Académique Documents
Professionnel Documents
Culture Documents
II
Director (a):
Doctora Sc. Yolanda Rubiano Sanabria
Lnea de Investigacin:
Geoinformacin para el uso sustentable de los recursos naturales
TAS
Y HERMANOS,
por
"Verba volant,
scripta manent"
Agradecimientos
Al Ministerio de Agricultura y Desarrollo Rural por la financiacin de la tesis en el marco del
proyecto Lnea base de indicadores de calidad del suelo para determinar el efecto de las
variaciones climticas en los sistemas agrcolas del piedemonte llanero.
Ejecutado
VI
VII
Resumen
En la investigacin se presenta una metodologa que emplea los principios de la Clasificacin
Orientada a Objetos, con el propsito de determinar, cuantificar y visualizar, las coberturas y
usos de la tierra para mapear el cambio ocurrido en un lapso de 17 aos, en el piedemonte
depositacional del municipio de Villavicencio en el departamento del Meta. La metodologa
se aplic para las imgenes del sensor Landsat, para los aos 1986 y 2003. El programa a
utilizar fue ENVI versin 4.6, con el mdulo de ENVI ZOOM. Con la clasificacin utilizada
fue posible delimitar las reas de tres coberturas: bosques (9.304, 5 ha 1986 y 2.083,8 ha
2003), bosques de galera (3.581,5 ha 1986 y 2.597 ha 2003) y palma africana (110, 39 1986 y 218,88 2003), con el cambio de uso (bosques: -77.6% y bosques de galera en -27,5
%), a partir de una imagen satelital con resolucin espacial media. Los resultados de la
validacin de la clasificacin en la imagen del ao 2003, indicaron que fueron aceptables
(Coeficiente Kappa = 0.365). De acuerdo a los resultados de la investigacin, la clasificacin
orientada a objetos, puede ser una alternativa eficiente y precisa a implementar para clasificar
imgenes de sensores, cuando se requiere delimitar una cobertura especfica.
Palabras clave:
VIII
Abstract
The research presents a methodology that employs the principles of "Object-Oriented Classification," with
the purpose of identify, quantify and visualize the covers and land uses for mapping the change in a period of
17 years, in the piedmont with depositacional environments of the municipality of Villavicencio in the
department of Meta. The methodology was applied to Landsat images from 1986 and 2003. The software
used was ENVI version 4.6, with the module ENVI ZOOM. With the classification was possible to
delimit three cover: forests (9304, 5 ha - 1986 and 2083.8 ha - 2003), gallery forests (3581.5 ha - 1986
and 2597 ha - 2003) and palm (110,4 - 1.986 and 218.9 ha 2.003) with the change of use (forests: 77.6% and gallery forests in -27.5%), from a satellite image with medium spatial resolution. The results of
the validation of image classification from 2003, indicated that was acceptable (Kappa coefficient = 0.365).
According to the results of research, object-oriented classification can be an efficient and accurate
implementation of sensors to classify images, when required to delineate a specific coverage.
Keywords:
Object-oriented classification, cover land, changes of use, ENVI Zoom, forests, gallery
forests.
Contenido
IX
Contenido
Pg.
Resumen ................................................................................................................................... VII
Abstract................................................................................................................................... VIII
Lista de figuras .......................................................................................................................... XI
Lista de tablas......................................................................................................................... XIII
Introduccin ............................................................................................................................... 15
1.
Marco Terico..................................................................................................................... 19
1.1
Los sensores remotos en los mapas de cobertura de la tierra ........................... 19
1.1.1 La escala en los sistemas de informacin geogrfica .................................... 20
1.2
Cobertura y uso de la tierra ............................................................................... 22
1.2.1 Aspectos generales ....................................................................................... 22
1.2.2 Determinacin de las coberturas de la tierra .................................................. 23
1.3
Mtodos de clasificacin de imgenes .............................................................. 24
1.3.1 Clasificacin basada en el pxel ..................................................................... 24
1.3.2 Clasificacin basada en el subpxel ............................................................... 27
1.3.3 Clasificadores contextuales ........................................................................... 27
1.3.4 Clasificadores basados por campo ................................................................ 27
1.4
Clasificacin Orientada a Objetos ..................................................................... 28
1.4.1 Fraccionamiento o segmentacin .................................................................. 31
1.4.2 Combinacin de fragmentos .......................................................................... 31
1.4.3 Filtracin de segmentos ................................................................................. 32
1.4.4 Seleccin de atributos.................................................................................... 32
1.5
Validacin de la clasificacin de imgenes ........................................................ 34
1.5.1 Matriz de confusin........................................................................................ 35
1.5.2 Coeficiente de Validacin Kappa ................................................................... 36
2.
Objetivos ............................................................................................................................. 37
2.1
Objetivo General ............................................................................................... 37
2.2
Objetivos Especficos ........................................................................................ 37
3.
X
3.5
Suelos................................................................................................................42
4.
Metodologa ........................................................................................................................45
4.1
Imgenes satelitales y fotografas areas ..........................................................47
4.2
Clasificacin de Imgenes .................................................................................48
4.3
Reglas de clasificacin en ENVI ZOOM .............................................................49
4.4
Validacin de la clasificacin .............................................................................49
4.5
Mapa de cambio de uso de la tierra ...................................................................50
5.
Resultados y discusiones..................................................................................................... 51
5.1
Metodologa de clasificacin de imgenes de sensores remotos, para determinar
la cobertura y uso del suelo y los cambios ...................................................................51
5.1.1 Segmentacin de la imagen ...........................................................................53
5.1.2 Seleccin de las coberturas............................................................................58
5.1.3 Seleccin de la muestra .................................................................................64
5.1.4 Asignacin de reglas para la clasificacin de objetos .....................................70
5.2
Validacin de la Clasificacin .............................................................................72
5.3
Cambio de uso de las coberturas del suelo........................................................74
6.
Conclusiones .......................................................................................................................79
Bibliografa ................................................................................................................................. 81
Lista de Anexos ........................................................................................................................... 91
Contenido
XI
Lista de figuras
Figura 1-1:
Figura 1-2:
Figura 3-1:
Figura 3-2:
Figura 4-1:
Figura 4-2:
Figura 4-3:
Figura 4-4:
Figura 5-1:
Figura 5-2:
Figura 5-3:
Figura 5-4:
Figura 5-5:
Figura 5-6:
Figura 5-7:
Figura 5-8:
Figura 5-9:
Figura 5-10:
Figura 5-11:
Figura 5-12:
Figura 5-13:
Figura 5-14:
Figura 5-15:
Figura 5-16:
Figura 5-17:
Pg.
Rangos del espectro electromagntico utilizadas para la discriminacin de objetos en
percepcin remota .................................................................................................................... 20
Diagrama general para la clasificacin de imgenes orientada objetos ............................ 30
Localizacin geogrfica del rea de estudio (coordenadas planas: Datum Magna-Sirgas,
origen Este; coordenadas geogrficas: WGS84) .................................................................. 39
Unidades de suelos del piedemonte depositacional (IGAC, 2005) ................................... 43
Metodologa general para el desarrollo de la investigacin ................................................ 45
Distribucin de reas de escenas de imgenes del sensor Landsat (izquierdo);
localizacin de ortofotomosaico en la zona de estudio (derecha)..................................... 47
Distribucin de fotografas areas para el ortofotomosaico de la zona de estudio ........ 48
Procedimiento global para la deteccin de cambios en las coberturas de la tierra ......... 50
Metodologa para la determinacin de coberturas y uso de la tierra y su cambio
aplicando la clasificacin orientada a objetos. ...................................................................... 52
Procedimiento metodolgico para seleccin de variables de la clasificacin orientada a
objetos (COO)........................................................................................................................... 53
Captura de pantalla de ENVI ZOOM para visualizar la zona de inspeccin
seleccionada ............................................................................................................................... 54
Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 20 ......... 55
Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 40
(izquierda), y rango de 60 (derecha) ....................................................................................... 55
Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 40 ............. 56
Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 50 ............. 57
Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 80 ............. 57
Capturas de pantalla de ENVI ZOOM para combinacin de fragmento 95 ................. 58
Delimitacin de cobertura y uso de la zona de estudio (parte superior) y escenas
detalladas del piedemonte depositacional.(parate inferior) ................................................ 59
Estadsticas a nivel general de la interpretacin a partir del ortofotomosaico ................ 59
Estadsticas de las coberturas de Territorios Artificializados ........................................ 60
Estadsticas de las coberturas de Territorios Agrcolas .................................................. 61
Estadsticas de las coberturas de los Bosques y reas Naturales .................................. 62
Ejemplo de Coberturas delimitadas con aspectos socioeconmicos ............................... 63
Estadsticas generalizadas, incluyendo las coberturas seleccionadas palma, bosque y
bosque de galera para la clasificacin orientada a objetos. ................................................ 63
Polgonos utilizados para seleccionar los valores de las variables espectrales y espaciales
de la clasificacin orientada a objetos. ................................................................................... 65
XII
Figura 5-18:
Figura 5-19:
Figura 5-20:
Figura 5-21:
Figura 5-22:
Figura 5-23:
Figura 5-24:
Figura 5-25:
Contenido
XIII
Lista de tablas
Tabla 1-1:
Tabla 1-2:
Tabla 1-3:
Tabla 1-4:
Tabla 1-5:
Tabla 1-6:
Tabla 3-1:
Tabla 3-2:
Tabla 4-1:
Tabla 4-2:
Tabla 5-1:
Tabla 5-2:
Tabla 5-3:
Tabla 5-4:
Tabla 5-5:
Pg.
Resolucin de algunos sensores remotos (WULDER et al., 2008) ............................. 22
Algunos mtodos de clasificacin supervisada de imgenes en la dcada 2000-2010. .... 25
Algunos mtodos de clasificacin no supervisada de imgenes en la dcada 2000-2010. 25
Atributos espaciales que definen un objeto para el programa ENVI ......................... 33
Tipos de exactitud para la validacin de clasificacin de imgenes ............................ 35
Categora de concordancias de validacin para el coeficiente Kappa (CERDA &
VILLARROEL , 2008) ..................................................................................... 36
Especies gramneas, arbustivas y arbreas reportados para la zona de estudio ............. 41
Descripcin de las unidades de suelos del piedemonte depositacional (IGAC, 2005) ... 43
Informacin recopilada del rea de estudio ........................................................... 46
Parmetros de imgenes del sensor Landsat, tomados del Servicio de Geologa de
Estados Unidos ............................................................................................... 48
Variables y valores que definieron la clasificacin de los objetos ............................... 71
Matriz de confusin de las clasificaciones de las imgenes ....................................... 72
Exactitud de usuario y de productor segn la matriz de confusin ............................ 72
Matriz de confusin de las clasificaciones de las imgenes ....................................... 74
Porcentaje de cambio de las coberturas en estudio ................................................. 75
Introduccin
La deteccin de los cambios que ocurren a travs del tiempo en la superficie terrestre
(coberturas, suelos, clima, uso de la tierra, entre otras), ha sido uno de los procesos espaciales
que ms le ha interesado al hombre cuantificar. En trminos generales, es definida por
SINGH (1989), como: el proceso que identifica las diferencias en el estado de un objeto o
fenmeno por medio de la observacin a diferentes escalas temporales, siendo un factor
indispensable para la supervisin y manejo de los recursos naturales. (SANTANA et al., 2010;
GAMANYA et al., 2009), ya que permite cuantificar su distribucin espacial.
Se han desarrollado mltiples aplicaciones que buscan detectar los cambios de uso en
coberturas del suelo (SANTANA et al., 2010), apoyadas en la clasificacin de productos
provenientes de sensores remotos, que regularmente, utilizan la agrupacin de pxeles1, a
partir de parmetros estadsticos y que ignoran las relaciones y caractersticas espaciales que
puede contener dicho grupo. Esto conlleva a la subutilizacin de la informacin de las
imgenes de satlite, al no considerar el anlisis de vecindad, la escala, la funcionalidad y las
caractersticas propias que definen un objeto en el espacio (BLASCHKE, 2004).
GAMANYA et al., (2009), reportan el desarrollo y aplicacin de diversos algoritmos para la
clasificacin de coberturas con sensores remotos, valindose de los valores espectrales que
representa un pxel y agrupados en dos tipos de clasificacin Supervisada y No Supervisada
(SANTOS, 2007).
Pxel, del ingls pixel, es la superficie homognea ms pequea de las que se compone una imagen, definido por
brillo y color. Diccionario de la Real Academia Espaola, Vigsima segunda edicin.
1
16
La clasificacin orientada a objetos, conocida como OBIA Object Based Imagen Analysis o
GEOBIA Geospatial Object Based Image Analysis (BLASCHKE, 2010), es un mejorado y
reciente sistema de clasificacin de imgenes satelitales que se fundamenta en el uso de
parmetros o variables de entrada, como informacin adicional al valor espectral que
representa un objeto (SANTOS, 2007). Los elementos que se estudian dentro de la
clasificacin, no son analizados exclusivamente por su componente espectral, tambin toman
en consideracin los factores geomtricos de forma que definen un objeto, de tal modo, que
se aumentan los criterios de bsqueda y clasificacin de una cobertura terrestre en particular,
con opciones adicionales que
Introduccin
17
urbansticas. Para la zona rural, particularmente para el rea del piedemonte depositacional no
se reportan estudios de dinmica de cambios en el uso de la tierra. Tampoco, se encuentran
reportes del uso de la metodologa de clasificacin de imgenes orientada a objetos para algn
lugar del pas utilizando el programa ENVI.
En razn a lo expuesto, el objetivo general de esta investigacin fue desarrollar una
metodologa de clasificacin de imgenes de sensores remotos, para determinar la cobertura y
uso del suelo y los cambios temporales ocurridos en la misma, en el piedemonte
depositacional del municipio de Villavicencio.
18
1. Marco Terico
1.1 Los sensores remotos en los mapas de cobertura de
la tierra
El origen de la percepcin remota es muy discutido a nivel mundial, pero se condiciona a
nivel general con el surgimiento de los sensores fotogrficos; NOVO (2002) lo define
textualmente como: la tecnologa que permite la adquisicin de informacin de objetos, sin
tener un contacto fsico con ellos.
En el estudio de la cobertura vegetal y el uso de la tierra, los sensores remotos juegan un papel
importante en trminos de la adquisicin de datos, por la capacidad que ofrecen para entregar
informacin multitemporal, determinada por la frecuencia de toma de datos, que posibilita la
cuantificacin y el seguimiento de los cambios que ocurren en las coberturas objeto de estudio
(ETTER et al., 2006; CASTILLA, 2003; ALMEIDA-FILHO & SHIMABUKURO, 2002). Y,
en el anlisis de la informacin a travs del anlisis de la respuestas espectral de los objetos
(Figura 1-1), siendo posible discriminar elementos que, en el pasado, no podan ser detectados
por el ojo humano (NOVO, 2002).
20
Figura 1-1:
21
del objeto con la jerarquizacin de las escalas, denominando pequeas, a aquellas en las cuales
los objetos son representados de manera general o exploratoria y grandes a aquellas en donde
los objetos son representados en alto detalle.
Debido a los avances tecnolgicos y a la introduccin de los Sistemas de Informacin
Geogrficas SIG, para el manejo de la informacin espacial, es necesario definir la escala,
como punto de partida para el anlisis en una investigacin. Es comn, referirse a las escalas
numricas enteras en los mapas anlogos, fotografas e impresiones, para facilitar la
conversin de medidas respecto al terreno real; en tanto que los sistemas indican la escala
digital y las conversiones son automticamente suministradas por l. Los SIG, involucran un
trmino reciente denominado: multi-escala, que hace referencia a la interaccin de
diferentes escalas, en un entorno digital y sistematizado (BEHNRENS et al., 2010;
BLASCHKE & HAY, 2001).
En el contexto de la imgenes de sensores remotos, la multi-escala soporta dos conceptos:
resolucin espacial y extensin espacial, utilizados para los SIG y telemtica (GOODCHILD,
2001).
La resolucin espacial, se refiere al tamao mximo de un objeto capturado por un sensor,
almacenado en un pxel. WENG (2009), lo define textualmente como: la resolucin espacial
es una medida de la mnima distancia entre dos objetos, que pueden ser diferenciados, uno del
otro, en una imagen en funcin de la altitud del sensor, tamao del detector, tamao focal y la
configuracin del sistema.
En sntesis la resolucin espacial define el nivel de detalle espacial de un objeto respecto a la
superficie de la tierra (WENG, 2009). A mayor nmero de pxeles en un rea determinada,
mayor es el detalle de los objetos a distinguir. Este concepto es nico para cada sensor
remoto, y de ello depende en gran parte el tamao de la informacin obtenida y el costo de
adquisicin de la imagen satelital. La extensin espacial, representa la cantidad de informacin
del proyecto a trabajar, en una unidad de medida de rea determinada (WENG, 2009), el cual
tambin depende de cada sensor remoto.
La resolucin espacial y temporal, se distinguen en tres rangos: alta, media y baja resolucin,
independiente del tipo de sensor (WULDER et al., 2008), Tabla 1-1.
22
Baja Resolucin
(>100 m)
Sensor
NOAA 17
(AVHRR)
SPOT 4 (VGT)
Terra (MODIS)
Extensin espacial
mxima por toma del
sensor (km2)
2940
2250
2330
Landsat -5 (TM)
185
Landsat -7 (ETM+) 185
Media Resolucin
(10 -100 m)
Alta Resolucin
(<10 m)
1100
1000
500
SPOT 2 (HRV)
SPOT 4 (HRVIR)
SPOT 5 (HRG)
IRS (ResourceSat-1)
Terra (ASTER)
CBERS-1 and -2
EO-1 (Hyperion)
60
60
60
141
60
120
37
30
30 (MS/SWIR);
15 (pan)
20 (MS); 10 (pan)
20
10 (MS); 20 (SWIR)
23,5
15
20
30
Orbview-S
QuickBird-2
IKONOS
8
16.5
13.8
4 (MS); 1 (pan)
2.44 (MS); 0.6 (pan)
4 (MS); 1 (pan)
La
enfoca la
investigacin.
La cobertura terrestre se reconoce mediante dos trminos: cobertura y uso de la tierra. El
primero, hace referencia a los aspectos presentes de la superficie de la tierra, independiente de
23
24
Tabla 1-2:
Tabla 1-3:
25
Redes neuronales
Vecino ms cercano
Clasifcador Malhanobis
Mxima vecindad
Mxima distancia
ngulo del coseno
Clasificador espectral y espacial
Clasificacin Supervisada
26
Clasificacin no supervisada
27
28
29
JACQUIN et al., 2008; MALLINIS et al., 2008; SHATTRI et al., 2008; XIE et al., 2008;
CLEVE et al., 2007; LANG et al., 2008; LALIBERTE et al., 2007; LU & WENG, 2007,
SANTOS, 2007; DESCLE et al., 2006; BOCK et al., 2005; VAN et al., 2007; LALIBERTE et
al., 2004; YANG et al., 2003; HAY et al., 1996).
(SANTOS, 2007) afirma que los avances tecnolgicos de la geomtica conllevan aumentos en
la complejidad de anlisis de la informacin espacial y hacen que los procesos de
sistematizacin y manejo de imgenes de sensores remotos con los SIG sean cada da ms
sofisticados y costosos. Las investigaciones de clasificacin orientada a objetos, utilizan los
programas, Ecognition, IDRISI y ENVI, con mdulos adicionales que proveen algoritmos para
tal fin. (WENG, 2009). Es importante mencionar que en el 97% de los artculos revisados, el
programa ms utilizado es el Econigtion, que ha desarrollado un paquete de algoritmos
completo y verstil que lo ponen a la vanguardia en el anlisis del clasificador para tal fin.
En Colombia a la fecha, no se encontraron reportes publicados sobre la utilizacin de ste
clasificador con del programa ENVI. COSTA et al., (2009) y WENG (2009), mencionan una
clasificacin similar, pero ellos utilizan herramientas adicionales al ENVI, como RuleGen, en
el cual utilizan algoritmos estadsticos para determinar y optimizar las variables y componentes
principales que afectan la clasificacin.
BLASCHKE (2010) considera sta clasificacin semiautomtica, y la divide en dos fases:
Encontrar objetos y clasificar los objetos, teniendo como punto de partida una imagen
(Figura 3-2).
La primera, constituye la identificacin de los objetos presentes en la imagen, sin tener
definido uno en particular, realiza una distincin detallada de agrupaciones de pxeles
adyacentes, similar a una clasificacin no supervisada, donde el investigador define el tamao
de la agregacin.
Usando el programa ENVI, mdulo ENVI ZOOM, la primera fase se subdivide en cuatro
pasos (WENG ,2009; SILVAN, 2007): Fraccionamiento; combinacin de fragmentos; filtro
de segmentos y seleccin de atributos (Figura 1-2), descritos en el acpite siguiente.
30
Figura 1-2:
Fraccionamiento
No
Si
Encontrar Objetos
Combinacin de
Fragmentos
No
Si
Filtro de
Segmentos
No
Si
Clasificacin de Objetos
Seleccin de
Atributos
Clasificacin
basada en los
objetos
No
No
Si
Generacin de
Objetos
No
Si
Reportes y
Estadsticas
CLASIFICACIN
ORIENTADA A
OBJETOS
Datos
Procesamiento
Condicional
Resultados
La segunda parte, consiste en definir el conjunto de reglas para el objeto a clasificar (similar
a la clasificacin supervisada) estableciendo variables de la clasificacin, como: los atributos
espectrales, los atributos geomtricos y de vecindad que contiene un objeto en particular,
representados a travs de la informacin de una imagen.
31
32
Donde Oi y Oj, son agrupaciones o regiones de la imagen, ui y uj, son los promedios de los
valores de la regin correspondiente, //ui - uj// es la distancia euclidiana entre los valores
espectrales de la regin i y j. y ((Oi,Oj)).
El algoritmo selecciona todas las regiones de pares de vecindades que tienen un tij pequeo,
agrupndolos en una nueva regin, as mismo realiza esta operacin tantas veces sea necesario
dependiendo del rango seleccionado.
Tabla 1-4:
33
Espaciales
Descripcin
Frmulas
Un extensin determinada
Longitud
Compacidad
Convexidad
Solidez
Redondez
Factor de forma
Elongacin
Forma Rectangular
Direccin Principal
Eje mayor
Eje menor
Numero de agujeros
Cuenta en
objeto
rea
34
Los atributos texturales corresponden a las variables que cuantifican estadsticas bsicas, que
determina la textura: rango, media, varianza, y entropa de una matriz de pxeles, que
representan el objeto, usadas para limitar una operacin a un subconjunto de pxeles de la
imagen.
El ejemplo ms comn, es aquel que permite diferenciar un rea de bosques con un rea de
pastos, debido a que el primero contiene un alto valor de textura, comparado con el segundo,
pero pueden tener un valor similar en la relacin de las bandas del infrarrojo. (AGERA et al.,
2008; KAYITAKIRE et al., 2006).
El atributo relacional, realiza la relacin de bandas como atributo para la clasificacin de un
objeto, teniendo en cuenta la siguiente relacin (Ecuacin 2.2):
Donde Bi y Bj, corresponde a cualquier banda de una imagen, es un valor cercano a cero,
para evitar la tendencia al infinito de una fraccin. Esta relacin se puede realizar para
cualquier par de bandas, de esta manera se convierte en un ndice diferencial de vegetacin
normalizado (NVDI), si selecciona la banda del rojo e infrarrojo cercano.
Una vez definidos los atributos para encontrar un objeto determinado, se pasa a la segunda
fase, la extraccin del o los objetos a estudiar, donde el sistema computa y ejecuta de acuerdo
al conjunto de variables, que se convierten en limites o restricciones, denominados reglas de
decisin.
35
Tabla 1-5:
Exactitud
Global (EG)
De Usuario
(EU)
De Productor
(EP)
Explicacin
Indica la exactitud del conjunto de las clases del mtodo a
evaluar.
, Xii: diagonal mayor de C, N: nmero total de
puntos de muestreo, r: nmero de filas de la matriz
Es la acertamiento de una clase en particular, respecto a toda la
clasificacin
, Xii: diagonal de dicha fila, Xi+: totales
marginales de la fila i
Es el acertamiento de una clase en particular, respecto a la
clasificacin a evaluar
, Xii: diagonal de dicha columna, X+i: totales
marginales de la columna i
Las medidas de exactitud mencionadas, solo se basan en resultados parciales de la matriz, por
lo tanto no aprovechan todos los datos en su totalidad, a su vez se toman resultados
aleatorios, que pueden llevar a interpretaciones sesgadas del mtodo. Para corregir los tipos
de exactitud, se utiliza el Coeficiente Kappa. (LI et al., 2009; SANTOS, 2007; DOU et al.,
2007)
36
(2.3)
Tabla 1-6:
Rango
Concordancia
0
Nula
0.01 - 0.02
Leve
0.21 - 0.40
Aceptable
0.41 - 0.60 Moderada
0.61 - 0.80 Considerable
0.81 - 1.00 Casi perfecta
2. Objetivos
38
40
donde se concentra la mayor cantidad de poblacin del departamento del Meta. (IGAC,
2005).
La geoforma dominante en la zona de estudio, corresponde al denominado piedemonte
depositacional, que se encuentra en la base de la cordillera oriental (200 a 700 msnm.),
resultante de la denudacin de materiales de arcillas y conglomerados, que generan superficies
planas e inclinadas con pendientes de 1 a 12%, y conforman una serie de tipos de relieve:
abanicos, terrazas, lomas y colinas (IGAC, 2005).
La actividad pecuaria es la actividad econmica ms frecuente, 68% del rea departamental,
con prcticas de ganadera extensiva (IGAC, 2005).
EL 75% de las tierras estn dedicadas a la explotacin agropecuaria, donde 6% es agrcola,
ocupa parte del piedemonte, valles aluviales y planicies, dada por la mejor oferta de suelo,
clima e infraestructura de la regin.
introducidos, cultivos transitorios de arroz, frjol y maz (IGAC, 2005) y permanentes como
palma africana, caucho y especies forestales de proteccin y produccin.
3.3 Clima
El departamento del Meta, y en general la Orinoqua, se encuentra dentro de la Zona de
Influencia de la Circulacin Atmosfrica Tropical, conformada por una franja de baja presin,
llamada Zona de Convergencia Intertropical que afecta el rgimen de lluvias, y define un
rgimen pluviomtrico monomodal, con periodo seco en los meses de diciembre a marzo y
lluvioso de abril a noviembre, con precipitaciones locales que varan entre 2000 a 2600 mm al
ao.
La temperatura aumenta de occidente a oriente, de las zonas ms altas a la altiplanicie, con
temperatura promedio anual varia de 24 a 27C, con mximas de entre 30.8 y 31.1C
coincidiendo los meses ms calientes con los ms secos (enero, febrero y marzo), y los ms
fros (con temperaturas mnimas entre 19,3C y 20,02C) los fros con los ms hmedos, la
humedad relativa oscilan entre el 60% y 90%. (IGAC, 2005).
41
3.4 Vegetacin
El IGAC (2005) estableci las siguientes formaciones vegetales para el departamento: pramo,
bosque andino, bosque subandino, bosque basal y sabana, siendo la ltima la que ocupa ms
extensin en el rea de estudio. Para sta ltima, IGAC-CORPOICA (1973) reportaba una
gran variedad de especies las cuales se mencionan en la Tabla 3-1.
Tabla 3-1:
Piedemonte
Pasto negro (Paspaloum plicatulum)
Paja peluda (Trachypogon vestitus)
Braquiaria (Brachiaria decumbes)
Yarumos (Cacropia spp)
Merey (Anacardium occidentale)
Nacedero (Trichanthera gigantes)
Bledo (Amaranthus)
Cortadera (Cyperus spp)
Marciega (Paspalum virgatom)
Dormidera (Mimosa sp)
Grama (Cynodon dactylon)
Guayabo sabanero (Psidium sp)
Tote (Dichromena ciliatum)
Escobas (Sida ssp)
Pega pega (Desmodium spp)
Cola de mula (Leptocorisphyum lanatum)
Guaratara (Axonopus purpus)
Rabo de zorro (Andropogon bicornis)
Bosque de Galera
Anime (Prottum s.p)
Dormiln (Caliandra surinensis)
Palma araco (Socratia durissima)
Palma cumare (Astrocarium chambira)
Palma moriche (Maurilia minor)
Chaparro sabanero (Curatella americana)
Punta de lanza (Visminia baccifera)
Platanillo (Heliconia biahi)
Tabln (Curatella americana)
Anturio (Anthurium amdreanum)
Naranjito (Capparis adorantissima)
Sauce (Saliz humboldtiana)
Marciega (Paspelum virgarum)
Guayacn (Bulnesia arbrea)
Carbonero (Calliandra angustidens)
Arrayn (Myrthus foliosa)
Yarumo (Cecropia spp.)
Palma cumare (Astrocaryum vulgare)
Palma moriche (Mauritia minor)
Palma maoco (Oenocarpus mapora)
Cenizo (Chenopodium paniculatum)
Cedrn (Simaba cedron)
Caa agria (Costus spp)
Ceiba (Ceiba pentandra)
Algarrobo (Hymenea courberil)
Durazno (Prumus prsica)
Pavito (Poinciana pulcherrima)
42
3.5 Suelos
Los contenidos pedolgicos guardan concordancia con la posicin del relieve que ocupan en
el piedemonte: terrazas, abanicos, lomas y colinas, siendo las terrazas altas y medias son los
tipos de relieve que ocupan una mayor extensin en el rea de estudio.
La topografa es plana con pendiente dominante entre 0 y 3%. Los suelos generalmente son
bien drenados y algunos sectores con drenaje imperfecto. La mayora de los suelos presentan
un horizonte superficial A de color pardo oscuro con un de espesor que oscila entre 20 y 29
cm. Son suelos altamente meteorizados y con profundidad efectiva variable de profunda a
muy profunda. En algunas reas los suelos no superan el metro; y en ellos se encuentran capas
de piedra y cascajo (base de terraza).
Los suelos tienen bien horizontes A-B-C definidos. El pH varia de extremadamente acida a
muy fuertemente acida, disminuyendo con la profundidad.
Las unidades ms representativas corresponde a las unidades cartogrficas PVA y PVB
descrita en el estudio general de suelos del departamento del Meta (IGAC, 2005). Son suelos
ubicados en un relieve ligeramente plano con pendientes dominantes entre 1 y 3% y algunos
con ligera inclinacin y pendiente entre 3 y 7%. Los suelos son moderadamente profundos
bien y moderadamente bien drenados, con pequeas zonas localizadas no representativas con
drenaje pobre a imperfecto, de texturas moderadamente finas en casi todos los horizontes del
perfil. La reaccin del suelo es muy fuerte a fuertemente acida, la fertilidad es muy baja. Los
horizontes superiores(A), son de colores pardos oscuros; con textura franco arcillosa o franco
arcilloso arenosa. Es frecuente encontrar en el perfil areniscas en avanzado estado de
meteorizacin a profundidades que oscilan entre 1.0 y 1,50 m. La capacidad de cambio es baja
menor a 14 cmol(+)kg-1 y disminuye con la profundidad; el fosforo aprovechable es muy bajo y
la saturacin de aluminio de cambio alta. (Figura 3-2)
Los suelos presentan limitaciones relacionadas con el bajo nivel de fertilidad, encharcamientos
en algunos sectores. En las ltimas cuatro dcadas, la vegetacin natural ha sido reemplazada
en un alto porcentaje por cultivos transitorios, pastos mejorados y cultivos perennes como la
palma de aceite, el suelo que ocupa la mayor extensin fue clasificado por IGAC (2005) como
43
Typic Hapludox. Tambin es posible que en los taludes y en los caos que drenan las terrazas se
encuentren suelos de menor evolucin Oxic Dystrudept e incluso algunos Typic Udifluvent.
Figura 3-2:
Tabla 3-2:
Paisaje
Tipo de
Relieve
Litologa/Material
Transportado
Sedimentos
finos
Profundos, texturas
aluviales que recubren moderadamente finas a finas, bien
depsitos de cantos y
drenados, muy fuerte a
gravas medianamente extremadamente cidos, fertilidad
alterados
baja; toxicidad por aluminio
Terrazas
Profundos a superficiales, texturas
Sedimentos
mixtos
medias a finas, bien a pobremente
aluviales que recubren
drenados,
fuerte
a
muy
depsitos de cantos y
Piedemonte
fuertemente cidos, fertilidad
gravas poco alterados
Mixto
baja, toxicidad por aluminio
Sedimentos
mixtos
aluviales que recubren
Abanicos
depsitos de cantos y
Antiguos
gravas
bastante
alterados
Smbolo
rea
(ha)
PVAa
13,979
PVBa
22,778
263
44
4. Metodologa
El esquema de la Figura 4-1, ilustra los procesos metodolgicos realizados para alcanzar los
objetivos trazados en la investigacin.
Figura 4-1:
Definicin de rea y
escala de trabajo
Anlisis de imgenes
satelitales
Revisin de
Literatura
Generacin de modelo
para clasificar objetos
con imgenes satelitales
Procesamiento de
modelo
No
Validacin
Si
Anlisis y Resultados
Preparacin
Conector fuera de
mtodo
Datos
Procesamiento
Conjuncin Y
Condicional
Resultados
46
Tabla 4-1:
Entidad
Capitulo 4. Metodologa
47
48
Tabla 4-2:
Caractersticas
Nombre de descarga
Fuente
Fecha de adquisicin
Sensor
Resolucin espacial
Fecha 1
LE70070572003004AGS00 LT50070571986013XXX12
USGS
USGS
Enero 4 del 2003
Enero 13 de 1986
Landsat 7 ETM+
Landsat 5 TM
15 m, banda 8,
30 m, banda 1 -5, y 7
pancromtica
30 m, banda 1 - 5, y 7
Convolucin cbica
UTM WGS 84
<10%
7/57
Mtodo de re-muestreo
Proyeccin
Nubosidad
Escena (fila/columna)
Figura 4-3:
Fecha 2
60 m, banda 6
Convolucin cbica
UTM WGS 84
0%
7/57
C-2714
E40780
C-2714
C-2714
C-2714
C-2714
C-2714
C-2713
C-2713
f-191
Ao 04
f-178
f-133
f-120
f-075
f-249
f-023
f-036
E40840
C-2714
E40780
C-2714
E40550
C-2714
E40900
C-2714
E39880
C-2714
E41338
C-2714
E42060
C-2714
E41860
C-2713
C-2713
Ao 04
f-234
Ao 04
f-193
Ao 04
f-176
Ao 04
f-135
Ao 04
f-118
Ao 04
f-077
Ao 04
f-251
Ao 04
f-021
f-038
E42000
C-2714
E40840
C-2714
E40780
C-2714
E40550
C-2714
E40900
C-2714
E39880
C-2714
E41338
C-2714
E42060
C-2713
E41860
C-2713
Ao 04
f-232
Ao 04
f-195
Ao 04
f-174
Ao 04
f-137
Ao 04
f-116
Ao 04
f-079
Ao 04
f-253
Ao 04
f-019
Ao 04
f-040
E42000
E40840
E40780
E40550
E40900
E39880
C-2714
E41338
C-2714
E42060
C-2713
E41860
C-2713
Ao 04
Ao 04
Ao 04
Ao 04
Ao 04
Ao 04
f-081
Ao 04
f-255
Ao 04
f-017
Ao 04
f-042
Capitulo 4. Metodologa
49
adaptada para Colombia (IDEAM, 2010; MELO & CAMACHO, 2005), se determinaron
unidades mnimas de mapeo para escala mencionada. Para la validacin temtica de la
interpretacin, se realiz la comprobacin con visitas de campo, se georreferenciaron y
corroboraron las coberturas delimitadas para los aos 2003 y 2004, teniendo la previsin de
verificar que cambios haban ocurrido en este ao, mediante la informacin colectada con los
tcnicos y habitantes de la regin.
A partir de sta informacin, se realiz una agrupacin de las clases de coberturas y usos, que
presentaban caractersticas dominantes de observacin ortogonal, ejemplo: bosques, caminos,
pastos, entre otros, tal como lo describen (GAMANYA et al., 2009; HESE &
SCHUMULLINS, 2009; TANSEY
CONCHEDDA et al., 2008; JACQUIN et al., 2008; LANG et al., 2008; MALLINIS et al.,
2008; SHATTRI et al., 2008; XIE et al., 2008; CLEVE et al., 2007; LALIBERTE al., 2007;
LALIBERTE et al., 2004; WALTER, 2004), con el objetivo de disminuir la subjetividad.
Para el desarrollo de la clasificacin orientada a objetos se siguieron los pasos del diagrama de
flujo de la Figura 1-2, tomando como punto de partida la imagen del sensor Landsat.
50
Autores como MALLINIS et al., (2011), BOCCO et al., (2009) y NINGAL et al., (2008),
describen tcnicas para visualizar los cambios de uso en el suelo, similares a la mencionada en
la investigacin.
Figura 4-4:
IMAGEN B
Clasificacin Orientada
a objetos
Clasificacin Orientada
a objetos
Asignacin de valores
a cada objeto
Asignacin de valores
a cada objeto
Si
Si Objeto A es igual al
Objeto B
Asigna 0
No hay Cambio
No
Asigna 1
Hay Cambio
Mapa Binario de
Cambio de uso
Preparacin
Resultados
Procesamiento
Condicional
Se asign un valor entero para cada tipo de objeto en las dos capas resultantes de la
clasificacin orientada a objetos. A continuacin se realiz un proceso de adicin algebraica
entre capas, para obtener un mapa binario, en el cual a las que permanecieron constantes
(iguales en las dos fechas) se les asign el valor 0 y a las que presentaron cambios se les asign
el valor 1 e las se les asign el valor de 1, de tal forma que los cambios ocurridos entre fechas
podan ser visualizados y cuantificados.
5. Resultados y discusiones
5.1 Metodologa de clasificacin de imgenes de
sensores remotos, para determinar la cobertura y
uso del suelo y los cambios
Autores como CHONCHEDDA et al. (2008), MALLINIS et al. (2008), SHATTRI et al.
(2008), LALIBERTE et al (2007) y WALTER (2004), describen metodologas para la
clasificacin orientada a objetos, realizando diferentes procesos y selecciones de variables y
valores, similares a los de la presente investigacin.
La Figura 5-1, muestra de manera esquemtica la metodologa general desarrollada que se
presenta como propuesta para clasificar coberturas, visualizar y cuantificar los cambios,
utilizando la tcnica de clasificacin orientada a objetos. El diagrama sintetiza los diferentes
procesos (los cuales se detallan a continuacin) utilizados para la determinacin los cambios
ocurridos en las coberturas y usos de la tierra en un lapso de 17 aos en el piedemonte
depositacional del municipio de Villavicencio.
Para realizar la clasificacin orientada a objetos con las imgenes satelitales, se sigui el
procedimiento de la Figura 5-1, detallado en esta seccin en la Figura 5-2, teniendo en cuenta
los requerimientos de manejo del programa ENVI, mdulo ENVI ZOOM, que envuelven
segmentacin, seleccin, filtrado y anlisis, asignacin de reglas y clasificacin.
52
Figura 5-1:
Figura 5-2:
53
Seleccin de objetos
muestra
Clasificacin
Preparacin
Resultados
Procesamiento
54
Figura 5-3:
Bosque
Palma
African
a
La Figura 5-4, muestra el resultado de la segmentacin aplicada con un rango de 20, que
mostr la alta cantidad de agregaciones que se generaran si se seleccionara este valor. Como
indicador visual es difcil diferenciar las dos coberturas involucradas en el anlisis (palma
africana y bosque), por tal razn este valor no se considera el ms indicado para ste
fraccionamiento.
Aumentando el valor del rango a 40 (Figura 5-5),
consistente, de tal manera que fue posible separar adecuadamente las dos coberturas
indicadoras. En el caso extremo, cuando se utiliz el valor de fragmentacin de 60 (Figura 55), es evidente que la discriminacin es inadecuada ya que la segmentacin excede los lmites
reales de las coberturas en estudio.
Se encontr que para estas dos coberturas en la zona de estudio el valor de 40 seleccionado
para la fragmentacin, es el que ms se acerca y el que permite discriminar y separar con
mejor precisin las coberturas de bosque nativo y palma africana.
Figura 5-4:
55
Fraccionamiento
Figura 5-5:
56
57
Figura 5-7:
Figura 5-8:
58
Figura 5-9:
59
Figura 5-10:
Figura 5-11:
reas Hmedas
0.12%
Bosques y
reas
Naturales
13.48%
Superficies de
Agua
0.47%
Territorios
Agrcolas
79.40%
60
0.5%
0.2%
1.1%
0.6%
0.1%
2.8%
4.3%
1.7%
9.0%
0.2%
0.4%
1.3%
0.2%
0.3%
3.7%
22.4%
40.7%
10.3%
Figura 5-12:
0.7%
0.9%
0.8%
0.3%
0.1%
0.5%
0.2%
4.4%
1.8%
90.3%
Figura 5-13:
61
62
50.16%
Arenales
Bosque
Abierto Alto
Inundable
Bosque de
Galera,
Herbazal y
Arbustal
0.01%
3.70%
0.70%
0.04%
45.38%
Figura 5-14:
Bosque de
Bosque
Vegetacin
Galera,
Fragmentado Secundaria
Latifoliadas
con
Baja
Arbolados Vegetacin
Secundaria
63
puedan discriminar en las imgenes de las dos fechas, por lo expuesto y para coincidir con los
autores consultados, se resolvi seleccionar y determinar tres coberturas: bosques, bosques
de galera y palma de aceite (Figura 5-16), permitiendo manejar un solo contexto, sin
afectar la confiabilidad de la interpretacin generada a partir de las fotografas areas.
Figura 5-15:
Figura 5-16:
Pastos
72.94%
Palma
Cultivos 0.67%
Transitorios
0.21%
Cultivos
2.07%
Cultivo de Arroz
3.52%
Cuerpos de
Agua
0.61%
Bosque de Galera
6.62%
Bosque
6.86%
Va
0.46%
Territorios
Artificializados
6.06%
64
65
(GAMANYA et al., 2009; APLINS & SMITH, 2008; BONTEMPS et al., 2008;
CONCHEDA et al., 2008; MALLINIS et al., 2008; BOCK et al., 2005). En este estudio se
desarroll un protocolo para determinar las variables y sus valores de tal forma que otros
usuarios puedan efectuar procesos similares para sus clasificaciones en otras reas.
Figura 5-17:
Variables Espaciales
66
Para la Redondez se defini este rango de valores, que representa convenientemente la forma
natural alargada de los bosques de galera y para no utilizar formas circulares o redondas que
se consiguen con rangos cercanos a 1.
Para los bosques, se determin con el complemento de los valores de las variables de bosques
de galera, es decir elongacin < 1.1 y redondez > 0.41, puesto que ya no se requera una
configuracin de formas alargadas.
Figura 5-18:
La palma africana se defini con las variables de: rea, forma rectangular, elongacin y
convexidad (Figura 5-19). Se seleccionaron polgonos mayores a 5 hectreas, debido a que en
rea de estudio no hay cultivos de palma de menor extensin, y tambin para descartar
clasificaciones que no representen este objeto, apoyados en el nivel de referencia y
conocimiento de la zona.
De manera similar, para la elongacin y la forma rectangular se determinaron las zonas que se
asimilaran a la forma de rectngulo (sin ser pronunciados), ya que la mayora de los cultivos de
palma presentan este atributo espacial, que permiti la asignacin en el rango de valores entre
0,95 a 1,1 y > 0,44 respectivamente.
67
Figura 5-20:
68
Variables espectrales
Tal como se mencion en el marco terico, la clasificacin orientada a objetos tiene en cuenta
los atributos espectrales (estadsticos descriptivos de los segmentos por banda espectral y
relacionales, NVDI) con los cuales es posible complementar las variables espaciales
especificadas en la metodologa.
Para facilitar la comprensin y aplicacin de la metodologa se generaron los procedimientos
que permiten determinar las variables que se usan como reglas clasificadoras del objeto,
aparecen ilustrados en el diagrama de la Figura 5-21.
Figura 5-21:
Procedimiento para determinar las variables a tener en cuenta para generar las
reglas que clasifican el objeto.
Estadsticas
Descriptivas del Objeto
(Mnimo, Mximo, Rango, Media,
Varianza y C. de Variacin)
Si
C. De Variacin
(Matriz A)
5%
No
No se tiene
en cuenta
Matriz B
Prueba de Tukey
de matriz A
Si
No se tiene
en cuenta
Hay Unin de
Subconjuntos
No
Se acepta la
variable
Resultados
69
5.1) con las variables (N) y los objetos (O) con los coeficientes de variacin de Pearson (CV),
con el propsito de observar y cuantificar la dispersin de los datos respecto al valor central
de cada objeto.
(5.1)
(5.2)
70
A continuacin se aplic un segundo filtro, se seleccionaron con esta prueba aquellas variables
que no asuman unin de conjuntos (ejemplo: a, b, c y no ab, cd, bc), debido a que
estadsticamente estos valores son similares en dos tipos de subconjuntos de la prueba.
Ejecutado el procedimiento de la Figura 5-21, se encontr que solo la variable de relacin de
bandas, era necesaria para complementar la clasificacin, ya que al introducir las dems
variables el resultado no mostraba diferencias, lo cual puede ser atribuido a que las bandas
seleccionadas para el anlisis, rojo e infrarrojo cercano, son las que se utilizan para determinar
el ndice de vegetacin normalizada (NVDI). Es claro, que en otros casos, es factible que el
usuario seleccione bandas diferentes a stas, pero en este caso se hall que la relacin de
bandas aplicada, es una de las variables que tiene ms peso al momento de seleccionar una
cobertura vegetal.
Para la cobertura de bosques se encontr que los valores para determinar su clasificacin
fueron aquellos valores de relacin de bandas > 0.40, ya que por debajo de este valor se
obtenan reas que no pertenecan a esta clase. Los bosques de galera y la palma africana
presentaron una relacin de bandas con valores > a 0.45, ste valor se seleccion mayor al de
bosques, debido a que discriminaba mejor este tipo de cobertura, diferenciando la mayora de
los bosques.
El comportamiento de la variable en general, fue similar al reportado por SANTOS, et al.,
(2010), quienes consideran que ste ndice es adecuado como indicador principal en el cambio
de uso de la tierra.
Tabla 5-1:
71
.Variables de la clasificacin
Elongacin
Forma Rectangular
Espaciales
Rango de valores
Bosque de galera
> 1,1
Palma Africana
0,94 1,10
> 0,44
>0.04 y <
0.45
Redondez
rea
Eje menor
Espectrales Relacin de Bandas
Bosque
> 5 ha
<858
> 0.40
>400
> 0.40
>4,5
72
OFM / COO*
Bosque
Bosque
2001.75
281.59 100.42
Bosque de Galera
71.86
2253.12
Palma
10.17
63.16 118.46
(sin clasificar)
125.26
2409.54
17.94
Total general
2.209.038 5.007.407
236.813
154.44
123.76
54.49
2538.2
2448.75
246.27
2552.73
332.693 7.785.950
Exactitud de Usuario %
92.01
48.1
22.12
Exactitud de Productor %
45
50.02
0
73
Es importante resaltar que para este estudio, se encontr que la clasificacin orientada a
objetos tiene una mayor exactitud para diferenciar las coberturas bosques y bosques de
galera, y en general, se pueden afirmar que estos resultados son aceptables para la escala
trabajada, ya que estn por encima del 78%, siendo 100% el lmite superior de exactitud
definido.
Para la cobertura de palma los resultados se consideran satisfactorios a pesar que las
exactitudes no superaron el 50%.
La exactitud global fue del 56,17% que en trminos generales puede ser considerada
aceptable, ya que los resultados son la comparacin de una clasificacin de un
ortofotomosaico con una de imagen satelital de media resolucin espacial (Figura 5 -23) (LI et
al., 2009)
Figura 5-23:
74
Se aplic otra tcnica para validar la precisin (coeficiente Kappa), con la totalidad de la
informacin obtenida del cruce vectorial de las dos capas comparadas, se encontr que el
valor del coeficiente fue de 0.365, el cual es considerado como precisin aceptable segn
CERDA & VILLARROEL (2008), ratificando los valores encontrados de los tipos de
exactitud y la explicacin mencionada en el prrafo anterior.
LI et al. (2009) y SANTOS (2007), reportan valores superiores al encontrado, lo que puede
atribuirse al tipo de software (Econigtion) e imgenes (de alta resolucin) empleadas para
extraer objetos de una imagen, adems las comparaciones realizadas por estos autores se
obtuvieron a partir de mtodos computacionales con la misma resolucin espacial y no como
los que aqu se presentan.
.Variables de la clasificacin
Elongacin
Forma Rectangular
Espaciales Redondez
rea
Eje menor
Espectrales Relacin de Bandas
Rango de valores
Bosque de galera
Bosque
Palma Africana
> 1,4
0,94 1,10
> 0,44
>0.04 y < 0.45
> 5 ha
<858
> 0.50
>400
> 0.50
>5,5
75
Los valores de la Tabla 5-4, son similares a los encontrados en la imagen del 2003 (Tabla 5-2),
los mayores cambios se vieron en el atributo de relacin de bandas espectrales que fueron
mayores, estos resultados de la clasificacin orientada a objetos pueden ser posibles por ser
una imagen de la misma zona y el mismo sensor.
Figura 5-24:
Al aplicar la clasificacin orientada a objetos de las imgenes satelitales de las dos fechas, se
desarroll una capa binaria teniendo en cuenta el diagrama de procesos de la Figura 5-25, para
visualizar y cuantificar el cambio de uso. Como resultado se gener una tercera capa donde se
muestran los cambios ocurridos en el lapso de tiempo analizado de 17 aos (Figura 5 -25 y
Tabla 5-5).
Tabla 5-5:
3581,45
2597,87
-27,46%
110,39
218,88
-
76
La cuantificacin de cambio de uso en la investigacin pudo ser afectadas por dos factores:
resolucin espacial de las imgenes y la clasificacin orientada a objetos
El primero, los resultados de las diferentes clasificaciones de las imgenes varan no solamente
por existir un cambio en el uso, sino adems, por los efectos de borde de la delimitacin en las
coberturas, al tener cada una de ellas, la resolucin espacial distinta. Esto correspondi a que
la imagen de la escena de 2003: Landsat 7 ETM+, contiene una imagen pancromtica de
mayor resolucin espacial que la escena de 1986: Landsat 5, permitiendo realizar una fusin
77
multiescala, opcin que contiene ENVI ZOOM antes de realizar la clasificacin orientada a
objetos, con la funcin Pan Sharpening. Esta ajuste multiescala permiti mejorar la calidad
visual de la imagen (GARZELLI & NENCINI, 2007), mostrando una mejor definicin de la
forma de los objetos, y mejorar los resultados de la segmentacin (MALLINIS et al, 2011).
El segundo, hace referencia al mtodo usado para clasificar las imgenes, debido a que los
resultados de los valores en las variables que afectaron cada clasificacin son propios de cada
imagen, el cual probablemente puede inducir a que cada clasificacin maneje una
incertidumbre diferente.
78
6. Conclusiones
Se alcanzaron los objetivos planteados ya que fue posible desarrollar la metodologa de
clasificacin orientada a objetos utilizando como herramienta el programa de ENVI y el
mdulo de ENVI ZOOM para determinar la cobertura y el uso del suelo y tambin para
detectar y cuantificar los cambios ocurridos en las mismas un lapso de 17 aos en el
piedemonte depositacional del municipio de Villavicencio.
Con los principios de la clasificacin orientada a objetos y con los procedimientos propuestos
fue posible
delimitar las reas de tres coberturas, a partir de una imagen satelital con
80
Bibliografa
AGERA, F.; AGUILAR, F.J.; AGUILAR, A.M. 2008. Using texture analysis to improve
per-pxel classification of very high resolution images for mapping plastic greenhouses.
Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.635-646.
ALMEIDA-FILHO, R.; SHIMABUKURO, Y.E. 2002. Digital processing of a Landsat -TM
time series for mapping and monitoring degraded areas caused by independent gold
miners, Roraima State, Brazilian Amazon. Remote sensing of environment, v.79, p.42-50.
ANTONARAKIS, A.S.; RICHARDS, K.S.; BRASINGTON, J. 2008. Object-based land
cover classification using airborne LiDAR. Remote sensing of environment, v.112, n.6
p.2988-2998.
APLIN, P. & SMITH, G.M. 2008. Advances in object-based image classification. The
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science
v.37, part B7.
ARANGO, G.M.; BRANCH, B.J.W.; BOTERO, F.V. 2005. Clasificacin no supervisada de
coberturas vegetales sobre imgenes digitales de sensores Remotos: Landsat
82
BLASCHKE, T.
2010.
Journal of
Tesis Doctoral.
Espaa, P.228
CERDA, J. & VILLARROEL, L. 2008. Evaluacin de la concordancia inter-observador en
investigacin peditrica: Coeficiente de Kappa. Revista Chilena de Pediatra, v.79, n.1,
p.54-58.
CHUVIECO, E. 2000. Fundamentos de teledeteccin espacial. Editorial Rialp s.a., Madrid,
p.1-568.
Bibliografa
83
2007.
Classification of the
2006.
84
ETTER, A. Introduccin a la ecologa del Paisaje. 1991. Instituto Geogrfico Agustn Codazzi.
ETTER, A.; MCALPINE, C.; WILSON, K.; PHINN, S.; POSSINGHAM, H.
2006.
Observatorio medioambiental,
2007.
Bibliografa
85
GUNTLI, D. 2006. Classification of land cover and land use - an object-oriented approach
in Western Tajikistan. Tesis, University of Zurich, Suiza, p.157.
HAY, G.J.; CASTILLA, G.; WULDER, M.A.; RUIZ, R.J. 2005. An automated object-based
approach for the multiscale image segmentation of forest scenes. International Journal of
Applied Earth Observation and Geoinformation, v.7, n.4, p.339-359.
HAY, G.J.; NIEMANN, K.O.; MCLEAN, G.F. 1996. An object-specific image-texture
analysis of H-Resolution forest imagery. Remote Sensing of Environment, v.55, n.2, p.108122.
HESE, S. & SCHMULLIUS, C. 2009. High spatial resolution image object classification for
terrestrial oil spill contamination mapping in West Siberia.
International Journal of
Codazzi, p.1-67.
IGAC - CORPOICA. 2002. Uso adecuado y conflictos de uso de las tierras en Colombia.
Subdireccin de Agrologa, IGAC. Subdireccin de Investigacin en Sistemas de Produccin,
CORPOICA. Bogot, D. C. v.4, p.1-99.
IGAC. 2005. Estudio general de suelos y zonificacin de tierras del departamento del Meta.
Instituto Geogrfico Agustn Codazzi. Archivo Digital.
IGAC. 2010. Coberturas y usos de la tierra del departamento del Quindo. Instituto Geogrfico
Agustn Codazzi, p.1-256.
86
2006.
variables based on image texture analysis and IKONOS-2 imagery. Remote Sensing of
Environment, v.102, n.3-4, p.390-401.
KNORN, J.; RABE, A.; RADELOFF, V.C.; KUEMMERLE, T.; KOZAK, J.; HORSTERT,
P. 2009. Land cover mapping of large areas using chain classification of neighboring
Landsat satellite images, Remote sensing of environment, v.113, n.5, p.957-964
KUEMMERLE, T.; DAMM, A.; HOSTERT, P. 2008. A method to detect and correct
single-band missing pxels in Landsat TM and ETM+. Computers and Geosciences, v.34,
n.5, p.445-455.
LALIBERTE, A.S.; RANGO, A.; HAVSTAD K.M.; PARIS, J.F.; BECK, R.; MCNEELY, R.;
GONZALEZ, A.L.
2004.
Remote Sensing of
Journal of Arid
2004.
Bibliografa
87
LI, M.; WU., Y.; ZHANG, Q. 2009. SAR image segmentation based on mixture context and
wavelet hidden - class - label Markov random field. Computers and Mathematics with
Applications. V.57, n.6, p.961-969.
LU, D. & WENG, Q. 2007. A survey of image classification methods and techniques for
improving classification performance.
n.5,p.823-870.
LUCAS, R.; ROWLANDS, A.; BROWN, A.; KEYWORTH, S.; BUNTING, P. 2007. Rulebased classification of multi-temporal satellite imagery for habitat and agricultural land
cover mapping. Journal of Photogrammetry and Remote Sensing, v.62, n.3, p.165-185.
MACEDO-CRUZ, A.; PAJARES-MSRTINSANZ, G.; SANTOS-PENAS, M.
2010.
88
2010.
p.1338-1349.
PEREA, A.J.; MERONO, J.E.; AGUILERA, M.J. 2009. Clasificacin orientada a objetos en
fotografas areas digitales para la discriminacin de usos del suelo. INCI, v.34, n.9,
p.612-616.
ROBINSON, D.J.; REDDING, N.J.; CRISP, D.J. 2002. Implementation of a fast algorithm
for segmenting SAR imagery. Scientific and technical report, Australia. Defense Science
and Technology Organization, p.1-48.
ROJAS, E.G. & ORTIZ, I.O. 2009. Identificacin del cilindro nudoso en imgenes TC de
trozas podadas de Pinus Radiata utilizando el Clasificador de Mxima Verosimilitud.
Maderas, Ciencia y Tecnologa, v.11, n.2, p.117-127.
S, R.DA.; ALMOROX, J.; DE SOUZA, A. 1996. Comparacin de dos mtodos de
clasificacin digital y aplicacin al cartografiado de vegetacin en el nordeste brasileo.
Revista de Teledeteccin, v.7, n.7, p.1-6.
SAMSUDIN, N.A. & BRADLYE, A.P. 2010. Nearest neighbour group-based classification.
Pattern Recognition, v.43, n.10, p.3458-3467.
Bibliografa
89
2007
2004.
90
VALERIO, A.DM.; DA SILVA, G.B.S.; KAMPEL, M.; STECH, J.L. 2008. Avaliao da
classificao no supervisionada do uso do solo e tipos de gua no reservatrio de
manso, mt. Revista do Geografia-Ensino e Pesquisa, v.12, p.4081-4095.
VALOUS, N.A.; MENDOZA, F.; SUN D.; ALLEN, P. 2010. Supervised neural network
classification of pre-sliced cooked pork ham images using quaternionic singular values.
Meat Science, v.84, n.3, p.422-430.
VAN COILLIE, F.M.B.; VERBEKE, L.P.C.; DE WULF, R.R. 2007. Feature selection by
genetic algorithms in object-based classification of IKONOS imagery for forest
mapping in Flanders, Belgium. Remote Sensing of Enviroment, v.110, n.4, p.476-487.
VICENTE-SERRANO, S.M.; PREZ-CABELLO, F.; LASANTA, T. 2008. Assessment of
radiometric correction techniques in analyzing vegetation variability and change using
time series of Landsat images. Remote Sensing of Environment, v.112, n.10, p.3916-3934.
WALTER, V. 2004. Object-based classification of remote sensing data for change detection.
Journal of Photogrammetry and Remote Sensing, v.58, n.3-4, p.225-238.
WENG, Q.
2009.
2008.
Landsat
Remote Sensing of
Lista de Anexos
C_2714
No Escala
Ao Sobre
Vuelo
Foto
1:
232 42000 2004 S_39269 C_2714
C_2714
234
81
C_2714
191
249
C_2714
193
251
C_2714
195
253
C_2714
180
255
C_2714
178
17
C_2714
176
19
C_2714
174
21
C_2714
133
23
C_2714
135
36
C_2714
137
38
C_2714
116
40
C_2714
118
42
C_2714
120
75
C_2714
75
77
C_2714
77
79
Vuelo
No
Foto
79
Escala
Ao Sobre
1:
39880 2004 S_39258
92
Lista de Anexos
93
E.
Parmetros estadsticos de las
coberturas, generadas en la
clasificacin orientada a objetos
Se encuentra anexo en formato de hoja electrnica del programa Excel
F.
Matrz B, de valores medios de
los objetos encontrados
Se encuentra anexo en formato de hoja electrnica del programa Excel
94
H.