Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
• 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).
Resolución Espacial
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).
Fuente: Autor.
Procesamiento
Adquisión
Preprocesamiento
Correción radiométrica
Correción Atmosferica
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
proporciona en una imagen (detección remota). Pero esto supone que ya tenemos algún
• Sombra: ofrece información adicional sobre el perfil y la altura relativa de un objetivo, pero
• Asociación: la identificación de características que uno esperaría asociar con otras características
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
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
Clasificación Supervisada
Clasificación no Supervisada
Clasificación Mixta
Clasificacion de imagenes
basada en pixeles con la diferencia de que se clasifica cada píxel, pero combinados todos
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
Decision tree.
Classification Bayes.
Neural networks.
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
https://earthexplorer.usgs.gov/ https://scihub.copernicus.eu/dhus/#/home
EarthExplorer utiliza pestañas en la aplicación de búsqueda para desplazarse por cada
imágenes (1), Luego ingresaremos los criterios de búsqueda de nuestra imagen (2)