FUSIÓN DE IMÁGENES

(Índice de Vegetación)

Norma Dickson, Gabriel Carrizo

Maestría y Postgrado en Sistemas de Información Geográfica, Universidad Tecnológica de Panamá.

Resumen: En este artículo se presentan las técnicas de fusión de la imagen utilizando bandas del SENTINEL en el sector
de Alanje, considerando los índices de vegetación utilizados a continuación. Se abordan los índices de vegetación al punto
de explicar qué son, la interpretación, justificación y que han sido utilizados para normalizar los efectos del suelo, así como
el estudio comparado de los mismos.

Palabras Claves: Índice de Vegetación, Fusión de Imágenes

Abstract: This article presents the techniques of image fusion using SENTINEL bands in the Alanje sector, considering
the vegetation indices used below. The vegetation indices are approached to the point of explaining what they are the
interpretation, justification and that they have been used to normalize the effects of the soil, as well as the comparative study
of them

Keywords: Vegetation Index, Merge Rasters function

aplicar los conocimientos y realizar el laboratorio.

1. Introducción Uno de estos conceptos es la curva de la vegetación.
El objetivo de este trabajo se centró en el estudio de la
capacidad de diferentes índices de reflectancia en banda del
pancromático para detectar diferencias en el estado fenológico
del suelo en Alanje. Asimismo, se evaluó el comportamiento
de cada uno y se hizo una comparación de cada uno.

La información satelital es entregada a través de una imagen

multibanda, debe ser categorizada y agrupada, para permitir
discriminar un área con características particulares de otra.
Una forma de expresar esta categorización o agrupamiento
es mediante la elaboración de índices.

La fusión de imágenes engloba a una serie de procesos que

permiten integrar la información procedente de varias Y el deterioro de la hoja como se ve reflectado en la curva de
fuentes de datos distintas en una única imagen. Esta imagen la vegetación.
resultante facilita la interpretación y análisis de la
información de partida, englobando las características más
destacables de las imágenes originales.

Por medio de la fusión pueden crearse imágenes sintéticas

que combinen imágenes con alta resolución espacial y otras
con alta resolución espectral, y que presenten alta resolución
en ambas componentes.
Esta operación es muy útil teniendo en cuenta que existen
sensores con gran precisión espectral pero que no se
caracterizan por una elevada definición (no dan imágenes
con tamaños de píxel bajos), mientras que en otros sucede
justamente lo contrario. Unir estas mediante un proceso de
fusión es una forma de obtener imágenes de mejor calidad
con las que lograr mejores resultados.

El uso combinado de imágenes pancromáticas e imágenes

multiespectrales como las del satélite LANDSAT es una
práctica habitual a la hora de aplicar este método de fusión.
Es importante tener claros algunos conceptos básicos para
2|Página
2. Metodología
Las técnicas de realce espacial se realizarán en la imagen
satelital SENTINEL en el sector de Alanje, Chiriquí.
Características de la Imagen Satelital SENTINEL:
• Imagen multiespectral datos con 13 bandas en el
Espectro visible, en el infrarrojo cercano e infrarrojos de
onda corta además del espectro electromagnético.
• Cobertura global sistemática de las capas de tierra de
56° S a 84° N, aguas costeras, y cubre todo el mar
Mediterráneo.
• Revisa cada 5 días las zonas manteniendo los mismos
ángulos de visión. En latitudes altas, Sentinel-2 realiza las
labores cada 5 días, pero con diferentes ángulos de visión.
• La resolución espacial de 10 m, 20 m y 60 m.
• Tiene un amplio campo de visión de 290 km.
• Sigue una política de datos libre y en abierto.
¿Qué es la fusión de imágenes?
La fusión de imágenes es una transformación radiométrica
disponible a través de la interfaz de usuario o desde una
herramienta de geoprocesamiento. Varias compañías de
imagen proporcionan imágenes multibanda de baja
resolución e imágenes pancromáticas de mayor resolución
de las mismas escenas. La fusión de imágenes se utiliza para
incrementar la resolución espacial y proporcionar una mejor
visualización de una imagen multibanda con la imagen de
banda única de alta resolución.
A través del pansharpening, o refinado pancromático,
podemos mejorar la resolución de las imágenes satélite
utilizando como referencia una banda pancromática de alta
resolución. La técnica permite utilizar como referencia la
imagen pancromática de mayor resolución y combinarla
con el resto de bandas de menor resolución generando una
nueva imagen multibanda a color y preservando la máxima
resolución.
Métodos de fusión de imágenes
ArcGIS proporciona cinco métodos de fusión de imágenes
entre los que se puede elegir para crear la imagen fusionada:
la transformación Brovey, la transformación de saturación,
intensidad y tono (IHS), la transformación de fusión de
imágenes de Esri, la transformación de valor medio simple
y el método de nitidez espectral Gram-Schmidt. Cada uno
de estos métodos utiliza distintos modelos para mejorar la
resolución espacial mientras mantiene el color, y algunos se
ajustan para incluir un peso para que se pueda incluir una
cuarta banda (como la banda casi infrarroja disponible en
varias fuentes de imágenes multiespectrales). Al agregar el
peso y permitir el componente infrarrojo, se mejora la
calidad visual en los colores de salida.
Brovey
La transformación Brovey se basa en el modelado espectral
y se desarrolló para incrementar el contraste visual en los
extremos alto y bajo del histograma de datos.
Utiliza un método que multiplica cada píxel multiespectral
remuestreado por la relación de la intensidad de píxel
pancromático correspondiente a la suma de todas las
intensidades multiespectrales. Asume que el rango espectral
que abarca la imagen pancromática es el mismo que el que
cubren los canales multiespectrales.
3|Página

Para poder realizar el método Brovey en ArcMap

se puede hacer desde el menú WINDOWS> IMAGE
ANALYSIS> ADD FUNCTION

Ilustración 1 – Método Brovey desde el menú WINDOWS>

IMAGE ANALYSIS> ADD FUNCTION

Ilustración 2 - En "Insert Function" vamos a "Pansharpening

Function"

Ilustración 3 - Seleccionamos el método que queremos utilizar.

4|Página

3. RESULTADOS

Índice de Vegetación de Diferencia

Normalizada - Índice NDVI
Los índices de vegetación son combinaciones de las
bandas espectrales registradas por los satélites de
Teledetección, cuya función es realzar la vegetación en
función de su respuesta espectral y atenuar los detalles
de otros elementos como el suelo, la iluminación, el
agua, entre otras. Se trata de imágenes calculadas a partir
de operaciones algebraicas entre distintas bandas
espectrales.

El índice de Vegetación de Diferencia Normalizada es un

índice de vegetación que se utiliza para estimar la
cantidad, calidad y desarrollo de la vegetación con base
a la medición de la intensidad de la radiación de ciertas
bandas del espectro electromagnético que la vegetación
emite o refleja.
Para determinar el índice se puede hacer desde el menú
WINDOWS> IMAGE ANALYSIS
Ilustración 5 - Determinando el Índice NDVI desde Ráster
Calculator
Esta imagen representa el índice de normalización de la
vegetación NDVI, para obtenerlo se corrigió la imagen
del SENTINEL y se utilizaron las bandas de los visibles,
luego de definir correctamente la imagen y utilizando un
valor n de 1.5 aplicamos la formula en la calculadora
ráster correspondiente,

Ilustración 4 - Índice NDVI desde el menú

WINDOWS> IMAGE ANALYSIS

También podemos determinar el índice NDVI en ArcMap

desde ANALYST TOOLS – MAP ALGEBRA – RASTER
CALCULATOR Ilustración 6 - Raster Calculator NDVI

Ilustración 7 - Bandas utilizadas para calcular el Índice NDVI

5|Página

Usando la siguiente formula:

NDVI = Float(("Banda9_alanje_sentinel2019.tif"-
"Banda_roja_Alanje_sentinel2019.tif”)
/Float("Banda9_alanje_sentinel2019.tif"+"Banda_roja_
Alanje_sentinel2019.tif"))

Aplicamos su fórmula en la calculadora ráster para

obtener:

Ilustración 10: Estado fenológico de la vegetación.

Con estos valores se hizo más sencillo ubicar algunos de los

break values y trabajar en base a esos “límites”.

Ilustración 8: Imagen aplicando el índice de normalización de la

vegetación.

Con esta imagen, el siguiente paso fue realizar las

clasificaciones y definir el histograma.
Utilizamos un rango de 15 clasificaciones y le asignamos
Ilustración 11 - Clasificación
color para diferenciar el estado del suelo.

El resultado obtenido nos ayuda a identificar mezclas en

diferentes áreas que no hubiésemos podido ver sólo con
la banda del Infrarrojo cercano.

Ilustración 9: NDVI con las 15 clasificaciones ajustadas.

Para realizar el histograma con las 15 clasificaciones nos

basamos en la gráfica de las plantas que muestran el Ilustración 12: Valores utilizados en el histograma.
estado de salud o vigor de las mismas en base a valores
numéricos.
6|Página

Índice de Contenido de Clorofila en Ilustración 13 - Determinando el Índice CCCI desde Ráster

el Dosel - Índice CCCI Calculator

Los resultados demuestran que el índice CCCI puede

resultar de gran utilidad para discriminar carencias de
nitrógeno en el cultivo a nivel de cubierta vegetal a través
de cambios drásticos en el contenido en clorofila.

La clorofila de la hoja es un indicador clave del verdor de

la hoja, y a menudo se usa para investigar las deficiencias
de nutrientes de la hoja y los cambios en la clorofila. El
contenido de clorofila en el dosel también es un indicador
de la absorción estacional de carbono en los ecosistemas
forestales.

Se han reportado correlaciones significativas entre el

contenido de clorofila y el nitrógeno de la hoja en muchos
cultivos agrícolas.

La cuantificación de la pigmentación de las hojas con este

Ilustración 14 - Ráster Calculator CCCI
método óptico no invasivo es rápida y fácil, y produce
estimaciones confiables de la clorofila relativa de las hojas
en comparación con los métodos tradicionales y químicos. En donde las bandas necesarias según el satélite
SENTINEL son las siguientes:
La clorofila no solo se usa como un sustituto del contenido
de nitrógeno en la hoja, sino también como un indicador
esencial de la deficiencia de N en la agricultura. Se ha
encontrado que la relación entre CCI y clorofila es lineal en
el trigo y el peral asiático.

Además, el CCI para el contenido relativo de clorofila se Ilustración 15 - Bandas utilizadas para calcular el Índice CCCI
puede usar como una herramienta de apoyo a la decisión
para la fertilización con N de los cultivos, y aún más se
puede usar para mejorar la estimación del rendimiento del
cultivo y la biomasa.

Usando la siguiente formula:

Para poder determinar el índice CCCI en ArcMap primero
debemos ir a ANALYST TOOLS – MAP ALGEBRA –
RASTER CALCULATOR
CCCI=Float(("Banda9_alanje_sentinel2019.tif"-
"Banda5_alanje_sentinel2019.tif”)
/Float("Banda9_alanje_sentinel2019.tif"+"Banda5_alanje
_sentinel2019.tif"))/Float(("Banda9_alanje_sentinel2019.t
if"-
"Banda_roja_Alanje_sentinel2019.tif")/Float("Banda9_al
anje_sentinel2019.tif"+"Banda_roja_Alanje_sentinel2019
7|Página
.tif"))
Aplicamos su fórmula en la calculadora ráster para obtener:
Ilustración 16 - Imagen Ráster de Alanje aplicando CCCI
Se trabajó de esta manera con los break values, todos los
valores eran entre 0.7 y 0.9.
Ilustración 17- Valores obtenidos con CCCI
Índice de Vigor Relativo - Índice RVI
Este índice presenta la característica de ser poco sensible
a las condiciones de iluminación, pero mucho a las
propiedades ópticas de la tierra.
Las plantas absorben y reflejan radiación solar en las
distintas capas del tejido los cuales reflejan parte de una
región espectral de radiación fotosintética activa, la cual es
usada como fuente de energía en el proceso de fotosíntesis.
Esta región es analizada en detalle para distinguir los
potenciales problemas que puede tener la planta.
El índice RVI pertenece al grupo de los índices que
influyen en el vigor, estrés, nutrición y síntomas
potenciales que ayuden a prevenir cualquier problema
antes de que sea demasiado tarde.
El Índice Relativo de Vigor (RVI) es una transformación
espectral diseñada para mejorar la contribución de las
propiedades de la vegetación y permitir Inter
comparaciones espaciales y temporales confiables de la
8|Página

actividad fotosintética terrestre y las variaciones

estructurales del dosel. Se enfoca solamente a Vegetación, Aplicamos su fórmula en la calculadora ráster para obtener
a diferencia del NDVI que también tiene su efecto sobre el los resultados.
suelo con materia orgánica.

Para poder determinar el índice RVI en ArcMap primero

debemos ir a ANALYST TOOLS – MAP ALGEBRA –
RASTER CALCULATOR Ilustración 20 - Bandas utilizadas para calcular el Índice RVI

Usando la siguiente formula:

RVI = Float("Banda9_alanje_sentinel2019.tif" /
"Banda_roja_Alanje_sentinel2019.tif")

Ilustración 18 - Determinando el Índice RVI desde Ráster

Calculator

Ilustración 19 - Ráster Calculator RVI

En donde las bandas necesarias según el satélite

SENTINEL son las siguientes:

Ilustración 21 - Imagen Ráster de Alanje aplicando RVI

9|Página

Ilustración 22 - Valores obtenidos con RVI.

10 | P á g i n a

4. ANEXOS
Cuadro comparativo de los índices trabajados en el laboratorio.

INDICE USO FORMULA SATÉLITES CARACTERISTICAS

Índice de vegetación que se utiliza para
estimar la cantidad, calidad y desarrollo de
la vegetación con base a la medición de la
intensidad de la radiación de ciertas bandas
Valores muy bajos de NDVI, del orden de 0.1, corresponden a
del espectro electromagnético que la Planet Scope
Índice de Vegetación áreas rocosas, arenosas o nevadas. Valores de 0.2 a 0.3 pueden
vegetación emite o refleja. (𝑁𝐼𝑅 − 𝑅𝐸𝐷) RapidEye
de Diferencia corresponder a áreas pobres con arbustos o pasturas naturales.
Normalizada 𝑁𝐷𝑉𝐼 = Sentinel2 Terra
Esta limitado en áreas de poca vegetación. Diferencia entre la
Es el índice más utilizado en el análisis de (𝑁𝐼𝑅 + 𝑅𝐸𝐷) ASTER
(NDVI) reflectancia de las bandas 4 (infrarrojo cercano) y 3 (visible—
la vegetación. Existen otros índices Landsat 8 ou
rojo) dividido por la suma de estas dos bandas de reflectancia.
espectrales de gran importancia, los
cuales en combinación con este ayudan en
una mejor interpretación del estado del
cultivo.
La clorofila de la hoja es un indicador clave del verdor de la hoja,
y a menudo se usa para investigar las deficiencias de nutrientes
Los resultados demuestran que el índice
(𝑁𝐼𝑅 − 𝑅𝐸𝐷𝐸𝐷𝐺𝐸) de la hoja y los cambios en la clorofila. El contenido de clorofila
CCCI puede resultar de gran utilidad para
Índice de contenido (𝑁𝐼𝑅 + 𝑅𝐸𝐷𝐸𝐷𝐺𝐸) en el dosel también es un indicador de la absorción estacional de
discriminar carencias de nitrógeno en el Sentinel 2,
de clorofila en el 𝐶𝐶𝐶𝐼 = carbono en los ecosistemas forestales.
dosel (CCCI)
cultivo a nivel de cubierta vegetal a través de (𝑁𝐼𝑅 − 𝑅𝐸𝐷) Landsat 8
cambios drásticos en el contenido en (𝑁𝐼𝑅 + 𝑅𝐸𝐷) Se han reportado correlaciones significativas entre el contenido
clorofila.
de clorofila y el nitrógeno de la hoja en muchos cultivos
agrícolas.
Este índice mejora el contraste entre el suelo
y la vegetación, pero minimiza los efectos de
las condiciones de iluminación. Se utiliza
principalmente en estimaciones de biomasa
Cualquiera con Este índice describe la relación de la luz dispersa en el rango
del área foliar. Además, puede proporcionar 𝑁𝐼𝑅
Índice de Vigor las bandas rojo, infrarrojo cercano a la que se absorbe en el rango rojo.
Relativo (RVI)
cierta información sobre el contenido de 𝑅𝑉𝐼 = infrarrojo El rango de valores va de O a más de 30 donde la vegetación
humedad de la superficie del suelo. 𝑅𝐸𝐷
cercano. saludable se encuentra entre los valores de 2 a 8.
Este índice mejora el contraste entre el
suelo y la vegetación, pero minimiza los
efectos de las condiciones de iluminación.
11 | P á g i n a

Índice NDVI
12 | P á g i n a

Clasificaciones
Índice CCCI
13 | P á g i n a

Índice RVI
14 | P á g i n a

5. CONCLUSIÓN

Los índices han mostrado su diferente reacción a las cubiertas vegetales que midieron, aunque una mejor
comparación de respuestas debe realizarse sobre una referencia de verdad terreno con una mayor resolución
de categorías, en particular, en la categoría de praderas, y con una segmentación mayor en áreas de riego y
secano y en sectores de distinta exposición solar.
Este trabajo pretende ser una base de comparación para, posteriormente, al refinar las condiciones de
identificación de cubiertas vegetales, obtener una discriminación más precisa de las capacidades de cada
índice, no sólo del tipo de respuesta de las especies según la época del año, sino tamb ién del grado de
generalización en la identificación de ellas que haga notoria la necesidad de utilizar un índice u otro.

6. BIBLIOGRAFÍA
Alonso, D. (s.f.). mappingGIS. Obtenido de https://mappinggis.com/2019/05/combinaciones-de-bandas-en-imagenes-de-
satelite-landsat-y-sentinel/
Alonso, D. (s.f.). mappingGIS. Obtenido de Combinación de Bandas en imágenes de satélite Landsat y Sentinel:
https://mappinggis.com/2019/05/combinaciones-de-bandas-en-imagenes-de-satelite-landsat-y-sentinel/
Index DataBase. (s.f.). Obtenido de Canopy Chlorophyll Content Index: https://www.indexdatabase.de/db/i-single.php?id=224
Index DataBase. (s.f.). Obtenido de Ratio Vegetation Index: https://www.indexdatabase.de/db/i-single.php?id=72
Index DataBase. (s.f.). Obtenido de Normalized Difference Vegetation Index: https://www.indexdatabase.de/db/i-
single.php?id=58