Académique Documents
Professionnel Documents
Culture Documents
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
Figura X.1. Firmas espectrales de las lagunas La Barrancosa, Quilla Lauquen, San Antonio, La Salada,
El Chifle, Del Estado, La Brava y El Paraso de cada fecha de muestreo.
130
LAGUNA
FECHA
dd-m-ao
CLASIFICACIN
% Turbidez
utilizando
bandas 2 y 4
Del Estado
Del Estado
Del Estado
Del Estado
Del Estado
El Chifle
El Chifle
El Chifle
El Chifle
El Paraso
El Paraso
El Paraso
El Paraso
El Paraso
La Barrancosa
La Barrancosa
La Barrancosa
La Barrancosa
La Barrancosa
La Barrancosa
La Barrancosa
La Brava
La Salada
La Salada
La Salada
La Salada
Quilla Lauquen
Quilla Lauquen
San Antonio
San Antonio
San Antonio
San Antonio
San Antonio
04-03-05
07-05-05
08-06-05
12-09-05
14-10-05
22-04-05
11-07-05
13-09-05
15-10-05
04-03-05
07-05-05
08-06-05
12-09-05
14-10-05
04-03-05
13-03-05
22-04-05
11-07-05
12-09-05
14-10-05
26-01-06
02-02-05
22-04-05
11-07-05
13-09-05
15-10-05
08-06-05
14-10-05
13-03-05
22-04-05
11-07-05
13-09-05
15-10-05
0,792
0,877
0,924
0,832
0,866
0,589
0,628
0,637
0,422
0,739
0,754
0,781
0,717
0,743
0,615
0,559
0,550
0,545
0,570
0,521
0,449
0,324
0,501
0,481
0,512
0,414
0,541
0,486
0,549
0,501
0,517
0,482
0,324
Clase segn
datos de las
imgenes
4
4
4
4
4
2
3
3
1
3
3
4
3
3
2
2
2
2
2
2
1
1
2
2
2
1
2
2
2
2
2
2
1
Clase segn
datos de
campo
3 (3V)
4 (3MV)
4 (3MV)
4 (3MV)
4 (3MV)
2 (2MV)
3 (2MV)
3 (3V)
2 (2MV)
3 (3V)
3 (3V)
3 (3V)
3 (3V)
3 (3V)
2 (2M)
2 (2MV)
2 (2M)
2 (2MV)
2 (2MV)
2 (2M)
2 (2V)
1 (Clara)
2 (2V)
2 (2V)
2 (2V)
2 (2V)
2 (2V)
1 (Clara)
2 (2M)
2 (2M)
2 (2MV)
2 (2M)
2 (2MV)
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
Categora bandas
datos de campo
1
Total
1
2
3
4
1
4
0
0
1
15
0
0
0
1
5
0
0
0
2
4
2
20
7
4
Total
16
33
informacin que las variables de campo (clorofila-a, slidos totales, slidos fijos,
slidos disueltos y profundidad del disco Secchi), el ACP lo mostrar en sus
resultados.
En la tabla X.3 se pueden observar las correlaciones entre variables medidas
y las dos primeras componentes principales.
Variable
Comp. 1
Comp. 2
% de reconstruccin
decada variable en el plano
Banda 2
Banda 4
Clorofila-a.
Slidos Totales
Slidos Fijos
Prof. del disco Secchi
- 0,699
0,735
0,183
- 0,169
52,31
57,04
0,897
- 0,222
85,53
0,934
0,896
- 0,795
0,203
0,210
0,427
91,41
84,86
81,55
La mayor variacin puede definirse a partir de la banda 4, clorofila, slidos totales, slidos fijos en
sentido positivo y la banda 2 y profundidad del disco Secchi en sentido negativo.
Los resultados obtenidos tanto del anlisis de concordancia (tabla X.2), como
el de ACP (tabla X.3), permiten poner a prueba la hiptesis de que las bandas 2 y
4 podran explicar la variacin de las observaciones respecto a la concentracin
de clorofila-a, slidos y profundidad del disco Secchi.
Esto motiv realizar un anlisis de correlacin cannica (Mardia et al., 1979) y
de redundancia (Johnson y Wichern, 1992), puesto que permite estudiar la
asociacin entre dos grupos de variables y analizar causaefecto.
132
Var. bandas
Cantidad de variables
Varianza extrada
Redundancia Total
100 %
63,93 %
Variables de campo
5
63,54 %
51,60 %
Un modelo de Red Neuronal Artificial imita el proceso fsico de aprendizaje del cerebro humano.
Este modelo est compuesto por neuronas artificiales, que emulan a las neuronas biolgicas y las
conexiones sinpticas entre ellas, regulndolas en el proceso de resolucin de un problema. No
presenta inconvenientes si existe un gran nmero de variables en juego y su no linealidad le
permite analizar sistemas complejos. Una vez que el sistema est entrenado, la red permite
procesar informacin imprecisa, generalizar respuestas conocidas a situaciones nuevas y predecir
resultados.
Copiando el modo de aprendizaje de una persona, para que la red conozca las conexiones correctas,
debe entrenarse con un gran nmero de ejemplos. Para ello se le entregan grupos de datos de
entrada acompaados de los datos de salida esperados. Las vinculaciones con las neuronas
ubicadas en la denomina capa oculta de neuronas van tomando diferentes pesos y van
educndose en funcin de la salida que se les pide, modelando relaciones complejas entre
variables. El sistema es de ida y vuelta, para permitir realmente que se eduque la red. La
visualizacin de dicha etapa se logra mediante el anlisis del error. Si este se hace asinttico y
cada vez ms pequeo, la red estar lista para introducirle nuevos datos de entrada y obtener
predicciones respecto de las salidas.
133
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
En este trabajo se utiliz una RNA con alimentacin hacia delante denominada
Perceptrn Multicapa y la misma fue entrenada con el algoritmo llamado Back
Propagation, el cual se basa en un procedimiento de aprendizaje supervisado.
Siguiendo la clasificacin obtenida de las lagunas a partir de las imgenes
satelitales, se educ a la RNA considerando como datos de entrada las bandas 2
y 4 de las imgenes LandSat 5 y 7, y como dato de salida los valores de clasificacin
obtenidos con los datos a campo. Se prob la red con diferentes cantidades de
etapas de aprendizaje, denominadas pocas, diferentes tasas de aprendizaje y
diferentes nmeros de neuronas en la capa oculta. La mejor arquitectura de Red
se logr con tres neuronas en la capa oculta (figura X.2) y los mejores resultados
con 1.000.000 pocas y tasa de aprendizaje 0,00001.
A partir de la aplicacin del modelo se obtuvo la aproximacin que se observa
en la figura X.3, donde se grafican los valores reales y los obtenidos mediante la
Red utilizando un 80% de los datos para el aprendizaje y un 20% para predecir.
La lnea vertical indica la separacin de datos entre entrenamiento y prediccin.
Los resultados obtenidos fueron analizados contrastando los valores calculados
por la Red y aquellos propuestos por los datos obtenidos a campo. El anlisis del
error cuadrtico medio de aprendizaje y de prediccin se observa asinttico a los
valores 0,203 y 0,098 respectivamente (figura X.4), correspondientes a valores de
porcentaje de error respecto de los valores enteros de clasificacin propuestos.
2.2.1. Un paso ms all, es posible determinar las concentraciones de slidos
totales y clorofila-a en las lagunas desde las imgenes?
La determinacin de concentracin de slidos y clorofila-a utilizando
informacin proveniente de imgenes satelitales ser un gran aporte para conocer
el estado de la laguna y consecuentemente para su gestin. Utilizando las
herramientas computacionales desarrolladas, se intent este paso por su
relevancia, dado que su aplicacin permitira reducir las costosas mediciones a
campo y sera posible extrapolar resultados y cotejarlos en otras de las miles de
lagunas pampeanas.
Con este objetivo se construyeron dos nuevas redes neuronales, alimentadas
con los valores de reflectancia provenientes de las bandas 2 y 4 de las imgenes
LandSat 5 y LandSat 7. Se educ una de las redes utilizando 35 datos de entrada
134
Figura X.4. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta.
Fecha
02-02-05
04-03-05
04-03-05
04-03-05
13-03-05
13-03-05
22-04-05
22-04-05
22-04-05
22-04-05
07-05-05
07-05-05
08-06-05
08-06-05
08-06-05
11-07-05
11-07-05
11-07-05
11-07-05
12-09-05
12-09-05
12-09-05
13-09-05
13-09-05
13-09-05
14-10-05
14-10-05
14-10-05
14-10-05
15-10-05
15-10-05
15-10-05
26-01-06
Laguna
La Brava
La Barrancosa
El Paraso
Del Estado
San Antonio
La Barrancosa
La Salada
San Antonio
La Barrancosa
El Chifle
El Paraso
Del Estado
Quilla Lauquen
El Paraso
Del Estado
La Salada
San Antonio
La Barrancosa
El Chifle
La Barrancosa
El Paraso
Del Estado
La Salada
San Antonio
El Chifle
Quilla Lauquen
La Barrancosa
El Paraso
Del Estado
La Salada
San Antonio
El Chifle
La Barrancosa
ST
medido
ST
calculado
Clorofila-a
medida
Clorofila-a
calculada
507,0
1474,0
1498,0
1788,0
1296,0
1565,0
1184,0
1376,0
1636,0
1756,0
1706,0
2522,0
806,0
1686,0
2347,0
1251,0
1397,0
1629,0
1942,0
1624,0
1700,0
2653,0
1284,0
1418,0
1736,0
812,0
1659,0
1830,0
2881,0
1246,0
1396,0
1953,0
1327,0
557,7
1562,9
1380,3
2040,4
1464,2
1482,0
1209,7
1275,0
1360,6
1354,4
1836,1
2259,1
1481,6
1887,3
2478,6
1508,0
1490,8
1538,5
1598,4
1341,7
1728,6
2505,0
1490,7
1459,8
1574,6
1040,2
1477,2
1774,3
2759,6
1449,2
1398,4
1411,6
1235,8
45,3
89,1
340,4
325,3
50,4
155,4
133,9
65,1
95,7
209,3
384,5
600,8
122,1
369,0
667,0
260,2
179,8
153,5
120,9
115,2
371,9
533,3
112,0
94,0
249,9
76,3
93,2
303,5
671,2
130,6
117,5
222,2
71,3
42,0
183,1
322,3
422,8
136,9
143,4
101,5
104,6
130,2
151,0
340,3
577,4
135,3
379,8
697,0
123,1
146,6
148,7
201,2
139,4
284,3
544,4
125,0
111,2
198,8
89,6
126,8
319,4
625,2
91,6
68,9
89,4
85,6
Tabla X.5. Concentraciones de clorofila-a (mg/m3) y Slidos Totales (mg/L) medidos y calculados para
las lagunas y fechas indicadas.
135
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
Figura X.6. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta para
determinar concentracin de slidos totales.
Figura X.8. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta para
determinar concentracin de clorofila-a.
136
Figura X.9. Slidos totales medidos y calculados a travs de la RNA elaborada (izquierda) y rectas de
ajuste con las bandas de confianza y prediccin (derecha).
X.9 muestra una tendencia positiva y una fuerte asociacin entre las variables
mencionadas. Para darle valores a esta tendencia se realiz un anlisis de regresin
lineal simple tomando como variable respuesta ST medidos.
A partir de un anlisis de regresin se obtiene un coeficiente de determinacin
R = 0,9 y una recta de ajuste ST medido = 1,04 ST calculado (p < 0,0001).
El anlisis de residuales indic independencia, normalidad y homogeneidad
de la varianza, lo cual permite aseverar que el modelo de regresin es vlido y que
el 90% de la variacin de ST medido es explicable a travs de ST calculados. En el
anlisis de regresin propuesto para los valores medidos y calculados de clorofilaa, no se cumplieron los supuestos necesarios para aceptar el ajuste.
3. Conclusiones
El empleo de informacin proveniente de sensores remotos es de gran utilidad
cuando es necesario trabajar con reas extensas. Por esta razn es de inters la
aplicacin de tcnicas adecuadas para el anlisis del territorio bajo estudio y el
desarrollo de una herramienta para la toma de decisiones a nivel regional.
137
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
4. Bibliografa
Agresti, A. 1990. Categorical data analysis. Ed.
John Wiley, New York, 557p.
Brivio, P. A.; C. Giardino y E. Zilioli. 2001.
Determination of chlorophyll concentration
changes in Lake Garda using an image-based
radiative transfer code for Landsat TM images.
Int. J. Remote Sensing 22(2-3):487-502.
Chipman, J. W.; T. Lillesand; J. Schmaltz; J.
Leale y R. Goldmann. 2004. Mapping lake
water clarity with landsat images in Winconsin, USA, special issue on Remote Sensing
and Resources Management in Nearshore
and Inland Waters. Canadian J. Remote
Sensing 30(1):1-7.
Gower, J. C. 1987. Introduction to ordination
techniques. In: P. Legendre y L. Legendre
(Eds.). Development in Numerical Ecology. Ed.
Springer-Verlag, Berlin, 3-64p.
Johnson, R. A. y D. Wichern. 1992. Applied
Multivariate Statistical Analysis. Third edition.
Ed. Prentice-Hall, Inc. New Jersey (USA), 642p.
Mardia, K.; J. Kent y J. Bibby. 1979. Multivariate
Analysis. Ed. Academic Press.
Nelson, S. A. C.; A. Soranno ; K. Cheruvelil; A.
Batzli y D. L. Skole. 2003. Re gional
138