Revista Ibérica de Sistemas e Tecnologias de Informação Recebido/Submission: 08/05/2022

Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 28/07/2022

Estimación de áreas afectadas por incendios en

la reserva forestal protectora bosque oriental de
Bogotá: Usando imágenes satelitales Sentinel-
2, basado en objetos geográficos (GEOBIA)

Nadia Luz Suarez Albarracín1, Javier Medina1-2

rmedina@udistrital.edu.co; sanadial@correo.udistrital.edu.co

Proyecto Curricular Maestría en Ciencias de la Información y las Comunicaciones,

1-2

Facultad de ingeniería, Universidad Distrital Francisco José de Caldas (UDFJC).

Sede principal: Carrera 7 No. 40B - 53. Bogotá D. C., Colombia.
Pages: 300-313

Resumen: El fuego juega un papel primordial en la dinámica de los ecosistemas,

como factor de control en la selección y adaptación de las especies. En Colombia,
el 95% son ocasionados por factores antrópicos, como consecuencia de actividades
de quemas controladas para actividades agrícolas o actividades turísticas. La
Reserva Forestal de los Cerros Orientales de Bogotá ubicada en el departamento de
Cundinamarca, con un área de 13.142,11 hectáreas, se ve afectada por la colonización
de especies invasoras, entre la más destacada se encuentra el retamo espinoso Ulex
europaeus, arbusto leñoso, espinoso, perenne y pirogénico, de origen europeo.
Esta especie incrementa el riesgo de ocurrencia de incendios forestales, debido
a la acumulación de necro masa en pie (altamente inflamable) y su arquitectura
chaparra, que facilita la conducción de corrientes de viento cálido en su interior.
Es por esto, que se requiere un monitoreo muy preciso de información espacial
que proporcione datos referentes a la exactitud y velocidad de los cambios de la
cobertura del suelo en estas áreas afectadas. La presente investigación, se basa
en el cálculo de las áreas afectadas por los incendios forestales ocurridos el 30
de diciembre de 2018, en la reserva forestal, mediante un enfoque orientado a
objetos, una metodología que permita el análisis imágenes satelitales más allá del
paradigma del pixel, evaluando y validando la información obtenida a través del
procesamiento de las imágenes satelitales Sentinel 2A, con el cálculo de los índices
espectrales y una clasificación supervisada.
Palabras-clave: Fusión; Imágenes-satelitales; Modulación de altas frecuencias;
Filtro paso Alto; Valor medio simple.

Estimation of areas affected by fires in the protective forest reserve

bosque eastern de Bogotá: Using sentinel-2 satellite images, based
on geographical objects (GEOBIA)

Abstract: Fire plays an essential role in the dynamics of ecosystems, as a controlling

factor in the selection and adaptation of species. In Colombia, 95% of fires are caused

300 RISTI, N.º E54, 11/2022

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

by anthropogenic factors, as a consequence of controlled burns for agricultural or

tourism activities. The Cerros Orientales de Bogotá Forest Reserve, located in the
department of Cundinamarca, with an area of 13,142.11 hectares, is affected by the
colonization of invasive species, the most prominent of which is the thorny broom
Ulex europaeus, a woody, thorny, perennial and pyrogenic shrub of European origin.
This species increases the risk of forest fires due to the accumulation of standing
necro-mass (highly flammable) and its flattened architecture, which facilitates the
conduction of warm wind currents in its interior. For this reason, a very precise
monitoring of spatial information is required to provide data on the accuracy and
speed of land cover changes in these affected areas. The present research, is based
on the calculation of the areas affected by the forest fires occurred on December 30,
2018, in the forest reserve, through an object-oriented approach, a methodology that
allows the analysis of satellite images beyond the pixel paradigm, evaluating and
validating the information obtained through the processing of Sentinel 2 satellite
images, with the calculation of spectral indices and a supervised classification.
Keywords: Fusion; Satellite images; High Pass Filter; High Frequency
Modulation; Simple mean value.

1. Introducción
Los Incendios Forestales son considerados junto con la tala selectiva, como las
principales causas de degradación forestal de los bosques tropicales (Munoz, 2020) y sus
pérdidas son enormes, por lo que la lucha contra estos fenómenos no debe subestimarse
(Liang, 2019). Para la detección de información y el seguimiento de cambios dinámicos
de los ecosistemas como es el caso de los incendios forestales, se ha realizado con el
método tradicional basado en pixeles, el cual utiliza las características espectrales de
las imágenes. Sin embargo, las tecnologías de análisis de imágenes orientada a objetos
(GEOBIA), no solo usa las características espectrales de los objetos terrestres, sino que
también hace uso completo de las características como el espacio, la textura, la estructura
espacial y la forma de los objetos terres-tres. En este sentido, estudios corroboran que
la precisión de GEOBIA es mayor que la del monitoreo tradicional basado en pixeles
(Luo,2019). La información orientada a objetos presenta una ventaja comparativa
con respeto a los enfoques basado en pixeles, permitiendo una mayor exactitud para el
monitoreo ecológico y ambiental en áreas (Son, 2014).
En Colombia, a pesar de la recurrencia de los incendios forestales en distintas zonas del
país, no existen registros de cálculos de severidad y estimaciones con segmentaciones
y clasificaciones orientadas a objetos que nos permita comparar las estimaciones
calculadas por pixel. En la presente investigación se estudia los efectos posteriores al
incendio en la reserva forestal protectora Bosque Oriental, del día 30 de diciembre de
2018. La Reserva Forestal de los Cerros Orientales de Bogotá se localizan en la capital de
Colombia, en el departamento de Cundinamarca, con un área aproximada de 13.142,11
hectáreas (CAR, 2016). En este sentido, se plantea una metodología, para la estimación
de las áreas afectadas por incendios forestales con un enfoque orientado a objetos,
ejecutando un algoritmo de segmentación en lenguaje CNL en el software eCognition
para la generación de los objetos quema-dos. Posterior a esto, se determina la severidad
de los incendios a través de los índices espectrales y se valida la información por medio
de la comparación de dichos índices y una clasificación supervisada con un algoritmo
(Maquina de Soporte Vectorial), para determinar su exactitud.

RISTI, N.º E54, 11/2022 301

Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá

2. Severidad de los Incendios Forestales

El fuego es una perturbación tanto natural como antropogénica que influye en la
distribución, estructura y funcionamiento de los ecosistemas terrestres en todo el
mundo (Bond,2005). El termino Incendios Forestales hace referencia a los incendios
que pueden ser de origen natural o antrópico, que ocurren en los ecosistemas terrestres
y que se propagan por la vegetación, sean bosque o de cualquier otro tipo (sabanas,
pastizales, humedales, turberas, etc.) (Krebs, 2010). La secuencia a través del tiempo
de los incendios se conoce como Régimen de Incendios y son las características espacio
temporales de estos eventos que se presentan en un área. Estos regímenes de incendios
son un factor determinante en la composición de la vegetación de un ecosistema
determinado (Pausas, 2012).
Según (Chivieco,2008) Los regímenes de incendios pueden caracterizar por sus
tipologías intrínsecas, tales como:· Frecuencia: Es el número de incendios que ocurren
durante un periodo en un área determinada. • Intensidad: referida a las magnitudes
o cantidad de energía liberada por los incendios. • Severidad: Hace referencia a la
medida como el grado o magnitud de la modificación de los ecosistemas afectados,
su nivel permite reflejar el impacto global de los incendios a nivel del paisaje. Estos
impactos pueden ser representado por variables bióticas y abióticas. • Estacionalidad:
relacionada con las condiciones climáticas del lugar. · Combustibilidad: asociada con
el tipo de cobertura vegetal presente. • Tamaño y patrones espaciales: hace referencia
a la extensión de las áreas afectadas, delimitadas por un perímetro específico y sus
distribuciones en el espacio. La severidad hace referencia al impacto del fuego sobre
el medio y a su distribución en el área quemada, es un factor clave para cuantificar el
impacto de los incendios en los ecosistemas (Key, 2006). La severidad a largo plazo,
proporciona información de base para el seguimiento de la recuperación de la cubierta
vegetal (Brewer,2005). En términos cuantitativos, la severidad mide “la magnitud o
grado de cambio ecológico provocado por el fuego” (Lentile,2006)

2.1. Índices espectrales

Los índices espectrales son imágenes que se calculan a partir de otras imágenes
multibanda. Estas a su vez, destacan un fenómeno concreto que se está presentando
y atenúan otros factores que degradan los efectos de la imagen. Por lo general estos
índices se crean agregando y sustrayendo bandas, generando varias relaciones entre
ellas y se encuentran vinculadas a bandas concretas que están en partes definidas del
espectro electromagnético (Zhu,2006). En este sentido, se propone calcular 4 índices
espectrales que permiten identificar las áreas afectadas por el fuego y su severidad. Estos
índices basados en la reflectividad son: NDVI, dNDVI, NBR y el dNBR.

2.1.1. NDVI (Normalized Difference Vegetation Index)

El NDVI separa la vegetación verde del brillo del suelo que está presente en la mezcla
espectral de la imagen (Saragosa,2020) se encuentra en función de la energía absorbida
y reflejada por las plantas dentro del rango del espectro electromagnético. La respuesta
espectral que tiene la vegetación sana permite observar contraste entre el espectro
del visible especialmente en la banda roja y el infrarrojo cercano (NIR) (Zhu, 2006)
Ecuación 1).

302 RISTI, N.º E54, 11/2022

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Donde B8A representa al infrarrojo cercano (NIR 1) y B4 la Banda del espectro visible
rojo.
(dNDVI) Diferencial Normalized Difference Vegetation Index
La diferencia normalizada del índice de vegetación (dNDVI) proporciona información
más detallada sobre la severidad del incendio basándose en la diferencia de valor de
NDVI en momentos pre- y pos-incendio (Zhu, 2006) (Ecuación 2)

(2)

Donde es el índice de vegetación normalizada en el momento anterior al

incendio y el el índice de vegetación normalizada posterior al evento.

2.1.2. (NBR) Normalized Burn Ratio

El Índice de relación de calcinación normalizado utiliza las bandas del Infrarrojo Cercano
NIR y las bandas del Infrarrojo de Onda Corta SWIR para resaltar las áreas calcinadas,
además mitiga los efectos atmosféricos (Paz,2007) (Ecuación 3).

 (3)

Donde BA representa a la banda del infrarrojo cercano (NIR 1) y B12 Hace referencia
al infrarrojo cercano (TIR 2).
(dNBR) Diferencia Índice de Calcinación Normalizado
Según [Key 2006], el dNBR se refiere a la diferencia entre dos imágenes antes y después
del incendio, lo que permite dar una idea de la gravedad de la calcinación de la masa
boscosa (Ecuación 4).

(4)

Donde hace referencia al Índice de Calcinación normalizado anterior al incendio

y el y el es el al Índice de Calcinación normalizado posterior al evento.

2.2. GEOBIA y Teledetección por pixeles

La teledetección es el proceso de descubrir los cambios, observando la misma área de
diferentes imágenes temporales. Los métodos actuales para la determinar estos cambios
se dividen en dos grandes categorías: una, detección de cambios orientada a los píxeles
y otra detección de cambios orientada a objetos (Zhang,2007). La detección de cambios

RISTI, N.º E54, 11/2022 303

Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá

orientada a los píxeles utiliza las celdas independientes como la unidad básica de análisis,
usando operaciones aritméticas a nivel de píxel o transformaciones matemáticas que
normalmente se realizan en imágenes de teledetección multitemporal para obtener
la detección de cambios generados (Chímelo,2021). El enfoque GEographic-Object-
Based Image Analysis (GEOBIA) cuenta con una estructura para hacer frente a estas
restricciones en tipos de vegetaciones heterogéneos Chímelo,2021). En relación con las
técnicas basadas en pixeles GEOBIA proporciona un aumento significativo en el número
de características que se pueden considerar en el proceso de clasificación, como son
espectrales, texturales y morfológicas, como también se pueden considerar algunas
características topológicas (Musci, 2013). Tradicionalmente GEOBIA comprende dos
etapas básicas, primero la Segmentación de imágenes basado en la identificación de
regiones homogéneas, ésta genera una serie de segmentos considerados objetos y
las características de dichos objetos se calculan y se utilizan en la siguiente etapa de
Clasificación (Musci, 2013).

2.3. Proceso de Segmentación

La segmentación de la imagen es la primera etapa de GEOBIA, donde la imagen está
segmentada en objetos homogéneos y discretos basado en el color, las características
espectrales, la textura similar y la forma de los objetos (Forero,2019). La segmentación
es el proceso de subdivisión de una imagen en sus partes constituyentes u objetos con
el fin de separar las partes de interés del resto de la imagen (La Serna.N, 2006). Es el
proceso mediante el cual una imagen se divide en un conjunto de objetos de imagen
espacialmente contiguos compuestos por un grupo de píxeles con homogeneidad o
significado semántico (Zhang,2015). La suma ponderada de estas dos heterogeneidades
forma el criterio de similitud, por lo que el color se crea en de una suma estimada de las
desviaciones estándar de cada banda en una región específica (Ecuación 5).

(5)

Donde: F= valor de fusión, W= peso o ponderación, h color= heterogeneidad en color y

h forma= heterogeneidad en color.
La forma es un atributo compuesto, por lo tanto, es la relación entre el perímetro del
objeto y el cuadro delimitador (es decir, el rectángulo circundante que sea paralelo a los
bordes de la imagen y tenga la menor longitud posible). La heterogeneidad de la forma
es la suma ponderada de las heterogeneidades de compacidad y suavidad (Saragosa,
2020).

2.4. Proceso de Clasificación

Toda clasificación basada en algoritmos de aprendizaje inductivo recibe como entrada
un conjunto de muestras que consisten en vectores de valores de atributos (también
llamados vectores de características) y una clase correspondiente. El objetivo del
aprendizaje es crear un modelo de clasificación, conocido como clasificador, que prediga,
con los valores de sus atributos de entrada disponibles, la clase de una entidad (una
muestra dada).

304 RISTI, N.º E54, 11/2022

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

2.5. Algoritmo Maquinas de Soporte Vectorial

Las máquinas de vectores de apoyo (SVM) o Maquina de Soporte Vectorial, es una
técnica de aprendizaje estadístico supervisado y no paramétrico, por lo que no se hace
ninguna suposición sobre la distribución de datos subyacente. El método se presenta
con un conjunto de instancias de datos etiquetados y tiene como objetivo encontrar
un hiperplano que separa el conjunto de datos en un número predefinido discreto de
clases de forma coherente con los ejemplos de entrenamiento (Zhu, 2006). En su forma
más sencilla, las SVM son clasificadores binarios lineales que asignan a una muestra de
prueba dada una clase de entre las dos etiquetas posibles (Serbouti, 2021).

2.6. Coeficiente Kappa

Expresa la reducción proporcional del error generada por un proceso de clasificación,
comparado con el error de un proceso completamente aleatorio (Congalton, 1991). El
coeficiente Kappa (K) es una medida de precisión apropiada entre mapas temáticos
y datos de referencia, tiene en cuenta todos los elementos de la matriz de confusión
(diagonal y no diagonal). Representa la proporción de acuerdos observados más allá
del azar respecto del máximo acuerdo posible más allá del azar. El índice depende del
acuerdo observado, pero también de la prevalencia del carácter estudiado y de la simetría
de los totales marginales (Ecuación 6).

(6)

Siendo Po la proporción de acuerdos observados y Pe la proporción de acuerdos

esperados en la hipótesis de independencia entre los observadores, es decir, de acuerdos
por azar. El índice κ representa la proporción de concordancia observada más allá del
azar, respecto de la máxima concordancia posible más allá del azar (Serbouti, 2021)).
El plugin Quick STEP para QGIS, es una matriz de similitud basada en objetos, para
evaluar las precisiones geométricas y temáticas de la clasificación de imágenes
satelitales. A diferencia de la matriz de error tradicional, STEP utiliza muestras de
objetos clasificados y de referencia en lugar de recuentos de píxeles (Ramírez, 2016).
STEP proporciona cuatro (4) métricas de similitud para la caracterización de objetos
clasificados en comparación con objetos de referencia: Similitud de forma, Similitud
temática, c. Similitud de bordes, d. Similitud de posición (Lizarazo).

3. Materiales y Métodos
Se presenta una metodología para la evaluación de áreas quemadas usando imágenes de
Sentinel-2. Se implementa un algoritmo en lenguaje CNL, segmentando y clasificando
los objetos en la imagen, determinando a través de los índices espectrales las áreas
quemadas y la severidad del incendio. Finalmente, se implementa un algoritmo de
Máquinas de Soporte Vectorial (MSV), una clasificación supervisada que se valida evalúa
a través de la matriz STEP.

RISTI, N.º E54, 11/2022 305

Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá

3.1. Imágenes satelitales Sentinel - 2

Sentinel – 2 es una misión europea para la obtención de imágenes multiespectrales de
alta resolución y una franja amplia. Es un programa de observación de la tierra que está
siendo desarrollado por la Agencia Espacial Europea (ESA) en el marco del programa
Copernicus operativo desde abril de 2012 [14]. La imagen Sentinel 2A descargada de
Copernicus es del 25/12/2018, correspondiente a las bandas Pre-Incendios, presenta
cinco bandas con una resolución espacial de 20 metros. Las bandas visibles de la 2 a la 4 y
la banda 8A del infrarrojo cercano NIR 1 y la NIR 2 que corresponde al infrarrojo cercado
TIR 2.

3.2. Área de Estudio

La zona de estudio comprende el área correspondiente a la Reserva Protectora Bosque
Oriental de Bogotá, ubicado tanto en el área urbana como rural del Distrito Capital. Los
Bosques orientales atraviesan la ciudad de sur a norte por el borde oriental, tienen un
área aproximada de 13.700 hectáreas y pueden alcanzar alturas de más de 3.600 metros
sobre el nivel del mar. El cual se encuentra considerado bajo la Resolución MADS 1766
de 2016. La reserva forestal se encuentra dentro de la categoría del SINAP (Sistema
Nacional de Áreas Protegidas) – UICN (Categorías de Manejo de Área protegidas)
como; Reserva Forestales Protectoras Nacionales/VI Área protegida con uso sostenible
de los recursos naturales. Se observan la siguiente clasificación: Zona de conservación
a la biodiversidad, Zona agroecológica, Zona de manejo paisajístico, Zona de manejo
silvicultural y Zona de recuperación paisajística y ambiental.

4. Resultados
A partir de la aplicación de las diferentes etapas de la metodología, se presentan a
continuación los resultados obtenidos. Se muestran las bandas de las imágenes satelitales
Sentinel 2A, anterior y posterior al incendio, se realiza la composición de análisis de
vegetación con las bandas 11-8A-4 y el cálculo de índices espectrales. Se hace una
segmentación con base en el NDVI (Índice de Vegetación de Diferencia Normalizada).
Se implementa un algoritmo (flujo de procesos en lenguaje CNL) de segmentación y de
clasificación orientada a objetos para las diferentes clases de coberturas identificadas.
Posteriormente, se realiza una clasificación supervisada con un algoritmo de Maquina
de Soporte Vectorial, con el objeto de realizar la comparación de las áreas quemadas con
los dos tipos de clasificación, para la implementación de la validación de los resultados
a nivel temático.

4.1. Procesamiento de Imágenes

El proceso de descarga de las imágenes Sentinel 2 se realiza en la plataforma Copernicus,
la cual, dispone de dos opciones de nivel de procesamiento para su descarga gratuita (1C
y 2A). El nivel de procesado 1C consta de 13 bandas de trabajo, bajo resoluciones de 10,
20 y 60 metros y bajo nivel TOA (Top of Atmosphere), donde los valores de los píxeles
y el aspecto visual de las imágenes cuentan con la influencia de elementos presentes en
la atmosfera.

306 RISTI, N.º E54, 11/2022

 El proceso de descarga de las imágenes Sentinel 2 se realiza en la plataforma
Copernicus, la cual, dispone de dos opciones de nivel de procesamiento para su
descarga
RISTI gratuita
- Revista Ibérica (1C eyTecnologias
de Sistemas 2A). Eldenivel de procesado 1C consta de 13 bandas de
Informação
trabajo, bajo resoluciones de 10, 20 y 60 metros y bajo nivel TOA (Top of
Atmosphere), donde los valores de los píxeles y el aspecto visual de las imágenes
cuentan con la influencia de elementos presentes en la atmosfera.

Figura 1. Figura
Análisis
1 –de Vegetación
Análisis Pre y Post-Incendio
de Vegetación combinación
Pre y Post-Incendio de bandas
combinación de11-8A-4.
bandas 11-8A-4.

4.2. Cálculo de Severidad del Incendios- Índices Espectrales

4.2. Cálculo de Severidad del Incendios- Índices Espectrales
Los Índices como el NDVI, permitió observar las áreas con o sin vegetación, su
diferencia acentúa
Los Índices másella
como presencia
NDVI, o noobservar
permitió de la misma. La con
las áreas interrogante se presenta
o sin vegetación, su diferencia
cuando hay vegetación
acentúa en un área
más la presencia o noy de
se pierde en laLaimagen
la misma. con fecha
interrogante posterior,cuando
se presenta lo hay
que se puede llegar a concluir una posible afectación de un evento repentino y
vegetación en un área y se pierde en la imagen con fecha posterior, lo que se puede llegar
severo como una
a concluir son posible
los incendios
afectaciónforestales.
de un evento El repentino
NBR proporcionó información
y severo como son los incendios
respecto a la severidad
forestales. El NBRde los incendios,
proporcionó donde se observa
información respectolasa áreas calcinadas
la severidad de .los incendios,
donde se observa las áreas calcinadas.

Figura
Figura 2.
2 –Cálculo
CálculoNBR
NBR(Normalized
(NormalizedBurn
BurnRatio)
Ratio)Post-Incendio
Post-Incendio

SegúnSegún el Análisis
el Análisis de Vegetación
de Vegetación conimágenes
con las las imágenes
pre ypre y post
post incendios,
incendios, se observa las
se observa
áreascon
las áreas con posibles
posibles afectaciones.
afectaciones. En
Eneste
estesentido,
sentido,seserealiza la elección
realiza de las
la elección de localidades
las
localidades que fueron afectadas en el incendio en la reserva, zona rural de las
localidades de Chapinero y santa fe, tal como se ve en la figura 3.
RISTI, N.º E54, 11/2022 307
Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá
Figura 2. Cálculo NBR (Normalized Burn Ratio) Post-Incendio

Según el Análisis de Vegetación con las imágenes pre y post incendios, se observa
que las áreasafectadas
fueron con posibles
en elafectaciones.
incendio en En este sentido,
la reserva, zona se realiza
rural la elección
de las de las
localidades de
localidades
Chapinero quefe,fueron
y santa afectadas
tal como se ve en en el incendio
la figura 3. en la reserva, zona rural de las
localidades de Chapinero y santa fe, tal como se ve en la figura 3.

Figura 3 – Zona de Estudio reserva forestal en las localidades Chapinero y Santa Fe,
Figura 3. ZonaIzquierda)
Pre (Imagen de Estudioy reserva forestal
post Incendio en las localidades
(Imagen derecha) Chapinero y
Santa Fe, Pre (Imagen Izquierda) y post Incendio (Imagen derecha)
SeSecalcula
calculaunun NDVI
NDVI con
con el el objeto
objeto dede lograr
lograr una
una mejor
mejor segmentación
segmentación entre
entre laslas zonas
zonas con
con vegetación
vegetación y no vegetación,
y no vegetación, que seque se deducen
deducen son afectadas
son áreas áreas afectadas por Incendios.
por Incendios. Análisis
deAnálisis
Imágenes de Orientado
Imágenes aOrientado
Objetos dealaObjetos
zona dede la zona
estudio deImagen
de la estudioSentinel
de la Imagen
2A Post-
Sentinel A
Incendio. 2Apartir
Post-Incendio.
del NDVI A separtir del un
ejecutan NDVI se ejecutan
grupo de tareasunpara
grupo de tareas para la
la segmentación. Ver
segmentación.
figura N° 4. Ver figura N° 4.

Figura4.4 –Cálculo
Figura de NDVI
Cálculo de NDVIen en Ecognition:
Ecognition: En la En la de
figura figura de la
la derecha de derecha de la
la Ilustración
Ilustración N° 4 se observan con tonos verdes áreas con vegetación
N° 4 se observan con tonos verdes áreas con vegetación y en azules áreasy en azules
áreas degradadas o desprovista
degradadasdeo las mismas.de las mismas.
desprovista

4.3. Segmentación Multiresolución de la Imagen

4.3. Segmentación Multiresolución de la Imagen
Dividimos la imagen en objetos significativos, o en áreas. No es solo dividir la
Dividimos la imagen
imagen sino en el en objetos
objeto quesignificativos,
le da sentidoo en áreas.
a la No es soloEn
clasificación. dividir la imagen sino
la ilustración a,
enimagen
el objeto que le da sentido a la clasificación. En la ilustración a, imagen
segmentada con un parámetro de escala de 15, Forma: 08 y compactación segmentada
con un parámetro de escala de 15, Forma: 08 y compactación 0.5.
0.5.

308 RISTI, N.º E54, 11/2022

 4.3. Segmentación Multiresolución de la Imagen
Dividimos
RISTI - Revista Ibérica de la imagen
Sistemas en objetos
e Tecnologias significativos,
o en áreas. No es solo dividir la
de Informação
imagen sino en el objeto que le da sentido a la clasificación. En la ilustración a,
imagen segmentada con un parámetro de escala de 15, Forma: 08 y compactación
0.5.

(a) (b)

(a) (b)

(c) (d)
Figura 5. Segmentación Multiresolución
Figura 5 – Segmentación Multiresolución
(c) (d)
4.4. Algoritmos GEOBIA para el cálculo de índices,
Figura 5. Segmentación Multiresolución
Segmentación y Clasificación
4.4. Algoritmos GEOBIA para el cálculo de índices,
4.4. Algoritmos
El lenguaje
Segmentación CNL permiteGEOBIA
y Clasificaciónestablecerpara el cálculo
los algoritmos como un de proceso
índices,
automatizado.
Segmentación y Clasificación
Para el cálculo de índices espectrales, la segmentación y la clasificación
El lenguaje CNL permite establecer los algoritmos como un proceso automatizado. Para de las
coberturas como
El lenguaje
el cálculo se observa
CNL permite en
establecerlas
lossiguientes gráficas
algoritmos como (eCognition,
un proceso 2014).
automatizado.
de índices espectrales, la segmentación y la clasificación de las coberturas
Para el cálculo de índices espectrales, la segmentación y la clasificación de las
comocoberturas
se observa en las
como siguientes
se observa en lasgráficas (eCognition,
siguientes 2014). 2014).
gráficas (eCognition,

Figura
Figura6.
6– Zona dede
Zona estudio clasificada
estudio orientada
clasificada a objetos
orientada (GEOBIA)
a objetos (GEOBIA)
Los atributos óptimos para la separabilidad de las clases fueron la relación entre
NDVIFigura 6. Zona
y el Brillo. de estudio clasificada
La separabilidad no es muy alta orientada
entre lasaclases
objetos (GEOBIA)
Zona de
RISTI,preservación
N.º E54, 11/2022
y Zonas Quemadas, se deduce que estamos frente a un área con un 309
Los atributos óptimos para la separabilidad de las clases fueron la relación entre
NDVI y el Brillo. La separabilidad no es muy alta entre las clases Zona de
 Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá

Los atributos óptimos para la separabilidad de las clases fueron la relación entre
NDVI y el Brillo. La separabilidad no es muy alta entre las clases Zona de preservación
y Zonas Quemadas, se deduce que estamos frente a un área con un bosque primario
bosque
muyprimario
bosque muypor
intervenido
primariointervenido
procesos
muy por
de procesos
intervenido de degradación
degradación y sede
por procesos han y se hanypropuesto
propuesto
degradación estas
se hanzonas para
propuesto
estas
la zonas
estaspara
conservación la conservación
zonas para de los ecosistemas.
de losla ecosistemas.
conservación Clases Clases al
de los exportadas
ecosistemas. exportadas
software
Clases al
Arc software
exportadasMapal 10.8. Se
software
Arc observan
MapArc 10.8.
MapSeáreas
las observan
10.8. las áreas
quemadas
Se observan quemadas
a través
las de los
áreas aobjetos
través ade
quemadas los objetos
de los segmentados
segmentados
través objetos segmentados

Figura 7 – Clasificación Orientada a objeto

Figura 7.Figura
Clasificación Orientada
7. Clasificación a objeto a objeto
Orientada
Se realizó
Se la
Se realizó laexportación
realizó del
la exportación
exportación shape
del shape file
delfile dede
shape la
fileclasificación en eCognition
de la clasificación
la clasificación y se
eny eCognition
en eCognition se calcuaronylas
se
calcuaron laslas
de áreas
áreascalcuaron deáreas
las las clasificaciones
de en
clasificaciones las el en elArcGIS
clasificaciones
software software ArcGIS 10.8
en el10.8.
software .
ArcGIS 10.8.

Figura 8 – Clasificación MSV

Figura 8. Clasificación
Figura MSV
8. Clasificación MSV
Finalmente, el resultado de la clasificación arroja una precisión global de 96,023% y
un coeficiente Kappa de 94,95%; valores que son muy aceptables para la clasificación,
concluyente para un resultado significativos.

310 RISTI, N.º E54, 11/2022

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

4.5. Comparación Estimaciones de Áreas para GEOBIA, Maquinas de

Soporte Vectorial (MSV)
Se realizó el cálculo de las áreas de las clasificaciones para Maquinas de Soporte Vectorial
(MSV) y de las áreas de la combinación 11-8A-4 y los índices espectrales dando como
resultado la tabla N. 2. Las áreas en calculadas orientadas al píxel, presentan un gran
desface al incluir pixeles de la clase Nubes a la clase Zona de Preservación. En MSV Se
observa un alto error por comisión en las áreas quemadas, es decirse duplica el área que
realmente fue afectada por incendios.

Area índices
Nombre Clases Area GEOBIA Area Pixel (MSV) Espectrales
Combinación 11-8ª-4
Arbusto 1.260,00 768,34
Area quemada 47,88 86,05 49,08
Bosques 1.291,62 956,01 1.396,25
Zona de
2.938,06 741,04 2.864,93
Preservación
Nubes 145,48 416,04 135,09
Zona de restauración 502,20 279,53
Total 3.247,18 3.247,18
Fuente: Elaboración propia

Tabla 1 – Resultado Estimaciones de Áreas orientadas al objeto y al píxel

5. Conclusiones y Recomendaciones
La implementación de la metodología para la estimación de afectadas por incendios en
un entorno orientado a objetos (GEOBIA) presentó resultados altamente precisos. La
segmentación basada en el NDVI, la segmentación de los objetos y la clasificación de las
diferentes clases por cobertura del área de estudio se pudieron aplicar correctamente.
La metodología implementada permitió procesar los datos en un entorno orientado a
objetos y compararlas con el resultado obtenido en un entorno orientado al pixel con
el algoritmo de Maquinas de Soporte Vectorial, para así validar los resultados de los
índices espectrales y demostrar que clasificación es más precisa. El método basado en
objetos para la clasificación de imágenes satelitales presenta una mayor precisión que las
técnicas basadas en pixel, debido GEOBIA no solo se basa en propiedades estadísticas y
características espectrales de la imagen, sino que involucra la información espacial. La
metodología orientada al pixel omite el contexto del objeto y su entorno, aumentando
los inconvenientes con la resolución espacial lo que imposibilita mejorar el potencial de
clasificación digital de estas.
Las combinaciones de Bandas para análisis de vegetación 11-8A-4 y los índices
espectrales permitió determinar y validar las clasificaciones orientadas a objetos y por
pixeles a través del cálculo de las áreas que se observan con vegetación, sin vegetación

RISTI, N.º E54, 11/2022 311

Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá

y afectadas por incendios a través del cálculo de la severidad de los mismos. A pesar de
que el algoritmo que se implementó orientado al pixel fue el de Maquinas de Soporte
Vectorial con una precisión global y un índice Kappa mayores al 90% y que de igual
manera se caracteriza por su alta precisión en clasificaciones frente a otros algoritmos,
la cantidad de áreas que ofrece dentro de su clasificación no es tan precisa como la
clasificación orientada a objetos.
El método de clasificación basados en pixeles no permitió clasificar de manera exacta
las coberturas presentes en la imagen, ya que no discriminaron de manera robusta
las categorías temáticas basadas en los comportamientos espectrales similares, lo que
produjo inconsistencias en los resultados. La validación temática de los resultados
se realiza dentro de las clasificaciones orientada a objetos y a pixeles, como también
entre los resultados obtenidos entre las áreas estimadas por GEOBIA, MSV y los índices
espectrales. Es relevante para los usuarios de la información resultante en el tratamiento
de los datos de las imágenes Sentinel 2A, determinar la correspondencia de dicha
información a partir de los porcentajes de precisión de productor y usuario en la matriz
donde se cruzan las clases. Ya que si se usa como referencia la exactitud promedio del
mapa puede llevar a variaciones de los indicadores de la matriz STEP para algunas clases.

Referencias
Brewer CK, W. J. (2005). Classifying and Mapping Wildfire Severity: a comparison of
Methods. . Brewer CK, Winne JC, Opitz DW, Mangrich M V (2005) Classifying and
Mapping Wildfire Severity: a comparison of Methods. PhotogrammePhotogrammetric
Engineering & Remote Sensing, 1311-1320.
Bond WJ, K. E. (2005). El fuego como un hervíboro global: la ecología y evolución de los
ecosistemas infamables. . Ecol Evol, 387-394.
CAR, C. A. (2016). Corporacion Autónoma Regional de Cundinamarca Modificación al
Plan de Manejo Forestal protectora: Bosque Oriental de Bogotá.
Chimelo. L, G. D. (2021). Object-based classification of vegetation species in a subtropical
wetland using Sentinel-1 and Sentinel-2A images. Revista Ciencia de la Detección,
1-10.
Chuvieco. E. (2008). Earth Observation of Global Change The Role of Satellite Remote
in Monitoring the Global Enviroment. doi:10.1007/978-1-4020-6358-9_9.
Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sensing of EnvironmenT, 37,35-46.
Forero, P. R. (2019). Machine Learning for the identification of students at risk of
academic desertion. Bogotá.
Key C, B. N. (2006). Landscape assessment (LA): Sampling and analysis methods. USDA
Forest Service General Technical Report, 1-55.
Krebs P, P. G. (2010). Fire regime: History and definition of a key concept in disturbance
ecology theory in Biosciences. doi:10.1007/s12064-010-0082-z, 53-69.

312 RISTI, N.º E54, 11/2022

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

La Serna.N, R. U. (2006). Técicas de segmentación en Procesamiento Digital e imágenes.

Revista de Ingeniería de Sistemas de Informática. Volumen 6 N° 2, 9-16.
Lentile L, H. Z. (2006). Remote sensing techniques to assess active fire characteristics
and post-fire effects. International Journal of Wildland Fire .
Liang. H, Z. M. (2019). A neural Network Model for Wildfire Scale Prediction Using
Meteoroligal Fcator. Beigin: IEEE Acces.
Luo K, P. M. (2019). Fine Monitoring of Wetlands at providencial Large-Scale Using
Object- Based Technique and Medium- Resolution Image. IEEE Journal Of Slected
Topics In Applied Earth Observations and Remote Sessing.
Muñoz, E. (2020). Satellite Remote Sensing of Forest Degradation Using NDFI and the
BFAST Algorithm. IEEE Latim American Transactions.
Pausas. J. (2012). Invendios Forestales: Una visión desde la Ecología. CSIC.
Paz.Pellat. F, P. E. (2007). Diseño de un Indice Espectral de la Vegetación:NDVI cp.
Agrociencia.
Ramirez &. Lizarazo. (2016). Matriz de similitud de evaluación de precisión para
GEOBIA. Complemento QGIS versión 0.1.
Saragosa. F, D. S. (2020).Identification of tillage for soybean crop by spectro-temporal
variables, GEOBIA, and decision tree. Remote Sensing Applications: Society and
Environment, 1-15.
Serbouti. I, R. M. (2021). Pixel and Object-Based Machine Learning Classification
Schemes for Lithological Mapping Enhancement of Semi-Arid Regions Using
Sentinel-2A Imagery: A Case Study of the Southern Moroccan Meseta. IEEE Access
10.1109/ ACCESS.2021.3107294, 119262-119278.
Son, C. C.-B.-R.-Y.-X. (2014). Mangrove Mapping and Chang Detection in Ca Mau
Peninsula, Vientnam, Using Landsat Data and Pbject-Based Image Analysis. IEEE
Journal of selected topics in applied earth Observations and remote sensing, 2-8.
Zhu. Y, G. J. (2006). Modification of Normalised Difference Water Index (NDWI) to
Enhance Open Water Features in Remotely Sensed Imagery. Remoting Sensing,
No. 14 3025-3033.
Zhu. Z, K. C. (2006). Evaluate Sensitivities of Burn-severity Mapping Algorithms for
Different Ecosystems and Fire Histories in the United States. . Final Report to the
Joint Fire Science Program, 1-4-12.
Zhang. X, X. P. (2015). Hacia la evaluación de segmentaciones multiescala de alta Iágenes
de teledetección de resolución espacial. Transacciones de ieee sobre geociencia y
detección remota, VOL. 53, núm. 7, 3694-3706.

RISTI, N.º E54, 11/2022 313