, temperatura del mes mas caliente bajo anual.
22°C.

9
Figura 3. Precipitación media anual de la cuenca del río Papalotla.

10
3.2 Materiales

Imágenes satelitales
Las características correspondientes a las imágenes utilizadas se muestran en el Cuadro 2.
Las fechas de las imágenes Landsat 8 OLI corresponden al periodo húmedo, mientras que
las imágenes Sentinel 2A/2B corresponden al periodo seco.

Cuadro 2. Características de las imágenes de satélite empleadas.

Año Satélite Ruta/Hilera Fecha Resolución espacial Zona UTM

2017 Landsat 8 OLI 26/46 16-jun 30 m 14 N
26/46 20-sep 30 m 14 N
2017 Sentinel 2A/2B 206/69 17-abr 10 m 14 N
206/69 23-nov 10 m 14 N

Cartas de uso de suelo y vegetación

El Cuadro 3, muestra las características de la carta de uso de suelo y vegetación base.

Cuadro 3. Características de la carta de uso de suelo y vegetación empleada.

Nombre Escala Serie Año Formato

Ciudad de México 1:250000 V 2013 Vectorial

Fuente: INEGI, 20135.

Software utilizado
Para la elaboración de resultados y procesamiento de los mismos, se utilizaron los
siguientes paquetes de cómputo.
 ArcGIS 10.3.1, ESRI Inc.
 Spider web-GIS.
 ERDAS IMAGINE 2014.
 Microsoft Office 2013.
 Google Earth Pro.

5
Instituto Nacional de Estadística, Geografía e Informática (INEGI). (2013). Carta de Uso de suelo y
Vegetación E14-2 en formato vectorial, escala 1:250 000. Disponible en:
http://www3.inegi.org.mx/sistemas/biblioteca/ficha.aspx?upc=702825568597

11
3.3 Métodos

3.3.1 Series temporales de imágenes de satélite, procesado básico.

3.3.1.1 Descarga de imágenes multiespectrales.

Se buscaron todas las imágenes Sentinel 2A y 2B disponibles para el año 2017 en la zona
de estudio. Primero, se decidió trabajar con Sentinel por su resolución espacial (10 m). Lo
que se buscaba era tener imágenes distribuidas en el periodo de un año y que a la vez
representaran el periodo seco y el periodo húmedo. Sin embargo, la nubosidad presente en
el área, ocasionó que solo se eligieran las imágenes correspondientes al 17 de abril y 23 de
noviembre. Consecuentemente en busca de imágenes del periodo húmedo, se decidió
también ocupar imágenes Landsat 8 OLI(a pesar de contar con una resolución espacial de
30 m), de las cuales se eligieron las del 16 de julio y 20 de septiembre.

Las imágenes Sentinel 2A y 2B; y Landsat 8 OLI fueron obtenidas de los archivos de la
ESA6 y del USGS Earth Explorer7, respectivamente.

3.3.1.2 Pre-procesamiento de imágenes.

Las imágenes fueron pre-procesadas con el sistema automático del Instituto de Desarrollo
Regional (IDR) de la Universidad de Castilla la Mancha (UCLM).

El sistema de automatización utiliza lenguaje “Python” y librería GDAL, y consta de 3

fases:

 Descompresión y cálculo de RGB y NDVI 0 (automático).

El cálculo de RGB (Red, Green, Blue) refiere a la combinación de bandas a través de tres
canales (rojo, verde y azul), para formar una imagen a color natural o a falso color,
realzando elementos muy concretos para su posterior estudio y análisis.

6
European Space Agency (ESA). https://scihub.copernicus.eu/dhus/#/home
7
United States Geological Survey Earth Explorer (USGS Earth Explorer). https://earthexplorer.usgs.gov/

12
Por otro lado, el cálculo del NDVI0 se realiza con las bandas originales, de acuerdo a
ecuación 1.

(1)
𝜌𝐼𝑅 − 𝜌𝑅
NDVI0 =
𝜌𝐼𝑅 + 𝜌𝑅

Donde ρIR es la reflectancia en la región del infrarrojo cercano del espectro

electromagnético y ρR es la reflectancia en la región del rojo.

 Introducción de los parámetros de normalización.

Este proceso consiste en crear un fichero JSON único por escena, donde se definen los
valores teóricos de suelo desnudo y máxima cobertura vegetal de los gránulos. Este
proceso, bien se puede realizar de una sola vez por escena, o bien introduciendo los valores
gránulo a gránulo. Esta opción se define en el fichero config.txt, concretamente en el
parámetro normalizarPorGranulos. Después se comprueba si existe el fichero de
normalización, si no existe pregunta por los valores teóricos y reales de suelo desnudo y de
máxima cobertura y Genera el JSON. Para cada granulo calcula la ordenada al origen (b) y
la pendiente (m).

 Cálculo del NDVI1, NDVI2 Y NDVI3.

Para el cálculo del NDVI (1,2) se muestra a continuación. Además, para cada uno de ellos
se calcularon estadísticas generales de cada gránulo y se generaron pirámides.

(2)
NDVI1 = NDVI0 ∗ m + b

(3)
NDVI2 = NDVI1 ∗ 100 + 100

Donde el NDVI1 es el NDVI normalizado, NDVI2 es el NDVI normalizado transformado

en byte y el NDVI3 es el NDVI normalizado, transformado en byte y con máscara de nubes

Para el caso del NDVI3, primero se localiza el fichero GML de nubes suministrado por
Sentinel2A, realiza una copia de NDVI2, para utilizarlo como base y se incorpora el
vectorial como mascara opaca en el NDVI2, es decir como valores nulos.

13
Para el trabajo en cuestión se utilizaron los archivos de salida correspondientes al NDVI3.

3.3.1.3 Re muestreo imágenes Landsat.

Debido a que la resolución espacial entre imágenes Landsat y Sentinel es diferente, con
ayuda de Arc. GIS se alteró la resolución de las imágenes Sentinel, es decir, de una
resolución de 10 m, pasaron a una de 30 m.

3.3.2 Leyenda de los mapas de usos de suelo.

Para poder realizar la clasificación supervisada, fue necesario saber las clases a obtener.
Para ello se tomó como base, la leyenda de las cartas de uso de suelo y vegetación de
INEGI (2013) (Figura 4).

Figura 4. Mapa de uso de suelo y vegetación del 2013.

Como se observa en la Figura 4, se muestra una leyenda especificando los tipos de bosque
y de agricultura. No obstante, esta leyenda fue modificada a una más general, considerando
que para obtener un mapa más detallado se requería contar con información climatológica

14
para el año 2017, además de valores de reflectividad para cada tipo de vegetación, la cual
no se tenía disponible.

Las clases consideradas para la leyenda, se muestran a continuación:

 Bosque

 Agricultura

 Zona urbana

 Cuerpos de agua

 Pastizal inducido

 Matorral crasicaule

 Suelo desnudo.

3.3.3 Cultivos y vegetación presentes. Su fenología y crecimiento.

Según la FAO (2006)8 “la fenología representa los diferentes estados o etapas de los
cultivos y la vegetación: inicial, desarrollo, mediados de temporada y finales de
temporada). A medida que el cultivo se desarrolla, tanto el área del suelo cubierta por la
vegetación como la altura del cultivo y el área foliar variarán progresivamente. A
continuación se describe está variación por etapas.

8 Organización de las Naciones Unidas para la Alimentación y Agricultura (FAO). (2006).

Evapotranspiración del cultivo: Guias para la determinación de los requerimientos de agua de los
cultivos. FAO : Estudios FAO Riego y Drenaje 56. https://doi.org/10.1590/1983-40632015v4529143

15
Etapa inicial

La etapa inicial está comprendida entre la fecha de siembra y el momento que el cultivo
alcanza aproximadamente el 10% de cobertura del suelo. La longitud de la etapa inicial
depende en gran medida del tipo de cultivo, la variedad del mismo, la fecha de siembra y
del clima. El final de la etapa inicial ocurre cuando la vegetación verde cubre
aproximadamente un 10% de la superficie del suelo. Para cultivos permanentes, la fecha de
siembra es reemplazada por el momento en que aparecen las primeras hojas.

Etapa de desarrollo del cultivo

La etapa de desarrollo del cultivo está comprendida desde el momento en que la cobertura
del suelo es de un 10% hasta el momento de alcanzar la cobertura efectiva completa. Para
una gran variedad de cultivos, el estado de cobertura completa ocurre al inicio de la
floración.

Para pastos densos, la cobertura completa puede ocurrir cuando la altura del cultivo es de
alrededor 0.10 a 0.15 m. Para áreas reducidas de pastos (pastizales secos), la altura del
pasto puede llegar a 0.3-0.5 m antes de alcanzar la cobertura completa. En el caso de
forrajes cultivados densamente, tal como la alfalfa y el clavel, la cobertura completa se
alcanza alrededor de los 0.3-0.4 m de altura.

Etapa de mediados de temporada

La etapa de mediados de temporada comprende el período de tiempo entre la cobertura

completa hasta el comienzo de la madurez. El comienzo de la madurez está indicado
generalmente por el comienzo de la vejez, amarillamiento o senescencia de las hojas, caída
de las hojas, o la aparición del color marrón en el fruto. La etapa de mediados de temporada
representa la etapa más larga para los cultivos permanentes y para una gran variedad de
cultivos anuales, siendo relativamente corta para los cultivos hortícolas que son cosechados
frescos para aprovechar su vegetación verde.

Etapa de finales de temporada

La etapa final o tardía de crecimiento comprende el período entre el comienzo de la

madurez hasta el momento de la cosecha o la completa senescencia. Para algunos tipos de

16
vegetación perenne en climas libres de heladas, los cultivos pueden desarrollarse durante
todo el año, por lo que podría tomarse la fecha de término de la etapa final como la misma
fecha de ‘siembra’”.

Como se puede observar, para cada tipo de vegetación existe una etapa fenológica
diferente, la cual puede ser representada por una curva y que a su vez puede ser afectada
por variables climáticas como precipitación, radiación, evapotranspiración, etc. (Figura 5).

Figura 5. Etapa fenológica de cultivo y variables climatológicas.

Fuente: FAO, 2006.

Además para cada una de las etapas antes mencionadas, los valores de reflectancia y
consecuentemente de NDVI van a variar a lo largo de la etapa fenológica, en donde a
medida en que se acerque el crecimiento máximo, y por ende mayor porcentaje de
cobertura, entonces el NDVI será máximo. Posteriormente tendrá un decrecimiento
notándose mediante el punto de inflexión en la senescencia del cultivo (Figura 6).

17
Figura 6. Etapa fenológica de un cultivo y variación del NDVI.

Fuente: Madrigal, 20149.

Este apartado se trabajó de manera general tal y como se explicó al elegir la leyenda del
mapa temático a utilizar, ya que para obtener un mapa más específico de los cultivos,
habría que se tomar puntos de entrenamiento para conocer el cultivo que existe para una
determinada parcela, contar con información climatológica, fechas de siembra, etc, que
ayuden poder diferenciar cultivos. Por esta razón, este inciso se trabajó teóricamente en la
parte agrícola, considerando solamente la clase “agricultura” en la leyenda del mapa. Sin
embargo, los fundamentos fueron primordiales para poder discriminar entre áreas agrícolas
y bosques.

9
Madrigal, G.J.M. (2014). Análisis de anomalías de verdor y métricas fenológicas en cultivos y pastizales del
norte de la República Mexicana. Disponible en : http://asam.centrogeo.org.mx/index.php/resultado-
13?limit=1&start=1

18
3.3.4 Clasificación: Patrones temporales y espectrales.

3.3.4.1 Obtención de curvas de NDVI.

Con ayuda de las cartas de uso de suelo y vegetación del Instituto Nacional de Geografía y
Estadística (INEGI) del año 2013, y mediante la utilización de la herramienta SPIDER
web-GIS (Sistema de información Geográfica en Línea)10, se obtuvieron las curvas de
NDVI, donde cada cobertura, responde a un tipo de curva característico.

Según Balbontín et al.11 es un sistema Web SIG, desarrollado por la Universidad de

Castilla la Mancha y operado por el Instituto de Desarrollo Regional el cual cuenta con una
secuencia temporal de imágenes de satélite en color verdadero (RGB) de los satélites
Sentinel 2ªA y 2B; secuencia temporal de imágenes del índice NDVI (Índice de Vegetación
de diferencias normalizadas). Sin embargo la última versión (aunque sigue en proceso de
mejora), además de Sentinel, incorpora Landsat 1, Landsat 2, Landsat3, Landsat 4, Landsat
5, Landsat7 y Landsat 8, y Modis.

La nueva versión, en general consta de tres secciones: Visor SIG, selección de fechas,
secuencia temporal de imágenes con % de nubosidad y herramientas (Figura 7).

10
Instituto de Desarrollo Regional (IDR). (2018). SPIDER web-GIS (Sistema de información Geográfica en
Línea). Disponible en: http://spiderwebgis.appspot.com/
11 Balbontín, N.C., Odi, L.M., Poblete, T.R, Garrido, R.J, Campos, R.I., & Calera, B.A. (2017). Uso de
herramientas de teledetección y SIG para el manejo del riego en los cultivos. Boletín. Disponible en:
http://biblioteca.inia.cl/medios/biblioteca/boletines/NR40534.pdf

19
Figura 7. SPIDER web-GIS, interfaz.

La sección de herramientas a la vez se subdivide en 4:

 Capas. En esta sección se elige la capa a mostrar (NDVI o RGB). Si se elige NDVI,
en automático, aparecen las bandas utilizadas para su cálculo. Además la leyenda
puede configurarse para adecuar los rangos de valores de NDVI (Figura 8).

Figura 8. Activación de la capa de NDVI y configuración de leyenda.

20
Si se elige la capa de RGB, automáticamente toma las bandas utilizadas dependiendo el
satélite. Además el brillo se puede configurar (Figura 9).

Figura 9. Activación de la capa RGB y ajuste de brillo.

 Información puntual. En este apartado si se requiere información de algún sitio en

particular, basta con dar “click” y aparecerá la información de la fecha de la
imagen, valores e RGB y NDVI, asicomo las coordenadas del punto. Si se desea
eliminar, basta con dar “click” en el símbolo de basura. La Figura 10 muestra los
pasos a seguir, para la obtención de información puntual.

21
Figura 10. Obtención de información puntual.

 Gráficas. Esta sección nos permite obtener el comportamiento temporal del NDVI
para un punto en particular. Para esto solo se da “click” en esta sección. Nos
aparecerá una ventana denominada “Gráfica” en donde se puede introducir el
periodo de interés (Figura 11). Posteriormente se da “click” en un punto particular y
automáticamente se creará la gráfica (Se pueden elegir diferentes puntos para una
misma gráfica.

22
Figura 11. Representación gráfica de la evolución temporal del NDVI para un punto en
particular.

Los valores de NDVI, pueden ser exportados en formato “CSV” o en “PNG”, dando “click”
en la caja de herramientas (Figura 12). Por ejemplo la figura muestra la evolución temporal
del NDVI en un cuerpo de agua, dentro del periodo del 01 enero de 2018 al 31 de
diciembre del 2018.

Figura 12. Exportación de los puntos de interés, en formato “cvs” o “PNG”.

23
  Buscar lugares. Esta sección facilita la búsqueda de un sitio, mediante la
introducción del nombre del mismo (Figura 13).

Figura 13. Búsqueda de un sitio específico.

 Filtros. Como no todas las imágenes son de calidad. Con esta herramienta se puede
filtrar solo aquellas que cumplan con cierto porcentaje de nubosidad. Además en
esta sección se puede elegir el sensor dependiendo de la serie que se requiera
(Figura 14).

24
 Figura 14. Filtrado por porcentaje de nubosidad y selección del satélite.

3.3.4.2 Clasificación supervisada con de ERDAS IMAGINE 2014.

Creación del LayerStack
Las imágenes del 17 abril, 16 de junio, 20 de septiembre y 23 noviembre del 2017 con el
NDVI calculado y normalizado fueron agregadas a la vista de trabajo (Figura 15), esto para
poder crear un “LayerStack” el cual permite sobreponer las imágenes y obtener una
imagen de salida. La imagen de salida permite tener los valores temporales de NDVI del
2017, los cuales sirven para discriminar las coberturas.

25
Figura 15. Agregación de imágenes con NDVI en el entorno de trabajo.

Con la herramienta “Spectral” del menú “Raster”, se creó el “Layer Stack”, para lo cual
solo es necesario agregar las imágenes de interés ( Figura 16).

Figura 16. Creación del “Layer Stack”.

26
Creación de AIO
Posteriormente, se buscaron puntos de interés para cada cobertura, cuidando que fuera una
zona representativa y sin nubes. Desde el visor, con la ayuda de las herramientas para la
creación de AOI se digitalizaron las áreas de entrenamiento para cada una de clases.

Figura 17. Creación del AOI.

En el menú “Drawing” se dibujaron las regiones de interés.

Figura 18. Digitalización de las áreas de interés.

27
Cada área de interés fue ligada a una firma espectral, esto con ayuda de la herramienta
“Signature editor” y “Add” (Figura 19). El número de firmas espectrales es igual número
de clases.

Figura 19. Asociación del área de interés con su respectiva firma espectral.

Desde el menú “Signature Editor” se guardó el archivo de firmas espectrales, el cual tiene
extensión .sig. También se asoció a la imagen en la cual se estaba trabajando, para este caso
fue el “Layerstack”.

En cuanto a la evaluación cualitativa de la adecuación de las áreas de entrenamiento, se

contó con dos herramientas, los gráficos de medias y los histogramas. El primero fue de
utilidad para observar si las firmas espectrales correspondían a las esperadas (aquí también
se utilizó SPIDER web-GIS; mientras que el segundo para observar el solapamiento. Para
la evaluación cuantitativa, se obtuvo el reporte estadístico.

28
La obtención de cada uno de ellos lo muestra la Figura 20 y la Figura 21 , respectivamente.

Figura 20. Obtención de gráfica e histograma de las firmas espectrales de cada clase.

Figura 21. Obtención del reporte estadístico.

29
Finalmente se realizó la clasificación supervisada, siguiendo la Figura 22, donde solo
ocupamos dar un nombre de salida y el método de asignación. En cuanto al método de
asignación refiere puede ser mediante reglas no paramétricas (no toman en cuenta la
distribución de los valores de las áreas de entrenamiento, solo la posición espacial), o bien,
paramétricas. Para nuestro caso en particular se utilizó la regla paramétrica de máxima
probabilidad, la cual hace la asignación considerando la probabilidad de que un punto
pertenezca a cierta clase.

Figura 22. Realización de la clasificación supervisada.

Una vez teniendo la clasificación por el método de máxima probabilidad, fue necesario
analizar los usos en donde existía mayor confusión para una posterior depuración. En este
punto se volvieron a ocupar las herramientas de las firmas espectrales, histogramas, el
reporte estadístico, asicomo la herramienta “Inquire”, la cual ayudó a tener una mejor
visualización de los valores de cada pixel. Además, las herramientas “Link viewer” y
“Google Earth” permitieron una mejor visualización de la veracidad de la clasificación
obtenida; es decir, estos últimos se enlazaban, y si dábamos zoom en el ráster clasificado,
automáticamente google Earth nos dirigía hasta la zona de interés.

30
Utilización de Knowledge Engineer
Para mejorar la clasificación, fue necesario la utilización de árboles de decisión. Aquí, las
curvas de NDVI obtenidas en SPIDERweb-GIS fungieron como base para ir despreciando
las clases (Figura 23).

Figura 23. Enlace entre Google Earth y la vista de trabajo en Erdas.

En lo que al entorno de ERDAS refiere, se utilizó la herramienta “Knowledge engineer”

desde el menú “Ráster”. Primero se introdujeron las variables a utilizar y el tipo, que para
el caso fue la clasificación y las imágenes de NDVI (Figura 24).

31
Figura 24. Introducción de variables en la herramienta Knowledge Engineering.

Posteriormente fue necesario introducir la hipótesis (Figura 25) que es el nombre que
llevará la regla de decisión, seguido de las reglas de decisión (Figura 26).

Figura 25. Introducción de hipótesis.

32
En las reglas de decisión, se debe especificar el grado de confianza. Como queremos que
nuestra regla se cumpla en cualquier caso, le otorgamos el mayor valor de confianza, 100.
A manera ejemplificación, la Figura 26 cuya hipótesis es llamada “bosque-agrícola”, indica
que a partir de la clasificación 8 (bosque), en la imagen de NDVI del 16 de junio de 2017
marque los valores mayores a 160 y menores a 190. El valor 160 se tomó como umbral para
diferenciar agricultura, mientras que el 190 es para que no tome en cuenta las nubes.

Figura 26. Introducción de reglas de decisión.

El proceso se repitió para ir depurando las clases de interés.

3.3.5 Medida de la calidad de la clasificación.

Existen dos posibilidades, evaluar una estimación teórica del error en función de las
características del algoritmo de clasificación o analizar una serie de áreas “test” obtenidas
del mismo modo que las áreas de entrenamiento. El segundo modo de proceder permite
obtener una estimación más realista de los errores mientras la muestra de pixeles para la
estimación del error sea lo suficientemente grande y representativo. Un método simple y
apropiado de evaluaciones de los errores es utilizar la matriz de confusión de clases. Con
este tipo de análisis, se obtiene, no sólo una caracterización del error cometido, sino
también una medida sobre la adecuación de la clasificación considerada a la realidad y de
los parámetros utilizados para caracterizarlas.

Dicha matriz muestra la relación entre dos series de medidas correspondientes al área en
estudio. La primera serie corresponde a datos de referencia adquiridos de observaciones de
campo, inspección de estadísticas agrícolas, interpretación de fotos aéreas y otras fuentes

33
similares. La segunda corresponde a la categorización de los pixeles realizada por el
clasificador para las clases de interés. En una matriz de confusión las columnas
corresponden a los datos de referencia, mientras que las filas corresponden a las
asignaciones del clasificador.

En cuanto a la mediación de la calidad de la clasificación refiere, se abarcó el punto

teóricamente, quedando las bases para poder medir la calidad de la clasificación en otro
momento, recordando que no se contaban con los puntos de entrenamiento.

34
4 RESULTADOS Y ANÁLISIS

4.1 Curvas de NDVI.

Con ayuda de la plataforma SPIDER web-GIS, se obtuvieron las curvas de NDVI, para
cada uso de suelo. La Figura 27 muestra la representación gráfica del promedio de los
pixeles tomados en cuenta. Como se puede observar los bosques están claramente definidos
ya que el promedio del NDVI siempre se encuentra por encima de todos los usos de suelo
y para todas las fechas en cuestión. Lo mismo sucede con los cuerpos de agua, los cuales
siempre tienen valores muy bajos. En lo que respecta a suelo desnudo y mancha urbana
tienen la misma tendencia. La agricultura, matorral crasicaule y pastizal inducido muestran
comportamientos similares, pero al tratarse de una gráfica promedio, el solapamiento entre
ellos se observa en menor medida.

177
Bosque
157
Agricultura
137
NDVI

Cuerpo de agua
117 Matorral crasicaule

97 Pastizal inducido
Suelo desnudo
77
17-Apr 6-Jun 26-Jul 14-Sep 3-Nov Urbano

Fecha

Figura 27. Curvas de NDVI promedio para cada tipo de cobertura.

35
En los histogramas, cada clase podría discriminarse mejor en las imágenes en donde no
exista solapamiento. Así la clase “bosque” representada con verde solo se identificó
claramente en la Figura 28 y Figura 29, confundiéndose con agricultura (color anaranjado)
y matorral (color marrón) (Figura 30). Dicha confusión es debido al periodo de lluvias en
donde la vegetación, o bien, los cultivos alcanzan su máximo crecimiento, reflejándose en
valores de NDVI altos.

Además, las clases “agricultura” (color naranja), “matorral” (color marrón) y “pastizal”
(color gris), muestran solapamiento en todas las fechas de estudio. La firma del suelo
desnudo también se confunde con las tres anteriores en la Figura 28 y Figura 29; no
obstante, de acuerdo al conocimiento de la zona la mayor confusión que presenta el suelo
desnudo es con áreas urbanas y pastizales.

En este punto es importante mencionar que para tener un mapa más preciso se debe contar
con más información. Por ejemplo, tener datos de los cultivos presentes en la zona para el
año en cuestión, así como datos meteorológicos, ayudaría a obtener un mapa agrícola más
específico que su vez serviría para diferenciar entre matorral y pastizal. Además, en lo que
respecta a zona urbana y suelo desnudo, es un tema difícil de abordar ya que no se observa
una zona bien delimitada en la cuenca, sino que está rodeada de tierra o vegetación por lo
que al clasificador le genera confusión.

Figura 28. Histograma de NDVI para cada tipo de cobertura en la imagen del 17 de abril de
2017.

36
Figura 29. Histograma de NDVI para cada tipo de cobertura en la imagen del 16 de junio de
2017.

Figura 30. Histograma de NDVI para cada tipo de cobertura en la imagen del 20 de
septiembre de 2017.

37
Figura 31. Histograma de NDVI para cada tipo de cobertura en la imagen del 23 de
noviembre de 2017.

Este análisis nos llevó a introducir árboles de decisión como otro tipo de solución para
tener una mejor separabilidad de las clases. Se hizo énfasis en las clases donde la confusión
fue mayor. Se tomó en cuanta valores promedios del reporte estadístico, así como el
comportamiento de las curvas de NDVI. Este comportamiento se analizó temporalmente
dentro del año 2017 (para las cuatro imágenes seleccionadas durante todo el estudio), donde
para cada clase o cobertura de uso de suelo se tenía un NDVI promedio ( Figura 27).

Mediante prueba y error se distinguió cada clase y los rangos utilizados para realizar los
árboles de decisión, se muestran en el Cuadro 4.

Cuadro 4. Rango de valores de NDVI para cada cobertura y fecha de estudio.

Usos/cobertura 17-abr 16-jun 20-sep 23-nov

Bosque >=125 >=135 >=161 >=149
Agricultura >=124<125 >=134<135 >149<161 >134<149
Pastizal >118<124 >131<134 >119<=149 >120<=134
Matorral >118<124 >113<131 >149<161 <=138>134
Cuerpo Agua <=87 <=88 <=89 <=90
Área urbana
Suelo desnudo

38
4.2 Mapa temático

La Figura 32 muestra el mapa obtenido para la cuenca del río Papalotla, 2017. En el cual se
puede observar que es un mapa más general que el obtenido por INEGI 2013. Sin embargo
se debe recalcar que se tomó como base un mapa temático del año 2013, cuando se
buscaba clasificar el año 2017. Además en la zona alta de la cuenca se eliminó la pradera de
alta montaña, siendo reemplazado por agricultura, matorral o pastizal.

Aquí se vuelve a recalcar la importancia de contar con otro tipo de información, tal como
climatológica, cultivos de la zona, además de imágenes con mayor calidad (menos
nubosidad en la zona) de tal manera que ayuden a obtener un mapa más detallado.

Figura 32. Mapa temático de la cuenca del río Papalotla, 2017.

Además, como se explicó en la parte metodológica, para comprobar el grado de fiabilidad

es necesario hacer una fase supervisada en campo, la cual servirá de ayuda en la creación
de la matriz de confusión.

39
5 CONCLUSIONES

De acuerdo a lo presentado en este trabajo, se obtuvieron las siguientes conclusiones:

Se obtuvo un mapa temático de usos y cobertura de suelo para el año 2017,
mediante el análisis temporal del NDVI y el uso de tecnologías SIG y teledetección.

La herramienta SPIDER web GIS fue de gran utilidad para el análisis temporal del
NDVI dentro del año 2017, y así poder buscar los umbrales que ayudaron a
discriminar las clases.

La información disponible, es directamente proporcional al grado de detalle del

mapa temático de salida; por lo que es importante plantear desde un principio hasta
dónde se puede llegar.

Se adquirieron los conocimientos y habilidades necesarios en el manejo de sistemas

de información geográfica, para el procesamiento y clasificación de imágenes
satelitales, los cuales ayudarán a complementar el proyecto de investigación
anteriormente mencionado.

40
6 AGRADECIMIENTOS

Al personal de la sección de Teledetección y SIG del Instituto de Desarrollo Regional de la

Universidad de Castilla la Mancha, Albacete, España, por el apoyo brindado durante la
realización de la estancia académica.

41
7 REFERENCIAS BIBLIOGRÁFICAS

Borrás, J., Delegido, J., Pezzola, A., Pereira, M., Morassi, G., & Camps-Valls, G. (2017).
Clasificación de usos del suelo a partir de imágenes sentinel-2. Revista de Teledetección,
2017(48): 55–66. https://doi.org/10.4995/raet.2017.7133

Weng, Q. (2001). Modeling Urban Growth Effects on Surface Runoff with the Integration
of Remote Sensing and GIS. Environmental Management, 6(28), 737-748. doi:
10.1007/s002670010258

Li, H., & Liu, Q. (2014). Comparison of NDBI and NDVI as indicators of surface urban
heat island effect in MODIS imagery Comparison of NDBI and NDVI as indicators of
surface urban heat island effect in MODIS imagery, (December 2008).
https://doi.org/10.1117/12.815679

Melesse, A. M., Weng, Q., S. Thenkabail, P., & Senay, G. B. (2007). Remote Sensing
Sensors and Applications in Environmental Resources Mapping and Modelling. Sensors
(Basel, Switzerland), 7(12), 3209–3241.

Aburas, M. M., Abdullah, S. H., Ramli, M. F., & Ash’aari, Z. H. (2015). Measuring Land
Cover Change in Seremban, Malaysia Using NDVI Index. Procedia Environmental
Sciences, 30, 238–243. https://doi.org/10.1016/j.proenv.2015.10.043

Ruimy, A., Saugier, B. & Dedieu, G. (1994). Methodology for the estimation of terrestrial
net primary production from remotely sensed data. Journal of Geophysical Research 99:
doi: 10.1029/93JD03221.

Taufik, A., & Ahmad, S. S. S. (2016). Land cover classification of Landsat 8 satellite data
based on Fuzzy Logic approach. IOP Conference Series: Earth and Environmental Science,
37(1). https://doi.org/10.1088/1755-1315/37/1/012062

Carlo Ricotta, Giancarlo Avena, Alessandra De Palma,Mapping and monitoring net

primary productivity with AVHRR NDVI time-series: statistical equivalence of cumulative
vegetation indices,ISPRS Journal of Photogrammetry and Remote Sensing,Volume 54,
Issues 5–6, 1999,Pages 325-331,ISSN 0924-2716,https://doi.org/10.1016/S0924-
2716(99)00028-3.

42
43