Generación de coberturas geográficas a partir de un análisis

espectral y cálculo de temperaturas superficiales con apoyo

de imágenes Landsat ETM+ para el departamento de Boyacá

Fabián M.Gamboa.
Estudiante Escuela de Ingeniería Civil, Universidad Industrial de Santander, Colombia.
fabiangamboa3113@gmail.com

FECHA CLOUD
ID PATH ROW
1. Introducción TOMA COVER

0501704055668_00006 7 56 05/04/2017 3.16

E l proyecto tuvo como base el análisis
multiespectral mediante imágenes landsat en un área de
Tabla 1. Características principales.

un departamento. Para ellos fue necesario conocer

aspectos básicos de software de análisis de información
geográficos; Arcgis y Erdas, y la extensión que ofrece
Earth Explorer para la obtención de imágenes
satelitales.

2. Descripción del área de estudio

Boyacá es uno de los treinta y dos departamentos que, Imagen 1. Departamento de Boyacá.
junto con Bogotá, Distrito Capital, forman la República
de Colombia. Su capital es Tunja. Está ubicado en el FECHA CLOUD
centro-este del país, en la región andina, limitando al ID PATH ROW
TOMA COVER
norte con Santander y Norte de Santander, al noreste
con Venezuela y Arauca, al este con Casanare, al sur 0701903089484_00010 7 56 09/03/2019 5.5
con Cundinamarca y al oeste con Caldas y Antioquia.
El departamento de Boyacá está dividido en Tabla 2. Características principales.
123 municipios, 123 corregimientos, 185 inspecciones
de policía, así como, numerosos caseríos y sitios
poblados, los cuales están distribuidos en
13 provincias, un distrito fronterizo y una zona de
manejo especial. Los municipios están agrupados en 45
círculos notariales con un total de 53 notarías, un
círculo principal de registro con sede en Tunja y 13
oficinas seccionales de registro.

3. Características de la imagen
Imagen 2. Departamento de Boyacá.

Estas imágenes fueron descargadas en enero 16 del año

2020 mediante la extensión Earth Explorer.
 2

4. Corrección radiométrica
La corrección radiométrica es una de las vías para tratar
los valores de píxel de una imagen satélite para obtener
valores de intensidad homogéneos equilibrando
histogramas o corrigiendo imperfecciones presentes en
los píxeles. Entre los diversos motivos que influyen en
estas distorsiones de las imágenes satélite encontramos
fallos de los propios sensores, alteraciones en el
movimiento del sensor o instrumento a bordo del
satélite/avioneta o la interferencia de la atmósfera.

Para la realización de éste análisis usamos la una caja Figura 4. Histograma banda 2. Tomado de Arcgis
de herramientas adjuntada a Arcgis. Mediante esa
extensión el software realizaba las correcciones
necesarias para modificar los errores en las imágenes.
En el caso de las imágenes escogidas por mí, no hubo
necesidad de utilizar esta herramienta, debido a que,
mis imágenes no tenían errores con respecto a los
pixeles.

5. Análisis estadístico unibanda

Este tipo de análisis estadístico es básico y aplicado a

una banda por separado, permitiendo obtener una
descripción de la tendencia central y dispersión de los
Figura 5. Histograma banda 3. Tomado de Arcgis
niveles digitales de la imagen, tales como valores
mínimo y máximo, rango, media aritmética, moda,
mediana, varianza, desviación estándar, histogramas y
el comportamiento espectral de la cobertura terrestre en
las bandas en particular. Estas medidas nos permiten
valorar información radiométrica de una imagen, así
como la comparación con respecto a las otras bandas y
tener una idea sobre el nivel de su calidad,
heterogeneidad y separabilidad.

5.1 Histogramas imagen 1.

Figura 6. Histograma banda 4. Tomado de Arcgis

Figura 3. Histograma banda 1. Tomado de Arcgis.

 3

Figura 7. Histograma banda 5. Tomado de Arcgis Figura 10. Histograma banda 8. Tomado de Arcgis

Figura 8. Histograma banda 6. Tomado de Arcgis

Figura 11. Histograma banda 9. Tomado de Arcgis

Desviación
Banda Mín Máx Media estándar
1 0 43641 9038.9891 1071.7827
2 0 44886 8452.8338 1099.9059
3 0 45131 8184.8921 1199.6623
4 0 44392 7849.4355 1415.869
5 0 41643 14443.561 3110.1116
- -
Figura 9. Histograma banda 7. Tomado de Arcgis 6 2E+09 49891 1.54E+09 2832.2
- -
7 2E+09 61789 1.54E+09 2202.31
- -
8 2E+09 44972 1.54E+09 1279.33
9 0 10381 5435.7174 488.5034
Tabla 2. Características de los histogramas. Tomado de Arcgis
 4

5.2 Histogramas imagen 2.

Figura 15. Histograma banda 4. Tomado de Erdas

Figura 12. Histograma banda 1. Tomado de Erdas

Figura 16. Histograma banda 5. Tomado de Erdas

Figura 13. Histograma banda 2. Tomado de Erdas

Figura 17. Histograma banda 6. Tomado de Erdas

Figura 14. Histograma banda 3. Tomado de Erdas

 5

Desviación
Banda Mín Máx Media estándar
1 1 50956 9611.801 3309.409
2 1 53397 9006.479 3439.306
3 1 54505 8702.443 3458.241
4 1 57758 8453.127 3733.318
5 1 63006 14964.646 4467.616
6 1 65535 13211.492 4264.733
Figura 18. Histograma banda 7. Tomado de Erdas 7 1 65535 9918.672 3432.904
8 1 55809 8546.473 3539.928
9 1 7519 5108.311 668.446
Tabla 3. Características de los histogramas. Tomado de Erdas.

Las bandas 4, 5, 7 y 8 representan tonalidades oscuras

Figura 19. Histograma banda 8. Tomado de Erdas
o negras que se ve representado los valores cercanos a
0. Las bandas 1, 2 y 3 presentan algunas tonalidades
grises (valores centrales entre el min y el máx.).
Analizando el contraste se observa que las bandas 7 y 8
son homogéneas, mientras que las bandas 1,2,3, 4 y 5
son heterogéneas, esto se observa se concluye por el
ancho de las grafica formada en el histograma
respectivo. Los valores máximos en todas las bandas
iguales a 255, reflejan presencia de señales no deseadas
en la imagen.

6. Análisis estadístico multibanda

6.1 Factor del índice óptimo

Figura 20. Histograma banda 9. Tomado de Erdas
Es un valor estadístico que puede ser usado para
seleccionar la combinación a color óptima de tres
bandas de una imagen satelital. El cálculo de OIF se
realiza sobre todas las posibles combinaciones de la
imagen, y se basa en la selección de las bandas que
conserven la mayor información espectral (mayores
covarianzas entre bandas) y la menor duplicidad de
información (menores correlaciones entre bandas),
matemáticamente se expresa por la siguiente ecuación

Suma de desviación estándar de 3 bandas individuales

OIF = _____ _____________________________________________

Suma de coeficiente de correlación para 3 bandas

 6

6.1.1 Imagen 1 6.1.2 Imagen 2

Combinación OIF DEF

Combinación OIF DEF
432 3589.665 Color natural
432 1684.560 Color natural
764 4987.436 Falso color (urbano)
764 6450.366 Falso color (urbano)
Color infrarrojo
Color infrarrojo
543 4528.081 (vegetacion)
543 3200.577 (vegetacion)
652 5230.396 Agricultura
652 16715.299 Agricultura
765 5135.987 Penetración atmosférica
765 8144.610 Penetración atmosférica
562 4842.069 Vegetación saludable
562 16715.317 Vegetación saludable
564 4827.107 Tierra/agua
564 22050.906 Tierra/agua
Natural con remoción
Natural con remoción
753 4629.200 atmosférica
753 13127.042 atmosférica
754 4641.801 Infrarrojo de onda corta
754 20163.292 Infrarrojo de onda corta
654 5203.133 Análisis de vegetación
654 22050.876 Análisis de vegetación
Tabla 6. OIF calculado mediante Excel.
Tabla 4. OIF calculado mediante Excel.

1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9
1.00
E+0 9.90 9.36 8.40 4.43 6.40 5.25 5.24 6.24 0.9 0.9 0.97 0.79 0.72 0.78 0.97
1 0 E-01 E-01 E-01 E-01 E-07 E-07 E-04 E-01 1 1 98 89 203 192 181 137 782 1
1.00
9.90 E+0 9.69 9.03 4.21 7.67 6.31 4.84 5.94 0.99 0.9 0.98 0.78 0.73 0.79 0.98 0.99
2 E-01 0 E-01 E-01 E-01 E-07 E-07 E-04 E-01 2 801 1 95 266 593 626 803 548 801
1.00
9.36 9.69 E+0 9.59 4.96 1.01 7.76 4.33 5.26 0.98 0.9 0.99 0.80 0.77 0.83 0.99 0.98
3 E-01 E-01 0 E-01 E-01 E-06 E-07 E-04 E-01 3 949 95 1 283 627 616 029 002 949
1.00
8.40 9.03 9.59 E+0 3.34 1.17 9.49 3.62 4.46 0.97 0.9 0.9 0.77 0.81 0.86 0.98 0.97
4 E-01 E-01 E-01 0 E-01 E-06 E-07 E-04 E-01 4 203 83 93 1 282 337 976 824 203
1.00 0.79 0.7 0.8 0.77 0.74 0.68 0.78 0.79
4.43 4.21 4.96 3.34 E+0 7.17 2.30 3.14 2.66 5 192 86 06 282 1 466 55 013 192
5 E-01 E-01 E-01 E-01 0 E-07 E-07 E-04 E-01
1.00 1.00 1.00 0.72 0.7 0.7 0.81 0.74 0.97 0.77 0.72
4.89 6.40 7.67 1.01 1.17 7.17 E+0 E+0 E+0 6 181 36 76 337 466 1 377 574 181
6 E-02 E-07 E-07 E-06 E-06 E-07 0 0 0
1.00 1.00 1.00 0.78 0.7 0.8 0.86 0.68 0.97 0.83 0.78
5.25 6.31 7.76 9.49 2.30 E+0 E+0 E+0 3.18 7 137 98 3 976 55 377 1 344 137
7 E-07 E-07 E-07 E-07 E-07 0 0 0 E-07
1.00 1.00 1.00 0.97 0.9 0.9 0.98 0.78 0.77 0.83 0.97
5.24 4.84 4.33 3.62 3.14 E+0 E+0 E+0 6.21 8 782 85 9 824 013 574 344 1 782
8 E-04 E-04 E-04 E-04 E-04 0 0 0 E-04
1.00 0.42 0.3 0.37 0.41 0.45 0.45 0.37 0.42
6.24 5.94 5.26 4.46 2.66 2.95 3.18 6.21 E+0 9 485 0.4 93 538 059 982 599 448 485
9 E-01 E-01 E-01 E-01 E-01 E-07 E-07 E-04 0 Tabla 7. Matriz de correlación mediante Erdas..
Tabla 5. Matriz de correlación mediante Arcgis.
 7

7. Clasificación multiespectral procedimiento se realizó en el programa Arcgis, el paso

a paso está resumido en los diagramas de flujo
propuestos anteriormente.

Imagen 21. Diagrama de flujo clasificación multiespectral no Imagen 23. Clasificación no supervisada del departamento de
supervisada. Boyacá

De la imagen se puede interpretar que Boyacá tiene

vegetación abundante y posee también una cantidad de
cultivos bastante significativa. Se observa también
como se identificar elementos de relevancia como la
Laguna de Tota y el Nevado.
El software pudo identificar correctamente urbanismos
y cultivos debido a la composición de la imagen, la
calidad y sus componentes matriciales, es decir,
comportamiento de los pixeles.

7.1.2 Clasificación multiespectral supervisada.

Se realizó mediante el programa Erdas Imagine y

consiste en la clasificación manual mediante polígonos.
Ésta clasificación está enfocada en lo que se puede
observar de la imagen, dejando a un lado los
componentes matriciales que la caracterizan, por ello,
se puede evidenciar cierta particularidad en la
clasificación de ríos y de vegetación.

Para representación de plano se utilizó la Corine land

Imagen 22. Diagrama de flujo clasificación multiespectral
Cover, una herramienta muy útil para usar las
supervisada. combinaciones RGB que nos permiten identificar parte
por parte cada elemento de la imagen. Estas
combinaciones si tienen en cuenta el uso de los
7.1 Clasificación multiespectral no supervisada componentes matriciales que suministran la
clasificación de los elementos.
Consiste en clasificar por medio de algoritmos
matriciales elementos que se observan en la imagen
landsat 8. Elementos como vegetación, cuerpos de
agua, suelo desnudo, cultivos… Entre otros. Este
 8
Imagen 24. Clasificación supervisada del departamento de
Boyacá
De la clasificación se puede interpretar la existencia de
vegetación y suelo desnudo en el departamento.
También la cantidad significativa de cultivos, esto se da
porque el clima es óptimo para el cultivo. Boyacá es
reconocido por ser un sector muy agrícola y en la
clasificación se puede observar. La identificación de
elementos relevantes fue hecha a mano debido a la
posibilidad de realizarla por medio de polígonos.
8. Temperatura superficial
La temperatura de la superficie terrestre se puede
estimar o calcular usando las bandas térmicas de
Landsat 8. Simplemente se requiere aplicar un conjunto
de ecuaciones a través de una calculadora de imágenes
ráster
Fórmulas
RADIANCE_MULT_BAND_10 = 3.3420E-04
GANANCIA
RADIANCE_ADD_BAND_10 = 0.10000 - BIAS
K1_CONSTANT_BAND_10 = 774.8853
K2_CONSTANT_BAND_10 = 1321.0789
K= ((k2)/(LN((K1/RADIANCE) + 1)))
c = k-273.15
C= ((K2)/(LN((K1/((GAIN+ND)+BIAS))+1)))-273.15
Imagen 25. Temperaturas superficiales departamento
de Boyacá. Años 2017 y 2019.
Se puede observar una variación de temperatura
bastante significativa, pues en el 2017 los sectores que
gozaban de bajas temperaturas han ido aumentado de
forma colosal. En el año 2019 se puede observar cómo
ha aumentado la temperatura en el sector sur, esto
podría afectar ecosistemas y especies que están
adaptadas a climas de bajas temperaturas y también a
los cultivos que crecen de manera óptima a bajas
temperaturas.
Boyacá es un departamento donde varía mucho la
temperatura, esto se debe a la diferencia de alturas que
hay en todo el territorio.
9. Conclusiones
La clasificación mediante software como Arcgis y
Erdas nos da un panorama bastante claro de los
elementos a identificar. Se reconoce la importancia de
utilizar estos softwares para estudios de temperaturas y
clasificación multiespectral.
Se puede ahondar en otros aspectos a partir de los
estudios realizados mediante estos programas. La
temperatura ayuda a interpretar características del
territorio necesarias para otros estudios en proceso.
9