Telamb 71

Tipos de interpretación en
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.
Tipo de modelos en teledetección
 Deductivos  Inductivos:
principio realidad
principio realidad
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).
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.
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.
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
 Ajustes Cistus all sites

Observed
y = 0.7558x + 26.517
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
400 1996 1997 1998 1999

350
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
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
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)
Grasslands Alberche-Atazar y = 0.841x + 6.908
2
R = 0.8815
350
300
250
Estimated
200
150
100
Validación 50
Independiente 0 50 100 150 200

Observed
250 300 350
pastos Grasslands Ávila-Segovia

y = 0.9525x - 3.8232
R2 = 0.9053
2001-2002 350
300
250
Estimated
200
150
100
50
0
0 50 100 150 200 250 300 350
Observed
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
Cabañeros Cádiz Alberche-Atazar Universidad de Alcalá

Efecto de los distintos
parámetros (PRO+SAIL)
100
SZA
LAI
90
SLW
EWT
80
Cab
N
70
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)
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
Datos Un buen modelo

calibrados
Minimización      i   (, X i )
n 2
2
i 1
Un buen procedimiento de inversión

-algoritmo iterativo
-Redes neuronales
-Tablas de referencia Universidad de Alcalá
Simple Ratio Water Index
R860
SRWI 
R1240
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
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.
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
Dominio espectral de los IV
IRC R
IRC/R
Área de Cabañeros
Ejemplo
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
 Índice de diferencia simple:

 AVI = 2.0*IRC - R
Otros índices de vegetación
 Efecto del suelo:  IR   R
SAVI   (1  L)
 IR   R  L
 Efecto de la atmósfera
 R  0,125
GEMI   * (1  0,25)  2*(IR  R )  (1,5* IR )  (0,5* R )
2 2
1  R 
    0,5
IR R
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.
IV y absorción fotosintética
Para trigo en
primavera
(Asrar et al.,
1984)
IV y área foliar
Medido para un
dosel de trigo en
crecimiento
(línea contínua)
y senescente
(discontínua)
(Asrar et al.
1984)
Índices de vegetación y
precipitaciones
Influencia de la lluvia en la vegetación,

(Jorge Tamayo, p.305)
Valor global del NDVI
visibleearth.nasa.gov Departamento de Geografía
Base de datos de la FAO - Perfiles NDVI sobre
Venezuela (año 2000)
Previsión de cosechas
(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
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
FPAR is defined as the fraction of incident photosynthetically

active radiation (0.4 - 0.7 m) absorbed the vegetation canopy.
http://cybele.bu.edu/modismisr/other.html Departamento de Geografía
Otros índices espectrales
 Para resaltar la humedad.
 Para realzar el área quemada.
 Para realzar suelos.
Indice para resaltar agua
G   SWIR
IA =
G   SWIR
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
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
Pcr = 0,1 y Pcir = 0,06 0.20
0.10
1
IAQ
0.100.200.300.400.500.600.700.800.901.00
Rojo
  2
  
( pcr r ) ( pcir ir )
2
Sensibilidad de los índices
para área quemada
NDVI
GEMI
IAQ
NDVI
Distintos índices
SAVI
antes y después de
un incendio
(Landsat-TM)
GEMI
IAQ Universidad de Alcalá

NDII versus NDVI
  R  NIR  SWIR,5
NDVI = NIR NDII 5 =
 NIR   R  NIR  deSWIR,5
Universidad Alcalá
Índices mixtos óptico-térmicos
Relación entre la TS y el NDVI para datos NOAA-AVHRR en

primavera y verano (tomado de Kalluri et al., 1998).
Índice de humedad de la vegetación
y = -75.413x + 60.762 y = -75.77x + 65.428

60 60
R 2 = 0.5403 R2 = 0.2097
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
Shrublands <80 >110 Lineal (Shrublands)

Grassland <100 >100 Lineal (Grassland)
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):
FMCp = 188.553 + 74.168 * NDVI - 2.011 *

TS - 0.221 * DJ
(r2= 0.623 (p<0.001).
Signos coherentes: +NDVI, -Ts y DJ
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)
LE (Ts  Ta )  (Ts  Ta ) dry BC

   1  WDI
LEp (Ts  Ta ) wet  (Ts  Ta ) dry AB Universidad de Alcalá
Series de WDI
Transformación IHS
Espacio de color aditivo RGB
negro
Rojo
Saturación Tono Espacio de color IHS
Amarillo
Magenta
negro blanco
gris Verde Azul
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
Aplicaciones de IHS
 Fusión de imágenes.
 Interpretación de rasgos con
marcadas tendencias cromáticas.
 Análisis de color (aplicaciones
geológicas).
IHS para interpretación de imágenes
Koutsias et al., 2000

Componentes IHS
Intensidad Tono
Saturación
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.
Fusión de imágenes
BANDA IRC SATURACIÓN SATURACIÓN

RGB-IHS
BANDA IRM TONO TONO
BANDA R INTENSIDAD PAN
PAN
BANDA IRC
BANDA IRM IHS-RGB
BANDA R
Aplicaciones de IHS para fusión de
imágenes (1/2)
Landsat-ETM 30m Landsat-ETM fusionado
Aplicaciones de IHS para fusión de
imágenes (2/2)
Intensidad/432 - ETM 30m Landsat-ETM Pancromático
Fusión (combinación color a 0.7m)
Imágenes QB originales (multiespectral a 2.8m y
pancromática a 0.7m)
Teledetección hiperespectral
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.
Aplicaciones: detección de incendios
Imagen AVIRIS de un incendio ocurrido en el condado de San

Bernardino (sur de California) el 1 de septiembre de 1999. Las
bandas corresponden, de izquierda a derecha, a 0,5m, 1m,
1,5m y 2m (fuente: visibleearth.nasa.gov). Universidad de Alcalá
Técnicas hiperespectrales
 Calibración de datos.
 Identificación de espectros.
 Clasificación angular.
 ALME.
 Componentes principales.
Calibración de datos
 Conversión ND a reflectividad:
 ND a radiancias.
 Correcciones atmosféricas.
 Correcciones de ángulos de
iluminación.
 Otros ruidos aleatorios (líneas
perdidas...)
 Correcciones geométricas.
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.
Extracción de otra imagen
Análisis lineal de mezclas
espectrales (ALME)
La señal registrada por el sensor

70 100 en cada píxel es una mezcla de
varias categorías puras.
El ALME permite calcular, en un
150 200
100
150190200
píxel mezcla, la proporción
200
160 ocupada por cada una de las
100 190 cubiertas que lo integran
20 200
50 100
Fundamentos del ALME
Componentes puros
Clase 1
Clase 2
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.
Método para obtener las
proporciones
 i, j,k = m1, p F i, j,m  m,k  ei , j ,k

i,j,k reflectividad del píxel i,j para la banda k.
Fi,j,m proporción del miembro m en el píxel i,j.
m,k reflectividad del miembro m en la banda k.
ei,j,k término de error.
Ajuste para minimizar el error:

e i, j,k = i, j,k - m 1,p Fi,j,m m,k
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
R IRC
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
(43-35F1) / 75 = (46 - 40 F1) / 70
F1 = 0.8 F2=0.2 Universidad de Alcalá

43 51 55 46 52 50
47 55 59 49 55 58
51 63 80 52 61 64
R IRC
0.8 0.6 0.5 0.2 0.4 0.5
0.7 0.5 0.4 0.3 0.5 0.6
0.6 0.3 0.2 0.4 0.7 0.8
Clase 1 Clase 2
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.
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
ALME Torrel00
Agua, Vegetación, Suelo, RMS Departamento de Geografía
ALME
Construido Veg. húmeda
en zonas
urbanas
Molina, 1998 Veg. seca RMS

Componente ALME de zonas
quemadas
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

Telamb 71

Cargado por

Información del documento

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

Telamb 71

Cargado por

Copyright:

Formatos disponibles

Tipos de interpretación en

 Ajustes Cistus all sites

400 1996 1997 1998 1999

Independiente 0 50 100 150 200

pastos Grasslands Ávila-Segovia

Cabañeros Cádiz Alberche-Atazar Universidad de Alcalá

Datos Un buen modelo

Un buen procedimiento de inversión

 Índice de diferencia simple:

Influencia de la lluvia en la vegetación,

FPAR is defined as the fraction of incident photosynthetically

Pcr = 0,1 y Pcir = 0,06 0.20

IAQ Universidad de Alcalá

Relación entre la TS y el NDVI para datos NOAA-AVHRR en

y = -75.413x + 60.762 y = -75.77x + 65.428

Shrublands <80 >110 Lineal (Shrublands)

FMCp = 188.553 + 74.168 * NDVI - 2.011 *

LE (Ts  Ta )  (Ts  Ta ) dry BC

Espacio de color aditivo RGB

Koutsias et al., 2000

BANDA IRC SATURACIÓN SATURACIÓN

BANDA R INTENSIDAD PAN

BANDA IRM IHS-RGB

Imagen AVIRIS de un incendio ocurrido en el condado de San

La señal registrada por el sensor

 i, j,k = m1, p F i, j,m  m,k  ei , j ,k

Ajuste para minimizar el error:

(43-35F1) / 75 = (46 - 40 F1) / 70

F1 = 0.8 F2=0.2 Universidad de Alcalá

Molina, 1998 Veg. seca RMS

También podría gustarte