CURSO: FOTOGRAMETRÍA, FOTOINTERPRETACIÓN Y TELEDETECCIÓN

Horarios
14.30 - 16:00 : Primera parte del curso
16:00 – 16:20 : Receso
16:20 – 17.40 : Segunda parte del curso
Al finalizar la unidad, el estudiante extrae datos
de las imágenes satelitales, a partir del análisis
cualitativo y cuantitativo, sobre la base de las
diferentes respuestas a la reflexión y refracción
del espectro electromagnético; con base a una
escala coherente e información cartográfica
detallada de acceso libre y actualizado.
Al finalizar la sesión, el estudiante podrá realizar combinaciones de bandas y composiciones de color de imágenes
satelitales ópticas.
Catálogos de firmas espectrales

https://landsat.usgs.gov/spectral-characteristics-viewer

https://geogra.uah.es/rtm/

https://crustal.usgs.gov/speclab/QueryAll07a.php

https://catalogos5.conae.gov.ar/firmasespectrales/

https://speclib.jpl.nasa.gov/
ENVI: https://www.l3harrisgeospatial.com/SoftwareTechnology/ENVI
ER Mapper: http://www.hexagongeospatial.com/brochure-pages/erdas-ermapper-professional-benefit-brochure
PCI Geomatica: http://www.pcigeomatics.com
Image Analysis de ArcGIS: http://training.esri.com/gateway/index.cfm?fa=catalog.webCourseDetail&cou rseid=2691
IDRISI Selva: http://www.clarklabs.org/
Global Mapper: https://www.bluemarblegeo.com/global-mapper/
SNAP: http://step.esa.int/main/download/snap-download/
GRASS GIS: http://grass.osgeo.org/download/
QGIS: http://www.qgis.org/es/site/
GvSIG: http://www.gvsig.org/web
BEAM de la ESA: http://www.brockmann-consult.de/cms/web/beam/
SOPI: https://www.argentina.gob.ar/ciencia/conae/unidad-educacion/software/sopi

En este enlace encontrarán un listado de 14

programas gratuitos para manejo de imágenes de
satélites, aéreas, nubes de puntos lidar y modelos
digitales del terreno.
http://monde-geospatial.com/top-14-open-source-
remote-sensing-software/14/
 https://earthengine.google.com/

https://code.earthengine.google.com/
Formato TIFF: permite almacenar imágenes ráster de
hasta 4 GB de espacio de almacenamiento; y permite
almacenar imágenes en blanco y negro o en color hasta
32 bits por píxel. En teledetección se suelen almacenar
las imágenes en este formato sin comprimir.

Formato GeoTIFF: el mismo que el anterior, pero

almacena la información de la georreferenciación de la
imagen en la cabecera del fichero. Las aplicaciones más
habituales lo pueden leer: GDAL, QGIS, Erdas, ArcGIS,
Global Mapper, etc.
¿Por qué corregir una imagen?
Existen una serie de interferencias/anomalías que hacen que la información a obtener, aparezca perturbada y/o
distorsionada por una serie de errores. Estas anomalías afectan a los niveles digitales de los píxeles (anomalías
radiométricas) o a la posición de los píxeles (anomalías geométricas).

Niveles digitales de los píxeles Posición de los píxeles

¿Qué corregimos?
• Fallos en los sensores, estos fallos generan pixeles incorrectos. ¿Cómo lo resolvemos?: corrección radiométrica.
•Interferencia de la atmósfera, alteran de forma sistemática los valores de los pixeles. ¿Cómo lo resolvemos?: corrección
atmosférica.
• Alteraciones en el movimiento del satélite y el mecanismo de captación e los sensores, generan distorsiones en la
imagen global. ¿Cómo lo resolvemos?: corrección geométrica.
Es la más sencilla de todas las correcciones. Este proceso permite convertir la información de cada pixel de la imagen
original, es decir, de los niveles digitales (ND), en niveles de reflectancia. Se busca obtener valores de intensidad
homogéneos mediante la búsqueda del equilibrio de los histogramas o la corrección de “imperfecciones” en los
píxeles.

Las funciones de corrección radiométrica

permiten corregir defectos provenientes
de los valores de píxel en todas o algunas
de las bandas.
Algunos errores fácilmente advertibles
los encontramos a través del bandeo o
pérdidas de filas y columnas de píxeles.
Las variaciones estacionales o la presencia de gases en la atmósfera harán que los valores de reflectividad de nuestros píxel se vean
ligeramente alterados influyendo en los colores de la imagen resultante. Con la corrección atmosférica se pretende eliminar el efecto
de dispersión de la atmósfera. Esta corrección es indispensable para determinados estudios donde se obtienen firmas espectrales de las
cubiertas o parámetros biofísicos a partir de las imágenes

GEOBIA: permite realizar tratamiento de

imágenes de Landsat 8 para las bandas del OLI.
La herramienta está disponible para ArcToolBox.

Sen2Cor: desempeña las funciones de

corrección de imágenes provenientes de
Sentinel 2A y 2B para las 13 bandas de trabajo.
La herramienta trabaja a través de un plugin
sobre el programa SNAP desde donde corregir
atmosféricamente las imágenes y pasar de un
nivel de producto L1C a L2A.
Conversión de los niveles digitales (ND) a valores de radiancia
Una imagen de satélite en bruto contiene unos valores numéricos denominados niveles digitales (ND) que el satélite obtiene a partir
de la energía recibida mediante una ecuación lineal. La corrección de la imagen para eliminar el efecto de la atmósfera resulta
especialmente necesaria para:
• Calcular determinados índices entre bandas cuya distorsión debida a la atmósfera es diferente.
• Calcular variables deducibles directamente de la radiancia mediante modelos de tipo físico.
• Estudios temporales, ya que la distorsión atmosférica cambia de unos días a otros.
Método de "ganancia" y "sesgo“

Método de escalamiento de la radiancia espectral

En donde:
Lλ es la radiancia espectral en la banda de interés
QCAL = es el nivel digital (ND) que se desea convertir
LMINλ = es la radiancia espectral en la banda λ correspondiente a QCALMIN
LMAXλ = es la radiancia espectral en la banda λ correspondiente to QCALMAX
QCALMIN = es el nivel digital mínimo calibrado (usualmente = 1)
QCALMAX = es el nivel digital máximo calibrado (usualmente = 255)
Los datos requeridos para aplicar esta fórmula se encuentran en los metadatos de la imagen.

Conversión de los valores de radiancia a reflectancia

Georreferenciación. Este proceso corrige los desplazamientos y distorsiones geométricas presentes en una imagen, causados por la inclinación del
sensor (posición del sensor en el momento de la toma), la influencia del relieve y los errores sistemáticos asociados con la imagen. Esta parte del
proceso es determinante pues tiene implicaciones directas en la precisión de la posición de los resultados a obtener en el
procesamiento, y en el caso de estimación de cambios entre coberturas garantiza que los cambios reportados entre dos imágenes de la misma zona
y distintas fechas, se deban a cambios en las coberturas de la Tierra detectadas durante el periodo establecido, y no a diferencias en la posición de las
imágenes en el periodo de análisis. Consiste en relacionar cada píxel de la imagen (fila y columna) con el punto de la superficie
terrestre a que corresponde.
Distorsiones geométricas producidas sobre la imagen original

Efecto de los movimientos de la plataforma sobre la captura

de información. En la sección de superficie relevada, la
cuadrícula negra representa los píxeles originales y en color
azul el área realmente relevada por el sensor.
Ejemplo de error geométrico y corrección. a) Verdad de terreno, b) Imagen cruda obtenida por el sensor y c) Imagen corregida.
En este ejemplo queda muy claro que para realizar la corrección geométrica de la figura se ha tenido que transformar la grilla de píxeles
original en una nueva grilla y que para ello, se han desplazado, creado, eliminado píxeles e incluso modificado los valores radiométricos
de muchos píxeles de la imagen.
➢ ¿Cuándo rectificar?
➢ Necesitamos realizar comparaciones entre
escenas distintas.
➢ Identificar áreas de entrenamiento.
➢ Superponer imágenes con vectores.
➢ Comparación de imágenes.
➢ Generar mosaicos.
➢ ¿Y si no hace falta rectificar?
➢ Es debido a que no existe ninguna
distorsión causada por el movimiento del
sensor.
El método del vecino más cercano busca el valor del píxel que se encuentre a la menor distancia
de la posición que se desea llenar.
VENTAJAS
• No promedia valores, es decir no altera
los ND de la imagen. DESVENTAJAS
• Toma valores originales. • Posible duplicación de valores
• Adecuado antes de una clasificación.
• Es rápido y fácil.
 Asigna al píxel corregido la media ponderada de los ND correspondientes a las cuatro posiciones más cercanas
de la imagen transformada
VENTAJAS DESVENTAJAS
• Espacialmente, es más preciso. • Se pierden los valores originales.
• Este método produce resultados suavizados, puesto que • Requiere mas tiempo que el método previo.
se interpola entre los 4 píxeles del entorno.
Asigna el valor digital resultado de ponderar los valores de los 16 píxeles más cercanos.

VENTAJAS DESVENTAJAS
• Es el más preciso. • Cambia los valores.
• Suaviza ruidos.
 Descargando imágenes en Google Earth Engine.
Indicaciones en clase y en Plataforma Blackboard.
 Aquí dispone de webs donde puede descargar código gratuito para una variedad de análisis:
http://www.gisandbeers.com/scripts-para-google-earth-engine/
https://hasencios.github.io/GEE_BASICO_SENAMHI/02-code-editor/
https://mappinggis.com/2020/01/google-earth-engine-y-como-acceder-a-sus-algoritmos-desde-qgis/
Youtube: tutoriales gratis de manejo de Google Earth Engine para diversas aplicaciones en inglés y español
Composición de color - > el ojo humano puede percibir las
diferencias de color mejor que en tonos de grises.

Para una correcta visualización, es necesario realizar una

combinación de tres bandas (RGB).

-> Imagen en color real: es la combinación de rojo, verde y

azul que permite visualizar la imagen tal y como la verían
nuestros ojos directamente.

-> Imagen en falso color o infrarrojo color: se aplica los

cañones de rojo, verde y azul sobre las bandas
correspondientes al infrarrojo cercano, el rojo y el verde
respectivamente.
El infrarrojo tiene alta sensibilidad a la vegetación verde,
la cual va ser representada en tonalidad roja, debido a la
alta reflectividad que posee en el infrarrojo y su baja
reflectividad en el visible.
Las tonalidades más habituales en una composición en
falso color son:
➢ Rojo, indica una vegetación sana y bien
desarrollada.
➢ Rosa, áreas vegetales menos densas o con
vegetación menos desarrollada.
➢ Blanco, áreas con escasa o nula vegetación.
➢ Azul oscuro o negro indica la presencia de agua.
➢ Marrón, vegetación arbustiva muy variable.
➢ Beige-dorado, zonas de transición, prados secos
asociados a matorral ralo.
Combinación de bandas de Landsat 8

Una composición RGB764 indica que la

banda 7 del satélite trabajado ha sido
introducida por el canal rojo (R), la banda
6 por el canal verde (G) y la banda 4 por el
canal azul (B).
Correspondencia entre bandas de Landsat 7 y Landsat 8
RGB 3,2,1: La vegetación aparece en diversos tonos de verde y los suelos en colores marrones o tostados. Además, las bandas
visibles tienen buena penetración en los cuerpos de agua y esta combinación permite observar detalles en agua poco
profundas (turbidez, corrientes, batimetría, plumas de sedimentos, etc.).
RGB 4,3,2: Al asignar el rojo a la bandas 4 (NIR)
resultará que todos los tonos de rojo, desde el
rojo muy oscuro al rosado pálido corresponden a
vegetación: los tonos más oscuros se relacionan
con la presencia de vegetación arbórea densa,
como bosques, montes, etc., pudiéndose
identificar algunas especies como pinos y
eucaliptos. Rojos claros indican cultivos y
praderas vigorosas. Los rosados corresponden a
vegetación poco densa como pasturas naturales.

El celeste corresponde a suelo desnudo, seco o

áreas rocosas. El azul-celeste puede corresponder
a zonas urbanas. El azul oscuro a negro se
relaciona con agua clara en cursos o cuerpos de
agua. Si éstos presentan partículas en suspensión
aparecerán con tonalidades azul-verdosas (cian).
Los colores verde a verde azulado corresponden a
parcelas aradas o suelos descubiertos con mayor
o menor contenido de humedad.
RGB 4,5,3: Al asignarle el color rojo a la banda 4
(infrarroja cercana) esta banda va a tener ciertas
similitudes con la combinación RGB 4,3,2 . Sin
embargo, al dar más peso a la región infrarroja
(bandas 4 y 5) se ve realzada la diferencia de
humedad en suelos y vegetales. Generalmente
cuanto mayor es la humedad del suelo más
oscuro aparecerá éste.
Descripción de bandas Sentinel - 2
Combinación de bandas Sentinel - 2

Cobertura Combinación
Color natural 4,3,2

Usos agrícolas: Análisis para la detección de zonas de uso agrícola.

Donde los campos con estos fines aparecerán representados en una 11,8A,2
tonalidad verde brillante.
Vegetación vigorosa: Para la detección de vegetación en un estado
saludable. Realza la vegetación sana en intensas tonalidades rojas ya 8A,11,2
que las masas vegetales reflejan energía en la banda 8 del infrarrojo 8,4,3
que es filtrada por el canal de color rojo.
Falso color para detección de zonas urbanas: Las áreas urbanas
aparecen en tonos magentas mientras que las praderas o pastos se
representan en tonos verdes claros. De verde oliva a verde brillante 12,11,4
indica áreas forestales (en general los bosques de coníferas son más
oscuros que los de caducifolias).

Análisis sobre penetración atmosférica 12,11,8A

Análisis de la vegetación: generar una imagen que nos permite

8A,11,2
realizar el análisis de la vegetación presente en la zona de estudio.
Mediante esta técnica se puede mejorar la resolución de las imágenes
satelitales, utilizando como referencia una banda pancromática de alta
resolución. La técnica permite utilizar como referencia la imagen
pancromática de mayor resolución y combinarla con el resto de bandas
de menor resolución generando una nueva imagen multibanda a color y
preservando la máxima resolución.

Las opciones de pansharpening permiten aumentar la nitidez de las imágenes

jugando estratégicamente con las imágenes de baja resolución pero
combinándolas con imágenes pancromáticas de gran resolución. La banda
pancromática realza la nitidez de los detalles y las imágenes multiespectrales
restantes aportan la información radiométrica a través de un algoritmo estratégico.

Hay que tener en cuenta que cuando se fusionan las bandas multiespectrales con la pancromática se gana en resolución espacial, pero se pierde calidad
espectral en las bandas fusionadas.
Siga las indicaciones dadas en clase y en la
plataforma Blackboard.
CURSO: FOTOGRAMETRÍA, FOTOINTERPRETACIÓN Y TELEDETECCIÓN
Al finalizar la unidad, el estudiante
extrae datos de las imágenes satelitales,
a partir del análisis cualitativo y
cuantitativo, sobre la base de las
diferentes respuestas a la reflexión y
refracción del espectro
electromagnético; con base a una escala
coherente e información cartográfica
detallada de acceso libre y actualizado.
Al finalizar la sesión, el estudiante será capaz de realizar combinaciones de bandas, composiciones de color, realces e
índices espectrales obtenidos de imágenes satelitales ópticas.
➢ Mejoramiento visual - > algunos tipos de mejora no cambian el valor de los niveles radiométricos
➢ No es un procedimiento obligatorio. Depende de los objetivos del trabajo o de la utilidad que el intérprete
considere.
➢ El objetivo es hacer que la información analizada sea más interpretable
➢ METODOS
➢ Filtros de convolución
➢ Filtros adaptativos
➢ Filtros estadísticos
Espacial ➢ Streching de decorrelación

➢ METODOS
➢ Contraste lineal
➢ Contraste no lineal
➢ Contraste dividido
REALCES Radiométrico ➢ Ecualización de histograma
➢ Ajuste de histograma
➢ Inversión de la imagen

➢ METODOS
Espectral ➢ PCA
➢ Algebra
➢ Transformación ISH
➢ Análisis de Fourier
➢ Índices espectrales
 FILTROS DE PASO BAJO -> SUAVIZAN – GENERALIZAN LA IMAGEN
➢ FILTRO DE MEDIA: Es el más
simple para suavizar imágenes.
Cada pixel de la imagen se
reemplaza por la media de los
píxeles vecinos.
➢ FILTRO DE GAUSS: Es un filtro
de suavizado, el cual reduce la
sensibilidad de la imagen al
“ruido” . Efecto de difuminar.
➢ FILTRO DE MEDIANA: Elimina el error
aleatorio. Se basa en sustituir el valor
de brillo del pixel central del núcleo
por la mediana de todos los valores
de brillo de los pixeles que forman
dicho núcleo. Se emplea para
eliminar valores anómalos aislados,
producto de ruidos aleatorios en la
adquisición de los datos.
 Filtros de paso alto -> realzan – detectan los bordes

➢ HIGH PASS: Filtro de paso alto. ➢ REALCE DE EJE LAPLACIANO: ➢ SOBEL: Filtro de paso alto.
Realza “áreas” de cambio Filtro de paso alto que acentúa Extrae ejes entre áreas de
abrupto de aquellas superficies los bordes cambio abrupto
continuas
a) Imagen original, b) Imagen con filtro de la
media, c) Imagen con filtro de mediana, d) Imagen
con filtro Laplaciano
a) Imagen original.
b) Imagen con filtro de Sobel.

c) Imagen con filtro laplaciano

d) Suma de imágenes original
y filtrada con Sobel.
a) Imagen original con errores en la adquisición de datos, b) Imagen con filtro de mediana
 Diferencia entre intensidades de brillo En la práctica, los
valores de intensidad
➢ CONTRASTE LINEAL se redistribuyen de
forma que haya
aproximadamente el
➢ CONTRASTE DIVIDIDO
mismo número de
pixeles con cada valor.
➢ CONTRASTE NO LINEAL
➢ ECUALIZACIÓN DE HISTOGRAMAS
Histograma-> distribución de frecuencia de los valores

Al expandir la escala de grises se logra realzar detalles sutiles de la imagen, difíciles de discriminar con la compresión inicial.
En general los softwares de percepción remota ofrecen las facilidades de cálculo para estas y otras modalidades, y el analista
aplicará una u otra según sus preferencias.
➢ PCA – Análisis de Componentes Principales
El objetivo del PCA es construir una o varias imágenes que incrementen su capacidad de diferenciar distintas
coberturas. Puede aplicarse como realce previo a la interpretación visual o como procesamiento anterior a la clasificación.
Aplicaciones:
• Reduce el volumen de datos
• Reduce el ruido
• Detección de cambios
• Ampliación del contraste

Para profundizar puede revisar esta lectura recomendada:

https://riunet.upv.es/bitstream/handle/10251/30616/ACP_teledeteccion.pdf?sequence=5;an
➢ TRANSFORMACION IHS (Intensity, hue, saturation)
Intensidad (I). Expresa el brillo del color, en función del porcentaje de reflectividad recibido. Es la variable que se percibe más
sencillamente por parte del ojo humano.
Tono (H). Expresa el color que aprecian nuestros ojos. Indica la longitud de onda predominante de dicho color, donde se ubica la
máxima reflectividad del objeto.
Saturación (S). Expresa la pureza del color. Valores altos indican
una alta presencia de blanco.
➢ ALGEBRA DE IMÁGENES
▪ Diferencia de bandas
▪ Cociente entre bandas
▪ Índices de vegetación
 Decorrelation Stretch: se basa en PCA.

Tasseled Cap: similar a PCA. Ayuda en la separación entre suelos desnudos, suelos húmedos y vegetación.

http://marte2.sid.inpe.br/col/dpi.inpe.br/marte2/2013/05.29.01.08/doc/p1666.pdf
Todas las transformaciones a que puede estar sujeta una imagen de satélite
son casos particulares de álgebra de imágenes. Cuando nos interesa detectar
algún aspecto específico de la superficie terrestre, pueden utilizarse índices
que utilicen algunas de las bandas. Estos índices suponen a su vez una
transformación de las bandas.
Es un índice que permite identificar la
presencia de vegetación verde y
caracterizar su distribución espacial. Se
calcula como la diferencia normalizada
entre la banda del rojo (R) y del
infrarrojo cercano (NIR).

Donde: NIR= banda 5, R= banda 4

Para Landsat 8.

Problema: satura con grandes cantidades de biomasa verde, por lo que puede obtener las mismas lecturas del
NDVI para una densidad de vegetación baja y muy alta. Hay que considerar utilizar el índice EVI (Índice de
Vegetación Mejorado), que es una versión modificada, especialmente preciso en áreas con un dosel denso. Otra
alternativa es el NDRE (Normalized Difference Red Edge), un índice bueno para los cultivos con gran espesura u
otros cultivos densos.
 https://www.youtube.com/watch?v=DTiuJWLqJNU

https://www.youtube.com/watch?v=cEZcrxgQdic
https://www.youtube.com/watch?v=tvyNNoTmWbo
Este índice incorpora un valor ¨L¨ para realizar un ajuste en
relación al canopeo, un valor ¨C¨ cómo coeficiente de
resistencia de la atmósfera, y un valor correspondiente a la
banda azul (B).
Se realiza una corrección del índice normal reduciendo los
ruidos producto de la interferencia de la atmósfera, el canopeo
y la saturación.

Donde: NIR= banda 5, R= banda 4, B= banda 2, L= 1, C1=6, C2=7.5

El rango de valores para el EVI es de -1 a 1, y para la vegetación

sana varía entre 0,2 y 0,8.
Se recomienda su uso para analizar áreas con grandes
cantidades de clorofila (como bosques tropicales) y,
preferiblemente, con efectos topográficos mínimos (regiones
no montañosas). https://www.youtube.com/watch?v=foUPBwRPTSk
Entre los factores que modifican el comportamiento del NDVI
está la proporción de vegetación/suelo observada por el sensor.
Para incluir el factor suelo (clave cuando se trabaja en zonas
áridas) Huete et al. 1988 proponen incluir en la fórmula del
NDVI un parámetro “L”, que ajuste el índice a una reflectividad
promedio del fondo (Huete, 1988; Huete et al., 1992).
Este índice se calcula como la diferencia normalizada entre la
banda roja (R) y la banda del infrarrojo cercano (NIR) ajustado
con un factor “L”, que es la componente de brillo del suelo que
se define con un valor de 0.5, ya que se ajusta mejor a todo tipo
de cobertura.

Donde: NIR= banda 5, R= banda 4, L= 0.5

Se recomienda su uso para el análisis de cultivos jóvenes, para

regiones áridas con vegetación escasa (menos del 15% del
área total) y superficies expuestas del suelo. https://www.youtube.com/watch?v=OPHZFWWaRKA
Este índice se calcula como la diferencia normalizada entre la
banda roja (R) y la banda del infrarrojo cercano (NIR) donde se
aplica una función que determina el valor “L” para reducir el
efecto del suelo en la señal de la vegetación.

Donde: NIR= banda 5, R= banda 4, siendo sqrt, raíz cuadrada

Es el primer índice de vegetación que es relativamente
sensible a los factores atmosféricos (como partículas).
Desarrollado por Kaufman y Tanré es básicamente el NDVI
corrigiendo los efectos de la dispersión atmosférica en el
espectro del rojo utilizando las mediciones en longitudes de
onda azules. Es resistente a los efectos topográficos,
convirtiéndolo en una herramienta de vigilancia muy eficaz
para las regiones montañosas tropicales.

Donde: NIR= banda 5, Red= banda 4, Blue=banda 2

Se recomienda su uso en regiones con alto contenido de

partículas atmosféricas (por ejemplo, lluvia, niebla, polvo,
humo o contaminación atmosférica).
Se usa para estimar el contenido de clorofila de las hojas en
varias especies de plantas. El contenido de clorofila refleja el
estado fisiológico de la vegetación; disminuye en plantas
estresadas y, por lo tanto, puede usarse como un evaluador de
la vigorosidad de las plantas.

Se recomienda para monitorear el impacto de la

estacionalidad, el estrés ambiental o, también, la aplicación
de los pesticidas en su efecto sobre la salud de las plantas.
Se usa para el análisis de la vegetación con la estructura variable del dosel. Estima la relación de carotenoides a
clorofila: las señales de mayor valor de la vegetación estresada.

Se recomienda para monitorear la salud de las plantas en regiones con alta variabilidad en la estructura del
dosel o el índice de área foliar, para la detección temprana de enfermedades de las plantas u otras causas de
estrés.
Este índice se calcula como la diferencia normalizada
entre el Infrarrojo cercano (NIR) y el infrarrojo medio
(SWIR1, banda 6). Se utiliza para determinar el
contenido de agua de la vegetación (humedad de la
planta).

Donde: NIR= banda 5, SWIR= banda 6

https://www.youtube.com/watch?v=UeeroLg1qZI
Es un indicador numérico que combina bandas espectrales azules,
rojas, infrarrojas cercanas e infrarrojas de onda corta para capturar
las variaciones del suelo. Las bandas de infrarrojos de onda corta y
las bandas espectrales rojas se utilizan para cuantificar la
composición mineral del suelo, mientras que las bandas azules y las
bandas espectrales de infrarrojos cercanos se utilizan para mejorar la
presencia de vegetación.

BSI = ((Red+SWIR) – (NIR+Blue)) / ((Red+SWIR) + (NIR+Blue))

Donde: SWIR= banda 6
Se utiliza para el análisis de estrés en el dosel, la
predicción de la productividad y el modelado
biofísico. La interpretación del MSI se invierte en
relación con otros índices de vegetación acuática; por
lo tanto, los valores más altos del índice indican un
mayor estrés hídrico de las plantas y, en inferencia, un
menor contenido de humedad del suelo. Los valores
de este índice van de 0 a más de 3, siendo el rango
común para la vegetación verde de 0.2 a 2

MSI = SWIR/NIR

Donde: NIR= banda 5, SWIR= banda 6

Se utiliza para resaltar las áreas quemadas después de un incendio. La ecuación del índice de vegetación NBR
incluye mediciones en ambas longitudes de onda NIR y SWIR: la vegetación sana muestra una alta reflectancia en
el espectro NIR, mientras que las áreas recientemente quemadas se reflejan altamente en el espectro SWIR. El
índice NBR se ha vuelto especialmente útil en los últimos años, ya que las condiciones climáticas extremas (como
la sequía de El Niño) causan un aumento significativo de los incendios forestales que destruyen la biomasa
forestal.

Donde: NIR= banda 5, SWIR= banda 7

Se recomienda su uso para la detección de incendios activos, el análisis de la gravedad del fuego y el estudio
de la supervivencia de la vegetación después de la quema.
Este índice se calcula como la diferencia normalizada entre los valores de dos bandas del infrarrojo medio (SWIR1
y SWIR2).

Donde: SWIR1= banda 6, SWIR2= banda 7

Este índice sirve para destacar y delinear masas de agua. También
permite obtener lecturas sobre la cantidad de humedad que posee el
suelo, así como el contenido de agua de la vegetación.

Con SWIR, la reflectancia muestra los cambios en el contenido de agua de

la planta y el mesófilo de sus hojas; por su lado, con NIR la reflectancia
enseña la estructura interna de la planta y la cantidad de materia seca de
ésta, pero no su contenido de agua. Al combinar ambos, se mejora la
precisión en la medición del contenido de agua de la planta.

Se recomienda su uso en la detección de tierras agrícolas inundadas;

distribución de las inundaciones en el campo; detección de tierras
agrícolas de regadío; distribución de humedales.

Los valores más altos del NDWI indican suficiente humedad, mientras
que un valor bajo indica estrés hídrico.
Este índice es un indicador numérico que muestra la cobertura de nieve en áreas terrestres. Las bandas
espectrales de infrarrojos verdes y de onda corta (SWIR) se utilizan dentro de esta fórmula para trazar el mapa de la
cubierta de nieve. Dado que la nieve absorbe la mayor parte de la radiación incidente en el SWIR mientras que las
nubes no lo hacen, esto permite a NDSI distinguir la nieve de las nubes. Esta fórmula se utiliza comúnmente en la
aplicación de mapas de cobertura de nieve y hielo, así como en el monitoreo de glaciares.

NDSI = (Green-SWIR) / (Green+SWIR)

Este índice se utiliza para ayudar a detectar y monitorear glaciares utilizando las bandas espectrales verde y roja.
Se recomienda en la detección de glaciares y en aplicaciones de monitoreo de glaciares.
NDGI = (NIR-Green)/(NIR+Green)
https://pro.arcgis.com/es/pro-app/2.8/help/data/imagery/indices-gallery.htm

https://www.indexdatabase.de/db/i.php
https://www.satveg.cnptia.embrapa.br/satveg/login.html
Siga las indicaciones dadas en clase y en la
plataforma Blackboard.