Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TELEDETECCIÓN
AÑO 2012
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Agradecimientos:
Al Ing. Pablo Alejando Campos y al Sr. Facundo Castillo Mercado por su colaboración en la
realización de diferentes ilustraciones.
Resumen:
La primera parte del libro “El uso de los sensores remotos en los recursos naturales” trata
específicamente sobre la fotografía aérea, la fotogrametría y la fotointerpretación. A modo de
introducción se presentan los fundamentos básicos de la percepción remota y la utilización de
las fotografías aéreas en levantamientos forestales; luego se tratan las fuentes de la energía
electromagnética, y su comportamiento, desde la perspectiva de la percepción remota. A
continuación, se desarrollan en detalle todos los aspectos asociados a las fotografías aéreas:
las técnicas y aeronaves usadas en los vuelos fotográficos, el tipo y características de los
sensores utilizados – tanto analógicos como digitales – y el procesamiento final del material
obtenido para su uso en fotointerpretación. El siguiente tema ofrece al lector los principios
básicos de la fotogrametría, que permiten conocer las características geométricas de las
fotografías aéreas, las deformaciones que las afectan, las técnicas e instrumentos utilizados
para la visión estereoscópica (en tres dimensiones) y para la obtención de medidas correctas
de los objetos fotografiados. En la interpretación visual se exponen las características y las
fases de la fotointerpretación, los factores que determinan el reconocimiento de un objeto, el
proceso involucrado y las aplicaciones. Finalmente se tratan las características espectrales de
los recursos naturales y de algunas coberturas urbanas o rurales.
Versión:
Menéndez, M. A y V. Núñez 2
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
CONTENIDO
Menéndez, M. A y V. Núñez 3
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
3.4. El radarsat 2 se lanzó el 14/12/2007 con lanzador Soyuz con orbita casi polar
heliosincrónica y una altitud de 798 Km., período de 100.7 minutos y una dimensión de
antena de 15 metros x 1.5 m. Polarización HH HV VH VV ..................................................... 85
3.7. Debido a que la NASA realizó una misión para el Trasbordador Espacial que parte el
11/02/2000, y cambió radicalmente los conceptos topográficos a los que estábamos
acostumbrados. ........................................................................................................................ 86
3.8. Ya, a mediados de Febrero de 2000 se habían recibido y procesado los primeros
datos recopilados por el Trasbordador Endeavour de lo que constituye una de las más
completas y elaboradas misiones en lo referente al mapeo topográfico. ............................... 86
3.11. Estas fases fueron complementadas en tiempo real por una organización de
maniobras simuladas programadas, que minimizaban de antemano los problemas de orden
general que el equipo de astronautas y operadores podría encontrar en la realidad.
Finalmente prosigue la última etapa consistente en la captura de información y recopilación
Menéndez, M. A y V. Núñez 4
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
de la misma que realizó el Transbordador orbitando nuestro planeta durante esos 11 días en
el mes de Febrero..................................................................................................................... 87
Menéndez, M. A y V. Núñez 5
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
ÍNDICE DE FIGURAS
Menéndez, M. A y V. Núñez 6
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
ÍNDICE DE TABLAS
Menéndez, M. A y V. Núñez 7
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
En Agosto de 1959, la primera fotografía espacial (no militar) fue tomada y transmitida por el
EXPLORER-6 y no pasó un año que el vehículo espacial MA-4 del Proyecto MERCURY-
ATLAS (no tripulado), tomaba con una cámara automática las primeras fotografías color.
Al comenzar la década del 60, y como parte del proyecto de poner al hombre en la luna, se
probaron satélites artificiales con sensores remotos para registrar parte de la superficie
terrestre para luego relevar la luna y planificar el alunizaje. La información obtenida de las
áreas de prueba terrestres muy pronto mostró su valor para estudios geológicos generales.
Las pruebas se ampliaron para obtener información sobre agricultura, silvicultura, geografía y
recursos minerales, hidrología y recursos hídricos, estudios urbanos y regionales.
Por otro lado, los EE.UU. comenzaron el relevamiento sistemático de la superficie terrestre y su
atmósfera por medio de satélites espaciales, en 1960, al lanzar el TIROS-1 (Satélite de
Televisión de Observación Infrarroja) para relevar información meteorológica. Posteriormente
fueron lanzados más de 40 satélites meteorológicos y ambientales y en una segunda tanda
(serie) de este tipo de satélites, la NASA (Administración Nacional de Aeronáutica y del Espacio
de los EE.UU.), puso en el espacio los satélites denominados ITOS (Satélites Operacionales
TIROS mejorados. Como parte de la misma serie, en 1981 se lanzaron el TIROS-N y el NOAA-
C (o NOAA-7) que operaron a 830 Km. de altitud y provistos de una gran diversidad de
sensores.
El primer experimento fotogeológico formal fue realizado en Junio de 1965 por la misión GT-4
(GEMINI-TITAN) tripulada por dos astronautas. Esta misión produjo una serie de fotografías,
con superposición, casi verticales, del sudoeste de los EE.UU. y el norte de México, además
fotografías verticales y oblicuas de zonas de América del Norte, África y Asia. La gran utilidad
que ofrecieron estas imágenes para los científicos, hizo que las misiones se continuaran hasta
el GT-7, incluyendo fotografías para estudios geográficos y oceanográficos.
Los esfuerzos del Servicio Geológico Norteamericano (USGS) para establecer un programa
satelital de observación de los recursos terrestres, sentaron las bases del “Programa EROS”
(Sistema de Observación de los Recursos de la Tierra), que fuera aprobado en 1966 por el
Departamento del Interior y por la Administración Nacional Aeronáutica y del Espacio (Nacional
Aeronautics and Space Administration - NASA) del Gobierno de los EE.UU.
Menéndez, M. A y V. Núñez 8
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Objetivos del Programa ERST/LANDSAT: entre los principales pueden citarse estudios de
geoestructuras regionales, hidrografía, explotación minera a cielo abierto, bosques y praderas,
evaluación y planeamiento del uso de la tierra, cartografía, fenómenos ambientales,
inundaciones, erosión, entre otras aplicaciones.
En Marzo de 1973 se inició el Programa SKYLAB con el lanzamiento de una nave espacial sin
tripulación, once días después la estación de 100 toneladas de peso y 390 m 3 de capacidad,
fue abordada por tres astronautas. El programa comprendió tres lanzamientos con cambios de
tripulación (SKYLAB II, III y IV) que duró 171 días en total, entregando como resultado 35.504
fotografías y 72.725 m de cinta magnética grabada con datos de los recursos terrestres. Esta
información procesada e interpretada se usó para identificar formaciones geológicas, recursos
forestales e hídricos, contaminación de aguas, enfermedades en cultivos, patrones de
tormentas oceánicas, vientos superficiales y otras aplicaciones.
En 1978 el Programa SPOT fue planificado y diseñado como sistema operacional y comercial
por el gobierno francés, con la participación de los gobiernos de Suecia y Bélgica.
Menéndez, M. A y V. Núñez 9
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Un prototipo del sensor AIS en una versión más avanzada se está probando a bordo de
aviones U-2 de la NASA, bajo la denominación de “Programa AVARIS” (Espectrómetro Aéreo
para Imágenes Visibles e Infrarrojas).
El Skylab fue visitado en tres oportunidades por astronautas que la tripularon durante 171 días
en total, cumpliendo 3900 órbitas. La tripulación se encargó de realizar reparaciones,
operaciones de mantenimiento y otras tareas vinculadas con los sensores e instrumental de a
Menéndez, M. A y V. Núñez
10
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
El Skylab fue puesto en órbita con una inclinación de 51º respecto al ecuador; completaba una
órbita cada 93 minutos y repetía su trayectoria terrestre cada 5 días.
Sensor Descripción
S-190 A Cámara fotográfica multiespectral
S-190 B E.T.C (Earth Terrain Camera)
S-191 Espectrómetro Infrarrojo
S-192 Barredor Multiespectral
S-193 Radiómetro de Microondas
S-194 Radiómetro Banda L
Las imágenes difundidas por la NASA corresponden a los dos primeros sensores.
El sensor S-190 A estaba integrado por seis cámaras de alta precisión formando un solo
conjunto. Las cámaras empleaban película de 70 mm con diferente sensibilidad y estaban
equipadas con filtros específicos para registrar porciones del espectro electro magnético desde
el visible al infrarrojo. Cada cámara, de formato cuadrado, permitía un registro de un área
aproximada de 26.503 Km 2 en el terreno.
Una de las cámaras empleaba película color y otra infrarrojo color; de las cuatro restantes, dos
utilizaban película infrarrojo blanco y negro mientras que las dos últimas utilizan pancromático
blanco y negro.
Menéndez, M. A y V. Núñez
11
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Se utilizó el registro fotográfico multibanda ya que este proporciona una mayor discriminación
de las condiciones del terreno, vegetación y agua, merced a la reflexión de las distintas
cubiertas del terreno en las diferentes porciones del espectro electro magnético y su expresión
en las fotografías.
Pese a ser pequeña, la escala obtenida con el sensor multiespectral (1: 2.860.000) resultó útil
para la compilación del mapa base de uso del suelo y del inventario de recursos terrestres.
Pudieron lograrse ampliaciones fotográficas de hasta 11 veces con buena resolución.
Se trataba de una sola cámara que cubría 11.881 Km 2 (109 x 109 Km.) en el terreno. Fue
diseñada para obtener fotografías de alta resolución y fue eficaz en algunos casos en que la
calidad de sus imágenes hizo innecesarias las comprobaciones en el terreno y permitió sustituir
a otras clases de fotografías aéreas tomadas a gran altura. El ancho de la película empleada
era de 12 cm proporcionando una imagen útil de 11 cm de lado.
Menéndez, M. A y V. Núñez
12
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Figura 1.4. Sensor 190 B. Cámara de alta resolución Earth Terrain Camera (E.T.C).
Las fotografías de la cámara S-190 B son muy similares a las aéreas de gran altura (18.000
m.). La mayor diferencia está en que la fotografía aérea cubre aproximadamente 33 x 33 Km,
mientras que la cámara S-190 B cubría 109 x 109 Km.
Menéndez, M. A y V. Núñez
13
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Figura 1.5. Imagen tomada con el sensor 190 B de Montevideo y el río de la Plata.
Fuente: http://www.geog.ucsb.edu/~jeff/115a/history/skylab.html.
Tamaños y escalas
1 : 250.000 65 x 65 cm.
1 : 250.000 43 x 43 cm.
Mediante el uso de sensores del Skylab se produjo información sobre tierras cultivadas y
forestales, identificación de suelos y tipos de rocas; cartografía de rasgos naturales y
desarrollos urbanos, detección de sedimentos y magnitudes de contaminación; estudios de
nubes y océanos, determinación de extensión y cubrimiento de nieve y hielo etc.
Menéndez, M. A y V. Núñez
14
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
El primer satélite tecnológico de recursos de la tierra (ERTS 1), ahora llamado LANDSAT 1 fue
lanzado el 23-VII-72 habiendo superado con seis años de permanencia en el espacio los 10
meses de vida útil preestablecida.
El Landsat vuela en una órbita circular a 570 millas (920 Km.) sobre la superficie de la tierra, y
completa cada una de ellas cada 103 minutos, es decir que realiza 14 órbitas por día. Su
trayectoria es de norte a sur y a partir de un punto determinado, cada Landsat puede captar el
globo entero, excepto los polos, con cubrimientos repetitivos cada 18 días.
Menéndez, M. A y V. Núñez
15
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Los satélites Landsat están equipados con tres sistemas de adquisición de datos: una cámara
vidicón de haz de retorno (RBV) parecido a un circuito de televisión; un barredor multiespectral
(MSS) y un sistema de recopilación directa de información (DCS) que retransmite datos
numéricos sobre el medio ambiente desde las plataformas de recopilación de datos situadas
en tierra a un punto central. El RBV y MSS son fundamentales ya que constituyen los únicos
sistemas de formación de imágenes a bordo de los satélites.
El análisis de las distintas imágenes en blanco y negro o de las compuestas infrarrojas o falso
color, permiten a los científicos identificar e inventariar diversos fenómenos ambientales tales
como la distribución y tipo general de vegetación, estructuras geológicas regionales, áreas
hidrográficas, oceánicas y nivológicas etc.
Menéndez, M. A y V. Núñez
16
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Ciclo de Cubrimiento: cada 18 días (se considera c/9 días en el caso que 2 satélites
(LANDSAT 1 y 2 ) están opuestos en 180º.
Menéndez, M. A y V. Núñez
17
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Nº de líneas de barrido: 2.340 y c/línea con 3240 píxel - Total = 7.581.000 píxel en la imagen
A: Antena receptora A: Alaska (G: Golstone ) (N: TTF Goddard ) (B: Brasil)
1: Misión ERTS-1
Menéndez, M. A y V. Núñez
18
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Marcas de registro: Son las cruces que aparecen fuera de las esquinas de la imagen; sirven
para facilitar la alineación de la distintas imágenes de la misma escena.
Menéndez, M. A y V. Núñez
19
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
1.3.2.4. Trayectoria
Menéndez, M. A y V. Núñez
20
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Con las tres estaciones terrestres utilizadas, la información que cubre a los ESTADOS UNIDOS
(incluyendo ALASKA y excluyendo HAWAI), Se obtiene en aproximadamente 18 minutos de
operación por día.
Menéndez, M. A y V. Núñez
21
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Este sistema reúne información terrestre obteniendo imágenes en varias bandas espectrales
simultáneamente, nominadas 4, 5, 6 y 7 (desde 0.5 a 1.1 micrones).
1- Un reflector plano que barre líneas transversales a la línea de vuelo, de 185 Km. (100 millas
náuticas) de ancho. Este barrido se efectúa por una oscilación transversal del espejo en 2º
53´48”).
2- Un telescopio que enfoca la escena terrestre desde el reflector o espejo hacia una matriz de
fibras ópticas y
El subsistema RBV contiene tres cámaras individuales que operan en tres bandas espectrales
mencionadas anteriormente en el ítem Sensores.
Menéndez, M. A y V. Núñez
22
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Figura 5.3.6: Cámaras RBV. Fuente: Aeroterra S.A Marcas de registro y de orientación de la
exploración del RBV . Fuente: Aeroterra S.A.
Cada cámara posee una lente óptica, un obturador, el sensor RBV, un enfocador
termoeléctrico, bobinas de deflexión y de foco, lámparas de barrido y sensores electrónicos.
Las cámaras son similares excepto respecto de los filtros espectrales de las lentes. Los
sensores electrónicos contienen los circuitos que programan y coordinan la operación de las
tres cámaras en forma de un sistema completamente integrado y las interrelacionan con los
restantes subsistemas de la nave espacial.
Menéndez, M. A y V. Núñez
23
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Tiene la mejor penetración en el agua. Es la más eficaz para realizar estudios intrínsecos de
los cuerpos de agua. Tiene sensibilidad óptima para el análisis de modelos de contaminación
de aguas, turbidez, densidad de fitoplancton , topografía submarina y condiciones
atmosféricas.
Ofrece la mejor definición y discriminación de los modelos de contaminación del agua, turbidez,
densidad de fitoplancton, topografía submarina y contaminaciones atmosféricas.
Menéndez, M. A y V. Núñez
24
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Fuente: elparanaense.com.ar/paranaense/index.php
Menéndez, M. A y V. Núñez
25
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
1.3.3.4. Formato
Las imágenes MSS y RBV son casi idénticas, salvo que las primeras no contienen referencias
fiduciales (marcas de cuadrícula y de registro).
Las del MSS son paralelogramos pues se trata de un barrido continuo en el que influye la
velocidad de rotación de la tierra ; las RBV son cuadradas pues la imagen que se obtiene es
instantánea.
Comienza con el lanzamiento del Landsat 4 el 16 de Julio de 1982 pero éste tuvo problemas y
continúa con el Landsat 5 el 1 de Marzo de 1984.
Objetivos:
• Acceder a la capacidad del sistema y los asociados sistemas terrestres que proveen
información mejorada de los recursos terrestres.
• Permitir la continuidad de recepción de los datos del Landsat por otras naciones.
Fuente: http://landsat.gsfc.nasa.gov/about/landsat4.html
http://www.fao.org/DOCREP/003/T0446S/T044626.gif
1.3.4.1. Sensores
Posee los sensores MSS y TM, la diferencia fundamental entre los dos sensores es que
el TM barre y obtiene datos en ambas direcciones, así reduce la relación de barrido y provee el
tiempo de detención necesario produciendo una mejor precisión radiométrica.
Además, la pantalla detectora del TM está localizada dentro del plano focal primario del
instrumento, permitiendo que la incidencia de luz sea reflejada directamente sobre los
detectores sin transmisión a través de fibras ópticas, como ocurre en el MSS. Esta
Menéndez, M. A y V. Núñez
26
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Elegida por su penetración en cuerpos de agua, lo que la hace adecuada para el mapeo de
aguas costeras. También es adecuada para la diferenciación de suelos, vegetación y
vegetación decidua de coníferas.
Banda IR termal para analizar stress de vegetación, humedad del suelo y mapeo termal.
El MSS en el Landsat 4 es similar a los anteriores. La óptica ha sido adaptada para que el
tamaño del píxel sea similar al del Landsat 1, 2 y 3 (80m de resolución), en una orbitación de
menor altura que en los satélites anteriores (750 Km contra 920 Km).
La órbita en el Landsat 4 es repetitiva, sincrónica con el sol y casi polar, altitud de 705 Km
sobre el ecuador, período de 99 minutos, completando 14,5 órbitas por día y cubriendo el globo
terráqueo en 16 días.
Menéndez, M. A y V. Núñez
27
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Este satélite ya cumplió 25 años orbitando la tierra obteniendo imágenes, salvo algunas
interrupciones por distintos motivos técnicos.
Fuente: http://www.sigagropecuario
Gov.ar/images/landsat5-7.gif
Fuente: http://www.sigagropecuario.gov.ar/images/landsat5-7.gif
1.3.5. LANDSAT 6
Fue lanzado el 5 de Octubre de 1993 pero no alcanzó la velocidad suficiente para entrar en
órbita. Este llevaba los mismos sensores que se describirán en el Landsat 7.
Menéndez, M. A y V. Núñez
28
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Fuente: http://landsat.gsfc.nasa.gov/about/landsat6.html
Fuente: http://www.ga.gov.au/remote-sensing/satellites-
Resolución Espectral: se refiere a las bandas que utiliza cada sensor con sus respectivos
rangos de longitud de onda.
Menéndez, M. A y V. Núñez
29
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Resolución
30 30 30 30 30 120 30 --
(metros)
Visible
Visible Visible Visible Infrarrojo Infrarrojo Infrarrojo Infrarrojo
Región Azul Verde Rojo Cercano Medio Lejano Medio
Pancromático
Resolución
30 30 30 30 30 60 30 15
(metros)
Comparación de las resoluciones espaciales en el terreno (tamaño del píxel) del Programa
LANDSAT.
Menéndez, M. A y V. Núñez
30
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
En Mayo de 2003 empezaron los problemas con el SLC (Scan Line Corrector), dispositivo
complementario del espejo barredor que elimina el zigzag de las líneas observadas o
barridas y que hasta hoy no se pudo solucionar. Solo la zona central de cada imagen está
bien pero muestra un “ruido” que se acrecienta a medida que se avanza a la periferia.
Menéndez, M. A y V. Núñez
31
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Figura 5.3.9: Orbita del Landsat 7. Distanciamiento entre fajas del mismo día en el Ecuador
Figura 5.3.10: Orbitas recorridas en días sucesivos. Fajas adyacentes desde el día 1 al 16. El
intervalo de tiempo entre orbitas adyacentes es de 7 días.
Landsa ▼ -----Hasta
t7 hoy-
▼ Falló en
Landsa
alcanzar
t6
la orbita
Landsa
▼ sin transmisión de datos
t5
Landsa
▼ sin transmisión de datos
t4
Landsa ▼ ------------------
t3 ●
Landsa ▼ -----------------------------
t2 ●
Landsa ▼----------------
t1 ●
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2
9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 0 0 0 0 0 0
AÑO
7 7 7 7 7 7 7 7 8 8 8 8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 9 9 9 0 0 0 0 0 0
2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 3 4 5 6 7 8 9 0 1 2 3 4 5
▼: Año de lanzamiento
●: Fin de servicio
Menéndez, M. A y V. Núñez
33
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
El SPOT 1 fue lanzado el 22-II-86 y se planificó el lanzamiento del SPOT 2 para 1988,
en caso de necesidad como repuesto del SPOT 1. El 3 y 4 a partir de 1990 con el fin de
asegurar la continuidad del servicio. El SPOT 2 se lanzó en 1990.
Menéndez, M. A y V. Núñez
34
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
El sensor ARV
1. Modo Pancromático (en blanco y negro), correspondiente a una observación sobre una
amplia banda espectral (0,51 - 0,73 )
2. Modo multibanda (en color), correspondiente a una observación sobre tres bandas más
estrechas: 0,50 - 0,59
0,61 - 0,68
0,79 - 0,89
El espejo plano del instrumento, orientable por telemando, permite desplazar el eje de
mira en un plano perpendicular a la órbita. Este desplazamiento es posible en un ángulo + - 27º
alrededor de la posición vertical.
Menéndez, M. A y V. Núñez
35
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
La órbita es heliosincrónica, el satélite pasa por la misma traza cada 26 días (vista nadiral)
La mira vertical
Los dos instrumentos ARV están dispuestos de tal modo que si los ángulos de mira son de + -
1,8º se puede observar a la vertical del satélite una faja de terreno de 117 Km de ancho con un
recubrimiento de las dos imágenes de 3 Km. Esta disposición permite tener una visión
completa del globo terrestre, puesto que la distancia entre dos trazas adyacentes es de un
máximo de 108 Km.
La mira vertical
La mira lateral
Menéndez, M. A y V. Núñez
36
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Con una orientación correcta del espejo de entrada del instrumento fijada por
telemando, es posible observar regiones interesantes y que no están necesariamente a la
vertical del satélite. Sin embargo, éstas deben estar en una faja de 450 Km de ancho,
rodeando la traza en tierra del satélite.
Menéndez, M. A y V. Núñez
37
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Miras verticales: cada 26 días se repite la observación en un mismo lugar, lo que causaría
inconvenientes en el caso de observación de un fenómeno de evolución relativamente rápida.
Si se llama D el nº del día cuando el satélite pasa a la vertical de un punto escogido los
días que permiten observación es dado por las figuras.
Menéndez, M. A y V. Núñez
38
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Figura 5.4.8
Menéndez, M. A y V. Núñez
39
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
La Estereoscopía
A través de un programa se fijan ángulos de mira de los dos instrumentos, modos (multibanda
o pancromático), emisión directa y/o grabación de datos, etc.
Adquisición de datos
50 x 50 cm escala 1:200.000
70 x 70 cm escala 1: 100.000
Producción de datos
1. Copias en papel blanco y negro y transparencias en películas para cada una de las 7
bandas del TM.
4. CD ROOM
Menéndez, M. A y V. Núñez
40
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Menéndez, M. A y V. Núñez
41
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Los límites de las escenas y la notación empleada para su identificación son asignados de
acuerdo al Grid Reference System (GRS) el cual permite identificar la localización geográfica
de las imágenes SPOT a partir de un sistema nominal de franjas (J) y columnas (K). Las
imágenes SPOT necesarias para dar cubrimiento a la superficie continental de Argentina se
encuentran desde la Franja J 392 hasta la J 464 y desde el K 672 hasta el K 703.
Menéndez, M. A y V. Núñez
42
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Digitalización 8 bits
Pan: 5m (nadir)
Pan: 480-710 nm
Verde: 500-590 nm
Bandas
Rojo: 610-680 nm
IR cercano: 780-890 nm
Menéndez, M. A y V. Núñez
43
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
OBJETIVO
La misión SAC-C cubre tanto la Observación de la Tierra como mediciones con fines
científicos.
PERFIL DE LA MISIÓN
Menéndez, M. A y V. Núñez
44
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
CARGA UTIL
La carga útil está constituida por las cámaras de teleobservación, provistas por
Argentina, y los instrumentos científicos, provistos por diferentes países a través de la
Participación Internacional.
Menéndez, M. A y V. Núñez
45
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
El SAC-C conforma, junto con los satélites Landsat 7, EO-1 y Terra de los EEUU, la
Constelación Matutina, constelación internacional para Observación de la Tierra.
CONSTELACION MATUTINA
El SAC-C y el EO-1 fueron puestos en órbita por el mismo lanzador Delta 2 - 7320 a
fines del año 2000, cuando el Landsat 7 y el Terra ya se encontraban operativos.
Menéndez, M. A y V. Núñez
46
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Hoy en día, en percepción remota se han desarrollado y usado con marcado éxito muchos
sensores con alta resolución espacial y temporal para la integración de evaluaciones de
peligros naturales y en los estudios de planificación para el desarrollo; entre los más comunes
están los siguientes:
ASTER es el único instrumento de alta resolución espacial de Terra que es importante para la
detección de los cambios, la calibración y / o validación, y estudios de la superficie terrestre.
De los datos de ASTER se espera contribuir a una amplia gama de los cambios mundiales
relacionados con áreas de aplicación, incluyendo la vegetación y la dinámica de los
ecosistemas, vigilancia de los riesgos, la geología y los suelos, la superficie terrestre la
climatología, la hidrología y la generación de modelos digitales de elevación (DEMs ).
Menéndez, M. A y V. Núñez
47
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Resolución 15 a 90 metros
VAIC (visible infrarrojo cercano), un telescopio mirando hacia atrás que sólo se utiliza para
adquirir un par de imágenes estéreo
ASTER sensor de alta resolución es capaz de producir estereoscopía (tres dimensiones) y las
imágenes detalladas del terreno modelos de altura. Otras características clave de ASTER son
los siguientes:
Menéndez, M. A y V. Núñez
48
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Cuantificación (bits) 8 8 12
Fuente:www.emap-int.com
Menéndez, M. A y V. Núñez
49
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Fuente:www.eduspace.esa.int/subtopic/default.
Estas imágenes son consecuencia directa de la liberación tecnológica promovida en 1994 por
el gobierno de los Estados Unidos de América. Anteriormente a esa época esta tecnología
estaba disponible para satélites con fines militares.
IKONOS colecta información de cualquier zona en promedio dos veces al día, cubriendo áreas
de 20.000 km2 en una misma pasada y produciendo como resultado imágenes de 1 metro de
resolución cada tres días y de 2 m de resolución todos los días.
El satélite IKONOS pesa unos 720 kg y órbita la Tierra cada 98 minutos a una altitud de casi
680 km en forma sincronizada con el Sol, pasando sobre un determinado lugar
aproximadamente a las 10:30 a.m. hora local. La órbita cubierta por el satélite se concentra
lejos del área directamente debajo del recorrido del mismo, y los datos de un lugar
determinado pueden ser captados casi diariamente, si bien no en todos los casos con 1 m de
Menéndez, M. A y V. Núñez
50
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
resolución. El satélite fue diseñado y fabricado por la empresa Lockheed Martin Commercial
Space Systems.
El sensor digital de imágenes del satélite está diseñado para producir imágenes con elevado
contraste, resolución espacial y precisión, brindando a los clientes un producto preciso y nítido.
La compañía Eastman Kodak proveyó el mecanismo electro-óptico, incluyendo su ensamble
con el telescopio óptico, los detectores y su ajuste al plano focal, incluyendo asimismo el
mecanismo de procesamiento electrónico de alta velocidad basado en un diseño efectuado por
Space Imaging.
Resultando todo un suceso, las imágenes de alta resolución del satélite IKONOS son una grata
realidad y están revolucionando el mercado satelital. Anteriormente, ningún satélite comercial
logró conseguir un nivel de detalle semejante.
Productos IKONOS:
Menéndez, M. A y V. Núñez
52
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Menéndez, M. A y V. Núñez
53
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
• Mejor calidad métrica y geométrica ya que las fotografías aéreas originalmente no son
productos geométricamente corregidos. Con los productos de IKONOS es posible
obtener una ortoimagen que cubra totalmente el área de interés, a partir de pocos
puntos de control terrestre, reduciendo así considerablemente el tiempo de
procesamiento. Dichos puntos de control pueden seleccionarse a partir de información
precisa ya existente (intersección de caminos, líneas sísmicas, pozos de petróleo, obras
de infraestructura, etc.).
Fuente: www.satimagingcorp.com/svc/ikonos-
stereo-satellite-images.html
Menéndez, M. A y V. Núñez
54
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
2.3. GEOEYE
Fue lanzado el 6 de septiembre de 2008. Satélite de órbita polar, GeoEye-1 hace 15 órbitas
por día volando a una altitud de 684 kilómetros con una velocidad de orbita de alrededor de 7,5
km por segundo ó 27.200 km/hora. Su órbita sincrónica con el sol le permite pasar sobre una
zona determinada alrededor de las 10:30 de la mañana (hora local), cada día.
La totalidad del satélite es capaz de girar rápidamente en su órbita apuntando la cámara en las
áreas terrestres que se encuentran directamente debajo del mismo, de lado a lado y de
adelante hacia atrás. Esta característica le permite obtener mayor cantidad de imágenes
durante la misma pasada.
Geo Stereo:
Menéndez, M. A y V. Núñez
55
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Menéndez, M. A y V. Núñez
56
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
Menéndez, M. A y V. Núñez 57
El Uso de los Sensores Remotos en los Recursos Naturales – Segunda parte: Teledetección
estereoscópica 3 rojo
4 IR cercano
polar helio Panchro Pancromático 0.6 – 0.7 m
sincrónica Azul
QuickBird
Octubre 16.5 km x Verde
Con capacidad Multiesp www.digitalglobe.com
de 2.001 16.5 km Rojo 2.4 a 2.8 m
estereoscópica ectral
272 km2
a 0 a 25º IR cercano
1 verde
JERS-1
Polar helio Escáner 2 rojo
Japanese Earth Feb 1992
sincrónica óptico 3 IR cercano 18 x 24 m
Resources hasta Oct.
75 x 75 OPS 4 IR cercano
Satellite-1 1998
km 5 IR cercano
Fuyo 1
Radar SAR banda L 18 x 18 m
MMRS 1 Azul verdoso
Multispectral 2 Verde
Medium 3 Rojo 175 m
SAC-C
Resolution 4 IR cercano
(Argentina- polar helio
Scanner 5 IR medio
EEUU, Brasil, Abril 2001 sincrónica www.conae.gov.ar/sac_c/
Dinamarca, 360 km HRC
Francia, italia) High
Resolution Pancromático 35 m
Technical
Camera
Menéndez, M. A y V. Núñez 58
Cátedra de Sensores Remotos
El RADAR (Radio Detection and Ranging) se desarrolló alrededor de 1920 por grupos
militares para la detección y ubicación de aviones y barcos. Posteriormente, al finalizar la segunda
guerra mundial se desarrollaron los sistemas de radar para formar imágenes.
La mayor ventaja del radar es que puede operar bajo cualquier condición atmosférica, con
o sin nubes, tanto de día como de noche y sin influencia de radiaciones térmicas.
http://webapp.ciat.cgciar.org/dtmmicroondas
59
Cátedra de Sensores Remotos
onda de la radiación recibida. En otras palabras, la resolución de una antena de gran apertura es
mayor que la de una antena de poca apertura.
Los radares pueden ser instalados sobre aviones (aerotransportados) o sobre plataformas
espaciales (satélites), éstos poseen una antena que transmite y/o recibe señales generando
imágenes en las cuales se pueden observar características físicas de la superficie de la tierra.
El sistema de radar más empleado para producir imágenes es el SLAR (Side Loocking
Airborne Radar). En este sistema se registra la imagen de una franja de terreno paralela a la línea
de vuelo y ubicada hacia un lado o ambos del avión.
Tipo de radares
De acuerdo con el tamaño de la antena, los radares también pueden dividirse en dos
grandes grupos:
Los RAR son equipos donde el tamaño de la antena es controlado por la longitud física de
la antena. Se los denomina radares no coherentes. El que se utilizó en aspectos forestales es el
Westinghouse, con una longitud de onda de 0.86 cm. (banda Ka) en la mapificación de los
bosques húmedos tropicales de Colombia.
Este radar posee una antena de 4 metros de longitud; un alcance oblicuo máximo de 24
km. con una duración de impulso de 0.07 microsegundos y una resolución de objetos a 16 Km. de
distancia oblicua del radar de Ry (resolución en el eje y)= 12 m. Rx (resolución en el eje x) = 21 m.
Altura de vuelo sobre el terreno 6.000 metros. Escala media de imágenes 1:218.000.
La resolución de la imagen es limitada por la longitud focal en los sistemas ópticos y por la
longitud de la antena en el radar. La antena necesita tener varias veces el tamaño de la longitud
de onda para reducir el ancho de banda de la señal emitida. Sin embargo es impráctico diseñar
una antena suficientemente grande como para producir datos de alta resolución.
Esto significa que la resolución se deteriora con la distancia a la antena. Para tener una alta
resolución en la dirección del azimut, la antena de radar debe ser muy larga.
60
Cátedra de Sensores Remotos
Fuente: www.tecnoradar.es/partesradar.html
La antena es metálica y puede ser sólida o estar formada por una malla. La forma de la
antena determina la configuración de la radiación emitida, por consiguiente se emplea
generalmente una antena parabólica para producir un haz en forma de abanico.
61
Cátedra de Sensores Remotos
El equipo con que se realizó el Proyecto Radargramétrico del Amazonas en 1974 donde se
relevó el departamento Caquetá (Colombia) consta de un avión jet Caravelle de la empresa GEMS
(Good Year Electronic Mapping System) equipado con un sistema inercial de navegación, que
sirve para mantener el vuelo controlado con gran precisión, el radar de visión lateral, cámaras
cartográfica y multiespectral que proporcionan una información adicional sobre el terreno
observado.
La figura 5.5.1 muestra al radar aerotransportado de visión lateral con todo el instrumental
electrónico para la formación de imágenes.
El barrido del terreno en dirección perpendicular a la línea de vuelo, puede hacerse por giro
mecánico de la antena o electrónicamente.
62
Cátedra de Sensores Remotos
Figura 5.5.1. Sistema de Radar aerotransportado de visión lateral. Tomado de “Radar de imágenes laterales aerotransportado” H.Jensen, L.C.Graham, L.J. Porcello y E. Leite. Rev.
Investigación y Ciencia. Dic. 1977.
63
Cátedra de Sensores Remotos
La antena fijada en el fuselaje emite impulsos cortos de microondas. El haz forma un abanico de pequeña apertura y su dirección es perpendicular a la línea de vuelo.
Cuando uno de dichos impulsos llega a tierra, es reflejado por ella y una fracción del impulso original vuelve al avión. Allí es recibido por la misma antena que lo emitió y
es enviado a un receptor de radio muy sensible. En el receptor se genera una señal cuya amplitud depende de la intensidad de microondas recibidas cada instante.
Esta señal controla la luminosidad del haz de un tubo de rayos catódicos. El haz se registra sobre una película. Puesto que las microondas se mueven en línea recta,
64
Cátedra de Sensores Remotos
las zonas tales como la ladera de la montaña más alejada no reciben y no devuelven impulsos y, por lo tanto, en las imágenes del radar aparecen en negro. La
radiación atraviesa la atmósfera, se refleja en el terreno y vuelve hacia la antena, donde es recibida. El tiempo que demora la onda desde que parte de la antena hasta
que regresa a ella, es función de la distancia del radar al objeto. El sistema de control E/R (emisión/recepción) tiene como principal objetivo separar en el tiempo la
señal emitida de la señal recibida, dando lugar a que llegue la señal de los puntos más distantes. La señal recibida es amplificada y registrada en cinta magnética, para
producir luego una imagen visual. También se puede formar directamente una imagen similar a una fotografía utilizando un TRC( tubo de rayos catódicos). Tomado de
“Radar de imágenes laterales aerotransportado” H.Jensen, L.C.Graham, L.J. Porcello y E. Leite. Rev. Investigación y Ciencia. Dic. 1977.
65
Cátedra de Sensores Remotos
3.1.3. Reflexión
El hecho de que una superficie dada aparezca rugosa o lisa en la imagen del radar
viene determinado por el valor de la longitud de la onda electromagnética en relación
con el tamaño de los accidentes del terreno. Por ejemplo: una superficie que resulta
rugosa a la longitud de onda visible de 0.5 micrómetros puede aparecer relativamente
lisa (es decir sin detalles de accidentes) a una longitud de onda de tres centímetros.
Una superficie rugosa difunde la energía incidente en todas direcciones, devolviendo a
la antena solamente una pequeña fracción de dicha energía. En cambio una superficie
lisa refleja la energía incidente en una dirección determinada, comportándose como
un espejo. Si la superficie lisa es perpendicular al haz del radar incidente la energía
devuelta a la antena es intensa: en otro caso, el haz no vuelve a la antena. Algunas
características del terreno, como por ejemplo, un campo de maíz, son reflectores
difusos tanto para la región visible como para la región de las microondas del
espectro. Otras características del terreno, una zona de estacionamiento de cemento,
se muestran como reflectores difusos para la región visible y son reflectores
especulares para le región de las microondas. En conclusión, existen más reflectores
especulares en relación con la captación de imágenes con microondas que los que se
ponen de manifiesto en las fotografías realizadas con luz visible.
Los reflectores especulares por excelencia son las superficies lisas de agua.
Cuando hay oleaje se comporta como un reflector difuso.
66
Cátedra de Sensores Remotos
67
Cátedra de Sensores Remotos
Fig. 5.5.5. Reflector especular, una superficie lisa de agua o una superficie
pulimentada, se comporta como un espejo y refleja la energía de las microondas en
una dirección bien definida. Si la superficie no es perpendicular a la antena, la energía
no regresa a ésta (arriba) y en la imagen del radar la superficie aparece negra. Las
superficies que se hallan relacionadas entre sí, como las casas y las calles, actúan
conjuntamente como reflectores angulares (abajo). Tomado de “Radar de imágenes laterales
aerotransportado” H.Jensen, L.C.Graham, L.J. Porcello y E. Leite. Rev. Investigación y Ciencia. Dic.
1977.
Geometría
68
Cátedra de Sensores Remotos
ß: Angulo de depresión
a: resolución en el alcance
Fuente:
http://webapp.ciat.cgciar.org/dtmradar
69
Cátedra de Sensores Remotos
Fuente: http://webapp.ciat.cgciar.org/dtmradar
70
Cátedra de Sensores Remotos
o
el
vu
de
a
ine
L
Alcance inclinado
Radar
A BC D E F G H I
A B C D E F G H I
Alcance terrestre
Fuente: http://webapp.ciat.cgciar.org/dtmradar
Los diferentes detalles del relieve del terreno aparecen más o menos
desplazados en la imagen a lo largo de la dirección perpendicular a la del vuelo del
avión respecto a la posición que ocuparían si fueran observados verticalmente. La
razón de este hecho estriba en que la fracción del impulso de microondas reflejada por
las zonas mas elevadas del terreno (y, por lo tanto, más próximas al avión) retorna a la
antena antes que la energía reflejada por las zonas menos elevadas del terreno. En
consecuencia las imágenes de las zonas más elevadas del terreno, más próximas al
avión, aparecen un tanto desplazadas hacia la línea de vuelo del aparato. Este
desplazamiento por elevación es una de las características de las observaciones con
radar de terrenos accidentados. En cierto modo, este efecto es análogo a la distorsión
de la perspectiva que se pone de manifiesto en la fotografía ordinaria.
71
Cátedra de Sensores Remotos
En este caso, todos los objetos con las mismas coordenadas angulares
respecto a la lente parecen coincidir en la película. En un sistema de radar, todos los
objetos situados a la misma distancia de la antena coinciden en la imagen, por
consiguiente, una imagen de radar es aproximadamente análoga a la imagen
fotográfica que proporcionaría una cámara hipotética enfocada en una dirección
perpendicular a la línea que une el objeto y la antena de radar.
72
Cátedra de Sensores Remotos
El piloto inercial mantiene el vuelo regular del avión y evita maniobras erráticas,
cuya ocurrencia daría lugar a imágenes distorsionadas. Estos contenidos se llevan a
cabo mediante el envío de oportunas señales desde el dispositivo hasta el piloto
automático que gobierna el avión. Por otra parte, los sensores angulares del piloto
inercial controlan la posición de la antena de radar respecto a tres coordenadas
angulares, con el fin de garantizar que la antena esté constantemente dirigida hacia el
suelo formando un cierto ángulo con la línea de vuelo del aparato. El sistema inercial
determina tanto el ritmo de emisión de los impulsos del radar como la velocidad
conque avanza la película en que se registran las oportunas imágenes.
La velocidad con que el punto luminoso barre la pantalla del TRC controla
escala perpendicular a la línea de vuelo y la velocidad de la película en que se
registran las imágenes controla la escala paralela a línea de vuelo.
73
Cátedra de Sensores Remotos
74
Cátedra de Sensores Remotos
Fig. 5.5.7.
La figura 5.5.7 pone de manifiesto el hecho de que los impulsos reflejados por las dos casas
más próximas a la antena llegarán a ésta antes que los procedentes de las dos casas más alejadas (1 y
2). La resolución en una dirección perpendicular a la del vuelo del avión resulta igual a la mitad de
duración del impulso. Dos objetos, tales como las 3ª y 4ª casas, que se hallan separados en dicha
dirección por una distancia menor que la duración del impulso del radar, quedarán detectados por la
antena, como si se tratara de un objeto único (3 y 4). Tomado de “Radar de imágenes laterales
aerotransportado” H.Jensen, L.C.Graham, L.J. Porcello y E. Leite. Rev. Investigación y Ciencia. Dic.
1977.
Fig. 5.5.8 Los objetos elevados resultan desplazados hacia la línea de vuelo del avión, dando
lugar a que en las imágenes de radar las montañas parezcan más inclinadas de lo que son en realidad.
El pico de una montaña (A) está más próximo que su ladera (B) o su base; así pues, los impulsos
procedentes del pico vuelven a la antena antes que los otros. Tomado de “Radar de imágenes laterales
aerotransportado” H.Jensen, L.C.Graham, L.J. Porcello y E. Leite. Rev. Investigación y Ciencia. Dic.
1977.
75
Cátedra de Sensores Remotos
76
Cátedra de Sensores Remotos
Sombras
77
Cátedra de Sensores Remotos
Linea de
vuelo B A C
Antena
B C
D
78
Cátedra de Sensores Remotos
3.2. Escorzo
79
Cátedra de Sensores Remotos
B C
A D
Nadir A' B' C' D'
Paralaje de Radar
Al igual que las aerofotografías. Las paralajes de radar se utilizan para obtener
la visión tridimensional y calcular diferencias de altura.
• Se vuelan dos fajas paralelas a igual altura y a diferente lado del objeto o
terreno. Fig…
80
Cátedra de Sensores Remotos
Fotos Aéreas
Radar Radar
Fig:
Definición de
Paralaje de
radar (DP)
Imágenes
tomadas desde
lados opuestos
• Se vuelan dos líneas paralelas a igual o distinta altura y sobre el mismo lado.
81
Cátedra de Sensores Remotos
Fotos Aéreas
Radar
Radar
Fig: Definición de paralaje de radar (DP). Imágenes tomadas del mismo lado
Antena
12 Km.
53.
3K
m.
20
.4
Km
.
82
Cátedra de Sensores Remotos
Angulo de incidencia
Angulo de incidencia
Radares Satelitales
El satélite europeo ERS 1 fue el primer satélite lanzado por la agencia espacial
europea (ESA) de observación de la tierra lanzado el 17 de julio de 1991, por un
cohete Ariane 4 desde Kourou (Guyana Francesa), a una órbita polar heliosincrónica
de 782 y 785 km.
83
Cátedra de Sensores Remotos
El radar de apertura sintética funcionaba con una longitud de onda de 5.6 cm. (banda
C) y una resolución de 25x25 metros y un período de revisita de 35 días que se podía
reducir hasta 4 días.
Una falla de la computadora y los giroscopios del ERS-1, dio por resultado finalizar las
operaciones el 10 de marzo de 2000.
• Un emisor de microondas
Su sucesor, ERS-2, fue lanzado el 21 de abril de 1995 también por un Ariane 4 desde
Kourou. Es prácticamente igual al ERS-1, pero añadiendo el GOME (Global Ozone
Monitoring Experiment) y un espectrómetro de absorción. Cuando ERS-2 fue lanzado,
compartía el mismo plano orbital con el ERS-1, lo cual posibilitó una misión de
"tándem", con el ERS-2 pasando por la misma zona que el ERS-1 había recorrido un
día antes.
84
Cátedra de Sensores Remotos
Características:
Dimensiones de la antena: 15 x
1.5m
Resolución: 25 m.
Polarización: HH
3.4. El radarsat 2 se lanzó el 14/12/2007 con lanzador Soyuz con orbita casi polar
heliosincrónica y una altitud de 798 Km., período de 100.7 minutos y una dimensión
de antena de 15 metros x 1.5 m. Polarización HH HV VH VV
Una de las importantes aplicaciones fue la realización del Proyecto Radar geométrico
del Amazonas (PRORADAM), con deficiente cartografía, se cubrió una superficie de 4
millones de Km2.
85
Cátedra de Sensores Remotos
3.7. Debido a que la NASA realizó una misión para el Trasbordador Espacial que
parte el 11/02/2000, y cambió radicalmente los conceptos topográficos a los que
estábamos acostumbrados.
86
Cátedra de Sensores Remotos
3.11.
Estas fases fueron complementadas en tiempo real por una organización de
maniobras simuladas programadas, que minimizaban de antemano los problemas de
orden general que el equipo de astronautas y operadores podría encontrar en la
realidad.
Finalmente prosigue la última etapa consistente en la captura de información y
recopilación de la misma que realizó el Transbordador orbitando nuestro planeta
durante esos 11 días en el mes de Febrero.
Pero otros usos de los datos obtenidos incluyen el mejoramiento del modelado
matemático sobre el escurrimiento de cursos de agua, sistemas simuladores de vuelo
más realistas, mejor monitoreo del terreno para la ubicación de torres de transmisión,
como por ejemplo de telefonía celular, seguridad en la navegación, y además mapas
más completos a disposición de los viajeros.
Por otra parte cualquier proyecto que requiera un preciso conocimiento del perfil y
altura de los terrenos se verá beneficiado con esta información. Algunos ejemplos los
constituyen el control de inundaciones, control de terrenos aprovechables,
reforestación, el monitoreo de volcanes, investigación de terremotos, y el monitoreo de
los desplazamientos de glaciares.
Para muchas regiones del mundo, los mapas topográficos de la Tierra son muy
limitados, imprecisos o inexistentes. Por ejemplo numerosas cadenas montañosas,
desiertos inhóspitos y densas selvas tropicales, poseen una cobertura topográfica que
resulta totalmente inadecuada, principalmente debido a la dificultad para acceder a
estos terrenos.
Aún donde los mapas topográficos existen, puede que hallan sido creados en estas
condiciones haciéndolos prácticamente inservibles.
También ocurre que países vecinos podrían haber generado datos topográficos
utilizando métodos completamente diferentes, ocasionando esta falta de
estandarización. Limitando la efectividad de las cartas obtenidas a la utilización
regional y por ende impidiendo su aplicación global.
SRTM porta instrumentos con la capacidad suficiente para lograr homogeneidad y
precisión en la captura de datos jamás vistas hasta el momento.
Para estas aplicaciones, el radar es una herramienta más adecuada que las cámaras
ópticas convencionales, debido a que puede operar de día o de noche y penetrar
mantos nubosos. Transportando el radar sobre el Trasbordador, el acceso físico a un
sitio ha dejado de ser un problema.
Características técnicas
87
Cátedra de Sensores Remotos
terrestre ubicada entre los 60º de latitud norte y 56º de latitud sur, que constituye
aproximadamente el 80 % de la masa de terreno del planeta.
Los radares utilizados en esta misión fueron verificados con anterioridad en misiones
realizadas en 1994. El radar SIR-C (Shuttle Imaging Radar-C) y el X-SAR (X-band
Synthetic Aperture Radar) volaron a bordo del Transbordador Espacial en Abril y
Octubre de 1994 recopilando datos sobre el medio ambiente terrestre.
SIR-C fue desarrollado por la NASA mientras que X-SAR lo fue a través de la
colaboración conjunta de las agencias Espaciales Alemana e Italiana. En conclusión,
SRTM no es más que un conjunto de instrumentos reutilizados más un adicional de
instrumental necesario para poder lograr los objetivos pretendidos actualmente.
La innovación más relevante de la misión lo constituye sin duda la adición de una
antena secundaria en el extremo de un mástil de 60m de longitud, el que permite al
sistema operar como un interferómetro de un solo paso logrando una precisión y una
eficiencia muy elevadas en la recopilación de datos.
88
Cátedra de Sensores Remotos
Resolución 80 m 16 m 79 m
Semi-detallado
Detallado
89
Cátedra de Sensores Remotos
Elementos de orientación
Medición de coordenadas ± 1 mc ± 1 mc ± 1 mc
en la imagen empleando
comparadores (x,y)
90
Cátedra de Sensores Remotos
LIDAR
El LIDAR (Light Detection And Ranging) que significa detección y medición a través de
la luz (es un sistema láser), permite registrar las diferentes altitudes que hay en un
terreno, de tal manera que éstas puedan reproducirse en un mapa.
Diagrama de funcionamiento
Es un sistema que permite obtener una nube de puntos del terreno tomándolos
mediante un escáner láser aerotransportado (ALS). Para realizar este escaneado se
combinan dos movimientos: uno longitudinal dado por la trayectoria del avión y otro
transversal mediante un espejo móvil que desvía el haz de luz láser emitido por el
escáner.
91
Cátedra de Sensores Remotos
Las medidas obtenidas por los tres componentes principales, ALS, GPS e IMU, se
toman con una misma etiqueta de tiempos acorde con el GPS. De esta forma
después se pueden relacionar fácilmente en el cálculo posterior.
• Por cada pulso emitido puede captar 2 o más ecos. Esto nos permite recoger
información a diferentes alturas. Por ejemplo, si estamos sobrevolando una
zona arbolada, el primer eco puede responder a la copa de los árboles y el
último a la superficie terrestre.
92
Cátedra de Sensores Remotos
árboles; el último retorno mide el valor del suelo. El sistema LIDAR puede captar
múltiples retornos para cada punto del terreno, y cada uno de ellos registra también la
intensidad reflejada.
Lineal: Está construido con un espejo rotatorio en un solo sentido que va desviando
el haz láser. El resultado es una serie de líneas paralelas en el terreno como patrón de
escaneado. Adolece de problemas como ser que el giro del espejo en una sola
dirección no siempre efectiviza mediciones.
http://lidar.com.es/2010/09/15/airborne-altimetric-lidar-principle-data-collection-
processing-and-applications/
Zig Zag: Aquí el espejo es rotatorio gira en dos sentidos (ida y vuelta), realizando
líneas en zigzag como patrón de escaneado. Tiene la ventaja de que siempre esta
midiendo pero al tener que cambiar de sentido de giro la aceleración del espejo varia
según su posición. Esto hace que en las zonas cercanas al limite de escaneado lateral
(donde varia el sentido de rotación del espejo), la densidad de puntos escaneados sea
mayor que en el nadir.
93
Cátedra de Sensores Remotos
Elíptico (Palmer): Aquí la trayectoria del haz láser es desviada por dos espejos que
producen un patrón de escaneado elíptico. La ventaja consiste en que el terreno es a
veces escaneado desde diferentes perspectivas aunque el tener dos espejos
incrementa la dificultad al tener dos medidores angulares.
http://www.automation-drive.com/fema-lidar-specifications
94
Cátedra de Sensores Remotos
www.jrcanmap.com/images/lidar-sample
Captura de pantalla de datos lidar de arbustos bajos antes y después del tratamiento.
wgsair.com
BIBLIOGRAFIA
www.wikipedia.org/.../European_Remote_Sensing_Satellite
http://www.radarsat2.info/
95
Cátedra de Sensores Remotos
www.wikipedia.org/wiki/LIDAR
http://forsys.cfr.washington.edu/JFSP06/lidar_technology.htm
96
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
1. GEORREFERENCIACIÓN
Las imágenes de satélites obtenidas con sensores basados en escáner óptico mecánicos,
de barrido o empuje, contienen una variedad de deformaciones geométricas inherentes a las
características propias del sistema; algunas de las principales anomalías son las provocadas por
la rotación de la Tierra durante el registro de una imagen completa o las causadas por el hecho de
que el campo visual instantáneo (IFOV acrónimo en inglés de Instantaneous Field Of View)
cubre más porción de terreno al final de las líneas del escáner, donde el ángulo visual es muy
oblicuo, a diferencia de la parte central donde el campo visual es vertical.
Para las imágenes satelitales comercializadas, como las del LANDSAT, IRS-P6
Resourcesat-1 o SPOT, la mayoría de los elementos de la restauración geométrica sistemática
asociados con la captación de imágenes son corregidos por los distribuidores. Entonces, para el
usuario final, la única operación que generalmente debe realizarse es la georreferenciación, con
el objeto de obtener un producto que pueda ser utilizado posteriormente en análisis del territorio
en un entorno de los Sistemas de Información Geográfica (SIG). Muchas empresas de
distribución comercial de imágenes satelitales realizan esta rectificación con un costo adicional.
La georreferenciación corresponde entonces al procedimiento mediante el cual se corrige
espacialmente un mapa o imagen digitales, asignándoles coordenadas en un sistema de referencia
determinado; esto sería, un cambio en el espacio de referencia, del espacio imagen al espacio de
proyección (Cuartero y Felicísimo, 2003) (Figura 1). Para los productos en formato raster la
georreferenciación involucra dos etapas: por un lado la asignación de nuevas coordenadas
(desplazamiento, rotación y escalado de la grilla de coordenadas) al producto resultante y, por
otro, la transferencia del atributo a las nuevas posiciones espaciales; para el caso de las imágenes
satelitales, el atributo corresponde al nivel digital (Nd) contenido en el píxel.
1
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
2
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
3
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Figura 4. Parámetros de la orientación interior del escáner de arreglo linear del satélite
SPOT. Fuente: Erdas, 2005.
Pk: punto en la imagen
xk: coordenada x de la imagen para línea k de escaneo
f: distancia principal de la cámara
4
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
5
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
PC 02 PC 02
PC 01 PC 01
PC 03 PC 03
PC 04 PC 04
PC 09 PC 09
PC 10 PC 10
PC 12 PC 12
PC 11 PC 11
PC 06 PC 06
PC 05 PC 05
a b
6
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
PC 02 PC 02
PC 01 PC 01
PC 03 PC 03
PC 04 PC 04
PC 09 PC 09
PC 10 PC 10
PC 12 PC 12
PC 11 PC 11
PC 06 PC 06
PC 05 PC 05
c d
PC 02
PC 01
PC 03
PC 04
PC 09
PC 10
PC 12
PC 11
PC 06
PC 05
e
Figura 6. Tipos de transformaciones geométricas: a, polinómica de primer orden; b,
polinómica de segundo orden; c, polinómica de tercer orden; d, ajuste (adjust);
y, e, línea flexible (spline).
En la Figura 6 se pueden ver las deformaciones que sufre una fotografía aérea (Núñez,
2003), por la aplicación de diferentes transformaciones geométricas en base a diez PCT. Los
errores y residuales máximos se pueden consultar en la Tabla 1.
Residual
RMS
Transformación geométrica máximo PCT
(m)
(m)
Polinómica de primer orden 9.311 14.357 02
Polinómica de segundo orden 2.134 3.689 03
Polinómica de tercer orden 0.006 0.011 06
Ajuste (adjust) 0.000 0.000 todos
Línea flexible (spline) 0.004 0.004 todos
Tabla 1. Error estándar (RMS: Root Mean Square) y residual máximo por la aplicación
de diferentes transformaciones geométricas sobre una fotografía aérea basado
en diez PCT.
7
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
8
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
m = x + ∆x 0 ≤ ∆x ≤ 1
n = y + ∆y 0 ≤ ∆y ≤ 1
9
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Figura 8. Remuestreo por el método de vecino más cercano. Tomado de Pinilla, 1995.
Pág. 144.
c1 = (1 - ∆x) (1 - ∆y)
c2 = ∆x (1 - ∆y)
c3 = (1 - ∆x) ∆y
c4 = ∆x ∆y
10
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Figura 9. Remuestreo por interpolación bilineal. Tomado de Pinilla, 1995. Pág. 145.
Este método produce resultados suavizados, pues las cuatro posiciones más cercanas a la
celdilla corregida son utilizadas para calcular un valor promedio que homogeniza las escalas de
grises: El método de interpolación bilineal se utiliza para georreferenciar imágenes con datos
cuantitativos, permitiendo salidas de mayor calidad visual.
11
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Figura 10. Remuestreo mediante convolución cúbica. Tomado de Pinilla, 1995. Pág. 146.
que puesta en función de las luminancias de cada celdilla queda:
ƒ(m) = [(∆x)3 – (∆x)2] ƒ(x+2) -
- [(∆x)3 – (∆x)2 - (∆x)] ƒ(x+1) +
+ [(∆x)3 – 2(∆x)2 + 1] - ƒ(x) -
- [(∆x)3 – 2(∆x)2 + (∆x)] ƒ(x-1)
donde ƒ(m) es el interpolante asignado a la celdilla central (m) de cada una de las cuatro
líneas de la imagen corregida y ƒ(x) es el valor correspondiente al píxel de la imagen
transformada, situado en una posición delimitada por un número real. El polinomio de
interpolación entre los cuatro valores ƒ(m) obtenidos será de la forma:
ƒ(m,n) = [(∆y)3 – (∆y)2] ƒ(m+2) -
- [(∆y)3 – (∆y)2 - (∆y)] ƒ(m+1) +
+ [(∆y)3 – 2(∆y)2 + 1] - ƒ(m) -
- [(∆y)3 – 2(∆y)2 + (∆y)] ƒ(m-1)
Este método asegura que la interpolación pase por los valores conocidos en los centros de
las celdillas y que sus dos primeras derivadas sean suaves. Ello produce gran conservación en el
aspecto visual de la imagen resultante, pues el suavizado que introduce es menos severo que en
la interpolación bilineal. Sin embargo presenta el inconveniente de una mayor exigencia de
cálculo al sistema de tratamiento, lo que insume mayor tiempo.
En IDRISI solo están disponibles las dos primeras opciones de remuestreo (vecino más
cercano e interpolación bilineal), mientras que en ARCGIS 10 se ofrecen los tres métodos y se
incluye un cuarto llamado Majority (Mayoría). Este último corresponde a un remuestreo o
interpolación en el que se asigna el identificador dominante a la posición de la celda de salida; se
requiere que tres de cuatro o cinco de ocho celdas próximas (en un arreglo ortogonal) de la
imagen transformada tengan el mismo valor (identificador temático o Nd), en caso contrario se
asigna el dato del píxel más próximo.
Las opciones NEAREST y MAJORITY se utilizan para los datos temáticos, como los
mapas de uso del suelo en formato ráster. NEAREST es la opción predeterminada dado que es la
12
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
más rápida y también porque no cambiará los valores de los píxeles. No se deben utilizar
NEAREST o MAJORITY para datos continuos, como las superficies de elevación.
Las opciones BILINEAR y CUBIC son más adecuadas para los datos continuos. No se
recomienda la utilización de los algoritmos BILINEAR o CUBIC para datos temáticos ya que
pueden alterar los valores de las celdas.
1.1. Introducción
La utilización de las técnicas de la Aerotriangulación y de la compensación por bloques
ha aumentado considerablemente en el país en los últimos años, y es probable que ese aumento
sea aún mayor en el futuro, si se tienen en cuenta los requerimientos cartográficos que
implicarán, por un lado las importantes inversiones previstas en obras de infraestructura y, por el
otro, el impacto trascendente que viene a significar la aparición y rápida generalización de los
Sistemas de Información Geográfica.
Ante este futuro promisorio, resulta conveniente brindar a los usuarios información
suficiente, inexistente en idioma español, sobre la relación entre la precisión de la compensación
y aquellos parámetros como forma y tamaño del bloque, distribución de puntos de control,
cantidad de puntos de enlace, recubrimiento (especialmente el transversal), tipo de fotografía etc.
Muchas de las dificultades encontradas en la práctica tienen su origen en un diseño
deficiente de la distribución de puntos de control o en la elección de la cantidad de puntos de
enlace, por ejemplo.
Este trabajo persigue principalmente fines didácticos y presenta los resultados de varias
investigaciones sobre el tema.
2.1.1. Planimetría
Ackermann (1967) ha estudiado el tema del ajuste planimétrico de bloques de fotografías
en detalle y sus investigaciones han dado lugar a muchas publicaciones. En una de ellas se
presentan la conclusiones principales mediante perspectivas muy expresivas que permiten
apreciar la influencia de la distribución de los puntos de control en la compensación (Figura 12 y
Figura 13). Al examinar estas figuras debe tenerse presente que ellas son una representación
gráfica espacial de los errores cuadráticos medios (σx = σy = σ) de las coordenadas planimétricas
13
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
(x,y) compensadas de los puntos de enlace del bloque, y no una representación de la deformación
planimétrica real del bloque, como podría interpretarse apresuradamente.
14
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
15
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
( xi − x) 2
σo =σ = ∑ 2
Varianza de la unidad de peso, precisión.
n −1
( xi − x) 2 Promedio del error medio de los puntos de
µ =σ x = ∑
2
enlace luego de la compensación.
n * (n − 1)
RMS = 2 σ x2
σ Error estándar (Root Mean Square).
RMS = 2
n
σ = RMS 2 n Desvío estándar.
De los ejemplos presentados en la Figura 12 se extraen fácilmente las siguientes
conclusiones:
Con solo 4 puntos de apoyo en las esquinas del bloque la precisión se reciente
sensiblemente en el perímetro del bloque (bloques f6 y d10), pero en el interior de ella
es bastante mejor y de carácter uniforme.
El inconveniente de la poca precisión en los bordes desaparece empleando puntos de
apoyo a lo largo del perímetro de bloque (bloques f7, d11, d12 y d14). Cuanto mayor
sea la densidad de ese apoyo, mejor será la precisión final.
Por su parte, de lo mostrado en la Figura 13 se puede concluir:
No resulta necesario colocar una alta densidad de puntos de apoyo en el interior del
bloque (bloque f5).
El empleo de pasadas adicionales con un alargue de 2 modelos al principio y al final de
cada una de ellas brinda una interesante posibilidad de ahorrar puntos de control en el
perímetro. En los bloques f9 y f10, se puede apreciar que la precisión, dentro de la zona
definida por los puntos de control, es comparable a la obtenida en los bloques con
mayor apoyo planimétrico denso.
16
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Figura 13. Transformaciones geométricas simples. Tomado de Pinilla, 1995. Pág. 148.
17
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
4. BIBLIOGRAFÍA
Ackermann, F. 1967. Theorestische Beispiele zur Lagegenautigkeit ausgeglichener
Bloecke. Bildmessung und Luftbildwesen, Helft 3.
Cuartero, A. y A. M. Felicísimo. 2003. Rectificación y ortorrectificación de imágenes de
satélite: análisis comparativo y discusión, GeoFocus (Artículos), nº 3, 2003, p. 45-57. ISSN:
1578-5157.
Erdas field Guide Lieca Geosystems, GIS and Mapping. 2005.
Juliá, J. E. 1999. Puntos de enlace y de control en la aerotriangulacion. ¿cuantos?
¿donde?. Universidad Nacional de Tucumán.
Morgan, M. 2004. Epipolar Resampling of Linear Array Scanner Scenes, University of
Calgary, CALGARY, ALBERTA, EEUU.187 pp.
Núñez, V. 2003. Levantamiento aerofotográfico con cámara de mediano formato sobre
Avenida Bolivia, Ciudad de Salta. IRNED, UNSa. Salta, Argentina.
Pinilla, C. 1995. Elementos de teledetección. Ed. RA-MA. Madrid, España. 282 pp.
18
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
PROCESAMIENTO DIGITAL
APUNTE EN PREPARACIÓN (2007)
El sensor explora secuencialmente la superficie terrestre adquiriendo a intervalos regulares la radiación que
proviene de los objetos sobre ella situados y detecta la radiancia media de una parcela de terreno que equivale a un
píxel, mínimo elemento de resolución a partir del cual se realiza el tratamiento digital de imágenes. Cada píxel viene
definido por un número entero y este valor se denomina nivel digital (ND). Este es un valor numérico no visual, que
puede traducirse a una intensidad visual o si se prefiere a un nivel de gris mediante un monitor.
La organización de datos en una imagen digital es una matriz numérica de tres dimensiones. Las dos
primeras coordenadas geográficas de la imagen, mientras la tercera indica su dimensión espectral. La orientación
aproximada norte – sur se expresa a través de las filas de la matriz (line) mientras que las columnas (column) indican
la disposición oeste – este. El origen de coordenadas se sitúa en la esquina superior izquierda (línea 1 columna 1),
en lugar del borde inferior izquierdo como ocurre el cualquier eje cartesiano y se debe a la secuencia de adquisición
de imágenes de norte a sur de acuerdo a la traza del satélite. La tercera dimensión corresponde a la resolución
espectral del sensor y habrá tantos planos en la imagen como bandas originalmente detectadas.
Figura 541: Teniendo presente el carácter matricial de cualquier imagen numérica, son más compresibles las
posteriores transformaciones aplicadas sobre ellas como: medidas de tendencia central y dispersión (media,
desviación típica en c/u de las bandas), cambiar su orientación geométrica (rotación de la matriz), realizar
combinaciones entre bandas (cocientes), sintetizar varias bandas reduciendo la información redundante
(componentes principales) o discriminar grupos de ND homogéneos dentro de la matriz (clasificación)
Formatos de almacenamiento
Estos indican la organización de los ND que forma la imagen dentro del soporte. Los ND se graban en
código binario (un bit 0 ó 1). La mayor parte de los sensores emplean grupos de 8 bit para almacenar el ND
correspondiente a cada píxel, en definitiva cada píxel se define por un byte, lo que equivale a un rango de 28= 256
niveles (0 a 255). Esta es la resolución radiométrica utilizada por mayoría de los sistemas satelitales dedicados al
estudio de los recursos naturales (LANDSAT y SPOT, entre otros).
1
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
A continuación se presenta como ejemplo, un header de la imagen LANDSAT 5 TM 230 076 de fecha 25/01/2004:
2
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Bandas intercaladas por líneas (BIL): Los ND son organizados por líneas, de manera que la primera fila de datos
de la banda 1 es seguida por la primera fila de la banda 2, y así sucesivamente hasta completar la escena. Este
formato agiliza la captura de una sub-escena y es el utilizado para distribuir las imágenes SPOT – HRV.
Bandas intercaladas por píxel (BIP): Similar al criterio usado en el formato anterior, solo que en este caso los que
se alternan son los ND de un mismo píxel para todas las bandas y luego para el segundo píxel de todas las bandas
nuevamente y así sucesivamente hasta completar la escena. Este es un formato adecuado para las operaciones
píxel a píxel, ya que se requiere un mínimo reformateo de los datos. Este formato hoy es poco frecuente ya que fue
ideado para clasificar subimágenes cuando se usaban equipos de escasa memoria.
EQUIPOS DE TRATAMIENTO DIGITAL DE IMAGENES
Componentes físicos
Unidades de entrada de información: teclado, lectora grabadora de CD, pendriver, disqueteras y ziperas. Tabletas
digitalizadoras.
Unidades de proceso y almacenamiento: La unidad de control es el dispositivo que dirige las operaciones en la CPU.
RAM: memoria de acceso directo. ROM: memoria permanente. Disco rígido.
Unidades de salida: grabado de datos em CD y pendriver, impresoras, plotter.
Componentes lógicos: software
Histograma
Cualquier operación aplicada sobre la imagen parte de su carácter digital, por lo que conviene conocer las
estadísticas elementales que la definen y orientar los posteriores procesos de realce visual ó transformación.
El estiramiento del histograma (strech) da como resultado el realce de la imagen. Esta técnica se refiere al hecho de
que la información de una imagen puede ser desplegada en forma de un histograma de la frecuencia de los ND
presentes en la misma. Como ya se mencionó, las imágenes Landsat TM potencialmente pueden registrar 255
niveles de energía que pueden ser desplegados en un monitor como 255 tonos de gris. No todas las escenas
abarcan los 255 tonos por lo que el histograma presenta las frecuencias de los ND ubicados en un rango estrecho.
Mediante el estiramiento del histograma se puede mejorar los contrastes (Figura ).
Los histogramas pueden ser unidimensionales como se observa en la figura .. o sea para una sola banda, ó
multidimensionales cuando representa la distribución de 2 o mas bandas llamado también scattergrama y permite
analizar visualmente el grado de correlación entre dos bandas y decidir sobre la técnica de aumento de contraste a
aplicar en las imágenes multiespectrales.
La forma del histograma nos describe la intensidad media y la dispersión de los ND. A mayor dispersión
mayor es el contraste
3
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Compresión del contraste por eliminación de los valores extremos. Tomado de Pinilla, 1995. Pág. 157.
El problema podría solucionarse dejando afuera de la representación todos los valores que excedan la
capacidad del sistema, centrando la visualización en el rango de Nd que más interese. Esto no es aceptable, ya que
se despreciarían arbitrariamente datos que pueden ser de gran valor. El procedimiento adecuado exige establecer
funciones de compresión de los valores digitales.
La compresión del contraste consiste en construir un número de intervalos en el rango de ND igual al
número de niveles de gris que la placa gráfica pueda procesar, de modo que a cada clase se le asigne un mismo Nv.
La forma de distribuir los intervalos dependerá del histograma de la imagen. Pueden tomarse: intervalos de igual
ancho, lo que significa igual de ND para cada clase; o, intervalos de igual número de píxeles para cada clase, lo que
en el histograma se verá reflejado por idénticas superficies en cada barra representativa de las diferentes clases.
Existe, por último, un criterio arbitrario que permite resaltar alguna característica de la imagen sin pérdida
significativa de datos relevantes, este método se conoce como segmentación del histograma.
4
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Compresión del contraste por incremento en el ancho de la clase. Tomado de Pinilla, 1995. Pág. 158.
La manipulación de histograma por la opción MinMax es idéntica a la manipulación de una curva lineal. La diferencia
está en el momento en que fue hecha la selección de la opción.
Histograma Max/Min
Como puede ser visto en la figura anterior, el sistema calcula el valor de los niveles de gris mínimo y máximo de la
imagen original. Sobre estos valores se aplica una transformación lineal donde la base de la recta está localizada en
el valor mínimo y el otro extremo de la recta, en el valor máximo. De este modo no habrá pérdida de información por
“overflow”, es decir, todos los niveles de gris continuarán con el mismo número de pixels.
Un “overflow” ocurre cuando un grupo de pixels de niveles de gris diferentes es transformado en un único nivel, es
decir, cuando la inclinación de la recta de transferencia es exagerada. Observe en la figura a seguir, donde la flecha
está indicando “overflow”, significa pérdida de información, ya que los pixels de columnas vecinas del histograma de
entrada, que originalmente podían ser diferenciados con base en su nivel de gris, serán fundidos en una sola
columna y pasarán a tener el mismo nivel de gris (0 para el caso de la figura que sigue)
5
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
OBS.: La ocurrencia de “overflow” es muchas veces deseada, por ejemplo si el usuario sabe en que intervalo de
niveles de gris está lo que desea realzar. En caso contrario, estará definitivamente perdiendo información cuando
guarde la imagen realzada.
Opción - Lineal
El aumento de contraste por una transformación lineal es la forma más simple de las opciones. La función de
transferencia es una recta y sólo son controlados dos parámetros: la inclinación de la recta y el punto de intersección
con el eje X (vea figura a seguir). La inclinación controla la cantidad de aumento de contraste y el punto de
intersección con el eje X, controla la intensidad media de la imagen final.
Histograma Lineal
En el aumento lineal de contraste, las barras que forman el histograma de la imagen de salida son espaciadas
igualmente, debido a que la función de transferencia es una recta. Como puede ser observado en la figura anterior,
el histograma de salida será idéntico en formato al histograma de entrada, excepto porque el valor medio y la
extensión del intervalo serán diferentes.
La opción de transformación por raíz cuadrada se utiliza para aumentar el contraste de las regiones oscuras de la
imagen original. La función de transformación es representada por la curva como en la figura a seguir. Observe que
la inclinación de la curva es tanto mayor cuanto menores son los valores de niveles de gris.
Y=A donde:
6
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
NOTA: Este mapeo difiere del logarítmico porque realza un intervalo mayor de niveles de gris bajos (oscuros),
mientras que el logarítmico realza un pequeño intervalo.
Opción - Cuadrado
Este mapeo se utiliza cuando se desea aumentar el contraste de rasgos claros (altos niveles de gris en la imagen).
Observe en la figura siguiente que el aumento de contraste es mayor a partir de la media del histograma, inclusive
habiendo un dislocamiento general para la región de niveles más oscuros.
Histograma Cuadrado
Y = AX2 donde:
Opción - Logaritmo
El mapeo logarítmico de valores de niveles de gris, es útil para aumentar el contraste en rasgos oscuros (valores de
gris bajos). Equivale a una curva logarítmica como muestra la figura a seguir.
Y = A log (X + 1) donde:
7
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Histograma Logaritmo
NOTA: Observe en la figura anterior que hay un grupo menor de niveles de gris con un gran aumento de contraste,
si se compara con la transformación por raíz cuadrada, mencionada anteriormente.
Opción - Negativo
Es una función de mapeo lineal inversa, o sea, el contraste ocurre de modo que las áreas oscuras (bajos valores de
nivel de gris) se tornan claras (altos valores de nivel de gris) y viceversa. La figura a seguir muestra su
representación.
Histograma Negativo
Y = - (AX + B) donde
NOTA: Esté atento al hecho que todas las opciones mencionadas hasta el momento pueden ocasionar un “overflow”.
NOTA: El modo de operación de todas las opciones de contraste mencionadas anteriormente, tienen el modo de
operación igual al descrito en el ítem Manipulando un Histograma.
8
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Es una forma de manipulación de histograma que reduce automáticamente el contraste en las áreas muy claras o
muy oscuras de una imagen. También expande los niveles de gris a lo largo de todo intervalo. Consiste en una
transformación no lineal que considera la distribución acumulativa de la imagen original, para generar una imagen
resultante cuyo histograma será aproximadamente uniforme (vea la figura siguiente).
La opción de ecualización parte del principio que el contraste de una imagen sería optimizado si todos los 256
niveles de intensidad posibles fueran igualmente utilizados o, en otras palabras, todas las barras verticales que
componen el histograma fueran de la misma altura. Obviamente esto no es posible debido a la naturaleza discreta de
los datos digitales de una imagen de percepción remota. Sin embargo, se consigue una aproximación al dispersar los
picos del histograma de la imagen, dejando intocadas las partes más chatas. Como se puede ver en la figura a
continuación, este proceso se obtiene a través de una función de transferencia que tiene una alta inclinación siempre
que el histograma original presenta un pico y una baja inclinación en el resto del histograma.
Ecualización de Histogramas
Y = (faxi) . 255
Pt donde:
NOTA: La opción de ecualización es calculada y presentada automáticamente, por lo que el usuario no podrá alterar
la forma o posición de la curva.
ENTROPIA
Medida del desorden de un sistema Una masa de una sustancia con sus moléculas regularmente
ordenadas, formando un cristal, tiene entropía mucho menor que la misma sustancia en forma de gas con sus
moléculas libres y en pleno desorden. En el caso de una banda de imagen satelital cuando tiene sus píxeles con
gran variación de ND tiene una entropía mucho mayor que una imagen con poca variación de ND.
CAMBIOS DE ESCALA
Conviene manejar con cierta precaución el concepto de escala cuando se habla de sensores óptico
electrónicos. La escala final de la imagen está en función del tamaño con el que representemos el píxel. La superficie
real que ocupa el píxel es la misma, así como el ND que lo define, independientemente del tamaño con que se
represente en el monitor. Como la resolución física del monitor es constante (solo admite un número determinado de
píxeles) el cambio de escala debe realizarse a través del muestreo ó replicación de los píxeles que componen la
imagen. La ampliación suele realizarse en la memoria del procesador de imagen. En realidad los píxeles mantienen
suposición y valor; solo cambian de tamaño en la pantalla. Esta forma de zoom vía hardware es interactiva y puede
magnificarse la imagen repetidas veces retornando luego al tamaño original.
9
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Una composición en color puede conseguirse de acuerdo a dos procesos, denominados aditivo y sustractivo.
En el proceso aditivo, cualquier color se obtiene por suma de los tres colores elementales: azul, verde y rojo. La
suma de dos colores primarios permite lograr un color complementario: azul + verde, cian; azul + rojo, magenta; y
verde + rojo, amarillo, mientras los tres suman el blanco. Por el contrario, el proceso sustractivo se basa en la
absorción de la luz que ejercen los colores complementarios: el cian absorbe la luz roja, el magenta absorbe el
verde y el amarillo el azul. Los tres en combinación suponen por tanto el negro. El proceso aditivo es utilizado en los
sistemas electrónicos de visualización, cuando la imagen se representa en un monitor de rayos catódicos. El proceso
sustractivo se emplea en la reproducción mecánica del color, típica de las artes gráficas.
10
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Cociente de bandas.
Las imágenes pueden ser manipuladas aritméticamente para obtener información específica. Una serie de
índices han sido desarrollados para resaltar particularidades de los objetos en una imagen. Entre los más usados y
conocidos están el índice de vegetación, el índice normalizado de vegetación. En concreto, ésta técnica reduce la
información común entre dos bandas y resalta las particularidades de cada una. Así por ejemplo, es común utilizar el
radio de la banda 2 y la banda 3 (visible e infrarrojo cercano) del Landsat MSS o las 3 y 4 del TM, conocido como
índice normalizado de vegetación (NDVI):
Filtros.
La frecuencia espacial es una de las características de las imágenes de satélite. Se define como el número
de cambios en los valores de brillantez por unidad de distancia en un sector cualquiera de la imagen. Si hay pocos
cambios en la brillantez en un área dada, entonces se refiere a dicha área de baja frecuencia, al contrario, las
regiones de fuertes contrastes son regiones de altas frecuencias. Las modificaciones de las frecuencias de las
imágenes se realizan por medio de filtros, que no son otra cosa que algoritmos que modifican los valores originales
de la imagen. Dos grandes grupos de filtros se reconocen: los filtros pasa altas y los pasa bajas. Los primeros
permiten obtener imágenes de altas frecuencias, mientras que los segundos, de baja frecuencia. Los filtros “pasa
alto”, por ejemplo, se usan cuando se quiere resaltar diferencias, como es el caso de bordes de cualquier tipo
(parcelas, carreteras, costas, etc.). Existe toda una teoría matemática alrededor de estos procesos que escapan los
objetivos de este escrito (Figura ).
11
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
CORRECCIONES DE LA IMAGEN
12
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Distorsión panorámica
Para los sensores montados sobre satélites, el tamaño del IFOV se supone constante para la vertical a la órbita; no
es el caso de los extremos de las líneas de barrido, situaciones en las cuales se agranda el área registrada (IFOV)
por cada píxel. De todas maneras, para el caso de los satélites LANDSAT, la deformación del IFOV es despreciable;
mientras que para la mira vertical del SPOT, la deformación no se presenta debido a que está dotado de un sensor
de empuje. La deformación es acusada para el caso del NOAA-AVHRR y especialmente en la mira lateral con
inclinación de ± 27° del SPOT.
13
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
14
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
la estación recepto en tierra. La consecuencia es la pérdida de píxeles en sectores discretos e inclusive la ausencia
de líneas completas.
Resumen
Como resultado de los escáner de estado sólido y otros dispositivos raster de entrada, ahora tenemos disponibles
imágenes digitales raster de datos espectrales reflejados.
La principal ventaja de tener estos datos en formato digital es que nos permiten aplicar a los datos de las
imágenes técnicas de análisis por computadora un campo de estudio llamado Procesamiento Digital de Imágenes.
La restauración de imágenes está relacionada con la corrección y calibración de imágenes para obtener
una representación de la superficie terrestre tan real como sea posible, consideración fundamental para todas las
aplicaciones. El mejoramiento de imágenes está principalmente relacionado con la modificación de imágenes
para optimizar su apariencia ante el sistema visual. El análisis visual es un elemento clave, aún en el procesamiento
digital de imágenes, y los efectos de estas técnicas pueden ser cruciales.
La clasificación de imágenes se refiere a la interpretación de imágenes asistida por computadora,
operación vital para el SIG.
Finalmente, la transformación de imágenes se ocupa de la derivación de imágenes nuevas como resultado
de algún tratamiento matemático de las bandas originales de la imagen.
Restauración de Imágenes
Las imágenes del medio ambiente captadas con un sensor remoto son por lo general tomadas a una gran
distancia de la superficie de la tierra. Como resultado, hay una ruta atmosférica sustancial que la energía
electromagnética debe atravesar antes de llegar al sensor. Dependiendo de las longitudes de onda involucradas y de
las condiciones atmosféricas (como las partículas de materia, humedad y turbulencia), la energía entrante puede
estar bastante modificada. El sensor mismo puede entonces modificar el carácter de esos datos ya que puede
combinar una variedad de componentes mecánicos, ópticos y eléctricos que modifican o enmascaran la energía
radiante medida. Además, mientras la imagen está siendo escaneada, el satélite sigue una ruta que está sujeta a
variaciones menores al mismo tiempo que la tierra se mueve por debajo de éste. La geometría de la imagen está por
lo tanto en un constante flujo. Por último, la señal necesita ser medida de vuelta hacia la tierra, y subsecuentemente,
recibida y procesada para producir los datos finales que recibimos. En suma, una variedad de perturbaciones
sistemáticas y aparentemente aleatorias pueden combinarse para degradar la calidad de la imagen que finalmente
recibimos. La restauración de imágenes pretende remover estos efectos degradantes.
En general, la restauración de imágenes puede dividirse en dos subáreas de restauración: radiométrica y
geométrica.
Restauración Radiométrica
15
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
procedimientos de corrección incluyen: valores uniformemente elevados, debido a la niebla atmosférica, la cual
dispersa preferentemente bandas de longitud de onda corta (particularmente las longitudes de onda azul); rayado,
debido a la descalibración de los detectores; ruido aleatorio, debido a la actuación impredecible y no sistemática del
sensor o de la transmisión de los datos; y caída de la línea del escáner, debido a la pérdida de la señal de algunos
detectores.
También corresponde incluir aquí los procedimientos que se usan para convertir los valores puros de reflejo relativo
sin unidad (conocidos como números digitales o DN) de las bandas originales en verdaderas medidas de poder
reflectivo (radiación).
Para fines cartográficos, es esencial que cualquier forma de imagen percibida por un sensor remoto sea registrada
correctamente en la base del mapa propuesto. Con las imágenes satelitales, la gran altura de la plataforma sensora
resulta en desplazamientos mínimos de la imagen provocados por el relieve. Como resultado, el registro puede
lograrse generalmente a través del uso de un proceso de transformación sistemática llamado rubber sheet (lámina
de goma) que tuerce suavemente la imagen (a través del uso de ecuaciones polinominales) basándose en las
posiciones conocidas de un grupo de puntos de control ampliamente dispersados. Esta capacidad es brindada en
IDRISI por el módulo RESAMPLE (Remuestreo).
Con las fotografías aéreas, sin embargo, el proceso es más complicado. No sólo existen distorsiones sistemáticas
relacionadas con el cabeceo del avión y la variación en la altitud, sino que también el relieve topográfico variable
provoca distorsiones muy irregulares (diferencia de paralaje) que no pueden ser eliminadas con el procedimiento de
transformación rubber sheet (lámina de goma). En estos casos, es necesario utilizar la rectificación fotogramétrica
para remover estas distorsiones y proveer medidas precisas de los mapas. Si esto falla, las porciones centrales de
las fotografías de gran altitud pueden ser remuestreadas con algo de éxito.
El módulo RESAMPLE es de gran importancia, y es esencial que uno aprenda a usarlo con efectividad. Aprender
esto también requiere un profundo entendimiento de los sistemas de referencia y de sus parámetros asociados tales
como los datos y las proyecciones. El capítulo de Georreferenciamiento brinda una discusión con detenimiento de
estos temas.
Mejoramiento de Imágenes
El mejoramiento de imágenes se ocupa de la modificación de imágenes para adecuarlas más a las capacidades de
la visión humana. Más allá de la cantidad de intervención digital, el análisis visual siempre juega un papel central en
todos los aspectos de la percepción remota. Mientras la gama de técnicas para el mejoramiento de imágenes es
amplia, los siguientes temas fundamentales forman la columna vertebral de esta área:
Área de Contraste
Los sensores digitales poseen un amplio rango de valores de salida para acomodar los valores de reflexión muy
variables que pueden encontrarse en diferentes ambientes. Sin embargo, en cualquier medio ambiente, a menudo se
presenta el caso en que sólo un pequeño rango de valores ocurre en la mayoría de las áreas. Las distribuciones de
los niveles de gris tienden entonces a estar bastante alteradas. Los procedimientos de manipulación de contraste
son por lo tanto esenciales para la mayoría de los análisis. La Figura 3-6 muestra la Banda TM 3 (rojo visible) y su
histograma. Fíjese que los valores de la imagen están bastante alterados. La imagen derecha de la figura muestra la
misma banda de imagen después de que un área lineal entre los valores 12 y 60 ha sido aplicada. En IDRISI, este
tipo de mejoramiento o ajuste de contraste puede realizarse interactivamente a través de las Propiedades de las
Capas del Diseñador (Composer’s Layer Properties) mientras se visualiza la imagen. Esto es normalmente utilizado
para análisis visuales únicamente los valores originales
Las imágenes de satélites basados en los escáners contienen una variedad de problemas geométricos inherentes como la
deformación (causada por la rotación de la Tierra debajo del satélite mientras éste se encuentra escaneando una imagen
completa) y la distorsión del escáner (causada por el hecho de que el campo visual instantáneo, IFOV, cubre más territorios al
final de las líneas del escáner, donde el ángulo visual es muy oblicuo, que en la parte central). Con las imágenes satelitales
comercializadas, como las del LANDSAT, IRS o SPOT, la mayoría de los elementos de la restauración geométrica sistemática
asociados con la captación de imágenes son corregidos por los distribuidores de las imágenes. Entonces, para el usuario final, la
única operación geométrica que generalmente necesita ser realizada es un remuestreo rubber sheet (lámina de goma) para
rectificar la imagen para una base cartográfica. Muchas distribuciones comerciales realizan esta rectificación con un costo
adicional.
La fotogrametría es la ciencia que realiza medidas espaciales a partir de fotografías aéreas. Para proveer una rectificación
completa, es necesario poseer imágenes estereoscópicas – fotos que se superponen lo suficiente (Ej., 60% en la dirección a lo
largo de la ruta y 10% entre las líneas de vuelo) como para brindar dos imágenes independientes para cada parte del paisaje. Al
usar estos pares estereoscópicos y los puntos de control del suelo de posición y altura conocidas, es posible recrear por
completo la geometría de las condiciones visuales y, por lo tanto, no sólo rectificar las medidas de dichas imágenes, sino
16
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
también derivar las medidas de la altura del terreno. Las fotografías rectificadas se llaman ortofotos. Las medidas de altura
pueden usarse para producir modelos de elevación digital. de los datos son usados en análisis numéricos. Los imágenes nuevas
con valores ampliados se producen con el módulo STRETCH (Estiramiento).
Para el análisis visual, los compuestos color hacen un uso total de las capacidades del ojo humano. Dependiendo del
sistema de gráficos en uso, la generación de compuestos va desde la simple selección de las bandas a utilizar, hasta
procedimientos más complejos de combinaciones de bandas y áreas de contraste asociadas.
La Figura 3-7 muestra varios compuestos hechos con diferentes combinaciones de bandas a partir del mismo grupo
de imágenes TM (Vea la Figura 3-5 para las definiciones de bandas TM). El módulo COMPOSITE (Compuestos) de
IDRISI se usa para construir imágenes compuestas de tres bandas y 24 bits para análisis visuales.
Una de las capacidades más intrigantes del análisis digital es la habilidad para aplicar filtros digitales. Los filtros
pueden ser usados para proveer un realce de los bordes (a veces llamado crispening), para eliminar la borrosidad de
las imágenes, y para aislar los lineamentos y las tendencias direccionales, para mencionar unas pocas. El módulo
FILTER (Filtros) de IDRISI se usa para aplicar los filtros estándar y para construir y aplicar filtros definidos por el
usuario.
Clasificación de Imágenes
La clasificación de imágenes se refiere a la interpretación asistida por computadora de imágenes de sensores
remotos. Los procedimientos involucrados son tratados en detalle en el capítulo titulado Clasificación de Imágenes
de Sensores Remotos. Esta sección brinda un breve resumen.
Aunque algunos procedimientos son capaces de incorporar información acerca de las características de las
imágenes tales como la textura y el contexto, gran parte de la clasificación de imágenes sólo se basa en la detección
de firmas espectrales (es decir, patrones de respuesta espectral) de las clases de cubierta terrestre. El éxito que esto
puede adquirir depende de dos factores: 1) la presencia de firmas distintivas para las clases de cubierta terrestre de
interés en el grupo de bandas en uso; 2) la habilidad para distinguir con precisión estas firmas de otros patrones de
respuesta espectral que pueden presentarse.
Existen dos enfoques generales en la clasificación de imágenes: supervisado y no supervisado. Se diferencian en la
manera de realizar la clasificación. En el caso de la clasificación supervisada, el sistema software delinea tipos de
cubierta terrestre específicos sobre datos estadísticos de caracterización extraídos de ejemplos conocidos en la
imagen (conocidos como sitios de entrenamiento). Con la clasificación no supervisada, en cambio, se utiliza un
software de agrupamientos (clustering) para descubrir los tipos de cubierta terrestre más comunes. Luego, en un
paso posterior, el analista provee interpretaciones de esos tipos de cubierta.
Clasificación Supervisada
17
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
El primer paso en la clasificación supervisada es identificar ejemplos de las clases de información de interés (es
decir, tipos de cubierta terrestre) en la imagen. Éstos se llaman sitios de entrenamiento (training sites). El sistema
software se usa por lo tanto para desarrollar una caracterización estadística de los reflejos para cada clase de
información. Este paso a menudo es llamado análisis de firmas (signature análisis) y puede incluir el desarrollo de
una caracterización tan simple como el medio o el rango de los reflejos sobre cada banda, o tan compleja como el
análisis detallado del medio, desviaciones y co -desviaciones sobre todas las bandas.
Una vez lograda la caracterización estadística de cada clase de información, la imagen es clasificada a partir del
examen de los valores por cada pixel y de la toma de decisión acerca de a cuál de las firmas ésta se asemeja más.
Hay varias técnicas llamadas clasificadores, para tomar estas decisiones. La mayoría de los software de
Procesamiento de Imágenes ofrece muchas de estas técnicas, basadas en reglas de decisión variable. IDRISI ofrece
una amplia gama de opciones que se dividen en tres grupos, dependiendo de la naturaleza de la producción
deseada y de la naturaleza de las bandas de entrada.
Clasificadores Rígidos
La característica distintiva de los clasificadores rígidos es que todos toman una decisión definitiva acerca de la clase
de cubierta terrestre a la que todo pixel pertenece. IDRISI ofrece cinco clasificadores en este grupo: Paralelepípedos
(PIPED), Distancia Mínima a la Media (MINDIST), y Máxima Verosimilitud (MAXLIKE), Análisis Discriminante Lineal
(FISHER), y Red Neural Artificial (NEURALNET). Sólo se diferencian en la manera en que desarrollan y utilizan la
caracterización estadística de los datos del sitio de entrenamiento. De los cinco, el procedimiento de Máxima
Verosimilitud es el clasificador, sin dudas, más usado en la clasificación de imágenes captadas por sensores
remotos.
Clasificadores Blandos
Al contrario de los clasificadores rígidos, los clasificadores blandos no toman una decisión definitiva acerca de la
clase de cubierta terrestre a la cual pertenece cada pixel. Éstos desarrollan declaraciones del grado al que pertenece
cada píxel en cada una de las clases de cubierta terrestre en consideración. Entonces, por ejemplo, un clasificador
blando puede indicar que un pixel tiene una probabilidad de 0,72 de representar bosque, una probabilidad de 0,24 de
ser pastura y una probabilidad de 0,04 ser suelo desnudo. Un clasificados rígido resuelve esta incertidumbre
concluyendo que el píxel representa bosque. Sin embargo, un clasificador blando pone esta incertidumbre
explícitamente disponible, para cualquier tipo de propósitos. Por ejemplo, el analista puede concluir que la
incertidumbre nace porque el pixel contiene más de un tipo de cubierta terrestre y puede usar las probabilidades
como indicadores de la proporción relativa de cada uno. Esto se conoce como clasificación sub-pixel.
Alternativamente, el analista puede concluir que la incertidumbre nace debido a datos de sitios de entrenamiento no
representativos y por lo tanto debe combinar estas probabilidades con otra evidencia antes de endurecer la decisión
hacia una conclusión final. IDRISI ofrece cuatro clasificadores blandos (BAYCLASS,
MAHALCLASS, BELCLASS y FUZCLASS). Los resultados de los cuatro pueden ser endurecidos usando el módulo
HARDEN (Endurecer). La diferencia entre ellos está relacionada con la lógica por la cual se especifica la
incertidumbre -
Bayesiana, Dempster-Shafer y Fuzzy Sets. Además, el sistema ofrece una variedad de herramientas adicionales
específicamente diseñadas para el análisis de mezclas sub-pixel (Ej., UNMIX, FUZSIG, MIXCALC y MAXSET).
Clasificadores Hiperespectrales
Todos los clasificadores mencionados anteriormente operan sobre imágenes multiespectrales – imágenes en donde
varias bandas espectrales han sido captadas simultáneamente como componentes de imágenes
independientemente accesibles.
Al extender esta lógica a muchas bandas, se produce lo que se ha conocido como imagen hiperespectral.
Aunque esencialmente no haya ninguna diferencia entre las imágenes hiperespectrales y multiespectrales (es decir,
sólo difieren en grado), el volumen de datos y la alta resolución espectral de las imágenes hiperespectrales sí
provoca diferencias en la forma en que son manejadas. IDRISI brinda utilidades especiales para crear firmas
hiperespectrales de sitios de entrenamiento o bien de bibliotecas de patrones de respuesta espectral desarrollados
bajo condiciones de laboratorio (HYPERSIG) y una rutina automática de extracción de firmas hiperespectrales
(HYPERAUTOSIG). Estas firmas pueden ser aplicadas entonces en cualquiera de los varios clasificadores
hiperespectrales: Ángulo Espectral Cartográfico (HYPERSAM), Distancia Mínima Hiperespectral (HYPERMIN),
Eliminación de la Mezcla de las Líneas Espectrales (HYPERUNMIX), Proyección Ortogonal Subespacial
(HYPEROSP), Análisis del Área de Absorción (HYPERABSORB). También se encuentra disponible un clasificador
no supervisado (vea la próxima sección) para las imágenes hiperespectrales (HYPERUSP).
18
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Clasificación No Supervisada
En contraste con la clasificación supervisada, en la que le indicamos al sistema el carácter (es decir, la firma) de las
clases de información que estamos buscando, la clasificación no supervisada no requiere un avance de información
acerca de las clases de interés. Ésta examina, en cambio, los datos y los divide en los grupos espectrales naturales
más prevalecientes, o grupos, presentes en los datos. El analista identifica, entonces, estos grupos como clases de
cubierta terrestre a través de una combinación de familiaridad con las visitas verdaderas a la región y el suelo.
La lógica con la que trabaja la clasificación no supervisada se conoce como análisis cluster o de grupos, y en IDRISI
es principalmente aplicado en el módulo CLUSTER. Este módulo realiza la clasificación basándose en un grupo de
imágenes de entrada usando una técnica máxima de histograma multi-dimensional. Es importante reconocer, sin
embargo, que los procedimientos de agrupamiento de clasificación no supervisada no son clases de información,
sino clases espectrales (es decir, agrupan características, pixeles, con patrones de reflexión similares). Es por lo
general el caso en el que el analista necesita reclasificar las clases espectrales en clases de información. Por
ejemplo, el sistema puede identificar clases para asfalto y cemento que el analista luego puede agrupar y crear una
clase de información llamada pavimento.
Aunque resulte atractivo conceptualmente, la clasificación no supervisada ha sido tradicionalmente entorpecida por
algoritmos muy lentos. Sin embargo, el procedimiento de agrupamiento brindado por IDRISI es extraordinariamente
rápido (sin dudas el más rápido del mercado) y puede por lo tanto usarse iterativamente en conjunción con datos
verdaderos del suelo para arribar a una clasificación muy precisa. Con los procedimientos correctos de la verdad de
campo y de evaluación de la exactitud, esta herramienta puede proveer un medio marcadamente rápido para
producir datos de calidad sobre la cubierta terrestre en una base continua.
Además de las técnicas mencionadas anteriormente, hay dos módulos que unen ambas clasificaciones: supervisada
y no supervisada. El ISOCLUST usa un procedimiento llamado Análisis de Cluster de Autoorganización para
clasificar hasta 7 bandas puras en las que el usuario especifica el número de grupos a procesar. El procedimiento
emplea el módulo CLUSTER para iniciar una cantidad de grupos que generan una aplicación iterativa del
procedimiento MAXLIKE, en el cual cada paso usa los resultados del paso anterior como los sitios de entrenamiento
para este procedimiento supervisado.
El resultado es una clasificación no supervisada que converge en una etapa final de elementos estables usando un
enfoque supervisado (por eso el concepto de “autoorganización”). El MAXSET es también, en su esencia, un
procedimiento supervisado. No obstante, mientras el procedimiento comienza con sitios de entrenamiento que
caracterizan clases individuales, éste resulta en una clasificación que no sólo incluye estas clases específicas sino
también (aunque se desconozcan) mezclas que pueden llegar a existir. Entonces, el resultado final tiene en gran
medida el perfil de aquel de un enfoque no supervisado.
Evaluación de la Exactitud
Un paso vital en el proceso de clasificación, tanto supervisada como no supervisada, es la evaluación de la precisión
de las imágenes finales. Esto implica identificar un grupo de lugares (con el módulo SAMPLE) que son visitados en el
campo.
La cubierta terrestre encontrada en el campo es luego comparada con aquella que fue confeccionada en la imagen
del mapa del mismo lugar. Las evaluaciones de precisión estadísticas pueden ser derivadas para toda el área de
estudio, así como también para clases individuales (usando el ERRMAT).
En un enfoque iterativo, la matriz de errores producida (a veces llamada matriz de confusión), puede ser usada para
identificar tipos de cubierta particulares para los cuales los errores son más de los deseados. La información en la
matriz acerca de qué cubiertas están siendo incluidas por error en una clase en particular (errores de comisión) y
aquellas que están siendo excluidas por error (errores de omisión) de esa clase pueden usarse para afinar el
enfoque de clasificación.
Transformación de Imágenes
El Procesamiento Digital de Imágenes ofrece un rango sin límites de posibles transformaciones de los datos de
sensores remotos. Aquí se mencionan dos, específicamente, debido a su significado especial en aplicaciones de
monitoreo ambiental.
Hay una variedad de índices de vegetación que han sido desarrollados para ayudar al monitoreo de la vegetación. La
mayoría están basados en las interacciones diferentes entre la vegetación y la energía electromagnética en las
longitudes de ondas del rojo e infrarrojo cercano. Observe la Figura 3-4, que incluye un patrón de respuesta
espectral generalizado para la vegetación de hoja ancha y verde. Como se puede ver, la reflexión en la región roja
(0,6-0,7 µ aprox.) es baja debido a la absorción hecha por los pigmentos de las hojas (principalmente la clorofila). La
19
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
región infrarroja (0,8-0,9 µ aprox.) en cambio, muestra una reflexión alta debido a la difusión por parte de la
estructura de las células de las hojas. Un índice de vegetación muy simple puede entonces lograrse comparando la
medida de la reflexión en el infrarrojo con la de la reflexión en el rojo.
Aunque se ha desarrollado un número de variantes de esta lógica básica, la que ha recibido más atención es el
índice de vegetación de la diferencia normalizada (NDVI). Éste se calcula de la siguiente manera:
NDVI = (NIR - R) / (NIR + R) donde NIR = Infrarrojo cercano R = Rojo
Índice de Vegetación de la Diferencia Normalizada
Figura 3-8
La Figura 3-8 muestra el NDVI calculado con las bandas 3 y 4 TM para la misma área que se muestra en las Figuras
3-5,3-6 y 3-7.
Este tipo de cálculo es bastante simple para un SIG raster o un sistema software de Procesamiento de Imágenes, y
el resultado se ha mostrado de manera tal que se relacione bien con las medidas de la biomasa. Aunque el NDVI
necesite una calibración específica para ser usado como una medida real de la biomasa, muchas agencias han
descubierto que el índice es útil como una medida relativa para fines de monitoreo. Por ejemplo, los programas
Sistema Africano de Información en Tiempo Real (ARTEMIS) de la Organización de Alimentación y Agricultura (FAO)
de las Naciones Unidas, y el Sistema de Alerta Temprana sobre el Hambre (FEWS) del USAID, usan imágenes NDVI
de escala continental derivadas del sistema NOAA-AVHRR para elaborar imágenes con el índice de vegetación para
todo el continente africano cada diez días.
Mientras la medida del NDVI ha demostrado ser útil en una variedad de contextos, un gran número de índices
alternativos han sido propuestos para tratar con medioambientes especiales, como tierras áridas. IDRISI ofrece una
amplia variedad de estos índices (más de 20 en los módulos VEGINDEX y TASSCAP combinados). El capítulo sobre
los Índices de Vegetación ofrece una discusión detallada de sus características y aplicación potencial.
El Análisis de los Componentes Principales (PCA) es una técnica de transformación lineal relacionada con el Análisis
de Factores. Dado un juego de bandas de imágenes, el PCA produce un nuevo juego de imágenes, conocidas como
componentes, no relacionadas entre sí y ordenadas en términos de la cantidad de discordancias que presentan con
el juego de bandas originales.
El PCA ha sido tradicionalmente usado en la percepción remota como medio de compactación de datos. Para un
juego típico de bandas de imágenes multiespectrales, es común encontrar que los dos o tres primeros componentes
son capaces de constituir virtualmente toda la variabilidad original en los valores de reflexión. Los demás
componentes tienden a estar dominados por los efectos del ruido. Al rechazar estos últimos componentes, el
volumen de datos se reduce sin una pérdida de información perceptible.
Dado que los demás componentes están dominados por el ruido, de igual forma es posible usar el PCA como una
técnica para eliminar el ruido. La producción del módulo PCA en IDRISI incluye los coeficientes de ambas
transformaciones, en avance y en reversa. Al ajustar los coeficientes de los componentes del ruido en cero en la
transformación reversa, se puede producir una nueva versión de las bandas originales con los elementos de este
ruido ya removidos.
Recientemente, el PCS también ha demostrado tener una aplicación especial en el monitoreo ambiental. En los
casos en que las imágenes multiespectrales están disponibles para dos fechas, las bandas de ambas imágenes son
enviadas a un PCA como si todas viniesen de la misma imagen. En estos casos, los cambios entre las dos fechas
tienden a aparecer en el resto de los componentes. Aún más, si una serie de tiempo de imágenes NDVI (o un índice
de única banda similar) es enviada al análisis, puede lograrse un análisis muy detallado de los cambios y las
tendencias ambientales. En este caso, el primer componente mostrará el típico NDVI sobre la serie entera, mientras
que cada componente subsiguiente ilustrará los cambios en una secuencia ordenada por grado de importancia. Al
examinar estas imágenes, junto con los gráficos de su correlación con las bandas individuales en la serie original,
20
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
pueden lograrse observaciones importantes sobre la naturaleza de los cambios y tendencias en la serie de tiempo. El
módulo TSA (Análisis de la Serie de Tiempo) de IDRISI es una versión del PCA especialmente confeccionada para
facilitar este proceso.
Un grupo de datos de archivo de imágenes NDVI mensuales para África se encuentra disponible en CD en Clark Labs. El cd de
datos NDVI de África contiene: imágenes NDVI mensuales compuestas con los valores máximos (1982-1999), desviaciones
promedio y estándar de imágenes NDVI mensuales por cada mes de un mismo período de tiempo, imágenes NDVI mensuales
con anomalías, y datos auxiliares (DEM, uso de la tierra y cubierta terrestre, límites del territorio nacional y costas) para África
en formato IDRISI. Para más información, comuníquese con Clark Labs.
21
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Para poder proseguir con el tratamiento de la imagen es necesario asignar a las nuevas posiciones de las celdas un
único valor proveniente de los píxeles originales.
Existen varios métodos para la transferencia de los Nd a la nueva posición en la imagen corregida, operaciones
conocidas con el nombre de remuestreo (módulo RESAMPLE en IDRISI), mediante las cuales se trasladan los Nd de
las posiciones en la imagen transformada a las localizaciones definitivas en la imagen corregida. La denominación de
imagen transformada corresponde a la resultante de la transformación geométrica una vez aplicadas las funciones
de ajuste; se reserva el calificativo de imagen corregida a la que resulta de la aplicación del remuestreo sobre la
imagen transformada.
El método del vecino más cercano (nearest neighbourg) consiste en un algoritmo que asigna a cada celdilla de la
imagen corregida el Nd correspondiente al píxel de la imagen transformada cuyo centro esté más próximo al de la
corregida; las expresiones algebraicas correspondientes son:
22
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
donde ƒ(m,n) es el Nd asignado a la celdilla (m,n) de la imagen corregida, ƒ(x,y) es el valor correspondiente al píxel
de la imagen transformada, situado en una posición delimitada por un número real, siendo:
m = x + ∆x 0 ≤ ∆x ≤ 1
n = y + ∆y 0 ≤ ∆y ≤ 1
donde ∆x e ∆y son las diferencias respectivas en la dirección de las columnas y de las filas entre el centro de la
celdilla corregida y el de la transformada, expresada en fracciones de píxel.
Este procedimiento no supone la alteración de los Nd de la imagen original, sino solamente la traslación a otra
localización. Presente el inconveniente de introducir fracturas y quiebres en el trazado de los rasgos lineales de la
imagen original, distorsión conocida como efecto escalera. A pesar de ello, es el único método utilizable en la
georreferenciación de imágenes con datos cualitativos o temáticos e inclusive en aquellas imágenes que serán luego
utilizadas para calcular parámetros físicos como la biomasa a partir de los valores de Nd.
Remuestreo por el método de vecino más cercano. Tomado de Pinilla, 1995. Pág. 144.
El algoritmo de interpolación bilineal (bilinear interpolation) asigna al píxel corregido la media ponderada de los Nd
correspondientes a las cuatro celdas más cercanas de la imagen transformada; el peso asociado a cada Nd es
proporcional a la cercanía de aquellas (1 - ∆x y 1 - ∆y), considerando la distancia medida entre los centros de las
celdas.
donde ƒ(m,n) y ƒ(x,y) tienen el significado ya expresado y ci son los factores de ponderación asignados a los cuatro
Nd de entrada definidos de la siguiente manera:
23
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
c1 = (1 - ∆x) (1 - ∆y)
c2 = ∆x (1 - ∆y)
c3 = (1 - ∆x) ∆y
c4 = ∆x ∆y
Este método produce resultados suavizados, pues las cuatro posiciones más cercanas a la celdilla corregida son
utilizadas para calcular un valor promedio que homogeniza las escalas de gis: El método de interpolación bilineal se
utiliza para georreferenciar imágenes con datos cuantitativos, permitiendo salidas de mayor calidad visual.
El método de convolución cúbica (cubic convolution) es un algoritmo muy utilizado que emplea polinomios bivariados
de tercer orden. En esencia es similar al anterior, con la diferencia que para calcular la media ponderada utiliza las
dieciséis celdillas más próximas al píxel considerado. Los Nd de las dieciséis celdas de la imagen transformada se
interpolan linealmente en cuatro grupos de cuatro líneas de cuatro píxeles, cada una de aquellas para formar cuatro
interpolantes. Con posterioridad se realiza una nueva interpolación entre los cuatro valores anteriores obtenidos para
asignar finalmente el Nd a la celda corregida. La expresión que calcula la interpolación unidimensional en función de
los cuatro valores más próximos de una línea es:
24
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
donde ƒ(m) es el interpolante asignado a la celdilla central (m) de cada una de las cuatro líneas de la imagen
corregida y ƒ(x) es el valor correspondiente al píxel de la imagen transformada, situado en una posición delimitada
por un número real. El polinomio de interpolación entre los cuatro valores ƒ(m) obtenidos será de la forma:
Este método asegura que la interpolación pase por los valores conocidos en los centros de las celdillas y que sus
dos primeras derivadas sean suaves. Ello produce gran conservación en el aspecto visual de la imagen resultante,
pues el suavizado que introduce es menos severo que en la interpolación bilineal. Sin embargo presenta el
inconveniente de una mayor exigencia de cálculo al sistema de tratamiento, lo que insume mayor tiempo.
Este método de corrección permite restablecer las condiciones reales de la escena a partir del conocimiento de los
parámetros orbitales del satélite en el instante de la adquisición; dichos parámetros son almacenados en el fichero
de cabecera (header) de la imagen. La corrección automática de las imágenes satelitales está basada en estos
procedimientos, los mismos se conocen también como correcciones de sistema.
25
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Este tipo de tratamientos consiste en realizar una serie de transformaciones geométricas simples sobre una imagen,
o bien, una combinación de ellas. Se presentan algunas de las más elementales:
Traslación
u=x+a
v=y+b
Inclinación
u = x + ay
v=y
Cambio de escala
u = ax
v = by
Perspectiva
u = axy
v=y
Rotación
u = cos θ x + sen θ y
v = - sen θ x + cos θ y
para una rotación levógira de ángulo θ.
En cualquiera de los casos anteriores, todos los puntos de la imagen se habrán trasladado a la posición corregida
mediante la aplicación del operador de corrección sin la introducción de error alguno en el proceso.
26
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
PROGRAMAS SATELITALES
Hoy en día, en percepción remota se han desarrollado y usado con marcado éxito muchos sensores con alta
resolución espacial y temporal para la integración de evaluaciones de peligros naturales y en los estudios
de planificación para el desarrollo; entre los más comunes están los siguientes:
• Landsat 7 Enhanced Thematic Mapper (ETM), con 10 ó 15 m de resolución en el pancromático y tres bandas
espectrales de 30 m de resolución (figura 1).
Satélite LANDSAT 5 TM
Correcciones
2. Nivel 5: Correcciones sistemáticas. Georreferenciada utilizando las efemérides del satélite. El remuestreo se
realiza por primeros vecinos (convolución cúbica en forma opcional). Bandas 1 a 7.
3.Nivel 5+: Correcciones sistemáticas. Georreferenciada a partir de producto nivel 5 utilizando cartografía,
mediante un único punto de control. En formato IMG (Erdas). Bandas 1 a 7.
5.Nivel 6i: Correcciones sistemáticas. Georreferenciada utilizando 6 o más puntos de control, cartográficos o
medidos en el terreno, a partir del producto de nivel 4. El remuestreo se realiza por primeros vecinos (convolución
cúbica en forma opcional). Rectificada a una proyección cartográfica. En formato IMG (Erdas). Bandas 1 a 7.
27
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
• Sistemas de radares de satélite: Advanced Very High Resolution Radiometer (AVHRR) en los satélites NOAA.
• EOS (MODIS), Indian Remote Sensing (IRS), Linear Imagining Self Scaning Sensor LISS III, con 23 m de
resolución y en pancromático con 5.8 metros. • Wide Field Sensor (WiFS near IR y Red con 188 m de resolución). •
IKONOS 1, primer satélite comercial con 1 metro de resolución espacial (figura 3).
Quick Bird 2, con 60 cm de resolución en pancromático (blanco y negro) y con 2.44 m en multiespectral en las
bandas azul, verde, rojo e infrarrojo cercano (figura 4).
28
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
SENSORES REMOTOS
Para poder realizar la observación de la superficie terrestre con una perspectiva diferente
a la más común, desde el terreno, es preciso que los sensores remotos detecten un flujo
de energía proveniente de reflexiones de las distintas cubiertas del suelo. Dicho flujo
tiene una intensidad determinada proveniente de, o dirigida a, una unidad de superficie y
con una dirección concreta. Para entender y poder mensurar la energía, se definieron
unidades de medida, las que son comúnmente empleadas en teledetección; esto permitió
abordar los procesos de adquisición de datos.
1
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
superficie de la proyección del objeto sobre la esfera es S, el ángulo sólido bajo el cual se
ve el objeto es, por definición:
Normal a la
superficie
Flujo
Ángulo sólido
Superficie proyectada
Superficie radiante
2
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
3
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Especular Lambertiana
1, 2 ( ) d
2
1
INTERACCIÓN MACROSCÓPICA
r + a + t = i
o lo que es lo mismo:
r a t
1
i i i
es decir:
++=1
siendo:
r a t
; ;
i i i
4
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Especular Seudoespecular
5
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Como todo dato informático, los Nd de una imagen son almacenados en código
binario, normalmente en grupos de 8 bits; de tal manera que cada píxel es
representado por un byte que puede tomar un rango de valores (escala de grises)
entre 0 (cero) y 255, esto es 28 = 256. Esta es la resolución radiométrica utilizada
por mayoría de los sistemas satelitales dedicados al estudio de los recursos
naturales (LANDSAT y SPOT, entre otros).
En el caso de NOAA-AVHRR, la información está codificada en grupos de 10 bits,
alcanzando un rango de 210 = 1024 valores de Nd. Esto conlleva la necesidad de
compresión del rango dinámico de los datos para poder mostrarlos en pantalla.
Los datos almacenados, en cintas compatibles con computadoras o en CD´s, son
organizan en archivos, los que incluyen un encabezado o header, que en algunos
casos forma parte del archivo de imagen y en otras es un archivo independiente. El
encabezado guarda información del tamaño de cada una de las bandas
radiométricas, tipo del producto, identificación y localización de las escenas, tamaño
del píxel en el terreno (IFOV), fecha y condiciones de adquisición, entre ellas acimut
y elevación del sol, longitud de los registros, correcciones realizadas por la estación
receptora, etc.
A continuación se presenta como ejemplo, un header de la imagen LANDSAT 5 TM
230 076 de fecha 25/01/2004:
PRODUCT =04064510-01 WRS =230/07600 ACQUISITION DATE =20040125 SATELLITE
=L5
INSTRUMENT = TM10 PRODUCT TYPE = MAP ORIENTED PRODUCT SIZE =
SUBSCENE
TYPE OF GEODETIC PROCESSING = SYSTEMATIC RESAMPLING = NN RAD
GAINS/BIASES = 1.26880/-0.0100 2.98126/-0.0232 1.76186/-0.0078
2.81771/-0.0193 0.65277/-0.0080 3.20107/0.25994 0.44375/-0.0040
VOLUME #/# IN SET =1/1 START LINE #= 1 LINES PER VOL = 58072
ORIENTATION = 0.00 PROJECTION = TM USGS PROJECTION # = 9
USGS MAP ZONE = 0
USGS PROJECTION PARAMETERS = 6378137.000000000000000
6356752.314245179300000 1.000000000000000 0.000000000000000
-62.999999999631733 -89.999999999719449 4500000.000000000000000
0.000000000000000 0.000000000000000 0.000000000000000
0.000000000000000 0.000000000000000 0.000000000000000
0.000000000000000 0.000000000000000 EARTH ELLIPSOID =WGS84
SEMI-MAJOR AXIS =6378137.000 SEMI-MINOR AXIS =6356752.314
PIXEL SIZE = 25.00
PIXELS PER LINE= 9276 LINES PER IMAGE= 8296
UL 0643358.7792W 215424.3873S 4338137.500 7577662.500
6
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
UR 0621920.7026W 215446.2061S 4570012.500 7577662.500
LR 0621847.0682W 234707.0722S 4570012.500 7370287.500
LL 0643516.4977W 234643.1734S 4338137.500 7370287.500
BANDS PRESENT =1234567 BLOCKING FACTOR = 1 RECORD LENGTH = 9276
SUN ELEVATION = 54 SUN AZIMUTH = 92 CENTER 0632834.3145W 225129.9515S
4451127.725 7473039.342 4521 4186 OFFSET= 162 REVB
7
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
CORRECCIONES DE LA IMAGEN
Las alteraciones sufridas por una imagen adquirida por un sensor de barrido óptico
electrónico montado en un satélite son fundamentalmente de carácter geométrico y
radiométrico. Los factores principales que originan estas anomalías se pueden
agrupar de la siguiente manera:
Distorsiones provocadas por la oscilación de la plataforma
La ausencia de atmósfera le permite al satélite un movimiento orbital prácticamente
uniforme con aceleraciones y retardos resultantes prácticamente nulos en cualquier
dirección, salvo las derivadas de la posible excentricidad de su órbita.
De todas formas, el satélite en su trayectoria sufre una serie de variaciones en:
altura de la órbita (z), velocidad (x) y en la orientación de cualquiera de sus ejes x, y,
z; los giros sobre los ejes son conocidos con los nombres de aleteo (pitch), cabeceo
(roll) y ladeo (yaw), aquellos y las variaciones en velocidad y altura provocan
cambios constantes en el IFOV.
8
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
velocidad de 6,45 km/s del MSS, la variación de los extremos es de 213 metros
sobre el terreno y en dirección de la traza.
Distorsión panorámica
Para los sensores montados sobre satélites, el tamaño del IFOV se supone
constante para la vertical a la órbita; no es el caso de los extremos de las líneas de
barrido, situaciones en las cuales se agranda el área registrada (IFOV) por cada
píxel. De todas maneras, para el caso de los satélites LANDSAT, la deformación del
IFOV es despreciable; mientras que para la mira vertical del SPOT, la deformación
no se presenta debido a que está dotado de un sensor de empuje. La deformación
es acusada para el caso del NOAA-AVHRR y especialmente en la mira lateral con
inclinación de ± 27° del SPOT.
SENSORES REMOTOS
10
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
CLASIFICACIÓN
Introducción
Para algunos métodos más sencillos la clasificación de la escena se realiza sobre una composición
color, obtenida a partir de la combinación lineal de las bandas originales. Se genera una nueva
imagen sumando tres bandas, seleccionadas por algún criterio, a cada una de las cuales se le asigna
uno de los tres tonos primarios: azul, verde, rojo. Los métodos más complejos involucran una
multi-dimensionalidad que supera a las tres dimensiones de la composición color tradicional; estos
métodos más complejos consideran muchas variables (bandas) – número superior a tres –
aprovechando la información contenida en los diferentes rangos espectrales para permitir una
mayor capacidad de discriminación.
Composiciones color
donde: z es el color resultante para la visualización de un píxel, zi las luminancias de esa celda en
las tres bandas consideradas y a , v y r los tres coeficientes para el ajuste del contraste, todo ello
en el sistema de especificación de color RGB.
1
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Transformación IHS
Cuando se utiliza el sistema RGB para una composición color, con frecuencia se tiende hacia los
tonos grises o pasteles en la imagen, esto, como consecuencia del nivel similar de reflectancia que
presentan muchas cubiertas en diferentes bandas. Para paliar la falta de contraste se utiliza la
transformación Intensidad-Tono-Saturación IHS (Intensity, Hue, Saturation). El método es una
transformación global consistente en extraer tres nuevas bandas basadas en el sistema de
coordenadas de color IHS y realizar una nueva composición coloreada con ellas.
2
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
El procedimiento se inicia calculando para cada píxel la variable intensidad I en el conjunto de las
tres bandas como el máximo valor de los tres ND que intervienen. La determinación de la
saturación S del color se realiza de la siguiente manera:
I–m
∀I≠0
S= I
0 ∀I=0
siendo m el mínimo de los tres Nd que intervienen en la transformación para cada píxel. La
saturación adoptará valores de la gama comprendida entre 0 (gris, color sucio) y 1 (color puro).
Para el cálculo de la variable tono H se calculan independientemente la separación que existe entre
el Nd correspondiente a cada uno de los tonos primarios y el máximo Nd, referido al rango de
variación de los tres Nd.
I − Nd r I − Nd v I − Nd a
R= ; V = ; A=
I −m I −m I −m
A partir de ese momento pueden existir seis posibilidades, según I y m coincidan con cada uno de
los colores que se indican, para cada una de las cuales H se define del modo indicado en la tabla
que sigue:
Asignación de tonos a los valores de H en la transformación HIS. Tomado de Pinilla, 1995, Pág. 177.
3
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Por último, a las tres imágenes así formadas se les atribuyen los tonos primarios rojo, verde, azul,
respectivamente, y se forma una imagen compuesta.
La transformación HIS se utiliza también para componer imágenes adquiridas por sensores de
diferente resolución espacial, como, por ejemplo, los multiespectrales procedentes de LANDSAT
TM y ETM+, con celdas de 30 m de lado en el terreno, y las pancromáticas del mismo LANDSAT
(banda 8), 15 m y del SPOT HRV, de 10 m.
La distribución de los Nd dentro de cada una de las bandas de la imagen tiende a asemejarse a una
distribución normal. Las probabilidades definidas para variables discretas tienen su equivalente en
las funciones de densidad de las variables aleatorias. La función de densidad de la distribución
normal es:
2
1 z −µ
1 −
2 σ
f ( z) = e
σ 2π
4
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Clasificación Supervisada
Clasificadores Rígidos
La característica distintiva de los clasificadores rígidos es que todos toman una decisión definitiva
acerca de la clase de cubierta terrestre a la que todo píxel pertenece. IDRISI ofrece cinco
clasificadores en este grupo: Paralelepípedos (PIPED), Distancia Mínima a la Media (MINDIST), y
Máxima Verosimilitud (MAXLIKE), Análisis Discriminante Lineal (FISHER), y Red Neuronal
Artificial (NEURALNET). Sólo se diferencian en la manera en que desarrollan y utilizan la
caracterización estadística de los datos de los sitios de entrenamiento. De los cinco, el
procedimiento de Máxima Verosimilitud es el clasificador, sin dudas, más usado en la clasificación
de imágenes captadas por sensores remotos.
5
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Clasificadores Blandos
Al contrario de los clasificadores rígidos, los clasificadores blandos no toman una decisión
definitiva acerca de la clase de cubierta terrestre a la cual pertenece cada píxel. Éstos desarrollan
declaraciones del grado en que cada píxel pertenece a cada una de las clases de cubierta terrestre en
consideración. Entonces, por ejemplo, un clasificador blando puede indicar que un píxel tiene una
probabilidad de 0,72 de representar bosque, una probabilidad de 0,24 de ser pastura y una
probabilidad de 0,04 de ser suelo desnudo.
Un clasificador rígido resuelve esta incertidumbre concluyendo que el píxel representa la clase
bosque. Sin embargo, un clasificador blando pone esta incertidumbre explícitamente disponible,
para cualquier tipo de propósitos. Por ejemplo, el analista puede concluir que la incertidumbre nace
porque el píxel contiene más de un tipo de cubierta terrestre y puede usar las probabilidades como
indicadores de la proporción relativa de cada uno. Esto se conoce como clasificación sub - píxel.
Alternativamente, el analista puede concluir que la incertidumbre nace debido a datos de sitios de
entrenamiento no son representativos y por lo tanto debe combinar estas probabilidades con otra
evidencia antes de endurecer la decisión hacia una conclusión final. IDRISI ofrece cuatro
clasificadores blandos (BAYCLASS, MAHALCLASS, BELCLASS y FUZCLASS). Los
resultados de los cuatro pueden ser endurecidos usando el módulo HARDEN (Endurecer). La
diferencia entre ellos está relacionada con la lógica por la cual se especifica la incertidumbre -
Bayesiana, Dempster-Shafer y Fuzzy Sets. Además, el sistema ofrece una variedad de herramientas
adicionales específicamente diseñadas para el análisis de mezclas sub - píxel (Ej., UNMIX,
FUZSIG, MIXCALC y MAXSET).
Clasificadores Hiperespectrales
Al extender esta lógica a muchas bandas, se produce lo que se ha conocido como imagen
hiperespectral. Aunque esencialmente no haya ninguna diferencia entre las imágenes
hiperespectrales y multiespectrales (es decir, sólo difieren en grado); el mayor volumen de datos, la
alta resolución espectral y el menor rango registrado por cada banda de las imágenes
hiperespectrales sí provoca diferencias en la forma en que son manejadas.
IDRISI brinda utilidades especiales para crear firmas hiperespectrales de sitios de entrenamiento o
bien de bibliotecas de patrones de respuesta espectral desarrollados bajo condiciones de laboratorio
(HYPERSIG) y una rutina automática de extracción de firmas hiperespectrales
(HYPERAUTOSIG).
Estas firmas pueden ser aplicadas entonces en cualquiera de los varios clasificadores
hiperespectrales: Ángulo Espectral Cartográfico (HYPERSAM), Distancia Mínima Hiperespectral
(HYPERMIN), Eliminación de la Mezcla de las Líneas Espectrales (HYPERUNMIX), Proyección
Ortogonal Subespacial (HYPEROSP), Análisis del Área de Absorción (HYPERABSORB).
También se encuentra disponible un clasificador no supervisado (vea la próxima sección) para las
imágenes hiperespectrales (HYPERUSP).
6
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Clasificación No Supervisada
En contraste con la clasificación supervisada, en la que le indicamos al sistema el carácter (es decir,
la firma) de las clases de información que estamos buscando, la clasificación no supervisada no
requiere un avance de información acerca de las clases de interés. Ésta examina, en cambio, los
datos y los divide en los grupos espectrales naturales más prevalecientes, o conglomerados,
presentes en los datos. El analista identifica, entonces, estos grupos como clases de cubierta
terrestre a través de una combinación de familiaridad con las visitas verdaderas a la región y el
suelo.
La lógica con la que trabaja la clasificación no supervisada se conoce como análisis cluster o de
grupos, y en IDRISI es principalmente aplicado en el módulo CLUSTER. Este módulo realiza la
clasificación basándose en un grupo de imágenes de entrada usando una técnica máxima de
histograma multi-dimensional. Es importante reconocer, sin embargo, que los procedimientos de
agrupamiento de clasificación no supervisada no son clases de información, sino clases espectrales
(es decir, agrupan características, píxeles, con patrones de reflexión similares). Es por lo general el
caso en el que el analista necesita reclasificar las clases espectrales en clases de información. Por
ejemplo, el sistema puede identificar clases para asfalto y cemento que el analista luego puede
agrupar y crear una clase de información llamada pavimento.
Además de las técnicas mencionadas anteriormente, hay dos módulos que unen ambas
clasificaciones: supervisada y no supervisada. El ISOCLUST usa un procedimiento llamado
Análisis de Cluster de Autoorganización para clasificar hasta 7 bandas puras en las que el usuario
especifica el número de grupos a procesar. El procedimiento emplea el módulo CLUSTER para
iniciar una cantidad de grupos que generan una aplicación iterativa del procedimiento MAXLIKE,
en el cual cada paso usa los resultados del paso anterior como los sitios de entrenamiento para este
procedimiento supervisado.
El resultado es una clasificación no supervisada que converge en una etapa final de elementos
estables usando un enfoque supervisado (por eso el concepto de “autoorganización”). El MAXSET
es también, en su esencia, un procedimiento supervisado. No obstante, mientras el procedimiento
comienza con sitios de entrenamiento que caracterizan clases individuales, éste resulta en una
clasificación que no sólo incluye estas clases específicas sino también (aunque se desconozcan)
mezclas que pueden llegar a existir. Entonces, el resultado final tiene en gran medida el perfil de
aquel de un enfoque no supervisado.
7
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Evaluación de la Exactitud
La cubierta terrestre encontrada en el campo es luego comparada con aquella que fue
confeccionada como mapa de clases en la imagen del mismo lugar. Las evaluaciones de precisión
estadística pueden ser derivadas para toda el área de estudio, así como también para clases
individuales (usando el ERRMAT).
MÉTODO NO SUPERVISADO
Este método busca la agrupación automática de los Nds de la imagen en una serie de grupos
homogéneos que respondan a similitudes espectrales de las cubiertas. En general, el procedimiento
está basado en un proceso de tres pasos:
1. determinación de las características de las celdas,
2. medida de la similitud o distancia estadística entre grupos, y
3. la aplicación de algún criterio de agrupamiento entre clases.
Para el caso del programa IDRISI 32, el módulo utilizado se denomina CLUSTER (agrupamiento o
conglomerado).
1. CLUSTER usa una técnica de "picos" del histograma para el análisis de conglomerados. En ésta,
se buscan los picos en un histograma de una dimensión, definidos como valores de mayor
frecuencia que sus dos vecinos. Una vez definidos los picos, todos los valores son asignados al pico
más próximo y las divisiones entre clases se determinan en los puntos medios entre picos. En
nuestro caso, se utilizan histogramas de tres dimensiones ya que la composición se derivó de tres
bandas. Un pico es una clase donde la frecuencia es mayor que la de todos sus vecinos. Los
resultados son mejores si no se consideran los vecinos diagonales debido a la correlación existente
entre bandas.
En la clasificación general, una clase debe poseer una frecuencia mayor que la de todas sus vecinas
no-diagonales. En la clasificación detallada, una vecina no-diagonal puede tener una mayor
frecuencia. Esto permite tener en cuenta los picos reales que de otro modo quedarían ocultos por un
pico próximo de mayor frecuencia.
2. CLUSTER funciona mejor si la composición se generó usando la opción lineal con saturación,
que asegura que los seis niveles por banda en la composición ocupan la zona en que se concentran
la mayor parte de los datos. No obstante, los resultados serán óptimos con un ajuste que use menor
saturación que la propuesta para el realce de la visualización. Generalmente, una saturación entre
1% y 2,5% ofrece los mejores resultados para el análisis de conglomerados.
3. CLUSTER sólo funciona con imágenes compuestas creadas con COMPOSIT. La composición
está formada por índices de color, donde cada índice = azul + (verde * 6) + (rojo * 36), asumiendo
un rango de 0-5 en cada una de las tres bandas. Por ejemplo un píxel con valores AVR de 3, 5, 1
tendría un índice de 3 + (5 * 6) + (1 * 36) = 69. CLUSTER descompone los valores de
COMPOSIT para generar un histograma tridimensional.
9
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
4. CLUSTER sólo funciona con composiciones de tres bandas. Esto puede suponer una fuerte
limitación, dado el rango de bandas disponibles con imágenes como LANDSAT TM. No obstante,
un Análisis de Componentes Principales revelaría rápidamente que si las tres bandas han sido
elegidas acertadamente, contendrán la mayor parte de la información. Por ejemplo, en muchos
casos la elección de las bandas TM 2, 3 y 4 (la composición en falso color más típica) o 3, 4 y 5
contendrán más del 95% de la información de la serie completa de bandas. No es recomendable
crear una composición de imagen para CLUSTER a partir de los tres primeros componentes de un
Análisis de Componentes Principales usando la opción de saturación. El resultado daría igual peso
a todos los componentes, obteniendo un resultado pobre – tanto el segundo como el tercer
componente (particularmente el tercero) no poseerán un gran peso -.
CLUSTER ofrece dos niveles de generalización. Con el nivel amplio de generalización, los grupos deben
ocurrir como picos distintos en el histograma multidimensional según se indicó anteriormente. No obstante,
con el nivel fino de generalización, CLUSTER también reconoce los escalones en la curva como picos de
grupos. Los escalones ocurren cuando dos agrupamientos adyacentes se superponen en gran medida. Los
picos y los escalones son identificados en el histograma que se muestra en la figura anterior.
La experiencia en el uso de la rutina de CLUSTER ha demostrado que es rápida y capaz de producir
excelentes resultados. Por otra parte, hemos aprendido que la siguiente secuencia de operaciones es
particularmente útil.
1. Ejecute el CLUSTER usando las bandas más informativas disponibles (generalmente, estas incluyen
la banda roja visible, la banda infrarroja cercana y la banda infrarroja media – Ej.: las bandas del
LANDSAT TM 3, 4 y 5 respectivamente). Use el stretch (estiramiento) lineal con las opciones de:
saturación en un 1%, "fine generalization level" (nivel fino de generalización) y "retain all clusters"
(retener todos los grupos).
2. Despliegue un histograma de esta imagen. Este histograma muestra la frecuencia de pixeles
asociados con cada uno de los grupos que pueden localizarse en la imagen. Muchos de estos grupos
tienen frecuencias muy pequeñas, y por ello, son de alguna manera insignificantes. La Figura 16-8
presenta un ejemplo de dicho histograma. Como se puede observar, hay tres grupos que dominan la
imagen. Luego hay una ruptura profunda con un segundo conjunto de grupos fuertes hasta el Grupo
12. Luego hay un tercer conjunto que sigue hasta el Grupo 25, seguido por un pequeño conjunto de
grupos muy insignificantes. La experiencia sugiere entonces que una buena generalización de los
10
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
datos sería extraer los primeros 12 grupos, con un análisis más detallado puntualizando los primeros
25.
3. Una vez que el número de grupos para examinar ha sido determinado, vuelva a ejecutar el
CLUSTER, pero esta vez elija una "fine generalization" (generalización fina) y establezca un
"maximum number of clusters" (número máximo de grupos) hasta el número que Ud. determinó
(Ej.: 12).
4. Despliegue la imagen resultante con una paleta de colores cualitativos y luego trate de identificar
cada uno de los grupos por vez. Puede usar la opción interactiva de edición de leyenda (legend
editing) para cambiar la leyenda y grabar su propia interpretación. También puede cambiar el color
de esa categoría para que combine con un esquema lógico de colores. Además, recuerde que puede
resaltar todos los píxeles pertenecientes a una categoría presionando el botón del mouse sobre un
cuadro del color de categoría de la leyenda.
5. Al final del proceso de identificación, puede que necesite combinar varias categorías. Por ejemplo,
el análisis de grupos pudo haber descubierto varias categorías de pavimento, como el asfalto y el
concreto, que Ud. puede unir en una sola categoría. La manera más simple de realizar esto es usando
el Edit para crear un archivo de valores que contenga las reasignaciones enteras. Este archivo tiene
dos columnas. La columna izquierda registra el número original de grupos, mientras que la columna
derecha debe contener el número de la nueva categoría a la cual debe ser reasignado. Luego de que
este archivo ha sido creado, emplee el ASSIGN para asignar estos índices de categorías nuevas a los
datos originales de grupo.
El procedimiento CLUSTER en IDRISI es rápido y muy eficiente para descubrir la estructura básica de la
cobertura terrestre de la imagen. Además puede usarse como un paso preliminar para un proceso híbrido no
supervisado / supervisado donde los grupos se usan como los sitios de entrenamiento para un segundo paso
de clasificación usando el clasificador MAXLIKE - Esto es posible debido a que MAKESIG puede crear
firmas basadas en sitios de entrenamiento definidos por un archivo vectorial o por una imagen. En
cualquiera de los casos, se usa la opción de la imagen - . Esto tiene la ventaja de permitir el uso de un
número mayor de bandas de datos puros y también brinda un paso de clasificación más fuerte de píxeles
para su grupo más similar. En realidad, esta lógica se halla en el procedimiento ISOCLUST descrito a
continuación.
A continuación CLUSTER solicita las opciones de agrupamiento, que pueden ser utilizadas tanto
en la clasificación "general" como en la "detallada". Estas opciones son:
a) Eliminar los conglomerados menos significativos (< 1% de todos los conglomerados). Los
conglomerados son organizados en función de su contenido en información y se mantienen
aquellos que describen hasta el 99% de la imagen, los conglomerados restantes son eliminados. Las
celdas que habían sido asignadas a los conglomerados eliminados son ahora asignadas al
conglomerado más próximo de los que permanecen. Esta opción funciona correctamente como un
clasificador "ciego".
c) Mantener todos los conglomerados. Esta opción es más frecuente en clasificaciones "detalladas".
Los conglomerados se ordenarán, de mayor a menor, en función del área total que ocupan. Con
HISTO, se debe visualizar en modo gráfico el histograma de la clasificación con una anchura de
intervalo de 1. Buscar las rupturas más significativas en la pendiente del histograma, que son
indicativas de niveles de agrupamiento natural. Por último, ejecutar CLUSTER con el número
máximo de conglomerados sugerido por los puntos de ruptura del histograma. Ésta es,
probablemente, la función óptima para esta técnica.
ISOCLUST
expresa la frecuencia con la cual éstos ocurren en la imagen. Debe examinar este gráfico y buscar
rupturas significativas en la curva. Éstas representas cambios importantes en la generalidad de los
grupos. Especifique el número de grupos a crearse sobre una de estas rupturas principales.
- El proceso de generación de grupos en realidad se hace con el módulo CLUSTER del IDRISI.
CLUSTER es verdaderamente un algoritmo de agrupamiento (en oposición a una operación de
segmentación como la que se utiliza en muchas rutinas de agrupamiento así llamadas). Esto
conduce a una colocación de grupos mucho más eficiente y exacta que la colocación sistemática o
aleatoria.
- El proceso iterativo utiliza un procedimiento de Máxima Verosimilitud completo. En realidad,
Ud. notará que éste utiliza reiteradas veces los módulos MAKESIG y MAXLIKE. Esto provee un
procedimiento de asignación de grupos muy fuerte.
MÉTODO SUPERVISADO
En este método, el analista define sobre la escena una serie de polígonos, conocidos como campos
de entrenamiento (training fields), de los que se conocen su pertenencia a cada una de las clases
preestablecidas. Normalmente, para la aplicación de alguno de los algoritmos de clasificación
supervisada se requiere la utilización previa del método no supervisado y el reconocimiento de
campo del significado de cada una de las clases; además, se requiere de fuentes de información
secundaria – fotografías aéreas, mapas temáticos de: uso y cobertura del suelo, geológicos y
geomorfológicos - y de un adecuado conocimiento de la zona por parte del intérprete.
La selección de los campos de entrenamiento es una tarea delicada que requiere todo el rigor
posible, por que de ella dependerá el resultado final de la clasificación. En primer lugar, es
necesario que cada campo de entrenamiento sea definido sobre las celdas que representen una clase
pura en particular, que no se encuentre contaminada con píxeles de otras clases.
Para generar los campos de entrenamiento en IDRISI 32, se debe utilizar el elemento digitalizador
(término comúnmente utilizado para designar a un dispositivo que codifica datos gráficos
vectoriales (localizaciones de puntos) en un plano de coordenadas (X,Y). No obstante, este término
se aplica, también, a varios tipos de digitalizadores de barrido que codifican imágenes raster).
Accionando el elemento digitalizador, se procede a seleccionar el tipo de layer (polígono en este
caso), se coloca el nombre del archivo, tipo de dato entero y, finalmente, en el cuadro del
identificador (ID) el valor correspondiente al número de la clase a la que se le realizará el
muestreo.
MAKESIG genera las signaturas espectrales de una serie de campos de entrenamiento (archivo de
signaturas), a partir de la información contenida en las distintas bandas de una imagen de satélite.
13
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Previamente, hay que definir los campos de entrenamiento como un archivo vectorial de polígonos
o como una imagen raster. En el primer caso, MAKESIG realiza, en primer lugar, una conversión
de este archivo vectorial a imagen raster. Este archivo vectorial se genera con las herramientas de
digitalización en el sistema de visualización. En ambos casos, raster o vectorial, los campos de
entrenamiento se identifican con números enteros. Puede haber tantos campos de entrenamiento
para una sola clase como se desee, utilizando el mismo identificador para todos los campos de una
misma clase.
MAKESIG: Funcionamiento
En primer lugar, indicar si el archivo que contiene los campos de entrenamiento es una imagen
raster o un archivo vectorial. En el primer caso, MAKESIG utiliza una imagen raster ya existente
que define los campos de entrenamiento. Introducir el nombre de este archivo. Si se selecciona el
archivo vectorial, introducir el nombre del archivo que contiene la delimitación de los campos de
entrenamiento. El módulo "rasteriza" estos campos de forma que coincidan con las dimensiones de
la imagen de donde se extraerá la información (las bandas) y otorga a la imagen raster resultante el
mismo nombre del archivo vectorial. Esta imagen raster puede modificarse posteriormente con
UPDATE, o puede utilizarse para combinar información de varios archivos vectoriales que
contengan campos de entrenamiento.
Después, especificar el número y nombres de las bandas (cada una es una imagen raster) que se
utilizarán para generar las signaturas espectrales. Deben incluirse todas las bandas que
consideremos útiles, aunque posteriormente no utilicemos todas en la clasificación. Pulsar
Continuar para introducir los parámetros restantes.
Introducir el nombre de la signatura de cada uno de los campos de entrenamiento utilizados. Pulsar
sobre las flechas orientadas hacia arriba y abajo para introducir/modificar todos los identificadores.
MAKESIG extrae los píxeles en todas las bandas para cada clase informacional y calcula las
estadísticas de la signatura. Los píxeles se almacenan en un archivo con extensión ".spf", y las
estadísticas se almacenan en un archivo de signatura con extensión ".sig".
MAKESIG: Notas
1. Los archivos de signaturas con extensión ".sig", generados por MAKESIG, poseen formato
ASCII y pueden modificarse. La primera línea indica el número de bandas, los nombres de las
bandas aparecen, sucesivamente, en las siguientes líneas. No cambiar el orden de estos nombres.
Después de estos, hay tantas líneas de datos como bandas. Cada línea indica el mínimo, máximo,
media y varianza para la signatura en esa banda, así como las covarianzas entre ésta y las otras
bandas. Aparecen tantas covarianzas como bandas restantes. Así, una signatura generada para 4
bandas tendrá un total de 7 números, separados por uno o más espacios, por línea; el mínimo,
máximo, media, varianza, y tres covarianzas.
14
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
2. El archivo con los píxeles de la signatura, con extensión ".spf", posee formato byte-binario y no
puede ser modificado. Se utiliza con el módulo EDITSIG. Contiene todos los píxeles de los campos
15
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
3. Todas las bandas (imágenes raster) utilizadas en MAKESIG deben tener formato byte-binario.
Se pueden incorporar pseudo-bandas, como los datos procedentes de un Modelo Digital del
Terreno, escalándolas a rango byte, utilizando STRETCH. Utilizar el mínimo y el máximo como
límites superior e inferior y especificar 256 niveles.
4. Los códigos de clase de los campos de entrenamiento deben estar en el rango de 1-255.
5. En esta versión de IDRISI para Windows cada "signatura" se almacena en dos archivos, ".sig" y
".spf". Para eliminar una signatura de la unidad en uso, se deben eliminar ambos. Esto se hace
automáticamente con el comando ELIMINAR, dentro del sub-menú Archivo. Los comandos de
clasificación PIPED, MINDIST y MAXLIKE utilizan el archivo ".sig". El archivo ".spf" se utiliza
para la edición de signaturas.
16
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SIGCOMP permite detectar qué signaturas son similares. La opción de diagrama de confusión se
utiliza para la clasificación de paralelepípedos y el diagrama de signaturas (niveles digitales
medios) se utiliza para las clasificaciones de mínima distancia y máxima probabilidad. En una
clasificación de paralelepípedos, al menos una de las bandas debería mostrar categorías
completamente separables en el diagrama de confusión (mínimo/máximo). Si no es así, habrá
confusiones en la clasificación. En las clasificaciones de mínima distancia y máxima probabilidad,
las categorías con signaturas espectrales (medias) muy próximas serán difíciles de distinguir.
17
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Diagrama de signaturas (niveles digitales medios) utilizado para las clasificaciones de mínima
distancia y máxima probabilidad
SIGCOMP: Funcionamiento
EDITSIG edita un archivo de signaturas generado con MAKESIG. Permite visualizar el histograma
de los valores de los píxeles utilizados para crear la signatura. También permite cambiar los valores
mínimo y máximo de los píxeles utilizados para la caracterización estadística de una determinada
banda. Cualquier cambio conlleva un nuevo cálculo de la media, varianza y covarianza para esa
banda. EDITSIG muestra la nueva media y desviación típica. Este comando se utiliza,
generalmente, en combinación con el proceso de clasificación de paralelepípedos, PIPED, que es
muy sensitivo a los valores mínimo y máximo registrados en cada signatura. Visualizar los
histogramas de cada banda para comprobar si la distribución presenta una curva "normal". Si la
signatura es multimodal, o si existen valores extremos aislados, excluirlos cambiando el mínimo y
el máximo.
EDITSIG: Funcionamiento
En primer lugar, introducir el nombre de la signatura a editar. Presenta una tabla que incluye el
número de bandas utilizadas para crear la signatura y el número de píxeles en el campo de
entrenamiento. También ofrece el mínimo, máximo, media y desviación típica de la signatura en la
18
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
primera banda. Pulsar sobre las flechas (orientadas hacia la derecha y hacia la izquierda) para
cambiar entre bandas.
Pueden cambiarse los límites de los datos incluidos en la signatura introduciendo nuevos valores
para el mínimo y máximo a utilizar en los cálculos. A continuación pulsar sobre la opción
"Actualizar". Por ejemplo, si elevamos el mínimo en una banda, todos los píxeles por debajo del
mínimo serán eliminados para el cálculo de la media y la desviación típica. A continuación se
presenta mayor información sobre el efecto de las modificaciones en las covarianzas: EDITSIG,
utilizado conjuntamente con PIPED, está diseñado, principalmente, para modificar el mínimo y el
máximo. En esta versión, al cambiar el mínimo o el máximo se eliminan solamente los píxeles de la
banda en uso, no los de las otras bandas. Este procedimiento se encuentra en revisión, por lo que
puede cambiar en fechas posteriores.
Presionar la opción "Ver Histograma" para ver el histograma de los datos de los campos de
entrenamiento para esa clase. Nota: el histograma incluye los valores mínimo y máximo para la
visualización del histograma.
También se puede volver a las estadísticas de la muestra original. Solamente presionar la opción
apropiada.
19
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Funcionamiento
PIPED clasifica una imagen basándose en la información contenida en una serie de archivos de
signaturas. Estos archivos deben haber sido creados, previamente, con MAKESIG o FUZSIG.
Puede indicar, entonces, si desea introducir cada signatura separadamente o va a utilizar un archivo
de Grupo de Signaturas para especificar todo el grupo de una sola vez. Los archivos de Grupo de
Signaturas se crean con el módulo EDIT.
Para definir los umbrales, existen dos opciones: los valores mínimo y máximo de los campos de
entrenamiento a utilizar o un número específico de desviaciones típicas desde la media (valores Z).
Es preferible utilizar el último y, de hecho, es el utilizado por defecto. Un valor Z de 1,96 excluiría
(p.e. deja sin clasificar) el 5% de los píxeles más alejados de cualquier signatura dada. Del mismo
modo, un valor de 2,58 excluiría el 1% de los píxeles más alejados.
Cuando se han introducido todos los datos, el cuadro de diálogo final mostrará un listado de las
bandas a utilizar en la clasificación. Se puede desactivar cualquiera de las bandas que no desee
utilizar en la clasificación.
Notas
20
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
probabilidad, comenzando con el menos importante o probable y finalizando con el mas importante
o probable.
2. Los píxeles cuyo valor queda fuera del rango de todos los paralelepípedos definidos constituirán
la categoría de no clasificados (categoría cero).
MINDIST realiza una clasificación, por Mínima Distancia a las Medias, de imágenes de satélite, a
partir de la información contenida en una serie de archivos de signaturas. La clasificación de
Mínima Distancia a las Medias se basa en la reflectividad media en cada banda para una signatura.
Los píxeles se asignan a la clase con la media más próxima a su valor. Para tener en cuenta las
diferencias en la variabilidad de las signaturas, MINDIST permite normalizar las distancias
espectrales. MINDIST es más lento que el clasificador de paralelepípedos, PIPED, y más rápido
que el clasificador de máxima probabilidad, MAXLIKE. MINDIST se utiliza, generalmente,
cuando el número de píxeles que define las signaturas es muy pequeño o cuando los campos de
entrenamiento no están bien definidos.
n
dc = ∑ ( Nd
i =1
i − Nd ci ) 2
Funcionamiento
MINDIST clasifica una imagen a partir de la información contenida en una serie de archivos de
signatura. Estos archivos han de crearse, previamente, con MAKESIG o FUZSIG. Seguidamente,
puede introducir cada signatura individualmente o utilizar un Archivo de Grupo de Signaturas (para
21
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
introducir todo el grupo a la vez. Los Archivos de Grupo de Signaturas se crean con el módulo
EDITAR.
Es recomendable utilizar la distancia normalizada (unidades de dt), ya que esta opción considera
las diferencias en la variabilidad de las signaturas.
El radio máximo de búsqueda determina la distancia a partir de la cual ningún píxel será
clasificado. Para los ND originales, se debe introducir un número entero de 0 a 255. Para unidades
de desviación típica, se introducirá el número deseado de desviaciones típicas. Estadísticamente, un
valor de 1,96 unidades de desviación típica dejaría cerca del 5% de los píxeles sin clasificar, no
obstante, este número varía considerablemente en función del tamaño de los campos de
entrenamiento usados. Independientemente del tipo de distancia elegido, se puede especificar una
distancia infinita. De este modo, todos los píxeles serán clasificados, independientemente de lo
lejos que se encuentre de la clase más próxima.
Cuando se haya introducido toda la información requerida, aparecerá un listado con las bandas a
usar en la clasificación. Puede suprimirse cualquiera de las bandas que no se desee utilizar.
Este módulo genera una imagen en la que a cada píxel se le asignó un código de clase igual al
número de orden de la signatura correspondiente en el listado de signaturas, y una leyenda que lista
las signaturas por su nombre.
Notas
1. La normalización de la distancia para cada píxel se realiza restando la media a su valor original y
dividiendo el resultado entre la desviación típica.
2. Se ha comprobado que este proceso suele ofrecer muy buenos resultados cuando se utiliza con
distancias normalizadas. Es más rápido que la Máxima Probabilidad y tiene menos restricciones en
la definición de los campos de entrenamiento.
MAXLIKE realiza una clasificación de imágenes de satélite, por Máxima Probabilidad, a partir de
la información contenida en una serie de archivos de signaturas. Se basa en la función de densidad
de probabilidad asociada a la signatura de un determinado campo de entrenamiento. Los píxeles se
asignan a la clase más probable, tras comparar la probabilidad de que cada píxel pertenezca a cada
una de las signaturas consideradas. MAXLIKE es también conocido como un clasificador
Bayesiano, ya que puede incorporar conocimiento a priori utilizando el Teorema de Bayes. El
conocimiento a priori se expresa como la probabilidad a priori de que cada clase exista. Esto puede
especificarse como un valor aplicable a todos los píxeles, o como una imagen representando
diferentes probabilidades para cada píxel.
22
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
Clasificador de máxima verosimilitud extendido a dos bandas. Tomado de Pinilla, 1995, pág. 242.
Funcionamiento
MAXLIKE clasifica una imagen basándose en la información contenida en una serie de archivos
de signaturas, que deben crearse previamente con MAKESIG o FUZSIG. En primer lugar, debe
especificar si desea introducir cada signatura por separado o utilizar un Archivo de Grupo de
Signaturas (que contenga todas las signaturas a utilizar). Los Archivos de Grupo de Signaturas se
generan con el módulo EDITAR.
Si selecciona introducir cada signatura por separado, deberá especificar el número de signaturas a
utilizar en la clasificación. Los tres siguientes parámetros son: definir el modo en que se
considerarán las probabilidades a priori, la proporción de píxeles que quedarán sin clasificar y el
nombre de la imagen de salida.
residencial en la actualidad es muy probable en los sectores próximos a carreteras y poco probable
lejos de éstas. Esto puede expresarse fácilmente mediante esta opción ya que cada píxel posee su
propia probabilidad a priori. La suma de probabilidades para cada píxel debe ser 1,0. La última
opción es una combinación de las dos anteriores, permite especificar un valor o una imagen de
probabilidades. En todos los casos, excepto en el de "usar la misma probabilidad", las
probabilidades a priori se especifican en el segundo cuadro de diálogo.
MAXLIKE permite excluir una proporción específica de los píxeles menos significativos de
cualquier clasificación. Esto hace que los píxeles con menores probabilidades de pertenecer a
cualquiera de las clases definidas por las signaturas, queden sin clasificar. Normalmente esta
proporción se especifica con la ayuda de una tabla de Distribución de la Ji-Cuadrado. En este
módulo, se ha creado una pequeña tabla para los casos de 0% (donde todos los píxeles son
clasificados) 1% y 5%. También puede introducirse el valor de la Ji-Cuadrado directamente.
Cuando se hayan completado todas estas opciones, el cuadro de diálogo final mostrará un listado
con las bandas a utilizar en la clasificación. Puede suprimirse cualquiera de las bandas que no se
desee utilizar en la clasificación.
Este módulo genera una imagen en la que a cada píxel se le asignó un código de clase igual al
número de orden de la signatura correspondiente en el listado de signaturas, y una leyenda que lista
las signaturas con su nombre.
Notas
1. El proceso utilizado en este módulo se basa en las ecuaciones publicadas en Richards, J.A.,
(1986) Remote Sensing Digital Image Analysis, (Berlin: Springer-Verlag).
2. Debemos asegurarnos que los datos son adecuados para utilizar este clasificador. En general, la
muestra de píxeles debe ser al menos igual a diez veces el número de bandas. Esto se puede
verificar usando EDITSIG.
El último clasificador a ser discutido en esta sección es más difícil para describir gráficamente. El
clasificador FISHER conduce un análisis discriminante lineal de los datos del sitio de
entrenamiento para formar un grupo de funciones lineales que expresen el grado de apoyo por cada
clase. La clase asignada a cada píxel es entonces esa clase que recibe el apoyo más alto luego de la
evaluación de todas las funciones. Estas funciones tienen una forma similar a la de una ecuación de
regresión lineal multivariada, donde las variables independientes son las bandas de la imagen, y la
variable dependiente es la medida del apoyo. En realidad, las ecuaciones son calculadas de manera
tal que maximizan la varianza entre clases y minimizan la varianza dentro de las clases. El número
24
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
de ecuaciones es igual al número de bandas, cada una describe un hiperplano de apoyo. Las
intersecciones de estos planos luego forman los bordes entre clases en el espacio de banda.
De los cuatro clasificadores supervisados rígidos, MAXLIKE y FISHER son los más poderosos.
También son los más lentos para calcular. Sin embargo, con sitios de entrenamiento de alta calidad
(es decir, homogéneos), ambos son capaces de producir excelentes resultados.
25