Beruflich Dokumente
Kultur Dokumente
INTRODUCCION Teledetección.
Los sistemas información geográfica (SIG), las tecnologías La teledetección o percepción remota se refiere a la
de información geográfica y precepción remota o adquisición de datos de la superficie terrestre a través de
Teledetección, son herramientas fundamentales para un sensor remoto, y al procesamiento e interpretación de
evaluar el uso de la cobertura del suelo, cambios en la esos datos. Específicamente la teledetección es la
cobertura forestal, etc. A este respecto, los sensores captación de las características físicas de la superficie
remotos ofrecen técnicas metodológicas que pueden ser terrestre, basada en mediciones de radiación y reflejada y
útiles debido a su análisis sinóptico, dada su alta emitida de cada componente de esa superficie.
información espacial y sus mediciones frecuentes de una
parcela en el campo (Nieuwenhuis y Mucher, 1998). Clasificación Supervisada.
Esta es realizada por un operador que define las
Se ha considerado realizar esta presente investigación a características espectrales de las clases, mediante la
nivel de cuenca, centrando mi atención en como el identificación de áreas de muestreo (áreas de
hombre, las familias y comunidades se han venido entrenamiento), se requiere que el operador este
comportando al interior de la misma, en los periodos familiarizado con el área de interés.
1996-2001-2005-2010, observando los resultados surgen
cuestionantes como: ¿porque hacen lo que hacen?, Exactitud Temática.
¿cuáles son sus necesidades?, que se puede hacer para Describe el grado de fidelidad de los valores de los
mejorar el ambiente o conservar los recursos naturales. atributos asignados a los elementos en la base de datos
con respecto a su verdadera característica representadas
El enfoque de cuencas ha evolucionado hacia la gestión en el mundo real y la clasificación correcta de los objetos y
conjunta, compartida y colaborativa entre los actores sus relaciones de acuerdo con las especificaciones del
locales (productores, grupos organizados, gobiernos producto.
locales, empresa privada, organizaciones no
gubernamentales, instituciones nacionales, organismos Cuenca Hidrográfica.
donantes y cooperantes). Todos ellos integran esfuerzos, Es el espacio de territorio delimitado por la línea divisoria
recursos, experiencias y conocimientos para desarrollar de las aguas, conformado por un sistema hídrico que
procesos que impacten de manera favorable y sostenible conducen sus aguas a un río principal, a un río muy
en el manejo de los recursos naturales y el ambiente en grande, a un lago o a un mar. Este es un ámbito
las cuencas hidrográficas a corto, mediano y largo plazo tridimensional que integra las interacciones entre la
(Faustino 2005) cobertura sobre el terreno, las profundidades del suelo y
el entorno de la línea divisoria de las aguas
DEFINICIONES Y CONCEPTOS
MATERIALES Y METODOS
Sistema de Información Geográfica (SIG).
Ubicación
Los Sistemas de Información Geográfica (SIG),
Para el presente trabajo se ha seleccionado una unidad
comprenden un conjunto de hadware y software
hidrográfica (UH), de nivel 5, denominada cuenca “El
integrados que permiten introducir, almacenar, manipular
Gringo”, cuenta con una superficie de 36.589 Has, ubicada
y presentar datos geográficos, pueden presentarse en
al Norte, en el Municipio de Villa Montes de la provincia
varios formatos textuales, cartográficos o numéricos,
Gran Chaco del departamento de Tarija (Ver imagen
además son susceptibles a ser integrados en un único
abajo).
sistema.
En lo posterior por ser un trabajo relacionado al
monitoreo y cambios de uso del suelo, mediante el uso de
datos de percepción remota, se utilizó el método de
interpretación digital y visual.
El método interpretación digital basa su análisis, casi
exclusivamente, en los valores digitales registrados por
cada píxel en cada una de las bandas en que se presenta la
información, mientras que, el método interpretación
visual utiliza otros elementos, además de los datos
espectrales, tales como: asociación, forma, tamaño,
ubicación, textura, etc.
Cuadro II
RADIANCIA LANDSAT 5 Imagen III
BANDAS MINIMA MAXIMA MEDIA DESV. EST.
BAND 1 1.37966 18.227921 3.640763 0.237735
BAND 2 1.74348 9.129301 2.750194 0.338226
BAND 3 0.3006 18.361803 1.638074 0.434681
BAND 4 0.54982 18.508226 6.019897 0.692042
BAND 5 0.01114 2.743085 0.604123 0.076896
BAND 7 0.00467 1.145253 0.093451 0.027419
Cuadro II: Valores Estadísticos de la imagen Landsat 5, con calibración
radiométrica correspondiente a la cuenca “EL GRINGO”
Un Scatter Plot, no es más que la representación Para ello nos dirigimos a la ventana de toolbox y abrimos
bidimensional de nuestras clases trabajadas con la carpeta Supervised Clasification y se apertura una lista
anterioridad, aquí es donde debes considerar que una de algoritmos de clasificación y seleccionamos Máximum
clase no se debe confundir con otra. Likelihood clasification, luego de que abra la respectiva
ventana seleccionamos nuestra imagen con valores de
Posteriormente corresponde generar un Reporte de reflectancia y presionamos OK. (Ver Figura V.)
Separabilidad Espectral, para ello debemos ingresar A continuación se abre una ventana en donde
dentro de la caja de herramientas Roi Tools en opciones y seleccionamos nuestros ROIs de Train. (Ver Imaven V)
luego ir a Compute ROI Separability, y generar un reporte
de Separabilidad, donde podemos identificar cuales clases Figura V
son más separables que otras, el resultado muestra la
separabilidad de cada par de clases con valores que van de
0 a 2. Los valores mayores a 1.9 indican que hay una
buena separabilidad entre clases. Cuando los valores son
menores a 1 y 1.9 es necesario revisar las muestras que
indican este valor bajo para reubicar las muestras,
definirlas o simplemente eliminarlas. (Ver Cuadro V)
Cuadro V
Imagen VI
Figura VI. Seleccionamos los ROIs de Train, direccionamos y presionamos OK coberturas a través del algoritmo de Maximun Likelihood
RESULTADOS E INTERPRETACION Clasification. Posteriormente a la aplicación del algoritmo
se obtiene una clasificación, acto seguido generamos un
Para el uso del método de clasificación supervisada se
reporte de Matriz de Confusion (Ver Imagen 7), donde se
requiere de cierto grado de conocimiento de la zona, ya
utilizó los ROIs de Train y de ROIs de Test, para analizar la
que antes de generar una clasificación, se generan
bondad del clasificador.
Plano 1
Plano 2
Plano 3
Plano 4
Imagen VII G i es el número total de valores de verdad que
pertenecen a la clase i.
Cuadro V
Fuerza de
Coeficiente de Kappa (k)
Concordancia
0.0 Pobre
0.01 - 0.20 Leve
0.20 - 0.40 Aceptable
0.41 - 0.60 Moderado
0.61 - 0.80 Considerable
0.80 - 1.00 Casi Perfecta
Fuente: Landis – Koch, 1977
Precisión general
La precisión general se calcula sumando el número de
Imagen VII. Reporte de Matriz de Confusion
valores clasificados correctamente y dividiendo por el
En esta matriz de confusion, las columnas representan a número total de valores. Interpretado en porcentaje
los ROIs de Test y las filas a los ROIs de Train, que nuestra clasificación tiene una precisión del 100 %.
representan las predicciones del clasificador. La matriz es
Valores clasificados correctamente:
cuadrada, con todas las clasificaciones correctas a lo largo
de la diagonal superior izquierda a inferior derecha. Vale 215+149+404+58=826
decir que la matriz compara como definió las clases el
usuario (en las columnas) y como las encontró el Número total de valores: 854
clasificador (en las filas), así, en la diagonal de la matriz se Precisión general: 826/854=0.9672
encuentran los aciertos, ósea aquellos pixeles que tanto el
clasificador como el usuario ubicaron en la misma clase. Porcentaje: 96.72%
RECOMENDACIONES
Es recomendable tener a disposición de forma
sistematizada imágenes de satélite de gran capacidad de
colecta y alta temporalidad, que permitan su
manipulación de forma inmediata, de tal manera se pueda
contar con insumos adecuados, oportunos y precisos para
un analisis de monitoreo multitemporal.
BIBLIOGRAFIA
MMAyA. (2013). Memoria Técnica Mapa de Bosque 2013:
Clasificación por tipo de Bosque. Editorial Suri Ichapu.
Bolivia.
Nieuwenhuis y Mucher, (1998). Separabilidad de Cultivos
Agricolas con Imágenes Landsat TM. TECNO CIENCIA –
Chihuahua – México.