Mapeo Satelital Redes Hidro Vial GeoEye1 La Oroya Dic-2016

MAPEO SATELITAL DE LAS REDES
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
2.2. Criterios de análisis de las imágenes satelitales ____________________________ 19

2.2.1. Criterios de interpretación visual ___________________________________________ 19
2.2.2. Tipos de resolución ______________________________________________________ 20
2.3. Geo Eye - 1 ________________________________________________________ 25

2.4. Perú SAT-1 _________________________________________________________ 26
2.5. Procesamiento de Imágenes Satelitales __________________________________ 29
2.6. Características de redes viales y redes hidrográficas ________________________ 29
2.7. Métodos de clasificación ______________________________________________ 30
2.7.1. Métodos basados en clasificación supervisada ________________________________ 30
2.7.2. Métodos basados en clasificación no supervisada. _____________________________ 32
3. MATERIALES Y MÉTODOS ___________________________________________ 33

3.1. Área de estudio _____________________________________________________ 33
3.2. Software a ser utilizado _______________________________________________ 34
3.3. Sistema de Referencia y Proyección Cartográfica __________________________ 34
3.4. Procedimiento Metodológico para el Pre-Procesamiento de Imagen Satelital
GeoEye-1 en PCI Geomatics. _________________________________________________ 34
3.4.1. Pansharpening, Corrección Geométrica y Georreferenciación ____________________ 34
3.5. Clasificación de la red vial y la red hidrográfica utilizando Clasificación Supervisada

mediante el software ENVI – Modo Automático y Semi Automático. ________________ 38
3.6. Vectorización de la red vial y la red hidrográfica mediante modo manual _______ 49
3.7. Procesamiento Post-Clasificación _______________________________________ 51
1
Página
Jirón Zorritos 1203

www.mtc.gob.pe Lima, Lima 01 Perú
(511) 615-7800
4. ANALISIS SATELITAL DE RED HIDROGRÁFICA Y RED VIAL __________________ 53

4.1. Clasificación automática y semiautomática de la red hidrográfica _____________ 53
4.2. Clasificación manual de la red hidrográfica _______________________________ 57
4.3. Clasificación automática y semiautomática de la red vial ____________________ 58
4.4. Clasificación manual de la red vial ______________________________________ 75
4.5. Aplicación para la identificación de puentes, pasos subterráneos del río y cortes de
ríos adyacentes a las rutas principales _________________________________________ 78
4.6. Aplicación para la identificación del casco urbano de La Oroya _______________ 80
5. CONCLUSIONES Y RECOMENDACIONES ________________________________ 84
6. GLOSARIO _______________________________________________________ 88
7. BIBLIOGRAFÍA CONSULTADA ________________________________________ 90
8. ANEXOS _________________________________________________________ 91
8.1. ANEXO 01: Area de estudio – La Oroya ______________________________ 92
8.2. ANEXO 02: Especificaciones Técnicas - Imagen satelital de alta resolución
GeoEye1 ____________________________________________________________ 94
8.3. ANEXO 03: Imagen GEOEYE1 ______________________________________ 97
8.4. ANEXO 04: Imagen GEOEYE1 – Ortorectificada y Georeferenciada ________ 99
8.5. ANEXO 05: Imagen GEOEYE1 y vectorización de red hidrográfica y red vial 101
8.6. ANEXO 06: Cortes de Rios y distanciasa ejes de rutas. _________________ 103
8.7. ANEXO 07: Aplicación a infraestructura vial - Puentes _________________ 105
8.8. ANEXO 08: Aplicación a infraestructura vial – Paso subterráneo del río ___ 107
8.9. ANEXO 09: Aplicación a delimitación de áreas urbanas ________________ 109
2
Página

(511) 615-7800
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

(511) 615-7800
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 38: Red hidrográfica clasificada manualmente ................................................................ 50

Página
Figura 39: Red vial clasificada manualmente .............................................................................. 50

(511) 615-7800
Figura 40: Ruido presente en la clasificación automática ........................................................... 51

Figura 41: “Limpieza” de ruido resultante por clasificación automática .................................... 52
Figura 42: Imagen GeoEye – Combinación 432........................................................................... 54
Figura 43: Clasificación automática red hidrográfica – Discriminación de agua e islotes de arena
..................................................................................................................................................... 54
Figura 45: Clasificación automática red hidrográfica – Discriminación de agua y puentes ........ 55
Figura 47: Clasificación automática red hidrográfica .................................................................. 56
Figura 48: Clasificación manual río e islas de arena.................................................................... 57
Figura 49: Clasificación manual – Rio Mantaro ........................................................................... 57
Figura 50:Imagen Satelital GeoEye 01 (combinación 432) – Intersección Rutas PE22/PE3N/PE3S
..................................................................................................................................................... 58
Figura 51:Minimum Distance Classification – Umbral: 1.2. Intersección Rutas PE22/PE3N/PE3S
..................................................................................................................................................... 59
Figura 52:Parallelepiped Classification - Umbral: 1.2- Intersección Rutas PE22/PE3N/PE3S ..... 59
Figura 53:Parallelepiped Classification - Umbral: 1.55- Intersección Rutas PE22/PE3N/PE3S ... 60
Figura 54:Spectral Information Divergence Classification - Umbral: 0.050 - Intersección Rutas
PE22/PE3N/PE3S ......................................................................................................................... 60
Figura 55:Spectral Information Divergence Classification - Umbral: 0.075- Intersección Rutas
PE22/PE3N/PE3S ......................................................................................................................... 61
Figura 56:Imagen Satelital GeoEye 01 – Vías urbanas ................................................................ 62
Figura 57:Minimum Distance Classification – Umbral: 1.2 – Vias urbanas ................................ 62
Figura 58:Parallelepiped Classification - Umbral: 1.2 – Vías urbanas ......................................... 63
Figura 59:Parallelepiped Classification - Umbral: 1.55 – Vías urbanas ...................................... 63
Figura 60:Spectral Information Divergence Classification - Umbral: 0.050 – Vías urbanas ....... 64
Figura 61:Spectral Information Divergence Classification - Umbral: 0.075 – Vías urbanas....... 64
Figura 62:Imagen Satelital GeoEye 01 – Vías pavimentadas y caminos ..................................... 65
Figura 63:Minimum Distance Classification – Umbral: 1.2 – Vías pavimentadas y caminos ...... 66
Figura 64:Parallelepiped Classification - Umbral: 1.2 – Vías pavimentadas y caminos ............. 66
Figura 65:Parallelepiped Classification - Umbral: 1.55 – Vías pavimentadas y caminos ........... 67
Figura 66:Spectral Information Divergence Classification - Umbral: 0.050 – Vías pavimentadas y
caminos ....................................................................................................................................... 67
Figura 67:Spectral Information Divergence Classification - Umbral: 0.075 – Vías pavimentadas
y caminos..................................................................................................................................... 68
Figura 68:Imagen Satelital GeoEye 01 – Puente La Oroya .......................................................... 69
Figura 69:Minimum Distance Classification – Umbral: 1.2– Puente La Oroya ........................... 69
Figura 70:Parallelepiped Classification - Umbral: 1.2– Puente La Oroya .................................... 70
Figura 71:Parallelepiped Classification - Umbral: 1.55– Puente La Oroya.................................. 70
Figura 72:Spectral Information Divergence Classification - Umbral: 0.050– Puente La Oroya . 71
Figura 73:Spectral Information Divergence Classification - Umbral: 0.075– Puente La Oroya . 71
5
Figura 74:Imagen Satelital GeoEye 01 – Clasificación de vías de acceso .................................... 72

Página
Figura 75:Minimum Distance Classification – Umbral: 1.2 - Clasificación de vías de acceso ..... 73

(511) 615-7800
Figura 76:Parallelepiped Classification - Umbral: 1.2 - Clasificación de vías de acceso ............. 73

Figura 77:Parallelepiped Classification - Umbral: 1.55- Clasificación de vías de acceso ............ 74
Figura 78:Spectral Information Divergence Classification - Umbral: 0.050- Clasificación de vías
de acceso ..................................................................................................................................... 74
Figura 79:Spectral Information Divergence Classification - Umbral: 0.075 - Clasificación de vías
de acceso ..................................................................................................................................... 75
Figura 80: Clasificación manual – Ruta PE-22 ............................................................................. 76
Figura 81: Clasificación manual – Zona Urbana – Zona urbana de La Oroya .............................. 76
Figura 82: Clasificación manual Ruta 3S ...................................................................................... 77
Figura 83: Clasificación manual Puente La Oroya ....................................................................... 77
Figura 84: Clasificación manual de vías de acceso ...................................................................... 78
Figura 85: Clasificación zona urbana La Oroya – Mahalanobis Distance Classification – Umbral
2.5................................................................................................................................................ 81
3.5................................................................................................................................................ 82
Figura 87: Clasificación zona urbana La Oroya – Parallelepiped Classification – Umbral 1.7 ..... 82
Figura 88: Clasificación zona urbana La Oroya – Minimum Distance Classification – Umbral 1.5
..................................................................................................................................................... 82
Figura 89: Clasificación zona urbana La Oroya – Spectral Information Divergence – Umbral 0.05
..................................................................................................................................................... 83
Figura 90: Clasificación zona urbana La Oroya – Manual............................................................ 83
6
Página

(511) 615-7800
INTRODUCCIÓN
La teledetección ha demostrado ser una herramienta muy valiosa en numerosas

aplicaciones. Una de las características más importantes del uso de este tipo de técnicas,
radica principalmente en la reducción de los costos y tiempos, así como tener una mayor
cobertura global y exhaustiva de la superficie terrestre, mediante la observación
multitemporal, perspectiva panorámica, transmisión inmediata y facilidades de manejo de data
digital.
Los datos multiespectrales de alta resolución, tienen una alta capacidad para facilitar la
identificación automática y cartografiado de los materiales presentes en superficies urbanas
debido a su alta resolución espectral, espacial y radiométrica.
La Dirección General de Caminos y Ferrocarriles a través de la Dirección de Caminos es la
encargada de las actividades relacionadas al desarrollo y la administración general de las redes
viales del País (Red Vial Nacional, Red Vial Departamental o Regional y Red Vial Vecinal o
Local); en razón a ello y a los avances tecnológicos actuales, ha iniciado la aplicación de las
imágenes satelitales de alta resolución provenientes del satélite peruano Perú-SAT 1 y de otras
fuentes externas, a fin de identificar, analizar y extraer datos relativos a las carreteras y su
entorno geográfico.
Es necesario el uso de imágenes satelitales multiespectrales para la identificación y
cartografiado de redes viales nacionales, así como analizar el impacto de las carreteras sobre
el medio que las rodea, constituyendo en ese sentido las imágenes de satélite un medio
invaluable tanto para la atención de emergencias, diseño y trazo de carreteras, así como para
el inventario vial nacional.
Las redes viales son parte importante de la infraestructura de transportes y su rol es
central en una variedad de aplicaciones entre las que destacan el planeamiento urbano. La
precisión de la información de datos de redes viales es un requerimiento esencial para
cualquier país. Los caminos y carreteras facilitan el transporte eficiente de las personas, bienes
y servicios y poseen una función clave en las actividades socioeconómicas de cualquier nación.
Además, la importancia de las redes viales también radica en la evidente necesidad en
procedimientos de rectificación geométrica de imágenes donde estas son utilizadas para la
georeferenciación de imágenes satelitales.
La necesidad de métodos más precisos para extraer la información de éstas es evidente
debido al rápido crecimiento urbano, en donde los mapas viales necesitan ser actualizados
constantemente. La digitalización manual utiliza software especializado y es el método
convencional de actualización de redes viales, este método es considerado tedioso,
consumiendo bastante tiempo siendo capaz de proveer data medianamente importante, pero
en algunos casos muy necesaria debido a las complejidades espectrales presentes en el
7
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
(511) 615-7800
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

(511) 615-7800
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

(511) 615-7800
Figura 1: Muestra de justificación
Superposición de la red vial (amarillo) y

red hidrográfica (azul) sobre una
imagen GeoEye a resolución de 1 m
(Ica). Se observa el desfase existente
entre la capa digitalizada y la imagen
ortorectificada.
Figura 2: Imagen satelital Peru SAT-

1
10
Página

(511) 615-7800
2. MARCO TEÓRICO
2.1. Teledetección y sus elementos
La Teledetección es definida como una técnica cuyo objetivo es la captura, tratamiento y

análisis de imágenes tomadas desde satélites artificiales. Para que esta interacción exista es
necesario que exista un vínculo entre los objetos y el sensor (E Chuvieco, 2008).
Autores como Sabins and Lulla (1987) consideran a la teledetección como una ciencia de la
adquisición, procesamiento e interpretación de imágenes que estudian la interacción entre la
energía electromagnética y la materia.
El concepto de teledetección tal y como se entiende en la actualidad comenzó en el
período de 1946 a 1950. La observación sistemática de la tierra comenzó en el año 1960 con el
lanzamiento del TIROS-1, primer satélite meteorológico con una cámara de televisión de baja
resolución espacial que permita a los meteorólogos discriminar entre nubes, agua, hielo y
nieve (Labrador García et al., 2012).
Uno de los proyectos más fructíferos fue el proyecto LANDSAT, lanzándose su primer
satélite el 6 de enero de 1978, iniciando con él una serie histórica de imágenes satelitales de
mediana resolución. A partir del satélite Landsat el interés por la teledetección por parte de la
comunidad científica internacional y la sociedad ha crecido exponencialmente, diseñándose
nuevos proyectos y lanzándose nuevas misiones hasta la actualidad.
2.1.1. Ventajas de la teledetección
A. Provee las propiedades electromagnéticas de la tierra por encima de diferentes

condiciones, los datos obtenidos de los sensores pueden ser relacionados a los parámetros
o características en el mundo real. Como ejemplo podemos indicar las mediciones en el
infrarrojo térmico, cuyas ondas pueden ser utilizadas directamente (mediante un adecuado
procesamiento) para calcular el valor de la temperatura de la superficie.
B. Provee una mirada sinóptica de grandes extensiones de territorio.
C. Provee información de unos pocos milímetros por encima de la superficie terrestre. Aunque
existen algunas técnicas como los sensores de radar, los cuales son capaces de sobrepasar
algunos centímetros de profundidad.
D. Provee facilidad para obtener información de áreas de difícil acceso.
E. Provee imágenes multipropósito. Una sola imagen puede ser utilizada para obtener
diversidad de productos desde diferentes enfoques, además es una imagen que tiene un
valor temporal bastante alto, es decir, una imagen comprada el día de hoy, puede servir en
el futuro para hacer análisis multitemporales.
F. Provee una relación costo-efectividad bastante útil para proyectos que requieren gran
11
cantidad de personal, acceso a zonas difíciles que elevan los costos, máquinas, etc.
Página

(511) 615-7800
2.1.2. Elementos de la teledetección
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).
El gráfico muestra el proceso de adquisición de una

imagen a través de la percepción remota. La fuente
primaria de energía es el sol (A), la radiación solar
atraviesa e interacciona con la atmósfera (B). Cuando
alcanza la superficie terrestre interactúa con los objetos
que se encuentran en la superficie (C), luego un sensor a
bordo de un satélite, recepciona y graba la información
reflejada por la superficie terrestre y la propia
atmósfera (D), la energía captada por el sensor se
transmite a una estación de recepción en donde se
convierten en imágenes satelitales (E). Finalmente, la
imagen se interpreta visualmente para extraer
información relevante (F) y se aplica la información
obtenida de la imagen para conocer detalladamente la
zona de estudio (G).
Figura 3: Proceso de percepción remota
El proceso de formación de una imagen incluye los siguientes elementos fundamentales:
A. Una fuente de energía electromagnética

B. Un medio de propagación o transmisión de la energía (atmósfera)
C. La reflexión o emisión de la energía por parte del objeto
D. La transmisión de la energía desde el objeto al sensor remoto a través de un medio de
propagación.
E. Registro de la energía que llega al detector y su almacenamiento ya sea en forma
gráfica (emulsión fotográfica), analógica (cinta magnética) o digital (memorias).
12
Página

(511) 615-7800
2.1.3. Espectro Electromagnético

Los sensores remotos operan en varias regiones del espectro electromagnético, por lo cual es normal caracterizar a
las ondas electromagnéticas por su longitud de onda en micrómetros (μm, 10-6m) o nanómetros (nm, 10-9m), por la
posición que ocupan en el espectro electromagnético Figura 4,
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).
El espectro visible es una pequeña región del

espectro electromagnético que abarca desde
los 0.4 μm hasta los 0.7 μm. Conformado por el
color azul el cual vá desde los 0.4 μm hasta 0.5
μm, el color verde desde 0.5 μm hasta 0.6 μm y
el color rojo de 0.6 μm a 0.7 μm. La energía
ultravioleta se ubica por debajo del color azul.
Por encima del color rojo se ubica el infrarrojo
(IR), la cual está dividida en tres categorías: IR
próximo (0.7-1.3 μm), IR medio (SWIR) (1.3-3
μm), IR térmico (TIR) (3-100 μm). La porción
del microondas se encuentra más allá del IR a
longitudes de onda mucho más grandes (1mm-
1m), la cuales son las longitudes de onda más
largas usadas en teledetección (Labrador
García, Évora Brondo, & Arbelo Pérez, 2012).
Figura 4: Espectro Electromagnético

13
Página

(511) 615-7800
Cuadro 1: Descripción de las regiones del Espectro Electromagnético
Región o Banda Espectral Longitud de Onda (λ) Características

Rayos Gamma <0.03 nm Radiación completamente
absorbida por las capas
superiores de la atmósfera.
Rayos X 0.03 – 30 nm
No se utilizan en
teledetección.
La radiación con λ < 0,3 µm
es completamente absorbida
Ultravioleta (UV) 0.03 – 0.4 nm
por la capa de ozono de la
atmósfera.
Se puede detectar a través
0.4 – 0.5 nm (azul) de fotodetectores y películas
Visible (azul, verde, rojo) 0.5 – 0.6 nm (verde) fotosensibles normales
0.6 – 0.7 nm (rojo) (color y B/N). Se usa en
teledetección.
Radiación solar reflejada que
no contiene información
acerca de las propiedades
térmicas de los materiales. El
Infrarrojo 0.7 – 1.3 nm (IR cercano)
rango 0,7 a 0,9 µm se puede
Infrarrojo (IR)
reflejado 1.3 – 3.0 nm (IR medio)

detectar usando películas
fotosensibles (infrarrojo
fotográfico). Se usa en
teledetección.
Corresponden a dos
Infrarrojo 3.0 – 5.0 nm ventanas atmosféricas en la
térmico 8.0 – 14.0 nm región térmica. Se usa en
teledetección.
Radiación de grandes
longitudes de onda, capaces
Radar (región de las
0.1 – 100 cm de penetrar nubes, nieblas y
microondas)
lluvia. Se usa en
teledetección.
Radiación con las mayores
longitudes de onda del
Ondas de Radio y TV >100 cm
espectro. Se utilizan en
telecomunicaciones
14
Página

(511) 615-7800
2.1.4. Tipos de sensores: pasivos y activos
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.
2.1.5. Tipos de imágenes satelitales
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

(511) 615-7800
georreferenciación. La corrección geométrica incorpora un modelo digital del terreno para

corregir los errores de desplazamiento debido al terreno, así como la adaptación de un
conjunto de coordenadas mediante un ajuste de mínimos cuadrados. Mientras que la
georreferenciación, le otorga una ubicación geográfica dentro de un sistema de proyección y
un DATUM.
2.1.6. Reflectancia e interacción de la energía con los materiales presentes en la

superficie terrestre
La Reflectancia espectral de un objeto es una característica fundamental en teledetección.

Está definida como la proporción de energía incidente reflejada por una superficie. Por lo cual,
es una magnitud adimensional que puede tomar valores entre 0 y 1 o porcentajes entre 0 y
100%. Para una determinada superficie este parámetro varía en función de la longitud de
onda. Los significados de los diferentes rangos de longitud de onda dependen de la interacción
entre la radiación electromagnética y los materiales.
Para identificar los diferentes materiales presentes en la superficie terrestre se utilizan

firmas espectrales, las cuales se definen como la medida cuantitativa de las propiedades
espectrales de un objeto en una o varias bandas. Cada firma puede ser medida en un
laboratorio o directamente sobre la misma superficie con instrumentos especializados tales
como los radio-espectrómetros. Hay que considerar que, debido a la resolución espacial de la
mayoría de los sensores, la información contenida en un pixel es el resultado de una mezcla
espectral de varios tipos de materiales. Por ejemplo, un sólo pixel de Landsat (30 m * 30 m)
puede estar compuesto por vegetación, asfalto, agua y/o suelo desnudo, lo cual queda
registrado en un único nivel digital.
Cada material posee una variación en su comportamiento espectral. A continuación, se

describe algunos comportamientos espectrales más utilizados en los análisis de imágenes de
satélite:
1. Comportamiento espectral de la vegetación, se ve modificado principalmente por

factores como el tipo de pigmentos, estructura de las hojas y contenido de
humedad.
2. Comportamiento espectral de los tipos de suelo, afectado principalmente por el
color y el contenido de humedad, materia orgánica, textura y estructura, entre
otros.
3. Comportamiento espectral de los minerales está asociado a su color, minerales
blancos poseen una reflectancia bastante alta mientras que minerales oscuros
absorben fuertemente la luz y la reflejan en menor medida.
16
4. Comportamiento espectral de la nieve posee altos niveles de reflectividad, siendo

afectado por el grado de compactación, el tamaño de los cristales y el grado de
Página
pureza de este material.

(511) 615-7800
5. Comportamiento espectral del agua, se ve afectado por el contenido de clorofila,

materiales en suspensión, rugosidad superficial y profundidad.
6. Comportamiento espectral de elementos urbanos de construcción ( Figura 5)
poseen comportamientos diversos en cuanto a su naturaleza. Los diferentes tipos
de asfaltos y cementos llamados también elementos calientes, presentan una gran
absorción térmica en el espectro electromagnético.
Figura 5: Comportamiento espectral de materiales de construcción
2.1.7. Combinaciones y aplicaciones de las Bandas Espectrales
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

(511) 615-7800
Cuadro 2: Combinaciones y usos de las bandas del sensor LANDSAT TM y ETM
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
Cuadro 3: Aplicaciones de las Bandas del Satélite LANDSAT TM y ETM

Banda Longitud de Onda Aplicaciones
1 0.45 nm – 0.52 nm (azul)  Mapeo de aguas costeras.
 Diferenciación entre suelo y
vegetación.
2 0.52 nm – 0.60 nm (verde)  Mapeo de vegetación.
 Calidad de agua.
3 0.63 nm – 0.69 nm (rojo)  Absorción de la clorofila.
 Áreas urbanas, uso del suelo.
 Agricultura.
 Calidad del agua.
4 0.76 nm – 0.90 nm (infrarrojo cercano)  Delineamiento de cuerpos de agua.
 Mapeo geomorfológico y geológico.
 Áreas de incendios.
 Áreas húmedas y vegetación.
5 1.55 nm – 1.75 nm (infrarrojo medio)  Uso del suelo.
 Diferenciación entre nubes y nieve.
6 10.40 nm – 12.50 nm (infrarrojo termal)  Stress térmico en plantas.
 Propiedades termales del suelo.
 Diversos mapeos térmicos.
7 2.08 nm – 2.35 nm (infrarrojo medio)  Identificación de minerales.
18
 Mapeo hidrotermal.
Página
8 0.52 nm – 0.90 nm (pancromático)  Catastro rural e infraestructuras.

(511) 615-7800
 Ubicación de centros poblados.

 Estudios descriptivos.
2.2. Criterios de análisis de las imágenes satelitales
2.2.1. Criterios de interpretación visual
A. Tono. - Referido al brillo relativo de los objetos. Es importante considerar las

variaciones tonales en la interpretación de imágenes satelitales, considerándoseles
uno de los más importantes criterios de interpretación visual. Los distintos tipos de
materiales como rocas, suelo, agua, carreteras, edificios, especies de árboles,
presentan diferente tonalidad. Así mismo, variaciones en cada uno de estos materiales
tales como la humedad de la vegetación, el tipo de minerales presente en las rocas
generan una mayor variedad de tonos.
B. Color. – A diferencia de los tonos, los colores pueden ser mejor diferenciados por el
ojo humano, por lo que también se convierte en un elemento básico de interpretación
de una imagen. Dependiendo de la disponibilidad y de la aplicación que se le dé a la
imagen satelital se pueden realizar diversas combinaciones partiendo de los colores
RGB.
C. Textura. - Definido como la frecuencia con la que suceden los cambios tonales, es
decir, el contraste espacial entre los elementos que componen la imagen (percibido
como repeticiones de cambios tonales). La textura está relacionada con la resolución
espacial del sensor ya que procede de la relación entre el tamaño del objeto y dicha
resolución.
D. Tamaño. - Esta característica tiene que considerarse siempre en el contexto de la
resolución espacial y de la escala en la que está desplegada la imagen. Igualmente es
importante relacionar el tamaño del objeto analizado con otros objetos de la imagen o
foto como por ejemplo para conocer si una carretera es más o menos importante que
otra.
E. Forma. - Referido a la forma que caracteriza a los objetos en una imagen satelital. En
algunos casos esta característica es suficiente para diferenciar el objeto de estudio del
resto de la imagen.
F. Patrón. - Referido a la distribución espacial de los objetos, a la repetición de formas
cada cierto espacio que permita su identificación, por ejemplo, patrones lineales como
las carreteras, patrones irregulares como los ríos, patrones geométricos como las
edificaciones urbanas, patrones radiales como algunos tipos de cultivo.
G. Sombras. - Definido como la oscuridad en un área o espacio debido a que los rayos de
19
una fuente de energía no llegan a ella por la interposición de un cuerpo opaco que
forma parte del terreno o una construcción.
Página

(511) 615-7800
H. Localización. - Referido a la posición topográfica o geográfica en la que se encuentran

un objeto con respecto a un marco de referencia.
2.2.2. Tipos de resolución
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:
A. Resolución espacial. - El concepto de resolución espacial define de manera sencilla la

distinción de objetos en función de su tamaño, es decir, la resolución espacial suele
interpretarse como el tamaño del objeto más pequeño que puede ser distinguido en
una imagen: tamaño de pixel sobre el terreno (Pérez & Muñoz, 2007). La resolución
espacial o resolución geométrica es la mínima área de terreno observada por un
instrumento, en este caso el satélite, a una determinada altura y en un determinado
momento. El concepto de escala está relacionado a la cantidad de información
contenida en un producto cartográfico. Sin embargo, existe una predilección por
escoger insumos que cuenten con escalas mayores, debido a que cierto elemento
resultaría ser más preciso (en términos de localización: coordenadas geográfica o
UTM) en el insumo que posee mayor escala (Corbelle Rico, Gil Docampo, Armesto
González, & Rego Sanmartín, 2006). Según Poli (2005) la resolución espacial de las
imágenes de satélite puede ser clasificada como se indica en el Cuadro 4. Además, el
B.
C. Cuadro 5 muestra la resolución espacial de algunos de los satélites más comerciales.
Cuadro 4: Clasificación de resoluciones espaciales
Resolución espacial (m) Clases

<1 Muy alta
1-5 Alta
5-20 Media
20-50 Baja
>50 Muy baja
20
Página
Cuadro 5: Resolución espacial de diversos satélites

(511) 615-7800
Satélite Resolución espacial en metros Altitud Orbital

Perú SAT 1 0.70 M (PAN) 698 km
2.8 (MS)
Landsat 15 m(PAN) 705 km
30 m (MS)
Spot 5 2.5 m(PAN) 822 km
10 m (MS)
IM (20m)
Spot 6-7 1.5 m (PAN y Color visible) 822 km
6 m (MS)
Aster 15 m 705 km
Rapid Eye 5m 630 km
GeoEye 0.44 m (PAN) 681 km
1.65 m (MS)
WorldView - 2 0.31 m (PAN)
1.24 m (MS) 770 km
3.70 m (SWIR)
30 m (CAVIS)
Pleiades 0.50 m (PAN) 694 km
Quickbird 0.65 m (PAN) 450 km
2.44 m (MS)
Ikonos 0.82 m (PAN) 681 km
3.2 m (MS)
PAN = Pancromática
MS = Mutiespectral
IM = Infrarrojo medio
21
Página

(511) 615-7800
Figura 6: Comparación de resoluciones espaciales
D. Resolución espectral. - Referido al número y anchura de las bandas espectrales que

puede discriminar el sensor (Cuadro 6). Un sensor será más idóneo cuanto mayor
número de bandas proporcione ya que facilita la caracterización espectral de
determinadas cubiertas (Eduardo Chuvieco, 1996). Normalmente los satélites
adquieren las imágenes en diferentes modos:
 Pancromático: el sensor es visible a todas las longitudes de onda del espectro

visible y del infrarrojo cercano, siendo el producto final una imagen en tonos
de grises (Figura 7).
 Multiespectral: el sensor puede distinguir diferentes bandas espectrales en el
espectro visible y en el infrarrojo cercano, creándose una imagen individual
22
para cada intervalo de longitudes de onda (Figura 7).

Página

(511) 615-7800
Cuadro 6: Resolución espectral de diversos satélites
Satélite Bandas espectrales

Pancromático: 1 banda
Peru SAT-1
Multiespectral: 4 bandas
Bandas OLI - Pancromático: 1 banda
Landsat 8 Bandas OLI - Multiespectral: 8 bandas
Bandas TIRS: 2 bandas
Spot
3 Bandas infrarrojo cercano VNIR
Aster 6 bandas infrarrojo de onda corta – SWIR
5 bandas infrarrojo térmico
Rapid Eye Multiespectral: 5 bandas
GeoEye
WorldView-1 Pancromático: 1 banda
Infrarrojo: 8 bandas
CAVIS: 12 bandas
Pleiades
Quickbird
Ikonos
Figura 7: Derecha: Imagen multiespectral. Izquierda: Imagen pancromática

23
Página

(511) 615-7800
E. Resolución radiométrica. - Está definida como la cantidad mínima de energía

requerida para incrementar el valor de un pixel en un nivel digital (Labrador García et
al., 2012) y es expresada por el número de bits1 utilizados para cuantificar un pixel
(Díaz, 2011). La resolución radiométrica en imágenes digitales es comparable al
número de tonos de gris en una fotografía en blanco y negro, ya que ambos se
relacionan con el contraste. A mayor número de bits para almacenar el valor de la
reflectividad de un pixel, mayor resolución radiométrica (Pérez & Muñoz, 2007)
(Figura 8). En el Cuadro 7 se muestra un rango de valores almacenados para
diferentes profundidades de bits.
Cuadro 7: Profundidad de bit
Profundidad de bit Rango de valores que puede contener

cada pixel
1 bit 0a1
2 bit 0a3
4 bit 0 a 15
8 bit 0 a 255
16 bit 0 a 65,535
32 bit 0 a 4,294,967,295
64 bit 0 a 18,446,744,073,709,551,616
Figura 8: Visualización de cuatro niveles radiométricos

24
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.

(511) 615-7800
F. Resolución temporal. - Esta resolución está definida como el ciclo de repetición o

intervalo de tiempo, entre dos adquisiciones de imágenes sucesivas de una misma
porción de la superficie. La frecuencia es variable, por ejemplo, los satélites
meteorológicos como NOAA tienen frecuencias diarias o incluso menores tal como
METEOSAT, mientras que satélites de mediana resolución como LANDSAT tienen
revisitas de entre 16 a 18 días (Labrador García et al., 2012). La resolución temporal
está condicionada por el tipo de órbita, el ángulo de barrido y la velocidad de satélite
(Pérez & Muñoz, 2007).
Cuadro 8: Resolución temporal de diversos satélites
Satélite Intervalo de tiempo

3 días
Peru Sat-1
21 días (tiempo de revisita)
Landsat 16 – 18 días
Spot 26 días
Aster 16 días
Rapid Eye Diario
GeoEye 3 días
World View 1 – 4.5 días
Pleiades Diario
Quickbird 2.5 – 6 días
Ikonos 3 días
NOAA 12 horas
2.3. Geo Eye - 1
En el presente estudio se trabajó con la imagen de alta resolución GeoEye - 1, debido a

que presenta características idóneas para la clasificación de coberturas como red hidrográfica
y vías. Se procedió a la búsqueda y pre adquisición de la imagen para un determinado período,
verificando su disponibilidad y con un mínimo de porcentaje de cobertura nubosa en el enlace:
https://browse.digitalglobe.com/
El satélite GeoEye fue lanzado el 8 de setiembre del 2008 (Figura 9). Cuenta con 04
bandas multiespectrales: Azul (450-510nm), Verde (510-580nm), Rojo (655-690 nm) y NIR
(780-920nm) de resolución espacial 1.65 m y 01 banda pancromática (blanco y negro) de
resolución 0.44 cm. Cada imagen (Figura 9) cubre una superficie de 15.2 km x 15.2 km con una
resolución radiométrica de 11 bits, cuenta con una precisión geométrica entre 3.00 m y 5.00 m
25
(Cuadro 9), es decir que localiza elementos con un margen de error menor de 5.00 m para
Página
mapear zonas remotas maximizando la utilidad de recursos disponibles.

(511) 615-7800
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.
Figura 9: Satélite GeoEye – 1 e imagen satelital de alta resolución GeoEye
Cuadro 9: Especificaciones Técnicas de GeoEye
Catalogo ID: 10500100057A2400 Cobertura de Nubes: 0%

Sensor: GE1 Bandas:
Resolución: 44 cm  450-520 nm (azul)
Adquisición Date: 07-23-2016  520-600 nm (verde)
Off-Nadir: 17°  625-695 nm (rojo)
Sun Azimuth: 39.1°  760-900 nm (infrarrojo cercano)
Sun Elevation: 49.7°  Pancromático (450-800nm).
2.4. Perú SAT-1
Los primeros artefactos espaciales peruanos se remontan a los nano-satélites denominados

Chasqui 1 y PUCP SAT-1. El Chasqui 1, el nano-satélite de la Universidad Nacional de Ingeniería
empezó a diseñarse a finales de la década del 2000 y fue lanzado al espacio el 2004, mientras
que el PUCP SAT-1, fue construido por la Pontificia Universidad Católica del Perú, el cual fue
26
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.

(511) 615-7800
El Perú SAT-1, está a cargo de la Comisión Nacional de Investigación y Desarrollo

Aeroespacial – CONIDA, la cual depende del Ministerio de Defensa. Actualmente el satélite
recibe las imágenes en el Centro de Nacional de Operaciones de Imágenes Satelitales – CNOIS,
ubicado en Punta Lobos, Pucusana emplazada en un área de 3600 m2, desde donde se opera y
se comanda el satélite peruano.
El satélite orbita la tierra a una distancia de 694 km de nuestro planeta, desde donde envía
las imágenes con una resolución 0.70 cm en la banda pancromática y 2.8 multiespectral en las
cuatro bandas multiespectrales (en total cuenta con cinco bandas espectrales). Cuenta con un
barrido de 14.5 km y una resolución temporal de 3 días y 21 días para el tiempo de revisita,
además es capaz de obtener 300 imágenes diarias del país y unas 9000 imágenes por mes.
Posee un tiempo de vida aproximado de 10 años.
Figura 10: Infografía del Perú SAT-1. Fuente: El Comercio, 2016.

27
Página

(511) 615-7800
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

(511) 615-7800
2.5. Procesamiento de Imágenes Satelitales
El procesamiento digital de imágenes satelitales es definido como el conjunto de técnicas y

métodos utilizados para extraer e identificar características de las imágenes satelitales ópticas
o de radar. La finalidad de realizar un procesamiento a las imágenes satelitales es mejorar la
calidad de éstas, así como eliminar distorsiones causadas por la configuración del terreno y
que afectan la precisión geométrica de éstas.
2.6. Características de redes viales y redes hidrográficas
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:
 Características Geométricas. - Una carretera es una poli línea que en ocasiones no

varía demasiado en cuanto a que su longitud no será más corta que su anchura.
Usualmente siguen patrones geométricos al momento de converger que siguen las
formas “T”,”Y” o “+”. Este tipo de geometría es fácilmente reconocible en una imagen
satelital de alta resolución.
 Características Fotométricas. - Conocidas también como las características de
radiación. Por ejemplos los valores de grises de una carretera en una imagen son en su
mayoría consistentes y varían muy poco, siendo diferentes de los objetos que pueden
existir a su alrededor como árboles, edificios, etc.
 Características Topológicas. - Generalmente un camino posee intersecciones definidas
por las características topológicas del terreno.
 Características Texturales. - Las texturas en una imagen están definidas por
características regionales, las cuales son rasgos visuales que definen la homogeneidad
de la red vial en una imagen, siendo diferente a las características de color o de tono.
Usualmente las carreteras pavimentadas se observan en la imagen satelital
conteniendo una textura lisa mientras que las carreteras afirmadas poseen una textura
rugosa a granulada.
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

(511) 615-7800
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.
2.7. Métodos de clasificación
Existen diversos métodos de clasificación desarrollados para extraer y clasificar la información

de redes viales y otros atributos, aunque aún es difícil clasificarlos en detalle. La literatura
científica sugiere diversos métodos de extracción de caminos los cuales consisten en uno o
más tipos de algoritmos: basados en clasificación, en conocimiento experto, morfología
matemática, modelo de contorno activo, programación dinámica, etc (Wang et al., 2016).
Usualmente, los métodos basados en clasificación toman en cuenta las características
geométricas de los objetos (en este caso de las redes viales y la red hidrográfica),
características fotogramétricas o de textura. En algunos casos la clasificación resulta no muy
satisfactoria en zonas urbanas altamente densas en donde las señales espectrales de los
objetos pueden ser similares a las de las redes viales. A continuación, se describen los métodos
de clasificación supervisada y no supervisada:
2.7.1. Métodos basados en clasificación supervisada
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
en base a un umbral de la desviación estándar de la media de cada clase

seleccionada. Si el valor de un pixel se encuentra por encima del umbral más bajo
Página
y por debajo del umbral más alto para todas las n–bandas que están siendo

(511) 615-7800
clasificadas, entonces es asignado a esa clase. Si el valor del pixel se encuentra en

múltiples clases, ENVI asignará el pixel a la última clase coincidente. Las áreas que
no corresponden a ninguna de las clases, se designarán como “sin clasificar”
(Unclassifield).
 Minimum Distance.- La técnica de clasificación de mínima distancia utiliza los
vectores de cada clase y calcula la distancia euclidiana al vector medio de cada
clase. Todos los pixeles se asignan a la clase más cercana, a menos que se
especifique un umbral de distancia o una desviación estándar, en cuyo caso
algunos pixeles pueden ser asignados como “sin clasificar” si no cumplen con los
criterios seleccionados.
 Maximum Likelihood.- La clasificación de máxima probabilidad asume que los
estadísticos de cada clase en cada banda tienen una distribución normal y calcula
la probabilidad de que un pixel determinado pertenezca a una clase específica. A
menos que se seleccione un umbral de probabilidad, todos los pixeles serán
clasificados. Cada pixel se asignará a la clase que tiene la probabilidad más alta (es
decir, la probabilidad máxima). Si la mayor probabilidad es menor que un umbral
específico, el pixel permanecerá sin clasificar.
 Mahalanobis Distance.- La clasificación según la distancia de Mahalanobis, utiliza
un clasificador sensible a la dirección que utiliza los estadísticos para cada clase.
Es similar a la clasificación de máxima verosimilitud, pero asume que todas las
covarianzas de clase son iguales y por lo tanto es un método más rápido. Todos los
pixeles se clasificarán a la clase ROI más cercana a menos que se especifique un
umbral de distancia, en cuyo caso algunos pixeles pueden ser asignados “sin
clasificar” si no cumplen con el umbral.
 Binary Encoding.- La técnica de clasificación de codificación binaria codifica los
datos de las clases en ceros y unos, en función de si una banda cae por debajo o
por encima del espectro medio, respectivamente. La función exclusiva OR
comparará cada espectro de referencia codificado, con los espectros de datos
codificados y producirá una imagen clasificada. Todos los pixeles son asignados a
la clase con el mayor número de bandas coincidentes, a menos que especifique un
umbral de coincidencia mínimo, en cuyo caso algunos pixeles pueden ser
asignados como “sin clasificar” si no cumple con los criterios establecidos.
 Neural Net.- La técnica de redes neuronales utiliza un aprendizaje supervisado de
retro propagación. Se puede seleccionar el número de capas ocultas a usar y se
puede elegir entre una función de activación logística o hiperbólica. El aprendizaje
se produce mediante el ajuste de las ponderaciones en el nodo para minimizar la
diferencia entre la activación del nodo de salida y el resultado. El error se propaga
31
a través de la red y los ajustes de pesos se realizan mediante un método recursivo.

Se puede usar la clasificación de redes neuronales para realizar una clasificación
Página
no lineal.

(511) 615-7800
 Decision Tree.- La clasificación según árbol de decisiones realiza una clasificación

en varias etapas, haciendo uso de una serie de decisiones binarias para asignar los
pixeles a determinadas clases. Cada decisión divide a los pixeles de un conjunto de
imágenes en dos clases basándose en una expresión. Los resultados de las
decisiones son clases.
2.7.2. Métodos basados en clasificación no supervisada.
Esta clasificación no necesita de toma de muestras de entrenamiento, considerándose con

muchas ventajas en resolver problemas de clasificaciones de manera bastante rápida. Sin
embargo, la precisión que posee es mucho más baja que el método de clasificación
supervisada. Este tipo de clasificación es utilizada en investigación exploratoria y
determinación de parámetros. Los algoritmos más comunes incluyen K-means, IsoData, la
agrupación espectral, teoría gráfica, etc.
2.7.3. Métodos basados en clasificación manual.
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

(511) 615-7800
3. MATERIALES Y MÉTODOS
3.1. Área de estudio
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:
 Vértice inferior derecho: Longitud (X): -75.88018, Latitud (Y): -11.54299

 Vértice superior izquierdo: Longitud (X): -75.932541, Latitud (Y): -11.51006
Figura 12: Imagen GeoEye-1 mostrando el área de interés.
Figura 13: Imagen mostrando una ventana DEMO

33
Página

(511) 615-7800
3.2. Software a ser utilizado
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:
A. PCI. – Es un potente software aplicado al análisis, interpretación de imágenes

satelitales. Posee valiosas herramientas para procesos de ortorectificación y
georreferenciación, así como el manejo de imágenes satelitales de alta resolución.
Para el presente estudio, fue utilizado para llevar a cabo los procesos de
ortorectificación de la imagen satelital.
B. ENVI 5.3.- Es un software bastante dinámico. Posee potentes herramientas para la
clasificación de las imágenes satelitales ópticas, conteniendo diversidad de algoritmos
para clasificaciones supervisadas y no supervisadas. En el presente trabajo ENVI 5.3
fue utilizado para realizar las clasificaciones de elementos mediante los algoritmos que
incluye el software.
C. Arc Gis 10.2.2.- Es un software aplicado al manejo y análisis de datos vectoriales. Es la
herramienta más potente que existe actualmente además de ser ampliamente
utilizada en instituciones del estado, privadas, organismos internacionales,
universidades, entre otros. Cuenta con cuatro aplicaciones: ArcCatalog, ArcMap,
ArcScene y AcrGlobe. De las cuatro aplicaciones, las más utilizadas son ArcMap y
ArcCatalog, permitiendo visualizar, editar, explorar, analizar y realizar composiciones
cartográficas, así como generación de metadata y creación o conexión hacia servidores
externos.
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.
3.3. Sistema de Referencia y Proyección Cartográfica
Se trabajó con el Sistema de Referencia WGS 1984 UTM Zona 18S.
3.4. Procedimiento Metodológico para el Pre-Procesamiento de Imagen Satelital

GeoEye-1 en PCI Geomatics.
3.4.1. Pansharpening, Corrección Geométrica y Georreferenciación
Utilizando PCI Geomatics, ir al módulo OrthoEngine.

34
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.

(511) 615-7800
 Name: El nombre del proyecto.

 Description: campo opcional, en el cual puede resumir algún tipo de descripción de lo
que se hará en el proceso de Ortorectificación.
 Math Modelling Method: Como se utilizará una imagen GeoEye, la cual es una imagen
óptica, escogeremos la opción Optical Satellite Modelling.
 Options: Se escogerá la opción Rational Function (Extract from image) ya que es la más
adecuada para GeoEye.
Figura 14: Configuración de nuevo proyecto
Aparecerá una nueva ventana, en la cual en la pestaña Output projection se ingresará la

información adecuada (Figura 15). En nuestro caso se escogerá UTM dentro de la pestaña en
donde se indicará Meter. Luego aparecerá una ventana llamada Earth Models, donde se
escogerá el DATUM_ WGS 1984 (Global Definition) y al aceptar nos arrojará otra ventana
donde escogeremos la zona UTM que en nuestro caso será zona 18, finalmente aparecerá una
nueva ventana donde escogeremos la opción Southern Hemisphere (ya que nuestros datos se
ubican en el hemisferio sur).
Una vez definido el sistema de proyección, en las pestañas Output pixel spacing y output line
spacing indicaremos la resolución de la imagen que ortorectificaremos. En nuestro caso será
0.50 por ser esta la resolución de salida de GeoEye.
El mismo procedimiento de salida de proyección utilizaremos para el campo GCP Projection.
35
Página

(511) 615-7800
Figura 15: Configuración de sistema de coordenadas y DATUM
Finalizada la preparación de los datos, procedemos a realizar el Pansharpening, es decir la

fusión entre la banda pancromática y la banda multiespectral (Figura 16). Esto nos permitirá
crear una imagen fusionada multiespectral de 0.50 m de resolución. Es preferible que este
proceso se lleve a cabo antes de la corrección geométrica. Para este caso, en nuestra ventana
de Ortho Engine, vamos a Utilities->Merge/Pansharp Multiespectral Image, obteniendo una
ventana como la que se muestra a continuación:
Figura 16: Pansharpening
En esta ventana cargaremos nuestras bandas multiespectrales y nuestra banda pancromática.

Aparecen cuatro campos a ser llenados para multiespectral, sólo es necesario uno, ahí
cargaremos nuestro archivo multiespectral de GeoEye (el cual contiene las 4 bandas
multiespectrales). Además, aparece un campo denominado Panchromatic image en donde
cargaremos nuestra imagen pancromática. Definimos nuestro directorio de salida en Output
filename y se activará la opción Pansharp, botón al cual le daremos clic para iniciar con el
proceso (Figura 16).
Luego de obtener nuestra imagen fusionada, procedemos a realizar nuestra corrección
36
geométrica. Para esto requerimos de puntos de control terrestres (GCPs) y un modelo de

elevación digital (DEM).
Página

(511) 615-7800
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).
Figura 17: Data Imput para OrthoEngine
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).
Figura 18: Inclusión de puntos de control en OrthoEngine
Nuevamente en la ventana de OrthoEngine seleccionamos en Proccesing Step -> Model

Calculations para el procesamiento. Damos clic en el icono llamado Perform block adjustment
(resaltado en rojo) (Figura 19).
Figura 19: Cálculo de modelo en OrthoEngine
En la ventana de Orthoengine, elegimos el icono de OrthoGeneration para llevar a cabo el

proceso de ortorectificación. Aquí debemos seleccionar un nombre de salida y la ubicación
para nuestra imagen ortorectificada, luego procedemos a elegir nuestro archivo DEM, en
Ortho Generation Options. Seleccionamos en Proccesing Options el tipo de resampling: Cubic.
De esta forma obtendremos nuestra imagen ortorectificada.
37
Para finalizar nuestro Geoprocesamiento, llevamos a cabo el último proceso denominado

Página
Georeferenciación. Para este proceso utilizaremos el software ArcGis, y procederemos a

georeferenciar la imagen ortorectificada.
(511) 615-7800
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.
3.5. Clasificación de la red vial y la red hidrográfica utilizando Clasificación Supervisada

mediante el software ENVI – Modo Automático y Semi Automático.
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).
3.5.1. Toma de muestras
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:
A. Utilizando el software ENVI 5.3, procedemos a abrir nuestra imagen

ortorectificada y georeferenciada. Iremos a File->Open->escogemos nuestro
archivo.
B. Una vez cargada nuestra imagen Geo Eye, damos clic derecho en nuestro layer
manager tal como se indica en laFigura 20.
38
Página

(511) 615-7800
Figura 20: Creación de ROIs
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
Figura 21: Toma de muestras mediante ROIs

Página

(511) 615-7800
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).
Figura 22: Tipos para toma de muestras de ROIs
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.
3.5.2. Clasificación de la red hidrográfica
Se definió trabajar con el tipo de clasificación supervisada Mahalanobis Distance Classification.

Para llevar a cabo esta clasificación llevamos a cabo el siguiente procedimiento:
A. Abrimos ENVI 5.3. En la caja de herramientas ubicada por defecto al lado

derecho de la pantalla abrimos la pestaña Classification-> Supervised
classification -> Mahalanobis Distance Classification.
B. Nos aparecerá una ventana como la mostrada en la Figura 23, en la cual
seleccionaremos los datos de entrada, en nuestro caso la imagen
georeferenciada y ortorectificada y damos clic en Ok.
40
Página
2
ROI, por sus siglas en inglés Región of Interest, en español: Región o Area de Interés.

(511) 615-7800
Figura 23: Selección de datos de entrada
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

(511) 615-7800
Figura 24: Selección de ROIs para clasificación supervisada
D. Finalmente, luego del procesamiento, el resultado de la clasificación es

arrojado por el software, obteniendo resultados como los mostrados
en la Figura 25, Figura 26 y Figura 27.
Figura 25: Clasificación final de la red hidrográfica mendiante Mahalanobis Distance

Classification
42
Página

(511) 615-7800
Figura 26: Imagen satelital GeoEye01
43
Figura 27: Muestra representativa de red hidrográfica clasificada

Página

(511) 615-7800
3.5.3. Clasificación de las redes viales
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:
A. Abrimos ENVI 5.3, en la caja de herramientas ubicada por defecto al lado

derecho de la pantalla daremos clic a la pestaña Classification-> Supervised
classification. Aquí están presentes las tres clasificaciones indicadas líneas
arriba. El procedimiento será similar para las tres. La Figura 28, Figura 29 y
Figura 30 muestran la interface del software que aparecerá al escoger cada
una de las tres clasificaciones indicadas:
Figura 28: Clasificación mediante Minimum Distance Classification
Para el caso de Minimum Distance Classification, seleccionamos en el campo Select Classes

from Regions, el ROI denominado asfalto o vías, el cuale contiene las muestras de pixeles de
las vías. Luego en Set Max stdev from Mean seleccionamos Single Value y en el campo Max
stdev from Mean escribiremos 1.2 (este valor puede variar, dependiendo del detalle de
clasificación que querramos lograr). En la pestaña Set Max Distance Error marcaremos None.
Luego guardaremos nuestra capa a crearse dentro de la pestaña Output Results y daremos clic
en ok.
44
Página

(511) 615-7800
Figura 29: Clasificación mediante Parallelepiped Classification
Para el caso de Parallelepiped Classification, seleccionamos en el campo Select Classes from

Regions, el ROI denominado asfalto o vías los cuales contiene las muestras de pixeles para la
clasificación. Luego en Set Max stdev from Mean seleccionamos Single Value y en el campo
Max stdev from Mean escribiremos 1.55 (este valor puede variar, dependiendo del detalle de
clasificación que querramos lograr), para nuestro caso probamos con 1.2 y 1.55. Luego
guardaremos nuestra capa a crearse dentro de la pestaña Output Results y daremos clic en ok.
45
Página
Figura 30: Clasificación mediante Spectral Information Divergence

(511) 615-7800
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.
Figura 31: Clasificación mediante Spectral Information Divergence
B. Finalmente, luego del procesamiento de clasificaciones se obtuvieron los

siguientes resultados para la red vial (Figura 32, Figura 33, Figura 34, Figura 35,
Figura 36):
46
Figura 32:Minimum Distance Classification – Umbral: 1.2

Página

(511) 615-7800
Figura 33:Parallelepiped Classification - Umbral: 1.2
47
Página
Figura 34:Parallelepiped Classification - Umbral: 1.55

(511) 615-7800
Figura 35:Spectral Information Divergence Classification - Umbral: 0.050
48
Página
Figura 36:Spectral Information Divergence Classification - Umbral: 0.075

(511) 615-7800
3.6. Vectorización de la red vial y la red hidrográfica mediante modo manual
A. Utilizando el software ArcGis, procedemos a abrir la imagen de alta resolución

GeoEye1.
B. Abrimos ArcCatalog, y nos dirigimos a la carpeta donde crearemos un nuevo
Shape. Damos clic derecho y seleccionamos la opción New->Shapefile. Nos abrirá
una ventana como la mostrada en la Figura 37:
Figura 37: Creación de Shape file para vectorización de ríos y vías.
C. Indicaremos el nombre del archivo a crear, luego definiremos en Feature Type,

el tipo de Shape que queremos, puede ser Polígono, Línea, Polilínea o Punto.
En nuestro caso escogemos Polígono. Luego en Spatial Reference, definimos el
sistema de referencia y le damos clic en Ok.
D. De esa manera crearemos el Shape para vectorizar las vías o ríos. Activaremos
la opción Editor en ArGis para que aparezca en la barra superior. Una vez
activado vamos a la pestaña Editor - > Start editing y damos clic al botón
ubicado al lado derecho de la pestaña Editor, este botón lleva por nombre
Create Features y aparecerá nuestro Shape denominado vías, mientras que en
la parte inferior aparecerá una ventana llamada Construction Tools, donde
podremos escoger diversas herramientas para vectorizar, escogeremos una de
ellas e iniciaremos con la clasificación manual (Figura 38, Figura 39).
49
Página

(511) 615-7800
Figura 38: Red hidrográfica clasificada manualmente
Figura 39: Red vial clasificada manualmente

50
Página

(511) 615-7800
3.7. Procesamiento Post-Clasificación
Para el caso de la clasificación automática, se requirió de un procedimiento para afinar la

clasificación obtenida mediante la toma de muestras, debido al ruido presentado en dicha
clasificación. Este ruido se puede observar en laFigura 40. Este procesamiento post
clasificación forma parte de la clasificación semi-automática (Figura 41).
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.
Figura 40: Ruido presente en la clasificación automática

51
Página

(511) 615-7800
Figura 41: “Limpieza” de ruido resultante por clasificación automática
52
Página

(511) 615-7800
4. ANALISIS SATELITAL DE RED HIDROGRÁFICA Y RED VIAL
Luego de obtener los resultados para la clasificación automática, semiautomática y manual, se

observaron claras diferencias entre las clasificaciones tanto para la visualización, tiempo de
procesamiento y proceso de discriminación de los elementos de interés que en este caso
fueron los ríos y las redes viales.
De manera general (enfocándonos en la totalidad de la imagen), observamos que, en presencia
de diversos elementos con diferentes valores espectrales, la clasificación automática presentó
dificultades al discriminar las redes viales. Esto se observó claramente en la zona urbana de La
Oroya donde existe alta densidad de construcciones, la mixtura de elementos que constituyen
estas áreas, tales como, la diversidad de materiales de los techos, presencia de toldos, puestos
ambulantes, autos, camiones, etc causan que el algoritmo clasificador genere confusión no
logrando una definición en los bordes de los elementos.
Por otro lado, la clasificación semiautomática, requiere de mucha “limpieza” de la capa
resultante mediante el algoritmo automático, consumiendo gran cantidad de tiempo en
limpiar los pixeles sobrantes, por lo cual no es considerada una opción recomendada en zonas
que cuentan con variedad de elementos. Además, hay que considerar que no sólo se trata de
“limpiar” la capa, sino también completar ciertos vacíos que no son clasificados por el
algoritmo y que si son elementos de interés.
Finalmente, la clasificación manual, para nuestro caso fue la más adecuada en la mayoría de
zonas, debido a que la alta resolución de la imagen permitió definir los bordes y/o límites de
las coberturas con mayor precisión y sobre todo con mayor rapidez que en la clasificación
automática, siendo capaz de discriminar vías de acceso y/o elementos hasta de menos de 2
metros de ancho.
4.1. Clasificación automática y semiautomática de la red hidrográfica
Los resultados de nuestra clasificación automática y semiautomática, mostraron que la red

hidrográfica fue mucho más fácil de mapear que las redes viales. La capacidad del algoritmo
Mahalanobis Classification fue muy buena, al punto que fue capaz de diferenciar, tal y como se
observa en la Figura 42 y Figura 43, las áreas en donde el cauce del río es permanente y áreas
de cauce estacional.
En este caso, si bien es cierto, existió presencia de ruido, éste fue bastante menor que el
presentado en los clasificadores de la red vial. Además, una característica bastante útil al
momento de clasificar automáticamente la red hidrográfica fue que se pudo observar la
presencia de áreas continuas “interrumpidas” de tramo en tramo, indicando la presencia de
puentes, convirtiéndose en una herramienta bastante útil para identificar y/o ubicar los
puentes existentes (Figura 44, Figura 45).
53
Página

(511) 615-7800
Figura 42: Imagen GeoEye – Combinación 432
Figura 43: Clasificación automática red hidrográfica – Discriminación de agua e islotes de arena
54
Página

(511) 615-7800
Figura 45: Clasificación automática red hidrográfica – Discriminación de agua y puentes

55
Página

(511) 615-7800
56
Figura 47: Clasificación automática red hidrográfica

Página

(511) 615-7800
4.2. Clasificación manual de la red hidrográfica

Una manera rápida de obtener la red hidrográfica fue aplicar una clasificación manual.
Como se observa en la Figura 48 y Figura 49, los resultados fueron más definidos y sin
ruido (debido a que es el técnico especialista el que define los límites del elemento a
clasificar), pero aun así vale la pena resaltar que para el caso de las redes
hidrográficas sería importante contar con una clasificación semiautomática que
implique tanto el expertis del técnico como la automatización del software.
Figura 48: Clasificación manual río e islas de arena
57
Página
Figura 49: Clasificación manual – Rio Mantaro

(511) 615-7800
4.3. Clasificación automática y semiautomática de la red vial

Para el caso de la red vial, las diferentes clasificaciones utilizadas, así como los diferentes
valores de umbral indicados, mostraron resultados distintos. Como ejemplo mostramos la zona
de intersección entre la RUTA PE-3N, RUTA PE-3S y RUTA PE-22 utilizando tres clasificaciones
(dos de ellos con diferentes valores de umbral). Descartamos el algoritmo Spectral Information
Classification (Figura 54 y Figura 55) debido a que no define las carreteras de una manera
precisa, obteniendo bordes difusos que no ayudan a la discriminación de las redes viales de los
elementos enmarcados dentro de aquella zona de intersección.
Por otro lado, el algoritmo Minimum Distance Classification, logra una buena discriminación de
las redes viales, pero no define completamente los bordes de estas. Por ejemplo, la Figura 51
muestra cierto grado de definición de los bordes de las carreteras, pero con un grado de
dispersión de la información.
Finalmente, consideramos que el algoritmo Parallelepiped Classification, obtuvo los mejores
resultados al momento de definir los bordes de las tres carreteras mencionadas, demostrando
así un mejor comportamiento y por ende utilidad. De los dos umbrales aplicados a este
algoritmo, consideramos que el valor de 1.55 es el mejor (Figura 53), debido a que define con
mayor precisión los bordes; aunque el ruido presente en las zonas exteriores es mucho mayor
implicando así un mayor tiempo al momento de realizar una “limpieza”. Adicionalmente, hay
que considerar que a pesar que existe una buena discriminación de la red vial, así como una
buena definición de los bordes, la clasificación incluye los bordes de algunas construcciones
que probablemente cuenten con materiales con valores espectrales bastante similares a los
materiales utilizados en el asfalto de la carretera.
58
Figura 50:Imagen Satelital GeoEye 01 (combinación 432) – Intersección Rutas PE22/PE3N/PE3S

Página

(511) 615-7800
Figura 51:Minimum Distance Classification – Umbral: 1.2. Intersección Rutas PE22/PE3N/PE3S
Figura 52:Parallelepiped Classification - Umbral: 1.2- Intersección Rutas PE22/PE3N/PE3S

59
Página

(511) 615-7800
Figura 53:Parallelepiped Classification - Umbral: 1.55- Intersección Rutas PE22/PE3N/PE3S
60
Figura 54:Spectral Information Divergence Classification - Umbral: 0.050 - Intersección Rutas

Página
PE22/PE3N/PE3S

(511) 615-7800
Figura 55:Spectral Information Divergence Classification - Umbral: 0.075- Intersección Rutas

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.

(511) 615-7800
Figura 56:Imagen Satelital GeoEye 01 – Vías urbanas
62
Figura 57:Minimum Distance Classification – Umbral: 1.2 – Vias urbanas

Página

(511) 615-7800
Figura 58:Parallelepiped Classification - Umbral: 1.2 – Vías urbanas
63
Figura 59:Parallelepiped Classification - Umbral: 1.55 – Vías urbanas

Página

(511) 615-7800
Figura 60:Spectral Information Divergence Classification - Umbral: 0.050 – Vías urbanas
64
Figura 61:Spectral Information Divergence Classification - Umbral: 0.075 – Vías urbanas

Página

(511) 615-7800
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.
Figura 62:Imagen Satelital GeoEye 01 – Vías pavimentadas y caminos

65
Página

(511) 615-7800
Figura 63:Minimum Distance Classification – Umbral: 1.2 – Vías pavimentadas y caminos
66
Figura 64:Parallelepiped Classification - Umbral: 1.2 – Vías pavimentadas y caminos

Página

(511) 615-7800
Figura 65:Parallelepiped Classification - Umbral: 1.55 – Vías pavimentadas y caminos
67
Figura 66:Spectral Information Divergence Classification - Umbral: 0.050 – Vías pavimentadas y

Página
caminos

(511) 615-7800
Figura 67:Spectral Information Divergence Classification - Umbral: 0.075 – Vías pavimentadas

y 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

(511) 615-7800
Figura 68:Imagen Satelital GeoEye 01 – Puente La Oroya
Figura 69:Minimum Distance Classification – Umbral: 1.2– Puente La Oroya

69
Página

(511) 615-7800
Figura 70:Parallelepiped Classification - Umbral: 1.2– Puente La Oroya
70
Figura 71:Parallelepiped Classification - Umbral: 1.55– Puente La Oroya

Página

(511) 615-7800
Figura 72:Spectral Information Divergence Classification - Umbral: 0.050– Puente La Oroya
Figura 73:Spectral Information Divergence Classification - Umbral: 0.075– Puente La Oroya

71
Página

(511) 615-7800
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.
Figura 74:Imagen Satelital GeoEye 01 – Clasificación de vías de acceso

72
Página

(511) 615-7800
Figura 75:Minimum Distance Classification – Umbral: 1.2 - Clasificación de vías de acceso
73
Figura 76:Parallelepiped Classification - Umbral: 1.2 - Clasificación de vías de acceso

Página

(511) 615-7800
Figura 77:Parallelepiped Classification - Umbral: 1.55- Clasificación de vías de acceso
74
Figura 78:Spectral Information Divergence Classification - Umbral: 0.050- Clasificación de vías

de acceso
Página

(511) 615-7800
Figura 79:Spectral Information Divergence Classification - Umbral: 0.075 - Clasificación de vías

de acceso
4.4. Clasificación manual de la red vial
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

(511) 615-7800
clasificador Spectral Information Divergent mediante la clasificación automática, la clasificación

manual logró de una mejor manera la definición de los caminos ubicados en estas áreas.
Figura 80: Clasificación manual – Ruta PE-22
76
Página
Figura 81: Clasificación manual – Zona Urbana – Zona urbana de La Oroya

(511) 615-7800
Figura 82: Clasificación manual Ruta 3S
Figura 83: Clasificación manual Puente La Oroya

77
Página

(511) 615-7800
Figura 84: Clasificación manual de vías de acceso
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: Puentes identificados en el área de estudio
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

(511) 615-7800
Cuadro 10: Puentes identificados en el área de estudio
PUENTE LONGITUD ANCHO RUTA UBICACIÓN

Puente 1 40 m 5m PE-3N Altura km 2.16 PE-3N
Puente 2 55.93 m 5m PE-3N Altura km 2.35 PE-3N
Puente 3 31.48 m 2.44 m PE-3N Altura km 2.27 PE-3N
Puente 4 80 m 8m PE-3S Altura km 0.40 PE-3N
Puente 5 70 m 4m PE-3S Altura km 1.00 PE-3S
Puente 6 74 m 5m PE-3S Altura km 2.57 PE-3N
Puente 7 76 m 5m PE-22 Altura km 174.33 PE-22
Puente 10 8m 8.79 PE-22 Altura km 171.75 PE-22
Paso Subterráneo 60.17 m - PE-3N Altura km 0.10 PE-22
del Rio 1
Paso Subterráneo 46.98 m - PE-22 Altura km 171.78 PE-22
del Rio 2
Paso Subterráneo 97.40 m - PE-22 Altura km 172.50 PE-22
del Rio 3
Cuadro 11: Longitudes de río para el área de estudio
CORTE ANCHO DE RIO DISTANCIA A RUTA RIO REFERENCIA

1 28 m (cauce estacional) 53.68 Mantaro Ruta PE-3N
26.84 (cauce permanente)
2 31 m 12.31 m Mantaro Ruta PE-3N
3 82.67 m 69.43 m Mantaro Ruta PE-3N
1 32.72 m 78.77 m Mantaro Ruta PE-3S
1 21.35 m 80 m Yauli Ruta PE-22
79
Página

(511) 615-7800
4.6. Aplicación para la identificación del casco urbano de La Oroya
Se aplicaron clasificadores para observar el comportamiento de los algoritmos en zonas

con una densidad urbana alta en donde se parte de la hipótesis que la mixtura de elementos
con diversos valores espectrales dentro de un conglomerado urbano causaría confusión en las
clasificaciones.
Se realizó un corte a la imagen satelital GeoEye y se procedió a tomar muestras de la
misma manera que para la clasificación vial e hidrográfica. Las muestras fueron tomadas de
manera independiente para: agua (color celeste), asfalto (color verde), suelo desnudo (color
azul) y área urbana (color amarillo).
Mediante el algoritmo Mahalanobis Distance Classification en umbrales de 2.5 y 3.5 se
obtuvo una buena discriminación del río Mantaro, indicando nuevamente el excelente
comportamiento de este algoritmo para identificar los cuerpos de agua. Pero, para el caso del
área urbana, que es lo que nos interesa en este punto, sólo se logró una buena clasificación de
los techos (tejas) en las casas (color amarillo), todo lo de color verde fue clasificado como
asfalto, y lo azul como suelo desnudo. Si bien es cierto se observa una buena delimitación de
los bordes en donde se enmarca el casco urbano, el problema es que esos límites son
resultado de una clasificación con muestras de asfalto por lo cual, el algoritmo está mezclando
los valores espectrales y otorgando esos mismos valores a las áreas urbanas (Figura 85 y Figura
86).
Para el caso de la clasificación utilizando el algoritmo Parallelipiped Classification (Figura

88) con umbral de 1.7, se define de una mejor manera las áreas urbanas, pero nuevamente
tenemos el problema de confusión de valores espectrales, debido a que el asfalto y el agua
(verde y celeste) son los elementos discriminados resultantes que predominan en lo que
debería clasificarse como área urbana (color amarillo). Sucede algo similar con Minimum
Distance Classification (Figura 88) pero esta vez predomina el área urbana (color amarillo) en
zonas que no corresponde.
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.
Finalmente, la Figura 90, muestra el resultado de la clasificación manual, la cual es más

sencilla de llevar a cabo y depende al 100% de la habilidad del técnico experto. Si bien es
cierto, no es la mejor manera de discriminar en este caso un área urbana, debemos tener en
cuenta el tiempo que necesitaremos para definir claramente un algoritmo adecuado. Como se
80
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

(511) 615-7800
fondo el uso de imágenes para discriminar áreas con un entorno urbano de densidades medias
a altas.
2.5
81
Página

(511) 615-7800
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

(511) 615-7800
Figura 89: Clasificación zona urbana La Oroya – Spectral Information Divergence – Umbral 0.05
83
Página
Figura 90: Clasificación zona urbana La Oroya – Manual

(511) 615-7800
5. CONCLUSIONES Y RECOMENDACIONES
Se ha definido clasificar las conclusiones y recomendaciones en base a cuatro puntos

importantes descritos a continuación
5.1. Metodología y Análisis de imágenes satelitales
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

(511) 615-7800
5.2. Características espaciales y espectrales de las imágenes satelitales
En el presente trabajo se observó la importancia de dos aspectos a tomar en cuenta al

momento de adquirir una imagen satelital: la resolución espacial y la resolución espectral.
Utilizamos una imagen de alta resolución (0.50 m) con cuatro bandas en el multiespectral y
una banda en el pancromático, las cuales fueron de máxima utilidad para discriminar diversos
elementos en nuestra área de estudio.
Es importante que consideremos el tipo de estudio que vamos a llevar a cabo con la finalidad
de definir qué resolución espacial y/o espectral necesitamos. Estudios realizados a nivel local,
en los cuales sea necesario diferenciar diversos elementos a gran nivel de detalle, requerirán
imágenes satelitales de alta resolución, mientras que estudios a niveles regionales o nacionales
los cuales sean semidetallados y se necesite cartografiar grandes extensiones es necesario
considerar imágenes gratuitas como Landsat.
Si bien es cierto, lo ideal es trabajar con imágenes de resoluciones submétricas (menores de
1m), debemos tener en cuenta los exorbitantes costos que estas pueden llegar a tener si el
área de estudio es demasiado grande, por lo cual es recomendable incluir en los planes de
trabajo los pro y contras del uso de diversos tipos de imágenes satelitales y sus características
principales como su resolución espacial y espectral, qué se quiere lograr con determinado
estudio y sobre todo a que nivel de detalle se requieren los productos finales.
5.3. Requerimientos y costos operacionales
Un punto importante a considerar es la definición previa de los requerimientos y costos a

incurrir en los proyectos referidos a imágenes satelitales, los cuales cabe destacar en su
mayoría suelen ser elevados, no sólo por el alto grado de especialización que necesitan los
intérpretes sino los equipos, software y materia prima utilizados.
Como premisa base debemos establecer al especialista. Debemos considerar que no todo
especialista SIG es un especialista en Teledetección y viceversa. Cada campo es diferente y
abarca un abanico de posibilidades de especialización y expertis, por lo cual es necesario
contar con especialistas de ambas ramas tanto para extraer la información cruda de la imagen,
procesarla, analizarla e interpretarla, así como para vectorizar, cartografiar y crear el producto
final (mapa). Estos procedimientos se realizan en equipos especializados, los cuales pueden
llegar a ser altamente costosos debido a los tamaños de memoria y procesadores que poseen,
ya que manejar y procesar las imágenes satelitales en software especializado requiere de
equipos potentes.
Los softwares de procesamiento de imágenes satelitales son costosos y requieren un soporte
técnico especializado. Si bien es cierto, existe software libre el cual puede ofrecer ventajas
similares al software de pago, no ofrece soporte técnico, lo cual en muchos casos es necesario.
85
Además, se debe considerar que el software libre no es comúnmente utilizado en instituciones

Página

(511) 615-7800
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.
5.4. Innovación tecnológica y aplicación de la teledetección para la red vial nacional
La aplicación de la teledetección para la discriminación de las redes viales en el Perú, es un

tema poco estudiado, requiriéndose de muchísima investigación, innovación, experimentación
y sobre todo alto compromiso y paciencia, debido a que son procesos que toman tiempo en
definirse y perfeccionarse, considerándoseles estudios a largo plazo.
Es importante contar con las herramientas adecuadas, el personal en constante capacitación y
actualización, con el fin de mantenerse a la vanguardia de las nuevas tecnologías en
teledetección. Contar con el personal, equipos y software especializados, permitirá obtener
productos de calidad y que sirvan como base para el diseño y trazo de carreteras, inventariado
y actualización de la red vial nacional, impacto de los fenómenos naturales sobre las
86
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

(511) 615-7800
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

(511) 615-7800
6. GLOSARIO
 Banda espectral: Intervalo de determinadas longitudes de onda del espectro

electromagnético.
 Banda térmica: Banda espectral que comprende las longitudes de onda del infrarrojo
que se transmiten a través de una ventana atmosférica de 8 a 14 micrómetros,
aproximadamente.
 Banda visible: Banda espectral que corresponde a la visión humana con longitudes de
onda comprendidas entre 0,4 y 0,7 micrómetros, aproximadamente.
 Coordenada Geográfica: cada uno de los valores de longitud y latitud que indican la
situación relativa de un punto sobre la superficie de un globo.
 Falso color: Imagen en la que sus colores son el resultado de una combinación y una
composición cromática arbitraria o convencional. En lugar de aplicar los colores azul,
verde y rojo a las respectivas bandas del espectro se aplican a las bandas el verde, rojo
y el infrarrojo cercano, respectivamente. El uso frecuente del falso color tiene relación
con la resolución espectral de una buena parte de los sensores que se instalan en los
vehículos espaciales.
 Firma espectral: Es la forma peculiar de reflejar o emitir energía de un determinado
objeto o cubierta. Depende de las características físicas o químicas del objeto que
interacciona con la energía electromagnética, y varía según las longitudes de onda.
 Fotointerpretación: Interpretación realizada sobre fotos aéreas verticales y
ortofotomapas, con el propósito de obtener información confiable de los objetos
físicos y el medio ambiente con ayuda de los procesos de registro y medición.
 Imagen de satélite: Imagen elaborada a partir de información captada por un sensor
instalado en un satélite.
 Imagen multiespectral: o multibanda es un conjunto de imágenes, con las mismas
propiedades geométricas, cada una de las cuales recoge el valor de reflectancia en un
determinado intervalo de longitud de onda del espectro electromagnético.
 Infrarrojo: Banda espectral que abarca longitudes de onda desde 0.7 a 100
micrómetros
 Inventario de mapas: Enumeración, generalmente en forma de lista, de documentos
cartográficos de una colección o un fondo cartográfico.
 Latitud: Distancia angular entre un punto cualquiera de la esfera terrestre y el ecuador
ya sea al norte o al sur. Se mide en grados. La latitud en el ecuador es de 0 grados y en
los polos 90 grados
 Longitud: Distancia angular entre un punto de la superficie terrestre y el meridiano 0
grados de Greenwich o cualquier otro meridiano que se quiera tomar como origen a
88
partir del cual se medirá hasta llegar a un máximo en los 180 grados hacia el este o
Página
hacia el oeste

(511) 615-7800
 Memoria Descriptiva: Texto explicativo que acompaña a un mapa y que explica la

metodología utilizada para su realización junto con una narración justificativa de sus
contenidos.
 Ortoimagen: Una ortoimagen es una imagen digital que ha sido procesada para
corregir desplazamientos debido a la perspectiva del sensor y al relieve.
 Ortorectificación: Corrección geométrica de la imagen derivada de una perspectiva
convencional de imagen por rectificación diferencial o simple, para que los
desplazamientos causados por la inclinación del sensor y el relieve del terreno sean
removidos.
 Pixel: Unidad percibida de una imagen digital, normalmente es un área muy pequeña,
sobre la cual se registra la radiación procedente del área terrestre captada en un
instante, y que constituye el elemento pictórico más pequeño de una imagen que es
susceptible de ser procesada.
 Radar: Sensor activo que permite detectar, localizar o formar una imagen utilizando
radiaciones electromagnéticas de alta frecuencia que se pueden reflejar y medir en un
determinado espacio de tiempo.
 Raster: Superficie de pantalla de un tubo de rayos catódicos donde se forma la imagen
 ROI: Región de interés u objeto de interés.
 Satélite: Cualquier objeto que recorre una órbita alrededor de un cuerpo celeste como
la luna. El término se usa normalmente para designar las plataformas artificiales que
orbitan la Tierra.
 Sensor remoto: Instrumento destinado a captar a distancia una parte de la energía
emitida o reflejada por los objetos.
 SIG: Conjunto de programas y de bases de datos informatizados que permiten
almacenar, modificar y relacionar cualquier tipo de información espacial y estadística.
 Teledetección: Conjunto de técnicas que permiten obtener informaciones sobre la
naturaleza y las propiedades de los objetos sin contacto físicos entre ellos, a distancia,
mediante la captación y medida de las ondas electromagnéticas que emiten o reflejan
los objetos tanto dentro del campo visible como en el de las bandas con longitud de
onda más cortas o más largas.
89
Página

(511) 615-7800
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.
Poli, D. (2005). Modelling of spaceborne linear array sensors: Citeseer.
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

(511) 615-7800
8. ANEXOS
91
Página

(511) 615-7800
8.1. ANEXO 01:

Area de estudio –
La Oroya
92
Página

(511) 615-7800
80° W 75° W 70° W
395000 400000 405000 410000
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
173 RVD Trayectoria
Santa Rosa Long. : -75.88018 #

RVV Trayectoria
RVN (Km 10)

Micaela Bastidas
3 Lat. : -11.54299 #
* RVN (Km)
Red Vial Nacional (Exist.)

Buenos Aires LA OROYA Superfice, Via
Zona Arqueológica Canpanmarca Asfaltado, Autopista
Contadera Araracmachay Asfaltado, Doble Via
Ñanuinpuquio
172
Asfaltado, Una Via
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
SACCO Tallapuquio S/N
X
X
X X Afirmado, Una Via
San Carlos
Sin Afirmar, Una Via
171 Adoquinado, 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.)
Red Vial Departamental (Exist.)
Maria Concepcion Aguilar

Red Vial Departamental (Proy.)
Yantacancha Red Vial Vecinal (Registrada)
169
Villa Sol Puentes
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
SANTA ROSA DE SACO 9

10
p Aerodromos
Santa Rosa de Sacco 10 Helipuertos
167 Zona Arqueológica Turpun

Quinuajirco Puertos
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.
395000 400000 405000 410000 #

* Volcanes
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC)

HOJA Dirección General de Caminos y Ferrocarriles
MINISTERIO DE TRANSPORTES Y COMUNICACIONES
Dirección General de Caminos y Ferrocarriles
Dirección de Caminos
Dirección de Caminos E.T. Mapas Viales
VIAL Zona de Estudio (La Oroya) K.W.G.N. LIMA - PERU
2017
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
8.2. ANEXO 02:

Especificaciones
Técnicas - Imagen
satelital de alta
resolución
GeoEye1 94
Página

(511) 615-7800
95
Página

(511) 615-7800
96
Página

(511) 615-7800
8.3. ANEXO 03:

Imagen GEOEYE1
97
Página

(511) 615-7800
399000 400000 401000 402000 403000 404000
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
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
SISTEMA NACIONAL DE CARRETERAS SINAC CLASIFICADOR DE RUTAS (D.S. N° 011-2016-MTC) Dirección General de Caminos y Ferrocarriles
LIMA - PERU
Dirección de Caminos 2017
INVENTARIO VIAL ESCALA 1: 800 - A3 WGS84 - UTM 18S

Imagen Pancromática - Geo Eye 1 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
DICIEMBRE 2016 Ok 0 0.75
1:15,500
1.5 3
23 de Julio de 2016
Kilómetros
399000 400000 401000 402000 403000
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
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
Pansharpening
8725600
8725600
Color Natural: 321
Area total: 25 km2
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000
LIMA - PERU

Imagen Multiespectral - Geo Eye 1 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:15,500
1.5 3
23 de Julio de 2016
Kilómetros
8.4. ANEXO 04:

Imagen GEOEYE1 –
Ortorectificada y
Georeferenciada
99
Página

(511) 615-7800
399000 400000 401000 402000 403000 404000
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
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
$
8726400
8726400
ESTACION LA OROYA E
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
Pansharpening
8725600
8725600
Color Natural: 321
Area total: 25 km2
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000 404000
LIMA - PERU

Imagen GeoEye-1 - Ortorectificada y Georeferenciada Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:15,500
1.5 3
23 de Julio de 2016
Kilómetros
8.5. ANEXO 05:

Imagen GEOEYE1 y
vectorización de
red hidrográfica y
red vial 101
Página

(511) 615-7800
399000 400000 401000 402000 403000
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
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
Pansharpening
8725600
8725600
Color Natural: 321
Area total: 25 km2
Red Hidrográfica
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000
LIMA - PERU

Resultados Crudos de Red Hidrográfica Clasificada Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:15,500
1.5 3
23 de Julio de 2016
Kilómetros
399000 400000 401000 402000 403000
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
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
Pansharpening
8725600
8725600
Color Natural: 321
Area total: 25 km2
Clasificación
8724800
8724800
8724000
8724000
399000 400000 401000 402000 403000
LIMA - PERU

Resultados Crudos de Red Vial Clasificada - Parallelepiped Classification Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:15,500
1.5 3
23 de Julio de 2016
Kilómetros
80°0'0"W 75°0'0"W 70°0'0"W
399000 400500 402000 403500
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
80°0'0"W 75°0'0"W 70°0'0"W
Vado
E
Chagracancha
La Oroya
Shincamachay
E
Shinca / La Oroya
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
Rio Patacancha Verde Loma EE

Ma LA OROYA !
P
R
n taro Santa
R Rosa de Sacco
SANTA ROSA DE SACO
Atauna
El Tambo
Huaynacancha
t
Sueropozo
Yuraccancha
PE
ESTACION LA OROYA
$
.
/
3N
E
$
Pansharpening
u li 3 bandas multiespectrales
Rio Y a
Forbe Oroya Banda pancromática: 0.50 m
Las Mercedes Huaymanta Color Natural: 321
Area total: 25 km2
La Florida Cobertura de Nubes: 0%
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
Santa Anita Los Alamos

t
.
/ PE
3S
!
P
Capital Provincial
R
Capital Distrital
Centros Poblados
t
.
/ PE
3S
$
Estaciones Ferroviarias
E Puentes Ferroviarios
Ferrocarril Central
399000 400500 402000 403500
E
Dirección General de Caminos y Ferrocarriles MINISTERIO DE TRANSPORTES Y COMUNICACIONES
Dirección de Caminos Dirección General de Caminos y Ferrocarriles
Vectorización de Imagen de Satélite GeoEye 01 Dirección de Caminos

LIMA - PERU
2017
Fuente: DGCF, IGN, INEI, MINEDU 1: 800
Redes Viales y Red Hidrográfica - La Oroya - Junín Imagen Satelital GEOEYE 01 - 23 de Julio de 2016 DICIEMBRE 2016 Ok 0 0.045 0.09 0.18 0.27 0.36
Km
80°0'0"W 75°0'0"W 70°0'0"W
399000 400000 401000 402000 403000
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
80°0'0"W 75°0'0"W 70°0'0"W

8726900
8726900
t
.
/ PE
3N E Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
PatacanchaR LA OROYA
$
ESTACION LA OROYA E
Forbe Oroya
Las Mercedes Huaymanta

La Florida
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
ESTACION LA OROYA
$ Modo
Pancromático+Multiespectral= Pansharpening
E Resolución Espectral: 1 banda pancromática-
Color Natural: 321
Area total: 25 km2
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
399000 400000 401000 402000 403000

Dirección General de Caminos y Ferrocarriles MINISTERIO DE TRANSPORTES Y COMUNICACIONES
E
Dirección de Caminos Dirección General de Caminos y Ferrocarriles
Imagen Satelital Base GeoEye 01 y resultados finales de vectorización de Dirección de Caminos

LIMA - PERU
2017
Fuente: DGCF, IGN, INEI, MINEDU 1: 800
Redes Viales y Red Hidrográfica - La Oroya - Junín Imagen Satelital GEOEYE 01 - 23 de Julio de 2016 DICIEMBRE 2016 Ok 0 0.475 0.95 1.9 2.85 3.8
Km
8.6. ANEXO 06:

Cortes de Rios y
distanciasa ejes de
rutas.
103
Página

(511) 615-7800
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
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
CORTE 2 Forbe Oroya
Santa Rosa
Distancia a Micaela Bastidas
Buenos Aires
RUTA PE-22 Cauce permanente = 31 m Marcavalle

Huampani
Alto Marcavalle
12.31 m Tallapuquio
San Carlos
ETupac Amaru
EE
Pansharpening
Color Natural: 321
Area total: 25 km2
Cauce permanente = 82.77 m Cobertura de Nubes: 0%
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

LIMA - PERU
INVENTARIO VIAL ESCALA 1: 6,754 - A3 WGS84 - UTM 18S

RUTA PE-3N / CORTES DE RIO Y DISTANCIAS A RUTA PRINCIPAL Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:6,754
1.5 3
23 de Julio de 2016
Kilómetros
400200 400800 401400 402000 402600 403200
80°0'0"W 75°0'0"W 70°0'0"W
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
Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
8725400
8725400
EE
Pansharpening
Color Natural: 321
Area total: 25 km2
8724800
8724800
LEYENDA
Corte 3 DATOS EXTRAIDOS DE
Ancho: 28.10 m IMAGEN DE SATELITE
Distancia a Red Hidrográfica
RUTA PE-3S
8724200
8724200
400200 400800 401400 402000 402600 403200
LIMA - PERU

RUTA PE-3S / CORTES DE RIO Y DISTANCIAS A RUTA PRINCIPAL Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:9,890
1.5 3
23 de Julio de 2016
Kilómetros
398700 399400 400100 400800 401500
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
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
Cauce permanente = 21.35 m E Moyopampa / Mayupampa

Shinca / La Oroya
Chulec
La Oroya
CORTE 1 LA OROYA
!
P
Distancia a $
ESTACION LA OROYA E
RUTA PE-22 Forbe Oroya
Huaymanta
80 m Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
8725200
8725200
EE
Pansharpening
Color Natural: 321
Area total: 25 km2
LEYENDA
8724500
8724500
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Hidrográfica
RUTA PE22
8723800
8723800
398700 399400 400100 400800 401500
LIMA - PERU

RUTA PE-22 / CORTES DE RIO Y DISTANCIAS A RUTA PRINCIPAL Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:9,078
1.5 3
23 de Julio de 2016
Kilómetros
8.7. ANEXO 07:

Aplicación a
infraestructura vial -
Puentes
105
Página

(511) 615-7800
399000 400000 401000 402000 403000
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
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
$
E
8726400
8726400
ESTACION LA OROYA
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
4 5 EE
PS1
7 R
Pansharpening
8725600
8725600
t
.
/ PE
3S
Color Natural: 321
8 Area total: 25 km2

t
.
/PE
22 6
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
399000 400000 401000 402000 403000

LIMA - PERU

Ubicación general de puentes y pasos subterráneos del río en área de estudio. Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:15,500
1.5 3
23 de Julio de 2016
Kilómetros
398900 399000 399100
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
Shinca / La Oroya
Chulec
PUENTE 1: LA OROYA
!
La Oroya
P
$
Longitud=40 m ESTACION LA OROYA
Forbe Oroya
E
Huaymanta
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
Pansharpening
Extremo derecho Resolución Espectral:
Ancho de río = 27.01 m 3 bandas multiespectrales
Color Natural: 321
Area total: 25 km2
t
.
/ PE
3N
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726700
8726700
398900 399000 399100
LIMA - PERU

Puente 1 - RUTA PE-3N Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:800
1.5 3
23 de Julio de 2016
Kilómetros
399700 399800
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
$
PUENTE 2: ESTACION LA OROYA
Forbe Oroya
E
Huaymanta
8726800
8726800
Santa Rosa
Longitud=55.93 m Marcavalle
Micaela Bastidas
Buenos Aires
Huampani
Ancho=5 m Alto Marcavalle

Tallapuquio
E San Carlos
Tupac Amaru
PUENTE 3:
EE
Longitud= 31.48 m
Extremo izquierdo Ancho=2.44 m R
Cauce permanente = 23.35 m Modo Pancromático+Multiespectral=
Extremo derecho Pansharpening
Cauce permanente = 23.64 m 1 banda pancromática
Extremo izquierdo Resolución Espacial:
Cauce permanente = 18.39 m Extremo derecho Banda pancromática: 0.50 m

Cauce permanente = 14.92 m Pansharpening: 0.50m
Color Natural: 321
Area total: 25 km2
LEYENDA
t
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
.
/ PE
3N
Red Vial
Red Hidrográfica
8726700
8726700
399700 399800
LIMA - PERU

Puentes 2 y 3 - RUTA PE-3N Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:730
1.5 3
23 de Julio de 2016
Kilómetros
401100 401200 401300
80°0'0"W 75°0'0"W 70°0'0"W
8726300
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
Shinca / La Oroya
Chulec
PUENTE 4:
La Oroya
LA OROYA
!
P
$
E
Longitud = 80 m ESTACION LA OROYA
Forbe Oroya
Huaymanta
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
8726200
8726200
Pansharpening
Extremo izquierdo Extremo derecho 1 banda pancromática
t
Cauce estacional = 22.06 m Cauce pernanente = 18.85 m Resolución Espacial:
.
PE
/
3S
Color Natural: 321
Area total: 25 km2
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726100
8726100
401100 401200 401300
LIMA - PERU

Puente 4 - RUTA PE-3S Fuente: Digital Globe - Imagen Satelital GEOEYE 01
23 de Julio de 2016
1:850
1.5 3
Kilómetros
401600 401700 401800
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
Shinca / La Oroya
t
.
/ PE
3S
Chulec
ESTACION LA OROYA
Forbe Oroya
$
E
LA OROYA
Huaymanta
Santa Rosa
!
P
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
Extremo izquierdo Modo Pancromático+Multiespectral=
Ancho de río = 21.30 m Pansharpening
Extremo derecho Resolución Radiométrica: 16 bits
Color Natural: 321
Ancho de río = 36.67 m Area total: 25 km2
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8726100
8726100
401600 401700 401800
LIMA - PERU

23 de Julio de 2016
1:670
1.5 3
Kilómetros
402200 402300 402400 402500
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
8725200
8725200
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
Ancho de río = 20.67 m

EE
t
Pansharpening
.
/ PE
3S
PUENTE 6:
Longitud = 74 m Resolución Temporal: 3 días
Color Natural: 321
Ancho = 5 m Area total: 25 km2
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
402200 402300 402400 402500

LIMA - PERU

1:973
1.5 3
23 de Julio de 2016
Kilómetros
400400 400500 400600 400700
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
PUENTE 7:
Longitud = 76 m
Ancho = 5 m Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
8726000
8726000
Forbe Oroya
Santa Rosa
Cauce estacional = 14.48 m Micaela Bastidas

Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
Cauce permanente = 8.64 m EE
Pansharpening
Cauce estacional = 12.19 m 1 banda pancromática
Cauce permanente = 12.41 m t

.
/ PE
22
Color Natural: 321
Area total: 25 km2
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
8725900
8725900
Red Hidrográfica
400400 400500 400600 400700

LIMA - PERU

Puente 7 - RUTA PE-22 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:900
1.5 3
23 de Julio de 2016
Kilómetros
399700 399800 399900
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
8725300
8725300
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru

EE
PUENTE 8 R
Longitud = 56 m ESPECIFICACIONES TECNICAS

Ancho = 2 m Modo Pancromático+Multiespectral=
Pansharpening
t
.
/ PE
22
Color Natural: 321
Area total: 25 km2
Ancho de río = 8.71 m Fecha de adquisición:23/07/16
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8725200
8725200
399700 399800 399900 MINISTERIO DE TRANSPORTES Y COMUNICACIONES
LIMA - PERU

PUENTE 8 - RUTA PE-22 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
23 de Julio de 2016
1:800
1.5 3
Kilómetros
399600 399700 399800
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

Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
PUENTE 9 Forbe Oroya

Santa Rosa
Micaela Bastidas
Buenos Aires
Longitud = 40 m Marcavalle
Huampani
Alto Marcavalle
Tallapuquio
San Carlos
E
Ancho = 4 m
Tupac Amaru
EE
8725100
8725100
R
Pansharpening
t
.
/ PE
22
Color Natural: 321
Area total: 25 km2
Ancho de río = 8.13 m Fecha de adquisición:23/07/16
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
8725000
8725000
LIMA - PERU

23 de Julio de 2016
1:800
1.5 3
Kilómetros
398800 398900 399000
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
8724100
8724100
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru

EE
PUENTE 10: R
Longitud = 8 m ESPECIFICACIONES TECNICAS

Ancho = 8.79 Modo Pancromático+Multiespectral=
Pansharpening
t
.
/ PE
22
Color Natural: 321
Area total: 25 km2
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

LIMA - PERU

23 de Julio de 2016
1:973
1.5 3
Kilómetros
8.8. ANEXO 08:

Aplicación a
infraestructura vial –
Paso subterráneo del
río 107
Página

(511) 615-7800
400600 400700 400800
8726200
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
Ancho de río = 13.13 m Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
t
.
/PE
Tramo 1
Pansharpening
8726100
3N
8726100
Tramo total PASO SUBTERRÁNEO DEL RIO 1 Resolución Espacial:
t
cubierto Tramo 1: 18.30 m Pansharpening: 0.50m
Tramo 2
Tramo 2: 34.65 m
Tramo total: 60.17 m .
/ PE
3S
Color Natural: 321
Area total: 25 km2
t
.
/ PE
22
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica

8726000
8726000
LIMA - PERU

PASO SUBTERRÁNEO DEL RÍO 1 - INTERSECCIÓN RUTA PE-3S / PE-3N / PE-22 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:800
1.5 3
23 de Julio de 2016
Kilómetros
399300 399400 399500
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
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Ancho de río = 7.93 m Las Mercedes La Florida

Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
PASO SUBTERRÁNEO DEL RIO 2

8724900
8724900
EE
Longitud = 46.98 m R
Pansharpening
Color Natural: 321
Area total: 25 km2
LEYENDA
DATOS EXTRAIDOS DE
IMAGEN DE SATELITE
Red Vial
Red Hidrográfica
t
.
/ PE
22
8724800
8724800
LIMA - PERU

PASO SUBTERRÁNEO DEL RÍO 2 - RUTA PE-22 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:800
1.5 3
23 de Julio de 2016
Kilómetros
399200 399300 399400
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
Ancho de río = 8.60 m Chile
80°0'0"W 75°0'0"W 70°0'0"W
E
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
8724700
8724700
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
EE
PASO SUBTERRÁNEO DEL RÍO 3 R
Longitud = 97.40 m ESPECIFICACIONES TECNICAS

Pansharpening
Color Natural: 321
Area total: 25 km2
t
.
/ PE
LEYENDA
DATOS EXTRAIDOS DE
8724600
8724600
IMAGEN DE SATELITE
22
Red Vial
Red Hidrográfica

LIMA - PERU

PASO SUBTERRÁNEO DEL RÍO 3 - RUTA PE-22 Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:973
1.5 3
23 de Julio de 2016
Kilómetros
8.9. ANEXO 09:

Aplicación a
delimitación de
áreas urbanas
109
Página

(511) 615-7800
400500 401000 401500 402000 402500
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
8727000
8727000
Shinca / La Oroya
Chulec
La Oroya
LA OROYA
!
P
ESTACION LA OROYA
$
E
Huaymanta
Forbe Oroya
Santa Rosa
Micaela Bastidas
Buenos Aires
Huampani
Marcavalle
Alto Marcavalle
Tallapuquio
San Carlos
ETupac Amaru
CASCO URBANO - LA OROYA

EE
Pansharpening
8726500
8726500
Color Natural: 321
Area total: 25 km2
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
Red vial urbana
Vias de acceso
Red Hidrográfica
Casco Urbano La Oroya

8726000
8726000
t
.
/ PE
22
Instalaciones La Oroya
PUNTO 0 - INTERSECCIÓN RUTAS:

PE-22 / PE-3N / PE-3S
400500 401000 401500 402000 402500

LIMA - PERU

Casco Urbano La Oroya e Intersección de RUTAS PE-22, PE3N, PE-3S Fuente: Digital Globe - Imagen Satelital GEOEYE 01
1:6,000
1.5 3
23 de Julio de 2016
Kilómetros

Mapeo Satelital Redes Hidro Vial GeoEye1 La Oroya Dic-2016

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mapeo Satelital Redes Hidro Vial GeoEye1 La Oroya Dic-2016

Cargado por

Copyright:

Formatos disponibles

MAPEO SATELITAL DE LAS REDES

2.2. Criterios de análisis de las imágenes satelitales ____________________________ 19

2.3. Geo Eye - 1 ________________________________________________________ 25

3. MATERIALES Y MÉTODOS ___________________________________________ 33

3.5. Clasificación de la red vial y la red hidrográfica utilizando Clasificación Supervisada

Jirón Zorritos 1203

4. ANALISIS SATELITAL DE RED HIDROGRÁFICA Y RED VIAL __________________ 53

Jirón Zorritos 1203

Jirón Zorritos 1203

Figura 38: Red hidrográfica clasificada manualmente ................................................................ 50

Figura 39: Red vial clasificada manualmente .............................................................................. 50

Jirón Zorritos 1203

Figura 40: Ruido presente en la clasificación automática ........................................................... 51

Figura 74:Imagen Satelital GeoEye 01 – Clasificación de vías de acceso .................................... 72

Jirón Zorritos 1203

Figura 76:Parallelepiped Classification - Umbral: 1.2 - Clasificación de vías de acceso ............. 73

Jirón Zorritos 1203

La teledetección ha demostrado ser una herramienta muy valiosa en numerosas

Jirón Zorritos 1203

Jirón Zorritos 1203

Figura 1: Muestra de justificación

Superposición de la red vial (amarillo) y

Figura 2: Imagen satelital Peru SAT-

Jirón Zorritos 1203

2.1. Teledetección y sus elementos

La Teledetección es definida como una técnica cuyo objetivo es la captura, tratamiento y

2.1.1. Ventajas de la teledetección

A. Provee las propiedades electromagnéticas de la tierra por encima de diferentes

Jirón Zorritos 1203

2.1.2. Elementos de la teledetección

El gráfico muestra el proceso de adquisición de una

Figura 3: Proceso de percepción remota

El proceso de formación de una imagen incluye los siguientes elementos fundamentales:

A. Una fuente de energía electromagnética

Jirón Zorritos 1203

2.1.3. Espectro Electromagnético

El espectro visible es una pequeña región del

Figura 4: Espectro Electromagnético

Jirón Zorritos 1203

Cuadro 1: Descripción de las regiones del Espectro Electromagnético

Región o Banda Espectral Longitud de Onda (λ) Características

reflejado 1.3 – 3.0 nm (IR medio)

Jirón Zorritos 1203

2.1.4. Tipos de sensores: pasivos y activos

2.1.5. Tipos de imágenes satelitales

Jirón Zorritos 1203

georreferenciación. La corrección geométrica incorpora un modelo digital del terreno para

2.1.6. Reflectancia e interacción de la energía con los materiales presentes en la

La Reflectancia espectral de un objeto es una característica fundamental en teledetección.

Para identificar los diferentes materiales presentes en la superficie terrestre se utilizan

Cada material posee una variación en su comportamiento espectral. A continuación, se

1. Comportamiento espectral de la vegetación, se ve modificado principalmente por

4. Comportamiento espectral de la nieve posee altos niveles de reflectividad, siendo

pureza de este material.

Jirón Zorritos 1203

5. Comportamiento espectral del agua, se ve afectado por el contenido de clorofila,

Figura 5: Comportamiento espectral de materiales de construcción

2.1.7. Combinaciones y aplicaciones de las Bandas Espectrales

Jirón Zorritos 1203

Cuadro 2: Combinaciones y usos de las bandas del sensor LANDSAT TM y ETM

Cuadro 3: Aplicaciones de las Bandas del Satélite LANDSAT TM y ETM

8 0.52 nm – 0.90 nm (pancromático)  Catastro rural e infraestructuras.