TELEDETECCIÓN SATELITAL

La teledetección es la ciencia y el arte de obtener información (espectral, espacial, temporal) sobre un objeto, área o

fenómeno a través del análisis de datos por un dispositivo que no está en contacto con el objeto, área o fenómeno

bajo investigación (Lillesand et al. 2014).

Al adquirir la información de un objeto terrestre mediante tecnología de detección remota, la

capa atmosférica hará que sus datos de observación de la Tierra sean una combinación de la

fuente de radiación (el Sol), el medio de transmisión (la atmósfera) y el objeto mismo (Yu et al.,

2016).
 ESPECTRO ELECTROMAGNÉTICO

Para entender la teledetección es necesario comprender que el espectro electromagnético es “el sistema que clasifica, de acuerdo con la longitud de onda, toda la energía (de corto
cósmica a largo radio) que se mueve armónicamente a la velocidad constante de la luz” (Nasa, 2011). A continuación, se distinguen las regiones espectrales utilizadas para la
observación remota

• Espectro visible (0.4 - 0.7 µm): rango de frecuencias del ojo humano. Máxima radiación solar. Subdividido en tres
bandas: rojo (0.6 - 0.7 µm), verde (0.5 - 0.6 µm) y azul (0.4 - 0.5 µm).

• Infrarrojo cercano (0.7 - 1.1 µm): denominado ir fotográfico o reflejado. Energía solar que reflejan los cuerpos.
Comportamiento similar al espectro visible.

Figura 1. Espectro Electromagnético 

• Infrarrojo medio (1.1 – 8 µm): se entremezclan radiación solar y emisión. La atmósfera afecta sensiblemente:
aprovechado para medir concentraciones de vapor de agua, ozono, aerosoles.

• Infrarrojo térmico (8 - 14 µm): radiaciones emitidas por los propios cuerpos. Se puede determinar la temperatura de
un cuerpo (ir térmico). Se puede disponer de imágenes a cualquier hora del día.

• Microondas (1mm-1m): interés creciente de la teledetección en esta banda. Las perturbaciones atmosféricas son
menores y es transparente a las nubes. Se suelen utilizar sensores activos.
 SENSORES EN TELEDETECCIÓN

(Sensor Pasivo) Es la forma más importante de teledetección, pues se deriva directamente Sensor Activo) Es la que podríamos enviar desde un sensor que fuera capaz, tanto de generar su

de la luz solar, principal fuente de energía del planeta. El sol ilumina la superficie, y refleja propio flujo energético, como de recoger posteriormente su reflexión sobre la superficie

esta energía en función del tipo de cubierta presente sobre ella. Entre superficie y sensor se terrestre (Chuvieco, 1995).

interpone la atmósfera, que dispersa y absorbe parte de la señal original (NASA, 2011).

Reflexión: energía reflejada de la luz solar Reflexión-Emisión: El sensor emite y luego capta la reflexión (radar).

Emisión: Energía emitida por los propios objetos.

 RESOLUCIÓN EN TELEDETECCIÓN ÓPTICA

Resolución Espacial

Existen múltiples satélites open source disponibles para la adquisición

Es la distancia que corresponde a la unidad mínima de información incluida en la
de datos con múltiples características y sensores para la adquisición de
imagen (píxel).
datos. Esto permitirá orientar los análisis dependiendo de la resolución

espacial, temporal y espectral que se obtendrá de cada producto de

acuerdo con las necesidades propias del análisis

Resolución Espectral Resolución radiométrica Resolución temporal

Indica el número y anchura de las bandas espectrales que Nos indica la medida en bits (dígitos binarios), es la gama de Para los sensores de satélites, también existe la resolución

puede discriminar el sensor. (Multiespectral - valores de brillo disponibles que en la imagen se temporal que es el tiempo necesario para volver a visitar la

Hiperespectral). corresponden con el alcance máximo de Nivel Digital; por misma zona de la Tierra (NASA, 2011).

ejemplo, una imagen con una resolución de 8 bits tiene 256

niveles de brillo (RICHARDS Y JIA, 2006).

• Alta resolución temporal: < 1 día - 3 días

• Media resolución temporal: 4 - 16 días

• Baja resolución temporal: > 16 días

 SENSORES ÓPTICOS Y SAR A NIVEL MUNDIAL

Sensores y Plataformas para Teledetección

Sensores y Plataformas para Teledetección
SAR
Óptica

Fuente: Autor.

Fuente: Adaptado de Moreira et al, 2013.

 PROCEDIMIENTO PARAEN TELEDETECCIÓN ÓPTICA
FLUJO DE TRABAJO

Procesamiento

Cálculo de índices espectrales

Adquisión

Preprocesamiento

Correción geométrica (Georreferenciación 

Correción radiométrica

Correción Atmosferica

Creación de mascara (recorte).

Al adquirir la información de un objeto terrestre mediante tecnología de detección remota, la capa atmosférica hará que sus datos de observación de la Tierra sean una combinación de la fuente

de radiación (el Sol), el medio de transmisión (la atmósfera) y el objeto mismo (Yu et al., 2016). Esto implica la atenuación de la luz reflejada así como la pérdida de contraste debido a la

dispersión de la luz solar por aerosoles y moléculas atmosféricas (Bernstein et al., 2012). Por lo tanto, un paso imprescindible y crítico en los procesos rutinarios de manejo de datos espaciales,

es eliminar precisamente los impactos debidos a la absorción y dispersión atmosférica para recuperar la reflectancia espectral inherente de los materiales de la superficie para un mejor soporte de

las aplicaciones cuantitativas de la teledetección

 INTERPRETACCIÓN VISUAL DE IMAGENES

El análisis de imágenes es la etapa central en el flujo de trabajo del análisis de datos de

teledetección. Con el análisis de imágenes tratamos de extraer la información (geo) que se

proporciona en una imagen (detección remota). Pero esto supone que ya tenemos algún

conocimiento sobre los objetos que extraer en nuestra mente

Landsat 8 (6,5,2), Sentinel 2B (11,8A,2)

• Tono: brillo o color relativo de un objeto.

• Forma: forma, contorno y estructura de un objeto.

• Tamaño: la extensión espacial de un objeto es una función de escala.

• Patrón: disposición espacial de objetos visiblemente distinguibles.

• Textura: disposición y frecuencia de variación tonal en áreas parciales de una imagen.

• Sombra: ofrece información adicional sobre el perfil y la altura relativa de un objetivo, pero

también puede reducir la interpretación en las áreas influenciadas.

• Asociación: la identificación de características que uno esperaría asociar con otras características

puede proporcionar información para facilitar la identificación

Landsat 8 (5,6,4), Sentinel 2B (8A,11,4)

 ANÁLISIS DE SENSIBILIDAD CON MATRICES

Los grandes conjuntos de datos geoespaciales están cada vez más extendidos en muchas áreas y aplicaciones. Para interpretar dichos conjuntos

de datos, se requieren métodos para reducir drásticamente su dimensionalidad de una manera interpretable, de modo que se preserve la mayor

parte de la información en los datos (Jolliffe & Cadima, 2016).

El ACP descompone la matriz en vectores propios y valores propios (clasificados). Los valores propios mayores y vectores propios

correspondientes, generalmente representan la mayor parte de la variación en la matriz (Tarazona et al., 2015; Boriah, 2010).
 CLASIFICACIÓN DE IMAGENES SATELITALES

El problema de la utilización de umbrales es que dependen de muchos factores (e.g.,

varían en función de la estación de captura de la imagen, la iluminación, condiciones

climáticas, el tipo de suelo, entre otros)

Análisis basado en pixeles

Clasificación Supervisada

Clasificación no Supervisada

Clasificación Mixta

Clasificacion de imagenes

Análisis basado en objetos

Segmentación en objetos discretos

Clasificación de esos objetos

La clasificación basada en objetos funciona de la misma manera que una clasificación

basada en pixeles con la diferencia de que se clasifica cada píxel, pero combinados todos

los píxeles de cada objeto (Tarazona et al., 2015).

 CLASIFICACIÓN NO SUPERVISADA

No supervisada

Un método paramétrico popular es k-means (MacQueen 1967). La función objetivo de k-means es la suma

del error al cuadrado, que debe minimizarse (Savaresi & Boley 2001). De hecho, el algoritmo k-means es

una técnica paramétrica en el sentido de que el número de clusters se conoce a priori (Senthilnath et al.,

2015).

K-means
 CLASIFICACIÓN SUPERVISADA

En técnicas supervisadas, se utilizan muestras representativas de diferentes tipos de interés de cobertura superficial (denominadas muestras de

entrenamiento). La información numérica en todas las bandas espectrales para los píxeles que comprenden estas muestras se usa para “entrenar” a

la computadora para reconocer muestras espectralmente similares para cada clase. Cada píxel de la imagen se compara con estas firma y se

etiqueta como la clase a la que más se “parece” en términos de distancias (Senthilnath et al., 2014)

Entre las diversas técnicas supervisadas, las redes neuronales artificiales se han utilizado ampliamente para la clasificación de imágenes

(Benediktsson et al., 1990, Yoshida & Omatu, 1994; Foody, 2004) y, en algunos casos, han superado a los clasificadores estadísticos. Entre los

clasificadores supervisados tenemos a support vector machine, decision tree, random forest, bayes, neural networks, entre otros.

Clasificador No Paramétrico
Clasificador Paramétrico
Aprendizaje automático

Aprendizaje Basado en estadistica. Support vector machine.

Decision tree.

Maximum Likelihood Random forest.

Classification Bayes.

Neural networks.

> 20 muestras por clase

Yu et al. (2014) encontraron que el clasificador paramétrico de máxima verosimilitud (ML) era el método más utilizado, empleado en el 32% de

los artículos, aunque los métodos de aprendizaje automático se encontraron rutinariamente con precisiones notablemente más altas que ML. Yu

et al. (2014) atribuyen este dominio de ML a su amplia disponibilidad en paquetes de software convencionales de procesamiento de imágenes

de satélite, en cambio los métodos de aprendizaje automático requieren un mayor desarrollo de software y capacitación.
Los indicadores de ganancias y pérdidas de coberturas son muy importante ya

que nos conducirá cuanta área de determinada clase se perdió de un tiempo T1

a otro tiempo T2. Ya que el objetivo general de este entrenamiento es

cuantificar la pérdida de bosques, del año 1981 al 2018.

 DESCARGA DE IMAGENES SATELITALES

Imagenes Landsat  Imagenes Sentinel 

https://earthexplorer.usgs.gov/ https://scihub.copernicus.eu/dhus/#/home
EarthExplorer utiliza pestañas en la aplicación de búsqueda para desplazarse por cada

parte del proceso. El proceso / componente de búsqueda EarthExplorer se divide en

cuatro áreas principales.

 Continuación de criterios de búsqueda

A continuación, seleccionaremos el área de interés, donde se mostrarán todas las

imágenes (1), Luego ingresaremos los criterios de búsqueda de nuestra imagen (2)