Documentos de Académico
Documentos de Profesional
Documentos de Cultura
HIDROGRÁFICAS ANEXADAS A
LAS REDES VIALES
DOCUMENTACIÓN TÉCNICA Y
METODOLÓGICA DE ANÁLISIS SATELITAL
RIOS MANTARO Y YAULI – RUTAS NACIONALES PE-22 Y PE-3N/3S.
ZONA DE LA OROYA
DICIEMBRE 2016
“Decenio de las Personas con Discapacidad en el Perú”
“Año de la Consolidación del Mar de Grau”
TABLA DE CONTENIDO
INTRODUCCIÓN _______________________________________________________ 7
1. JUSTIFICACIÓN ____________________________________________________ 9
2. MARCO TEÓRICO _________________________________________________ 11
2.1. Teledetección y sus elementos _________________________________________ 11
2.1.1. Ventajas de la teledetección ______________________________________________ 11
2.1.2. Elementos de la teledetección _____________________________________________ 12
2.1.3. Espectro Electromagnético ________________________________________________ 13
2.1.4. Tipos de sensores: pasivos y activos ________________________________________ 15
2.1.5. Tipos de imágenes satelitales ______________________________________________ 15
2.1.6. Reflectancia e interacción de la energía con los materiales presentes en la superficie
terrestre 16
2.1.7. Combinaciones y aplicaciones de las Bandas Espectrales ________________________ 17
INDICE DE CUADROS
Cuadro 1: Descripción de las regiones del Espectro Electromagnético ...................................... 14
Cuadro 2: Combinaciones y usos de las bandas del sensor LANDSAT TM y ETM ....................... 18
Cuadro 3: Aplicaciones de las Bandas del Satélite LANDSAT TM y ETM ..................................... 18
Cuadro 4: Clasificación de resoluciones espaciales..................................................................... 20
Cuadro 5: Resolución espacial de diversos satélites ................................................................... 20
Cuadro 6: Resolución espectral de diversos satélites ................................................................. 23
Cuadro 7: Profundidad de bit ...................................................................................................... 24
Cuadro 8: Resolución temporal de diversos satélites ................................................................. 25
Cuadro 9: Especificaciones Técnicas de GeoEye ......................................................................... 26
Cuadro 10: Puentes identificados en el área de estudio............................................................. 79
Cuadro 11: Longitudes de río para el área de estudio ................................................................ 79
3
Página
INDICE DE FIGURAS
Figura 1: Muestra de justificación ............................................................................................... 10
Figura 2: Imagen satelital Peru SAT-1 ......................................................................................... 10
Figura 3: Proceso de percepción remota .................................................................................... 12
Figura 4: Espectro Electromagnético........................................................................................... 13
Figura 5: Comportamiento espectral de materiales de construcción ......................................... 17
Figura 6: Comparación de resoluciones espaciales ..................................................................... 22
Figura 7: Derecha: Imagen multiespectral. Izquierda: Imagen pancromática ............................ 23
Figura 8: Visualización de cuatro niveles radiométricos ............................................................. 24
Figura 9: Satélite GeoEye – 1 e imagen satelital de alta resolución GeoEye............................... 26
Figura 10: Infografía del Perú SAT-1. Fuente: El Comercio, 2016. .............................................. 27
Figura 11: Centro Nacional de Operaciones de Imágenes Satelitales. Fuente: El Comercio, 2016.
..................................................................................................................................................... 28
Figura 12: Imagen GeoEye-1 mostrando el área de interés. ....................................................... 33
Figura 13: Imagen mostrando una ventana DEMO ..................................................................... 33
Figura 14: Configuración de nuevo proyecto .............................................................................. 35
Figura 15: Configuración de sistema de coordenadas y DATUM ................................................ 36
Figura 16: Pansharpening ............................................................................................................ 36
Figura 17: Data Imput para OrthoEngine .................................................................................... 37
Figura 18: Inclusión de puntos de control en OrthoEngine ........................................................ 37
Figura 19: Cálculo de modelo en OrthoEngine............................................................................ 37
Figura 20: Creación de ROIs ........................................................................................................ 39
Figura 21: Toma de muestras mediante ROIs ............................................................................. 39
Figura 22: Tipos para toma de muestras de ROIs ....................................................................... 40
Figura 23: Selección de datos de entrada ................................................................................... 41
Figura 24: Selección de ROIs para clasificación supervisada ....................................................... 42
Figura 25: Clasificación final de la red hidrográfica mendiante Mahalanobis Distance
Classification................................................................................................................................ 42
Figura 26: Imagen satelital GeoEye01 ......................................................................................... 43
Figura 27: Muestra representativa de red hidrográfica clasificada ............................................ 43
Figura 28: Clasificación mediante Minimum Distance Classification .......................................... 44
Figura 29: Clasificación mediante Parallelepiped Classification ................................................. 45
Figura 30: Clasificación mediante Spectral Information Divergence .......................................... 45
Figura 31: Clasificación mediante Spectral Information Divergence .......................................... 46
Figura 32:Minimum Distance Classification – Umbral: 1.2 ......................................................... 46
Figura 33:Parallelepiped Classification - Umbral: 1.2 ................................................................ 47
Figura 34:Parallelepiped Classification - Umbral: 1.55 ............................................................... 47
Figura 35:Spectral Information Divergence Classification - Umbral: 0.050 ................................ 48
Figura 36:Spectral Information Divergence Classification - Umbral: 0.075 ............................... 48
Figura 37: Creación de Shape file para vectorización de ríos y vías. .......................................... 49
4
Figura 75:Minimum Distance Classification – Umbral: 1.2 - Clasificación de vías de acceso ..... 73
6
Página
INTRODUCCIÓN
entorno a analizar.
Página
A pesar que se han desarrollado y aplicado diversos métodos y algoritmos para extraer la
información vial de las imágenes satelitales, aún existen algunos problemas que no han sido
Jirón Zorritos 1203
www.mtc.gob.pe Lima, Lima 01 Perú
(511) 615-7800
“Decenio de las Personas con Discapacidad en el Perú”
“Año de la Consolidación del Mar de Grau”
completamente resueltos, debido a que suele ser muy complicado en áreas urbanas altamente
densas, separar espectralmente el asfalto y/o pavimentos de otras superficies presentes en los
entornos urbanos y que poseen similares propiedades espectrales. Unido a esto la presencia
de elementos externos en las vías o muy cerca de ellas tales como oclusión de las superficies
por árboles, sombras y presencia de vehículos también causa confusión al momento de
discriminar las redes viales.
La versión piloto descrita en este trabajo, corresponde a una zona demo del área
comprendida en La Oroya, Junín abarcando una parte de las Rutas Viales Nacionales PE-22, PE-
3N y PE-3S, además de la zona urbana de La Oroya. El entorno de las redes viales y redes
hidrográficas dentro del área de estudio presenta pequeñas áreas urbanas medianamente
densas, relieve accidentado, sombras y presencia de carga vehicular en algunos tramos de la
carretera, así como cobertura vegetal rala. Además, también incluye información relevante de
los puentes presentes en el área de estudio con sus medidas de longitudes y anchos, con el fin
de que puedan servir como una aproximación para conocer las áreas de trabajo en estudios
básicos o de exploración.
8
Página
1. JUSTIFICACIÓN
Es importante como país, contar con una data espacial actualizada, precisa y sobre todo
unificada, la cual represente la distribución espacial de diversos elementos básicos
cartografiables para cualquier tipo de estudio, tales como las redes hidrográficas y las redes
viales. Si bien es cierto, existen satélites de mediana resolución como Landsat (30m) o Aster
(15m) los cuales obtienen buenos resultados para la discriminación de coberturas, hay que
considerar que muchos de sus usos se aplican a áreas extensas de bosques, paisajes o cuencas.
Por lo cual los resultados obtenidos para la discriminación de redes viales o redes hidrográficas
a escalas más locales no son considerados precisos, debido al nivel de resolución con el que
estos satélites trabajan.
El uso de imágenes satelitales de alta resolución se hace necesario, debido al potencial que
poseen de generar y actualizar la cartografía con un gran nivel de detalle y sobre todo con una
alta precisión. Contar con este tipo de cartografía, evita trabajar con datos espaciales que
poseen altos porcentajes de error, tal como se observa en las Figura 1.
Además, hay que considerar que en muchas ocasiones la cartografía hidrográfica y vial es
graficada sólo por líneas, las cuales no representan la realidad. Por lo que también se hace
necesario definir polígonos que representen estas características.
Imágenes satelitales como GeoEye, proveen información clave para llevar a cabo estudios
de este nivel. Estas imágenes poseen precios elevados por km2 haciéndose necesaria su
adquisición debido a sus características espaciales.
Para el presente estudio se compró una imagen satelital GeoEye debido a que al inicio del
proyecto aún no se contaba con el registro en el Centro Nacional de Operaciones de Imágenes
Satelitales - CNOIS, registro que a la fecha ya se encuentra realizado y en el cual se ha
programado la toma de imágenes satelitales a lo largo de toda la Carretera Central hasta el
tramo de La Oroya. Es aquí que se hace necesario indicar la gran ventaja que nos otorga el
lanzamiento del satélite peruano Peru Sat 1, el cual es capaz de proveer imágenes con
información espectral en 5 bandas a una resolución de 0.70 m de manera gratuita (Figura 2).
9
Página
10
Página
2. MARCO TEÓRICO
cantidad de personal, acceso a zonas difíciles que elevan los costos, máquinas, etc.
Página
Cuando la energía incide sobre una superficie de materia sólida, es reflejada, absorbida o
transmitida. El grado de reflexión, absorción o transmisión depende de las propiedades del
material y de la longitud de onda de la energía. Las diversas respuestas que los diferentes
materiales de la tierra poseen hacen que se registren las imágenes en percepción remota con
el fin de discriminar diversas coberturas deduciendo así la identidad de los materiales
presentes en la superficie terrestre (Menéndez & Nuñez, 2009).
Cuadro 1). La luz visible es sólo una de las muchas formas de radiación
electromagnética que existen, ésta ocupa una pequeña porción en el espectro
electromagnético. Es importante indicar en este punto, que ésta es la única porción del
espectro que podemos asociarla con el concepto de color, estando presentes los colores
primarios: rojo, verde y azul, los cuales son perceptibles ante la vista humana (Janssen &
Huurneman, 2000). Los sensores que se encuentran a bordo de los satélites de teledetección
son capaces de detectar y grabar radiaciones de las regiones no visibles del espectro
electromagnético, desde el ultravioleta hasta las microondas (Labrador García et al., 2012).
Los sensores se clasifican en dos tipos debido a la capacidad que poseen de generar o
recepcionar la energía. Para este caso tenemos los sensores pasivos y los sensores activos. Las
técnicas pasivas están basadas en utilizar los recursos naturales de energía tales como el sol,
estos tipos de sensores dependen de la luz solar o en todo caso de la luz artificial, pero sólo
pueden trabajar de día. A estos tipos de sensores se les conocer como ópticos y están
representados por satélites como Landsat, Spot, Aster, Ikonos, Quickbird GeoEye, WorldView,
entre otros.
Por otro lado, las técnicas activas están referidas a la capacidad que posee el sensor de
generar su propia fuente de energía. La principal ventaja de este tipo de sensores es que
pueden trabajar de día y de noche y sin ser afectados por las condiciones atmosféricas. Estos
tipos de sensores son conocidos como sensores de radar y lidar. Sensores como Alos Palsar,
Sentinel, Radarsat representan los sensores activos.
Las imágenes espaciales de alta resolución cuentan con un gran potencial para generar
y actualizar cartografía debido al gran nivel de detalle que poseen. Imágenes como Ikonos y
Quickbird con una resolución espacial que va entre 1.00 y 0.60 m respectivamente son
interesantes para el desarrollo de metodologías que otorguen una elevada precisión para
cartografiar elementos diversos. Pero con el advenimiento en los últimos años de las nuevas
tecnologías satelitales de alta resolución, imágenes como World View 2 y 3, GeoEye-1 y 2,
Pleiades o SPOT 6 y 7 han ido ganando terreno, debido a su alta precisión y resolución espacial,
haciendo factible la discriminación de diversas coberturas muy útiles para aplicaciones
variadas. Hay que tener en cuenta que la precisión final va depender del terreno y de un
adecuado proceso de ortorectificación y georreferenciación.
Para el caso de las imágenes satelitales, la recomendación para cada tipo de imagen
espacial está condicionada por dos factores: (a) Identificar el máximo de información posible,
presente en la imagen, condicionada por su resolución espacial. (b) Presentar una precisión
planimétrica o un error de precisión que se mantenga dentro de determinados valores. Para
este último caso, es importante indicar que este nivel de precisión o error, no dependerá de la
imagen como tal, sino del nivel de precisión geométrico utilizado.
Los satélites comerciales de alta y muy alta resolución son capaces de entregar
información con una precisión geométrica y radiométrica muy elevada. Satélites como GeoEye-
1, entregan información a 0.44 m de resolución, lo cual unos años atrás era casi imposible. Para
lograr una adecuada extracción de los elementos de una imagen, se hace necesario identificar
15
cuáles podrían ser las fuentes de error geométrico, que hacen que un objeto no sea
Página
representado en su verdadera forma o posición. Es por ello que es obligatorio realizar un pre
procesamiento de la imagen satelital el cual está basado en la corrección geométrica y
Existen diversas combinaciones de bandas que hacen posible lograr análisis dirigidos a
estudios más específicos. Dependiendo del sensor y de los requerimientos del estudio,
se consideran importantes las combinaciones indicadas en el Cuadro 2 y aplicaciones
descritas en el
Cuadro 3. Estas combinaciones descritas en ambos cuadros están basadas en imágenes
satelitales LANDSAT. Hay que considerar que, para imágenes como SPOT, ASTER las
combinaciones podrán ser diferentes. Para el caso de imágenes con bandas como GeoEye se
trabaja en base al espectro visible (RGB) unido al infrarrojo cercano (IR)
17
Página
Combinación Usos
Color infrarrojo, tiene sensibilidad a la vegetación verde además de
432
representar los caminos y masas de agua.
Los caminos no son discriminados de la mejor manera, pero es útil para
543
identificar el stress de la vegetación.
743 Puede ser útil para discriminar áreas quemadas.
Conocida como color natural, contiene poca información. Refleja el área tal y
321
como la observa el ojo humano.
Es una de las mejores combinaciones para mostrar clases de texturas de tierras
754
como arcillas, tierra de moldeo y arenas.
Es una de las mejores para análisis referente a silvicultura. Discrimina tipos de
742
rocas
Mapeo hidrotermal.
Página
una fuente de energía no llegan a ella por la interposición de un cuerpo opaco que
forma parte del terreno o una construcción.
Página
Hay que considerar cuatro conceptos clave dentro del trabajo con imágenes satelitales,
estos son: (a) Resolución espacial, (b) Resolución espectral (c) Resolución radiométrica y (d)
Resolución temporal. Dependiendo del objetivo de trabajo se consideran diversos parámetros
para cada uno de los conceptos clave. A continuación, se describen cada una de las
resoluciones mencionadas:
PAN = Pancromática
MS = Mutiespectral
IM = Infrarrojo medio
21
Página
1
Un bit es definido como la profundidad de los pixeles que conforman una imagen satelital. Determina
el rango de valores que un archivo raster puede almacenar. Por ejemplo, un raster de 8 bits puede tener
Página
256 valores únicos que oscilan entre 0 y 255, este valor está basado en la fórmula 2n donde n es la
profundidad de bits.
(Cuadro 9), es decir que localiza elementos con un margen de error menor de 5.00 m para
Página
El sensor GeoEye, es uno de los satélites que posee una de las tecnologías más
sofisticadas dentro de los sistemas comerciales de teledetección. Adquiriendo hasta 700,000
km2 de imágenes por día en modo pancromático y hasta 350,000 km2 en modo multiespectral,
siendo ideal para proyectos de gran envergadura.
En un satélite de órbita polar, realizando 15 órbitas por día, volando a una altitud de
681 km con una velocidad de órbita alrededor de 7,5 km/seg o de 27,000 km/hora. Su órbita
sincrónica con el sol, le permite pasar sobre una determinada zona alrededor de las 10.30 de la
mañana.
lanzado al espacio el 2013, ambas iniciativas académicas (El Comercio 2016). En los últimos
años el Perú ha dado los primeros pasos dentro del tema aeroespacial con la adquisición del
Página
Perú SAT, un satélite sub-métrico, lanzado al espacio el 15 de Setiembre del año 2016.
Figura 11: Centro Nacional de Operaciones de Imágenes Satelitales. Fuente: El Comercio, 2016.
Es así que, considerando los últimos avances del país en la obtención de insumos para análisis
territoriales, el lanzamiento del satélite peruano Perú SAT-1, se convierte en una oportunidad
para obtener insumos de buena calidad enfocados a nuestro territorio. Con lo cual contar a
mediano plazo con las imágenes obtenidas de este satélite, servirá para definir entre otros,
características naturales y antrópicas de la superficie terrestre tales como cuerpos de agua y
red vial, entre otros.
Con el fin de contar con estos insumos, se iniciaron las coordinaciones con el personal
encargado de la Agencia Espacial del Perú – CONIDA, referidas a los convenios de cooperación
interinstitucional entre organizaciones del Estado, para obtener acceso a las imágenes del
satélite peruano. CNOIS y CONIDA ya están implementando los módulos de entrega de los
productos del Peru Sat 1, existiendo un reglamento en donde se indican los tipos de pedido
requeridos por parte de las instituciones que utilizarán las imágenes del Perú Sat 1.
Una de las ventajas que se presenta con el satélite peruano, es que las imágenes pueden ser
entregadas con un nivel de procesamiento que otorga mayor precisión a los productos finales
de cada institución y de forma gratuita. Las imágenes se entregan fusionadas y
ortorectificadas, presentando dos procesos de ortorectificación: Ortho Ready y Ortho DEM.
Además, la programación del paso del satélite por las zonas que la institución requiera, se
convierte en un beneficio para estudios a mediano y largo plazo.
Para el presente trabajo, debido a que los procedimientos están basados en protocolos y
requieren tiempos definidos se realizó la adquisición de una imagen GeoEye -1 al ser necesaria
la obtención de insumos en el corto plazo.
28
Página
Las dificultades de obtener la red vial de una imagen satelital, se basan en que las
características viales pueden ser afectadas por el tipo de sensor, resolución espacial y
resolución espectral, clima, variación de la luz, características del suelo. Hay que tener en
cuenta diversas características como las que se mencionan a continuación:
Los departamentos de caminos necesitan detectar la condición del pavimento para diferentes
estudios no sólo de actualización, sino también de cartografiado y/o inventariado. Uno de los
desafíos que se presenta al trabajar con la clasificación de redes viales a través de imágenes
satelitales es el tema de la resolución espacial. Resoluciones espaciales muy gruesas traen
consigo conflictos de pixeles mixtos, sobre todo en áreas heterogéneas con presencia de
29
núcleos urbanos.
Página
Uno de los elementos más rápidos de obtener mediante imágenes de satélite, son los cuerpos
de agua (redes hidrográficas, lagos, lagunas) siempre y cuando éstas posean la anchura
suficiente como para poder ser discriminadas y la resolución espacial del satélite sea la más
adecuada.
Visualmente el reconocimiento de la red hidrográfica es muy sencillo en cualquier región.
Generalmente los cuerpos de agua se diferencian de otras coberturas por poseer tonos negros,
debido a que la energía emitida por el satélite es absorbida hacia el fondo de la superficie
produciendo esta tonalidad. Pero, cuando el agua contenida en los ríos o lagos posee
sedimentos en suspensión, se genera una dispersión de la energía cuando ésta choca con los
sedimentos, produciendo tonos azulados, verdosos, rosados, dependiendo del tipo de objeto
presente.
Esta clasificación está basada en toma de muestras de las características espectrales de los
objetos presentes en una imagen satelital por un técnico experto, por lo cual la precisión de
esta clasificación es dependiente del expertis y de la precisión del clasificador al momento de
realizar las muestras. Dentro de este tipo de clasificación existen diversos métodos, entre los
que se indican:
Parallelepiped.- La clasificación según paralelepípedos utiliza una regla de
decisión sencilla, para clasificar los datos multiespectrales. Los límites de decisión
forman un paralelepípedo de clasificación de n-dimensiones en el espacio de
datos de la imagen. Las dimensiones del paralelepípedo de clasificación se definen
30
y por debajo del umbral más alto para todas las n–bandas que están siendo
no lineal.
En ocasiones, cuando los elementos de una imagen son muy complicados de discriminar entre
sí, se lleva a cabo una clasificación manual, es decir, el técnico experto es quien dirige la
clasificación en base a su expertis y conocimiento de la zona o de la visibilidad de los
elementos que hay en ella.
Hay que considerar que para la discriminación de redes viales es común utilizar la clasificación
manual, debido a que puede lograr resultados en menor tiempo y con buena precisión,
tomando en cuenta el uso de imágenes satelitales de alta resolución.
32
Página
3. MATERIALES Y MÉTODOS
El área de interés se encuentra ubicada en la localidad de la Oroya (Junín – Perú) y cuenta con
un área de 25.00 km2. Está ubicada entre las siguientes coordenadas:
En la actualidad existe una variedad de softwares tanto libres como de pago, aplicados al tipo
de datos que analizan, como datos vectoriales o datos raster. En el presente estudio, los
siguientes softwares serán utilizados por las diversas ventajas que poseen:
Cabe destacar que, es viable trabajar con open source o software libre, considerando la
capacidad tanto técnica como económica para la adquisición del software arriba mencionados.
Software libre como Spring, gvSIG, Quantum GIS u otros pueden ser considerados tomando en
cuenta las garantías de soporte y aplicación que posean.
Para configurar nuestro nuevo proyecto vamos a File->New, se abrirá una ventana en donde se
Página
incluye la información del proyecto (Figura 14). Se indican los siguientes parámetros:
File Name: indicar la ruta en la cual se guardará el archivo.
En la ventana del OrthoEngine, en la pestaña Processing step, escoger Data Input y el icono con
el folder color amarillo a la derecha de la pestaña Processing Step (Figura 17).
Aparece una ventana donde nos da la opción de escoger nuestra imagen fusionada, con el
campo Uncorrected Image marcado y luego damos clic en Quick Open y nos mostrará en
pantalla la imagen fusionada.
Luego volveremos nuevamente a nuestra ventana de OrthoEngine y escogeremos en
Processing Step la pestaña GCP/TP Collection, en donde incluiremos nuestros puntos de
control en el icono subrayado de rojo (Figura 18).
Para este proceso utilizaremos la función Georeferencing, el cual nos permitirá localizar
nuestra imagen dentro de un sistema de referencia. Vamos a utilizar una transformación
Polinomial de Primer Orden. Al crear nuestros puntos para georreferenciación tomaremos
como base las carretera 3N Georreferenciada. La obtención de un valor cuadrático medio -
RMS menor a 1 es lo ideal para obtener buenos resultados georreferenciados.
ENVI ofrece varias opciones para clasificar automáticamente las imágenes, utilizando técnicas
supervisadas y no supervisadas. Estas opciones están disponibles al seleccionar la opción
Classification desde el Toolbox, ubicado al lado derecho de la pantalla del ENVI 5.3.
Los algoritmos de clasificación difieren en los criterios utilizados para definir los límites de
decisión. Con todos los clasificadores, ENVI primero calcula un conjunto de estadísticas de
cada región o clase. Entonces, usando estas estadísticas y los umbrales definidos por el
usuario, ENVI recupera los valores espectrales para cada píxel de la imagen y determina su
ubicación en el espacio de clasificación. A menudo, esto implica calcular y evaluar una medida
de similitud para comparar cada pixel en cada una de las clases posibles. Los umbrales son
frecuentemente usados para determinar cuáles pixeles son diferentes de las clases
establecidas, para ser considerados como “sin clasificar”.
Los clasificadores supervisados requieren la entrada de información de clase antes de la
clasificación mediante áreas de entrenamiento. Estas áreas de entrenamiento llevadas a cabo
mediante la toma de muestras, es una práctica muy común en teledetección, para lo cual se
debe de asegurar que el número de muestras para cada una de las clases de entrenamiento
comprensa al menos 10 a 30 veces el número de bandas utilizadas en el análisis (Piper, 1992)
(Pal & Mather, 2004).
Se procedió a la toma de muestras tanto de las redes viales como cuerpos de agua. Para el
caso de las redes viales se tomaron 507 muestras, mientras que para la red hidrográfica se
tomaron 28 muestras. A continuación, se describe el proceso de toma de muestras tanto para
la red vial como para la red hidrográfica:
C. Luego procedemos a crear Regiones de Interés que en nuestro caso son las
muestras de las coberturas o elementos que queremos clasificar. Creamos dos
ROIs, el primero lo llamaremos asfalto o vías dependiendo del criterio del
técnico, el segundo lo llamaremos ríos o agua. La pantalla que obtendremos
será similar a la observada en laFigura 21.
39
D. Una vez activada la toma de muestras o ROI2, se activa el curso para dibujar
las muestras en base a polígonos, pixeles o líneas, dependiendo del
clasificador. Podemos escoger la manera de tomar las muestras en el cuadro
resaltado en rojo (Figura 22).
E. Una vez tomadas las muestras necesarias, pasamos a guardarlas para poder
usarlas luego. El procedimiento para guardar las muestras es sencillo. Nos
dirigimos a File->Save as -> seleccionamos el ROI que deseamos guardar->
Indicamos un nombre en Enter Output File -> damos clic en Ok. El mismo
procedimiento realizaremos al momento de crear las muestras para los ríos.
2
ROI, por sus siglas en inglés Región of Interest, en español: Región o Area de Interés.
C. Luego de dar clic en OK, nos abre una nueva ventana en la cual seleccionaremos
los ROI de los ríos y/o vías (Figura 24). Aquí se pueden seleccionar ambos si se
quiere utilizar este tipo de clasificación para ambas coberturas, pero en caso sólo
seleccionó el ROI de ríos. Para esta clasificación utilizamos el algoritmo
Mahalanobis Distance Classification sólo para discriminar los ríos, por lo cual
seleccionamos el ROI de ríos en el campo “Select Classes from Regions”. Luego nos
dirigimos al campo “Set Max Distance Error” en el cual se indica el valor del
umbral para la clasificación por parte del software. Se introdujo el valor de 2.7.
Hay que recordar que este último valor puede ser modificado dependiendo de los
requerimientos del técnico clasificador. Finalmente guardamos nuestros
resultados en Output Results en el directorio que escojamos y le damos clic en OK.
41
Página
43
Para el caso de la red vial se definió hacer pruebas con 3 tipos de clasificación supervisada:
Minimum Distance Classification, Parallelipedo, Spectral Information Divergence. Para llevar a
cabo esta clasificación se llevó a cabo el siguiente procedimiento:
45
Página
Para el caso de Spectral Information Divergence, nos aparece una ventana como la indicada en
la Figura 31. Daremos clic en Import->from ROI/EVF from input file. Le damos clic en Ok e
iniciará el procedimiento de clasificación.
46
47
Página
48
Página
Este procedimiento se hace necesario luego de una clasificación automática, para corregir y/o
adicionar algunas áreas las cuales no pudieron ser clasificadas en su totalidad, debido a contar
con áreas extremadamente pequeñas y que sólo podrían ser digitalizadas manualmente por un
técnico experto o por contar con una gran diversidad espectral haciendo difícil la
discriminación de ciertos elementos.
52
Página
Figura 43: Clasificación automática red hidrográfica – Discriminación de agua e islotes de arena
54
Página
56
57
Página
58
60
PE22/PE3N/PE3S
Otra área interesante de analizar, es la ubicada hacia la zona noreste de la imagen, en una de
las villas de La Oroya, cercana a la RUTA PE-3N y el río Mantaro (Figura 56), se observó
nuevamente el comportamiento de las diferentes clasificaciones aplicadas a la imagen. En este
caso obtuvimos que el algoritmo Spectral Information Divergence Classification (Figura 60,
Figura 61) no discriminó las redes viales correctamente, combinándose en gran medida con los
valores espectrales de los cerros adyancentes.
Por otro lado, el algoritmo Minimum Distance Classification (Figura 57) obtuvo una buena
clasificación, aunque presentó cierto grado de generalización, además de vías incompletas en
algunas partes, representando con poca exactitud los bordes de la Ruta-3N y las redes viales
urbanas.
Finalmente, el algoritmo Parallelepiped Classification, obtuvo la mejor clasificación para ambos
umbrales, con ligeras diferencias entre ellos. Mientras que el umbral con valor 1.2 (Figura 58)
definió los bordes bastante bien, el umbral de 1.55 (Figura 59) los definió con una mayor
exactitud y un mayor grosor, aunque el ruido presente fue mayor. Este último valor de umbral
diferenció el puente observado en la Figura 56. Además, también observamos que, en esta
última clasificación, los islotes de arena presentes en el río fueron clasificados de manera
bastante precisa al igual que las vías presentes dentro de la villa, que claramente se observan
en la Figura 56 son de una textura y un color diferentes que la Ruta-3N. Esto implica que la
61
clasificación está siendo influenciada por el valor espectral de los materiales u objetos
Página
presentes.
62
63
64
Para el caso de la Figura 62, se observa parte de la Ruta PE-22 con carga vehicular, la presencia
de puente, el río Yauli, además de una vía auxiliar que claramente es pavimentada. Para este
caso, el algoritmo que menos éxito obtuvo al momento de discriminar, fue Spectral
Information Divergence Classification (Figura 66 y Figura 67), nuevamente debido a la
presencia de resultados con bordes difusos y poco definidos de las áreas de interés.
El algoritmo Minimum Distance Classification( Figura 63), obtuvo una mejor clasificación que el
algoritmo anterior, pero con una amplia reducción de los límites de las carreteras, así como de
la vía auxiliar y con presencia de mucho ruido, además el puente no está bien definido.
Nuevamente, el algoritmo Parallelepiped Classification obtuvo una mejor definición tanto de la
Ruta PE-22, así como el puente y algunas vías auxiliares. Para este último caso el umbral con
valor de 1.2 obtuvo menor ruido, mientras que el 1.5 tuvo mayor capacidad de discriminación.
Aunque el algoritmo con el valor de 1.5 clasificó zonas con suelo desnudo como redes viales,
esto se debe probablemente a la presencia de algunos de los elementos del suelo desnudo en
los materiales que conforman el asfalto.
66
67
caminos
Otra de las zonas en las cuales se enfocó la clasificación, fue la zona de entrada hacia la zona
urbana de la Oroya y el puente que cruza el río Mantaro: Puente La Oroya. Las clasificaciones
llevadas a cabo por el algoritmo Spectral Information Divergence presentaron demasiado ruido
y poca definición en los bordes (Figura 72,Figura 73).
El algoritmo, Minimum Distance Classification (Figura 69), discriminó regularmente la zona del
puente, pero no lo hizo de la misma manera con la Ruta PE-3S. Nuevamente, el algoritmo
Parallelepiped Classification (Figura 70, Figura 71) fue la mejor opción. En este caso, definió de
una manera adecuada no sólo la zona del puente sino la Ruta PE-3S, pero con un mayor ruido.
Además, consideró la presencia de sombras causadas por el cerro adyacente a la Ruta PE-3S,
discriminándolas. De igual manera que en circunstancias anteriores, los cauces estacionales,
en donde existe una gran acumulación de arena, fueron clasificados dentro de lo que
correspondería a red vial, esto debido (muy probablemente) a que el asfalto claramente
presenta este tipo de material, poseyendo un valor espectral bastante similar en su
constitución.
68
Página
70
Finalmente, se encontró, contrariamente a los casos anteriores, que las vías de acceso fueron
mejor discriminadas bajo el algoritmo Spectral Information Divergence Classification (Figura
78, Figura 79) observándose una alta definición en los bordes de estos. En este caso la
discriminación realizada por los algoritmos Minimum Classification y Parallelepiped
Classification, fueron muy generalistas, excluyendo claramente este tipo de caminos. De
acuerdo a estos resultados podríamos considerar, en el caso que se decida trabajar con
clasificación automática o semiautomática, se debería utilizar diversos clasificadores para los
diferentes tipos de caminos presentes en un área, ya que se ha observado que cada algoritmo
clasificador claramente posee un comportamiento distinto bajo diversas áreas de interés.
Esto se evidencia, al haber obtenido que el mejor algoritmo clasificador para las rutas
asfaltadas como la PE-22, PE-3N y PE-3S claramente fue Parallelepiped Classification, pero para
vías de acceso (trochas) el algoritmo Spectral Information Divergence Classification fue el más
sensible al momento de definir los bordes de los caminos y/o senderos.
Por otro lado, también se observó que algunas vías construidas con materiales diferentes al
asfalto, tales como el pavimento, no fueron clasificadas por ningún algoritmo, por lo cual para
este caso se debería considerar aplicar otros algoritmos clasificadores y/o una clasificación
manual.
73
74
La discusión en torno a los resultados obtenidos mediante clasificación manual de las redes
viales, gira en que se puede lograr una vectorización en menor tiempo, pero dependiendo
mucho de la habilidad, precisión y/o conocimiento del técnico especialista. En este caso como
se observa en la Figura 80, Figura 81, Figura 82, Figura 83 y Figura 84, las clasificaciones fueron
realizadas manualmente mediante la herramienta polígono en ArcGis. Esto evitó el ruido
provocado por las clasificaciones automáticas, así mismo se ahorró tiempo en la “limpieza” de
la capa resultante.
Además, como se observa en la Figura 81, en la zona de La Oroya, la presencia de una densidad
alta/media urbana provocó que en la clasificación automática exista una confusión debido a la
variedad espectral presente. Esto no sucedió en la clasificación manual, ya que, con un
adecuado manejo del contraste y brillo de la imagen, se pudieron definir mejor ciertas zonas
en donde la carga urbana, así como la presencia de otros elementos en ciertas vías dificultaba
la clasificación.
Otro punto interesante que se logró obtener mediante este tipo de clasificación, fue la
75
delimitación de vías de acceso y senderos tales como los observados en la Figura 84, en donde,
debido a la alta resolución de la imagen GeoEye-1 (0.50 cm) pudieron ser vectorizados
Página
manualmente. Si bien es cierto esto último también fue posible aplicando el algoritmo
76
Página
4.5. Aplicación para la identificación de puentes, pasos subterráneos del río y cortes de
ríos adyacentes a las rutas principales
Como una de las aplicaciones importantes para las redes viales, se consideró adicionar
información acerca de los puentes y pasos subterráneos del río, existentes dentro del área de
estudio.
Se determinó medir la longitud de los puentes, así como el ancho de estos y los laterales derecho e izquierdo de los
ríos, con la finalidad de tener mayor información detallada para aplicaciones viales
Cuadro 10).
Además, se tomaron medidas en algunos puntos de la red hidrográfica en donde no se
presentan puentes, con la finalidad de determinar los anchos del cauce tanto del río Mantaro
como el río Yauli así como la distancia de estos a las rutas principales (PE-3N, PE-3S, PE-22)
(Cuadro 11).
Se debe considerar que todas las mediciones tuvieron como base la información obtenida de la
imagen satelital, y son aproximaciones que pueden otorgar un gran apoyo a estudios en
infraestructura vial y/o hidrológica.
78
Página
Para el algortimo Spectral Information Divergence (Figura 89) con un umbral de 0.050,
vemos que el agua ha sido clasificada bastante bien, se observan los puentes definidos, pero
nuestro objetivo de definir el caso urbano no ha sido exitoso. Solo se ha clasificado los techos
de tejas (muy similar a la clasificación de Mahalanobis) como zonas urbanas, pero las demás
áreas que presentan edificaciones han obtenido resultados clasificados dentro de asfalto y
agua.
ha visto en las Figuras 86 a la 90, los algoritmos aplicados para este caso, no han obtenido
buenos resultados en la delimitación de áreas urbanas, siendo altamente necesario investigar a
Página
fondo el uso de imágenes para discriminar áreas con un entorno urbano de densidades medias
a altas.
Figura 85: Clasificación zona urbana La Oroya – Mahalanobis Distance Classification – Umbral
2.5
81
Página
Figura 86: Clasificación zona urbana La Oroya – Mahalanobis Distance Classification – Umbral
3.5
Figura 87: Clasificación zona urbana La Oroya – Parallelepiped Classification – Umbral 1.7
82
Página
Figura 88: Clasificación zona urbana La Oroya – Minimum Distance Classification – Umbral 1.5
Figura 89: Clasificación zona urbana La Oroya – Spectral Information Divergence – Umbral 0.05
83
Página
5. CONCLUSIONES Y RECOMENDACIONES
Luego de haber identificado los pro y contras de las clasificaciones utilizadas en la presente
metodología, se definió utilizar para las redes viales la clasificación manual debido a que no
presenta ningún tipo de confusión influenciada por el ruido causado debido a la variabilidad de
elementos presentes en algunas zonas, variabilidad que afecta la discriminación y causa
efectos difusos en los elementos de interés (en nuestro caso las redes viales).
Hay que considerar que en áreas en donde la variabilidad espectral fue baja, debido a la
presencia de elementos como zonas llanas, en donde las carreteras se encuentran sólo
adyacentes a suelo desnudo y/o algunas pequeñas áreas de vegetación, los resultados fueron
buenos utilizando algoritmos de clasificación automática. No sucedió lo mismo en zonas con
alta densidad urbana o en presencia de elementos como agua, vegetación, suelo, pavimento,
asfalto, metal, concreto, en donde, discriminar una red vial de una manera definida y exacta es
sumamente complicado.
Para el caso de la red hidrográfica la situación fue diferente, pudiendo utilizar tanto la
clasificación automática con una limpieza del “ruido” (el cual es bastante reducido en
comparación a los resultados mostrados para la red vial), así como también la clasificación
manual la cual estará en función de la capacidad del técnico experto para delimitar las áreas
cubiertas por la red hidrográfica.
De acuerdo a nuestros resultados podríamos considerar, en el caso que se decida trabajar con
clasificación automática o semiautomática, se debería utilizar diversos clasificadores para los
diferentes tipos de caminos presentes en un área (asfalto, pavimento, afirmado) ya que se
observó que cada algoritmo clasificador claramente posee un comportamiento distinto bajo
los diversos tipos de caminos.
Otro punto importante del uso de las imágenes satelitales para el tema vial, es la capacidad
que otorgó para identificar algunos elementos como los puentes, determinando sus medidas
aproximadas (longitud, ancho), así como el entorno en el cual se encuentran (por ejemplo –
cauces de ríos, distancias a rutas principales). Estas aproximaciones, pueden ser utilizadas para
realizar estudios básicos con el fin de obtener una perspectiva general del área de trabajo
antes de realizar los trabajos de campo.
Finalmente, se recomienda definir, dependiendo de los requerimientos del proyecto, cuál de
las dos opciones es la más conveniente ya que ambas (automática y manual) pueden ser
consideradas buenas.
84
Página
adscritas al Estado tales como los Ministerios, debido a que se necesita un soporte técnico que
garantice la adecuada operatividad del programa y que el software gratuito no puede ofrecer.
El uso que se le da al software está referido al manejo de las imágenes satelitales provistas por
el sensor; en este caso se recomienda definir claramente nuestros objetivos de estudio y
escalas para tener en claro que imagen es la que vamos a utilizar. Existe un amplio mercado de
imágenes satelitales pero no todas nos serán útiles. Es importante conocer sus características,
pros y contras y sobre todo sus costos. La gratuidad de imágenes ópticas como Landsat o de
radar como Alos Palsar, ha abierto un abanico de posibilidades en el uso de las imágenes
satelitales, pero por contar con resoluciones medias, no son factibles de usar para todo tipo de
estudio. Además, la aparición y constante actualización de plataformas como Google Earth,
hace que las imágenes de toda la Tierra sean visibles y al alcance de todos los usuarios, pero
hay que destacar que Google Earth no es adecuado para estudios técnicos y que no puede ser
considerado de ninguna manera un insumo para trabajar en teledetección, debido a que no
posee ningún tipo de información espectral que sea utilizable para llevar a cabo clasificaciones,
análisis, y otras aplicaciones referidas al manejo y procesamiento de imágenes de satélite.
Es recomendable que el especialista conozca todos estos detalles y que esté altamente
capacitado para desenvolverse ante los principales módulos de teledetección, conocer los
conceptos clave y sobre todo tener un nivel de captación rápido. Procesar, analizar e
interpretar una imagen no es sólo ortorectificar; manejar módulos de SIG no sólo es
georreferenciar y armar un mapa, son procesos que van más allá de eso. El ensayo y error es
muy importante en teledetección ya que necesitamos definir, calibrar y probar metodologías
que se ajusten a los requerimientos de los proyectos y/o estudios.
Finalmente, un software no es una fórmula mágica en la cual el intérprete da un clic y la
computadora realiza todo el procedimiento, deben existir pautas y sobre todo experimentar
con diversas posibilidades y escoger la que mejor resultados otorgue en base a los criterios
definidos por el experto.
carreteras, impacto de las carreteras sobre el medio que los rodea, entre otros.
Que el país posea un satélite propio como el Peru Sat-1, es una gran ventaja para estudios de
Página
este tipo, en los cuales contar con alta resolución espacial es crucial. Peru Sat-1 ofrece
gratuitamente una resolución de 0.70 m con cuatro bandas multiespectrales (azul, rojo, verde,
infrarrojo cercano) y una pancromática. Además, el pedido de las imágenes bajo diferentes
modalidades de procesamiento de éstas (entrega de imágenes fusionadas y ortorectificadas)
ahorra tiempo a los usuarios finales (en este caso, Ministerio de Transportes y
Comunicaciones), lo cual es crucial ya que podemos ahondar más en la investigación y
aplicación de diversas técnicas para mejorar los algoritmos de clasificación de elementos tales
como vías pavimentadas, asfalto, puentes, ferrocarriles, pasos subterráneos, etc.
Finalmente, se debe considerar que la presente metodología es flexible tanto en su diseño
como en la capacidad de incorporar información nueva a medida que se avancen en los
estudios de imágenes satelitales aplicadas a las redes viales. El presente estudio llevado a cabo
dentro de la Dirección de Caminos y Ferrocarriles del Ministerio de Transportes y
Comunicaciones es pionero en el tema, por lo cual se recomienda su mejora y su actualización
constante, dados los rápidos avances tanto aplicativos como tecnológicos en el campo de los
sensores remotos.
87
Página
6. GLOSARIO
partir del cual se medirá hasta llegar a un máximo en los 180 grados hacia el este o
Página
hacia el oeste
7. BIBLIOGRAFÍA CONSULTADA
Corbelle Rico, E., Gil Docampo, M. L., Armesto González, J., & Rego Sanmartín, T. (2006). La
escala cartográfica de la imagen de satélite.Caso particular de las imágenes Ikonos y
QuickBird. Revista de Teledetección, 18-24.
Chuvieco, E. (1996). Fundamentos de Teledetección. 3ª edición revisada. Ediciones RIALP,
Madrid. España.
Chuvieco, E. (2008). Teledetección Ambiental (Tercera edición ed.). Barcelona, España: Editorial
Ariel.
Díaz, M. d. M. S. (2011). Generación de datos georreferenciados de muy alta resolución a partir
de imágenes de GeoEye-1: Universidad Almería.
Janssen, L. L., & Huurneman, G. (2000). Principles of remote sensing: ITC, International Institute
for Aerospace Survey and Earth Sciences.
Labrador García, M., Évora Brondo, J., & Arbelo Pérez, M. (2012). Satélites de Teledetección
para la gestión del territorio (G. Consejería de Agricultura, Pesca y Aguas del Gobierno
de Canarias. Ed.). Canarias, España.
Menéndez, M., & Nuñez, V. (2009). El uso de los sensores remotos en los Recursos Naturales.
Primera parte: La fotografía aérea y la fotointerpretación. Salta, Argentina:
Universidad Nacional de Salta.
Pérez, C., & Muñoz, A. (2007). Teledetección Nociones y Aplicaciones. España: Universidad de
Salamanca.
Piper, J., 1992. Variability and bias in experimentally measured classoifier error rates. Pattern
Recognition Letters, 13(10), pp. 685-692.
Ronggui, M., Weixing, W., & Sheng, L. (2012). Extracting roads based on Retinex and improved
Canny operator with shape criteria in vague and unevenly illuminated aerial images.
Journal of Applied Remote Sensing, 6(1), 063610-063610.
Sabins, & Lulla. (1987). Remote sensing: Principles and interpretation.
Wang, W., Yang, N., Zhang, Y., Wang, F., Cao, T., & Eklund, P. (2016). A review of road
extraction from remote sensing images. Journal of Traffic and Transportation
Engineering (English Edition), 3(3), 271-282.
Zhang, C., Murai, S., & Baltsavias, E. (1999). Road network detection by mathematical
morphology (Vol. 8093): Citeseer.
90
Página
8. ANEXOS
91
Página
0°
0°
Colombia
JU JU
¬
«
512
¬
«JU
512
4251
¬
«
656
Emp. JU-656 (La Cumbre) Ecuador
µ
o
Pta. Carretera.
ap
N
io
JU
¬
«
R
Emp. JU-511 PUENTE
511 ANTAHUARO
5° S
5° S
Paccha 9
Sajarumi
Brasil
Emp. PE-3N
PACCHA
JUNIN
Estancias.
10° S
10° S
8
15° S
15° S
Bolivia
N.D.
7
Vado OCÉANO PACÍFICO
8730000
8730000
PACCHA Chile
Chagracancha 80° W 75° W 70° W
6 TARMA
76° W 76° W
JUN IN
TARMA
11° S
JUNIN
11° S
t
.
/ PE
3NG
TARMA
JU
5 ¬
«
659 t
.
/ PE LA
t 3N UNION
t
.
/
PE
3N Shincamachay
PACCHA .
/ t
/
.
PE
22B
TARMA
PE
3SA
12° S
12° S
JUNIN
Long. : -75.932541 4 Shinca / La Oroya
Carne Shayana
MOROCOCHA SANTA
Moyopampa / Mayupampa
Lat. : -11.51006 4231
ROSA D E
SACCO
t
/
.
PE
22
LA
OROYA
YAULI t
PE
.
/
3S
3 YAULI HUAY-HUAY
CHACAPALPA
PUENTE
12° S
12° S
JORGE
BASADRE
Area: HUAROCHIRI
Chulec JAUJA
20.795 Km2 LIMA SUITUCANCHA
La Oroya
N. D.
76° W 76° W
2
Milpo 1
Cushipata
t t
LA OROYA
ESTACION LA OROYA
PUENTE
LA OROYA
174.622
LA OROYA
PUENTE
S/N
1
Patacancha
PONTON
S/N
. t
PE
/ .
3N .
/ / PE
3S
PE
22
Caccha
Forbe Oroya
174
JUNIN 2
PONTON
S/N
Las Mercedes
Huaymanta
La Florida
LEYENDA
Surao
PONTON
YAULI S/N
Zona de Estudio
8725000
8725000
RVN Trayectoria
Marcavalle
Pav. Rigido, Doble Via
Huampani
Santa Anita Pav. Rigido, Una Via
Los Alamos Pav. Basico, Una Via
SANTA Alto Marcavalle PUENTE
MARCAVALLE
Y
X
Y
X
Afirmado, Autopista
4
ROSA DE 5
Tinyahuarca
Y
X
Y
X
PONTON
Afirmado, Doble Via
X
X
X X Afirmado, Una Via
San Carlos
Sin Afirmar, Una Via
Tupac Amaru
Emboquillado, Una Via
Trocha, Autopista
Trocha, Una Via
Chiaj Cancha
Base, Autopista
Chucchis Violeta Correa de Belaunde
170 Base, Una Via
Zona Arqueológica Palmarmarca
Vista Alegre 170 Sub Base, Autopista
N.D. Zona Arqueológica Chacasmarca
6
Jose Carlos Mariategui
Red Vial Nacional (Proy.)
Cancana
Manuel Scorza
t
.
/
PE
3S
7
ú
ú
ú
IV
Puente
Ponton
Verde Loma
N.D
Cochabamba "
J Peajes (RVN)
. Ferrocarriles
Jilocuro
Tipo, Ferrocarril
PONTON
Publico, F. Central
Chaupinan 8
168 PUENTE
SACO
$ Estaciones Ferroviarias
ú Puentes Ferroviarios
Atauna
o Aeropuertos
Shincacancha
Reservas Territoriales
PONTON
El Tambo TAMBO
ANP Nacional
t
ANP Regional
ANP Privada
.
/
PE
22
11
Z. Amortiguamiento
Zona Urbana
Distritos
Provincias
8720000
8720000
166
Departamentos
PONTON Oceano Pacifico
SIBERIA
12 #
V C. Departamental
P
! C. Provincial
Huaynacancha PONTON
S/N
R C. Distrital
CC. Poblados
Rios Principales
4457 Rios Secundarios
Lagos_Lagunas
Restos Arq.
INVENTARIO VIAL ESCALA 1:50 000 - A3 WGS84 - UTM 18S Fuente: DGCF, PVN, PVD, GTT, OGPP DICIEMBRE 2016 Ok
Imagenes Satelitales de Alta Resolución IGN, INEI, SERNANP, MINEDU 0 0.125 0.25
1:50,000
0.5 0.75 1
Km
“Decenio de las Personas con Discapacidad en el Perú”
“Año de la Consolidación del Mar de Grau”
95
Página
96
Página
97
Página
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
8727200
8727200
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
8726400
8726400
ESTACION LA OROYA E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
8725600
8725600
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000 404000
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
8727200
8727200
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
8725600
8725600
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
8727200
8727200
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
8726400
8726400
ESTACION LA OROYA E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
8725600
8725600
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000 404000
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
8727200
8727200
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
8725600
8725600
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
Red Hidrográfica
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
8727200
8727200
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
8725600
8725600
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
Clasificación
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
µ
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
OCÉANO PACÍFICO
15°0'0"S
15°0'0"S
Bolivia
Chulec
Chile
Vado
E
Chagracancha
La Oroya
Shincamachay
E
Shinca / La Oroya
Moyopampa / Mayupampa
Chulec
La Oroya
Cushipata LA OROYA Patacancha
!
P
R LA OROYA
ESTACION LA OROYA
$
E
Caccha
Forbe Oroya
8726500
8726500
Huaymanta
Las Mercedes
La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Araracmachay
Ñanuinpuquio Huampani
Marcavalle
Santa Anita Los Alamos
Alto Marcavalle
Tinyahuarca Tallapuquio
San Carlos
E
Tupac Amaru
Chucchis Violeta Correa de Belaunde
Jose Carlos Mariategui
Vista Alegre
Yantacancha Maria Concepcion Aguilar
Villa Sol Manuel Scorza
n taro Santa
R Rosa de Sacco
SANTA ROSA DE SACO
Atauna
El Tambo
Huaynacancha
t
Sueropozo
Yuraccancha
PE
ESTACION LA OROYA
$
.
/
3N
ESPECIFICACIONES TECNICAS
E
$
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
u li 3 bandas multiespectrales
Rio Y a
Resolución Espacial:
Forbe Oroya Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Las Mercedes Huaymanta Color Natural: 321
Area total: 25 km2
La Florida Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
DATOS EXTRAIDOS
8725000
8725000
Santa Rosa DE IMAGEN DE
SATÉLITE
Red Vial Nacional
Micaela Bastidas Red Vial Urbana
Trocha
t
.
/ PE
22 Red Hidrográfica
LEYENDA
DATOS BASE
Huampani
#
V Capital Departamental
Marcavalle
Km
80°0'0"W 75°0'0"W 70°0'0"W
0°0'0"
0°0'0"
8727600
8727600
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
OCÉANO PACÍFICO
15°0'0"S
15°0'0"S
Bolivia
R
E Chile
8726900
t
.
/ PE
3N E Shinca / La Oroya
Moyopampa / Mayupampa
Chulec
La Oroya
LA OROYA
!
P
PatacanchaR LA OROYA
$
ESTACION LA OROYA E
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Los Alamos
Santa Anita
Alto Marcavalle
LA OROYA
!
P
R
LA OROYA Tallapuquio
San Carlos
E
Tupac Amaru
8726200
8726200
E
Verde Loma
E
R ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
ESTACION LA OROYA
$ Modo
Pancromático+Multiespectral= Pansharpening
E Resolución Espectral: 1 banda pancromática-
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
8725500
8725500
LEYENDA
DATOS EXTRAIDOS
DE IMAGEN DE
SATÉLITE
Red Vial Nacional
Red Vial Urbana
Trocha
Red Hidrográfica
8724800
8724800
LEYENDA
t
.
/ PE
22
DATOS BASE
#
V Capital Departamental
!
P
Capital Provincial
R
Capital Distrital
$
Estaciones Ferroviarias
E Puentes Ferroviarios
Ferrocarril Central
t
8724100
8724100
.
/ PE
3S
t
.
/ PE
3S
Km
“Decenio de las Personas con Discapacidad en el Perú”
“Año de la Consolidación del Mar de Grau”
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
CORTE 1
Distancia a
Cauce estacional = 28 m
RUTA PE-22
53.68 m
15°0'0"S
15°0'0"S
Bolivia
Cauce permanente = 26.84 m
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
CORTE 2 Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Distancia a Micaela Bastidas
Buenos Aires
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cauce permanente = 82.77 m Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
CORTE 3 Hora de adquisición: 15:27:11.69
Distancia a
RUTA PE-22
69.43 m
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Hidrográfica
RUTA PE-3N
0°0'0"
0°0'0"
Colombia
Ecuador
Corte 1
Ancho: 32.72 m
5°0'0"S
5°0'0"S
Brasil
Distancia a
Ruta PE-3S = 78.77 m
10°0'0"S
10°0'0"S
Corte 2
8726000
8726000
Ancho: 17.89 m
15°0'0"S
15°0'0"S
Bolivia
Distancia a
R OCÉANO PACÍFICO
Ruta PE-3S = 72.15 m
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
8725400
8725400
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
8724800
8724800
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
Corte 3 DATOS EXTRAIDOS DE
Ancho: 28.10 m IMAGEN DE SATELITE
Distancia a Red Hidrográfica
Ruta PE-3S = 55.50 m
RUTA PE-3S
8724200
8724200
400200 400800 401400 402000 402600 403200
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
8725900
8725900
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
Chulec
La Oroya
CORTE 1 LA OROYA
!
Patacancha R LA OROYA
P
Distancia a $
ESTACION LA OROYA E
RUTA PE-22 Forbe Oroya
Huaymanta
Las Mercedes La Florida
80 m Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
8725200
8725200
EE
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
8724500
8724500
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Hidrográfica
RUTA PE22
8723800
8723800
398700 399400 400100 400800 401500
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
8727200
8727200
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
1 2y3
t
PE
.
/
3N
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
4 5 EE
PS1
7 R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
8725600
8725600
3 bandas multiespectrales
Resolución Espacial:
t
.
/ PE
3S
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
t
.
/PE
22 6
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
9
LEYENDA
DATOS EXTRAIDOS DE
8724800
8724800
PS2 IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
PS3
Paso subterráneo
del río
Puentes
8724000
8724000
10
t
.
/PE
3S
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
PUENTE 1: LA OROYA
!
La Oroya
Patacancha R LA OROYA
P
$
Longitud=40 m ESTACION LA OROYA
Forbe Oroya
E
Huaymanta
Las Mercedes La Florida
Santa Rosa
Ancho=5m Marcavalle
Micaela Bastidas
Buenos Aires
Huampani
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
Extremo izquierdo EE
8726800
8726800
Ancho de río = 29.91 m R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Extremo derecho Resolución Espectral:
1 banda pancromática
Ancho de río = 27.01 m 3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
t
.
/ PE
3N
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726700
8726700
398900 399000 399100
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
PUENTE 2: ESTACION LA OROYA
Forbe Oroya
E
Huaymanta
Las Mercedes La Florida
8726800
8726800
Santa Rosa
Longitud=55.93 m Marcavalle
Micaela Bastidas
Buenos Aires
Huampani
PUENTE 3:
EE
Longitud= 31.48 m
Extremo izquierdo Ancho=2.44 m R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Cauce permanente = 23.35 m Modo Pancromático+Multiespectral=
Extremo derecho Pansharpening
Resolución Espectral:
Cauce permanente = 23.64 m 1 banda pancromática
3 bandas multiespectrales
Extremo izquierdo Resolución Espacial:
LEYENDA
t
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
.
/ PE
3N
Red Vial
Red Hidrográfica
8726700
8726700
399700 399800
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
8726300
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
PUENTE 4:
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
$
E
Longitud = 80 m ESTACION LA OROYA
Forbe Oroya
Huaymanta
Las Mercedes La Florida
Santa Rosa
Ancho = 8 m Marcavalle
Micaela Bastidas
Buenos Aires
Huampani
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
Extremo izquierdo EE
Cauce permanente = 20.30 m
R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
8726200
8726200
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
Extremo izquierdo Extremo derecho 1 banda pancromática
t
3 bandas multiespectrales
Cauce estacional = 22.06 m Cauce pernanente = 18.85 m Resolución Espacial:
Banda pancromática: 0.50 m
.
PE
/
3S
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726100
8726100
401100 401200 401300
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
t
.
/ PE
3S
Chulec
ESTACION LA OROYA
Forbe Oroya
$
E
LA OROYA
Huaymanta
Las Mercedes La Florida
Santa Rosa
!
P
La Oroya
Patacancha R LA OROYA
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
PUENTE 5:
8726200
8726200
Longitud = 70 m EE
Ancho = 4 m R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Extremo izquierdo Modo Pancromático+Multiespectral=
Ancho de río = 21.30 m Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Extremo derecho Resolución Radiométrica: 16 bits
Color Natural: 321
Ancho de río = 36.67 m Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726100
8726100
401600 401700 401800
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
8725200
8725200
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
t
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
.
/ PE
3S
PUENTE 6:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Longitud = 74 m Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Ancho = 5 m Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
8725100
8725100
Ancho de río = 23.60 m Hora de adquisición: 15:27:11.69
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
PUENTE 7:
Longitud = 76 m
E Moyopampa / Mayupampa
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
8726000
8726000
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
Cauce estacional = 12.19 m 1 banda pancromática
3 bandas multiespectrales
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
8725900
8725900
Red Hidrográfica
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
8725300
8725300
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
t
.
/ PE
22
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Ancho de río = 8.71 m Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8725200
8725200
399700 399800 399900 MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Longitud = 40 m Marcavalle
Huampani
Alto Marcavalle
Tallapuquio
San Carlos
E
Ancho = 4 m
Tupac Amaru
EE
8725100
8725100
R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
t
.
/ PE
22
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Ancho de río = 8.13 m Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8725000
8725000
399600 399700 399800 MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E
8724100
8724100
Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
t
.
/ PE
22
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Ancho de río = 8.47 m Hora de adquisición: 15:27:11.69
8724000
8724000
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726200
80°0'0"W 75°0'0"W 70°0'0"W
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Ancho de río = 13.13 m Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
t
.
/PE
Tramo 1
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
8726100
3N
8726100
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
t
Banda pancromática: 0.50 m
Banda multiespectral: 2m
cubierto Tramo 1: 18.30 m Pansharpening: 0.50m
Tramo 2
Tramo 2: 34.65 m
Tramo total: 60.17 m .
/ PE
3S
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
t
.
/ PE
22
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726000
400600 400700 400800 MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
8724900
EE
Longitud = 46.98 m R
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
Ancho de río = 6.76 m
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
t
.
/ PE
22
8724800
8724800
399300 399400 399500 MINISTERIO DE TRANSPORTES Y COMUNICACIONES
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
LIMA - PERU
Dirección de Caminos 2017
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Ancho de río = 8.60 m Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
8724700
8724700
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
PASO SUBTERRÁNEO DEL RÍO 3 R
t
.
/ PE
LEYENDA
DATOS EXTRAIDOS DE
8724600
8724600
IMAGEN DE SATELITE
22
Red Vial
Red Hidrográfica
0°0'0"
0°0'0"
Colombia
Ecuador
5°0'0"S
5°0'0"S
Brasil
10°0'0"S
10°0'0"S
15°0'0"S
15°0'0"S
Bolivia
R OCÉANO PACÍFICO
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
8727000
8727000
E Moyopampa / Mayupampa
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
Patacancha R LA OROYA
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Las Mercedes La Florida
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
ESPECIFICACIONES TECNICAS
IMAGEN SATELITAL GEOEYE 01
Modo Pancromático+Multiespectral=
Pansharpening
Resolución Espectral:
1 banda pancromática
3 bandas multiespectrales
Resolución Espacial:
Banda pancromática: 0.50 m
8726500
8726500
Banda multiespectral: 2m
Pansharpening: 0.50m
Resolución Temporal: 3 días
Resolución Radiométrica: 16 bits
Color Natural: 321
Area total: 25 km2
Cobertura de Nubes: 0%
Fecha de adquisición:23/07/16
Hora de adquisición: 15:27:11.69
PUENTE LA OROYA
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
RUTA PE-3S
t
.
/ PE
t RUTA PE-3N
3N
.
/ PE
3S
RUTA PE-22
Vias de acceso
Red Hidrográfica
8726000
t
.
/ PE
22
Instalaciones La Oroya