2.-Tranformaciones Espectrales2017

TRANFORMACIONES ESPECTRALES
PROCESAMIENTO DIGITAL DE IMAGENES
Ing. María René Sandoval G., M.Sc.

CENTRO DE LEVANTAMIENTOS AEROESPACIALES Y APLICACIONES SIG PARA EL
DESARROLLO SOSTENIBLE DE LOS RECURSOS NATURALES
Cochabamba, Bolivia
INTRODUCCIÓN
Las transformaciones espectrales, son procesos y/o

operaciones matemáticas, que se aplican a las imágenes
para obtener una imagen resultante, con el fin de resaltar y
distinguir algún aspecto o ciertas características de la
imagen.
El resultado es una nueva imagen, con el mismo tamaño y

estructura de la imagen original, pero con sus valores que
no responden a un número digital, sino a la aplicación de
una operación matemática.
CENTRO DE LEVANTAMIENTOS AEROESPACIALES Y APLICACIONES SIG PARA EL DESARROLLO SOSTENIBLE DE LOS RECURSOS NATURALES
El objetivo es determinar cual es la relación entre objetos y
variables de la superficie terrestre y la respuesta espectral para
poder distinguir o discriminar un tipo de objeto.
• Mejorar la discriminación de la información

• Hacer evidente o aislar algún tipo de información
Su fin es identificar, evaluar y monitorear el objeto de interés.
CRITERIOS
• Maximiza la respuesta de ciertas superficies.
• Reducir efectos debido al ángulo solar, ángulo visual,

topografía, atmósfera, etc.; para comparaciones espaciales
y temporales consistentes.
• Debe estar asociado a parámetros o procesos de superficie

terrestre que sean medibles.
En general podemos hablar de dos tipos de transformaciones:
Orientadas: Se sabe lo que se Busca

• Índices espectrales
• Transformación Tasseled Cap
No orientadas: No sabemos a priori lo que buscamos

• Análisis de Componentes Principales
Índices espectrales
Son resultados de operaciones matemáticas entre valores
de pixel de Bandas de una imagen que intentan enfatizar
alguna variable de interés: vegetación, agua, minerales,
etc.
Intentan maximizar alguna característica y separar del

resto.
Están diseñados para convertir la reflectancia espectral o

los ND en información física que puede ser distinguida y
usada directamente por el usuario final.
Permiten el monitoreo de características temporales y

estacionales.
Pasos para construir un índice espectral
• Analizar el comportamiento espectral de la variable

objetivo.
• Analizar el espacio de variación espectral más idóneo.
• Construir una función que realce ese espacio de
variación.
Banda Roja Banda Infrarroja
Ratio =R/NIR
Índices de vegetación
Los índices de vegetación son combinaciones de las Bandas
espectrales, cuya función es realzar la cubierta vegetal en
función de su respuesta espectral y atenuar los detalles de otros
componentes como el suelo, la iluminación, etc.
La vegetación verde y vigorosa refleja mucha menos radiación

en la Banda visible roja (Banda R), región de absorción de la
clorofila, que en la Banda del infrarrojo cercano (Banda IR),
región de alta reflectancia del componente celulósico.
Cuando la vegetación sufre estrés, los valores de la Banda R

aumentan y los de la Banda IR decrecen. Estas propiedades
llevaron a definir varios índices de vegetación Basados en
operaciones algebraicas entre las Bandas R e IR.
• Índice de vegetación de diferencia normalizada (NDVI)
Normalized Difference vegetation Index
Proporciona información sobre el estado de salud y de

densidad de la vegetación de la superficie.
Muchas veces nos

referimos a los mapas de
NDVI como los mapas de
"verdor" ya que representan
el vigor vegetativo de las
plantas.
Los valores oscilan entre -1

y 1.
NDVI =
ROJO VERDE AZUL
• Índice de vegetación ajustado al suelo (SAVI)
Soil Adjusted Vegetation Index
El Índice de Vegetación Ajustada al Suelo (SAVI) es

similar al NDVI pero se usa en áreas donde la cubierta
vegetal es Baja (<40%).
Cuando se expone una cantidad significativa de la

superficie del suelo, la reflectancia del suelo puede
influir en los valores de NDVI. La luz reflejada del suelo
puede tener un efecto significativo en los valores de
NDVI (cambio de los valores hasta 20%)
"L" es un factor de ajuste del fondo del que oscila entre 0 para la
cubierta vegetal muy alta y 1 para la cobertura vegetal muy
Baja.
Se encontró un valor L de 0,5 en el espacio de reflectancia para

minimizar las variaciones de Brillo del suelo y eliminar la
necesidad de calibración adicional para diferentes suelos.
Se encontró que la
transformación casi
eliminaba las variaciones
inducidas por el suelo en los
índices de vegetación.
Índices de agua
• Índice de agua de diferencia normalizada (NDWI)
Normalized Difference Water Index
El índice NDWI es el más apropiado para la cartografía

del cuerpo de agua. El cuerpo de agua tiene una absorción
fuerte y baja radiación en el rango de longitudes de onda
visibles a infrarrojas.
El índice utiliza las bandas de la onda corta del infrarojo y

infrarojo cercano de imágenes para detectar cuerpos de
agua.
El NDWI puede mejorar la
información sobre el agua
eficazmente en la mayoría de
los casos. Es sensible a las
tierras edificadas y, a menudo,
resulta en cuerpos de agua
sobreestimados.
Valores referenciales:
• Cuerpos de agua cristalina
son mayores de 0,5.
• Cuerpos de agua 0,2 y 0,5.
• Las características
incorporadas tienen valores
positivos entre 0 y 0.2.
• Índice de agua de diferencia normalizada modificado (MNDWI)
Modify Normalized Difference Water Index
El uso de MNDWI es uno de los métodos más populares

para la cartografía del cuerpo de agua. Supera las
deficiencias de NDWI mediante el uso de banda de
infrarrojos de onda corta para reemplazar la banda de
infrarrojo cercano por la banda verde.
En las últimas décadas, se ha aplicado ampliamente para

producir mapas del cuerpo de agua a diferentes escalas.
La vegetación es fácil de
distinguir de los cuerpos de
agua, ya que tiene valores
mucho más pequeños.
Índices para incendios (quemas)
• Índice de área de incendio (BAI)
Burn Area Index
Resalta la tierra quemada en el espectro rojo al infrarrojo

cercano, al enfatizar la señal de carbón en las imágenes
posteriores al fuego.
El índice se calcula a partir de la distancia espectral de cada

píxel a un punto espectral de referencia, donde las áreas
recientemente quemadas convergen. Los píxeles más
brillantes indican áreas quemadas.
La reflectancia de los datos debe estar calibrada antes de usar el índice.
Índices para incendios (quemas)
• Índice de área de incendio (BAI)
Burn Area Index
Destaca áreas quemadas en grandes zonas de incendios
mayores de 500 acres. La fórmula es similar a NDVI, excepto
que utiliza longitudes de onda del infrarrojo cercano (NIR) y
del infrarrojo de onda corta (SWIR).
BAI se desarrolló originalmente para su uso con Bandas

Landsat 4 y 7, pero funcionará con cualquier sensor
multiespectral con una Banda NIR entre 0,76-0,9 μm y una
Banda SWIR entre 2,08-2,35 μm. Los píxeles más oscuros
indican áreas quemadas.
Índices para áreas urbanas
• Índice normalizado de edificación (NDBI)

Normalized Difference Built-Up Index
Este índice destaca las zonas urbanas donde normalmente hay

una mayor reflectancia en la región infrarroja de onda corta
(SWIR), en comparación con la región del infrarrojo cercano
(NIR).
Las aplicaciones incluyen predicciones de escurrimiento de las

cuencas hidrográficas y planificación del uso de la tierra.
El NDBI fue desarrollado originalmente para su uso con las

Bandas Landsat TM 5 y 4.
Funciona con cualquier sensor multiespectral
• Banda SWIR entre 1,55-1,75 μm
• Banda NIR entre 0,76-0,9 μm.
Índices de salinidad
Investigación y
evaluación de
índices
espectrales
BASES DE DATOS DE INDICES
http://www.indexdataBase.de/
https://www.harrisgeospatial.com/docs/alphabeticallistspectralindices.html
http://www.sentinel-huB.com/eotaxonomy/indices?page=2
Tasseled Caps
Las Bandas originales de una imagen son transformadas en un
nuevo conjunto de bandas con interpretaciones definidas que
son útiles para el mapeo de la vegetación.
La transformación Tasseled Cap está diseñada para analizar y

representar cambios de vegetación y de desarrollo urbano.
Esencialmente, a medida que los cultivos crecen desde la
semilla hasta la madurez, hay un aumento neto de infrarrojo
cercano y una disminución de reflectancia roja con base en el
color del suelo.
La transformación Tasseled Cap fue derivado por Kauth y

Thomas (1976) usando 4 Bandas de imágenes Landsat MSS en
el artículo "The tasseled Cap -- A Graphic Description of the
Spectral-Temporal Development of Agricultural Crops as Seen
By LANDSAT."
El objetivo de esta transformación es obtener unas nuevas
bandas por “combinación lineal” de las originales para realzar
determinadas características. Supone pasar de las 6 Bandas
(todas excepto la del infrarrojo térmico) a 3 Bandas con un claro
sentido físico que representan el brillo de la imagen (albedo), el
verdor y la humedad.
Esta función consiste en reducir las bandas del sensor a tres

nuevas Bandas que representan:
• el brillo o albedo (reflectividad de

todas las Bandas),
• el verdor (relación entre canales

visibles e infrarrojo próximo) y
• la humedad (considerando el
infrarrojo medio).
• El 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 térmico.
• El verdor muestra el contraste entre las bandas del visible y el
infrarrojo próximo, la NIR interviene positivamente mientras que las
tres Bandas del visible lo hacen negativamente, especialmente la
banda verde. Por tanto el resultado es similar a un índice de
vegetación. Permite por tanto llevar a cabo análisis de la densidad y
estado de salud de la vegetación.
• La humedad se relaciona con el contenido de agua de la vegetación y
el suelo. Se obtiene contrastando la reflectividad en las bandas del
infrarrojo medio en las que el agua absorbe la radiación (con
coeficientes de ponderación negativos) respecto al resto de las
bandas menos afectadas por la humedad (coeficiente Bajos y
positivos). También se ha encontrado una relación entre este
componente y la madurez de la vegetación. El componente de
humedad ha sido también correlacionado con la madurez de las
formaciones vegetales.
Para la transformación Tasseled Cap de datos Landsat TM se utiliza los
siguientes coeficientes:
• Brillo=0.3037TM1+0.2793TM2+0.4743TM3+0.5585TM4+0.5082TM5+0.1863TM7
• Verdor=-0.2848TM1-0.2435TM2-0.5436TM3+0.7243TM4+0.0840TM5-0.1800TM7
• Humedad=0.1509TM1+0.1973TM2+0.3279TM3+0.3406TM4-0.712TM5-0.4572TM7
Para aplicar la transformación de tasseled caps, se recomienda que los

valores de la imagen sean valores de reflectancia; sin embargo puede
utilizarse con ND (Números digitales).
Ref. Lansat 8 OLI (https://landsat.usgs.gov/using-usgs-landsat-8-product)
BRILLO VERDOR
HUMEDAD
RGB – BVH
Composición a color RGB (BVH) – Landsat 8 derivado
de una transformación Tasseled Caps
Entre las ventajas de la transformación Tasseled Cap se incluyen:
• Proporciona una manera analítica para detectar y comparar los

cambios en la vegetación, el suelo y en las características
producidas por el hombre en períodos de corto y largo plazo.
• Proporciona una manera analítica para comparar directamente

entidades de cobertura de suelo mediante imágenes de satélite de
diferentes sensores, incluidos Landsat, IKONOS y QuickBird.
• Reduce la cantidad de datos de varias bandas multiespectrales a

tres componentes principales: brillo, verdor y humedad (o
material amarillo para Landsat MSS).
• Reduce las influencias atmosféricas y los componentes de ruido

en las imágenes, permitiendo un análisis más preciso

2.-Tranformaciones Espectrales2017

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

2.-Tranformaciones Espectrales2017

Hochgeladen von

Copyright:

Verfügbare Formate

TRANFORMACIONES ESPECTRALES

PROCESAMIENTO DIGITAL DE IMAGENES

Ing. María René Sandoval G., M.Sc.

Las transformaciones espectrales, son procesos y/o

El resultado es una nueva imagen, con el mismo tamaño y

• Mejorar la discriminación de la información

Su fin es identificar, evaluar y monitorear el objeto de interés.

• Maximiza la respuesta de ciertas superficies.

• Reducir efectos debido al ángulo solar, ángulo visual,

• Debe estar asociado a parámetros o procesos de superficie

Orientadas: Se sabe lo que se Busca

No orientadas: No sabemos a priori lo que buscamos

Intentan maximizar alguna característica y separar del

Están diseñados para convertir la reflectancia espectral o

Permiten el monitoreo de características temporales y

• Analizar el comportamiento espectral de la variable

La vegetación verde y vigorosa refleja mucha menos radiación

Cuando la vegetación sufre estrés, los valores de la Banda R

Proporciona información sobre el estado de salud y de

Muchas veces nos

Los valores oscilan entre -1

ROJO VERDE AZUL

El Índice de Vegetación Ajustada al Suelo (SAVI) es

Cuando se expone una cantidad significativa de la

Se encontró un valor L de 0,5 en el espacio de reflectancia para

El índice NDWI es el más apropiado para la cartografía

El índice utiliza las bandas de la onda corta del infrarojo y

El uso de MNDWI es uno de los métodos más populares

En las últimas décadas, se ha aplicado ampliamente para

Resalta la tierra quemada en el espectro rojo al infrarrojo

El índice se calcula a partir de la distancia espectral de cada

La reflectancia de los datos debe estar calibrada antes de usar el índice.

BAI se desarrolló originalmente para su uso con Bandas

• Índice normalizado de edificación (NDBI)

Este índice destaca las zonas urbanas donde normalmente hay

Las aplicaciones incluyen predicciones de escurrimiento de las

El NDBI fue desarrollado originalmente para su uso con las

La transformación Tasseled Cap está diseñada para analizar y

La transformación Tasseled Cap fue derivado por Kauth y

Esta función consiste en reducir las bandas del sensor a tres

• el brillo o albedo (reflectividad de

• el verdor (relación entre canales

Para aplicar la transformación de tasseled caps, se recomienda que los

Ref. Lansat 8 OLI (https://landsat.usgs.gov/using-usgs-landsat-8-product)

• Proporciona una manera analítica para detectar y comparar los

• Proporciona una manera analítica para comparar directamente

• Reduce la cantidad de datos de varias bandas multiespectrales a

• Reduce las influencias atmosféricas y los componentes de ruido

Das könnte Ihnen auch gefallen