Manual Curso ERDAS2011

Introduccin a la teledeteccin con ERDAS Imagine.
Unidad SIG. Centro de Ciencias Humanas y Sociales (CCHS) Consejo Superior de Investigaciones Cientficas (CSIC)
Madrid, 6 al 10 de junio del 2011
Carlos Fernndez Freire M Victoria Gonzlez Cascn Alfredo Gmez Domnguez Israel Gmez Nieto
OBJETIVO DEL CURSO
El objetivo de este curso es proporcionar un conocimiento bsico de las tcnicas de teledeteccin, a travs de las herramientas de ERDAS Imagine. Para ello se han definido una serie de mdulos que representan las principales fases del flujo de trabajo habitual en teledeteccin: importacin de datos, correcciones geomtricas y radiomtricas, mosaicado, realces, ndices, clasificacin digital y visualizacin 3D. El curso est dirigido a personal tcnico e investigador del CSIC que requiera el uso de estas herramientas en su labor profesional y que ya cuente con un cierto conocimiento de las Tcnicas de Informacin Geogrfica (TIG). Al finalizar el curso se espera que el alumno se haya familiarizado con estas tcnicas y pueda implementarlas en su trabajo.
Introduccin a la teledeteccin con ERDAS Imagine

MIRCOLES 8 Teora: realces y filtros M Victoria Gonzlez Prctica: ndices JUEVES 9 Teora: ndices
9:00 10:15
10:15 11:30
11:30 12:00
Carlos Fernndez Prctica: realces y filtros Carlos Fernndez CAF Teora: mosaicado Alfredo Gmez Prctica: mosaicado Alfredo Gmez
M Victoria Gonzlez CAF Teora: clasificacin
12:00 13:30
13:30 15:00
LUNES 6 Teora: fundamentos fsicos + prctica Carlos Fernndez Teora: tipos de sensores + prctica Carlos Fernndez CAF Teora: tipos de resolucin + prctica Carlos Fernndez Prctica: adquisicin e importacin de datos Carlos Fernndez Carlos Fernndez Prctica: clasificacin no supervisada M Victoria Gonzlez
MARTES 7 Teora: correcciones geomtricas Carlos Fernndez Prctica: correcciones geomtricas Carlos Fernndez CAF Teora: correcciones radiomtricas Carlos Fernndez Prctica: correcciones radiomtricas Carlos Fernndez
VIERNES 10 Prctica: clasificacin supervisada M Victoria Gonzlez Prctica: matriz de confusin M Victoria Gonzlez CAF Teora + prctica: clasificacin experta Carlos Fernndez Presentacin y anlisis resultados Alfredo Gmez
NDICE
Pag. 1. Teora I: Fundamentos de teledeteccin y conceptos de resolucin Prctica 1: Resoluciones y firmas espectrales Teora II.a: Tipos de sensores Teora II.b: Adquisicin e importacin de imgenes Prctica 2: Adquisicin e importacin de datos Teora III: Correcciones geomtricas Prctica 3.1: Georreferenciacin Prctica 3.2: Corregistro de imgenes Teora IV: Correcciones radiomtricas Prctica 4: Correcciones radiomtricas Teora V: Realces y filtros Prctica 5: Realces y filtros Teora VI: Elaboracin de mosaicos Prctica 6: Elaboracin de mosaicos Teora VII: Obtencin de informacin de la imagen Prctica 7: Combinaciones lineales entre bandas Teora VIII: Clasificacin de imgenes Prctica 8.1: Clasificacin no supervisada Prctica 8.2: Clasificacin supervisada Prctica 8.3: Matriz de confusin Prctica 8.4: Knowledge Engineer Prctica 8.4 extra: Knowledge Engineer Prctica 9: Visualizacin en 3D Recursos de teledeteccin 3 19 29 38 43 48 53 59 69 76 86 94 112 118 130 138 145 155 165 175 180 185 192 197
Fundamentos de Teledeteccin Conceptos de resolucin
INTRODUCCIN Funcionamiento de un sistema de Teledeteccin

Teledeteccin: Tcnica que permite obtener informacin a distancia de un objeto Emisor de energa Sensor
Superficie observada
Flujo incidente/reflejado
La teledeteccin es la tcnica de observacin remota de la superficie terrestre y de la atmsfera que la envuelve utilizando sensores capaces de captar la radiacin electromagntica, reflejada o emitida. Incluye el proceso de anlisis de los datos para su posterior transformacin en magnitudes fsicas.
INTRODUCCIN Funcionamiento de un sistema de Teledeteccin

Obtenemos una imagen de la superficie terrestre:
INTRODUCCIN Mtodos de Teledeteccin
Mtodos pasivos: se basan en el registro de la radiacin electromagntica reflejada o emitida por los objetos de forma natural. La fuente de energa es el sol o la tierra, y la funcin del sensor es el registro de la seal que le llega. Los ms comunes son la fotografa y los sensores optico-electrnicos.
Mtodos activos: el sensor tiene una doble funcin. Por una parte cuenta con una fuente de energa propia que suministra una radiacin de caractersticas conocidas que enva al objeto, y que posteriormente recoger una vez reflejada por aquel. La informacin se obtiene de la comparacin entre la seal emitida y la reflejada. El radar es el mtodo activo ms comn.
Fuente de Energa
SISTEMA DE TELEDETECCIN
Sistema sensor
Atmsfera
Interpretacin visual Tratamiento
Superficie terrestre Sistema de Recepcin
Anlisis digital
Salidas grficas y digitales
Usuario
INTRODUCCIN Usos Teledeteccin

Estudios medioambientales: Monitorizacin de la vegetacin Deteccin incendios Estudios biodiversidad Gestin desastres naturales Planificacin territorial Etc Otros: Fuente de datos para los SIG Patrimonio cultural Estudios arqueolgicos
Ventajas de la Teledeteccin
Cobertura global de la superficie terrestre. Observacin a distintas escalas.
Frecuencia de adquisicin.
Homogeneidad en la adquisicin. Informacin en regiones del espectro no visible. Formato digital.
VENTAJAS Visin global
Nmero de incendios del 27/12/10 al 31/12/10

http://rapidfire.sci.gsfc.nasa.gov/
La frecuencia con la que las imgenes son tomadas hace que sea posible contar con informacin a escala global en perodos razonables (de un da a varios das, dependiendo de la resolucin espacial del sensor).
VENTAJAS Escalas de medida
MSG-1 (1x1 Km.)
Landsat TM (30x30 m.)
Terra-MODIS (0,5x0,5 Km.)
Ikonos-2 (1x1 m.)
VENTAJAS Frecuencia de adquisicin

1972 1989
1993
1997-98
Landsat/MSS-TM
La existencia de capturas con iguales caractersticas de observacin, y de diferentes aos, permite realizar anlisis multitemporales.
VENTAJAS Homogeneidad en la adquisicin
Terra-MODIS
29 de julio de 2001 29 de julio de 2002 29 de julio de 2003
VENTAJAS Regiones no visibles del espectro
Composicin en color verdadero La disposicin de informacin en regiones no visibles del espectro hace de las imgenes de satlite una herramienta muy til en la discriminacin de cubiertas o en los estudios atmosfricos, por ejemplo.
Composicin en falso color
VENTAJAS Formato digital

La radiacin captada por un sensor espacial se transforma en un pulso elctrico que es codificado, dentro de un rango determinado, en un valor numrico. Los datos posteriormente son transmitidos a las estaciones en tierra para poder ser procesados mediante software especficos de tratamiento digital de imgenes.
FUNDAMENTOS Espectro electromagntico
FUNDAMENTOS Interaccin entre la energa y un cuerpo
FUNDAMENTOS Magnitudes fsicas en teledeteccin

Energa radiante: Indica el total de energa radiada en todas las direcciones (J). Flujo radiante: Total de energa radiada en todas las direcciones por unidad de tiempo (W). Emitancia: Total de energa radiada en todas las direcciones desde una unidad de superficie y por unidad de tiempo (W/m2). Irradiancia: Total de energa radiada sobre una unidad de rea y por unidad de tiempo (W/m2). Intensidad radiante: Total de energa radiada por unidad de tiempo y por ngulo slido de medida (W/sr). Radiancia: Total de energa radiada en una determinada direccin por unidad de rea y por ngulo slido de medida (W/m2sr). ES LO QUE MIDE EL SENSOR. Emisividad: Relacin entre la emitancia de una superficie y la que ofrecera un emisor perfecto a la misma temperatura. Reflectividad: Relacin entre el flujo incidente y el reflejado por una superficie. Absortividad: Relacin entre el flujo incidente y el que absorbe una superficie. Trasmisividad: Relacin entre el flujo incidente el transmitido por una superficie.
10
FUNDAMENTOS Leyes de la radiacin electromagntica

Ley de Planck
M n,
5
c1 c exp 2 T
Cualquier cuerpo fsico con una temperatura superior a 0 Kelvin, radia energa, y sta aumenta con la temperatura
Ley del desplazamiento de Wien

2898 mK T
max
La longitud de onda a la que se produce la mxima emitancia vara en funcin de la temperatura
PRINCIPALES CUBIERTAS Principales rangos de observacin

Dominio ptico (0,4 a 2,5 mm). Comprende el intervalo de longitudes de onda directamente dependientes de la energa solar. Regin del infrarrojo trmico (8 a 14 mm). Es donde se manifiesta con mayor claridad la emitancia espectral de la superficie terrestre, de acuerdo con su temperatura. La radiancia que recibe el sensor no es el resultado de la reflexin de la energa solar, sino de la radiacin emitida por la superficie. Regin de las microondas (mm a m). Los sensores que trabajan con esta parte del espectro electromagntico habitualmente emiten su propio haz energtico para recoger, posteriormente, su retrodispersin. Proporcionan una informacin ms compleja de tratar. Visible
0.4 0.5 0.6 0.7
UV
10
Rayos gamma
-5
IR
Longitud de Onda (micras)
-2
10
-4
10
-3
10
10
-1
10
10
10
10
10 5
Radio TV
Rayos X
Ultravioleta
Infrarrojo Trmico Infrarrojo Prximo y Medio
Microondas
11
PRINCIPALES CUBIERTAS Factores que influyen en la reflectividad de la cubierta

Elementos que absorben (agua, pigmentos, minerales). Rugosidad superficial (reflectividad lambertiana o especular). ngulos de observacin e iluminacin. Variaciones medio ambientales en la cubierta: homogeneidad/heterogeneidad que presenta la superficie, estado fenolgico de la vegetacin, etc. Influencia del relieve en el ngulo de iluminacin: orientacin de las laderas, pendiente.
PRINCIPALES CUBIERTAS Efectos de la atmsfera

Absorcin (O2, O3, vapor de agua, aerosoles): La atmsfera se comporta como un filtro selectivo en algunas longitudes de onda. Dispersin: Se produce por la interaccin entre los gases y partculas atmosfricas y la radiacin electromagntica. Rayleight: Afecta a l < que el tamao de la partcula. Mie: Afecta a l de similar tamao al de las partculas. No selectiva: Afecta a diversas l. Emisin. Se da en funcin de la temperatura de los cuerpos.
100 Absorcin 50 Atmosfrica (%) 0 0,4 0,7 1 2 3 5 10
(...)
10.000
12
PRINCIPALES CUBIERTAS Tipos de reflectores

u n l g o u n l g o n n I ie c R xn c d i a e i e l f
RL T E E L E E O P UR F CR S CA
RL T L B T N E E O M I O F CR AE A R
PRINCIPALES CUBIERTAS Firma espectral

Forma en que un objeto refleja y emite energa a diferentes longitudes de onda ()
VISIBLE
IR PRXIMO
IR MEDIO
VEGETACIN
SUELO
NIEVE
13
PRINCIPALES CUBIERTAS Factores en la reflectividad de la vegetacin

Factores de reflectividad de la hoja. Pigmentos. Estructura de la hoja. Humedad. Factores del dosel vegetal. Cobertura. Geometra de las hojas. ngulos de observacin.
C l o r o fi l a
C l o r o fi l a
Estructura
Agua
Agua
PRINCIPALES CUBIERTAS Factores en la reflectividad del suelo

Composicin qumica Materia orgnica Humedad Textura y estructura Color dominante Baja reflectividad Bandas de absorcin Aumento o disminucin reflectividad
Agua
Agua
14
PRINCIPALES CUBIERTAS Factores de reflectividad del agua

Profundidad de las aguas Materiales en suspensin Rugosidad de la superficie (oleaje) Presencia de vegetacin ngulos de observacin e iluminacin
Agua ocenica profunda
Menor aporte materiales fondo Ms reflectividad en visible Aumento reflectividad (ref. lambertiano) Descenso azul, aumento verde Por ser reflector especular
Agua ocenica costera
PRINCIPALES CUBIERTAS Mezcla de cubiertas

60 50 40
reflectividad %
30 20 10 0 m
0.4
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.2
1.5
1.7
2.0
2.2
2.5
Suelo
Pino 25%
Pino 50%
Pino 100%
15
PRINCIPALES CUBIERTAS Colores resultantes

Vegetacin menos vigorosa Agua
Suelo descubierto
Nieve
Vegetacin vigorosa
Composicin en Infrarrojo Falso Color
RESOLUCIN Tipos de resolucin
Espacial
Espectral
60.00 50.00
Reflectance
40.00 30.00 20.00 10.00 0.00

0.36 0.45 0.54 0.63 0.72 0.80 0.89 0.98 1.16 1.42 1.67 1.91 2.15 2.40 Wavelength
59.09 33.27 0.00
Temporal
Radiomtrica
16
RESOLUCIN Resolucin espacial

Capacidad de distinguir objetos en la imagen de acuerdo a su tamao. Seala el lmite de esta capacidad. Factores de que depende: 1.Tamao del IFOV (Instantaneous Field of View). 2. Altura de la rbita del satlite. 3.Tipo de detectores.
Influencia de la resolucin espacial Delimitacin objetos, por ejemplo campos de cultivo.
RESOLUCIN Resolucin espectral

Nmero y anchura de las bandas en las que el sensor toma medidas. La eleccin del nmero, anchura y localizacin de las bandas depende de la finalidad de su diseo. Un sensor diseado para el estudio de las cubiertas del suelo intentar evitar las ventanas de fuerte absorcin atmosfrica. Sin embargo, un satlite meteorolgico buscar informacin en esas mismas ventanas. Del mismo modo un sensor meteorolgico no precisar de mltiples canales en el visible puesto que las diferencias cromticas en las nubes no son destacables. Sin embargo, un sensor dedicado al estudio de la superficie terrestre s que precisar de este tipo de informacin. Landsat 1 TM 3 2 4 Meteosat B1
Vegetacin sana Vegetacin seca
17
RESOLUCIN Resolucin temporal
Tiempo que transcurre desde una toma del sensor y la siguiente de la misma zona de la cubierta terrestre. Factores de que depende: 1. 2. Caractersticas de la rbita del satlite (altura, velocidad, inclinacin). ngulo total de apertura del sensor.
Existen sensores que pueden enfocarse desde rbitas prximas lo que reduce el tiempo entre tomas (SPOT-HRV, Ikonos).
RESOLUCIN Resolucin radiomtrica

Sensibilidad del sensor a la hora de detectar variaciones en la radiancia espectral que capta. Se identifica con el rango de valores que utiliza para codificar esta radiancia. En ltima instancia en las imgenes digitales se traduce en el nmero de bits que se utilizan en dicha codificacin. Una imagen de 8 bits es capaz de ofrecer 256 niveles de codificacin (niveles de gris o de color). Con el paso del tiempo la resolucin radiomtrica de los sensores se ha ido incrementando notablemente debido a la mejora de la ptica y de los sistemas electrnicos de almacenamiento y transmisin de los datos. Hoy no es extrao contar con imgenes que utilizan 10, 11, 16 y hasta 32 bits.
18
Prctica 1: Resoluciones y firmas espectrales

Antes de comenzar con las prcticas vamos a visualizar varias imgenes para habituarnos al manejo de la interfaz de ERDAS. Para ello seleccionamos la opcin de abrir archivo y navegamos hasta la carpeta Prctica1 para ir examinando las diferentes imgenes.
Prctica 1.1
En primer lugar vamos a analizar distintos tipos de imgenes desde el punto de vista de su resolucin. 1. Seleccionamos abrir archivo. 2. En el men File encontramos la opcin Open Raster Layer. Navegamos hasta la carpeta Prctica1/resolucion. En el tipo de archivo indicamos que es de tipo TIFF. Abrimos la imagen SPOT y aceptamos la generacin de pirmides para que su visualizacin sea ms gil.
UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine
19
3. Con la utilidad Show Information for Top Raster Layer
accedemos a la
informacin de la imagen. Consultando dicha informacin comprueba y anota la siguiente informacin: SPOT Tamao de la imagen: Tipo de proyeccin: Resolucin espectral (n de bandas): Resolucin espacial: Resolucin radiomtrica: 4. Repite el proceso con las imgenes Landsat, MODIS y la ortofotografa area del PNOA2005. Ten en cuenta que el tipo de archivo raster es diferente en cada una (Landsat=img; MODIS=pix; PNOA=ecw). Anota la misma informacin que para la imagen SPOT. Para conservar la imagen que estas visualizando al abrir una nueva es necesario desactivar la opcin Clear view de la pestaa Raster Options en el caso de est activada.
Si optas por tener varias imgenes abiertas simultneamente su posicin se controla desde el panel Contents situado arriba a la izquerda (manteniendo pulsado el botn izquierdo del ratn y arrastrado la capa hasta una nueva posicin). Landsat Tamao de la imagen: Tipo de proyeccin: Resolucin espectral (n de bandas):
20
Resolucin espacial: Resolucin radiomtrica: MODIS Tamao de la imagen: Tipo de proyeccin: Resolucin espectral (n de bandas): Resolucin espacial: Resolucin radiomtrica: PNOA Tamao de la imagen: Tipo de proyeccin: Resolucin espectral (n de bandas): Resolucin espacial: Resolucin radiomtrica: 5. Tambin puedes observar las diferencias de resolucin espacial entre las distintas imgenes a travs de la funcin Swipe . Puedes practicar con la opcin Auto Mode y Multilayer Mode. Ten en cuenta la posibilidad de configuraciones distintas con los parmetros L, I, W y S.
21
6. Puedes utilizar tambin la funcin Blend y observar las diferencias con la anterior. Haz lo mismo con la funcin Flicker.
Prctica 1.2
1. Abrimos ERDAS 2010 y desplegamos el Signature Editor que se encuentra en el mdulo Raster - Supervised .
3.
Desde el visor abrimos la imagen landsattm_firma_espectral.img que se
encuentra en la carpeta Prctica_1_2. Se trata de una escena Landsat5 TM, que
22
contiene informacin en seis bandas espectrales, con informacin en los rangos del Visible (1, 2 y 3), IRC (4) y SWIR (5 y 6). 4. En la pestaa Multispectral controlamos en tipo de composicin RGB que queremos obtener. Existen composiciones RGB convencionales predefinidas para las imgenes Landsat5-TM. Probaremos las diferentes composiciones y elegiremos las ms adecuadas para identificar los distintos tipos de cubiertas presentes en la imagen.
5. El objetivo es seleccionar algunos tipos de cubiertas (agua, vegetacin de ribera, cultivos, nubes) y obtener el perfil espectral de los mismos a travs de las herramientas que ERDAS 2010 ofrece. 6. Desde el men principal de ERDAS 2010 creamos una nueva capa de AOI (Area Of Interest); Menu New 2D View AOI Layer:
23
7. Buscamos un pxel que corresponda con la cubierta agua y creamos una AOI de tipo punto.
Podemos ayudarnos del Inquire Cursor para comprobar los valores que tiene el pixel elegido. Desde la pestaa Home seleccionamos Display Selected AOI Properties y damos un nombre y una descripcin a nuestro elemento.
8. Volvemos al Signature Editor y creamos una nueva signatura espectral utilizando la herramienta Create a New Signature from AOI . Una vez que se ha incorpora el
nuevo registro podemos etiquetarlo con el nombre de la categora correspondiente, en este caso la llamamos agua.
9. Repetimos los pasos 7 y 8 para incorporar nuevas categoras a nuestra tabla de firmas espectrales (por ejemplo: vegetacin de ribera, cultivos, nubes, asfalto, sombra de nube). Te puede servir de referencia la captura de imagen que se acompaa (realizada con una composicin en falso color infrarrojo), aunque puedes intentar localizar otras zonas tu mismo.
24
10. Podemos modificar el color que por defecto nos ofrece la aplicacin para que las clases sean ms fcilmente contrastables en nuestro grfico.
11. Una vez recolectados nuestros puntos de muestra para cada categora podemos visualizar las signaturas espectrales a travs del Display Mean Plot Window .
Diseamos un grfico que permita visualizar los cuatro perfiles espectrales. Para ello es posible que tengamos que modificar los parmetros de representacin a travs de la opcin Charge Options, que se encuentra dentro del men Edit. El resultado debe ser parecido al que se muestra en la captura de pantalla.
25
12. Para finalizar guardamos nuestra capa AOI para lo que utilizamos la opcin Save AOI Layer as. La almacenamos en nuestra carpeta de trabajo con un nombre reconocible. Si queremos guardar todo nuestro proyecto guardamos la GLT Session desde la opcin Save del men File.
26
Prctica 1.3
Otra forma diferente para poder realizar un grfico con los perfiles espectrales de distintas categoras es la que se desarrolla en el siguiente ejercicio. En este caso se busca tener un archivo con los puntos de extraccin y los valores en todos los canales de la imagen para poder ser incorporado a una hoja de clculo y manejarlo con mayor flexibilidad a la hora de representar grficamente los perfiles espectrales. 1. Desde la pestaa Manage Data seleccionamos la opcin Convert Pixels to ASCII. Se despliega una ventana en la que tendremos que cargar nuestra imagen Landsat como Input File. Tambin tendremos que indicar la capa AOI que queremos utilizar para proceder a la extraccin de los valores espectrales en cada uno de sus puntos. En nuestro caso la capa AOI que hemos creado antes. Por ltimo, habr que indicar el nombre y ubicacin del fichero de salida generado.
2. El fichero ASCII creado lo podemos abrir en EXCEL como un archivo delimitado, separado por espacios. Una vez abierto procedemos a su representacin grfica (recuerda que tienes que cambiar los puntos por comas para que EXCEL entienda que son valores decimales). Como podemos observar, adems de la informacin contenida en la seis bandas, tambin incluye las coordenadas X e Y del pixel sobre el que caa cada punto. El orden de extraccin corresponde al orden de creacin de los elementos de la capa AOI. Podemos agregar una columna con su nombre.
27
3. Tan slo quedara elaborar el grfico. Tambin podramos guardar los datos en otro formato.
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 B1 sombra de nube B2
Signaturas espectrales
B3 nube asfalto
B4 vegetacion ribera
B5 cultivo
B6 agua
28
Tipos de sensores
Un repaso a los sensores ms utilizados en teledeteccin
Clasificacin de sensores
SENSORES PASIVOS Recogen la radiacin reflejada y emitida por el objeto estudiado SENSORES ACTIVOS Emiten su propio haz de energa
29
Sensores pasivos
FOTOGRFICOS
Sistema ptico + Emulsin fotosensible (pelcula fotogrfica)
RADIMETRO MICROONDAS
Sensor microondas
PTICO-ELECTRNICOS
Sistema ptico + Sensor electrnico
CLASES Matriz Empuje Barrido
Sensores pasivos
30
Sensores pasivos
Sensores activos
Radar (Radio Detection and Ranging) Emisor receptor de microondas. Aplicaciones: Radar de imgenes: vegetacin, humedad, etc. MDEs (interferometra). Altimetra de la superficie marina. Deteccin vertidos. Dispersmetro de vientos: direccin y velocidad.
31
Sensores activos
Imagen multitemporal ERS del naufragio del Mar Egeo cerca de la Corua (diciembre de 1992)
Sensores activos
Lidar (Light Detection and Ranging)
Pulsos de luz polarizada (del ultravioleta al infrarrojo cercano). Aplicaciones: Atmsfera: partculas, humedad, presin, temperatura, etc. Cubiertas terrestres: manchas de aceite, algas, humedad en la vegetacin, pigmentos, etc. MDEs.
32
rbitas de las plataformas espaciales rbita geosncrona

Como su nombre indica permanecen estables respecto de la Tierra observando siempre la misma parte de la superficie. Es el caso de los satlites meteorolgicos.
rbitas de las plataformas espaciales

Imagen completas del Meteosat y GOES
33
rbitas de las plataformas espaciales rbita heliosncrona

Describen rbitas alrededor de la Tierra que cubren cada cierto tiempo toda la superficie. El diseo obedece al inters de hacer que los sensores midan la radiancia de un punto de la superficie terrestre bajo las mismas condiciones de iluminacin.

Escena Landsat5 completa
34

rbitas geoestacionarias Ventajas
Visibilidad continua Visualizacin simultnea de un gran rea (cerca de un tercio de la superficie terrestre)
Desventajas
No se observan los polos Baja resolucin espacial
rbitas heliosncronas Ventajas

Cobertura global Alta resolucin espacial Buenas condiciones de iluminacin de la zona observada
Desventajas
No es posible una observacin continua con un solo satlite
Satlites de teledeteccin ms comunes

Satlites de recursos naturales: Meteorolgicos:
Landsat (1-7)
RBV, MSS, TM, ETM+
SPOT
HRV-P y XS Vegetation
IRS-C
Liss, Wifs.
Meteosat-MSG2-Goes Nimbus NOAA-AVHRR DMSP Seawifs
Terra, Aqua
ASTER, CERES, MISR, MODIS, MOPITT
Satlites comerciales: - Orbview - Ikonos - QuickBird
35

Caractersticas LANDSAT
Landsat 7 Altura orbital: 705 km. Ciclo de recubrimiento: 16 das rea observada: 183 km Sensor ETM+ Resolucin espacial: 30 m. espectral: 7 bandas. radiomtrica: 8 bits. Banda pancromtica 15m. Banda trmica a 60 m
SPOT
SPOT 5 Sensor HRG Sensor VEGETATION Altura orbital: 822km. Resolucin espacial: 10 m. Resolucin espacial: 1km Ciclo de recubrimiento: 26 das espectral: 4 bandas. espectral: 4 rea observada: 3600 km2 radiomtrica: 8 bits. bandas: Banda pancromtica 25m. azul, rojo, IRP, IRM

Caractersticas ASTER
Bandas: 4 en el espectro ptico (15 m) 6 en IRM (30 m) 5 en IRT (30 m) Aplicaciones: coberturas terrestres, minerales, nubes, humedad, temperatura.
AVHRR
Bandas: 6 del verde al IRT (1 km) Aplicaciones: cambios en las coberturas terrestres a escala global. Resolucin temporal: 6 horas
36

Caractersticas MODIS
36 bandas: ptico Infrarrojo Medio Trmico Resolucin espacial: 250 500 1000 metros Aplicaciones: nubes, aerosoles, vapor atmosfrico, observacin masas de agua, temperatura atmosfrica y superficial
IKONOS
Bandas: Azul Verde Rojo Infrarrojo Cercano Resolucin espacial: 082 m (Pan) 32 m (Multi) Aplicaciones: Urbanismo, seguridad nacional, transportes
37
Adquisicin e importacin de imgenes

Servidores de imgenes e importacin de los archivos ms habituales
Bsqueda y descarga de datos
38

Plan Nacional de Ortofotografa Area (PNOA)
Descarga de imgenes: http://centrodedescargas.cnig.es/CentroDescargas/ Visualizacin va web (servicio WMS): Dentro de la IDEE (Infraestructura de Datos Espaciales de Espaa) Cliente ligero (navegador web): http://www.idee.es Cliente pesado (Desktop SIG): http://www.idee.es/wms/PNOA/PNOA?

UNITED STATES GEOLOGICAL SURVEY (USGS): Earth Resources Observation and Science (EROS) Center: http://eros.usgs.gov/ Productos: Landsat ASTER MODIS NOAA-AVHRR EO-1: Hyperion Advanced Land Imager (ALI) Imgenes de satlite desclasificadas SIR-C (Radar)
39

SERVIDORES DE IMGENES: USGS Global Visualization Viewer (GloVis): http://glovis.usgs.gov/ Imgenes: Landsat, ASTER, MODIS, EO-1 (Hyperion, ALI) EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/ http://edcsns17.cr.usgs.gov/NewEarthExplorer/ Imgenes: Landsat, NOAA-AVHRR, EO-1 (Hyperion, ALI), imgenes desclasificadas, SIR-C Land Processes Distributed Active Archive Center (NASA LP DAAC): https://lpdaac.usgs.gov/ Imgenes: ASTER, MODIS Warehouse Inventory Search Tool (WIST): https://wist.echo.nasa.gov/~wist/api/imswelcome/

Quickbird: http://www.digitalglobe.com/ WorldView: http://www.digitalglobe.com/
IKONOS: http://www.geoeye.com/ OrbView-3: http://www.geoeye.com/ GeoEye: http://www.geoeye.com/
SPOT: http://www.spotimage.com/
40

Hoy en da hay muchos datos disponibles de forma gratuita en red.
http://edcsns17.cr.usgs.gov/EarthExplorer/
http://glovis.usgs.gov/
41
http://www.nsof.class.noaa.gov/saa/products/search?sub_id=0&datatype_family=AVHRR
42
Prctica 2: Adquisicin e importacin de datos
Adquisicin
Hoy da existe una gran cantidad de servidores desde los que descargar imgenes de diferentes sensores. Muchos de los programas espaciales ms veteranos permiten obtener datos de forma gratuita y, en muchos casos, con un alto nivel de procesamiento. Esto ocurre con muchos de los programas nacionales, no es el caso de la mayora de los programas comerciales, centrados bsicamente en imgenes de alta resolucin espacial. A continuacin tenis un listado de algunos servidores gratuitos de datos a los que se puede acceder generalmente a travs de visores: USGS Global Visualization Viewer (GloVis): Landsat, ASTER, MODIS, EO-1 (Hyperion, ALI) http://glovis.usgs.gov/ Imgenes:
EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/ http://edcsns17.cr.usgs.gov/NewEarthExplorer/ Imgenes: AVHRR, EO-1 (Hyperion, ALI), imgenes desclasificadas, SIR-C Landsat, NOAA-
Land Processes Distributed Active Archive Center (NASA LP DAAC): https://lpdaac.usgs.gov/ Imgenes: ASTER, MODIS Warehouse Inventory Search Tool (WIST): https://wist.echo.nasa.gov/~wist/api/imswelcome/
Desde otros puntos podis encontrar imgenes de programas comerciales: http://www.digitalglobe.com/ Imgenes Quickbird http://www.geoeye.com/ Imgenes IKONOS, Orbview-3 y GeoEye http://www.spotimage.com/ Imgenes SPOT
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
43
El proceso de importacin en ERDAS

El formato nativo de ERDAS es .img, como ya hemos visto. Vamos a ver cmo sera la importacin de los formatos en los que podemos conseguir imgenes de forma ms habitual. En la carpeta de datos encontraris una imagen ASTER en formato HDF, un formato habitual para grandes cantidades de datos. Podemos comprobar el formato en el que se encuentra la imagen abriendo el archivo README desde el WordPad:
Desde la pestaa Manage Data seleccionamos la opcin Import Data y desplegamos el listado de tipos de archivo hasta encontrar ASTER EOS HDF Format:
Una vez seleccionado el tipo de datos podemos guardarlos de forma que al abrir el cuadro de dilogo de importacin nos aparezca esta opcin por defecto. En el
44
desplegable de Media debemos elegir File y conviene hacer clic sobre el asterisco, ya que ser seguramente lo ms habitual. Navegamos hasta la carpeta de datos y seleccionamos el archivo PRDAT011.DAT. El archivo de salida lo vamos a llamar aster_b1.img, en la carpeta de resultados. Aceptamos y se abre una nueva ventana:
El programa ya ha recolectado la informacin de la imagen y nos pregunta qu banda queremos importar. Recordamos que las imgenes ASTER tienen 3 sensores, VNIR, SWIR y TIR, cada uno con una resolucin espacial distinta. Vamos a importar las bandas 1, 2 y 3N del sensor VNIR, que se corresponden con el verde, rojo e infrarrojo cercano. Pulsando en el botn de Next Image podemos elegir la banda a importar, y desde el botn de Correction tenemos varias opciones ms:
En la pestaa de Rectification seleccionamos la opcin Write Transform to Image para realizar una georreferenciacin en funcin de los parmetros orbitales almacenados en la cabecera de la imagen. Como la cabecera tambin cuenta con los datos de sesgo y ganancia, podemos seleccionar la conversin a radiancia desde la pestaa de Radiometric Options o corregir el bandeado tpico de un sensor de empuje seleccionando la opcin Destriping (no es necesario seleccionar estas opciones).
45
Importamos la banda 1 georreferenciada y a continuacin hacemos lo mismo con la 2 y la 3N: aster_b2.img y aster_b3n.img. Abrimos un visor para examinar el resultado y vemos cmo las imgenes ya cuentan con su sistema de coordenadas. Visualizamos los metadatos de la imagen: hay una serie de pestaas nuevas con la informacin de cabecera contenida en el archivo original HDF:
Por ltimo nos queda componer una sola imagen que cuente con las tres bandas que acabamos de importar. Esto se hace desde la pestaa Raster Spectral Layer Stack:
46
Como imagen de entrada seleccionamos la primera banda que hemos importando aster_b1.img, y pulsamos el botn de Add:
La imagen ya se ha aadido a la composicin que estamos creando. Realizamos la misma operacin con las otras dos imgenes, tecleamos un nombre para la imagen de salida en la carpeta de resultados, aster_vnir.img, seleccionamos la salida como Unsigned 8 bits, ya que hemos importado los Niveles Digitales, sin convertir a radiancia, y aceptamos. Ahora ya tenemos la imagen con todas las bandas del sensor VNIR:
47
Correcciones geomtricas
Esencia de la correccin geomtrica
48
Esencia de la correccin geomtrica

Generar funciones que permitan convertir coordenadas de imagen a coordenadas de mapa: F(c) = f1 (c,l). F(l) = f2 (c,l). Referencia puede ser un mapa o una imagen de otra fecha. Problemas: esfericidad terrestre, distorsin panormica, movimiento rotacin.
Georreferenciacin
49
Fuentes de error
Distorsiones geomtricas: provocadas por la plataforma: aleteo, cabeceo, giro lateral provocadas por el sensor: distorsin al alejarse del nadir provocadas por la rotacin terrestre: inclinacin de la imagen Cambio de escala por la altitud
Georreferenciacin
Segn parmetros orbitales: Generalmente incluidos en la cabecera de la imagen: Posicin exacta del satlite Altitud Velocidad de barrido Velocidad plataforma Meridiano de cruce con el Ecuador Muy adecuada cuando no hay puntos de control: superficie marina, imgenes de baja resolucin espacial
50
Georreferenciacin
Mediante puntos de control. Fases: Establecimiento puntos de control Clculo de la funcin de transformacin Transferencia ND: Vecino ms prximo Interpolacin bilinear (4 vecinos) Convolucin cbica (16 vecinos) Evaluacin ajuste. RMSE
Georreferenciacin: transferencia ND
Vecino ms prximo
Interpolacin bilinear
51
Georreferenciacin: evaluacin error

Raz del error medio cuadrtico
Lo ideal es que no supere el tamao del pxel
52
Prctica 3.1: Georreferenciacin

Abrir la imagen landsat5_no_georref.img dentro de la carpeta practicas3_1. Desde la pestaa Multispectral seleccionar la opcin Control Points.
A continuacin un cuadro de dilogo nos pide que seleccionemos el modelo geomtrico del sensor. En este caso seleccionamos Landsat.
A continuacin se abre una ventana con varias divisiones y un cuadro de dilogo para especificar el mtodo para introducir las coordenadas de referencia para los puntos de control. En este caso vamos a introducir las coordenadas desde el MTN25, que tenemos en formato digital y georreferenciado, por lo que seleccionamos la opcin Image Layer, que nos abrir un nuevo visor con la imagen de referencia:
53
Al pulsar OK se abre un nuevo cuadro para seleccionar la imagen; navegamos hasta la carpeta de prcticas para seleccionar la imagen mtn25.img. Nos pide que seleccionemos el sistema de referencia en el que se encuentra la imagen de referencia. De momento especificamos que las coordenadas son en metros y aceptamos, a continuacin definimos la proyeccin (ED50 / UTM zona 30):
En la pestaa de Parameters hay que especificar el sensor Landsat de que se trata (5 en nuestro caso) y si se trata de una escena completa o de un cuarto de escena (en
54
nuestro caso es el cuarto NW). En el caso de que dispongamos de un modelo digital de elevaciones de la zona podemos incorporarlo en el modelo, como no es as, nos limitamos a especificar una altitud constante representativa de nuestra zona de estudio (600 metros).
Nota: Podemos salvar nuestro modelo como un archivo de extensin .gms para abrirlo ms adelante desde la ventana de Model Properties.
Las propiedades del modelo que acabamos de definir se pueden modificar a lo largo del proceso desde la opcin del men Display Model Properties .
55
A partir de este momento ya podemos comenzar a introducir los puntos de control. La ventana aparece dividida en cuatro visores, los de la izquierda muestran la imagen que vamos a corregir y los de la derecha la imagen de referencia. Los grandes muestran la imagen ampliada y los pequeos el detalle de la zona sobre la que vamos a introducir los puntos de control. En la parte inferior tenemos la herramienta iremos visualizando los puntos introducidos y, una vez hallamos calculado el modelo, su error. Haciendo click en la herramienta de creacin de GCPs (Ground Control Point) podemos empezar a introducir los puntos de control, pinchando primero en la imagen a corregir y luego en la de referencia. Para ello hay que seleccionar puntos homlogos en las dos imgenes, digitalizar primero sobre la imagen de origen y a continuacin sobre la imagen de referencia. Vemos cmo en la ventana de los GCP aparece un nuevo punto con coordenadas imagen de origen y coordenadas UTM de referencia:
Coordenadas de origen en pxeles
Coordenadas UTM de destino
Cuando hayamos introducido un nmero suficiente de puntos de control como para completar el modelo podemos calcular los residuos haciendo clic en el botn del sumatorio :
56
As obtenemos el error de cada punto y el error medio cuadrtico general, que es mostrado en la zona inferior izquierda. Por defecto el programa muestra los errores en pxeles, por lo que tenemos que intentar obtener un error inferior a 1 para asegurarnos una buena georreferenciacin.
Nota: Podemos salvar los puntos que hemos ido introduciendo desde file save input y file save reference.
Cuando consideremos que el ajuste es suficiente pasamos a rectificar la imagen. haciendo click sobre el botn de remuestreo pasamos a determinar el mtodo de remuestreo y el nombre de la imagen de salida. Elegimos Nearest Neighbor y le damos un nombre a la imagen de salida, landsat5_georref.img y aceptamos. Se comienza a realizar el proceso de rectificacin. Una vez terminado podemos visualizar el resultado desde un visor de ERDAS o de ArcGIS y, si queremos, superponer el MTN25 para comprobar que el resultado es correcto,
57
mediante la utilidad swipe:
El proceso finaliza con la calibracin de la imagen desde la opcin Calibrate Image
Este proceso calibra la imagen original, asignndole el sistema de referencia que hemos elegido. No es necesario realizarlo si ya hemos generado otra imagen de salida. Un mensaje nos advierte de que con este proceso finalizamos la georreferenciacin y por lo tanto el mdulo de georreferenciacin se cerrar. Aceptamos. Cuando termina el proceso de calibracin se cierran las ventanas del modelo y slo conservamos los visores con la imagen original calibrada.
58
Prctica 3.2: Corregistro de imgenes
Cuando nuestra intencin no es tanto georreferenciar una imagen como superponer una serie de imgenes (una serie temporal de imgenes de una misma zona, por ejemplo), tenemos la posibilidad de utilizar la herramienta Autosync, a la que se accede desde el men principal desde la pestaa Toolbox, seleccionando Autosync Workstation:
59
La interfaz de este mdulo consta ms o menos de los mismos elementos que el mdulo de georreferenciacin: tres visores para cada imagen, la de referencia y la imagen a corregir, la herramienta para controlar la introduccin de puntos de control abajo y, a la izquierda el rbol en el que visualizamos las imgenes con las que estamos trabajando: una de referencia, una o varias a corregir y los resultados. De esta forma podemos controlar el flujo de trabajo para varias imgenes a la vez. Al abrir el mdulo de Autosync se nos ofrece la posibilidad de abrir un proyecto existente o crear uno nuevo. Elegimos la opcin de crear nuevo proyecto y a continuacin establecemos los parmetros del mismo: Hay que especificar que se trata de un proyecto de georreferenciacin, no de unin de bordes, y que el objetivo es remuestrear una imagen. Elegimos por lo tanto Georeference y Resample. Al elegir la opcin de remuestrear debemos especificar tambin los parmetros del remuestreo haciendo clic en el botn de Resample Settings: Vecino ms prximo, tamao de celda (30 metros) y la opcin de recortar el resultado a la misma extensin de la imagen de referencia. Por ltimo establecemos un directorio de salida, un nombre para el proyecto, un sufijo para las imgenes corregidas y un archivo en el que se almacenarn un informe del proceso:
Nota: la configuracin de remuestreo establecida ahora se puede cambiar en cualquier momento del proceso editando las propiedades del proyecto
60
Como imgenes a corregir abrimos dos imgenes ms antiguas desde el botn de Open input images :
Nuestro objetivo es corregistrar estas imgenes de aos anteriores de la misma zona que nuestra imagen de referencia, pero sin ningn sistema de referencia, para superponerlas y poder realizar un estudio temporal. A continuacin abrimos la imagen de referencia, landsat_ref desde el botn Open reference images .
Una vez cargadas las imgenes en el proyecto comprobamos que aparecen en los visores, las imgenes a corregir a la izquierda y la de referencia a la derecha:
Nota: haciendo clic con el botn derecho sobre las imgenes podemos establecer la combinacin de colores que prefiramos para visualizarlas.
61
A continuacin terminamos de configurar el resto de parmetros desde la ventana del proyecto, haciendo clic en el botn Edit Project Properties :
En la pestaa de APM (Automatic Point Measurement) se configura el modo en que el programa busca automticamente puntos homlogos (para realizar esta operacin ser necesario haber introducido manualmente los puntos necesarios para completar el modelo). Esto se realiza en funcin de la similitud espectral de la banda que especifiquemos en esta pestaa, mediante una patrn de bsqueda. Los parmetros de bsqueda de puntos se pueden configurar haciendo clic en el botn de Advanced Settings. Nosotros vamos a dejar los valores por defecto, slo vamos a aadir la opcin de utilizar los puntos introducidos de forma manual para establecer la conexin inicial entre las imgenes:
Aceptamos y volvemos a la ventana anterior. Seleccionamos la banda 2 en ambas imgenes para la bsqueda de similitudes espectrales y, en lugar de definir un patrn de bsqueda de puntos, elegimos la distribucin por defecto de un nmero de puntos para cada imagen. Dejamos el valor de 400 puntos por defecto y hacemos clic en la casilla de Keep all points para asegurarnos de que aunque realicemos varias veces el proceso de APM no nos va a borrar los puntos de la vez anterior:
62
En la pestaa del Geometric Model se establece el tipo de modelo mediante el que queremos corregir las imgenes. Elegimos una transformacin afn. En la siguiente pestaa, definimos la proyeccin para las imgenes de salida, que ser la misma que la imagen de referencia:
Por ltimo, en la pestaa de Output tenemos de nuevo alguna de las configuraciones que establecimos al comienzo: mtodo de remuestreo, sufijo de las imgenes corregidas, archivo en el que se genera el informe:
63
A partir de este punto el proceso es similar al descrito para la anterior prctica: identificar puntos homlogos en ambas imgenes y digitalizarlos utilizando la herramienta Create GCP . Haciendo doble clic sobre las imgenes a corregir elegimos sobre cul queremos trabajar. Vamos a comenzar con la imagen de 2003, ms similar a la de referencia. Una vez hayamos establecido un mnimo de 2 puntos de control (es recomendable digitalizar 4 puntos manuales para obtener mejores resultados) vemos cmo el icono de la imagen a corregir ha cambiado a color verde, indicando que podemos ejecutar el APM, que seguir los parmetros introducidos desde la ventana de propiedades del proyecto. Para ejecutar el APM hay dos opciones, una es pinchar con el botn derecho sobre la imagen en la que queramos ejecutarlo y elegir Run APM, de forma que se ejecuta slo en esa imagen, y la otra es hacer clic sobre el botn Run APM realizando el proceso sobre todas las imgenes que estn preparadas. ,
Una vez ejecutado sobre la imagen en la que hemos dado los puntos de control obtenemos una serie de puntos y los residuos del ajuste en la parte inferior de la ventana:
Los puntos generados automticamente por el programa aparecen sealados con la etiqueta APM en la primera columna. Vemos cmo hemos conseguido un total de 34 puntos de control, dos de los cuales son los introducidos de forma manual y el resto generados por el programa. Podemos volver a ejecutar el APM cambiando los parmetros para ver si el resultado mejora.
64
Para trabajar con los puntos de control de cara a obtener una correccin ptima contamos con las herramientas del editor:
stas nos permiten deshacer o rehacer acciones, eliminar puntos, mostrar slo los seleccionados, navegar por los puntos seleccionados, calcular el modelo, ver el informe y establecer un filtro para seleccionar puntos en funcin de un umbral de error establecido por nosotros. Por ejemplo, vamos a seleccionar los puntos con un error superior a 03 pxeles. Para ello tecleamos el umbral y hacemos clic sobre el icono de seleccionar los puntos :
Nueve son los puntos que exceden el umbral de 03 pxeles (estos resultados pueden diferir, segn el ajuste de los puntos introducidos manualmente). Procedemos a eliminarlos para ver si mejora el ajuste general. En efecto, si los eliminamos y recalculamos el modelo vemos cmo el RMSE pasa a ser de solamente 013 pxeles:
A continuacin vamos a realizar el mismo proceso con la imagen de 1987, introduciendo algn cambio. Comenzamos por digitalizar un mnimo de 2 puntos de control de forma manual (de nuevo es recomendable localizar 4 puntos).
65
Una vez hayamos hecho esto vamos a proceder a la generacin automtica de ms puntos, pero estableciendo esta vez un patrn de bsqueda. Para ello slo tenemos que abrir la ventana de Project Properties pulsando en el botn , y seleccionar la opcin Defined Pattern en lugar de Default Distribution. Dejamos las opciones del patrn por defecto, aumentando el nmero de puntos por patrn a 2:
Al ejecutar el APM obtendremos un resultado mejor que en el caso anterior:
No slo hemos obtenido muchos ms puntos (235), tambin estn mucho mejor distribuidos por la imagen, lo que nos asegura una mejor correccin. El RMSE obtenido es de 034, aunque es bastante bueno intentaremos mejorarlo mediante el uso de las herramientas de edicin de GCPs. Seleccionando los puntos con un error superior a 05 pxeles y eliminndolos obtendremos un RMSE de 022.
66
Una vez hemos obtenido un ajuste satisfactorio vamos a corregir las imgenes. Podemos hacerlo haciendo clic con el botn derecho del ratn sobre la imagen que queremos corregir y eligiendo la opcin Calibrate/Resample o mediante el botn con el icono de un rayo si queremos corregir todas las imgenes a la vez. Seleccionamos la imagen de 1987 y la corregimos. Una vez terminado el proceso aceptamos y aparece directamente una pantalla con las dos imgenes superpuestas para evaluar visualmente los resultados. En este sentido disponemos de tres herramientas muy prcticas: Blend, Swipe y Flicker :
Realizamos la correccin de la imagen de 2003 y comprobamos que los resultados sean igualmente satisfactorios.
67
En el directorio en el que hemos estado trabajando se ha almacenado un archivo .html con el mismo nombre del proyecto en el que se encuentra el informe de todo el trabajo realizado, con los parmetros utilizados:
68
Correcciones radiomtricas
69
Correcciones necesarias
Radiomtricas:
Eliminar ruidos en los ND. Corregir los problemas de toma de datos. Conversin a parmetros fsicos.
Correcciones radiomtricas
Bandeado: producido por desajustes en el calibrado de los detectores. Lneas o pxeles perdidos (fallos del sensor o la transmisin). Clculo de reflectividades. Correcciones atmosfricas. Correcciones del sombreado topogrfico. Modelizacin del efecto bidireccional.
70
Bandeado
Se puede producir por un mal funcionamiento de alguno de los detectores del sensor o por una mala calibracin de los mismos. Se producirn en el sentido del barrido de la tableta de detectores. Posible solucin: realizar una correlacin lineal entre el histograma de los detectores afectados y el histograma general de toda la imagen.
Ruido
Tambin puede deberse a un mal funcionamiento de los sensores o de la antena receptora de los datos. Posible solucin: Sustituir el valor de los pxeles defectuosos por el del pxel anterior o posterior, o utilizar algn valor promedio de los pxeles cercanos. Tambin se puede utilizar algn filtro de paso bajo.
71
Fuente de energa
CLCULO DE REFLECTIVIDADES
SOL
Sensor
ATMOSFERA
Nubes
Superficie terrestre
Sistema de recepcin
Reflectividad aparente*
Conversin de los ND a parmetros fsicos: Clculo radiancia Clculo reflectividad
E0,k= irradiancia solar en el techo de la atmsfera *k= la reflectividad aparente de la cubierta en esa banda i = ngulo cenital del flujo incidente formado por la vertical y los rayos solares K = factor corrector de la distancia Tierra - Sol
* La reflectividad aparente asume una atmsfera transparente, observacin vertical, terreno llano y superficie lambertiana.
72
Temperatura aparente del suelo

Estimacin de la radiancia: L=a0+ a1*ND. Temperatura de brillo:
T * ( L) =
c2 n ln (1 + c1 n 3 / L sen,n )
c1=1,1910659*10-5 W m-1 sr-1 cm-4 c2=1,438833 cm K
Temperatura aparente del suelo (correccin atmosfrica, split-window*): T*s = T*4 + [1,34 + 0,39 (T*4 - T*5)] (T*4 - T*5).
* Algoritmo desarrollado sobre las bandas del sensor NOAAAVHRR, pero aplicado tambin en otros casos.
Correcciones atmosfricas
El clculo de la reflectividad real de una cubierta captada por un sensor areo o espacial est condicionado por el comportamiento de la atmsfera:
La irradiancia solar en el techo de la atmsfera no es igual a la que llega a la superficie terrestre. La radiancia que llega al sensor no es la misma que la que sale de la superficie terrestre.
Tendremos que tener en cuenta:

1 La transmisividad de la atmsfera (depender el espesor ptico de ozono, del contenido de aerosoles, del espesor ptico molecular y del ngulo de observacin). 2 La radiancia extra aportada por el efecto de dispersin.
73
Correcciones atmosfricas
La estimacin de la influencia atmosfrica y su correccin para el clculo de reflectividades se realiza mediante distintos procedimientos: 1. A partir de medidas sobre el terreno. 2. Utilizando datos de otros sensores. 3. Por medio de modelos fsicos de transferencia radiativa (MODTRAN, ATCOR). 4. A partir de datos de la propia imagen (Mtodo de Chavez).
Modelo ATCOR
Coeficientes de calibracin
Distancia de visibilidad Tipo de sensor Elevacin media del terreno Fecha de la imagen ngulo de elevacin solar
74
Correcciones del sombreado topogrfico

El relieve tiene un efecto distorsionador sobre las medidas de reflectividades. La reflectividad es muy dependiente del ngulo de incidencia y del de observacin. En terrenos con escasa pendiente esta distorsin no es muy importante, pero en otro tipo de superficies su influencia es clave. La existencia de un MDE permite modelizar este fenmeno y corregirlo.
Imagen sin corregir
Imagen corregida
75
Prctica 4: Correcciones radiomtricas. Prctica 4.1

Vamos a realizar un ejercicio de correccin radiomtrica de una imagen Landsat TM con el objetivo de transformar los niveles digitales originales de la imagen en valores de reflectividad aparente. 1. Abrimos la imagen Landsat_nw_6bandas que se encuentra en la carpeta Prctica 4. 2. Con la herramienta Inquire Cursor nos desplazamos sobre la imagen y
comprobamos el rango de valores en los que se mueven los distintos pxeles. Estos valores se corresponden con los niveles digitales de la imagen. Nuestro objetivo es cambiar su escala a valores de reflectividad aparente. 3. Desde la pestaa Raster abrimos el men Radiometric y seleccionamos Landsat7 Reflectance:
4. En la ventana que se abre introducimos Landsat_nw_6bandas como imagen de entrada y damos un nombre y ubicacin al fichero de salida.
76
5. Cambiando a la pestaa Conversion accedemos a la ventana en la que tendremos que introducir todos los parmetros necesarios para transformar los ND en valores de reflectividad aparente (es necesario seleccionar la opcin LMAX/LMIN). La mayor parte de estos datos se encuentran en el archivo de cabecera de la imagen y el resto se deducen a partir de ellos.
Valores mximos y mnimos de radiancia. Vienen dados en el archivo de cabecera. Irradiancia solar en el techo de la atmsfera.
ngulo de elevacin solar, dado en el archivo de cabecera.
Factor corrector de la distancia al Sol. Se deduce a partir de la informacin disponible.
6. Abrimos el archivo de cabecera (formato .txt) con un editor de texto tipo Bloc de Notas o WordPad y analizamos la informacin contenida. Los datos que debemos localizar y consignar son los relativos al ngulo de elevacin solar, la radiancia (mxima y mnima) en cada banda y el factor corrector de la distancia al sol. Los dos primeros datos aparecen explicitados en el archivo de cabecera.
77
Tienes que tener en cuenta que la banda 6 en Landsat corresponde al canal en el trmico. El tercer dato podemos calcularlo a partir de la siguiente frmula: D=(1+0.01674*(sen(2 J-93.5)/365)))2, siendo J el da juliano correspondiente a la
fecha de la imagen (en nuestra imagen, 164).

NOTA: El da juliano se refiere a una forma de consignar una fecha dentro de un ao. Va del 1 al 365, o 366 si el ao es bisiesto. Por tanto, todas las fechas se consignan consecutivamente en este intervalo. De este modo, el 31 de enero tendra un J=31 y el 1 de febrero J=32, es decir, el da juliano es igual a la suma de los das del ao que preceden a una fecha ms uno.
7. Abre una hoja de clculo electrnica e implementa la frmula del factor corrector de la distancia al Sol. La expresin que debes utilizar para traducir la frmula de clculo de D en EXCEL es la siguiente: =(1+0.01674*(SENO(2*PI()*(164-93.5)/365)))^2 8. Una vez que tengas todos los datos pulsa OK. 9. Volvemos al Viewer si lo hemos mantenido abierto o lo abrimos de nuevo desde el mdulo principal de ERDAS IMAGINE cargamos las dos imgenes, Landsat_nw_6bandas y Landsat_nw_6bandas_reflectance. Para observar los cambios en los valores de cada pixel utilizamos la herramienta Inquire Cursor y nos vamos situando sobre tipos de cubierta ya conocidas. Desde el panel de Contents podemos cambiar el orden de las imgenes para observar cmo los valores de los pxeles cambian. 10. Otro modo de consultar los valores simultneos de dos imgenes consiste en crear dos vistas y cargar una imagen en cada una haciendo un link entre ellas. Para ello elegimos la opcin Add Views Display Two Views desde la pestaa Home. 11. Situndonos en la nueva vista cargamos la imagen landsat_nw_6bandas.img. Para enlazarlas elegimos la opcin Link All Views desde la pestaa Home, y a continuacin Equalize Scales.
78
12.
A continuacin utilizamos el Inquire Cursor y observamos los valores que ofrece, para visualizar los valores para un pxel determinado slo tendremos que pulsar el botn situado en la esquina superior derecha (Goto Next Linked View).
13. Para finalizar desactiva la funcin link y comprueba que se ha realizado correctamente.
79
Prctica 4.2
Vamos a solucionar el problema de un corte en una imagen a travs de la aplicacin de un filtro. Previamente vamos a exportar una de las bandas con problemas que componen una imagen en formato .img. 1. Desde la pestaa Manage Data elige la opcin Export Data. Queremos exportar a TIFF una imagen que se haya en la carpeta Practica4 y que se llama escena_landsat_se.img. Daremos un nombre al archivo de salida y lo guardaremos en la misma carpeta.
2. Pulsamos Ok. 3. En la siguiente ventana indicamos que slo queremos exportar una banda. En Export Band Selection optamos por Grayscale y en Grayscale Band to Export indicamos la banda 4. Pulsa Ok.
80
4. Abre la imagen tif generada en el Viewer y localiza un corte que existe en la misma (la captura de pantalla te puede servir de referencia). Haz un zoom sobre la zona.
5. Un problema de este tipo se puede solucionar mediante la aplicacin de un filtro que pondere los valores de un pixel con los que se encuentran a su alrededor. Para no alterar los valores digitales de toda la imagen vamos a seleccionar slo la zona del corte, creando una AOI desde el Men principal New 2D view AOI Layer. 6. Hacemos zoom a la zona y con la herramienta Polygon de la pestaa AOI / Drawing dibujamos un polgono en torno a la zona de la imagen afectada:
81
7. Desde la pestaa Panchromatic seleccionamos Convolution filtering Statistical Filtering, manteniendo seleccionada la AOI que acabamos de crear. 8. Una posibilidad es aplicar un filtro estadstico de tipo Median sobre una ventana mvil 5x5.
NOTA: El filtro Median fija como valor del pxel la mediana de los valores de los pixeles incluidos en la ventana mvil.
9. Al realizar la operacin nos aparecer un aviso indicando que los valores de los pxeles de la imagen se vern alterados. Aceptamos. 10. Una vez corregida la imagen eliminamos la AOI de la tabla de contenidos (no hace falta que la guardemos) y salvamos la imagen en formato .img aadiendo el sufijo _corregida al nombre. Esto se hace desde el Men principal Save as Top Layer As.
82
Prctica 4.3
ERDAS IMAGINE contiene una funcin para reducir el efecto de presencia de neblinas mediante la aplicacin del mtodo Tasseled Cap. Este mtodo requiere de una adaptacin especfica a las caractersticas tcnicas de cada sensor. En el caso de ERDAS slo est diseado para aplicarse sobre imgenes Landsat 4, 5 y 7. 1. Si abrimos la imagen landsat_escena_se en el Viewer y la visualizamos (prueba con una composicn RGB en color natural) podremos observar la presencia de vapor de agua (este efecto se observar ms fcilmente en contraste con las cubiertas vegetales, es decir, las que muestras un color verde en una composicin en color natural; aunque tambin sera apreciable con otro tipo de composiciones). 2. Podremos reducir este efecto a travs de la transformacin Tasseled Cap mencionada. Esto implicar la transformacin de los valores digitales de la imagen e entrada.
3. Para acceder a esta transformacin deberemos dirigirnos a la pestaa Raster y seleccionar Radiometric Haze Reduction.
83
4. La aplicacin es sencilla. Tan slo tendremos que indicar un archivo de entrada (en nuestro caso la imagen landsat_nw_6bandas) y un nombre al fichero de salida (elige uno que sea representativo del proceso que vas a realizar). El tipo de Point Spread Type se refiere al tipo de matriz kernel que queremos aplicar en la correccin (High=5x5; Low=3x3). No obstante, ya estn predefinidos para el caso de imgenes Landsat5, por lo que seleccionamos este valor. Una vez completados todos los datos necesarios pulsamos Ok.
84
5. Ahora debemos comprobar el efecto provocado en la imagen visualizndola en el Viewer junto con la imagen sin transformar (la combinacin de bandas ms adecuada para ver los cambios es color verdadero). Aplica algunas de las herramientas de visualizacin que ya conoces (Swipe) Tambin comprueba el cambio en los valores digitales a travs del Inquire Cursor.
85
Realces y filtros
Operaciones ms habituales
86
La imagen digital
Una imagen es una matriz de datos
12 99
65 65 2 3 4 3 23 1 2 13 12
11 31 84 65 15 68 73 32
32 13 65 3 65 8 74
96 64 78 9
89 31 9 6 15 21
y
78 18 26 42 15 99 13 46 13 89 75 11
4 45 45 48 69 32 19
65 13 87 32 46 65
24 48 23 57 61 14 87 13 89 54 20 80 24 65 12 69 31 19 48 32 18 65 74 68 65 31 13 64 89 31 42 68 16 86 21 68 16 32 18 45 35 68 15 4 5 3 6 9 15 26 16 84 26 3 9 8 7 19 8 6 2 3 8 9 6 68 40 42 57 65 46 61 84 86 32 62 84 15 48 62 85
La unidad bsica de informacin es el pxel, en el que se almacena un valor o ND para cada banda
La imagen digital
Anlisis de la imagen Histograma, parmetros bsicos banda a banda: media, desviacin tpica
IRC
Correlacin entre bandas

Rojo
87
La imagen digital
Anlisis de la imagen Perfiles espectrales
La imagen digital
Anlisis de la imagen Superficies
88
Realces
Ajuste del contraste Problema: Diferencia entre niveles digitales y niveles de visualizacin Objetivo: Adaptar la resolucin radiomtrica para una mejor visualizacin
NDmax NDmin
Definiciones de contraste
NDmax
ND
NDmin
Tablas de referencia de color: Nivel Visual para cada Nivel Digital
Realces
Compresin del contraste Para sensores que codifican la radiancia en ms de 8 bits, es decir, en ms de 256 Niveles Digitales Establecimiento de intervalos Expansin del contraste Cuando el rango de ND es menor que los Niveles Visuales disponibles Mtodos: Expansin lineal: entre el mnimo y el mximo Ecualizacin del histograma: a cada ND un nmero igual de NV Desviaciones tpicas: ajuste lineal entre los umbrales definidos por n desviaciones tpicas Personalizada: para una zona concreta, o definiendo manualmente los puntos de ruptura
89
Realces
Expansin lineal
Imagen original Imagen realzada
La relacin entre Niveles Digitales y Visuales queda definida por una funcin, que vemos expresada en la pendiente de la recta
Realces
Cambio de una imagen sin realzar a una realzada
90
Filtrajes
Operacin de vecindad inmediata Obtencin de nuevos valores a partir de los valores de pxeles vecinos Se busca suavizar o reforzar el contraste espacial para mejorar la visualizacin eliminando valores anmalos o resaltando las diferencias
TIPOS Paso bajo: suavizado contraste Paso alto: realce diferencias Filtros modales: para variables temticas
Filtrajes
Transformacin mediante operadores locales: ventanas de diferentes tamao (3x3 5x5 7x7)
Cada pxel de la nueva imagen ser funcin de los valores de los de su alrededor
Paso bajo
1 1 1 1 2 1 1 1 1 -1 -1 -1
Paso alto
-1 9 -1 -1 -1 -1
91
Filtrajes
Filtro de paso bajo Imagen filtrada Imagen original
Filtrajes
Filtro de paso alto Imagen filtrada Imagen original
92
Filtrajes
Filtros de paso alto direccionales Filtro diagonal izquierda Filtro diagonal derecha
0 -1 -2
1 0 -1
2 1 0
-2 -1 0
-1 0 1
0 1 2
Filtrajes
Textura Interpretacin de la imagen: contraste espacial entre los elementos de la imagen. Vara en funcin del tamao de los objetos y de la resolucin espacial Medicin mediante operaciones de vecindad. Varianza: resalta los lmites de los objetos
93
Prctica 5: Realces y filtrajes
La imagen digital
Vamos a visualizar la informacin digital que contiene la imagen, los Niveles Digitales que, como sabemos, codifican valores de radiancia recogidos por el sensor. Primero vamos a abrir un visor de ERDAS y la imagen landsat5_curso.img:
Para ver la informacin hacemos clic en el botn de View/Edit Image metadata . Movindonos por las diferentes pestaas podemos ver los datos bsicos, la proyeccin, el histograma, o la matriz de datos para cada banda:
94
Podemos calcular las estadsticas que se muestran en la primera pestaa desde el men Edit Compute Pyramyd Layer/Statistics:
Conviene asegurarse de que ignore los valores de 0 para no falsear los resultados con los valores de 0 del fondo. Tambin podemos establecer el nmero de pxeles que se salta al muestrear la imagen desde la opcin Skip Factor o calcular los estadsticos bsicos para una zona concreta si hemos definido un AOI (Area Of Interest). Como parte del anlisis de la imagen conviene hacerse una idea de la correlacin existente entre las bandas que la componen. Puede ser conveniente eliminar alguna banda altamente correlacionada con otra de cara a la posterior clasificacin digital. Vamos a evaluar la correlacin entre bandas de forma visual, generando grficos de dispersin. Para ello crearemos grficos de dispersin entre dos bandas. Desde la pestaa raster supervised accedemos a la opcin Feature Space Image:
95
Elegimos la imagen landsat5_curso.img como entrada y un nombre para las imgenes de salida (como parte del mismo proceso vamos a crear varias imgenes, que comenzarn con el nombre que introduzcamos y terminarn con la especificacin de las bandas representadas): dispersion. Al cargar la imagen el programa nos propone automticamente tantas imgenes de salida como combinaciones entre bandas sea posible. Sin embargo, slo se crearn las que seleccionemos, o todas, en el caso de no seleccionar ninguna. Con la tecla de maysculas pulsada seleccionamos las siguientes combinaciones: 1-2, 2-3, 3-4, 4-5 y 5-7, y aceptamos para comenzar el proceso:
El resultado ser una imagen por cada combinacin seleccionada, que se puede mostrar en el visor para su anlisis, como cualquier otra imagen:
Nota: se pueden mostrar varios visores dentro del mismo marco mediante la opcin Add Views
96
A continuacin vamos a examinar la imagen de forma visual. Para ello abrimos la imagen landsat5_curso.img desde un visor de ERDAS:
Vamos a obtener un perfil sobre la imagen landsat. Para ello abriremos el archivo profile.ixs desde el men principal Open Session. Este archivo ixs contiene una vista determinada sobre una zona determinada de la imagen y un archivo vectorial con una lnea:
Nota: puedes usar los archivos ixs para almacenar vistas con capas raster y vectoriales, una determinada combinacin de bandas, una escala de visualizacin, etctera.
97
Seleccionamos la lnea haciendo clic sobre ella y a continuacin seleccionamos la herramienta Spatial Profile desde la pestaa Multiespectral (ten en cuenta que las opciones raster slo aparecen cuando tenemos seleccionada la imagen desde la tabla de contenidos):
Existen tres tipos de perfiles, espectrales, espaciales o superficiales. Los espectrales recogen el valor que tiene un punto en las diferentes bandas de la imagen, los espaciales permiten ver la respuesta de una banda a lo largo de una lnea y las superficies son lo mismo en dos dimensiones, sobre un rectngulo. Al aceptar vemos la ventana desde la que podemos crear una lnea para ver su perfil o hacer el perfil desde la capa vectorial seleccionada opcin y seleccionamos la banda 4, de Infrarrojo prximo: . Elegimos esta segunda
98
Podemos identificar la respuesta espectral de las diferentes cubiertas atravesadas por nuestra lnea: el suelo desnudo, las parcelas cultivadas y los picos de baja radiancia que sealan el cruce del ro. Sin cerrar la ventana de perfiles espectrales podemos movernos por la imagen y crear nuevos perfiles. Haz la prueba en distintas zonas de la imagen para intentar interpretar la respuesta espectral en las diferentes bandas que ya conocemos. A continuacin vamos a realizar la misma operacin sobre una superficie, en lugar de una simple lnea. Cerramos la herramienta de crear perfiles y navegamos hasta una zona de nuestra eleccin. Seleccionamos esta vez la opcin Surface Profile. Mediante la herramienta Create box in viewer elegimos el rea cuyos valores queremos representar (no conviene seleccionar un rea demasiado amplia):
Para mejorar la visualizacin podemos cambiar la medida de los ejes desde el men Edit Chart Options y superponer una imagen temtica o continua. Haciendo clic en Edit Overlay Truecolor vamos a superponer la imagen landsat5_curso.img, eligiendo la combinacin de bandas que prefiramos. Cambiando la banda mostrada, podemos estudiar la respuesta de las diferentes cubiertas.
99
Realces
ERDAS aplica un realce al abrir las imgenes de forma automtica, para mejorar su visualizacin. Vamos a probar a visualizar la misma imagen con la que hemos estado trabajando sin realce para ver las diferencias. Abrimos el programa y seleccionamos la imagen landsat5_curso.img desde la carpeta de la prctica 5, pero antes de abrirla nos aseguramos de que lo le aplique ningn realce desde la pestaa Raster Options, seleccionando la opcin No Stretch:
Vemos cmo el contraste de la imagen abierta es mucho menor de lo habitual:
Esto se debe a que el sensor TM est preparado para recoger en 8 bits los valores de radiancia de cualquier cubierta terrestre, pero en la imagen slo tenemos una pequea muestra, por lo que no estamos aprovechando la capacidad de visualizacin de nuestra pantalla.
100
Ahora vamos a acceder a las opciones de realce desde la pestaa Multiespectral General Contrast:
Antes de comenzar a trabajar nos aseguramos de hacerlo slo sobre los valores de la imagen, sin tener en cuenta el fondo, y que los cambios se apliquen a la tabla de referencia, seleccionando la opcin Whole Image y Lookup Table, como vemos en la imagen. Desde este cuadro de dilogo podemos definir el mtodo de realce, visualizar los resultados y almacenar los cambios en la tabla de referencia o Lookup Table. Vamos a realizar una prueba definiendo una expansin del histograma basada en dos desviaciones tpicas y luego en una sola para observar las diferencias. Desplegamos para elegir el mtodo Standard Deviations y dejamos el nmero en 2, en primer lugar, para ver el resultado. A continuacin seleccionamos una sola desviacin y aplicamos los cambios:
2 desviaciones tpicas
1 desviacin tpica
101
Al elegir una sola desviacin tpica el contraste es mucho mayor pero la imagen aparece mucho ms saturada. Esto es porque el rango de ND considerados es menor y la pendiente de la funcin que define la relacin entre ND y NV mayor, por lo tanto. Para una edicin personalizada podemos situar los puntos de ruptura de la tabla de referencia de forma manual, visualizando el histograma. A esta opcin se accede desde el botn Breakpts En la ventana que aparece al pulsar tenemos los tres canales de visualizacin, Rojo, Verde y Azul con la lnea definida por mtodo de realce seleccionado y una serie de herramientas de edicin:
Nota: aunque esta herramienta tiene muchas posibilidades vamos a limitarnos a ver slo las cuestiones ms bsicas.
Al igual que en el caso anterior nos aseguramos de no tener en cuenta el fondo negro seleccionado como fuente de datos para el histograma la imagen en la opcin Whole Image. Con el mismo cursor vamos a manejar los puntos de ruptura que marcan el comienzo y el final de la pendiente en la lnea de cada canal, estirndola un poco para que abarque una mayor parte del histograma. Los Niveles de Visualizacin se distribuyen de forma ms homognea por el histograma, de forma que tendremos una imagen menos saturada:
102
Cuando hayamos conseguido una distribucin adecuada pulsamos en el botn de Apply All para aplicar todos los cambios, o podemos ir aplicando los cambios de cada canal haciendo clic en sus respectivos botones :
103
Desde esta herramienta podemos acceder a la propia tabla de referencia para ver qu Nivel Visual hemos adjudicado a cada Nivel Digital. Esto se hace para cada canal mediante su respectivo botn . Desde esta herramienta podemos establecer las coordenadas (en el grfico de la tabla de referencia) de los puntos de ruptura o directamente cambiar los niveles asignados a mano:
Una vez terminado podemos guardar los cambios desde el cuadro de dilogo del Breakpoints Editor, creando un archivo de breakpoints que podremos cargar desde este mismo editor. Para guardar los cambios de forma que la tabla de referencia que hemos creado se asocie a la imagen y siempre que la abramos la visualicemos de la misma forma hay que hacerlo desde el propio visor con la opcin de Save Top Layer. Si no lo hacemos se nos ofrece la oportunidad de guardar cualquier cambio realizado en la tabla de referencia al cerrar la imagen:
Si no salvamos los cambios tenemos que tener en cuenta que cuando la imagen no tiene una tabla de referencia asociada, el visor de ERDAS siempre la muestra con un realce de dos desviaciones tpicas, por defecto.
104
Filtrajes
En ERDAS hay una gran cantidad de filtros predefinidos pero tambin se puede crear un filtro nuevo con los parmetros que deseemos. A todas estas opciones se accede desde la pestaa Raster men Spatial, opcin Convolution:
Desde esta ventana podemos elegir diferentes tipos de filtros y aplicarlos a nuestra imagen para crear una nueva imagen filtrada de salida. Vamos a realizar una primera prueba con un filtro de paso bajo para suavizar la imagen. Desde Input File abrimos la imagen landsat5_curso.img y guardamos la imagen resultante en la carpeta de resultados, con el nombre de paso_bajo3.img. Como puedes adivinar, en el desplegable de Kernel vamos a seleccionar 3x3 Low Pass. Antes de aceptar podemos examinar y, eventualmente, cambiar los pesos del filtro que vamos a aplicar desde el botn de Edit:
105
Al multiplicar todos los valores por 1, este filtro va a generar una media de los valores del entorno, suavizando los cambios:
Nota: para examinar las diferencias entre la imagen original y la filtrada una utilidad muy adecuada es la herramienta Swipe, como puedes ver en la imagen.
106
Abrimos de nuevo la herramienta Convolution para aplicar un nuevo filtraje, esta vez de paso alto (3x3 High Pass), por lo que a la imagen resultante la vamos a llamar paso_alto3.img. Si examinamos esta vez la kernel que va a aplicar vemos cmo cambia con respecto a la anterior, ponderando el valor central muy por encima de los adyacentes:
Esta vez la imagen filtrada refuerza mucho las diferencias, resaltando lmites de parcelas, manzanas del casco urbano o rasgos lineales como carreteras:
Vamos a realizar otros filtrajes de paso alto y bajo aumentando el tamao de la ventana mvil para ver cmo se acenta el efecto de suavizado o refuerzo.
107
Antes de aplicar los filtros direccionales piensa cul conviene para resaltar los rasgos lineales ms significativos de la imagen, por ejemplo las carreteras ms significativas, como son las nacionales II y III:
N-II
N-III
Al visualizar los resultados de los filtros de direccin puede ser conveniente hacerlo banda a banda en escala de grises, porque las composiciones en color crean cierta confusin. Para terminar con las opciones ms bsicas de filtrajes vamos a aplicar un filtro modal sobre una imagen temtica. La imagen que vamos a utilizar es el resultado de una clasificacin digital realizada en Kargaly, una zona de Rusia. Primero abrimos kargaly.img para visualizarla:
108
Se trata de una zona no muy amplia, de dedicacin mayoritariamente agrcola, con parcelas de gran tamao que no aparecen clasificadas de forma homognea. Aunque resolver este problema requerira otros procedimientos, de momento vamos a intentar presentar un resultado ms razonable mediante la aplicacin del filtro modal. Podemos trabajar de forma sencilla desde la pestaa Raster Thematic Statistical Filtering :
O elegir la herramienta Neighborhood desde el men Thematic de la pestaa Raster:
Esta ltima opcin ofrece ms posibilidades, por lo que vamos a elegirla (la otra opcin realiza los cambios directamente sobre la imagen cargada). Seleccionamos como entrada kargaly.img y como archivo de salida tecleamos kargaly_filtrada.img.
109
Para realizar un filtrado de las islas mal clasificadas que han quedado dentro de las parcelas vamos a aumentar el tamao de lo que consideramos vecindad a 5x5, para incluir reas de cierto tamao, y a elegir como funcin a aplicar Majority que seleccionar como valor de cada pxel el que presente la mayora de sus vecinos, es decir, la moda. Aceptamos y visualizamos el resultado de nuevo sobre la imagen original para ver las diferencias (aunque son obvias a simple vista) y cmo ha trabajado el filtro. Aunque el resultado est transformando los datos de la clasificacin que habamos realizado, ofrece en realidad un resultado mucho ms coherente en el que las zonas son ms homogneas:
Textura
La textura se calcula a travs de una ventana mvil que se desplaza por toda la imagen, al igual que ocurre con los filtros, pero lo que vamos a hacer en este caso no es modificar los valores de los ND sino obtener una nueva variable que refleja la variacin espacial de la imagen. Accedemos a la herramienta desde la pestaa Raster Spatial Texture:
110
Vamos a medir la varianza sobre una ventana de 3x3. Slo hay que cargar la imagen lansat5_curso.img, adjudicarle como nombre de salida textura.img, dentro de la carpeta de resultados y seleccionar el tamao de la ventana, que vamos a dejar en 3x3. Observamos que aunque la imagen de entrada es de 8 bits nos va a generar una imagen de salida de coma flotante, ya que los valores del resultado son el de el estadstico de la varianza para cada pxel. Aceptamos y una vez terminado el proceso abrimos la imagen resultante en un visor, preferiblemente en escala de grises para visualizar banda a banda la imagen, de forma que resulte ms sencilla su interpretacin:
Navegando por la imagen podemos observar cmo aparecen especialmente resaltados los contornos de los objetos visibles como son campos de cultivo, bloques de casas o carreteras, ya que el valor de varianza es ms alto que en las zonas ms homogneas. Lo ms significativo es el contorno de las nubes presentes en la zona este, en las bandas del visible, ya que son muy homogneas internamente, pero muy distintas de su entorno.
111
Elaboracin de Mosaicos
112
OPCIONES DE MOSAICADO EN ERDAS IMAGINE
MosaicPro
Las imgenes de entrada deben estar georreferenciadas y contener el mismo nmero de capas. Las imgenes no tienen porqu estar en la misma proyeccin o tener el mismo tamao de celda. Tambin trabaja con imgenes calibradas. La extensin de un proyecto en MosaicPro es .mop. Permite utilizar el lmite de un polgono definido para realizar la unin.
113
MosaicExpress
Se trata de una herramienta guiada con nueve diferentes pasos. Estos se pueden seguir
fcilmente de modo sucesivo. Cuenta con apoyo textual y grfico para guiar la ejecucin de cada etapa.
ASPECTOS A TENER EN CUENTA

ENTRADA DE DATOS
ZONA DE SOLAPE
CORRECCIONES DEL COLOR
SALIDA DE DATOS
114
ENTRADA DE DATOS Entire image Crop Area
AOI Area
Active area
ENTRADA DE DATOS
TIPOS DE ARCHIVOS
115
ZONA DE SOLAPE Weighted Seam Line Generation.

Basada en la funcin de coste ms baja.
Most Nadir Seamline.

Basada en la distancia de los pxeles de la zona de solape al pixel central de cada imagen.
Geometry-based Seamline
Tiene en cuenta la forma de la zona de solape. En un mosaico con dos imgenes la zona de solape se dividira en dos polgonos iguales.
Overlay-based Seamline
Trabaja slo sobre la zona activa de cada imagen La imagen que est por imagen. encima provee los pxeles en la zona de solape. Adems podremos aplicar el efecto Smoothing y/o Feathering.
CORRECCIONES DEL COLOR Exclude Areas.

Permite sealar reas dentro de una imagen cuyos valores representativos se quieren excluir del proceso de correccin del color.
Ilumination Equalizing.
Homogeniza las grandes variaciones de iluminacin o color.
Image Dodging.
Realiza un tratamiento estadstico para la correccin de los desequilibrios en la intensidad de luz de la imagen mosaicada.
Color Balancing.
Reduce las diferencias de color existentes entre las imgenes que integran el mosaico. i
Histogram Matching.
Lleva a cabo una homogeneizacin de los histogramas de las imgenes para que sean similares. Presupone que todas las diferencias de color y brillo en las imgenes se debe a los efectos atmosfricos y de iluminacin.
116
SALIDA DE DATOS
Remuestreo de datos
Configuracin adicional de la imagen de salida
117
Prctica6:Elaboracindemosaicos. Prctica6.1
1. DesdeelpanelprincipaldeERDASIMAGINE2010enlatablaManageDatayen dentrodelgrupoCatalogseleccionalaherramientaImageCatalog.
2. Alnotenerunarchivodecatlogoyacreadodeberemosgenerarunonuevo.Lo guardaremos en la carpeta Practica6 y le daremos un nombre identificativo (porejemploLandsat). 3. UtilizalaherramientaAddimagetotheCatalog catlogodeimgenes. paraabrirlaventanadel
4. Navega hasta la carpeta Prctica6 y selecciona una de las imgenes TIFF, pulsaOK.
118
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
5. En la ventana del catlogo de imgenes pulsa Add All y cierra el cuadro de dilogo.
6. Desde el men despliega Edit y consulta el Catalog Layout. Busca la columna Path.CuandoestacolumnaestmarcadautilizaelbotnUPparasituarlojusto encimadelacolumnaProjection.
7. Salva el cambio efectuado, pero asegrate que en el men correspondiente constalaopcinUser.EntoncespulsaOK.Puedesalargarlacolumnaparaver elcontenidodelPathcompleto.
NOTA: Paraaccederaunainformacinmsdetalladaslotienesqueseleccionarelregistrodeunaimagen determinadayusareliconoImageInfo .
119
8. Para localizar nuestras imgenes en un contexto geogrfico global podemos utilizarlafuncinVisualQueryGraphicalViewer .
PinchaViewQuerywithincurrentextentsparaincorporaralvisualizadortodas lasimgensdenuestrocatlogopodemosutilizar.
QueryAllImageswithinCurrentBoundaries .
Conlasherramientasdezoomaproxmatealreadetrabajo. 9. Situndonos sobre la tabla con el listado de imgenes que integran nuestro catlogo podramos definir criterios de bsqueda. Para ello bastara con situarnos sobre uno de los registros y con el botn derecho del ratn seleccionaramosCriteria.
Por ejemplo, podramos seleccionar la imagen que contiene en su nombre el carcter1.Laexpresinquedeberamosconstruirseradelaforma: 10. CierraelImageCatalogTool.
120
Prctica6.2
1. EnelmduloprincipaldeERDASIMAGINE2010despliegalatablaHome,enel grupoInformationyseleccionaLayerInfo.
Seabrirunaventanadedilogo. 2. EnelmenprincipaldeesaimagenseleccionamosFile/Open,elegimosabrir imgenestipoTIFFyabrimoslaimagenllamadacuarto_1.
3. En la misma ventana ImageInfo generamos las capas de pirmides (Edit/ComputePyramidLayers).SealarComputePyramidLayersyelrestode parmetroslosvamosadejartalycomolosconsignaERDAS.
121
4. Repitelospasos2y3paralaimagencuarto_2. 5. AbreunViewerycargalasdosimgenes:cuarto_1ycuarto_2. 6. UtilizalafuncinSwipeparaanalizarlazonadesolapeentreambasimgenes.
7. Cierra el Viewer y desde el mdulo principal de ERDAS IMAGINE 2010 seleccionalatablaRaster/grupoMosaic/MosaicPro.
8. AccedemosalainterfazgrficaparalageneracindemosaicosenERDAS.
9. DesdeelmenEditaccedemosalaherramientaparacargarlasimgenesque queremos mosaicar (Add Images). Seleccionamos la imagen cuarto_1 y pasamosalapestaaImagesOptions.
122
10. ElegimoslaopcinComputeActiveAreaypulsamoselbotnSetmodificando elCropAreahastael5%.Estoestilcuandolosbordesdenuestrasimgenes pueden incluir informacin defectuosa. No es el caso, pero an as, vamos a seleccionarlo. 11. Repitelaltimaparteparacargarlasegundaimagencuarto_2 12. Despliega el Color Corrections Options pulsaOk. 13. A continuacin definiremos el tipo de lneas de corte por medio de AutomaticallyGenerateCutlinesforIntersection . , elige Use Histogram Matching y
14. MarcamosWeightedSeamlineypulsamosOk. 15. Observa las opciones que ofrecen las herramientas Image Resample Options ySetOverlapFunction pordefecto. 16. ParafinalizarelprocesopulsaRuntheMosaicProccesstoDisk ,perodemomentodejalasopcionesqueteda
oaccedealamismaopcindesdeelmenProcces. 17. Da un nombre al archivo de salida y gurdalo en la carpeta Prctica6. En la pestaaOutputOptionsmarcalaopcinStatsIgnoreValueydejaelvalor0. PulsaOk. 18. AbreunaventanaVieweryvisualizaelresultadoprestandoatencinalazona desolape.Puedescompararlo,siquieres,conlasdosimgenesdepartida. 19. CierraelViewer.
123
Prctica6.3
1. AbreeleditordepreferenciasseleccionandoSession/Preference.
2. EnelUserInterface&Sessionlocalizalaspreferenciasrelativasa6orgreater BandImage.Eligeunacombinacindebandas3,2y1paraloscanalesdelrojo, verdeyazul,respectivamente.Despus,pulsaUserSaveyClose. 3. Despliega el Viewer y abre los archivos cuarto_1.tif, cuarto_2.tif, cuarto_3.tifycuarto_4.tif.
4. Cierra el Viewer y desde el mdulo principal de ERDAS IMAGINE 2010 seleccionalatablaRaster/grupoMosaic/MosaicPro.
124
5. AadeloscuatrocuartosLandsatatuespaciodetrabajoconAddImages,enla pestaaImageAreaOptionsseleccionaUseEntireImage.
6. Ahora vamos a aplicar las correcciones de color para conseguir una mayor homogeneidad en el archivo de salida. Selecciona el icono Color Correction Options .
7. ActivalaopcinExcludeAreas.
8. PulsaelbotnSet.
NOTA: Cuando se decide mosaicar una imagen puede resultar conveniente eliminar del proceso aquellospixelesquepuedenpresentarvaloresextremos(comocuerposdeaguaonubes).Esta opcintepermitemarcarestetipodecubiertasparaquenosetenganencuentaduranteel ColorBalancing,ImageDodgingoelHistogramMatching.
9. En la ventana que se abre tenemos dos espacios de visualizacin, uno de la imagengeneralyotrodedetalle,yunaseriedeiconosparalaseleccindelas reas a excluir. Localizaremos reas correspondientes a los cuerpos de agua quepresentancolornegro(visibles,porejemploenlaimagencuarto_3).
125
10. ConlaherramientaCreatePolygonAOI trazaremosunpolgonoenelrea
deintersyconlseleccionadoutilizaremoslaopcinExcludeAreasthatare spectrally similar . Marcamos un valor mximo de pixel de 80 y nos
aseguramos de que est activa la opcin de bsqueda aplicada a todas la imgenes.Podemosrepertiresteprocesoparaincluirmspxelesdeaguaode otrascubiertasqueaparezcanconcolorblanco.
11. DespusdeseleccionarlasreassloquedapulsarApplytoAllycerramosla ventanaExcludeAreas. 12. A continuacin marcamos la opcin Use Image Dodging y pulsamos sobre el botnSet.
126
13. En la ventana del Image Dodging deja los parmetros por defecto y pulsa Previewaceptandoelprocesadodelosparmetrosparatodaslasimgenes.
14. PulsaOksobreelpaneldecorreccionesdelcolor. 15. A continuacin definiremos el tipo de lneas de corte por medio de AutomaticallyGenerateCutlinesforIntersection .
16. MarcamosWeightedSeamlineypulsamosOk.
127
17. Guarda la configuracin del mosaico en la carpeta Practica6 con el nombre correccin_dodging.mop. 18. EjecutaelmosaicoatravsdeProcess/RunMosaic. 19. DaunnombredesalidayalmacnaloenlacarpetaPractica6.Enlapestaa OutputOptionsactivalaopcinStatsIgnoreValue0. 20. AbreelVieweryobservaelresultado.Comparaelresultadoconelobtenidoen laprcticaanterior,prestaatencinalazonadesolapeentreimgenes.
128
Prctica6.4
1. Vuelve al mdulo Mosaic Pro y abre si es necesario el archivo .mop que generasteantes. 2. Abrelapaletadeopcionesdecorreccionesdelcolor,activaelUseHistogram Matching.
3. PulsaelbotnSet.
4. AsegratequelaopcinenelMatchingMethodesForallImages.PulsaOk. 5. Aceptalascorreccionesdecolordefinidasyejecutaelmosaico.Puedesllamar alarchivodesalidamosaico_dodging_matching.imgyseleccionaStatsIgnore Value0. 6. Comparaelmosaicogeneradoconelanterior.
129
Obtencin de informacin de la imagen

Combinaciones lineales entre bandas, ndices
Carlos Fernndez Freire Victoria Gonzlez Cascn Alfredo Gmez Domnguez

Centro de Ciencias Humanas y Sociales (CCHS) Consejo Superior de Investigaciones Cientficas (CSIC)
ndices
130
Obtencin de informacin de la imagen

TRANSFORMACIONES: Se trata de generar nuevas bandas que mejoren la interpretacin de la imagen. Combinaciones entre bandas que intentan enfatizar alguna variable de inters: vegetacin, agua, mineral... Su diseo se apoya en el comportamiento radiativo de esa variable: maximizar su separacin del resto. Obtencin de informacin a travs del trabajo con las bandas de la imagen Combinaciones entre bandas ndices de vegetacin: NDVI T Tasseled Cap l dC Componentes Principales Ventajas de los ndices de Vegetacin: -Realzan la contribucin de la vegetacin en la respuesta espectral de las superficies. -Atenan otros factores: suelo, atmsfera, iluminacin, topografa.
ndices de vegetacin
La vegetacin aparece muy diferente en el visible y en el infrarrojo cercano. Comparando ambos se puede medir la masa vegetal y su vigor.
La vegetacin saludable absorbe la mayor parte del espectro visible y refleja una gran parte del infrarrojo cercano.
131
ndices
ndicesdevegetacin Se basan en la respuesta de la vegetacin en el rojo y el infrarrojo prximo: a mayor contraste, mayor vigor de la vegetacin
USOS Discriminacinmasas vegetales
Hierbaverde Hierbaseca
Seguimientocambioglobal Previsinriesgoincendios
IRC
ndices
NDVI:ndiceNormalizadodeVegetacin
El ndice NDVI es un indicativo sensitivo de la presencia y condicin de la vegetacin. Permite realizar la identificacin y el seguimiento de las reas afectadas por la sequa sequa.
[ 1, 1] [1,+1]
Oscila entre
0=sinvegetacin >01=vegetacin 01 t i >05=vegetacinmuydensa
132
Usos del NDVI -Contenido de clorofila en la hoja -ndice de rea foliar: LAI g j -Contenido de agua de la hoja -Flujo neto de CO2 -Radiacin fotosintticamente activa absorbida por la planta -Productividad neta de la vegetacin -Cantidad de lluvia recibida por la vegetacin -Dinmica f Di i fenolgica l i -Evapotranspiracin potencial
Tasseled Cap
Creacin de componentes de significado fsico preciso. Creacin de nuevas bandas por combinacin lineal de las originales. Ponderacin de las bandas de los sensores Landsat MSS y TM. Tambin se ha definido para otros sensores como el AVHRR o IKONOS.
Brillo: cambios en la reflectividad total de las bandas, excluyendo la trmica. trmica Verdor: contraste entre las visibles y el infrarrojo prximo. Humedad: contenido de agua en la vegetacin y el suelo, contraste entre el infrarrojo medio y el resto de bandas.
133
Tasseled Cap
Plano de variacin de la vegetacin
Mximo verdor Marchitez
Suelo claro
Vegetacin emergente
Lnea de suelo
Suelo oscuro
Tasseled Cap
V e r d o r Brillo
H u m e d a d
V e r d o r Brillo Humedad
134
Tasseled Cap
Brillo
Verdor
Humedad
Componentes Principales
Tcnica de sntesis estadstica Objetivo: transformar un conjunto de variables en otro conjunto menor (Componentes Principales) que retiene la mxima informacin del conjunto original original.
Cundo utilizarlos:
Para estudiar muchas variables Cuando las variables presenten una alta correlacin Permite comprimir informacin multibanda (sensores hiperespectrales, ms de 100 bandas)
Agustn Lanero Pardo
135
Correlacin entre las bandas de la imagen de Talavera B1
Es una tcnica de reduccin de datos. Sirve para analizar un conjunto de variables correlacionadas entre s las variables son las bandas de la imagen. A partir de las variables originales, se obtienen unas nuevas (denominadas componentes principales) que recogen la variabilidad de forma ms estructurada.
B2
B3
B4
B5
B6
CP1
CP2
CP3
CP4
136
CP5
CP6
La varianza explicada por cada componente va en orden decreciente desde el primero hasta el ltimo: el CP1 es el que ms porcentaje de varianza explica, seguido del CP2 y as hasta el ltimo. Muy correlacionados con las variables originales y muy poco correlacionados entre s (no tienen informacin compartida)
Utilidades: Visualizar en un nmero reducido de bandas las caractersticas de una imagen con muchas bandas Deteccin de anomalas en los ltimos componentes Estudios multitemporales: identificar cambios
137
Prctica7:Combinacioneslinealesentrebandas
Para comenzar la prctica abrimos la imagen de la carpeta practica_7 en Erdas la imagensellamalansat_nw_6bandas_reflectance.img.
ndiceNormalizadodeVegetacin
LageneracindelosndicesmshabitualesestpredefinidadesdelapestaaRaster grupoClassificationUnsupervisedNDVI:
Frmulaquesevaaaplicar
Desde este cuadro de dilogo podemos aplicar los ndices ms habituales a nuestra imagen,yapredefinidosparalossensoresmscomnmenteutilizados. Los nicos parmetros que debemos establecer son la imagen de entrada, lansat_nw_6bandas_reflectance.img, la de salida, que crearemos en la carpeta de resultadosconelnombredendvi.imgyelndiceagenerar. AunquelosndicessepuedencreardirectamentesobrelasimgenesconlosNiveles Digitales,vamosagenerarelNDVIsobrelaimagendereflectividadaparente,porque de esta forma podemos atribuir un significado preciso al resultado. Los valores de NDVI generados sobre los ND originales tienen a subestimar la presencia de vegetacin. Cuandoelegimoslaimagendeentradaelprogramadetectaautomticamentequese tratadeunsensorLandsatTMynosproponeporlotantolafrmulaconlasbandas correspondientes.SeleccionamosLandsatTMyNDVIenfuncin.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
138
Aceptamos y visualizamos el resultado en un visor sobre la imagen original con la combinacindebandasqueprefiramos:
ConlaayudadelaherramientaInquireCursor ,ocualquieradelasherramientas que ya conocemos para obtener informacin de la imagen, podemos examinar la imagenparaverquvaloresdeNDVIsecorrespondenconlasdiferentescubiertas. Quvalorestienenlaszonasdeagua?.Haydiferenciasentrelaszonasdevegetacin naturalyloscultivosderegado?.Quvalorestienenlaszonasurbanas?.
139
TasseledCap
Esta transformacin tambin est predefinida, al menos para los sensores ms habituales,desdelapestaaRastergrupoClassificationSpectralTasseledCap:
IntroducimoslaimagendereflectividadyseleccionamoscomosensorLandsat5TM6 bands,yaqueestaimagennocuentaconlabandatrmica.Lasalidalavamosacrear en la carpeta resultados con el nombre tc.img. Si hacemos clic en la pestaa de la izquierdapodemosverloscoeficientesquesevanaaplicarymodificarlos:
140
Sobrelaimagenoriginalvamosavisualizarelresultadodelatransformacin,bandaa banda,revisandoquzonastienenunvalormsaltodeverdor(banda2)yhumedad (banda3):
Desdelaherramientaqueyaconocemosparacreargrficosdedispersindebandas vamosacrearlosplanosdevariacindelaimagendevegetacinysuelos. AccedemosdesdeRasterSupervisedFeatureSpaceImage:
141
Comoimagendeentradaseleccionamoslaqueacabamosdecrear,tc.imgyenOutput Root Name navegamos hasta la carpeta de resultados y tecleamos el sufijo que queremosparalasimgenesdedispersindebandas:plano_tc. Las nicas combinaciones que nos interesan son las que sitan en el eje de la X la banda1debrilloyenlaYlasbandas2y3,verdoryhumedad,respectivamente:
Unavezseleccionadasaceptamosyvisualizamoslosresultadosenunvisornormal:
Verdor
Humedad
Brillo
Brillo
Enambosgrficosquedamarcadalaimportanciadelapresenciadeaguaenlaimagen, debido a los numerosos embalses presentes, las zonas de edificacin no son tan importantesenelconjuntodelcuartoNWdelaescena.
142
AnlisisdeComponentesPrincipales
Accedemos desde la pestaa Raster grupo Resolution botn Spectral Principal Components:
De nuevo introducimos la imagen con la que estamos trabajando en este mdulo lansat_nw_6bandas_reflectance.img, aunque en este caso no es necesario trabajar conlosvaloresdereflectividad,yaqueelresultadonovaarepresentarunavariable fsica.
Comoimagendesalidavamosacrear,denuevoenlacarpetaderesultados,acp.img. Abajo a la derecha del cuadro de dilogo tenemos la opcin de elegir el nmero de componentes deseado, que pueden ser tantos como variables de entrada, es decir, comobandastengalaimagen.Enprincipiovamosaseleccionarelmximonmerode componentes posible, para observar cmo van conservando parte de la variabilidad recogidaenlaimageninicial,esdecir6.
143
Recordamos que las nuevas variables se ordenan segn su correlacin con todas las variablesoriginales,esdecir,elprimercomponenteeselqueretienemayorvarianza delasvariablesoriginales,elsegundo,algomenos,yashastaelltimo,enqueslo quedan los residuos, pero que pueden ser importantes, por conteneraquello que es menosfrecuenteenlaimagen. Para una mayor claridad examinaremos la imagen resultante en escala de grises, visualizandoloscomponentesunoaunoparaidentificarquesloqueretienen: CP1 CP2 El primer componente es casi el equivalente a una imagen pancromtica, ya que, al estaraltamentecorrelacionadocontodaslasbandas,reflejalareflectividadgeneralde la imagen; a partir de ah el resto van individualizando elementos, cierto tipo de cultivos estn presentes en el segundo, cuando llegamos al quinto nos encontramos con elementos como las carreteras y el ltimo slo conserva lo que es en realidad ruidoenlaimagen,unligeroefectodebandeado. . . . CP5
CP6
144
Clasificacin de imgenes
145
CLASIFICACIN DIGITAL (TELEDETECCIN CUALITATIVA)

El objetivo es obtener una imagen temtica a partir de las bandas de informacin contenidas en una imagen de satlite
Establecer una correspondencia biunvoca entre clases informacionales (cubiertas) y clases espectrales (grupos de pxeles con caractersticas espectrales homogneas).
Criterios en la clasificacin
Espectral Basada en los ND de la imagen. Espacial: Basada en la estructura y contexto espacial. Temporal: Evolucin estacional de espectrales y espaciales. las caractersticas
Informacin auxiliar: MDE, cartografa temtica,
146
FASES DE LA CLASIFICACIN DIGITAL
FASES
1. Entrenamiento: obtener el rango de ND en cada banda que caracteriza cada clase informacional. Mtodos: a. Supervisado b. No supervisado 2. Asignacin: adscripcin de cada pxel de la imagen a una clase. Mtodos: a. Mnima distancia b. Paraleleppedos c. Mxima probabilidad d. Clasificadores en rbol e. Redes neuronales 3. Verificacin de resultados: comprobacin frente a la realidad terreno
Diferencias entre el mtodo Supervisado y el No supervisado
El mtodo supervisado necesita de un conocimiento previo del espacio sobre el que se realiza la clasificacin. El analista selecciona la muestra en funcin de este conocimiento. El mtodo no supervisado realiza una definicin automtica de grupos de valores dentro de la imagen. Agua Urbano Vegetacin Roquedo
Clases informacionales
1 2 3 4
Clases espectrales
El mtodo supervisado se basa en la definicin primero de las clases informacionales. El mtodo no supervisado se basa en la definicin primero de las clases espectrales.
La clasificacin perfecta lograra la correspondencia biunvoca entre unas y otras
147
Mtodo Supervisado
Conocimiento del terreno. reas de entrenamiento: Varias reas por categora (recoger variabilidad de la clase). Es necesario seleccionar m+1 pxeles por categora (m = n de bandas). Resulta conveniente llegar a 10m o 100m (dependiendo de la complejidad del paisaje). Anlisis reas de entremiento: Clculo de estadsticos descriptivos de la muestra (de centralidad y dispersin). Grficos de medias y de dispersin espectral
Mtodo No Supervisado
Busca definir clases espectrales dentro de la imagen. Asume que los ND de la imagen forman conglomerados o clusters ms o menos ntidos y que estos equivalen a categoras temticas. No requiere conocimiento previo del terreno. La accin del analista se centra ms en la interpretacin que en la consecucin de resultados. Parmetros en la definicin de los clusters:
1. 2. 3. Variables que intervienen en el anlisis (bandas). Criterio de similitud o distancia entre casos (concepto de distancia). Criterio para (ISODATA). agrupar los casos similares
Puede requerir recodificaciones o eliminaciones de las clases.
148
Mtodo No Supervisado
ENTRENAMIENTO NO SUPERVISADO 1. Medicin similitud pxeles en funcin de la distancia euclidiana
2. Agrupacin mediante criterios: algoritmo ISODATA

Definicin de los centros de clases Asignacin de cada pxel a una clase Recalculado de los centros de clases Reasignacin de cada pxel Repeticin o finalizacin del proceso (proceso iterativo)
FASE DE ASIGNACIN
Adscripcin de todos los pxeles de la imagen a cada clase en funcin de sus ND. Nueva imagen cuyo ND recoge un valor identificativo de la clase a la que pertenece.
149
Clasificador de paraleleppedos
Se trata de definir un dominio para cada clase en funcin de sus valores de centralidad y dispersin. En torno a cada centroide de clase se definir un paraleleppedo n-dimensional que integrar todos los pxeles que se hayan dentro. Es un mtodo muy rpido de aplicar. El principal inconveniente es la falta de exactitud, siendo muy frecuente: o La superposicin de paraleleppedos. o Pxeles fuera y, por tanto, sin asignar a ninguna clase.
Clasificador de mnima distancia Los pxeles son clasificados en funcin de la distancia euclidiana al centroide de la clase. Se refiere a distancia espectral no espacial. El centroide de cada clase quedar definido por las medias aritmticas de los valores de la muestra de esa clase en cada banda
dai es la distancia del pixel a a la clase i. xak es la componente en la banda k del pixel a xki es la componente en la banda k de la media de los pxeles en la clase i.
150
Distancia de Mahalanobis Asume la normalidad: que los histogramas de las clases reflejan una distribucin normal. Los lmites entre clases vendran definidos por elipsoides. Es un tipo de distancia que se adapta mejor a la variabilidad entre categoras.
X es el vector de medias de los pxeles de la muestra. m es el vector de medias de los pxeles de una clase. S es la matriz de varianza-covarianza de los pxeles de una clase.
Clasificador de mxima probabilidad Asume la normalidad de la distribucin de los ND dentro de cada clase. Est basado en el clculo de probabilidades de que un pxel pertenezca a una clase. Cada pixel se asigna a la clase que maximiza la funcin de probabilidad. Tiene en cuenta la variabilidad de los ND entre clases al estar basado un vector de medias y en la matriz de varianza-covarianza. Es un mtodo que requiere mayor tiempo de proceso, pero ofrece buenos resultados. Muy utilizado
151
rbol de decisiones Mtodo sencillo pero muy eficiente. No requiere de la asuncin de normalidad. Consiste en discriminar secuencialmente las categoras a travs de la definicin de reglas dicotmicas. Permite la utilizacin de informacin auxiliar, no slo espectral (es recomendable su uso ). Las reglas se concretas en operadores lgicos condicionales (del tipo IFTHEN).
> 30%
Redes neuronales
Emulan el sistema neuronal humano. Son capaces de aprender la relacin entre los datos de entrada y de salida. Se estructuran en tres niveles o capas: Nivel de entrada: informacin espectral y auxiliar.
Nivel de salida: categoras. Nivel oculto: procesan los datos entrada-salida.
Se requieren tres fases: definicin de la arquitectura, entrenamiento y clasificacin. Una vez entrenada una red neuronal es factible utilizarla para clasificar datos distintos (capacidad de generalizacin).
152
Lgica borrosa
Clasificador mxima probabilidad Probabilidad de pertenencia a cada clase de un pxel
SALIDAS Mapa temtico + mapa de distancias Imagen en escala de grises para cada clase
Problemas de la clasificacin digital de imgenes Fuentes de error:

1. 2. 3. 4. 5. Problemas con la radiometra de las imgenes. Alta variabilidad de los ND (dificultad de asignarse a una clase). Insuficiente resolucin espectral/espacial/temporal. Mezcla de seales en el pixel. Falta de informacin auxiliar.
Validacin de datos
153
VERIFICACIN DE RESULTADOS
Comparacin con una fuente externa de datos considerados la verdad terreno. Las fuentes de estos datos de referencia podr obtenerse en trabajos de campo o de informacin auxiliar. La informacin de referencia deber ser de fecha lo ms cercana posible.
Matriz de confusin.
La matriz de confusin
REFERENCIA (ha) Exactitud del Clase A Clase B Total usuario Clase A ESTIMACIN Clase B Total Exactitud del 85.11 productor Error de 14.89 Omisin 0.43 99.57 428,160 74,895 503,055 175,556 40,908,912 41,084,469 603,716 40,983,808 41,587,524 70.92 99.82 comisin 29.08 0.18 Error de
Mide el porcentaje de superficie estimada de cada clase que ha sido correctamente clasificada.
Mide el porcentaje de superficie estimada de cada clase que ha sido confundida con superficie de la otra clase. Por tanto, incorrectamente clasificada.
Mide el porcentaje de la superficie de referencia que no ha sido clasificada como tal, y por tanto omitida.
Mide el porcentaje de superficie de referencia de cada clase que ha sido correctamente clasificada.
Adicionalmente ser conveniente obtener el estadstico kappa. Nos da una idea de hasta que punto el acierto de nuestra clasificacin se debe al simple azar.
154
Prctica8.1:Clasificacinnosupervisada. Prctica8.1.1 Elobjetivodeestaprcticaesrealizarunaclasificacinnosupervisada.

Abrimos la imagen Landsat_nw_6bandas_reflectance de la carpeta Practica8_1. (hazloenmodoPseudoColor;defneloenalpanelSpectral). 1. DesdelabarraprincipaldeERDASIMAGINEabrimoslapestaaRastergrupo ClasifficationbotnUnsupervisedopcinUnsupervisedClassification.
2. Como archivo de entrada vamos a introducir la imagen Landsat corregida a valores de reflectividad aparente realizada en la prctica 4. En la parte del archivo de salida tendremos que dar un nombre y una ubicacin al mismo. Podemosllamarlolandsat_clas_no_sup.imguotroqueteparezcaapropiado. 3.Elapartadodelasopcionesdedefinicindeclustersdebemosindicarelnmero declasesquequeremosobtener.Vamosaindicarquesean10.
155
4. Pulsa el botn Initializing Options para configurar el criterio de definicin del valor de las medias de la que partir el mtodo ISODATA. Marca la opcin PrincipalAxisyconsignaunvalorde1paralaDesviacinEstndar.
5.PulsaelbotnColorSchemeOptionsyeligelaopcinGrayscale.
6. En el apartado Processing Options indicaremos el nmero mximo de iteracionesquesepodrnrealizaryunumbraldeconvergencia(Convergence Thresholding). Este umbral de convergencia fija el porcentaje mximo de pxeles que pueden cambiar de clase de una iteracin a otra para detener el proceso.Fijaremosunmximode25iteracionesyunumbraldeconvergencia
156
de 0.95 (esto significar que si slo cambia un 5 % de pxeles de categora, entreiteraciones,elprocesodeclasificacinsedaporfinalizado).

NOTA: Elobjetivodefijarelnmeromximodeiteracionesyelumbraldeconvergenciaesevitarqueel procesoiterativoquesuponelaaplicacindeISODATAentreenunbuclesinfinal.
7. Dejamos los valores Skip Factors en 1 (si se elevan estos valores se reduce el tiempo de procesado, pero se provoca que el resultado final sea menos preciso).
8.UnavezquehayascompletadotodoslosparmetrosrequeridospulsaOk. 9. Cuando el proceso acabe (bien porque se alcanzan el nmero mximo de iteracionesoporquesesuperaelumbraldeconvergencia)loindicarmediante unaventanadeestado.
10.Visualizaelresultadodelaclasificacinabriendoelarchivoquelorecogeenel Viewer, en un segundo espacio de visualizacin. En HomeAdd ViewsCreate New2DView.
157
11. Utiliza la funcin Link que se encuentra en el panel HomeWindowLink All Viewaparaunirlasdosvistas.
12. Una vez linkadas utiliza las herramientas de zoom o el Inquire Cursor para observarlaequivalenciaentreclasesytiposdecubiertas.
158
13. Desde la tabla de contenidos pulsando el botn derecho del ratn sobre el nombre de la imagen resultado de la clasificacin, despliega la tabla de atributosrasterDisplayAttributeTable.
14. Cambia los colores de la leyenda para que las clases sean ms fcilmente identificables. Para ello slo tienes que hacer click sobre el registro correspondiente del campo color. Te saldr una paleta de color preseleccionada,peropodrselegirotroscoloressieligesOther.
15. Puedes situarte sobre la imagen original y localizar con el Inquire Cursor en HomeInformation algunas clases fcilmente distinguibles y comprobar a qu
159
categora pertenecen en la imagen clasificada (por ejemplo, el agua, cultivos, zonasartificiales,distintostiposdevegetacin). 16.Ahora vamosaprobarunmododevisualizacindelresultadodiferente.Para ellotienesquecargarlaimagenclasificada(enPseudoColor)ylaoriginalenun mismovisor.Sitaelresultadodelaclasificacinporencimadelaimagensin clasificar, haciendo click sobre el nombre de la imagen en Contents y arrastrndolahaciaarriba. 17.Despliega latabladeatributosenelbotnderechodelratnsobreelnombre de la imagen en la tabla de contenidos Display Attribute Table. Una vez abiertoslosatributosenelmenTableseleccionarColumnProperties.Atravs de esta opcin puedes configurar la tabla de atributos, entre otras cosas puedesmodificarelordenenquesemuestranloscampos.Localizaelcampo Class_NameysitaloalprincipiodelalistaconlosbotonesUpoTop.Sitael campoColorjustodebajodelanteriorydespuselcampoOpacity.Cambia tambin la anchura de visualizacin del campo Class_Name a 20 (Display With).PulsaOkyobservaloscambiosproducidosenlatabla.
160
18. Ahora sitate con el cursor en el campo Opacity en la tabla de atributos y pinchasobrelparaseleccionartodoslosregistros.Pinchasobrelaflechaenla derechadelacabeceradelcampoysitatesobreelespacioFormulayescribe elvalor0,marcalaopcinApply.TodoslosvaloresdeOpacidadseponena0, esdecir,dejandeservisibles.
19.Cambia elcolordelaClass_3porazul,enelbotnderechodelratnpincha SelectNoneysitaelvalor1enelcampoOpacity(compruebaquelaclasese correspondeconcubiertasdeagua). 20.Activa lafuncinFlickerdesdeelmenHomeViewpinchandoenlasegunda entradahorizontalyseleccionaelFlickerconlaopcinAutomode.Laclaseque estabasvisualizandodebeempezaraparpadeardejandofijalaimagenLandsat defondo.Manteniendoactivaestafuncinutilizalasherramientasdezoomy desplazamiento sobre la imagen para comprobar si la clasificacin de esta cubierta ha sido ms o menos precisa (nos sirve para comprobar si los parmetrosdefinidosdurantelaclasificacinsepuedenquedarasoesmejor cambiarlos).
161
21. Repite el proceso de visualizacin de cada una de las nueve categoras restantes mediante la herramienta Flicker y el control del nivel de opacidad. Losnombresquetienesquedaralasdistintasclasessonlasconsignadasenla tabla.Modificaelcolordecadacategora.Elresultadodebeseralgoparecidoal mostradoenlaimagencapturada.
Clase Class_1 Class_2 Class_3 Class_4 Class_5 Class_6 Class_7 Class_8 Class_9 Class_10 Nombre Noclasificado Aguaprofunda
Aguapocoprofunda
Vegetacion1 Vegetacion2 Vegetacion3 Vegetacion4 Vegetacion5 Cultivos1
Cultivos2
162
22. Nuestr o siguiente paso ser modificar el resultado de la clasificacin recodificandolasclasesdemodoquelaleyendafinalquedereducidaacuatro categoras:agua,vegetacin,cultivoysuelovegetacin.28.Abrimoslapestaa RasterydesplegamoselmenRasterGis,seleccionandolaopcinRecode.
23.Se despliegaunatablacondistintascampos.UnodeellossellamaNewValue. EnelprimercampoValueconstaelcdigoresultadodelaclasificacinyenel segundoconsignaremoselnuevovalor.EnestecampoNewValueescribiremos el mismo valor para las categoras que queremos agrupar (ser un valor consecutivo,del1hastael4).Puedesmodificarlosvaloresdelatablaclickando directamentesobreelregistroamodificaryescribiendoseguidamenteelvalor o,tambin,seleccionandounoovariosregistroseintroduciendoelnuevovalor de codificacin en el combo etiquetado como New Value (hay que pulsar el botnChangeSelectedRows).
163
24. Pulsa Apply cuando ests seguro de haber completado como quieres la recodificacin de las categoras. Elresultado debe ser algo parecidoal que se muestraenlaimagen.
25.Paragu ardarelresultadodelarecodificacinrellenaoutputfileenlacarpeta de resultados con un nombre alusivo, por ejemplo (class_no_supervi_recodif.img). 26. Si quieres modificar los colores de la leyenda puedes hacerlo desde el men Table/Colors,talycomohashechoantesenestaprctica.
164
Prctica8.2:Clasificacinsupervisada
Fasedeentrenamiento
Enelprocesodeclasificacinsupervisadaesnecesariocomenzarporasignarlasreas de entrenamiento. Antes de nada es necesario tener claro cules son las clases que queremos obtener. Para ello hemos preparado una leyenda basada en las clases del CorineLandCover2000presentesenlazonadeestudio: 1. 2. 3. 4. 5. 6. 7. Zonasartificiales:tejidourbano,zonasindustriales Cultivosdesecano,mosaicodecultivos,viedos Cultivosderegado Vegetacin1:bosquesdefrondosas Vegetacin2:bosquesdeconferas,mixtos,vegetacindispersa Vegetacin3:zonasdematorral,vegetacinesclerfilaopraderas Agua:lminasycursosdeagua
Desdeelvisor,conlaayudadelasherramientasparalacreacindeAOIyelSignature Editor,vamosadigitalizarreasdeentrenamientoparacadaunadeestasclases.Para elloabrimoslaimagenlandsat_nw_6bandas.imgenelvisorconunacombinacinde bandas4,3,2. Abrimos la herramienta para crear AOI desde el men ApplicationNew del visor
yeleditordefirmasdesdeRasterSupervisedSignatureEditor:
165
ConlaherramientaPolygon delmenDrawingiremosdigitalizandolasreasde entrenamientoparaluegoaadirlasaleditordefirmasconlaherramientadeCreate NewSignaturefromAOI :
166
Podemosdigitalizartantasreasparacadaclasecomoqueramosyluegoagruparlasen una sola clase utilizando la herramienta Merge Selected Signatures permiteunirlasfirmasquetengamosseleccionadasenunasola: , que nos
Deestaformairemosrecolectandofirmasquerecojanlavariabilidaddecadaunade las clases que queremos obtener. Una vez creada la firma general de cada clase conviene borrar las anteriores antes de pasar a la siguiente clase, para no crear confusin. Como apoyo para la identificacin de las diferentes cubiertas puedes utilizar la tabla quetienesacontinuacin:
readeentrenamiento Clase
1Zonasartificiales
167

2Cultivosdesecano
3Cultivosderegado
4Vegetacin1
5Vegetacin2
168

6Vegetacin3
7Agua
Mientras vamos recogiendo las reas de entrenamiento conviene ir guardando el archivodefirmasespectrales,quetendrlaextensin.sig. DesdeelmenSignature Editor File Save guardamos en la carpeta de resultados con el nombre clases.sig. Tambinconvieneasociarnuestroarchivodefirmasespectralesalaimagenenlaque estamostrabajandodesdeelmenSignatureEditorEditImageassociation.
169
Una vez hemos recolectado suficientes reas de entrenamiento vamos a evaluar su adecuacin,analizandoelcomportamientoespectraldelascubiertasqueformancada clase. Antesdecomenzaryantesdepasaralafasedeasignacinconvieneadjudicaraclase uncolorquenospermitaidentificarlaconfacilidadevitando,esos,coloresdemasiado chillones, porque la imagen clasificada que vamos a generar a continuacin tendr esos colores. Seleccionando la fila correspondiente y haciendo clic sobre el color podemoscambiarlo:
Una vez elegidos los colores podemos evaluar de varias maneras la adecuacin de nuestras reas de entrenamiento. Para hacerlo de forma visual contamos con dos herramientasbsicas;laedicindegrficosdemedias ydehistogramasparacada banda .Seleccionamoslasclasesquequeramosrevisarymostramoslosgrficosde medias para ver si responden a las firmas espectrales que podemos esperar decada cubiertayloshistogramasparavercuntosesolapan.Hacemoslapruebaconlasdos clasesdecultivosylastresdevegetacin:
170
Lasfirmasespectralesparecencorresponderseconloquepodamosesperardecada cubierta,aunqueaprioriparecequepodramostenerproblemasenladiscriminacin dealgunasclasescomosonelregadodelavegetacin1,defrondosasolostipos2y3 devegetacin.
Enloshistogramasvemoscmocadaclasesepodrdiscriminarmejorenlasbandas en las que no se solape con otras. As la clase de vegetacin 1, que hemos representado en verde clarito, slo se identifica claramente en el infrarrojo cercano, confundindose con las otras clases de vegetacin en el resto de bandas. El comportamiento claramente bimodal de la clase de vegetacin 3 puede resultar indicativodelainclusindecubiertascondiferentecomportamientoespectralenuna mismaclase. Las conclusiones de este anlisis grfico de las reas de entrenamiento nos pueden llevar a volver a tomar algunas clases especialmente o a descartar por completo la leyenda propuesta por no ajustarse a las condiciones de la imagen y a las clases espectrales presentes en ella. Los problemas identificados tambin nos permiten proponer soluciones como pueda ser aplicar un descriptor textural a la hora de diferenciarlaszonasderegadodelasdevegetacinfrondosa.
171
La separabilidad entre clases puede ser evaluada de forma numrica. Accedemos a esta opcin desde el men Evaluate Separability, dentro de la herramienta del SignatureEditor. Elcuadrodedilogoqueseabreacontinuacinnosofreceunaseriedeposibilidades. Bsicamente podemos analizar la separabilidad en funcin de la distancia euclidiana entre clases o de su divergencia estadstica, que mide el solape entre categoras. El posibleproblemadelmtododedivergenciaestadsticaesqueasumeunadistribucin normal de las clases, lo que no siempre ocurre, como acabamos de ver en los histogramas.Elegimosporlotantolaopcindedistanciaeuclidianaylepedimosque nosmuestreenformadeCellarraylamedia,seleccionandolaopcinBestAverage:
Estonospermiteidentificarquclasesestnmsprximasespectralmenteypueden crearconfusinalahoraderealizarlaclasificacin. Unavezaceptadaslasreasdeentrenamientovamosaclasificarlaimagen.Antesde esteltimopasoconvienerestablecerelordendelasclases,quesehavistoalteradoal ircreandoreasdeentrenamientoyjuntndolas,paraevitarconfusionesconelvalor de las celdas en la imagen clasificada. Desde el men Edit del Signature Editor
172
elegimosValuesresetyOrderreset.VemoscmolascolumnasdeOrderyValues, queantesseencontrabandesordenadas,sehanorganizadodeformacorrelativa: CerramoselSignatureEditor. DesdeelmenClassifierSupervisedClassificationaccedemosalcuadrodedilogo para la fase de asignacin. Tenemos que especificar la imagen de entrada, landsat_nw_6bandas.img y el archivo de firmas espectrales que acabamos de crear: clases.img. La imagen de salida la guardamos en la carpeta de resultados con el nombreclas_sup.img:
Este es el momento en el que debemos elegir el mtodo a utilizar en la fase de asignacin. Las reglas no paramtricas son en las que no se tiene en cuenta la distribucin de los valores de las reas de entrenamiento, slo su posicin en el espacio ndimensional que forman las n bandas de una imagen. Si seleccionamos la opcindeparaleleppedos,porejemplo,comoreglanoparamtricasenosactivarn las dos casillas inferiores para especificar qu hacer con los pxeles que no entren dentro de los lmites de los paraleleppedos (Unclassified Rule) y con aqullos que caigandentrodeloslmitesdevariosparaleleppedos(OverlapRule). Para nuestra imagen no vamos a seleccionar ninguna regla no paramtrica, sino la reglaparamtricademximaprobabilidad,dejandolaopcinMaximumLikelihooden lacasillaParametricRule. Seleccionando la casilla Fuzzy classification obtendremos varias clases de asignacin paracadapxel,enfuncindelaprobabilidaddepertenenciaacadauna.Verificamos estaopcinyelegimosquenosobtengalas2mejoresclases.
173
Y po ltimo, te or enemos la opcin de generar un imagen de distanci es decir una na ia, r, imag en la qu el valor de cada p gen ue xel indica la distancia euclidiana al centro de su l d clase edepertene encia. Una vez seleccionadas las opciones a aceptamos y comienza el proceso de asigna a o acin. Cuan ndofinalicevamosavisualizarelr resultadoenunvisorjuntoconla aimagenor riginal para controlare elresultado o.Alabrirla aimagen,q quetendr dosbandas s,seleccionamos pcinDispla ayasPseud doColordes sdelapesta aadeRast teroptions,yelegimosque laop nosr representelabanda1:
zando la h herramienta Inquire c a cursor podemos examinar las zonas que s s Utiliz cono ocemosdelaimagenparaevaluar rdeformav visualelresultadodela aclasificaci n.
UNIDA ADSIGCCHS:CursoIntroducci inaltratamien ntodigitaldeim magenconERD DASIMAGINE
174
Prctica8.3:Matrizdeconfusin. Prctica8.3.1
El objetivo de esta prctica es aplicar la matriz de confusin sobre la clasificacin supervisadaparacomprobarsugradodefiabilidad. 1.AbreunViewerycargalaimagenclasificadamedianteelmtodosupervisado. 2. Desde el panel Raster abre la pestaa Supervised y selecciona la herramienta AccuracyAssessment.
3. En la ventana del Accuracy Assessment selecciona la opcin Open desde el menFile,navegahastalacarpetadondetieneslaimagenclasificadaypulsa Ok.
175
4. Desde el men View selecciona Select Viewer. Te aparecer una ventana indicndotequetienesquepulsardentrodelvisorenelquetienescargadala imagen.HazloyregresaalaventanadelAccuracyAssessment.
5. A travs del men Edit/Import Useddefined Points navegamos hasta nuestra carpeta de prcticas y localizamos el archivo puntos_muestreo.txt que contieneunamuestrade40puntosescogidosaleatoriamentesobrelaimagen clasificada.Enlasopcionesdeimportacintenemosqueindicarelcampopara las coordenadas X e Y, que ser el 2 y 3, respectivamente. Si tienes dudas puedesconsultarlapestaaInputPreviewycerciorartedelorden.
6. Para obtener el valor de clase para cada punto hay que ir al men Edit/Show ClassValues.Muestraelvalorsobrelaimagenclasificada. 7.Debemoscompletarlatablaconelvalordereferenciaparacadapunto,esdecir, el valor que tiene sobre nuestra realidad terreno (en este caso sobre el CORINE). Este valor hay que introducirlo. En la carpeta de prcticas existe un
176
archivodeExcelllamadopuntos_valor_corineenelqueserecogeelvalorde referencia(apareceenlaltimacolumna).Copiaypegalosdatosenelcampo correspondientedelAccuracyAssessment. 8.Losdatoscorrectamenteinsertadossonlosqueaparecenenlasiguientecaptura depantalla:
9.ParavisualizarlospuntosdemuestreosobrelaimagensobreelViewervamosal men View/Show All. Aparecen en color amarillo para indicar que se ha completado la tabla. Las opciones de visualizacin de la tabla se controlar desdeelmenView/ChangeColors.
10. En la opcin Report/Options vamos a comprobar que estn seleccionadas el ErrorMatrix,AccuracyTotalsyKappaStatistics.
177
11. Finalmente tenemos que calcular la matriz de confusin a travs de Report/Accuracy Report. Desplegndose un editor de texto con el resultado del anlisis. En el archivo generado aparece en primer lugar la matriz de confusin,acontinuacinlasestadsticasdefiabilidad(usuarioyproductor)y, finalmente,elestadsticoKappa.Puedesguardaresteinformeentucarpetade prcticas.
178
12. Desde el men Save/Table guardamos los datos de la matriz. Quedarn almacenadosenelarchivoimgdelaimagenclasificadas. 13.CerramoselAccuracyAssessment.
179
Prctica 8.4: Knowledge Engineer

Esta herramienta se puede utilizar para realizar clasificaciones de rbol de decisiones. Vamos a ver un ejemplo sencillo para comenzar. Desde la carpeta practica8_4\nubes abre la imagen landsat5_nubes.img:
Como ves es un recorte de la escena landsat completa, de una zona en la que hay nubes. La prctica va a consistir en crear una mscara de esas nubes. Para ello contamos con el NDVI, que encontrars en la misma carpeta. Los pxeles con valores cercanos a 0 en el NDVI se corresponden con las nubes. En este caso, si identificas los valores de las nubes sobre el NDVI vers que oscilan ms o menos entre -0,07 y 0,01. Vamos a trabajar desde el Knowledge Engineer, al que accedemos desde la pestaa Raster Knowledge Engineer:
Esta herramienta nos permite realizar una clasificacin mediante la toma de decisiones en rbol. Se basa en el manejo de tres elementos: hiptesis (hypothesis), reglas (rules) y variables (variables). Las variables son la informacin de entrada al modelo, en nuestro slo el NDVI, ya que en funcin de sus valores vamos a decidir cules son nubes y cules no.
180
Lo primero que vamos a hacer es salvar el proyecto en la carpeta de resultados de esta prctica con el nombre mascara.ckb (.ckb es la extensin propia de este mdulo). Por ser la primera vez que guardamos el proyecto hay que hacerlo desde el men File Save as, el resto de ocasiones podremos ir guardando los cambios desde .
Las hiptesis sern el resultado final de las decisiones que vayamos especificando a lo largo del proceso, es decir, las clases del nuevo documento temtico que vamos a crear, y tambin los pasos intermedios. En nuestro caso slo necesitamos dos clases de salida para crear una mscara: nubes y resto. Por ltimo, las reglas son el conjunto de condiciones que unen, en una secuencia lgica, las variables de entrada con las hiptesis de salida. Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda hacemos clic en la pestaa Variables y a continuacin en la opcin Add new item to list . En la ventana que se abre tenemos que especificar el nombre que tendr la variable (ndvi), el tipo de datos (raster), la imagen de origen (landsat_nubes_ndvi.img) y la banda a usar, que ser la 1. Al pulsar el botn de Apply vemos cmo ya se ha aadido una variable nueva:
Una vez introducidas las variables creamos las hiptesis haciendo clic en y clic de nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecer un rectngulo con la nueva hiptesis, pinchando en el lienzo que ocupa la zona derecha de la
181
ventana. Haciendo doble clic en el rectngulo podemos darle un nombre a la hiptesis, especificar si queremos que se convierta en clase de salida y proporcionarle un color:
De esta forma introducimos las dos hiptesis de salida: nubes y resto. El siguiente paso consiste en ligar la variable de entrada con las hiptesis de salida en funcin de unas reglas. Seleccionando la herramienta Create rule desplazamos el cursor hasta la hiptesis que hemos denominado nubes y hacemos clic. Aparecer un nuevo recuadro enlazado con el anterior; pulsando dos veces en l podremos empezar a especificar las condiciones que compondrn la regla:
Las condiciones para asignar un pxel a la clase nubes ser que su valor de NDVI se encuentre entre -0,07 y 0,01, como puedes ver en la imagen. Las condiciones que establecemos dentro de una misma regla se unen mediante el operador lgico AND. Ya que queremos que nuestra regla se cumpla en cualquier caso, le otorgamos el mayor valor de confianza, 100. Para la clase resto tendremos que especificar dos reglas distintas: una para los pxeles con valor inferior a -0,07 y otra para los pxeles con valor superior a 0,01, puesto que si estableciramos las dos condiciones sobre una misma regla quedaran unidas por el operador AND y ningn pxel cumplira la regla:
182
Antes de pasar a realizar la clasificacin definitiva podemos revisar el funcionamiento de nuestras reglas en conjunto o segn las vayamos creando mediante el botn Run Test Classification , que nos permite comprobar todas las hiptesis o seleccionar las que queramos, slo para visualizar el resultado en una ventana, sin generar an el documento definitivo:
Cuando estemos conformes con la clasificacin, salvamos los cambios en el archivo mascara.ckb y cerramos la ventana del Knowledge Engineer. Haremos la clasificacin desde el men Raster Knowledge Classifier:
183
Seleccionamos el archivo que acabamos de salvar y pulsamos Next para definir qu clases queremos crear y otra vez Next para especificar el archivo de salida, que vamos guardar en la carpeta de resultados con el nombre de mascara.img:
Una vez terminado abre en ERDAS la imagen landsat original y la mscara para evaluar el resultado. Aydate con la opcin Blend.
184
Prctica 8.4 extra: Knowledge Engineer

Hemos visto anteriormente cmo a travs del proceso de clasificacin supervisada obtenamos un resultado problemtico, especialmente en el caso de la categora 1 zonas artificiales. Vamos a intentar solventarlo mediante el uso de otra herramienta de ERDAS, a la que accedemos desde la pestaa Raster Knowledge Engineer:
El objetivo es reclasificar las zonas clasificadas originalmente como zonas artificiales que se encuentren fuera de la delimitacin de zonas artificiales del CORINE a la segunda clase ms probable de la clasificacin supervisada borrosa que realizamos en la anterior prctica. Esta herramienta nos permite realizar una clasificacin (reclasificacin en nuestro caso) mediante la toma de decisiones en rbol. Se basa en el manejo de tres elementos: hiptesis (hypothesis), reglas (rules) y variables (variables). Las variables son las entradas del modelo, la informacin con la que contamos, en nuestro caso:
Explicacin La clase ms probable para cada pxel asignada en el proceso de clasificacin Clasificacion1 supervisada. La segunda clase ms probable para cada pxel asignada en el proceso de Clasificacion2 clasificacin supervisada. El Corine2000 reclasificado segn las clases que hemos utilizado en la Corine clasificacin supervisada. Variable
Lo primero que vamos a hacer es salvar el proyecto en la carpeta de resultados de esta prctica con el nombre reclas.ckb (.ckb es la extensin propia de este mdulo). Por ser la primera vez que guardamos el proyecto hay que hacerlo desde el men File Save as, el resto de ocasiones podremos ir guardando los cambios desde .
Las hiptesis sern el resultado final de las decisiones que vayamos especificando a lo largo del proceso, es decir, las clases del nuevo documento temtico que vamos a crear, y tambin los pasos intermedios. En nuestro caso vamos a seguir las 7 clases del
185
documento original, aadiendo una ms, que ser intermedia, llamada indefinido, en la que agruparemos todos los pxeles clasificados como zonas artificiales que se encuentren fuera de las zonas definidas por el Corine. Por ltimo, las reglas son el conjunto de condiciones que unen, en una secuencia lgica, las variables de entrada con las hiptesis de salida. Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda hacemos clic en la pestaa Variables y a continuacin en la opcin Add new item to list . En la ventana que se abre tenemos que especificar el nombre que tendr la variable (clasificacion1), el tipo de datos (raster), la imagen de origen (clas_sup.img) y la banda a usar, que ser la 1. Al pulsar el botn de Apply vemos cmo ya se ha aadido una variable nueva:
Realizamos la misma operacin para el resto de variables, recordando que clasificacion2 ser la misma imagen clas_sup.img pero con la banda 2 en vez de la uno, por lo que seleccionaremos Layer_2 y con el Corine, que es corine_reclasificado.img.
Una vez introducidas las variables creamos las hiptesis haciendo clic en y clic de nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecer un rectngulo con la nueva hiptesis, pinchando en el lienzo que ocupa la zona derecha de la ventana. Haciendo doble clic en el rectngulo podemos darle un nombre a la hiptesis, especificar si queremos que se convierta en clase de salida y proporcionarle un color:
186
De esta manera vamos a crear las siete hiptesis que se corresponden con las clases de salida. Una vez terminado vamos a crear la hiptesis que nos permitir reasignar las zonas artificiales mal clasificadas, con el nombre de Indeterminado y especificando que no queremos crear una clase de salida, para lo que deseleccionamos la opcin Create an Output Class. Al final tenemos las siete clases ms Indeterminado:
La ltima parte consiste en implementar las reglas lgicas necesarias para reasignar los pxeles mal clasificados. Lo primero es especificar qu pxeles forman el conjunto de indeterminados y luego ir desglosando, una a una cules forman el resto de clases. Seleccionando la herramienta Create rule desplazamos el cursor hasta la hiptesis que hemos denominado Indeterminado y hacemos clic. Aparecer un nuevo recuadro enlazado con el anterior; pulsando dos veces en l podremos empezar a especificar las condiciones que compondrn la regla:
187
En este cuadro de dilogo desglosamos las condiciones que se tienen que cumplir para formar la clase de Indeterminado: en la variable clasificacion1 el valor ha de ser igual a 1 (zonas artificiales) y en el Corine distinto de 1 (zonas artificiales recuerda que el Corine est reclasificado con la misma leyenda que hemos utilizado para la clasificacin supervisada -). En el apartado Rule Confidence establecemos el mximo, que es 100, ya que estamos creando reglas deterministas. Una vez apliquemos los cambios y cerremos la ventana veremos como tanto la hiptesis como la regla han cambiado de estar desactivadas a estar activadas, indicando las condiciones:
Del mismo modo vamos a especificar qu condiciones se tienen que cumplir para cada hiptesis, que sern las siguientes (acordndonos siempre de establecer el nivel de confianza en 100):
Hiptesis 1 Zonas artificiales 2 Cultivos de secano 3 Cultivos de regado Regla Clasificacion 1 = 1 Corine = 1 Indeterminado = TRUE Clasificacion 2 = 2 Indeterminado = TRUE
188
Hiptesis 4 Vegetacion 1 5 Vegetacion 2 6 Vegetacion 3 7 - Agua
Regla Clasificacion 2 = 3 Indeterminado = TRUE Clasificacion 2 = 4 Indeterminado = TRUE Clasificacion 2 = 5 Indeterminado = TRUE Clasificacion 2 = 6 Indeterminado = TRUE Clasificacion 2 = 7
De esta forma estamos estableciendo para cada una de las zonas artificiales que no se correspondan con el Corine la clase de salida correspondiente en la segunda ms probable de la clasificacin borrosa. Pero tambin tenemos que especificar que todos los pxeles correctamente clasificados en la clase ms probable vayan a parar a sus clases respectivas, para lo que estableceremos una segunda regla para cada hiptesis con una nica condicin: que tengan se valor en la variable clasificacion 1, es decir 2 para los cultivos de secano, 3 para los de regado, etc. Al final tenemos que conseguir este resultado:
189
Antes de pasar a realizar la clasificacin definitiva podemos revisar el funcionamiento de nuestras reglas en conjunto o segn las vayamos creando mediante el botn Run Test Classification las que queramos: , que nos permite comprobar todas las hiptesis o seleccionar
El resultado slo podremos visualizarlo, pero no se genera an el documento definitivo. Cuando estemos conformes con la clasificacin, salvamos los cambios en el archivo reclas.ckb y cerramos la ventana del Knowledge Engineer. Haremos la clasificacin desde el men Raster Knowledge Classifier:
Seleccionamos el archivo que acabamos de salvar y pulsamos Next para definir qu clases queremos crear y otra vez Next para especificar el archivo de salida, que vamos guardar en la carpeta de resultados con el nombre de clas_def.img:
190
Aceptamos pulsando OK y esperamos a que termine el proceso para examinar el resultado sobre la primera clasificacin y ver cmo han cambiado los valores de los pxeles mal clasificados:
191
Prctica9:Visualizacinen3D. Prctica9.1
Elobjetivodeestaprcticaesrealizarunavisualizacinen3Dconlasherramientasde ERDASIMAGINE. DesdeelpanelprincipaldeERDASIMAGINE2010. 1. Creaunanuevavista3DmedianteNEW/3DVIEW.
2. VisualizalaimagenLandsatconlaquehasvenidotrabajandohastaahorayel MDEobtenidodelosdatosASTER.Ambosestnenformatoimgenlacarpeta Prctica9. Despliega este cuadro de dilogo Scene Properties del men Scene en la pestaa Scene modifica el factor de exageracin del relieve a 2.5 (activa la funcin Exaggeration e incrementa su valor a 5), pulsa Apply y observa el cambioproducido.
192
3. Clicando en la orden Create Linked Overview se muestra la herramienta Eye andTargetenotrovisorsimultneoquenospermitecontrolarlaposicindel observadoryelpuntoobservado.
Simodificasestasposicionesarrastrndolasconelratnmientraslomantienes pulsado,observarscmocambialavisualizacin3D.
4. Los parmetros de visualizacin se modifican desde la pestaa Scene en el menNavigationconlaordenPositionEditor.
5. Tambinvasacambiarelmododevisualizarelfondodelaimagen.EnScene Properties cambia a la pestaa Background despliega la persiana y elige la opcin Image, despus navega hasta la carpeta Practica9 y carga el archivo sky.img.PulsaApplyparaqueelcambioseproduzca.
193
6.Cierraelcuadrode dilogo.
7.Con laherramientaPositionEditorsepuedenmodificarnuevosparmetrosque controlenelefectodevisualizacin.BsicamentesonlascoordenadasXeYdel puntodeobservacin,suelevacinsobreelterreno,suelevacinsobreelnivel del mar, el FOV (controla el campo visual en la vertical, si es ms o menos ancho;apareceenelperfildeayudacomodoslneasamarillas),elpitchesla bisectriz del FOV y seala el ngulo de la lnea visual (un valor 0 seala la posicinhorizontal,unvalorpositivoimplicaunaelevacindelaobservaciny unvalornegativounacada;arrastraconllaposicindelFOV;enelperfilde ayudasecorrespondeconlalnearoja),elnguloacimutaldeobservacinyel roll que permite inclinar la observacin. Si clicas el auto apply se visualizaran automticamente. 8.Puedesconfigurar lageometradeiluminacin.Paraelloutilizalaherramienta
SunPositiondelapestaaSceneyelmenView.
Elpuntonegrosobrelascircunferenciasconcntricasrepresentalaposicindelsol(el centrodelascircunferenciasrepresentaraelcenit)
9. Se puedealmacenarcada posicin quedefinamosconsusparmetrosdesdeel
menScene/Navigation/PositionRecorder.
194
Apareceunatabla,losregistrosserancadaunadelasposicionesyencolumnas aparecenlosparmetrosdevisualizacindecadauna.
ParaalmacenarnuestraposicinutilizalaherramientaAddPosition.
10. Cambia los parmetros de observacin para configurar dos posiciones ms y adelosalatabladeposiciones. 11. Una vez que tengas distintas posiciones puedes pasar de una a otra sucesivamenteconlaopcinGotoNext.
12.Salva tuficherodeposicinconlaopcinSavedesdeelPositionsEditor.
195
13.Se puedealmacenarcadaposicindevisualizacincomounafotografa.Para ello se recurre al men Application Menu/Save As/View as Image
ysealmacenacomounaimagen. 14.Puedesabrir laimagenresultanteenunnuevoViewer.
Prctica9.2
Parafinalizarvamosaaprenderarealizarunasimulacindeunvueloen3D. 1. AbrimoselFlightPathEditorparadefinireltrazadodelvuelo.
2.Desde elmenUtilityseleccionamosFlyPathEditorparadefinireltrazadodel vuelo.Sedefineenlavista2D.
3.Parafinalizar eltrazadopulsadosveceselbotnizquierdodelratn.Desdeel FlightPathEditorpulsalaherramienta.ApplychangestoFlightpath 4.Pulsa elbotnStartFlightyobservaelvisor. .
196
RECURSOS DE TELEDETECCIN
MANUALES DE TELEDETECCIN: Barret, E. C. y L. F. Curtis (1999): Introduction to Environmental Remote Sensing, Cheltenham, Stanley Thornes Publishers Ltd. Chuvieco, E. (2002): Teledeteccin Ambiental, Barcelona, Ariel. Gibson, P. y C. H. Power (2000a): Introductory Remote Sensing: Principles and Concepts, London, Routledge. Gibson, P. y C. H. Power (2000b): Introductory Remote Sensing: Digital Image Processing and Applications, London, Routledge. Jensen, J. R. (2000): Remote Sensing of the Environment. An Earth Resource Perspective, Upper Saddle River N.J., Prentice-Hall. Lillesand, T. M. y R. W. Kiefer (2000): Remote Sensing and Image Interpretation, New York, John Wiley and Sons. Mather, P. M. (1998): Computer Processing of Remotely Sensed Images, Chichester, John Wiley & Sons. Pinilla, C. (1995): Elementos de Teledeteccin Espacial, Madrid, RA-MA. Richards, J. A. y X. Xia (1999): Remote Sensing Digital Image Analysis. An Introduction, Berlin, Springer-Verlag. Short, N. M. (2001): The Remote Sensing Tutorial (An Online Handbook). Applied Information Sciences Branch. NASA's Goddard Space Flight Center (http://rst.gsfc.nasa.gov). (se baja gratuitamente de internet) Sobrino, J. A. (Ed.) (2000): Teledeteccin, Valencia, Servicio de Publicaciones, Universidad de Valencia.
REVISTAS ESPECIALIZADAS Canadian Journal of Remote Sensing, Canadian Aeronautics and Space Institute (CASI), 130 Slater Street, Suite 818, Ottawa, Ontario K1P 6E2, Canada. http://www.callisto.si.usherb.ca/~cartel/cjrs.
197
Cartography and Geographic Information Science (CaGIS). American Congress on Surveying and Mapping, 6 Montgomery Village Avenue, Suite 403, Gaithersburg,MD. http://leporello.ingentaselect.com/vl=8574760/cl=35/nw=1/rpsv/cw/acsm/1523040 6/contp1.htm Earth Observation Magazine. EOM, Inc., 13741 E. Rice Place, Suite 200, Aurora, CO 80015 (USA). http://www.eomonline.com Geocarto International, Geocarto International Centre, GPO Box 4122, Hong Kong. http://www.geocarto.com/e-journal.html Geofocus, revista electrnica del grupo de mtodos cuantitativos, SIG y Teledeteccin de la Asociacin de Gegrafos Espaoles http://geofocus.rediris.es/principal.html IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society, Institute of Electrical and Electronics Engineers Inc., 345 E. 47th Street, New York, NY, 10017 USA. http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?puNumber=36 International Journal of Geographical Information Science, Taylor and Francis Ltd., Rankine Road, Basingstoke, Hampshire RG24 0PR, Reino Unido. http://www.tandf.co.uk/journals/titles/13658816.asp International Journal of Remote Sensing, Taylor and Francis Ltd., Rankine Road, Basingstoke, Hampshire RG24 0PR, Reino Unido. http://www.tandf.co.uk/journals/titles/01431161.asp ITC Journal, International Institute for Aerospace Survey and Earth Sciences, P.O. Box 6, NL-7500 AA, Enschede, Pases Bajos. journal@itc.nl Photogrammetric Engineering and Remote Sensing, American Society for Photogrammetry and Remote Sensing, 5420 Grosvenor Lane, Suite 210, Bethesda 20814-2160, USA. http://www.asprs.org/asprs/publications/pe&rs/ Remote Sensing of Environment, Elsevier Science Publishing Company Inc., 52 Vanderbilt Avenue, New York, NY 10017, USA. http://www.elsevier.com/wps/find/journaldescription.cws_home/505733/descripti on#description Revista Espaola de Teledeteccin, Laboratorio de Teledeteccin-LATUV, Facultad de Ciencias, UVA. 47071 Valladolid. http://www.aet.org.es/
198
DIRECCIONES TILES EN INTERNET Imgenes del satlite SPOT: SPOT-Image, 5 rue des Satelites, Toulousse, B.P. 4359, F31030, Francia. http://www.spotimage.com Earthwatch, 1900 Pike http://www.digitalglobe.com Road, Longmont, Colorado 80501, USA.
Imgenes del satlite IKONOS y otros de alta resolucin: http://www.geoeye.com/ Imgenes de varios satlites de imgenes sobre Europa (Quickbird, Landsat, Envisat, ERS 1 y 2, IRS, Radarsat, ASTER). http://www.eurimage.com Universidad de Dundee. (Archivos http://www.sat.dundee.ac.uk/ con datos AVHRR, MODIS, SeaWIFS).
Imgenes de la plataforma espacial europea Envisat: http://envisat.esa.int/ Imgenes del programa Landsat de la NASA: http://glovis.usgs.gov/ Imgenes MODIS: http://modis.gsfc.nasa.gov/ Imgenes RADAR de la NASA: http://www.jpl.nasa.gov/radar/sircxsar/ Imgenes de misiones tripuladas de la NASA: http://eol.jsc.nasa.gov/
199

Manual Curso ERDAS2011

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual Curso ERDAS2011

Uploaded by

Copyright:

Available Formats

Introduccin a la teledeteccin con ERDAS Imagine.

Madrid, 6 al 10 de junio del 2011

OBJETIVO DEL CURSO

Introduccin a la teledeteccin con ERDAS Imagine

M Victoria Gonzlez CAF Teora: clasificacin

Fundamentos de Teledeteccin Conceptos de resolucin

INTRODUCCIN Funcionamiento de un sistema de Teledeteccin

INTRODUCCIN Funcionamiento de un sistema de Teledeteccin

INTRODUCCIN Mtodos de Teledeteccin

Interpretacin visual Tratamiento

Superficie terrestre Sistema de Recepcin

Salidas grficas y digitales

INTRODUCCIN Usos Teledeteccin

VENTAJAS Visin global

Nmero de incendios del 27/12/10 al 31/12/10

VENTAJAS Escalas de medida

MSG-1 (1x1 Km.)

Landsat TM (30x30 m.)

Terra-MODIS (0,5x0,5 Km.)

Ikonos-2 (1x1 m.)

VENTAJAS Frecuencia de adquisicin

VENTAJAS Homogeneidad en la adquisicin

29 de julio de 2001 29 de julio de 2002 29 de julio de 2003

VENTAJAS Regiones no visibles del espectro

Composicin en falso color

VENTAJAS Formato digital

FUNDAMENTOS Espectro electromagntico

FUNDAMENTOS Interaccin entre la energa y un cuerpo

FUNDAMENTOS Magnitudes fsicas en teledeteccin

FUNDAMENTOS Leyes de la radiacin electromagntica

Ley del desplazamiento de Wien

La longitud de onda a la que se produce la mxima emitancia vara en funcin de la temperatura

PRINCIPALES CUBIERTAS Principales rangos de observacin

Infrarrojo Trmico Infrarrojo Prximo y Medio

PRINCIPALES CUBIERTAS Factores que influyen en la reflectividad de la cubierta

PRINCIPALES CUBIERTAS Efectos de la atmsfera

PRINCIPALES CUBIERTAS Tipos de reflectores

PRINCIPALES CUBIERTAS Firma espectral

PRINCIPALES CUBIERTAS Factores en la reflectividad de la vegetacin

PRINCIPALES CUBIERTAS Factores en la reflectividad del suelo

PRINCIPALES CUBIERTAS Factores de reflectividad del agua

PRINCIPALES CUBIERTAS Mezcla de cubiertas

PRINCIPALES CUBIERTAS Colores resultantes

Composicin en Infrarrojo Falso Color

RESOLUCIN Tipos de resolucin

40.00 30.00 20.00 10.00 0.00

59.09 33.27 0.00

RESOLUCIN Resolucin espacial

Influencia de la resolucin espacial Delimitacin objetos, por ejemplo campos de cultivo.

RESOLUCIN Resolucin espectral

Vegetacin sana Vegetacin seca

RESOLUCIN Resolucin temporal

RESOLUCIN Resolucin radiomtrica

Prctica 1: Resoluciones y firmas espectrales

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine

3. Con la utilidad Show Information for Top Raster Layer

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine

Desde el visor abrimos la imagen landsattm_firma_espectral.img que se

encuentra en la carpeta Prctica_1_2. Se trata de una escena Landsat5 TM, que

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine