Teoria 4

Modulo 4: Entrada de datos y edicin raster. Anlisis raster y tratamiento digital de imgenes de satlite. E.
Snchez Rodrguez
I Curso de experto Universitario en Sistemas de Informacin Geogrfica. Universidad Internacional de Andaluca Sede Iberoamericana Santa Mara de la Rbida
Mdulo 4: Entrada de datos y edicin raster. Anlisis raster y tratamiento digital de imgenes de satlite.
Esperanza Snchez Rodrguez
Modulo 4: Entrada de datos y edicin raster. Anlisis raster y tratamiento digital de imgenes de satlite. E. Snchez Rodrguez
Esquema: 1. El modelo de datos Raster. Grid. Visualizacin de datos raster en Arc View. 2. Introduccin a Spatial Analyst. 3. Operaciones de consulta y extraccin de informacin. - Consulta de atributos para celdillas individuales. - Visualizacin de los atributos en forma de tabla. - Seleccin de celdas en funcin de sus atributos. - Extraccin de estadsticas - Visualizacin de los atributos en forma de histograma. 4. Operaciones de anlisis - Funciones estadsticas. - Distancia y proximidad. - Funciones zonales. - Reclasificacin. - lgebra de imgenes y creacin de nuevas variables. 5. Introduccin a la teledeteccin. 6. Introduccin a Amatel 7. Visualizacin de imgenes de satlite: expansin del contraste y composiciones en color. 8. Correccin geomtrica. 9. Realce de imgenes: filtros digitales. 10. Transformaciones de imgenes: ndices de Vegetacin. 11. Extraccin de informacin temtica: clasificacin digital de imgenes de satlite.
1. El modelo de datos Raster. Grid. Visualizacin de datos raster en Arc View. Como ya sabemos, existen dos modelos de datos fundamentales dentro de los SIGs, el modelo vectorial y el modelo raster. Cada uno de ellos presenta ventajas y desventajas, de ah que ninguno se haya impuesto sobre el otro y convivan los dos desde el inicio de este tipo de sistemas. En una primera etapa, los SIG se desarrollaron para trabajar casi exclusivamente en uno de estos modelos de datos, si acaso con herramientas para importar datos del otro modelo, y la diferencia entre SIGs raster y SIGs vectoriales era muy marcada, lo que supona hacer una eleccin sobre el modelo de datos desde el principio, con todas sus consecuencias. En la actualidad, ya que cada modelo de datos es especialmente adecuado para determinados tipos de variables y anlisis, la tendencia es a incluir herramientas que permitan el tratamiento de los dos modelos de datos. En este mdulo 4 vamos a tratar la representacin y tratamiento de datos raster en general y especialmente de imgenes de satlite. En este modelo el rea de estudio es dividida mediante una retcula en una serie de celdas para las que se almacena el valor que toma el atributo que se est analizando en ese punto (por ejemplo uso del suelo, pendiente, temperatura). Cada celdilla, llamada pxel, tiene entonces un valor numrico que indica el valor que toma la variable en ese trozo de la superficie terrestre. Por ejemplo, si se trata de la representacin de una ciudad y el atributo son los distritos, el hecho de que una celdilla o pxel presente valor 6 significara que pertenece al distrito sexto (identificador); si es un mapa de usos del suelo y presenta el valor 23, significara que est destinado a uso urbano (atributo cualitativo), por ejemplo, si lo hemos codificado as; si es un mapa de pendientes y presenta valor 30 indicara que en esa celda la pendiente es del 30% (atributo cuantitativo). Frente al modelo vectorial, no se almacenan los lmites de los objetos espaciales, sino su interior, quedando los lmites implcitamente representados. El principal inconveniente del modelo de datos raster es que normalmente supone trabajar con ficheros muy grandes, almacenar mucha informacin. Es una estructura de datos muy poco compacta, ya que: - hay que almacenar datos para todas las celdas, independientemente de que esa informacin sea de inters en esa celda o no (por ejemplo, un mapa de carreteras en formato raster supone almacenar valores para muchas celdas que no son atravesadas por carreteras, a las que se les dara valor 0); - el formato raster ms sencillo slo permite almacenar un valor para cada celda, por lo que ser necesario crear una capa raster (o imagen) para cada variable temtica o atributo del que se
requiera informacin, incluso si sus lmites espaciales coinciden (municipios y provincias, por ejemplo). Por otra parte, este modelo de datos presenta algunas ventajas: - el espacio es representado de forma continua y muy simple, lo cual hace que los
sistemas raster tengan una gran capacidad analtica y que determinados procesos de anlisis sean especialmente sencillos, como por ejemplo la superposicin de mapas. La informacin topolgica est implcita, dada la regularidad de la retcula, de manera que conocemos sin dificultad los vecinos de cualquier elemento y, al ser regular, tambin el clculo de distancias entre celdas es muy sencillo. - por otra parte, la representacin del espacio de forma continua que encontramos en el modelo raster lo hace especialmente til para representar fenmenos que tienen una alta variacin espacial, que toman valores diferentes en cada punto del espacio, superficies, que el modelo vectorial tiene problemas para representar (tiene que hacerlo mediante puntos o mediante isolneas): altitudes, pendientes, precipitaciones, temperaturas - la organizacin de los datos raster es muy compatible con la forma de almacenar y acceder a los datos de los sistemas informticos, por lo que tienden a ser rpidos y eficientes en determinadas operaciones de anlisis de los datos, especialmente cuando ello supone realizar combinaciones matemticas. Por ello, son excelentes para el desarrollo de modelos medioambientales (por ejemplo, del riesgo de erosin o clasificaciones de suelo segn su aptitud para determinados usos, riesgo de incendio). - las imgenes obtenidas mediante los sistemas de teledeteccin espacial tienen estructura raster; por ello, los sistemas raster presentan la ventaja aadida de poder combinar fcilmente la informacin ya residente en el SIG con la informacin obtenida mediante esta fuente. Por ello, normalmente los SIG desarrollados mediante estructuras raster incluyen todas las utilidades y herramientas necesarias para el procesamiento especfico de imgenes de satlite. Los sistemas vectoriales, por su parte y en comparacin, son mucho ms eficientes en el almacenamiento de la informacin, producen representaciones grficas de mucha mayor calidad y gracias a que incluyen informacin topolgica explcita definida en bases de datos, determinados tipos de anlisis como las funciones de conectividad y de redes son ms eficientes en estos sistemas.
Un concepto fundamental en el modelo de datos raster es el de resolucin espacial. Hace referencia al tamao sobre el terreno de cada celdilla o pxel y por tanto determina el nivel de detalle de la informacin con que se trabaja. Cuanto menor es el tamao de la celdilla sobre el terreno (se dice que su resolucin espacial es mayor), ms detalle mostrar en la distribucin de la variable analizada, a mayores escalas se podr realizar el anlisis. Pero ello supone como contrapartida un nmero mayor de celdas, y un tamao de archivo tambin mayor que puede ralentizar todo el proceso de anlisis de los datos (por ejemplo, reducir el tamao de la celdilla a la mitad supone multiplicar el nmero de celdas de la imagen por cuatro). La eleccin del tamao de la celdilla para representar una determinada variable debe ser entonces resultado de un compromiso entre nivel de detalle requerido (tambin en relacin con la variabilidad espacial de la variable a representar) y eficiencia en el manejo de la informacin. En el modelo de datos raster la localizacin o coordenadas de cada celdilla se conoce implcitamente a partir de su tamao (resolucin) y su posicin (lnea y columna) con respecto al origen, del cual s se conocen las coordenadas. No se almacenan coordenadas para cada celdilla, slo las coordenadas del origen (esquina superior izquierda de la imagen) y el tamao de la celdilla (resolucin) en la unidad en que se expresen las coordenadas. Esta informacin suele acompaar al fichero raster en un archivo aparte, de texto, al que a menudo nos referimos como cabecera o archivo de documentacin. Por ejemplo, los ficheros world que se usan como cabeceras en Arc View contienen la siguiente informacin y tienen el siguiente formato: Tamao del pixel en horizontal (sentido de las x) Rotacin del pixel en el sentido de las x (fila) Rotacin del pixel en el sentido de las y (columna) Tamao del pixel en vertical (sentido de las y, con signo negativo porque las coordenadas lnea-columna empiezan en el ngulo superior izquierdo y las coodenadas y van disminuyendo hacia la parte inferior de la imagen) Coordenada x del centro del pixel del ngulo superior izquierdo (origen del archivo de imagen) Coordenada y del centro del pixel del ngulo superior izquierdo (origen del archivo de imagen) Por ejemplo: 20.17541308822119 0.00000000000000
0.00000000000000 -20. 17541308822119 424178.11472601280548 4313415.90726399607956 Con esta informacin, el sistema es capaz de asignar coordenadas x,y al archivo raster, de manera que se puede superponer con la informacin procedente de otras fuentes que corresponda a la misma zona (y tenga las mismas caractersticas geomtricas: proyeccin, datum y sistema de coordenadas).. Qu tipos de documentos raster se suelen utilizar ms frecuentemente en un SIG como Arc View? 1. En primer lugar se pueden incluir mapas temticos de diferentes variables en formato raster. Puede ser un mapa de usos del suelo, divisiones municipales, etc Pero, dado que estos mapas de manchas homogneas se almacenan ms eficientemente en formato vectorial, y ya que estamos en un sig vectorial, se reserva el formato raster normalmente para representar aquella variables para las que es ms eficiente: variables que toman valores diferentes en cada punto de la superficie terrestre, como por ejemplo altimetra. As, es muy frecuente incluir como base para una vista un modelo digital del terreno. (Por ejemplo, dtm999.tif). 2. Tambin se puede incluir en una vista un mapa general que haya sido escaneado; no podemos hacer anlisis con esa informacin, pero como forma de digitalizar escanear es mucho ms rpido y barato que la digitalizacin en formato vectorial.Por ejemplo, mapa a escala 1/10.000 de Andaluca, hoja de Mlaga (D105323.tif) 3. Es frecuente aadir como fondo en una vista fotografas areas. En este caso se suelen usar fotografas que hayan sido sometidas a un proceso de correccin de las distorsiones geomtricas que presentan por su modo de adquisicin (es decir, ortofotos). Por ejemplo, fotografa area de Mlaga (34149r.tif) 4. Imgenes de satlite. Son documentos adquiridos directamente en formato raster. Son una fuente de informacin muy til para los SIGs en general y suelen utilizarse para actualizar la informacin contenida en el sistema. Se puede aadir una imagen a una vista y usarla como base para la edicin y digitalizacin de datos vectoriales en pantalla, actualizando as la informacin. Tambin se puede extraer la informacin de la imagen de satlite mediante clasificaciones digitales u otras operaciones de tratamiento digital de imgenes, e integrar el resultado de esos
anlisis en el sistema. Por ejemplo, las imgenes SPOT y TM de las zonas correspondientes a las hojas 1045 y 1050 (sp10045.bip, sp1050.bip, tm1045.bip y tm1050.bip). 5. Cualquier otro documento que haya sido escaneado o directamente generado en formato raster se puede incluir en una vista, normalmente a efectos ilustrativos. Por ejemplo, fotos de la zona, visiones en 3 dimensiones (3dspot.jpg, anagli.bmp), etc Trabajar con documentos raster en Arc View Arc View es un sig vectorial; para realizar anlisis con datos raster es necesario disponer de una herramienta adicional, que se adquiere como un mdulo aparte y que se activa como una extensin (File extensions): el Spatial Analyst. Sin disponer del Spatial Analyst, prcticamente la nica operacin que se puede realizar con los datos raster en Arc View es visualizarlos. Con Spatial Analyst se incorporan interesantes herramientas para la gestin y el anlisis de datos raster. Sin Spatial Analyst, Arc View puede visualizar archivos raster en diferentes formatos: - BSQ, BIL y BIP - ERDAS LAN y GIS - ERDAS IMAGINE (una vez activada la extensin IMAGINE Image) - JPG (una vez activada la extensin JPEG Image) - BMP - TIFF y GeoTIFF Arc View permite visualizar tanto imgenes de una banda como imgenes de mltiples bandas. Sin el Spatial Analyst, Arc View tambin permite visualizar archivos raster en formato GRID, el formato raster especfico de Arc Info, pero como si fueran imgenes de una sola banda. Si se dispone de Spatial Analyst, Arc View puede trabajar con el formato raster propio de Arc Info, GRID, lo que permite una visualizacin ms verstil, consultar la informacin contenida en el archivo y realizar algunas operaciones de anlisis tpicas de los SIGs raster. Veamos primero cmo trabaja Arc View con imgenes, y despus nos centraremos en el formato GRID y las posibilidades que ofrece cuando disponemos del Spatial Analyst. Trabajar con imgenes en Arc View
7
- Para aadir un documento raster a una vista: - Aadir tema - Elegimos Image Data Source en la lista de Tipos de fuentes de datos (por defecto indica Feature Data Source, es decir, datos vectoriales) - Buscamos el directorio que contiene la imagen y hacemos doble click sobre su nombre. - Activamos el tema para que Arc View lo dibuje en la vista. Si queremos usar la imagen como fondo sobre el que representar informacin vectorial, nos aseguraremos de situarla la ltima en la lista de temas de la vista. Arc View permite modificar la forma en que se visualiza un archivo raster, editando su leyenda. Haciendo doble click en el nombre del tema se accede al Editor de la Leyenda de la imagen, que ofrece varias posibilidades para modificar los colores de la imagen:
- COLORMAP permite modificar el color con que se visualiza cada uno de los valores del documento raster. Para modificar un color individual se selecciona con un doble click y se elige un color de la paleta de Arc View. Tambin se pueden seleccionar las siguientes opciones: Gray: escala de grises, empezando por el negro para el valor ms bajo y terminando por el blanco. Frecuente para visualizar imgenes de satlite de una sola banda, modelos digitales del terreno, etc Nominal: aplica a la imagen una paleta de colores estandar propia de Arc View, de 16 colores. Si la imagen tiene ms de 16 valores, repite la misma paleta una y otra vez para los valores sucesivos. Random: aplica a la imagen una paleta de colores aleatorios. Ramp: aplica a la imagen una escala de colores que varan progresivamente desde el asignado al primer valor de la leyenda hasta el asignado al ltimo.
Adjust: permite modificar la paleta, cambiando su saturacin, intensidad, su cantidad de rojo, verde y azul. - LINEAR es una opcin que permite modificar el contraste con que se visualiza la imagen. Se usa sobre todo con imgenes de satlite o fotografas areas. Muestra un grfico que representa en el eje de las x los valores que contiene la imagen y en el eje de las y el valor con que se visualiza. Por defecto esa relacin es directa, es decir, si una celdilla tiene valor 0 se visualiza con el color 0 y si su valor es 123, con el color 123 de la paleta seleccionada. En el grfico se puede modificar la pendiente, y eso dar ms o menos contraste a la imagen. Si hacemos que la lnea tenga ms pendiente, estamos usando todos los colores disponibles para mostrar un rango menor de valores originales, por lo que la imagen tendr ms contraste, quedando saturados algunos de los valores ms bajos y ms altos. Si disminumos la pendiente, la imagen tendr menos contraste.
- INTERVAL agrupa los valores de la imagen en el nmero de intervalos especificados y les asigna los colores correspondientes a la paleta activa. - IDENTITY colorea cada valor del documento raster con el color que le corresponde de la paleta que est seleccionada en ese momento. Apply aplica los cambios realizados a la leyenda de la imagen. Revert permite deshacer inmediatamente cualquier cambio que hayamos hecho a la leyenda, pero slo una vez. Default nos devuelve a la leyenda original con que Arc View nos mostr la imagen. Arc View tambin permite visualizar imgenes multibanda, opcin que es aplicable bsicamente a la visualizacin imgenes de satlite.
Las imgenes de satlite suelen tener varias bandas, es decir, almacenan para cada celdilla, cada localizacin en la superficie terrestre, varios valores que corresponden a la respuesta de la superficie terrestre a un tipo de energa diferente: visible, infrarroja prxima, infrarroja trmica, etc.
Las bandas de una imagen pueden visualizarse por separado (seleccionando el botn Single Band) y entonces deben representarse en tonos de gris; tambin es posible visualizar a la vez tres bandas de una misma imagen (lo que obviamente ofrece ms informacin), asignado a una de ellas el color azul, a otra el verde y a la tercera el rojo (indicar Multi-Band), a lo que se llama normalmente composicin en color. En el caso de elegir una composicin en color, es posible aplicar a cada una de las tres bandas por separado las opciones de LINEAR (modificar el contraste), INTERVAL (clasificar en intervalos) e IDENTITY (que en la prctica, supone devolver cualquier cambio que hayamos hecho en la visualizacin de una banda a su posicin original). Todos los temas raster, sean imgenes en diferentes formatos o grids se visualizan con su geometra tal y como est, es decir, su geometra no es transformada en funcin de la proyeccin seleccionada en View Properties. Para que un tema raster coincida con los temas vectoriales de la misma zona tiene que haber sido previamente proyectado en la proyeccin, datum y sistema de coordenadas adecuado. GRID El formato raster especfico de Arc Info se llama GRID. Una Grid es un tipo de archivo raster un poco ms complejo que los mencionados hasta ahora, si no en su concepto, s al menos en su organizacin, que permite un uso ms eficaz que los archivos raster comunes, aunque su
10
tratamiento slo se puede hacer con Arc Info y un poco con la extensin Spatial Analyst de Arc View. Existen dos tipos de grid en funcin del tipo de datos que almacenen: - Integer grids: los valores de las celdillas son nmeros enteros, y hacen referencia a clases o categoras como usos del suelo, tipo de suelo, provincia, trmino municipal, etc Todas las grid integer incluyen una tabla INFO llamada Value Attribute Table (VAT), que siempre contiene al menos dos campos: VALUE y COUNT. Value es el valor que toman las celdillas de la grid, y Count es el nmero de celdillas de la grid que tienen asociado ese valor. Se pueden aadir a la VAT otros campos que representen otros atributos de cada categora. As se puede ahorrar espacio, al no ser necesario crear un archivo raster para cada una de las variables (por supuesto, esto slo es posible cuando la distribucin espacial de las diferentes variables coincide). Por ejemplo, en un mapa de suelos se puede incluir en su VAT informacin sobre varios atributos: tipo de suelo, pH, textura, profundidad media. En una grid integer, todas las celdas que tienen el mismo valor pertenecen a una zona, que no tiene que tener continuidad en el espacio. - Floating point grids: representan variables continuas, que por naturaleza pueden tomar valores decimales y que normalmente no dan lugar a zonas con continuidad espacial. Por ejemplo, variables tpicamente almacenadas en este formato son: altura (en los modelos digitales del terreno), densidad de vegetacin, orientacin, temperatura Las grid en este formato no tienen una tabla VAT asociada ya que la mayora de las celdas tienen valores que son nicos y no se repiten, y adems la naturaleza continua de la variable cuantificada excluye la posibilidad de asociarle otros atributos. El formato raster GRID admite el concepto de No Data. Frente a otros formatos raster, en los que a todas las celdillas es necesario asignarle un valor, aunque no se disponga de informacin para ella, Grid permite el uso de NO DATA. Aquellas zonas de las que no se tiene informacin se identifican mediante este valor. En todas las operaciones entre grids es posible predecir y controlar el output que se obtendr a partir de las celdillas clasificadas como NO DATA. Una ventaja fundamental de este formato y de la forma en que Arc Info y Arc View manejan los datos raster es que es posible hacer anlisis conjuntos entre grids con diferentes resoluciones y extensiones espaciales, cosa que en la mayora de los SIGs raster y software de tratamiento de imgenes no ocurre. En este caso, todas las grid que intervienen en el proceso de anlisis son automtica e internamente remuestreadas a la resolucin de la que tiene el pixel mayor, y el
11
resultado ser una grid con esa resolucin, con el lmite espacial de la zona en la que coincidan todas las grid.
- Para visualizar una grid es necesario aadirla a una vista como un tema. Cualquier grid nueva creada mediante operaciones de anlisis o conversin en una sesin de Spatial Analyst es aadida automticamente a la vista o al menos se nos pregunta si deseamos aadirla. Para aadir una grid a una vista: - Aadir tema - Seleccionamos Grid Data Source como Tipo de Dato:
- Buscamos el directorio que contiene la grid y la seleccionamos con un doble click. - Activamos la grid para que Arc View la dibuje en la vista. A menudo necesitaremos cambiar la leyenda para conseguir una visualizacin correcta de los datos. Para ello hay que acceder al Legend Editor, que para las grid es diferente del que hemos visto para las imgenes. Hay dos tipos de leyendas para las grid: gradacin de color y valor nico. - Valor nico es el tipo de leyenda que se debe utilizar cuando una grid contiene informacin sobre clases o categoras, informacin cualitativa (aunque haya sido almacenada en la grid como un valor numrico). Ejemplo: LC911045. En este caso, se trata de asignar un color a cada valor de la grid, sin que sea necesario seguir ninguna gradacin ni orden, puesto que ninguna categora est por encima ni por debajo de otra, simplemente es diferente.
12
Una vez seleccionado este tipo de leyenda, hay que elegir qu campo de la VAT se va a mostrar. Si la grid slo contiene informacin de una variable, ser Value.
A continuacin se debe elegir una de las paletas de color (Color Schemes) que ofrece Arc View o crear una nueva, editando cada uno de los colores de la leyenda (Symbol). Hay que sealar que para mostrar las grids slo estn disponibles colores slidos, sin tramas.
13
- Graduated color es el tipo de leyenda que se utiliza cuando la grid contiene informacin cuantitativa, y asigna una gradacin de colores a los valores de la grid clasificados en intervalos. Ejemplo DTM10045.
14
Si la grid es de tipo floating point, el Legend Editor no ofrece la posibilidad de usar el tipo de leyenda Unique value y en Values Field slo aparece value, ya que la grid no tiene VAT y por tanto no tiene informacin sobre Count. Una vez seleccionado este tipo de leyenda y el campo de valores que se quiere mostrar (ser Value), Arc View hace una clasificacin de los valores en 9 intervalos iguales. Puede clasificar los valores reales de la variable o previamente normalizarlos utilizando alguno de los campos existentes en la tabla VAT (Normalize by). Es posible cambiar el nmero de intervalos y el mtodo de clasificacin utilizando el botn Classify que aparece junto a Values Field:
El tipo de clasificacin, para grids integer puede ser:
Equal Area Agrupa las celdillas en intervalos para conseguir un nmero similar de celdillas en cada una de las clases resultantes. Se utiliza fundamentalmente para variables cuantitativas, cuando se quiere asegurar una visualizacin con un buen contraste. Equal Interval Agrupa las celdillas en intervalos de igual anchura, independientemente del nmero de celdas que se incluya en cada uno. Natural Breaks Agrupa las celdillas buscando puntos de ruptura naturales en los valores de la varialbe. Utiliza el mtodo Optimizacin de Jenk, que minimiza la suma de la varianza en el interior de cada clase. Con ello se pretende encontrar grupos naturales en la distribucin de la variable. Quantile Agrupa las celdillas de manera que existe el mismo nmero en cada una de las clases resultantes. Da exactamente el mismo resultado que la clasificacin Equal Area. El nmero de clases indica el tipo de cuantiles que se utilizan. Por ejemplo, si indicamos 4 clases estamos dividiendo los valores de la variable en cuatro intervalos cuyos lmites son los cuartiles de la variable, y en cada clase habr el 25% de las celdillas de la grid.
15
Standard Deviation Calcula la media y la desviacin tpica de la variable representada en la grid, y hace intervalos de , 1 desviacin tpica de anchura por encima y por debajo de la media, hasta que todos los valores de las variables estn includos en alguna clase. Como mximo llega hasta 3 desviaciones tpicas. Para grids floating point las opciones son solamente:
En cualquiera de los dos tipos de grids tambin es posible introducir una divisin en intervalos determinada, simplemente tecleando los intervalos deseados en la columna Value.
Si se cambian los intervalos, tambin se debe cambiar la etiqueta que aparecer en la leyenda junto a esa clase, en la columna Label. Si creamos una leyenda que vamos a querer usar ms de una vez, con otras grids, es posible almacenarla de manera que no haya que crearla de nuevo
16
cada vez. Para ello se usa el botn Save, indicando el directorio donde se quiere guardar y un nombre para el archivo de leyenda, que tendr la extensin .avl.
Para utilizar una leyenda ya almacenada, se utiliza el botn Load. Para volver a la leyenda por defecto, Default. Los botones que se encuentran debajo de la tabla de valores tienen los siguientes usos: Aadir clase. Sirve para aadir una clase al final de la leyenda. Borrar clase. Sirve para eliminar una clase de la leyenda (la que est seleccionada) Orden ascendente. Ordena las clases de manera que los elementos de la leyenda aparecen en orden ascendente por sus valores en Values o Count. Orden descendente. Ordena las clases de manera que los elementos de la leyenda aparezcan en orden descendente por sus valores en Values o Count. Null symbol. Permite indicar si queremos que el valor No Data aparezca como una clase en la leyenda o no. Invertir smbolos. Invierte el orden en que los smbolos (en este caso, colores) aparecen en la leyenda, sin alterar el orden de los valores o las etiquetas. Ramp Colors. Este botn construye una gradacin de colores entre el primer y el ltimo color de la leyenda. Si se quiere mantener algn color intermedio, es necesario seleccionarlo antes de usar esta opcin; as se crear una gradacin desde el primer color hasta el color seleccionado y otra desde ese color seleccionado hasta el ltimo de la leyenda.
Color Ramps se utiliza para elegir alguna de las paletas de colores predefinidas en Arc View.
17
muestra estadsticas muy bsicas de la grid, de cualquiera de los campos de su VAT.
Este botn permite aadir otra grid para modificar el brillo del tema que se est dibujando. As se consigue dar sensacin de profundidad. Normalmente se utiliza para ello una imagen de sombras generada a partir de un modelo digital del terreno, pero se pueden conseguir resultados espectaculares con otras variables que, por supuesto, deben ser continuas. Hay que elegir el tema que proporcionar la informacin de brillo.
Una vez seleccionado, se indicar el brillo que proporcionar el valor ms bajo y el ms alto de este tema.
18
Para terminar esta introduccin al manejo de las Grid en Arc View, veamos cmo se almacenan las grid. Cada grid se almacena en un directorio independiente dentro del workspace que contiene toda la informacin que Arc Info y Arc View necesitan sobre la grid. Las grid no son un solo archivo, como los otros formatos raster que hemos mencionado. Adems, cada grid almacena algunos archivos en el directorio INFO del workspace. Por eso, no se puede borrar, copiar, cambiar el nombre de las grid desde el Explorador de archivos de Windows. Slo se pueden borrar, copiar o renombrar grids utilizando la opcin Manage Data Sources que est disponible en el men File.
19
En esta ventana Source Manager debemos seleccionar Grid en la lista Source Types, identificar la grid que queremos borrar, copiar o renombrar y a continuacin la operacin que queremos hacer con ella. Si queremos copiar o renombrar una grid, aparecer posteriormente una ventana en la que indicaremos la nueva ubicacin y/o nuevo nombre de la grid.
20
2. Introduccin a Spatial Analyst. Spatial Analyst es una herramienta diseada para ayudar a descubrir y comprender relaciones espaciales en los datos. La principal aportacin de Spatial Analyst a las funcionalidades de Arc View es que permite visualizar y realizar anlisis con datos raster, en formato grid, adems de con temas vectoriales. Algunas operaciones de anlisis se realizan sobre datos raster y dan como resultado datos raster en formato grid, y otras se realizan sobre temas vectoriales y generan como resultado una grid. Spatial Analyst se aade a Arc View como una extensin, que debe activarse en el men File Extensions. Al activarse, la interfaz de usuario de Spatial Analyst se aade a la interfaz de usuario estandar para vistas de Arc View, y se producen algunos cambios. El cambio ms importante es que aparecen dos nuevos mens: Analysis y Surface, en los que se concentran las nuevas funcionalidades. En el men Analysis encontramos las siguientes funciones: Find Distance. Calcula la distancia al objeto ms prximo del tema activo. Assign Proximity. Asigna reas de proximidad a los objetos del tema activo. Calculate Density. Calcula densidad a partir de una cobertura de puntos. Cell Statistics. Obtiene estadsticas por celdillas a partir de varias grids. Summarize Zones. Calcula estadsticas para cada zona definida en una grid o un tema vectorial a partir de los valores de otra grid. Histogram By Zone. Crea un histograma con la distribucin de los valores de una grid para cada zona definida en otra grid o tema vectorial. Tabulate Areas. Realiza una tabulacin cruzada de las zonas entre dos temas. Por ejemplo, calcula las reas de cada uso del suelo en cada trmino municipal. Da como resultado una tabla. Map Query. Permite realizar consultas boleanas sobre varias grids. Map Calculator. Realiza operaciones matemticas entre grids, celda a celda. Neighborhood Statistics. Calcula estadsticas de los valores que se encuentran en un entorno especificado de una grid o un tema de puntos. Reclassify. Cambia los valores de una grid, especificando los valores nuevos que se asignarn a los valores originales. En el men Surface, las opciones son: Interpolate Grid. Crea una grid mediante interpolacin a partir de los valores de un tema puntual.
21
Create Contour. Genera un shape que contiene isolneas a partir de una grid, un tema de puntos o un tema TIN. Derive Slope. Calcula la pendiente en grados a partir de una grid o un tema TIN. Derive Aspect. Calcula la orientacin de cada celda en una grid o tringulo de un tema TIN. Cada celda en la grid resultante representa la direccin de mxima pendiente en la grid o TIN original, en valores de 0 a 360 grados. Compute Hillshade. Calcula valores de iluminacin a partir de una grid o un tema TIN. Calculate Viewshed. Realiza anlisis de visibilidad; identifica aquellas reas que son visibles desde una serie de posiciones identificadas mediante un tema de puntos o lneas. Adems, se aaden las siguientes funciones al men Theme: Convert to Shapefile (not added, but modified to work with grid themes) Convert to Grid Save Data Set. Los resultados de la mayor parte de las operaciones de anlisis de Spatial Analyst son temporales, para que sea posible evaluar su idoneidad antes de darlos por definitivos. Cuando se alcanza un resultado adecuado, es necesario archivarlo usando esta opcin. El status de la grid (temporary o permanent) se puede consultar en Theme Properties. Edit Theme Expression. Muestra y permite editar la expresin utilizada en Map Calculator o en Map Query para crear una grid. Las siguientes funciones se aaden al men File: Manage Data Sources Import Data Source. Permite importar archivos en formato ASCII Raster y Binary Raster. Export Data Source. Exporta grids al formato ASCII Raster o Binary Raster. Y aparecen dos nuevos botones: Histogram button. Calcula el histograma de la grid seleccionada, con la clasificacin en intervalos vigente en su leyenda. Contour tool. Create Contour.
22
3. Operaciones de consulta y extraccin de informacin. - Consulta de atributos para celdillas individuales. Para identificar los atributos que corresponden a una celdilla concreta de la grid, se utiliza la herramienta , que nos indicar el valor de la celda en el atributo que se est mostrando, el
valor de esa celda en todos los dems atributos que contiene la VAT (si la tiene), y la coordenada x e y del centro de la celdilla.
Si se tiene ms de una grid activa, en la tabla Identify Results aparecern, cada vez que se seale una celdilla, tantas lneas en la parte izquierda como grids activas haya, correspondiendo cada una de las lneas a una de las grid. Para ver los valores de la celdilla en cada grid no hay ms que seleccionar la grid requerida en la parte izquierda.
- Visualizacin de los atributos en forma de tabla. En las grid integer, la consulta de su tabla VAT permite obtener informacin a la vez de todos los atributos que contiene, lo cual no es posible cuando visualizamos una grid, ya que slo se puede visualizar un atributo cada vez. Para ver la tabla VAT de una grid integer, slo hay que pulsar el botn Abrir Tabla mientras la grid est activa.
23
Una vez abierta la tabla, se pueden consultar todos los atributos que contenga. Como mnimo, ya sabemos que son dos: Value y Count. Adems, se puede editar la tabla para aadirle ms atributos, si tenemos informacin de alguna otra variable que corresponda a la misma distribucin espacial (Table Edit Add Field). - Seleccin de celdas en funcin de sus atributos. Esta operacin es til para identicar reas que tienen unos valores determinados. A diferencia de lo que sucede en los temas vectoriales, no es posible seleccionar celdas en una grid simplemente sealndolas con la herramienta Select Feature (de hecho, esa herramienta no est disponible cuando una grid est activa). La seleccin de celdas en funcin de sus atributos slo se puede hacer en grids integer, de dos formas: - Seleccionando a partir de la tabla asociada a la grid. Con la grid activa, abriremos su tabla VAT y con la herramienta Seleccionar pinchamos el registro que contiene el valor que Start Editing;
nos interesa. Ello selecciona ese registro en la tabla, y a la vez todas las celdillas correspondientes en la grid. Para seleccionar ms de un valor a la vez, se mantiene pulsada la tecla Shift mientras pinchamos en todos los valores que nos interesen. Tambin se pueden usar los botones Select None y Switch Selection .
- Otra forma de seleccionar celdillas en una grid integer a partir de sus valores es usar la herramienta Query Builder . Las celdillas que cumplan los requisitos especificados en esa
consulta quedarn seleccionadas tanto en la tabla como en la visualizacin de la grid. Para grids floating point, como no disponen de VAT, no es posible realizar este tipo de seleccin a travs de sus atributos. En este caso, para buscar celdillas que cumplan una determinada condicin respecto a su valor, hay que usar la opcin Analysis Map Query, que crea una nueva grid temporal en la que aparecen con valor 1 las celdillas que cumplen la condicin especificada y con valor 0 las que no la cumplen. - Extraccin de estadsticas.
24
Conocer los parmetros estadsticos bsicos de los atributos de una grid suele ser bastante til. A menudo, es lo primero que debemos hacer para examinar datos que incorporamos al sistema: nos interesa saber cules son sus valores mnimo y mximo, su media y su desviacin tpica, al menos. Con ello conocemos mejor nuestros datos y plantearemos anlisis ms consistentes. Como ya sabemos, podemos obtener los valores estadsticos bsicos para la grid activa pulsando el botn Statistics que se encuentra en la ventana Legend Editor.
- Visualizacin de los atributos en forma de histograma. Un histograma es un grfico de barras que muestra las frecuencias de los diferentes valores de una variable. Es bastante til a la hora de evaluar la forma de la distribucin de frecuencias de la variable, que tiene importantes repercusiones en su tratamiento estadstico, especialmente en variables continuas. Por ejemplo, la visualizacin del histograma de una variable continua nos puede orientar sobre su cercana a una distribucin normal, lo que determina el tipo de anlisis estadstico que se puede realizar con los datos.
25
En el histograma de una grid cada barra muestra el nmero de celdillas que tiene valores comprendidos en ese intervalo. Los intervalos que muestra el histograma se cambian al modificar la clasificacin en la leyenda de la grid. Para hacer un histograma de todas las celdillas de una grid, slo es necesario pulsar el botn una vez que la grid est activa. Tambin es posible crear un histograma solamente de las celdillas que se encuentran en un rea determinada de la grid, con forma poligonal, lineal o puntual. Para crear un histograma de las celdas de una grid que estn contenidas en un rea definida por un dibujo: - Crea el rea de la que se van a extraer los valores de la grid con la herramienta Dibujo o, si ya estaba creada, seleccinala. - Activa la grid de la que se va a extraer el histograma. - Pulsa el botn Histograma. Una tercera forma de hacer un histograma de una grid es usar un tema vectorial de puntos, lneas o polgonos para definir qu celdas se usarn para crear el histograma. En este caso, se crear un histograma separado para cada valor de un atributo en el tema vectorial que determina las reas. Para crear un histograma de las celdas de una grid por reas definidas mediante un tema vectorial: - Activa el tema vectorial que contiene la informacin de las reas para las que se obtendrn los histogramas. Slo los objetos que estn seleccionados en este tema se usarn para definir las celdas de las que se calcular el histograma; si no existe ningn objeto seleccionado, se usarn todos. - Del men Analysis, selecciona Histogram By Zone. - Elige el campo que define los grupos para los que se extraer la informacin por separado. - Elige la grid de la que se van a extraer los histogramas.
26
4. Operaciones de anlisis. Casi todas las operaciones de anlisis que aceptan como datos de entrada o como formato de salida Grids se encuentran en el men Analysis. Antes de realizar cualquier tipo de anlisis, es posible establecer algunos aspectos bsicos, en la opcin Analysis Properties. En esta ventana, se puede especificar la extensin espacial que deseamos para el resultado del anlisis: - union de los temas de entrada, - la misma extensin que tenga la vista en el momento de establecer las propiedades del anlisis; si la extensin de la vista se cambia posteriormente, la del anlisis no cambiar, - interseccin de los temas de entrada, - unin de la extensin de los temas de entrada, - especificado por las coordenadas de sus esquinas, - current value vuelve a los valores fijados - igual que el de alguno de los temas que existen en la vista. Tambin se puede especificar el tamao de la celdilla que resultar del anlisis: - mximo o mnimo de las grids de entrada, - especificado en las unidades del sistema de coordenadas utilizado; en este caso, se puede especificar el tamao de la celdilla y entonces el sistema calcula el nmero de lneas y columnas, o se puede indicar el nmero de lneas y columnas deseado y el sistema calcula la resolucin, - current value devuelve el tamao de la celdilla al que sealaba cuando se abri el dilogo Analysis Properties, - el mismo que el de uno de los temas incluido en la vista. Finalmente, se puede especificar una mscara que identifique aquellas zonas de la grid para las que se quiere realizar el anlisis. La mscara debe ser una grid que contenga el valor No Data para aquellas celdillas que no deben intervenir en el anlisis, y cualquier valor para las celdillas cuando se abri la ventana Analysis properties,
27
que s deben usarse para las operaciones que se realicen. Para crear la mscara, se puede usar Map Query y/o Reclassify. Si se quiere analizar toda la extensin de la grid, se selecciona como Analysis Mask No Mask Set. Estas propiedades de anlisis son especficas para cada vista. En diferentes vistas, se pueden realizar anlisis con especificaciones diferentes. Las principales funciones de anlisis en las que intervienen datos en formato raster se pueden clasificar en los siguientes grupos: - Funciones estadsticas locales entre grids. - Distancia y proximidad. - Funciones zonales. - Reclasificacin. - Funciones y operaciones matemticas. lgebra de imgenes. - Funciones de vecindad. AUNQUE TAMBIN SON OPERACIONES DE ANLISIS DE DATOS RASTER, NO SE
MENCIONAMOS LAS OPERACIONES INCLUDAS EN EL MEN SURFACE, YA QUE CLCULO DE DERIVADAS DEL MODELO. - Funciones estadsticas locales entre grids.
ESTUDIARN EN EL MDULO 5, AL TRATAR LOS MODELOS DIGITALES DEL TERRENO Y
Consiste en la superposicin de varias grids y el clculo de estadsticas para cada celdilla a partir de todas ellas. El resultado es una grid, que en cada celdilla muestra el valor que toma el parmetro estadstico seleccionado calculado a partir de los valores de esa celdilla en todas las grid de entrada. Los parmetros estadsticos que permite calcular son: - mayora: el valor que ms veces se repite en esa celdilla. No suele tener mucho sentido utilizarlo en grids floating point. - mximo: el valor mximo para esa celdilla en la serie. - media: la media aritmtica de los valores de esa celdilla en la serie. - mediana: la mediana de los valores de esa celdilla en la serie. - mnimo: el valor mnimo para esa celdilla en la serie. - minora: el valor que menos se repite para esa celdilla en todas las grid analizadas. - rango: la diferencia entre el valor mximo y el mnimo para esa celdilla.
28
- desviacin tpica: la desviacin estandar de los valores de esa celdilla a lo largo de la serie. - suma: la suma de los valores de esa celdilla en las grids seleccionadas. - variedad: el nmero de valores diferentes que se encuentran para esa celdilla en las grids analizadas. No suele tener sentido utilizar esta opcin para grids Floating point o que representan variables continuas. Se usa a travs de la opcin Analysis Cell Statistics, que slo est disponible cuando estn activas varias grids (aquellas de las que se van a extraer las estadsticas por celdillas). Como en gran parte de las operaciones de anlisis sobre grids, el resultado es una grid temporal que se pierde al cerrar el proyecto. Si el resultado nos parece satisfactorio, es necesario convertirlo en una grid permanente archivndola mediante Save Data Set.
- Distancia y proximidad. Los anlisis de distancia, como su nombre indica, calculan la distancia de cada celdilla a la fuente ms prxima, que puede ser una carretera, un colegio, un pozo, un determinado tipo de tienda, segn el objetivo del trabajo. Se realizan con la opcin del men Analysis Find Distance. Find Distance puede realizarse sobre una grid o un tema vectorial, y genera como resultado una grid en la que cada celdilla tendr el valor que corresponda a la distancia desde su centro al objeto ms prximo del tema activo, teniendo en cuenta slo los objetos selecccionados si es que los hay. Cuando se realiza sobre una grid, se consideran objetos respecto a los que calcular la distancia todas las celdas que no tengan valor No Data. Es una distancia exclusivamente euclidiana, no se tienen en cuenta costos.
29
Los anlisis de proximidad asignan cada celdilla a la fuente de la que se encuentra ms cerca. La fuente ms cercana se determina mediante el clculo de la distancia euclidiana de cada celdilla a la fuente, sin tener en cuenta costos ni redes. Por ejemplo, se puede utilizar para determinar el centro de salud ms cercano para una serie de campamentos juveniles. Se hace con la opcin Analysis Assign Proximity. Igual que Find Distance, puede realizarse sobre una grid o tema vectorial. Si se aplica sobre un tema vectorial en el que hay determinados objetos seleccionados, slo se tendrn en cuenta stos. Si se hace sobre una grid, slo se tendrn en cuenta las celdillas que contengan un valor diferente a No Data. El resultado es una grid, en la que cada celdilla tendr el valor del objeto ms cercano, al que ha sido asignada. - Funciones zonales. Las funciones zonales extraen informacin de una grid o tema vectorial por zonas definidas por otra grid o tema vectorial. Entre ellas se encuentran Tabulate Areas, Summarize Zones e Histogram By Zones. Analysis Tabulate Areas: Realiza una tabulacin cruzada entre dos temas, calculando el rea que corresponde a cada combinacin de valores. El resultado es una tabla, que muestra en las filas los valores que toma uno de los temas y en las columnas los valores de otro. En cada celdilla de la tabla indican el rea afectada por esa combinacin de atributos. Se puede utilizar cuando la vista contiene dos temas vectoriales o dos grids integer o uno de cada. No se puede utilizar con grids en formato Floating Point, y no tiene mucho sentido hacerlo para grids que muestran informacin de una variable continua. Aunque sea en formato integer, ya que no agrupa los valores en intervalos. Si en los temas a analizar existen objetos seleccionados, slo extraer las reas para ellos. Analysis Summarize zones: Calcula una serie de parmetros estadsticos para todas las celdillas de una grid que se encuentran en cada zona definida por un tema vectorial u otra grid. Como resultado, genera una tabla que contiene el valor de los parmetros estadsticos calculados para cada zona y un grfico de uno de esos parmetros. Para grids integer calcula las siguientes estadsticas: rea, mnimo, mximo, rango, media, desviacin tpica, suma, variedad, mayora, minora, and mediana.
30
Para grids tipo floating point calcula rea, mnimo, mximo, rango, media, desviacin tpica y suma. Esta opcin est disponible cuando la vista contiene al menos una grid, y est activa una sla grid integer o un solo tema vectorial, que es el que define las zonas. Si en el tema que define las zonas (el que est activo) se han seleccionado slo algunas, las estadsticas se calcularn slo para ellas. Si no, se calcularn para todas las zonas presentes en el tema. - Reclasificacin. Las funciones de reclasificacin cambian los valores de una grid, dndole valores nuevos a intervalos de valores definidos por el usuario. Funciona de forma muy parecida a la opcin Classify del editor de leyendas, pero en este caso se crea una nueva grids con los valores especificados. Est disponible en Analysis Reclassify. El botn Classify funciona igual que en el Legend Editor, y debe utilizarse para indicar el nmero de clases deseadas y el tipo de clasificacin deseada (intervalos iguales, reas iguales, desviaciones tpicas por encima y por debajo de la media). Una vez fijado el nmero de intervalos, es posible modificar los lmites de cada clase editando manualmente la columna Old Values y los valores que se asignarn a cada intervalo en la columna New Values. Si se va a aplicar la misma
reclasificacin a varias grid, es posible guardar los valores en un fichero que tendr la extensin .rcl (con el botn Save) y que posteriormente slo habr que llamar cuando estemos reclasificando otra grid con el botn Load. Los dos botones situados encima de Load sirven para aadir o quitar una clase a la clasificacin. - Funciones y operaciones matemticas. lgebra de imgenes.
31
Los operadores matemticos aplican una operacin matemtica a los valores de dos o ms grids. Las funciones matemticas aplican una funcin matemtica a los valores una sola grid. En los dos casos, el resultado es una grid en la que cada celdilla contiene el valor resultante de aplicar la operacin o funcin especificada a los valores de la(s) grid(s) de entrada. A estas funciones de accede a travs de Analysis Map Calculator. Map Calculator aparece descrito en la ayuda de Arc View de la forma siguiente:
To use the Map Calculator: 1 2 From the Analysis menu, choose Map Calculator. The Map Calculator dialog aids in the creation of an expression that produces a new output grid
theme. The expression can be based on a single grid theme or multiple grid themes. To aid in the creation of the expression, there are five groups of inputs in the Map Calculator dialog. The first is the Layers scrolling list which identifies the available grid layers in the active view; the second, arithmetic operator buttons; the third, a keypad of numbers; the fourth, a group of relational and Boolean operators; and the fifth, a series of mathematical functions. A typical sample session follows. 3 4 5 6 7 8 9 10 Double-click on a layer from the Layers scrolling list. Press one of the arithmetic operators (e.g., *, /, -, and +). Press the appropriate numbers on the keypad to apply to the values of the input layer using the Press another arithmetic operator. Choose a second layer from the Layers scrolling list. Choose a mathematical functional group from the dropdown list to the far right of the Map Calculator Choose one of the mathematical buttons that appears in the mathematical function group of buttons. Repeat steps 6 - 9 until you've entered all components of the expression. Press Evaluate. As you make selections from the input scrolling list and buttons, an expression builds in the expression box in the Map Calculator dialog. If you use the mouse to select from the input scrolling list and buttons, only valid expressions can be created in the expression box. However, if you type directly into the expression box, you can create an invalid expression. Once you make a choice from one of the input scrolling list or press a button. the error checking is reinstated for the subsequent mouse choices. The Map Calculator can create simple expressions with a single function or complex with many operations and functions. Mathematical operators apply a mathematical operation to the values in two or more input grid themes; mathematical functions apply a mathematical function to the values in a single input grid theme. There are three groups of mathematical operators in the Map Calculator: Arithmetic, Boolean, and Relational.
arithmetic operation.
(e.g., Logarithms, Arithmetic, Trigonometric, or Power).
32
Arithmetic Operators - The Arithmetic operators (*, /, -, +) allow for the addition, subtraction, multiplication, and division of two grid themes, or numbers, or combination of the two. Boolean Operators - The Boolean operators (And, Not, Or, and Xor) use Boolean logic (TRUE or FALSE) on the input values. Output values of TRUE are written as 1 and FALSE as 0. Relational Operators - The Relational operators (<, <=, <>, =, >, and >=) evaluate specific relational conditions. If the condition is TRUE, the output is assigned 1; if the condition is FALSE, the output is assigned 0. In an avalanche study, a relational operator can be used to show the areas of highest avalanche risk by identifying all cells that are greater than 5,000 meters. There are four subgroups of mathematical functions: Logarithms, Arithmetic, Trigonometric, and Powers. Logarithm - The Logarithm functions perform exponential and logarithmic calculations on input grid themes and numbers. The base e , base 10 and base 2 exponential capabilities and the natural log, base 10 , and base 2 logarithmic capabilities are available. Arithmetic - The Abs button takes the absolute value of the values in an input grid theme, Two rounding functions, the Ceil and Floor buttons, convert decimal-point values into whole numbers. The Int and Float buttons convert values from and to integer and floating-point values. And, the IsNull button returns 1 if the values on the input theme are No Data, and 0 if they are not. Trigonometric - Trigonometric functions perform various trigonometric calculations on the values in an input grid theme. The sine , cosine , tangent , inverse sine , inverse cosine , and inverse tangent functions are available. Power - The square root of the values on the input grid layer can be calculated, the square determined, or the values can be raised to a power. To edit the expression of a grid theme, activate the grid theme created from a previous map calculation. From the Theme menu, choose Edit Theme Expression. The Map Calculator dialog appears, with the current expression that created the grid theme displayed in the expression box. To change any of the components of the expression, highlight the portion of the expression to change, press the delete key on the keyboard, and then type in the desired component. To perform another expression, bring up a second Map Calculator dialog with Map Calculator in the Analysis menu. The Not button before an operator evaluates the opposite of the operator. The Parenthesis button allows you to force the sequence of the evaluations within an expression. By default, the expression is evaluated from left to right. However, with parentheses, the evaluation will first occur within the parenthesis and then go through the other criteria from left to right. The output grid theme from Map Calculator is automatically named "Map Calculation" followed by a unique number. The grid data set associated with the output theme is written to the project's working directory, with the name "calc" followed by a unique number. Use Properties in the Theme menu to find out which data set is associated with which theme. Use Properties in the Project menu to change the project's
33
working directory. The grid data set associated with the output theme is temporary and is deleted when the theme is deleted. Use Save Data Set in the Theme menu or save the project to prevent the grid data set from being deleted when the theme is deleted.
Map Calculator (Dialog box) Allows you to create mathematical statements with the grid themes found in the active view. Creates an output grid theme using an expression. If you change the expression, it will change the values in the output grid theme instead of creating a new output. The dialog wont let you use something that doesnt make sense at a particular time. When the dialog first comes up, you will only be able to select a grid theme or number. It does not make sense to start an expression with anything else. Once you select a grid theme you wont be able to select another grid theme or number until you choose an operator. As you build your expression, it will be displayed in the dialog. You are also allowed to type into the expression displayed in the expression box. Once you type into the expression box, the dialog is unable to help you press the correct buttons to build an expression until you use another button in the dialog. If you would like to apply an operator to just part of the expression, then highlight that part in the expression box and hit the Parenthesis button before using the operator. Dialog box options Layers. All of the grid themes in the active view will be shown in the Layers list. Double-click on a Layer to use it in the expression. An integer grid theme will have a separate layer for each field found in its table. These will be denoted as [<Theme name>.<Field name>]. This is useful if you have an integer grid theme of soil types that also has a field of pH values. If you need to use pH in an expression, you can select [Soils.pH]. Numbers. Numbers can be thought of as grid themes that have the same value for every cell. For example, multiplying a grid theme by 3, would be like multiplying the value of each cell by 3. To use a number as a grid theme, press the AsGrid button after you input the number. Numbers used as arguments for other functions or operators, such as rotation angle, dont need to be modified with AsGrid.
34
Expression box. Displays the expression being built. Any Avenue expression that results in a grid object can be typed into the expression box. Operators. The Map Calculator offers many operators that can be used between two grid themes or numbers, like addition, or used on a grid theme or number, like a logarithm. El Map Calculator de Arc View es una de las herramientas de anlisis que ms se utiliza cuando se trabaja con el modelo de datos raster, junto con Reclassify. En muchos casos, el anlisis de los datos hasta llegar a la solucin de un problema espacial puede resolverse slo con estas dos opciones.
- Funciones de vecindad. Las funciones de vecindad calculan, para cada celdilla de una grid, el valor de un parmetro estadstico a partir de los valores de la celdilla que se analiza y los de una serie de celdillas situadas en su vecindad (especificada de diferentes formas). Se encuentra disponible en la opcin Analysis Neighbourhood Statistics. Los parmetros estadsticos que se pueden calcular teniendo en cuenta la vecindad de una celdilla son: mayora, mximo, media, mediana, mnimo, minora, rango, desviacin tpica, suma y variedad. La vecindad de una celdilla se puede especificar como un rectngulo (de cualquier dimensin), un crculo (de cualquier radio), un anillo o una cua en cualquier direccin.
35
Fundamentos bsicos de la teledeteccin

4.1- Introduccin a la teledeteccin 4.1.1-
Contenidos
Componentes de un sistema de teledeteccin espacial

4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial
I Curso de Experto Universitario en Sistemas de Informacin Geogrfica Universidad Internacional de Andaluca Sede Iberoamericana Santa Mara de la Rbida
Definicin de teledeteccin (Remote Sensing) Sensing)

Tcnicas para la localizacin y recogida de datos de objetos y fenmenos a distancia, sin contacto fsico con el objeto o fenmeno de inters. Concepto muy amplio.
1. 2. 3. 4. 5.
Componentes de un sistema de teledeteccin

Fuente de energa Atmsfera Superficie terrestre Sistema sensor Sistema de recepcin y comercializacin Intrprete Usuario final
Obtener informacin sobre objetos o fenmenos del sistema terrestres a partir de imgenes adquiridas a distancia, mediante mediciones de la energa electromagntica reflejada o emitida por esos objetos o fenmenos de inters, desde plataformas espaciales. espaciales.
6. 7.

Fuente de energa Sistema sensor Sistema de recepcin y comercializacin
Adquisicin de una imagen

Filtro que separa distintos tipos de energa Detectores que miden la cantidad de energa de cada tipo
Atmsfera
B1 B2 B3 ... Bn
23 45 87 ... 16
NDi,j,k
Intrprete Superficie terrestre
Lsu,i,j,k Usuario final

Chuvieco, 2002
Chuvieco, 2002
Qu es una imagen digital?
Estructura de la imagen
ra l es pe ct ci n Lo ca l iz a
BANDA 4 BANDA 5
Z
BANDA 7
BANDA 6
BANDA 3
ND i,j,7 ND i,j,6
BANDA 2 BANDA 1
NDi,j,5 ND i,j,4 ND i,j,3 ND i,j,2 ND i,j,1
Grey Levels Digital Numbers Pixel Values Nivel Digital

Localizacin espacial
Chuvieco, 2002
Chuvieco, 2002
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.24.1.3- Principales aplicaciones de la teledeteccin
Contenidos
Ventajas de la observacin espacial
Principales ventajas de la teledeteccin espacial

1. Visin global. 2. Adquisicin instantnea y homognea. homognea. 3. Cobertura frecuente y peridica. 4. Regiones no visibles del espectro. 5. Formato digital.
4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial
Ventajas de la teledeteccin espacial:
1. Visin global
2. Adq. instantnea y homognea Adq.
Datos NOAA-AVHRR Fitoplancton en el mediterrneo: Seawifs
3. Cobertura frecuente y peridica

(Huracn Andrew, 1992). Cortesa ESA
4. Regiones no visibles del espectro (multiespectralidad) (multiespectralidad)
Visible
Infrarrojo trmico
Infrarrojo medio
5. Formato digital
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3-
Contenidos
Aplicaciones de la teledeteccin
Grey Levels Digital Numbers Pixel Values Nivel Digital

Chuvieco, 2002
4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial
Aplicaciones de la teledeteccin
Muy variadas: siempre que un determinado objeto o fenmeno tenga una respuesta peculiar frente a la energa electromagntica, puede electromagntica, ser estudiado a travs de imgenes de satlite, seleccionando correctamente el sistema a utilizar.
Algunos ejemplos de aplicaciones de la teledeteccin (1/3)

Anlisis en tiempo real de masas nubosas Estimacin de precipitaciones Control de la acumulacin nival y de su fusin: disponibilidad de recursos hdricos Control del movimiento de icebergs en zonas polares Seguimiento de corrientes marinas (ej. El Nio)

Inventario de aguas superficiales Control de la calidad del agua Cartografa trmica del ocano (circulacin, recursos pesqueros..) Erosin de playas y arenales Cartografa geolgica y exploracin minera

Cartografa de usos del suelo (land (land cover) ) cover Inventarios forestales Evaluacin stress de la vegetacin: sequa, riesgo de incendios... Cartografa reas afectadas por incendios Estadsticas agrarias Prediccin del rendimiento de cultivos
Aplicaciones de la teledeteccin:
cartografa y seguimiento de zonas afectadas por incendios
productividad primaria masas de agua ocenicas
seguimiento del estado de glaciares
Contaminacin de playas
Proximidades de Venecia. Efluentes de algas en reas contaminadas por nitratos. Sheffield, 1978
Movimientos del ocano

Imagen del ERS-1 sobre el Estrecho de Gibraltar
(Cortesa ESA, 1992)
Vertidos de petrleo
Concentraciones de Ozono Ozono
TOMS NOAA
Radarsat. Inmediaciones de la Plata, Arg. Enero 1999 Cortesa DAIS
DLR, 2001
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2-
Contenidos
Tipo de procesos en teledeteccin

Teledeteccin pasiva (1) reflexin; (2) emisin; Teledeteccin activa (3) emisin-reflexin
Principios fsicos de la teledeteccin

4.2.1- Fund. de la observacin remota 4.2.2- El espectro electromagntico
(1)
(3) (2)
4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial
Chuvieco, 2002
Esquema de una onda electromagntica

= Longitud de onda
Campo elctrico Campo magntico
Espectro electromagntico
La sucesin de valores de longitud de onda es continua, pero se pueden establecer bandas en las que la radiacin electromagntica tiene un comportamiento similar. La organizacin de estas bandas se denomina espectro electromagntico
Frecuencia (MHz) 14
10 10
13
F = frecuencia
Amplitud
10
12
10
11
10
10
10
10
CERCANO
10
10
10
10
10
10
INFRARROJO MEDIO
ULTRAVIOLETA
MICRO-ONDAS RADAR RADIO, TV. UHF VHF 1 10
RAYOS GAMMA
RAYOS - X
TRMICO
0,01
0,1
10
100
0,1
10
100
0,1
10
Longitud de onda ()
Angstroms Micrmetros
ESPECTRO VISIBLE
Centmetros
Metros
C=xF Q=hxF
C = velocidad de la luz = 299893 km/s h = constante de Planck = 6.6 x 10-34 Julios/s
Chuvieco, 2002
AZUL VERDE ROJO 0,4 0,5 0,6 0,7 m
Chuvieco, 2002
Principales divisiones del espectro electromagntico
Ultravioleta
0.30-0.38 micrmetros 0.30Muy afectada por la atmsfera Aplicaciones especficas: - estudios geolgicos - manchas de petrleo en el agua - ozono
RAYOS GAMMA
Frecuencia13(MHz) 14 12
10 10 10 10
11
10
10
10
10
CERCANO
10
10
10
10
10
10
INFRARROJO MEDIO
ULTRAVIOLETA
RAYOS - X
TRMICO
0,01
0,1
10
100
0,1
10
100
0,1
10
Longitud de onda ()
ESPECTRO VISIBLE AZUL VERDE ROJO 0,4 0,5 0,6 0,7 m
Centmetros
Metros
Chuvieco, 2002
Emitancia radiativa de un cuerpo negro
Visible
0.38-0.73 m 0.38Lmites objetivos: sensibilidad de la visin humana visi Coincide con el mximo de emisin m emisi solar Se divide en tres bandas elementales:
Azul: 0.38-0.50 m 0.38 Verde: 0.50-0.60 m 0.50 Rojo: 0.60-0.73 m 0.60-
Infrarrojo
10
2
Frecuencia (MHz) 14
10 10
13
10
12
10
11
10
10
10
10
CERCANO
10
10
10
10
10
0.73 15 m Se divide en:

Infrarrojo cercano o prximo: 0.73-1.3 pr 0.73m Infarrojo medio: 1.3-8 m 1.3 Infarrojo lejano o trmico: 8-15 m t 8-
INFRARROJO MEDIO
ULTRAVIOLETA
RAYOS GAMMA
RAYOS - X
TRMICO
0,01
0,1
10
100
0,1
10
100
0,1
10
Longitud de onda ()
Centmetros
Metros
Chuvieco, 2002
Se denominan as por su posicin en as posici el espectro con respecto a la radiacin visible radiaci
Infrarrojo
Infrarrojo cercano (IRC): 0.73-1.3 0.73m
Energa reflejada Energ Utilizada en fotografa (tambin se fotograf (tambi llama infrarrojo fotogrfico) fotogr til para estudiar masas vegetales y niveles de humedad
Infrarrojo
Infrarrojo medio (IRM): 1.3 8 m Zona de transicin reflejada-emitida: transici reflejada En las longitudes de onda ms cortas m predomina la energa reflejada de la energ inicialmente procedente del sol (parecido al IRC) En las longitudes de onda mayores, predomina la energa emitida por el energ sistema terrestre (parecido al IRT)
Infrarrojo
Infrarrojo lejano trmico (IRT): 8815 m Se llama as porque coincide con las as longitudes de onda de mayor emisin emisi por parte del sistema terrestre, dada su temperatura. Es energa emitida por la superficie energ terrestre, no reflejada de la procedente del sol.
Microondas
10
2
Frecuencia (MHz) 14
10 10
13
10
12
10
11
10
10
10
10
CERCANO
10
10
10
10
10
INFRARROJO MEDIO
RAYOS GAMMA
RAYOS - X
TRMICO
Longitud de onda entre 1mm- 1m 1mmBajos niveles de energa (por la gran longitud de onda) Sensores activos: RADAR
ULTRAVIOLETA
0,01
0,1
10
100
0,1
10
100
0,1
10
Longitud de onda ()
Centmetros
Metros
Chuvieco, 2002
Algunas leyes de la radiacin electromagntica

Ley de Planck Cualquier cuerpo que se encuentre a una temperatura superior al 0 absoluto emite energa, y la cantidad de energa que emite aumenta a medida que lo hace la temperatura
Algunas leyes de la radiacin electromagntica

Ley del desplazamiento de Wien: Wien: La longitud de onda a la que se produce la mxima emitancia de un cuerpo es inversamente proporcional a su temperatura. max = 2898 m / T
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3-
Contenidos
La interaccin de la atmsfera con la radiacin electromagntica
4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial

4.3- La interaccin de la atmsfera con la radiacin electromagntica Dispersin (reflexin):

Rayleigh. Rayleigh. Mie No selectiva.
Atmsfera
Absorcin (filtro). Emisin (generacin).
Chuvieco, 2002
Usuario final
Dispersin atmosfrica
(Scattering) Scattering) Reflexin de la eem que atraviesa la atmsfera en todas las direcciones, al chocar con las partculas suspendidas en la atmsfera o con las molculas de los gases que la componen.
Factores de los que depende

Espesor de atmsfera que la eem tiene que atravesar. Longitud de onda de la eem. eem. Tamao y abundancia de las partculas en suspensin en la atmsfera.
Tipos de dispersin atmosfrica

Inversamente proporcional a la cuarta potencia de la longitud de onda (Ley de Rayleigh)
Intensidad de la dispersin (%)
Dispersin Rayleigh
80
Rayleigh: < . Afecta a las ms Rayleigh: m cortas y es la ms intensa: cielo. m
60
Mie: . Afectan a mayores : Mie: . aerosoles y polvo atmosfrico. atmosf No selectiva. >. Por igual en cualquier : nubes
40
20
0,4
0,5
0,6
0,7
0,8
0,9 m
Tomado de Chuvieco, 2002
(adaptado de Campbell, 1987)
Efectos de la dispersin atmosfrica en las imgenes

Disminuye la radiancia directa y aumenta la radiancia difusa (luz atmosfrica). Se reduce el contraste y por tanto la calidad de la imagen. Para evitarla, no se usan las bandas de corta, si no hay una razn raz poderosa para ello.
Efecto de la dispersin atmosfrica
Fotografa tomada desde un avin, a unos 8000 metros
Efecto de la dispersin atmosfrica
Absorcin atmosfrica
Selectiva en cuanto a la . Provocada fundamentalmente por cuatro gases:
Oxgeno molecular (O2): ultravioleta < 0,1 m, IRT. Ozono (O3): ultravioleta < 0.3 m, microondas (27 mm). CO2: IRT (15 m), e IRM (2,5 a 4,5 m). EFECTO INVERNADERO Vapor de agua: 5.5 7 m.
Imagen TM de Cabaeros (Septiembre 1997) Color natural sin y con expansin Tomado de Chuvieco, 2002
Ventanas atmosfricas
Slo se puede utilizar en teledeteccin la eem que no es retenida por la atmsfera. Esos tipos de energa se conocen con el nombre de VENTANAS ATMOSFRICAS.
Transmisividad Atmosfrica (%)
100
Principales ventanas atmosfricas

Espectro visible e IRC: 0.38 1.35 m IRM:
1.5 2.0 2.9 4.5 1.8 m -2.4 m 4.2 m 5.5 m.
50
0 0,4 0,7 1 2 3 5 10
(...)
10.000
IRT: 8 14 m Microondas: > 27 mm
(adaptado de Lillesand y Kiefer, 1994)
Emisin
La atmsfera, igual que cualquier otro cuerpo, tambin emite eem en cantidades y controladas por su temperatura (leyes de Planck y Wien). Wien). Afecta fundamentalmente a los estudios trmicos de la superficie t terrestre.
Correcciones atmosfricas
Pretenden eliminar el efecto de la atmsfera en las imgenes Problemas:
La composicin de la atmsfera (y por tanto su efecto sobre las imgenes) vara en el espacio y en el tiempo. Muy raramente se dispone de informacin sobre la composicin de la atmsfera simultnea a la adquisicin de la imagen.
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caract. espectrales 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua
Contenidos

Atmsfera
de las principales cubiertas

4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial
Chuvieco, 2002
Usuario final
Caractersticas espectrales de las principales cubiertas

Cuando la eem incide sobre un objeto, pueden tener lugar tres procesos (dependientes de ):
% reflectividad
Signatura o firma espectral

Grfico que muestra la reflectividad de un objeto en funcin de la longitud de onda. Se llama as porque suele ser caracterstica de ese objeto o cubierta concreta y permite reconocerlo.
60 50 40 30 20 10 0 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 (m)
Reflexin Absorcin Transmisin
De los tres, el que ms nos interesa en TD pasiva es la reflexin, y el parmetro clave es la Reflectividad: Proporcin de la Reflectividad: energa incidente que es reflejada por un objeto = r / i
80 70 60 % reflectividad
Firmas espectrales
agua vegetacin arena hormign nieve
Signatura espectral de la vegetacin

60 % reflectividad 50 40 30 20 10
Pigmentos Estructura hoja celular
Contenido de agua
50 40 30 20 10 0 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 (m)
0 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4
(m)
Vis
IRC
SWIR
Tomado de Chuvieco, 2002 Tomado de Chuvieco, 2002
Sig.espectral de la vegetacin
80 70 60 % reflectividad
Signatura espectral del agua
Vegetacin sana Vegetacin enferma
50 40 30 20 10 0 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 (m)
Vis
IRC
SWIR
80 70 60 % reflectividad 50 40 30 20 10 0
Signatura espectral del suelo
Modelos de respuesta espectral

La respuesta espectral de una misma cubierta no es nica, cambia en el espacio y en el tiempo por ello, algunos autores prefieren hablar de MODELOS DE RESPUESTA ESPECTRAL que de Signaturas espectrales. Estos grficos nos orientan sobre qu bandas utilizar para estudiar una determinada cubierta, pero las condiciones de adquisicin de las imgenes hacen que todo sea un poco ms complejo.
0,4
0,6
0,8
1,2
1,4
1,6
1,8
2,2
2,4
(m)
Vis
IRC
SWIR
Factores que modifican la reflectividad caracterstica

Geometra de la observacin: ngulo de elevacin solar, pendiente, etc.. Influencia de la atmsfera. Asociacin con otras cubiertas dentro de una misma celdilla (pixels mezclados) Estado de la cubierta: humedad, composicin, etapa de crecimiento, suelo sobre el que se sita, etc.
Signatura espectral extrada de una imagen
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin
Contenidos
Concepto de resolucin
La resolucin de un sistema sensor es su habilidad para registrar, discriminndola, informacin de detalle (Chuvieco, 1996) NIVEL DE DETALLE:
espacial espectral temporal radiomtrico
4.5.1- Concepto de resolucin

4.5.2- Tipos de sensores 4.5.3- Plataformas de teledeteccin espacial
Concepto 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
Resolucin espacial
Tamao sobre el terreno de la mnima unidad de informacin contenida en la imagen (pixel). (pixel). Depende de: altura orbital, IFOV del sensor, tipo de sensor... Muy variada: 1m (Ikonos) 5 km (Ikonos) (Meteosat)
59.09 33.27 0.00
Temporal
Radiomtrica
Distintos rangos de resolucin espacial
Resolucin espacial e identificacin de cubiertas

70 100 20 50 100 160 150 200 190 150 200 200 200 100
100
190
(a) 1 m; (b) 5 m; (c) 10 m; (d) 30 m

Tomado de Chuvieco, 2002 Tomado de Chuvieco, 2002
Resolucin espectral
Nmero y anchura de las bandas espectrales que puede discriminar el sensor. Grandes diferencias entre sistemas de teledeteccin: pancromticos y multiespectrales, generales y especficos.
20
Efecto de la resolucin espectral sobre la discriminacin de cubiertas

Reflectividad (%) Reflectividad (%) 20
0 (a) 0,4 0,5 0,6 0,7 m
0 (b) 0,4 0,5 0,6 0,7 m
Vegetacin sana Vegetacin enferma
Resolucin temporal
Frecuencia con que el sensor adquiere una imagen del mismo punto de la superficie terrestre. Depende fundamentalmente del tipo y altura de la rbita. Grandes diferencias entre sistemas: 15 minutos (MSG) 26 das (SPOT)
Resolucin radimtrica
Capacidad del sensor para detectar variaciones en el nivel de radiancia espectral que recibe. Nmero de niveles o valores digitales usados para codificar la informacin: 64, 128, 256, 1024 2048 (6, 7, 8, 10 u 11 bits)
Resolucin radiomtrica
4 bits
3 bits
2 bits
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin
Contenidos
4.5.2- Tipos de sensores

4.5.3- Plataformas de teledeteccin espacial
Tipos de sensores
Activos
Radar
Explorador de Barrido
ptica
Pasivos
Fotogrficos ptico-electrnicos pticoExploradores de barrido Exploradores de empuje
Direccin de la trayectoria
Direccin de Barrido
Oscilacin del espejo ptica
Oscilacin del espejo ptica
Direccin de Barrido
Direccin de Barrido
Funcionamiento (MODIS)
Explorador por empuje

ptica
modis.nasa.gov Tomado de Chuvieco, 2002 Tomado de Chuvieco, 2002
Explorador por empuje

ptica
4.1- Introduccin a la teledeteccin 4.1.1- Componentes de un sistema de teledeteccin espacial 4.1.2- Ventajas de la observacin espacial 4.1.3- Principales aplicaciones de la teledeteccin 4.2- Principios fsicos de la teledeteccin 4.2.1- Fundamentos de la observacin remota 4.2.2- El espectro electromagntico 4.3- La interaccin de la atmsfera con la radiacin electromagntica 4.4- Caractersticas espectrales de las principales cubiertas 4.4.1- La vegetacin 4.4.2- Los suelos 4.4.3- El agua 4.5- Sistemas espaciales de teledeteccin 4.5.1- Concepto de resolucin 4.5.2- Tipos de sensores 4.5.3-
Contenidos
Plataformas
Tipos de plataformas (satlites)

rbita geoestacionaria
Ejemplo: Meteosat, GOES Meteosat,
rbita geoestacionaria
rbita heliosincrnica polar

Ejemplo: Landsat, SPOT
(NASDA, 1999) Tomado de Chuvieco, 2002
rbita heliosincrnica
Principales sistemas de teledeteccin espacial

Landsat 5 Landsat 7 IRS 1C IRS 1D SPOT 3 SPOT 4 IKONOS-2 IKONOSSeaSTAR NOAA METEOSAT TERRA EOS ERS-2 ERS-
(NASDA, 1999) Tomado de Chuvieco, 2002
LANDSAT 5
Lanzamiento 01-03-1985 01- 03rbita Heliosincrnica casi polar Inclinacin 98.2o Altura orbital 705 km Sensores a bordo: MSS y TM
R.espectral 0.50-0.60 0.50(verde) 0.60-0.70 0.600.70-0.80 0.700.80-1.10 0.8010.4-12.5 10.4-
Sensor MSS
(Multispectral Scanner)
R.radiomtrica R.espacial 256 ND (8 bits) 79 m (120 en la banda trmica) R.temporal 16 das Ancho escena 185 km
(rojo) (IRC) (IRC) (IRT)
Imagen MSS
R.espectral 0.45-0.52 0.450.52-0.60 0.52(verde) 0.63-0.69 0.630.76-0.90 0.761.55-1.75 1.5510.4-12.5 10.42.08-2.35 2.08(azul)
Sensor TM
(Thematic Mapper) Mapper)
R.radiomtrica R.espacial 256 ND (8 bits) 30 m (120 en la banda trmica) R.temporal 16 das Ancho escena 185 km
(rojo) (IRC) (IRM) (IRT) (IRM)
LANDSAT 7
Lanzamiento 15-04-1999 15- 04rbita Heliosincrnica casi polar Inclinacin 98.2o Altura orbital 705 km Sensores a bordo: ETM+
R.espectral 0.45-0.52 0.450.52-0.60 0.520.63-0.69 0.630.76-0.90 0.761.55-1.75 1.5510.4-12.5 10.42.08-2.35 2.08azul verde rojo IRC IRM IRT IRM
ETM+
R.radiomtrica R.espacial 30 30 30 30 30 60 30 m m m m m m m R.temporal Ancho escena
256 ND (8 bits)
185 km 16 das
0.52-0.90 0.52(PAN)
15 m
Imagen ETM+
IRS 1C y 1D
rbita heliosincrnica casi polar Sensores a bordo: Pan, LISS III y WIFS 1C
Lanzamiento 28-12-95 28- 12Altura orbital 817 km Inclinacin 98.69o
R.espectral
Pan
R.radiomtric R.espacia R.tempora Ancho escena l l a 64 ND (6 bits) 5.8 metros 24 das 70 km
1D
Lanzamiento 29-09-97 29- 09Altura orbital 874 km Inclinacin 98.65o
0.5 0.75 micras
Imagen PAN
Pars
Imagen PAN
Atlanta
Imagen PAN
R.espectral
LISS III
R.radiomtric R.espacia R.tempora Ancho escena l l a 128 ND (7 bits) 23 23 23 70 m m m m
0.52-0.59 0.52(verde) 0.62-0.68 0.62(rojo) 0.77-0.86 0.77(IRC) 1.55-1.70 1.55(IRM)
24 das
141 km
Imagen LISS III

R.espectral
WIFS
R.radiomtric R.espacia R.tempora Ancho escena l l a 128 ND (7 bits) 188 m 188 m 5 das 810 km
0.62-0.68 0.62(rojo) 0.77-0.86 0.77(IRC)
Imagen WIFS
Sicilia
Imagen WIFS
Grecia
SPOT
rbita Heliosincrnica casi polar Inclinacin 98o Altura orbital 822 km SPOT 3 Lanzado el 25-9-93 25Sensores: HRV-P HRVHRV-XS HRVSPOT 4 Lanzado el 24-3-98 24Sensores: HRVIR VEGETATION
Cambio del ngulo de observacin
Observacin vertical
Mejora resolucin temporal
Visin estereoscpica
HRV-P
R.espectral R.radiomtrica R.espacial R.temporal Ancho escena 26 das 60 km
R.espectral
HRV-XS
R.radiomtrica R.espacial R.temporal Ancho escena
0.51-0.73 0.51(Pan)
256 ND (8 bits)
10 m
0.50-0.59 (verde) 0.500.61-0.68 (rojo) 0.610.79-0.89 (IRC 0.79-
256 ND (8 bits)
20 m 20 m 20 m
26 das
60 km
Imagen HRV-XS
R.espectral 0.610.68 (rojo) 0.61
HRVIR
Modo MONOESPECTRAL
R.radiomtrica R.espacial 256ND (8 bits) 10 metros R.temporal 26 das Ancho escena 60 km
Modo MULTIESPECTRAL
R.espectral 0.50-0.59 0.50(verde) 0.61-0.68 (rojo) 0.610.79-0.89 (IRC) 0.791.58-1.75 (IRM) 1.58R.radiomtrica R.espacial R.temporal Ancho escena 60 km
256 ND (8 bits)
20 m
26 das
VEGETATION
R.espectral R.radiomtrica R.espacial R.temporal Ancho escena
Imagen VEGETATION
0.50-0.59 0.500.61-0.68 0.610.79-0.89 0.791.58-1.75 1.58-
verde 256 ND rojo (8 bits) IRC IRM
1165 m
1 da
2250 km
Imagen del 8 de Septiembre de 1999
IKONOS-2
Lanzamiento 24-09-1999 24- 09rbita heliosincrnica casi polar Inclinacin 98.1o Altura 681 km Sensores PAN, MS
Sensor PAN
R.espectral R.radiomtrica R.espacial R.temporal 1 metro Ancho escena
0.450.90 2048 ND 0.45 (pancromtico) (11 bits)
Programable 11 km
Sensor MS
R.espectral R.radiomtrica R.espacial R.temporal Ancho escena 11 km
0.450.53 azul 0.45 0.52-0.61 verde 2048 ND 0.52(11 bits) 0.64-0.72 rojo 0.640.77-0.88 IRC 0.77-
4 metros
Program. Program.
Productos IKONOS
Imagen IKONOS
El Pentgono 15-9-2001 15-
www.spaceimaging.com
SeaStar
Lanzamiento 01-08-1997 01- 08rbita Heliosincrnica casi polar Altura 705 km Sensor SeaWIFS Destinado a estudios oceanogrficos
R.espectral 0.402-0.422 0.4020.433-0.453 0.4330.480-0.500 0.4800.500-0.520 0.5000.545-0.565 0.5450.660-0.680 0.6600.745-0.785 0.7450.845-0.885 0.845-
SeaWIFS
R.radiomtric R.espacial R.tempor al a Ancho escena
1024 ND (10 bits)
1100 m
1 da
2800 km
Productos SeaWIFS:
Concentracin media de clorofila en invierno
Productos SeaWIFS:
Concentracin media de clorofila en verano
Satlites NOAA
Diseado inicialmente para aplicaciones meteorolgicas. La serie se inicia en Abril de 1960 (TIROS-1). (TIROSltima generacin (TIROS-NOAA) operativa desde 1978 (TIROSrbita polar y heliosncrona. heliosncrona. Altitud: 833-870 km 833Normalmente operan dos satlites con rbitas complementarias Sensores: AVHRR, TOVS ... Satlites operativos en la actualidad: NOAA-14 NOAA NOAA-15 NOAA NOAA-16 NOAA-
AVHRR
(Advanced Very High Resolution Radiometer) Radiometer)
Se instal por primera vez en el NOAA 6 (1979) Radimetro de barrido multiespectral ngulo de barrido 55.4o Resolucin espacial en nadir 1,1 km, Resoluci km, decrece hasta 2.4 x 6.5 km en los extremos.
NOAA-AVHRR
R.espectral
1: 0.58-0.68 (rojo) 0.582: 0.72-1.10 (IRC) 0.723A: 1.58-1.64 (da) 1.583B: 3.55-3.93 3.55(noche) 4: 10.3-11.3 (IRT) 10.35: 11.5-12.5 (IRT) 11.5-
Ventajas e inconvenientes
Ancho escena
Resolucin radiomtrica
Resol. espacial 1100 m
Resolucin temporal
1024 ND (10 bits)
12 horas
3000km
Libre recepcin Cobertura global Alta resolucin temporal Continuidad
Distorsiones geomtricas por la gran anchura de barrido Resolucin espacial insuficiente para escalas de detalle
Imagen NOAA-AVHRR
Cuenca Mediterrnea
Imagen NOAA-AVHRR
Pennsula Ibrica
Imagen NOAA
Noruega
Meteosat-7
Lanzado el 02-09-1997 02- 09rbita Geoestacionaria Altura orbital 35900km Posicin: 0oN 0oE Sensor: MOP Radiometer
MOP Radiometer
R.espectral R.espacial en nadir 2.5 km 5 km 5 km R.temporal
Imagen Meteosat-7
0.4-1.1 (Visible Albedo) 0.45.7-7.1 (IRM- Vapor de 5.7(IRMagua) 10.5-12.5 (IRT 10.5Temperatura)
30 minutos
Imagen GOES
Bandas Meteosat 7
Banda visible
Temperatura
Vapor de agua
MSG
(Meteosat Second Generation) Generation)
SEVIRI
Lanzado en Agosto 2002 Informacin en www.esa.int/msg Mejora la resolucin temporal: 15 minutos Varios sensores:
SEVIRI
(equivalente al MOP radiometer, con muchas radiometer, mejoras en resolucin espacial y espectral)
GERB. Estudio del balance de radiacin terrestre.

Resolucin espacial: 3 km para el VNIR y 1 km para los visibles
Terra EOS AM-1

Lanzado en Diciembre de 1999 rbita heliosincrnica casi polar Altura orbital 705 km Proyecto conjunto de EEUU, Japn y Canad Programa global de observacin de la Tierra: gran nmero de sensores de aplicacin diversa
Sensores Terra EOS

CERES: Clouds and the Earth Radiant Energy System MISR MODIS ASTER MOPITT: Measurement of Pollution in the Troposphere
CERES
Comparacin entre radiacin de onda corta y larga. Anlisis de anomalas trmicas a escala planetaria (El Nio). Impacto de la actividad humana. Distribucin regional de nubosidad.
MISR
Sensor multiangular, diseado para multiangular, el estudio de:
Partculas y aerosoles atmosfricos Cantidad, tipo y altura de las nubes Estructura del dosel vegetal
terra.nasa.gov
Imagen MISR multiangular
MODIS
Libre distribucin 36 bandas Resolucin espacial:
250 metros en visible e irc 500 metrosen bandas de vapor de agua 1000 metros en infrarrojo trmico
MISR: Islas Canarias 29 Febrero 2000 a) 70.5 adelante; b) nadir; c) 70.5 atrs terra.nasa.gov
Imagen MODIS
ndice global de vegetacin
Imagen MODIS
Vapor de agua en la atmsfera
http://modis.gsfc.nasa.gov
ASTER
3 bandas pancromticas (15 metros) con cobertura estereoscpica 6 bandas en el infrarrojo medio (30 metros) 5 bandas trmicas (90 metros)
Imagen ASTER
Imagen de Algeciras adquirida por el ASTER el 5 de julio de 2000. Cortesa NASA (http://visibleearth.nasa.gov).
Imagen ASTER-MODIS
Huracn Isabel 18-9-2003 18-
MOPITT
Absorcin diferencial de los distintos gases Estudios de contaminacin
Imagen MOPITT
Distribucin de CO y CH4
Sistemas de radar
SeaSat SIR-C SIRERS-2 ERSAlmaz Radarsat JERS
Aplicaciones del radar Vertidos de petrleo
Altmetros: altura media de la superficie del mar
Radarsat.
Inmediaciones de la Plata, Arg. Enero 1999 Cortesa DAIS
Datos del ERS
Resumen de las caractersticas de los sistemas de teledeteccin ms utilizados.
E. Snchez Rodrguez
SISTEMAS DE TELEDETECCIN 1. PLATAFORMAS

NOMBRE Landsat-5 Landsat-7 IRS 1C IRS 1D SPOT 3 SPOT 4 IKONOS-2 QUICKBIRD-2 SeaStar NOAA 14 NOAA 15 NOAA 16 METEOSAT 7 MTP4 TERRA EOS AM-1 ERS-2 RADARSAT FECHA TIPO RBITA LANZAMIENTO 01-03-1985 Heliosincrnica casi polar 15-04-1999 28-12-1995 29-09-1997 25-09-1993 24-03-1998 24-09-1999 Finales 2001 01-08-1997 30-12-1994 13-05-1998 21-10-2000 02-09-1997 18-12-1999 20-04-1995 04-11-1995 Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar Geoestacionaria Heliosincrnica casi polar Heliosincrnica casi polar Heliosincrnica casi polar ALTURA ORBITAL 705 km 705 km 817 km 874 km 822 km 822 km 681 km 450 km 705 km 840 km 840 km 840 km 35900 km 705 km 785 km 798 km 98.7-98.9 98.7-98.9 98.7-98.9 Posicin 0oN 0oE 98.3 98.52 98.6 INCLINACIN 98.2 98.2 98.69 98.65 98 98 98.1 98 MSS, TM ETM+ Pan, LISS III, WIFS Pan, LISS III, WIFS HRV-P, HRV-XS HRVIR, VEGETATION PAN, MS Pancromtico, Multiespectral SeaWIFS AVHRR (versin 2) AVHRR (versin 3) AVHRR (versin 3) MOP Radiometer ASTER, CERES, MISR, MODIS, MOPITT AMI, ATSR, MWR, RA, COME SAR SENSORES A BORDO FINALIDAD Rec. Naturales Rec. Naturales Rec. Naturales Rec. Naturales Rec. Naturales Rec. Naturales Rec. Naturales Rec. Naturales Oceanografa Atmsfera, Rec. Naturales Atmsfera, Rec. Naturales Atmsfera, Rec. Naturales Meteorologa Atmsfera Rec. Naturales Rec. Naturales
E. Snchez Rodrguez
2. SENSORES
SENSOR/PLATAFORMA TIPO RESOLUCIN ESPECTRAL (micras) 5 bandas: 0.50-0.60 (verde) 0.60-0.70 (rojo) 0.70-0.80 (IRC) 0.80-1.10 (IRC) 10.4-12.5 (IRT) 7 bandas: 0.45-0.52 (azul) 0.52-0.60 (verde) 0.63-0.69 (rojo) 0.76-0.90 (IRC) 1.55-1.75 (IRM) 10.4-12.5 (IRT) 2.08-2.35 (IRM) 8 bandas: 0.45-0.52 (azul) 0.52-0.60 (verde) 0.63-0.69 (rojo) 0.76-0.90 (IRC) 1.55-1.75 (IRM) 10.42-12.5 (IRT) 2.08-2.35 (IRM) RESOLUCIN RADIOMTRICA 256 niveles (8 bits) RESOLUCIN ESPACIAL (metros) 79 (120 en trmico) RESOLUCIN TEMPORAL 16 das ANCHO ESCENA
MSS Landsat 5
Pasivo
185 km
TM Landsat 5
Pasivo
256 niveles (8 bits)
30 (120 en banda 6)
16 das
185 km
ETM+ Landsat 7
Pasivo
30 en B 1, 2, 3, 4, 5,7 16 das 60 en B 6 15 en B 8 (Pan)
185 km
Pan IRS 1C/1D LISS III IRS 1C/1D
Pasivo Pasivo
0.52-0.90 (pancromtica) 1 banda: 64 niveles (6 bits) 0.5-0.75 4 bandas: 128 niveles (7 bits) 0.52-0.59 (verde) 0.62-0.68 (rojo) 0.77-0.86 (IRC) 1.55-1.70 (IRM)
5.8 23 (70 en banda 4)
24 das 24 das
70 km 141 km
Resumen de las caractersticas de los sistemas de teledeteccin ms utilizados. SENSOR/PLATAFORMA TIPO RESOLUCIN ESPECTRAL (micras) 2 bandas: 0.62-0.68 (rojo) 0.77-0.86 (IRC) 1 banda: 0.51 0.73 (visible) 3 bandas: 0.50-0.59 (verde) 0.61-0.68 (rojo) 0.79-0.89 (IRC) 2 modos: MONOESPECTRAL: 0.61-0.68 (rojo) MULTIESPECTRAL: 0.50-0.59 (verde) 0.61-0.68 (rojo) 0.79-0.89 (IRC) 1.58-1.75 (IRM) 4 bandas: 0.50-0.59 (verde) 0.61-0.68 (rojo) 0.79-0.89 (IRC) 1.58-1.75 (IRM) 1 banda: 0.45-0.90 4 bandas: 0.45-0.53 (azul) 0.52-0.61 (verde) 0.64-0.72 (rojo) 0.77-0.88 (IRC) 1 banda: 0.445-0.900 RESOLUCIN RADIOMTRICA 128 niveles (7 bis) 256 niveles (8bits) 256 niveles (8 bits) RESOLUCIN ESPACIAL (metros) 188 10 20
E. Snchez Rodrguez RESOLUCIN TEMPORAL 5 das 26 das 26 das ANCHO ESCENA
WIFS IRS 1C/1D HRV-P SPOT 3 HRV-XS SPOT 3
Pasivo Pasivo Pasivo
810 km 60 km 60 km
HRVIR SPOT 4
Pasivo
10 en monoestpectral 26 das 20 en multiespectral
60 km
VEGETATION SPOT 4
Pasivo
1165
26 das
2250 km
PAN IKONOS-2 MS IKONOS-2
Pasivo Pasivo
2048 niveles (11 bits) 1 2048 niveles (11 bits) 4
Programable Programable
11 km 11 km
Pancromtico QUICKBIRD-2 Pasivo
2048 niveles (11 bits) 0.61
Programable
16.5 km
Resumen de las caractersticas de los sistemas de teledeteccin ms utilizados. SENSOR/PLATAFORMA TIPO RESOLUCIN ESPECTRAL (micras) 4 bandas: 0.45-0.52 (azul) 0.52-0.60 (verde) 0.63-0.69 (rojo) 0.76-0.89 (IRC) 8 bandas: 0.402-0.422 0.433-0.453 0.480-0.500 0.500-0.520 0.545-0.565 0.660-0.680 0.745-0.785 0.845-0.885 5 bandas: 0.58-0.68 0.725-1.10 3.55-3.93 10.3-11.3 11.5-12.5 5 bandas: 1: 0.58-0.68 2: 0.725-1.10 3A: 1.58-1.64 (da) 3B: .55-3.93 (noche) 4: 10.3-11.3 5: 11.5-12.5 3 bandas: visible vapor de agua trmico RESOLUCIN RADIOMTRICA 2048 niveles (11 bits) 2.5 RESOLUCIN ESPACIAL (metros)
E. Snchez Rodrguez RESOLUCIN TEMPORAL Programable ANCHO ESCENA
Multiespectral QUICKBIRD-2 Pasivo
16.5 km
SeaWIFS SeaStar
Pasivo
1024 niveles (10 bits) 1100
1 da
2800 km
AVHRR NOAA 14
Pasivo
12 horas
3000 km
AVHRR NOAA 15-16
Pasivo
12 horas
3000 km
MOP METEOSAT7 MTP4
Pasivo
Visible: 2km en nadir Vapor de agua y trmica: 5 km en nadir
30 minutos
Hemisferio completo
E. Snchez Rodrguez
PGINAS WEB: SEAWIFS: seawifs.gsfc.nasa.gov/SEAWIFS.html LANDSAT: geo.arc.nasa.gov/sge/landsat/landsat.html SPOT: www.spotimage,fr TERRA: www.earthobservatory.nasa.gov SISTEMAS DE TELEDETECCIN INDIOS: www.csre.iitb.ernet.in/isro/index.html METEOSAT: www.eumetsat.de EURIMAGE (LANDSAT, ERS, IKONOS, IRS, NOAA): www.eurimage.com
ALGUNOS PRECIOS:
Landsat 5 MSS: Escena completa (1975 a 1993): 200 Landsat 7 EMT+: Escena completa (185 x 185 km): 1500 (250.000 pesetas) Cuarto de escena (100x 100 km): 1300 (217.000 pesetas) 12 adquisiciones consecutivas de la misma escena: 6.000 Ikonos: Pancromtica multiespectral, corregida geomtricamente: 99 dlares por km2. Pedido mnimo, 25 km2. Pancromtica y multiespectral integrada: 155 dlares por km2. Pedido mnimo, 25 km2. IRS-1C/D: Escena completa PAN: 2500 1/9 escena PAN: 900 Escena completa LISS III: 2500 Cuarto de escena LISS III: 1900 Escena completa WIFS: 800
Visualizacin de imgenes: expansin del contraste y composiciones en color

I Curso de Experto Universitario en Sistemas de Informacin Geogrfica Universidad Internacional de Andaluca Sede Iberoamericana Santa Mara de la Rbida
Visualizacin de imgenes
Bandas sueltas
Las bandas sueltas se visualizan siempre en tonos de gris. gris. Valores ms bajos se representan en tonos ms oscuros, porque al sensor llega menos energa.
Expansin del contraste

(Contrast Stretch) Objetivo: mejorar el aspecto visual de la imagen para facilitar su interpretacin, aumentando su contraste. Tres tcnicas fundamentales: - expansin lineal - expansin lineal con saturacin - ecualizacin del histograma
Banda 5 TM
Histogramas de imgenes
Una imagen digital est formada por nmeros (que indican cantidad de eem reflejada o emitida por la celdilla correspondiente), que se pueden someter a anlisis estadsticos:
Medidas de tendencia central (media) Medidas de dispersin (rango, desv. tpica) Distribucin de las frecuencias: HISTOGRAMA
Histogramas de imgenes
Muestra las frecuencias de los valores digitales Es muy til en una primera valoracin de la imagen:
Su posicin informa sobre la tonalidad dominante en cada banda Su anchura se relaciona con el contraste (a mayor anchura, mayor dispersin y mayor contraste al visualizar la imagen) Su forma nos puede indicar la presencia de cubiertas diferenciadas (picos)
Histograma grfico
Histograma numrico
Histogram of sevilla1 Class Lower Limit Upper Limit Frequency 0 76.0000 76.9999 2 1 77.0000 77.9999 11 2 78.0000 78.9999 27 3 79.0000 79.9999 54 4 80.0000 80.9999 60 5 81.0000 81.9999 79 6 82.0000 82.9999 193 7 83.0000 83.9999 228 176 252.0000 252.9999 0 177 253.0000 253.9999 1 178 254.0000 254.9999 0 179 255.0000 255.9999 2 Class width = 1.0000 Display minimum = 76.0000 Display maximum = 255.0000 Actual minimum = 76.0000 Actual maximum = 255.0000 Mean = 117.6355 Stand. Deviation = 16.6849 df = 49999 Prop. 0.0000 0.0002 0.0005 0.0011 0.0012 0.0016 0.0039 0.0046 0.0000 0.0000 0.0000 0.0000 Cum. Freq. Cum. Freq. 2 13 40 94 154 233 426 654 49997 49998 49998 50000 Cum. Prop. Cum. Prop. 0.0000 0.0003 0.0008 0.0019 0.0031 0.0047 0.0085 0.0131 0.9999 1.0000 1.0000 1.0000
Expansin lineal del contraste

Se utiliza cuando la imagen no tiene valores que cubran el rango de niveles de visualizacin. Es similar a la operacin que realiza color a en Idrisi. Ejemplo: en una imagen con valores digitales entre 56 y 239, el 56 pasara a ser el 0 y el 239 el 255.
Histograma original TM Sevilla Banda 1
Expansin lineal del contraste TM Sevilla Banda 1
Expansin lineal con saturacin

Se pierden el porcentaje de valores digitales inferiores y superiores que se desee, asimilndose al 0 y al 255 respectivamente.
Mnimo: 0 Mximo: 255
Expansin lineal con saturacin (2%)
TM Sevilla Banda 1
Ecualizacin del histograma

Se intenta que en la nueva imagen, haya aproximadamente el mismo nmero de celdillas con cada valor. Da como resultado imgenes ms equilibradas a la vista, puesto que cada tono de gris ocupa la misma superficie en la imagen.
TM Sevilla Banda 1
Efecto de la expansin del contraste

Banda 1 original Expansin lineal min-max Saturacin al 2%
Objetivos
Visualizar a la vez ms informacin (tres bandas de la imagen en lugar de una) Facilitar la interpretacin a travs del uso del color (resulta ms fcil de interpretar que los tonos de gris)
Composiciones en color
Formacin del color
Azul
Sntesis coloreada
Verde
Teora aditiva
Rojo
Distintas composiciones en color de la misma imagen

TM 123 Color natural TM 234 Infrarrojo color
TM 345
TM457
Composicin en color
Imgenes originales Bandas en tonos de color
Distintas asignaciones de color

(mismas tres bandas Landsat TM)
345 543
Infrarrojo color (V-R-IRC)

(Landsat TM 234) 1 4 2 5 6
354
453
3 1. Suelos; 2: Pastizal; 3 Urbano; 4 Regado; 5. Cultivos en descanso; 6: Residencial
Correccin geomtrica
Proceso por el cual la geometra de la imagen se hace planimtrica. Generar funciones que transformen las coordenadas de imagen (lnea y columna) a coordenadas de mapa (UTM u otras). La referencia puede ser un mapa o una imagen de otra fecha.
Tipos de correccin geomtrica

Orbitales:
Errores sistemticos. Conocidas a priori. Automatizables.
Estadsticas (por PUNTOS DE CONTROL)

Modelizacin inductiva. Errores aleatorios. Necesitan cartografa de apoyo / GPS.
Chuvieco, 2002
Correccin por puntos de control: fases

Localizacin de los puntos de control Interpolacin espacial: clculo de las funciones que transformarn las coordenadas de la imagen en las del sistema de referencia. Interpolacin radiomtrica: transferencia de los valores digitales a su nueva posicin.
Localizacin de puntos de control

Muestra de las distorsiones geomtricas que presenta la imagen. La calidad de la correccin depende de una correcta seleccin de los PC. Localizacin:
Identificable en la imagen y el documento de referencia (mapa o imagen o sobre el terreno con GPS). Lugares estables.
Distribucin:
Que cubran toda la zona. A distintas alturas si las hay.
Nmero (cuantos ms, mejor):

Depende del tamao de la imagen y el grado de distorsin geomtrica. El mnimo necesario viene dado por el grado de la ecuacin de ajuste (3 para grado 1, 6 para grado 2, 10 para grado 3, etc). etc).
Ejemplo de puntos de control
Chuvieco, 2002
Clculo de las funciones de transformacin (Interpolacin espacial)

Funciones matemticas que ponen en relacin las coordenadas de la imagen con las del sistema cartogrfico de referencia. Se calculan por regresin mltiple a partir de las coordenadas de los puntos de control.

Ejemplo ms simple: transformacin de primer grado: X = a + bC + dL Y = e + fC + gL
A, b, d, e, f y g son los coeficientes de regresin, C y L son las variables las independientes (columnas y lneas de la imagen), X e Y son las variables dependientes)
Slo produce rotacin o traslacin de la imagen. Corrige slo deformaciones lineales.

Un poco ms complejo: transformacin de segundo grado: X = a + bC + cL + dC2 + eL2 + fCL Y = g + hC + iL + jC2 + kL2 + lCL Los coeficientes se derivan tambin por regresin mltiple, pero ahora hay ms variables independientes (C, C2, L, L2 y CL) Corrige deformaciones ms complejas.

El error cometido por la correccin se evala comparando las coordenadas reales de los PC con las que ha calculado la ecuacin de transformacin, a travs del Error medio cuadrtico (RMS) o residual para cada punto y el error medio para toda la imagen (media de los errores para cada PC):
Valoracin del error
Error medio cuadrtico o residual para cada PC

RMS = (ccorr - corig )2 + ( l corr - l orig )2
Lcorr Lorig Lneas
Corregido RMS Original
Corig Columnas
Ccorr
Chuvieco, 2002
Residuales
Col. Col. est. Resid 992,00 990,96 1,04 936,00 936,65 -0,65 923,00 923,34 -0,34 810,00 810,02 -0,02 651,00 650,79 0,21 653,00 653,33 -0,33 677,00 676,56 0,44 464,00 465,04 -1,04 253,00 252,31 0,69 Fila Fila Est. Resid Error 102,00 102,60 -0,60 1,20 195,00 194,05 0,95 1,15 431,00 431,33 -0,33 0,47 498,00 497,90 0,10 0,10 453,00 453,16 -0,16 0,27 264,00 263,31 0,69 0,76 117,00 117,85 -0,85 0,95 230,00 229,50 0,50 1,16 512,00 512,30 -0,30 0,75
Col. = 15.177,79 + 0,032452 X - 0,006443 Y Lin = 147.365,5 - 0,006590 X - 0,032202 Y

Chuvieco, 2002
Residuales
Se elimina el punto con mayor RMS, y se calculan de nuevo las ecuaciones de ajuste y los RMS para cada PC y el RMS medio para toda la imagen. Si el error ya es aceptable, se procede con la correccin y si no lo es, se repite el proceso hasta que lo sea.
Interpolacin radiomtrica
Se ha creado una imagen vaca, con la geometra correcta. Ahora hay que transferir a cada nueva posicin el valor digital que le corresponda: interpolacin radiomtrica o resampling. Se puede hacer por distintos mtodos:
Vecino ms prximo Interpolacin bilineal Interpolacin cbica
Criterios de interpolacin
IMAGEN ORIGINAL
IMAGEN CORREGIDA
VECINO MAS PRXIMO
INTERPOLACIN BILINEAL
CONVOLUCIN CBICA
Chuvieco, 2002
Vecino ms prximo
+ No modifica los valores. + Es el ms rpido - Aparecen elementos lineales en escalera - Pueden perderse valores
Chuvieco, 2002
Interpolacin bilineal Convolucin cbica

A cada celdilla de la imagen corregida se le asigna como ND la media de los ND de las cuatro (interpolacin bilineal) o diecisis (convolucin cbica) celdillas de la imagen original que estn ms cerca. Es una media ponderada en funcin de la distancia del pixel original al corregido. Estos mtodos: - Interpolan valores. - Son ms lentos. + Se suavizan las transiciones lineales. + Mejor aspecto visual.
Efecto del tipo de interpolacin

a) original; b) vecino ms prximo; c) Interpolacin bilineal; d) convolucin cbica
Chuvieco, 2002
En Arc View, la correccin geomtrica de imgenes se hace con la extensin
ImageWarp
9. Realce de imgenes: Filtros digitales. Inclumos estas operaciones dentro del captulo de "operaciones de realce" porque son tcnicas que van dirigidas claramente a la mejora del aspecto de la imagen, de cara a su interpretacin visual: pretenden realzar o destacar determinados aspectos de la imagen de satlite original. No aaden nada nuevo a la informacin que contiene la imagen, pero nos destacan o "realzan" informacin de inters que puede estar contenida en la imagen pero no ser directamente visible. Sin embargo, a diferencia de las operaciones de realce que hemos visto hasta ahora (expansin lineal o especial del contraste, ecualizacin del histograma, etc...), el filtraje implica moidificar ls ND originales y no slo la forma en que se representan visualmente (aunque IDRISI tambin crea nuevas imgenes cuando las realza de las otras formas, la mayor parte de los programas slo las modifican en el momento de verlas, no hac eflata almacenarlas como nuevas imgenes). Por eso, las imgenes filtradas en principio no deben utilizarse ms que para realizar anlisis viusal, nunca como punto de partida para una clasificaci o cualquier tratamiento que pretenda utilizar los ND para obtener informacin (aunque refuercen los lmites de las parcelas, no se deben incluir en el proceso de clasificacin para derivar un mapa de usos del suelo, por ejemplo; en todo caso, se podran utlizar al final del proceso, cuando ya se tuviera el mapa, para realzar los bordes o hacerlos ms ntidos). Pero qu es lo que hacen los filtros digitales? cmo realzan las imgenes?. Igual que los filtros fotogrficos bloquean parte de la energa y dejan pasar otra, los filtros digitales pretenden enfatizar o desenfatizar las zonas de diferente FRECUENCIA ESPACIAL dentro de la imagen. La FRECUENCIA ESPACIAL es el nmero de cambios en valores digitales por unidad de distancia en una imagen; es decir, la frecuencia espacial de una imagen hace referencia a su textura, a la frecuencia de las variaciones tonales que tienen lugar en la superficie de la imagen. As, se dice que una imagen o una zona de imagen tiene una alta frecuencia espacial cuando en ella se producen cambios improtantes en los valores digitales de una manera abrupta en distancias cortas (en pocos pixeles). Las zonas de baja frecuencia espacial son aquellas en que los valores digitales cambian gradualmente en distancias grandes (en un nmero grande de pixeles). Como la frecuencia espacial tiene que ver precisamente con el espacio, con las dos dimensiones de la imagen, est claro que para trabajar con ella es necesario desarrollar una tcnica que tambin sea "espacial", que tenga en cuenta esas dos dimensiones de la imagen. Por eso, el filtraje digital es una operacin "local", es decir, en la que el valor final para cada pixel se calcula en funcin de los valores que rodean al pixel original; los valores digitales de los pixeles de una imagen original se modifican en funcin de los valores de los pixeles vecinos. Un filtro digital da como resultado una imagen en la que el valor para cada celdilla es una media ponderada, una combinacin lineal de los ND de las celdillas situadas en su vecindad en la imagen original. Este proceso por el cual el valor de cada pixel en la imagen transformada se calcula a partir de los valores de los pixeles que lo rodean en la imagen original se llama CONVOLUCIN. La CONVOLUCIN supone dos fases: 1.- Establecer una matriz mvil que contiene los coeficientes de filtraje (CF) (llamada por algunos autores kernel). Su tamao puede ser variable, en funcin del nmero de pxeles vecinos que queramos implicar en el proceso. Lo habitual es que se trate de una matriz de 3x3 CF; tambin puede trabajarse con matrices mayores, de 5x5 7x7 pixeles (siempre impar porque el pixel que modificar su valor ser el situado en el centro de la matriz). Cuanto mayor sea la matriz, el efecto
de suavizado o de realce espacial ser mayor, ya que tomamos en consideracin un mayor nmero de pixeles vecinos. Ello supondr tambin aumentar radicalmente el nmero de operaciones matemticas que hay que hacer para aplicarlo a la imagen. 2.- Esta matriz se mueve sobre la imagen original y el ND correspondiente a la posicin situada en el centro de la matriz en la imagen filtrada se calcula multiplicando cada coeficiente de filtraje (CF) de la matriz por el ND correspondiente a su posicin en la imagen original, sumando todos los valores resultantes, y acercando el resultado final al entero ms prximo. La matriz de CF se aplica sucesivamente a la imagen original, desplazndose un pixel en cada paso. En cada posicin slo se modifica el valor del pixel central. El efecto concreto que producir la operacin de filtrado en la imagen depender del tamao de la matriz y de los coeficientes de filtraje (CF) concretos que se siten en la matriz: si los CF tienden a darle mayor peso al pixel central frente a sus vecinos, el pixel refuerza sus diferencias respecto a sus vecinos; si los coeficientes favorecen los pixeles externos, el central se asemejar ms a los adyacentes en la imagen filtrada. Veamos un ejemplo concreto para comprobar cmo funciona el proceso. Se pretende aplicar un filtro que reduzca la frecuencia espacial o "suavice" esta pequea imagen de 5x6 pixeles, 12 10 25 18 14 14 18 15 16 16 17 21 17 18 20 24 35 27 24 20 32 38 40 29 27 34 40 43 39 36
empleando la siguiente matriz de coeficientes de filtraje, de 3x3 pixeles: 1 1 1 1 2 1 1 1 1
Para ello, situamos la matriz de filtraje sobre la imagen (el pixel central, para el que vamos a calcular su valor en la imagen filtrada en primer lugar sera el que ocupa la posicin lnea 2, columna 2), y multiplicamos el valor de cada pixel por el coeficiente de filtraje que se sita sobre l, y a continuacin dividimos el resultado por la suma total de los coeficientes de filtraje. Por ejemplo, para ese primer pixel el resultado sera: ((1x12)+(1x14)+(1x17)+(1x10)+(2x18)+(1x21)+(1x25)+(1x15)+(1x17))/10=17 (16.7); a continuacin, movemos la matriz un pixel a la derecha y repetimos el proceso: ((1x14)+(1x17)+(1x24)+(1x18)+(2x21)+(1x35)+(1x15)+(1x17)+(1x27))/10=21 (20.9), movemos despus al pixel siguiente y repetimos la operacin, hasta que lleguemos al ltimo de la lnea y pasamos a la lnea siguiente. El resultado sera una nueva imagen, con los siguientes valores:
0 0 0 0 0
0 17 17 18 0
0 21 21 19 0
0 29 28 25 0
0 35 35 31 0
0 0 0 0 0
El resultado es el mismo que si multiplicamos cada ND por el coeficiente de filtraje partido por la suma de todos ellos, es decir, si la mscara fuera la siguiente: 1/10 1/10 1/10 1/10 2/10 1/10 1/10 1/10 1/10 (las matrices empleadas para el filtraje digital se presentan de cualquiera de las dos formas, pero debemos tener presente que si se presentan como nmero enteros, siempre es necesario dividir el resultado final por la suma de todos los CF aunque no aparezca especificado). Como vemos, el rea filtrada se reduce al centro de la imagen; los pixeles de borde no resultan afectados por el proceso, ya que no tienen los vecinos necesarios para realizar el clculo. Por ello, normalmente las imgenes filtradas tienen dos columnas y dos lneas menos que las imgenes de la que se han derivado. Lgicamente, en imgenes de mayores dimensiones que se utilizan normalmente (por lo menos 512x512 pixeles), esta prdida apenas tiene importancia, pero debemos tener en cuenta que si la matriz fuera de 5x5 pixeles, se perderan dos lneas o columnas por cada borde, y si fuera de 7x7 se perderan 3 lneas o columnas a cada lado. De todas formas, para asegurar que la imagen filtrada tenga el mismo tamao que la original y por tanto sea perfectamente superponible a sta, sin presentar un marco negro alrededor, existen algunas tcnicas para darle algn valor a estos pixeles de borde. Una tcnica que se utiliza a menudo es hacer ms grande la imagen original durante el proceso, aadiendo artificialmente una lnea o columna a cada lado, replicando los pixeles de borde. As, si la matriz es de 3x3 pixeles, se calculara un valor para los pixeles de borde, aunque por supuesto no es un valor real y su contenido no debera incluirse en el anlisis de resultados; otra posible solucin es simplemente repetir los valores que el filtro calcula para los pixeles adyacentes. Dependiendo del objetivo que se persiga con el filtro, suelen diferenciarse dos tipos de filtros: los FILTROS DE PASO BAJO y los FILTROS DE PASO ALTO. 1.- Los FILTROS DE PASO ALTO son los que dejan pasar las altas frecuencias espaciales y por tanto, lo que hacen es enfatizar o resaltar las reas de gran variabilidad, donde el contraste espacial es intenso; con ello se consigue resaltar las fronteras y zonas de borde en la imagen. Dan como resultado una imagen ms "clara", con ms contraste espacial. 2.- Frente a ellos, los FILTROS DE PASO BAJO dejan pasar las bajas frecuencias espaciales, y por tanto destacan el componente de homogeneidad de la imagen, las zonas de cambio gradual. El resultado es, claramente, una imagen con menor contraste espacial, ms "homognea". Veamos cada uno de ellos con ms detalle. 1.- FILTROS DE PASO BAJO.
Los filtros de paso bajo tienen como objetivo suavizar los contrastes espaciales presentes en la imagen. Es decir, se trata de asemejar el ND de cada pixel al de los pixels vecinos, reduciendo la variabilidad espacial de la escena. En trminos visuales, sto supone que la imagen filtrada ofrece perfiles menos ntidos, ms difuminados como observaremos en cuanto apliquemos uno, efecto que ser visible sobre todo al compararlo con la imagen original. Este tipo de filtros se utiliza fundamentalmente para restaurar los errores aleatorios que puedan presentarse en los ND de la imagen, fruto de un defecto en la recepcin o adquisicin de los datos (en IDRISI, filtro de media con coeficientes 0 en la lnea superior e inferior (probar) y despus, con overlay, superponerlo a la imagen a la que le faltan valores para rellenarlos). Tambin se han empleado para reducir la variabilidad espacial de algunas coberturas terrestres, como paso previo a la clasificacin (ya dijimos que en caso de coberturas que varan mucho, la alta resolucin espacial puede ser un inconveniente porque impide prcticamente el reconocimiento de un comportamiento espectral especfico y comn para toda la cobertura); en este caso, se pretende atenuar lo que se llama "ruido de la escena", producido en las zonas altamente heterogneas en relacin con la resolucin espacial del sensor. El caso ms claro y en el que ms se ha utilizado es en las zonas urbanas, donde se mezclan diferentes tipos de cubiertas en un espacio muy reducido. Para reducir esa variabilidad espacial se utilizan filtros de paso bajo, que homogenizan los ND de la zona y que en la prctica se han mostrado bastante eficaces para ayudar a la clasificacin digital. El ms utilizado de los filtros de paso bajo es el de media, que simplemente hace una media de los n ND implicados; su efecto equivaldra a aplicar una matriz de filtraje con todos los CF igual a 1: 1 1 1 o tambin 0 1/5 0 1/5 1/5 1/5 0 1/5 0 1 1 1 1 1 1
para tener en cuenta slo los pixeles superior, inferior, anterior y posterior, pero no los diagonales. Sin embargo, como este tipo de filtros reducen mucho el contraste, producen una imagen "empaada". Para reducir ese efecto, se utilizan matrices con coeficientes de filtraje diferentes, no iguales para todas las posiciones, sino ponderando ms el valor central, como por ejemplo: 0.25 0.50 0.25 0.50 1 0.50 0.25 0.50 0.25 1 1 1 1 2 1 1 1 1
as se evita una excesiva prdida de detalle. ltimamente se est aplicando en lugar del filtro de media, otro tipo de filtro basado en la
MEDIANA. El filtro de mediana consiste en sustituir el valor digital del pixel central por la mediana de los ND correspondientes a los pixels vecinos. Presenta iguales ventajas frente al filtro de media que la mediana respecto a la media como medida de centralidad: es menos sensible a los valores extremos y supone una menor modificacin de los datos que la media aritmtica. Se utiliza sobre todo para eliminar valores anmalos aislados, fruto de ruidos aleatorios en la adquisicin de los datos. Preserva mejor los contornos de las imgenes que el filtro de media, pero supone un mayor volumen de clculo, lo que dificulta su aplicacin cuando el equipo informtico no es muy potente. Se ha aplicado con bastante xito para reducir el moteado brillante (speckle) de las imgenes radar. (Frmula de la moda) Otro filtro de paso bajo, que pretende homogeneizar los datos, es el de MODA. En este caso, se sustituye el valor del pixel central por el valor que ms se repita en la ventana de nxn pixeles que se utilice. Lgicamente, no tiene mucho sentido cuando se trabaja con imgenes de satlite, ya que no hay mucha probabilidad de que se repitan los valores exactamente iguales, ya que la radiancia vara de una forma continua. Sin embargo, es muy apropiado para suavizar u homogeneizar imgenes clasificadas, que siempre suelen tener pixeles sueltos de clases diferentes; con este tipo de filtro se consigue crear una imagen en que los pixeles aislados de las diferentes clases desaparecen, y por tanto, con mayor consistencia espacial. 2.- FILTROS DE PASO ALTO. Este tipo de filtros pretende aislar los componentes de alta frecuencia en una imagen. Esto supone remarcar o realzar los contrastes espaciales entre pixeles vecinos, enfatizando los rasgos lineales presentes en la imagen, como carreteras, lmites de parcelas o accidentes geolgicos. En definitiva, se intenta reforzar los contrastes entre reas homogneas, realzando cualquier discontinuidad. Existe una gran variedad de procedimientos para conseguir ese realce de las zonas de alto contraste. 1.- Quizs el mtodo ms sencillo consiste en restar de la imagen original la obtenida mediante un filtro de paso bajo. La razn es clara: si lo que se pretende es aislar los componentes de alta frecuencia (alta variabilidad), basta restar de la imagen original el componente de baja frecuencia, con lo que slo quedaran los componentes de alta frecuencia; lo normal entonces es aadir esta imagen de alta frecuencia a la imagen original. 2.- De todas formas, es ms normal emplear matrices de filtraje como en el caso anterior. En este caso, los Coeficientes de Filtraje se disponen de tal forma que refuerzan mucho el contraste entre el pixel central y los vecinos. Algunas de las matrices ms utilizadas son las siguientes: -1 -1 -1 -1 9 -1 -1 -1 -1 1 -2 1 -2 5 -2 1 -2 1
Todas estas matrices de filtraje de paso alto producen una imagen con mucho "ruido": realzan las lneas, pero la gran abundancia de ellas (dependiendo de la imagen de que se trate) muchas veces hace menos claro el contenido de la imagen, la presenta un tanto confusa, porque
se pierde la homogeneidad interna. Sin embargo, se consigue claramente el objetivo de realzar las zonas limtrofes y los rasgos lineales de la imagen. 3.- Estas matrices de filtraje permiten subrayar cualquier rasgo fronterizo en la imagen, independientemente de su orientacin. La misma tcnica se puede emplear para construir filtros direccionales, que realcen o refuercen ms las lneas de la imagen o las zonas de fuerte contraste de la imagen que sigan una determinada orientacin. Para ello basta con disponer los CF de una manera especfica, de acuerdo con la direccin que se pretenda realzar (la direccin preferente en la que buscamos el contraste). Algunos ejemplos de matrices de filtraje direccionales son: NORTE 1 1 -1 -1 -1 -1 1 -1 -1 1 1 1 1 -2 -1 1 -2 1 1 -2 -1 1 -2 -1 1 1 -1 1 1 1 1 1 1 1 -1 -1 SUR -1 1 1 -1 -2 1 1 -2 1 -1 -2 1 -1 -2 1 -1 1 1 1 -1 -1 1 1 1 -1 -1 1 -1
ESTE
OESTE 1 1 SURESTE -1 -1 1 1 1 1
NORESTE
NOROESTE
SUROESTE
Aplicar estos filtros direccionales a una imagen dar como resultado un relace de los rasgos lineales que sigan la orientacin fijada, aunque no slo esos. Son especialmente tiles en la ciudad, donde cada uno extrae las principales calles que siguen la orientacin marcada. Otros filtros para detectar lneas son: -1 2 -1 -1 -1 -1 -1 2 -1 2 2 2 -1 2 -1 -1 -1 -1 -1 -1 2 2 -1 -1 -1 2 -1 -1 2 -1 2 -1 -1 -1 -1 2
Otros filtros de paso alto, que no slo detectan lneas, sino cualquier tipo de bordes, son: SOBEL -1 0 1 -1 -2 0 2 -1 -1 0 1 -1 -1 -2 -1 -1 0 0 0 0 1 2 1 1
PREWITT
0 1 LAPLACIANO 0 -1 0 1 -2 1
0 1 -1 5 -1 -2 4 -2
0 1 0 -1 0 1 -2 1
-1 -1 -1 -1 -1 0 -1 0
0 0 -1 8 -1 -1 4 -1
1 1 -1 -1 -1 0 -1 0
Los filtros laplacianos enfatizan mucho los valores mximos o picos dentro de una imagen. Suelen producir muy buenos resultados, con imgenes fcilmente interpretables. Por ejemplo, los posters de la Agencia de Medio Ambiente se hacen con un filtro de este tipo, para darle mayor contraste. Los filtros de paso alto se incluyen dentro de las operaciones denominadas de "REALCE DE BORDES" (edge enhancement), ya que lo que el ojo ve como "bordes" en una imagen en realidad no son ms que cambios ms o menos bruscos en los valores digitales de dos pixeles adyacentes. Una operacin de realce de bordes que, aunque sigue siendo una operacin local (es decir, que tiene en cuenta los valores de los pixeles que rodean a cada uno), no utiliza una matriz mvil como los filtros, sera la llamada "DIFERENCIA DIRECCIONAL"; es un procedimiento que compara sistemticamente cada pixel en una imagen con el pixel inmediatamente adyacente (en la direccin deseada) y crea una imagen que contiene la diferencia entre los valores digitales de ambos pixeles: cuanto mayor sea la diferencia, ms alto ser el valor del pixel en la imagen realzada y por tanto, ms blanco o brillante se representar. La direccin puede ser horizontal, vertical o diagonal. Las diferencias pueden ser positivas o negativas, por lo que normalmente se le aade el valor mediano (127) para que el resultado se pueda visualizar sin problemas. De todas formas, como la diferencia pixel a pixel suele ser muy pequea (recordemos que las mgenes tienen una alta autocorrelacin espacial), lo normal es que la imagen realzada tenga un rango muy pequeo y por tanto, que sea necesario aplicar un stretch a la imagen de salida para poder observarla en detalle. Esta tcnica enfatiza los bordes perpendiculares a la direccin de la resta, y desenfatiza los bordes paralelos a dicha direccin. Una forma sencilla de realizar esta operacin consiste en realizar una copia de la imagen, desplazarla una fila y/o columna sobre la original y restar ambas. Los pixels que tengan valores cercanos a 0 indican reas de escasa variacin, mientras que cuanto mayor sea esta diferencia, indicar un mayor contraste espacial. Ya relativo tanto a filtros de paso bajo como de paso alto, debemos decir que es posible combinar varias de estas operaciones, y que se pueden aplicar sucesivamente varios filtros a una imagen para resaltar los elementos de inters (por ejemplo, varios filtros direccionales superpuestos).
10. Transformaciones de imgenes: ndices de Vegetacin. La vegetacin sana presenta una signatura espectral muy tpica, diferenciable fcilmente de las de otras cubiertas. Se caracteriza por presentar valores de reflectividad bajos en la regin del visible, con un mximo relativo en la regin del verde (en torno a los 550 nm); la reflectividad aumenta rpidamente al llegar a la zona infrarroja del espectro, alcanzando valores elevados en la regin del infrarrojo cercano (45-50%), que van reducindose paulatinamente al acercarse al infrarrojo medio. El comportamiento de la vegetacin en el espectro visible viene determinado fundamentalmente por la presencia de los pigmentos fotosintticos de la hoja, fundamentalmente la clorofila. La clorofila absorbe la energa electromagntica en la banda situada en torno a los 445 nm (azul) y en torno a los 645 nm (rojo). Entre ambas zonas de absorcin queda una banda intermedia, en la que la absorcin es menor, y que coincide con la zona del verde; de ah que aparezca un mximo relativo de reflectividad en la zona del verde y que nuestros ojos perciban la vegetacin de ese color. Cuando la planta es sometida a cualquier tipo de tensin (hdrica o de otro tipo) disminuye la produccin de clorofila y la planta absorbe menos energa en las regiones azul y roja. Las plantas poseen adems otros pigmentos, especialmente los carotenos y xantofilas, que absorben energa electromagntica fundamentalmente en la regin del azul. As, al desparecer la clorofila en una planta enferma, el efecto de estos pigmentos se hace dominante y ello explica que el aumento de reflectividad en una planta enferma se produzca sobre todo en el rojo y no en el azul (y que veamos la planta amarilla y no blanca). Las distintas especies vegetales presentan diferencias en su pigmentacin, lo que determina pequeos cambios en su reflectividad en la regin visible. La elevada reflectividad en la regin del infrarrojo cercano se debe a la estructura celular interna de la hoja: la energa electromagntica que no es reflejada por la cutcula penetra en el interior de la hoja y es reflejada y dispersada por el mesfilo. Pero la estructura de los vegetales tambin se ve alterada en situaciones de tensin: el mesfilo pierde su estructura y la reflectividad en el infrarrojo cercano disminuye. Puesto que la estructura de la hoja es diferente segn las especies y cambia con el tiempo al madurar la planta, la reflectividad de una planta en el infrarrojo cercano tambin puede informarnos sobre su especie y su estado fenolgico. En el infrarrojo medio, la respuesta espectral de las plantas viene determinada por el contenido en agua de sus hojas. El agua presenta fuerte absorcin en todo el infrarrojo medio, especialmente en las longitudes de onda 1.4, 1.9 y 2.7 micrmetros, lo que hace que la vegetacin presente mnimos de reflectividad en esos intervalos. Esta regin del espectro puede informar sobre el grado de estrs hdrico de la vegetacin.
Pigmentos Estructura hoja celular

60 50 40 ref % 30 20 10 0 0,4 0,6 0,8 1 1,2 1,4
Contenido de agua
1,6
1,8
2,2
2,4
(m)
Esta signatura espectral tpica es el resultado de mediciones realizadas en laboratorio, exclusivamente para vegetacin y en todas las longitudes de onda de forma continua. Pero en la realidad, el sensor no mide en todas las longitudes de onda sino en bandas de cientos de nanmetros de ancho, ni mide la energa proveniente de hojas aisladas, sino de una masa de vegetacin que incluye otras partes de la planta, as como parte del suelo sobre el que se sita, las sombras producidas por la planta en el suelo o de unas hojas sobre otras, etc... Como siempre, el mundo real es ms complejo que el laboratorio. De ah que haya sido necesario desarrollar unas tcnicas que permitan detectar la presencia de vegetacin y conocer su estado, densidad, etc... a partir de las imgenes de satlite. Son los NDICES DE VEGETACIN. Los ndices de vegetacin son combinaciones de bandas espectrales que intentan realzar la contribucin de la vegetacin en la respuesta espectral de una superficie y atenuar la de otros factores, como el suelo, las condiciones de iluminacin y la atmsfera. Con ellos se pretende conseguir una informacin ms clara sobre las caractersticas de la vegetacin, consiguiendo una mayor correlacin con parmetros agronmicos como biomasa, ndice de superficie foliar (LAI) etc, que la conseguida con las bandas espectrales originales.
60
Vegetacin sana
40 Ref (%) 20
Vegetacin enferma Suelo
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1 m
IR
La mayor parte de los IV explotan las diferencias espectrales que ofrecen las bandas situadas en el IR cercano (IRC) y el rojo (R). A partir del conocimiento de los factores que la determinan, se puede decir que cuanto mayor sea el contraste entre esas bandas (baja reflectividad en el rojo y alta en el ir) mayor ser el vigor de la vegetacin y ms clara su discriminacin respecto a otros tipos de cubiertas. En general, las bandas que se usan son: 7 y 5 para MSS, 4 y 3 para TM, 3 y 2 para SPOT HRV-X y las bandas 2 y 1 en NOAA AVHRR (dadas las caractersticas espectrales de la vegetacin, este tipo de aplicaciones requieren sensores que dispongan al menos de una banda en la regin del rojo y otra en la regin del infrarrojo cercano). El primer IV que se dise es muy sencillo, y consiste en el cociente entre los valores de reflectividad obtenidos en las bandas IRC y R. Se le llam RATIO VEGETATION INDEX: RVI = IRC / R Lgicamente, cuanto mayor sea el contraste entre el IR y el R, que indica gran vigor de la vegetacin, mayor ser el valor alcanzado por el ndice. A continuacin se dise el IV conocido como NDVI (Normalized Difference Vegetation Index, ndice de Vegetacin de la Diferencia Normalizada), cuya frmula es la siguiente: NDVI = (IRC-R) / (IRC+R) La principal aportacin del NDVI frente a la simple ratio es que, al estar normalizado, los valores que toma oscilan entre -1 y +1, lo cual facilita mucho su interpretacin. Por ejemplo, ha permitido establecer de forma general como umbral crtico para cubiertas vegetales un valor de
NDVI en torno a 0'1, y para la vegetacin densa en torno a 0'5. Es el IV ms utilizado, fundamentalmente por razones de tipo prctico: su clculo es sencillo, es menos sensible al suelo de fondo y a las condiciones atmosfricas que el RVI, y los valores que puede tomar estn dentro de un rango conocido. Este IV es muy utilizado como base para evaluar el nivel de estrs hdrico de la vegetacin, para derivar ndices de sequa, de riesgo de incendios, etc.. en tiempo real, especialmente a escala regional con imgenes NOAA-AVHRR. Tanto el NDVI como el RVI son sensibles a la reflectividad del suelo sobre el que se sita la planta. Imaginemos una zona con baja densidad de vegetacin. Los valores digitales en la banda infrarroja y en la banda roja vendran determinados fundamentalmente por el suelo, con una pequea variacin debida a la presencia de vegetacin. El resultado es que un IV de esa zona dara resultados muy similares a los del suelo desnudo y sera imposible detectar la presencia de vegetacin. De hecho, este problema es bastante grave cuando la cubierta vegetal es menor del 50%, lo que a menudo ocurre en la realidad (incluso en zonas agrcolas dedicadas al cultivo del olivo, almendro, etc...). Para resolver este problema y poder estudiar la vegetacin incluso en zonas de baja densidad, se han desarrollado una serie de ndices de vegetacin que tienen en cuenta la reflectividad del suelo y cuyo objetivo es aislar la informacin de la vegetacin de la que procede del suelo que est bajo ella. El ms sencillo de estos IV que tienen en cuenta el substrato es el PVI (Indice de Vegetacin Perpendicular) de Richardson y Wiegand (1977). Si se observa la signatura espectral de los suelos, se ve que la reflectividad del suelo es similar en las bandas roja e infrarroja cercana. Tambin se sabe que al cambiar las condiciones del suelo, la reflectividad aumenta o disminuye simultneamente en ambas bandas. As, un suelo hmedo refleja menos en el rojo pero tambin menos en el IRC, y un suelo seco refleja ms en ambas bandas. Lo cierto es que si representamos en un grfico que tenga en uno de los ejes la banda R y en el otro la banda IRC los puntos que representan superficies desnudas se distribuyen (con mayor o menor dispersin segn la variacin experimentada por los parmetros que determinan la reflectividad de los suelos que representan), a lo largo de una lnea recta, llamada la lnea del suelo. Como siempre forman una lnea recta, se puede definir a partir de dos puntos, correspondientes a los valores de reflectividad de un mismo suelo hmedo y seco en las bandas R e IRC. Si en un punto concreto no hay vegetacin, ese punto se representar sobre la lnea del suelo. Pero si hay una cierta cantidad de vegetacin, la reflectividad de esa zona en el rojo ser ms baja que la del suelo desnudo, y en el infrarrojo ser ms alta, por lo que el punto quedar representado alejado de la lnea del suelo. Cuanto ms lejos est de la lnea del suelo, ms vegetacin habr en el pixel; por eso, se toma como una medida de la cantidad de vegetacin la distancia perpendicular desde cualquier punto a la lnea del suelo. En la figura siguiente, el valor del PVI es la distancia A-A. Un valor de cero en el PVI indicara un pixel de suelo desnudo.
Para calcular la distancia perpendicular de cualquier pixel a la lnea de suelo en trminos de reflectividad, se aplicara la siguiente frmula: PVI = [(IRCv - IRCs)2 + (Rv -Rs) 2]1/2 donde v y s hacen referencia a la vegetacin y al suelo sobre el que se sita (en realidad, es la aplicacin del teorema de Pitgoras para calcular la distancia entre los dos puntos a partir de sus diferencias en el eje de las x-rojo y en el de las y-IRC). Esta frmula nos obliga a conocer los valores de reflectividad o valores digitales de cada suelo sobre el que aparezca la vegetacin, y eso normalmente no se conoce a no ser que realicemos un trabajo de campo exhaustivo. Para solucionarlo, una frmula alternativa para calcular el PVI es la siguiente: PVI = [(IRC a) X (R b)] / (a2 + 1)1/2 donde a y b son, respectivamente, la pendiente y la ordenada en el origen de la lnea del suelo, IRCsuelo = a Rsuelo + b. Para utilizar esta frmula basta con calcular la lnea del suelo especfica para cada imagen a partir de los valores en la banda roja e infrarroja cercana de dos zonas de suelo desnudo. A partir del concepto de la lnea del suelo se han desarrollado otros IV ms complejos, que trabajan con ms bandas, como la transformacin Tasselled Cap de Kauth and Thomas, el SAVI (soil adjusted vegetation index) o TSAVI (transformed soil adjusted vegetation index), etc... Tambin existen otros IV que intentan eliminar la influencia de la atmsfera, como el ARVI (indice de vegetacin atmosfricamente resistente). Para cada uno de ellos hay una
extensa bibliografa (ver Acerca de los ndices de vegetacin.pdf e indices de vegetacion.pdf).
El SAVI fu desarrollado por Huete (1988) porque el NDVI en zonas semiridas no resulta consistente para medir vegetacin al verse muy afectado por el suelo. Por eso se modifica la frmula del NDVI, aadindole un parmetro L que se relaciona con la reflectividad del suelo en cada zona:
SAVI =
IRC - R (1+ L) IRC + R + L
L es una constante para ajustar la lnea del suelo al origen, normalmente con un valor en torno a 0.5. Para minimizar el efecto de la atmsfera se puede usar la frmula del ARVI (Indice de Vegetacin atmosfricamente resistente), que tiene en cuenta las diferencias de dispersin entre la banda roja y la banda azul. Este IV fu desarrollado por Kaufman y Tanr:
ARVI =
IRC - RA IRC + RA
siendo RA un parmetro que tiene en cuenta la diferencia de dispersin entre la longitud de onda azul y la roja, y cuya frmula es:
RA = R -Y(A - R)
siendo Y un parmetro que cambia segn el tipo de atmsfera en el momento de adquisicin de la imagen, al que normalmente se le da el valor 1; R es la reflectividad en la banda roja y A la reflectividad en la banda azul. Aunque segn sus autores los resultados son muy buenos, este IV presenta el inconveniente de no poder utilizarse si el sensor no dispone de una banda en la regin azul del espectro, lo cual es muy normal. En realidad, se puede utilizar slo con Landsat TM porque es el nico sensor de uso extendido que cuenta con una banda en la regin azul del espectro. Tambin se han desarrollado ltimamente ndices de vegetacin mediante la combinacin de bandas en el IRC y el IRM (infrarrojo medio). Estos ndices se correlacionan mejor con el contenido de agua en la vegetacin, ya que un aumento del contenido en agua de la vegetacin supone un descenso de la reflectividad en la regin del infrarrojo medio. As se han generado una serie de IV llamados ndices de contenido en agua, estrs hdrico o sequa. El ms destacado es el NDII (Normalized Difference Infared Index): NDII = (IRC-IRM) / (IRC+IRM) Estos ndices tambin son ms eficaces que los basados en IRC-R para cartografiar reas quemadas.
11. Extraccin de informacin temtica: clasificacin digital de imgenes de satlite. La clasificacin de imgenes digitales es el proceso de asignar los pixeles a clases. Normalmente, en las tcnicas empleadas hasta ahora, cada pixel es considerado como un unidad individual compuesta por valores en varias bandas espectrales (cada pixel es diferente de los dems, y se define por su posicin y sus ND en todas las bandas). Comparando cada pixel con los dems y con pixeles de contenido conocido, es posible reunir grupos de pixeles que tengan un comportamiento similar, formando clases que se correspondan con las categoras de inters para el usuario, dependiendo del objetivo de su trabajo. Estas clases forman regiones en la imagen, de manera que despus de la clasificacin, la imagen digital se presenta como un mosaico de parcelas o regiones homogneas, cada una de ellas representada por un color o un smbolo. En cierto sentido, y tal como las vemos, esas clases son homogneas (pixeles dentro de cada clase son ms parecidos entre s que a los pixeles de todas las dems clases), pero en la prctica los ND de cada clase presentan una cierta diversidad, existe una variabilidad dentro de la clase, no todos los pixeles clasificados dentro de una clase concreta presentan exactamente el mismo ND que los dems. La clasificacin digital es una parte importante de los trabajos de teledeteccin. En muchos casos, la clasificacin lo ms correcta posible es el nico objetivo del trabajo con imgenes: por ejemplo, mediante una clasificacin de imgenes de satlite que tenga en cuenta todas las coberturas presentes en la imagen se pueden derivar mapas de uso del suelo. En otros casos, la clasificacin no es ms que un paso intermedio en el proceso de trabajo, no es el objetivo final; por ejemplo, en un estudio de calidad del agua, el primer paso puede ser usar las tcnicas de clasificacin para identificar todos los pixeles de agua en la escena, y, una vez identificados, trabajar slo con ellos. La clasificacin de imgenes es una herramienta muy importante en teledeteccin, ya sea para generar un resultado final o simplemente como una de las muchas tcnicas utilizadas para derivar informacin de una imagen. De todas formas, para la mayor parte de los usuarios de la teledeteccin, la clasificacin supone la fase culminante del tratamiento digital de imgenes. Este papel protagonista viene dado por la misma naturaleza de la teledeteccin espacial. Los ND adquiridos por el sensor no tienen sentido en s mismos, sino en cuanto que son interpretables, es decir, convertibles a categoras que supongan un mejor conocimiento del territorio. Es decir, pasar de los datos (que es lo que nos proporciona la imagen en bruto) a la informacin, que nos la proporciona la imagen cuando sus valores han sido agrupados en categoras, que nos hacen entender mejor ese territorio. Esta interpretacin puede hacerse visualmente (ej. Land-Cover, por interpretacin de imgenes corregidas y a escala 1/100.000, aunque con apoyo de fotografa area; ventaja sobre la fotografa: ya a la escala requerida, y sin las distorsiones que tienen las f.a.; posibilidad de combinar bandas para resaltar una informacin u otra, para discriminar unas cubiertas de otras), sobre reproducciones de las imgenes, o digitalmente, aprovechando la potencia de realizar clculos de los ordenadores. Como fruto de una clasificacin digital se obtiene una cartografa e inventario de las categoras objeto de estudio. La informacin multi-espectral se condensa as en un documento cartogrfico y en unas tablas estadsticas que definen la localizacin y ofrecen un inventario superficial de las categoras de inters. Pero la clasificacin digital no busca una definicin absoluta de cada cubierta, que pueda
ser aplicable a cualquier imagen (entre otras cosas, porque esa caracterizacin general no existe, como consecuencia del efecto de la atmsfera, que es diferente para cada imagen, el efecto temporal, que hace que la respuesta de la mayor parte de las cubiertas no permanezca inalterada a lo largo del ao, sino que vare constantemente), sino ms bien una caracterizacin particular, vlida para una sola imagen y una zona concreta. Si este es nuestro planteamiento, no es fundamental conocer exhaustivamente las condiciones de adquisicin: basta identificar en la imagen las cubiertas de inters, sin pretender extrapolar esa identificacin a otras situaciones. No se trata de establecer una relacin universal entre ND y tipos de cubierta, sino una relacin entre los ND en un momento y condiciones dadas y tipos de cubierta. En este sentido, la clasificacin supone un enfoque ms bien cualitativo, ya que no pretende definir completamente el comportamiento espectral de cada cubierta, sino slo en las condiciones de la imagen o imgenes que se estn tratando. De todas formas, como se trata de un proceso numrico (las clases se identifican por unos ND determinados), incluye una fase de anlisis estadstico bastante importante. La clasificacin digital, como dijimos antes, se dirige a obtener una nueva imagen en la cual cada uno de los pixeles originales venga definido por un nmero que es el identificador de la clase en donde se haya incluido. Estas clases pueden describir distintos tipos de cubierta (bosque, matorral, cultivos en regado, cultivos arbreos en secano, etc...) o bien intervalos de una misma categora de inters. Por ejemplo, una clasificacin de especies vegetales estara dentro del primer grupo, mientras que un intento de sealar niveles de afectacin en una zona que ha sufrido un incendio foresta estara dentro del segundo. Sea uno u otro el propsito del proyecto, lo cierto es que la clasificacin digital sigue los mismos pasos fque se emplean en la foto-interpretacin, ya que, entre otras cosas, el objetivo es el mismo. En la foto-interpretacin, la primera labor que realiza el intrprete es identificar cada cubierta, de acuerdo con una serie de criterios: tono, textura, forma, disposicin, etc... tal y como aparecen en un fotograma tomado como base. Posteriormente, delimita sobre el resto de las fotografas las zonas que se corresponden con ese patrn previamente definido. En otras palabras, asigna a cada categora unas determinadas superficies, en funcin de la semejanza de stas con el patrn-tipo (tono, textura, forma, disposicin, asociacin...) identificado previamente. Por ltimo, se verifica sobre el terreno la interpretacin realizada. Pues este esquema bsico es tambin el que se emplea en la clasificacin digital, solamente traduciendo los criterios visuales a digitales, ya que ahora no se realiza visualmente sino examinando los ND de la imagen. As, se diferencian tres fases en el proceso de clasificacin digital: 1. 2. 3. Definicin digital de las categoras (FASE DE ENTRENAMIENTO) Distribucin de los pixeles de la imagen en una de esas categoras (FASE DE ASIGNACIN). Comprobacin y verificacin de los resultados.
Tradicionalmente se han dividido los mtodos de clasificacin en dos grandes grupos: clasificacin supervisada y no supervisada, de acuerdo con la forma en que se obtienen las estadsticas de entrenamiento. El mtodo supervisado parte de un conocimiento mnimo previo del terreno, a partir del cual se seleccionan las muestras para cada una de las categoras. Por su parte, el mtodo no supervisado procede a la bsqueda automtica de grupos de valores
homogneos dentro de la iamgen. Queda al usuario, en este caso, la labor de encontrar correspondencias entre esos grupos y sus categoras de inters. Volviendo al paralelismo con la fotografa area, podramos afirmar que, en sta, el mtodo supervisado es el ms habitual, por cuanto se identifican sobre unos fotogramas-tipo las caractersticas de cada clase, para luego delimitar, en el resto, las zonas que se ajustan a esas caractersticas. El mtodo no supervisado supondra identificar sobre la fotografa area zonas homogneas en cuanto a tonos, textura, disposicin, etc... para luego asignarlas a una de las clases temticas establecidas en la leyenda. Para entender mejor la diferencia entre ambos mtodos, veamos los dos tipos de categoras que pueden intervenir en una clasificacin temtica: clases informacionales y espectrales. Las primeras, las clases INFORMACIONALES son las que forman la leyenda de trabajo que pretende deducir el intrprete, las clases de inters que queremos discriminar y que estamos buscando en la imagen (por ejemplo, tipos de ocupacin del suelo). Las clases ESPECTRALES corresponden a los grupos de valores espectrales homogneos dentro de la imagen, que son homogneos por presentar una reflectividad similar y por tanto ND parecidos, para las bandas espectrales consideradas y en la fecha de la imagen. Las categoras informacionales las establece el usuario y las categoras espectrales se deducen de los ND de la imagen. Idealmente, debera haber una correspondencia biunvoca entre las dos; es decir, a cada clase informacional le debera corresponder una y solo una clase espectral. Desgraciadamente, este caso es poco frecuente, y es mucho ms normal que se produzca alguna de las siguientes situaciones: 1. Que una categora de cubierta est expresada en varias clases espectrales. Por ejemplo, un pinar en solana tendr diferente comportamiento en cuanto a sus ND que el mismo pinar en umbra, y sin embargo, los dos pertenecen a la misma clase informacional; igual ocurre con el agua limpia y el agua turbia, o el agua profunda y el agua somera, que tiene diferente respuesta espectral pero forman parte de la misma clase informacional. En estos casos, basta perfeccionar el muestreo de tal forma que se defina correctamente la dispersin espectral de cada clase. Si los grupos espectrales que se corresponden a una sola clase informacional fueran muy variados, puede dividirse una categora informacional en varias subclases para luego fundirlas, una vez hecha la clasificacin, en una sola clase. Esto evita contar con clases muy heterogneas espectralmente y por tanto, fcilmente sujetas a confusin con otras vecinas. Otro caso sera que dos o ms categoras informacionales compartan una sola clase espectral, que tengan una respuesta espectral que no se puede discriminar. Esto implica que algunas categoras de la leyenda no son discriminables en la imagen, sin grave peligro de confusin. En este caso, la opcin ms razonable es optar por una leyenda ms general, evitando descender a un nivel de desagregacin de categoras al que no nos permite llegar la separabilidad espectral de las clases. Por ejemplo, podra optarse por una clase denominada conferas en lugar de diferenciar distintos tipos de pinos, o urbana, frente a una delimitacin de diferentes densidades de edificacin. En el caso de que la confusin se de entre categoras no asimilables a una categora ms genrica (por ejemplo, suelo desnudo y ncleos rurales en verano), habra que analizar una imagen perteneciente a otra fecha del ao en la que esta confusin se pueda evitar. Tambin se puede intentar otro medio, como afinar las reas de entrenamiento, o aadir alguna
2.
variable auxiliar (como relieve, suelo, etc...). A la vista de esta diferencia, parece claro que la clasificacin supervisada pretende definir clases informacionales, mientras que la clasificacin no supervisada tiende a identificar las clases espectrales presentes en la imagen. Por supuesto, dado que se pueden dar confusiones en los dos sentidos, como hemos visto, ninguno de los dos mtodos proporciona una solucin inmediata a todos los problemas que implica una clasificacin digital. El mtodo supervisado, por su parte, puede considerarse subjetivo y artificial, ya que puede forzarse para discriminar categoras que no tengan un claro significado espectral. Por su parte, el mtodo no supervisado proporciona en ocasiones resultados difciles de interpretar, y a veces no conectados con las necesidades reales del usuario final. En resumen, la eleccin de uno u otro mtodo depender de los datos y medios disponibles y de las propias preferencias personales. Nos centraremos en la clasificacin supervisada, que es ms compleja que la clasificacin sin supervisar y a la vez permite un mayor control del proceso. Clasificacin supervisada. Fase de entrenamiento La clasificacin digital se inicia definiendo cada una de las categoras que pretenden discriminarse. Como se trata de una clasificacin numrica, esta definicin de las clases de inters tambin tiene que ser numrica; es decir, se trata de obtener el ND o ms bien el rango de ND que identifica cada categora, para todas las bandas que intervienen en la clasificacin. Lo cierto es que diversos factores introducen una cierta dispersin en torno al comportamiento espectral medio de cada cubierta. Esto implica que las distintas categoras no se definen por un slo ND, sino por una serie de ND ms o menos prximos entre s. En trminos de su clasificacin digital, esto supone que existe una cierta dispersin en torno al ND que define cada categora, ms o menos significativa segn las clases que se consideren y la propia complejidad del paisaje donde stas se asienten. Por ello, la fase de entrenamiento resulta ciertamente compleja: se trata de definir con rigor cada una de las categoras que pretenden discriminarse, teniendo en cuenta su propia variabilidad dentro de la zona de estudio. Este objetivo se logra seleccionando una muestra de pixels de la imagen que representen adecuadamente a las categoras de inters. A partir de estos pixels pueden calcularse los ND medios y la variabilidad numrica para cada categora, en todas las bandas que intervienen en la clasificacin. Al igual que en cualquier otro muestreo, el objetivo de esta fase es obtener los resultados ms precisos con el mnimo coste, identificar debidamente las distintas categoras, reduciendo a lo imprescindible los trabajos de campo. Igual que en otras aplicaciones de muestreo, las estimaciones posteriores se basan sobre la muestra seleccionada, por lo que una incorrecta seleccin de sta conducir a malos resultados en la clasificacin posterior. De hecho, ha sido comprobado por varios autores que los resultados de la clasificacin estn ms influidos por la definicin previa de las categoras que por el mtodo concreto de asignacin que se elija. En resumen, la fase de entrenamiento es la base de una buena clasificacin digital. Ya hemos dicho que el mtodo supervisado parte de un cierto conocimiento del terreno (o
de una parte de l), que permite al intrprete delimitar sobre la imagen esas zonas piloto que se consideran suficientemente representativas de las categoras que componen la leyenda. Estas reas se denominan en ingls "training fields" y en espaol las llamamos "reas de entrenamiento", en el sentido de que estas reas sirven para "entrenar" al ordenador en el reconocimiento de las distintas categoras; es decir, a partir de ellas, el ordenador calcula los ND que definen cada una de las clases para luego asignar el resto de los pixels de la imagen a una de esas categoras a partir de sus ND en las diferentes bandas. La mayor parte de los equipos de tratamiento digital permiten localizar interactivamente los campos de entrenamiento. Con ayuda del digitalizador o el ratn, el usuario dibuja sobre la imagen en pantalla estas reas, asignndolas a una de las categoras definidas en la leyenda. En esta labor pueden ayudar tanto el trabajo de campo como fotografas areas o mapas de diverso tipo, es decir, se puede utilizar informacin auxiliar para asegurar una correcta localizacin de la clase de inters. Debemos tener en cuenta que estas reas deben ser ejemplos suficientemente representativos y homogneos de la clase que se pretende definir. Acabada la delimitacin de este rea, pueden delimitarse otros para la misma categora, o bien pasar a delimitar las reas para otra categora. Lo cierto es que es conveniente seleccionar varios campos por cada categora, para que reflejen adecuadamente la variabilidad espectral de la categora en la zona de estudio. Una vez que se han seleccionado todas las reas de entrenamiento, el ordenador calcula los parmetros estadsticos fundamentales que definen cada categora: media, mximo, mnimo, varianza, ... a partir de los ND de los pixeles incluidos en los campos de entrenamiento asignados a esa clase, en todas las bandas. Se asume que las reas de entrenamiento son representantes fieles de las distintas categoras, y que, por tanto, las medidas extradas a partir de sus ND definen esas clases. De aqu que sea crucial, como dijimos anteriormente, la correcta seleccin de los campos de entrenamiento. Lgicamente, las reas de entrenamiento seran incorrectas si se sitan en zonas de transicin entre cubiertas, ya que al tratarse de reas heterogneas, sus medidas estadsticas seran un cierto promedio de sus distintos componentes; sera una clase hbrida, y por tanto, susceptible de confusin con otras categoras. El error contrario sera seleccionar nicamente reas de entrenamiento en aquellas zonas de la imagen donde la categora sea muy homognea, obviando la variacin real que esa cubierta recoge en la imagen. Por ejemplo, si se pretende clasificar el encinar, conviene seleccionar campos tanto donde el encinar es ms denso, como en aquellas zonas donde cubre menos el suelo o donde se asocia con matorral, donde su respuesta espectral ser ligera o sustancialmente diferente. Esto no quiere decir que los dos tipos de encinar deban incluirse en la misma categora de cara a la clasificacin, puesto que se podra originar una clase poco coherente. Sera probablemente ms recomendable establecer dos o ms categoras de encinar de diferente densidad, para luego proceder, tras la clasificacin a unirlas en una sola clase temtica. Est claro entonces que el mtodo supervisado requiere un previo conocimiento de las caractersticas del rea de estudio, as como de las categoras que se pretenden discriminar. Otro aspecto a tener en cuenta cuando se seleccionan los campos de entrenamiento son los requisitos estadsticos necesarios para que sean representativos de las distintas categoras. Al fin y al cabo, este proceso no es ms que una forma de muestreo espacial, y por ello hay que
tener en cuenta una serie de criterios para elegir el tamao y la distribucin ms idnea de la muestra. Por lo que respecta al tamao, se necesitan al menos m+1 pixeles por clase, siendo m el nmero de bandas que se van a utilizar en la clasificacin. Sin embargo, conviene superar con creces ese lmite mnimo, y se recomienda entre 10m y 100m pixels por clase. Este nmero mnimo se relaciona cn el grado de asociacin espacial entre pixels. El muestreo convencional considera que las muestras seleccionadas son aleatorias e independientes, cosa que no sucede en nuestro caso, ya que un campo de entrenamiento est formado por pixels vecinos y, por lo tanto, afectados por el fenmeno de autocorrelacin espacial que ya hemos comentado. Es decir, la informacin espectral obtenida de un nmero de pixels contiguos es menor que la obtenida del mismo nmero de pixels si estuvieran dispersos. En suma, resulta ms conveniente elegir varios campos de pequeo tamao que uno slo de mayores dimensiones, ya que en este caso tiende a infravalorarse la variabilidad de la categora (por la autocorrelacin espacial). Otra alternativa posible es seleccionar pixels aleatoriamente, dentro de campos de mayor tamao, en lugar de admitirlos todos. Respecto a la distribucin, hay que tener en cuenta las caractersticas propias de la imagen, intentando abarcar todas las variaciones espaciales que se produzcan en cada categora, en funcin de su orientacin, pendiente, densidad, vigor, contenido en humedad, tipo de suelo,e tc... En este sentido debemos tener claro lo que ya hemos comentado otras veces: que la variabilidad de una cubierta es directamente proporcional a la resolucin del sensor; es decir, que cuanto mayor sea el detalle espacial registrado en la imagen, mayor ser tambin su sensibilidad para detectar las variaciones internas de una categora, que antes estaban ocultas por el promedio espacial que supone un pixel de mayor tamao. Como a mayor heterogeneidad, mayor mezcla con clases similares y por tanto mayor riesgo de confusin, un incremento en la resolucin espacial por debajo de un cierto umbral que se relaciona con la variabilidad espacial de la clase, puede complicar bastante la clasificacin digital. Esto es lo que se llama "ruido de la escena", y su efecto se ha comprobado en cubiertas heterogneas, tal como las reas urbanas, en donde un pixel de mayor tamao facilita obtener una seal promedio de todos sus componentes; por el contrario, en categoras agrcolas y forestales, este efecto es menos importante y por tanto son convenientes las imgenes de alta resolucin. Una vez definidas las reas de entrenamiento y antes de abordar el proceso de clasificacin propiamente dicho, es necesario evaluar si esas categoras son diferenciables o no en la imagen, es decir, si sus signaturas espectrales son diferentes o no; ello se hace examinando los parmetros estadsticos obtenidos a partir de las reas de entrenamiento. Si se comprueba que dos o ms categoras tienen un comportamiento espectral muy similar, habra gran probabilidad de confusin entre ellas, por lo que habra que: - confirmar que la estadsticas de entrenamiento han sido correctamente derivadas - adoptar una leyenda ms general, con nuevas categoras que supongan una mezcla de las que ofrecen un mayor riesgo de confusin - conseguir informacin auxiliar para introducirla en la clasificacin, o una imagen de otra fecha en la que la separabilidad espectral de las clases en cuestin sea mejor. Existen varios mtodos, tanto grficos como numricos, para evaluar las estadsticas de entrenamiento. Entre los grficos, el ms elemental es un diagrama de signaturas, donde figuran en abcisas las bandas que intervienen en el anlisis, mientras que en ordenadas los ND medios
de cada clase. No es exactamente un grfico de la signatura espectral de cada cubierta, ya que no representa valores de reflectividad, sino ND, y adems la informacin recogida por el sensor corresponde a toda la anchura de la banda, y no slo a su centro, que es donde se representa. De todas formas, es algo muy parecido y resulta muy til para proporcionar una primera valoracin de las tendencias espectrales de cada categora. Adems, sirve para identificar de una manera grfica las bandas en las que cada cobertura presenta un comportamiento diferenciado respecto a las bandas vecinas. Las lneas paralelas y prximas indican un posible solape entre categoras, mientras que las intersecciones entre lneas indican las bandas donde es ms probable separar las categoras que representan.
Pero en cuanto a los parmetros estadsticos que se suelen extraer para las reas de entrenamiento de cada categora, no slo est la media, que indica el comportamiento espectral modlico de cada clase, sino tambin algunas medidas de dispersin, empezando por el rango (o mejor, el mnimo y mximo) y siguiendo bien por la desviacin tpica o la varianza, que nos informan del grado de homogeneidad que aparece en torno a ese valor central. Cuanto mayor sea la dispersin de una clase, mayor probabilidad tendr de solaparse con la respuesta de otra categora, y por tanto, ms difcil ser clasificarla adecuadamente. Aparte del grfico mencionado anteriormente, que simplifica mucho la realidad porque slo refleja la tendencia media, sin considerar la variacin propia de cada categora, que es la principal responsable de las confusiones con las clases cercanas. Una idea ms clara de estos solapes puede adquirise mediante un grfico de dispersin espectral, en el que ms que representar los valores medios para cada clase lo que se representa es su variabilidad en cada banda, bien mediante una lnea que abarque el rango de ND de cada clase para cada banda, o bien mediante una lnea que recoja para cada clase, el rango digital cubierto por la media ms una o dos desviaciones tpicas. As entra en consideracin tambin la variabilidad interna de cada clase, y es ms fcil observar si hay solapes entre ellas.
Otra forma de representar el comportamiento espectral de las categoras y detectar los solapes entre ellas consiste en realizar un histograma de las frecuencias de los ND que la componen. Como slo se cuenta con una muestra y no con el total de los ND para la clase de inters, una alternativa para representar esta distribucin de frecuencias es asumir que los ND de cada categora se distribuyen normalmente, lo que nos permitir reconstruir su histograma a partir su media y desviacin tpica. De esta forma, se construye un grfico para cada banda en el que aparezcan conjuntamente los histogramas de cada una de las clases, y esto nos ofrece otra visin de la superposicin de clases; lgicamente, cuanto mayor sea el solape entre categoras, mayor ser la probabilidad de confusin al intentar discriminarlas, por lo que con este tipo de grficos tenemos una visin general del error previsible al realizar la clasificacin.
Banda 3
Banda 4
Adems de los procedimientos grficos, existen algunos procedimientos cuantitativos que permiten evaluar numricamente la posibilidad de discriminar las distintas categoras. El mas sencillo es el que se denomina SEPARABILIDAD ESTADSTICA:
Dnorm A,B =
| ND A - ND B | SA+ SB
es decir, la distancia normalizada entre las clases A y B se calcula como la diferencia absoluta entre sus medias, promediada por la suma de sus desviaciones tpicas. Esta medida se aplica a cada par de clases que se van a clasificar en cada banda. Sea cual sea el mtodo empleado para evaluar las estadsticas de entrenamiento, lo cierto es que este proceso es fundamental para hacer una ltima reflexin sobre las clases seleccionadas, las bandas a utilizar, etc... Una vez terminada esta fase se puede iniciar la fase de clasificacin propiamente dicha.
Fase de asignacin Una vez terminada la seleccin y estudio de las reas que utilizamos como muestras para realizar la clasificacin, se inicia la siguiente fase, que hemos denominado DE ASIGNACIN, porque lo que trata es de adscribir cada uno de los pixels de la imagen a una de las clases previamente seleccionadas y caracterizadas. Esta asignacin se realiza, por supuesto, en funcin de los ND de cada pixel en las bandas que se utilicen en la clasificacin. El resultado de esta fase es una nueva imagen, en la que el valor que toma cada pixel indica la categora en la que se ha includo. En el contexto de la teledeteccin, se utilizan diferentes criterios para realizar este proceso de asignacin. Imaginemos un grfico en el que se representen los valores digitales de las diferentes clases, en una banda en abcisas y en otra en ordenadas (imaginemos que slo vamos a utilizar en la clasificacin dos bandas). Lo que estamos buscando es dnde establecer los lmites que nos separan los valores propios de una clase de los propios de otra, estamos buscando fronteras en el espacio espectral, que nos separen una clase de otra en las bandas que intervienen y nos hagan asignar un pixel que caiga en cualquier posicin de ese espacio espectral a una clase u otra. Aunque se podra representar grficamente, en realidad se hace de una manera numrica, y los diferentes procedimientos de asignacin lo que hacen es definir un rea de dominio en torno al centro de cada categora a diferenciar, mediante un conjunto de funciones discriminantes. Estas ecuaciones seran las fronteras que definen cada categora. El pixel ser asignado a una clase si sus ND se encuentran dentro del rea de dominio asignada a esa clase, en un espacio multiespectral (de ms o menos dimensiones segn el nmero de bandas que intervengan en la clasificacin). Los criterios ms comunes para establecer estas fronteras estadsticas entre las clases son tres: 1. 2. MNIMA DISTANCIA, mtodo por el cual el pixel se acerca a la clase espectralmente ms cercana. PARALELEPPEDOS, que utiliza unos umbrales mximos y mnimos para cada banda, especificados por el usuario. Tambin se le llama clasificacin hipercuba, ya que se realiza en un espacio multidimensional. MXIMA PROBABILIDAD, en el que cada pixel se asigna a la clase en la que tiene mayor probabilidad de pertenencia.
3.
Los dos primeros mtodos se les suele llamar no paramtricos, y el tercero se suele incluir dentro de los mtodos paramtricos, porque ste asume que los ND de cada clase se distribuyen normalmente (base para el clculo de probabilidades), y los dos primeros no se ven infludos por la forma de la distribucin de los ND de cada clase. Vamos a ver cada uno de ellos. Clasificador de mnima distancia. Es quizs el criterio de asignacin ms sencillo para asignar un pixel a una clase: incluirlo en la ms cercana, aquella que minimice la distancia que existe entre el pixel y el centroide (punto central de la nube de dispersin de los ND que definen esa clase) de clase. Se trata de una distancia espectral, en unidades de ND, y en un espacio multibanda, por lo que esta distancia se calcula mediante la comparacin de los ND de cada pixel con los del centro de las distintas categoras, para todas las bandas que intervienen en el proceso. Hay varias formas de medir esa distancia espectral entre pixels y centroides de clases. La ms utilizada es la que se llama distancia euclidiana, en la que la distancia entre un pixel y una clase se calcula como la raiz cuadrada del sumatorio de las diferencias entre el ND de ese pixel y el ND medio de la categora en cuestin, para las m bandas que intervienen en la clasificacin. Tras calcular esta distancia para todas las categoras, se asigna el pixel a aquella clase para la que se haya obtenido una distancia ms pequea.
d12
-Z
Y
Y1 P1
X2
d x, A =
X1
i =1, m
( NDx ,i ND A,i ) 2
Como vemos, este algoritmo es bastante sencillo y rpido de ejecutar. Adems, puede ofrecer buenos resultados cuando no haya un gran solape entre categoras. Como siempre hay una clase que est ms cerca que las dems, no suele dejar pixels sin clasificar (a menos que nosotros lo indiquemos), incluso aunque estn muy lejos del centro de cualquier clase. Esto, sin embargo, puede dar lugar a errores de comisin importantes, sobre todo cuando no se ha definido en la leyenda alguna categora que espectralmente s est presente en la imagen. La distancia calculada por este algoritmo es lineal, y respecto al centroide, por lo que no tiene en cuenta la dispersin propia de cada categora; ello hace que tienda a delimitar grupos circulares de radio proporcional a la situacin de cada categora. No tiene en cuenta la forma de la nube de puntos que define la categora, solamente la posicin del centro; esto es una debilidad, ya que las clases se caracterizan no slo por su valor central, por su media, sino tambin por su variabilidad, la dispersin de sus datos. Para solucionar este problema, se han propuesto modificaciones en el clculo de la distancia, de forma que se tenga en cuenta la varianza o la desviacin tpica de cada clase; esto se hace, por ejemplo, estandarizando las distancias brutas calculadas anteriormente, dividindolas por la desviacin tpica de la clase en cuestin: as las distancias se miden en unidades de desviacin tpica, y que sta sea mayor o menor ya va includa.
Este mtodo es muy sencillo, y por tanto es muy utilizado, sobre todo cuando la zona de estudio no es muy compleja. Adems, como no depende de que la muestra proporcionada por las reas de entrenamiento tenga una distribuicin normal, no es muy exigente en cuanto a la calidad de los datos de partida. Clasificador de paraleleppedos (hipercuba). En este mtodo de clasificacin, el usuario fija un rea de dominio para cada categora, teniendo en cuenta sus valores de centralidad y de dispersin. Posteriormente, cada pixel es asignado a dicha clase si sus ND en todas las bandas consideradas estn dentro del rea de dominio de esa clase. Es decir, un pixel es asignado a una clase A si sus ND se encuentran a menos de una determinada distancia del centro de la clase A. Esa distancia la fija el usuario, aunque normalmente se identifica con una medida de dispersin: bien la desviacin tpica o un mltiplo suyo, o por ejemplo, el rango de la categora. Lgicamente, cuanto mayor sea el umbral establecido, mayor ser el nmero de pixels que
IRC
a b ? ? c
R
se incluyan en esa clase, y tambin ser mayor el riesgo de confusin con las clases vecinas. Por otro lado, un umbral pequeo garantiza una mayor fiabilidad en las asignaciones, pero tambin deja ms pixels sin clasificar porque no entren en el umbral fijado para ninguna de las clases. Imaginemos este criterio aplicado a una clasificacin de slo dos bandas. En realidad, las fronteras para asignar un pixel a una clase u otra son rectngulos alrededor de los centros de las clases (DIBUJAR). Si el mismo criterio se ampla a tres bandas, se dibujaran cubos, y si se ampla a ms dimensiones, se creara polgonos multidimensionales de lados paralelos en torno al centro de cada categora, y de ah su nombre de paraleleppedos o hipercuba. Es un algoritmo muy rpido de ejecutar, porque no se basa en clculos aritmticos, sino simplemente en operaciones lgicas: si el DN de un pixel en la banda 1 est dentro del rango 5067 Y del rango 12-23 en la banda 2, y ...., entonces, ese pixel se asigna a la clase 1. Por esta rapidez, a menudo se usa como una primera aproximacin a la clasificacin de una imagen, para
detectar cules son las clases ms fciles de identificar y cules son las ms problemticas. El principal problema de este mtodo parte de su mismo concepto. La clasificacin en funcin de la situacin en reas de dominio supone que haya pixels en zonas comunes a dos o ms categoras y por otra parte, que haya pixels fuera de las reas de dominio de todas las categoras y por tanto, queden sin clasificar. El primer problema (que haya solape entre las reas de dominio de dos o ms categoras) supone que un pixel se puede asignar a dos categoras, Si el algoritmo que utilicemos no introduce otro criterio, el ordenador lo incluir en la primera que cumpla los requisitos (no siempre, algunos en la ltima). Por tanto, algo que parece tan intrascendente como el orden en que se produce la asignacin tiene una gran importancia en el resultado que se obtenga. Hay algunas formas de solucionar el problema para las reas de solape, como por ejemplo introducir para los pixeles que se encuentren en esta situacin el procedimiento de mnima distancia, o ajustar interactivamente las fronteras entre las clases. Por lo que respecta a los pixels sin clasificar, una posible solucin consiste en ampliar paulatinamente el rango de dispersin, haciendo los paraleleppedos lo ms grande posible evitando los solapes. De cualquier forma, si aparecen muchos pixels sin clasificar, es conveniente revisar el esquema de clases, ya que es probable que se haya dejado sin definir alguna clase que espectralmente est presente en la imagen o que las que se han definido no lo estn correctamente. Clasificador de mxima probabilidad. Este mtodo se basa en considerar que los ND en el seno de cada clase se ajustan a una distribucin normal. Por tanto, podemos describir esa categora mediante una funcin de probabilidad, a partir de su media y su desviacin tpica. Esa funcin se acerca lo ms posible a la distribucin real de los ND de esa clase, y por tanto, nos sirve para calcular la probabilidad de que un pixel (con un determinado ND) sea miembro de esa clase. En una distribucin normal, conociendo su media y su desviacin tpica, se puede calcular la probabilidad de ocurrencia de cualquier valor. Este algoritmo se basa en calcular la probabilidad de pertenencia del pixel a todas las categoras, y en asignarlo a aquella clase para la que su probabilidad sea ms alta, o dejarlo sin clasificar si no alcanza para ninguna clase una probabilidad mnima establecida por el usuario. Este clasificador es el ms complejo y el que supone un mayor volumen de clculo, por lo tanto tambin es el ms lento. Pese a ello, es el ms utilizado porque es el que da lugar a mejores resultados, porque su fundamento estadstico es mayor.
IRC
a b ?
c
R
Entonces el mtodo se basa en estimar el valor de probabilidad para cada pixel de que pertenezca a cada una de la clases, tal como han sido definidas mediante las estadsticas de entrenamiento. Para ello, como ya hemos dicho, se considera que los ND de cada categora se distribuyen de acuerdo con una distribucin normal, por lo que conociendo la media y la desviacin tpica de cada categora es posible calcular la probabilidad de que cada pixel pertenezca a ella. Una vez que se ha determinado la probabilidad de pertenencia del pixel al resto de las categoras que intervienen en la clasificacin, ese pixel ser asignado a la clase A slo si su probabilidad de pertenencia a esa clase es superior a la probabilidad de pertenencia a todas las dems clases, es decir, si: p(x/A) > p(x/B), variando B desde 1 hasta n, siendo n el nmero de clases. Una variante dentro del clasificador de mxima probabilidad es el llamado "mtodo bayesiano". Se basa en el conocimiento a priori de la probabilidad de ocurrencia en la imagen de cada una de las categoras de inters: una categora tendr mayor probabilidad a priori si ocupa mayor extensin superficial en la imagen. En este caso, al considerar la probabilidad a priori de ocurrencia de cada clase (p(A)), un pixel se considerar perteneciente a la clase A si: p(x/A) p(A) > p(x/B) p(B) es decir, la probabilidad de que el pixel pertenezca a la clase A por la probabilidad de ocurrencia de esa clase A es mayor o igual que la probabilidad de que el pixel pertenezca a la clase B, multiplicada por la probabilidad de ocurrencia de esa clase B. Lo nico que se hace es ponderar la probabilidad de pertenencia de cada pixel a una clase por la probabilidad de ocurrencia de esa clase. As se asegura que la clase ms probable tenga realmente una mayor representacin espacial en la imagen clasificada.
Aunque esta ponderacin es bastante interesante, y reduce bastante el nmero de pixeles sin clasificar (en el caso de que hayamos especificado un umbral de probabilidad mnima para asignar un pixel a una categora). Sin embargo, resulta bastante difcil estimar los valores de probabilidad a priori para cada clase. Un posible criterio sera asignar a cada clase una probabilidad igual a la superficie (relativa, en % o en tantos por uno) que ocupa esa clase en la zona de estudio. Pero lgicamente, esto requiere contar con un inventario previo de la zona, que raramente est disponible. De todas formas, se puede hacer un clculo aproximado a partir del conocimiento que tengamos de la zona para localizar las reas de entrenamiento, o usar como indicador los resultados obtenidos de una clasificacin previa hecha con otro algoritmo, como el de paraleleppedos. Tambin se puede adjudicar la misma probabilidad a priori a todas las categoras. De una manera grfica, este clasificador delinea lneas de equiprobabilidad elipsoidales alrededor de los centroides de las clases. Estas regiones de decisin o fronteras para asignacin son sensibles a la varianza, a la dispersin de los valores que definen cada clase. Por otra parte, es muy sensible a una buena definicin de las reas de entrenamiento; como se basa en la asuncin de normalidad, es fundamental que los valores utilizados para definir las clases se ajusten a una curva normal, y sobre todo, que no sean distribuciones bimodales, lo que indicara una mezcla de clases en las reas de entrenamiento. Los clasificadores que hemos visto hasta ahora son los ms tradicionalmente empleados, los que estn en casi todos los paquetes de tratamiento de imgenes. Sin embargo, no son los nicos, sino que existen otros, con su fundamento terico, pero que todava no se han empezado a aplicar extensivamente. Quiz el ms sencillo de todos ellos es el CLASIFICADOR EN RBOL. La idea bsica es discriminar de forma secuencial cada una de las clases, de acuerdo con la banda o bandas que permiten ms claramente su separacin del resto de las clases. Basndonos en las estadsticas de entrenamiento, podemos buscar la banda en la que cada categora es ms discrimable. Por ejemplo, en la banda TM4 el agua se discriminar muy bien; as que esta ser la primera clase que separemos, buscando el umbral que nos la separe (por ejemplo, <20 >=20) de todo lo dems. As extraeremos de la imagen todos los pixels de agua, que ya no intervendrn en los pasos sucesivos. A continuacin se busca otra categora que se separe claramente en una banda, por ejemplo la vegetacin sana, que por reflejar poco en el rojo, tendr ND bajos en la banda 3; el siguiente paso ser buscar otra banda que diferencie bien otra cobertura, por ejemplo, en la banda 2 podemos diferenciar entre el suelo desnudo y la nieve, etc... Lo normal en la realidad es que esto no resulte tan fcil, porque se suelen dar importantes solapes entre clases, pero esta estrategia tiene una ventaja clara y es su rapidez, as como el control por parte del usuario de todo el proceso. Ya hemos visto que a veces asignacin de los pixels de la imagen a una u otra clase basndonos exclusivamente en los ND de la imagen puede ser difcil, y que hay veces en que no es posible discriminar entre clases informacionales porque espectralmente estn muy cercanas. Una alternativa para solucionar este problema es acudir a imgenes adquiridas en otra fecha, en la que sea posible diferenciar las clases que se confunden en la imagen de inters o un indice de vegetacin. Otra opcin ya vimos que era emplear otro tipo de datos, dispuestos en el mismo formato que la imagen; por ejemplo, para discriminar conferas de diferentes especies, puede ayudar bastante una imagen de altura (topografa) ya que dependiendo de la posicin tendr ms
posibilidades de pertenecer a una especie o a otra. Asimismo, tambin es posible realizar clasificaciones multitemporales. En este caso, aadimos la dimensin temporal a la espectral, y la usamos para completar la informacin que nos da una sola imagen. Las aplicaciones multi-temporales se dividen en dos grupos: estudios multianuales (objetivo es detectar el cambio producido entre dos fechas similares en aos diferentes) y estudios multi-estacionales, en donde se usan imgenes de diferentes fechas para enriquecer la informacin espectral, aportando informacin sobre todo en lo que se refiere a las coberturas vegetales, que son las que ms cambian estacionalmente. Por lo que se refiere a estudios multi-anuales, la mayor parte de los trabajos en los que se usa la clasificacin se basan en clasificar cada una de las imgenes por separado, para luego compararlas y detectar los cambios que se hayan producido en el periodo de tiempo transcurrido. Son muy poco frecuentes los que realizan una clasificacin conjunta de las dos imgenes, ya que dos imgenes de la misma fecha en aos diferentes no suelen ayudar a caracterizar mejor ninguna cubierta, y por tanto, es un trabajo intil hacer una clasificacin conjunta. Frente a esto, en los estudios multi-estacionales es mucho ms frecuente combinar dos o ms imgenes, previamente a la clasificacin; en este caso, al tener informacin de diferentes momentos del ciclo vegetal, es probable que sea ms fcil discriminar clases vegetales entre s o respecto a otras, que usando una sola imagen; pero ya no sirve para detectar cambios. Sin embargo, presentan tambin importantes problemas, ya que para clasificarlas correctamente ser necesario que las imgenes presenten homogeneidad radiomtrica y ajuste geomtrico total. Para ello, habr que someter una de las dos imgenes a una correccin atmosfrica relativa, y adems corregir las dos imgenes a una base geomtrica comn, asegurando una perfecta superposicin, pixel a pixel. Un problema que tienen estas clasificaciones multitemporales es que aumenta muchsimo el volumen de datos a manipular, puesto que si usamos dos imgenes, tendremos el doble de bandas que en una clasificacin monotemporal normal. Como el tiempo de clasificacin est en relacin directa con el nmero de bandas que intervienen, esto hace mucho ms lento el proceso. Por eso, cuando se trata de hacer clasificaciones de varias imgenes, se suelen utilizar tcnicas para sintetizar el conjunto de bandas originales en un menor nmero de bandas, como el anlisis de componentes principales o el cannico. Otra cuestin a tener en cuenta en este contexto es elegir bien las fechas; no deben ser muy prximas, ya que pueden proporcionar informacin redundante, y por tanto simplemente complicar el proceso sin aadir nada nuevo. Presentacin de los resultados Independientemente del mtodo empleado para realizar la clasificacin, el resultado es una nueva imagen, similar a las originales, en cuanto a estructura y tamao, pero con la diferencia de que cada pixel no contiene un ND que se relacione con su valor de reflectividad, sino un nmero que indica la clase a la que se ha asignado. Es decir, pasamos de tener m bandas a una sola, hemos condensado toda la informacin espectral en una sola banda. Esta nueva imagen nos proporciona dos tipos de informacin: cartogrfica (la imagen clasificada) y estadstica, ya que a travs de ella podemos obtener informacin sobre la superficie ocupada por cada clase. - Informacin cartogrfica. Para presentar la imagen clasificada, la primera operacin que hay que hacer es suavizar
los resultados, ya que a menudo una imagen clasificada aparece demasiado fragmentada, y las manchas de color no son muy homogneas, por lo que se dificulta mucho la interpretacin de los resultados. Para solucionar este problema, se utiliza una tcnica de suavizamiento, normalmente un filtro de moda; no puede aplicarse un filtro de paso bajo cualquiera porque cualquier promedio entre pixels vecinos introducira cambios imprevisibles en la clasificacin (un pixel clasificado como clase 1, agua, en medio de una parcela de clase 7, urbana, podra modificar su valor al 4, clase pinar, cosa que seguro no es). El filtro de moda (normalmente de tamao 3x3 para evitar un excesivo suavizamiento de los resultados) permite reasignar los pixels aislados o poco significativos a la clase predominante en la ventana. De hecho, se ha comprobado que el paso de este tipo de filtros mejora bastante el resultado de la clasificacin, incluso en trminos estadsticos. La presentacin de los resultados no slo implica este suavizamiento, sino tambin la construccin de una paleta de color que refleje adecuadamente el significado temtico de cada una de las categoras. Por ejemplo, no debemos asignar el color verde a la clase urbana, ni el color rojo al agua. Lo normal es respetar los colores ms convencionales en la cartografa para las distintas coberturas: rojo para la ciudad, verde para la vegetacin natural, naranja-amarillo para las zonas agrcolas, azul para el agua, etc... Depende del gusto del usuario. - Informacin estadstica. La clasificacin nos genera una nueva imagen en la cual el ND de cada pixel hace referencia a la clase a la que pertenece. Como conocemos el tamao de nuestro pixel, un simple histograma o tabla de frecuencias de cada clase nos permitira obtener la superficie que cada clase ocupa en el rea de inters. Este inventario estadstico se puede hacer sobre toda la imagen clasificada o, aplicando una mscara, sobre una zona concreta que se corresponda con un municipio, comarca, etc... por lo que permite disponer de informacin interesante para actualizar estadstias oficiales, etc... Comprobacin y verificacin de los resultados. El producto de una clasificacin digital es un mapa temtico, donde el territorio de estudio se encuentra dividido en una serie de unidades espaciales, de significado coherente con la leyenda de trabajo. Normalmente, se asume que este documento obtenido es completamente fiable, se considera un reflejo fiel de la realidad, si no expresamente, s implicitamente, porque la usamos como punto de partida para otros trabajos sin poner en duda su fiabilidad. Pero esta asuncin es normalmente gratuita, no tenemos motivos para considerarla tan perfecta, ya que cualquier clasificacin, por bien hecha que est, lleva consigo cierto margen de error en funcin de la calidad de dlos datos o del mtodo empleado. Por eso es fundamental aplicar algn procedimiento de verificacin o de comprobacin de la clasificacin, para cuantificar ese error que seguro que existe, y por tanto, para valorar la calidad final del trabajo y de ah, sus posibilidades reales de aplicacin posterior. La fiabilidad de la clasificacin depende principalmente de la metodologa utilizada y de la calidad de los datos sobre los que se realiza. Tambin influyen cuestiones externas, como puede ser la experiencia de la persona que hace la clasificacin, etc... Ya hemos comentado algunas de las posibles fuentes de error dentro de una clasificacin digital, pero hay una que no hemos comentado:
- Una fuente de error importante est relacionada con la estructura del territorio, fundamentalmente con la disposicin espacial de las categoras que se analizan. Influye sobre todo el tamao de las parcelas y la presencia de pixels mezclados. El tamao de las parcelas es muy importante en la clasificacin; en zonas de parcelas de muy pequeo tamao, a veces inferior incluso al tamao del pixel, con usos diferentes, el sensor recibe una seal radiomtrica que es un promedio de dos o ms cubiertas, por lo que es imposible asignar bien esos pixeles; este es el error conocido como "efecto frontera". Esto sucede claramente en muchas zonas de la cuenca mediterrnea. Hace que algunos paisajes sean ms fciles de clasificar (las grandes praderas americanas, por ejemplo) que otros (como los paisajes agrcolas mediterrneos). Cmo evaluamos la fiabilidad de la clasificacin que hemos hecho?, cmo estimamos su exactitud?. Se puede hacer de diferentes formas; las tres ms utilizadas en teledeteccin son: 1.- COMPARANDO EL INVENTARIO DE LA CLASIFICACIN CON EL OBTENIDO POR OTRA FUENTES CONVENCIONALES. Es el mtodo ms sencillo, y se basa simplemente en calcular las diferencias entre el inventario ofrecido por la clasificacin y por otras fuentes que se consideran fiables (estadsticas oficiales, cartografa de detalle...). Suponiendo que el documento de referencia sea completamente fiable, esta medida slo nos proporciona el % de error, pero no su localizacin sobre el mapa. Por otra parte, tampoco identifica cules son las categoras en las que se produce mayor confusin, y adems, a menudo resulta muy difcil ajustar la leyenda de la fuente convencional a la que hemos utilizado para clasificar la imagen de satlite, entre otras cosas porque si lo que nos interesaba era la misma leyenda de ese documento convencional (en el caso de que sea cartografa y no una estadstica), para qu hemos hecho la clasificacin, si ya tenamos la informacin. 2.- ESTUDIANDO EL ACIERTO OBTENIDO AL CLASIFICAR LAS REAS DE ENTRENAMIENTO. En este caso, clasificaramos las reas de entrenamiento nicamente, para comprobar si el clasificador, tal como estn definidas las clases, clasifica cada rea de entrenamiento en la categora que define. Lgicamente, esta medida de fiabilidad est bastante sesgada, ya que si las reas de entrenamiento sirven para definir estadsticamente las diferentes categoras, parece lgico que los pixels includos en ellas tengan una mayor probabilidad de clasificacin correcta que el resto de los pixels de la imagen. Est claro que no es un criterio riguroso de validacin, pero resulta til para identificar la precisin con que el clasificador es capaz de identificar un determinado tipo de cubierta. Si los pixels de las reas de entrenamiento de una clase se asignan a otra, est claro que esas reas no son correctas, o que las dos clases no son discriminables espectralmente. En realidad, este mtodo nos servira ms bien para evaluar las reas de entrenamiento que el resultado final de la clasificacin. 3.- SELECCIONANDO REAS DE LA IMAGEN PARA VERIFICACIN DIRECTA CON INFORMACIN DISPONIBLE DE LA CUBIERTA REALMENTE EXISTENTE SOBRE EL TERRENO. Esta tercera via de trabajo consiste en seleccionar con posterioridad a la clasificacin una serie de reas test, que permitan obtener una medida independiente y objetiva del acuerdo entre nuestra clasificacin y lo que realmente hay sobre el terreno. Este procedimiento pasa por realizar un muestreo de la zona de estudio, para obtener los datos de campo necesarios. Esto supone un gasto adicional al proyecto, que, adems no repercute en conseguir una mayor exactitud en el resultado, solamente en la cuantificacin de esa exactitud o fiabilidad. Por eso muchas veces se evita este mtodo o incluso la fase completa; pero tenemos que pensar que
saltarnos esta fase puede invalidar cualquier trabajo posterior para el que utilicemos la imagen clasificada. Esta comprobacin se basa en un muestreo del rea de trabajo, comparando los resultados de campo con los obtenidos mediante la clasificacin de la imagen. Para seleccionar las reas test, los puntos que se van a comprobar sobre el terreno, existen varios mtodos, igual que en cualquier proceso de muestreo espacial. Los ms utilizados son: - Aleatorio simple. Las reas test se eligen aleatoriamente, es decir, cualquier punto habra tenido la misma probabilidad de ser seleccionado, y la eleccin de un punto no influye en la eleccin del siguiente. Gracias a esta aleatoriedad, este tipo de muestreo es bastante slido estadsticamente, sus resultados son muy significativos desde el punto de vista estadstico. De todas formas, presenta problemas para su aplicacin espacial, ya que supone grandes costes y problemas de desplazamiento. - Aleatorio estratificado. Las muestras se eligen aleatoriamente dentro de cada clase. Es decir, se elige un nmero de muestras aleatoriamente, pero dentro de la superficie ocupada por cada clase. As nos aseguramos de que se ha comprobado la fiabilidad de todas las clases, sin llegar a perder del todo las ventajas que da la aleatoriedad. - Sistemtico. La muestra se distribuye a intervalos regulares a partir de un punto de origen sealado aleatoriamente. As se garantiza un muestreo completo de la zona a verificar, pero puede dar lugar a una estimacin errnea si hay algn tipo de patrn peridico en el rea observada (includa, por ejemplo, por el tamao o la forma de las parcelas). Por otra parte, como la seleccin de las muestras no ha sido aleatoria (del todo, en parte s porque el primer punto era aleatorio), no asegura una significacin estadstica elevada del resultado. - Sistemtico no alineado. Divide la zona en reas iguales, con una cuadrcula, y dentro de cada una de ellas se localiza un punto de muestra aleatoriamente. Este mtodo mantiene la ventaja de asegurar una cobertura completa de la zona, a la vez que vuelve a incluir una cierta aleatoriedad, disminuyendo el efecto de la periodicidad. - Por conglomerados. En este caso, las muestras no son individuales, sino que en cada punto a verificar, seleccionado aleatoriamente, se toman varias muestras, a una cierta distancia del punto original. Este mtodo reduce los gastos de transporte, pero puede resultar menos preciso que los anteriores. En lo que respecta al nmero de muestras, el nmero de puntos que hay que comprobar, se recomienda al menos el 1% de la superficie de la imagen. Una vez terminada la fase de muestreo, lo que tenemos es una lista de los puntos test, con su cobertura real y la deducida por la clasificacin. Cmo evaluamos estos datos?. Lo normal es confeccionar una matriz con estos datos, denominada MATRIZ DE CONFUSIN porque recoge los conflictos que se presentan entre clases. Es una matriz, en la que las filas estn ocupadas por las clases de referencia, las reales, y las columnas por las categoras derivadas de la imagen. Lgicamente, las categoras reales y las de la clasificacin son las mismas, por lo que se trata de una matriz cuadrada. En la diagonal de esta matriz aparecen el nmero de puntos de verificacin en los que se produce acuerdo entre las dos fuentes, mientras que los nmeros que no aparezcan en la
diagonal, indican errores de asignacin: pixeles erroneamente asignados a clases diferentes. La relacin global, el porcentaje de pixeles correctamente asignados y el total de pixeles comprobados expresa la fiabilidad global de la clasificacin (70%, 90%,etc...). Los que aparecen en las filas indican tipos de cubierta real que no se incluyeron correctamente en el mapa, mientras que los de las columnas indican cubiertas de la clasificacin que no se ajustan a la realidad. Son lo que se llaman errores de omisin y de comisin. Adems de poder cuantificar el error global de la clasificacin, tambin podemos detectar cules son las clases en las que se produce mayor confusin, y calcular la fiabilidad para cada una de las clases en particular. De todas formas, si se evaluaron bien las estadsticas de entrenamiento, probablemente, la mayor parte de estos erroes ya se habrn detectado, aunque ahora podemos cuantificar el error que esa confusin produce. A partir de estos datos, si el error fuera muy alto, se puede optar por repetir la clasificacin o bien, en el caso de que detectemos confusin entre clases agrupables, simplificar la leyenda: tendremos menos detalle, pero ms exactitud.
Referencias generales: SIGs Raster BOSQUE SENDRA, J. 1992. Sistemas de Informacin Geogrfica. Ed. Rialp. Madrid. ORDOEZ, C. y MARTINEZ-ALEGRA, R. 2003. Sistemas de Informacin Geogrfica. Aplicaciones prcticas con Idrisi32 al anlisis de riesgos naturales y problemticas medioambientales. Ed. Ra-Ma. AESIG. Asociacin espaola de sistemas de informacin geogrfica. http://telenet.uva.es/aesig/ SISTEMAS DE INFORMACIN GEOGRFICA EN INTERNET. Listado de direcciones de internet de las pginas web comentadas en el trabajo de Antonio Esteban Hurtado y Sal Ortiga Herrera realizado para la Ctedra de Topografa, Geodesia y Astronoma de la Escuela Tcnica Superior de Ingenieros de Montes. http://www.geocities.com/CollegePark/Plaza/5739/ gisCampus.org, Campus Virtual de Informacin Geogrfica de habla hispana, creado en 1998 por el Servicio de SIG y Teledeteccin (SIGTE) de la Universitat de Girona. Incluye tutoriales gratuitos de ArcView 3.1, Idrisi y otros programas. http://www.giscampus.org/ Teledeteccin CHUVIECO, E. 2002. Teledeteccin ambiental. La observacin de la Tierra desde el espacio. Ed. Ariel Ciencia. Barcelona SOBRINO, J. E. (Ed) 2000. Teledeteccin. Servicio de Publicaciones. Universidad de Valencia GeoCover Landsat Tutorial. http://zulu.ssc.nasa.gov/mrsid/tutorial/Landsat%20Tutorial-V1.html The Remote Sensing Tutorial (RST). http://rst.gsfc.nasa.gov/Homepage/Homepage.html TeleNET. http://telenet.uva.es Canada Centre for Remote Sensing. http://www.ccrs.nrcan.gc.ca/ccrs Fundamentals of Remote Sensing (Remote Sensing Tutorial of CCRS). Includo en la documentacin del curso. http://www.ccrs.nrcan.gc.ca/ccrs/learn/tutorials/fundam/download_e.html Introduction to Digital Images & Digital Anlisis http://www.ccrs.nrcan.gc.ca/ccrs/learn/tutorials/digitech/digitech_e.html Glossary of Remote Sensing terms (del Canada Centre http://www.ccrs.nrcan.gc.ca/ccrs/learn/terms/glossary/glossary_e.html for (of Remote CCRS).. Sensing).
American Society of Photogrammetry and Remote Sensing (ASPRS). The Remote Sensing Core Curriculum. Manual de Teledeteccin y Fotogrametra, en cuatro volmenes: Introduccin a la
fotogrametra y fotointerpretacin, Teledeteccin y medio ambiente, Introduccin al procesamiento digital de imgenes y Aplicaciones de la Teledeteccin. http://www.research.umbc.edu/~tbenja1/umbc7. Muy completo, con aportaciones de los principales autores de manuales de teledeteccin en Estados Unidos. ltima consulta, 13/4/2004 . Applied Information Sciences Branch (Code 935) NASA. The Remote Sensing Tutorial. http://mercator.upc.es/nicktutorial/TofC/Coverpage.html. ltima consulta, 22/9/2003. Ramsey, R.D. Remote Sensing Lecture Materials. Department of Geography and Earth Resources. College of Natural Resources. Utah State University. ltima consulta, http://www.nr.usu.edu/Geography-Department/rsgis/Remsen1/rslec.html. 13/4/2004 Rial, P. E. y Gonzlez, L. Manual de prcticas con Idrisi. Laboratorio de Teledeteccin y SIG. E.E.A. Santa Cruz. Convenio INTA-UNPA-CAP. http://www.eosgis.com/GeobarIN.html. ltima consulta, 13/4/2004. NASA. Earth Observatory. Informacin sobre aplicaciones de la teledeteccin al estudio del medio ambiente, constantemente actualizada. ltimas imgenes de los diferentes fenmenos naturales que tienen lugar. Glosario de teledeteccin, ejercicios y posibilidad de suscribirse a una lista que enva semanalmente las ltimas novedades. http://earthobservatory.nasa.gov. ltima consulta, 13/4/2004.
Belgian Earth Observation. http://telsat.belspo.be/beo/flash_menu.htm RedIRIS; red espaola de I+D. Tiene una pgina con enlaces de teledeteccin, y da la posibilidad de suscribirse a una lista de correo sobre temas de teledeteccin, donde se pone en comn informacin sobre sensores y plataformas, acceso a datos, tratamiento de imgenes, etc. http://www.rediris.es/list/info/teledeteccion.html.

Teoria 4

Uploaded by

Document Information

Original Title

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

Teoria 4

Uploaded by

Copyright:

Available Formats

Modulo 4: Entrada de datos y edicin raster. Anlisis raster y tratamiento digital de imgenes de satlite. E.

Esperanza Snchez Rodrguez

El tipo de clasificacin, para grids integer puede ser:

muestra estadsticas muy bsicas de la grid, de cualquiera de los campos de su VAT.

ESTUDIARN EN EL MDULO 5, AL TRATAR LOS MODELOS DIGITALES DEL TERRENO Y

(e.g., Logarithms, Arithmetic, Trigonometric, or Power).

Fundamentos bsicos de la teledeteccin

4.1- Introduccin a la teledeteccin 4.1.1-

Componentes de un sistema de teledeteccin espacial

Definicin de teledeteccin (Remote Sensing) Sensing)

Componentes de un sistema de teledeteccin

Componentes de un sistema de teledeteccin

Adquisicin de una imagen

Intrprete Superficie terrestre

Lsu,i,j,k Usuario final

Qu es una imagen digital?

NDi,j,5 ND i,j,4 ND i,j,3 ND i,j,2 ND i,j,1

Grey Levels Digital Numbers Pixel Values Nivel Digital

Ventajas de la observacin espacial

Principales ventajas de la teledeteccin espacial

Ventajas de la teledeteccin espacial:

Ventajas de la teledeteccin espacial:

2. Adq. instantnea y homognea Adq.

Datos NOAA-AVHRR Fitoplancton en el mediterrneo: Seawifs

Ventajas de la teledeteccin espacial:

Ventajas de la teledeteccin espacial:

3. Cobertura frecuente y peridica

4. Regiones no visibles del espectro (multiespectralidad) (multiespectralidad)

Ventajas de la teledeteccin espacial:

Grey Levels Digital Numbers Pixel Values Nivel Digital

Algunos ejemplos de aplicaciones de la teledeteccin (1/3)

Algunos ejemplos de aplicaciones de la teledeteccin (2/3)

Algunos ejemplos de aplicaciones de la teledeteccin (3/3)

cartografa y seguimiento de zonas afectadas por incendios

productividad primaria masas de agua ocenicas

seguimiento del estado de glaciares

Movimientos del ocano

(Cortesa ESA, 1992)

Concentraciones de Ozono Ozono

Tipo de procesos en teledeteccin

Principios fsicos de la teledeteccin

Esquema de una onda electromagntica

MICRO-ONDAS RADAR RADIO, TV. UHF VHF 1 10

AZUL VERDE ROJO 0,4 0,5 0,6 0,7 m

Principales divisiones del espectro electromagntico

MICRO-ONDAS RADAR RADIO, TV. UHF VHF 1 10

Emitancia radiativa de un cuerpo negro

Principales divisiones del espectro electromagntico

Principales divisiones del espectro electromagntico

0.73 15 m Se divide en:

MICRO-ONDAS RADAR RADIO, TV. UHF VHF 1 10

Principales divisiones del espectro electromagntico

Principales divisiones del espectro electromagntico

Principales divisiones del espectro electromagntico

Emitancia radiativa de un cuerpo negro

Principales divisiones del espectro electromagntico

MICRO-ONDAS RADAR RADIO, TV. UHF VHF 1 10

Algunas leyes de la radiacin electromagntica

Algunas leyes de la radiacin electromagntica

Emitancia radiativa de un cuerpo negro

La interaccin de la atmsfera con la radiacin electromagntica

Componentes de un sistema de teledeteccin

4.3- La interaccin de la atmsfera con la radiacin electromagntica Dispersin (reflexin):