Manual ENVI BASICO

Manual: ENVI Teledetección
Manual del curso
Nivel Básico1
Curso de Teledetección, Procesamiento de Imágenes de

Drones y LIDAR en ENVI
Modalidad Virtual.
Manual del curso de Teledetección, Procesamiento de

Imágenes Drones y LIDAR en ENVI
Versión 1.0
8 Capítulos.
87 páginas.
Copyright © 2018
Manual del curso de Teledetección,

Procesamiento de Imágenes Drones y LIDAR en
ENVI
Documento elaborado por: MasterGIS
Segunda edición: Setiembre de 2018 (versión
electrónica)
www.mastersig.com
Lima - Perú
Tel. +51 999 917 247
E-mail. info@mastersig.com
Prohibida la reproducción parcial o total del

presente documento.
Prohibida la utilización del logotipo de la
institución para actos no autorizados.
En caso que desee tomar como referencia el
presente manual, deberá realizar la cita
correspondiente.
2
Presentación
En MasterGIS creemos en la innovación y en la excelencia, creemos que enseñar es una de

las labores más loables que existe en el mundo, por lo tanto, debe hacerse con
responsabilidad, trasmitiendo no solo conocimiento, si no, incentivando el constante
aprendizaje e investigación.
Es así que el compromiso de la institución es brindar una formación con los más altos
estándares de calidad; para lo cual, hemos desarrollado una metodología innovadora y el
mejor contenido audiovisual, que se complementa con el presente manual. Todos estos
elementos permitirán transmitir el conocimiento de manera fácil, práctica, amena y sencilla.
Por lo tanto, MasterGIS pone a disposición de sus alumnos, el presente Manual del Curso de
Curso de Teledetección, Procesamiento de Imágenes de Drones y LIDAR en ENVI.
Documento que servirá de complemento a las clases impartidas en el curso.
Te damos la cordial bienvenida al Curso de Curso de Teledetección, Procesamiento de

Imágenes de Drones y LIDAR en ENVI, es una alegría y satisfacción para nosotros que
formes parte de nuestra institución y te felicitamos por haber dado un paso importante en
tu formación.
¿Cómo usar correctamente el manual?
El presente manual está desarrollado en base a todos los capítulos del Curso de Curso de
Teledetección, Procesamiento de Imágenes de Drones y LIDAR en ENVI
Al iniciar el curso, se te proporcionará el material de práctica, donde encontraras archivos

como, imágenes, mapas y demás documentos.
Cada clase del curso se encuentra desarrollada, de manera concisa, en este manual. Se
recomienda el uso de ambos para un mejor aprendizaje.
3
CONTENIDO
CAPÍTULO 01: FUNDAMENTOS DE LA TELEDETECCIÓN ........ 6
1.1 Fundamentos de la teledetección ........................................................................ 6
1.2 Principios Físicos ................................................................................................ 9
1.3 Aplicaciones de la Teledetección ...................................................................... 16
CAPÍTULO 02: CARACTERISTICAS DE LOS SENSORES ....... 16

2.1 Características de los sensores ........................................................................ 16
2.2 Plataformas de Teledetección .......................................................................... 29
CAPÍTULO 3: SERVIDORES Y ADQUISICIÓN DE DATOS

RASTER ....................................................................................... 31
3.1 Servidores y Adquisición de datos Raster ......................................................... 31
3.2 EARTH EXPLORER-LANDSAT 8 ..................................................................... 34
3.3 Copernicus-Sentinel .......................................................................................... 37
3.4 Glovis Next........................................................................................................ 38
CAPÍTULO 4: INTRODUCCIÓN A LA INTERFAZ Y MANEJO DE

ENVI .............................................................................................. 42
4.1 Introducción a la interfaz y manejo de ENVI ...................................................... 42
4.2 Ingreso de datos y despliegue de una imagen .................................................. 47
CAPÍTULO 5: INTEGRACIÓN DE ENVI Y ARCGIS .................... 49

5.1 Integración de ENVI y ArcGIS ........................................................................... 49
5.2 Procesamiento de Imágenes ............................................................................. 52
5.3 Flujo de Trabajo de Imágenes ........................................................................... 57
5.4 Conversión de Formatos Raster ........................................................................ 58
5.5 Filtros de Convolución ....................................................................................... 59
5.6 Conversión de datos LIDAR a Raster. ............................................................... 59
5.7 Extracción de características con Ruleset. ........................................................ 60
5.8 Diferencia Auto-Umbral de datos Raster. .......................................................... 60
5.9 Cálculo de Diferencia de Imágenes. .................................................................. 61
5.10 Cálculo de Cambio Temático. ......................................................................... 61
5.11 Conversor de Imágenes Clasificadas a Vector. ............................................... 62
4
CAPÍTULO 6: DETECCION DE CAMBIOS, RAZON DE BANDS Y

DETECCION DE ANOMALIAS ..................................................... 62
6.1 Detección de Cambios, Razón de Bandas y detección de Anomalías ............... 62
6.2 Detección de Cambios ...................................................................................... 65
6.3 Herramienta Flujo de Trabajo de Cambio de Imágenes .................................... 66
6.4 Herramienta Flujo de Trabajo de Cambio Temático .......................................... 67
6.5 Herramienta Álgebra de banda ......................................................................... 68
6.6 Herramienta Flujo de trabajo para la Detección de Anomalías .......................... 69
6.7 Herramienta Detección de Anomalías ............................................................... 70
CAPÍTULO 7: ANÁLISIS ESTADISTICOS DE DATOS,

IMÁGENES Y DETECCION DE OBJETOS .................................. 70
7.1 Análisis Estadísticos de datos de Imágenes y Detección de Objetos .................. 70
7.2 Detección de Objetos .......................................................................................... 72
7.3 Estadísticas de Imágenes ................................................................................... 73
7.4 Herramienta de cálculo Estadístico ..................................................................... 75
7.5 Detección de Objetos .......................................................................................... 76
7.6 Target Detection Wizard ...................................................................................... 77
CAPÍTULO 8: EXTRACCIÓN DE CARACTERISTICAS .............. 79

8.1 Extracción de Características .............................................................................. 79
8.2 Extracción de Características basadas en Reglas ............................................... 80
8.3 Extracción de Características de solo Segmento................................................. 81
8.4 Flujo de trabajo de Extracción de Características basadas en ejemplos ............. 81
8.5 Flujo de trabajo de Extracción de Características basadas en Reglas. ................ 84
8.6 Flujo de trabajo de Extracción de Características de un solo Segmento ............. 85
8.7 Segmentación de Imágenes ................................................................................ 85
5
CAPÍTULO 01: FUNDAMENTOS DE LA TELEDETECCIÓN
1.1 Fundamentos de la teledetección
¿Qué es la Teledetección?
La Teledetección es la adquisición de información sobre un objeto a distancia, esto es,
sin que exista contacto físico entre el objeto o sistema observado y el sensor. Los
sensores de los satélites reciben información acerca de un objeto a través de la energía
electromagnética que emiten o reflejan.
Fundamentos de la Observación Remota
La teledetección es una técnica que permite obtener información a distancia de los

objetos situados sobre la superficie terrestre (Chuvieco, 1995). Los sensores de los
satélites reciben la información acerca de un objeto a través de la energía
electromagnética. Esta información puede estar codificada en la frecuencia, intensidad
o polarización de la onda y es transmitida directamente desde el objeto o
indirectamente por reflexión, dispersión o reemisión hasta el sensor. Todos los
materiales de la Tierra reflejan o emiten energía electromagnética. Los sensores miden
la intensidad de la radiación electromagnética emitida por un objeto y estudian sus
propiedades físicas a partir de su variación con la frecuencia. Para que pueda producirse
la observación remota de un sistema, es necesario que el sensor detecte un flujo
magnético proveniente de éste. Por ello, se introducen las magnitudes flujo radiante,
densidad de flujo radiante y la intensidad radiante, habitualmente utilizadas en Física
para describir el campo radiativo (Sobrino et al., 2000).
Elementos de un proceso de Teledetección

El proceso de obtención de una imagen de la superficie terrestre, involucra la interacción
entre la radiación electromagnética incidente y los objetos en superficie. Es así, que se
presentan los tres principales elementos de cualquier sistema de teledetección: sensor
(a bordo de una plataforma satelital), objeto observado (parte de la superficie terrestre)
y flujo energético (Sol u otra fuente de iluminación) que permite poner a ambos en
relación. En el caso del sensor, ese flujo procede del objeto por reflexión de la luz solar. 6
Podría también tratarse de un tipo de energía emitida por el propio objeto, o incluso por
el sensor. Estas son, precisamente, las tres formas de adquirir información a partir de
un sensor remoto: por reflexión, por emisión y por emisión – reflexión
(i) Es la forma más importante de teledetección, pues se deriva

directamente de la luz solar, principal fuente de energía del planeta. El
sol ilumina la superficie, y refleja esta energía en función del tipo de
cubierta presente sobre ella. Este flujo reflejado se recoge por el sensor,
que lo transmite posteriormente a la estación receptora. Entre superficie
y sensor se interpone la atmosfera, que dispersa y absorbe parte de la
señal original. De igual forma, la observación remota puede basarse
también, en la energía emitida por las propias cubiertas.
(ii) En la que podríamos enviar desde un sensor que fuera capaz, tanto de
generar su propio flujo energético, como de recoger posteriormente su
reflexión sobre la superficie terrestre.
(iii) En cualquiera de estos casos, el flujo energético entre la cubierta
terrestre y el sensor constituye una forma de radiación electromagnética
(Chuvieco, 1995).
Sensores Remotos:
Los sistemas o dispositivos de sensores remotos pueden recibir radiación
electromagnética proveniente de la superficie de la Tierra en cualquier rango de
longitudes de onda. Sin embargo, por razones técnicas y atmosféricas, los rangos más
utilizados para usos de recursos naturales son de 0,4 a 0,13 micrones y entre 30 y 300
milímetros. Los sensores se pueden clasificar según el origen, la categoría y tipo de
radiación, en sensores activos o pasivos.
Sensores Activos
Sensores Pasivos
LIDAR de topografía (altura de vegetación)
 Pancromático (muy alta LIDAR de aerosoles (contaminación
resolución) atmosférica)
 Multiespectrales (miden Estructura 3D (distribución geométrica)
DIAL (vapor de agua, CO2, química de
la composición química) elementos)
 Multi-angulares (miden la DOPPLER LIDAR (Perfil vertical de viento,
composición estructural) turbulencia)
RADAR (Polarimétrico, interferométrico)
7
Adquisición de información
Existen tres formas de adquirir información a través de sensores remotos:
• Reflexión: energía reflejada de la luz solar.
• Emisión: Energía emitida por los propios objetos.
• Reflexión-Emisión: El sensor emite y luego capta la reflexión (radar).
Plataformas de Teledetección
Se entiende por plataforma de teledetección, los satélites (LANDSAT, METEOSAT, NOAA, SPOT,
ETC.), aviones o drones que transportan los aparatos necesarios para captar, almacenar y
transmitir datos imágenes a distancia.
Tipos de Plataformas Satelitales
Según la órbita que describen Según las aplicaciones
Geoestacionario: Se sitúan sobre el Ecuador Satélites meteorológicos: Son satélites de

en una órbita a 36000 Km de la Tierra. orbita geoestacionaria o polar que
Permanecen siempre en la vertical de un proporcionan cobertura global y continua
punto determinado acompañando a la Tierra (cada media hora) del planeta en una franja
en su movimiento de rotación que va de 70° N a 70° S. Uno de los mas
conocidos es el satélite Meteosat.
Heliosíncronos: Se desplazan en órbitas Satélites de recursos naturales: Son

circulares o polares (el plano de la órbita es
paralelo al eje de rotación de la Tierra) de
satélites de órbita polar, con mayor
modo que, aprovechando el movimiento de resolución espacial y que fueron
rotación terrestre, puede captar imágenes diseñados para la observación de la
de diferentes puntos cada vez que pase por Tierra y la evaluación de sus
el mismo punto de la órbita. Estas órbitas recursos naturales. El más conocido
sólo son posibles entre 300 y 1500 Km de
altura. La órbita se diseña de forma que el de ellos es el programa Landsat.
satélite pasa siempre sobre el mismo punto
a la misma hora local.
8
1.2 Principios Físicos

El espectro electromagnético
La radiación electromagnética comprende una amplia variedad de frecuencias y de
longitudes de onda que abarcan desde los rayos gamma a las ondas de radio. Todas
estas emisiones constituyen el denominado espectro electromagnético.
Ondas electromagnéticas
Perturbación en el espacio y en el tiempo que transmite energía asociada a un campo
eléctrico y a un campo magnético mutuamente perpendiculares formando el campo
radiativo. Estos campos oscilan temporalmente en forma sinusoidal a medida que se
propagan en el vacío, y pueden describirse matemáticamente empleando
combinaciones de funciones armónicas. Transportan la energía entre una fuente
emisora y un receptor (detector). Asociada a la OEM definimos la energía radiante Q y
su unidad es el Julio.
Interacción de la radiación con la atmósfera
Hasta este punto, se ha considerado la interacción de la radiación electromagnética con
las diversas coberturas terrestres prácticamente como si este proceso se desarrollara en
el vacío. Obviamente, esta suposición es falsa, puesto que entre el sensor y la superficie
terrestre se interpone la atmósfera, que interfiere de formas diversas con el flujo
radiante (Chuvieco, 1995).
La atmósfera de la Tierra no se encuentra en equilibrio termodinámico debido a que la

temperatura, y por tanto el campo de radiación, varía de unos puntos a otros. De este
modo, una parcela de aire intercambia energía con sus alrededores a temperaturas
distintas. Sin embargo, se asume que en los primeros 50 ó 60 km (tropósfera y mitad
inferior de la estratosfera) se encuentra en equilibrio termodinámico local y la emisión
queda gobernada por la ley de Kirchhoff a la temperatura local (Lenoble, 1993).
La atmósfera se compone de gases; anhídrido carbónico, oxigeno, ozono, nitrógeno,

argón, vapor de agua y aerosoles. Entre estos componentes, el anhídrido carbónico,
ozono y vapor de agua son los principales responsables de la interacción con la energía
electromagnética. Su efecto es triple: (i) absorción de la energía en determinadas
bandas del espectro, lo que limita la observación espacial a aquellas bandas en donde
esta absorción es menos intensa o nula; (ii) dispersión, de determinados flujos, en
función de su longitud de onda, y (iii) emisión, como todo cuerpo caliente, que tiene su
mayor importancia en el infrarrojo térmico. Estos procesos introducen modificaciones
en la radiación originalmente propagada entre la cubierta y el sensor (Chuvieco, 1995).
La radiación solar que llega a la superficie terrestre se ve notablemente afectada por
distintos componentes presentes en la atmósfera. Estos componentes dispersan o
absorben en diferentes longitudes de onda y hacen difícil la observación remota de la
superficie terrestre.
9
La absorción es el proceso por el cual las moléculas y partículas de la

atmósfera absorben la energía radiante y la transforman en energía interna
que posteriormente será emitida en el infrarrojo térmico.
• Absorción espectral
La dispersión de la radiación electromagnética es causado por la interacción con la atmósfera,

los gases y partículas atmosféricas en suspensión. La reflexión consiguiente a ese choque supone
un aporte adicional a la radiancia proveniente de la superficie terrestre (luz atmosférica) y que
posteriormente es captada por el sensor.
Tipos de dispersión: Dispersión de Rayleigh, dispersión de Mie y dispersión No-selectiva
• Dispersión atmosférica
Tipos de Dispersión Atmosférica

La dispersión de Rayleigh, afecta a las longitudes de onda más cortas. Es la más
conocida y la de mayor influencia en teledetección, causante, por ejemplo, del
color azul del cielo. La dispersión Rayleigh es también denominada dispersión
molecular y es causada por las moléculas de nitrógeno y oxigeno presentes en
la atmósfera terrestre. La dispersión molecular es estudiada a través de los
denominados coeficientes de dispersión, los cuales miden la atenuación de la
intensidad de la radiación para un haz incidente (Slater, 1980).
La dispersión de Mie, también es dependiente de la longitud de onda, se
presenta especialmente cuando hay choque con aerosol y polvo atmosférico.
Se habla de dispersión Mie cuando existen partículas con un diámetro similar a
la longitud de onda. La dispersión Mie depende del tipo de aerosol, el tipo de
aerosol depende de un índice de refracción y de la distribución del tamaño de
las partículas (Lira et al., 1983).
La dispersión no-selectiva, se habla cuando existen partículas de gran tamaño.
Este tipo de dispersión afecta por igual a las diferentes longitudes de onda. En
consecuencia, las nubes o nieblas tienden a aparecer blancas ya que dispersan
por igual toda la luz visible (Lira et al, 1983).
10
Componentes de la radiación electromagnética con influencia atmosférica

Cuando se trata del componente de iluminación, se habla de radiación solar incidente
solo para sensores pasivos. La radiación solar es la energía emitida por el Sol que se
propaga en todas las direcciones a través del espacio mediante ondas
electromagnéticas. Cuando se estudia la iluminación, se habla de irradiancia, cuando se
analiza esta radiación en el sentido tierra-sensor se denomina radiancia, y cuando se
analiza el cuerpo reflector se denomina reflectancia (Laura Frulla, 1992).
a) Irradiancia
Es la cantidad de energía radiada por el Sol por unidad de tiempo y área (sol-atmósfera-
terreno. Suponiendo que sobre la cima de la atmósfera incide un haz de radiación solar
con una intensidad E, con una determinada dirección de iluminación al llegar al suelo
puede descomponerse en tres componentes (Figura 5): irradiancia directa (E_dir),
irradiancia difusa (E_dif), irradiancia sobre la superficie (E_env) (Laura Frulla, 1992).
Componentes de la irradiancia (Slater, 1980).
Irradiancia directa
Cuando se habla de irradiancia directa se acostumbra a utilizar el término E_dir, el cual
se define como la radiación que llega a la superficie en forma de rayos de Sol, sin cambio
de dirección. Es decir, la irradiancia inicial sufre dentro de la atmósfera una atenuación,
y el haz de radiación alcanza la superficie terrestre sin ser desviado (Laura, 1992).
Irradiancia difusa
Esta componente corresponde a los haces de luz que son desviadas en su camino a la
superficie por algún tipo de dispersión, sin embargo, influyen en la radiación recibida
por un punto en la superficie. Cuando se habla de irradiancia difusa, se denota como
E_dif (Laura, 1992).
Irradiancia sobre la superficie
Se define este tipo de irradiancia como la radiación que sufre procesos de dispersión
hacia atrás y alcanza una superficie vecina que está siendo observada por satélite. Estas
regiones vecinas son denotadas como ρ_e y ρ_c, y además se observa que puede ocurrir
que el haz reflejado permanezca atrapado por la atmósfera, este fenómeno es conocido
como albedo atmosférico que puede representarse a través de albedos esféricos
(Rahman y Dedieu, 1994), y por medio del anterior proceso alcanzar el punto P; esta
11
irradiancia se denota como E_env. La superposición de estas tres componentes de

irradiancia da como resultado la radiación solar global incidente sobre la superficie
terrestre (Laura, 1992).
b) Radiancia
Se denomina radiancia, a la radiación solar cuyo recorrido viene dado de la relación
superficie - atmósfera - sensor. Esta magnitud es la más importante en teledetección, ya
que un sensor o detector lo que registra, es la radiancia al nivel de sensor traducida en
niveles digitales que dependen de la resolución radiométrica del mismo. El cálculo de la
radiancia está en función de los coeficientes de calibración del sensor, sin embargo, para
entender mejor este concepto se hace la siguiente consideración: La radiancia reflejada
en un punto depende en gran parte de la radiación total que incidió sobre dicho pixel
(Laura, 1992):
E
L = ρc
π
Donde L es la radiancia intrínseca de la superficie y E es la irradiancia. Este resultado también
dependerá de la dirección del flujo emitido desde la Tierra hacia el sensor, de lo cual se derivan
tres tipos de radiancia
Radiancia directa
La radiancia directa es aquella que llega a los detectores sin sufrir desviaciones con
respecto a la dirección inicial, esta también llamada radiancia del pixel (Laura, 1992).
Radiancia directa proveniente de la atmosfera
Hace referencia a aquellos haces de luz que se encuentran atrapados en la atmósfera y
de alguna forma radian en dirección del campo del sensor, esta radiancia directa
proveniente de la atmosfera contribuye con información adicional que puede
considerarse como error en la señal captada por el sensor (Laura, 1992).
Radiancia proveniente del medio ambiente
Se refiere a la radiación que es emitida por zonas vecinas al pixel observado en un
instante de tiempo, muchos algoritmos de corrección atmosférica acostumbran corregir
este efecto a través de filtros que teóricamente atenúan o resaltan el efecto de
adyacencia (Laura, 1992).
Lsensor = Lpix + Latm + Lenv
12
C) Reflectancia Vegetal
Como ocurre en toda superficie parcialmente Lambertiana, la radiación incidente es en
parte reflejada especularmente y en parte dispersada. La responsable de la reflexión
especular es la cutícula que cubre las hojas, la cual le confiere el brillo característico de
algunas en algunas especies. La luz no reflejada penetra en el interior de la hoja y es
sucesivamente refractada, reflejada y difractada. Como consecuencia de ello, la
radiación emergente tiene un carácter difuso. Esta dispersión depende de la propia
estructura de la hoja, de la composición de sus células, —la presencia de cristales de
almidón, por ejemplo— y su grado de humedad.
En el infrarrojo próximo, las hojas con mayor desarrollo del parénquima lagunar
producen mayor dispersión. Por esta razón las plantas de hoja ancha suelen ser más
reflectantes en esa región espectral que las de hoja estrecha (Ormeño, 1991). De otra
parte, la presencia de cloroplastos incrementa la absorción, por lo que necesariamente
debe disminuir la reflexión. Esta es la razón por la cual las hojas suelen tener mayor
reflectancia. La vellosidad de algunos tipos de hojas incrementa también la reflectancia
en el visible y el infrarrojo próximo, no alterando sin embargo la del infrarrojo próximo.
Un fenómeno interesante de resaltar es la senescencia de las hojas, es decir el proceso
de envejecimiento que conduce a la clorosis (amarilleamiento) y a la marchitez
permanente. Durante el mencionado proceso, el contenido en clorofilas decrece en
favor de los carotenos, que producen colores rojizos y marrones, y de las xantofilas, que
producen colores amarillentos. En el infrarrojo próximo la reflectancia solamente varía
cuando, como consecuencia de la muerte de la hoja, cambia su estructura interna. Sin
embargo, en el infrarrojo medio sí que se registra un incremento de la reflectancia en
todo el intervalo espectral, debido a la progresiva pérdida de agua, aunque las bandas
de absorción características del agua solamente desaparecen cuando la humedad se
hace prácticamente inexistente.
También los estados nutritivos de las plantas influyen en la reflectancia espectral. La
característica principal que puede detectarse en relación con el vigor vegetal es el
amarilleamiento o clorosis y numerosos estados carenciales dan como resultado la
clorosis. Salvo las plantas leguminosas, el resto del material vegetal es extremadamente
sensible a la carencia de nitrógeno soluble en el suelo. Una escasa dotación de este
elemento en forma amoniacal produce un típico color amarillo en la planta debido a la
disminución del contenido en clorofila. Ello produce un incremento de la reflectancia en
el visible, mientras que, como consecuencia de la pérdida de capas celulares, se produce
un descenso de la reflectancia en los infrarrojos próximo y medio. Pero las clorosis
también pueden estar producidas por la carencia de algún elemento no tan esencial
como el nitrógeno. Tal es el caso del hierro, cuya deficiencia da lugar a la denominada
clorosis férrica, caracterizada por un amarilleamiento de las hojas que, al igual que
antes, causa un incremento de la reflectancia en el visible. Efectos similares producen
las plagas y/o enfermedades sobre las plantas, precisamente por lo cual es posible el
seguimiento de sus efectos mediante teledetección.
13
Interacción de la radiación con la superficie

Se analiza la interacción de la radiación electromagnética con la superficie con la
finalidad de caracterizar el sistema objeto de estudio. El modo en que la radiación
interacciona con la materia depende del rango del espectro electromagnético que se
considere.
¿Qué es un dato Raster?
Es en esencia, cualquier tipo de imagen digital representada en mallas.
¿Qué es una Imagen Satelital?
Son datos que están organizados en una cuadrícula (grid) de filas y columnas. Por lo
general, representa una zona geográfica
¿Cómo se obtiene una imagen digital?
Las imágenes de los sensores del satélite Landsat 5, por ejemplo, son producidas por el
escaneo de un espejo rotatorio. Una línea escaneada de la superficie representa un
arreglo de pequeñas celdas llamadas pixeles, al cual le corresponde un valor digital, que
resulta de la cuantización de la señal electrónica amplificada generada en el radiómetro
del sensor. Todas las líneas escaneadas y unidas forman una imagen llamada “escena”.
Un pixel puede entonces ser almacenado como un valor digital, frecuentemente en
single byte, en valores digitales de 0 a 255, (8 bits) (Ej. Imagen Landsat-5).
TIPOS DE RESOLUCIÓN
Resolución espectral: Número de bandas y ancho de banda.
La resolución espectral indica el número y ancho de las bandas en las que el sensor
puede captar radiación electromagnética. En principio cuanta más banda incluya un
sensor mejor, ya que cada banda constituye una variable para caracterizar la superficie
captada. Por otro lado, es preferible que estas bandas sean estrechas para que su poder
discriminante se incremente. Si las bandas son muy anchas van a recoger valores
promediados que ocultarán elementos de diferenciación. Por ejemplo, resulta mucho
más valioso contar con 3 bandas (rojo, verde y azul) en el visible que con una sola banda.
14
Resolución radiométrica: Número de niveles de gris distintos que registra el sensor.

La resolución o sensibilidad radiométrica hace referencia al número de valores digitales
utilizados para expresar los datos recogidos por el sensor. En general, cuando mayor es
el número de niveles mayor es el detalle con que se podrá expresar dicha información.
Por ejemplo, los sensores Landsat (5 y 7) utilizan 8 bits lo que da 2 = 256 niveles de
energía que pueden ser captados. Cuanto mayor sea la precisión radiométrica mayor
número de detalles podrán captarse en la imagen.
Resolución espacial: La resolución espacial es el tamaño del píxel, en algunos casos se

emplea el concepto de IFOV (campo instantáneo de visión) que se define como la
sección angular (en radianes) observada en un momento determinado, ya que el tamaño
del píxel en una escena es variable incrementándose conforme nos alejamos del punto
nadir.
15
Resolución temporal: Frecuencia de cobertura, Periodo de revisita y ciclo de repetición.

La resolución temporal indica el tiempo de paso del satélite sobre la vertical de un punto.
Con ello se determina la periodicidad de adquisición de imágenes de una misma zona,
por ejemplo, el Landsat 5-7-8 pueden ver la misma área de la superficie terrestre cada
16 días. La resolución temporal está condicionada por el tipo de órbita, el ángulo de
barrido y la velocidad del satélite.
1.3 Aplicaciones de la Teledetección
La teledetección es una herramienta que puede aplicarse en un gran número de

trabajos, dentro del ámbito de la ingeniería. Por su concepción y capacidad sinóptica e
integradora, es muy adecuada para el seguimiento de procesos que varían de forma
continua en el territorio. En principio, cualquier fenómeno en el que se produzca una
variación de la respuesta espectral de la superficie terrestre, tanto en el espacio como
en el tiempo, es susceptible de ser estudiado por teledetección. (ver video 1.3)
CAPÍTULO 02: CARACTERISTICAS DE LOS SENSORES
2.1 Características de los sensores
¿Qué son los sensores multiespectrales?

Los sensores multiespectrales de formación de imágenes permiten la adquisición
simultánea o en serie de datos de formación de imágenes, en dos o más bandas
espectrales discretas.
TIPOS:
 Sensor TM, ETM+ y OLI (Landsat)
 Sensor MODIS (Terra y Aqua)
 Sensor ASTER (Terra)
 Sensor HRV Y HRVIR (SPOT)
16
 Sensor AVHRR (NOAA)

 Sensor multiespectral (Sentinel 2)
 Sensor multiespectral y pancromático (Ikonos)
 Sensor multiespectral y pancromático (QuickBird)
¿Qué son sensores Hiperespectrales?

Los sensores hiperespectrales son instrumentos que combinan la presentación espacial
de un sensor de imagen con las capacidades analíticas de un espectrómetro. Pueden
contener hasta cientos de bandas espectrales angostas, con una resolución espectral del
orden de 10 nanómetros o menor.
Sensores hiperespectrales:
 Sensor Hyperion (EO-1)
 Sensor Aviris (Jet ER-2, Twin Otter y WB-57)
 Sensor CASI (Aerotransportado)
 Sensor AHS (Aerotransportado)
 Sensor AISA (Aerotransportado)
 Sensor HYMAP (Aerotransportado)
DATOS LANSAT
Características orbitales de la serie LANDSAT
Los primeros tres satélites de la serie LANDSAT 1, 2 y 3 tenían unas características

similares. El peso total del sistema se aproximaba a los 960 kg. Su órbita era
heliosíncrona, pasa por el mismo lugar a la misma hora, polar, ligeramente inclinada
(99.1 grados). Con una altura orbital media de 917 km, circundaba la Tierra cada 103
minutos, con lo que realizaba 14 órbitas diarias para volver sobre la misma porción de
la superficie terrestre a los 18 días, y a la misma hora local (entre 9:30 y las 10:30 según
latitudes). Con el fin de reducir al máximo las alteraciones en las condiciones de
observación, se dotó a los satélites de un sistema de estabilización según tres ejes,
orientados hacia la superficie terrestre y la vertical del punto nadir. Las correcciones en
17
la órbita, por tanto, se hacían desde las estaciones terrestres, lo que confería una gran
estabilidad en la toma de datos. Los satélites de la serie LANDSAT 4, 5 y 7 modificaron
su forma y sus características orbitales. La altura de vuelo se reduce de 917 a 705 Km,
aunque se mejora el ciclo de recubrimiento, de 18 a 16 días, gracias a su menor periodo
orbital. Sin embargo, el momento de adquisición se mantiene en torno a las 9:45 hora
local en nuestras latitudes. Las características orbitales del LANDSAT 8, son similares a
los precedentes con una orbita heliosincrónica, a una altura orbital de 705 km, cruza el
ecuador a las 10:00 am ±15’ en nodo descendente con una cobertura terrestre, de ̴ 180
km de swath, y temporal de 16 días.
Características orbitales de la serie de Satélites LANDSAT (USGS. 2015)
Satélite LANDSAT 2 LANDSAT 5 LANDSAT 7 LANDSAT 8
Institución responsable NASA NASA NASA NASA
País Estados Unidos Estados Unidos Estados Unidos Estados Unidos
Lanzamiento 22/01/1975 01/03/1984 15/04/1999 11/02/2013
Situación Actual Inoperativo Inoperativo Inoperativo Operativo
Órbita Heliosíncrona Heliosíncrona Heliosíncrona Heliosíncrona
Altitud 917 km 705 km 705 km 705 km
Inclinación 99.1° 98.2° 98.2° 98.2°
Tiempo de duración de la orbita 103.27 min 98.9 min 98.9 min 98.9 min
Horario de Paso 09:45 a.m ± 15' 09:45 a.m ± 15' 10:00 a.m ± 15' 10:00 a.m ± 15'
Periodo de Revisita 18 dias 16 dias 16 dias 16 dias
Sensores MSS TM ETM+ OLI/TIRS
Sensores a bordo de la serie LANDSAT
Un sensor es el aparato que reúne la tecnología necesaria para captar imágenes a

distancia y es transportado en una plataforma. Puede captar información para
diferentes regiones del espectro y cada una de estas regiones se denomina canal o
banda.
Por ejemplo, Landsat es una plataforma que, dependiendo de su misión, contiene uno
o más sensores,
Sensor MSS
El sensor MSS es un equipo de barrido óptico-electrónico con un campo total de visión

de 11.56 grados, lo que a la altura orbital del satélite, le permite explorar una franja de
terreno de 185 km, divididos a ambos lados de la vertical de la traza. Con objeto de
acoplar la secuencia de barrido a la velocidad del satélite, el sensor MSS registra seis
líneas simultáneamente con cada oscilación del espejo. La radiación recibida por el
sistema focal se transmite a un sistema óptico que la descompone en cuatro bandas, y
la envía a distintos detectores. Por tanto, el MSS dispone de 24 detectores (6 líneas x 4
bandas), compuestos por foto-diodos de silicio (banda 7), y por tubos foto
multiplicadores (banda 4 a 6). En el caso del Landsat 3, se añadió una banda térmica
(banda 8), registrada por detectores de mercurio-cadmio-telurio (Williams, 2004). Una
escena adquirida por el sensor MSS comprende 2.340 líneas de barrido y 3.240 columnas
por línea. Cada pixel corresponde a una superficie real de 79 m de lado, si bien en la
18
transformación digital se le asigna un formato nominal de 57 m x 79 m, lo que explica la

disimetría final entre el número de líneas y de columnas en la imagen. En los primeros
MSS la resolución espectral es de 7 bits (0 a 127) para las banda 4 a 6, 6 bits (0 a 63) para
la banda 7. Los MSS de la segunda generación codificaban las cuatro bandas con 8 bits
(0 a 255). Los sensores MSS cubrían 4 bandas de análisis. Las bandas visibles (4 y 5)
permitía la detección de aspectos antrópicos, como áreas urbanas o vías de
comunicación a la vez que podían proporcionar información sobre la calidad de la aguas.
Las dos bandas del infrarrojo cercano (6 y 7) permitían registrar parámetros vitales en la
actividad de las plantas, además de ser especialmente sensibles a la humedad.
Sensor TM y ETM+
En la segunda generación del programa Landsat se introdujo un nuevo tipo de sensor,

denominado Thematic Mapper (TM), diseñado para la cartografía temática. Al igual que
su predecesor, el MSS, el Thematic Mapper es un equipo de barrido multiespectral.
Frente al MSS, el TM aumenta el número de detectores, de 24 a 100, a la vez que se
reduce el IFOV, se aumenta los niveles de codificación y se realiza el barrido en dos
direcciones. Todo ello le permite mejorar la resolución espacial, espectral y
radiométrica: de 79 a 30 m, de 4 a 7 bandas, y de 6 a 8 bits. En el TM, cada oscilación del
espejo supone 16 líneas de barrido, frente a 6 en el MSS. De esta forma se precisan 16
detectores por banda, salvo la banda térmica que registra una menor resolución (120
m) y solo requiere cuatro detectores. Los detectores están formados por tubos de silicio,
para la banda 1 a 4, indio-antimonio para las bandas 5 y 7, y mercurio-cadmio-telurio
para la banda 6. El diseño del TM pretendió paliar las deficiencias observadas en la
imagen MSS, incorporando información de cuatro bandas del espectro no contempladas
en el MSS (azul, dos en el infrarrojo medio y una en el térmico), mientras se sustituían
las bandas 6 y 7 del sensor, ambas en el infrarrojo cercano, por una sola. Con esta nueva
configuración, los Landsat de segunda generación permitieron una sensible mejora en
las aplicaciones terrestres y marinas sobre el sensor MSS: detección de turbideces y
contaminantes en el agua (banda azul), exploración minera (infrarrojo medio),
contenidos de humedad en las plantas y suelo (infrarrojo medio), detección de focos de
calor (infrarrojo medio y térmico) además de mantener las ya existentes para el MSS.
Por la parte de los inconvenientes de este sensor frente al MSS fue su coste y el gran
volumen de datos que se generaban. A modo de ejemplo, una sola imagen del TM era 6
veces más cara que una adquirida por el MSS (sobre el mismo territorio). Por otro lado
la cantidad de datos suponía 231 millones de pixeles, frente a los 28 millones de una
imagen MSS, lo que para la época suponía un problema ya que se precisaban
computadoras de elevadas prestaciones para poder manipularlas. En la actualidad
(2004) el Landsat 7 está equipado con una versión mejorada del TM denominado ETM+
(“Enhanced Thematic Mapper”).
19
Sensor OLI
El sensor Operational Land Imager (OLI) avanza en la tecnología de sensores Landsat,

utilizando un enfoque demostrado ya por el sensor Advanced Land Imager ubicado en
el satélite experimental de la NASA Observing- 1 (EO-1). En el comienzo los satélites
Landsat estaban equipados con sensores "whiskbroom" los cuales empleaban espejos
de exploración como instrumentos visión para barrer el campo espectral a través de un
ancho de banda superficial y transmitir la luz a unos detectores. A diferencia del OLI, el
cual utiliza un sensor del tipo "pushbroom" compuesto por una serie de baterías larga
de detectores, con más de 7.000 detectores por banda espectral, alineados en su plano
focal en su respectivo ancho de banda. El diseño del "pushbroom" lo hace un
instrumento más sensible proporcionando una mejor información de la superficie
terrestre con menos partes móviles. Sus imágenes tienen una resolución espacial de 15
m (pancromáticas) y 30 m (incluido el visible, infrarrojo cercano y el infrarrojo de onda
corta) a lo largo de 185 kilómetros de ancho de imagen, cubriendo así amplias zonas de
la tierra mientras que proporciona una resolución suficiente como para distinguir las
características tales como centros urbanos, granjas, bosques y otros tipos de cubiertas
del suelo.
El OLI fue diseñado para tener una vida útil de cinco años y detectará las mismas bandas
espectrales de los anteriores instrumentos del Landsat (es decir sensores, TM y ETM+),
con la excepción de una banda en el infrarrojo térmico. Además de las 7 bandas
multiespectrales del anterior Landsat (seis de los cuales han sido refinadas) OLI agregará
dos nuevas bandas espectrales, una banda azul "costera" (banda 1) y una banda en el
infrarrojo de onda corta "cirros" (banda 9). Estas nuevas bandas, ayudaran a los
científicos a medir la calidad del agua y facilitaran la detección de nubes altas y delgadas
que previamente han sido difíciles de observar en las imágenes Landsat. El telescopio
tiene cuatro espejos con un diafragma de apertura frontal que es de 135 mm. La matriz
de plano focal (FPA) se compone de un sensor de 14 chips ensamblados (SCA) los cuales
se enfrían pasivamente. Cada SCA contiene 494 detectores con un adicional de 12
píxeles de vídeo de referencia que no responden a la luz.
Características específicas de los sensores de la serie de Satélites LANDSAT.

Tamaño Resolución Resolución Resolución
Rango espectral
Satélite Sensor Bandas de escena de pixel Radiométrica Temporal
[µm]
[km] [m] [bits] [Dias]
MSS
LANDSAT 2 0.5 – 1.1 4, 5, 6, 7 172,8 x 183 80 6, 7 18
(Multiespectral)
TM
0.45 – 2.35 1, 2, 3, 4, 5, 7 30
(Multiespectral)
LANDSAT 5 ~180 x 172 8 16
TM
10.40 –12.50 6 120
(Térmica)
ETM+
0.45 – 2.35 1, 2, 3, 4, 5, 7 30
(Multiespectral)
ETM+
LANDSAT 7 10.40 – 12.50 6.1, 6.2 180 x 180 60 8 16
(Térmica)
ETM+
0.52 – 0.90 8 15
(Pancromática)
OLI 1, 2, 3, 4, 5,
0.433 - 2.300 30
(Multiespectral) 6, 7, 9
OLI
0.500–0.680 8 15
LANDSAT 8 (Pancromática) ~170 x 183 12 16
TIRS 1
10.6 - 11.2
20
TIRS 2 10, 11 100
11.5 - 12.5
(Térmica)
DATOS DEL SATÉLITE TERRA

Características generales del satélite TERRA
El satélite TERRA fue lanzado el 18 de diciembre de 1999 como parte del programa Earth
Observing System (EOS) de la NASA, y tiene por objetivo principal adquirir datos que nos
permitan aumentar nuestros conocimientos sobre la dinámica global de la atmósfera, la
interacción tierra, océano y atmósfera. Los sistemas de observación de la Tierra, son una
serie de plataformas espaciales que orbitan alrededor de la Tierra destinadas a registrar
múltiples parámetros biológicos, físicos y químicos de la Tierra. Una de las características
más importante del satélite, es el tipo de órbita que esta describe. La órbita que sigue
este satélite, es polar y Helio - sincrónica. Estas dos características son llamadas de esta
manera como consecuencia del tipo de movimiento que realiza el satélite en torno a la
Tierra. Se le denomina polar porque su plano es prácticamente paralelo al eje de
rotación terrestre con un inclinación de 98.2º  0.15º, respecto al ecuador terrestre,
es decir el satélite da vueltas de polo a polo, de forma que es la Tierra la que al girar
hace que aquel vaya cubriendo progresivamente a lo largo de su vuelo toda la superficie
terrestre, Tabla 5. Una característica muy importante en la obtención de parámetros de
la superficie terrestre es la geometría de la iluminación solar. Es por ello que los satélites
sobrevuelan el mismo punto de la Tierra a la misma hora. En este estudio, se ha tomado
en cuenta al satélite TERRA que está orbitando a una altura promedio de 705 km desde
la superficie de la Tierra, y además porque este satélite examina las condiciones
climáticas de la Tierra orbitando de polo a polo.
Características del Satélite TERRA.
Misión Earth Observing System (EOS)

País / Región Estados Unidos
Lanzamiento 18/12/1999
Situación Actual Activo
Órbita Polar e heliosíncrona
Altitud 705 km.
Inclinación 98,2º
Tiempo de Duración de la
98,1 min.
orbita
Horario de Paso 10:30 A.M.
Período de Revisita 16 días
Sensores ASTER, MODIS, MISR, CERES e MOPIT
Sensores a bordo del satélite TERRA

ASTER.- (Radiómetro espacial de emisión y reflexión térmica avanzado), proporciona
imágenes en alta resolución de la superficie del suelo, agua, hielo y nubes utilizando tres
subsistemas de sensores que cubren 14 bandas espectrales desde el visible hasta el
infrarrojo térmico. El sensor ASTER tiene 3 subsistemas que registran datos
21
simultáneamente de las regiones del espectro correspondiente al visible e infrarrojo

cercano (VNIR), infrarrojo medio o de onda corta (SWIR) y del infrarrojo termal (TIR). El
VNIR tiene 3 bandas con 15 metros de resolución espacial; SWIR registra 6 bandas con
30 metros de resolución espacial; y TIR tiene 5 bandas con 90 metros de resolución
espacial. Además de alta precisión geométrica y radiométrica, es posible obtener pares
estereoscópicos a lo largo del camino orbital. La resolución temporal es cada 16 días,
pero en caso de emergencias (volcanes, inundaciones, incendios, etc.), pueden
programarse registros de datos sobre el área afectada cada 2 días, mediante giros
laterales del sensor de hasta 24º en el VNIR. El ancho de barrido de ASTER es de 60 km.
Características Generales del sensor ASTER
Banda
Sub-sistema Rango espectral (m) Resolución espacial
Nº
1 0.52-0.60
VNIR 2 0.63-0.69 15m
3N 0.78-0.86
3B 0.78-0.86 30m
4 1.60-1.70
5 2.145-2.185
SWIR 6 2.185-2.225
7 2.235-2.285 30m
8 2.295-2.365
9 2.360-2.430
10 8.125-8.475
11 8.475-8.825
TIR 12 8.925-9.275 90m
13 10.25-10.95
14 10.95-11.65
CERES.- (Medidor de nubes y del sistema de radiación de Energía de la Tierra), mide el

balance de radiación de la Tierra y la radiación atmosférica de la cima de la atmósfera
usando un radiómetro de barrido de banda ancha.
MISR.- (Radiómetro espectral con imágenes multiangulares), mide las funciones de

reflectancia angular de la cima de la atmósfera, nubes y superficie, y mide la función de
reflectancia bidireccional de la superficie (BRDF), aerosol y propiedades de la vegetación
usando 4 bandas espectrales en cada una de sus nueve cámaras orientadas en diferentes
ángulos.
MODIS.- (Radiómetro espectral con imágenes de resolución moderada), mide los

procesos biológicos y físicos en el suelo y el océano usando un radiómetro de barrido
multiespectral con 36 bandas espectrales desde el visible al infrarrojo térmico. Con estos
instrumentos se puede medir la temperatura de la superficie terrestre, composición de
la nieve y el suelo, identificación de minerales, albedo aerosoles atmosféricos,
evapotranspiración y un sin fin de características de la vegetación.
22
Es uno de los primeros radiómetros pasivos por satélite. De órbita polar, a unos 700 km
por encima de la superficie y una vista de exploración ± 55 °, MODIS ve la tierra con una
franja de aproximadamente 2.330 km. MODIS mide la luminosidad en 36 bandas de
longitud de onda, que van desde 410 hasta 14235nm, con resoluciones espaciales sobre
el suelo entre 250 m para las bandas 1-2, de 500m para las bandas 3-7 y 1000 m para las
bandas 8-36. Sus medidas están organizadas en 5 secciones minuto, conocidos como
gránulos, cada uno aproximadamente 2300 km de largo.
El instrumento MODIS ha sido desarrollado desde el Modelo de Ingeniería (EM) a

mediados de 1995. Desde entonces, dos unidades de vuelo espacial, el Modelo
Protoflight (PFM) (a bordo del satélite Terra), y el Modelo Vuelo 1 (FM1) (a bordo del
satélite Aqua) se han completado y puesto en marcha. MODIS está jugando un papel
vital en el desarrollo de la validación, los modelos del sistema terrestre interactivas
globales capaces de predecir el cambio global con precisión suficiente para ayudar a los
responsables políticos a tomar decisiones acertadas en materia de protección de
nuestro medio ambiente
Características de las bandas espectrales del sensor MODIS
Radiancia
Ancho de banda SNR o NE (delta)
Uso principal Banda espectral
[μm] T requerido T(K)
[w⁄(m2 μm sr)]
Límite de Tierra/ 1 620 - 670 21.80 128
Nubes/ aerosoles 2 841 - 876 24.70 201
3 459 - 479 35.30 243
4 545 - 565 29.00 228
Propiedades de Tierra/
5 1230 - 1250 5.40 74
Nubes/ aerosoles
6 1628 - 1652 7.30 275
7 2105 - 2155 1.00 110
8 405 - 420 44.90 880
9 438 - 448 41.90 838
10 483 - 493 32.10 802
Color del océano/ 11 526 - 536 27.90 754
fitoplancton/ 12 546 - 556 21.00 750
biogeoquímica 13 662 - 672 9.50 910
14 673 - 683 8.70 1087
15 743 - 753 10.20 586
16 862 - 877 6.20 516
17 890 - 920 10.00 167
Vapor de agua
18 931 - 941 3.60 57
atmosférico
19 915 - 965 15.00 250
Temperatura de la
20 3.660 - 3.840 0.45 (300 K) 0.05
superficie/ nubes
21 3.929 - 3.989 2.38 (335K) 2.00
Temperatura 22 3.929 - 3.989 0.67 (300K) 0.07
atmosférica 23 4.020 - 4.080 0.79 (300K) 0.07
24 4.433 - 4.498 0.17 (250K) 0.25
Vapor de agua de nubes 25 4.482 - 4.549 0.59 (275K) 0.25
Cirrus 26 1.360 - 1.390 6.00 150
Propiedades de las 27 6.535 - 6.895 1.16 (240K) 0.25
nubes 28 7.175 - 7.475 2.18 (250K) 0.25
23
29 8.400 - 8.700 9.58 (300K) 0.05

Ozono 30 9.580 - 9.880 3.69 (250K) 0.25
Temperatura de la 31 10.780 - 11.280 9.55 (300K) 0.05

superficie/ nubes 32 11.770 - 12.270 8.94 (300K) 0.05
33 13.185 - 13.485 4.52 (260K) 0.25
34 13.485 - 13.785 3.76 (250K) 0.25
Altitud de las nubes
35 13.785 - 14.085 3.11 (240K) 0.25
36 14.085 - 14.385 2.08 (220K) 0.35
MOPIT.- (Mediciones de la contaminación en la troposfera), mide los perfiles verticales

de monóxido de carbono y posiblemente el metano en la troposfera usando correlación
espectroscópica con celdas de gas moduladas por presión y moduladas por longitud.
DATOS DEL SATÉLITE SENTINEL-2
Características generales del satélite SENTINEL - 2
Sentinel-2 entrega datos e imágenes que son fundamentales en el ambicioso programa

Copérnico de Europa. Esta iniciativa única de monitoreo global, dirigida por la Unión
Europea y cofinanciada por la ESA, está dando un paso en la manera en que manejamos
nuestro medio ambiente, comprendemos los efectos del cambio climático y
salvaguardamos la vida cotidiana. Tras el satélite radar Sentinel-1, Sentinel-2 es el
siguiente satélite dedicado a Copérnico. Lleva un innovador sensor multiespectral de
alta resolución con 13 bandas espectrales para una nueva perspectiva de nuestra tierra
y su vegetación. La combinación de alta resolución, capacidades espectrales novedosas,
un ancho de franja de 290 km y frecuentes tiempos de revisión proporcionarán vistas
sin precedentes de la Tierra. La misión se basa en una constelación de dos satélites
idénticos lanzados por separado. Orbitando 180° entre sí, cubrirán casi toda la superficie
de la Tierra, entre 84° N y 56° S cada cinco días, optimizando la cobertura global y la
entrega de datos para numerosas aplicaciones.
La misión proporcionará información sobre las prácticas agrícolas y ayudará a gestionar

la seguridad alimentaria. Las imágenes se utilizarán para detectar el tipo de cultivo y
para determinar el índice de área foliar, el contenido de clorofila foliar y el contenido de
agua en hojas para monitorear el crecimiento y la salud de las plantas. Esto será
especialmente importante para la predicción del rendimiento efectivo y aplicaciones
relacionadas con la vegetación de la Tierra. Además de monitorear el crecimiento de las
plantas, Sentinel-2 puede usarse para mapear cambios en la cobertura de la tierra y
monitorear los bosques del mundo. También proporcionará información sobre la
contaminación en lagos y aguas costeras. Las imágenes de inundaciones, erupciones
volcánicas y deslizamientos de tierra contribuirán a la cartografía de desastres y
ayudarán a los esfuerzos de socorro humanitario.
24
Características generales del sensor multiespectral del Sentinel-2.
DATOS DEL Satélite EARTH OBSERVING (EO-1)

Satélite Earht Observing (EO-1)
Características generales de sensor Hyperion
El instrumento Hyperion proporciona una nueva clase de datos de observación de la

Tierra para una mejor caracterización de la superficie terrestre. El Hyperion proporciona
un instrumento de grado científico con calibración de calidad basado en el patrimonio
del instrumento de imágenes hiperespectrales LEWIS (HSI). Las capacidades de Hyperion
proporcionan resolución de las propiedades superficiales en cientos de bandas
espectrales frente a las diez bandas multiespectrales de las misiones tradicionales de
imagen Landsat. A través de estas bandas espectrales, los ecosistemas terrestres
complejos pueden ser visualizados y clasificados con precisión.
El Hyperion proporciona una cámara hiperespectral de alta resolución capaz de obtener

220 bandas espectrales (de 0,4 a 2,5 μm) con una resolución de 30 metros. El
instrumento representar una superficie terrestre de 7,5 km por 100 km por imagen y
25
proporciona un mapa espectral detallado a través de los 220 canales con una alta
precisión radiométrica. Los principales componentes del instrumento son los siguientes:
Sistema está diseñado por una delantera-óptica basado en la misión coreana de la

cámara óptica (EOC) del satélite Muli-Propósito (KOMPSAT). El telescopio proporciona
dos espectrómetros de imagen de rejilla separados para mejorar la relación señal-ruido
(SNR).
La imagen hiperespectral tiene amplias aplicaciones en la minería, geología, silvicultura,

agricultura y manejo ambiental. La clasificación detallada de los activos de la tierra a
través del Hyperion permitirá una exploración minera remota más precisa, mejores
predicciones del rendimiento de los cultivos y evaluaciones, y una mejor cartografía de
la contención.
DATOS RADASART-1
1. Características generales del satélite RADARSAT-1
Es un satélite de observación canadiense, cuyas imágenes de radar son capturadas por

sistemas satelitales activos. Sus características son insensibles a las variaciones
atmosféricas, no se ven afectadas por la falta de iluminación solar y capturan
información de la superficie incluso con presencia de nubes. La resolución espacial de
las imágenes de radar es variable y su rango de captura no se mide en longitudes de
onda del espectro electromagnético sino en bandas de frecuencias. La información
comprendida entre estos extremos se corresponderá con distintos matices de gris.
Interpretando los distintos tonos, texturas y patrones sobre la imagen, es posible
obtener información relacionada con la estructura geológica y litológica de la zona.
RADARSAT está equipado con siete modos de haz, que posibilitan obtener imágenes con
resoluciones que van desde los 8 hasta los 100 metros. El haz puede direccionarse en
ángulos desde 10 a 60 grados, barriendo áreas cuyo ancho va desde 50 a 500 km. Esto
permite obtener mapas a escalas de 1:1.000.000 a 1:50.000. En 1995 se lanzó el satélite
RADARSAT-1, el primero en el mundo con sensores de radar orientado
operacionalmente. Utiliza el sistema SAR (Radar de Apertura Sintética) lo cual permite
la penetración atmosférica. Su órbita es sincróna con el sol a una altura de 798 km,
pasando por un lugar dado en el mismo momento cada día, realizando un total de 14
órbitas por día. RADARSAT-1, posee un instrumento de toma de imágenes que permite
una cobertura diaria de los polos y de cada 2 a 5 días del ecuador.
Características generales del satélite RADARSAT-1.
26
DATOS DEM
¿Qué es un DEM?
El Modelo Digital de Elevación (DEM, por sus siglas en inglés) es una representación
visual y matemática de los valores de altura con respecto al nivel medio del mar, que
permite caracterizar las formas del relieve y los elementos u objetos presentes en el
mismo
Modelo digital de El modelo digital del

superficie (MDS): terreno (MDT):
Representa todos los Recrea la forma del terreno
elementos existentes o una vez que fueron
presentes en la superficie removidos todos los
de la tierra (vegetación, elementos ajenos al mismo
edificaciones, como son la vegetación,
infraestructura y el terreno edificaciones y demás
propiamente). elementos que no forman
parte del terreno.
DATOS LIDAR
¿Qué son los datos LIDAR?
El LIDAR (light detection and ranging) es una técnica de teledetección óptica que utiliza
la luz láser para obtener una muestra densa de la superficie de la tierra produciendo
mediciones exactas de x, y, z.
27
Características de los sensores Lidar
LIDAR es un sensor óptico activo que transmite rayos láser hacia un objetivo mientras
se mueve a través de rutas de topografía específicas. El reflejo del láser del objetivo lo
detectan y analizan los receptores en el sensor lidar. Estos receptores registran el
tiempo preciso desde que el pulso láser dejó el sistema hasta cuando regresó para
calcular la distancia límite entre el sensor y el objetivo. Combinado con la información
posicional (GPS e INS), estas medidas de distancia se transforman en medidas de puntos
tridimensionales reales del objetivo reflector en el espacio del objeto.
Los datos de punto se procesan posteriormente después de que la recopilación de datos

lidar se reconocen dentro de las coordenadas x,y,z georeferenciadas con alta precisión
al analizar el rango de tiempo láser, ángulo de escaneo láser, posición del GPS e
información del INS.
Los pulsos laser emitidos desde un sistema lidar se refleja desde objetos sobre y por
encima de la superficie del suelo: vegetación, edificios, puentes y así sucesivamente. Un
pulso laser emitido puede regresar al sensor lidar como uno o muchas devoluciones.
Cualquier pulso laser emitido que encuentre varias superficies de reflejo a medida que
viaja hacia el suelo se divide en tantas devoluciones como superficies reflectoras existen.
El primer pulso láser devuelto es el más importante y se asociará con la entidad más
grande en el panorama como una copa de árbol o la parte superior de un edificio. La
primera devolución también puede representar el suelo, en cuyo caso el sistema lidar
solo detectará un regreso. Varias devoluciones pueden detectar las elevaciones de
varios objetos dentro de la huella láser de un pulso láser saliente. Las devoluciones
intermedias, en general, se utilizan para la estructura de la vegetación, y la última
devolución para los modelos de terreno de suelo desnudo. La última devolución no
siempre será de una devolución del suelo. Por ejemplo, considere un caso en donde un
pulso golpee una rama gruesa en su camino hacia el suelo y el pulso no llega en realidad
al suelo. En este caso, la última devolución no es desde el suelo pero sino desde la rama
que reflejó el pulso láser completo.
28
Devolución laser de Lidar.
DATOS RADAR
¿Qué es un sensor radar?
Es un sistema activo que emite pulsos de energía electromagnética de longitud de
onda comprendida entre 1 mm - 1 m y mide la radiación reflejada por la superficie.
Satélites de radar:
 Sentinel 1-A y 1-B
 RADARSAT
 ERS – 1 y 2
 SIR-C
 TerraSAR-X
 JERS – 1
 ALOS PALSAR
2.2 Plataformas de Teledetección
El programa Lansat
La constelación de satélites LANDSAT fue la primera misión de los Estados Unidos para
el monitoreo de los recursos terrestres. Lo forman 8 satélites de los cuales sólo se
encuentra activo el Landsat 8. Este satélite cuenta con más de 30 años de data histórica
29
lo que permite generar modelos para estimar la variabilidad espacial y temporal de los
recursos naturales, entre otros. (ver video 2.2)
Satélite Sentinel-2
La misión Sentinel-2 es una constelación de vigilancia terrestre de dos satélites que
proporcionan imágenes ópticas de alta resolución y que pretende dar continuidad a la
posición actual y a las misiones Landsat. (ver video 2.2)
Diferencias entre Lansat y Sentinel-2
30
CAPÍTULO 3: SERVIDORES Y ADQUISICIÓN DE DATOS RASTER
3.1 Servidores y Adquisición de datos Raster

En este capítulo veremos los principales sitios web de descarga gratuita de imágenes
de satélites y datos de Teledetección.
USGS: EARTH EXPLORER
Es la interfaz más conocida y completa, desarrollo por el servicio Geológico de los
Estados Unidos, donde los usuarios pueden identificar datos y metadatos de
visualización y explorar servicios visuales dentro de la interfaz.
https://earthexplorer.usgs.gov/
Datos disponibles en la página Web EARTH EXPLORER
USGS: GLOVIS NEXT

Es el visualizador de visualización global de próxima generación que asegura el acceso
continuo a determinado grupo de datos dentro del archivo de Teledetección remota.
http://glovis.usgs.gov/next/
Datos disponibles en la página Web USGS GLOVIS NEXT
31
MODIS Reprojection Tool Web Interface (MRTWeb)

Combina las capacidades del visor de visualización global de USGS (GloVis) y la
herramienta de reproyección de MODIS independiente (MRT). En este interfaz solo es
posible descargar datos de sensor MODIS. https://mrtweb.cr.usgs.gov/
Datos disponibles en el portal WEB:MRYTWeb
32
GLOBAL DATA EXPLORER – LP DAAC

Esta creada para la selección perfecta de productos Aster Global Digital versión 2 y
datos CRTM https://gdex.cr.usgs.gov/gdex/
Datos disponibles en el sitio WEB: GLOBAL DATA EXPLORER – LP DAAC
ALASKA SATELLITE FACILITY

La interfaz de Alaska Satellite Facility procesa y distribuye datos de Teledetección a
usuarios alrededor del mundo. Los datos descargables en la plataforma son imágenes
de radar. https://vertex.daac.asf.alaska.edu/
Datos disponibles en la página WEB: ALASKA SATELLITE FACILITY
AVIRIS DATA PORTAL

La interfaz es similar a las anteriores descritas, con la única diferencia que solo es posible
descargar de la misión de sensores AVIRIS dentro del espacio aéreo estadounidense y
canadiense. https://aviris.jpl.nasa.gov/alt_locator/
33
Ver video 3.1
3.2 EARTH EXPLORER-LANDSAT 8

Ofrece búsqueda en línea, pantalla de exploración, exportación de metadatos y la
descarga de datos para los datos de ciencias de la tierra de los archivos del Servicio
Geológico de EE.UU. (USGS). EarthExplorer proporciona una interfaz de usuario
mejorada que utiliza bibliotecas JavaScript de última generación, Preprocesador de
hipertexto (PHP) y el motor espacial avanzado de Oracle.
Nos dirigimos hacia nuestra plataforma de Earth Explorer Landsat, donde lo primero que
haremos será registrarnos creando una cuenta. Hacemos clic sobre REGISTER, donde
ingresaremos nuestro nombre de usuario y contraseña. (VER VIDEO 3.2)
Una vez registrado reconoceremos el interfaz para proceder a descargar imágenes.
EarthExplorer utiliza pestañas en la aplicación de búsqueda para desplazarse por cada
parte del proceso. El proceso / componente de búsqueda EarthExplorer se divide en
cuatro áreas principales.
 Searh Criteria: proporciona la interfaz para introducir varias opciones de

búsqueda.
 Data Sets: proporciona la interfaz para seleccionar los conjuntos de datos a
buscar.
 Additional Criteria: proporciona una interfaz para introducir criterios de
búsqueda adicionales específicos de los conjuntos de datos seleccionados.
 Results: proporciona la interfaz para mostrar una vista textual y gráfica de los
resultados de la consulta.
A. Search Criteria
La pestaña Criterios de búsqueda proporciona una ubicación para introducir criterios de

búsqueda para un área de interés.
Pestaña “Search Criteria”.

34
Los usuarios tienen la opción de escribir los criterios de ubicación a través del
componente de información textual o con la interfaz de Google Map. Las opciones de
los criterios de búsqueda incluyen:
 Interfaz de mapas de Google: ingrese el área de interés a través de la interfaz de

Google Map.
 Dirección / Lugar - Escriba una dirección o un nombre de lugar.
 Área seleccionada: ingrese las coordenadas para definir un área de interés. El
área seleccionada se actualiza a medida que se realizan los cambios.
 Área predefinida: seleccione de una lista de áreas predefinidas para una
consulta.
 Upload shapefile o archivo KML - Actualiza un archivo de shape ESRI o archivo
KML como el área de consulta.
 Fechas seleccionadas: introduzca una fecha o un intervalo de fechas.
 Número de registros a devolver - Modifique el número de escenas devueltas de
una búsqueda.
B. Select Data Set(s)
La pestaña "Data Set" selecciona el conjunto de datos a buscar:
Pestaña conjunto de datos.
El menú "Data Set" categoriza los conjuntos de datos en colecciones de datos similares.
EarthExplorer utiliza un menú de árbol dinámico con vínculos expandibles / plegables
para cada categoría de datos principal. Haga clic en el signo más ( ) junto al nombre
de la categoría para expandir la lista de conjuntos de datos para esa colección. Haga clic
en el signo menos ( ) junto al nombre de la categoría para contraer la lista.
C. Additional Criteria
La pestaña "Additional Criteria" es un área de entrada opcional que permite la entrada

de criterios de búsqueda adicionales específicos para el conjunto de datos seleccionado.
Haga clic en la pestaña "Criterios adicionales" para mostrar los criterios adicionales para
el primer conjunto de datos seleccionado. El tipo y el número de criterios de búsqueda
variarán según el conjunto de datos.
D. Results
La pestaña "Results" ejecuta una búsqueda utilizando los criterios de búsqueda y

muestra los resultados de los criterios establecidos. El lado izquierdo de la interfaz
muestra el panel de resultados con la información en miniatura e información textual
de cada escena que se devuelve de la búsqueda. El lado derecho de la interfaz muestra
la interfaz de Google Map con un esquema del área de interés identificada (Figura 8).
35
Pestaña de criterio de búsqueda.
En esta sesión, nos dirigimos sobre búsqueda personalizada, encontraremos cuatro

tipos de criterios de búsqueda: por Direcciones, por Path /Row, coordenadas y rango de
fechas que quiero descargar mis imágenes.
Descargaremos una imagen Lansat -8 , con el mejor criterio de búsqueda PATH / ROW,
escribimos nuestros datos y luego en Show, nos mostrara el lugar seleccionado.
Luego nos ubicamos en DATA SETS / Landsat Archive / Pre-collection;
Procedemos a hacer clic sobre la pestaña de ADDITIONAL CRITERIA, donde haremos una
variación de porcentaje de nubes para ello seleccionaremos less than 10% en CLOUD
COVER. Lo demás dejaremos por defecto.
36
Si nos dirigimos a RESULTS, nos mostrara todas las imágenes a colores con un porcentaje
de nubosidad menor al 10%, así podremos encontrar la metadata, y la opción a
descargar imagen.
De todas las opciones que se muestran para descargar, optaremos por la que más pesa
ya que contiene mayor información. (ver video 3.2)
3.3 Copernicus-Sentinel
Nos dirigimos hacia nuestra plataforma de Copernicus-Sentinel, donde lo primero que

haremos será registrarnos creando una cuenta. Hacemos clic sobre SING UP, para iniciar
el registro y crear nuestra cuenta (VER VIDEO 3.3)
Encontraremos dos tipos de búsqueda, ingresando la dirección o haciéndolo manual que
será desplazándonos por el visor. Podemos activar la opción satélite para que cambie el
visor, nos dirigimos hacia nuestra área de interés.
A continuación, seleccionaremos el área de interés, donde se mostrarán todas las

imágenes (1), Luego ingresaremos los criterios de búsqueda de nuestra imagen (2)
37
Continuación de criterios de búsqueda
Hacemos clic sobre el ícono de búsqueda y escogemos la imagen más limpia y libre de
nubes, se mostrará cinco íconos:
 Selección de imagen
 Zoom
 Detalles de la imagen a descargar y demás datos
 Añadir al carrito (si deseamos tenerlo como favorito)
 Descarga
3.4 Glovis Next
Desde 2001, el visor de visualización global de USGS (GloVis) se ha utilizado para

visualizar, ordenar y / o descargar fácilmente datos de detección remota.
Desafortunadamente, el sitio web de GloVis requiere el uso de Java y varios navegadores
web comunes ya no admiten la tecnología subyacente necesaria para los applets Java.
GloVis Next es el visualizador de visualización global de próxima generación que asegura
el acceso continuo a determinados conjuntos de datos dentro del archivo de detección
remota USGS. Además de una nueva apariencia y funcionalidad, GloVis Next es
38
compatible con todos los navegadores web. El GloVis Next Tour cubre los pasos básicos
para navegar por el sitio web.
Nos dirigimos hacia nuestra plataforma de Glovis Next, donde lo primero que haremos
será registrarnos creando una cuenta. Hacemos clic sobre LOGIN, para iniciar el
registro y crear nuestra cuenta (VER VIDEO 3.4)
1.1. Seleccione Conjunto (s) de datos y aplique los filtros
GloVis Next se abre con un panel de controles de interfaz en el lado izquierdo de la

pantalla. Este panel proporciona opciones para configurar una búsqueda de datos.
A. Elija su (s) conjunto (s) de datos
Para comenzar, seleccione un conjunto de datos en el menú Choose Your Data Set.
Basta con cambiar el conjunto de datos en para activar y guardar la selección. El
número total de escenas disponibles se muestra debajo del nombre del conjunto de
datos y la vista del mapa muestra un mapa de cobertura para indicar la disponibilidad
de datos. El mapa de cobertura para cada conjunto de datos es un color diferente .
El mapa de cobertura se puede desactivar haciendo clic en el icono.
B. Filtro de metadatos
El Metadata Filter proporciona opciones que reducen los resultados de búsqueda.

Actualice uno o más filtros y, a continuación, haga clic en Apply para guardar todas las
selecciones y ver las escenas coincidentes.
1). Filtre los datos temporalmente por Date Range usando mm/dd/aaaa a
mm/dd/aaaa.
2). Ingrese en Cloud Cover para restringir los resultados en función del porcentaje
de la escena cubierta por nubes. Deje este filtro vacío para los conjuntos de datos
que no informan sobre la cobertura de nubes, como GLS.
3). Seleccione Months para limitar aún más los resultados de búsqueda a las
escenas adquiridas durante una parte del año. Para seleccionar más de un mes,
mantenga pulsadas las teclas Mayús o Ctrl mientras selecciona filas adicionales.
Haga clic en el triángulo en la parte superior derecha del encabezado para contraer
el menú.
1.2. Definir el área de interés
El siguiente paso es definir el área geográfica de interés. Para seleccionar una ubicación,
arrastre el mapa y haga zoom en el área de estudio o utilice el menú Jump To ... en
la parte superior derecha del mapa. Cuando se activa la función de zoom, en la pantalla
aparecen imágenes de exploración que intersecan el punto de referencia del centro del
mapa en el centro de la ventana gráfica. Para ver los datos detrás de Interface
Control, haga clic en el triángulo en la parte superior derecha de ese panel para
contraer el panel. A medida que el ratón se mueve por el mapa, las coordenadas se
muestran en grados decimales en la parte superior derecha del área de vista del mapa.
39
A. Zoom y panorámica
Utilice la rueda de desplazamiento del ratón o los controles +/- en la esquina superior
derecha de la vista de mapa para activar la visualización de imágenes de exploración o
para ampliar las imágenes de exploración. El nivel de zoom necesario para activar las
imágenes de exploración depende del tamaño de la escena y varía según el conjunto de
datos.
Desplazamiento a áreas adyacentes arrastrando el mapa. Si el nivel de zoom permite la

visualización de imágenes, los conjuntos de datos se actualizan automáticamente.
B. Saltar a Opciones
El menú Jump To ... ofrece la oportunidad de usar Ubicación actual, Latitud / Longitud o
Ruta / Ruta WRS para seleccionar una ubicación. La ubicación actual cambia el punto
central del mapa a la ubicación actual del navegador físico una vez que se le da permiso
al navegador para compartir la ubicación actual con el sitio de GloVis Next.
A medida que se modifica el área de interés, cada conjunto de datos actualiza el número
de escenas que coinciden con los criterios actuales. El icono de mapa de cobertura de
nivel de navegación se puede activar para indicar disponibilidad de datos.
1.3 Navegación y selección de escenas
El panel Scene Navigator aparece cerca de la parte inferior derecha de la pantalla

cuando se cargan imágenes de exploración. El Scene Navigator muestra el conjunto de
datos, la ID de entidad y la fecha de adquisición de la escena más reciente. La escena
actual se representa con un contorno rojo y se muestra en la parte superior de todas las
demás imágenes de exploración.
Las escenas se organizan por fecha de adquisición. Previous selecciona y resalta la

siguiente escena más reciente. Utilice Previous y Next para desplazarse por los
resultados. La pantalla utiliza una visualización dinámica de las imágenes de exploración
más cercanas a la fecha de adquisición de la escena actual.
Select añade una escena a la lista Escenas seleccionadas justo debajo de la barra de
herramientas negra en la parte superior de la vista del mapa. Una vez que se ha
seleccionado una escena, haga clic en Anular selección para eliminarla de las escenas
seleccionadas.
Controles de escena
El Scene Navigator también incluye iconos como, por ejemplo: Share Scene, View
Metadata, Download Scene, Order Scene, o Hide Scene. Es necesario iniciar sesión para
ver todas las opciones de control de escena.
A. Escena compartida ( )
El icono Share Scene abre un menú con opciones para Scene Summary, Metadata XML
y Reduced Resolution Browse.
40
1. Scene Summary abre una nueva pestaña de navegador que muestra la imagen
de exploración, enlaces para descargar los productos disponibles, metadatos
completos para la escena actual y enlaces para ordenar productos (WMS On-
Demand y Bulk Download) si hay opciones disponibles.
2. Metadata XML abre una nueva pestaña con los metadatos xml de la escena.
3. Reduced Resolution Browse abre una nueva pestaña con una imagen de
exploración más grande.
B. Ver Metadatos ( )
Haga clic en el icono View Metadata para mostrar los metadatos completos de la escena
actual. Los atributos del conjunto de datos se muestran en formato de tabla.
C. Descargar Scene ( )
Haga clic en el icono Download Scene para ver las opciones de descarga de la escena
actual. Haga clic en Download para obtener el producto deseado para descargar los
datos. Las opciones de descarga y los productos varían según el conjunto de datos.
D. Escena de pedido ( )
Haga clic en el icono Order Scene para colocar un pedido de servicio de correlación web
a la carta, agregar la escena a la lista de descarga masiva o simplemente descargar la
escena. Las opciones de pedido y los productos varían según el conjunto de datos.
E. Ocultar la escena ( )
Haga clic en el icono Hide Scene para ocultar la escena actual de la lista y eliminarla del
mapa. El número de escenas Hidden se indica mediante un contador situado junto al
nombre del conjunto de datos en el panel Controles de interfaz. Haga clic en el
contador para borrar las escenas ocultas para volverlas disponibles para su
visualización.
En esta sesión, al ingresar al interfaz, ubicaremos nuestra área de interés de forma

manual o haciendo clic sobre el ícono de búsqueda, donde se podrá ingresar Path /
Row o coordenadas.
Ingresaremos el Path /row, el símbolo se ubicará sobre nuestra área de interés, ahora
elegiremos la imagen dependiendo del tipo de satélite en este caso será de una Lansat 8.
41
Luego lee asignaremos las características de filtro para la imagen como fechas y cobertura de
nubes, aplicamos y el visor nos mostrará dos imágenes que cumplen con el criterio de búsqueda,
para luego poder descargar. (Ver video 3.4)
Icono de descarga
CAPÍTULO 4: INTRODUCCIÓN A LA INTERFAZ Y MANEJO DE

ENVI
4.1 Introducción a la interfaz y manejo de ENVI
ENVI
El software ENVI es conocido por sus potentes herramientas de análisis de imágenes

geoespaciales, pero ahora la última versión del software añade capacidades
significativas de análisis y visualización de nubes de puntos LiDAR. Capacidades que
anteriormente sólo estaban disponibles en el paquete de software ENVD LiDAR. El
nuevo y mejorado ENVI ofrece a los usuarios una única interfaz de software para trabajar
con datos hiper-espectrales, multi-espectrales, pan- cromático y LiDAR.
En ENVI 5.3 se ejecuta con RunTime App, por lo que todo el tiempo que el software está
siendo usado encontraremos dos ventanas correspondientes ejecutándose al mismo
tiempo. El paquete de ENVI 5.3 viene acompañado con los siguientes ejecutables ENVI
42
y ENVI LiDAR (ambos con una opción con el prefijo +IDL, el cual es un módulo para
programación). Adicionalmente, encontramos en la carpeta de 64-bit un ejecutable del
ENVI con la interfaz clásica de ENVI 4.7.
Contenido del paquete de ENVI 5.3.
Características de ENVI
Competitivo: los espectaculares resultados de ENVI, incluso en el tratamiento de
imágenes de gran tamaño son de gran reconocimiento entre sus usuarios. ENVI es
soportado por plataformas informáticas como UNIX, PC/Windows o Linux y Macintosh.
De este modo, una aplicación desarrollada en IDL e integrada en ENVI sobre una
plataforma, puede usarse fácilmente en otra.
Abierto: gracias a IDL, (incluido en ENVI), el usuario puede integrar rápidamente sus
propios algoritmos de tratamiento. IDL es un entorno muy completo (permite el acceso,
análisis y visualización de datos) y abierto (tiene enlaces a otros lenguajes,
especialmente a C, C++ y Fortran.
Fácil de usar: gracias a su interfaz lógico e intuitivo el usuario puede fácilmente importar
imágenes, aplicarles diferentes tratamientos, hacer sus análisis, guardarlas y crear
salidas gráficas con anotacione.
Completo: posee un conjunto muy completo de funciones de análisis y de tratamiento
que permiten trabajar con imágenes multiespectrales, hiperespectrales y de radar.
Acceso fácil a los datos: Constituye la elección natural de los profesionales por su
rendimiento, su apertura y su facilidad de utilización
Entorno de ENVI (ver video 4.1)
La interfaz de ENVI 5.3 es mucho más amigable para el usuario respecto a las versiones
anteriores del software, ya que ésta incluye una sola ventana de visualización, mientras
que las otras contenían varias ventanas y no contenían una barra de herramientas fija,
sino que estaban distribuidas con otro arreglo que resultaba un tanto confuso. La
configuración de la pantalla de ENVI contiene 3 barras de herramientas, una pantalla
de Data View, la cual, puede ser desplegada de varias maneras en función del tipo y
número de archivos ráster o bandas que se tengas desplegados. A su costado izquierdo
se encuentra el Layer Manager y al costado derecho el Toolbox. Desde la primera caja
se muestran los ráster o bandas agregados al proyecto en visualización y desde el cual
se puede cambiar la combinación RGB del ráster que se despliega en pantalla, a la vez
que se muestra información referente al metadato de la imagen de satélite o crear
directamente sobre ellas un ROI. En la parte posterior derecha se encuentra el ToolBox
desde donde puede hacer uso de las diferentes extensiones con las que cuenta este
43
poderoso software. El ToolBox de ENVI 5.3 es equivalente al ArcToolBox de ArcGIS por

hacer una analogía.
A diferencia de ARCGIS, ENVI permite el manejo no sólo de datos provenientes de

sensores o plataformas espaciales, sino también de datos provenientes de radares
meteorológicos o militares e información de datos LIDAR, por lo que supera al software
de ESRI en el manejo y lectura de diversos formatos nativos. Al mismo tiempo, también
se pueden trabajar con datos de radar y LIDAR, para este último tiene un modelo de
visualización llamado ENVI LiDAR (llamado E3DE en versiones anteriores del software).
Así pues, la apertura de los ráster se hace de preferencia conociendo la constelación y
tipo de sensor o formato en el que se encuentran las matrices de datos.
Apertura de imágenes de datos multiespectrales, hiperespectrales, lidar y radar a partir de

diferentes satélites y formatos disponibles. 44
1. Cómo de forman los colores en una computadora
El monitor emplea una mezcla de colores aditivos para generar el color. Emite luz roja,
verde y azul en proporciones variables. Consideremos cómo se genera el magenta en un
monitor. Ya sabe que el magenta es una combinación de rojo y azul. Como hemos
anticipado, el monitor emite en 3 longitudes de onda: rojo verde y azul. Puesto que el
magenta no tiene verde, el ordenador asigna a ese color el valor cero. ¿Pero qué valor
le da al rojo y al azul? ¿Qué posibilidades tiene de discriminar las diferentes variaciones
en color magenta? ¿Con qué sutileza?. Para responder a estas preguntas, se debe
analizar cómo el color se traduce a código digital, para lo cual debemos introducir la
noción de BIT.
Un BIT es un impulso eléctrico. Puede ser "ON" ó puede ser "OFF", ceros ó unos. Por lo
tanto, cuando se utiliza 1 BIT hay sólo 2 respuestas posibles desde el punto de vista del
color: es Blanco ó Negro. Cuando se utilizan 2 BIT, hay cuatro combinaciones posibles,
por lo cual el ordenador puede identificar 4 colores o tonos distintos. Si se utiliza 4 BIT
(24), se duplica el número de colores posibles. Se reconocen 16 niveles. Muchos
ordenadores utilizan 8 BIT para representar valores de color. Esto significa que existen
28 posibles combinaciones o lo que es lo mismo 256 colores individuales. En general los
monitores de última generación entremezclan tres canales de color de 8 BIT. Puesto que
cada canal tiene 256 valores, el total es 2563, lo que equivale a 16,7 millones de valores
de color.
2. Color verdadero – falso color
Los sensores ven más que nuestros ojos. ¿Por qué afirmo esto? La visión humana está
restringida a las longitudes de onda denominadas visible, mientras que los sensores
“ven” o captan información en longitudes de ondas tales como infrarrojo o termal. Por
ejemplo: el sensor Landsat TM. Este sensor capta información en 7 longitudes de onda
diferentes: en la longitud de onda del Azul (igual a la información que captan nuestros
ojos), en el Verde (Ídem), en el Rojo (Ídem) y en tres bandas en el dominio del Infrarrojo
y una Termal. Los ojos no ven estas últimas 4 longitudes de onda. Pero esto es sólo el
comienzo del problema. Como hemos afirmado en el párrafo anterior, el monitor emite
en 3 canales y el sensor ofrece información en 7 bandas. ¿Cómo se hace para resolver
este problema? La primera forma de visualizar la información, es asignar al cañón rojo
de la computadora, la información que el sensor detectó como radiando en rojo sobre
la superficie terrestre; al cañón azul de la computadora, la información que el sensor
detectó como radiando en azul sobre la superficie terrestre; al cañón verde de la
computadora, la información que el sensor detectó como radiando en verde sobre la
superficie terrestre. A esta forma de ver las imágenes se las denomina Color Verdadero,
por la similitud con los colores que ven nuestros ojos. ¿Pero qué hacemos para ver las
otras bandas si el monitor tiene sólo 3 cañones y el sensor 7 bandas? La única posibilidad
es asignar a cada cañón del monitor (ROJO, VERDE Y AZUL) una banda en forma
arbitraria. Se pueden realizar múltiples combinaciones. Cada una de ellas, aporta una
especial y valiosa información acerca de los aspectos que modelan el paisaje como son
las geoformas, cobertura, clima, procesos antrópicos, etc. A esta forma de ver las
45
imágenes se las denomina Falso Color por la falta de similitud con los colores que ven
nuestros ojos. Dentro de las posibles combinaciones, la más conocida es la denominada
Falso Color Compuesto, donde la vegetación se ve de color rojo.
Ingreso de datos y despliegue de una imagen

Combinación RGB
Modelo RGB
La creación de estas imágenes parte del paso de bandas a través de tres canales: rojo, verde y
azul. El paso de cada banda por un canal u otro permitirá la pigmentación de los elementos que
ofrezcan mayor o menor reflexión de longitudes de onda. El juego cromático de estas bandas
nos ayudara a elaborar mapas específicos de vegetación u otra característica resaltante de la
superficie.
Composición de bandas Espectrales

El dominio del azul (Blue) nos permite establecer relaciones entre vegetación y suelo,
delimitar usos agrícolas y zonas de bosque.
El dominio del verde (Green) discrimina los distintos tipos de vegetación saludable y su
vigorosidad. También es útil para estudiar la calidad del agua, en cuanto a su
concentración sedimentaria y de clorofila.
Por otro lado, el rojo (Red) discrimina especies vegetales, fija límites geológicos y de
suelos. Esta banda es la que más absorbe la clorofila, por lo que nos permitirá observar
la salud de la vegetación y valorar sus condiciones.
El infrarrojo cercano (IRC) nos ayuda a delimitar la biomasa vegetal, identificación y
discriminación de cultivos. Los objetos que contengan temperatura, serán identificados
en esta banda, ya que emiten radiación infrarroja, por lo que nos será útil en este
aspecto. Si la temperatura del objeto desciende, la radiación será identificada por
longitudes de onda infrarrojas más alejadas.
46
El infrarrojo medio (SWIR) nos permite estimar el contenido de humedad en las plantas,
por lo que podremos observar el estrés hídrico que padece una zona vegetada. Esto
también se aplica a los suelos, que estarán más o menos húmedos.
4.2 Ingreso de datos y despliegue de una imagen

Ingresaremos a ENVI, sobre la barra de herramienta encontraremos el ícono de DATA
MANAGER, donde nos mostrará un ícono para abrir nuestra imagen y seleccionaremos el archivo
MTL.
Se visualizará la imagen, así como las bandas que lo componen, la pestaña de DATA MANGER
tiene tres principales sub ventanas, la primera será donde se encuentra las bandas que
componen las imágenes. La segunda es sobre la información que contiene cada banda y la
tercera es donde se realizara la combinación RGB.
47
Bandas que
componen la
imagen
Información de
cada banda
Combinación
de Bandas
Las combinaciones de bandas que veremos en este capítulo serán:
Combinación 6,5,2 donde se resaltará la vegetación sobre el suelo desnudo.
Combinación 7,6,5 para obtener una imagen limpia de efectos atmosféricos
48
Obtención de Imagen HSV

Esta imagen será obtenida a partir de una combinación RGB. Nos dirigimos a Toolbox /
Transform / Color transform/ RGB to HSV Color Transform; hacemos doble clic y
escogemos las bandas a combinar para luego darle una ruta donde guardara la imagen
transformada.
CAPÍTULO 5: INTEGRACIÓN DE ENVI Y ARCGIS
5.1 Integración de ENVI y ArcGIS
Ejemplos de herramienta de ENVI

Conversión de formatos Raster
Se pueden transformar formatos raster mediante los softwares ArcGIS y ENVI, además
podemos convertir los datos raster a un formato TIFF/Geo TIFF o formato ENVI, para
que pueda ser utilizada en la interfaz ENVI. Las herramientas de ENVI sólo admiten
formatos raster de entrada que reciben soporte de software ArcGIS y ENVI. A
continuación, se detalla los formatos de entrada compatibles.
FORMATOS
DPPDB (.ntf) JPEG2000 (.jp2, .j2k)
DTED (.dt0, .dt1, .dt2) Landsat MSS, TM, ETM+ (.tif)
ENVI Standard Raster LAS LiDAR (.las)
49
ENVI Classification MrSID (.sid)

ERDAS IMAGINE (.img) NITF 1.1, 2.0, 2.1 (.ntf)
ESRI Geodatabase Raster Dataset: NSIF 1.0 (.nsf)
Personal (<mdb>) OrbView-3 (.tif, .ntf)
File (<gdb>) QuickBird (.tif, .ntf, .til)
GeoEye-1 (.tif, .ntf) JPEG2000 (.jp2, .j2k)
GeoJP2 / GeoJ2K (.jp2, .j2k) Landsat MSS, TM, ETM+ (.tif)
GeoTIFF (.tif) LAS LiDAR (.las)
IKONOS (.tif, .ntf) TIFF (.tif)
JPEG (.jpg) Spot DIMAP (<dir> in 10.0+)
RapidEye (.tif, .ntf) WorldView-1 (.tif, .ntf, .til)
TFRD (.tfd) WorldView-2 (.tif, .ntf, .til)
Filtros con Convolución

El filtro por convolución reemplaza el valor de cada píxel en un tramo mediante una
suma de los píxeles circundantes. La contribución de cada pixel a la suma se define por
un filtro de Kernel cuadrado. El filtro de kernel puede ser diseñado para retener
componentes de alta frecuencia. Para su uso en la mejora de bordes o aplicaciones,
nitidez en la imagen, o para retener componentes de baja frecuencia para su uso en
desenfoque de la imagen y las aplicaciones de reducción de ruido.
Lidar a raster
Lidar a Raster lee un archivo Lidar de formato LAS y la convierte en un formato de ENVI
de elevación o intensidad. El raster de salida tendrá la misma proyección que el archivo.
LAS de entrada.
Tipos de Lidar: Hay dos tipos básicos de LIDAR
 Aerotransportado: Con LIDAR aerotransportado, el sistema se instala en un

helicóptero o en un avión. La luz de láser infrarrojo se emite hacia el suelo y es
devuelta al sensor LIDAR aerotransportado en movimiento. Hay dos tipos de
sensores aerotransportados: topográficos y batimétricos.
50
Lidar topográfica (El LIDAR topográfico se puede utilizar para derivar modelos
de superficie para usar en varias aplicaciones como silvicultura, hidrología,
geomorfología, planificación urbana, ecología del paisaje, ingeniería costera,
evaluaciones de relevamiento topográfico y cálculos volumétricos).
Lidar batimétrico (El LIDAR batimétrico es un tipo de adquisición
aerotransportada que penetra en el agua. La mayoría de sistemas LIDAR
batimétricos recopilan simultáneamente la profundidad del agua y la elevación,
que proporciona un relevamiento topográfico LIDAR aerotransportado de la
interfaz tierra-agua. Con un relevamiento topográfico LIDAR batimétrico, la luz
infrarroja (sistema láser tradicional) se refleja de vuelta al avión desde la
superficie del agua y de la tierra, mientras que el láser verde adicional viaja a
través de la columna de agua. Se utilizan análisis de los dos pulsos distintos para
establecer las profundidades del agua y las elevaciones de la costa. La
información batimétrica es muy importante cerca de las líneas costeras, en
puertos y cerca de playas y riberas. La información batimétrica también se
utiliza para ubicar objetos en el suelo oceánico).
 LIDAR Terrestre: Hay dos tipos principales de LIDAR terrestre: móvil y estático.
En el caso de la adquisición móvil, el sistema LIDAR se monta en un vehículo en
movimiento. En el caso de la adquisición estática, el sistema LIDAR
normalmente se monta en un trípode o dispositivo estacionario. Ambos
sensores LIDAR consisten de láser seguros para los ojos. El Lidar terrestre
recopila puntos muy densos y altamente exactos, que permiten la
identificación precisa de los objetos. Estas nubes de punto densas se pueden
utilizar para administrar instalaciones, realizar relevamientos topográficos de
carreteras y vías férreas, e incluso crear modelos de ciudades en 3D para
espacios en el exterior y en el interior, para mencionar algunos ejemplos.
Móvil (LIDAR móvil es el conjunto de nubes de punto LIDAR desde una

plataforma en movimiento. Los sistemas LIDAR móviles pueden incluir cualquier
número de sensores LIDAR montados en un vehículo en movimiento. Estos
sistemas se pueden montar en vehículos, trenes e incluso en barcos. Los sistemas
móviles normalmente consisten de sensor LIDAR, cámaras, GPS (Sistema de
posicionamiento global) y un INS (sistema de navegación inerte), al igual que con
los sistemas LIDAR aerotransportados. Los datos LIDAR móviles se pueden
utilizar para analizar infraestructura de carreteras y ubicar alambres
aerotransportados que se superpongan, postes de luz y rótulos de carretera
cerca de carreteras o vías férreas).
Estático (LIDAR estático es el conjunto de nubes de punto LIDAR desde una
ubicación estática. Normalmente el sensor LIDAR está montado en un trípode y
es totalmente portátil, con un rango basado en un láser y sistema de imágenes.
Estos sistemas pueden recopilar nubes de punto LIDAR dentro de edificios así
como en el exterior. Las aplicaciones comunes para este tipo de LIDAR son la
ingeniería, minería, topografía y la arqueología).
51
Topográfico Batimétrico Móvil
Extracción de características con Ruleset
Para la extracción de características con Ruleset, se utiliza un enfoque basado en objetos

para clasificar las imágenes. En la extracción de características con Ruleset, primero
segmenta la imagen de entrada en regiones por grupos cercanos de pixeles con valores
similares. Se utiliza un algoritmo de segmentación basado en borde, seguido por una
etapa de fusión opcional para calcular el espacial, espectral, y los atributos de textura
para cada segmento. Esto asigna segmentos a clases, donde una clase contiene una o
más reglas que se puede construir en base a su conocimiento de ciertas características.
Por ejemplo, sabemos que los caminos son alargados, algunos edificios se aproximan a
una forma rectangular, y los árboles son de textura muy gruesa en comparación con la
hierba. Se muestra el proceso de extracción de característica sobre una imagen.
(Ver video 5.1)
5.2 Procesamiento de Imágenes
Auto-Threshold Difference Raster

La diferencia Auto-Umbral Raster proporciona cuatro métodos de auto-umbral de
diferencia de imágenes, los cuales son Otsu's, Tsai's, Kapur's, y Kittler's.
 Otsu's: Un método basado en la forma del histograma. Se basa en el análisis
discriminante y utiliza los momentos acumulados de orden cero y primer orden
del histograma para calcular el valor del nivel de umbral.
 Tsai's: Un método basado en momentos. Se determina el umbral de modo que
los tres primeros momentos de la imagen de entrada se conservan en la imagen
de salida.
 Kapur's: Un método basado en la entropía. Se considera la imagen de umbral
como dos clases de eventos, con cada clase caracterizado por una función de
densidad de probabilidad. El método, maximiza la suma de la entropía de las dos
funciones de densidad de probabilidad, para obtener un umbral óptimo.
52
 Kittler's: Un método basado en la firma del histograma. Se aproxima el

histograma como una distribución de Gauss bimodal y encuentra un punto de
corte. La función de coste se basa en la regla de clasificación de Bayes.
Diferencia Auto-Umbral Raster.

Cálculo de diferencia de imágenes
Para calcular la diferencia de imágenes, se compara dos imágenes de la misma extensión
geográfica e identifica diferencias entre ellos. La diferencia se puede calcular en una
banda de entrada especificado, en un índice de función o utilizando el ángulo espectral.
A continuación, se detalla lo métodos de diferencia de imágenes
 Diferencia de bandas: Para realizar el análisis de la diferencia en una banda

específica en la imagen, se especifica la banda para su uso en las opciones
avanzadas. Usted puede optar por realizar radiométrica normalización entre
dos bandas de entrada.
 Función de índice de diferencia: método sólo está disponible cuando los raster
de entrada son multiespectrales o hiperespectrales. Para emplear el índice se
debe de especificar dos bandas espectrales. El índice se calcula como función
(Band2 - Band1) / (Band2 + Band1).
 Diferencia de Angulo espectral: este método consiste en determinar espectros
similares entre dos imágenes raster por el cálculo del ángulo entre los espectros
y tratarlos como vectores en un espacio con dimensionalidad igual al número
de bandas.
53
Calculate Thematic Change

Para calcular cambio temático se toma dos imágenes de la clasificación de la misma
escena tomadas en diferentes momentos e identifica diferencias entre ellos. La imagen
de la clasificación resultante, muestra las transiciones de las clases. Ambas imágenes
deben contener el mismo número de clases y las mismas definiciones de clases.
Classification Raster to Vector

La clasificación de Raster a vector consiste en transformar los pixeles de la imagen
clasificada en archivos vectoriales de tipo “shp”. En la siguiente Figura se muestra el
resultado de la trasformación de una imagen clasificada a vector.
Classify With Training

Para esta clasificación se emplea zonas de entrenamiento, las zonas de entrenamiento
son suministrado por polígonos o puntos (shp), entre los métodos de clasificación
tenemos: Maximum Likelihood - Minimum Distance - Spectral Angle Mapper -
Mahalanobis Distance
 Maximum Likelihood: Este método considera que los ND de cada categoría
se ajustan a una distribución normal. Esto nos permite describir esa categoría
por una función de probabilidad, a partir de su vector de medias y matriz de
varianza-covarianza. Así podemos calcular la probabilidad de que un
determinado píxel pertenezca a una categoría; el cálculo se realiza para todas
las categorías definidas y el píxel se clasifica en clase a la cual tenga más
probabilidad de pertenecer.
 Minimum Distance: El criterio más sencillo para clasificar un píxel en una
categoría es incluirlo en la más cercana a él, es decir, en aquella que minimice
la distancia entre ese píxel y el centroide de clase. Esta distancia no es una
54
distancia geográfica sino espectral consecuencia de comparar los ND de cada

píxel con los del centro de las distintas categorías, para todas las bandas que
intervienen en el análisis.
 Spectral Angle Mapper: El ángulo espectral Mapper (SAM) es una
clasificación espectral basada en la física que utiliza un ángulo de n-
dimensional para que coincida con píxeles de espectros de referencia. El
algoritmo determina la similitud espectral entre dos espectros, calculando el
ángulo entre los espectros, tratándolos como vectores en un espacio con
dimensionalidad igual al número de bandas. SAM compara el ángulo entre el
vector del espectro endmember y cada píxel en el espacio vectorial n-
dimensional. Pequeños ángulos representan más coincidencias con el
espectro de referencia. Los píxeles más lejos que el umbral máximo ángulo
especificado en radianes no están clasificados.
 Mahalanobis Distance: Asume previamente que los histogramas de las clases
tienen distribuciones normales. Por otra parte considera que la forma
geométrica de la nube de puntos que representa al conjunto de píxeles
pertenecientes a una clase puede ser descrita por un elipsoide. Dicha forma
de elipsoide depende directamente de la covarianza entre las distintas
variables. En la Figura 8 se presenta un método de clasificación por
entrenamiento
Cleanup Classification Raster

Con este método se puede hacer limpieza del resultado de clasificación obtenidos. Por
lo tanto, se suaviza y elimina el ruido, producto de pixeles agregados por pequeñas
regiones.
55
Detect Anomalies
Para la detección de anomalías se utiliza el algoritmo de Reed-Xiaoli detector para
detectar las diferencias espectrales y de color entre una región y para poner a prueba
sus píxeles vecinos o el conjunto de datos. Este algoritmo extractos de los objetivos que
se espectralmente distinta de la imagen de fondo. Los resultados de los análisis RXD son
inequívocas y han demostrado ser muy eficaces para detectar sutiles características
espectrales. Existe otro método como el UTD que define las anomalías utilizando (1 - μ)
como la firma emparejado, en lugar de (r - μ). UTD y RXD funcionan de manera idéntica,
pero en lugar de utilizar un vector de muestra a partir de los datos (como con RXD), UTD
utiliza el vector unitario. UTD extrae firmas fondo como anomalías y proporciona una
buena estimación del fondo de la imagen. Finalmente se tiene el modelo RXD-UTD que
es un híbrido de los métodos RXD y UTD, en el que (r - 1) se utiliza como la firma
coincidente. Esta es una variante del enfoque de UTD. Restando UTD de RXD suprime el
fondo y mejora las anomalías de interés. Para el método de cálculo de la media. El valor
predeterminado es global. Global deriva el espectro medio del conjunto de datos
completo. Local deriva el espectro medio de un núcleo localizado alrededor del píxel. En
la Figura 11 se muestra una imagen de anomalías.
Intersect Rasters
Para la intersección de dos datos raster, se toman dos datos raster como datos de
entrada y dos datos raster de salida que cubren sólo el área de superposición de los dos
datos de entradas. Si los rasters de entrada tienen diferentes proyecciones o tamaños
de pixel, uno de los raster de salida se reproyecta o se remuestrea de modo que los dos
raster de salida tengan el mismo número de filas y columnas.
Threshold By Percentage
Umbral por porcentajes segmenta la imagen en regiones anómalas y no anómalas. El
umbral debe ser lo suficientemente bajo para minimizar los falsos positivos sin omitir
anomalías reales.
56
(Ver video 5.2)
5.3 Flujo de Trabajo de Imágenes

Detect Anomalies With Thresholding
Para detectar anomalías con umbrales se utiliza el método de Reed-Xiaoli Detector (RXD)
para detectar las diferencias espectrales y de color entre una región y para poner a
prueba sus píxeles vecinos o el conjunto de datos. Además, extrae los objetivos que
están espectralmente distintos al fondo de la imagen. RXD es eficaz cuando los objetivos
anómalos son suficientemente pequeñas, en relación con el fondo. El umbral debe ser
lo suficientemente baja para minimizar los falsos positivos sin omitir anomalías reales.
Detect Image Difference with Thresholding and Cleanup
Para detectar diferencia de imágenes con umbrales y afinamiento, primero se deben de
intersectar los archivos raster y a continuación, comparar las dos imágenes de la misma
extensión geográfica e identificar diferencias entre ellos. La diferencia se puede calcular
en una banda de entrada especificada, en un índice de función, o utilizando el ángulo
espectral. El umbral proporciona cuatro métodos de auto-umbral (Otsu's, Tsai's, Kapur's,
y Kittler's), mientras que la limpieza refina el resultado de la clasificación con un
suavizado (elimina los ruidos) y/o agregación (elimina pequeñas regiones).
Detect Thematic Change With Cleanup
Para detectar cambios temáticos con la limpieza primero se debe de realizar una
intersección de datos raster y a continuación, se comparan los dos rásteres de
clasificación de la misma extensión geográfica e identifica diferencias entre ellos.
Supervised Classification With Cleanup

Clasificación supervisada mediante zonas de entrenamiento y limpieza de los píxeles en
un conjunto de datos en clases se basa en los datos de formación definidos por el
usuario. La formación de datos se suministra como polígonos o puntos de shapefiles
existentes. La limpieza refina el resultado de la clasificación. Suaviza y elimina los ruidos,
y/o agregación (elimina pequeñas regiones).
57
Unsupervised Classification With Cleanup

En la clasificación no supervisada con la limpieza utiliza la técnica ISODATA ya que
agrupa los píxeles en un conjunto de datos basado en estadísticas, sin ninguna clase de
formación definidos por el usuario. La limpieza refina el resultado de la clasificación con
un suavizado (elimina los ruidos) y/o agregación (elimina pequeñas regiones).
5.4 Conversión de Formatos Raster

Iniciamos abriendo ArcMap, donde agregaremos la herramienta ENVITOOLS hacia
ArcToolbox.
Pasos:
 Clic en ArcToolbox, seleccionamos Add Toolbox

 Desplegamos la venta para buscar y nos dirigimos a la opción del disco C /
Program Files / Exelis / ENVI5.3 / gptools / arctoolbox / Toolboxes / ENVI
Tools. Tbx.
 Seleccionamos la opción ENVI Tools y abrimos
Observaremos que la herramienta ENVI Tools se encuentra como herramienta de
ArcToolbox.
Encontraremos dentro esta herramienta la opción Convert to Raster, seleccionamos y
hacemos doble clic. Completamos los siguientes campos.
Ruta de entrada
de la imagen
Ruta donde se
Lugo hace guardará la
imagen convertida
Seleccionamos
formato
58
Luego hacemos Clic en OK y esperamos a que se realice la conversión y clic en CLOSE.

(ver video 5.4)
5.5 Filtros de Convolución

Iniciamos abriendo ArcMap, para luego utilizar la herramienta de ENVITools que se
encuentra dentro de ArcToolbox. Hacemos clic sobre ENVITools / Example ENVI
Tools/Filter with Convolution.
Ruta de entrada
Ruta de salida
Elegimos Laplacian,
es un filtro que
ayuda a mejorar los
bordes de la imagen
Luego del proceso de cargar, hacemos clic sobre CLOSE. Obtendremos una imagen que
resalta los bordes de la superficie en la imagen. (ver video 5.5)
5.6 Conversión de datos LIDAR a Raster.

encuentra dentro de ArcToolbox. Hacemos clic sobre ENVITools / Example ENVI
Tools/LIDAR to raster.
Asignamos ruta de entrada, de salida, tipo de modelo en este caso será Last Return
conocido como modelo de terreno desnudo, muestran superficie de suelos desnudos
que se encuentran debajo de vegetación transparente y por último Elevation ( ver
video 5.6)
Ruta de entrada
Ruta de salida
59
5.7 Extracción de características con Ruleset.

encuentra dentro de ArcToolbox. Hacemos clic sobre ENVITools / Feature Extraction /
Extract Feature with Ruleset.
Ruta de entrada
Ruta de salida
Luego del proceso de cargar, hacemos clic sobre CLOSE. Obtendremos una imagen con
características específicas en la imagen como zonas urbanas, zonas pavimentación, etc.
(ver video 5.7)
5.8 Diferencia Auto-Umbral de datos Raster.
Iniciamos abriendo ArcMap, para luego ingresar la imagen que clasificaremos por Auto-
umbrales, para ello hacemos clic en ADD DATA y elegimos la imagen.
Luego utilizaremos la herramienta de ENVITools que se encuentra dentro de
ArcToolbox. Hacemos clic sobre ENVITools / Image Processing / Auto-Threshold
Difference Raster
Método Otsus: Método basado en la forma del histograma, se basa en el análisis de
discriminación y utiliza los momentos acumulativos cero y del primer orden del histograma, para
calcular el valor del nivel de umbral.
Ruta de entrada
Ruta de salida
Elegimos el
método
60
Luego del proceso de cargar, hacemos clic sobre CLOSE. Obtendremos una imagen con
una clasificación de superficies con alta reflexión. (ver video 5.8)
5.9 Cálculo de Diferencia de Imágenes.
Iniciamos abriendo ArcMap, para luego ingresaremos las imágenes en este caso será dos
imágenes de un mismo lugar que han sufrido cambios en cierto periodo, un antes y un
después.
ArcToolbox. Hacemos clic sobre ENVITools / Image Processing / Calculate Image
Difference.
Ruta de entrada
de la Imagen del
ante
Ruta de entrada
de la imagen del
después
Ruta de salida
muestran las diferencias de la superficie tras un Tsunami. (ver video 5.8)
5.10 Cálculo de Cambio Temático.
Iniciamos abriendo ArcMap, para luego ingresaremos las imágenes en este caso será dos
imágenes de un mismo lugar que han sufrido cambios en cierto periodo, un antes y un
después. Lo que hará esta herramienta será resaltar estas diferencias de imágenes.
ArcToolbox. Hacemos clic sobre ENVITools / Image Processing / Calculate thematic
change.
Ruta de entrada
de la Imagen del
antes, es
importante el
orden de las
imágenes al Ruta de salida
ingresar.
Ruta de entrada
de la imagen del
después
61
muestran a través de cambio de color que representan un tipo de cambio de clase por
otro. (ver video 5.10)
5.11 Conversor de Imágenes Clasificadas a Vector.

Iniciamos abriendo ArcMap, para luego trabajar con las herramientas de la sesión
anterior de Cambio Temático, adherimos la imagen a nuestra tabla de contenidos.
ArcToolbox. Hacemos clic sobre ENVITools / Image Processing / Classification Raster to
Vector.
Ruta de entrada
Ruta de salida
Luego del proceso de cargar, hacemos clic sobre CLOSE. Obtendremos una imagen
donde cada tipo de clase ha sido convertida a vector. (ver video 5.11)
CAPÍTULO 6: DETECCION DE CAMBIOS, RAZON DE BANDS Y

DETECCION DE ANOMALIAS
6.1 Detección de Cambios, Razón de Bandas y detección de

Anomalías
Anomaly Detection Workflow :

El flujo de trabajo de detección de anomalías sirve para detectar diferencias espectrales
o de color entre las capas y extraer objetos desconocidos que son espectralmente
distinto del fondo de la imagen. Específicamente, usted buscará edificios artificiales en
una escena del desierto. La detección de anomalías es eficaz cuando los objetivos
anómalos son suficientemente pequeñas, en relación con el fondo. En la Figura se
muestra la zona correspondiente a un edificio en un sector desértico.
62
RX Anomaly Detection :
El algoritmo RX adoptado como estándar por la comunidad científica. El algoritmo RX
utiliza el algoritmo de Reed-Xiaoli (RXD) para detectar las diferencias espectrales y de
color entre una región y para poner a prueba sus píxeles vecinos o el conjunto de datos.
Band Math:
Matemática de bandas es una herramienta de procesamiento de imagen flexible con
muchas capacidades que no están disponibles en ningún otro sistema de procesamiento
de imágenes. Usted puede utilizar el diálogo Band Math para definir las bandas o
archivos que se usan como entrada, para llamar a una función y escribir el resultado en
un archivo de salida o en la memoria den entorno de ENVI. En la Figura 3 se muestra el
resultado del uso del Band Math. [NDVI= (Banda4-banda3) / (Banda 4+banda3)]
Band Ratios:
Esta herramienta sirve para mejorar las diferencias espectrales entre bandas y para
reducir los efectos de la topografía. La división de una banda espectral por otro produce
una imagen que ofrece intensidades relativas.La imagen mejora las diferencias
espectrales entre bandas. En ENVI el tipo de formato de la salida de la razón de banda
puede ser de tipo flotante o byte. Formato de punto flotante es el predeterminado. En
la Figura se muestra en resultado de una división de dos bandas.
63
Change Detection difference Map:

La detección de cambios por diferencia de Mapas sirve para producir una imagen de
clasificación que caracteriza las diferencias entre cada par de imágenes del estado inicial
y final. Las imágenes de entrada pueden ser imágenes de una sola banda de cualquier
tipo de datos. La diferencia se calcula restando la imagen estado inicial de la imagen del
estado final (es decir, final - inicial), y las clases se definen por el cambio de umbrales.
Change Detection Statistics:

La detección Cambio mediante estadísticas sirve para detectar los cambios entre dos
imágenes clasificados. Los cambios detectados usando esta rutina difieren
significativamente de una sencilla diferenciación de las dos imágenes. Si bien el informe
de estadísticas incluye una diferencia de clase-a-clase de imágenes, el análisis se centra
principalmente en los cambios iniciales de la clasificación del estado.
Mage change workflow:

El flujo de trabajo para la detección de cambios en imágenes de satélite dentro del
software ENVI se compone de dos partes distintas. Se debe seleccionar una de ellas, de
acuerdo a las necesidades del estudio o las características de la información con la que
se cuente: una temática (para imágenes ya clasificadas) o una para poder estimar las
diferencias entre dos tiempos.
64
Thematic Change workflow:

El flujo de trabajo para la detección de cambios en datos temáticos utiliza archivos
Raster clasificados. La detección de cambios Temático toma dos imágenes de la
clasificación de la misma escena en diferentes momentos e identifica diferencias entre
ellos
6.2 Detección de Cambios

Iniciamos abriendo el interfaz de ENVI, para luego agregar nuestras imágenes desde
nuestra carpeta, hacemos clic sobre DATA MANAGER/ ADD DATA, adherimos las
imágenes a nuestra tabla de contenidos.
Luego nos dirigimos a Toolbox. Hacemos clic sobre Change Detection / Change
Detection Difference Map.
Se mostrará una ventana donde:
Elegimos la imagen base, de estado inicial en este caso la imagen 2000, selecciono y ok.
Elegimos la imagen de estado final, en este caso la imagen 2010, selecciono y ok.
Se abrirá otra ventana donde daremos las siguientes características:
Ruta de salida
Luego del proceso para poder visualizar nuestra nueva imagen denominada “detección
de cambios”, hacemos clic en data/ add data y elegimos nuestra imagen. (ver video 6.2)
Detección de Cambios Estadísticos
Nos dirigimos a Toolbox. Hacemos clic sobre Change Detection / Change Detection
Statistics.
Elegimos la imagen base, de estado inicial en este caso la imagen 2000, selecciono y ok.
Elegimos la imagen de estado final, en este caso la imagen 2010, selecciono y ok.
65
Hacemos ok en la siguiente ventana, donde las imágenes con diferentes tipos de fecha
deben de tener cinco tipos de clases para realizar los cálculos estadísticos y poder usar
esta herramienta.
Se abrirá otra ventana donde daremos las siguientes características:
Ruta de salida
Luego del proceso para poder visualizar ventanas con datos de cambios estadísticos que
se han dado en las imágenes de fechas distintas. (ver video 6.2)
6.3 Herramienta Flujo de Trabajo de Cambio de Imágenes

Luego nos dirigimos a Toolbox. Hacemos clic sobre Change Detection / Image Change
Workflow
 Ingresaremos nuestras imágenes Tsunami before y Tsunami after, NEXT

 Dejamos por defecto la opción elegida y NEXT
 Nuevamente dejamos por defecto la opción y NEXT.
 Se mostrará una ventana con tres tipos de diferencia, elegiremos DIFFERENCE
OF INPUT BAND y elegimos la banda 4, la cual corresponde al Infrarrojo
cercano; NEXT
 Dejamos por defectos la opción y NEXT

 Seleccionaremos las características de las siguientes ventanas
66
 Lugo daremos dos rutas de salida en dos tipos de formato en ENVI Y SHAPEFILE
Y finalizar.
(VER VIDEO 6.3)
6.4 Herramienta Flujo de Trabajo de Cambio Temático

Luego nos dirigimos a Toolbox. Hacemos clic sobre Change Detection / Tematic Change
Workflow
 Ingresaremos nuestras imágenes 2000 y 2010, NEXT
 Dejamos por defecto la opción elegida y NEXT

 Activamos y dejamos por defecto la opción y NEXT.
 Finalmente, en la última ventana daremos ruta de salida en formato de ENVI y
SHAPEFILE, finalizar.
67
(ver video 6.4)
6.5 Herramienta Álgebra de banda

nuestra carpeta, hacemos clic sobre DATA MANAGER/ ADD DATA, adherimos nuestra
imagen a nuestra tabla de contenidos.
Luego nos dirigimos a Toolbox. Hacemos clic sobre Band Algebra/ band Math
Aparecerá una ventana donde ingresaremos la fórmula para calcular el NDVI (índice de
Vegetación de diferencia normalizada).
La ecuación estaría correcta si la imagen de entrada estaría en valores de reflectancia,

pero como nuestra imagen de entrada esta en valores digitales antepondremos a cada
variable FLOAT. Luego clic en ADD TO LIST y Ok
En la siguiente ventana relacionaremos las bandas con las variables usadas en la

expresión, además de tener activada la opción FILE, le asignaremos una ruta de salida.
Dejamos que cargue y obtendremos una imagen correspondiente al NVDI. (ver video
6.5)
Razón de Bandas
Esta herramienta nos permite obtener la división entre dos bandas, esta división
dependerá de que tipo de superficie queremos resaltar en la imagen, este caso será
entre la banda 5 y la banda 2. Nos dirigimos a Toolbox, hacemos clic sobre Band Algebra/
band ratios.
Elegimos nuestras bandas hacemos clic en ENTER PAIR, y luego OK.
68
Elegimos la opción FILE y le asignamos una ruta de salida donde guardaremos nuestra
nueva imagen. (ver video 6.5).
6.6 Herramienta Flujo de trabajo para la Detección de Anomalías

Luego nos dirigimos a Toolbox. Hacemos clic sobre Anomaly Detection/ Anomaly
Detection Workflow
 Aparecerá una ventana donde automáticamente estará cargada la imagen, clic

NEXT
 La siguiente ventana elegiremos la opción de método de detección de anomalía
la opción RXD, ya que este método nos permitirá extraer objetivos que son
espectralmente distintos del fondo de la imagen. En la opción de método de
cálculo promedio elegimos la opción GLOBAL; clic en NEXT.
 En la siguiente ventana, en el campo de porcentaje de anomalía en el umbral,
probaremos con diferentes valores para detectar las anomalías, clic en NEXT.
 Para finalizar asignaremos ruta de salida donde se guardará nuestra imagen en

formato ENVI y SHAPEFILE, clic en FINISH. (VER VIDEO 6.6)
69
6.7 Herramienta Detección de Anomalías

Luego nos dirigimos a Toolbox. Hacemos clic sobre Anomaly Detection/ RX Anomaly
Detection.
Se mostrará una ventana, donde nos piden ingresar nuestro archive de entrada, en este
caso será una imagen Lansat 8, clic en OK
En la siguiente ventana ingresaremos los parámetros para que detecten las anomalías,
además que le asignaremos una ruta de salida de nuestra imagen.
Anomalías detectadas
CAPÍTULO 7: ANÁLISIS ESTADISTICOS DE DATOS, IMÁGENES Y

DETECCION DE OBJETOS
7.1 Análisis Estadísticos de datos de Imágenes y Detección de

Objetos
Estadística
Cálculo estadístico espacial global
La estadística espacial Global busca un patrón general entre la proximidad y la similitud
de los valores de píxeles. Estas estadísticas proporcionan un único valor que describe la
autocorrelación espacial del conjunto de datos en su conjunto. ENVI ofrece las
estadísticas de autocorrelación espacial conocida como Moral’s I, Geary’s C, y
70
semivarianza. En el software ENVI se despliega “Regla Neighborhood”, esta regla define

que píxeles adyacentes se usarán para compararse con el píxel central.
Rook’s Case: Selecciona los píxeles en la parte superior, inferior, izquierda y derecha.
Bishop’s Case: Selecciona cuatro píxeles vecinos diagonales.
Queen’s Case: Selecciona ocho píxeles vecinos.
Horizontal: Selecciona dos píxeles vecinos en la misma fila.
Vertical: Selecciona dos píxeles vecinos en la misma columna.
Positive Slope: Selecciona dos píxeles vecinos en esquinas opuestas en diagonal positiva.
Negative Slope: Selecciona dos píxeles vecinos en esquinas opuestas en diagonal
negativo.
En el software ENVI se puede activar "Semivariogram” y “Correlogram”, para calcular un
semivariograma y correlograma. El correlograma traza el valor de autocorrelación en
múltiples distancias de fijación. El semivariograma traza la semivarianza a distancias
cada vez mayores.
Cálculo estadístico espacial local

La estadística espacial local busca áreas específicas de una imagen que tienen los
grupos de valores similares o diferentes. La salida de la estadística es una imagen para
cada índice seleccionado; cada imagen contiene una medida de autocorrelación en
torno a ese pixel. ENVI proporciona tres estadísticas espaciales locales: Anselin Local
Moran’s I, Getis-Ord Local Gi, y Anselin Local Geary’s C.
Banda 1 (Imagen Banda 1 (Moran) Banda 1 (Geary) Banda 1 (Getis)

Lansat)
Cálculo estadístico
71
La visualización de la estadística se puede mostrar en una ventana tabulada para un

archivo raster. Usted puede calcular las estadísticas que incluyen lo siguiente: Número
de píxeles y porcentaje por clase para las imágenes de clasificación. Estadísticas básicas
(mínimo, máximo, media y desviación estándar) para las imágenes de una o varias
bandas. Los histogramas con distribuciones de frecuencia para imágenes de una o varias
bandas. Estadísticas de covarianza, incluyendo una matriz de covarianza, matriz de
correlación y vectores propios para imágenes multiespectrales. (ver video 7.2)
7.2 Detección de Objetos

Sum Data Bands (Suma de datos bandas)
Se utiliza para agregar todas las bandas de una imagen en conjunto o para calcular las
estadísticas espectrales para cada píxel de una imagen. Usted puede calcular hasta ocho
estadísticas diferentes:
 Suma
 Suma de cuadrados
 Media
 Desviación Estándar
 Varianza
 Asimetría
 Curtosis
 Desviación absoluta media
Visualización de archivos estadísticos
Se usa para ver archivos estadísticos del entorno de ENVI, guardados previamente en el
formato “STA”. Las opciones disponibles en la ventana de visualización de Archivos
Estadísticos dependen del tipo de estadísticas calculadas en el archivo original (por
ejemplo, si no se calcularon las estadísticas de covarianza para el archivo original, a
continuación las opciones de covarianza no estarán disponibles en el cuadro de diálogo
“Ver Archivo estadísticas”).
72
Target Detection Wizard

La herramienta “Target Detection Wizard” le guiará en el proceso de encontrar objetos
en imágenes hiperespectrales o multiespectrales. Los objetos pueden ser un material o
mineral de interés (como alunita) o pueden ser objetos hechos por el hombre (como
edificaciones, carreteras etc.)
SAM Target Finder with BandMax (Detección de Objetos con BandMax)

El Buscador de objetos con BandMax le guía a través de un proceso paso a paso para
encontrar objetivos en imágenes hiperespectrales, utilizando una clasificación SAM con
el algoritmo BandMax. La herramienta BandMax aumenta la precisión de clasificación
mediante la determinación de un subconjunto óptimo de las bandas para ayudarle a
separar sus objetivos a partir de materiales con antecedentes conocidos. (ver video 7.2)
7.3 Estadísticas de Imágenes
Para darle color a nuestra imagen hacemos una combinación debandas en este caso
será banda 6, banda 5 y banda 4. Donde las áreas de cultivos estarán de color verde.
Calculo estadístico Global
73
Para aplicar las estadísticas de imágenes nos dirigimos hacia Toolbox. Hacemos clic
sobre Statistics/ Compute Global Spacial.
 Se abrirá una ventana donde automáticamente nuestra imagen se ha cargado,

clic en OK.
 En la siguiente ventana asignaremos características como NEIGHBORHOOD
RULE, donde se define que píxeles adyacentes se usará para compararse con el
pixel central. Activamos la opción de Ouput Semivariogram and Correlogram, y
le asignamos una ruta de salida para guardar la imagen. Clic en OK.
(VER VIDEO 7.3)
VENTANA DE CÁLCULOS
ESTADÍSTICOS
Calculo estadístico Local

sobre Statistics/ Compute Local Spacial.

clic en OK.
 En la siguiente ventana asignaremos características como NEIGHBORHOOD
RULE, donde elegiremos Bishops Case, este caso selecciona cuatro píxeles
vecinos diagonales, activamos las demás opciones y le asignamos una ruta de
salida para guardar la imagen. Clic en OK. (ver video 7.3)
74
7.4 Herramienta de cálculo Estadístico

Cálculo Estadístico
Trabajaremos con la imagen de la sesión anterior. Nos dirigimos hacia Toolbox hacemos
clic en Statistics / Compute Statictics

Lansat 8.tiff; clic en OK.
 En la siguiente ventana de Cálculo de parámetros estadísticos activaremos las
siguientes opciones de la imagen, dejaremos por defecto los valores y
asignaremos dos tipos de ruta de salida, una para guardar nuestra imagen y otra
para guardar el reporte de texto. (ver video 7.4)
Sum Data Bands

Nos dirigimos hacia Toolbox hacemos clic en Statistics / Sum Data Bands
75

Lansat 8.tiff; clic en OK.
 En la siguiente ventana seleccionaremos los siguientes parámetros y le
asignaremos una ruta de salida a la imagen. (ver video 7.4)
7.5 Detección de Objetos

Iniciamos abriendo el interfaz de ENVI, para luego agregar nuestra imagen
hiperespectral desde nuestra carpeta, hacemos clic sobre DATA MANAGER/ ADD DATA,
adherimos nuestra imagen a nuestra tabla de contenidos.
sobre Target Detection / SAM Target Finder with BandMax.
 Se abrirá una ventana donde daremos clic en NEXT

 En la siguiente ventana, hacemos clic en Selec imput file y seleccionamos
nuestra imagen hiperespectral, clic en OK. Luego le asignaremos una ruta de
salida en la opción Select Output Root Name, clic en OK y NEXT.
 En la siguiente ventana de Target Spectra, seleccionaremos una o más
espectros del objetivo para el análisis de las bibliotecas espectrales, parcelas
espectrales individuales, archivos de texto, regiones de interés (ROI), o archivos
de estadísticas. Hacemos clic en Import / From ROI / EVF from imput file /
seleccionamos ZONAS.roi / Aceptar / seleccionamos todas las clases / ok /
seleccionamos nuevamente todas las clases; clic NEXT.
 Luego dejamos por defecto la opción NO, clic en NEXT

76
 En la siguiente ventana en Ángulo máximo de Sum, donde este valor producirá

una imagen clasificada basada en el umbral del ángulo máximo de Sum, si
disminuimos encontraremos menos píxeles coincidentes, si aumentamos el
umbral puede resultar en una imagen más coherente, pero la coincidencia de
píxeles no será tan buen; por eso le daremos un valor medio. Clic en NEXT
 Se mostrará una ventana donde podemos visualizar previamente los
resultados, hacemos clic en Load SAM Result, clic en NEXT.
 Las siguientes ventanas son repetitivas, podremos elegir un tipo de clase y
realizar los mismos pasos ya que se abrirán nuevamente la secuencia de
ventanas. (ver video 7.5)
Imagen clasificada con Imagen clasificada con

tipo de clase “suelo” tres tipos de clase “suelo,
forestal y agricultura”
7.6 Target Detection Wizard

adherimos nuestra imagen a nuestra tabla de contenidos.
Realizamos una combinación RGB, banda 6, banda 5, y banda 4.
sobre Target Detection / Target Detection Wizard.
 Se abrirá una ventana donde nos indicar el procedimiento para conseguir

nuestros resultados; donde daremos clic en NEXT.
 En la siguiente ventana ingresaremos la ruta de entrada a nuestra imagen y una
ruta de salida de la nueva imagen, clic en NEXT
 Se mostrará una ventana donde nos indicaran asignar un método de corrección
atmosférica, en este caso no seleccionaremos ninguno; clic en NEXT.
 En la siguiente ventana de Target Detection Wizard, hacemos clic en Import /
From ROI / EVF from imput file / seleccionamos Lansat.roi / Aceptar / seleccionamos
todas las clases / ok observaremos que se han carcado las clases seleccionadas; clic
NEXT.
77
 Luego dejamos por defecto la opción NO, clic en NEXT

 En el siguiente paso asignaremos la opción YES, clic en Next
 Se mostrará una ventana donde tendremos que elegir un método de
correcció´n de imágenes, en este caso sera´ Spectral Angle Mapper, clic en
NEXT.
 Se abrirá una ventana donde se puede observar previamente el tipo de
clasificación que se ha dado a cada clase, clic en NEXT
 En la siguiente ventana seleccionaremos las diferentes opciones de filtro y los

parámetros para la limpieza de los pixeles para cada objeto detectado. Para eso
primero seleccionamos nuestra clase. Activamos las siguientes las opciones y
dejamos por defectos los demás datos, clic NEXT.
 En esta penúltima ventana asignaremos el tipo de formato de exportación en

este caso será ROI, clic NEXT.
 Finalmente llegamos a la última ventana donde daremos clic en FINISH.
(VER VIDEO 7.6)
78
CAPÍTULO 8: EXTRACCIÓN DE CARACTERISTICAS
8.1 Extracción de Características

Las características son objetos definidos por el usuario que pueden ser modelados o
representados utilizando un conjunto de datos geográficos. Los ejemplos incluyen las
carreteras, los edificios y los cuerpos de agua, entre otros. Se utiliza extracción de
características para identificar los objetos de imágenes pancromáticas o
multiespectrales basados en las características espaciales, espectrales y de textura
La extracción de características proporciona un método rápido y automatizado para la
identificación de cualquier objeto y el ahorro de un planificador SIG de digitalización a
mano. El flujo de trabajo incluye los siguientes pasos
Asignación Clasificación
División de Cálculo de Creación interactivo
una atributos de toda la
de varias de
imagen en para los segmentos imagen. Con
segmentos segmentos clases
a cada KNN, SVM o
. . nuevas.
clase. PCA
Se pueden lograr resultados razonables con los siguientes ajustes:

• Segment Algorithm: Edge
• Scale Level: 35
• Merge Algorithm: Full Lambda Schedule
• Merge Level: 80
• La siguiente figura muestra la segmentación resultante utilizando los valores
anteriores:
Segmentación Original Segmentación ajustada
79
Selección del método de clasificación

La clasificación basada en ejemplos hizo un buen trabajo de extracción de los tejados.
Sin embargo, como cualquier otro método automatizado no extrae cada segmento que
represente estrictamente superficies con tejados. Por ejemplo, en algunas zonas la
textura y el brillo de los tejados fueron similar a otros pixeles adyacentes, por lo que las
dos características pueden haber sido combinados en una sola clase.
8.2 Extracción de Características basadas en Reglas

El flujo de trabajo consiste en dividir una imagen en muchos segmentos y añadir diversos
atributos a estos. De este modo se construyen reglas para clasificar las características
de interés. Cada regla contiene uno o más atributos tales como área, longitud o textura
que se restringen a un rango específico de valores. Por ejemplo, se conoce que los
caminos son alargados, algunos edificios se aproximan a una forma rectangular y los
árboles son de textura muy gruesa en comparación con la hierba.
Construcción de Reglas
Para construir reglas se debe de tener en cuenta alguno de los siguientes criterios:
Por ejemplo, las carreteras de asfalto parecen muy oscuras en una imagen,
particularmente en la banda del infrarrojo cercano. Por tanto, los bajos valores medios
espectrales en esta banda, deben destacar las carreteras. Las carreteras además son
alargadas y los caminos o estacionamientos tienen una textura uniforme. Por otro lado,
las características más pequeñas como los tejados y las sombras también pueden tener
valores espectrales bajos, por lo que se recomienda utilizar un atributo de área para
filtrar estos pequeños segmentos y no confundirlos con las zonas de carretera.
80
8.3 Extracción de Características de solo Segmento

El flujo de trabajo le permite extraer segmentos automáticamente sin realizar
clasificaciones basadas en ejemplo o basadas en reglas. Después de elegir las opciones
de segmentación, el software ENVI leerá los atributos de textura espaciales y espectrales
para generar una segmentación de imágenes a las que se puede agregar sus propios
atributos o clasificar como usted elija.
Segmentación de imágenes
La segmentación es el proceso de dividir una imagen en objetos mediante la agrupación
de los píxeles vecinos con valores comunes. Los objetos en la imagen ideal se
corresponden con las características del mundo real. Una segmentación eficaz asegura
que los resultados de clasificación sean más precisos.
Imagen segmentada
Utilice el método de segmentación de imágenes, para crear una imagen segmentada de

una imagen clasificada. La segmentación particiona una imagen clasificada en regiones
de píxeles o manchas de píxeles conectados que están contenidos en la misma clase.
Además, se puede especificar el número mínimo de píxeles que deben figurar en una
región y también seleccionar si ocho o cuatro vecinos son considerados para la
conectividad.
8.4 Flujo de trabajo de Extracción de Características basadas en

ejemplos
Se utilizará extracción de características de una escena multiespectral. La extracción de
características proporciona un método rápido y automatizado para la identificación de
cualquier objeto y el ahorro de un planificador SIG de digitalización a mano.
adherimos nuestra imagen QB_COLORADO.data a nuestra tabla de contenidos.
Para aplicar la extracción de características nos dirigimos hacia Toolbox. Hacemos clic
sobre Feature Extraction / Example Based Feature Extraccion Workflow.
 Se mostrará una ventana donde cargaremos nuestra imagen, clic NEXT

 Ahora en la ventana de Creación de objetos daremos las siguientes
características, como elegir EDGE, es la mejor opción ya que dibuja líneas a lo
largo de los gradientes de intensidad más fuertes, por lo que es un detector
eficaz de bordes, en la sección Algorithm, dejamos por defecto el nivel de escala.
En la sección de Configuración de combinación daremos un valor de 10 en el nivel
de unión, esto nos permitirá reducir la cantidad de segmentos mostrado en la
imagen. Clic en NEXT.
81
 En la ventana de Clasificación basada en ejemplos, tendremos tres pestañas:

Example Selection: Vamos a crear cinco clases, dando cada tipo de nombre
como “zonas pavimentadas “ y damos un enter, para agregar otra clase clic
en el símbolo en “más”
Atributes selection: Seleccionaremos atributos de espectro (spectral

mean), textura (texture mean) y espacial ( area, length, elongation,
rectangular Fit )
Algorithms: Selccionaremos el tipo de método en este caso será el del

vecino más cercano KNN, en el valor de umbral Threshold dejaremos
predeterminado con el valor de 5, es decir que los valores de umbral menor
a este en cada clase se establecen sin clasificar, por lo que el clasificador
forzara a más segmentos a unirse a una clase
82
Volvemos a la pestaña Selección de ejemplo y según cada clase creada

iremos dando clic sobre el área de clase y se irá seleccionando. Clic en
NEXT
 Finalmente, en esta última ventana guardaremos en formato Shapefile y le

asignaremos una ruta de salida en la pestaña de EXPORT SHAPEFILE. Luego
guardaremos en el formato de ENVI y asignaremos ruta de salida en la pestaña
EXPORT RASTER. Clic en FINISH.
La clasificación basada en ejemplos hizo un buen trabajo de extracción de los tejados,

pero como cualquier método automatizado, no extraer cada segmento que representa
tejados. En algunas zonas, la textura y el brillo de los tejados fueron similar a metros
adyacentes, por lo que las dos características pueden haber sido combinados en una
sola clase. O, otras características pueden haber sido mal clasificados como en la azotea.
Si usted no está satisfecho con los resultados, trata de experimentar con diferentes
segmentaciones y los valores que se fusionan, intente un método de clasificación
diferente, o recoger más muestras de entrenamiento. (VER VIDEO 8.4)
83
8.5 Flujo de trabajo de Extracción de Características basadas en

Reglas.
Para esta sesión crearemos extracción de características basadas en reglas, para la

creación de reglas, tendremos que tener en cuenta ciertos atributos como las áreas,
longitudes, capacidad de reflexión entre otras, para poder tener el criterio de las reglas
que asignaremos en este tipo de clasificación.
sobre Feature Extraction / Rule Based Feature Extraction Workflow.
 Se mostrará una ventana donde cargaremos nuestra imagen, clic NEXT

 Ahora en la ventana de Creación de objetos daremos las siguientes
características, como elegir EDGE, en la sección Algorithm, dejamos por defecto
el nivel de escala. En la sección de Configuración de combinación
seleccionaremos Full Lambda Schedu daremos un valor de 0 en el nivel de unión,
en la sección de Texture Kernel Size daremos un valor de 9 esto nos permitirá
obtener una imagen más suavizada. Clic en NEXT.
 En la ventana de Creación de Reglas tendremos cada clase con una o más reglas
que definan la clase y a la vez cada regla tendrá ciertos atributos.Para eso
asignaremos tres tipos de clase con sus respectivos atributos, a la par que vamos
creando el tipo de clase se puede hacer clic en la opción PREVIEW e ir
visualizando en la imagen. Recordemos que la clasificación por reglas es Empírica
eso quiere decir que tenemos que probar muchas veces. (ver video 8.5)
 Finalmente, en esta última ventana guardaremos en formato Shapefile y le

asignaremos una ruta de salida en la pestaña de EXPORT SHAPEFILE. Luego
guardaremos en el formato de ENVI y asignaremos ruta de salida en la pestaña
EXPORT RASTER. Clic en FINISH.
84
8.6 Flujo de trabajo de Extracción de Características de un solo

Segmento
hiperespectral nuestra carpeta, hacemos clic sobre DATA MANAGER/ ADD DATA,
sobre Feature Extraction / Segment Only Feature Extraction Workflow.
 Se mostrará una ventana Selección de datos donde cargaremos nuestra imagen,

clic NEXT
 En la ventana de Creación de objetos daremos las siguientes características,
como elegir EDGE, en la sección Algorithm, dejamos por defecto el nivel de
escala. En la sección de Configuración de combinación seleccionaremos Full
Lambda Schedu daremos un valor de 0 en el nivel de unión, en la sección de
Texture Kernel Size daremos un valor de 9 esto nos permitirá obtener una
imagen más suavizada. Clic en NEXT.
 En la ventana Exportación de Resultados asignaremos dos rutas de salidas ya que
exportaremos en dos tipos de formato en shapefile y ENVI. Clic en FINISH
Observaremos una imagen

clasificada POR TIPOS DE
SEGMENTO, se puede
evidenciar en el tipo de
color
8.7 Segmentación de Imágenes

hiperespectral nuestra carpeta, hacemos clic sobre DATA MANAGER/ ADD DATA,
sobre Feature Extraction / Segmentation Input file.
 Se mostrará una ventana Segmentation Image Input file donde cargaremos

nuestra banda en este caso será el infrarrojo cercano NR, debido a que esta
banda resalta las zonas pavimentadas y tejados, clic OK
 En la ventana Parámetros de segmentación de imagen, al colocar los valores de
máximo y mínimo de umbral debe hacerse previamente analizando las
características de banda elegida; en este caso será 0 y 600. Asignaremos una ruta
de salida a nuestra Imagen segmentadas; Clic en OK.
85
Observaremos una imagen

clasificada en el rango de
valores de umbrales que
hemos introducido
86
87

Idioma

Manual ENVI BASICO

Cargado por

Información del documento

Derechos de autor

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Manual ENVI BASICO

Cargado por

Copyright:

Manual: ENVI Teledetección

Manual del curso

Curso de Teledetección, Procesamiento de Imágenes de

Manual del curso de Teledetección, Procesamiento de

Manual del curso de Teledetección,

Prohibida la reproducción parcial o total del

En MasterGIS creemos en la innovación y en la excelencia, creemos que enseñar es una de

Te damos la cordial bienvenida al Curso de Curso de Teledetección, Procesamiento de

¿Cómo usar correctamente el manual?

Al iniciar el curso, se te proporcionará el material de práctica, donde encontraras archivos

CAPÍTULO 02: CARACTERISTICAS DE LOS SENSORES ....... 16

CAPÍTULO 3: SERVIDORES Y ADQUISICIÓN DE DATOS

CAPÍTULO 4: INTRODUCCIÓN A LA INTERFAZ Y MANEJO DE

CAPÍTULO 5: INTEGRACIÓN DE ENVI Y ARCGIS .................... 49

CAPÍTULO 6: DETECCION DE CAMBIOS, RAZON DE BANDS Y

CAPÍTULO 7: ANÁLISIS ESTADISTICOS DE DATOS,

CAPÍTULO 8: EXTRACCIÓN DE CARACTERISTICAS .............. 79

CAPÍTULO 01: FUNDAMENTOS DE LA TELEDETECCIÓN

1.1 Fundamentos de la teledetección

Fundamentos de la Observación Remota

La teledetección es una técnica que permite obtener información a distancia de los

Elementos de un proceso de Teledetección

(i) Es la forma más importante de teledetección, pues se deriva

• Reflexión: energía reflejada de la luz solar.

• Emisión: Energía emitida por los propios objetos.

• Reflexión-Emisión: El sensor emite y luego capta la reflexión (radar).

Tipos de Plataformas Satelitales

Según la órbita que describen Según las aplicaciones

Geoestacionario: Se sitúan sobre el Ecuador Satélites meteorológicos: Son satélites de

Heliosíncronos: Se desplazan en órbitas Satélites de recursos naturales: Son

1.2 Principios Físicos

La atmósfera de la Tierra no se encuentra en equilibrio termodinámico debido a que la

La atmósfera se compone de gases; anhídrido carbónico, oxigeno, ozono, nitrógeno,

La absorción es el proceso por el cual las moléculas y partículas de la

La dispersión de la radiación electromagnética es causado por la interacción con la atmósfera,

Tipos de Dispersión Atmosférica

Componentes de la radiación electromagnética con influencia atmosférica

Componentes de la irradiancia (Slater, 1980).

irradiancia se denota como E_env. La superposición de estas tres componentes de

Lsensor = Lpix + Latm + Lenv

Interacción de la radiación con la superficie

Resolución radiométrica: Número de niveles de gris distintos que registra el sensor.

Resolución espacial: La resolución espacial es el tamaño del píxel, en algunos casos se

Resolución temporal: Frecuencia de cobertura, Periodo de revisita y ciclo de repetición.

1.3 Aplicaciones de la Teledetección

La teledetección es una herramienta que puede aplicarse en un gran número de

CAPÍTULO 02: CARACTERISTICAS DE LOS SENSORES

2.1 Características de los sensores

¿Qué son los sensores multiespectrales?

 Sensor AVHRR (NOAA)

¿Qué son sensores Hiperespectrales?

Los primeros tres satélites de la serie LANDSAT 1, 2 y 3 tenían unas características

Sensores a bordo de la serie LANDSAT

Un sensor es el aparato que reúne la tecnología necesaria para captar imágenes a

El sensor MSS es un equipo de barrido óptico-electrónico con un campo total de visión

transformación digital se le asigna un formato nominal de 57 m x 79 m, lo que explica la

En la segunda generación del programa Landsat se introdujo un nuevo tipo de sensor,

El sensor Operational Land Imager (OLI) avanza en la tecnología de sensores Landsat,

Características específicas de los sensores de la serie de Satélites LANDSAT.

DATOS DEL SATÉLITE TERRA

Características del Satélite TERRA.

Misión Earth Observing System (EOS)

Sensores a bordo del satélite TERRA

simultáneamente de las regiones del espectro correspondiente al visible e infrarrojo

Características Generales del sensor ASTER

CERES.- (Medidor de nubes y del sistema de radiación de Energía de la Tierra), mide el