teledeteccin

prctica rs
Utilizando la plataforma educativa

-educa

Alfonso Fernndez-Manso
Carmen Quintano Pastor

teledeteccin
prctica
Utilizando la plataforma educativa rs-educa

Dr. Alfonso Fernndez-Manso. Universidad de Len

Dra. Carmen Quintano Pastor. Universidad de Valladolid

PRESENTACIN

El proyecto RSEducA ha sido desarrollado para servir como una herramienta educacional en
Teledeteccin que cubra el vaco existente en lengua espaola. Este proyecto tiene tres
importantes componentes: a) software RSEducA, b) material educacional RSEducA, y c)
plataforma educacional RSEducA. El proyecto RSEducA ha sido testado en varias
universidades espaolas y se encuentra en un estado preliminar respecto a su utilizacin en
Sudamrica. Desde una perspectiva educacional sus principales aportaciones son: 1) Recursos
computacionales: tanto el software como las aplicaciones son de fcil uso; 2) Rampa de
aprendizaje: fcil acceso a los recurso de la plataforma en internet; 3) Enseanza: utilidad de las
herramientas de autoaprendizaje y materiales educativos; y 4) Proyectos de Teledeteccin reales
mostrados en orden de complejidad creciente. Resumiendo, el proyecto es altamente innovador
tanto desde un punto de vista metodolgico como considerando los aspectos instrumentales /
operacionales.
Palabras clave: Software de procesado de imgenes, Teledeteccin, Innovacin educativa,
Aprendizajeorientadoaproyectos.

SUMARIO

P1: PRESENTACIN DE RSEDUCA: INFORMACIN, RECURSO Y

UTILIDADES
P2: RSEDUCA Y SU APLICACIN EN UN PROYECTO DE
TELEDETECCIN
P3:ANLISISVISUALDEIMGENESDESATLITE
P4:PREPROCESADOI:CORRECCIONES
P5:PREPROCESADOII:REALCESY
TRANSFORMACIONES
P6:PROCESADOI:CLASIFICACIONES
P7:PROCESADOII:ANLISISMULTITEMPORAL
P8:PROCESADOII:CLASIFICACIONESAVANZADAS
P9:PRESENTACINDERESULTADOS
P10: RECAPITULANDO: ESTUDIO DE UNA COMARCA CON
TELEDETECCIN

Prctica 1

TTULO:

PRESENTACIN DE RS-EDUCA:
INFORMACIN, RECURSOS Y UTILIDADES

Qu se aprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientes tareas en RS-Educa:
Conocer y acceder a las principales fuentes de informacin
relacionadas con la teledeteccin; al software Rs-educa, y a las
principales pginas para descarga de imgenes de satlite.

Antes de empezar...

Antes de empezar la prctica repasa la teora de la asignatura y
asegrate que tienes conexin a internet,

MATERIAL
En esta prctica slo har falta una conexin a internet para poder acceder a la pgina
www.rs-educa.org. Toda la informacin necesaria estar en la propia pgina

ENUNCIADO
En esta prctica visitaremos y utilizaremos la pgina web www.rs-educa.org en la que podemos
encontrar toda la informacin necesaria para el aprendizaje de la teledeteccin.

DESCRIPCIN DETALLADA

En esta prctica se pretende tener un conocimiento completo de todas las aplicaciones y recursos
que para el estudio de la teledeteccin tiene el proyecto de innovacin educativa rs-educa. En
Figura 1. se representa el men principal de su pgina web.


Figura 1. Distintas vistas de la pgina web de rs-educa

1) En primer lugar visualizaremos el video La teledeteccin en sntesis (Chuvieco, 2011) el
acceso lo podrs encontrar en la parte inferior de la web. En l nos contarn los aspectos
fundamentales de la teledeteccin.
2) En segundo lugar, realizaremos una visita detallada de todos los apartados de la web:
software, aula y campo, recursos, publicaciones y blog noticias. Al final de la visita debers
tener una clara idea de todas las posibilidades de acceso a informacin y autoaprendizaje
que tiene rs-educa.

rs-educa p1. 2

ACTIVIDADES DE AUTOEVALUACIN
1) Realiza un esquema de los contenidos del video de Chuvieco, 2011.
2) En qu direcciones de internet puedes realizar descargas de imgenes de satlite? Haz un
breve resumen de las instituciones que las gestionan y de las imgenes que estn
disponibles.
3) Revisa el blog de noticias de rs-educa e indica cules son los principales avances actuales de
esta ciencia (nuevos satlites, nuevas aplicaciones, etc.).
4) Cules son las principales asociaciones nacionales e internacionales relacionadas con la
teledeteccin?
5) Cules son las principales publicaciones cientficas que publican estudios sobre
teledeteccin? Qu revistas estn disponibles en idioma castellano? Descrgate algn
artculo cientfico que consideres interesante para tu actividad profesional.

rs-educa p1. 3

Prctica2

TTULO:

RSEDUCAYSUAPLICACINENUNPROYECTO
DETELEDETECCIN

Quseaprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientestareasenrseduca:
* Podrs conocer las fases y etapas de un proyecto de
teledeteccinenelentornorseduca
*Tendrsunaideageneraldelterritoriogeogrficodelproyecto
pilotoderseduca:lacomarcadeElBierzo
* Te habrs familiarizacin con el entorno de programacin rs
educaysusutilidades

Antesdeempezar...

*Podrsvisualizarimgenesobtenidaspordiferentessensoresy
sabrcalcularlasestadsticasbsicasdecadaimagen.

Antes de empezar la prctica repasa la teora de la asignatura,

descrgateelsoftwarerseducayasegratequetienestodoslos
archivosnecesarios.


MATERIAL
En la tabla 1 se especifican las imgenes de satlite que se utilizarn en la prctica. Esta estn
clasificadascomo:
1. Imgenesaltaresolucin
ImgenesIkonosdelaregindeSichuan(China),tomadael10032000,eimagenurbanadelEl
Cairo,del08082000.
2.Imgenesmediaresolucin
*ImgenesLandsat7delsensorEtm+.Lassietebandasmslaimagenpancromtica(endos
resoluciones) de una imagen Landsat7 de la comarca de El Bierzo tomada el da 5 de
septiembrede2000
*ImgenesdelsatlitechinobrasileoCBERS2delsensorCCDdel14denoviembrede2008
(tambindelacomarcadeElBierzo).
* Imgenes del satlite francs SPOT5 del 18 de julio de 2004 (tambin de la comarca de El
Bierzo).
3.Imgenesbajaresolucin
*ImgenesdelossatlitesTERRAyAQUAdelsensorMODIS,producto9GQoreflectividadde
superficie.
*ImagenNOAAAVHRRdelaPennsulaIbricatomadaelda13dejuliode1994.
Tabla1.Listadodeficherosdisponibles
Satlite/Sensor
Landsat7/Etm+
Landsat1/MSS
CBERS2/CCD
TerraAqua/MODIS
SPOT5
NOAA/AVHRR
Ikonos
Ikonos

Bandas
17ypan
57
14
17
14
15
13
14

Fechas
05092000
10081977
14112004
01082009
18072008_
13071994
08082000
10032000

Ficheros
ETM_05092000_bx
MSS_10081977_bx
CCDCBERS2_14112004_bx
MODIS_01082009_bx
spot5_18072008_b1
avhrr_13071994_bx
ikonos_08082000_bx
ikonos_10032000_bx

ENUNCIADO
En esta prctica, el objetivo fundamental es conocer el entorno de trabajo rseduca, su barra de
men, y sus comandos bsicos para visualizar diferentes imgenes de satlite, observar sus
caractersticasestadsticas,suficherodedocumentacincorrespondiente,losvaloresdigitalesen
cadapxel,...,endefinitiva,familiarizarnosconelentornorseduca.

rseduca

p2.2

Adems trabajaremos sobre las fases de un proyecto de teledeteccin utilizando rseduca. En la

Figura1sepuedecomprobarlarelacinentreunproyectoreal(profesional)deteledeteccinysu
relacinconelproyectoeducativodiseado.Enestegraficosepuedeobservarcomoelconjunto
delas9prcticasplanteadassiguenlasecuencialidaddeunproyectoreal.

Adems tendremos una primera aproximacin a la comarca de El BierzoLen que utilizaremos

comocomarcaexperimentalparanuestraprctica.

PROYECTO REAL

PROYECTO EDUCATIVO

P0: PRESENTACIN
PLATAFORMA DE E-LEARNING

TERRITORIO

1. OBJETIVOS

Escala, leyenda,
exactitud, tiempo
de ejecucin y
coste

2. DECISIONES

P1: OBJETIVOS Y DECISIONES

*Resolucin
espacial/espectral
*Nmero de
imgenes
*Fechas de
adquisin

SOFTWARE TELEDETECCIN
ENTORNO RS_EDUCA

*Software
P2: ANLISIS VISUAL

P3: CORRECCIONES
P4: REALCES Y
TRANSFORMACIONES
P5: CLASIFICACIONES BSICAS

TIPO DE TRATAMIENTO Y
PRODUCTO
VALIDACIONES

P6: ANLISIS MULTITEMPORAL

P7: CLASIFICACIONES
AVANZADAS

P8: PRESENTACIN DE
RESULTADOS

3. RESULTADOS

P9: REVISIN CRTICA

PROYECTO TELEDETECCIN

Figura1.RelacionesentreunproyectorealyelAOPdeRseduca

DESCRIPCINDETALLADA

Ya que se trata de la primera prctica que realizars, antes de describir paso a paso la forma de
llevarlaacabo,presentaremosmuybrevementetantolascaractersticasfundamentalesdelazona
deestudio,comolasdelprogramaqueemplearemos.

rseduca

p2.3

1.INTRODUCCIN

1.1.readeestudio:ComarcadeElBierzo
LacomarcadeElBierzoesunadelascomarcasmscomplejasyevocadorasdelaUninEuropea.
Sucaprichosaformacircular,delimitadaporlasmontaasperiferias,essudefinicinmssingular.
El papel protector de este relieve, la baja altitud media as como las caractersticas
termopluviomtricas, crean unas condiciones ecolgicas singulares, manifestadas en una rica y
variada vegetacin. La estratgica situacin de la comarca entre dos regiones florsticas
(Mediterrnea y Eurosiberiana) da a este territorio una gran relevancia geobotnica y
biogeogrfica. As, dentro de un mismo valle podemos encontrar sotos de castaos y rebollares,
junto con especies tpicamente mediterrneas como encinares y alcornocales. La importancia
biogrficaseexpresatambinconlaexistenciadeimportantesendemismosyensuflorarelicta.Se
asociaaestariquezavegetalunavariadaeinteresantefauna(FernndezMansoetal.,2004).

LaFigura2representeelterritoriodeprcticas(zonacentraldelaComarcadeElBierzo)ylaFigura
3 es un mapa 1:125 000 de la misma zona. La poblacin que aparece en el centro (debajo de la
curva de la autopista A6) es Bembibre, el segundo ncleo poblacional ms importante (10000
habitantes)despusdePonferrada(capitaldeElBierzo).

Figura2.Territoriodeprcticas,lacomarcadeElBierzo

rseduca

p2.4


Figura3.Mapa1:125000delazonadetrabajo

La zona puede incluirse dentro del denominado Macizo Asturleons, sector occidental de la
Cordillera Cantbrica cuyos valles discurren en la direccin nortesur. El curso de agua de mayor
entidadenlazonaestudiadaeselroBoeza,principalafluentedelSil,yunodelosejeshidrolgicos
delaComarca.Atendiendoaaspectosgeolgicoseconmicos,sedebeprestarespecialatencinal
carbn, modelador econmico y social; y a la pizarra, existiendo numerosas minas de ambos
recursos an en funcionamiento en la actualidad. Respecto a los usos del suelo, caben destacar:
usos agrcolas (hortofruticultura, viedos) y forestales (castao, rebollo, encina, pino pinaster y
radiata,chopo)ymatorral.

LaFigura4muestraalgunasfotografasdealgunascubiertasfcilmenteidentificablesasimplevista
enlaortofotografa,comolacubiertaforestalylaszonasocupadasporlamineradelcarbn.

rseduca

p2.5

Figura4.Cubiertaforestalyzonasmineras
EnlaFigura5aparecelaortofotografadigitaldelao2001delamismazona,proporcionadaporel
ServiciodeInformacinTerritorialdelaJuntadeCastillayLen.Enellapuedesobservarennegro,
el embalse de Brcena en cuyo margen izquierdo se sita la central trmica de Compostilla, en
tonos gris oscuro, las diferentes explotaciones de carbn, algunas de ellas activas an en la
actualidad,entonosverdesoscuros,laszonasforestales,...

rseduca

p2.6


Figura5.Zonadetrabajo

1.2.Rseduca:visingeneral
Unodelosprincipaleslogrosdelproyectoeshaberdesarrolladounsoftwareparaprocesamiento
de imgenes de satlite intuitivo, y de fcil empleo siguiendo ejemplos integrados en una
secuencialidad semejante a la que se aplica en las metodologas de un proyecto real de
teledeteccin.Lafacilidaddemanejohasidolagranmeta,estohaimplicadorecogerunaseriede
rasgosquesimplifiquensuutilizacin.
rseducasoftwarehasidodesarrolladoutilizandoellenguajedeprogramacinC++yelentornode
programacinMicrosoftVisualC++6.0.Losrequerimientosmnimosdelsistemaenelquesedesee
instalarrseducasoftwareson:MicrosoftWindowsXP,NT4.0o2000;Procesadora1,4GHzo
superior;256MBdememoriaRAM;2.5MBdeespaciodisponibleendisco;Tarjetadevdeode32
MB.
LaFigura6muestralavistageneraldelentornodetrabajo.Elmendelsistemaseubicaenlaparte
superiordelaaplicacin.Alpulsarsobreunaopcindelmenquenoincluyalaflecha,seejecutar
elmdulodelaaplicacinasociadoaeseelementodelmen.EnlaFigura7serecogelaestructura
demenusysubmenus,quesigueunasecuencialidadlgicaeintuitiva.

rseduca

p2.7

Figura6.Vistageneraldelentornodetrabajo

FICHERO

Guardar/ Guardar como/Informacin/ Convertir/

exportar/salir

VISUALIZACIN

Imgen/Nueva ventana/ histograma/Nivel digital/

Crear paleta/ crear map/zoom

CORRECCIONES

Radiometricas /geomtricas

REALCES

Contraste/ Composicin de color/ filtrado

TRANSFORAMACIONES

ndices de Vegetacin/ componentes

principales/tasseld cap/ Mezclas espectrales

CLASIFICACIONES

Supervidada/ no supervisada/ verificacin/ rea

HERRAMIENTAS

Iniciar/ reformar/ reclasificar/ Operar/ componer/

regresin/ Estadsticos/ vectorial

AYUDA

Contenidos/ acerca de/ temas de ayuda

Figura7.Estructurademenusysubmenus

EnlaFigura8semuestraeldiagramadeflujodelfuncionamientogeneraldelasoperaciones
quepermiterealizarelprograma.

rseduca

p2.8

Inicio

El usuario indica la operacin

CUADRO DE DIALOGO
El usuario define la imagen de
entrada, la imagen de salida y
los parmetros de la operacin

Verificacin de los parmetros

introducidos por el usuario

Apertura de la/s imagen/es de

entrada

Verificacin de los parmetros

introducidos por el usuario

Realizacin de la operacin
indicada

Visualizar la imagen de salida

Guardar en fichero

Figura8.Diagramadeflujodelprograma.

Rseducaconstadeunprogramadeinterfacedeusuarioydeunaseriedemdulosquefacilitanla
entrada,visualizacinyanlisisdedatosgeogrficosquesedescribenenformadecapatemticas.
Ejemplosdeestascapaspodranserunacapaderedesviarias,unacapadeelevacin,unacapade
tipodesuelo,etc.Todoelanlisissellevaacabosobredichascapastemticas.Noobstante,para
suvisualizacinesposibleintegrarunaseriedecapasenunacomposicinnueva.
Ya que los datos geogrficos pueden ser de diferentes tipos, rseduca incorpora dos formatos
bsicosdecapastemticas:lascapasdeimagenrasterylascapasvectoriales.
Las imgenes raster describen una regin del espacio por medio de una matriz de celdas bsicas
(pxeles). Cada una de estas celdas contiene el valor numrico que expresa una determinada
caracterstica del terreno en esa localizacin. Las imgenes raster son muy apropiadas para
describir datos continuos espacialmente como elevacin, niveles de la biomasa, temperatura y
datosdeprecipitaciones,etc.
Lasimgenesvectoriales,porotrolado,sontilesparadescribirlosdistintoselementosdelpaisaje,
comocaminos,lmitesdepropiedad,distritosadministrativos,...Paraello,almacenanunaseriede
puntos (cada uno referenciado mediante un par de coordenadas espaciales) que describen la
localizacindeloselementos(sisonpuntos),osutrayectoriaolmitemedianteunasecuenciade
puntosunidosporrectas.

rseduca

p2.9

Aunque rseduca es adecuado para la entrada y visualizacin de ambos tipos de imgenes, el

anlisis se orienta principalmente hacia el empleo de imgenes raster. Por ello, normalmente se
describe como un sistema raster. Sin embargo, rseduca tambin ofrece comandos para trabajar
conimgenesvectorialesascomodeconversinentreestosformatos.
1.3.rseduca:instalacindelprograma
Descargadelapginarseduca.orgydescomprimeelarchivorseducasetup.rar

Utilizalasopcionespordefecto.Unavezinstaladocompruebasilafuncionalaayuda.Siutilizasuna
versin distinta Windows xp como Windows vista, 7 8 puedes tener problemas a la hora de
ejecutarla.Paraellodeberasdedescargartedelapginarseduca.orgelcomplementodelaversin
dewindowsqueestsutilizando.
1.3.rseduca:ejecucindelprograma
Cuandoseejecutarseduca,laventanadelaaplicacinocuparlapantallacompletamente(enla
terminologa de Windows, se maximizar automticamente). En esta ventana es posible destacar
ademsdelazonadetrabajo,labarrademen,labarradebotonesylabarradeestado.
Enlapartesuperiordelaventanadelaaplicacinaparecelabarrademen.Labarradelabotones
aparece inmediatamente debajo del men, cada uno de los botones representa un mdulo del
programaquepuedeactivarsepulsandosobredichobotn(Verfigura9).

rseduca

p2.10


Figura9.Ventanaprincipaldelprograma

En la parte inferior de la ventana de la aplicacin, aparece la barra de estado que proporciona

diferenteinformacinsobreelfuncionamientodelprograma.Cuandosevisualizancapastemticas,
enlabarradeestadoaparecerlaposicindelcursordentrodedichacapa(filaycolumna).Sila
imagen esta georreferenciada tambin aparecern sus coordenadas en el sistema de referencia.
Por otra parte, al ejecutar los diferentes mdulos, en la barra de estado tambin se indica el
porcentajedetrabajorealizado.
1.4.rseduca:ficherosraster
Unavezintroducidoelprogramaqueemplearemos,vamosadescribirrpidamenteelformatode
losficherosquemsutilizaremosalrealizarlasprcticas:losficherosraster.
Losficherosrasterseidentificanporlaextensin.rse.Comosehaindicadoenlaintroduccin,los
ficherosrasterrepresentanunterritoriodividindoloenceldasbsicasmedianteunacuadrculade
tamaodeterminado.Cadaceldaserepresentaporunvalornumricoquesecorrespondeconla
caracterstica del territorio representada por la imagen. Las celdas de la imagen constituyen los
elementosdevisualizacinopxeles.
El valor numrico de cada pxel admite diferentes formatos en rseduca. Es posible utilizar la
codificacinASCIIobienunodelossiguientesformatosbinarios:
1. Byte:Nmerosinsignode8bits.Rango:0:255.
2. Integer:Nmeroconsignode16bits.Rango:32768:32767
3. Real:FormatoIEEE,32bits.Rango:11038
Existeuncomandopararealizarlaconversinentreellos.

rseduca

p2.11

Cada fichero .rse lleva asociado un fichero de documentacin .inf con informacin sobre el
formatodelosdatosdelaimagen(ASCII,binario,...),elnmerodefilasycolumnasdelaimagen,
sus valores mximos y mnimos, ....Es posible editar este fichero mediante el comando
Fichero/Informacin de la imagen. En la Figura 10 puedes ver la informacin de una imagen de
referencia.

Figura10.Ventanadeinformacindelaimagen

Paraobtenerinformacinmsdetalladadelfuncionamientodecadamduloocomando,acudeala
ayudadelprogramaenlaquesedescribentantolaoperacinconcretaarealizarcomolaformade
utilizarelcuadrodedilogo(figura11)

rseduca

p2.12


Figura11.VentanadeayudadeRseduca

2.DESARROLLODELAPRCTICA

2.1.Familiarizacinconelentorno
EjecutaahoraelcomandoFichero/Informacindelaimagen,comopuedesobservardeestaforma
puedesconocerculessonlosficherosexistenteseneldirectoriodetrabajo.Adems,seccionando
un determinado fichero (raster o vectorial) puedes visualizar informacin detallada del mismo.
Comprubalo!
VamosaverificarahoraelfuncionamientodelcomandoVisualizacin/Imagenparavisualizaruna
imagen raster. Tendrs que seleccionar el nombre del fichero y la paleta con la que deseas
visualizarlo. Elige un el fichero avhrr_13071994_b3, con la paleta Cuantitativa256. Para poder
observar las estructuras que no se aprecian a simple vista, utiliza el comando
Visualizacin/Zoom/Zoomhaciadelante(obienseleccionaelbotncorrespondiente)ymarcala
ventana de la imagen que quieres ampliar. Prueba las diferentes opciones de zoom:
Visualizacin/Zoom/Zoom
hacia
atrs,
Visualizacin/Zoom/Pantalla
completa
y
Visualizacin/Zoom/Pantallanormal.

rseduca

p2.13


Figura12.Ventanadeparalavisualizacindeunimagen
Otragranfacilidadqueofreceelprogramaespoderconocerelvalordigital,ND,deundeterminado
pxel seleccionado sobre la imagen con el ratn. Para ello, selecciona el comando
Visualizacin/Niveldigitaldelpxel(obienseleccionaelbotncorrespondiente),verscomoenla
barradeestadoapareceelniveldigitaldelpxelseleccionado.
Ahora vamos a trabajar con imgenes vectoriales. Al trabajar con este tipo de imgenes es
frecuente superponerlas a imgenes raster. Sobre la imagen avhrr_13071994_b3 visualiza el
fichero vectorial islas empleando el mdulo Herramientas/Vectorial/Abrir fichero. Una vez
observado,cierraelficheroislasmedianteelcomandoHerramientas/Vectorial/Cerrarfichero.

rseduca

p2.14


Figura13.EjemplovisualizacindeimagenNOAAAvhrr

2.2.Visualizacinenpantalladediferentestiposdeimgenes
Ahoraqueyasabemoscmovisualizarlasimgenesdesatliteenelentornodetrabajo,vamosa
comparar imgenes de diferentes sensores pasivos, atendiendo principalmente a su resolucin
espacial. Tambin observaremos el diferente comportamiento en cada una de las bandas
espectrales.
VisualizaacontinuacinlasimgenesNOAAAVHRR.Comparasuresolucinespacialconladelas
imgenesIkonosobservasladiferenciaasimplevista?
Abre ahora las imgenes landsat ETM+ y MSS compralas entre s y con las anteriores imgenes
visualizadas.

rseduca

p2.15


Figura14.EjemplovisualizacindeimagenLandsatEtm

2.3.Obtencindeestadsticos
Enalgunasocasionesesinteresanteconocerdatosdelaimagencomosuvalormedio,sudesviacin
tpica, sus valores mximos y mnimos, .. Obtn los estadsticos asociados a la imagen
avhrr_13071994_b2empleandoelcomandoHerramientas/Estadsticos(verfigura15)

Figura15.Estadsticasbanda4(Etm4)deLandsat

rseduca

p2.16

Si deseas visualizar el histograma de una determinada imagen, visualiza esta imagen

(Visualizacin/Imagen), y a continuacin utiliza el comando Visualizacin/Histograma (ver figura
11)PulsaelbotnVerhistogramaqueapareceenlanuevapantallaymuveteporelejeXconla
ayuda de los botonesflecha observando el ND del valor seleccionado y el nmero de veces que
apareceenlaimagendeformaabsolutayrelativa(valorenelejeY).Utilizaestecomandoconlas
diferentesbandasdelaimagenAVHRR.Observalasdiferenciasentrelosvaloresobtenidosenlas
distintasbandas.

Figura16.Histogramabanda4(Etm4)deLandsat

rseduca

p2.17

ACTIVIDADESDEAUTOEVALUACIN

1. Sobrelasimgenesdesatliteysucomprensin
Rellenaloscamposvacosdelasiguientetablacorrespondientesaimgenescondistintas
resoluciones
Satlite/Sensor

Bandas

Fechas

Landsat7/Etm+
Landsat1/MSS
CBERS2/CCD
TerraAqua/MODIS
NOAA/AVHRR
Ikonos

17ypan
57
14
17
15
13

05092000
10081977
14112004
01082009
13071994
08082000

Resolucin

E(m) T(das)

Espectral

E:Resolucinespacial;T:Resolucintemporal;R:ResolucinRadiomtrica

R(bits)

Detodaslasimgenesvisualizadas,culeslaquetienemejorresolucinespacial?
Ycultienemayorresolucintemporal?Yradiomtrica?Yespectral?
Qu bandas del sensor AVHRR se relacionan con energa solar reflejada y cules lo hacen con
energaemitidaporlatierra?
YenelcasodelsensorETM+?
Indicaeltamaoennmerodefilasycolumnasdelaimagenavhrr_13071994_b3
Indicalosvaloresdigitalestpicosparaelagua,lasnubes,lavegetacinyelsueloenlasimgenes
delsensorAVHRR.Indicadichosvaloresparacadabanda.
CuleselNDmediodelaimagenavhrr_13071994_b2?
Yculessudispersintpica?
Representasuhistogramaycomentasusignificado
2. Sobrerseducayunproyectodeteledeteccin
Culessonlasprincipalesfasesenunproyectodeteledeteccinsiqueremosrealizarunmapade
usosdelsueloaunaescala1:100000?
Planteaotroproyecto(oestudio)enelquesepuedanutilizarimgenesdesatlite.

rseduca

p2.18

..
..
..
..

ASIGNAT

Prctica3

TTULO:

ANLISISVISUALDEIMGENESDESATLITE

Quseaprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientestareasenRSEduca:
*Realizarunainterpretacinvisualenescaladegrisesdelasdistintasbandas
delsatliteLandsatreconociendolarespuestaespectraldedistintosusosdel
sueloparacadaunadelasbandas
* Interpretar visualmente distintos compuestos de color y seleccionar la
combinacin ms adecuada para distintas aplicaciones (incendios,
inundaciones,..)
*Elaborarunmapadeusosdelsueloapartirdeunainterpretacinvisual.
*Realizarunanlisismultitemporalapartirdelainterpretacinvisualdeuna
serietemporaldeimgenes19772011.

Antesdeempezar...

Antesdeempezarlaprcticarepasalateoradelaasignaturay
asegratequedisponesdelmaterialdisponibleparalaprctica.

MATERIAL
Enlatabla1seespecificanlasimgenesdesatlitequeseutilizarnenlaprctica.
Tabla1.Listadodeficherosdisponibles
Satlite/Sensor
Landsat1/MSS
Landsat1/MSS
Landsat5/TM
Landsat7/Etm+
Landsat7/Etm+
Landsat5/TM

Bandas
47
47
17
17ypan
17ypan
17

Fechas
10081977
09091984
16071990
05092000
20062001
24062011

Ficheros
MSS_10081977_bx
MSS_09091984_bx
TM_16071990_bx
ETM_05092000_bx
ETM_20062001_bx
TM_24062011_bx

Necesitarstambinpapeltransparenteyrotuladorespararealizarelmapadeusosdelsuelo(esta
tarealapodrsrealizardigitalmentesiposeesunsoftwareSIGcreandounacapatemticaapartir
deladigitalizacindelospolgonossobrelaimagen.
Aviso:LasimgenesETM_05092000_bxyafuerondescargadasenlosarchivosdelaprctica2

ENUNCIADO
Enestaprcticaensayaremosdistintasformaderealizarunainterpretacinvisualdeunaimagen
desatliteouncompuestodecolorderivadodelamisma.Seelaborarunmapadeusosdelsuelo
yunanlisisdeloscambiostemporalesacontecidosenlosltimos35aos(19772011).

DESCRIPCINDETALLADA

1.INTERPRETACINDEIMGENESENESCALADEGRISIS

Lainterpretacindelasimgenesenescaladegrisesquerepresentanlosrasgosespectralesque
definenlasdistintascubiertas(Usosdelsuelo)resultamuyinteresanteparaelanlisisvisualde
imgenes,puesnospermiterealizarunainterpretacinrazonadadelasimgenes.Acontinuacin
seproponeunejercicioquetienecomoobjetivolacaracterizacinespectraldedistintascubiertasa
partirdelanlisisvisualdeimgenesenescaladegrises.
Setratadecompletartabla2(marcandolacasillaapropiada)apartirdelaobservacindelostonos
de gris que presentan las cubiertas a analizar: choperas, lmina de agua del embalse, minera
(cielos abiertos y escombreras), cultivos de secano y regado. Debers ir comprobando los usos
reflejadosenlafigura1enlasbandas1,2,3,4,5y7delaimagenETM_05092000_bx.Enlafigura
2serepresentalarespuestadelasprincipalessuperficiesadiferenteslongitudesdeonda.

rseducap3.2


Figura1.Diferentesusosdelsueloutilizadosenlaprctica

rseducap3.3

Figura2.Diagramadecolornaturalyrespuestadelasdistintassuperficiesendiferenteslongitudes
deonda
Tabla2.Nivelesdegrisesparacadabandaenlasdistintascubiertasestudiadas

BandasatliteLandsat
(Intervaloespectralenm)

Cubierta

Choperas
(1)

Niveldegris
(Brillo)

BLANCO
GRISCLARO
GRISOSCURO
NEGRO

Minera
(2)

BLANCO
GRISCLARO
GRISOSCURO
NEGRO

Agua
(3)

BLANCO
GRISCLARO
GRISOSCURO
NEGRO

Cultivo
secano
(4)

BLANCO
GRISCLARO
GRISOSCURO
NEGRO

Otros

BLANCO
GRISCLARO
GRISOSCURO
NEGRO

(Azul)

(Verde)

3
(Rojo)

(0,450,52)

(0,520,60)

(0,630,69)

4
(Infrarrojo
prximo)

(0,760,90)

5
(Infrarrojo
medio)

7
(Infrarrojo
medio)

(1,551,75)

(2,082,35)

rseducap3.4


2.INTERPRETACINDECOMPUESTOSRGB

Aunquelasimgenesenescaladegrisescomohemosvistossondegranutilidad,enmuchoscasos
no logran comunicar la informacin con la misma eficacia que un compuesto o realce RGB y, de
hecho, para muchas aplicaciones estos realces son ms tiles que los productos generados con
tcnicas tradicionales de realce de canales individuales en color. En la figura 3 se representa el
procesoparalaobtencindeuncompuestoRGB:743

Conjuntodebandasdelsatlite

1
2
3
4
5
7

Seleccindebandas

Asignacindelcolor

Visualizacindel
compuesto

Figura3.ProcesodeelaboracindeuncompuestoRGB:742.Fuente:Horningetal.2012

rseducap3.5

En este apartado el anlisis visual de imgenes se realiza empleando tres bandas del sensor,
coincidiendoconlacapacidaddelosmonitores,empleadoseninformtica,monitoresRGB.Deesta
manera tenemos la posibilidad de enviar en cada uno de ellos una de las bandas del sensor,
combinndose en nuestra pantalla y dando distintos colores y tonos. Estos colores y tonos se
emplean para analizar visualmente la imagen, combinando las bandas, de manera que se da un
primer acercamiento al contenido de la imagen. La tcnica de procesamiento de imgenes RGB
(siglaquecorrespondealasinicialeseninglsdelosnombresdeloscoloresRed,GreenyBlue,es
decir,rojo,verdeyazul)brindaunasolucinsimpleydeenormeeficaciaquepermiteconsolidarlos
datosdedistintasbandasocanalesespectralesenimgenesrealzadascapacesdecomunicarms
informacinquecualquierimagenindividual.
Losmonitoresposeenuntotaldetrescaones,RGB,red,green,blueRojo/Verde/Azul,conlos
que,porcombinacindeestostrescoloresbsicos,seconstruyenelrestodeloscolores.
Apartirdeesteejercicioyteniendoencuentalateoradelcolor(Figura4)resultarmssencillo
interpretar combinaciones multibanda. Slo hay que tener en cuenta que el proceso aditivo
implicaquelospxelestendrntantomsintensidaddeundeterminadocolorcuantomsblancos
aparezcanenlabandaalaqueseapliqueesecolor.

Figura4.Coloresprimariossecundarios(izquierda)yrespuestadedistintosusosendiferentes
longitudesdeonda(derecha)

Siguiendoesterazonamientocontestaralassiguientespreguntas:
a)Elamarilloseobtienemezclando:
b)Elcianseobtienemezclando:
c)Elmagentaseobtienemezclando:
d)Elgrisseobtienemezclandoenproporcionesiguales:
e)Elnegroesresultadodeladelostrescoloresprimarios:
f)Elblancoseobtienemezclandoenproporcionesiguales:
En rseduca el modulo encargado de realizar composiciones de color se denomina
Realces/Composicindecolor(verfigura5).Realizaunacomposicinencolorrealconlaimagen

rseducap3.6

Landsatdisponibleeneldirectoriodetrabajo.RealizaahoraunacomposicindefalsocolorRGB:
4321.Observalasdiferenciasrespectoalacomposicindecolorreal.

Para finalizar, repite la operacin realizando ahora una composicin de falso color RGB:543, y
comprala con las anteriores. Guarda la composicin en color como imagen .bmp con la opcin
Fichero/Exportar/Exportara.bmp.

Figura5.Cuadrodedilogodecomposicindecolor

Figura6.ComposicindefalsocolorRGB:432

Tenencuentaqueenrseducatendrsqueseleccionarprimeroelazul(banda2),despuselrojo(banda
3)parafinalizarconelrojo(banda4).

rseducap3.7


RealizaloscompuestoRGB:321(colorverdadero)yRGB:432(Falsocolor)paralasimgenesLandsat
ETM_05092000_bxysealaenlatabla2quecolorcorrespondeacadaunodelosusosdelsuelo.
Paraterminareligeuncompuestodelosespecificadosenlatabla3ycompruebanuevamenteel
color que tienen los diferentes usos del suelo con los que estamos trabajando. Con el resultado
debesrellenarelltimoapartadodelatabla3.

Tabla3.ColoresenfuncindelacomposicinRGBparalosdistintosusosdelsuelo

COMPUESTO
(Usosdelsuelo)

COLORES
Secundarios

Primarios
Verde

Rojo

Azul

Amarillo

Magenta

Cian

Blanco

Negro

Otro

RGB:321(colorverdadero)
Choperas(1)
Minera(2)
Agua(3)
Cultivosecano(4.1)
Cultivoregado(4.2)
Otros
RGB:432(Falsocolor)
Choperas(1)
Minera(2)
Agua(3)
Cultivosecano(4.1)
Cultivoregado(4.2)
Otros
RGB:
Choperas(1)
Minera(2)
Agua(3)
Cultivosecano(4.1)
Cultivoregado(4.2)
Otros

Lascombinacionesdecoloresseempleanparadiscriminarusosdelsuelodelaimagen,morfologa
urbana, etc. Para discriminar ciertas cubiertas hay que ir a otros anlisis analizando imgenes
consecutivas, o de otros aos, anlisis multitemporal y de contexto,en funcin del conocimiento
previoquesetienedelazonacubiertaporlaimagen.

rseducap3.8


Tabla4.InterpretacinyutilidaddelasdiferentescombinacionesRGB
R,G,B Descripcin
4,3,2

3,2,1

7,4,2

4,5,1

4,5,3

7,5,3

5,4,3

5,4,1

7,5,4

5,3,1

Elestndarcomposicinde"falsocolor".Lavegetacinapareceentonosderojo,laszonasurbanassoncianazul,ylossuelosvarande
oscuro a los marrones claros. Hielo, nieve y las nubes son blancas o cian.Las conferas aparecer un rojo ms oscuro que las
frondosas.Setratadeunacombinacindebandamuypopularyestilparaestudiosdevegetacin,drenajeypatronesdecontroldel
sueloylasdiversasetapasdecrecimientodelcultivo.Engeneral,losprofundostonosrojosindicanfrondosasylavegetacin(saludable)
mientrasquelostintosligerossignificanlaspraderasozonasconescasavegetacin.Zonasurbanasdensamentepobladassemuestran
enazulclaro.EstacombinacindebandasTMdaresultadossimilaresalcolortradicionalfotografaareainfrarroja.
Es la combinacin de bandas que representa el "color natural" (el que percibimos al mirar). Debido a que las bandas visibles son
utilizadasenestacombinacin,lascaractersticasdelterrenoaparecenencoloressimilaresasuaparicinenelsistemavisualhumano,la
vegetacinsanaesdecolorverde,vegetacinpocosaludableesdecolormarrnyamarillo,lascarreterassondecolorgris,ycostasson
decolorblanco.Estacombinacinproporcionalapenetracindebandamayorcantidaddeaguaysedimentosuperiorylainformacin
batimtrica.Tambinseutilizaparalosestudiosurbanos.Lasreasdespejadasyvegetacinbajadensidadnosontanfcilesdedetectar
aqucomoenlacombinacin451o432.Nubesynieveaparecendecolorblancoysondifcilesdedistinguir.Losdiferentestiposde
vegetacinnosontanfcilesdedistinguircomolacombinacin451.Lacombinacin321nodistingueaguaspocoprofundasdelsuelo,
ascomolohacelacombinacin753.
Esta combinacin proporciona una interpretacin similar al "color natural" la, a la vez que penetra las partculas atmosfricas y el
humo.La vegetacin sana ser un verde brillante y puede saturar en temporadas de fuerte crecimiento, los pastizales aparecer en
verde,laszonasdecolorrosarepresentansuelorido,naranjasymarronesrepresentanreasconescasavegetacin.Vegetacinseca
serdecolornaranjayelaguaserazul.Losdiferentessuelosylosmineralessedestacanenunamultituddecolores.Estacombinacin
debandasofreceimgenesimpactantesenlasregionesdesrticas.Estilparalosestudiosgeolgicos,agrcolasyhumedales.Sienla
imagen aparece algn incendio forestal este se aparecer de color rojo.Esta combinacin se utiliza en las aplicaciones de gestin de
incendiosparaelanlisispostincendiodequemadosynozonasforestalesquemadas.Lasreasurbanasaparecenenvariostonosde
magenta.Lospastizalesaparecencomoverdeclaro.Lasmanchasdecolorverdeclarodentrodelaciudadindicanlacoberturadelsuelo
cubierto de hierba parques, cementerios, campos de golf.Las manchas de color verde brillante a verde normalmente indican reas
boscosasconconfera,lasfrondosastieneuncolorverdemsoscuro.
Vegetacin sana aparece en tonos de rojos, marrones, naranjas y amarillos. Los suelos pueden ser en verdes y marrones, las
caractersticas urbanas son de color blanco, azul y gris, zonas azules brillantes representan las reas taladas recientemente y zonas
rojizasmuestranuncrecimientonuevavegetacin,pastizalesprobablementedispersos.Aguaclarayprofundavaasermuyoscuroen
estacombinacin,sielaguaespocoprofundaocontienesedimentosqueaparecerancomotonosdeazulmsclaro.Paralosestudios
devegetacin,laadicindelabandaInfrarrojomedioaumentalasensibilidaddeladeteccindelasdiversasetapasdecrecimientodela
plantaoelestrs,sinembargosedebetenercuidadoenlainterpretacindeadquisicinsisiguedecercalaprecipitacin.ElusodeTM4
yTM5semuestraunaaltareflectanciaenlaszonasconvegetacinsana.Estilcompararlasreasinundadasyreasconvegetacin
rojas con los colores correspondientes de la 3 2 1 combinacin para asegurar su correcta interpretacin.Esta no es una combinacin
buenaparaelestudiodelasinfraestructuras,talescomocarreterasypistasdeaterrizaje.
Estacombinacindeinfrarrojocercano(banda4),infrarrojomedio(banda5)yrojo(banda3)ofreceladefinicindeloslmitesaadido
tierraaguaylosdetallessedestacansutilesnofcilmenteevidentesenlasbandasvisiblessolamente.Loslagosinterioresyarroyosse
pueden localizar con mayor precisin cuando se utilizan las bandas infrarrojas..La combinacin 4,5,3 demuestra las diferencias de
humedadyestilparaelanlisisdelascondicionesdelsueloylavegetacin.Engeneral,elsuelomshmedo,esmsoscuro,debidoa
lascapacidadesdeabsorcindeinfrarrojosdeagua.
Estacombinacindebandastambinproporcionauninterpretacinsimilaral"colornatural"ypermitealmismotiempopenetrarenlas
partculasatmosfricas,elhumoylaneblina.Lavegetacinapareceentonosdeverdeoscuro,lascaractersticasurbanassondecolor
blanco,gris,cianoprpura,arenas,suelosymineralesaparecenenunavariedaddecolores.Laabsorcincasicompletadelasbandasde
infrarrojo medio en el agua, el hielo y la nieve ofrece bien definidas las lneas costeras y fuentes destacadas de agua dentro de la
imagen.La nieve y el hielo aparecen como el azul oscuro, el agua es de color negro o azul oscuro.Las superficies calientes, como los
incendiosforestalesycalderasvolcnicassaturarlasbandasdeinfrarrojomedioyaparecenentonosderojooamarillo.Unaaplicacin
particulardeestacombinacinseseguimientodelosincendiosforestales.Durantelastemporadasdecrecimientodelavegetacinsera
mejorutilizarlacombinacin742.Lasreasinundadasdebeparecermuyazuloscuroonegro,encomparacinconel321combinacin
enlaquepocoprofundasregionesinundadasaparecenengrisysondifcilesdedistinguir.
Aligualquelacombinacin451,estacombinacinproporcionaalusuarioconunagrancantidaddeinformacinycontrastedecolor. La
vegetacinsanaesdecolorverdebrillanteylossuelossondecolormalva.Mientrasquelacombinacin742incluyeTM7,quetienela
informacingeolgica,lacombinacin543utilizaTM5quetienelainformacinmsagrcola.Estacombinacinestilparaestudiosde
vegetacin,yesampliamenteutilizadoenlasreasdegestindelaforestal(aprovechamientosforestales)ylazonasconproblemasde
plagasyenfermedadesforestales.
Estasersimilaralacombinacin742enquela vegetacinsaludableserdecolorverdebrillante,exceptoel541combinacines
mejorparalosestudiosagrcolas.
Estacombinacinnoutilizaningunabandadelvisible. Proporcionalamejorpenetracinatmosfrica.Laslneasdecostayplayasestn
biendefinidas.Sepuedeutilizarparaencontrarlascaractersticasdetexturaylahumedaddelossuelos.Lavegetacinaparecedecolor
azul.Sielusuarioprefierelavegetacinverde,debesersustituidoporla745combinacin.Estacombinacindebandaspuedesertil
paraestudiosgeolgicos.
Estacombinacinmuestratexturastopogrficos,mientrasqueel731puedemostrardiferenciasenlostiposderoca

rseducap3.9

3.CARTOGRAFADELOSUSOSDELSUELOPORINTERPRETACINVISUAL

ApartirdelcompuestoRGBquemejordiscriminelosusosdelsuelodelazonadeestudioelabora
una cartografa bsica de los usos del suelo teniendo en cuenta los criterios de identificacin
estudiadosenlasclasestericas(tono,textura,patrn,etc.)
Elaboraunaleyendaqueincluyalosprincipalesusosdelsueloocategorastemticas,porejemplo,
estaseraunaleyendaestndarparalosprincipalesusosdelsuelodelaprovinciadeLen:
1.Ncleosdepoblacin

4.Conferas

7.Cultivosderegado

2.Pastizales

5.Frondosasperennifolias

8. Suelos descubiertos
(incluir cultivos de secano
yacosechados)

3.Matorral

6.Frondosascaducifolias

9.Lminasdeagua

10.Actividadesmineras

Realiza la clasificacin visual de la imagen, discriminando y delimitando sobre un acetato

transparentelosdistintosusosdelsuelo.Serecomiendacomenzardelimitandoreashomogneas.
Esprobablequeenalgunaszonas,lasuperficieocupadaporunacategoraseainferioralaunidad
mnima cartografiable. Ser necesario entonces crear nuevas categoras temticas que sean una
mezcladedosomsdelasdefinidasenunprimermomentoenlaleyenda.
4.ANLISISMULTITEMPORAL:CAMBIOSDEUSOSDELSUELOENLACOMARCADEELBIERZO

Con la ayuda de las imgenes Landsat de El Bierzo, tomadas ltimos 30 aos (19842011)2. es
posibleidentificarsobreuntransparentecambiosquesehanproducidoentreestascincofechas.
Explicarelposibleorigendeesoscambiosobservablesenlaimagen.Especficamentealgunosdelos
cambios que se han producido en este periodo de tiempo y que te pueden ayudar a realizar el
anlisismultitemporalsonlossiguientes:Evolucinsuperficiedechoperas,Cambiosenlossoutos
decastao,nuevasrepoblacionesforestales,incendiosforestales,abandonoagrcola(delregado),
Minera a cielo abierto (carbn, pizarra y caliza), crecimiento urbano (Ponferrada), desarrollo de
infraestructuras(autovaA6).Indicaenlatabla4conunsigno+olaevolucindelosdistintos
procesosencomparacinconelao1984.

Aunquetenemosunaimagende1977estanocubretodoelterritoriodeestudioporloqueenanlisis
serrealizarapartirdel1984.

rseducap3.10


Tabla 4. Evolucin de los distintos procesos 1984-2011
Proceso estudiado

Compuesto
RGB
ms adecuado

1984

1990

2001

2011

Evolucinsuperficiede
choperas
Cambiosenlossoutosde
castao
Nuevasrepoblacionesforestales
Incendiosforestales
Abandonoagrcola(delregado)
Mineraacieloabierto(carbn,
pizarraycaliza),
crecimientourbano
(Ponferrada)
Desarrollodeinfraestructuras
(autovaA6)

ACTIVIDADESDEAUTOEVALUACIN
*Sobrelainterpretacindelasimgenesenescaladegrises

Qubandaesmsidneaparacartografiarlascultivosderegadoychoperasenverano?,porqu?,
Cules son las cubiertas que presentan un comportamiento espectral ms similar en la regin del
visible?, en qu banda se observa la mxima separacin espectral entre el agua y la vegetacin
vigorosa?

*EnrelacinconlainterpretacinvisualdecompuestoRGB
EnqucoloraparecerelaguaenunacombinacinenfalsoRGB:742?,ylossuelosdesnudos?,aqu
sedebequelavegetacinderiberatengauncolorrojomsvivoquelospinares?,qucombinacinde
colorseranecesariaparaqueloscultivosderegadoaparecieranenverde?

*Enrelacinconlacartografadeusosdelsuelo
Comentarloscriteriosdeidentificacinutilizadosparacadacategoraylasdificultadesencontradas
en la clasificacin. Qu sugeriras para mejorar la discriminacin de las categoras ms
problemticas?
*Enrelacinconelanlisismultitemporal
EnqusectoresdeElBierzohansufridomscambios?Comentarbrevementesuevolucin.Qu
combinacionesRGBsonmsadecuadasparacadaunodelosprocesos?

rseducap3.11

Prctica4

TTULO:

PREPROCESADOI:CORRECCIONES

. .

Quseaprender...

Antesdeempezar...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientestareasenRSEduca:

*Podrscorregirunaimagenradiomtricaygeomtricamente.
Loquetepermitirtenerlaimagenpreparadapararealizarun
correctoanlisisdigital.

Antes de empezar la prctica repasa la teora de la asignatura,

descrgateelsoftwarerseducayasegratequetienestodoslos
archivosnecesarios.

MATERIAL
ImgenesLandsat7delsensorEtm+.LassietebandasmslaimagenpancromticadelLandsat7
delacomarcadeElBierzotomadaelda5deseptiembrede2000(FicherosETM_05092000_bx)
queyahasdescargadoenlaprctica2.

Imagen ETM_ 05092000_b4_bandeado. Corresponde a la banda 4 de la imagen Landsat7 de la

comarcadeElBierzo(592000)alteradaparaproducirelefectobandeado

ImgenesETM_05092000_b3_or,ETM_05092000_b4_oryETM_05092000_b5_or.Bandas3,
4y5delaimagenLandsat7sincorregirgeomtricamente

ENUNCIADO
En la primera parte de esta prctica corregiremos radiomtricamente una imagen de satlite,
simulandolacorreccindebandeadodelaimagen,convirtiendosusvaloresdigitalesaparmetros
fsicos(reflectividad)yrealizandolacorreccinatmosfrica.

En la segunda parte de la prctica, se corregir la imagen geomtricamente. Emplearemos

coordenadasUTM(UniversalTransverseMercator).

DESCRIPCINDETALLADA

1.CORRECCIONESRADIOMTRICAS

1.1.BANDEADODEUNAIMAGEN
Elbandeadoseproducecuandoalgnsensordetodoslosqueseempleanpararecogerlaimagen
se descalibra. Para corregir una imagen que presenta bandeado, es necesario ajustar la seal
detectada por cada uno de ellos. Para ello, habitualmente se asume que, caso de estar bien
calibrados,tenderanapresentarsimilareshistogramas(verfigura1).

rseduca p4.2

Figura1..ImagenLandsatconbandeado(superior)eimagenconlacorreccindelbandeado(inferior)

En esta parte de la prctica minimizaremos este efecto sobre laimagen Bandeado, utilizandoel
mdulodeCorrecciones/Radiomtricas/Bandeadodeunaimagen.Estecomandocalculalamedia
y la desviacin tpica de toda la imagen y de las lneas captadas por cada detector de forma
independiente (el sensor ETM+ es un sensor de barrido formado por 16 sensores que trabajan
simultneamente recogiendo cada uno, una lnea de la imagen en cada oscilacin del espejo). A

rseduca p4.3

partirdeestosdatos,ajustadeformalinealloshistogramasdecadadetectoralhistogramadela
imagen completa. Utiliza este comando sobre la imagen Bandeado ETM_
05092000_b4_bandeado.Observaelresultadoobtenido.

1.2.CONVERSINAREFLECTIVIDAD
Cuando se quiere comparar datos de diferentes fechas o sensores, es necesario trabajar con
reflectancias en lugar de hacerlo con ND. La reflectancia se obtiene como el cociente entre la
radianciareflejadaporelsueloylaincidente.Siseconsideralareflectanciaaparente(queasume
atmsferatransparenteodeltechodelaatmsferaoTopofAtmosphereReflectivity(observacin
vertical,superficieterrestreplana,ylambertiana),stapuedecalcularseparacadabandaatravs
delaexpresin:

Donde:
a0y a1, son los coeficientes de calibracin, y E0, la irradiancia solar extraterrestre. Se trata de
parmetrosconocidosyconstantesparacadasensor.
D,eselfactordecorreccindeladistanciaalsolparaeldadelaoenqueserecogilaimagen.
Secalculaapartirdeldajuliano,J,mediantelasiguienteexpresin
D=(1+0,0167(sen(2(J93,5)/365)))
Yi,eselngulocenitalsolar(elcomplementarioalngulodeelevacinsolar,queseincluyeenla
cabeceradelaimagen).

rseduca p4.4

Tabla1.CoeficientesdecalibracineirradianciasolarextraterrestreparaimgenesLandsatETM+

Banda(Etm)
1
2
3
4
5
7

E0(Wm2m1)
1957
1829
1557
1047
219,3
74,52

a0
6,2
6,0
4,5
4,5
1,0
0,35

a1
0,786
0,817
0,639
0,635
0,128
0,044

Enesteapartadodelaprcticacalcularemoslareflectividadparalabanda1delaimagenLandsat7
utilizando el comando Correcciones/Radiomtricas/Reflectividad aparente (Landsat).
Concretamente,losvaloresa0,a1yE0paraelsensorETM+delsatliteLandsat7aparecenenla
tabla1,elngulocenitalsolarparaeldadeadquisicindelaimagenesde52(0.907radianes),y
lafechadeadquisicinfueel592000.

Figura2.Ventanadeparalacorreccindelareflectividadaparente(ejemploEtm1)

rseduca p4.5


Figura3.Resultadodelaaplicacindelacorreccin

1.3.CORRECCINATMOSFRICA
Sisedeseaobtenerlareflectividaddelasuperficieterrestredeunacubierta(larealnolaaparente)
teniendoencuentalainfluenciadelaatmsfera,esnecesarioresolverlasiguienteexpresin:

Con:
Lsen,K,radianciaenelsensor(=ao,K+a1,KNDKparaimgenesLandsat)
La,k,radianciaatmosfricadebidaaladispersin
k,o,transmisividaddelaatmsfera(descendente).Iguala1paraobservacionesverticales
k,I,transmisividaddelaatmsfera(ascendente).ParaTM1=0.70,TM2=0.78,TM3=0.85,TM4=0.91,TM5=1y
TM7=1
Ed,k,irradianciadifusa.Siseignoraiguala0
E0,k,irradianciasolarextraterrestre
i,ngulocenitalsolar
D=(1+0,0167(sen(2(J93,5)/365))),J:dajuliano

Una forma sencilla de corregir atmosfricamente una imagen es considerar nicamente la

dispersin atmosfrica, La,k. Este efecto hace que cubiertas con una fuerte absortividad (agua,
sombras)quedeberanpresentarunaradianciaespectralnula,presentensiempreunvalormnimo
distinto de cero. Asimismo se observa que ese valor mnimo es mayor en longitudes de onda
menores.ComprubaloobteniendolosNDmnimosdecadabanda.

rseduca p4.6

Porlotanto,unasencillaaproximacinalacorreccinatmosfricaconsisteenrestaratodoslosND
decadabandaelmnimodeesamismabanda,situandoelorigendelhistogramaencero.

NDi,j,k NDi,j,k NDmin,k

ConNDmin,kelvalordigitalmnimoenlabandak
Corrige la imagen ETM_ 05092000_b1 aplicando esta tcnica. Denomina a la imagen corregida
ETM_ 05092000_b1_cor. El valor mnimo que has de restar puedes obtenerlo aplicando a la
imagenelmoduloFichero/InformacindelaimagenobienelmduloVisualizacin/Histograma;

Figura4.Cuadrodedilogodeestadsticas

Una vez conseguido ste, slo has de restrselo a la imagen original. Para ello, utiliza el mdulo
Herramientas/Operar/Escalares.Observalasdiferenciasentrelaimagencorregidaysincorregiren
lafigura5.

rseduca p4.7

Figura5.ImagenLandsatETM_05092000_b1sincorreccinatmosfrica(superior)ylamismaimagencorregida

rseduca p4.8


2.CORRECCIONESGEOMTRICAS

Cuandodeseamostransformarunaimagenenmapa,obiendeseamosregistrarcorrelativamente
varias imgenes de la misma regin pero tomadas en fechas diferentes, es necesario que las
imgenesestncorregidasgeomtricamente.
Enestapartedelaprctica,corregiremos(realmentecorregirs)laimagenLandsat7delacomarca
deElBierzoutilizandocoordenadasUTM(huso30norte).Comohemosvistoenlasclasestericas,
lacorreccingeomtricasellevaacaboentresetapas:elestablecimientodelospuntosdecontrol
que definirn las ecuaciones de transformacin entre ambos sistemas de coordenadas, la
transformacin geomtrica de la malla raster de la imagen al nuevo sistemas de referencia, y el
llenadodelamallacreada(verfigura6)
IMAGEN INICIAL

GCP1

GCP2

GCP2

GCP1

Puntos de Control
(GCP)

GCP5

GCP5

GCP3

GCP3

GCP4

GCP4

Imagen

Ortofotografa

ND
ND

Remuestreo

ND iniciales

ND remuestreados

IMAGEN CORREGIDA

Figura6.Etapasdelacorreccingeomtrica

rseduca p4.9

2.1.ESTABLECIMIENTODEPUNTOSDECONTROL
Paralaeleccinydeterminacindelospuntosdecontrolemplearemoslaortofotografadelazona
de estudio presentada en la Prctica 2. Recuerda que los puntos son localizaciones, fcilmente
reconociblestantoenlaimagencomoenelmapa,queseutilizarnparadefinirlasecuacionesde
transformacin. Estos puntos deben estar homogneamente distribuidos en la imagen para
minimizarloserroresysunmeromnimoes3paraunatransformacindeprimerorden.
Cmoseleccionarlospuntosdecontrol?
Primero,creaunacomposicindecolorRGB:543delaimagenoriginalsincorregirapartirdelas
imgenesETM_05092000_b3_or,ETM_05092000_b4_oryETM_05092000_b5_or.Paraello
utiliza el comando Realces/Composicin de color. De esta forma visualizars ms fcilmente los
puntosenlaimagen.

Figura7.ImagendecomposicindecolorRGB:543

Segundo,observaelmapa(ortofotografa)ylaimagencompuestaydecideculessernlospuntos
elegidos.Defineunnmerodepuntosdecontrolmayorqueelmnimonecesario,yaqueesposible
que debas omitir alguno en el clculo debido a que produce errores altos. Para simplificarte el
trabajo, ya tienes definidos cinco puntos en la ortofoto (Figura18), por lo que slo has de
localizarlosenlaimagenoriginal.

rseduca p4.
10

P1

P5

P3

P4

P2

Punto 1

Punto 5

Punto 4

Punto 2

Punto 3

Figura8.Situacindelospuntosdecontrolenlaortofotografa

rseduca p4.
11


Figura8.Situacindelospuntosdecontrolsobrelaimagendesatlite

Tercero, anota las coordenadas X, Y (columna, fila) de cada punto de control en la imagen
composicin de color realizada. A continuacin, anota las coordenadas X, Y de cada punto de
controlenelmapa(lascoordenadasdeloscincopuntoselegidosqueaparecenenlasFiguras9y
10).

rseduca p4.
12

X: 207271
Y:4731885

X: 208152
Y:4718675

X: 215851
Y:4724528

X: 228077
Y:4724472

X: 228808
Y:4730984

Figura9.DetalledelalocalizacindelPuntodeControl1a5

Unavezquetienestodaestainformacin,necesitaspasrselaarseduca.Paraello,hasdecrearun
fichero de texto cuyo formato, cmo puedes observar en la ayuda, es el siguiente: en la primera
lnea escribe el nmero de puntos de control que has utilizado, en la siguiente escribe la
coordenadaXdelpuntodecontrolenlaimagen,espacioenblanco,coordenadaYenlaimagen,
espacioenblanco,coordenadaXenelmapa,espacioenblanco,ycoordenadaYenelmapa.Yas
tantaslneascomopuntoshayasutilizado.Noteolvidesdesalvarelfichero!Llmalocorresp.txt.
En la figura 10 se representa como determinar las coordenadas X y Y en rseduca. El valor X
correspondealvalordelacolumnaenlabarradeestado.ElvalordeYcorrespondealadiferencia
entreelvalordelnmerototaldefinal(650)menoselvalordelafilaledoenlabarradeestado.

rseduca p4.
13

545(650105)
X=47, y=542
(647-105)

Figura10.Determinacindex,yapartirdelabarradeestado

Figura11.Ejemplodeficherodecorrespondencias(izquierda)yejemplodeerroresdelospuntosdecontrol(derecha)

rseduca p4.
14

2.2.TRANSFORMACINGEOMTRICAYLLENADODELANUEVAMALLA
Para llevar a cabo estas operaciones utilizaremos el comando Correcciones/Geomtricas. Para
ejecutarlohasdeproporcionararseducaciertainformacin:
Tabla2.InformacindelaimagenETM_05092000_b4_or

Nombredelaimagendeentrada
Nombredelficherodepuntosdecontrol

ETM_05092000_b4_or
corresp.txt

Sistemadereferencia

utm30n

Xmin

205825

Xmax

229405

Ymin

4715065

Ymax

4734475

Dimensionesdelaimagencorregida

647(filas)

786(columnas)

Mtododetransferencia

vecinomsprximo

Nombredelaimagendesalida:

ETM_05092000_b4_cg

Figura12.Cuadrodedilogodelacorreccingeomtrica

Una vez completado el cuadro de dilogo, se inicia el clculo del polinomio y aparecer en la
pantalla un mensaje con el error cuadrtico medio de la transformacin (RMS). Un resultado
aceptable de este error debera ser aproximadamente un pxel (30 m). Si el error es aceptable,

rseduca p4.
15

continaconelproceso;encasodequeseamuchomayorqueelpermitido,omiteel/lospuntosde
controlconerrorparcialdemasiadoaltoyrecalculaelRMS.
Visualiza la imagen corregida (comando Visualizacin/Imagen) y comprala con la original (ver
figura 13). Puedes continuar corrigiendo el resto de imgenes de la prctica siguiendo el mismo
procedimiento.

Figura13.Visualizacindelaimagencorregida

AUTOEVALUACIN

Paraqusirvenlasoperacionesdecorreccinsobreunaimagendesatlite?
EnqubandasdeunaimagenLandsatesmsevidenteelefectodelaatmsfera?
Qusignificaquedosimgenesestncorregistradas?
Siahoratuvierasquecorregirlabanda3delamismaimagenquehemosempleadoenlaprctica
utilizaraslosmismospuntosdecontrol?Buscarasotrosmsadecuadosparaestabanda?

rseduca p4.
16

Prctica 5

TTULO:

PREPROCESADO II: REALCES Y TRANSFORMACIONES

. .

Qu se aprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las siguientes
tareas en RS-Educa:
* Conocers y aplicars las tcnicas para adecuar una imagen de
satlite original para que sea posible extraer informacin a partir de
ella
* Conocers y aplicars las tcnicas para realzar una imagen de
satlite, ajustando el contraste, realizando composiciones de color y
aplicando diferentes tipos de filtrado.

Antes de empezar...

* Sabrs realizar e interpretar las principales transformaciones que

habitualmente se realizan con imgenes de satlite como ndices de
vegetacin, componentes principales, etc.

Antes de empezar la prctica repasa la teora de la asignatura,
descrgate el software rs-educa y asegrate que tienes todos los
archivos necesarios. Es importante que tengas hayas repasado
tambin la prctica 3.

MATERIAL
Imgenes Landsat 7 del sensor Etm+. Las siete bandas ms la imagen pancromtica del Landsat7
de la comarca de El Bierzo tomada el da 5 de septiembre de 2000 (Ficheros ETM_ 05092000_bx)

Imagen linea. Imagen vectorial que representa la lnea empleada para obtener el perfil
radiomtrico de algunas imgenes.

ENUNCIADO
En la primera parte de la prctica realzaremos una imagen de satlite, mejorando su visualizacin al
ajustar el contraste mediante los diferentes mtodos implementados en RS-EducA. Compararemos
tambin la mejora obtenida al realizar composiciones de color y al aplicar a la imagen diferentes
filtros.

La segunda parte est dedicada a transformar las imgenes originales en otras que permitan
extraer mejor la informacin que contienen. Se trata de obtener la imagen de diferentes ndices de
vegetacin (NDVI, MDVI y NBR), realizar un Anlisis de Componentes Principales y la
transformacin Tasseled Cap (TTC)

DESCRIPCIN DETALLADA

1. REALCES

1.1. MEJORA DEL CONTRASTE
El programa rs-educa ofrece tres formas de mejorar el contraste al visualizar imgenes raster, todas
ellas dentro del comando Realces/Expansin del contraste. El ajuste lineal del contraste, puede
requerir que el usuario introduzca los valores mnimos y mximos entre los que se quiere expandir
el histograma (habitualmente el valor mximo y mnimo de la imagen). Las otras dos alternativas,
lineal con saturacin y ecualizacin segn histograma, no requieren esta operacin previa. Observa
en la ayuda qu ocurre realmente en cada opcin de mejora de contraste.
Aplica el comando Realces/Expansin del contraste a la imagen ETM_ 05092000_b4 en tres
ocasiones. En la primera realiza un ajuste lineal (prueba tambin, si quieres, a modificar los valores
mximos y mnimos). Denomina a la imagen de salida ETM_ 05092000_lineal. A continuacin,
repite la operacin pero efectuando un ajuste lineal con rango interactivo, denomina a la imagen
de salida ETM_ 05092000_lin_int. Para finalizar, aplica de nuevo el comando activando la opcin
de ajuste por histograma. Denomina a la imagen de salida ETM_ 05092000_histo.

rs-educa p5. 2


Figura 1: Cuadro de dilogo de expansin del contraste

Ahora compara las imgenes ETM_ 05092000_b4_lineal, ETM_ 05092000_b4_Lin_int y ETM_
05092000_b4_histo.
1.2. FILTROS
Como vimos en teora, la aplicacin de filtros tiene diferentes objetivos: realce de las caractersticas
espaciales de la superficie terrestre para mejorar la interpretacin visual, deteccin de
alineamientos, eliminacin de ruido aleatorio, clculo de gradientes, generalizacin de imgenes.
En este apartado de la prctica, comprobaremos el efecto de los filtros ms habitualmente
utilizados en procesamiento digital de imgenes: filtros paso bajo de media y moda, y filtros paso
alto de deteccin de bordes, y construiremos muestro propio filtro a medida. En la figura 2 puedes
comprobar todos filtros disponibles en rs-educa.

rs-educa p5. 3


Figura 2. Filtros disponibles en rs-educa
Para ello, emplearemos la imagen ETM_ 05092000_b4 y tendremos en cuenta un vector (una lnea
para definir un transecto) que nos servir para tomar los valores de la imagen en los pxeles que
atraviesa y, de esta forma, comparar el efecto de los diferentes filtros (ver Figura 3).

Figura 3. Lnea en la imagen Etm4

La Figura 3 muestra el perfil correspondiente al transecto definido por el fichero vectorial linea,
que tienes en el directorio de trabajo, en la imagen ETM_ 05092000_b4. Observa como varan los

rs-educa p5. 4

valores digitales en las diferentes cubiertas: valores bajos en la zona del embalse, mayores en las
zonas correspondientes a suelo desnudo y zonas forestales.

Figura 4. Perfil del transecto Linea en la imagen ETM_ 05092000_b4

Superpn el fichero vectorial linea a la imagen original (mdulo Herramientas/Vectorial/Abrir

Fichero). Observa las cubiertas que atraviesa y los diferentes valores de los pxeles
correspondientes a agua, suelo y vegetacin.
En primer lugar vas a comprobar el efecto de un filtro de media. Utiliza el comando
Realces/Filtrado de la imagen para filtrar la imagen original ETM_ 05092000_b4, define una
ventana de 3x3 y llama al fichero de salida ETM_ 05092000_b4_f_media. Visualiza la imagen
original y la filtrada observas diferencias a simple vista?.
Obtn los valores correspondientes a los pxeles definidos por el fichero vectorial linea para la
imagen filtrada. Para ello, utiliza el comando Herramientas/Vectorial/Informacin/Perfiles de
lnea. Compara el perfil obtenido con el perfil de la figura 4.
Repite las operaciones anteriores filtrando la imagen original con un filtro de moda (llama a la
imagen de salida ETM_ 05092000_b4_f_moda), y filtrndola con un filtro paso alto (llama a la
imagen de salida ETM_ 05092000_b4_f_alto). Observa en cada caso el perfil obtenido para el
transecto definido por el fichero vectorial linea.
Ahora vamos a crear nuestro propio filtro. Existen muchas posibilidades para transformar una
imagen mediante filtrado. Una de ellas es crear el efecto de sombreado. Aplica el filtro con la
siguiente matriz a la imagen original, llama f_user a la imagen de salida.
-3

-2

-1

-2

-1

Visualiza la imagen ETM_ 05092000_b4_f_user con la paleta Grey256.

rs-educa p5. 5

Figura 5. Visualizacin de los perfiles moda y paso alto

2. TRASNFORMACIONES

2.1. NDICES DE VEGETACIN: NDVI, NDMI y NBR
Los ndices de vegetacin son nuevas imgenes obtenidas mediante combinaciones aritmticas de
las bandas de la imagen original, que resaltan la presencia de vegetacin en la zona de estudio. La
vegetacin tiene una respuesta espectral muy caracterstica: muy baja reflectancia en las longitudes
de onda del rojo y una respuesta en el infrarrojo prximo que es mayor cuanto mayor es el vigor de
la vegetacin. Otros ndices como el NDMI o NBR utilizan la gran diferencia que existe entre el
infrarrojo prximo y el infrarrojo medio y lejano (ver tabla 1)
Tabla 1. Bandas del satlite Landsat y su aplicabilidad
N
Banda

Longitudes de onda
(m)
Nombre

0,45-0,52

0,52-0,60

0,63-0,69

0,76-0,9

1,55-1,75

10,40-12,50

2,08-2,35

Observaciones

ndices de
vegetacin

Cartografiado batimtrico, diferencia el suelo de la vegetacin y

tambin diferencia conferas de frondosas.

Especialmente diseada para evaluar el vigor de la vegetacin
Verde
sana, registrando su pico de reflectancia en la regin del verde.

Es una banda de absorcin de clorofila, muy til para la
Rojo
clasificacin de la cubierta vegetal.
NDVI
Infrarrojo
Es til para determinar el contenido de biomasa y para la
prximo
delimitacin de cuerpos de agua.
NDVI, NDMI y NBR
Indicativa del contenido de humedad de la vegetacin y del
suelo. Tambin sirve para discriminar entre nieve y nubes. Es
Infrarrojo medio capaz de atravesar nubes finas.
NDMI
El infrarrojo termal es til en el anlisis del stress de la vegetacin, en la determinacin
Infrarrojo termal de la humedad del suelo y en el cartografiado termal.
Especialmente seleccionada por su potencial para la
discriminacin de rocas y para el cartografiado hidrotermal. Muy
Infrarrojo lejano utilizado en incendios forestales.
NBR
Azul

Uno de los ndices de vegetacin ms empleados es el NDVI (Normalized Difference Vegetation
Index). NDVI = (NIR R) / (NIR + R) (en Landsant NDVI = B4-B3/B4+B3). Una de las principales
propiedades de este ndice es que est normalizado y sus valores oscilan entre 1 y 1, lo que facilita
su interpretacin. En la tabla 2 aparecen resumidos los 3 ndices de vegetacin que calcularemos en
la prctica.

rs-educa p5. 6

Tabla 2. Principales ndices de vegetacin utilizados en rs-educa

ndice de vegetacin

Expresin Landsat
(Bx=banda satlite)
ndice directamente relacionado con la capacidad fotosinttica y, por tanto, NDVI =
Difference relacionado con la capacidad de absorcin de energa de las plantas. Las B4-B3/B4+B3

NDVI
Normalized
Vegetation Index
(Rouse et al. 1973)

NDMI
Normalized Difference
Moisture Index
((Wilson y Sader, 2002 )

NBR
Normalized Burn Ratio
(Key y Benson, 1999)

Descripcin

plantas absorben la radiacin solar en una determinada zona del espectro

correspondiente al rojo visible (clorofila A) y al azul visible (clorofila B) y
desprenden energa en la zona del infrarrojo cercano y del verde. Cuantas
ms hojas presente la planta y ms densa sea, ms se ver afectado este
comportamiento en las bandas El aprovechamiento de esta circunstancia,
permite la identificacin de plantas fotosintticamente activas con un
correcto manejo de las bandas de informacin que proporciona el sensor
TM.
Es un ndice directamente relacionado con el contenido de humedad del
terreno y la vegetacin. Se basa en la fuerte absorcin de la radiacin de
onda corta por capas superficiales de las plantas y por el terreno hmedo y
en la alta reflectancia en la banda del infrarrojo cercano por vegetacin
activa.
Es un ndice que maximiza los cambios de reflectancia en plantas y suelo
debido a cambios drsticos como a los incendios forestales. El Porcentaje de
Burn Normalizado (NBR) se defini para destacar las reas que se han
quemado y al ndice de la gravedad de un incendio usando imgenes
Landsat TM. La frmula para el NBR es muy similar a la de NDVI salvo que
utiliza el infrarrojo cercano 4 banda y la banda del infrarrojo de onda corta
(B7)

NDMI =
B4-B5/B4+B5

NBR =
(B4-B7/B4+B7)*
1000

Para calcular estos ndices con rigor deberan convertirse los valores digitales de la imagen a
reflectividad. Sin embargo, siempre que no se pretenda conceder un valor fsico a los resultados, se
puede calcular a partir de los valores digitales previa correccin del efecto atmosfrico. El ndice de
vegetacin proporcionar una valoracin relativa, en el caso del NDVI los valores cercanos a 1
indicarn mayor vigor vegetal. El umbral crtico se sita entorno a 0.1, por debajo del cul el NDVI
indica suelo desnudo u otro tipo de objetos.
Elimina el afecto atmosfrico de la bandas ETM_ 05092000_b43 y ETM_ 05092000_b44 como
lo hiciste en la prctica 4 (restando el valor mnimo de cada banda). Denomina a las imgenes
obtenidas ETM_ 05092000_b3_c y ETM_ 05092000_b4_c, respectivamente. A continuacin,
emplea el comando Transformaciones/ndices de vegetacin para obtener la imagen NDVI a partir
de la imgenes ETM_ 05092000_b3_c y ETM_ 05092000_b4_c. Denomina a la imagen de salida
ETM_ 05092000_NDVI.
En la figura 6 Qu valores de NDVI se corresponden con zonas cubiertas por vegetacin? Y con el
embalse?

rs-educa p5. 7


Figura 6. Visualizacin del NDVI de la zona de estudio

Empleando el comando herramientas/operar/aritmtica (figura 7) calcula ahora el NMDI y el NBR.

Encuentras alguna diferencia entre los 3 ndices?

Figura 7. Operaciones aritmticas en rs-educa

rs-educa p5. 8

2.2. ANLISIS DE COMPONENTES PRINCIPALES (ACP)

El objetivo del anlisis de componentes principales, ACP, es resumir un grupo grande de variables
en un nuevo conjunto ms pequeo, pero sin perder la parte significativa de la informacin original.
Aplicado a la teledeteccin, los componentes principales son nuevas imgenes en las que est
resumida la informacin espectral de todas las bandas que intervienen en el clculo, de esta forma
se elimina la redundancia de informacin habitual entre bandas prximas en el espectro (figura 8).

Figura 8. Transformacin de Componentes Principales

Comprueba que existe redundancia entre algunas bandas de la imagen Landsat con la que
trabajamos. Para ello, emplea el mdulo Herramientas/Regresin sobre las bandas 3 y 4 (R2=
0.068) y observa el coeficiente de correlacin; compralo con el coeficiente de correlacin para las
bandas 1 y 2 (R2= 0.903)(ver figura 9)

Figura 9: Estudio de las correlacin entre bandas. A la izquierda banda 3 frente a banda 4, a la izquierda banda 1 frente
a la banda 2

Vamos a aplicar ACP a todas las bandas reflectivas de la imagen Landsat. Ejecuta el mdulo
Transformaciones/Componentes Principales sobre las bandas 1-5 y 7 de la imagen y obtn 6
componentes principales. RS-EducA aade el sufijo PC0, PC1, al nombre que tu indiques para
guardar las imgenes transformadas (ver figura 10)

rs-educa p5. 9


Figura 10. Cuadro de dilogo del Anlisis de Componentes Principales (ACP)

Una vez calculados los componentes principales observa las estadsticas asociadas que aparecen en
pantalla (figura 11), sobre todo la matriz de coeficientes de correlacin y los porcentajes de
varianza explicados por cada componente principal creado. Cul es la relacin de las bandas 3 y 4
en la matriz? Cul es la banda ms correlacionada con la banda 1? Cunta varianza explican los
componentes principales 1, 2 y 3? Si retienes estos tres componentes, cunta informacin
descartas?

Figura 11. Informacin de las componentes principales calculadas con RS-EducA

Los resultados que deberas obtener en tu anlisis son los siguientes (tabla 3, 4 y 5)

rs-educa p5. 10

BANDAS
B1
B2
B3
B4
B5
B7

B1
64.47
83.82
144.58
18.52
160.72
141.69

Tabla 3. Matriz de varianza-covarianza

B2
B3
B4
83.82
144.58
18.52
120.74
208.46
48.35
208.46
382.32
69.60
48.35
69.60
186.85
249.37
464.90
195.08
207.99
387.04
89.55

Tabla 4. Matriz de correlacin

BANDAS
B1
B2
B3
B4
B1
1.000000
0.950055
0.920918
0.168744
B2
0.950055
1.000000
0.970216
0.321922
B3
0.920918
0.970216
1.000000
0.260420
B4
0.168744
0.321922
0.260420
1.000000
B5
0.696862
0.790018
0.827696
0.496800
B7
0.810423
0.869272
0.909053
0.300864


Tabla 5. Componentes principales

CP0
CP1
CP2
CP3
Varianza (%)
84.81
9.63
4.36
0.70
Autovalores
1741.785
197.800
89.456
14.377

B5
160.72
249.37
464.90
195.08
825.17
587.86

B7
141.69
207.99
387.04
89.55
587.86
474.14

B5
0.696862
0.790018
0.827696
0.496800
1.000000
0.939826

B7
0.810423
0.869272
0.909053
0.300864
0.939826
1.000000

CP4
0.40
8.148

CP5
0.10
2.129

CP= Componente Principal

Una vez contestadas las preguntas planteadas los comentarios siguientes te servirn para concretar
tus respuestas. En la tabla 5 puedes comprobar la varianza explicada por las diferentes
Componente Principales (CP), puedes comprobar como en la primera se concentra del 84,81 % de
la varianza, es decir, es la que aporta ms informacin. Solamente las 3 primeras CP aportan una
informacin relevante (>98 %). Por esta razn slo analizaremos las 3 primeras CP.
El significado espectral de las CP se puede interpretar a partir de la tabla 4 donde se observa la
relacin entre la CP y las bandas originales. La interpretacin de los componentes principales no es
sencilla. En general, la interpretacin es la siguiente:

El primer componente (CP0) suele expresar un promedio ponderado de todas las bandas.
Recoge, en consecuencia, una valoracin de las caractersticas espectrales de todas ellas,
similar al aspecto que podra presentar una imagen pancromtica (ver figura 12, CP0 y
figura 15 imagen pancromtica).

El segundo componente (CP1) suele mostrar una correlacin positiva y elevada con la banda
4, por lo tanto, mostrar la vegetacin ms vigorosa.

El tercer componente (CP2) suele mostrar la diferencia entre las bandas del visible y del
infrarrojo reflejado, lo que est relacionado con el contenido de humedad de las cubiertas
cartografiadas.

rs-educa p5. 11

Observa ahora la tabla 6 de autovectores. Qu banda presenta la mayor correlacin con el

segundo componente principal?

CP0
CP1
CP2

B1
0.15821
-0.21092
0.27704

Tabla 6. Matriz de Autovectores

B2
B3
B4
0.23691
0.43488
0.14219
-0.18097
-0.37989
0.79893
0.39901
0.48113
0.52375

B5
0.67023
0.32807
-0.44996

B7
0.51019
-0.18037
-0.23617

Visualiza (comando Visualizacin/Imagen) las imgenes de todos los componentes principales

obtenidos con la paleta Grises 256 y observa como se va reduciendo la variabilidad explicada por
cada componente principal. Se parece mucho la imagen del ltimo componente principal a las
imgenes originales? Pierdes mucha informacin si la descartas?
Observa en detalle los tres primeros componentes principales. En el CP1 observars los bajos
valores del agua y la vegetacin, medios en los espacios edificados, y altos en los suelos
descubiertos. Estos resultados son similares a los observados en imgenes pancromticas. En el CP2
se evidencian las zonas con una actividad cloroflica ms intensa (tonos ms claros) que resaltan
con las zonas de agua y urbanizadas (tonos ms oscuros).

Figura 12. Visualizacin de las CP0 y CP1 (arriba); y CP2 y CP3 (abajo)

Realiza una composicin en color de los tres primeros componentes principales asignado los
siguientes relaciones RGB: CP0,CP1,CP2 (mdulo Realces/composicin de color). En la figura 14
aparecen la visualizacin de la imagen resultante, al asignar la CP1 al color verde (Green) puedes

rs-educa p5. 12

comprobar como resalta la vegetacin de la zona de estudio. Esta imagen puede resultar til para
efectuar la clasificacin de la imagen ETM, ya que recoge prcticamente la totalidad de la
variabilidad de los datos originales. Si piensas en los resultados obtenidos, te dars cuenta que
tambin la clsica composicin en falso color RGB: 543 recoge una gran parte de la informacin de
la imagen, por lo que permite resumir en una nica imagen la informacin de todas las bandas,
siendo tambin muy utilizada como entrada al algoritmo de clasificacin, como veremos en la
prctica siguiente.

Figura 14. Visualizacin del compuesto RGB:CP0,CP1,CP2

rs-educa p5. 13


Figura 15. Imagen pancromtica del Landsat 7 (15 x 15 m resolucin espacial)

2.3.

TRANSFORMACIN TASSELED CAP (TTC)

Esta operacin se dirige a obtener unas nuevas bandas, por combinacin lineal de las originales,
con objeto de realzar algunos rasgos de inters en la escena. Tiende a poner ms en evidencia
el comportamiento espectral de la vegetacin y el suelo, a partir de crear un nuevo sistema de
coordenadas mejor ajustado a ese espacio fsico, en el que se pretende que sea ms ntida la
separacin entre ambas cubiertas.

Vamos a aplicar TTC a todas las bandas reflectivas de la imagen Landsat. Ejecuta el mdulo
Transformaciones/ Tasseled cap sobre las bandas 1-5 y 7 de la imagen y obtn 3 componentes
imgenes: Brillo, verdor y humedad. RS-EducA aade el sufijo brillo, verdor y humedad al
nombre que t indiques para guardar las imgenes transformadas. (Importante: en las
imgenes de salida los nombres estn confundidos: humedad corresponde a verdor y viceversa.
En breve corregiremos este error del programa).

rs-educa p5. 14

Figura 16. Cuadro de dilogo de la transformacin Tasseled cap

Vamos a interpretar los 3 componentes de la TTC (ver figura 17):

1. Brillo. Refleja los cambios en la reflectividad total de la escena, se trata de una suma
ponderara de la reflectividad de todas las bandas excepto el trmico. Aparece en como una
imagen pancromtica. Presenta rasgos muy parecidos a la primera componente de la ACP
2. Verdor. Indica el contraste entre las bandas visibles y el infrarrojo prximo. La banda 4
interviene positivamente mientras que las tres bandas del visible lo hacen negativamente,
especialmente la banda 3. Por tanto el resultado es similar a un ndice de vegetacin.
Permite por tanto llevar a cabo anlisis de la densidad y estado de salud de la vegetacin.
Expresa claramente los dominios de la vegetacin en la imagen. Los valores ms claros
corresponden a la vegetacin y los ms oscuros a suelos desnudos, reas edificadas y
carreteras.
3. Humedad. Se relaciona con el contenido de agua en la vegetacin y en el suelo, y se marca
por el contraste entre el infrarrojo medio, en donde se manifiesta con mayor claridad la
absorcin de agua, y el resto de las bandas. Tambin se ha encontrado una relacin entre
este componente y la madurez de la vegetacin.

rs-educa p5. 15

Figura 17. Imgenes brillo, verdor y humedad (de arriba a bajo).

rs-educa p5. 16

ACTIVIDADES DE AUTOEVALUACIN
Para interpretar las composiciones de color, hay que recordar la asignacin de colores realizada a
cada banda y pensar en la reflectancia de los objetos segn la longitud de onda. De que color
aparece la vegetacin en las composiciones realizadas? Y el agua? Piensa porqu es as.
Qu ndice de vegetacin tiene ms aplicabilidad en incendios forestales? Busca en bibliografa
algn otro ndice de vegetacin y comenta su utilidad.
Qu efecto tiene el filtro de media sobre los bordes y lneas de la imagen? Y el filtro de moda? Y
el filtro paso alto?
Si aplicamos ACP a todas las bandas de una imagen Landsat el nmero final de bandas en las que
se concentra la mayor parte de la informacin ser mayor o menor al nmero de bandas original?
Tal y como hemos planteado el ACP, los primeros componentes aportan ms o menos variabilidad
que los ltimos?
Qu informacin contiene la matriz de los coeficientes de correlacin que aparece al aplicar la
transformacin ACP?
En la transformacin Tassled Cap qu componente es equivalente a un ndice de Vegetacin?

rs-educa p5. 17

Prctica 6

TTULO:

PROCESADO I: CLASIFICACIONES

Qu se aprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientes tareas en rs-educa:
* Conocers las diferentes metodologas de clasificacin de una
de una imagen de satlite
* Sabrs realizar una clasificacines supervisada y no supervisadas
* Podrs analizar la fiabilidad de tu clasificacin aplicando
diferentes formas de validacin.

Antes de empezar...

Antes de empezar la prctica repasa la teora de la asignatura,
descrgate el software rs-educa y asegrate que tienes todos los
archivos necesarios.

MATERIAL
Imgenes Landsat 7 del sensor Etm+. Las siete bandas ms la imagen pancromtica del Landsat7
de la comarca de El Bierzo tomada el da 5 de septiembre de 2000 (Ficheros ETM_ 05092000_bx)

Imagen Verd_ter. Imagen clasificada empleada como verdad-terreno.

ENUNCIADO
En esta prctica efectuaremos la clasificacin de una imagen de satlite, mediante diferentes
alternativas, considerando las tres etapas o fases presentadas en las clases tericas: fase de
entrenamiento, fase de asignacin y fase de verificacin de resultados.

DESCRIPCIN DETALLADA

0. INTRODUCCIN

De forma genrica se puede decir que clasificar una imagen consiste en asignar cada pxel (o parte
de l) a una categora en funcin de un criterio de clasificacin y atendiendo al conjunto de valores
digitales de este elemento en varias bandas (firma espectral).

El objetivo final de la clasificacin es diferenciar grupos (clases de informacin) cuyos miembros
tengan ciertas caractersticas en comn. El resultado ptimo permitira obtener una relacin
biunvoca entre las clases espectrales y las clases de informacin, pero esto se consigue muy
raramente.

Existen dos grandes estrategias de clasificacin: supervisada y no supervisada.

*Clasificacin "supervisada" (Anlisis Discriminante)

Contamos con unas muestras para cada uso del suelo en las que se ha medido su firma espectral y
esta informacin la utilizaremos para clasificar todos los pixeles de la imagen dentro de los grupos o
clases que previamente hemos definido (leyenda). El Anlisis Discriminante permite aprender
(inteligencia artificial) de esta muestra patrn para poder clasificar nuevas observaciones en el
grupo al que es ms probable que pertenezcan las nuevas observaciones basndonos en las
medidas de las nuevas observaciones en las variables estudiadas.

Al efectuar una clasificacin de una imagen es necesario seguir una serie de etapas:
1. Definicin de las clases de informacin que se desean discriminar; y seleccin de los rasgos
particulares (dentro de cada banda) que permitan describir cada patrn. Habitualmente
conocida como fase de entrenamiento.
2. Eleccin del algoritmo de clasificacin o mtodo ms adecuado para comparar las clases
espectrales; y asignacin de cada pxel a las diferentes clases. Tambin llamada fase de
asignacin.
3. Validacin o comprobacin de los resultados de la clasificacin. Fase de verificacin.

rs-educa p6. 2


La figura 1 muestra en un diagrama de bloques los pasos necesarios para llevar a cabo una
clasificacin supervisada, que se utiliza como muestra.

Figura 1. Esquema general de una clasificacin supervisada

rs-educa p6. 3

*Clasificacin "no supervisada" (Clustering)

Ahora el problema es completamente diferente al tratado en clasificacin supervisada porque no
tenemos una muestra patrn de usos del suelo que estn bien clasificados. Ms an, ni siquiera
sabemos el nmero de grupos que deben ser buscados. Nuestro objetivo es buscar grupos de
forma que los individuos en un mismo grupo sean parecidos y lo ms diferentes posibles a los
individuos en otros grupos. Podemos distinguir entre dos familias de mtodos muy diferentes:
jerrquicos y no jerrquicos.

1. FASE DE ENTRENAMIENTO

En esta etapa han de definirse las firmas espectrales de cada clase de informacin o categora
considerada. Si consideramos clasificaciones supervisadas, tendremos que definir en primer lugar
las reas de entrenamiento que servirn para definir dichas firmas. Si trabajamos con
clasificaciones no supervisadas, ser rs-educa quien defina las firmas de acuerdo con las
caractersticas espectrales de la imagen que ha de clasificarse.
Ya que emplearemos ambos tipos de clasificacin, deberemos definir las firmas espectrales para
proporcionrselas a los clasificadores supervisados; en rs-educa esta operacin se realiza
digitalizando en la pantalla las reas de entrenamiento de cada clase de informacin. Las reas de
entrenamiento son zonas de la imagen cuya respuesta espectral es la respuesta caracterstica de
cada clase. Idealmente deberan definirse varios polgonos para cada clase, recogiendo la
variabilidad de cada clase en la zona de estudio. Por falta de tiempo trabajaremos nicamente con
las reas de entrenamiento marcadas en la Figura 2. Las clases consideradas sern: vegetacin
(identificador = 1 en verde en la figura), zonas mineras (identificador = 2, rojo), agua
(identificador = 3, azul) y suelo (identificador = 4, amarillo).

rs-educa p6. 4


Figura 2. Zonas de entrenamiento

Visualiza (Realces/Composicin de color) la imagen en falso color del rea de estudio, formada a
partir de la asignacin RGB: 543. El programa rs-educa lleva a cabo la fase de entrenamiento en dos
etapas:
*Fase 1: En esta primera fase debes indicar al programa las bandas de la imagen que vas a utilizar
en la clasificacin (bandas 1-5 y 7 de la imagen Landsat) mediante el comando
Clasificaciones/Supervisada/Fase de entrenamiento.

rs-educa p6. 5


Figura 3. Cuadro de dilogo para la eleccin del nmero de bandas

*Fase 2: En esta segunda fase, rs-educa calcula los estadsticos de las clases que definas para las
bandas que has indicado en la etapa 1. Utiliza el comando Clasificaciones/Supervisada/Establecer
clase (figura 4) tantas veces como clases quieras definir (cuatro en esta prctica). Cada vez que lo
utilices, debes guardar en un fichero con el nombre de la clase (por ejemplo, agua.txt) y debes
marcar el modo de seleccin de los pxeles que pertenecen a la clase (puntos, cruces o rectngulos),
una vez realiza esta operacin debes marcar con el cursor los pxeles que pertenecen a la clase en
cuestin (si es necesario puedes realizar un ZOOM) cuando termines de marcar los pixeles haz clic
en el botn derecho para finalizar.

Figura 4. Cuadro de dilogo de establecer clase

rs-educa p6. 6

2. FASE DE ASIGNACIN

Como ya hemos indicado, RS-EducA permite realizar clasificaciones supervisadas y no supervisadas.
En esta prctica realizaremos una clasificacin no supervisada y una supervisada.
2.1. CLASIFICACIN SUPERVISADA
Para
efectuar
la
clasificacin
supervisada
consideraremos
el
mdulo
Clasificacin/Supervisada/Clasificador de Mnima distancia. Partiendo de las firmas de las clases
definidas, se van asignando los pxeles con el criterio de mnima distancia eucldea. El clasificador
de mnima distancia es ms lento que el clasificador de paraleleppedos, y ms rpido que el de
mxima probabilidad. Y se utiliza, generalmente, cuando el nmero de pxeles que define las firmas
es muy pequeo, o cuando las reas de entrenamiento no estn bien definidas (nuestro caso).
Ejecuta el comando Clasificacin/Supervisada/Clasificador de Mnima distancia. Introduce el
nmero de clases que quieres identificar y el nombre de los ficheros de las firmas espectrales
creados anteriormente.

Figura 5. Cuadro de dilogo Clasificacin Minima distancia (4 clases y 6 bandas:1-5 y 7)

rs-educa p6. 7


Figura 6. Imagen Clasificacin Minima distancia (4 clases y 6 bandas:1-5 y 7)

Puedes utilizar tambin los mdulos Clasificacin/Supervisada/Clasificador de Paraleleppedos y

Clasificacin/Supervisada/Clasificador de Mxima Probabilidad para realizar diferentes pruebas, y
variar tambin las bandas incluidas en el proceso. Observa los resultados obtenidos qu
parmetros parecen proporcionar la mejor clasificacin?
2.1. CLASIFICACIN NO SUPERVISADA
Para efectuar la clasificacin no supervisada emplearemos el mdulo Clasificacin/No Supervisada.
Recuerda que en este tipo de clasificaciones la fase de entrenamiento y asignacin se confunden,
ya que es el propio programa quien caracteriza las clases al realizar la asignacin. rs-educa utiliza el
clasificador ISODATA.
Introduce en el cuadro de dialogo (figura 7) las bandas que quieres clasificar y el nmero de clases
que quieres identificar (Nota: la operacin puede tardar unos minutos)

rs-educa p6. 8


Figura 7. Cuadro de dilogo Clasificacin no Supervisada

En la figura 8 aparecen el resultado de una clasificacin no supervisada. Vara las bandas utilizadas
como entrada al algoritmo y compara el resultado obtenido con los resultados obtenidos
empleando clasificadores supervisados. Qu combinacin de bandas ofrece los mejores resultados
visualmente?

Figura 8. Clasificacin no supervisada (4 clases y 6 bandas: 1-5 y 7)

Puede ser que necesites filtrar la imagen de salida si sta contiene todava mucha variabilidad.
Normalmente son deseables unidades cartogrficas de cierto tamao y homogneas. Qu tipo de
filtro te parece el ms conveniente? Paso alto o paso bajo? Filtra la imagen en la forma que

rs-educa p6. 9

estimes oportuno con el comando Realces/Filtrado de la imagen. (Si no tienes claro cul es el
mejor filtro, haz distintas pruebas).

Figura 9. Ejemplo filtro de moda 5x5

3. FASE DE VERIFICACIN DE RESULTADOS

Tras la clasificacin es fundamental evaluar estadsticamente la validez de los resultados. Adems,
esto te permitir elegir el mejor clasificador de una forma objetiva. Este proceso consiste en
comparar los valores de algunos pxeles de la imagen clasificada con la realidad de algunas
localizaciones. En esta prctica consideraremos como imagen verdad-terreno la imagen verd_ter.
Para poder comparar las clasificaciones realizadas por los distintos algoritmos, y ver cul es la
mejor, es necesario que todos identifiquen las mismas clases. Reclasifica manualmente las distintas
imgenes clasificadas obtenidas (utilizando el comando Herramientas/Reclasificar) de forma que
en todas ellas las clases consideradas tengan los siguientes identificadores: vegetacin (id = 1),
zonas mineras, (id = 2), agua, (id = 3) y suelo (id = 4). En la figura 10 aparece el histograma de la
imagen y la visualizacin de la misma. En este ejemplo los niveles digitales (ND) de las diferentes
clases son: vegetacin (ND = 60), zonas mineras (ND = 74), agua (ND = 47) y suelo (ND = 94). Con el
comando reclasificar deberemos asignar a cada ND su identificador (id).

rs-educa p6. 10

Figura 11.Cuadro de dilogo de la reclasificacin

Como rs-educa clasifica por rangos (figura 11) debes de incluir el rango de entrada. Por ejemplo
para reclasificar el ND 47 utilizamos desde 47 (incluido) hasta 48 (sin incluir).
El programa rs-educa al clasificar crea un fichero de Leyenda donde se informa de los distintas
valores de las clases. Al reclasificar, si cambias el nombre del fichero o modificas sus valores
debers editar el fichero y cambiar los valores o crear un nuevo fichero. El fichero final en nuestro
ejemplo
tendr
el
nombre
clas_nosuper_reclass.
Necesitas
crear
Clas_nosuper_reclassLeyenda.txt para poder realizar la verificacin de los resultados (ver figura
12). El fichero llevar en el encabezamiento el nmero de clases (en nuestro caso 4) y los
identificadores. Haz un fichero igual que el que aparece en la figura 12.

rs-educa p6. 11


Figura 12. Fichero de leyenda

rs-educa dispone del comando Clasificaciones/Verificacin/Matriz de confusin para calcular la

matriz de confusin y el ndice kappa asociado a cada clasificacin realizada. Antes de emplear este
mdulo es necesario realizar un muestreo en la imagen que garantice la correccin de dicho ndice.
Para ello utiliza el comando Clasificaciones/Verificacin/Muestreo Aleatorio (figura 13) indicando
la imagen que quieres muestrear (cualquier clasificacin obtenida) y el nmero de muestras que
deseas (en el ejemplo se han utilizado 2000).

Figura 13. Cuadro de dilogo del Muestreo aleatorio

rs-educa p6. 12


Figura 14. Imagen en la que se muestran los 2000 puntos muestreados

Una vez conseguida la mscara con las muestras y utilizando la imagen Verd_ter como verdad-
terreno, mediante el comando Clasificaciones/Verificacin/Matriz de confusin podrs obtener el
ndice kappa para cada clasificacin realizada. Qu ndices kappa has conseguido en cada caso?
Dispones de alguna clasificacin con ndice kappa mayor que 0.7?

Figura 15. Cuadro de dilogo de la Matriz de Confusin

rs-educa p6. 13

Figura 16. Resultados ndice Kappa

En la figura 16 (y en la tabla 1) aparecen los resultados del ndice Kappa y la Matriz de Confusin
que se calcularon a partir de la clasificacin. Esta matriz bidimensional recoge los conflictos entre
categoras. Los valores en rojo de la diagonal indican los pixeles que fueron correctamente
clasificados. Todos los valores fuera de la diagonal indican errores de omisin o de comisin. Los
errores de omisin corresponden a los valores no diagonales de las columnas (ej.: un total de 559
pixeles que debieran haber sido clasificados como vegetacin se asignaron a varias otras clases).
Los errores de comisin corresponden a los elementos no diagonales de las filas (por ejemplo,
575+143+93 = 811 pixeles que no eran vegetacin se incluyeron errneamente en la clase
vegetacin)
A partir de la matriz de confusin podemos calcular varias otras medidas de inters desde el punto
de vista de la exactitud:
* Exactitud global (overall accuracy). Se calcula dividiendo el nmero total de pixeles correctamente clasificados
por el nmero total de pixeles de referencia y expresndolo como porcentaje. En nuestro caso,
((268+262+418+247) / 3000)*100 = 39,83 %. Este ndice es global y no nos indica cmo la exactitud se reparte
entre las diversas categoras individuales. Muchas veces las categoras individuales presentan exactitudes
drsticamente diferentes pero se combinan de modo que esto no se refleja en la exactitud global. Examinando la
matriz de confusin vemos que podemos utilizar dos mtodos para evaluar la exactitud de las categoras
individuales:
* Exactitud del usuario (users accuracy). Se calcula dividiendo el nmero de pixeles correctamente clasificados en
cada categora por el nmero total de pixeles que fueron clasificados en dicha categora (total de la fila). Se justifica
este ndice en el sentido de que el usuario est especialmente interesado en el porcentaje de cada clase que ha
sido correctamente clasificado.

rs-educa p6. 14

* Exactitud de productor (producers accuracy). Resulta de dividir el nmero de pixeles correctamente clasificados
en cada categora por el nmero de pixeles de referencia utilizados para dicha categora (total de la columna). En
nuestro caso tendremos para la categora vegetacin, (267 / 827)*100 = 32,41%. El productor est ms interesado
en este ndice pues le dice cuan bien los pixeles de referencia han sido clasificados.
* ndice kappa. El ndice Kappa indica la relacin entre la imagen verdad-terreno obtenida del vector incendios y la
clasificacin. Se mide en tanto por 1 y es aceptable K 0,7.
Tabla 1. La matriz de confusin e Indice Kappa (a partir de la salida de RS-Educa)

Total

Error de
comisin

Exactitud
usuario

268

575

143

93

1079

0.7516

0.2484

262

392

654

0.5994

0.4006

559

15

418

28

1020

0.5902

0.4098

247

247

0.0000

1.0000

827

852

561

760

3000

Error de omisin

0.6759

0.6925

0.2549

0.6750

Exactitud de
productor

0.3241

0.3075

0.7451

0.3250

ndice kappa

0.2025

Total

Leyenda: 1, id1_vegetacion: 2, id2_mineria: 3, id3_agua; 4,id4_suelo

Los resultados han sido muy bajos luego deberamos que mejorar la clasificacin o comprobar que
la verdad terreno es adecuada. Puedes intentar clasificar de nuevo la imagen y comprobar si la
verificacin ha dado lugar a mejores resultados
Para terminar puedes construir una leyenda para las cuatro clases asignando el cdigo de colores
que consideres ms adecuado (ver figura 17).

rs-educa p6. 15


Figura 17. Cuadro de dilogo crear paleta

ACTIVIDADES DE AUTOEVALUACIN
A la vista de los resultados obtenidos al comparar las firmas espectrales, es recomendable agrupar
clases?
Ofrecen mejores resultados las clasificaciones supervisadas o las no supervisadas? Cundo utilizar
cada una de ellas?
Qu se observa en una matriz de confusin? Para qu sirven?
Qu ndica el ndice kappa?

rs-educa p6. 16

Prctica 7

TTULO:

PROCESADO II: ANLISIS MULTITEMPORAL

Qu se aprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las siguientes
tareas en rs-educa:

* Conocers y aplicars las diferentes tcnicas de anlisis
multitemporal de imgenes de satlite
* Conocers y realizars anlisis multiestacionales y definirs la
evolucin de las diferentes cubiertas en el tiempo.

Antes de empezar...

* Conoceras y aplicars diferentes tcnicas para detectar los cambios

bruscos producidos entre imgenes de diferentes fechas e
interpretars los resultados reconociendo en la imagen la variacin.

Antes de empezar la prctica repasa la teora de la asignatura,
descrgate el software rs-educa y asegrate que tienes todos los
archivos necesarios. Es importante que hayas repasado tambin las
prcticas anteriores.

MATERIAL
Imgenes B_cx_96 (x, entero comprendido entre 10 y 28). Compuestos decenales de mximo
valor de imgenes NDVI de la comarca de El Bierzo obtenidas a partir de imgenes AVHRR
correspondientes al ao 1996.
Imagen Clases. Imagen reclasificada a la resolucin espacial del sensor AVHRR a partir del mapa
CORINE, empleando cinco clases, en la que nicamente se han considerado los pxeles de la
comarca de El Bierzo.
Imgenes NDVI_a y NDVI_p. Imgenes NDVI-AVHRR (previamente codificadas al intervalo
[5,255]) de la pennsula ibrica de fechas 29 de junio y 13 de julio de 1994, anterior y posterior
respectivamente al incendio considerado (Millares, das 4 y 12 de julio de 1994).

ENUNCIADO
Esta prctica constar de dos grandes apartados. En el primero observaremos la evolucin anual del
comportamiento de las distintas cubiertas estudiadas en la imagen. En la segunda parte,
identificaremos cambios bruscos en el comportamiento de las cubiertas entre dos fechas. Estos
cambios no se deben a la evolucin estacional de las mismas sino que son producidos por otras
causas, en concreto en la prctica, identificaremos el contorno de zonas afectadas por incendios
forestales.

DESCRIPCIN DETALLADA

1. ANLISIS MULTIESTACIONAL

En esta parte de la prctica vas a analizar la evolucin temporal primavera-otoo del NDVI en la
Comarca de El Bierzo. Como se ha indicado en el apartado MATERIAL, utilizaremos una serie de 19
compuestos decenales de mximo valor de imgenes NDVI-AVHRR de El Bierzo.

Figura 1. Representacin de la evolucin de distintos compuestos decenales

rs-educa p7. 2


En estas imgenes, el valor digital del pxel no es directamente el del NDVI, sino que se ha
codificado al intervalo [5,255] (las zonas con nubes se han excluido del clculo y se han codificado
de forma que ND = 4).
El objetivo es observar la evolucin en el tiempo de los compuestos de NDVI en las distintas
cubiertas. Las cubiertas que vamos a considerar son las que aparecen en la imagen Clases. Se han
definido cinco clases, reclasificando una imagen CORINE adaptada a la resolucin NOAA (figura 2):
cultivos (DN = 1), arbolado (DN = 2), herbceas (DN = 3), matorral (DN = 4) y otros (DN = 5).
Visualzala (Visualizacin/Imagen).

Figura 2. Imagen de los usos del suelo
En primer lugar, visualiza los compuestos y mediante la opcin Visualizacin/Nivel digital del pxel,
identifica el valor del NDVI en cada cubierta para distintas fechas. Anota los valores de las
diferentes clases en los dos primeros compuestos.
Ahora activa el mdulo Herramientas/Estadsticas (figuras 3 y 4) y en el cuadro de dialogo
selecciona estadsticas para imgenes clasificadas, indicando que la imagen clasificada es Clases y
la imagen original b_c10_96. Anota el valor medio de cada clase en la tabla 1. Y repite la operacin
para los distintos compuestos decenales. Coinciden estos valores con los obtenidos manualmente
que has anotado previamente? Y, finalmente representa estos puntos en la grfica de la figura 5
donde el eje X representa el da juliano y el eje Y el valor del NDVI.

rs-educa p7. 3


Figura 3. Cuadro de dilogo estadsticas

Figura 4. Cuadro de dilogo de informacin de las estadsticas

rs-educa p7. 4

Tabla 1. Valores medio del NDVI para cada una de las clases

Da
juliano
105
115
125
135
145
155
165
175
185
195
205
215
225
235
245
255
265
275
285

Compuesto

Cultivos

Arbolado

Herbceas

Matorral

Otros

B_c10_96

B_c11_96

B_c12_96

B_c13_96

B_c14_96

B_c15_96

B_c16_96

B_c17_96

B_c18_96

B_c19_96

B_c20_96

B_c21_96

B_c22_96

B_c23_96

B_c24_96

B_c25_96

B_c26_96

B_c27_96

B_c28_96

rs-educa p7. 5


Con toda esta informacin, te haces una idea de la evolucin del NDVI a lo largo de ao para las
clases consideradas en la comarca de El Bierzo? Existe algn valor que muestre un incremento o
decremento demasiado brusco? Puede deberse a la presencia de demasiadas nubes en la imagen
compuesto decenal?

Figura 5. Evolucin del NDVI en los distintos usos del suelo

2. DETECCIN DE CAMBIOS

En esta parte de la prctica identificaremos el incendio de Millares Valencia (figura 4), que fue
originado por la cada de un rayo el da 4 de julio de 1994, se mantuvo activo hasta el da 12, y
afect a 25 930 ha, segn las Estadsticas elaboradas por el ICONA, todas ellas de terreno forestal, y
de las cuales aproximadamente la mitad correspondan a forestal arbolado.

rs-educa p7. 6

Figura 6. Localizacin del incendio de Millares (Comunidad Valenciana)

Utilizaremos la tcnica de simple diferencia para identificar los cambios ocurridos. Activa el
comando Herramientas/Operar/Aritmticas y la operacin NDVI_a - NDVI_p. Visualiza la imagen
diferencia resultante y llmala Incendio (ver figura 7). Puedes identificar una disminucin
excesivamente alta en la zona de Valencia? Por qu se ha producido este descenso tan brusco?
Podra ser un incendio forestal?

rs-educa p7. 7

Figura 7. Imagen diferencia (antes y despus del incendio forestal)

Recorta la imagen diferencia y qudate slo con una ventana alrededor de las zonas incendiadas
(Herramientas/Reformar/Enventanar) (ver figura 8). Elige visualizar en la ventana actual y despus
archiva los resultado con el nombre del fichero ven_dif.

Figura 8. Cuadro de dilogo enventanar

rs-educa p7. 8


Figura 9. Imagen de la ventana cortada

Para poder generar automticamente una imagen binaria (pxeles con valor 1 representan zonas
incendiadas, pxeles con valor 0, zonas sin incendiar) del cambio producido utilizaremos el
siguiente algoritmo:
ND = 1 si

(NDVI anterior NDVI posterior) > ant-post + 1.5 ant-post

Donde ant-post, representa el valor medio de la imagen ven_dif y ant-post, representa su

desviacin tpica.
Se trata de un algoritmo muy sencillo, que lleva a cabo la identificacin visual que t mismo has
realizado, remarcando los pxeles en los que la variacin del NDVI ha sido mayor que en el resto.
Para poder aplicarlo, primero has de calcular la media (ant-post) y la desviacin tpica (ant-post)
(herramientas/estadsticas).

Figura 10. Estadstica de la imagen ven_dif

rs-educa p7. 9

Una vez conocidos estos valores, has de calcular la expresin ant-post + 1.5 ant-post y reclasificar
la imagen ven_dif en dos clases: Quemado (identificador 1) y No quemado (identificador 0),
siguiendo el algoritmo propuesto. En la figura 11 aparecen la ventanas de la reclasificacin.
Estadstica

Simbologa

Valor calculado

Mnimo ant-post

m ant-post

-36

Mximo ant-post

M ant-post

87

Media ant-post

ant-post

20.040578

Desviacin tpica ant-post

ant-post

17.221010

Umbral de clasificacin

ant-post + 1.5 '

45.872093

Se corresponde esta imagen clasificada con el incendio analizado? O aparecen tambin falsas
alarmas?

Figura 11. Reclasificacin de la imagen ven_dif

rs-educa p7. 10


Figura 12. Imagen final de la superficie incendiada

Convierte la imagen final convirtela a Byte utilizando Fichero/convertir a tipo de dato/A Byte
(esta conversin puede ser necesaria para calcular el rea). Obtn ahora el nmero de pxeles que
se corresponden con zonas incendiadas mediante el comando Clasificaciones/Calcular rea (figura
13). Se corresponde el valor obtenido con el estimado por el Ministerio de Medio Ambiente:
25 930 ha?

Figura 13. Cuadro de dilogo del clculo del rea

rs-educa p7. 11

ACTIVIDADADES DE AUTOEVALUACIN

A partir de la informacin obtenida sobre la evolucin anual del NDVI de distintas cubiertas en El
Bierzo, podras prever su comportamiento para otros aos? Podras identificar un ao de sequa y
uno de grandes lluvias? Esta informacin te podra servir para definir el riesgo de incendios?
Se te ocurren otras formas de delimitar las clases quemado / no quemado en la prctica de
deteccin de cambios? Indcalas.

rs-educa p7. 12

Prctica 8

TTULO:

PROCESADO II: CLASIFICACIONES AVANZADAS

. .

Qu se aprender...

Antes de empezar...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las siguientes
tareas en rs-educa:

* Sabrs aplicar la tcnica de anlisis de Mezclas Espectrales para
realizar una clasificacin blanda de imgenes de satlite.

* Podrs obtener las firmas espectrales de los componentes bsicos
que caracterizan una imagen de satlite y efectuar la descomposicin
espectral de una imagen de satlite en sus componentes bsicos.

Antes de empezar la prctica repasa la teora de la asignatura,
descrgate el software rs-educa y asegrate que tienes todos los
archivos necesarios. Es importante que hayas repasado tambin la
prcticas anteriores.



MATERIAL
Imgenes Landsat 7 del sensor Etm+. Las siete bandas ms la imagen pancromtica del Landsat7
de la comarca de El Bierzo tomada el da 5 de septiembre de 2000 (Ficheros ETM_ 05092000_bx)

ENUNCIADO
En esta prctica se trata de utilizar la tcnica de clasificacin basada en el Anlisis de Mezclas
Espectrales Lineal para analizar las cubiertas de la comarca de El Bierzo.

DESCRIPCIN DETALLADA

El programa rs-educa incluye un mdulo para realizar clasificaciones blandas, concretamente
permite implementar el Anlisis de Mezclas Espectrales Lineal. En esta prctica utilizaremos esta
utilidad. Pero, Qu es el modelo de mezclas espectrales?

El modelo de mezclas espectrales o SMA (Spectral Mixture Analysis) supone que la seal captada
por el sensor para un determinado pxel puede ser la mezcla de reflectividades procedentes de
distintas cubiertas.

Este modelo permite calcular, en un pxel mezcla, la proporcin ocupada por cada una de las
cubiertas que lo integran, creando una imagen de salida para cada cubierta considerada en la
imagen de entrada que representa la proporcin de pxel ocupada por esa determinada cubierta.
Dichas imgenes se denominan habitualmente imgenes fraccin. Adems, tambin proporciona
como salida una imagen de los errores del modelo en cada pxel, es decir, permite conocer el grado
de ajuste del modelo a la realidad de las cubiertas presentes.

Suponiendo un modelo lineal, la reflectividad de un determinado pxel mezcla puede considerarse
una combinacin lineal de la reflectividad caracterstica de unas cubiertas o componentes bsicos
(endmembers), en proporcin equivalente a la superficie que ocupan.

La expresin matemtica que representa el modelo lineal es la siguiente:

X = Mf + e

Donde: X, es el vector pxel, f, el vector de proporciones (la incgnita del sistema), M, la matriz de
reflectividad de los componentes bsicos (o clases) considerados y, e, el vector de error. Adems
suelen incluirse dos condiciones ms al sistema de ecuaciones: 1) el pxel mezcla est formado en
su totalidad por los componentes bsicos y 2) el rea ocupada por cada componente bsico es un
valor positivo.

El sistema de ecuaciones se soluciona habitualmente minimizando el cuadrado de los errores
(ajuste por mnimos cuadrados). Para resolver correctamente el modelo es necesario que el

rs-educa p8. 2

nmero de componentes puros de una imagen se limite al nmero de bandas empleadas en la

descomposicin espectral ms uno.

f = (MTM)-1 MT X

1. DEFINICIN DE LOS COMPONENTES BSICOS

En esta etapa han de definirse las firmas espectrales de cada componente bsico o endmember.
En esta prctica utilizaremos las bandas 3, 4, 5 y 7 de la imagen ETM+, y trabajaremos con tres
endmembers: suelo, sombra y vegetacin, por ser las bandas y endmembers habitualmente
empleados en estudios de este tipo.
Concretamente, para definir la firma espectral de estos componentes bsicos, localizaremos los
pxeles extremos del polgono que aparece en el diagrama de dispersin de las diferentes bandas
consideradas. Utiliza el comando Herramientas/Regresin e introduce las imgenes ETM_
05092000_b3 y ETM_ 05092000_b4 en el cuadro de dilogo (ver figura 1)

Figura 1. Cuadro de dilogo regresin

Anota cuidadosamente los ND de los pxeles ms extremos de los vrtices del tringulo que aparece
en las regresiones siguiendo los siguientes criterios para cada par bandas.
*Regresin bandas 4 y 3: el vrtice con bajos valores en ambas bandas se corresponder con el
endmember sombra, el vrtice con NDs en la banda 4 mayores que en la banda 3 se corresponder
con el endmember vegetacin y por ltimo, el vrtice con mayores NDs en la banda 3 que en la
banda 4, se corresponder con el endmember suelo. Anota los pares de valores en la tabla
siguiente:
Sombra (ND)
B4=

Vegetacin(ND)
B3=

B4=

Suelo(ND)
B3=

B4=

B3=

rs-educa p8. 3


Figura 2. Regresin entre las bandas 4 y 3 de Landsat 7

*Regresin bandas 4 y 5: el vrtice con bajos valores en ambas bandas se corresponder con el
endmember sombra, el vrtice con NDs en la banda 4 mayores que en la banda 5 se corresponder
con el endmember vegetacin y, por ltimo, el vrtice con mayores NDs en la banda 5 que en la
banda 4, se corresponder con el endmember suelo. Anota los pares de valores en la tabla
siguiente:
Sombra (ND)
B4=

Vegetacin(ND)
B5=

B4=

Suelo(ND)
B5=

B4=

B5=

Figura 3. Regresin entre las bandas 4 y 5 de Landsat 7

rs-educa p8. 4

*Regresin bandas 4 y 7: el vrtice con bajos valores en ambas bandas se corresponder con el
endmember sombra, el vrtice con NDs en la banda 4 mayores que en la banda 7 se corresponder
con el endmember vegetacin y, por ltimo, el vrtice con mayores NDs en la banda 7 que en la
banda 4, se corresponder con el endmember suelo. Anota los pares de valores en la tabla
siguiente:
Sombra (ND)

Vegetacin(ND)

B4=

B7=

B4=

Suelo(ND)
B3=

B4=

B7=

Figura 4. Regresin entre las bandas 4 y 7 de Landsat 7

Anota cuidadosamente los resultados obtenidos en las distintas regresiones en la tabla 1. Para la
banda 4 tienes que hacer la media entre los 3 valores obtenidos.
Tabla 1. ND para cada uno de los endmembers considerados

Endmember suelo

Endmember sombra

Endmember vegetacin

Banda 3

Banda 4

Banda 5

Banda 7

rs-educa p8. 5

2. DESCOMPOSICIN ESPECTRAL

Una vez definidos los endmembers, realizaremos la descomposicin espectral o unmixing de la
imagen.
Para
ello
utilizaremos
el
comando
Transformaciones/Mezclas
Espectrales/Descomposicin espectral/Landsat. Introduce en el cuadro de dialogo los nombres de
la ficheros que contienen las bandas 3, 4, 5, y 7 de la imagen, los ND de los endmembers
considerados en esas bandas (Tabla 1) y el nombre de la imagen de salida: ETM_ 05092000. Este
comando te crear las siguientes imgenes: imagen fraccin suelo, ETM_ 05092000_SL, imagen
fraccin sombra, ETM_ 05092000_SM, imagen fraccin vegetacin, ETM_ 05092000_VG e
imgenes asociadas al error producido en cada banda, ETM_ 05092000_ErrB3, ETM_
05092000_ErrB4, ETM_ 05092000_ErrB5, ETM_ 05092000_ErrB7, y al error cuadrtico medio,
ETM_ 05092000_Err.

Figura 5. Cuadro de dilogo de descomposicin espectral de imgenes Landsat

Para garantizar que has realizado la descomposicin adecuadamente, la imagen ETM_

05092000_Err, que representa el error cuadrtico medio, debera estar homogneamente
distribuida y tomar valores muy bajos. Si esto no es as, visualiza (Visualizacin/Imagen) las
imgenes ETM_ 05092000_ErrB3, ETM_ 05092000_ErrB4, ETM_ 05092000_ErrB5 y ETM_
05092000_ErrB7, para tratar de localizar la banda en la que se producen los mayores errores. Una
vez analizadas estas imgenes de error, debers repetir las operaciones de definicin de
endmembers y unmixing hasta obtener unos resultados satisfactorios.

rs-educa p8. 6

Figura 6. Imagen vegetacin

Figura 7. Imagen sombra

rs-educa p8. 7

Figura 8. Imagen suelo

Tras conseguir un error bajo, visualiza (Visualizacin/Imagen) las imgenes ETM_ 05092000_SL,
ETM_ 05092000_SM y ETM_ 05092000_VG.


3. NORMALIZACIN

Esta operacin permite normalizar las imgenes fraccin suelo y vegetacin obtenidas, eliminado la
contribucin del componente sombra. Para ello utilizaremos el comando
Transformaciones/Mezclas Espectrales/normalizacin. En la figura 9 aparece el cuadro de dilogo
normalizacin. Debes introducir los nombres de las tres imgenes fraccin previamente obtenidas
(suelo, sombra y vegetacin). El resultado ser la imagen de suelo normalizado (ETM_
05092000_SL_NORMAL) y la imagen de vegetacin normalizada (ETM_ 05092000_VG_NORMAL).
En las figura 10 y 11 se pueden visualizar los resultados.

Figura 9. Cuadro de dilogo de la normalizacin

rs-educa p8. 8

Figura 10. Cuadro de dilogo de la normalizacin

Figura 11. Cuadro de dilogo de la normalizacin

ACTIVIDADES DE AUTOEVALUACIN
Por qu no hemos utilizado tambin las bandas 1 y 2 para hacer la descomposicin espectral?
Se podran haber incluido ms endmenbers, adems de suelo, vegetacin y sombra?
Se te ocurren otras formas de seleccionar los endmenbers?
Qu aplicaciones crees que pueden tener las imgenes fraccin normalizadas?

rs-educa p8. 9

Prctica 9

TTULO:

PRESENTACIN DE RESULTADOS

Qu se aprender...

Antes de empezar...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientes tareas en rs-educa:

* realizars diferentes mapas a partir de los resultados de
obtenidos en las prcticas.

Antes de empezar la prctica repasa la teora de la asignatura,
descrgate el software rs-educa y asegrate que tienes todos los
archivos necesarios. Es importante que hayas repasado tambin
la prcticas anteriores.

MATERIAL
Imgenes Landsat 7 del sensor Etm+. Las siete bandas ms la imagen pancromtica del
Landsat7 de la comarca de El Bierzo tomada el da 5 de septiembre de 2000 (Ficheros
ETM_ 05092000_bx)

ENUNCIADO
Realizar un mapa a partir de la imagen de satelite empleada en la prctica lo ms parecido
posible a la siguiente imagen.

Figura 1. Ejercicio propuesto

DESCRIPCIN DETALLADA

Una vez realizados los anlisis de las imgenes de satlite se deben mostrar los resultados
obtenidos y una de las frmulas ms habituales es mediante representaciones cartogrficas,
mediante mapas.

rs-educa p9. 2

En los mapas se recoge grficamente informacin referente a la parte de la superficie

terrestre que se representa y adems otra informacin que ayuda a interpretar
correctamente el propio mapa (leyenda, barra de escala, sistemas de coordenadas, etc.). RS-
EducA Visualizacin/Crear mapa mediante el cual se pueden conseguir mapas listos para
imprimir (previa exportacin a .bmp).

En el cuadro de dialogo del comando Visualizacin/Crear mapa existen cuatro pestaas:
Ttulo, Escala, Retcula y Norte Geogrfico. Introduce los valores adecuados para obtener un
mapa lo ms similar posible al de la figura 1. Cuando hayas terminado exprtalo utilizando el
comando Fichero/Exportar/Exportar a .bmp para obtener una imagen .bmp que podrs
insertar en documento de texto (tipo .doc) e imprimir.

ACTIVIDADES DE AUTOEVALUACIN
Si conoces algn otro software de procesado de informacin geogrfica, compara las
herramientas de creacin de mapas con las de rs-educa.

rs-educa p9. 3

..
..
..
..

ASIGNAT

Prctica10

TTULO:

ESTUDIODEUNCOMARCACONTELEDETECCIN

Quseaprender...

Despus de completar la prctica y haber realizado todas las

actividades de autoevaluacin sers capaz de realizar las
siguientestareasenRSEduca:
Realizaras un estudio completo de teledeteccin comparando
diferentestcnicasdeprocesamientodigitaldelaimagen.

Antesdeempezar...

Antes de empezar la prctica repasa la teora y prctica de la

asignatura y asegrate que dispones del material disponible
paralaprctica.

MATERIAL
Enlatabla1seespecificanlasimgenesdesatlitequeseutilizarnenlaprctica(estndisponible
entrelosarchivosdelaprctica3)
Tabla1.Listadodeficherosdisponibles
Satlite/Sensor
Landsat5/TM

Bandas
17

Fechas
24062011

Ficheros
TM_24062011_bx

ENUNCIADO
En esta prctica utilizando una imagen de la comarca de El Bierzo del ao 2011 estudiaremos
diferentes tcnicas de procesamiento de la imagen para estudir 5 usos del suelo. Cada alumno
deberelegirusosylocalizacionesdiferentes.

CUESTIONARIO

Eligeenlaimagen5usosdelsuelodiferente(agua,bosque,ciudad,incendiosforestales..)yanota
suscoordenadasycontestaalassiguientespreguntas:

1. Selecciona e inserta en el documento la composicin RGB que mejor discrimine la

vegetacin.Insertatambinlacomposicinquemejordiscriminelasactividadesmineras.

2. Calculalosprincipalesndicesdevegetacin(insertalaimagenresultadoeneldocumento)y
realiza una tabla son los valores para cada uno de los ndices en los usos del suelo
seleccionados.Qudiferenciaencuentrasenlosresultado?.Qundicediscriminamejor
lavegetacin?yelagua?ylosincendiosforestales?

3. Calcula las componentes principales de la imagen. Qu componente discrimina mejor la

vegetacin?Insertaeneldocumentolaimagenresultado.

4. Realizaunanlisisdemezclasespectralesdelaimagen.Insertaeneldocumentolaimagen
fraccindelavegetacin.Indicalosvaloresquetomaenestaimagenlosusosdelsueloque
hasseleccionado.

5. Realiza una clasificacin no supervisada de la imagen utilizando una leyenda de 5 clases.

Tienenalgnsentidolosresultados.Esdecir,lasclasesserelacionanconlosusosdelsuelo.

6. Cmopodrasrealizarunavalidacindelosresultados.Qundiceutilizaras.

7. QuutilidadespuedetenerlaimagenestudiadaenelinventarioforestaldeMonteArenas.
Quherramientasdasomtricassepodranrealizarsiguiendololedoenelartculocientfico
FernndezManso,2009ledoenlaasignatura.

rseducap10.2

RS-EducA Materiales Educativos

Carmen Quintano (Uva) y Alfonso Fernndez-Manso (Unileon)
Ms informacin: mechu@tele.uva.es ; alfonso.manso@unileon.es / http://rs-educa.org

Este documento ha sido elaborado por la Dra. Carmen Quintano (Uva) y el Dr. Alfonso Fernndez-Manso (Unileon) y se
encuentra publicado bajo una licencia

Creative Commons Reconocimiento-No comercial-Compartir bajo la misma licencia 2.5.

Usted es libre de:
copiar, distribuir y comunicar pblicamente la obra
hacer obras derivadas
Bajo las condiciones siguientes:
Reconocimiento. Debe reconocer los crditos de la obra de la manera especificada por el autor o el licenciador (pero no
de una manera que sugiera que tiene su apoyo o apoyan el uso que hace de su obra).
No comercial. No puede utilizar esta obra para fines comerciales.
Compartir bajo la misma licencia. Si altera o transforma esta obra, o genera una obra derivada, slo puede distribuir la
obra generada bajo una licencia idntica a sta.
Al reutilizar o distribuir la obra, tiene que dejar bien claro los trminos de la licencia de esta obra.
Alguna de estas condiciones puede no aplicarse si se obtiene el permiso del titular de los derechos de autor
Nada en esta licencia menoscaba o restringe los derechos morales del autor.