MÉTODOS DE CLASIFICACIÓN DE COBERTURA DE SUELO DEL

SOFTWARE QGIS Y EL COMPLEMENTO SAGA.

Nombre: Wilman Guamán Docente: Blg. Danilo Mejia
xavier.guaman@ucuenca.edu.ec
Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería Ambiental
Asignatura: Sensores Remotos, Cuenca – Ecuador, Fecha de entrega: 23/12/2019

1. INTRODUCCIÓN

La información proveniente de sensores remotos satelitales es muy importante y vital debido

que es de gran ayuda para reconocimientos de la superficie terrestre y acuática del planeta,
ayudando a que el uso de la tierra se desarrolle de una manera óptica y sustentable.
Los elementos de superficie que son reflejados en las imágenes de satélites proveen suficiente
información para delinear con precisión los bordes de las unidades de suelos, por medio de una
sistemática interpretación. [ CITATION Gui14 \l 12298 ]

Al momento de integrar la percepción remota, los sistemas de información geográfica y

geoposicionamiento global; los estudios de uso de suelo o la clasifican de cobertura de suelo es
mucho más eficiente.
Existen muchas ventajas al combinar los datos de sensores remotos con la información espacial
existente, los SIG proporcionan el medio para esta integración y, al mismo tiempo, brindan una
poderosa herramienta para el análisis cuantitativo de cambios de uso del suelo y revisión y
corrección de mapas [ CITATION Hil02 \l 12298 ]

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 ].

2.1 Métodos de Clasificación

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

La clasificación de paralelepípedos principalmente utiliza una regla de decisión simple para la

clasificación de datos multiespectrales, los límites de decisión forman una clasificación
paralelepípeda n- dimensional en el espacio de datos de imagen, es decir, el clasificador
paralelepípedo usa los límites de clase y se almacena en cada firma de clase para determinar si
un píxel dado cae dentro de la clase o no. Los límites de clase especifican las dimensiones (en
unidades de desviación estándar) de cada lado de un paralelepípedo que rodea la media de la
clase en el espacio de características, y ya que las dimensiones de la clasificación de
paralelepípedos se definen en base a un umbral de desviación estándar de la media de cada clase
seleccionada, si el píxel cae dentro del paralelepípedo, se asigna a la clase. Sin embargo, si el
píxel cae dentro de más de una
clase, se coloca en la clase de superposición, por otro lado, si el píxel no cae dentro de
ninguna clase, se asigna a la clase nula. (Krishnaveni & Vanitha, 2013)

Mahalanobis Distance

Puede usar los contornos de probabilidad para definir la distancia de Mahalanobis. La

distancia de Mahalanobis tiene las siguientes propiedades:

• 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.

Para datos normales univariados, el puntaje z univariante estandariza la distribución (de

modo que tiene media 0 y varianza unitaria) y proporciona una cantidad adimensional que
especifica la distancia desde una observación a la media en términos de la escala de los datos.
Para datos normales multivariados con media μ y matriz de covarianza Σ, puede decorelacionar
las variables y estandarizar la distribución aplicando la transformación de Cholesky z = L-1 (x -
μ), donde L es el factor de Cholesky de Σ, Σ = LLT. (Wikclin, 2012) Winner Takes All Su uso
común es básicamente para identificar los k vecinos más cercanos de una
estructura de entrada dada. Este modelo consta de una capa de entrada, al menos una
capa oculta y una capa de salida y utiliza la propagación inversa estándar para el aprendizaje
supervisado. El aprendizaje ocurre ajustando los pesos en el nodo para minimizar la diferencia
entre la activación del nodo de salida y la salida. El error se propaga nuevamente a través de la
red y el ajuste de peso se realiza mediante un método
recursivo (Perumal, 2010).

Spectral Angle Mapper (SAM)

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 clasificador permite tener en cuenta la diferente probabilidad de que se encuentren

determinadas cubiertas (probabilidad a priori) y permite con ello calcular la probabilidad a
posteriori (probabilidad de que se trate de una determinada clase cuando
los niveles digitales sean unos concretos) a partir de las verosimilitudes, que son más fáciles de
calcular (probabilidad de que los niveles digitales sean unos determinados, para cada clase de la
leyenda.

Minimun distance classifier

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

3.1 Área de estudio y base cartográfica

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%).

Ilustración 1. Área de estudio

Ilustración 2. Cuenca del Rio Paute

3.2 Características de la Imagen
La imagen proviene de la misión de Landsat 8 de nivel 1, fue captada el 7 de septiembre del
2018, además tiene un porcentaje de nubosidad del 33%, que la podemos considerar como la
mejor imagen del año 2018. Además, el sensor OLI nos proporciona once bandas, las mismas
que poseen diferentes longitudes de onda que mediante combinaciones nos facilitan la
visualización de la cobertura del uso del suelo a estudiar y de esta manera poder realizar una
clasificación supervisada.

Ilustración 3. Escena de estudio

3.3 Clasificación de la cobertura de suelo

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

Ilustración 5. ROIs de clasificación de Pajonal

Nubes

Ilustración 6. ROIs de clasificación de Nubes

Cuerpos de Agua
 Ilustración 7. ROIs de clasificación de cuerpos de agua

Plantaciones forestales

Ilustración 8. ROIs de clasificación de plantaciones forestales

Sombras

Ilustración 9. ROIs de clasificación de sombras

Cultivos
 Ilustración 10. ROIs de clasificación de cultivos

3.5 Clasificacón Supervisada

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

4.1 Tipos de Clasificación realizadas en Qgis

4.2 Tipos de Clasificación realizadas en SAGA
A continuación, se ilustran las tablas del análisis estadístico.
 Método Media Desviación
Distancia 2.77 2.82
Minima
Maxima 2.38 2.59
Probabilidad
Mapeo del 2.71 2.79
Angulo
Espectral
Tabla 1. Resultados de la clasificación en SCP (QGIS)

Método Media Desviación

Binary ---------- -------------

Endocoding
Parallelepiped 6.78 1.14
Mahalanobis 4.86 1.99
Distance
Minumun 4.38 2.02
distance
Maximun 4.25 1.87
likelihood
Spectral ---------- -------------
Angle
Mapping
Winner Takes 5.46 2.11
All
Tabla 2. Análisis estadístico de la clasificación en SAGA

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

[1] G. Villarroel, «Aplicación de teledetección y SIG para el levantamiento cartográfico de

los suelos de la cuenca Solani, India,» Revista Geográfica Venezolana, Venezolana,
2014.

[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.

[3] R. Silva, «Clasificación no supervisada de la cobertura de suelo de la región Sierra de

Tabasco mediante imágenes LANDSAT ETM +,» Scielo, Tabasco, 2010.
[4] MAGAP, «Protocoolo metodologico para la elaboración del mapa decobertura y uso
de la tierra del Ecuador continental,» Ministerio del Ambiente, Ecuador, 2015.

[5] V. Fuentes, «Caracterización de la cobertura vegetal y le uso del suelo para la provincia
de Imbabura-Ecuador,» UNIGIS MSc, Quito, 2018.