Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
prctica rs
Utilizando la plataforma educativa
-educa
Alfonso Fernndez-Manso
Carmen Quintano Pastor
teledeteccin
prctica
Utilizando la plataforma educativa rs-educa
PRESENTACIN
El proyecto RSEducA ha sido desarrollado para servir como una herramienta educacional en
Teledeteccin que cubra el vaco existente en lengua espaola. Este proyecto tiene tres
importantes componentes: a) software RSEducA, b) material educacional RSEducA, y c)
plataforma educacional RSEducA. El proyecto RSEducA ha sido testado en varias
universidades espaolas y se encuentra en un estado preliminar respecto a su utilizacin en
Sudamrica. Desde una perspectiva educacional sus principales aportaciones son: 1) Recursos
computacionales: tanto el software como las aplicaciones son de fcil uso; 2) Rampa de
aprendizaje: fcil acceso a los recurso de la plataforma en internet; 3) Enseanza: utilidad de las
herramientas de autoaprendizaje y materiales educativos; y 4) Proyectos de Teledeteccin reales
mostrados en orden de complejidad creciente. Resumiendo, el proyecto es altamente innovador
tanto desde un punto de vista metodolgico como considerando los aspectos instrumentales /
operacionales.
Palabras clave: Software de procesado de imgenes, Teledeteccin, Innovacin educativa,
Aprendizajeorientadoaproyectos.
SUMARIO
Prctica 1
TTULO:
PRESENTACIN
DE
RS-EDUCA:
INFORMACIN,
RECURSOS
Y
UTILIDADES
Qu se aprender...
Antes de empezar...
Antes
de
empezar
la
prctica
repasa
la
teora
de
la
asignatura
y
asegrate
que
tienes
conexin
a
internet,
MATERIAL
En
esta
prctica
slo
har
falta
una
conexin
a
internet
para
poder
acceder
a
la
pgina
www.rs-educa.org.
Toda
la
informacin
necesaria
estar
en
la
propia
pgina
ENUNCIADO
En
esta
prctica
visitaremos
y
utilizaremos
la
pgina
web
www.rs-educa.org
en
la
que
podemos
encontrar
toda
la
informacin
necesaria
para
el
aprendizaje
de
la
teledeteccin.
DESCRIPCIN
DETALLADA
En
esta
prctica
se
pretende
tener
un
conocimiento
completo
de
todas
las
aplicaciones
y
recursos
que
para
el
estudio
de
la
teledeteccin
tiene
el
proyecto
de
innovacin
educativa
rs-educa.
En
Figura
1.
se
representa
el
men
principal
de
su
pgina
web.
Figura
1.
Distintas
vistas
de
la
pgina
web
de
rs-educa
1) En
primer
lugar
visualizaremos
el
video
La
teledeteccin
en
sntesis
(Chuvieco,
2011)
el
acceso
lo
podrs
encontrar
en
la
parte
inferior
de
la
web.
En
l
nos
contarn
los
aspectos
fundamentales
de
la
teledeteccin.
2) En
segundo
lugar,
realizaremos
una
visita
detallada
de
todos
los
apartados
de
la
web:
software,
aula
y
campo,
recursos,
publicaciones
y
blog
noticias.
Al
final
de
la
visita
debers
tener
una
clara
idea
de
todas
las
posibilidades
de
acceso
a
informacin
y
autoaprendizaje
que
tiene
rs-educa.
rs-educa p1. 2
ACTIVIDADES
DE
AUTOEVALUACIN
1) Realiza
un
esquema
de
los
contenidos
del
video
de
Chuvieco,
2011.
2) En
qu
direcciones
de
internet
puedes
realizar
descargas
de
imgenes
de
satlite?
Haz
un
breve
resumen
de
las
instituciones
que
las
gestionan
y
de
las
imgenes
que
estn
disponibles.
3) Revisa
el
blog
de
noticias
de
rs-educa
e
indica
cules
son
los
principales
avances
actuales
de
esta
ciencia
(nuevos
satlites,
nuevas
aplicaciones,
etc.).
4) Cules
son
las
principales
asociaciones
nacionales
e
internacionales
relacionadas
con
la
teledeteccin?
5) Cules
son
las
principales
publicaciones
cientficas
que
publican
estudios
sobre
teledeteccin?
Qu
revistas
estn
disponibles
en
idioma
castellano?
Descrgate
algn
artculo
cientfico
que
consideres
interesante
para
tu
actividad
profesional.
rs-educa p1. 3
Prctica2
TTULO:
RSEDUCAYSUAPLICACINENUNPROYECTO
DETELEDETECCIN
Quseaprender...
Antesdeempezar...
*Podrsvisualizarimgenesobtenidaspordiferentessensoresy
sabrcalcularlasestadsticasbsicasdecadaimagen.
MATERIAL
En la tabla 1 se especifican las imgenes de satlite que se utilizarn en la prctica. Esta estn
clasificadascomo:
1. Imgenesaltaresolucin
ImgenesIkonosdelaregindeSichuan(China),tomadael10032000,eimagenurbanadelEl
Cairo,del08082000.
2.Imgenesmediaresolucin
*ImgenesLandsat7delsensorEtm+.Lassietebandasmslaimagenpancromtica(endos
resoluciones) de una imagen Landsat7 de la comarca de El Bierzo tomada el da 5 de
septiembrede2000
*ImgenesdelsatlitechinobrasileoCBERS2delsensorCCDdel14denoviembrede2008
(tambindelacomarcadeElBierzo).
* Imgenes del satlite francs SPOT5 del 18 de julio de 2004 (tambin de la comarca de El
Bierzo).
3.Imgenesbajaresolucin
*ImgenesdelossatlitesTERRAyAQUAdelsensorMODIS,producto9GQoreflectividadde
superficie.
*ImagenNOAAAVHRRdelaPennsulaIbricatomadaelda13dejuliode1994.
Tabla1.Listadodeficherosdisponibles
Satlite/Sensor
Landsat7/Etm+
Landsat1/MSS
CBERS2/CCD
TerraAqua/MODIS
SPOT5
NOAA/AVHRR
Ikonos
Ikonos
Bandas
17ypan
57
14
17
14
15
13
14
Fechas
05092000
10081977
14112004
01082009
18072008_
13071994
08082000
10032000
Ficheros
ETM_05092000_bx
MSS_10081977_bx
CCDCBERS2_14112004_bx
MODIS_01082009_bx
spot5_18072008_b1
avhrr_13071994_bx
ikonos_08082000_bx
ikonos_10032000_bx
ENUNCIADO
En esta prctica, el objetivo fundamental es conocer el entorno de trabajo rseduca, su barra de
men, y sus comandos bsicos para visualizar diferentes imgenes de satlite, observar sus
caractersticasestadsticas,suficherodedocumentacincorrespondiente,losvaloresdigitalesen
cadapxel,...,endefinitiva,familiarizarnosconelentornorseduca.
rseduca
p2.2
PROYECTO REAL
PROYECTO EDUCATIVO
P0: PRESENTACIN
PLATAFORMA DE E-LEARNING
TERRITORIO
1. OBJETIVOS
Escala, leyenda,
exactitud, tiempo
de ejecucin y
coste
2. DECISIONES
*Resolucin
espacial/espectral
*Nmero de
imgenes
*Fechas de
adquisin
SOFTWARE TELEDETECCIN
ENTORNO RS_EDUCA
*Software
P2: ANLISIS VISUAL
P3: CORRECCIONES
P4: REALCES Y
TRANSFORMACIONES
P5: CLASIFICACIONES BSICAS
TIPO DE TRATAMIENTO Y
PRODUCTO
VALIDACIONES
P8: PRESENTACIN DE
RESULTADOS
3. RESULTADOS
Figura1.RelacionesentreunproyectorealyelAOPdeRseduca
DESCRIPCINDETALLADA
Ya que se trata de la primera prctica que realizars, antes de describir paso a paso la forma de
llevarlaacabo,presentaremosmuybrevementetantolascaractersticasfundamentalesdelazona
deestudio,comolasdelprogramaqueemplearemos.
rseduca
p2.3
1.INTRODUCCIN
1.1.readeestudio:ComarcadeElBierzo
LacomarcadeElBierzoesunadelascomarcasmscomplejasyevocadorasdelaUninEuropea.
Sucaprichosaformacircular,delimitadaporlasmontaasperiferias,essudefinicinmssingular.
El papel protector de este relieve, la baja altitud media as como las caractersticas
termopluviomtricas, crean unas condiciones ecolgicas singulares, manifestadas en una rica y
variada vegetacin. La estratgica situacin de la comarca entre dos regiones florsticas
(Mediterrnea y Eurosiberiana) da a este territorio una gran relevancia geobotnica y
biogeogrfica. As, dentro de un mismo valle podemos encontrar sotos de castaos y rebollares,
junto con especies tpicamente mediterrneas como encinares y alcornocales. La importancia
biogrficaseexpresatambinconlaexistenciadeimportantesendemismosyensuflorarelicta.Se
asociaaestariquezavegetalunavariadaeinteresantefauna(FernndezMansoetal.,2004).
LaFigura2representeelterritoriodeprcticas(zonacentraldelaComarcadeElBierzo)ylaFigura
3 es un mapa 1:125 000 de la misma zona. La poblacin que aparece en el centro (debajo de la
curva de la autopista A6) es Bembibre, el segundo ncleo poblacional ms importante (10000
habitantes)despusdePonferrada(capitaldeElBierzo).
Figura2.Territoriodeprcticas,lacomarcadeElBierzo
rseduca
p2.4
Figura3.Mapa1:125000delazonadetrabajo
La zona puede incluirse dentro del denominado Macizo Asturleons, sector occidental de la
Cordillera Cantbrica cuyos valles discurren en la direccin nortesur. El curso de agua de mayor
entidadenlazonaestudiadaeselroBoeza,principalafluentedelSil,yunodelosejeshidrolgicos
delaComarca.Atendiendoaaspectosgeolgicoseconmicos,sedebeprestarespecialatencinal
carbn, modelador econmico y social; y a la pizarra, existiendo numerosas minas de ambos
recursos an en funcionamiento en la actualidad. Respecto a los usos del suelo, caben destacar:
usos agrcolas (hortofruticultura, viedos) y forestales (castao, rebollo, encina, pino pinaster y
radiata,chopo)ymatorral.
LaFigura4muestraalgunasfotografasdealgunascubiertasfcilmenteidentificablesasimplevista
enlaortofotografa,comolacubiertaforestalylaszonasocupadasporlamineradelcarbn.
rseduca
p2.5
Figura4.Cubiertaforestalyzonasmineras
EnlaFigura5aparecelaortofotografadigitaldelao2001delamismazona,proporcionadaporel
ServiciodeInformacinTerritorialdelaJuntadeCastillayLen.Enellapuedesobservarennegro,
el embalse de Brcena en cuyo margen izquierdo se sita la central trmica de Compostilla, en
tonos gris oscuro, las diferentes explotaciones de carbn, algunas de ellas activas an en la
actualidad,entonosverdesoscuros,laszonasforestales,...
rseduca
p2.6
Figura5.Zonadetrabajo
1.2.Rseduca:visingeneral
Unodelosprincipaleslogrosdelproyectoeshaberdesarrolladounsoftwareparaprocesamiento
de imgenes de satlite intuitivo, y de fcil empleo siguiendo ejemplos integrados en una
secuencialidad semejante a la que se aplica en las metodologas de un proyecto real de
teledeteccin.Lafacilidaddemanejohasidolagranmeta,estohaimplicadorecogerunaseriede
rasgosquesimplifiquensuutilizacin.
rseducasoftwarehasidodesarrolladoutilizandoellenguajedeprogramacinC++yelentornode
programacinMicrosoftVisualC++6.0.Losrequerimientosmnimosdelsistemaenelquesedesee
instalarrseducasoftwareson:MicrosoftWindowsXP,NT4.0o2000;Procesadora1,4GHzo
superior;256MBdememoriaRAM;2.5MBdeespaciodisponibleendisco;Tarjetadevdeode32
MB.
LaFigura6muestralavistageneraldelentornodetrabajo.Elmendelsistemaseubicaenlaparte
superiordelaaplicacin.Alpulsarsobreunaopcindelmenquenoincluyalaflecha,seejecutar
elmdulodelaaplicacinasociadoaeseelementodelmen.EnlaFigura7serecogelaestructura
demenusysubmenus,quesigueunasecuencialidadlgicaeintuitiva.
rseduca
p2.7
Figura6.Vistageneraldelentornodetrabajo
FICHERO
VISUALIZACIN
CORRECCIONES
Radiometricas /geomtricas
REALCES
TRANSFORAMACIONES
CLASIFICACIONES
HERRAMIENTAS
AYUDA
Figura7.Estructurademenusysubmenus
EnlaFigura8semuestraeldiagramadeflujodelfuncionamientogeneraldelasoperaciones
quepermiterealizarelprograma.
rseduca
p2.8
Inicio
CUADRO DE DIALOGO
El usuario define la imagen de
entrada, la imagen de salida y
los parmetros de la operacin
Realizacin de la operacin
indicada
Guardar en fichero
Figura8.Diagramadeflujodelprograma.
Rseducaconstadeunprogramadeinterfacedeusuarioydeunaseriedemdulosquefacilitanla
entrada,visualizacinyanlisisdedatosgeogrficosquesedescribenenformadecapatemticas.
Ejemplosdeestascapaspodranserunacapaderedesviarias,unacapadeelevacin,unacapade
tipodesuelo,etc.Todoelanlisissellevaacabosobredichascapastemticas.Noobstante,para
suvisualizacinesposibleintegrarunaseriedecapasenunacomposicinnueva.
Ya que los datos geogrficos pueden ser de diferentes tipos, rseduca incorpora dos formatos
bsicosdecapastemticas:lascapasdeimagenrasterylascapasvectoriales.
Las imgenes raster describen una regin del espacio por medio de una matriz de celdas bsicas
(pxeles). Cada una de estas celdas contiene el valor numrico que expresa una determinada
caracterstica del terreno en esa localizacin. Las imgenes raster son muy apropiadas para
describir datos continuos espacialmente como elevacin, niveles de la biomasa, temperatura y
datosdeprecipitaciones,etc.
Lasimgenesvectoriales,porotrolado,sontilesparadescribirlosdistintoselementosdelpaisaje,
comocaminos,lmitesdepropiedad,distritosadministrativos,...Paraello,almacenanunaseriede
puntos (cada uno referenciado mediante un par de coordenadas espaciales) que describen la
localizacindeloselementos(sisonpuntos),osutrayectoriaolmitemedianteunasecuenciade
puntosunidosporrectas.
rseduca
p2.9
Utilizalasopcionespordefecto.Unavezinstaladocompruebasilafuncionalaayuda.Siutilizasuna
versin distinta Windows xp como Windows vista, 7 8 puedes tener problemas a la hora de
ejecutarla.Paraellodeberasdedescargartedelapginarseduca.orgelcomplementodelaversin
dewindowsqueestsutilizando.
1.3.rseduca:ejecucindelprograma
Cuandoseejecutarseduca,laventanadelaaplicacinocuparlapantallacompletamente(enla
terminologa de Windows, se maximizar automticamente). En esta ventana es posible destacar
ademsdelazonadetrabajo,labarrademen,labarradebotonesylabarradeestado.
Enlapartesuperiordelaventanadelaaplicacinaparecelabarrademen.Labarradelabotones
aparece inmediatamente debajo del men, cada uno de los botones representa un mdulo del
programaquepuedeactivarsepulsandosobredichobotn(Verfigura9).
rseduca
p2.10
Figura9.Ventanaprincipaldelprograma
rseduca
p2.11
Cada fichero .rse lleva asociado un fichero de documentacin .inf con informacin sobre el
formatodelosdatosdelaimagen(ASCII,binario,...),elnmerodefilasycolumnasdelaimagen,
sus valores mximos y mnimos, ....Es posible editar este fichero mediante el comando
Fichero/Informacin de la imagen. En la Figura 10 puedes ver la informacin de una imagen de
referencia.
Figura10.Ventanadeinformacindelaimagen
Paraobtenerinformacinmsdetalladadelfuncionamientodecadamduloocomando,acudeala
ayudadelprogramaenlaquesedescribentantolaoperacinconcretaarealizarcomolaformade
utilizarelcuadrodedilogo(figura11)
rseduca
p2.12
Figura11.VentanadeayudadeRseduca
2.DESARROLLODELAPRCTICA
2.1.Familiarizacinconelentorno
EjecutaahoraelcomandoFichero/Informacindelaimagen,comopuedesobservardeestaforma
puedesconocerculessonlosficherosexistenteseneldirectoriodetrabajo.Adems,seccionando
un determinado fichero (raster o vectorial) puedes visualizar informacin detallada del mismo.
Comprubalo!
VamosaverificarahoraelfuncionamientodelcomandoVisualizacin/Imagenparavisualizaruna
imagen raster. Tendrs que seleccionar el nombre del fichero y la paleta con la que deseas
visualizarlo. Elige un el fichero avhrr_13071994_b3, con la paleta Cuantitativa256. Para poder
observar las estructuras que no se aprecian a simple vista, utiliza el comando
Visualizacin/Zoom/Zoomhaciadelante(obienseleccionaelbotncorrespondiente)ymarcala
ventana de la imagen que quieres ampliar. Prueba las diferentes opciones de zoom:
Visualizacin/Zoom/Zoom
hacia
atrs,
Visualizacin/Zoom/Pantalla
completa
y
Visualizacin/Zoom/Pantallanormal.
rseduca
p2.13
Figura12.Ventanadeparalavisualizacindeunimagen
Otragranfacilidadqueofreceelprogramaespoderconocerelvalordigital,ND,deundeterminado
pxel seleccionado sobre la imagen con el ratn. Para ello, selecciona el comando
Visualizacin/Niveldigitaldelpxel(obienseleccionaelbotncorrespondiente),verscomoenla
barradeestadoapareceelniveldigitaldelpxelseleccionado.
Ahora vamos a trabajar con imgenes vectoriales. Al trabajar con este tipo de imgenes es
frecuente superponerlas a imgenes raster. Sobre la imagen avhrr_13071994_b3 visualiza el
fichero vectorial islas empleando el mdulo Herramientas/Vectorial/Abrir fichero. Una vez
observado,cierraelficheroislasmedianteelcomandoHerramientas/Vectorial/Cerrarfichero.
rseduca
p2.14
Figura13.EjemplovisualizacindeimagenNOAAAvhrr
2.2.Visualizacinenpantalladediferentestiposdeimgenes
Ahoraqueyasabemoscmovisualizarlasimgenesdesatliteenelentornodetrabajo,vamosa
comparar imgenes de diferentes sensores pasivos, atendiendo principalmente a su resolucin
espacial. Tambin observaremos el diferente comportamiento en cada una de las bandas
espectrales.
VisualizaacontinuacinlasimgenesNOAAAVHRR.Comparasuresolucinespacialconladelas
imgenesIkonosobservasladiferenciaasimplevista?
Abre ahora las imgenes landsat ETM+ y MSS compralas entre s y con las anteriores imgenes
visualizadas.
rseduca
p2.15
Figura14.EjemplovisualizacindeimagenLandsatEtm
2.3.Obtencindeestadsticos
Enalgunasocasionesesinteresanteconocerdatosdelaimagencomosuvalormedio,sudesviacin
tpica, sus valores mximos y mnimos, .. Obtn los estadsticos asociados a la imagen
avhrr_13071994_b2empleandoelcomandoHerramientas/Estadsticos(verfigura15)
Figura15.Estadsticasbanda4(Etm4)deLandsat
rseduca
p2.16
Figura16.Histogramabanda4(Etm4)deLandsat
rseduca
p2.17
ACTIVIDADESDEAUTOEVALUACIN
1. Sobrelasimgenesdesatliteysucomprensin
Rellenaloscamposvacosdelasiguientetablacorrespondientesaimgenescondistintas
resoluciones
Satlite/Sensor
Bandas
Fechas
Landsat7/Etm+
Landsat1/MSS
CBERS2/CCD
TerraAqua/MODIS
NOAA/AVHRR
Ikonos
17ypan
57
14
17
15
13
05092000
10081977
14112004
01082009
13071994
08082000
Resolucin
E(m) T(das)
Espectral
E:Resolucinespacial;T:Resolucintemporal;R:ResolucinRadiomtrica
R(bits)
Detodaslasimgenesvisualizadas,culeslaquetienemejorresolucinespacial?
Ycultienemayorresolucintemporal?Yradiomtrica?Yespectral?
Qu bandas del sensor AVHRR se relacionan con energa solar reflejada y cules lo hacen con
energaemitidaporlatierra?
YenelcasodelsensorETM+?
Indicaeltamaoennmerodefilasycolumnasdelaimagenavhrr_13071994_b3
Indicalosvaloresdigitalestpicosparaelagua,lasnubes,lavegetacinyelsueloenlasimgenes
delsensorAVHRR.Indicadichosvaloresparacadabanda.
CuleselNDmediodelaimagenavhrr_13071994_b2?
Yculessudispersintpica?
Representasuhistogramaycomentasusignificado
2. Sobrerseducayunproyectodeteledeteccin
Culessonlasprincipalesfasesenunproyectodeteledeteccinsiqueremosrealizarunmapade
usosdelsueloaunaescala1:100000?
Planteaotroproyecto(oestudio)enelquesepuedanutilizarimgenesdesatlite.
rseduca
p2.18
..
..
..
..
ASIGNAT
Prctica3
TTULO:
ANLISISVISUALDEIMGENESDESATLITE
Quseaprender...
Antesdeempezar...
Antesdeempezarlaprcticarepasalateoradelaasignaturay
asegratequedisponesdelmaterialdisponibleparalaprctica.
MATERIAL
Enlatabla1seespecificanlasimgenesdesatlitequeseutilizarnenlaprctica.
Tabla1.Listadodeficherosdisponibles
Satlite/Sensor
Landsat1/MSS
Landsat1/MSS
Landsat5/TM
Landsat7/Etm+
Landsat7/Etm+
Landsat5/TM
Bandas
47
47
17
17ypan
17ypan
17
Fechas
10081977
09091984
16071990
05092000
20062001
24062011
Ficheros
MSS_10081977_bx
MSS_09091984_bx
TM_16071990_bx
ETM_05092000_bx
ETM_20062001_bx
TM_24062011_bx
Necesitarstambinpapeltransparenteyrotuladorespararealizarelmapadeusosdelsuelo(esta
tarealapodrsrealizardigitalmentesiposeesunsoftwareSIGcreandounacapatemticaapartir
deladigitalizacindelospolgonossobrelaimagen.
Aviso:LasimgenesETM_05092000_bxyafuerondescargadasenlosarchivosdelaprctica2
ENUNCIADO
Enestaprcticaensayaremosdistintasformaderealizarunainterpretacinvisualdeunaimagen
desatliteouncompuestodecolorderivadodelamisma.Seelaborarunmapadeusosdelsuelo
yunanlisisdeloscambiostemporalesacontecidosenlosltimos35aos(19772011).
DESCRIPCINDETALLADA
1.INTERPRETACINDEIMGENESENESCALADEGRISIS
Lainterpretacindelasimgenesenescaladegrisesquerepresentanlosrasgosespectralesque
definenlasdistintascubiertas(Usosdelsuelo)resultamuyinteresanteparaelanlisisvisualde
imgenes,puesnospermiterealizarunainterpretacinrazonadadelasimgenes.Acontinuacin
seproponeunejercicioquetienecomoobjetivolacaracterizacinespectraldedistintascubiertasa
partirdelanlisisvisualdeimgenesenescaladegrises.
Setratadecompletartabla2(marcandolacasillaapropiada)apartirdelaobservacindelostonos
de gris que presentan las cubiertas a analizar: choperas, lmina de agua del embalse, minera
(cielos abiertos y escombreras), cultivos de secano y regado. Debers ir comprobando los usos
reflejadosenlafigura1enlasbandas1,2,3,4,5y7delaimagenETM_05092000_bx.Enlafigura
2serepresentalarespuestadelasprincipalessuperficiesadiferenteslongitudesdeonda.
rseducap3.2
Figura1.Diferentesusosdelsueloutilizadosenlaprctica
rseducap3.3
Figura2.Diagramadecolornaturalyrespuestadelasdistintassuperficiesendiferenteslongitudes
deonda
Tabla2.Nivelesdegrisesparacadabandaenlasdistintascubiertasestudiadas
BandasatliteLandsat
(Intervaloespectralenm)
Cubierta
Choperas
(1)
Niveldegris
(Brillo)
BLANCO
GRISCLARO
GRISOSCURO
NEGRO
Minera
(2)
BLANCO
GRISCLARO
GRISOSCURO
NEGRO
Agua
(3)
BLANCO
GRISCLARO
GRISOSCURO
NEGRO
Cultivo
secano
(4)
BLANCO
GRISCLARO
GRISOSCURO
NEGRO
Otros
BLANCO
GRISCLARO
GRISOSCURO
NEGRO
(Azul)
(Verde)
3
(Rojo)
(0,450,52)
(0,520,60)
(0,630,69)
4
(Infrarrojo
prximo)
(0,760,90)
5
(Infrarrojo
medio)
7
(Infrarrojo
medio)
(1,551,75)
(2,082,35)
rseducap3.4
2.INTERPRETACINDECOMPUESTOSRGB
Aunquelasimgenesenescaladegrisescomohemosvistossondegranutilidad,enmuchoscasos
no logran comunicar la informacin con la misma eficacia que un compuesto o realce RGB y, de
hecho, para muchas aplicaciones estos realces son ms tiles que los productos generados con
tcnicas tradicionales de realce de canales individuales en color. En la figura 3 se representa el
procesoparalaobtencindeuncompuestoRGB:743
Conjuntodebandasdelsatlite
1
2
3
4
5
7
Seleccindebandas
Asignacindelcolor
Visualizacindel
compuesto
Figura3.ProcesodeelaboracindeuncompuestoRGB:742.Fuente:Horningetal.2012
rseducap3.5
En este apartado el anlisis visual de imgenes se realiza empleando tres bandas del sensor,
coincidiendoconlacapacidaddelosmonitores,empleadoseninformtica,monitoresRGB.Deesta
manera tenemos la posibilidad de enviar en cada uno de ellos una de las bandas del sensor,
combinndose en nuestra pantalla y dando distintos colores y tonos. Estos colores y tonos se
emplean para analizar visualmente la imagen, combinando las bandas, de manera que se da un
primer acercamiento al contenido de la imagen. La tcnica de procesamiento de imgenes RGB
(siglaquecorrespondealasinicialeseninglsdelosnombresdeloscoloresRed,GreenyBlue,es
decir,rojo,verdeyazul)brindaunasolucinsimpleydeenormeeficaciaquepermiteconsolidarlos
datosdedistintasbandasocanalesespectralesenimgenesrealzadascapacesdecomunicarms
informacinquecualquierimagenindividual.
Losmonitoresposeenuntotaldetrescaones,RGB,red,green,blueRojo/Verde/Azul,conlos
que,porcombinacindeestostrescoloresbsicos,seconstruyenelrestodeloscolores.
Apartirdeesteejercicioyteniendoencuentalateoradelcolor(Figura4)resultarmssencillo
interpretar combinaciones multibanda. Slo hay que tener en cuenta que el proceso aditivo
implicaquelospxelestendrntantomsintensidaddeundeterminadocolorcuantomsblancos
aparezcanenlabandaalaqueseapliqueesecolor.
Figura4.Coloresprimariossecundarios(izquierda)yrespuestadedistintosusosendiferentes
longitudesdeonda(derecha)
Siguiendoesterazonamientocontestaralassiguientespreguntas:
a)Elamarilloseobtienemezclando:
b)Elcianseobtienemezclando:
c)Elmagentaseobtienemezclando:
d)Elgrisseobtienemezclandoenproporcionesiguales:
e)Elnegroesresultadodeladelostrescoloresprimarios:
f)Elblancoseobtienemezclandoenproporcionesiguales:
En rseduca el modulo encargado de realizar composiciones de color se denomina
Realces/Composicindecolor(verfigura5).Realizaunacomposicinencolorrealconlaimagen
rseducap3.6
Landsatdisponibleeneldirectoriodetrabajo.RealizaahoraunacomposicindefalsocolorRGB:
4321.Observalasdiferenciasrespectoalacomposicindecolorreal.
Para finalizar, repite la operacin realizando ahora una composicin de falso color RGB:543, y
comprala con las anteriores. Guarda la composicin en color como imagen .bmp con la opcin
Fichero/Exportar/Exportara.bmp.
Figura5.Cuadrodedilogodecomposicindecolor
Figura6.ComposicindefalsocolorRGB:432
Tenencuentaqueenrseducatendrsqueseleccionarprimeroelazul(banda2),despuselrojo(banda
3)parafinalizarconelrojo(banda4).
rseducap3.7
RealizaloscompuestoRGB:321(colorverdadero)yRGB:432(Falsocolor)paralasimgenesLandsat
ETM_05092000_bxysealaenlatabla2quecolorcorrespondeacadaunodelosusosdelsuelo.
Paraterminareligeuncompuestodelosespecificadosenlatabla3ycompruebanuevamenteel
color que tienen los diferentes usos del suelo con los que estamos trabajando. Con el resultado
debesrellenarelltimoapartadodelatabla3.
Tabla3.ColoresenfuncindelacomposicinRGBparalosdistintosusosdelsuelo
COMPUESTO
(Usosdelsuelo)
COLORES
Secundarios
Primarios
Verde
Rojo
Azul
Amarillo
Magenta
Cian
Blanco
Negro
Otro
RGB:321(colorverdadero)
Choperas(1)
Minera(2)
Agua(3)
Cultivosecano(4.1)
Cultivoregado(4.2)
Otros
RGB:432(Falsocolor)
Choperas(1)
Minera(2)
Agua(3)
Cultivosecano(4.1)
Cultivoregado(4.2)
Otros
RGB:
Choperas(1)
Minera(2)
Agua(3)
Cultivosecano(4.1)
Cultivoregado(4.2)
Otros
Lascombinacionesdecoloresseempleanparadiscriminarusosdelsuelodelaimagen,morfologa
urbana, etc. Para discriminar ciertas cubiertas hay que ir a otros anlisis analizando imgenes
consecutivas, o de otros aos, anlisis multitemporal y de contexto,en funcin del conocimiento
previoquesetienedelazonacubiertaporlaimagen.
rseducap3.8
Tabla4.InterpretacinyutilidaddelasdiferentescombinacionesRGB
R,G,B Descripcin
4,3,2
3,2,1
7,4,2
4,5,1
4,5,3
7,5,3
5,4,3
5,4,1
7,5,4
5,3,1
Elestndarcomposicinde"falsocolor".Lavegetacinapareceentonosderojo,laszonasurbanassoncianazul,ylossuelosvarande
oscuro a los marrones claros. Hielo, nieve y las nubes son blancas o cian.Las conferas aparecer un rojo ms oscuro que las
frondosas.Setratadeunacombinacindebandamuypopularyestilparaestudiosdevegetacin,drenajeypatronesdecontroldel
sueloylasdiversasetapasdecrecimientodelcultivo.Engeneral,losprofundostonosrojosindicanfrondosasylavegetacin(saludable)
mientrasquelostintosligerossignificanlaspraderasozonasconescasavegetacin.Zonasurbanasdensamentepobladassemuestran
enazulclaro.EstacombinacindebandasTMdaresultadossimilaresalcolortradicionalfotografaareainfrarroja.
Es la combinacin de bandas que representa el "color natural" (el que percibimos al mirar). Debido a que las bandas visibles son
utilizadasenestacombinacin,lascaractersticasdelterrenoaparecenencoloressimilaresasuaparicinenelsistemavisualhumano,la
vegetacinsanaesdecolorverde,vegetacinpocosaludableesdecolormarrnyamarillo,lascarreterassondecolorgris,ycostasson
decolorblanco.Estacombinacinproporcionalapenetracindebandamayorcantidaddeaguaysedimentosuperiorylainformacin
batimtrica.Tambinseutilizaparalosestudiosurbanos.Lasreasdespejadasyvegetacinbajadensidadnosontanfcilesdedetectar
aqucomoenlacombinacin451o432.Nubesynieveaparecendecolorblancoysondifcilesdedistinguir.Losdiferentestiposde
vegetacinnosontanfcilesdedistinguircomolacombinacin451.Lacombinacin321nodistingueaguaspocoprofundasdelsuelo,
ascomolohacelacombinacin753.
Esta combinacin proporciona una interpretacin similar al "color natural" la, a la vez que penetra las partculas atmosfricas y el
humo.La vegetacin sana ser un verde brillante y puede saturar en temporadas de fuerte crecimiento, los pastizales aparecer en
verde,laszonasdecolorrosarepresentansuelorido,naranjasymarronesrepresentanreasconescasavegetacin.Vegetacinseca
serdecolornaranjayelaguaserazul.Losdiferentessuelosylosmineralessedestacanenunamultituddecolores.Estacombinacin
debandasofreceimgenesimpactantesenlasregionesdesrticas.Estilparalosestudiosgeolgicos,agrcolasyhumedales.Sienla
imagen aparece algn incendio forestal este se aparecer de color rojo.Esta combinacin se utiliza en las aplicaciones de gestin de
incendiosparaelanlisispostincendiodequemadosynozonasforestalesquemadas.Lasreasurbanasaparecenenvariostonosde
magenta.Lospastizalesaparecencomoverdeclaro.Lasmanchasdecolorverdeclarodentrodelaciudadindicanlacoberturadelsuelo
cubierto de hierba parques, cementerios, campos de golf.Las manchas de color verde brillante a verde normalmente indican reas
boscosasconconfera,lasfrondosastieneuncolorverdemsoscuro.
Vegetacin sana aparece en tonos de rojos, marrones, naranjas y amarillos. Los suelos pueden ser en verdes y marrones, las
caractersticas urbanas son de color blanco, azul y gris, zonas azules brillantes representan las reas taladas recientemente y zonas
rojizasmuestranuncrecimientonuevavegetacin,pastizalesprobablementedispersos.Aguaclarayprofundavaasermuyoscuroen
estacombinacin,sielaguaespocoprofundaocontienesedimentosqueaparecerancomotonosdeazulmsclaro.Paralosestudios
devegetacin,laadicindelabandaInfrarrojomedioaumentalasensibilidaddeladeteccindelasdiversasetapasdecrecimientodela
plantaoelestrs,sinembargosedebetenercuidadoenlainterpretacindeadquisicinsisiguedecercalaprecipitacin.ElusodeTM4
yTM5semuestraunaaltareflectanciaenlaszonasconvegetacinsana.Estilcompararlasreasinundadasyreasconvegetacin
rojas con los colores correspondientes de la 3 2 1 combinacin para asegurar su correcta interpretacin.Esta no es una combinacin
buenaparaelestudiodelasinfraestructuras,talescomocarreterasypistasdeaterrizaje.
Estacombinacindeinfrarrojocercano(banda4),infrarrojomedio(banda5)yrojo(banda3)ofreceladefinicindeloslmitesaadido
tierraaguaylosdetallessedestacansutilesnofcilmenteevidentesenlasbandasvisiblessolamente.Loslagosinterioresyarroyosse
pueden localizar con mayor precisin cuando se utilizan las bandas infrarrojas..La combinacin 4,5,3 demuestra las diferencias de
humedadyestilparaelanlisisdelascondicionesdelsueloylavegetacin.Engeneral,elsuelomshmedo,esmsoscuro,debidoa
lascapacidadesdeabsorcindeinfrarrojosdeagua.
Estacombinacindebandastambinproporcionauninterpretacinsimilaral"colornatural"ypermitealmismotiempopenetrarenlas
partculasatmosfricas,elhumoylaneblina.Lavegetacinapareceentonosdeverdeoscuro,lascaractersticasurbanassondecolor
blanco,gris,cianoprpura,arenas,suelosymineralesaparecenenunavariedaddecolores.Laabsorcincasicompletadelasbandasde
infrarrojo medio en el agua, el hielo y la nieve ofrece bien definidas las lneas costeras y fuentes destacadas de agua dentro de la
imagen.La nieve y el hielo aparecen como el azul oscuro, el agua es de color negro o azul oscuro.Las superficies calientes, como los
incendiosforestalesycalderasvolcnicassaturarlasbandasdeinfrarrojomedioyaparecenentonosderojooamarillo.Unaaplicacin
particulardeestacombinacinseseguimientodelosincendiosforestales.Durantelastemporadasdecrecimientodelavegetacinsera
mejorutilizarlacombinacin742.Lasreasinundadasdebeparecermuyazuloscuroonegro,encomparacinconel321combinacin
enlaquepocoprofundasregionesinundadasaparecenengrisysondifcilesdedistinguir.
Aligualquelacombinacin451,estacombinacinproporcionaalusuarioconunagrancantidaddeinformacinycontrastedecolor. La
vegetacinsanaesdecolorverdebrillanteylossuelossondecolormalva.Mientrasquelacombinacin742incluyeTM7,quetienela
informacingeolgica,lacombinacin543utilizaTM5quetienelainformacinmsagrcola.Estacombinacinestilparaestudiosde
vegetacin,yesampliamenteutilizadoenlasreasdegestindelaforestal(aprovechamientosforestales)ylazonasconproblemasde
plagasyenfermedadesforestales.
Estasersimilaralacombinacin742enquela vegetacinsaludableserdecolorverdebrillante,exceptoel541combinacines
mejorparalosestudiosagrcolas.
Estacombinacinnoutilizaningunabandadelvisible. Proporcionalamejorpenetracinatmosfrica.Laslneasdecostayplayasestn
biendefinidas.Sepuedeutilizarparaencontrarlascaractersticasdetexturaylahumedaddelossuelos.Lavegetacinaparecedecolor
azul.Sielusuarioprefierelavegetacinverde,debesersustituidoporla745combinacin.Estacombinacindebandaspuedesertil
paraestudiosgeolgicos.
Estacombinacinmuestratexturastopogrficos,mientrasqueel731puedemostrardiferenciasenlostiposderoca
rseducap3.9
3.CARTOGRAFADELOSUSOSDELSUELOPORINTERPRETACINVISUAL
ApartirdelcompuestoRGBquemejordiscriminelosusosdelsuelodelazonadeestudioelabora
una cartografa bsica de los usos del suelo teniendo en cuenta los criterios de identificacin
estudiadosenlasclasestericas(tono,textura,patrn,etc.)
Elaboraunaleyendaqueincluyalosprincipalesusosdelsueloocategorastemticas,porejemplo,
estaseraunaleyendaestndarparalosprincipalesusosdelsuelodelaprovinciadeLen:
1.Ncleosdepoblacin
4.Conferas
7.Cultivosderegado
2.Pastizales
5.Frondosasperennifolias
8. Suelos descubiertos
(incluir cultivos de secano
yacosechados)
3.Matorral
6.Frondosascaducifolias
9.Lminasdeagua
10.Actividadesmineras
Con la ayuda de las imgenes Landsat de El Bierzo, tomadas ltimos 30 aos (19842011)2. es
posibleidentificarsobreuntransparentecambiosquesehanproducidoentreestascincofechas.
Explicarelposibleorigendeesoscambiosobservablesenlaimagen.Especficamentealgunosdelos
cambios que se han producido en este periodo de tiempo y que te pueden ayudar a realizar el
anlisismultitemporalsonlossiguientes:Evolucinsuperficiedechoperas,Cambiosenlossoutos
decastao,nuevasrepoblacionesforestales,incendiosforestales,abandonoagrcola(delregado),
Minera a cielo abierto (carbn, pizarra y caliza), crecimiento urbano (Ponferrada), desarrollo de
infraestructuras(autovaA6).Indicaenlatabla4conunsigno+olaevolucindelosdistintos
procesosencomparacinconelao1984.
Aunquetenemosunaimagende1977estanocubretodoelterritoriodeestudioporloqueenanlisis
serrealizarapartirdel1984.
rseducap3.10
Tabla 4. Evolucin de los distintos procesos 1984-2011
Proceso estudiado
Compuesto
RGB
ms adecuado
1984
1990
2001
2011
Evolucinsuperficiede
choperas
Cambiosenlossoutosde
castao
Nuevasrepoblacionesforestales
Incendiosforestales
Abandonoagrcola(delregado)
Mineraacieloabierto(carbn,
pizarraycaliza),
crecimientourbano
(Ponferrada)
Desarrollodeinfraestructuras
(autovaA6)
ACTIVIDADESDEAUTOEVALUACIN
*Sobrelainterpretacindelasimgenesenescaladegrises
Qubandaesmsidneaparacartografiarlascultivosderegadoychoperasenverano?,porqu?,
Cules son las cubiertas que presentan un comportamiento espectral ms similar en la regin del
visible?, en qu banda se observa la mxima separacin espectral entre el agua y la vegetacin
vigorosa?
*EnrelacinconlainterpretacinvisualdecompuestoRGB
EnqucoloraparecerelaguaenunacombinacinenfalsoRGB:742?,ylossuelosdesnudos?,aqu
sedebequelavegetacinderiberatengauncolorrojomsvivoquelospinares?,qucombinacinde
colorseranecesariaparaqueloscultivosderegadoaparecieranenverde?
*Enrelacinconlacartografadeusosdelsuelo
Comentarloscriteriosdeidentificacinutilizadosparacadacategoraylasdificultadesencontradas
en la clasificacin. Qu sugeriras para mejorar la discriminacin de las categoras ms
problemticas?
*Enrelacinconelanlisismultitemporal
EnqusectoresdeElBierzohansufridomscambios?Comentarbrevementesuevolucin.Qu
combinacionesRGBsonmsadecuadasparacadaunodelosprocesos?
rseducap3.11
Prctica4
TTULO:
PREPROCESADOI:CORRECCIONES
. .
Quseaprender...
Antesdeempezar...
*Podrscorregirunaimagenradiomtricaygeomtricamente.
Loquetepermitirtenerlaimagenpreparadapararealizarun
correctoanlisisdigital.
MATERIAL
ImgenesLandsat7delsensorEtm+.LassietebandasmslaimagenpancromticadelLandsat7
delacomarcadeElBierzotomadaelda5deseptiembrede2000(FicherosETM_05092000_bx)
queyahasdescargadoenlaprctica2.
ImgenesETM_05092000_b3_or,ETM_05092000_b4_oryETM_05092000_b5_or.Bandas3,
4y5delaimagenLandsat7sincorregirgeomtricamente
ENUNCIADO
En la primera parte de esta prctica corregiremos radiomtricamente una imagen de satlite,
simulandolacorreccindebandeadodelaimagen,convirtiendosusvaloresdigitalesaparmetros
fsicos(reflectividad)yrealizandolacorreccinatmosfrica.
DESCRIPCINDETALLADA
1.CORRECCIONESRADIOMTRICAS
1.1.BANDEADODEUNAIMAGEN
Elbandeadoseproducecuandoalgnsensordetodoslosqueseempleanpararecogerlaimagen
se descalibra. Para corregir una imagen que presenta bandeado, es necesario ajustar la seal
detectada por cada uno de ellos. Para ello, habitualmente se asume que, caso de estar bien
calibrados,tenderanapresentarsimilareshistogramas(verfigura1).
rseduca p4.2
Figura1..ImagenLandsatconbandeado(superior)eimagenconlacorreccindelbandeado(inferior)
En esta parte de la prctica minimizaremos este efecto sobre laimagen Bandeado, utilizandoel
mdulodeCorrecciones/Radiomtricas/Bandeadodeunaimagen.Estecomandocalculalamedia
y la desviacin tpica de toda la imagen y de las lneas captadas por cada detector de forma
independiente (el sensor ETM+ es un sensor de barrido formado por 16 sensores que trabajan
simultneamente recogiendo cada uno, una lnea de la imagen en cada oscilacin del espejo). A
rseduca p4.3
partirdeestosdatos,ajustadeformalinealloshistogramasdecadadetectoralhistogramadela
imagen completa. Utiliza este comando sobre la imagen Bandeado ETM_
05092000_b4_bandeado.Observaelresultadoobtenido.
1.2.CONVERSINAREFLECTIVIDAD
Cuando se quiere comparar datos de diferentes fechas o sensores, es necesario trabajar con
reflectancias en lugar de hacerlo con ND. La reflectancia se obtiene como el cociente entre la
radianciareflejadaporelsueloylaincidente.Siseconsideralareflectanciaaparente(queasume
atmsferatransparenteodeltechodelaatmsferaoTopofAtmosphereReflectivity(observacin
vertical,superficieterrestreplana,ylambertiana),stapuedecalcularseparacadabandaatravs
delaexpresin:
Donde:
a0y a1, son los coeficientes de calibracin, y E0, la irradiancia solar extraterrestre. Se trata de
parmetrosconocidosyconstantesparacadasensor.
D,eselfactordecorreccindeladistanciaalsolparaeldadelaoenqueserecogilaimagen.
Secalculaapartirdeldajuliano,J,mediantelasiguienteexpresin
D=(1+0,0167(sen(2(J93,5)/365)))
Yi,eselngulocenitalsolar(elcomplementarioalngulodeelevacinsolar,queseincluyeenla
cabeceradelaimagen).
rseduca p4.4
Tabla1.CoeficientesdecalibracineirradianciasolarextraterrestreparaimgenesLandsatETM+
Banda(Etm)
1
2
3
4
5
7
E0(Wm2m1)
1957
1829
1557
1047
219,3
74,52
a0
6,2
6,0
4,5
4,5
1,0
0,35
a1
0,786
0,817
0,639
0,635
0,128
0,044
Enesteapartadodelaprcticacalcularemoslareflectividadparalabanda1delaimagenLandsat7
utilizando el comando Correcciones/Radiomtricas/Reflectividad aparente (Landsat).
Concretamente,losvaloresa0,a1yE0paraelsensorETM+delsatliteLandsat7aparecenenla
tabla1,elngulocenitalsolarparaeldadeadquisicindelaimagenesde52(0.907radianes),y
lafechadeadquisicinfueel592000.
Figura2.Ventanadeparalacorreccindelareflectividadaparente(ejemploEtm1)
rseduca p4.5
Figura3.Resultadodelaaplicacindelacorreccin
1.3.CORRECCINATMOSFRICA
Sisedeseaobtenerlareflectividaddelasuperficieterrestredeunacubierta(larealnolaaparente)
teniendoencuentalainfluenciadelaatmsfera,esnecesarioresolverlasiguienteexpresin:
Con:
Lsen,K,radianciaenelsensor(=ao,K+a1,KNDKparaimgenesLandsat)
La,k,radianciaatmosfricadebidaaladispersin
k,o,transmisividaddelaatmsfera(descendente).Iguala1paraobservacionesverticales
k,I,transmisividaddelaatmsfera(ascendente).ParaTM1=0.70,TM2=0.78,TM3=0.85,TM4=0.91,TM5=1y
TM7=1
Ed,k,irradianciadifusa.Siseignoraiguala0
E0,k,irradianciasolarextraterrestre
i,ngulocenitalsolar
D=(1+0,0167(sen(2(J93,5)/365))),J:dajuliano
rseduca p4.6
Porlotanto,unasencillaaproximacinalacorreccinatmosfricaconsisteenrestaratodoslosND
decadabandaelmnimodeesamismabanda,situandoelorigendelhistogramaencero.
ConNDmin,kelvalordigitalmnimoenlabandak
Corrige la imagen ETM_ 05092000_b1 aplicando esta tcnica. Denomina a la imagen corregida
ETM_ 05092000_b1_cor. El valor mnimo que has de restar puedes obtenerlo aplicando a la
imagenelmoduloFichero/InformacindelaimagenobienelmduloVisualizacin/Histograma;
Figura4.Cuadrodedilogodeestadsticas
Una vez conseguido ste, slo has de restrselo a la imagen original. Para ello, utiliza el mdulo
Herramientas/Operar/Escalares.Observalasdiferenciasentrelaimagencorregidaysincorregiren
lafigura5.
rseduca p4.7
Figura5.ImagenLandsatETM_05092000_b1sincorreccinatmosfrica(superior)ylamismaimagencorregida
rseduca p4.8
2.CORRECCIONESGEOMTRICAS
Cuandodeseamostransformarunaimagenenmapa,obiendeseamosregistrarcorrelativamente
varias imgenes de la misma regin pero tomadas en fechas diferentes, es necesario que las
imgenesestncorregidasgeomtricamente.
Enestapartedelaprctica,corregiremos(realmentecorregirs)laimagenLandsat7delacomarca
deElBierzoutilizandocoordenadasUTM(huso30norte).Comohemosvistoenlasclasestericas,
lacorreccingeomtricasellevaacaboentresetapas:elestablecimientodelospuntosdecontrol
que definirn las ecuaciones de transformacin entre ambos sistemas de coordenadas, la
transformacin geomtrica de la malla raster de la imagen al nuevo sistemas de referencia, y el
llenadodelamallacreada(verfigura6)
IMAGEN INICIAL
GCP1
GCP2
GCP2
GCP1
Puntos de Control
(GCP)
GCP5
GCP5
GCP3
GCP3
GCP4
GCP4
Imagen
Ortofotografa
ND
ND
Remuestreo
ND iniciales
ND remuestreados
IMAGEN CORREGIDA
Figura6.Etapasdelacorreccingeomtrica
rseduca p4.9
2.1.ESTABLECIMIENTODEPUNTOSDECONTROL
Paralaeleccinydeterminacindelospuntosdecontrolemplearemoslaortofotografadelazona
de estudio presentada en la Prctica 2. Recuerda que los puntos son localizaciones, fcilmente
reconociblestantoenlaimagencomoenelmapa,queseutilizarnparadefinirlasecuacionesde
transformacin. Estos puntos deben estar homogneamente distribuidos en la imagen para
minimizarloserroresysunmeromnimoes3paraunatransformacindeprimerorden.
Cmoseleccionarlospuntosdecontrol?
Primero,creaunacomposicindecolorRGB:543delaimagenoriginalsincorregirapartirdelas
imgenesETM_05092000_b3_or,ETM_05092000_b4_oryETM_05092000_b5_or.Paraello
utiliza el comando Realces/Composicin de color. De esta forma visualizars ms fcilmente los
puntosenlaimagen.
Figura7.ImagendecomposicindecolorRGB:543
Segundo,observaelmapa(ortofotografa)ylaimagencompuestaydecideculessernlospuntos
elegidos.Defineunnmerodepuntosdecontrolmayorqueelmnimonecesario,yaqueesposible
que debas omitir alguno en el clculo debido a que produce errores altos. Para simplificarte el
trabajo, ya tienes definidos cinco puntos en la ortofoto (Figura18), por lo que slo has de
localizarlosenlaimagenoriginal.
rseduca p4.
10
P1
P5
P3
P4
P2
Punto 1
Punto 5
Punto 4
Punto 2
Punto 3
Figura8.Situacindelospuntosdecontrolenlaortofotografa
rseduca p4.
11
Figura8.Situacindelospuntosdecontrolsobrelaimagendesatlite
Tercero, anota las coordenadas X, Y (columna, fila) de cada punto de control en la imagen
composicin de color realizada. A continuacin, anota las coordenadas X, Y de cada punto de
controlenelmapa(lascoordenadasdeloscincopuntoselegidosqueaparecenenlasFiguras9y
10).
rseduca p4.
12
X: 207271
Y:4731885
X: 208152
Y:4718675
X: 215851
Y:4724528
X: 228077
Y:4724472
X: 228808
Y:4730984
Figura9.DetalledelalocalizacindelPuntodeControl1a5
Unavezquetienestodaestainformacin,necesitaspasrselaarseduca.Paraello,hasdecrearun
fichero de texto cuyo formato, cmo puedes observar en la ayuda, es el siguiente: en la primera
lnea escribe el nmero de puntos de control que has utilizado, en la siguiente escribe la
coordenadaXdelpuntodecontrolenlaimagen,espacioenblanco,coordenadaYenlaimagen,
espacioenblanco,coordenadaXenelmapa,espacioenblanco,ycoordenadaYenelmapa.Yas
tantaslneascomopuntoshayasutilizado.Noteolvidesdesalvarelfichero!Llmalocorresp.txt.
En la figura 10 se representa como determinar las coordenadas X y Y en rseduca. El valor X
correspondealvalordelacolumnaenlabarradeestado.ElvalordeYcorrespondealadiferencia
entreelvalordelnmerototaldefinal(650)menoselvalordelafilaledoenlabarradeestado.
rseduca p4.
13
545(650105)
X=47, y=542
(647-105)
Figura10.Determinacindex,yapartirdelabarradeestado
Figura11.Ejemplodeficherodecorrespondencias(izquierda)yejemplodeerroresdelospuntosdecontrol(derecha)
rseduca p4.
14
2.2.TRANSFORMACINGEOMTRICAYLLENADODELANUEVAMALLA
Para llevar a cabo estas operaciones utilizaremos el comando Correcciones/Geomtricas. Para
ejecutarlohasdeproporcionararseducaciertainformacin:
Tabla2.InformacindelaimagenETM_05092000_b4_or
Nombredelaimagendeentrada
Nombredelficherodepuntosdecontrol
ETM_05092000_b4_or
corresp.txt
Sistemadereferencia
utm30n
Xmin
205825
Xmax
229405
Ymin
4715065
Ymax
4734475
Dimensionesdelaimagencorregida
647(filas)
786(columnas)
Mtododetransferencia
vecinomsprximo
Nombredelaimagendesalida:
ETM_05092000_b4_cg
Figura12.Cuadrodedilogodelacorreccingeomtrica
Una vez completado el cuadro de dilogo, se inicia el clculo del polinomio y aparecer en la
pantalla un mensaje con el error cuadrtico medio de la transformacin (RMS). Un resultado
aceptable de este error debera ser aproximadamente un pxel (30 m). Si el error es aceptable,
rseduca p4.
15
continaconelproceso;encasodequeseamuchomayorqueelpermitido,omiteel/lospuntosde
controlconerrorparcialdemasiadoaltoyrecalculaelRMS.
Visualiza la imagen corregida (comando Visualizacin/Imagen) y comprala con la original (ver
figura 13). Puedes continuar corrigiendo el resto de imgenes de la prctica siguiendo el mismo
procedimiento.
Figura13.Visualizacindelaimagencorregida
AUTOEVALUACIN
Paraqusirvenlasoperacionesdecorreccinsobreunaimagendesatlite?
EnqubandasdeunaimagenLandsatesmsevidenteelefectodelaatmsfera?
Qusignificaquedosimgenesestncorregistradas?
Siahoratuvierasquecorregirlabanda3delamismaimagenquehemosempleadoenlaprctica
utilizaraslosmismospuntosdecontrol?Buscarasotrosmsadecuadosparaestabanda?
rseduca p4.
16
Prctica 5
TTULO:
. .
Qu
se
aprender...
Antes de empezar...
MATERIAL
Imgenes
Landsat
7
del
sensor
Etm+.
Las
siete
bandas
ms
la
imagen
pancromtica
del
Landsat7
de
la
comarca
de
El
Bierzo
tomada
el
da
5
de
septiembre
de
2000
(Ficheros
ETM_
05092000_bx)
Imagen
linea.
Imagen
vectorial
que
representa
la
lnea
empleada
para
obtener
el
perfil
radiomtrico
de
algunas
imgenes.
ENUNCIADO
En
la
primera
parte
de
la
prctica
realzaremos
una
imagen
de
satlite,
mejorando
su
visualizacin
al
ajustar
el
contraste
mediante
los
diferentes
mtodos
implementados
en
RS-EducA.
Compararemos
tambin
la
mejora
obtenida
al
realizar
composiciones
de
color
y
al
aplicar
a
la
imagen
diferentes
filtros.
La
segunda
parte
est
dedicada
a
transformar
las
imgenes
originales
en
otras
que
permitan
extraer
mejor
la
informacin
que
contienen.
Se
trata
de
obtener
la
imagen
de
diferentes
ndices
de
vegetacin
(NDVI,
MDVI
y
NBR),
realizar
un
Anlisis
de
Componentes
Principales
y
la
transformacin
Tasseled
Cap
(TTC)
DESCRIPCIN
DETALLADA
1.
REALCES
1.1.
MEJORA
DEL
CONTRASTE
El
programa
rs-educa
ofrece
tres
formas
de
mejorar
el
contraste
al
visualizar
imgenes
raster,
todas
ellas
dentro
del
comando
Realces/Expansin
del
contraste.
El
ajuste
lineal
del
contraste,
puede
requerir
que
el
usuario
introduzca
los
valores
mnimos
y
mximos
entre
los
que
se
quiere
expandir
el
histograma
(habitualmente
el
valor
mximo
y
mnimo
de
la
imagen).
Las
otras
dos
alternativas,
lineal
con
saturacin
y
ecualizacin
segn
histograma,
no
requieren
esta
operacin
previa.
Observa
en
la
ayuda
qu
ocurre
realmente
en
cada
opcin
de
mejora
de
contraste.
Aplica
el
comando
Realces/Expansin
del
contraste
a
la
imagen
ETM_
05092000_b4
en
tres
ocasiones.
En
la
primera
realiza
un
ajuste
lineal
(prueba
tambin,
si
quieres,
a
modificar
los
valores
mximos
y
mnimos).
Denomina
a
la
imagen
de
salida
ETM_
05092000_lineal.
A
continuacin,
repite
la
operacin
pero
efectuando
un
ajuste
lineal
con
rango
interactivo,
denomina
a
la
imagen
de
salida
ETM_
05092000_lin_int.
Para
finalizar,
aplica
de
nuevo
el
comando
activando
la
opcin
de
ajuste
por
histograma.
Denomina
a
la
imagen
de
salida
ETM_
05092000_histo.
rs-educa p5. 2
Figura
1:
Cuadro
de
dilogo
de
expansin
del
contraste
Ahora
compara
las
imgenes
ETM_
05092000_b4_lineal,
ETM_
05092000_b4_Lin_int
y
ETM_
05092000_b4_histo.
1.2.
FILTROS
Como
vimos
en
teora,
la
aplicacin
de
filtros
tiene
diferentes
objetivos:
realce
de
las
caractersticas
espaciales
de
la
superficie
terrestre
para
mejorar
la
interpretacin
visual,
deteccin
de
alineamientos,
eliminacin
de
ruido
aleatorio,
clculo
de
gradientes,
generalizacin
de
imgenes.
En
este
apartado
de
la
prctica,
comprobaremos
el
efecto
de
los
filtros
ms
habitualmente
utilizados
en
procesamiento
digital
de
imgenes:
filtros
paso
bajo
de
media
y
moda,
y
filtros
paso
alto
de
deteccin
de
bordes,
y
construiremos
muestro
propio
filtro
a
medida.
En
la
figura
2
puedes
comprobar
todos
filtros
disponibles
en
rs-educa.
rs-educa p5. 3
Figura
2.
Filtros
disponibles
en
rs-educa
Para
ello,
emplearemos
la
imagen
ETM_
05092000_b4
y
tendremos
en
cuenta
un
vector
(una
lnea
para
definir
un
transecto)
que
nos
servir
para
tomar
los
valores
de
la
imagen
en
los
pxeles
que
atraviesa
y,
de
esta
forma,
comparar
el
efecto
de
los
diferentes
filtros
(ver
Figura
3).
Figura
3.
Lnea
en
la
imagen
Etm4
La
Figura
3
muestra
el
perfil
correspondiente
al
transecto
definido
por
el
fichero
vectorial
linea,
que
tienes
en
el
directorio
de
trabajo,
en
la
imagen
ETM_
05092000_b4.
Observa
como
varan
los
rs-educa p5. 4
valores
digitales
en
las
diferentes
cubiertas:
valores
bajos
en
la
zona
del
embalse,
mayores
en
las
zonas
correspondientes
a
suelo
desnudo
y
zonas
forestales.
Figura
4.
Perfil
del
transecto
Linea
en
la
imagen
ETM_
05092000_b4
-2
-1
-2
-1
rs-educa p5. 5
2.
TRASNFORMACIONES
2.1.
NDICES
DE
VEGETACIN:
NDVI,
NDMI
y
NBR
Los
ndices
de
vegetacin
son
nuevas
imgenes
obtenidas
mediante
combinaciones
aritmticas
de
las
bandas
de
la
imagen
original,
que
resaltan
la
presencia
de
vegetacin
en
la
zona
de
estudio.
La
vegetacin
tiene
una
respuesta
espectral
muy
caracterstica:
muy
baja
reflectancia
en
las
longitudes
de
onda
del
rojo
y
una
respuesta
en
el
infrarrojo
prximo
que
es
mayor
cuanto
mayor
es
el
vigor
de
la
vegetacin.
Otros
ndices
como
el
NDMI
o
NBR
utilizan
la
gran
diferencia
que
existe
entre
el
infrarrojo
prximo
y
el
infrarrojo
medio
y
lejano
(ver
tabla
1)
Tabla
1.
Bandas
del
satlite
Landsat
y
su
aplicabilidad
N
Banda
Longitudes
de
onda
(m)
Nombre
0,45-0,52
0,52-0,60
0,63-0,69
0,76-0,9
1,55-1,75
10,40-12,50
2,08-2,35
Observaciones
ndices
de
vegetacin
Uno
de
los
ndices
de
vegetacin
ms
empleados
es
el
NDVI
(Normalized
Difference
Vegetation
Index).
NDVI
=
(NIR
R)
/
(NIR
+
R)
(en
Landsant
NDVI
=
B4-B3/B4+B3).
Una
de
las
principales
propiedades
de
este
ndice
es
que
est
normalizado
y
sus
valores
oscilan
entre
1
y
1,
lo
que
facilita
su
interpretacin.
En
la
tabla
2
aparecen
resumidos
los
3
ndices
de
vegetacin
que
calcularemos
en
la
prctica.
rs-educa p5. 6
Expresin
Landsat
(Bx=banda
satlite)
ndice
directamente
relacionado
con
la
capacidad
fotosinttica
y,
por
tanto,
NDVI
=
Difference
relacionado
con
la
capacidad
de
absorcin
de
energa
de
las
plantas.
Las
B4-B3/B4+B3
NDVI
Normalized
Vegetation
Index
(Rouse
et
al.
1973)
NDMI
Normalized
Difference
Moisture
Index
((Wilson
y
Sader,
2002
)
NBR
Normalized
Burn
Ratio
(Key
y
Benson,
1999)
Descripcin
NDMI
=
B4-B5/B4+B5
NBR
=
(B4-B7/B4+B7)*
1000
Para
calcular
estos
ndices
con
rigor
deberan
convertirse
los
valores
digitales
de
la
imagen
a
reflectividad.
Sin
embargo,
siempre
que
no
se
pretenda
conceder
un
valor
fsico
a
los
resultados,
se
puede
calcular
a
partir
de
los
valores
digitales
previa
correccin
del
efecto
atmosfrico.
El
ndice
de
vegetacin
proporcionar
una
valoracin
relativa,
en
el
caso
del
NDVI
los
valores
cercanos
a
1
indicarn
mayor
vigor
vegetal.
El
umbral
crtico
se
sita
entorno
a
0.1,
por
debajo
del
cul
el
NDVI
indica
suelo
desnudo
u
otro
tipo
de
objetos.
Elimina
el
afecto
atmosfrico
de
la
bandas
ETM_
05092000_b43
y
ETM_
05092000_b44
como
lo
hiciste
en
la
prctica
4
(restando
el
valor
mnimo
de
cada
banda).
Denomina
a
las
imgenes
obtenidas
ETM_
05092000_b3_c
y
ETM_
05092000_b4_c,
respectivamente.
A
continuacin,
emplea
el
comando
Transformaciones/ndices
de
vegetacin
para
obtener
la
imagen
NDVI
a
partir
de
la
imgenes
ETM_
05092000_b3_c
y
ETM_
05092000_b4_c.
Denomina
a
la
imagen
de
salida
ETM_
05092000_NDVI.
En
la
figura
6
Qu
valores
de
NDVI
se
corresponden
con
zonas
cubiertas
por
vegetacin?
Y
con
el
embalse?
rs-educa p5. 7
Figura
6.
Visualizacin
del
NDVI
de
la
zona
de
estudio
Figura
7.
Operaciones
aritmticas
en
rs-educa
rs-educa p5. 8
Comprueba
que
existe
redundancia
entre
algunas
bandas
de
la
imagen
Landsat
con
la
que
trabajamos.
Para
ello,
emplea
el
mdulo
Herramientas/Regresin
sobre
las
bandas
3
y
4
(R2=
0.068)
y
observa
el
coeficiente
de
correlacin;
compralo
con
el
coeficiente
de
correlacin
para
las
bandas
1
y
2
(R2=
0.903)(ver
figura
9)
Figura
9:
Estudio
de
las
correlacin
entre
bandas.
A
la
izquierda
banda
3
frente
a
banda
4,
a
la
izquierda
banda
1
frente
a
la
banda
2
Vamos
a
aplicar
ACP
a
todas
las
bandas
reflectivas
de
la
imagen
Landsat.
Ejecuta
el
mdulo
Transformaciones/Componentes
Principales
sobre
las
bandas
1-5
y
7
de
la
imagen
y
obtn
6
componentes
principales.
RS-EducA
aade
el
sufijo
PC0,
PC1,
al
nombre
que
tu
indiques
para
guardar
las
imgenes
transformadas
(ver
figura
10)
rs-educa p5. 9
Figura
10.
Cuadro
de
dilogo
del
Anlisis
de
Componentes
Principales
(ACP)
Una
vez
calculados
los
componentes
principales
observa
las
estadsticas
asociadas
que
aparecen
en
pantalla
(figura
11),
sobre
todo
la
matriz
de
coeficientes
de
correlacin
y
los
porcentajes
de
varianza
explicados
por
cada
componente
principal
creado.
Cul
es
la
relacin
de
las
bandas
3
y
4
en
la
matriz?
Cul
es
la
banda
ms
correlacionada
con
la
banda
1?
Cunta
varianza
explican
los
componentes
principales
1,
2
y
3?
Si
retienes
estos
tres
componentes,
cunta
informacin
descartas?
Figura
11.
Informacin
de
las
componentes
principales
calculadas
con
RS-EducA
Los
resultados
que
deberas
obtener
en
tu
anlisis
son
los
siguientes
(tabla
3,
4
y
5)
rs-educa p5. 10
BANDAS
B1
B2
B3
B4
B5
B7
B1
64.47
83.82
144.58
18.52
160.72
141.69
B5
160.72
249.37
464.90
195.08
825.17
587.86
B7
141.69
207.99
387.04
89.55
587.86
474.14
B5
0.696862
0.790018
0.827696
0.496800
1.000000
0.939826
B7
0.810423
0.869272
0.909053
0.300864
0.939826
1.000000
CP4
0.40
8.148
CP5
0.10
2.129
Una
vez
contestadas
las
preguntas
planteadas
los
comentarios
siguientes
te
servirn
para
concretar
tus
respuestas.
En
la
tabla
5
puedes
comprobar
la
varianza
explicada
por
las
diferentes
Componente
Principales
(CP),
puedes
comprobar
como
en
la
primera
se
concentra
del
84,81
%
de
la
varianza,
es
decir,
es
la
que
aporta
ms
informacin.
Solamente
las
3
primeras
CP
aportan
una
informacin
relevante
(>98
%).
Por
esta
razn
slo
analizaremos
las
3
primeras
CP.
El
significado
espectral
de
las
CP
se
puede
interpretar
a
partir
de
la
tabla
4
donde
se
observa
la
relacin
entre
la
CP
y
las
bandas
originales.
La
interpretacin
de
los
componentes
principales
no
es
sencilla.
En
general,
la
interpretacin
es
la
siguiente:
El
primer
componente
(CP0)
suele
expresar
un
promedio
ponderado
de
todas
las
bandas.
Recoge,
en
consecuencia,
una
valoracin
de
las
caractersticas
espectrales
de
todas
ellas,
similar
al
aspecto
que
podra
presentar
una
imagen
pancromtica
(ver
figura
12,
CP0
y
figura
15
imagen
pancromtica).
El
segundo
componente
(CP1)
suele
mostrar
una
correlacin
positiva
y
elevada
con
la
banda
4,
por
lo
tanto,
mostrar
la
vegetacin
ms
vigorosa.
El
tercer
componente
(CP2)
suele
mostrar
la
diferencia
entre
las
bandas
del
visible
y
del
infrarrojo
reflejado,
lo
que
est
relacionado
con
el
contenido
de
humedad
de
las
cubiertas
cartografiadas.
rs-educa p5. 11
B1
0.15821
-0.21092
0.27704
B5
0.67023
0.32807
-0.44996
B7
0.51019
-0.18037
-0.23617
Figura 12. Visualizacin de las CP0 y CP1 (arriba); y CP2 y CP3 (abajo)
Realiza
una
composicin
en
color
de
los
tres
primeros
componentes
principales
asignado
los
siguientes
relaciones
RGB:
CP0,CP1,CP2
(mdulo
Realces/composicin
de
color).
En
la
figura
14
aparecen
la
visualizacin
de
la
imagen
resultante,
al
asignar
la
CP1
al
color
verde
(Green)
puedes
rs-educa p5. 12
comprobar
como
resalta
la
vegetacin
de
la
zona
de
estudio.
Esta
imagen
puede
resultar
til
para
efectuar
la
clasificacin
de
la
imagen
ETM,
ya
que
recoge
prcticamente
la
totalidad
de
la
variabilidad
de
los
datos
originales.
Si
piensas
en
los
resultados
obtenidos,
te
dars
cuenta
que
tambin
la
clsica
composicin
en
falso
color
RGB:
543
recoge
una
gran
parte
de
la
informacin
de
la
imagen,
por
lo
que
permite
resumir
en
una
nica
imagen
la
informacin
de
todas
las
bandas,
siendo
tambin
muy
utilizada
como
entrada
al
algoritmo
de
clasificacin,
como
veremos
en
la
prctica
siguiente.
Figura
14.
Visualizacin
del
compuesto
RGB:CP0,CP1,CP2
rs-educa p5. 13
Figura
15.
Imagen
pancromtica
del
Landsat
7
(15
x
15
m
resolucin
espacial)
2.3.
Esta
operacin
se
dirige
a
obtener
unas
nuevas
bandas,
por
combinacin
lineal
de
las
originales,
con
objeto
de
realzar
algunos
rasgos
de
inters
en
la
escena.
Tiende
a
poner
ms
en
evidencia
el
comportamiento
espectral
de
la
vegetacin
y
el
suelo,
a
partir
de
crear
un
nuevo
sistema
de
coordenadas
mejor
ajustado
a
ese
espacio
fsico,
en
el
que
se
pretende
que
sea
ms
ntida
la
separacin
entre
ambas
cubiertas.
Vamos
a
aplicar
TTC
a
todas
las
bandas
reflectivas
de
la
imagen
Landsat.
Ejecuta
el
mdulo
Transformaciones/
Tasseled
cap
sobre
las
bandas
1-5
y
7
de
la
imagen
y
obtn
3
componentes
imgenes:
Brillo,
verdor
y
humedad.
RS-EducA
aade
el
sufijo
brillo,
verdor
y
humedad
al
nombre
que
t
indiques
para
guardar
las
imgenes
transformadas.
(Importante:
en
las
imgenes
de
salida
los
nombres
estn
confundidos:
humedad
corresponde
a
verdor
y
viceversa.
En
breve
corregiremos
este
error
del
programa).
rs-educa p5. 14
Vamos
a
interpretar
los
3
componentes
de
la
TTC
(ver
figura
17):
1. Brillo.
Refleja
los
cambios
en
la
reflectividad
total
de
la
escena,
se
trata
de
una
suma
ponderara
de
la
reflectividad
de
todas
las
bandas
excepto
el
trmico.
Aparece
en
como
una
imagen
pancromtica.
Presenta
rasgos
muy
parecidos
a
la
primera
componente
de
la
ACP
2. Verdor.
Indica
el
contraste
entre
las
bandas
visibles
y
el
infrarrojo
prximo.
La
banda
4
interviene
positivamente
mientras
que
las
tres
bandas
del
visible
lo
hacen
negativamente,
especialmente
la
banda
3.
Por
tanto
el
resultado
es
similar
a
un
ndice
de
vegetacin.
Permite
por
tanto
llevar
a
cabo
anlisis
de
la
densidad
y
estado
de
salud
de
la
vegetacin.
Expresa
claramente
los
dominios
de
la
vegetacin
en
la
imagen.
Los
valores
ms
claros
corresponden
a
la
vegetacin
y
los
ms
oscuros
a
suelos
desnudos,
reas
edificadas
y
carreteras.
3. Humedad.
Se
relaciona
con
el
contenido
de
agua
en
la
vegetacin
y
en
el
suelo,
y
se
marca
por
el
contraste
entre
el
infrarrojo
medio,
en
donde
se
manifiesta
con
mayor
claridad
la
absorcin
de
agua,
y
el
resto
de
las
bandas.
Tambin
se
ha
encontrado
una
relacin
entre
este
componente
y
la
madurez
de
la
vegetacin.
rs-educa p5. 15
Figura
17.
Imgenes
brillo,
verdor
y
humedad
(de
arriba
a
bajo).
rs-educa p5. 16
ACTIVIDADES
DE
AUTOEVALUACIN
Para
interpretar
las
composiciones
de
color,
hay
que
recordar
la
asignacin
de
colores
realizada
a
cada
banda
y
pensar
en
la
reflectancia
de
los
objetos
segn
la
longitud
de
onda.
De
que
color
aparece
la
vegetacin
en
las
composiciones
realizadas?
Y
el
agua?
Piensa
porqu
es
as.
Qu
ndice
de
vegetacin
tiene
ms
aplicabilidad
en
incendios
forestales?
Busca
en
bibliografa
algn
otro
ndice
de
vegetacin
y
comenta
su
utilidad.
Qu
efecto
tiene
el
filtro
de
media
sobre
los
bordes
y
lneas
de
la
imagen?
Y
el
filtro
de
moda?
Y
el
filtro
paso
alto?
Si
aplicamos
ACP
a
todas
las
bandas
de
una
imagen
Landsat
el
nmero
final
de
bandas
en
las
que
se
concentra
la
mayor
parte
de
la
informacin
ser
mayor
o
menor
al
nmero
de
bandas
original?
Tal
y
como
hemos
planteado
el
ACP,
los
primeros
componentes
aportan
ms
o
menos
variabilidad
que
los
ltimos?
Qu
informacin
contiene
la
matriz
de
los
coeficientes
de
correlacin
que
aparece
al
aplicar
la
transformacin
ACP?
En
la
transformacin
Tassled
Cap
qu
componente
es
equivalente
a
un
ndice
de
Vegetacin?
rs-educa p5. 17
Prctica 6
TTULO:
PROCESADO
I:
CLASIFICACIONES
Qu se aprender...
Antes de empezar...
Antes
de
empezar
la
prctica
repasa
la
teora
de
la
asignatura,
descrgate
el
software
rs-educa
y
asegrate
que
tienes
todos
los
archivos
necesarios.
MATERIAL
Imgenes
Landsat
7
del
sensor
Etm+.
Las
siete
bandas
ms
la
imagen
pancromtica
del
Landsat7
de
la
comarca
de
El
Bierzo
tomada
el
da
5
de
septiembre
de
2000
(Ficheros
ETM_
05092000_bx)
Imagen
Verd_ter.
Imagen
clasificada
empleada
como
verdad-terreno.
ENUNCIADO
En
esta
prctica
efectuaremos
la
clasificacin
de
una
imagen
de
satlite,
mediante
diferentes
alternativas,
considerando
las
tres
etapas
o
fases
presentadas
en
las
clases
tericas:
fase
de
entrenamiento,
fase
de
asignacin
y
fase
de
verificacin
de
resultados.
DESCRIPCIN
DETALLADA
0.
INTRODUCCIN
De
forma
genrica
se
puede
decir
que
clasificar
una
imagen
consiste
en
asignar
cada
pxel
(o
parte
de
l)
a
una
categora
en
funcin
de
un
criterio
de
clasificacin
y
atendiendo
al
conjunto
de
valores
digitales
de
este
elemento
en
varias
bandas
(firma
espectral).
El
objetivo
final
de
la
clasificacin
es
diferenciar
grupos
(clases
de
informacin)
cuyos
miembros
tengan
ciertas
caractersticas
en
comn.
El
resultado
ptimo
permitira
obtener
una
relacin
biunvoca
entre
las
clases
espectrales
y
las
clases
de
informacin,
pero
esto
se
consigue
muy
raramente.
Existen
dos
grandes
estrategias
de
clasificacin:
supervisada
y
no
supervisada.
*Clasificacin
"supervisada"
(Anlisis
Discriminante)
Contamos
con
unas
muestras
para
cada
uso
del
suelo
en
las
que
se
ha
medido
su
firma
espectral
y
esta
informacin
la
utilizaremos
para
clasificar
todos
los
pixeles
de
la
imagen
dentro
de
los
grupos
o
clases
que
previamente
hemos
definido
(leyenda).
El
Anlisis
Discriminante
permite
aprender
(inteligencia
artificial)
de
esta
muestra
patrn
para
poder
clasificar
nuevas
observaciones
en
el
grupo
al
que
es
ms
probable
que
pertenezcan
las
nuevas
observaciones
basndonos
en
las
medidas
de
las
nuevas
observaciones
en
las
variables
estudiadas.
Al
efectuar
una
clasificacin
de
una
imagen
es
necesario
seguir
una
serie
de
etapas:
1. Definicin
de
las
clases
de
informacin
que
se
desean
discriminar;
y
seleccin
de
los
rasgos
particulares
(dentro
de
cada
banda)
que
permitan
describir
cada
patrn.
Habitualmente
conocida
como
fase
de
entrenamiento.
2. Eleccin
del
algoritmo
de
clasificacin
o
mtodo
ms
adecuado
para
comparar
las
clases
espectrales;
y
asignacin
de
cada
pxel
a
las
diferentes
clases.
Tambin
llamada
fase
de
asignacin.
3. Validacin
o
comprobacin
de
los
resultados
de
la
clasificacin.
Fase
de
verificacin.
rs-educa p6. 2
La
figura
1
muestra
en
un
diagrama
de
bloques
los
pasos
necesarios
para
llevar
a
cabo
una
clasificacin
supervisada,
que
se
utiliza
como
muestra.
rs-educa p6. 3
rs-educa p6. 4
Figura
2.
Zonas
de
entrenamiento
Visualiza
(Realces/Composicin
de
color)
la
imagen
en
falso
color
del
rea
de
estudio,
formada
a
partir
de
la
asignacin
RGB:
543.
El
programa
rs-educa
lleva
a
cabo
la
fase
de
entrenamiento
en
dos
etapas:
*Fase
1:
En
esta
primera
fase
debes
indicar
al
programa
las
bandas
de
la
imagen
que
vas
a
utilizar
en
la
clasificacin
(bandas
1-5
y
7
de
la
imagen
Landsat)
mediante
el
comando
Clasificaciones/Supervisada/Fase
de
entrenamiento.
rs-educa p6. 5
Figura
3.
Cuadro
de
dilogo
para
la
eleccin
del
nmero
de
bandas
*Fase
2:
En
esta
segunda
fase,
rs-educa
calcula
los
estadsticos
de
las
clases
que
definas
para
las
bandas
que
has
indicado
en
la
etapa
1.
Utiliza
el
comando
Clasificaciones/Supervisada/Establecer
clase
(figura
4)
tantas
veces
como
clases
quieras
definir
(cuatro
en
esta
prctica).
Cada
vez
que
lo
utilices,
debes
guardar
en
un
fichero
con
el
nombre
de
la
clase
(por
ejemplo,
agua.txt)
y
debes
marcar
el
modo
de
seleccin
de
los
pxeles
que
pertenecen
a
la
clase
(puntos,
cruces
o
rectngulos),
una
vez
realiza
esta
operacin
debes
marcar
con
el
cursor
los
pxeles
que
pertenecen
a
la
clase
en
cuestin
(si
es
necesario
puedes
realizar
un
ZOOM)
cuando
termines
de
marcar
los
pixeles
haz
clic
en
el
botn
derecho
para
finalizar.
Figura
4.
Cuadro
de
dilogo
de
establecer
clase
rs-educa p6. 6
2.
FASE
DE
ASIGNACIN
Como
ya
hemos
indicado,
RS-EducA
permite
realizar
clasificaciones
supervisadas
y
no
supervisadas.
En
esta
prctica
realizaremos
una
clasificacin
no
supervisada
y
una
supervisada.
2.1.
CLASIFICACIN
SUPERVISADA
Para
efectuar
la
clasificacin
supervisada
consideraremos
el
mdulo
Clasificacin/Supervisada/Clasificador
de
Mnima
distancia.
Partiendo
de
las
firmas
de
las
clases
definidas,
se
van
asignando
los
pxeles
con
el
criterio
de
mnima
distancia
eucldea.
El
clasificador
de
mnima
distancia
es
ms
lento
que
el
clasificador
de
paraleleppedos,
y
ms
rpido
que
el
de
mxima
probabilidad.
Y
se
utiliza,
generalmente,
cuando
el
nmero
de
pxeles
que
define
las
firmas
es
muy
pequeo,
o
cuando
las
reas
de
entrenamiento
no
estn
bien
definidas
(nuestro
caso).
Ejecuta
el
comando
Clasificacin/Supervisada/Clasificador
de
Mnima
distancia.
Introduce
el
nmero
de
clases
que
quieres
identificar
y
el
nombre
de
los
ficheros
de
las
firmas
espectrales
creados
anteriormente.
Figura
5.
Cuadro
de
dilogo
Clasificacin
Minima
distancia
(4
clases
y
6
bandas:1-5
y
7)
rs-educa p6. 7
Figura
6.
Imagen
Clasificacin
Minima
distancia
(4
clases
y
6
bandas:1-5
y
7)
rs-educa p6. 8
Figura
7.
Cuadro
de
dilogo
Clasificacin
no
Supervisada
En
la
figura
8
aparecen
el
resultado
de
una
clasificacin
no
supervisada.
Vara
las
bandas
utilizadas
como
entrada
al
algoritmo
y
compara
el
resultado
obtenido
con
los
resultados
obtenidos
empleando
clasificadores
supervisados.
Qu
combinacin
de
bandas
ofrece
los
mejores
resultados
visualmente?
Figura
8.
Clasificacin
no
supervisada
(4
clases
y
6
bandas:
1-5
y
7)
Puede
ser
que
necesites
filtrar
la
imagen
de
salida
si
sta
contiene
todava
mucha
variabilidad.
Normalmente
son
deseables
unidades
cartogrficas
de
cierto
tamao
y
homogneas.
Qu
tipo
de
filtro
te
parece
el
ms
conveniente?
Paso
alto
o
paso
bajo?
Filtra
la
imagen
en
la
forma
que
rs-educa p6. 9
estimes
oportuno
con
el
comando
Realces/Filtrado
de
la
imagen.
(Si
no
tienes
claro
cul
es
el
mejor
filtro,
haz
distintas
pruebas).
Figura
9.
Ejemplo
filtro
de
moda
5x5
rs-educa p6. 10
Figura
11.Cuadro
de
dilogo
de
la
reclasificacin
Como
rs-educa
clasifica
por
rangos
(figura
11)
debes
de
incluir
el
rango
de
entrada.
Por
ejemplo
para
reclasificar
el
ND
47
utilizamos
desde
47
(incluido)
hasta
48
(sin
incluir).
El
programa
rs-educa
al
clasificar
crea
un
fichero
de
Leyenda
donde
se
informa
de
los
distintas
valores
de
las
clases.
Al
reclasificar,
si
cambias
el
nombre
del
fichero
o
modificas
sus
valores
debers
editar
el
fichero
y
cambiar
los
valores
o
crear
un
nuevo
fichero.
El
fichero
final
en
nuestro
ejemplo
tendr
el
nombre
clas_nosuper_reclass.
Necesitas
crear
Clas_nosuper_reclassLeyenda.txt
para
poder
realizar
la
verificacin
de
los
resultados
(ver
figura
12).
El
fichero
llevar
en
el
encabezamiento
el
nmero
de
clases
(en
nuestro
caso
4)
y
los
identificadores.
Haz
un
fichero
igual
que
el
que
aparece
en
la
figura
12.
rs-educa p6. 11
Figura
12.
Fichero
de
leyenda
Figura
13.
Cuadro
de
dilogo
del
Muestreo
aleatorio
rs-educa p6. 12
Figura
14.
Imagen
en
la
que
se
muestran
los
2000
puntos
muestreados
Una
vez
conseguida
la
mscara
con
las
muestras
y
utilizando
la
imagen
Verd_ter
como
verdad-
terreno,
mediante
el
comando
Clasificaciones/Verificacin/Matriz
de
confusin
podrs
obtener
el
ndice
kappa
para
cada
clasificacin
realizada.
Qu
ndices
kappa
has
conseguido
en
cada
caso?
Dispones
de
alguna
clasificacin
con
ndice
kappa
mayor
que
0.7?
Figura
15.
Cuadro
de
dilogo
de
la
Matriz
de
Confusin
rs-educa p6. 13
Figura
16.
Resultados
ndice
Kappa
En
la
figura
16
(y
en
la
tabla
1)
aparecen
los
resultados
del
ndice
Kappa
y
la
Matriz
de
Confusin
que
se
calcularon
a
partir
de
la
clasificacin.
Esta
matriz
bidimensional
recoge
los
conflictos
entre
categoras.
Los
valores
en
rojo
de
la
diagonal
indican
los
pixeles
que
fueron
correctamente
clasificados.
Todos
los
valores
fuera
de
la
diagonal
indican
errores
de
omisin
o
de
comisin.
Los
errores
de
omisin
corresponden
a
los
valores
no
diagonales
de
las
columnas
(ej.:
un
total
de
559
pixeles
que
debieran
haber
sido
clasificados
como
vegetacin
se
asignaron
a
varias
otras
clases).
Los
errores
de
comisin
corresponden
a
los
elementos
no
diagonales
de
las
filas
(por
ejemplo,
575+143+93
=
811
pixeles
que
no
eran
vegetacin
se
incluyeron
errneamente
en
la
clase
vegetacin)
A
partir
de
la
matriz
de
confusin
podemos
calcular
varias
otras
medidas
de
inters
desde
el
punto
de
vista
de
la
exactitud:
*
Exactitud
global
(overall
accuracy).
Se
calcula
dividiendo
el
nmero
total
de
pixeles
correctamente
clasificados
por
el
nmero
total
de
pixeles
de
referencia
y
expresndolo
como
porcentaje.
En
nuestro
caso,
((268+262+418+247)
/
3000)*100
=
39,83
%.
Este
ndice
es
global
y
no
nos
indica
cmo
la
exactitud
se
reparte
entre
las
diversas
categoras
individuales.
Muchas
veces
las
categoras
individuales
presentan
exactitudes
drsticamente
diferentes
pero
se
combinan
de
modo
que
esto
no
se
refleja
en
la
exactitud
global.
Examinando
la
matriz
de
confusin
vemos
que
podemos
utilizar
dos
mtodos
para
evaluar
la
exactitud
de
las
categoras
individuales:
*
Exactitud
del
usuario
(users
accuracy).
Se
calcula
dividiendo
el
nmero
de
pixeles
correctamente
clasificados
en
cada
categora
por
el
nmero
total
de
pixeles
que
fueron
clasificados
en
dicha
categora
(total
de
la
fila).
Se
justifica
este
ndice
en
el
sentido
de
que
el
usuario
est
especialmente
interesado
en
el
porcentaje
de
cada
clase
que
ha
sido
correctamente
clasificado.
rs-educa p6. 14
*
Exactitud
de
productor
(producers
accuracy).
Resulta
de
dividir
el
nmero
de
pixeles
correctamente
clasificados
en
cada
categora
por
el
nmero
de
pixeles
de
referencia
utilizados
para
dicha
categora
(total
de
la
columna).
En
nuestro
caso
tendremos
para
la
categora
vegetacin,
(267
/
827)*100
=
32,41%.
El
productor
est
ms
interesado
en
este
ndice
pues
le
dice
cuan
bien
los
pixeles
de
referencia
han
sido
clasificados.
*
ndice
kappa.
El
ndice
Kappa
indica
la
relacin
entre
la
imagen
verdad-terreno
obtenida
del
vector
incendios
y
la
clasificacin.
Se
mide
en
tanto
por
1
y
es
aceptable
K
0,7.
Tabla
1.
La
matriz
de
confusin
e
Indice
Kappa
(a
partir
de
la
salida
de
RS-Educa)
Total
Error
de
comisin
Exactitud
usuario
268
575
143
93
1079
0.7516
0.2484
262
392
654
0.5994
0.4006
559
15
418
28
1020
0.5902
0.4098
247
247
0.0000
1.0000
827
852
561
760
3000
Error de omisin
0.6759
0.6925
0.2549
0.6750
Exactitud
de
productor
0.3241
0.3075
0.7451
0.3250
ndice kappa
0.2025
Total
Los
resultados
han
sido
muy
bajos
luego
deberamos
que
mejorar
la
clasificacin
o
comprobar
que
la
verdad
terreno
es
adecuada.
Puedes
intentar
clasificar
de
nuevo
la
imagen
y
comprobar
si
la
verificacin
ha
dado
lugar
a
mejores
resultados
Para
terminar
puedes
construir
una
leyenda
para
las
cuatro
clases
asignando
el
cdigo
de
colores
que
consideres
ms
adecuado
(ver
figura
17).
rs-educa p6. 15
Figura
17.
Cuadro
de
dilogo
crear
paleta
ACTIVIDADES
DE
AUTOEVALUACIN
A
la
vista
de
los
resultados
obtenidos
al
comparar
las
firmas
espectrales,
es
recomendable
agrupar
clases?
Ofrecen
mejores
resultados
las
clasificaciones
supervisadas
o
las
no
supervisadas?
Cundo
utilizar
cada
una
de
ellas?
Qu
se
observa
en
una
matriz
de
confusin?
Para
qu
sirven?
Qu
ndica
el
ndice
kappa?
rs-educa p6. 16
Prctica 7
TTULO:
Qu se aprender...
Antes de empezar...
MATERIAL
Imgenes
B_cx_96
(x,
entero
comprendido
entre
10
y
28).
Compuestos
decenales
de
mximo
valor
de
imgenes
NDVI
de
la
comarca
de
El
Bierzo
obtenidas
a
partir
de
imgenes
AVHRR
correspondientes
al
ao
1996.
Imagen
Clases.
Imagen
reclasificada
a
la
resolucin
espacial
del
sensor
AVHRR
a
partir
del
mapa
CORINE,
empleando
cinco
clases,
en
la
que
nicamente
se
han
considerado
los
pxeles
de
la
comarca
de
El
Bierzo.
Imgenes
NDVI_a
y
NDVI_p.
Imgenes
NDVI-AVHRR
(previamente
codificadas
al
intervalo
[5,255])
de
la
pennsula
ibrica
de
fechas
29
de
junio
y
13
de
julio
de
1994,
anterior
y
posterior
respectivamente
al
incendio
considerado
(Millares,
das
4
y
12
de
julio
de
1994).
ENUNCIADO
Esta
prctica
constar
de
dos
grandes
apartados.
En
el
primero
observaremos
la
evolucin
anual
del
comportamiento
de
las
distintas
cubiertas
estudiadas
en
la
imagen.
En
la
segunda
parte,
identificaremos
cambios
bruscos
en
el
comportamiento
de
las
cubiertas
entre
dos
fechas.
Estos
cambios
no
se
deben
a
la
evolucin
estacional
de
las
mismas
sino
que
son
producidos
por
otras
causas,
en
concreto
en
la
prctica,
identificaremos
el
contorno
de
zonas
afectadas
por
incendios
forestales.
DESCRIPCIN
DETALLADA
1.
ANLISIS
MULTIESTACIONAL
En
esta
parte
de
la
prctica
vas
a
analizar
la
evolucin
temporal
primavera-otoo
del
NDVI
en
la
Comarca
de
El
Bierzo.
Como
se
ha
indicado
en
el
apartado
MATERIAL,
utilizaremos
una
serie
de
19
compuestos
decenales
de
mximo
valor
de
imgenes
NDVI-AVHRR
de
El
Bierzo.
Figura
1.
Representacin
de
la
evolucin
de
distintos
compuestos
decenales
rs-educa p7. 2
En
estas
imgenes,
el
valor
digital
del
pxel
no
es
directamente
el
del
NDVI,
sino
que
se
ha
codificado
al
intervalo
[5,255]
(las
zonas
con
nubes
se
han
excluido
del
clculo
y
se
han
codificado
de
forma
que
ND
=
4).
El
objetivo
es
observar
la
evolucin
en
el
tiempo
de
los
compuestos
de
NDVI
en
las
distintas
cubiertas.
Las
cubiertas
que
vamos
a
considerar
son
las
que
aparecen
en
la
imagen
Clases.
Se
han
definido
cinco
clases,
reclasificando
una
imagen
CORINE
adaptada
a
la
resolucin
NOAA
(figura
2):
cultivos
(DN
=
1),
arbolado
(DN
=
2),
herbceas
(DN
=
3),
matorral
(DN
=
4)
y
otros
(DN
=
5).
Visualzala
(Visualizacin/Imagen).
Figura
2.
Imagen
de
los
usos
del
suelo
En
primer
lugar,
visualiza
los
compuestos
y
mediante
la
opcin
Visualizacin/Nivel
digital
del
pxel,
identifica
el
valor
del
NDVI
en
cada
cubierta
para
distintas
fechas.
Anota
los
valores
de
las
diferentes
clases
en
los
dos
primeros
compuestos.
Ahora
activa
el
mdulo
Herramientas/Estadsticas
(figuras
3
y
4)
y
en
el
cuadro
de
dialogo
selecciona
estadsticas
para
imgenes
clasificadas,
indicando
que
la
imagen
clasificada
es
Clases
y
la
imagen
original
b_c10_96.
Anota
el
valor
medio
de
cada
clase
en
la
tabla
1.
Y
repite
la
operacin
para
los
distintos
compuestos
decenales.
Coinciden
estos
valores
con
los
obtenidos
manualmente
que
has
anotado
previamente?
Y,
finalmente
representa
estos
puntos
en
la
grfica
de
la
figura
5
donde
el
eje
X
representa
el
da
juliano
y
el
eje
Y
el
valor
del
NDVI.
rs-educa p7. 3
Figura
3.
Cuadro
de
dilogo
estadsticas
Figura
4.
Cuadro
de
dilogo
de
informacin
de
las
estadsticas
rs-educa p7. 4
Tabla 1. Valores medio del NDVI para cada una de las clases
Da
juliano
105
115
125
135
145
155
165
175
185
195
205
215
225
235
245
255
265
275
285
Compuesto
Cultivos
Arbolado
Herbceas
Matorral
Otros
B_c10_96
B_c11_96
B_c12_96
B_c13_96
B_c14_96
B_c15_96
B_c16_96
B_c17_96
B_c18_96
B_c19_96
B_c20_96
B_c21_96
B_c22_96
B_c23_96
B_c24_96
B_c25_96
B_c26_96
B_c27_96
B_c28_96
rs-educa p7. 5
Con
toda
esta
informacin,
te
haces
una
idea
de
la
evolucin
del
NDVI
a
lo
largo
de
ao
para
las
clases
consideradas
en
la
comarca
de
El
Bierzo?
Existe
algn
valor
que
muestre
un
incremento
o
decremento
demasiado
brusco?
Puede
deberse
a
la
presencia
de
demasiadas
nubes
en
la
imagen
compuesto
decenal?
Figura
5.
Evolucin
del
NDVI
en
los
distintos
usos
del
suelo
2.
DETECCIN
DE
CAMBIOS
En
esta
parte
de
la
prctica
identificaremos
el
incendio
de
Millares
Valencia
(figura
4),
que
fue
originado
por
la
cada
de
un
rayo
el
da
4
de
julio
de
1994,
se
mantuvo
activo
hasta
el
da
12,
y
afect
a
25
930
ha,
segn
las
Estadsticas
elaboradas
por
el
ICONA,
todas
ellas
de
terreno
forestal,
y
de
las
cuales
aproximadamente
la
mitad
correspondan
a
forestal
arbolado.
rs-educa p7. 6
Figura
6.
Localizacin
del
incendio
de
Millares
(Comunidad
Valenciana)
Utilizaremos
la
tcnica
de
simple
diferencia
para
identificar
los
cambios
ocurridos.
Activa
el
comando
Herramientas/Operar/Aritmticas
y
la
operacin
NDVI_a
-
NDVI_p.
Visualiza
la
imagen
diferencia
resultante
y
llmala
Incendio
(ver
figura
7).
Puedes
identificar
una
disminucin
excesivamente
alta
en
la
zona
de
Valencia?
Por
qu
se
ha
producido
este
descenso
tan
brusco?
Podra
ser
un
incendio
forestal?
rs-educa p7. 7
Figura
7.
Imagen
diferencia
(antes
y
despus
del
incendio
forestal)
Recorta
la
imagen
diferencia
y
qudate
slo
con
una
ventana
alrededor
de
las
zonas
incendiadas
(Herramientas/Reformar/Enventanar)
(ver
figura
8).
Elige
visualizar
en
la
ventana
actual
y
despus
archiva
los
resultado
con
el
nombre
del
fichero
ven_dif.
Figura
8.
Cuadro
de
dilogo
enventanar
rs-educa p7. 8
Figura
9.
Imagen
de
la
ventana
cortada
Para
poder
generar
automticamente
una
imagen
binaria
(pxeles
con
valor
1
representan
zonas
incendiadas,
pxeles
con
valor
0,
zonas
sin
incendiar)
del
cambio
producido
utilizaremos
el
siguiente
algoritmo:
ND
=
1
si
Figura
10.
Estadstica
de
la
imagen
ven_dif
rs-educa p7. 9
Una
vez
conocidos
estos
valores,
has
de
calcular
la
expresin
ant-post
+
1.5
ant-post
y
reclasificar
la
imagen
ven_dif
en
dos
clases:
Quemado
(identificador
1)
y
No
quemado
(identificador
0),
siguiendo
el
algoritmo
propuesto.
En
la
figura
11
aparecen
la
ventanas
de
la
reclasificacin.
Estadstica
Simbologa
Valor calculado
Mnimo ant-post
m ant-post
-36
Mximo ant-post
M ant-post
87
Media ant-post
ant-post
20.040578
ant-post
17.221010
Umbral de clasificacin
45.872093
Se
corresponde
esta
imagen
clasificada
con
el
incendio
analizado?
O
aparecen
tambin
falsas
alarmas?
rs-educa p7. 10
Figura
12.
Imagen
final
de
la
superficie
incendiada
Convierte
la
imagen
final
convirtela
a
Byte
utilizando
Fichero/convertir
a
tipo
de
dato/A
Byte
(esta
conversin
puede
ser
necesaria
para
calcular
el
rea).
Obtn
ahora
el
nmero
de
pxeles
que
se
corresponden
con
zonas
incendiadas
mediante
el
comando
Clasificaciones/Calcular
rea
(figura
13).
Se
corresponde
el
valor
obtenido
con
el
estimado
por
el
Ministerio
de
Medio
Ambiente:
25
930
ha?
rs-educa p7. 11
ACTIVIDADADES
DE
AUTOEVALUACIN
A
partir
de
la
informacin
obtenida
sobre
la
evolucin
anual
del
NDVI
de
distintas
cubiertas
en
El
Bierzo,
podras
prever
su
comportamiento
para
otros
aos?
Podras
identificar
un
ao
de
sequa
y
uno
de
grandes
lluvias?
Esta
informacin
te
podra
servir
para
definir
el
riesgo
de
incendios?
Se
te
ocurren
otras
formas
de
delimitar
las
clases
quemado
/
no
quemado
en
la
prctica
de
deteccin
de
cambios?
Indcalas.
rs-educa p7. 12
Prctica 8
TTULO:
. .
Qu
se
aprender...
Antes de empezar...
MATERIAL
Imgenes
Landsat
7
del
sensor
Etm+.
Las
siete
bandas
ms
la
imagen
pancromtica
del
Landsat7
de
la
comarca
de
El
Bierzo
tomada
el
da
5
de
septiembre
de
2000
(Ficheros
ETM_
05092000_bx)
ENUNCIADO
En
esta
prctica
se
trata
de
utilizar
la
tcnica
de
clasificacin
basada
en
el
Anlisis
de
Mezclas
Espectrales
Lineal
para
analizar
las
cubiertas
de
la
comarca
de
El
Bierzo.
DESCRIPCIN
DETALLADA
El
programa
rs-educa
incluye
un
mdulo
para
realizar
clasificaciones
blandas,
concretamente
permite
implementar
el
Anlisis
de
Mezclas
Espectrales
Lineal.
En
esta
prctica
utilizaremos
esta
utilidad.
Pero,
Qu
es
el
modelo
de
mezclas
espectrales?
El
modelo
de
mezclas
espectrales
o
SMA
(Spectral
Mixture
Analysis)
supone
que
la
seal
captada
por
el
sensor
para
un
determinado
pxel
puede
ser
la
mezcla
de
reflectividades
procedentes
de
distintas
cubiertas.
Este
modelo
permite
calcular,
en
un
pxel
mezcla,
la
proporcin
ocupada
por
cada
una
de
las
cubiertas
que
lo
integran,
creando
una
imagen
de
salida
para
cada
cubierta
considerada
en
la
imagen
de
entrada
que
representa
la
proporcin
de
pxel
ocupada
por
esa
determinada
cubierta.
Dichas
imgenes
se
denominan
habitualmente
imgenes
fraccin.
Adems,
tambin
proporciona
como
salida
una
imagen
de
los
errores
del
modelo
en
cada
pxel,
es
decir,
permite
conocer
el
grado
de
ajuste
del
modelo
a
la
realidad
de
las
cubiertas
presentes.
Suponiendo
un
modelo
lineal,
la
reflectividad
de
un
determinado
pxel
mezcla
puede
considerarse
una
combinacin
lineal
de
la
reflectividad
caracterstica
de
unas
cubiertas
o
componentes
bsicos
(endmembers),
en
proporcin
equivalente
a
la
superficie
que
ocupan.
La
expresin
matemtica
que
representa
el
modelo
lineal
es
la
siguiente:
X
=
Mf
+
e
Donde:
X,
es
el
vector
pxel,
f,
el
vector
de
proporciones
(la
incgnita
del
sistema),
M,
la
matriz
de
reflectividad
de
los
componentes
bsicos
(o
clases)
considerados
y,
e,
el
vector
de
error.
Adems
suelen
incluirse
dos
condiciones
ms
al
sistema
de
ecuaciones:
1)
el
pxel
mezcla
est
formado
en
su
totalidad
por
los
componentes
bsicos
y
2)
el
rea
ocupada
por
cada
componente
bsico
es
un
valor
positivo.
El
sistema
de
ecuaciones
se
soluciona
habitualmente
minimizando
el
cuadrado
de
los
errores
(ajuste
por
mnimos
cuadrados).
Para
resolver
correctamente
el
modelo
es
necesario
que
el
rs-educa p8. 2
Figura
1.
Cuadro
de
dilogo
regresin
Anota
cuidadosamente
los
ND
de
los
pxeles
ms
extremos
de
los
vrtices
del
tringulo
que
aparece
en
las
regresiones
siguiendo
los
siguientes
criterios
para
cada
par
bandas.
*Regresin
bandas
4
y
3:
el
vrtice
con
bajos
valores
en
ambas
bandas
se
corresponder
con
el
endmember
sombra,
el
vrtice
con
NDs
en
la
banda
4
mayores
que
en
la
banda
3
se
corresponder
con
el
endmember
vegetacin
y
por
ltimo,
el
vrtice
con
mayores
NDs
en
la
banda
3
que
en
la
banda
4,
se
corresponder
con
el
endmember
suelo.
Anota
los
pares
de
valores
en
la
tabla
siguiente:
Sombra
(ND)
B4=
Vegetacin(ND)
B3=
B4=
Suelo(ND)
B3=
B4=
B3=
rs-educa p8. 3
Figura
2.
Regresin
entre
las
bandas
4
y
3
de
Landsat
7
*Regresin
bandas
4
y
5:
el
vrtice
con
bajos
valores
en
ambas
bandas
se
corresponder
con
el
endmember
sombra,
el
vrtice
con
NDs
en
la
banda
4
mayores
que
en
la
banda
5
se
corresponder
con
el
endmember
vegetacin
y,
por
ltimo,
el
vrtice
con
mayores
NDs
en
la
banda
5
que
en
la
banda
4,
se
corresponder
con
el
endmember
suelo.
Anota
los
pares
de
valores
en
la
tabla
siguiente:
Sombra
(ND)
B4=
Vegetacin(ND)
B5=
B4=
Suelo(ND)
B5=
B4=
B5=
Figura
3.
Regresin
entre
las
bandas
4
y
5
de
Landsat
7
rs-educa p8. 4
*Regresin
bandas
4
y
7:
el
vrtice
con
bajos
valores
en
ambas
bandas
se
corresponder
con
el
endmember
sombra,
el
vrtice
con
NDs
en
la
banda
4
mayores
que
en
la
banda
7
se
corresponder
con
el
endmember
vegetacin
y,
por
ltimo,
el
vrtice
con
mayores
NDs
en
la
banda
7
que
en
la
banda
4,
se
corresponder
con
el
endmember
suelo.
Anota
los
pares
de
valores
en
la
tabla
siguiente:
Sombra
(ND)
Vegetacin(ND)
B4=
B7=
B4=
Suelo(ND)
B3=
B4=
B7=
Figura
4.
Regresin
entre
las
bandas
4
y
7
de
Landsat
7
Anota
cuidadosamente
los
resultados
obtenidos
en
las
distintas
regresiones
en
la
tabla
1.
Para
la
banda
4
tienes
que
hacer
la
media
entre
los
3
valores
obtenidos.
Tabla
1.
ND
para
cada
uno
de
los
endmembers
considerados
Endmember suelo
Endmember sombra
Endmember vegetacin
Banda 3
Banda 4
Banda 5
Banda 7
rs-educa p8. 5
2.
DESCOMPOSICIN
ESPECTRAL
Una
vez
definidos
los
endmembers,
realizaremos
la
descomposicin
espectral
o
unmixing
de
la
imagen.
Para
ello
utilizaremos
el
comando
Transformaciones/Mezclas
Espectrales/Descomposicin
espectral/Landsat.
Introduce
en
el
cuadro
de
dialogo
los
nombres
de
la
ficheros
que
contienen
las
bandas
3,
4,
5,
y
7
de
la
imagen,
los
ND
de
los
endmembers
considerados
en
esas
bandas
(Tabla
1)
y
el
nombre
de
la
imagen
de
salida:
ETM_
05092000.
Este
comando
te
crear
las
siguientes
imgenes:
imagen
fraccin
suelo,
ETM_
05092000_SL,
imagen
fraccin
sombra,
ETM_
05092000_SM,
imagen
fraccin
vegetacin,
ETM_
05092000_VG
e
imgenes
asociadas
al
error
producido
en
cada
banda,
ETM_
05092000_ErrB3,
ETM_
05092000_ErrB4,
ETM_
05092000_ErrB5,
ETM_
05092000_ErrB7,
y
al
error
cuadrtico
medio,
ETM_
05092000_Err.
Figura
5.
Cuadro
de
dilogo
de
descomposicin
espectral
de
imgenes
Landsat
rs-educa p8. 6
rs-educa p8. 7
Tras
conseguir
un
error
bajo,
visualiza
(Visualizacin/Imagen)
las
imgenes
ETM_
05092000_SL,
ETM_
05092000_SM
y
ETM_
05092000_VG.
3.
NORMALIZACIN
Esta
operacin
permite
normalizar
las
imgenes
fraccin
suelo
y
vegetacin
obtenidas,
eliminado
la
contribucin
del
componente
sombra.
Para
ello
utilizaremos
el
comando
Transformaciones/Mezclas
Espectrales/normalizacin.
En
la
figura
9
aparece
el
cuadro
de
dilogo
normalizacin.
Debes
introducir
los
nombres
de
las
tres
imgenes
fraccin
previamente
obtenidas
(suelo,
sombra
y
vegetacin).
El
resultado
ser
la
imagen
de
suelo
normalizado
(ETM_
05092000_SL_NORMAL)
y
la
imagen
de
vegetacin
normalizada
(ETM_
05092000_VG_NORMAL).
En
las
figura
10
y
11
se
pueden
visualizar
los
resultados.
rs-educa p8. 8
ACTIVIDADES
DE
AUTOEVALUACIN
Por
qu
no
hemos
utilizado
tambin
las
bandas
1
y
2
para
hacer
la
descomposicin
espectral?
Se
podran
haber
incluido
ms
endmenbers,
adems
de
suelo,
vegetacin
y
sombra?
Se
te
ocurren
otras
formas
de
seleccionar
los
endmenbers?
Qu
aplicaciones
crees
que
pueden
tener
las
imgenes
fraccin
normalizadas?
rs-educa p8. 9
Prctica 9
TTULO:
PRESENTACIN
DE
RESULTADOS
Qu
se
aprender...
Antes de empezar...
MATERIAL
Imgenes
Landsat
7
del
sensor
Etm+.
Las
siete
bandas
ms
la
imagen
pancromtica
del
Landsat7
de
la
comarca
de
El
Bierzo
tomada
el
da
5
de
septiembre
de
2000
(Ficheros
ETM_
05092000_bx)
ENUNCIADO
Realizar
un
mapa
a
partir
de
la
imagen
de
satelite
empleada
en
la
prctica
lo
ms
parecido
posible
a
la
siguiente
imagen.
DESCRIPCIN DETALLADA
Una
vez
realizados
los
anlisis
de
las
imgenes
de
satlite
se
deben
mostrar
los
resultados
obtenidos
y
una
de
las
frmulas
ms
habituales
es
mediante
representaciones
cartogrficas,
mediante
mapas.
rs-educa p9. 2
ACTIVIDADES
DE
AUTOEVALUACIN
Si
conoces
algn
otro
software
de
procesado
de
informacin
geogrfica,
compara
las
herramientas
de
creacin
de
mapas
con
las
de
rs-educa.
rs-educa p9. 3
..
..
..
..
ASIGNAT
Prctica10
TTULO:
ESTUDIODEUNCOMARCACONTELEDETECCIN
Quseaprender...
Antesdeempezar...
MATERIAL
Enlatabla1seespecificanlasimgenesdesatlitequeseutilizarnenlaprctica(estndisponible
entrelosarchivosdelaprctica3)
Tabla1.Listadodeficherosdisponibles
Satlite/Sensor
Landsat5/TM
Bandas
17
Fechas
24062011
Ficheros
TM_24062011_bx
ENUNCIADO
En esta prctica utilizando una imagen de la comarca de El Bierzo del ao 2011 estudiaremos
diferentes tcnicas de procesamiento de la imagen para estudir 5 usos del suelo. Cada alumno
deberelegirusosylocalizacionesdiferentes.
CUESTIONARIO
Eligeenlaimagen5usosdelsuelodiferente(agua,bosque,ciudad,incendiosforestales..)yanota
suscoordenadasycontestaalassiguientespreguntas:
2. Calculalosprincipalesndicesdevegetacin(insertalaimagenresultadoeneldocumento)y
realiza una tabla son los valores para cada uno de los ndices en los usos del suelo
seleccionados.Qudiferenciaencuentrasenlosresultado?.Qundicediscriminamejor
lavegetacin?yelagua?ylosincendiosforestales?
4. Realizaunanlisisdemezclasespectralesdelaimagen.Insertaeneldocumentolaimagen
fraccindelavegetacin.Indicalosvaloresquetomaenestaimagenlosusosdelsueloque
hasseleccionado.
6. Cmopodrasrealizarunavalidacindelosresultados.Qundiceutilizaras.
7. QuutilidadespuedetenerlaimagenestudiadaenelinventarioforestaldeMonteArenas.
Quherramientasdasomtricassepodranrealizarsiguiendololedoenelartculocientfico
FernndezManso,2009ledoenlaasignatura.
rseducap10.2
Este documento ha sido elaborado por la Dra. Carmen Quintano (Uva) y el Dr. Alfonso Fernndez-Manso (Unileon) y se
encuentra publicado bajo una licencia