PROPUESTA METOLOGICA DE CLASIFICACION DE
IMÁGENES LANDSAT CON TEMATICA DE DESMONTE
DENTRO DE LA CUENCA “EL GRINGO”
ELAB. ING. CHRISTIAN GUEVARA VARGAS
christian.chuchoo@hotmail.com
INTRODUCCION
Los sistemas información geográfica (SIG), las tecnologías
de información geográfica y precepción remota o
Teledetección, son herramientas fundamentales para
evaluar el uso de la cobertura del suelo, cambios en la
cobertura forestal, etc. A este respecto, los sensores
remotos ofrecen técnicas metodológicas que pueden ser
útiles debido a su análisis sinóptico, dada su alta
información espacial y sus mediciones frecuentes de una
parcela en el campo (Nieuwenhuis y Mucher, 1998).
Se ha considerado realizar esta presente investigación a
nivel de cuenca, centrando mi atención en como el
hombre, las familias y comunidades se han venido
comportando al interior de la misma, en los periodos
1996-2001-2005-2010, observando los resultados surgen
cuestionantes como: ¿porque hacen lo que hacen?,
¿cuáles son sus necesidades?, que se puede hacer para
mejorar el ambiente o conservar los recursos naturales.
El enfoque de cuencas ha evolucionado hacia la gestión
conjunta, compartida y colaborativa entre los actores
locales (productores, grupos organizados, gobiernos
locales, empresa privada, organizaciones no
gubernamentales, instituciones nacionales, organismos
donantes y cooperantes). Todos ellos integran esfuerzos,
recursos, experiencias y conocimientos para desarrollar
procesos que impacten de manera favorable y sostenible
en el manejo de los recursos naturales y el ambiente en
las cuencas hidrográficas a corto, mediano y largo plazo
(Faustino 2005)
DEFINICIONES Y CONCEPTOS
Sistema de Información Geográfica (SIG).
Los Sistemas de Información Geográfica (SIG),
comprenden un conjunto de hadware y software
integrados que permiten introducir, almacenar, manipular
y presentar datos geográficos, pueden presentarse en
varios formatos textuales, cartográficos o numéricos,
además son susceptibles a ser integrados en un único
sistema.
Teledetección.
La teledetección o percepción remota se refiere a la
adquisición de datos de la superficie terrestre a través de
un sensor remoto, y al procesamiento e interpretación de
esos datos. Específicamente la teledetección es la
captación de las características físicas de la superficie
terrestre, basada en mediciones de radiación y reflejada y
emitida de cada componente de esa superficie.
Clasificación Supervisada.
Esta es realizada por un operador que define las
características espectrales de las clases, mediante la
identificación de áreas de muestreo (áreas de
entrenamiento), se requiere que el operador este
familiarizado con el área de interés.
Exactitud Temática.
Describe el grado de fidelidad de los valores de los
atributos asignados a los elementos en la base de datos
con respecto a su verdadera característica representadas
en el mundo real y la clasificación correcta de los objetos y
sus relaciones de acuerdo con las especificaciones del
producto.
Cuenca Hidrográfica.
Es el espacio de territorio delimitado por la línea divisoria
de las aguas, conformado por un sistema hídrico que
conducen sus aguas a un río principal, a un río muy
grande, a un lago o a un mar. Este es un ámbito
tridimensional que integra las interacciones entre la
cobertura sobre el terreno, las profundidades del suelo y
el entorno de la línea divisoria de las aguas
MATERIALES Y METODOS
Ubicación
Para el presente trabajo se ha seleccionado una unidad
hidrográfica (UH), de nivel 5, denominada cuenca “El
Gringo”, cuenta con una superficie de 36.589 Has, ubicada
al Norte, en el Municipio de Villa Montes de la provincia
Gran Chaco del departamento de Tarija (Ver imagen
abajo).
 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.

TRATAMIENTO DE IMÁGENES (PRE-

Fuente: Elaboración propia PROCESAMIENTO)
Hay que considerar que el uso de imágenes satelitales
Materiales
provenientes de sensores pasivos como ser el satélite
Se han utilizado imágenes Landsat, descargadas de
landsat (producto de la radiación solar), contienen ciertas
manera gratuita del servidor USGS – EartExplorer, de
perturbaciones por las condiciones atmosféricas, haciendo
preferencia imágenes con la menor cobertura de nubes,
necesaria la reducción de las mismas. Estos pre-
de los periodos 1996-2001-2005-2010.
procesamientos de imágenes satelitales son conocidos
Es importante que previo a cualquier proceso, el como calibración radiométrica y corrección atmosférica.
especialista tenga claridad si trabajará con toda la Para ello utilizaremos el software ENVI 5.3.1, tomando
extensión de la imagen, o en su defecto, con una sub- como ejemplo una imagen Landsat del 20/02/1996.
escena de ésta. En este caso utilizaremos una unidad
hidrográfica (UH), de nivel 5, denominada cuenca “El CALIBRACION RADIOMETRICA
Gringo”, Esto para delimitar en la escena nuestra área de Desde sus inicios, las imágenes landsat fueron distribuidas
estudio. con números digitales (ND), es decir valores entre 0-255.
Esta corrección fue originalmente necesaria para hacer
Herramientas posible su almacenamiento y distribución más eficiente.
Son estos datos que hay que transformar a valores de
 Arcgis 10.6 radiancia. Para ello utilizamos el software ENVI 5.3. Ver
 ENVI 5.3 FIGURA I de abajo
Metodología Imagen I
En el presente trabajo se expone una descripción
metodológica para corregir radiométrica y
atmosféricamente las imágenes Landsat, en la cual los
resultados apuntaran una clasificación confiable.
En su esencia la clasificación de imágenes satelitales,
consiste en un método estadístico por el cual, mediante
un muestreo de píxeles, se agruparán en categorías o
clases al resto de los píxeles de una imagen, que bien se
denominan Region of Interest (ROIs), por sus siglas en
ingles. Hoy en día existen varios métodos de clasificación
de imágenes satelitales, en la presente propuesta me
abocare al método supervisado, con el respectivo A B
tratamiento de imágenes (Radiométrica y Atmosférica).
Para en lo posterior conocer el nivel de confiabilidad y Imagen I. Resultado de la calibración radiométrica a) Sin Calibrar b)
exactitud temática, a través de una matriz de confusión. El calibrada.
resultado, luego de que sean evaluados estos aspectos Al finalizar este proceso se obtiene una imagen con el
mencionados con anterioridad, será un mapa que cuente cambio de valores de Números Digitales (ND), a valores de
con medidas de calidad de información geográfica. radiancia. En la cual se observa notablemente los cambios
en la imagen.
 Cuadro I tiene sobre la imagen y la zona de estudio como se
NUMEROS DIGITALES LANDSAT 5 muestra en la Figura II-III.
BANDAS MINIMA MAXIMA MEDIA DESV. EST.
BAND 1 0 255 36.199925 23.430422
Imagen II
BAND 2 0 220 15.789812 10.511472
BAND 3 0 202 13.061016 9.756105
BAND 4 0 255 49.927340 34.719013
BAND 5 0 250 39.941308 27.553356
BAND 7 0 255 13.642480 10.752762
Cuadro I: Valores Estadísticos de la imagen Landsat 5, sin calibración
radiométrica, correspondiente a la cuenca “EL GRINGO”

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”

CORRECION ATMOSFERICA DETERMINACION Y ASIGNACION DE CLASES

A partir de los resultados obtenidos en valores de Las categorías asignadas en las zonas de entrenamiento
radiancia, se procede a realizar la corrección atmosférica, corresponden a las regiones de interés (ROI, por sus siglas
que es un proceso que se aplica a las imágenes, para en inglés), en este caso 5 representaciones de cada clase,
eliminar los efectos de aerosoles y la radiancia intrínseca tanto de Entrenamiento - Train, como de Validación –
que se introduce en el sensor y se ve reflejada en la Test. Para ello se consideró lo siguiente:
imagen.
CLASE DEFINICION
Es un complejo de Bosques Bajos, matorrales
Cuadro III BOSQUE DE LA espinosos, sabanas secas y tierras húmedas
REG.CHAQUEÑA ubicadas en la provincia Cordillera, parte de
REFLECTANCIA LANDSAT 5 Chiquitos y la Provincia Gran Chaco
BANDAS MINIMA MAXIMA MEDIA DESV. EST.
Bosque semihumedo montañoso, comprende
BAND 1 -862 5744 20.206633 81.123673 desde el norte de argentina hasta los
BOSQUE TUCUMANO
BAND 2 departamentos de Santa cruz, Chuquisaca y
-110 2681 285.774004 116.612595
Tarija
BAND 3 -469 6988 228.818373 161.764139 Son las Aguas continentales, incluyen
BAND 4 RIOS, QUEBRADAS
-122 10045 2922.833446 364.769876 generalmente los ríos principales, quebradas,
(CUERPOS DE AGUA)
Lagos y lagunas
BAND 5 -67 6788 1442.251433 190.447746 La deforestación es un proceso provocado
BAND 7 -28 7608 599.016408 181.627252 generalmente por la acción humana, forestal
Cuadro III: Valores Estadísticos de la imagen Landsat 5, con corrección DEFORESTACION y/o arbórea de un área determinada,
atmosférica, correspondiente a la cuenca “EL GRINGO” principalmente debido a las talas, quemas y/o
chaqueos.
SELECCIÓN DE REGIONES DE INTERES – REGION OF Fuente: Memoria Técnica Mapa de Bosque 2013 – MMAyA

INTEREST (ROIs) ANALISIS DE LA SEPARABILIDAD ESPECTRAL

Una vez que la imagen se encuentra corregida
(radiométrica y atmosférica), se realiza la determinación
de las áreas de entrenamiento para la clasificación. Esta
fase consiste en seleccionar muestras representativas de
entrenamiento (ROIs Train) y de validación (ROIs Test), del
área de estudio, basándose en el conocimiento que se
Durante la generación de los ROIs, es fundamental realizar
una evaluación estadística mediante análisis de
separabilidad, que permite evaluar la separabilidad
espectral entra las diferentes regiones de interés – ROIs,
mediante la opción Scatter Plot. Ver Imagen IV
 Figura IV. Reporte de Separabilidad Espectral

SELECCIÓN DEL ALGORITMO DE CLASIFICACION

Luego de haber realizado el análisis de la separabilidad
espectral y de verificar que no existe similitud entre
ninguna de las clases, se procede a seleccionar el
algoritmo de clasificación. Para el presente trabajo de
estudio se optó por el clasificador Máximum Likelihood,
esta supone que las estadísticas de cada clase, en cada
banda, tienen una distribución normal y se calcula la
probabilidad de que un píxel pertenece a una clase
específica.

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 V. Selección del Algoritmo de clasificación Máximum Likelihood

clasification

Imagen VI
Figura VI. Seleccionamos los ROIs de Train, direccionamos y presionamos OK
RESULTADOS E INTERPRETACION
Para el uso del método de clasificación supervisada se
requiere de cierto grado de conocimiento de la zona, ya
que antes de generar una clasificación, se generan
coberturas a través del algoritmo de Maximun Likelihood
Clasification. Posteriormente a la aplicación del algoritmo
se obtiene una clasificación, acto seguido generamos un
reporte de Matriz de Confusion (Ver Imagen 7), donde se
utilizó los ROIs de Train y de ROIs de Test, para analizar la
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

En esta matriz el Coeficiente de Kappa es de 0.9503.

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%

Coeficiente de kappa Errores de Comisión

El coeficiente de kappa, mide el acuerdo entre la
clasificación y los ROIs de Test. Un Valor de 1 representa
un acuerdo perfecto, mientras que un valor de 0 no
representa un acuerdo (Ver Cuadro V). El coeficiente de
kappa se calcula de la siguiente manera:
Dónde:
 yo es el número de clase
 N es el número total de valores clasificados en
comparación con los valores de verdad.
 m i, i es el número de valores pertenecientes a la
clase de verdad i que también se han clasificado
como clase i (es decir, valores encontrados a lo
largo de la diagonal de la matriz de confusión).
 C i es el número total de valores pronosticados
que pertenecen a la clase i.
Los errores de comisión representan la fracción de valores
que se predijo que estaban en una clase pero que no
pertenecen a esa clase. Son una medida de falsos
positivos. Los errores de comisión se muestran en las filas
de la matriz de confusión, excepto los valores a lo largo de
la diagonal.
Desmonte Train: (0+0+0)/215=0
Cuerpos de agua: (0+0+0)/149=0
Bosque Bajo Train: (0+0+0)/404=0
Bosque Alto Train: (0+0+28)/86=0.3255
Errores de Omisión
Los errores de omisión representan la fracción de valores
que pertenecen a una clase pero que se pronostica que
pertenecen a una clase diferente. Son una medida de
falsos negativos. Los errores de omisión se muestran en
las columnas de la matriz de confusión, excepto los
valores a lo largo de la diagonal principal.
En la matriz de confusión de ejemplo, los errores de USO ACTUAL 1996
omisión se calculan de la siguiente manera: DESCRIPCION SUP %
BOSQUE 35414.20 96.79
Desmonte Train: (0+0+0)/215=0
DESMONTE 745.12 2.04
Cuerpos de agua: (0+0+0)/149=0 CUERPOS DE AGUA 430.18 1.18
TOTAL 36589.49 100
Bosque Bajo Train: (0+0+28)/432=0.0648 Fuente: Elaboración propia

Bosque Alto Train: (0+0+0)/58=0 USO ACTUAL 2001

Exactitud del Productor DESCRIPCION SUP %
La precisión del productor es la probabilidad de que un BOSQUE 35049.50 95.80
valor en una clase dada se clasifique correctamente. En la DESMONTE 1524.76 4.17
matriz de confusión de ejemplo, la precisión del productor CUERPOS DE AGUA 11.49 0.03
se calcula de la siguiente manera: TOTAL 36585.75 100
Fuente: Elaboración propia
Desmonte Train: 215/215=0
USO ACTUAL 2005
Cuerpos de agua: 149/149=0 DESCRIPCION SUP %
BOSQUE 34689.00 94.81
Bosque Bajo Train: 404/432=0.9351
DESMONTE 1805.55 4.93
Bosque Alto Train: 58/58=0 CUERPOS DE AGUA 95.07 0.26
TOTAL 36589.62 100
Exactitud del Usuario Fuente: Elaboración propia
La precisión del usuario es la probabilidad de que un valor
predicho para estar en una determinada clase realmente USO ACTUAL 2010
sea esa clase. La probabilidad se basa en la fracción de DESCRIPCION SUP % 
valores pronosticados correctamente para el número total BOSQUE 32987.30 90.16
de valores predichos para estar en una clase. La precisión DESMONTE 3600.37 9.84
del usuario se calcula de la siguiente manera: CUERPOS DE AGUA 1.85 0.01
TOTAL 36589.52 100
Desmonte Train: 215/215=0 Fuente: Elaboración propia

Cuerpos de agua: 149/149=0 TASA DE DEFORESTACION

Bosque Bajo Train: 404/404=0 TIEMPO INICIAL 1996 año
TIEMPO FINAL 2010 año
Bosque Alto Train: 58/86=0.6744
TIEMPO DE ANALISIS 14 año
TASA DE
Posterior al análisis interpretación de la DEFORESTACION 257.17 has/año
matriz de confusión, dentro del software SUP. DE BOSQUE 32987.30 has
Fuente: Elaboración propia
ENVI 5.3.1, procedemos a exportar en
formato tiff, para su respectiva elaboración CONCLUSIONES
del plano y establecimiento de superficies en
el software ArcGis 10.6. Los índices obtenidos en un momento dado, nos dan un
diagnóstico de aquellos errores cometidos, con
anterioridad, y podemos de esta manera mejorar y hacer
más eficiente cada día nuestro trabajo. En este sentido
DESCRIPCION DE SUPERFICIES EN HECTAREAS DE hemos podido establecer una exactitud temática en
PERIODOS 1996-2001-2005 y 2010 nuestro mapa, estableciendo un grado de fidelidad a
nuestros valores de un 96.72 % de calidad y confianza.
Se calculó el coeficiente kappa (k), vale decir la precisión
de nuestro mapa (k=0.9503). Las clases asignadas para el
presente trabajo se reflejaron y se analizaron en una
matriz de confusión, obteniendo errores de comisión,
omisión, exactitud del productor, y usuario bastante bajos
y una precisión general bastante elevada.
Se ha logrado elaborar un Mapa confiable con Temática de
Deforestación dentro de la Cuenca “El Gringo” en los
periodos 1996-2001-2005 y 2010, en el municipio de villa
Montes.

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.

J. Richard Landis y Gary G. Koch (1977), Una aplicación de

Estadísticas Jerárquicas de tipo Kappa en la Evaluación del
acuerdo de mayoría entre observadores múltiples, Vol. 33,
págs. 363-374.

Muller R. Pacheco P y Montero JC. (2014). El contexto de

la deforestación y degradación de los bosques en Bolivia:
Causas, actores e instituciones. Documentos Ocasionales
100. Bogor, Indonesia: CIFOR.

“Ninguna clasificación está completa hasta que

su exactitud sea evaluada”
(Brand y Mather, 2009)