Sei sulla pagina 1di 81

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS SOCIALES

E.A.P. GEOGRAFIA
GUIA DE PRCTICAS DEL CURSO DE TELEDETECCION

IDRISI

Agradecimiento: Profesora Beatriz Alzate UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS HUMANAS DEPARTAMENTO DE GEOGRAFIA

Profesor del Curso: Geog. MIGUEL ALVA HUAYANEY

TALLER No. 1: Medicin y anlisis de reflectancia en objetos

TALLER NO 1: MEDICION Y ANALISIS DE REFLECTANCIA EN OBJETIVOS


1. OBJETIVOS DEL TALLER
Los estudiantes estarn en capacidad de: 1. Determinar las bandas del espectro electromagntico (visible e infrarrojo cercano IRC) ms usadas para la discriminacin de objetivos determinados 2. Identificar elementos basados en las curvas de reflectancia espectral y saber diferenciar en cual rango del espectro se logra diferenciar mejor varios elementos. 3. Comprender como se realizan mediciones radiomtricas empleando instrumentos

2. MARCO DE REFERENCIA
Como humanos los colores que nosotros vemos estn hechos de combinaciones de longitudes de onda reflectadas en toda la porcin del visible del espectro electromagntico. Cada elemento que nosotros vemos tiene su propia y nica curva de reflectancia espectral. Por ejemplo el pasto, agua, cemento. Estas curvas son diferenciables por la variacin del porcentaje de reflectancia. El color que vemos viene de longitudes de onda, las cuales son reflejadas en su gran mayora. Por ejemplo un objeto verde presentar una alta reflectancia en la porcin verde del espectro, pero tendr baja reflectancia en el azul y el rojo. La graficacin de las curvas de reflectancia espectral, nos ayuda mejor a entender la naturaleza de la reflectancia de un objeto. En teledeteccin uno debe entender la naturaleza de la reflectancia de un objeto si l va a ser identificado sobre una imagen. Datos de referencia o In situ son recogidos, a menudo, al mismo tiempo con la adquisicin de la imagen. Una forma de datos de referencia es la medicin en campo de la reflectancia de los elementos de la superficie para determinar sus patrones de respuesta espectral. Esto puede ser realizado en el laboratorio en el campo, usando un espectro-radimetro. Este dispositivo mide como una funcin de longitud de onda, la energa que proviene de un objeto. Es usado para preparar las curvas de reflectancia espectral de varios objetos.

3. PROCEDIMIENTOS GENERALES
En este taller sern usadas las medidas realizadas por un radimetro espectral en una serie de bandas espectrales (verde 0.5 a o.6 micrmetros, rojo 0.6 a 0.7 micrmetros e infrarrojo cercano 0.7 a 1.3 micrmetros). Esas bandas son similares a algunas usadas, entre otros, por el sensor del mapeador temtico TM a bordo del satlite LANDSAT y a las del sensor HRV (alta resolucin del visible) a bordo del satlite SPOT. Usted calcular los datos radiomtricos de las lecturas realizadas en campo y despus generar las curvas de reflectancia espectral grficamente. Esto le permitir determinar cules bandas son

MANUAL PRACTICO DE PERCEPCION REMOTA

ms usadas para la discriminacin de los objetivos, a partir de los datos radiomtricos experimentales. Usted deber examinar las curvas de reflectancia y notar la diferencia entre varios objetivos. A partir del anlisis de resultados experimentales como estos, el usuario podr seleccionar la combinacin de bandas espectrales apropiadas para una tarea dada en teledeteccin. Tericamente entre ms alto sea el contraste entre dos objetos en la imagen, ser ms fcil distinguirlos. Entre ms fcil sea un objeto de distinguir, mayor el potencial para una interpretacin rpida y correcta.

4. PROCEDIMIENTOS ESPECFICOS 4.1. Determinando las bandas ms usadas para la discriminacin de objetivos
Utilice las tablas que se presentan a continuacin para que las complete con las mediciones realizadas en la prctica con el espectro radimetro. Determine el porcentaje final de la reflectancia en cada una de las tres bandas: verde, rojo e IR cercano. Bsese en la siguiente ecuacin: Reflectancia final del objetivo en B1, B2, B3 = (flujo de radiacin reflejada por el objetivo / flujo de radiacin reflejado para la referencia) * 100 B2 B3 Suelo desnudo Medicin B1 1 2 3 Promedio Agua Medicin 1 2 3 Promedio Asfalto Medicin 1 2 3 Promedio B2 B3

Referencia: Medicin B1 1 2 3 Promedio Vegetacin 1: Medicin B1 1 2 3 Promedio Vegetacin2 Medicin B1 1 2 3 Promedio Otro Medicin 1 2 3 Promedio

B2

B3

B1

B2

B3

B2

B3

B1

B2

B3

B1

B2

B3

TALLER No. 1: Medicin y anlisis de reflectancia en objetos

Reflectancia definitiva (aplicando la ecuacin) Objeto Vegetacin 1 Vegetacin 2 Suelo Desnudo Agua Asfalto Otro B1 B2 B3

4.2. Graficando los resultados


Una vez usted haya completado las tablas, cree la grfica de las curvas de reflectancia espectral para cada uno de los objetivos. Grafique la reflectancia de los objetivos en cada una de las tres bandas. Use lpices de colores, de ser posible, para distinguir cada una de las curvas de reflectancia de los objetivos. Si puede, realice esta parte con ayuda del software EXCEL.

4.3. Realizando el anlisis de las grficas


Despus de haber completado las grficas, conteste las siguientes preguntas: 1. Determine cuales bandas, de las aqu consideradas, es mejor para discriminar entre las siguientes clases de objetivos, explique por qu?: Vegetacin 1 y agua Vegetacin 2 y suelo Asfalto y suelo Agua y suelo Asfalto y agua 2. En cual de las tres bandas la vegetacin 2 presenta la ms alta reflectancia y la menor reflectancia A qu se deben estos valores?. Si usted tuviera una imagen con la ms alta reflectancia, en qu tonos se vera esta vegetacin? 3. Si usted fuera a escoger solamente dos bandas espectrales para discriminar entre todos los objetivos medidos cules bandas seleccionara y por qu? 4. Por qu nuestros ojos perciben la vegetacin vigorosa con el color verde? Cul es la curva de reflectancia espectral estndar para casi toda la vegetacin verde vigorosa? 5. Por qu es importante investigar la naturaleza de las curvas de reflectancia de los objetivos antes de planear un proyecto de teledeteccin?

5. PARA QUE PRACTIQUE


A las firmas espectrales, correspondientes a la reflectancia espectral, que a continuacin se presentan, analceles los siguientes tpicos: 1. En que rango del espectro electromagntico presentan la mayor reflectancia los cuerpos de las figuras 1 y 2?. En una imagen cmo se veran los cuerpos en este rango del espectro? 2. En que rangos del espectro se da la mayor absorcin de energa en estas mismas grficas? 3. En cules rangos se presenta la transmitancia de la energa para la ltima figura?. 4. Cuntos valles de absorcin presentan las curvas de vegetacin en la tercera figura?

MANUAL PRACTICO DE PERCEPCION REMOTA

5. En cul rango del espectro se podra realizar mejor un anlisis de agua y bosques de pino en la primera figura? 6. Si al suelo de la grfica dos se le adiciona humedad que respuesta espectral tendra 7. Es la naturaleza del agua afectada por algunos fenmenos? Por cules?. Como sera la firma del agua clara? 8. En la tercera figura cmo es la firma espectral de la vegetacin en relacin con las otras sustancias orgnicas.

FIGURA No. 1

FIGURA No2

FIGURA No.3

TALLER No. 1: Medicin y anlisis de reflectancia en objetos

6. REQUERIMIENTOS DEL TALLER


Los estudiantes debern desarrollar este taller en parejas. Las preguntas que se solicita responder sern entregadas en un informe presentado por los estudiantes. Puede ser escrito a mano. Una vez los talleres sean calificados, sern devueltos a los estudiantes con las correcciones respectivas.

7. REFERENCIAS
Chuvieco Emilio. Fundamentos de teledeteccin espacial . Ediciones Rialp, S.A. Madrid. 1990 Japan Association on Remote Sensing. Remote Sensing Note. Mayo 19 de 1993. Jean Yves Scanvic. Teledeteccin aplicada. Madrid, 1989 Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lecture and lab.

TALLER No. 2 Familiarizacin con imgenes landsat.

TALLER NO. 2: FAMILIARIZACIN CON IMGENES LANDSAT. DISCRIMINACIN DE ELEMENTOS EN ELLAS [3]
1 OBJETIVOS DEL TALLER

Los estudiantes estarn en capacidad de: 1. Reconocer las imgenes del sistema LANDSAT 2. Entender la diferencia que existe entre los sensores MSS y TM 3. Seleccionar para estudios determinados, las imgenes captadas por estos sensores, que mejor llenen las expectativas al respecto de lo que se quiere analizar. 4. Comprender la diferencia de resoluciones de cualquier tipo para las imgenes de ambos sensores.

MARCO DE REFERENCIA

Los sensores MSS (barredor multiespectral) y TM (mapeador temtico), son barredores del tipo mecnicos pticos, por medio de los cuales una imagen bi dimensional puede ser registrada usando una combinacin del movimiento de la plataforma y un espejo oscilante o rotador que barre perpendicular a la direccin del vuelo. Los barredores mecnicos pticos estn compuestos de un sistema ptico, sistema espectrogrfico, sistema de barrido, sistemas de deteccin y sistema de referencia. Estos barredores son transportados en satlites de rbita polar. La funcin de los elementos de un barredor mecnico ptico es: 1. Sistema ptico: Es un sistema de telescopio reflectivo usado para prevenir la aberracin del color. 2. Sistema espectrogrfico: Espejo dicroico, prisma filtro son utilizados 3. Sistema de barrido: espejo rotador u espejo oscilante, usado para barrer perpendicular a la direccin de vuelo. 4. Sistema de deteccin: La energa electromagntica es convertida a una seal elctrica por medio de los detectores electrnicos pticos. 5. Sistema de referencia: la seal elctrica convertida es influenciada por un cambio de sensibilidad del detector. Por eso las fuentes de luz termales, con intensidad constante, o temperatura constante, deben ser instaladas como referencia para la calibracin de la seal elctrica.

MANUAL PRACTICO DE PERCEPCION REMOTA

Caractersticas principales del sensor MSS FECHA DE LANZAMIENTO PLATAFORMAS RESOLUCIN ESPACIAL RESOLUCIN RADIOMTRICA RESOLUCIN ESPECTRAL Octubre de 1972 Landsat 1,2,3,4,5 80 m. 64 valores Landsat 1,2,3, y 256 Landsat 4 y 5 4 bandas en los Landsat 1,2,3 (la 4,5,6,7) y Landsat 4 y 5 (la 1,2,3,4). En el Landsat 3 se tuvo banda 8: 4 (1) - Verde 0.5 - 0.6 m 5 (2) - Roja 0.6 - 0.7 6 (3)- IR de foto 0.7 - 0.8 m 7 (4)- IR cercano 0.8 - 1.1 m 8 IR termal. 10.4 - 12.6 m Diseo de espejo oscilante, 6 detectores por banda 185 km X 474 m. 474 m./ 6 detectores = 79 m. 16 das cada 233 rbitas 185 Km x 185 Km

SISTEMAS BARRIDO RESOLUCIN ESPACIAL RESOLUCIN TEMPORAL TAMAO DE UNA ESCENA

Caractersticas principales del sensor TM FECHA DE LANZAMIENTO PLATAFORMAS RESOLUCIN ESPACIAL RESOLUCIN RADIOMTRICA RESOLUCIN ESPECTRAL SISTEMAS Landsat 4 1982, Landsat 5 1984 Landsat 4,5 30 m. 256 valores 7 bandas (se discriminan ms abajo) Diseo de espejo oscilante, 16 detectores por banda, a excepcin del termal (4). Adquisicin de datos con cada barrido en dos direcciones 185 km X 474 m. 474 m. / 16 detectores = 29.625 m. 474 m / 4 detectores = 118.5 m.. Repite ciclo cada 16 das (233 rbitas) 185 Km x 185 km. Respuesta espectral Azul-verde Verde Roja IR cercano IR medio IR termal IR medio Resolucin (m) 30 30 30 30 30 120 30

BARRIDO RESOLUCIN ESPACIAL RESOLUCIN TEMPORAL TAMAO DE LA ESCENA Banda No. 1 2 3 4 5 6 7 Longitud de onda (en m) 0.45 - 0.52 0.52 - 0.60 0.63 - 0.69 0.76 - 0.90 1.55 - 1.75 10.40 - 12.50 2.08 - 2.35

TALLER No. 2 Familiarizacin con imgenes landsat.

PROCEDIMIENTOS GENERALES

En este taller sern empleadas las imgenes en papel que sern proporcionadas a cada grupo, mximo de tres personas. A partir de estas imgenes los estudiantes realizarn los anlisis con el fin de responder a las preguntas que se les plantean. Primero se entrar a analizar la imagen que se tiene, las bandas en las cuales se tomaron los datos y el color que corresponde a cada una de ellas en las composiciones a color. Posteriormente se analizar la diferenciacin entre cuerpos y sus respuestas relativas en la imagen. El estudiante realizar el anlisis de los diferentes tipos de resoluciones sobre las imgenes y contestar las preguntas que se le formulan, argumentando cada una de sus repuestas

4 4.1

PROCEDIMIENTOS ESPECFICOS Anlisis de la imagen

En este aparte sern consideradas las bandas que componen la imagen, los canales de color que ocupa cada una de ellas y las respuestas espectrales de los cuerpos que all se diferencian. El estudiante deber tratar de identificar las respuestas altas a que cuerpos corresponden y por qu.

4.2

Identificacin y comprensin de tipos de resoluciones en imgenes de los dos tipos

Usted identificar para cada imagen los tipos de resoluciones. Complete la tabla que a continuacin se presenta solo en los sitios donde aplique para el caso que le correspondi. Diga al estar completando cada tpico con qu tipo de resolucin se relaciona. Landsat MSS Banda 4 (1) 5 (2) 6 (3) 7 (4) 8 Landsat TM Banda Micrmetros 1 2 3 4 5 6 7

Micrmetros

IFOV Niveles dinmicos Altitud Tiempo en el que capta el mismo punto Ancho de barrido (de franja)

MANUAL PRACTICO DE PERCEPCION REMOTA

4.3

Comparacin de los sensores TM y MSS. Anlisis de discriminacin de elementos

Una vez halla completado los datos, responda a las siguientes preguntas: 1. Cules plataformas LANDSAT tienen el barredor multiespectral (MSS) y cules el mapeador temtico (TM)? 2. Analice la diferencia entre las bandas del MSS y del TM y escriba si alguno de ellos da un mejoramiento en la discriminacin de objetos y por qu? 3. Por qu ser que las bandas del TM ofrecen un mejoramiento en la discriminacin de la vegetacin en comparacin con las MSS? 4. Usando las bandas del TM como se podra distinguir entre nubes y nieve? 5. Por qu piensa usted que las bandas del TM son usadas para la discriminacin de los siguientes elementos? Contenido de humedad en la vegetacin Contenido de humedad en el suelo Cuerpos de agua con sedimentos Tipos de roca y de minerales 6. Explique la diferencia primaria entre la energa captada con la banda 6 del TM y la energa colectada en las otras bandas. 7. En las composiciones a color del TM, que tienen banda del IR, qu significan los matices rojos?. Explique. 8. Mencione dos ejemplos de estudios para los cuales seleccionara imgenes del TM y del MSS. Explique cules fueron los criterios de seleccin.

REQUERIMIENTOS DEL TALLER

Las preguntas del taller sern respondidas en grupo. Cada uno de los grupos tomar sus notas con el fin de exponer las respuestas ante el grupo, en forma de discusin abierta. Este taller es para su beneficio. No es necesario entregarlo a la profesora, pero cada una de estas preguntas cuenta para el examen de la materia y ser importante para los proyectos que durante su vida profesional tenga que desarrollar. Aprovchelo!. Suerte!

REFERENCIAS DEL TALLER

[1] Chuvieco Emilio. Fundamentos de teledeteccin espacial . Ediciones Rialp, S.A. Madrid. 1990 [2] Japan Association on Remote Sensing. Remote Sensing Note. Mayo 19 de 1993. [3] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lecture and lab.

Taller No. 3 Visualizacin de imgenes Landsat y Spot. Comparacin entre ellas

TALLER NO. 3: VISAULIZACIN DE IMGENES LANDSAT Y SPOT. COMPARACIN ENTRE ELLAS


1. OBJETIVOS DEL TALLER
Los estudiantes estarn en capacidad de: 1. Diferenciar entre las imgenes de los sistemas satelitales Landsat y Spot 2. Saber utilizar determinadas bandas del espectro electromagntico, donde realizan la toma de datos los distintos tipos de imgenes, para estudios concretos del agua, vegetacin, suelo, roca, etc. 3. Distinguir para cada sistema las caractersticas generales relacionadas con resolucin espacial, espectral, temporal y radiomtrica 4. Manejar las ventajas y desventajas de cada sistema para su empleo en aplicaciones de diferentes tipos.

2. MARCO DE REFERENCIA
Los sensores MSS (barredor multiespectral) y TM (mapeador temtico), son barredores del tipo mecnicos pticos, por medio de los cuales una imagen bi dimensional puede ser registrada usando una combinacin del movimiento de la plataforma y un espejo oscilante o rotador que barre perpendicular a la direccin del vuelo. Los barredores mecnicos pticos estn compuestos de un sistema ptico, sistema espectrogrfico, sistema de barrido, sistemas de deteccin y sistema de referencia. Comparado con el barredor optoelectrnico (por ejemplo el SPOT) los barredores mecnicos pticos tienen ciertas ventajas. Por ejemplo el ngulo de vista del sistema ptico puede ser muy estrecho, el error de registro banda a banda es pequeo y la resolucin espectral es ms alta. La desventaja es que el coeficiente seal/ruido es menor debido a que el tiempo de permanencia en el detector ptico no puede ser muy largo por el movimiento del sensor. Caractersticas principales del sensor TM FECHA DE LANZAMIENTO PLATAFORMAS RESOLUCIN ESPACIAL RESOLUCIN RADIOMTRICA RESOLUCIN ESPECTRAL SISTEMAS Landsat 4 1982, Landsat 5 1984 Landsat 4,5 30 m. 256 valores 7 bandas (se discriminan ms abajo) Diseo de espejo oscilante, 16 detectores por banda, a excepcin del termal (4). Adquisicin de datos con cada barrido en dos direcciones 185 km X 474 m. 474 m. / 16 detectores = 29.625 m. 474 m / 4 detectores = 118.5 m.. Repite ciclo cada 16 das (233 rbitas) 185 Km x 185 km.

BARRIDO RESOLUCIN ESPACIAL RESOLUCIN TEMPORAL TAMAO DE LA ESCENA

MANUAL PRACTICO DE PERCEPCION REMOTA

Banda No. 1 2 3 4 5 6 7

Longitud de onda (en m) 0.45 - 0.52 0.52 - 0.60 0.63 - 0.69 0.76 - 0.90 1.55 - 1.75 10.40 - 12.50 2.08 - 2.35

Respuesta espectral Azul-verde Verde Roja IR cercano IR medio IR termal IR medio

Resolucin (m) 30 30 30 30 30 120 30

Caractersticas principales del Sistema SPOT SPOT-1 fue lanzado el 22 de febrero de 1986 y fue retirado de la actividad el 31 de diciembre de 1990. SPOT-2 fue lanzado el 22de enero de 1990 y est todava operando SPOT-3 fue lanzado el 26 de septiembre de 1993, un incidente ocurri el 14 de noviembre de 1997, despus de 3 aos en rbita el satlite dej de funcionar SPOT-4 fue lanzado en marzo 24 de 1998. El trabajo de ingeniera para el SPOT-5 ha empezado, para que el satlite pueda ser lanzado a finales del 2001 para asegurar la continuidad del servicio. Modos espectrales de adquisicin de datos:SPOT PModo pancromtico (Spot 1,2,3) En una sola banda espectral correspondiente al visible del espectro electromagntico, sin azul. La banda cubre 0.51 to 0.73 m. Suple imgenes blanco y negro con resolucin espacial de 10m. Se usa para aplicaciones que requieren un alto detalle geomtrico.

"XS" Modo multiespectral: Tres bandas espectrales: B1 0.50 a 0.59 m (verde) B2 0.61 a 0.68 m (rojo) B3 0.79 a 0.89 m (IR cercano) Resolucin espacial de 20 M. Se pueden realizar composiciones a color combinando las bandas:

"M" Modo mono espectral (Spot 4) B2 0.61 to 0.68 m (Rojo) Como el modo pancromtico del Spot 1, 2, 3, este canal nico proporciona imgenes blanco y negro con un pixel de 10 m.

Taller No. 3 Visualizacin de imgenes Landsat y Spot. Comparacin entre ellas

"Xi" modo multiespectral (Spot 4) Las mismas bandas B1,B2,B3 del modo XSmultiespectral. Se adiciona: B4 1.58 to 1.75 m (Infrarrojo medio) Tamao del pixel: 20 m.

3. PROCEDIMIENTOS GENERALES
En este taller sern empleadas imgenes en formato digital, que sern proporcionadas a cada grupo, mximo de tres personas. A partir de estas imgenes los estudiantes realizarn los anlisis con el fin de responder a las preguntas que se les plantean. Primero se entrar a analizar las imgenes de los diferentes sistemas que se tienen y las bandas en las cuales se tomaron. Posteriormente se analizar la diferenciacin entre cuerpos y sus respuestas relativas en la imagen. El estudiante realizar el anlisis de los diferentes tipos de resoluciones sobre las imgenes y contestar las preguntas que se le formulan, argumentando cada una de sus repuestas

4. PROCEDIMIENTOS ESPECFICOS
4.1. Anlisis de la imagen
En este aparte sern visualizadas una a una las bandas que componen la imagen y las respuestas espectrales de los cuerpos que all se diferencian. La profesora mostrar que pasos seguir para visualizar cada imagen y donde se encuentran los directorios de trabajo El estudiante deber tratar de identificar las respuestas altas a que cuerpos corresponden y por qu, en la medida de que esto sea posible.

4.2. Identificacin y comprensin de tipos de resoluciones en imgenes de los dos sistemas


Usted identificar para cada el grupo de imgenes de un sistema determinado los tipos de resoluciones. Complete la tabla que a continuacin se presenta solo en los sitios donde aplique para el caso que le correspondi. Diga al estar completando cada tpico con qu tipo de resolucin se relaciona. Landsat TM SPOT-HRV Banda Micrmetros Band Micrmetros a 1 1 2 2 3 3 4 Pancr. 5 6

MANUAL PRACTICO DE PERCEPCION REMOTA

7 IFOV Niveles dinmicos Altitud Tiempo en el que capta el mismo punto Ancho franja) de barrido (de

4.3. Comparacin de los sensores TM y HRV. Anlisis de discriminacin de elementos


Una vez halla completado los datos, responda a las siguientes preguntas: 1. Cul de los dos sensores da una discriminacin mejor de los objetos y por qu?. Escriba la observacin que le permiti llegar a responder la pregunta, sea diga cules elementos compar para ver que haba mejor discriminacin en una imagen que en otra. 2. Es cierto que las bandas del TM ofrecen un mejoramiento en la discriminacin de la vegetacin en comparacin con las del HRV?. En que se basa para responder? 3. Describa para cada banda del TM, con que tono se visualiza el agua, el suelo, la vegetacin y la infraestructura. 4. Repita la misma descripcin para el HRV 5. Compare las bandas del espectro electromagntico que coinciden para los dos sistemas y describa si los cuerpos que diferenci se notan mejor en una imagen que en otra. Por qu piensa que sucede? 6. Cul de los dos sistemas tiene una mejor resolucin espectral y por qu 7. Si fuera a realizar un estudio de humedad de la vegetacin cul banda de TM escogera para realizarlo y por qu. 8. Si fuera a realizar un estudio de diferenciacin litolgica en el TM, donde lo hara. Por qu? 9. Si va a realizar un trazado de red de drenaje en una imagen Landsat TM, cul de sus bandas escogera. Por qu? 10. Note la diferencia entre la resolucin espacial del Spot pancromtico y el TM. Discuta algunas ventajas y desventajas de variar la resolucin espacial en los sistemas de sensores 11. Repita el mismo procedimiento para el SPOT pancromtico y multiespectral. 12. Discuta por qu las fechas de adquisicin son importantes en los datos de Sensores Remotos. De las imgenes TM y HRV, cuales son de fecha ms reciente? 13. Por qu en la banda pancromtica del Spot pueden ser realizados estudios que requieran una geometra detallada?. Cmo visualiz este aspecto en la imagen?. En qu sector de Bogot? 14. Compare las bandas del SPOT y del TM para realizar estudios de vegetacin. Qu diferencias nota?.

5. REQUERIMIENTOS DEL TALLER


Las preguntas del taller sern respondidas en grupo. Cada uno de los grupos tomar sus notas de las respuestas y realizar un informe. Este taller es necesario entregarlo a la profesora en ocho das exactamente. Suerte!

6. REFERENCIAS DEL TALLER

Taller No. 3 Visualizacin de imgenes Landsat y Spot. Comparacin entre ellas

[1] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lecture and lab.

TALLER No. 4: Visualizacin de imgenes del ir termal

TALLER NO. 4: VISUALIZACIN DE IMGENES DEL IR TERMAL


1. OBJETIVOS DEL TALLER
Los estudiantes estarn en capacidad de: 1. Analizar varias imgenes del IR termal y entender sus propiedades bsicas y caractersticas Diferenciar las aplicaciones que pueden desarrollarse con las imgenes del IR termal 2. Diferenciar las caractersticas de resolucin de diversos tipos para las imgenes del IR termal.

2. MARCO DE REFERENCIA
La emisividad de un material plano es usualmente determinada por la medicin de su reflectancia con una esfera de integracin y convirtiendo el resultado usando propiedades de equivalencia direccional hemisfrica. Los gonimetros infrarrojos termales existen y han sido aplicados para medir la reflectancia y la emisividad de algunos materiales. Ver figura de emisividad.

El agua, hielo y la nieve generalmente tienen una alta emisividad (0.94 a 0.99), a travs de la regin del IR termal. La nieve es inusual en que tiene una alta reflectancia en la regin del visible y algo de emisividad en la regin del termal. Los suelos y los minerales exhiben caractersticas espectrales ms fuertes. Los bandeados de areniscas quarzosas causan caractersticas espectrales fuertes entre 8 y 10 micrmetros y depende del tamao de las caras. La firma en la regin del 3 al 5 depende fuertemente del contenido orgnico y del agua. Los suelos ms secos y puros tienen la ms baja emisividad en esta regin.

MANUAL PRACTICO DE PERCEPCION REMOTA

La vegetacin seca tiene una emisividad variable especialmente en la regin del 3 al 5, que depende del tipo y estructura de la cobertura, la humedad etc. La infraestructura humana hecha de metales pulidos tiene la menor emisividad. Estos metales tienden a reflectar altamente. Los materiales como asfalto y ladrillos estn en el mismo rango de materiales naturales aproximadamente de 0.9 a 0.98. A continuacin se presentan las imgenes que sern trabajadas en clase, con sus caractersticas especficas. Imagen: annabor Sensor: Daedalus DS-1230 Sistema de barrido cuantitativo del IR termal IFOV: 1.0 miliradian Detector: Mercury cadium telluride (Hg-Cd-Te) operando en la regin 8 - 14 micrmetros Fecha de adquisicin : Mayo 9 / 81 Altitud: 3600 metros Tiempo: 6:30 am Temperatura del aire: 19 oC

Imagen: Texas Sensor: Daedalus DS-1230 Sistema de barrido cuantitativo del IR termal IFOV: 1.0 miliradian Detector: Mercury cadium telluride (Hg-Cd-Te) operando en la regin 8 - 14 micrmetros Fecha de adquisicin: Enero 10 / 1980 Altitud: 250 metros Tiempo: 6:45 am Temperatura : 12 oC

Imagen: Campus IFOV: 2.5 miliradian Adquirida: Marzo 10/83 Altitud: 500 metros

TALLER No. 4: Visualizacin de imgenes del ir termal

3. PROCEDIMIENTOS GENERALES
En este taller sern visualizadas tres imgenes de diferentes bandas del IR termal, las caractersticas de cada imagen fueron presentadas en el marco de referencia. En grupos de mximo tres personas ser empleado el software IDRISI para desplegar estas imgenes. Despus de observar detenidamente cada una de ellas los grupos entrarn a contestar las preguntas planteadas

4. PROCEDIMIENTOS ESPECFICOS 4.1. Visualizacin y anlisis de la imagen de la ciudad Ann Arbor ( IR termal medio)
En IDRISI despliegue la imagen annabor ubicada en el directorio de trabajo que se le indicar. Una vez desplegada esta imagen responda a las siguientes preguntas: 1. Qu apreciacin puede hacer acerca de la resolucin espacial de esta imagen? Qu tamao de objetos se pueden resolver en ella? 2. Note que los caminos y los ros dan un tono ms claro que las reas de vegetacin. Explique por qu esto ocurre. 3. Qu son las reas de manzanas, extremadamente oscuras en la imagen? 4. Se ven evidencias de un cambio termal en la medida en que se va de la parte central de la imagen a las afueras de la ciudad?. Explique por que se da este fenmeno y por qu es susceptible de ser captado en la regin de los 8 a los 14 micrmetros, que es donde se tom esta imagen?

4.2. Visualizacin y anlisis del Area residencial de Fort Worth, Imagen termal TX
En IDRISI despliegue la imagen texas ubicada en el directorio de trabajo que se le indicar. Una vez desplegada esta imagen responda a las siguientes preguntas: 1. Proporcione una descripcin corta de por qu los siguientes elementos aparecen como estn en esta imagen IR termal: Caminos Vegetacin natural y artificial Aceras y patios Automviles 2. Explique por qu casi todos los carros, en su parte frontal, tienen un punto brillante sobre ellos 3. Explique la razn por la cual algunos patios estn ms oscuros que otros

MANUAL PRACTICO DE PERCEPCION REMOTA

4.3. Visualizacin y anlisis de la imagen termal USC


Las imgenes termales tienen muchos usos uno de los cuales envuelve la deteccin de la prdida de energa. Uno de los mejores medios de transmisin de energa es a travs de la red de tubos de calefaccin, que fue captada en la imagen campus. Las imgenes termales nos permiten realizar inventarios de las redes de tuberas y monitorearlas para la prdida excesiva de calor o escapes. Aunque las tuberas de calefaccin pueden ser enterradas bajo el concreto, el suelo; la vegetacin o el asfalto, ellas son visibles como lneas delgadas blancas sobre la imagen termal. En IDRISI despliegue la imagen campus ubicada en el directorio de trabajo que se le indicar. Una vez desplegada esta imagen responda a las siguientes preguntas: 1. Qu son los elementos brillantes encontrados a lo largo de las lneas de calefaccin, as como en sus intersecciones? 2. Las imgenes termales a menudo presentan distorsiones del relieve perpendicular a la lnea de vuelo. Esta imagen termal fue tomada con vuelo oeste-este o norte sur?. Liste ejemplos en los que se bas para responder. 3. Fue la imagen adquirida en el da o en la noche. Explique 4. El edificio grande en la esquina superior derecha de la imagen muestra una alta prdida de calor a lo largo de sus lados. Cul puede ser la causa? 5. Note los puntos blancos numerosos localizados en toda la imagen, que no son parte de las redes de tubera de calefaccin. Qu pueden ser?

5. REQUERIMIENTOS DEL TALLER


Las preguntas del taller sern respondidas en grupo. Es necesario tomar apuntes de las respuestas, las cuales sern respondidas con todo el grupo. Este taller no es necesario entregarlo a la profesora. Aprovchelo para solidificar sus conocimientos Suerte!

6. REFERENCIAS DEL TALLER [1] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lecture and lab. Exercise # 3

Taller No. 5 Interpretacin y anlisis de imgenes de radar

TALLER NO. 5: INTERPRETACIN Y ANLISIS DE IMGENES DE RADAR


1. OBJETIVOS DEL TALLER
Los estudiantes estarn en capacidad de: 1. Analizar diversos elementos de la superficie terrestres captados sobre las imgenes de radar e interpretar sus tonos, texturas y formas de distribucin, de acuerdo con los conceptos bsicos de radar estudiados. 2. Asimilar como son captados diversos elementos de la superficie terrestre en la imagen de radar y entender por que su representacin es de una u otra forma. 3. Entender el papel que juega el radar como soporte para el desarrollo de diversas aplicaciones relacionadas con el manejo de recursos naturales y de los componentes del ambientales.

2. MARCO DE REFERENCIA
Una virtud que presentan las imgenes de Radar (Radio Detection and Ranging) es su habilidad de coleccionar datos sobre cualquier regin a cualquier hora, a pesar de las condiciones de tiempo. Algunas ondas de radar pueden penetrar las nubes y bajo ciertas condiciones pueden tambin ver a travs de la vegetacin, el hielo y arena extremadamente seca. En muchos casos el radar es el nico camino por el que los cientficos pueden explorar regiones inaccesibles de la superficie de la tierra. Un radar de apertura sinttica transmite pulsos de energa de las microondas hacia la tierra y mide la fuerza y el tiempo de demora de la energa que es enviada de vuelta a la antena. En el caso del SIR-C/X-SAR, el movimiento del transbordador es usado para sintetizar una antena (la apertura) que es mucho ms larga en extensin. Una antena ms larga produce imgenes de resolucin ms fina. Las condiciones en la superficie de la tierra influyen sobre la energa de radar que es reflejada de vuelta hacia la antena. Un rea con una variedad de tipos de superficies como colinas, rboles y rocas grandes reflejarn ms energa de vuelta al radar que un rea menos compleja como el desierto. La imagen de radar resultante del terreno variado, ser ms brillante (tonalidades ms claras) que aquella imagen del rea simple. Sobre la respuesta de la energa del objeto hacia la antena estn influyendo parmetros como la rugosidad, la constante dielctrica, la estructura y la forma en general de los elementos de la superficie terrestre. Las caractersticas de los sensores mismos del radar tambin producen imgenes diversas. Los parmetros que determinan esta variedad son: la longitud de onda (frecuencia), la polarizacin y la longitud de la antena del sensor. En radar el rea de cada pixel est conformada por la resolucin azimutal (direccin de la lnea de vuelo) y la resolucin del rango (direccin perpendicular a la lnea de vuelo). El rea resuelta se calcula como el producto de estas dos resoluciones. En radar la resolucin del rango es aquella que

MANUAL PRACTICO DE PERCEPCION REMOTA

depende de la longitud del pulso. La resolucin azimutal es aquella que va en la misma direccin del vuelo

3. PROCEDIMIENTOS GENERALES
En este taller sern respondidas las preguntas relacionadas con el anlisis sobre las imgenes de radar. Posteriormente ser seleccionada una de las posibles aplicaciones que podra llevarse a cabo sobre las imgenes de radar puestas en consideracin. Sobre la aplicacin especfica, que seleccione cada grupo, ser resuelto el cuestionario.

4. PROCEDIMIENTOS ESPECFICOS [1][2] 4.1. Anlisis de imgenes de radar


4.1.1. Imagen espacial de radar banda C/X del radar de apertura sinttica (SIR-C/X-SAR)
El SIR C/X-SAR es parte de una misin de la NASA al planeta tierra. El SIR C/X-SAR usa tres longitudes de onda: la banda L (24 cm), la banda C (6 cm) y la X (3 cm). Los datos de multifrecuencia son usados por la comunidad internacional cientfica para entender mejor el ambiente global y como cambia. Los datos del SIR C/X-SAR complementados con estudios aerotransportados y terrestres dan a los cientficos una visin clara de esos cambios ambientales que son causados por la naturaleza y de aquellos inducidos por actividades humanas. La imagen de la izquierda es de Los Angeles California (archivo labasin) y fue tomada en octubre 2 de 1994. En la imagen pueden ser apreciados el puerto Long Beach (Izquierda abajo), el aeropuerto Internacional de los Angeles (centro abajo) y las Colinas de Hollywood a la izquierda. Tambin pueden apreciarse los sistemas de autopistas de Los Angeles que aparecen en lneas oscuras. Las montaas de San Gabriel (centro arriba) y algunas comunidades pueden observarse en el lado izquierdo.

Taller No. 5 Interpretacin y anlisis de imgenes de radar

Esta imagen de frecuencia nica fue obtenida en banda L (24 cm) con polarizacin horizontal (HH). Las reas suburbanas aparecen en tonos grises claros. En esta imagen una zona de incendio Altadena es visible en la parte de arriba (central) como un parche de montaas que son ms claras que las vecinas. La imagen de la derecha es San Francisco, California (archivo sanfrancisco), tomada en Octubre 3 de 1994. La ciudad de san Francisco se ve en el centro, con la ciudad de Oakland (a la derecha). A travs de la baha de San Francisco sobresale en la imagen el Puente Golden Gate (izquierda centro) y el puente de la Baha conectando a San Francisco con Oklahoma. Al norte de este puente est la isla del Tesoro y la de Alcatraz. Tambin fue obtenida en la banda L, con polarizacin HH. A continuacin responda las siguientes preguntas: 1. Por qu las superficies planas como las del ocano pacfico, las autopistas y la pista del aeropuerto aparecen muy oscuras en la imagen? 2. Por qu existen parches brillantes de iluminacin de radar en las pendientes de las montaas? 3. por qu las reas suburbanas con baja densidad de viviendas y algunas calles aparecen en grises claros? 4. Por qu las reas con edificaciones altas en la ciudad aparecen en tonos blancos? 5. Cmo aparecen en la segunda imagen los puentes?. Sera fcil trazarlos?. Por qu? 6. En la imagen de la derecha describa las diversas texturas que visualice y relacinelas con diferentes tipos de elementos 7. Para qu tipos de estudios utilizara cada imagen?

4.2. Aplicaciones en campos especficos


Las imgenes de Radarsat Internacional (de Canad) presentan las siguientes especificaciones: Banda C Polarizacin HH (transmisin horizontal y recibimiento horizontal) Vista derecha Longitud de barrido 1,175 Km. Tiene varios modos de haz (desde delgados hasta anchos) para proveer diferentes resoluciones espaciales.

Las aplicaciones que a continuacin se presentan usan imgenes de Radarsat. Desarrolle los puntos de anlisis para tres de las aplicaciones que seleccione.

4.2.1. Aplicaciones en agricultura


La imagen que se presenta debajo es de Bangkok Thailandia de enero 1, de 1996, con resolucin espacial de 30 metros. (Archivo radaricon1)

MANUAL PRACTICO DE PERCEPCION REMOTA

1. Bangkok est localizada sobre el delta del ro Praya, a 50 Km del golfo de Tailandia. Qu son los elementos lineales, alargados y oscuros que atraviesan el suelo al este del ro (tmese el norte hacia arriba)?. Por qu son oscuros? 2. Cul asume que es el uso primario de esta rea?. En qu se basa para decirlo? 3. Qu son las firmas claras localizadas en el ro?. Por qu tienen ese tono?

4.2.2. Aplicaciones en ambientes costeros


La imagen corresponde a Tromso, Norway, fue tomada en enero 4 de 1996 y tiene 30 m. de resolucin. (Archivo trom1fj)

1. Tromso est localizado en la costa noroeste de Norway al centro de la imagen. Cmo aparece la respuesta de Tromso aqu y por qu? 2. Qu son los dedos oscuros en cualquiera de los lados de Tromso?. Qu tipo de paisaje es este? 3. En el otro lado de Tromso, atravesando las reas negras hay dos elementos lineales con un brillo muy alto. Qu son y por que tienen esa respuesta?

Taller No. 5 Interpretacin y anlisis de imgenes de radar

4.2.3. Aplicaciones en forestal


La imagen corresponde a Okanagan, B.C. Canad. Es de enero 21 de 1996 y tiene 10m. de resolucin. (Archivo okan1for)

1. Esta es un rea de bosque boreal en el occidente de Canad, que ha sido talada en varias pocas. Explique como puede reconocer esas reas que han sido taladas varias ocasiones y por qu ellas tienen la repuesta que tienen, en relacin con las reas circundantes? 2. Si el norte est hacia arriba de la imagen, dnde est la planicie en relacin con el valle? Y cual direccin es la ruta del radar? 3. Describa las diversas texturas que visualiza en la imagen y relacinelas con diversos tipos de coberturas

4.2.4. Aplicaciones en geologa


La imagen muestra a Jakarta en Indonesia, tomada en diciembre 29 de 1995, con una resolucin de 30 m. (Archivo jaka1volt)

MANUAL PRACTICO DE PERCEPCION REMOTA

1. Esta es una imagen de dos estrato-volcanes al sur de Jakarta en Indonesia. La caldera mayor (abajo a la derecha) tiene ms de 1 Km. de dimetro y fue formada a travs de erupciones sucesivas. Si el norte est arriba desde cual direccin se origina el haz de luz del radar? 2. Cul es la causa de la alternacin de reas de respuestas claras y oscuras que salen de las calderas?. Relacinelas con diferentes tipos de elementos. 3. Basados en la cantidad de inversin de la imagen responda si el ngulo incidente del haz tena posicin relativamente empinado o relativamente bajo?. Explique por qu. 4. Describa las diversas texturas que visualiza y relacinelas con distintas coberturas.

4.2.5. Aplicaciones en hidrologa


La imagen es de el ro Columbia en USA, tomada en febrero 13 de 1996, con una resolucin espacial de 30 m. (Archivo colm1fl) 1. La imagen muestra el flujo del ro de norte a sur. Explique las respuestas oscuras en cada uno de sus lados y qu le dice esto acerca de los eventos recientes? 2. Si se fuera a realizar un estudio sobre sedimentacin, qu parmetros le cambiara a la toma de la imagen?. Explique 3. Cmo se est comportando la longitud de onda con respecto a la rugosidad de las superficie en esa rea de estudio?. Que tipo de reflexin se da en cada caso? (difusa o especular). Explique para varias coberturas.

4.2.6. Aplicaciones urbanas/de uso del suelo


La imagen corresponde a Basra-Iraq y fue tomada el 22 de enero de 1996. Tiene 30 m. de resolucin espacial. (Archivo iraq2oil)

Taller No. 5 Interpretacin y anlisis de imgenes de radar

1. Esta rea es a lo largo del golfo Prsico, cerca de Kuwait, Iraq. Que son las lneas blancas que cubren el lado izquierdo de la imagen? 2. Qu podran las respuestas claras en el centro de la imagen representar? 3. Mencione los diferentes tipos de tonalidades que se diferencian en la imagen y diga que rugosidad, y por ende, que tipo de reflexin poseen.

5. REQUERIMIENTOS DEL TALLER


Las preguntas del taller sern respondidas en grupos mximo de dos personas. Cada uno de ellos responder por escrito las preguntas. Suerte!

6. REFERENCIAS DEL TALLER


[1] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lecture and lab. Exercise # 4 [2] Laura McCarthy Department of Geography and Earth Resources. Utah State University. Radar imagery. Exercise # 4.

TALLER No.6 Introduccin a IDRISI 32

1. 2. 3.

OBJETIVOS.................................................................................................................................................................1 MARCO DE REFERENCIA........................................................................................................................................1 PROCEDIMIENTOS ESPECIFICOS .......................................................................................................................1 3.1. EL ENTORNO DE IDRISI 32...................................................................................................................................1 3.1.1. Cuadros de Dilogo y Listas de Seleccin ...........................................................................................2 3.1.2. La barra de estado.....................................................................................................................................3 3.1.3. Organizacin de Mens............................................................................................................................3 3.1.4. Composer.....................................................................................................................................................4 3.1.5. Despliegues grficos alternativos..........................................................................................................5 3.2. VISUALIZACIN: LAYERS (CAPAS) Y COLECCIONES DE LAYERS .................................................................6 3.2.1. Visualizacin de layers de mapas...........................................................................................................6 3.2.2. Visualizacin de colecciones de layers .................................................................................................7
3.2.2.1. 3.2.2.2. Colecciones de layers vector .....................................................................................................................8 Colecciones de layers raster ......................................................................................................................9

3.3. 4. 5.

ESTRUCTURAS DE DATOS Y ESCALAMIENTO...............................................................................................10

REQUERIMIENTOS DEL TALLER ...................................................................................................................... 11 REFERENCIAS DEL TALLER............................................................................................................................... 12

TALLER No.6 Introduccin a IDRISI 32

TALLER NO. 6 INTRODUCCION A IDRISI32


1. OBJETIVOS
Familiarizarse con la interfaz de Idrisi32 y con sus caractersticas principales. Llevar a cabo tareas relacionadas con el entorno de Idrisi 32, visualizacin de capas de datos y de colecciones, sobre composiciones de mapas, sobre paletas, smbolos y creacin de capas de textos, sobre estructura de datos y escalamiento.

2. MARCO DE REFERENCIA
IDRISI es un programa SIG producido por Clark Labs. La organizacin fue fundada en 1987 como el proyecto IDRISI por el profesor Ron Eastman. En 1994 el nombre fue cambiado a Clark Labs. Es una institucin de educacin e investigacin localizada en la Universidad de Clark en Worcester, Massachussets, USA y est fuertemente atada a la Escuela de Graduacin de Geografa y al programa de desarrollo Internacional de Clark. Las actividades de este laboratorio pueden agruparse en tres reas: El desarrollo, la distribucin y el soporte del anlisis geogrfico y del sistema de software de procesamiento de imgenes y el paquete de edicin y digitalizacin vector CartaLinx; programas de educacin y de investigacin. Desde su presentacin en 1987, IDRISI ha alcanzado 20000 instalaciones en ms de 130 pases alrededor del mundo. En 1998 fue presentado el CartaLinx, un estructurador de datos espaciales. El programa permite la digitalizacin, desarrollo de bases de datos y edicin topolgica; soporta una variedad de mtodos de entrada de datos y formatos para transferir desde ArcInfo, ArcView y MapInfo. Actualmente existen en actividad muchos grupos de investigacin en Clark Labs. Estas investigaciones incluyen: Anlisis de cambios y de series de tiempo, soporte de decisiones e incorporacin de errores al SIG, anlisis Geoestadstico, modelamiento de superficies, transferencia de tecnologa e implementacin de sistemas. Artculos de revistas, presentaciones de conferencia, documentos de proyectos, materiales de entrenamiento y nuevas capacidades de software son productos tpicos de las actividades de investigacin. Usted puede consultar ms detalles en http://www.clarklabs.org

3. PROCEDIMIENTOS ESPECIFICOS 3.1. El entorno de Idrisi32


Para ejecutar Idrisi vaya a Inicio -> Programas -> Idrisi32 -> Idrisi32

Automticamente se abre una ventana con el ttulo Project Environment (Entorno de Proyecto). Esta ventana permite indicar los directorios donde se encuentran los archivos de datos con los que va a trabajar. (si la ventana no se despliega automticamente, se puede acceder a ella desde la opcin Data paths del men File)

MANUAL PRACTICO DE PERCEPCION REMOTA

Un proyecto es una organizacin de directorios de datos: tanto los directorios de los archivos de entrada que se usarn, como los de los archivos de salida que se crearn. El elemento fundamental de un proyecto en Idrisi32 es el directorio de trabajo (Working Directory). El directorio de trabajo es la ubicacin en donde se encuentran los datos de entrada y donde se escribir la mayora de los resultados de los anlisis. Adems del directorio de trabajo, tambin se pueden tener diversos directorios de recursos (Resource Folders). Un directorio de recursos, es cualquier directorio desde el cual se pueden leer datos pero en el cual tpicamente no se escriben datos. Los botones Add y Remove de la ventana de entorno de proyecto se usan para agregar y eliminar directorios de recursos. Idrisi mantiene la configuracin del entorno de proyecto de una sesin a otra. Como consecuencia de esto no hay necesidad de guardar explcitamente el entorno de proyecto, a menos que se tenga pensado usar varios entornos de proyecto. Haga click en el botn Browse de la ventana Data Paths y seleccione c:\Idrisi32 Tutorial\Using Idrisi32 como directorio de trabajo. Haga click en el botn Save As y guarde el entorno de proyecto con el nombre tutorial.env

El entorno de proyecto se almacena en un archivo con extensin ENV, de forma similar a ArcView, en donde los proyectos tienen extensin APR.

3. 1. 1. Cuadros de Dilogo y Listas de Seleccin


Presione OK para cerrar la ventana de entorno de proyecto. (Es posible acceder a esta ventana en cualquier momento desde el men File->Data Paths o con el botn de la barra de herramientas). Abra la ventana del Display Launcher desde el men Display -> Display Launcher o con el botn de la barra de herramientas. En tipo de archivo elija Raster Layer. Haga click en el botn para abrir la ventana de seleccin de archivos (Pick List), que es utilizada en la mayora de mdulos de Idrisi32 (Tambin es posible acceder a la ventana de eleccin haciendo doble click sobre el cuadro de texto en blanco).

En la ventana de seleccin se despliegan los nombres de los layers en el directorio de trabajo, y despus cada directorio de recursos presente en el entorno de proyecto. Si un folder no tiene signo + - indica que no contiene archivos del tipo que se quiere desplegar. Adicionalmente, la ventana de seleccin presenta un botn Browse en la parte inferior. Sirve para seleccionar archivos de algn directorio diferente a los que aparecen en el entorno del proyecto. Seleccione la imagen SIERRADEM del directorio de trabajo y presione OK. Note que ahora el nombre de la imagen aparece en el cuadro de texto de la ventana Display Launcher.

Una vez se ha elegido la imagen a desplegar (los trminos imagen y Raster Layer son anlogos), es necesario seleccionar una paleta (conjunto de colores utilizado para representar la imagen). En la mayora de los casos, se utilizan las paletas estndar que aparecen en la parte derecha de la ventana Display Launcher. Sin embargo, es posible crear nuevas paletas en caso de ser necesario. Seleccione la paleta cuantitativa (Quantitative Standard Idrisi)

TALLER No.6 Introduccin a IDRISI 32

Note que la opcin Autoscale se ha activado automticamante. La opcin autoscale, es un procedimiento a travs del cual Idrisi establece una correspondencia entre los valores de una imagen y los colores de una paleta 1. Las opciones de Legend y Title (Leyenda y Ttulo) que estn junto a Autoscale permiten desplegar la leyenda y ttulo de la capa. Presione OK en la ventana Display Launcher para abrir la imagen. Esta imagen es un modelo de elevacin de una regin de Espaa.

3. 1. 2. La barra de estado
- Mueva el cursor del mouse sobre la ventana de la imagen SIERRADEM La barra de estado es la que se encuentra en la parte inferior de la ventana de Idrisi. Note como la barra de estado muestra la posicin de Fila y Columna as como las coordenadas X y Y de la ubicacin del cursor a medida que ste se mueve. La fraccin representativa RF, que aparece en la parte izquierda de la barra de estado, expresa la escala actual del mapa (tal como se ve en pantalla). Como los dems valores de la barra de estado, RF se actualiza automticamente a medida que se cambia el zoom de la ventana activa.

3. 1. 3. Organizacin de Mens
La barra de men principal tiene seis mens: File, Display, GIS Analysis, Modeling, Image Processing, Reformat, Data Entry, Window List y Help. El men File contiene una serie de utilidades para la importacin, exportacin y organizacin de archivos de datos. Tambin para configurar las preferencias de usuario. Vaya al men File y escoja la opcin User Preferences. Explore las opciones que presenta esta ventana. Presione el botn Revert to defaults para volver a las opciones por defecto. Presione OK para cerrar la ventana.

Nota: Los archivos de Idrisi16 son incompatibles con los de Idrisi32. Para poder utilizar archivos de la versin anterior, es necesario convertirlos. Por ejemplo, las extensiones de los archivos raster: IMG y DOC han cambiado a RST y RDC. Para vector: de VEC a VCT. En el men File, haga click en la opcin Idrisi File Conversion (16/32) para abrir el mdulo de conversin de archivos (de Idrisi16 a Idrisi32 y viceversa). La figura 1 muestra la imagen de esta ventana.

Por ejemplo, si una imagen tiene valores entre 1000 y 2000, y la paleta tiene colores de 1 a 256, se debe hacer corresponder cada color con un valor o conjunto de valores de la imagen. Color 1: valor 2000; color 2:valor 2010; ... ; color 256:valor 2000.

MANUAL PRACTICO DE PERCEPCION REMOTA

Figura 1. Ventana de conversin de versin La opcin Convert all files of this type in a folder es de gran utilidad si se desean convertir todos los archivos presentes en una carpeta de una sola vez. La opcin Replace existing data files permite al usuario indicar si desea borrar los archivos originales o mantenerlos despus de que se ha realizado la conversin. Explore las dems opciones del men File, explique para que sirven.

El men GIS Analysis contiene la mayora de los mdulos. Este men tiene hasta cuatro niveles de profundidad, pero su organizacin primaria se encuentra en el nivel uno. Las de este nivel representan el ncleo del anlisis SIG; Consulta de base de datos, operadores matemticos, operadores de distancia, operadores de contexto, Estadstica, Toma de decisiones, Anlisis de cambio y series de tiempo, y anlisis de superficies. El men Modeling contiene herramientas para la construccin de diagramas de flujo, operaciones de lgebra de mapas, creacin y edicin de macros. En Image Processing se incluyen todas las funciones de procesamiento de imgenes: correcciones, filtros, clasificadores, componentes principales, etc. El men Reformat contiene una serie de mdulos cuyo propsito es convertir datos de un formato a otro. Es aqu, por ejemplo, donde se encuentran las rutinas para convertir entre formatos raster y vector, cambiar el sistemade coordenadas de una imagen, generalizar datos espaciales, entre otras.

3. 1. 4. Composer
La ventana composer se abre automticamente cada vez que se despliega un layer. El composer se utiliza, entre otras cosas para la construccin de mapas. Permite agregar y eliminar layers, cambiar su orden de dibujo y su simbolizacin, y adems, guardar e imprimir las composiciones (Ver Fig. 2).

TALLER No.6 Introduccin a IDRISI 32

Figura 2 La ventana Composer Active la ventana de la imagen SIERRADEM, presione el botn Add Layer en el composer y agregue el layer vector CONTOURS que se encuentra en el directorio de trabajo. Elija Uniform Black como al paleta para desplegar el layer.

Adicionalmente, esta ventana permite controlar la visualizacin de la imagen a travs de los botones de la parte inferior: Desplaza la imagen hacia arriba (tambin con la flecha correspondiente en el teclado) Desplaza la imagen hacia abajo (tambin con la flecha correspondiente en el teclado) Desplaza la imagen hacia la derecha (tambin con el teclado) Desplaza la imagen hacia la izquierda (tambin con el teclado) Zoom In (o con PageUp en el teclado) Zoom Out (o con PageDown en el teclado) Experimente con las opciones de zoom y desplazamiento. Haga un acercamiento de forma tal que la estructura de celdas de SIERRADEM sea visible.

3. 1. 5. Despliegues grficos alternativos


Idrisi32 provee diferentes medios de visualizacin. Exploraremos el mdulo ORTHO el cual permite la creacin de representaciones tridimensionales. Haga click en el botn del Display Launcher y despliegue el layer raster llamado SIERRA234. Note que las opciones de paleta se desactivan. La razn es que esta es una imagen en color de 24 bits 2 (en este caso, una composicin creada a partir de las bandas 2, 3 y 4 de una imagen Landsat).

La capacidad de desplegar imgenes en color de 24 bits es una de las diferencias entre Idrisi16 e Idrisi32. Una imagen de 24 bits es una forma especial de imagen raster, en donde cada celda contiene los datos de tres canales de color independientes (Red, Green, Blue). Cada uno de dichos canales es representado por un valor entre 0 y 255, permitiendo as representar ms de 16 millones de colores (256x256x256).

MANUAL PRACTICO DE PERCEPCION REMOTA

Elija la opcin ORTHO desde el men DISPLAY. Especifique SIERRADEM como la imagen de superficie y SIERRA234 como imagen drape (o de cubierta). Como es una imagen de 24 bits no es necesario elegir una paleta. Mantenga los dems parmetros con los valores por defecto, excepto para la resolucin de salida (escoja 800X600) luego haga click en OK para generar la vista 3D.

3.2. Visualizacin: Layers (capas) y colecciones de layers


EL layer es quiz el elemento ms importante en la representacin digital de datos geogrficos en Idrisi. Un layer es un tema geogrfico bsico, que consiste de una serie de caractersticas similares en algn sentido. Los layers pueden considerarse tambin como los bloques de construccin de los mapas. as como las variables del anlisis geogrfico.

3. 2. 1. Visualizacin de layers de mapas.


Desde los inicios de la cartografa automatizada y los SIG los layers se han codificado de acuerdo a dos lgicas fundamentalmente diferentes: raster y vector. Idrisi permite trabajar con las dos formas de representacin. Vector En el modelo de datos vector los rasgos geogrficos son representados como puntos, lneas o polgonos. Los puntos se almacenan como una coordenada nica, las lneas se g uardan como series de coordenadas x,y; y los polgonos, como series de coordenadas x,y que encierran un rea especfica. Raster En el modelo de datos raster la situacin es diferente: los rasgos geogrficos se representan por medio de una matriz bidimensional de celdas de tamao constante 3. Cada celda (o pixel) se representa con un color y tiene un valor asociado (en el caso de un modelo de elevacin, por ejemplo, este valor ser la elevacin). Para ubicar una celda determinada dentro de la imagen, se hace referencia a ella a travs de su nmero de fila y columna. Cierre todas las imgenes abiertas (Window List -> Close All Windows) Haga click en y despliegue el layer vector SIERRAFOREST. Elija la opcin de smbolo definido por el usuario y escoja el archivo de smbolos FOREST. Este layer representa las reas de bosque de una regin de Espaa. Utilice las flechas de desplazamiento y las teclas PageUp y PageDown para hacer zoom sobre alguno de los polgonos. Presione la tecla Inicio en el teclado (o el botn en la barra de herramientas) para volver a en la barra de herramientas) para la visualizacin original, luego presione Fin (o el botn maximizar el rea de visualizacin del layer. Para hacer un zoom de ventana utilice el botn

de la barra de herramientas.

Al tamao de la celda se le llama resolucin. Es decir, si una celda tiene 10X10m, se dice que la resolucin es de 10m

TALLER No.6 Introduccin a IDRISI 32

Seleccione el botn del cursor de consulta de la barra de herramientas . Haga click sobre alguno de los polgonos de bosque. El polgono se ilumina y su identificador aparece junto al cursor. Haga click en el botn Propiedades de Rasgos (Feature Properties) en la ventana Composer (o en el botn de la barra de herramientas), y contine haciendo click sobre los polgonos. Note que la informacin que se presenta en el cuadro Propiedades de Rasgo que se ubica debajo de la ventana Composer.

Como puede deducirse de la observacin de layer SIERRAFOREST, las representaciones vector estn orientadas a los rasgos. Dichas representaciones describen rasgos que son entidades con fronteras distintivas. Ahora se contrastar esta situacin con la de los layers raster. Haga click en el botn Add Layer del composer. Este dilogo es una versin modificada del Display Launcher con opciones para agregar tanto layers raster como layers vector al mapa actual. Seleccione la opcin de layer raster y elija SIERRANDVI desde la ventana de seleccin. Elija la paleta NDVI y presione OK. Note cmo el layer raster ha cubierto por completo el layer vector. Para confirmar que ambos layers estn presentes, haga click en la marca de comprobacin que aparece junto al layer SIERRANDVI en la ventana Composer. Esto apagar dicho layer, permitiendo ver el que se encuentra debajo. Haga visible nuevamente el layer SIERRANDVI. Los layers raster estn compuestos de una matriz de celdas (pixels), almacenada como una matriz de valores numricos, pero representados grficamente como una grilla de cuadrados (celdas) coloreados. Haga zoom hasta que la estructura raster sea evidente.

Puede decirse que los layers raster no describen rasgos en el espacio, sino que describen el espacio mismo. Cada celda describe el carcter o la condicin del espacio en esa ubicacin especifica. Haga click sobre el nombre del layer SIERRANDVI en el Composer para activarlo. Como el cursor de consulta an est activo, haga click sobre la imagen. Note como todas las celdas contienen algn valor. Cambie la posicin de los layers de forma que el layer vector quede arriba. Para hacer esto, haga click sobre el nombre del layer SIERRAFOREST en el Composer para activarlo. Luego arrstrelo hacia abajo.

Con el layer vector arriba, note que se puede ver a travs de l donde el espacio est vaco. Sin embargo, los polgonos ocultan todo lo que est bajo de ellos. Esto puede cambiarse utilizando una forma diferente de simbolizacin. Seleccione el layer SIERRAFOREST en el Composer. Luego haga click en el botn Propiedades de Layer (Layer Properties). Para cambiar el archivo de smbolos usado para desplegar SIERRAFOREST, haga click en el botn de seleccin que se encuentra junto al nombre del archivo de smbolos actual y elija FOEREST2.

A diferencia del relleno slido de FOREST, el archivo de smbolos FOREST2 utiliza un patrn de sombreado con fondo transparente. Como resultado de ello, ahora es posible ver completamente el layer inferior.

3. 2. 2. Visualizacin de colecciones de layers

MANUAL PRACTICO DE PERCEPCION REMOTA

Cierre todos los layers abiertos Abra el Display Launcher y elija la opcin de desplegar un layer vector. Abra la ventana de seleccin y encuentre el layer llamado MAZIP. Note que hay un signo + junto a l. Haga click sobre el signo y note como un grupo adicional de layers es listado bajo l. Seleccione el layer llamado MEDHOMVAL. Use el archivo de smbolos cuantitativo estndar y asegrese de que las opciones autoscale, title y legend estn activas. El layer representa el valor medio de las casas en Massachussets, por regiones de cdigo postal.

3.2.2.1.Colecciones de layers vector


MAZIP es una coleccin de layers vector. En Idrisi32, una coleccin es un grupo de layers que estn asociados entre s. Las colecciones vector, se componen de un layer vector (que acta como un marco espacial) el cual es asociado con una tabla de datos de los rasgos representados. Un marco espacial es un layer que describe nicamente el carcter geogrfico de los rasgos, pero no sus atributos. Al asociar con l una tabla con datos de atributos para cada rasgo, es posible generar un layer para cada uno de los campos en la tabla. Idrisi cuenta con un sencillo administrador de bases de datos relacionales que se conoce como Database Workshop. Active la ventana del layer MEDHOMVAL y oprima el botn workshop. de la barra para abrir el database

Normalmente, el database workshop preguntara por el nombre de la base de datos y la tabla a visualizar, sin embargo, como el layer en pantalla ya est asociado con una base de datos, se despliega automticamente. Note que los nombres de las columnas (o campos) de la tabla coinciden con los nombres de los layers que se desplegaron al seleccionar MAZIP en la ventana de seleccin. Cada fila (registro) de la tabla representa un rasgo diferente (regiones de cdigo postal). Active el cursor de consulta y haga click en varios polgonos del mapa. Note cmo el registro activo en la tabla se cambia al que corresponde al polgono seleccionado.

Con una tabla asociada, cada campo se puede convertir en un layer diferente. Note que en la ventana del database workshop existe un botn que es igual al del display launcher: ser usado para desplegar un campo de la tabla. . Este icono puede

Escoja el campo MEDHHINC (ingreso medio por casa) haciendo click en cualquier celda de esta columna. Presione el botn en la ventana del database workshop para desplegar el campo seleccionado en forma de layer.

Las colecciones de layers se crean (y editan) con una herramienta llamada Collection Editor, que se encuentra en el men File. Abra el editor de colecciones Desde el men File del editor de colecciones escoja la opcin Open

TALLER No.6 Introduccin a IDRISI 32

En Archivos de Tipo elija: *.VLX Vector Link Files (archivos de asociacin vector) y abra el archivo llamado MAZIP.VLX

Un archivo .VLX (a travs del cual se asocia el layer vector con la base de datos) tiene cuatro componentes: El marco espacial (spatial frame) es cualquier archivo vector que define un grupo de rasgos usando identificadores enteros nicos. En este caso, la definicin espacial de las reas de cdigo postal, MA_ZIPCODES El archivo de base de datos (database file) es un archivo en formato de Microsoft Access. Esta coleccin usa un archivo de base de datos llamado MA_ZIPSTATS Los archivos de bases de datos pueden contener mltiples tablas. En el archivo VLX se indica qu tabla debe usarse. En este caso, la tabla DEMOGRAPHICS. El campo de asociacin o encadenamiento (link field), es el campo de la tabla que contiene los identificadores que se asocian (que coinciden) con los identificadores usados para las caractersticas en el marco espacial. Este es el elemento ms importante del archivo VLX, pues sirve para establecer la relacin entre los registros en la base de datos y los rasgos en el archivo vector. Para esta coleccin, el campo de asociacin es IDR_ID. Cierre el editor de colecciones.

3.2.2.2.Colecciones de layers raster


Con layers de tipo raster, la lgica de creacin de una coleccin es muy diferente. Una coleccin raster es una agrupacin de layers. Se crean y editan con el editor de colecciones. A diferencia de la coleccin vector, lo que se genera al crear una coleccin raster es un archivo .RGF (raster group file). Abra de nuevo el editor de colecciones. Desde el men File escoja New En Archivos de tipo, elija Raster group files Llame SIERRA al nuevo archivo y haga click en Abrir Con el botn Add After agregue los siguientes archivos a la coleccin: SIERRA1, SIERRA2, SIERRA3, SIERRA4, SIERRA5, SIERRA7, SIERRA234, SIERRA345, SIERRADEM Y SIERRANDVI Para guardar la coleccin vaya a File->Save Cierre el editor de colecciones. Abra el Display launcher Presione el botn de seleccin y en la lista, haga click sobre el signo + que aparece junto al nombre del archivo de coleccin que acaba de crear. De los layers que aparecen bajo l (SIERRA) seleccione SIERRA345 y presione OK para volver a la ventana del Display Launcher. Note que en el cuadro de texto aparace el nombre de la coleccin y del layer elegido (p.ej. sierrra.sierra234). Presione OK para visualizar el layer. Para hacerse a una idea de la utilidad de los archivos .RGF, presione el botn Feature Properties en el composer y preste atencin al cuadro Properties que aparece debajo de ste. Active el cursor de consulta y haga click sobre varios lugares de la imagen. (observe el cuadro Properties) Con un RGF, se pueden examinar simultneamente los valores de los pixeles de todos los layers que componen la coleccin.

MANUAL PRACTICO DE PERCEPCION REMOTA

3.3. Estructuras de datos y escalamiento


Utilice el Display Launcher para desplegar los mapas ETIOPIA y WESTBORO (active la opcin map composition en el display launcher). Compare las leyendas de los dos. Para apreciar las razones de estas diferencias, utilizaremos el explorador de archivos de Idrisi (desde el men File->File Explorer o con el botn de la barra de herramientas).

El explorador de archivos Idrisi es una herramienta para listar, examinar y administrar los archivos de datos de Idrisi. El panel de la izquierda muestra todos los tipos de archivos utilizados en Idrisi. La parte inferior de la ventana del explorador de archivos contiene utilidades para copiar, eliminar y cambiar de nombre a los archivos, junto con un segundo grupo de utilidades para ver el contenido de los archivos (view binary, view structure) Seleccione el layer WESTLUSE de la lista de archivos (note que est listado como westluse.rst). Este es el archivo de datos del layer. Sin embargo, los layers raster involucran otro archivo: el archivo de documentacin (o metadatos) con extensin .rdc Con WESTLUSE seleccionado, presione el botn View Structure. Esta utilidad muestra el valor real de los datos del archivo en forma matricial (cada nmero representa un pixel en la imagen). Para este layer, cada uno de los nmeros representa un tipo de uso del suelo. Utilice las flechas para desplazarse por la matriz. Despus, cierre la ventana de visualizacin de estructura. An con WESTLUSE seleccionado, presione el botn View Metadata (tambin se puede acceder a los metadatos desde el men File o con el botn de la barra de herramientas). Esta utilidad muestra el contenido del archivo de documentacin (westluse.rdc). Este archivo contiene la informacin fundamental que permite que el archivo sea desplegado. Los siguientes son algunos de los datos contenidos en el archivo de documentacin: Tipo de archivo (raster, vector, de correspondencia, de valores, etc.) Ttulo (el ttulo del layer que se despliega en la ventana de mapa) Tipo de datos: se refiere al tipo y al rango de los valores posibles de la imagen. Cuando se dice que el tipo de datos de un layer raster es entero, quiere decir, que los valores de cada pixel sern nmeros enteros entre 32768 y 32768, existe un tipo especial de entero llamado byte, que permite almacenar valores enteros entre 0 y 255. Otro tipo de datos es el real, que puede almacenar valores entre 1.0X10-38 y 1.0X1038 con siete dgitos significativos. Tipo de archivo: se refiere a la forma interna de almacenamiento del archivo. Existen dos opciones: binario y ASCII. En tipo binario, los valores del layer raster se almacenan con su valor binario real, mientras que en tipo ASCII, cada dgito de un nmero es almacenado como un carcter individual. Por este motivo, los archivos ASCII ocupan un mayor espacio de almacenamiento y su procesamiento es, geneeralmente, mas lento que el de los archivos binarios. Las filas y columnas indican la estructura bsica raster. No es posible cambiar el tamao de una imagen con slo cambiar estos valores. La informacin del archivo de documentacin simplemente describe la imagen. Los 7 campos relacionados al sistema de referencia, indican la ubicacin de la imagen en el espacio (los parmetros de los sistemas de referencia se almacenan en archivos REF). las unidades de referencia pueden ser metros, pies, kilmetros, grados o radianes (m, ft, km, mi, deg, rad). El multiplicador de la unidad de distancia se utiliza para acomodar otros tipos de unidades (p. Ej. Minutos). Por lo tanto, si las unidades son alguna de las 6 reconocidas, el campo Unit distance siempre ser 1. Los campos de error posicional y resolucin son solamente campos informativos.

TALLER No.6 Introduccin a IDRISI 32

Los campos valor mnimo y valor mximo expresan el menor y mayor valor de todos los pixels del layer raster actual. (display minimum y display maximum hacen referencia al menor y mayor valor que se visualiza al abrir el layer). El campo unidades de valor indica la unidad de medida de lo que representan los valores de la imagen. El campo de valor de error indica ya sea un RMS para datos cuantitativos o un error poroporcional para datos cualitativos (como en este caso). Ambos campos se pueden dejar en blanco o como Unknown (desconocido), ya que son utilizados por pocos mdulos de anlisis. Un dato flag (bandera) es cualquier valor especial. Idrisi reconoce un valor especial llamado background (fondo), que quiere decir ausencia de datos. Otro flag reconocido es missing data, para indicar datos perdidos.

Ahora haga click en la pagina Leyenda. Contiene las interpretaciones para cada una de las categoras de uso del suelo. Esta informacin se utilizada para construir la leyenda que se despliega en la ventana de mapa. Explore la documentacin del layer raster ETDEM. Compare sus parmetros con los de la imagen anterior. Explore tambin la pagina Leyenda para encontrar diferencias. Cuando haya terminado cierre la ventana Metadata y el explorador de archivos. Despliegue el layer raster ETDEM con la paleta TEST16, asegurndose de que la opcin de leyenda est activa. Note que ahora se observa un tipo de leyenda diferente al de la composicin en pantalla (la cual usa la paleta TERRAIN). Utilice el Symbol Workshop para abrir la paleta TEST16 y mirar sus caractersticas. Encuentre diferencias entre sta y la paleta TERRAIN, que uso para desplegar el mapa ETIOPIA.

Las siguientes son las diferentes situaciones que se pueden presentar en la construccin de la leyenda: Cuando el tipo de datos es entero o byte, y el layer raster contiene valores entre 0 y 255. Idrisi interpreta los valores como nmeros de smbolos en la paleta. (valor 3 con el smbolo 3, ). Adems, si el archivo de documentacin contiene los textos de la leyenda, tambin son desplegados. Si el tipo de datos es entero y el layer contiene ms de 256 valores, o si el tipo de datos es real, Idrisi automticamente asigna los smbolos mediante un procedimiento conocido como Autoscaling y construye la leyenda automticamente. Autoscaling divide el rango de valores de la imagen en un nmero igual de categoras al expresado en Autoscale min y Autoscale max en la paleta, y asigna los valores de las celdas a colores de paleta segn esta relacin. (p. Ej. Si Autoscale Min=0 y Autoscale Max = 255, y la imagen tiene valores entre 1000 y 3000, el valor 1000 ser visualizado con el color 1 de la paleta, el valor 2000 ser visualizado con el color 128 de la paleta, el valor 3000 con el color 256 de la paleta). La naturaleza de la leyenda creada con autoscale depende del nmero de smbolos de la paleta. Si el nmero de smbolos de la paleta entre los valores Autoscale Min y Autoscale Max es menor o igual que el mximo nmero de categoras de leyenda permitido (16, por defecto), Idrisi despliega la leyenda con recuadros separados, y el rango de valores aplicables a cada uno (p. Ej. ETDEM con la paleta TEST16). Sin embargo, si el nmero de smbolos de la paleta excede a 16, Idrisi construye una leyenda continua, mostrando la posicin de valores representativos (como la imagen ETDEM con la paleta TERRAIN).

4. REQUERIMIENTOS DEL TALLER


El taller requiere trabajar en parejas. Cada pareja deber responder las preguntas que se le formulen a lo largo del ejercicio. Este taller ser para que se familiarice con los aspectos generales de manejo del programa. Suerte!!

MANUAL PRACTICO DE PERCEPCION REMOTA

5. REFERENCIAS DEL TALLER


[1] Chris Allen, The Clark Labs, Clark University. [2] IDRISI 32 for windows. Tutorial exercises. 1999

Taller No.7 Exploracion deImgenes enIDRISI

TALLER NO.7 EXPLORACION DE IMGENES EN IDRISI


1 MARCO DE REFERENCIA [1]

En este taller, se introducen las tcnicas de mejoramiento de imgenes, particularmente, en lo relacionado al incremento del contraste visual. Estas son presentadas, de acuerdo con las posibilidades que proporciona el software SIG IDRISI, el cual posee un modulo para el procesamiento de imgenes en forma digital. Antes de describir estas tcnicas, es importante familiarizarse con lo que es un Histograma y como interpretarlo. Un histograma es una representacin grfica de una distribucin de frecuencia donde el ancho de las barras verticales contiguas es proporcional al ancho de las clases de la variable y las alturas de las barras son proporcionales a las frecuencias de dichas clases en la imagen (el nmero de pixels de cada clase). Para aumentar el contraste de una imagen, se debe cambiar su forma de visualizacin, de modo que sean usados todos los colores de la paleta del software. La forma ms sencilla de hacerlo, es autoescalando la imagen. Cuando se utiliza la opcin autoescalar, el mnimo valor en la imagen es mostrado con el color ms bajo de la paleta, y el mximo con el color ms alto. Todos los valores intermedios se distribuyen a travs del resto de colores de la paleta Aunque autoscale mejora el contraste, el resultado es, a veces, insuficiente para la interpretacin visual. Se pueden lograr mejores niveles de contraste en una imagen a travs de la operacin llamada stretch (estiramiento). Cuando se ejecuta una operacin de estiramiento o expansin en el software IDRISI, se genera un nuevo archivo con nuevos valores. Aqu existen tres clases de estiramientos que pueden ser aplicados a una imagen: Linear stretch (estiramiento lineal): trabaja como la opcin de autoscale, con la diferencia de que es posible especificar puntos extremos diferentes del mximo y mnimo ND (nivel digital) de la imagen y determinar el nmero de niveles para la imagen de salida Linear stretch with saturation (estiramiento lineal con saturacin): esta clase de expansin permite asignar el mismo valor a un porcentaje determinado (p. Ej 10%) de los pixeles en los extremos del histograma. A los valores intermedios, se les aplica un estiramiento lineal. Histogram equalization (ecualizacin de histograma): este tipo de expansin trata de asignar el mismo nmero de pixels a cada nivel de la imagen, pero los pixels que estn en una categora en un nmero mayor al establecido, no pueden ser divididos ms en la imagen de salida.

PROCEDIMIENTOS GENERALES

Para desarrollar este taller se necesitan 4 bandas de una imagen de satlite: banda del azul visible, banda del verde visible, banda del rojo visible y banda del infrarrojo cercano. (P. Ej. Si la imagen es TM, se requieren las bandas 1 a 4). A partir de las imgenes de las 4 bandas, se estudiarn las diferentes tcnicas para alterar el contraste de una imagen en IDRISI, as como la forma de generar e interpretar los histogramas de

MANUAL PRACTICO DE PERCEPCION REMOTA

stas. Posteriormente ser descrito el procedimiento para generar grficos de patrones de respuesta espectral y como utilizar su interpretacin en el anlisis.

PROCEDIMIENTOS ESPECIFICOS

Para comenzar, se dar una mirada a lo que se necesita para incrementar el contraste visual de las imgenes. Al trabajar con imgenes de satlite, casi siempre se usa una paleta de escala de grises al desplegarlas. Ejecute Idrisi32, vaya al men File -> Data Paths. Elija ..\sensores\stretch\ como el directorio de trabajo. Presione OK para cerrar la ventana Data paths. Despliegue la imagen HOW87TM1 con la paleta grey256. Note que la mayora de los pixeles estn representados con tonos de gris muy similares, es decir, la imagen se visualiza con bajo contraste. La paleta grey256 vara desde negro (0) hasta blanco (255), sin embargo, al observar la imagen, no parece haber muchos pixeles blancos o grises muy claros. Haga doble click sobre el nombre de la imagen en la ventana Composer, para acceder a su descripcin. Cules son los valores mnimo y mximo de la imagen?. Para explorar ms a fondo cmo el rango de valores de la imagen afecta su visualizacin, ), para generar el histograma de la corra HISTO (desde el men Display, o con el botn imagen. Elija la imagen de la banda que seleccion como imagen de entrada, escriba 11 en ancho de clase, elija la opcin de salida grfica, modifique los valores mnimo y mximo de despliegue a 0 y 255, respectivamente, y presione OK para generar el histograma.

El eje horizontal del histograma puede interpretarse como la paleta grey256. Un valor de reflectancia de 0 se muestra como negro, uno de 255 como blanco, y todos los valores intermedios en tonos variables de gris.
1

Durante esta practica siempre se utilizar 1 como ancho de clase.

Taller No.7 Exploracion deImgenes enIDRISI

Como lo verifica el histograma, ninguno de los pixeles en la imagen tiene valor 0 o 255. Analizando el histograma, explique a qu se debe el bajo contraste de la imagen Explique, analizando el histograma, qu tonalidad en general presenta la imagen y por qu? Cmo podra mejorar el contraste de esa imagen, sabiendo que no puede modificar los valores ND que ella posee?

Desde el composer, en layer propierties, emplee la opcin autoscale. Busque en la ayuda lo que significa esta opcin Si la imagen tuviera un nico pixel blanco (es decir, con valor 255) y un nico pixel negro (es decir, con valor 0), mejorara el contraste de la imagen al utilizar autoscale?, por qu s o por qu no?

Recuerde que en autoscale, el mnimo valor de despliegue (minimal value for display) se despliega en negro y el mximo (maximun value for display), se despliega en blanco. Autoscale no cambia los valores de los datos de la imagen, solo modifica el rango de colores que se visualizan. cmo explica que an utilizando autoscale no se mejore mucho el contraste de la imagen?

Nota: En Idrisi32, existe otra forma muy sencilla de modificar los valores mnimo y mximo de despliegue a una imagen: dentro de esta misma ventana de layer propierties, cuando est activado autoscaling, se pueden modificar los valores Display Min y Display Max. Pruebe a cambiar estos valores y analice lo que ocurre cada vez. Dibuje esquemas de los cambios que ocurriran en el histograma de la imagen, al modificar estos valores y lograr un mejor contraste.

Para aplicar otras opciones de estiramiento se utiliza la operacin STRETCH (estiramiento o expansin). Aqu puede aplicarse con la opcin Stretch lineal, el mismo estiramiento que con autoscaling, pero guardando los datos obtenidos en un nuevo archivo. Genere para la imagen anterior este stretch y despliegue su histograma. As entender como autoscaling modifica la salida visual de la imagen. Ejecute STRECTH desde el men DISPLAY o con el botn de la barra de herramientas. Elija HOW87TM1 como imagen de entrada, escoja la opcin de stretch lineal con saturacin y en el campo saturacin (Percent to be satured at each end of the scale) escriba 2.5. Qu quiere decir el 2.5?. Describa lo que sucede con la imagen al aplicarle esta opcin.

Escriba un ttulo descriptivo para la imagen de salida y llmela SAT25. La nueva imagen se despliega automticamente (si es necesario, cambie la visualizacin a la paleta grey256, para ello utilice layer properties de la ventana composer).

MANUAL PRACTICO DE PERCEPCION REMOTA

Genere el histograma para la nueva imagen con las opciones de mnimo y mximo de despliegue por defecto. Compare el histograma de la nueva imagen con el de la imagen original. Organcelos en la pantalla, de forma que pueda visualizarlos simultneamente. Describa las diferencias entre los dos histogramas y diga cmo su forma evidencia si una imagen tiene ms o menos contraste.

Cierre todos los histogramas y las imgenes abiertas cuando haya terminado. Despliegue HOW87TM4 y aplique los siguientes stretchs sobre ella:

Stretch lineal con los valores mnimo y mximo reales de la imagen como extremos y 256 niveles. Llame TM4L a la imagen de salida. Stretch lineal con saturacin del 5% y 256 niveles. Llame L50 al resultado. Stretch lineal con saturacin del 2.5% y 256 niveles. Llame L25 al resultado. Ecualizacin de histograma con 256 niveles. Llame HE a la imagen de salida. Ecualizacin de histograma con 16 niveles. Llame HE16 a la imagen de salida.

La cantidad de saturacin requerida para producir una imagen con un buen contraste es variable y puede ser necesario hacer algunas pruebas y ajuste de error. Generalmente, se utilizan valores de saturacin entre 2.5 y 5.0%. En cul de las imgenes cree usted que las caractersticas son ms fcilmente identificables, en la de saturacin 2.5% o en la de 5%?. Por qu?.

La tcnica de ecualizacin de histograma intenta asignar un nmero igual de pixels a cada nivel de gris, con la restriccin de que no se puede dividir un valor nico de datos en ms de una clase. Esta es la razn por la que se mantienen algunas desigualdades. Genere los histogramas ( de clase. ) para las imgenes HE y HE16 y comprelos. Use 1 como ancho

Note que las barras en el histograma de la imagen de 16 niveles tienen una alturas menos irregulares. Por qu?

Cierre todas las ventanas. Para el siguiente paso es necesario crear una Coleccin de layers raster (raster group file). Abra el editor de colecciones desde el men File->Collection Editor. Desde el menu File escoja New. En archivos de tipo, elija raster group file. Escriba all un nombre para la coleccin y haga click en abrir. Con el boton insert after agregue los archivos correspondientes a la banda azul, banda verde, banda roja, infrarrojo cercano y tambin la imagen llamada L25 (que gener con un stretch lineal con saturacin del 2.5%, a partir de la banda del infrarrojo cercano). Guarde la coleccin desde File -> Save. Cierre el editor de colecciones. Abra el display Laucher

Taller No.7 Exploracion deImgenes enIDRISI

Presione el botn de seleccin y en la lista, haga click sobre el signo + que aparece junto al nombre del archivo de coleccin que acaba de crear, de los layers que aparecen bajo el nombre de la coleccin seleccione L25 y presione OK para visualizar dicho layer. Esta imagen se utilizar para ubicar reas especficas de consulta, sin embargo, son los valores de las imgenes originales son los que interesan. Por qu?

Busque tres tipos coberturas de uso del suelo que sean identificables en la imagen: urbano, vegetacin y agua. Lo que se quiere ahora es explorar cmo los diferentes usos del suelo reflejan las diferentes longitudes de onda electromagnticas de las 4 imgenes originales. Dibuje tres grficos como el de la fig. 1, y mrquelos como agua, vegetacin y urbano.

Fig. 1 Para examinar los valores de reflectancia de las imgenes incluidas en la coleccin, (Feature Properties) de la barra de herramientas. simultneamente, presione el botn Note que una pequea ventana se abre en la parte inferior derecha de la pantalla, debajo de Composer. Haga click sobre la barra de titulo de la ventana de la imagen L25 para activarla. Active la herramienta de cursor de consulta: Sobre la imagen L25 encuentre 3 4 pixeles representativos de cada uno de los tres usos del suelo identificables en la imagen (agua, urbano y vegetacin). Note que en la ventana en la parte inferior derecha de la pantalla, se muestran los valores de reflectancia del pixel seleccionado en las 5 imgenes del grupo. Determine los valores de reflectancia para agua, vegetacin y urbano en cada una de las cuatro bandas originales. Llene los grficos que hizo previamente para cada uno de los tipos de uso del suelo, dibujando los valores de los pixels.

Estos grficos son los patrones de respuesta espectral para cada uno de estos tres tipos de uso del suelo. Con estos grficos es posible ver cmo los diferentes tipos de materiales reflejan cantidades diferentes de energa, en diferentes longitudes de onda.

MANUAL PRACTICO DE PERCEPCION REMOTA

Cierre todas las ventanas que estn abiertas. Ahora, aplique una ecualizacin de histograma con 256 niveles a la imagen HOW87TM1 que utiliz al comienzo del ejercicio. Llame AZHE al resultado. Genere el histograma de esta nueva imagen. Despliegue nuevamente la imagen SAT25 y genere el histograma. Observe las diferencias entre estas dos imgenes y sus histogramas y escrbalas.

OBSERVACIONES FINALES

Este es un ejemplo de cmo al aplicar stretch a una imagen se incrementa su contraste, y por consiguiente su informacin, pero no se agrega ningn significado adicional a la misma (a la imagen). La imagen generada con la ecualizacin de histograma ciertamente tiene mucha variacin y alto contraste, pero al observarla (la imagen o el histograma) se pierde la sensacin, en este caso, de cul es el tipo de uso de suelo predominante. Es mejor evitar la tcnica de ecualizacin de histograma, cuando lo que se quiere al observar la imagen es percibir las diferentes caractersticas de reflectancia y absorcin de los objetos sobre la superficie de la tierra. De hecho, en la mayora de los casos, es mejor aplicar un stretch lineal con saturacin. Es muy importante recordar que las imgenes generadas con stretch se utilizan slo para visualizacin. Como han sido manipuladas y sus valores alterados, no son confiables para el anlisis. Se deben usar nicamente los datos originales para el anlisis, a menos que se tenga una razn de peso para usar datos generados con stretch.

REFERENCIAS BIBLIOGRFICAS
[1] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi for Windows V.32

Taller No. 8: Correcciones Radiomtricas y Geomtricas de Imgenes Digitales

TALLER NO 8: CORRECCIONES RADIOMTRICAS Y GEOMTRICAS DE IMGENES DIGITALES


1 OBJETIVOS DEL TALLER

Los estudiantes estarn en capacidad de: 1. Comprender la importancia de corregir los errores radiomtricos y geomtricos de imgenes de satlite digitales, antes de realizar anlisis de los datos y de extraer informacin temtica. 2. Manejar las tcnicas ms conocidas de restauracin radiomtrica y geomtrica de imgenes digitales, las cuales son competencia de los usuarios 3. Comprender los efectos de las correcciones de preprocesamiento sobre las imgenes digitales y aprender a distinguir los efectos que son reflejados en la imagen una vez stas se aplican.

2 2.1

MARCO DE REFERENCIA Distorsiones radiomtricas

Entre las distorsiones radiomtricas, que el usuario de una imagen digital debe aprender a manejar, se cuentan el bandeamiento (o falta de una lnea), los efectos atmosfricos y los ruidos (sal y pimienta). Estos ltimos habitualmente son manejados a partir de tcnicas de procesamiento, consistentes en la aplicacin de filtros en el dominio espacial o en el dominio de las frecuencias. Para las primeras dos distorsiones se conocen diversos algoritmos que restauran las imgenes disponiendo sus datos en la forma ms cercana posible a una adquisicin idnea.

2.1.1 Correccin de efectos atmosfricos


Consisten en la dispersin de la radiacin en la atmsfera, debido a la existencia de partculas y molculas que interactan con la energa electromagntica. Estos fenmenos alteran el nivel de energa que captan los detectores, distorsionando la realidad. Uno de los algoritmos ms conocidos para la correccin de este efecto es el algoritmo de Chvez, el cual consiste en detectar en una banda el valor mnimo (m), con el fin de sustraer a cada ND de la imagen dicho valor: NDi,j = NDij - m La sustraccin estara devolviendo la ganancia de radiacin en cada pixel de la imagen, lo cual es correcto si se considera que lo que se produce por la interferencia atmosfrica es una elevacin uniforme de todos los valores espectrales de la imagen.

2.1.2 Correccin del bandeamiento


Debido al mal funcionamiento de los detectores que captan datos en una banda especfica pueden producirse lneas blancas o negras que se notan a primera vista sobre la imagen digital. Para corregir este efecto se usan, dependiendo del software, diversos algoritmos. Una de las correcciones ms sencillas y comunes consiste en calcular los valores digitales de la fila i de

MANUAL PRACTICO DE PERCEPCION REMOTA

acuerdo con los valores digitales de las lneas i-1 e i+1 (lneas anterior y posterior respectivamente, de aquella que presenta el error). Esta correccin funciona correctamente en imgenes de resolucin espacial menor, considerando que en una distancia corta no ocurren cambios tan abruptos de los elementos sobre la superficie de la tierra. Algunas de las posibilidades de clculo son las siguientes: NDi,j = NDi-1,j Entonces los valores digitales para la lnea con problemas corresponderan a los valores digitales de la lnea anterior NDi,j = NDi+1,j Entonces los valores digitales para la lnea con problemas corresponderan a los valores digitales de la lnea posterior NDi,j = [NDi-1,j + NDi+1,j / 2] Entonces los valores digitales para la lnea con problemas corresponderan a los valores digitales de la parte entera [ ] del promedio de la lnea anterior y posterior.

2.2

Distorsiones geomtricas

Una de las distorsiones geomtricas que ms involucran al usuario en el procesamiento de imgenes digitales es la de posicin. La correccin de posicionamiento de una imagen se lleva a cabo a travs de un proceso de georreferenciacin, el cual consiste en comparar las coordenadas de los elementos fsicos registrados en una imagen con las coordenadas geogrficas de los mismos elementos coleccionados desde un mapa o un sistema de posicionamiento global (GPS). Esta comparacin se realiza con ayuda de una funcin de transformacin. A continuacin se describen los pasos generales necesarios para llevar a cabo el proceso de georreferenciacin de una imagen de satlite: 1. Se realiza una transformacin de las filas y columnas de la imagen original a coordenadas X, Y, de acuerdo con el sistema requerido. Para efectuar esta transformacin se emplean polinomios de primer orden (transformacin lineal) y polinomios de n orden (transformacin no-lineal). Lo ms comn es utilizar los de primer orden (o transformacin afn) de la forma:

X = ao + a 1 f + a 2 c Y = bo + b1f +b2c
Esta transformacin se efecta empleando las coordenadas X, Y de los puntos de control (GCP) y las correspondientes filas y columnas (f,c) en la imagen digital para cada punto con coordenada X,Y. Cada uno de estos puntos de control arroja 2 ecuaciones: para la X y para la Y. Las incgnitas seran los coeficientes (ao, a1, a2, bo,b1 y b2). Estos coeficientes son calculados con base en regresin mltiple, coeficientes indeterminados, etc.

Taller No. 8: Correcciones Radiomtricas y Geomtricas de Imgenes Digitales

Con esta relacin encontrada, una vez sea verificado el ajuste con base en el aporte de error medio cuadrtico de cada punto (RMSi) al RMS total (numeral 2), se halla X,Y para cada fila y columna de la imagen. El resultado es una nueva imagen, producto de la transformacin de la imagen original, la cual posee coordenadas que corresponden a las adoptadas como referencia (de acuerdo con el sistema de coordenadas de los puntos de control). 2. Clculo del RMS individual (por cada punto) y total, para verificar el correcto posicionamiento en la imagen original de los puntos de control GCP. Para cada punto de control, empleando los coeficientes de las ecuaciones hallados, se despeja f y c, nombrndolas como Fe y Ce (columnas y filas estimadas calculadas), usando el clculo de ecuaciones de dos incgnitas. La diferencia de los cuadrados de f, c y Fe, Ce dar como resultado el RMS por cada punto, lo cual permitir tomar una decisin en relacin con la exactitud de posicionamiento de los diversos puntos de control, al mismo tiempo que permitir vislumbrar el error de posicionamiento total con el que deber emplearse una ubicacin concreta sobre la imagen georreferenciada. 3. Remuestreo de la imagen: En este paso se calculan los valores de pixel para la grilla ya transformada (rectificada), empleando la grilla de la imagen original. Los tres mtodos de remuestreo ms comnmente usados son los del vecino ms prximo, el bilineal y el de convolucin cbica (remitirse a las notas de clase).

PROCEDIMIENTOS GENERALES

Antes de empezar a desarrollar el taller el estudiante deber leer y entender el marco de referencia. Los procedimientos que se le solicita seguir, fueron descritos all, por esta razn remtase a este numeral cada vez. Para georreferenciar su imagen, usted emplear solamente una banda y guardar el archivo de puntos que le permitir realizar la georreferenciacin para todas las otras bandas. El estudiante proceder a seguir la gua paso a paso, respondiendo a las preguntas que se le planteen y completando con datos en los sitios en donde as se solicite. Inicialmente se ocupar de realizar las correcciones radiomtricas y despus proceder a realizar el ejercicio tutorial, relacionado con las correcciones geomtricas.

4 4.1

PROCEDIMIENTOS ESPECFICOS Correcciones radiomtricas

4.1.1 Efecto atmosfrico


Usted trabajar en el directorio ..\\sensores\georref. Desde el men File -> Data Paths ubquese en ese directorio. Deber corregir los efectos atmosfricos para la imagen How87tm1. Dicha imagen tiene una elevacin de todos los valores espectrales, dando como resultado un desfase con respecto a las respuestas en realidad. 1. Aplique el algoritmo de Chvez (marco de referencia) para esa imagen y llmela

MANUAL PRACTICO DE PERCEPCION REMOTA

How87tm1r. Para ello emplee el IMAGE CALCULATOR, ubicado en el men ANALYSIS, DATABASE QUERY. Introduzca primero el nombre de la imagen de salida y despus desde Insert Image busque la imagen original. Escriba el resto de expresin como se muestra. Recuerde que 11 es el valor mnimo de la imagen original.

Genere una coleccin de la imagen original y la generada y visualice los valores de ambas. Verifique que la operacin aplicada se haya realizado. Construya y analice los histogramas de entrada y salida respectivos

2. Responda a las siguientes preguntas: Por qu el histograma de salida empieza en ese valor? Cmo esperara ver la imagen de salida en relacin con la tonalidad?. Porqu? Vara el contraste de la imagen obtenida? Por qu s o por qu no?

4.1.2 Efecto de bandeamiento


Considere que los valores, que a continuacin se muestran, corresponden a una ventana de una imagen TM, la cual presenta un problema de bandeamiento en la lnea 4. Para esa imagen complete los ND de la lnea con problema (sombreada) usando los tres clculos propuestos en el marco de referencia. 25 51 62 34 32 36 37 38 25 50 63 37 32 35 34 35 25 46 63 41 33 34 32 33 28 43 59 44 35 34 33 35 30 39 51 43 35 34 37 42 35 35 42 41 33 34 40 45 41 34 36 41 36 34 41 42 48 37 37 45 39 36 38 36 54 42 39 43 38 37 37 36

3. Observe los valores ND para la lnea con problemas y responda: Cul de las operaciones aplicadas le parece la ms acertada para solucionar el

Taller No. 8: Correcciones Radiomtricas y Geomtricas de Imgenes Digitales

problema y por qu? Qu otro mtodo propondra para asignar los ND a la lnea con problemas. Explique su respuesta

4.2

Correcciones geomtricas de posicionamiento


Despliegue el layer raster PAXTON con autoscale y la paleta grey 256. Esta es una imagen de la banda 4 del LANDSAT TM correspondiente al IR cercano. Mueva el cursor sobre la imagen y note (en la barra de estado) que las columnas coinciden con el valor de la coordenada X. El nmero de la fila, sin embargo, aumenta a medida que disminuye la coordenada Y, y viceversa. Vaya al men File -> Metadata y observe el nmero de filas y columnas de la imagen, as como sus coordenadas mnimas y mximas en X e Y. Antes de iniciar el proceso de georreferenciacin, es importante que las coordenadas de la imagen correspondan una a una con el nmero de filas y columnas. Durante el desarrollo del ejercicio, nos referiremos a estas coordenadas como las coordenadas viejas Las nuevas coordenadas sern entonces las del mapa que se usa como referencia (es decir, las coordenadas reales). Despliegue el layer vector PAXROADS1. Este mapa fue digitalizado en el sistema de coordenadas UTM y ser el utilizado para identificar los puntos de control, que servirn de referencia para el posicionamiento de la imagen original Habitualmente se emplea un mtodo de ubicacin de puntos que consiste en distribuirlos por toda la imagen. Se realiza un dibujo esquemtico de dichos puntos con un identificador para cada uno, calificando el nivel de exactitud de posicionamiento (malo, regular, bueno). Active la ventana de la imagen PAXTON. Adicione el layer vector PAXPNTS (desde la ventana COMPOSER, opcin add layer) con la paleta del mismo nombre. Los puntos rojos son puntos de control que se han ubicado previamente. Estos puntos deben ser identificables tanto en la imagen como en el mapa (en este caso, en el layer vector paxroads), usualmente corresponden a cruces de vas, uniones de ros o construcciones fcilmente reconocibles. Aparte de los puntos rojos, hay dos crculos dentro de los que se ubicarn dos nuevos puntos de control. Adicione tambin el layer PAXTXT con la paleta del mismo nombre. En este layer se presenta el identificador y la calificacin de precisin de posicionamiento de cada punto de control (Bueno, regular, malo)2. Los puntos que faltan por ubicar son el 21 y el 22 (dentro de los crculos). Elija un lugar adecuado dentro de cada crculo para ubicar los dos nuevos puntos de control, e identifique estos mismos puntos sobre el mapa (en este caso el layer PAXROADS). Anote las coordenadas nuevas (las del mapa) y viejas (las de la imagen de satlite) para los puntos 21 y 22. Para lograr mayor precisin, haga acercamientos en cada ventana sobre los lugares de inters, antes de anotar las coordenadas. El siguiente paso es realizar un archivo de correspondencia con estos valores (archivo que contiene las coordenadas de referencia y las de la imagen original) Vaya al men Data Entry -> Edit, y en la ventana del editor de texto, vaya a File -> Open, en Tipos de Archivos seleccione CORRESPONDENCE FILE y abra el archivo PAXCOR.

Durante el ejercicio, este layer vector cumplir la funcin que usualmente cumple el mapa impreso con coordenadas reales que se utiliza para identificar los puntos de control que permiten realizar la georreferenciacin. 2 Esta calificacin es asignada arbitrariamente por quien elige y ubica los puntos en la imagen y el mapa.

MANUAL PRACTICO DE PERCEPCION REMOTA

Paxcor.cor es un archivo de correspondencia. En la primera lnea aparece el nmero de puntos de control que se utilizarn en la georreferenciacin, y a continuacin, en cada lnea, aparecen relacionadas las coordenadas viejas y nuevas para cada punto de control: Xvieja Yvieja Xnueva Ynueva Agregue al final de este archivo dos nuevas lneas con las coordenadas para los dos puntos de control que ubic (el 21 y el 22), cambie el nmero de puntos de control de la primera lnea de 20 a 22 y guarde el archivo desde el men File -> Save. Vaya al men Reformat y elija la opcin Resample. El mapa de entrada es PAXTON el de salida PAXRESAM, el archivo de correspondencia es PAXCOR. Emplee la funcin de transformacin lineal y el tipo de muestreo vecino ms prximo. Deje cero como valor de fondo.

Oprima el botn Output reference parameters. En este cuadro de dilogo deben especificarse los valores mnimos y mximos de las coordenadas3 de la imagen de salida, su sistema de coordenadas y su tamao. Ingrese los siguientes valores: Xmin = 253000 Xmax = 262000 Ymin = 4682000 Ymax = 4695000 Calcule el nmero de filas y columnas requeridos para una resolucin espacial de 30m: # de columnas = ( MaxX MinX ) / (resolucin espacial) # de filas = ( MaxY MinY ) / (resolucin espacial) Seleccione como sistema de referencia US27TM19 (proyeccin Universal Transversa Mercator,

Estas son, naturalmente, coordenadas reales. Los parmetros de la imagen de salida deben determinarse con precisin antes de llegar a este paso.

Taller No. 8: Correcciones Radiomtricas y Geomtricas de Imgenes Digitales

Zona 19, Datum NAD27), luego oprima OK. La ventana que aparece muestra el clculo del error medio cuadrtico (RMS) total, y los errores residuales para cada punto de control. Estos residuos expresan cunto se desvan los puntos de control de la ecuacin de mejor ajuste. La ecuacin de mejor ajuste describe la relacin entre el sistema de referencia arbitrario de la imagen de entrada y el sistema de referencia al que est siendo transformada; dicha relacin se calcula a partir de los puntos de control. As, un punto de control con un alto residuo sugiere que sus coordenadas son poco exactas; ya sea en el sistema de coordenadas viejas, el de coordenadas nuevas, o en ambos. El RMS describe el error posicional de todos los puntos de control en relacin con la ecuacin. Describe la probabilidad de que una posicin calculada con la ecuacin vare con respecto a su verdadera ubicacin. Se considerar como aceptable un error de hasta 0.5 pixeles (15 metros para este caso). 4. Escriba los valores de los errores residuales obtenidos para cada punto y el RMS total. 5. Evale el error de los puntos 21 y 22 que usted mismo adicion, describa como fue su trabajo de posicionamiento. Omita los puntos que presenten mayor error residual4, teniendo en cuenta la calificacin de precisin de posicionamiento de cada uno (buena, mala o regular), y procurando que la distribucin uniforme de los puntos de control sobre la imagen se vea afectada lo menos posible. Cada vez que vaya a omitir un punto observe su posicin en la imagen, el identificador y la calidad del posicionamiento.

6. Anote finalmente los errores que admiti y el RMS total que acept (despus los volver a usar). Deje que se obtenga la nueva imagen y observe la tabla resumen de estadsticas que Para omitir un punto de control, desactive la casilla de comprobacin correspondiente y presione Recalculate RMS
4

MANUAL PRACTICO DE PERCEPCION REMOTA

7. 8. 9. 10.

se le presenta. Explique que quieren decir los datos que all se dan. Despliegue PAXRESAM (imagen georreferenciada) con autoscaling y grey 256 Sobre esta imagen con add layer despliegue PAXROADS y verifique que estos caminos coincidan con los rasgos de caminos detectados en la imagen georreferenciada Despliegue al lado PAXTON Diga en que direccin (en relacin con las manecillas del reloj) gir la imagen. Para hacerlo observe los lagos que aparecen como cuerpos negros en ambas imgenes Corra nuevamente RESAMPLE, pero esta vez emplee como mtodo de resample bilineal. Llame a la imagen de salida PAXRE1 Compare las dos imgenes y anote las diferencias en relacin con rugosidad y suavizacin, discontinuidades geomtricas y valores que adoptan los pixeles de las imgenes georreferenciadas Si usted fuera a utilizar la imagen georreferenciada para realizar posteriormente un procesamiento que requiera los valores originales, cul de las dos preferira? Cules son las principales fuentes de error en el proceso de georreferenciacin de una imagen, utilizando los puntos de control obtenidos en un plano topogrfico?. Qu recomendara usted?

REQUERIMIENTOS DEL TALLER

Las preguntas del taller sern respondidas en grupos mximo de dos personas. Cada uno de los cuales entregar un documento escrito con las respuestas. Este taller es necesario entregarlo en ocho das. Suerte!

REFERENCIAS DEL TALLER

[1] Idrisi tutorial Exercises. Version 2.0. Image georegistration using RESAMPLE. INT 103. 1997 [2] Idrisi Users guide Version 2. [3] Lizarazo Ivan. Calidad de Informacin Geogrfica. Prctica No.1. Georrefenciacin de imgenes. 1999

Taller No. 8: Correcciones Radiomtricas y Geomtricas de Imgenes Digitales

Anexo # 1

Coordenadas de puntos 21 y 22: #21 Vieja X 348, Vieja Y 185 Nueva X 259666.5 Nueva Y 4687351.0 #22 Vieja X 391.5 Vieja Y 88 Nueva X 260295.8 Nueva Y 4684403.0

Taller No. 9: Realce espacial y de color en imgenes digitales

TALLER NO. 9: REALCE ESPACIAL Y DE COLOR EN IMGENES DIGITALES


1 OBJETIVOS DEL TALLER

Los estudiantes estarn en capacidad de: Seleccionar las mejores bandas para realizar diversas composiciones a color, que faciliten la interpretacin visual, de acuerdo con los requerimientos especficos. 1. Llevar a cabo composiciones a color y entender para extraer qu elementos es ms apta cada combinacin de bandas 2. Comprender la parte conceptual de la tcnica de aplicacin de filtros en las imgenes digitales 3. Analizar los cambios que sufren los valores de los pixeles de las imgenes cuando son aplicados los filtros de realce 4. Distinguir sobre las imgenes, las diferencias que produce la aplicacin de uno u otro filtro 5. Aprender a utilizar los filtros de realce espacial de acuerdo con los requerimientos del usuario

2 2.1

MARCO DE REFERENCIA Composiciones a color

Es otro tipo de realce de imgenes, el cual permite ver la informacin de reflectancia de tres bandas separadas, en una misma imagen. En Idrisi se pueden generar dos tipos de composiciones a color:

2.1.1 Composicin de 8 bits


En el caso de las composiciones a color de 8 bits, Idrisi realiza primero un stretch a las 3 bandas originales para reducirlas a 6 niveles (valores de 0 a 5), para as poder combinar su informacin de reflectancia. El usuario debe escoger el tipo de stretch que quiere aplicar a las bandas. La imagen resultante tendr valores entre 0 y 215 (6*6*6=216), de tal forma que cada valor sea desplegado con un color particular (las paletas de Idrisi tienen 256 colores). Por defecto, las composiciones de 8 bits son desplegadas con la paleta Composit. La nueva imagen es un archivo binario y su tipo de datos es byte. La composicin a color se interpreta en trminos de los patrones de respuestas espectrales, donde cada combinacin nica de los valores expandidos de las imgenes originales, son desplegados con un nico color. A su vez cada nico valor, corresponde a un tipo de cobertura. La frmula que se usa para que cada valor de combinacin sea diferente es: Valor composicin = (Red expand* 36) + (Green expand*6) + (Blue expand)

2.1.2 Composicin de 24-bits


Se aplica tambin un stretch a las 3 bandas originales pero en este caso se expanden a 256 niveles (valores 0 a 255). La composicin resultante es una imagen intercalada por pixel que

MANUAL PRACTICO DE PERCEPCION REMOTA

contiene los valores para las tres bandas. Por ejemplo, si los valores en las bandas originales despus de aplicado el stretch son: B:187 G:243 R:57, estos tres valores se almacenarn en la composicin en el orden 187 243 57 (y as para cada pixel). Para desplegar una composicin de 24bits, Idrisi no utiliza ninguna de sus paletas, sino que cada pixel es visualizado directamente con el color correspondiente a la combinacin de valores R,G,B de las tres bandas. Como estos valores varan entre 0 y 255, una composicin de 24bits puede representar hasta 16777.216 colores (256*256*256).

2.2

Los filtros espaciales

Los filtros espaciales son usados para obtener imgenes realzadas o mejoradas aplicando funciones u operaciones en el dominio del espacio de la imagen (x,y) o de la frecuencia espacial (x,h). En el dominio del espacio de la imagen, los filtros son de realce; para el dominio de la frecuencia espacial son de reconstruccin. La frecuencia espacial de una imagen es el nmero de cambios en los valores radiomtricos por unidad de distancia, para cualquier parte de la imagen en particular. Si hay pocos cambios en los valores radiomtricos sobre un rea dada en una imagen, esto se denomina rea de baja frecuencia. Al contrario si hay muchos cambios en un rea reducida, el rea sera de alta frecuencia. Debido a que la frecuencia espacial se ocupa de una regin es necesario adoptar una aproximacin espacial para extraer informacin espacial cuantitativa. Esto se hace observando el valor radiomtrico del pixel vecino en lugar de los valores de pixel independientes. La frecuencia espacial en percepcin remota puede ser realzada o disminuida usando dos diferentes aproximaciones: 1. Filtro de convolucin espacial: basado en el uso de mscaras (ventanas, kernel, filtro) de convolucin. Se usa para realzar detalles de frecuencia alta y baja, as como los bordes de la imagen. A este grupo pertenecen: filtro pasa bajo, filtro pasa alto, realce de bordes (lineal y no lineal) 2. Anlisis de fourier: el cual matemticamente separa una imagen dentro de sus componentes de frecuencia espacial, resultando en una transformacin de Fourier de la imagen. Es entonces posible interactivamente enfatizar ciertos grupos de frecuencias relacionadas con otras y recombinar las frecuencias espaciales para producir una imagen realzada A continuacin se muestran filtros tpicos de convolucin espacial de ventanas 3x3: De Pasa suavizacin 1/9 1/9 1/9 1/9 1/9 1/9 bajo: 1/9 1/9 1/9 (promedio). Efecto= Realce lineal (no direccionales) de bordesLaplaciano. Efecto = diferencial, no sensitivo a la direccin 0 -1 0 -1 4 -1 0 -1 0

De pasa alto. Efecto: realce de bordes -1 -1 -1 -1 9 -1 -1 -1 -1

Taller No. 9: Realce espacial y de color en imgenes digitales

Realce de bordes (funciones lineales), para rasgos direccionales. Gradient. Efecto = Diferencial, sensitivo a la direccin 1 1 1 -1 -2 1 -1 -1 1 Realce de bordes (funciones no lineales). Sobel. Efecto = refuerza fronteras o rasgos de inters Nuevo valor = Raz Cuadrada de A2+B2 A = La imagen resultante de aplicar el Kernel A (KA) a la imagen de entrada B = La imagen resultante de aplicar el Kernel B (KB) a la imagen de entrada KA= -1 -2 -1 0 0 0 -1 2 1 KB= 1 0 -1 2 0 -2 1 0 -2

Filtros para rasgos lineales de distintas direcciones: Norte 1 1 1 -2 -1 -1 Sur -1 1 1 Este -1 -1 -1 -1 -2 1 1 -2 1 1 1 -1 -1 1 1 1 1 1 Oeste 1 1 1 -2 1 1 Noreste 1 1 -1 -2 -1 -1 Sureste -1 -1 -1 -2 1 1 -1 -1 -1

1 1 1

1 1 1

PROCEDIMIENTOS GENERALES

Primero resuelva el procedimiento relacionado con las tcnicas de composicin a color, despus aborde el de los filtros y finalmente analice como pueden ser combinadas las dos tcnicas.

4 4.1

PROCEDIMIENTOS ESPECFICOS Creacin de composiciones a color

1. De acuerdo con los aspectos presentados en el numeral 2.1, responda la siguiente pregunta:

MANUAL PRACTICO DE PERCEPCION REMOTA

Cul valor de composicin se producira por la combinacin de los NDs: 70 (Banda IR ceracno), 20 (Banda Rojo), 40 (Banda verde). Use la frmula del numeral 2.1

2. En Idrisi, vaya al men File -> Data Paths y elija \sensores\realce como directorio de trabajo. En esta carpeta se encuentra una imagen TM de la poblacin de Guadalupe, en el Huila. 3. Genere una composicin de 8 bits a color natural de esta imagen usando las tres bandas del visible (guadalupe1, guadalupe2 y guadalupe3). Vaya al mdulo COMPOSIT, desde el men Analysis -> Image Processing -> Enhancement. Escoja la banda del rojo para el canal rojo, la del verde para el verde y la azul para el azul. Aplique la tcnica de expansin (stretch) que crea conveniente, despus de revisar los histogramas originales. Para desplegar el resultado de la composicin asegrese de emplear la paleta COMPOSIT. Cree una coleccin de layers raster con las tres imgenes originales y la composicin. para examinar simultneamente Utilice la herramienta de consulta inquiry cursor algunos de los valores de respuesta espectral de las tres bandas originales. Observe diversas coberturas en las tres bandas del visible y despus note si son diferenciadas, o no, en la composicin a color obtenida. Describa diversos colores de la composicin a color a cules coberturas corresponden. Para esto, visualice las tres bandas originales y despus la composicin a color. Interprete por qu el color de la composicin. Hgalo mnimo para tres coberturas. La paleta COMPOSIT, puede ser observada desde Display -> Symbol Workshop.

4. Ahora proceda a realizar una composicin de 8 bits en falso color. Qu bandas incluye un composicin en falso color?. Por que se llama as? Identifique los colores para tres coberturas y explique por que ese color con el que se visualizan. Aydese de las bandas originales.

5. Realice una composicin de 24bits en falso color con la opcin Create 24-bit composite with stretched values. Compare esta composicin con la de 8 bits. Utilice el inquiry cursor para identificar diferencias. 6. Realice una composicin de 24bits en falso color con la opcin Create 24-bit composite with original values and stretched saturation points y comprela con la anterior Qu diferencia hay entre esta composicin y la creada en el paso 5?

4.2

Aplicacin de filtros

Cierre las imgenes abiertas. Vaya al men Analyisis -> Image Proccesing -> Enhancement -> Filter. Desde la ventana de filtrado digital que se abre, invoque la ayuda. All revise la parte de operacin y de notas. Es importante que analice cada filtro y entienda la forma en que se computa con la imagen original. Una vez revisada la ayuda de IDRISI despliegue la imagen desarrollar los procedimientos especficos que se le solicitan.

guadalupe4 y empiece a

Taller No. 9: Realce espacial y de color en imgenes digitales

4.2.1 Filtro pasa alto y pasa bajo


1.

Desde el men de filtros seleccione la opcin High Pass. Este es un filtro pasa alto cuyo contenido de kernell usted visualiz en la ayuda. Si no recuerda remtase nuevamente a ella.

2. Ingrese guadalupe4 como imagen de entrada. D un nombre a la imagen de salida y complete las otras opciones solicitadas. 3. Realice el mismo procedimiento, pero ahora use el filtro mean. Emplee un filtro de tamao 3x3 y otro de tamao 7x7, para la misma imagen. Escriba los valores mnimo y mximo de las imgenes de salida Explique a que se debe que, en la que aplic el filtro High Pass, existan valores negativos

4. Realice una expansin de la imagen de salida del filtro high pass, con el fin que reescale los valores obtenidos al rango entre 0 y 255, para ello, analice el histograma de la imagen despus del filtro y seleccione el mejor mtodo. Para qu se hizo la expansin y por qu escogi ese mtodo?. Qu se visualiza despus de la expansin?. Interprete la imagen que aparece sobre pantalla

Para desplegar las imgenes filtradas, IDRISI asume automticamente el autoescalamiento, emplee la paleta grey 256 todo el tiempo. 5. Despliegue las imgenes filtradas con mean al lado de la original y responda las siguientes preguntas: En forma general describa qu cambios en valores sufren los pixeles de la imagen cuando se aplica uno u otro filtro? Cul de los filtros pasa bajo hace la imagen ms borrosa? . Por qu? Visualmente observe la diferencia entre la imagen original y las resultantes. Describa estas diferencias y plantee un uso

4.2.2 Aplicacin de filtros para realce de bordes


6. Desde el men de filtros seleccione la opcin Laplacian edge enhancement. Este es un filtro de realce de bordes no direccional, cuyo contenido de kernell usted visualiz en la ayuda. 7. Entre el nombre de su imagen. De un nombre de salida a esa imagen y complete las otras opciones solicitadas. 8. Realice el mismo procedimiento, pero ahora use el filtro sobel edge detector. Despliegue las imgenes filtradas al lado de la original y responda las siguientes preguntas: Describa los elementos de la imagen que cambiaron en uno y otro caso Basado en lo que usted ve sobre cada una de las imgenes filtradas, qu preguntas puede proponer, que esas diversas tcnicas de filtros puedan ayudar a responder? Cules bordes son resaltados con el realce de bordes de sobel? Cules bordes realza el filtro Laplaciano?

MANUAL PRACTICO DE PERCEPCION REMOTA

4.2.3 Filtros definidos por los usuarios


9. Con las opciones user defined 3x3 kernel y user defined variable size kernel usted puede crear cualquier filtro requerido. La operacin matemtica que ser realizada consiste en sumar los productos del pixel de la imagen original y el del kernel. Si usted selecciona la opcin normalize, los valores del kernell se dividen de forma que su suma sea igual a 1. De acuerdo con lo explicado en clase, cree tres filtros direccionales: E-W, N-S y NE-SW Aplquelos a la imagen original y despliguelos. Responda a las siguientes preguntas: Describa que ve y responda cmo estos filtros podran ser tiles para un estudio Compare las tres imgenes y diga que direccin poseen los rasgos que fueron realzados con cada filtro respectivamente.

4.2.4 Composiciones a color con f iltros


10. Ahora genere una composicin de 8bits en falso color con las bandas originales, empleando la opcin linear stretching with saturation points, asigne un valor de saturacin, despus de examinados los histogramas originales. Llmela COMPORIG. 11. Posteriormente corra filtros laplacianos para cada una de estas bandas. Despus realice una expansin lineal para cada una de ellas, con el fin de asignar a la imagen valores NV entre 0 y 255. Este paso se realiza ya que la composicin a color solo acepta imgenes byte. Proceda a generar la composicin a color empleando la misma opcin de arriba (linear stretching with saturation points). Llmela COMPFL Despliegue una composicin al lado de la otra y responda: 1. Cules son las diferencias entre estas dos composiciones? 2. Para cules aplicaciones encuentra til el uso de la composicin a color con bandas filtradas? 3. Pruebe composiciones a color, empleando otros filtros para las bandas originales y anote sus observaciones.

REQUERIMIENTOS DEL TALLER

Las preguntas del taller sern respondidas en grupo. Cada uno de los grupos anotar estas respuestas, con el fin de exponerlas ante el grupo completo, en forma de discusin abierta. Suerte!

REFERENCIAS DEL TALLER

[1] Jensen, J. R., 1996, Introductory Digital Image Processing: A remote sensing perspective, 2nd Edition. NJ: Prentice-Hall [2] Sabins, F. F., 1987, Remote Sensing: Principles and Interpretation. NY: W.H. Freeman and Company. [3] Japan Association of remote sensing. Remote sensing note [4] Clark University. Idrisi for Windows. Tutorial exercises. 1997.

Taller No 10: Transformaciones Especiales de Imgenes

TALLER NO. 10: TRANSFORMACIONES ESPECIALES DE IMAGENES


1 OBJETIVOS DEL TALLER

Los estudiantes estarn en capacidad de: 1. Comprender en que consisten las tcnicas de cocientes de bandas, componentes principales e ndices de vegetacin y vislumbrar los cambios que dichas tcnicas producen en las imgenes 2. Encontrar aplicaciones para las cuales pueden ser usadas estas tcnicas 3. Entender conceptualmente los algoritmos que se aplican durante las transformaciones de las imgenes y encontrar las ventajas de su empleo.

2 2.1

MARCO DE REFERENCIA Cociente de bandas [1]

En reas montaosas la interaccin del ngulo y el azimut de los rayos del sol con las pendientes y los aspectos produce un efecto topogrfico que resulta en una iluminacin variable, la cual impide hacer un uso adecuado de las imgenes en este tipo de ambientes. El efecto topogrfico se define como la diferencia en los valores de radiacin de las superficies inclinadas, comparadas con aquellas horizontales. Esta orientacin es medida en relacin con el ngulo del sol y el sensor remoto (Holben y Justice, 1980). Las imgenes a menudo se toman, o temprano en la maana, o en la tarde, cuando el efecto del ngulo del sol en la iluminacin de las pendientes pueda ser extremo. Las reflectancias de las pendientes que miran opuestas al sol, son considerablemente bajas y, en algunos terrenos muy altos, algunas reas pueden poseer tanta sombra que pierden totalmente su significado. Cuando se usa el proceso de clasificacin de una imagen, la informacin de reflectancia que proviene de materiales similares, puede quedar separado en distintas clases, debido a los efectos de sombras. Por otro lado, estas sombras hacen tambin difcil derivar ndices de biomasa y otros aspectos comparativos entre las clases de cobertura y uso. Por estas razones el efecto de relieve es un aspecto dramtico en la interpretacin temtica, al cual debe drsele importancia. Estos inconvenientes son menos comunes en imgenes tomadas con ngulos altos de elevacin del sol (mayores que 45 ) que en los de menor ngulo, pero la disponibilidad de datos no siempre est en los trminos ms adecuados y se hace necesario trabajar con aquellas imgenes que se tienen. Por ello, se emplean tcnicas de procesamiento de imgenes que suprimen estos efectos negativos para la interpretacin. Una de esas tcnicas (de entre otras que existen) es el cociente de bandas. En el cociente de bandas, una banda de la imagen es dividida en otra (por ejemplo la banda del infrarrojo cercano en la roja): BANDAA/BANDAB, cuya normalizacin sera (BANDAA BANDAB

MANUAL PRACTICO DE PERCEPCION REMOTA

/(BANDAA+BANDAB). Esta ltima est evitando los valores de cero en el denominador. Esta tcnica se basa en el principio de que cierto componente de reflectancia en todas las bandas es el resultado de efectos solares. Esos efectos son experimentados como un multiplicador uniforme de los valores de la reflectancia que son determinados por las diferencias reales de los materiales. Dividiendo una banda en otra, el componente angular uniforme es dividido, dejando la variacin que representa las diferencias en los materiales de la tierra. Esta tcnica no elimina completamente los efectos topogrficos, pero ha sido aplicada en forma muy efectiva, en numerosos estudios.

2.2

Componentes principales [2]

En teledeteccin es comn encontrar una alta correlacin entre las bandas multiespectrales. En esta correlacin se puede observar que si la reflectancia es alta en un sitio particular de una banda, tambin tender a ser alta en el mismo sitio de otra banda. La pregunta que surge es entonces si algunas bandas proveen una adecuada caracterizacin de las reflectancias de la superficie de la tierra. Esta pregunta es respondida por el anlisis de componentes principales ACP. El ACP es usado para transformar un conjunto de bandas de imgenes a unas nuevas llamadas componentes, las cuales son no - correlacionables y son ordenadas en trminos de la cantidad de variacin de la imagen que ellas explican. Los primeros componentes tendern a llevar ms variacin del conjunto de bandas originales, mientras que los otros componentes describirn variaciones menores. Una de las aplicaciones del ACP es la compactacin de datos, que consiste en retener solamente los primeros componentes, donde uno puede guardar la mayora de informacin, descargndose de una gran proporcin de datos redundantes.

2.3

Indices de vegetacin [2]

La cobertura vegetal fue uno de los primeros focos de la investigacin del manejo de recursos naturales, usando imgenes de satlite, especialmente con el lanzamiento de LANDSAT en 1972. Los sistemas de LANDSAT, SPOT y NOAA, entre otros, ofrecen imgenes multitemporales que se usan ampliamente para monitorear y evaluar el estado de la vegetacin en los niveles global, regional nacional y local. Los ndices de vegetacin usan varias combinaciones de datos de los satlites multiespectrales para producir una imagen individual que representa la cantidad de vegetacin, presente en un rea dada. Los ndices de vegetacin bajos, usualmente indican vegetacin poco vigorosa, mientras que los valores altos, indican vegetacin muy vigorosa. Sin embargo en algunos casos (como los ndices RVI y NRVI de IDRISI) el valor del ndice de vegetacin es inversamente proporcional a la cantidad de vegetacin presente en el rea. Por esta razn usted deber tener cuidado al interpretar los datos que obtenga. Diferentes ndices han sido desarrollados para modelar mejor la cantidad actual de vegetacin sobre la superficie terrestre. El mejor ndice a ser usado en un ambiente particular debe ser determinado a travs de la calibracin con mediciones de muestras de biomasa. Si no hay mediciones de biomasa, esas imgenes de ndices pueden ser indicadores tiles de la cantidad relativa de vegetacin presente. Recuerde que la vegetacin tiene caractersticas especiales de los patrones de respuesta espectral, 2

Taller No 10: Transformaciones Especiales de Imgenes

en los cuales la energa en el visible azul y rojo es absorbida fuertemente, en el verde del visible la luz es reflejada (de aqu su color verde) y en el IR cercano es reflejada fuertemente. Debido a estas caractersticas, muchos de los ndices de vegetacin usan solamente las bandas roja e IR, donde la diferencia en la curva espectral es ms marcada.

2.3.1 Indices basados en la pendiente:


Usan el cociente de la reflectancia de una banda con otra (usualmente rojo e IR cercano). El trmino se refiere a que, al analizar los valores resultantes del IV (ndice de vegetacin), se comparan esencialmente las pendientes de las lneas que pasan a travs del origen y de los pixeles ploteados en un grfico, con la reflectancia de una banda en el eje de las X y la reflectancia de la otra en el eje de las Y.

2.3.2 Indices basados en la distancia:


Los valores de reflectancia grabados por el sensor para cada pixel constituyen una reflectancia promedio de todos los tipos de coberturas que caen en ese pixel. Cuando en zonas ridas y semiridas la vegetacin es dispersa, la respuesta se recibe para la vegetacin y el suelo. Estos ndices tratan de separar la informacin de la vegetacin y del suelo. Se basan en el uso de una lnea del suelo y las distancias desde ella. Una lnea de suelo es una ecuacin lineal que describe la relacin entre valores de reflectancia en el rojo e IR cercano para los pixeles del suelo. Esta lnea se genera corriendo una regresin lineal entre las bandas roja e IR cercano para una muestra de pixeles de suelo desnudo. Una vez esta relacin es establecida, todos los pixeles desconocidos que tienen la misma relacin en los valores de reflectancia de las bandas roja e infrarroja son asumidos como suelo desnudo. Los que caen lejos de la lnea de suelo porque tienen mayor respuesta de reflectancia en el IR cercano se consideran vegetacin. Aquellos que caen lejos de la lnea de suelo por que su reflectancia roja es ms alta se asumen como agua (la respuesta espectral del agua es mayor en el rojo que en el IR).

2.3.3 Indices de transformaciones ortogonales:


Con estos ndices, cuatro o ms bandas son transformadas dentro de un conjunto de nuevas imgenes, una de las cuales describe la vegetacin. En el presente taller ser empleado el ndice de Tasseled Cap, el cual usa un conjunto de cuatro bandas MSS o seis TM, para producir otras imgenes nuevas. La imagen GVI (ndice verde) representa la vegetacin. Otras imgenes producidas representan el ndice del suelo (SBI), el ndice de vegetacin amarilla (YVI) y el ndice de no-tal (NSI). El nombre de la transformacin describe la forma de un plot de pixeles en el espacio de GVI-SBI, para una imagen que tiene vegetacin en diferentes etapas de desarrollo. En la tabla que se presenta a continuacin se muestra la sntesis de algunos ndices de vegetacin ms conocidos. Indices de vegetacin de diversos tipos y sus caractersticas generales Nombre del Frmula ndice Basados en la pendiente De diferencia NDVI = (NIR-RED)/NIR+RED normalizado Caractersticas

Minimiza efectos topogrficos y produce escala lineal de medicin. La escala va de 1 a 1 con el

MANUAL PRACTICO DE PERCEPCION REMOTA

(NDVI)

valor cero representando el valor aproximado donde empieza la ausencia de vegetacin. Los valores negativos representan superficies sin vegetacin Transformado 0,5 evita valores negativos. La raz cuadrada intenta NIR - RED TVI = ( ) + 0.5 (TVI) corregir valores que se aproximan a una distribucin NIR + RED de Poisson e introduce una distribucin normal. No elimina todos los valores negativos CTVI= Transformado Para valores del rango 1 + 1 que no se les corregido (CTVI) NDVI ( NDVI + 0.5) x ABS ( NDVI + cambiaba el signo con la anterior. Suprime el signo abs ( NDVI + 0.5) negativo. Sobrestimacin del verde Transformada de Thiam (TTVI) Cociente simple (RVI) Normalizado (NRVI)
TTVI =
( ABS ( NIR - RED ) + 0.5) NIR - RED

Suprime la sobrestimacin del verde La reversa de la estndar simple El resultado del RVI es normalizado. Es similar al NDVI, reduce efectos topogrficos, iluminacin y efectos atmosfricos, adems de crear una distribucin normal estadsticamente deseable.

RVI = RED/NIR NRVI = RVI 1/RVI + 1

Basados en la distancia Perpendicular (PVI)

Es el ndice de vegetacin padre, de donde se derivan los dems. Usa la distancia perpendicular de cada pixel a la lnea del suelo. Se sabe si el pixel corresponde a suelo o vegetacin de acuerdo con la distancia de cada uno a la lnea del suelo o al lado de la lnea donde estn ubicados. De diferencia DVI = MSS7 MSS5 Un valor de cero indica suelo desnudo, los menores = La pendiente de la lnea de (DVI) de cero agua y los mayores de cero vegetacin.
suelo MSS7 = IR cercano MSS5 = Rojo

NIR - RED De suelo SAVI = * (1 + L ) ( NIR + ROJO + L ajustado (SAVI)

Incorpora una constante de suelo, la cual se usa de acuerdo con vegetacin baja, intermedia o L = factor de ajuste del suelo alta. Considera la influencia de la luz y del suelo oscuro en el ndice. a ( NIR - a * RED - b De suelo TSAVI = Considera la pendiente y el intercepto de la lnea 1 RED + a * NIR - a * b ajustado de suelo. Mucho efecto del suelo de fondo. Tiene a = pendiente de la lnea de suelo varias modificaciones transformado b = Intercepto de la lnea de suelo (TSAVI) De transformaciones ortogonales Anlisis de Usada para descubrir la dimensionalidad de datos componente multivariados removiendo las redundancias principal (PCA) (evidente en la intercorrelacin de los valores de pixel de la imagen) En las imgenes la primera componente tpicamente representa el fondo del suelo, mientras que la segunda a menudo representa la variacin en la cobertura vegetal De Tasseled GVI = [(-0.24717TM1) + (- Provee coeficientes globales que son usados para 0.16263TM2) + (-0.40639TM3) + Cap (GVI) darle peso a las bandas originales generando
(0.854558TM4)...

Taller No 10: Transformaciones Especiales de Imgenes

De Misra (MGVI)

bandas nuevas transformadas. Los pesos negativos del GVI en las bandas del visible minimizan el efecto del suelo de fondo, los positivos en el IR enfatiza la seal de la vegetacin La misma filosofa, pero con nuevas bandas. No produce el mismo efecto de componente principal pues los coeficientes pueden ser colocados especficamente

PROCEDIMIENTOS GENERALES

Abra el programa IDRISI y desde File -> Data Paths seleccione ..\sensores\vi como la carpeta de trabajo. Usted empezar a desarrollar los ejercicios en el orden que se da en procedimientos especficos, una vez haya ledo detenidamente la informacin que se le proporciona en el marco de referencia, sin la cual, difcilmente entender el ejercicio en cada tema.

4 4.1

PROCEDIMIENTOS ESPECFICOS Anlisis de cocientes de bandas

Para esta parte de la prctica se utilizarn las bandas de una imagen Landsat TM (topo1, topo2, , topo7) que se encuentran en la carpeta de trabajo. Se emplear un cociente de bandas simple para ilustrar los efectos de las sombras del relieve sobre las imgenes de satlite. Lo que se busca, es minimizar las diferencias en los valores radiomtricos, debidas a los efectos de topografa. En la imagen de salida los valores del cociente para un mismo objeto de la superficie de la tierra tendern a aproximarse, removiendo la variacin debida a efectos topogrficos. Siga los pasos que se describen a continuacin: 1. Genere el histograma para las bandas 2,3 y 4 y examine la distribucin de los valores de reflectancia. 2. Realice una composicin a color con las imgenes originales usando topo2 para el azul, topo3 para el verde y topo4 para el rojo. Use el estiramiento lineal que ms se ajuste a sus datos de acuerdo a lo observado en los histogramas. Llame a la imagen de salida COMP1. Visualice esta composicin producida. 3. Ahora ser producida una composicin a color donde sea usado un cociente de bandas, con el fin de compararlo con la anterior composicin. Tenga en cuenta que as como el cociente de bandas minimiza los efectos radiomtricos, tambin tiende a ocultar algunos rasgos. De esta forma, algunos materiales pueden tener pendientes similares en sus curvas de reflectancia espectral y aparecer idnticos en la imagen del cociente de bandas. Por eso se usar solamente un cociente para una banda de la composicin. Las otras dos a usar, sern las originales. El cociente se realizar con las bandas 4 y 3 y se usar la imagen resultante como substitucin de la 4 en una composicin 2,3,4. 4. Corra OVERLAY desde el men Analysis -> Database Query. Especifique topo4 como la primera imagen y topo3 como la segunda. Llame NRATIO a la salida. Seleccione la opcin de cociente normalizado (first-second/first+second). 5. Revise la informacin del archivo NRATIO desde File -> Metadata.

MANUAL PRACTICO DE PERCEPCION REMOTA

Cules son los valores mnimo y mximo de NRATIO? Verifique que s haya sido aplicada la frmula de cociente normalizado, para esto, realice una coleccin de las imgenes usadas en el cociente y la resultante, para que consulte los valores conjuntos de las tres y pueda escribir la operacin. Para crear la coleccin (recuerde): Vaya al men File -> Colection Editor para abrir el editor de colecciones Desde el men File escoja New, y en archivos de tipo, elija raster group file. Llame R43 a la coleccin y haga click en abrir. Con el boton insert after agregue los nombres de las imgenes que conformarn dicha coleccin (topo4, topo3 y NRATIO). Guarde la coleccin y cierre el editor de colecciones.

6. Abra el Display Laucher , presione el botn de seleccin, y en la lista, haga click sobre el signo + que aparece junto a R43 y despliegue NRATIO con la paleta grey 256. Para habilitar la utilizacin del modo de cursor extendido, presione el botn (Feature

Properties). Active la herramienta de cursor de consulta y haga click sobre la imagen NRATIO para revisar sus valores y los de las dems imgenes de la coleccin.

Por qu se us un cociente normalizado, en lugar de un cociente simple? Despliegue las dos imgenes originales y la resultante de aplicar el cociente, usando autoscaling, emplee la paleta de gris y realice una comparacin entre ellas

7. Transforme NRATIO al rango de valores de 0 a 255 (byte). Para ello utilice un stretch lineal. Presione (o vaya al men Analysis -> Image Processing -> Enhacement, y elija STRETCH). Especifique NRATIO como la imagen de entrada y llame NRATIO256 a la de salida. Despliegue la nueva imagen con la paleta Grey 256 8. Haga ahora una segunda composicin a color de 8 bits usando NRATIO256 como uno de los (o corra COMPOSIT desde Analysis -> Image Processing -> componentes. Presione Enhacement para combinar topo2, topo 3 y NRATIO256 como bandas azul, verde y roja respectivamente). Seleccione la misma opcin de expansin que us para la primera composicin. Llame a la imagen de salida COMP2.

Por qu fue necesario transformar NRATIO a imagen byte?

9. Mire la imagen producida usando la paleta Composite. Usted notar que la vegetacin u otras coberturas, que se encontraban en la sombra, son ms visible que antes. Algunas aparecen lo suficientemente claras como para clasificarlas en diferentes categoras. 10. Compare COMP1 y COMP2 Cmo el cociente de las imgenes ayuda en la interpretacin visual? Describa los aspectos positivos y negativos de aplicar esta tcnica en relacin con: las sombras, discriminacin de cobertura en esas reas donde haba sombras, discriminacin de cobertura en zonas iluminadas.

4.2

Anlisis de componentes principales

Se usarn las bandas de una imagen Landsat TM (bog1, bog2, , bog7). 1. Despliegue todas las bandas con la paleta Grey 256 y la opcin autoscaling. Analcelas al 6

Taller No 10: Transformaciones Especiales de Imgenes

tiempo y conteste la siguiente pregunta: Alguna otra banda se parece a la 7?. Cul?. Tenga en cuenta esta respuesta para ms adelante. Alguna otra banda se parece a la 1?. Cul?. 2. Ahora corra PCA (anlisis de componentes principales) desde el men Analysis -> Image -> Processing -> Transformations. Indique que usted quiere calcular la covarianza directamente, que quiere entrar seis bandas y extraer seis componentes principales. Entre el prefijo bog para las imgenes de salida. Explique que usted quiere usar variables no estandarizadas (matriz varianza-covarianza) y entre el nombre de las seis bandas (bog1 a bog7). Las componentes principales sern calculadas y se les asignar el nombre del prefijo ms CMP1 a 7. El resultado aparecer en la pantalla como una tabla de sntesis. 3. Analice la matriz de correlacin y responda: Encuentra mucha correlacin entre algunas bandas?. Entre cuales? Cules bandas se correlacionan mejor con la banda 1? Hay alguna banda que se correlacione mucho con la 7? Compare esta respuesta con la del principio (la pregunta 1) Para las bandas que presentan una alta correlacin explique, visualizndolas, como esto se refleja. Igualmente hgalo con las de baja correlacin. Escriba entre cules bandas realiz el anlisis y sus observaciones. 4. Ahora mire la tabla sumario de los componentes donde los eigenvalores y los eigenvectores (como columnas) son desplegados. Los eigenvalores expresan la cantidad de varianza explicada por cada componente y los eigenvectores son los coeficientes de las ecuaciones de transformacin. Este ha sido sumado como un porcentaje de la varianza (%Var.), medido en el tope de cada columna. Cunta varianza es explicada por los componentes 1, 2 y 3 separadamente? Cunta por los componentes 1 y 2 juntos? (debe realizar una suma). Cunta por los componentes 1,2 y 3 juntos? Si usted fuera a conservar solo el 1,2 y 3, Cunta informacin retendra (porcentaje)?. Cunto de los datos originales usted conservara (bandas)? Cunta informacin y cuntos de los datos originales usted descargara? 5. Ahora mire la tabla de loadings. Esta se refiere al grado de correlacin entre los nuevos componentes producidos (las columnas) y las bandas originales (las filas) Cul banda tiene la mayor correlacin con el componente 1?. Es una correlacin alta? Cul banda tiene la mayor correlacin con el componente 2? 6. No cierre la ventana de las tablas. Solo minimcelas. Despliegue el componente 1 (bogcmp1), con autoescalamiento y paleta Grey 256, despus despliegue la banda 7, tambin despliegue el componente 2 y la banda 4 , usando el mismo autoescalamiento y la misma paleta. Que tan similares se ven la componente 1 y la imagen IR medio 7?. Qu tan similares son la componente 2 y la imagen del IR cercano 4?. 7. Ahora despliegue el componente 6 con las mismas opciones (autoescalamiento y paleta Grey 256) Mire las tablas y responda cmo es su correlacin con las seis bandas?. Qu piensa que contiene el componente 6? (para responder remtase a correcciones radiomtricas). Qu tanta informacin perdera si descarga este componente?.

4.3

Anlisis de ndices de vegetacin [2]

En este ejercicio se evaluar la cobertura vegetal y sus cambios en un rea al sur de Mauritania.

MANUAL PRACTICO DE PERCEPCION REMOTA

Las imgenes que usar en este ejercicio son Landsat del barredor multiespectral MSS. Fueron tomadas el 12 de octubre de 1990 por el programa Landsat 4. Hay 4 imgenes: MAUR90-BAND1, MAUR90-BAND2, MAUR90-BAND3, MAUR90-BAND4. Corresponden a las bandas del visible verde, rojo, IR cercano y una longitud de onda algo ms larga del IR cercano. El ejercicio consistir en analizar y comparar los diferentes ndices de vegetacin. No olvide leer la informacin que se le proporcion en el marco de referencia, antes de iniciar el desarrollo del ejercicio. 1. Cierre todas las ventanas abiertas, despliegue la imagen MAUR90-BAND3 con la paleta Grey 256 y con la opcin de autoscaling. El rea que se visualiza est cerca de la frontera entre Senegal y Mauritania y contiene parte de la planicie de inundacin del ro Senegal, as como la seccin ms baja de la planicie de inundacin del ro Gorgol (se ve en la parte superior izquierda de la imagen), que es un tributario del Senegal. Las secciones de los dos ros estn cubiertas por vegetacin riberea dominada por especies de Acacia nilotica, las especies preferidas para combustible. Otras especies como Borassis flabelifer y phaene thebaica son usadas como material de construccin. Son tpicas tambin de esa regin, Agricultura de clima lluvioso y de inundaciones peridicas y pastizales. A pesar de que es una zona relativamente hmeda hay un dficit de lluvias desde 1960 que ha ido convirtiendo el rea en un sector semirido. Mucha vegetacin se ha cambiado de la sabana a la estepa. Los relictos de vegetacin de sabana se encuentran solamente a lo largo de los valles de los ros, en suelos arcillosos y limosos, ya que estos retienen la humedad mejor que otros suelos en el sector. La presin incremental de la poblacin tratando de adaptarse a las continuas condiciones de sequa, han sido la principal causa de la degradacin de la vegetacin en este ambiente. Cuantificar la vegetacin de baja densidad que caracteriza a las zonas ridas y semiridas es todo un reto porque la cobertura vegetal no es completa, la mayora de los pixeles contienen una reflectancia promedio de vegetacin y de suelos desnudos. Creacin de los ndices de vegetacin: Indices basados en la pendiente: 2. Desde el men File seleccione User Preferences. En el tab System Settings active la opcin de despliegue automtico (Automatically display the output of analytical modules). Pase al tab Display Settings y seleccione NDVI256 como la paleta cuantitativa por defecto. Active tambin la opcin de desplegar los ttulos. Presione OK para aplicar los cambios. 3. Corra VEGINDEX (desde el men Analysis -> Image Proccesing -> Transformation) 2 veces para producir imgenes con dos modelos de ndices de vegetacin basados en pendientes: Ratio y NDVI. Use en ambos casos MAUR90-BAND2 como la banda roja y MAUR90-BAND3 como la banda IR cercano. Llame a las imgenes resultantes Ratio90 y NDVI90, respectivamente. Si no recuerda en que consiste la ecuacin aplicada para cada una de las opciones, busque en la ayuda o consulte la tabla sntesis que se dio en el marco de referencia, all est explicado. Qu diferencia nota entre estas dos imgenes de salida?. Para responder las preguntes use las paletas GREY256, IDRISI256 Y QUANT256. Cul es el propsito de normalizar el cociente para crear un NDVI? Cree una Coleccin con RATIO90 y NDVI90 y visualice al tiempo los valores de pixel de una y otra imagen. Qu significan los valores menores y los valores mayores?. Con cules est relacionada ms la vegetacin? 8

Taller No 10: Transformaciones Especiales de Imgenes

Indices basados en la distancia: 4. El primer paso es calcular la lnea del suelo, para ello hay que identificar una muestra de los pixeles de suelo desnudo en la imagen. Ser usada la imagen NDVI90, creada antes, con la cual se desarrollar una imagen de enmascaramiento para el suelo. Esto debido a que no se conoce el rea de estudio para poder digitalizar sobre pantalla las reas de suelos desnudos. Si usted asume que cualquier pixel que tenga una mayor reflectancia en el IR cercano que en el rojo es vegetacin y todo lo dems es suelo desnudo, qu valor de umbral podra usar con la imagen NDVI90 para separar la vegetacin del suelo? (use la ecuacin del NDVI con algunos valores de ejemplo para que le ayude a responder esta pregunta) 5. Corra RECLASS desde Analisis -> Database Query con NDVI90 para crear la imagen SOILMASK. Asigne el valor de 1 a suelos desnudos y cero a las reas con vegetacin, de acuerdo con la solucin de la pregunta anterior. Una vez que los suelos han sido identificados, los valores para esas reas en las bandas del rojo y del IR son sometidos a una regresin lineal. El clculo de esta regresin vara para los ndices de vegetacin basados en la distancia. Algunos son basados en una regresin donde la banda roja es evaluada como variable independiente y otros en una regresin donde la banda del IR es evaluada como la variable independiente. Nosotros usaremos ambos tipos de ndices de vegetacin basados en la distancia, por eso se realizar la regresin dos veces para hallar dos lneas de suelo (una con IR como independiente y el rojo como dependiente, y viceversa).

6. Corra REGRESS desde el men Analysis -> Statistics entre las imgenes MAUR90-BAND2 y MAUR90-BAND3 usando SOILMASK como la imagen mscara. Anote la pendiente (b) y el intercepto (a) para cada caso. La ecuacin que se escribe en la parte de arriba del despliegue de regresin es de la forma y=b+ax, donde y=variable dependiente, b=intercepto con el eje y, a=pendiente y x=variable independiente.

Cules son la pendiente y el intercepto cuando la banda roja es la variable independiente?. Cundo la infrarroja es la independiente?.

El coeficiente de determinacin r2 es alto, lo que indica que la relacin entre las reflectancias rojas e infrarrojas para los pixeles de suelo desnudo est bien descrita por una ecuacin lineal. 7. Corra VEGINDEX tres veces para producir los ndices PVI, PV3 y WDV1 (llame de la misma forma a las imgenes de salida). Consulte la seccin Determining Slope and Intercept values de la ayuda, para determinar cules parmetros de la lnea de suelo debe usar para cada ndice de vegetacin particular. Cules son las mayores diferencias que ve en el despliegue de los tres ndices de vegetacin basados en la distancia?

MANUAL PRACTICO DE PERCEPCION REMOTA

Hay notables diferencias entre estas imgenes y las generadas con los IV de pendientes?. Cules son esas diferencias?

Transformaciones ortogonales: En este ejercicio ser explorado el uso de las transformaciones de Tasseled Cap y de componentes principales para producir imgenes de vegetacin. Remtase al marco de referencia. 8. Corra TASSCAP desde el men Analysis -> Image/Proccesing -> Transformation. Indique que usted usar bandas del MSS e ingrese las cuatro bandas de la escena del 90. Escriba 90 como el prefijo para las imgenes de salida. Esta operacin le producir cuatro imgenes llamadas: 90GREEN, 90BRIGHT, 90YELLOW y 90NOSUCH. Despliegue las cuatro imgenes usando escalamiento de 0 a 255 (realice un stretching). Por qu piensa que las reas que se indican con altas cantidades de vegetacin en la imagen de la vegetacin verde (90GREEN) muestra valores bajos en la imagen de brillo del suelo (90BRIGHT)? Las componentes principales, tal como ya se haba mencionado, son una transformacin de un conjunto de imgenes multiespectrales a un nuevo conjunto de imgenes de componentes. Las imgenes de componentes no estn correlacionadas y se ordenan de acuerdo con la cantidad de variacin que involucran del conjunto de bandas originales. La primera de esas componentes habitualmente describe el brillo (que incluye el suelo del fondo) y la segunda describe variaciones en la cobertura vegetal. 9. Corra PCA desde el men Analysis -> Image Processing -> Transformation. Seleccione la opcin de calcular directamente las covarianzas. Entre 4 como el nmero de bandas y 4 como el nmero de componentes a generar. Escriba 90 como el prefijo para los archivos de salida y entre las cuatro bandas del 90 del MSS. Acepte el defecto para usar variables no-estndares. Cuando finalice el proceso despliegue las cuatro imgenes de 90CMP1 a 90CMP4. La informacin tabular obtenida, indica que la primera componente describe cerca del 93% de la varianza presente en el conjunto original de las cuatro bandas. Note que todas las bandas de entrada tienen loadings altos y positivos para el componente 1. Se podra entonces interpretar que este componente representa el brillo general de toda la imagen. El segundo componente tiene loadings positivos para las bandas infrarrojas y negativos para las bandas del visible verde y rojo. Puede ser interpretada como una imagen que describe la vegetacin, independiente del brillo general de la imagen. Los componentes tres y cuatro, describen un poco de la varianza original y parecen representar las interferencias atmosfricas y de otro tipo en las imgenes.

Compare el componente dos obtenido aqu con la imagen 90GREEN obtenida en la transformacin anterior. Se parecen estas imgenes?. Por qu cree que sucede?. (Para responder analice la ecuacin de GVI.

REQUERIMIENTOS DEL TALLER

Las preguntas del taller sern respondidas por escrito en grupo y las repuestas sern entregadas en ocho das. Suerte!

REFERENCIAS DEL TALLER

[1] United Nations Institute for Training and Research. GIS and Mountain Environments. 1998.

[2] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises.
10

Taller No. 11: Clasificacin Supervisada

TALLER NO 11 CLASIFICACION SUPERVISADA


1. MARCO DE REFERENCIA
Varios tipos de mapas, incluyendo los de uso, suelos, mapas batimtricos y de temperaturas, pueden ser derivados de la clasificacin de imgenes de sensores remotos. Hay dos mtodos de clasificacin de imgenes: supervisada y no supervisada. En la clasificacin supervisada, el usuario debe determinar las firmas espectrales de categoras conocidas, tales como bosques o reas urbanas. Posteriormente, el software asigna cada pixel de la imagen a la categora cuya firma espectral es ms similar. Los pasos para realizar una clasificacin supervisada, se pueden resumir de la siguiente forma: Ubicar ejemplos representativos de cada uno de los tipos de cobertura que puedan ser identificados en la imagen. Estos ejemplos representativos son tambin llamados Sitios de entrenamiento o muestreo. Digitalizar polgonos alrededor de cada sitio de muestreo, asignando un identificador nico a cada tipo de cobertura. Analizar los pixels dentro de los sitios de prueba, crear firmas espectrales para cada uno de los tipos de cobertura y comparar la separacin de estas firmas. Las decisiones acerca de cun similares son entre s las firmas espectrales, se toman a travs de tcnicas estadsticas Clasificar la imagen completa, considerando cada pixel, uno por uno, comparando su firma particular con cada una de las firmas conocidas. Las llamadas clasificaciones duras, resultan de asignar cada pixel al tipo de cobertura que tiene la firma espectral ms similar. Las clasificaciones suaves, por otra parte, evalan el grado de pertenencia de cada pixel con respecto a todas las clases en consideracin, incluyendo clases desconocidas y no especificadas.

2. PROCEDIMIENTOS GENERALES
Este ejercicio ilustra algunas tcnicas fuertes de clasificacin supervisada. Para ello se utilizan las 7 bandas de una imagen Landsat TM (H87TM1,H87TM2,...., H87TM7). El primer paso ser crear los sitios de prueba (reas representativas de cada uno de los tipos de cobertura en los que se desea clasificar la imagen). La imagen se clasificar en 6 tipos de coberturas conocidas.

3. PROCEDIMIENTOS ESPECIFICOS
Escoja ..\sensores\clasuper como directorio de trabajo desde el men File -> Data Paths Despliegue la imagen llamada clasuper con la opcin Map composition file, en esta imagen se sealan los diferentes tipos de coberturas que se pueden identificar. Escriba una lista con todos los tipos de cobertura identificados en la imagen anterior, y asgnele a cada uno un identificador nico. (Aunque los sitios de prueba pueden ser digitalizados en cualquier orden, no se debe saltar ningn nmero en la serie, de forma que si se tienen diez clases diferentes de tipos de cobertura, los identificadores deben ir del 1 al 10). El orden sugerido es: 1- Aguas someras

MANUAL PRACTICO DE PERCEPCION REMOTA

23456-

Aguas profundas Agricultura Urbano Bosques caducifolios (los que pierden las hojas en otoo) Bosques de conferas

Despliegue la imagen H874S usando la paleta grey256. Utilice la opcin de digitalizacin en pantalla para digitalizar polgonos alrededor de sus sitios de prueba: Haga un acercamiento alrededor del lago de aguas profundas del lado izquierdo de la imagen. Haga click en el cono de la herramienta de digitalizacin en pantalla Llame SITPRUEB al archivo vector que se crear, elija la opcin polygon e ingrese el identificador que eligi para el tipo Aguas profundas. Presione OK. Ahora, el cursor tendr la forma del cono de digitalizacin en pantalla. Mueva el cursor a un punto inicial en la frontera de su sitio de prueba y haga click. Ahora mueva el cursor al siguiente punto y haga click de nuevo. El polgono del sitio de prueba debe encerrar un rea homognea del tipo de cobertura (evite incluir la lnea de la playa en este polgono de agua profunda). Contine digitalizando hasta que haya terminado la frontera del polgono y presione el botn derecho del mouse (si cometi algn error y no quiere guardar el polgono, presione el botn para eliminar el ltimo sitio de prueba que haya digitalizado. Vuelva al zoom inicial y despus haga un acercamiento en su siguiente sitio de prueba (de acuerdo a la figura clasuper). Haga click de nuevo en la herramienta de digitalizacin en pantalla . Ingrese el identificador del nuevo sitio de prueba. Mantenga el mismo identificador si quiere digitalizar otro polgono del mismo tipo (aguas profundas). De otra forma, ingrese un nuevo identificador. Se puede crear cualquier nmero de sitios de prueba, o polgonos con el mismo ID, para cada tipo de cobertura. Sin embargo, debe haber una muestra adecuada de pixels de cada tipo de cobertura. Una regla general dice que el nmero de pixels en cada grupo de sitios de prueba (p. Ej. Todos los sitios de prueba del tipo aguas profundas) no debe ser menor que 10 veces el nmero de bandas. Por lo tanto, en este ejercicio, donde se usarn 7 bandas, no debera haber menos de 70 pixels en cada grupo de sitios de prueba. Contine hasta que haya digitalizado sitios de prueba para cada uno de los 6 tipos de coberturas. Presione el botn sitios de prueba. al final, para guardar el archivo vector con los polgonos de los

Despus de que se tiene el archivo vector de los sitios de prueba, se pasa al siguiente paso del proceso: crear los archivos de firma (signature files). Los archivos de firma contienen informacin estadstica acerca de los valores de reflectancia de los pixels dentro de cada uno de los grupos de sitios de prueba. 2

Taller No. 11: Clasificacin Supervisada

Ejecute MAKESIG desde el men Analisys -> Image Processing -> Signature Development. Elija Vector como el tipo de archivo de los sitios de prueba, y elija el archivo SITPRUEB como el archivo de sitios de prueba. En la ventana Enter Signature File Names, ingrese los nombres de los archivos a crear (uno para cada uno de los 6 tipos de cobertura identificados), en orden ascendente de acuerdo con los identificadores que les asign. Presione OK Indique que se usarn 7 bandas para el procesamiento. Elija los archivos de las bandas que se analizarn: H87TM1 (azul), H87TM2 (verde), H87TM3 (rojo), H87TM4 (infrarrojo cercano), H87TM5 (infrarrojo medio), H87TM6 (termal) y H87TM7 (medio). Presione OK. Cuando haya terminado el proceso, ejecute Idrisi File Explorer desde el men File, y de la lista de tipos de archivos elija Signature (sig + spf) para ver los archivos de firma y verificar que todos hayan sido creados. Antes de continuar con el ejercicio, se agruparn los 6 archivos de firma en un archivo de grupo de firmas espectrales. El objetivo de usar un archivo de grupo es agilizar el ingreso de los datos de entrada en las ventanas de Idrisi. Un archivo de grupo de firmas espectrales es similar a una coleccin de layers raster. Para crear el archivo de grupo, abra el Editor de Colecciones. Desde el men File escoja New. En archivos de tipo, elija Signature Group File Llame gfirmas al archivo y haga click en abrir. Con el boton insert after agregue los archivos 6 archivos de firmas que conformarn la coleccin. Guarde el Archivo de grupo desde File -> Save. Y cierre el editor de colecciones.

Para comparar los archivos de firma espectral, es posible graficarlos: Ejecute SIGCOMP desde el men Analisys -> Image Processing -> Signature Development. Presione Insert Signature Group y elija el archivo gfirmas (note que los nombres de los archivos de firma incluidos en el grupo aparecen en la lista de la izquierda) Elija la opcin Mean, para obtener una grfica de los valores promedio de cada archivo de firma en cada banda. Presione OK De las siete bandas, cules diferencian mejor las coberturas de vegetacin? Ejecute SIGCOMP de nuevo, pero esta vez elija ver solo 2 archivos y elija los archivos de firma espectral que corresponden a bosque de conferas y cobertura urbana. Indique que quiere graficar los valores mximo y mnimo, as como la media. Presione OK. (Note que los valores de reflectancia de los archivos de firma espectral se sobreponen en diferente grado a travs de todas las bandas). Cul de los dos archivos de firma espectral tiene la mayor variacin en los valores de reflectancia en todas las bandas?

El siguiente paso del proceso es clasificar las imgenes basndose en los archivos de firma espectral. Cada pixel tiene un valor en cada una de las 7 bandas de la imagen (H87TM1-7). Estos valores forman una firma espectral nica que es comparada con cada uno de los archivos de firma espectral creados. El pixel es entonces asignado a la categora que tiene la firma espectral ms similar. Existen varias tcnicas estadsticas que pueden ser usadas para evaluar qu tan similares son las firmas espectrales entre s. Dichas tcnicas estadsticas son llamadas

MANUAL PRACTICO DE PERCEPCION REMOTA

clasificadores (classifiers). Se crearn imgenes con tres clasificadores duros (hard classifiers) disponibles en Idrisi. Para visualizar de forma grfica la seleccin de los sitios de prueba se utiliza el mdulo SCATTER. Este mdulo de Idrisi usa dos bandas de la imagen como ejes X y Y para graficar las posiciones relativas del pixel a partir de sus valores en las dos bandas utilizadas. Adems, crea una frontera rectangular alrededor de la media de los sitios de prueba de cada banda con un ancho y alto equivalentes a dos desviaciones estndar medidas desde la media. Al ejecutar este comando, se obtiene como resultado la imagen de la distribucin de los pixeles y un archivo vector con los recuadros alrededor de la media de cada archivo de firma. (Fig. 1) 255
Valor de reflectancia del pixel en la banda Y

El valor del pixel es el logaritmo de su frecuencia

2 * Desviacin estndar en el sitio de prueba

255

Valor de reflectancia del pixel en la banda X

Fig 1. Estructura de un grfico de SCATTER Ejecute SCATTER desde el men Analisys->Image Processing->Signature Development. Seleccione la imagen H87TM3 (la banda roja) como el eje Y del grfico de salida, y H87TM4 (la banda del infrarrojo cercano) como el eje X. En Plot Type elija Ln of pixel counts. Active la opcin Create signature plot file e ingrese el nombre del archivo de grupo de firmas (gfirmas). Llame SCAT a la imagen de salida. Cuando el proceso termine, agregue el layer vector de los recuadros sobre la imagen de los pixeles (si es necesario cambie la paleta para visualizarlos mejor). Active el layer raster y mueva el cursor sobre la imagen. Note que las coordenadas X y Y que se muestran en la barra de estado (la de la parte inferior de la pantalla), son las coordenadas X y Y en el grfico. Los ejes X y Y van desde 0 hasta 255. Haga un zoom en la parte inferior izquierda del grfico para observarlo con mayor detalle. Para mostrar la frecuencia de aparicin de un pixel en las dos bandas, SCATTER usa colores brillantes para mostrar mayores densidades de pixeles, y colores ms oscuros para densidades menores (el valor de pixel que se observa al utilizar el Inquiry cursor es el logaritmo de la frecuencia real del pixel en las dos bandas).

Este grfico es de gran utilidad para verificar la calidad de los sitios de prueba elegidos. Si los recuadros dibujados alrededor de los sitios de prueba se sobreponen entre s, esto puede indicar 4

Taller No. 11: Clasificacin Supervisada

que no se han elegido correctamente. Sin embargo, tales superposiciones pueden ocurrir porque ciertos objetos realmente poseen patrones de reflectancia comunes. (Fig 2).

0 Fig 2. Ejemplo de un grfico producido con SCATTER MINDIST (clasificador de distancia mnima a medias). Este clasificador calcula la distancia de los valores de reflectancia de cada pixel a la media de cada archivo de firma espectral, y asigna al pixel a la categora con la media ms cercana. Hay dos formas de calcular la distancia con este clasificador: la primera es calcular la distancia euclidiana (raw distance) desde los valores de reflectancia de cada pixel hasta la media de los archivos de firma espectral. El segundo mtodo es el de distancia normalizada. En este caso, el clasificador evala las desviaciones estndar de los valores de reflectancia con respecto a la media, creando contornos de desviaciones estndar. Despus asigna un pixel dado a la categora ms cercana, en trminos de desviacin estndar. Ejecute MINDIST, desde el men Analisys->Image Processing->Hard Classifiers. Indique que se usar un archivo de grupo de firmas espectrales, haga doble click y eljalo de la lista (gfirmas). Los nombres de las categoras aparecern en el lugar correspondiente. Elija la opcin de distancia euclidiana (raw), el nombre del archivo de salida ser mindisr. Presione OK para hacer la reclasificacin Haga una nueva clasificacin con MINDIST pero esta vez elija la opcin de Distancias Normalizadas. Llame mindisn a la imagen de salida. Visualice el resultado y comprelo con el anterior. Anote las diferencias

El siguiente clasificador que se usar ser el de mxima probabilidad (maximun likehood). Aqu, la distribucin de los valores de reflectancia en un sitio de prueba es descrita por una funcin de densidad de probabilidad, desarrollada a partir de estadsticas de Bayes. Este clasificador evala la probabilidad de que un determinado pixel pertenezca a una categora y lo clasifica en la categora con la mayor probabilidad de pertenencia.

MANUAL PRACTICO DE PERCEPCION REMOTA

Ejecute MAXLIKE, desde el men Analisys->Image Processing->Hard Classifiers. Indique que se usar un archivo de grupo de firmas espectrales, haga doble click y eljalo de la lista (gfirmas). Los nombres de las categoras aparecern en el lugar correspondiente. Elija la opcin de clasificar todos los pixels, asignando un mismo peso a todas las clases (la misma probabilidad). Llame MAXSIM al resultado. Presione Continue para reclasificar (manteniendo todas las bandas). La tcnica de similitud mxima es la ms lenta de todas, pero si los sitios de prueba son buenos, tiende a ser la mas precisa.

El ltimo clasificador es el del paraleleppedo. Este clasificador crea cajas usando unidades de desviacin estndar, o valores de reflectancia mximos y mnimos dentro de los sitios de prueba. Si un pixel determinado cae dentro de la caja de una de las firmas espectrales, es asignado a esa categora. Este es el ms rpido de los clasificadores, y la opcin con mximos y mnimos era usada como un clasificador de previsualizacin cuando la velocidad de procesamiento era muy baja. Este mtodo, sin embargo, puede producir clasificaciones errneas. Debido a la correlacin de informacin en las bandas, los pixeles tienden a agruparse en nubes con forma de cigarro o de zeppelin. Ejecute PIPED, desde el men Analisys->Image Processing->Hard Classifiers. Indique que se usar un archivo de grupo de firmas espectrales, haga doble click y eljalo de la lista (gfirmas). Los nombres de las categoras aparecern en el lugar correspondiente. Elija la opcin de mximo y mnimo. Llame PAMINMAX al resultado. Presione Continue para reclasificar (manteniendo todas las bandas). Note que la imagen de salida contiene algunos valores 0. Estos pixeles no se ajustaron dentro del rango MIN-MAX de ninguno de los sitios de prueba y por lo tanto fueron asignadas a una nueva categora: 0. Ejecute PIPED de nuevo, pero esta vez utilice la opcin z-scores (la opcin por defecto). Mire en la ayuda que significa esta opcin. Llame PAZSCO a la imagen de salida. Compare todas las clasificaciones que ha generado. Para esto, despliguelas todas con la paleta QUAL256. Use un factor de expansin menor al valor por defecto, para poder acomodar todas las imgenes en la pantalla. Explique cul de ellas le arroj el mejor resultado y por qu. Use la imagen original de clasuper para responder.

Como nota final, considere lo siguiente. Si sus sitios de prueba son muy buenos, el clasificador de Mxima Similitud producira el mejor resultado. Sin embargo, cuando los sitios de prueba no estn bien definidos, el desempeo puede ser muy pobre. En tales casos, el clasificador de distancia mnima con distancias normalizadas produce mejores resultados. El clasificador de paraleleppedo con la opcin de desviacin estndar es una opcin razonable si se tienen buenos sitios de prueba, adems es el ms rpido de todos los clasificadores.

4. REFERENCIAS DEL TALLER


Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi for Windows V.32

Taller No 12: Clasificacin No Supervisada

CLASIFICACION NO SUPERVISADA
1. MARCO DE REFERENCIA
La clasificacin no supervisada es otra tcnica de clasificacin de imgenes. En este tipo de clasificacin, se extraen los patrones de respuesta espectral predominantes en la imagen y se identifican las clases requeridas a partir de fotografas, mapas o a travs de trabajo de campo. Idrisi provee dos mtodos de clasificacin no supervisada: CLUSTER e ISOCLUST [1].

1.1.

Cluster

CLUSTER (grupo) emplea una tcnica de seleccin de picos del histograma (Richards, 1993). Es equivalente a buscar los picos en un histograma bidimensional. Un pico se define como un valor con una frecuencia mayor que sus vecinos a ambos lados. Una vez se han identificado los picos, todos los valores posibles son asignados al pico ms cercano. As, las divisiones entre clases suelen ubicarse en los puntos medios entre picos. Como la tcnica implica una definicin especfica del concepto de pico, no es necesario encontrar un estimado inicial del nmero de picos en la imagen, el mtodo se encarga de ello. CLUSTER trabaja directamente sobre imgenes de composicin a color de 8 bits. Estas imgenes permiten que la informacin de tres bandas sea combinada en una nica imagen del mismo tamao fsico que las iniciales. El mtodo evala un histograma tridimensional de las tres bandas (donde los picos sern esferas), representadas en la composicin de color. Puede usarse cualquier combinacin de bandas. La composicin es empleada, debido a que el procedimiento para su creacin, es esencialmente el mismo, de la primera etapa de la generacin del histograma multi-dimensional en el algoritmo de cluster. Una vez los picos han sido localizados, cada pixel en la imagen es asignado al pico ms cercano, siendo cada clase un cluster, con una etiqueta correspondiente. La tarea del analista es entonces identificar las clases de coberturas de cada cluster, comparando la imagen agrupada con los rasgos de la superficie de la tierra. El procedimiento de cluster en Idrisi es rpido y efectivo en cubrir la estructura de las coberturas bsicas de la imagen. Puede ser utilizado tambin, como paso preliminar para un proceso de clasificacin hbrida (no supervisada/supervisada), mediante el cual los clusters son usados como sitios de entrenamiento para un segundo paso en la clasificacin, usando el clasificador de maxima verosimilitud. Este proceso da la ventaja de usar un mayor nmero de bandas originales, as como de proveer una clasificacin ms estricta de los pixeles a sus cluster ms similares. Sin embargo, esta es la lgica que constituye la base del procedimiento de ISOCLUST que se describe a continuacin.

1.1.1. Isoclust
Este mdulo de Idrisi es un clasificador iterativo auto organizado basado en la rutina de Isodata de Ball y Hall (1965) y en las rutinas de cluster de de H - medios y K medios. En esencia su lgica es la siguiente: 1. El usuario decide el nmero de cluster que desea. Como uno es ciego para determinar esto, lo que se hace es seleccionar un nmero alto de clases, para agruparlas, despus de la

MANUAL PRACTICO DE PERCEPCION REMOTA

2.

3. 4. 5.

interpretacin. Idrisi brinda la opcin de analizar el histograma, para sacar las clases significativas (cluster) a partir de su anlisis. Un conjunto de N clusters es localizado arbitrariamente en el espacio de las bandas. En algunos casos estas localizaciones se realizan al azar, en otras, se localizan sistemticamente dentro de la regin de altas frecuencias de reflectancias. Idrisi usa el algoritmo de cluster, el cual ubica en forma ms real el nmero de clases, seleccionado por el usuario. Los pixeles son asignados a la localizacin de cluster ms cercana Despus de que los pixeles son asignados una nueva localizacin del centro es computada Los pasos 3 y 4 se repiten iterativamente hasta que no se produzcan cambios significativos en la salida.

2. PROCEDIMIENTOS GENERALES
En esta prctica se realizar una clasificacin no supervisada con el mdulo CLUSTER de Idrisi. Primero se generar una composicin en falso color a partir de 3 bandas de la imagen original (hay 4 bandas de la imagen original: HOW87TM1, HOW87TM2, HOW87TM3, HOW87TM4, de las cuales debern seleccionarse las que contienen ms informacin. Generalmente, en el caso del TM son la 3,4 y 5) y sobre sta se hace la clasificacin no supervisada en sus dos niveles: generalizacin gruesa (broad) y generalizacin fina (fine). Despus, se despliega un histograma de esta imagen obtenida (clasificada), para observar la frecuencia de pixeles asociada con cada cluster (clase). Finalmente, basndose en la imagen previamente reclasificada (WORCWEST), se agruparn los clusters en categoras ms generales.

3. PROCEDIMIENTOS ESPECIFICOS
Ejecute Data Paths desde el men File, y seleccione ..\sensores\clnosup como el directorio de trabajo. Para generar una imagen de composicin en falso color, ejecute COMPOSIT ( ) desde el men Analisys -> Image Processing -> Image enhancement, seleccione HOW87TM2 en el canal azul, HOW87TM3 en el verde, y HOW87TM4 en el rojo. Aplique un stretch lineal con puntos de saturacin; en tipo de salida seleccione Create 8-bit composite. En porcentaje de saturacin escriba 2.5. Llame TMFALSE a la imagen de salida (esta imagen es desplegada con la paleta composite). Abra la ventana de preferencias de visualizacin desde File -> User Preferences. Active las casillas de verificacin de ttulo y leyenda como opciones por defecto para la visualizacin. Asegrese tambin de activar la casilla de despliegue automtico, y de que la paleta cualitativa por defecto sea QUAL256. Ejecute CLUSTER desde el men Analisys -> Image Processing -> Hard Classifiers. Elija TMFALSE (la imagen creada en el paso anterior) como la imagen de composicin, y llame GRUESO a la imagen de salida. En nivel de generalizacin elija Broad (grueso), y active la opcin de descartar los clusters menos significativos (drop less significant clusters). La imagen resultado, se desplegar con la paleta QUAL256.

Esta es una imagen de las clases espectrales ms anchas de la imagen original. Los niveles de generalizacin grueso y fino (broad y fine) emplean diferentes reglas de decisin cuando buscan picos en el histograma. En el agrupamiento grueso (broad clustering), una clase debe contener una frecuencia mayor que todos sus vecinos (ver fig. 1). 2

Taller No 12: Clasificacin No Supervisada

Ejecute CLUSTER de nuevo, con TMFALSE como imagen de composicin para crear una imagen llamada FINO. En esta ocasin, use el nivel de generalizacin fino para encontrar picos y seleccione la opcin de eliminar los grupos menos significativos. El resultado se visualizar con la paleta QUAL256. Como se puede ver, la generalizacin fina produce un nmero mayor de clusters (grupos). Cuente el nmero de clusters de la nueva imagen.

Con generalizacin fina, puede ocurrir que un pico tenga vecinos con una frecuencia mayor. Esto permite la identificacin de picos, que de otra forma seran ignorados. Este concepto se ilustra en el histograma de la figura 1. Los clusters gruesos se dividen nicamente en los valles. Los clusters finos se dividen tanto en los valles como en otras salientes.
Clusters gruesos Clusters finos

Frecuencia

Valores de reflectancia

Fig 1. Clusters gruesos y finos Los histogramas permiten observar la diferencia en la distribucin de los pixeles, entre las clases, dependiendo del nivel de generalizacin. Ejecute HISTO desde el men Display para crear los histogramas de las imgenes creadas (GRUESO y FINO). El cluster 1 es siempre el de la mayor frecuencia de pixeles. Corresponde al tipo de cobertura con mayor distribucin, detectado durante la clasificacin. El siguiente cluster tiene el segundo nmero de pixeles y as sucesivamente.

Una vez generadas las imgenes clasificadas, el problema consiste en cmo interpretar los clusters. Si la zona es conocida, los clusters anchos son fciles de interpretar. Los clusters finos, en cambio, requieren de una interpretacin ms cuidadosa. Es comn que se requieran fotografas areas, mapas existentes y trabajo de campo para realizar esta tarea. Adems, es frecuente que se necesite unir algunos clusters para producir el mapa final. Por ejemplo, es posible que un cluster represente bosques de pinos en lugares con pendientes sombreadas, mientras que otro represente los bosques de pinos en lugares de pendientes iluminadas; en el mapa final, estos dos clusters deberan formar slo uno. Para reagrupar y reasignar clusters, se pueden utilizar funciones como ASSIGN.

MANUAL PRACTICO DE PERCEPCION REMOTA

Despliegue la imagen WORCWEST con la paleta del mismo nombre. Como no es posible visitar el rea de estudio para identificar clusters en las imgenes generadas (GRUESO y FINO), se utilizar la imagen WORCWEST como apoyo en la interpretacin y asignacin de clusters de las nuevas imgenes (la imagen WORCWEST se gener a partir de una reclasificacin no supervisada). Se usarn los mismos 14 tipos de cobertura de la imagen WORCWEST. La tarea consiste, por tanto, en determinar a cul de estas coberturas se deben asignar los clusters de la imagen FINO Con la imagen WORCWEST en pantalla, trate de determinar visualmente las asignaciones de clusters. Con este fin, es til crear una coleccin de layers raster (con WORCWEST y FINO) y utilizar el modo de cursor de consulta extendida (Cursor Inquiry Mode) para poder consultar el nmero de cluster en FINO y la categora en WORCWEST, simultneamente, en la ventana Feature Properties .

Una vez haya determinado qu clusters se deben asignar a qu categoras, ejecute EDIT desde el men Data Entry para crear un archivo con estos valores. En este archivo, los nmeros de cluster se escriben en la primera columna, y los nmeros de las categoras a las que se asignarn, en la segunda columna. Guarde el archivo con el tipo Values file. Llmelo REAGRUP. Por ejemplo, si en el archivo de valores estn los siguientes nmeros: 12 22 32 43 53 . . . Se pueden interpretar como: El cluster 1 asignado a la categora 2 El cluster 2 asignado a la categora 2 El cluster 3 asignado a la categora 2 El cluster 4 asignado a la categora 3 El cluster 5 asignado a la categora 3

Ejecute ASSIGN desde el men Data Entry. En Feature definition image elija FINO, en Atribute values file escoja REAGRUP (el archivo creado en el paso anterior), y llame REGRUP1 a la imagen de salida. Despliegue esta imagen con la paleta WORCWEST. Existen diferencias significativas entre REGRUP1 y WORCWEST? Usando la informacin de WORCWEST, interprete ahora la imagen que se produjo con la opcin de generalizacin gruesa. Edite la leyenda de esta imagen para asignar un nombre de tipo de cobertura a los nmeros de los clusters. Para esto, ejecute Metadata desde el men File. Seleccione la imagen GRUESO de la lista, y hagaclick en el tab Legend. All, modifique los textos de la leyenda en la columna Caption. D los nombres apropiados a los clusters. 4

Taller No 12: Clasificacin No Supervisada Realice pruebas con el procedimiento de ISOCLUST. Consulte la ayuda el marco de referencia, en los sitios donde tenga dudas y obtenga un producto para comparacin con el mtodo de CLUSTER, usado arriba Anote esas diferencias encontradas.

4. REFERENCIAS BIBLIOGRFICAS
[1] J. Ronald Eastman. Guide to GIS and image processing. Clrk Labs. Clark University. 1999 [2] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi for Windows V.32

Potrebbero piacerti anche