Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. INTRODUCCIÓN
El propósito del presente trabajo fue realizar la clasificación supervisada de la cobertura del
suelo en la cuenca del río Paute, se realizó mediante la generación de ROIs en el programa Qgis
conjunto a su software SCP (Semi-Automatic-Classification Plugin), para construir una base
de datos cartográfica digitalizada que distinga coberturas vegetales. Esta información generada,
fue a base de una imagen de landsat 8 del año 2018 correspondiendo al mes de septiembre día 7.
La clasificación generada se basa en: Zona Urbana, Plantaciones Forestales, Pajonal, Nubes,
Sombras, Cuerpos de Agua, Cultivo y Suelo Descubierto dentro de la cuenca.
2. MARCO TEORICO
Determinar coberturas de suelo es muy importante ya que esto a lo largo del tiempo ha
permitido que a nivel nacional se dé un mejor conocimiento del territorio y por ende la
planificación territorial, formulación de planes y programas sean mucho más eficientes y
sencillos.
La caracterización de los suelos (en terreno) por medio de calicatas y/o barrenos integra los
conocimientos de los procesos y factores de la pedogénesis, entre ellos, los análisis de los
patrones de uso de la tierra (vegetación), relieve, clima, tiempo de evolución de los suelos y su
material parental; caracterización que permite su clasificación taxonómica y de acuerdo a su
variabilidad o distribución espacial, son agrupadas en unidades cartográficas homogéneas
[ CITATION Rul10 \l 12298 ].
Codificación binaria
Este método de clasificación lo que hace es representar datos, permite archivos pequeños, una
decodificación rápida y que el uso de memoria sea reducido (Grami, 2016). Esta codificación se
divide en tres capas las cuales se explican a continuación: En la capa cero la codificación es
densa y trivial, y es adecuada para escenarios como JIT. Para la capa uno, realiza una
comprensión estructural de la capa 0 (la parte superior) esto permite tener valores más
eficientes, reorganizar valores del módulo o eliminar nodos idénticos (Villarroel, 2014).
Clasificación de paralelepípedos
Mahalanobis Distance
• Da cuenta del hecho de que las variaciones en cada dirección son diferentes.
• Da cuenta de la covarianza entre variables.
• Se reduce a la distancia euclidiana familiar para variables no correlacionadas
con varianza unitaria.
Es una clasificación espectral basada físicamente que utiliza un ángulo n-D para hacer coincidir
los píxeles con los espectros de referencia. El algoritmo determina la similitud espectral entre
dos espectros calculando el ángulo entre los espectros y tratándolos como vectores en un
espacio con una dimensionalidad igual al número de bandas. Esta técnica, cuando se usa en
datos de reflectancia calibrados, es relativamente insensible a los efectos de iluminación y
albedo. Los espectros de miembros finales utilizados por SAM pueden provenir de archivos
ASCII o bibliotecas espectrales, o puede extraerlos directamente de una imagen (como
espectros de ROI promedio). SAM compara el ángulo entre el vector de espectro del miembro
final y cada vector de píxel en el espacio n-D. Los ángulos más pequeños representan
coincidencias más cercanas al espectro de referencia. Los píxeles más alejados del umbral de
ángulo máximo especificado en radianes no se clasifican.
Maximum Likelihood
Este algoritmo se utiliza para clasificar datos de imagen desconocidos en clases que
minimizan la distancia entre los datos de imagen y la clase en el espacio de funciones
múltiples. La distancia se define como un índice de similitud para que la distancia mínima sea
idéntica a la máxima similitud.
3. FUENTES Y METODOLOGÍA
La cuenca del rio paute se encuentra en el sur del Ecuador con un área de 644201,29 Ha
específicamente en los Andes Centro sur. Además, el área de la cuenca es compartido por los
territorios de tres provincias: Azuay(57%), cañar(24%) y Morona Santiago(19%).
Para definir las clases de coberturas del suelo que se encuentran en la cuenca del rio paute, se
tomó como referencia la clasificación realizada por el PROMAS (Programa para el Manejo del
Agua y del Suelo-Universidad de Cuenca).
A continuación, se establecen las siguientes clases:
Pajonal
Plantaciones forestales
Cultivos
Cuerpos de agua (Lagos, Rios)
Urbano ( Viviendas, Calles)
Suelo descubierto
Nubes
Sombras
Esta clasificación nos permite usar como guía para la obtener distintas clases de coberturas del
suelo que se empleó para predecirlas.
3.4 ROIs de entrenamiento
Son polígonos utilizados para la clasificación de las diferentes firmas espectrales de la imagen,
es decir son áreas de entrenamiento ajustada a pixeles similares para poder realizar una
clasificación supervisada.
Urbano
Suelo Descubierto
Ilustración4. ROIs de clasificación de Suelo Descubierto
Pajonal
Nubes
Cuerpos de Agua
Ilustración 7. ROIs de clasificación de cuerpos de agua
Plantaciones forestales
Sombras
Cultivos
Ilustración 10. ROIs de clasificación de cultivos
Las clasificaciones se han realizado aplicando los algoritmos de SAGA: Codificación Binaria,
Parallelepiped classification, Minimum distance classifier, Mahalanobis distance, Maximum
likelihood classifier, Spectral Angle Mapper Processor (SAM) y Winner Take All; y los
métodos de Qgis: Distancia Mínima, Maxima probabilidadad y Mapeo de ángulo espectral; a la
imagen del año 2018 de landsat-8 de la cuenca del rio Paute con sus respectivas correcciones. El
objeto de aplicar las clasificaciones a una imagen es para determinar qué tipo de clasificación es
el mejor mediante un análisis estadístico.
4. RESULTADOS
5. CONCLUSIONES
El método mas preciso para realizar una clasificación de la cobertura del suelo en el software
Qgis le corresponde a la máxima probabilidad, dando como el resultado más bajo de la
desviación de su media, sin embargo el mismo algoritmo dentro del complemento SAGA es
mas aun exacto con una desviación estándar de 1.87, cabe recalcar que los métodos Binary
Endocoding y Spectral Angle Mapping resultaron ser lo peores métodos para clasificar la
cobertura del suelo, esto se debe a que usan diferentes tipos de algoritmos, los mismos que se
utilizan para realizar clasificaciones de máximo dos clases, por lo tanto se les considera
algoritmos muy débiles para clasificar dicha cobertura. No obstante, Maximun likelihood se le
considera el mejor método para hacer este tipo de clasificaciones.
6. BIBLIOGRAFÍA
[2] H. Nieto, «Uso de sensores remotos y SIG para delimitar los cambios en el uso del
suelo agrícola de 1970 a 1997 en el estado de Guanajuato,» Scielo, Mexico , 2002.
[5] V. Fuentes, «Caracterización de la cobertura vegetal y le uso del suelo para la provincia
de Imbabura-Ecuador,» UNIGIS MSc, Quito, 2018.