Documentos de Académico
Documentos de Profesional
Documentos de Cultura
teledetección
Cualitativa - visual Subjetiva –
Cuantitativa compleja.
relativa Restringida en
espacio y tiempo.
Cuantitativa De validez absoluta.
absoluta Compleja.
Universidad de Alcalá
Departamento de Geografía
Modelos en teledetección
Una imagen es una matriz de medidas sobre
el territorio:
muestreo espacial exhaustivo,
homogeneidad de las condiciones.
La teledetección permite obtener datos
cuantitativos sobre el territorio:
Entrada para modelos ambientales: erosión del
suelo, escurrimiento, propagación de incendios,etc.
Verificación de modelos en una perspectiva espacial.
Universidad de Alcalá
Departamento de Geografía
Tipo de modelos en teledetección
Deductivos Inductivos:
principio realidad
principio realidad
Universidad de Alcalá
Departamento de Geografía
Ventajas / inconvenientes
Deductivos: Inductivos:
De validez general. De validez local.
No requiere control del Requieren ajuste por
intérprete (aplicación el intérprete.
automática).
Muy complejos. Sencillos de calibrar.
Aproximados (no se De precisión conocida.
conoce exactitud).
Universidad de Alcalá
Departamento de Geografía
Modelado teórico: fines
Entender mejor los datos de la imagen.
Analizar capacidades esperables de un
sensor / banda / índice (de cara a
optimizar las características del sistema o
la interpretación).
Proponer algoritmos para la
discriminación.
Estudiar factores de ruido potencial.
Extraer parámetros de interés: inversión
de los modelos.
Universidad de Alcalá
Departamento de Geografía
Métodos
Simular radiación electromagnética
procedente de una cubierta:
Ecuaciones de la radiación electromagnética.
Programas de transferencia radiativa (RTM):
Verificación:
Radiometría de campo / laboratorio.
Imágenes simuladas.
Imágenes reales.
Universidad de Alcalá
Departamento de Geografía
Modelo empírico
Grasslands (all sites) y = 0.8888x + 8.9548
2
R = 0.8477
Muestreo de
350
300
terreno.
250
Estimated
200
Análisis de las
150
100
imágenes. 50
0
0 50 100 150 200 250 300 350
estadísticos.
2
R = 0.7414
180
Validación
160
140
120
Estimated
100
80
60
40
20
0 Universidad de Alcalá
0 20 40 60 80 Departamento
100 120 140 160 de
180 Geografía
Observed
Validación (96-99): pasto
Pastizales Cabañeros (1996-1999)
450
300
250
FMC
200
150
100
50
-50
7-5
4-9
8-6
2-7
8-6
2-7
5-4
3-8
13-4
24-6
18-7
28-9
21-4
15-5
26-7
19-8
12-9
21-4
15-5
26-7
19-8
12-9
29-4
23-5
10-7
27-8
20-9
31-5
16-6
11-8
Observed Estimated
Universidad de Alcalá
Departamento de Geografía
Validación (96-99): Jara
Cistus ladanifer Cabañeros (1996-1999)
200
180 1996 1997 1998 1999
160
140
120
FMC
100
80
60
40
20
0
4-9
8-6
2-7
8-6
2-7
5-4
3-8
7-5
13-4
31-5
21-4
15-5
26-7
26-7
12-9
20-9
24-6
18-7
28-9
19-8
12-9
21-4
15-5
19-8
29-4
23-5
16-6
10-7
27-8
11-8
Observed Estimated
Universidad de Alcalá
Departamento de Geografía
Parcelas de verificación
Coruña
Bilbao
6
Zaragoza
Barcelona
5
Madrid
4 2
Madrid
3 Grasslands
Valencia Shrublands
1 Both
Nombre (Altitud)
1 Cabañeros (700m)
2 Atazar (900m)
3 Alberche (800m)
Sevilla
4 Segovia (1200m)
5 Ibérica (900m)
7 6 Pirineo (1000m)
7 Cádiz (400m)
Universidad de Alcalá
Departamento de Geografía
Grasslands Alberche-Atazar y = 0.841x + 6.908
2
R = 0.8815
350
300
250
Estimated
200
150
100
Validación 50
2001-2002 350
300
250
Estimated
200
150
100
50
0
0 50 100 150 200 250 300 350
Observed
Universidad de Alcalá
Departamento de Geografía
Validación Cistus (2001-2002)
y = 0.7376x + 29.912
Cistus all sites
R2 = 0.7241
180
160
140
120
Estimated
100
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180
Observed
60
Sensitivity (%)
50
40
30
20
10
0
400 505 610 715 820 925 1030 1135 1240 1345 1450 1555 1660 1765 1870 1975 2080 2185 2290 2395 2500
Wavelength (nm)
Universidad de Alcalá
Danson y Boyer, 2003 Departamento de Geografía
Inversión de los modelos
Se trata de estimar los parámetros de entrada a partir del valor de
salida (reflectividad medida). Normalmente se basan en la
minimización de una función (min 2). Se requieren tres elementos
Minimización i (, X i )
n 2
2
i 1
Time series of MODIS-estimated leaf Cw in the study region of chaparral vegetation used for
ground truth data collection for the period June–September 2000 (Julian days 161, 169, 185, 201,
233, 241, 249, 265, and 273).
Inversion of
PROSPECT+SAILH Universidad de Alcalá
P.J. Zarco-Tejada, C.A. Rueda
Departamento & S.L. Ustin,
de Geografía
2003, Remote Sens. Environ., 85:109-124.
Transformaciones
Se trata de generar nuevas bandas que
mejoren la interpretación de la imagen.
Las más comunes:
Índices de vegetación.
Tasseled Cap.
IHS
Componentes principales.
Técnicas hiperespectrales
Fusión de imágenes
Universidad de Alcalá
Departamento de Geografía
Pasos para construir un índice
espectral
Analizar el comportamiento espectral de
la variable objetivo:
Programas de simulación.
Espectro-radiómetro / librerías espectrales.
Analizar el espacio de variación espectral
más idóneo.
Construir una función que sea
perpendicular a ese espacio de variación.
Universidad de Alcalá
Departamento de Geografía
Indices de vegetación
60
Vegetación
Reflectividad (%)
sana
40
Vegetación
enferma
20 Suelo
0
0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 µm
R IR
Universidad de Alcalá
Departamento de Geografía
Dominio espectral de los IV
Universidad de Alcalá
Departamento de Geografía
IRC R
IRC/R
Universidad de Alcalá
Departamento de Geografía
Área de Cabañeros
Ejemplo
Universidad de Alcalá
visibleearth.nasa.gov Departamento de Geografía
Variantes de los IV
Cociente simple: IRC/R
Cociente normalizado:
NDVI = (IRC - R)/(IRC +R)
Índice perpendicular:
TVI ( IRC R ) /( IRC R ) 0.5
R 0,125
GEMI * (1 0,25) 2*(IR R ) (1,5* IR ) (0,5* R )
2 2
1 R
0,5
IR R
Universidad de Alcalá
Departamento de Geografía
Ventajas de los IV (1/2)
Realzan la contribución de la
vegetación en la respuesta espectral
de las superficies.
Atenúan otros factores: suelo,
atmósfera, iluminación, topografía.
Universidad de Alcalá
Departamento de Geografía
IV y absorción fotosintética
Para trigo en
primavera
(Asrar et al.,
1984)
Universidad de Alcalá
Departamento de Geografía
IV y área foliar
Medido para un
dosel de trigo en
crecimiento
(línea contínua)
y senescente
(discontínua)
(Asrar et al.
1984)
Universidad de Alcalá
Departamento de Geografía
Índices de vegetación y
precipitaciones
Universidad de Alcalá
Departamento de Geografía
Valor global del NDVI
Universidad de Alcalá
visibleearth.nasa.gov Departamento de Geografía
Base de datos de la FAO - Perfiles NDVI sobre
Venezuela (año 2000)
Universidad de Alcalá
Departamento de Geografía
Previsión de cosechas
Universidad de Alcalá
Departamento de Geografía
(Teng, 1990)
September 2000
MODIS Leaf Area Index
December 2000
April 2001
0 3 6
LAI is defined as the one sided green leaf area per unit
ground area in broadleaf canopies and as the projected
needle leaf area in coniferous canopies. Universidad de Alcalá
Departamento de Geografía
http://cybele.bu.edu/modismisr/other.html
September 2000 MODIS FPAR
(Fraction of absorbed Photosynthetically Active Radiation)
December 2000
April 2001
0 0.5 0.9
Universidad de Alcalá
Departamento de Geografía
Indice para resaltar agua
G SWIR
IA =
G SWIR
Universidad de Alcalá
Embalse de Rapel, Chile, 1998 Departamento de Geografía
Índices para realzar área quemada
Off-nadir 15º
60
50
40
Reflectance
30
20
10
0
0.48
0.57
0.92
1.25
1.51
1.76
2.51
0.40
0.66
0.75
0.84
1.00
2.01
2.26
soil15º pine50%-15º pine100%-15º
burnt50%-15º burnt100%-15º
Universidad de Alcalá
Departamento de Geografía
Definición del IAQ
1.00
0.14
0.12 valores medios 0.90
0.10 valores mínimos
0.80
Albedo Banda 2
0.08
0.06 0.70
Infrarrojo
0.04 0.60
cercano
0.02
0.50
0.00
0 0.02 0.04 0.06 0.08 0.1
0.40
Albedo Banda 1
0.30
0.10
1
IAQ
0.100.200.300.400.500.600.700.800.901.00
Rojo
2
( pcr r ) ( pcir ir )
2
Universidad de Alcalá
Departamento de Geografía
Sensibilidad de los índices
para área quemada
NDVI
GEMI
Universidad de Alcalá
Departamento de Geografía
IAQ
NDVI
Distintos índices
SAVI
antes y después de
un incendio
(Landsat-TM)
GEMI
R NIR SWIR,5
NDVI = NIR NDII 5 =
NIR R NIR deSWIR,5
Universidad Alcalá
Departamento de Geografía
Índices mixtos óptico-térmicos
Universidad de Alcalá
Departamento de Geografía
Índice de humedad de la vegetación
50 50
40 40
30
TS
30
TS
20 20
10 10
0 0
0.00 0.10 0.20 0.30 0.40 0.50 NDVI 0.00 0.10 0.20 0.30 0.40 0.50 NDVI
Universidad de Alcalá
Departamento de Geografía
Índice sintético
(1996 a 1999)
Pastizales:
FMCp = 155.439 + 452.43 * NDVI -1.627 *
TS - 0.747 * DJ
(r2= 0.652 (p<0.001).
Matorral (Cistus):
Universidad de Alcalá
Departamento de Geografía
Water Deficit Index (WDI).
1: Vegetación bien drenada
Cobertura de Vegetación
1
2: Vegetación con estrés hídrico
0.8
0.6
(NDVI)
A C B
0.4
0.2
0
3: Suelo bien regado 4: Suelo seco
-10 0 10 20
Ts-Ta (°C)
Universidad de Alcalá
Departamento de Geografía
Transformación IHS
negro
Rojo
Saturación Tono Espacio de color IHS
Amarillo
Magenta
negro blanco
gris Verde Azul
Universidad de Alcalá
Intensidad Cian Departamento de Geografía
Definición de los componentes IHS
Intensidad ND r + ND v + ND a
I=
3
2 ND a - NDv - ND r
Tono T = arctan + C
3 ( NDv - ND r )
C = 0, si ND v ND r C = , si ND v < ND r
Saturación
6 2 2 2
S= ND a + NDv + ND r - ND a NDv - ND a ND r - NDv ND r
3
Universidad de Alcalá
Departamento de Geografía
Aplicaciones de IHS
Fusión de imágenes.
Interpretación de rasgos con
marcadas tendencias cromáticas.
Análisis de color (aplicaciones
geológicas).
Universidad de Alcalá
Departamento de Geografía
IHS para interpretación de imágenes
Intensidad Tono
Saturación
Universidad de Alcalá
Departamento de Geografía
Fusión de imágenes
Elegir una composición coloreada.
Ajustar geométricamente la imagen
multiespectral y la pancromática.
Remuestrear la imagen multiespectral al
tamaño de la pancromática.
Conversión RGB a IHS.
Sustituir la Intensidad por la
pancromática.
Conversión IHS a RGB.
Universidad de Alcalá
Departamento de Geografía
Fusión de imágenes
PAN
BANDA IRC
BANDA R
Universidad de Alcalá
Departamento de Geografía
Aplicaciones de IHS para fusión de
imágenes (1/2)
Landsat-ETM 30m Landsat-ETM fusionado
Universidad de Alcalá
Departamento de Geografía
Aplicaciones de IHS para fusión de
imágenes (2/2)
Intensidad/432 - ETM 30m Landsat-ETM Pancromático
Universidad de Alcalá
Departamento de Geografía
Universidad de Alcalá
Departamento de Geografía
Universidad de Alcalá
Departamento de Geografía
Universidad de Alcalá
Departamento de Geografía
Fusión (combinación color a 0.7m)
Imágenes QB originales (multiespectral a 2.8m y
pancromática a 0.7m)
Universidad de Alcalá
Departamento de Geografía
Teledetección hiperespectral
Universidad de Alcalá
Departamento de Geografía
Short, 2000
Ventajas e inconvenientes
Ventajas:
Pueden analizarse las relaciones espectrales-
espaciales.
Pueden observarse pequeñas bandas de
absorción.
Identificación de minerales.
Inconvenientes:
Pequeña relación señal-ruido.
Se precisan correcciones radiométricas y
geométricas precisas.
Se generan grandes volúmenes de datos.
Universidad de Alcalá
Departamento de Geografía
Aplicaciones: detección de incendios
Universidad de Alcalá
Departamento de Geografía
Calibración de datos
Conversión ND a reflectividad:
ND a radiancias.
Correcciones atmosféricas.
Correcciones de ángulos de
iluminación.
Otros ruidos aleatorios (líneas
perdidas...)
Correcciones geométricas.
Universidad de Alcalá
Departamento de Geografía
Identificación de espectros
Extracción de espectros de referencia:
Bibliotecas espectrales.
Espectro-radiometría.
Otros sensores.
Modelos de simulación.
Ajuste de espectros:
Codificación binaria.
Comparación con la tendencia.
Universidad de Alcalá
Departamento de Geografía
Extracción de otra imagen
Universidad de Alcalá
Departamento de Geografía
Análisis lineal de mezclas
espectrales (ALME)
20 200
50 100
Universidad de Alcalá
Departamento de Geografía
Fundamentos del ALME
Componentes puros
Clase 1
Clase 2
Universidad de Alcalá
Departamento de Geografía
Asunciones
Las mezclas son lineales.
Sólo están formados por las clases
puras. m 1,p Fi, j, m = 1
No negatividad de la solución:
0 Fi, j,m 1
No hay influencia de cubiertas
vecinas.
Universidad de Alcalá
Departamento de Geografía
Método para obtener las
proporciones
Universidad de Alcalá
Departamento de Geografía
Ejemplo de desmezclado (1/3)
43 51 55 46 52 50
47 55 59 49 55 58
51 63 80 52 61 64
R IRC
75
70
35 40
Universidad de Alcalá
Departamento de Geografía
R IRC
Ejemplo de desmezclado (2/3)
43 51 55 46 52 50
47 55 59 49 55 58
51 63 80 52 61 64
R IRC
Ecuaciones:
75
70
43 = 35F1 + 75F2
35 40
46 = 40F1 + 70F2
R IRC
Universidad de Alcalá
Clase verde Clase azul Departamento de Geografía
Métodos para obtener los
miembros puros
Bibliotecas espectrales.
Radiometría de campo / laboratorio.
Extracción de una imagen de mayor
resolución.
Extracción de la propia imagen.
Universidad de Alcalá
Departamento de Geografía
Índice de pureza del píxel
R
R Píxeles
extremos
Píxeles
extremos
IRC IRC
p.extremos 1 vez
R p.extremos 2 veces
Píxeles
extremos p.extremos 3 veces
IRC
Universidad de Alcalá
Departamento de Geografía
ALME Torrel00
Universidad de Alcalá
Agua, Vegetación, Suelo, RMS Departamento de Geografía
ALME
Construido Veg. húmeda
en zonas
urbanas
Universidad de Alcalá
Departamento de Geografía
Martín, 1998
Dinámica de los cuerpos dunares
Imágenes en
falso color: a)
1982; b) 1992.
a) b) Componente
ALME Arena:
a) 1982; b)
1992.
Collado, 1998
Universidad de Alcalá
Departamento de Geografía