Académique Documents
Professionnel Documents
Culture Documents
Costes Equipos
Nivel de
exactitud
Nmero de
imgenes
Escala
Mtodo de
interpretacin
Nivel de
desagregacin
Duracin Sensor
bien por falta de capacidad en los sistemas sensores disponibles, bien por no compren-
der adecuadamente esas necesidades. En el primer caso, estaran aquellas aplicaciones
de la teledeteccin que todava requieren una mejora en la resolucin espacial, espec-
tral o temporal de los sensores para cumplir los requisitos operativos de los gestores.
Por ejemplo, para utilizar operativamente la teledeteccin espacial en las tareas de de-
teccin de incendios se requerira una frecuencia de adquisicin de imgenes que slc
proporcionan actualmente los satlites meteorolgicos, pero a un nivel de detalle ex-
cesivamente grosero. Por tanto, si se plantea emplear esta tcnica como alternativa
realista a la vigilancia terrestre necesitamos contar con un sistema espacial diseadc
ad hoc para esta finalidad, que satisfaga las necesidades reales de esta comunidad de
usuarios. se es el planteamiento del sistema Fuego, que desarrolla la empresa espa-
ola Insa (www.insa.es/fuego.html), y constituye uno de los pocos ejemplos de siste-
mas de teledeteccin diseados para una aplicacin concreta. Otro, bastante obvio, se-
ra la prediccin del tiempo, que cuenta desde los aos sesenta con satlites especfi-
cos. En el futuro, con la reduccin de precios de los sistemas sensores y de las platafor-
mas espaciales, pensamos que el diseo de misiones especficas puede hacer de la tele
deteccin una herramienta plenamente operativa en mltiples aplicaciones.
En cuanto a posibles problemas de comunicacin con las comunidades de usuarios
se est enfatizando en los ltimos aos la importancia de implicarlos en cualquier pro
yecto de investigacin y desarrollo, pues facilitan una orientacin de gran inters pan
poner esas tareas en un contexto ms realista. No cabe duda de que en muchas ocasione;
la falta de inters de los posibles destinatarios por la teledeteccin puede venir dada po
nuestra incapacidad para entender bien sus necesidades, y la consecuente insistencia ei
ofrecerles productos que no resuelven adecuadamente sus problema* operativos. Po
ejemplo, y siguiendo con el ejemplo anterior, los gestores de la prevencin y el combat
de incendios forestales difcilmente entendern que les ofrezcamos una cartografa de
peligro de incendio exclusivamente a partir de teledeteccin, cuando nos estamos refi
riendo, en el mejor de los casos, a una sola variable relacionada con el peligro (el estad
hdrico de la vegetacin), dejando a un lado otras variables crticas en el inicio y desarro
lio de un incendio, como pueden ser el viento o la humedad relativa del aire que son, hoy
por hoy, difcilmente generables a partir de teledeteccin. Probablemente, sera ms f
cil que estos usuarios potenciales aceptaran el inters de la tcnica si les ofrecemos ni
camente lo que podamos generar a partir de las imgenes, subrayando el inters de inte
grar esa informacin con la procedente de otras fuentes.
Sintetizando mucho las cosas, puede afirmarse que las imgenes de satlite no
facilitan dos tipos de variables (Jensen, 2000):
Clasificacin
Categorizacin-Fronteras
Modelos
Variable continua
Deteccin de cambios
Intensidad y sentido
4 4
4 4 V Posicin
4 4 4 4 44 Densidad
4 4 4
4 4
4 4 te
Estructura-Mediciones
Conexin
FiG. 4.2. Tipos de anlisis que pueden abordarse en una imagen de satlite.
vendra marcada por la resolucin espacial del sensor (cada cuntos metros tenemos un
dato). Aun en el caso de los satlites meteorolgicos de peor resolucin espacial, ese
muestreo es mucho ms denso que el que puede realizarse desde sensores terrestres. El
caso ms evidente es el estudio de la temperatura de la superficie marina. Previamente a
la actividad de los satlites oceangraficos slo se realizaban mediciones en puntos muy
distantes (boyas, perfiles a partir de buques), interpolndole esos valores al resto de la
superficie marina. Con la observacin espacial pueden obtenerse mediciones de la tem-
peratura, la salinidad o la clorofila del agua a intervalos regulares y relativamente cerca-
nos (aproximadamente 1 km en el caso del AVHRR o del Seawifs: fig. 10*), ofreciendo
una imagen mucho ms certera de la realidad. En este enfoque de interpretacin, la tele-
deteccin se orienta a generar variables biofsicas, mediante algn modelo que relacione
las medidas del sensor (reflectividad, emitancia) con dichas variables (cap. 7, apdo. 1).
Obviamente, este enfoque slo est disponible cuando tenemos informacin digital y
calibrada, esto es cuando hay una relacin consistente entre los datos de la imagen y una
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN 161
Supuesto que el objetivo de nuestro trabajo sea abordable a partir de sensores es-
paciales, deben definirse una serie de aspectos para explicitar el tipo de informacin y
de tratamiento que se aplicar en el proyecto. En este sentido conviene considerar, en-
tre otros aspectos, qu sensor resulta ms adecuado para los requisitos solicitados,
cuntas imgenes se requieren, de qu fechas, qu mtodos de anlisis se aplicarn, y
qu papel tendrn los trabajos de campo.
rectamente a los siguientes, ya que poco podr decidir sobre los objetivos del proyec-
to. En cambio, si se trata de un proyecto de investigacin, en donde comnmente es el
propio intrprete el que plantea las metas a alcanzar, la lectura de estos prrafos puede
ayudar a plantear esos objetivos con mayor eficacia. Como criterio general, conviene
subrayar la importancia de que los objetivos de un proyecto se adapten a las posibilida-
des de los datos que se van a emplear en su desarrollo. El comentario puede parecer
obvio, pero en la prctica no lo es tanto, ya que en muchas ocasiones se han planteado
proyectos de teledeteccin poco realistas, que no contemplaban las limitaciones inhe-
rentes a la tcnica o a los sensores especficos que haba disponibles en esos momen-
tos. Como antes hemos comentado, algunos usuarios, llevados de un cierto desconoci-
miento o de un inters comercial poco prudente, han podido vender falsas expectativas
respecto a la calidad de la informacin que ofrecen los sensores remotos, lo que impli-
ca una remora para el desarrollo futuro de esta tcnica. Cuando se plantea un proyecto
de investigacin, su nombre ya lo indica, intentamos validar nuevos mtodos, datos o
aplicaciones, con una cierta posibilidad de que no conduzcan a avances significativos:
a veces se olvida que comprobar que la hiptesis de partida no funciona es tan cientfi-
co como verificarla. En consecuencia, en estos casos puede aceptarse un margen de in-
certidumbre y fracaso, pero no sera prudente plantear un proyecto de investigacin
como una aplicacin ya consolidada, obviando los aspectos no resueltos, que van a
condicionar notablemente los resultados.
La confusin entre aplicaciones operativas y experimentales puede marginar el
empleo de la teledeteccin en instituciones que de otro modo estaran abiertas a emplear
esta tcnica. En consecuencia, nos parece muy importante que se planteen unos objeti-
vos realistas, bien fundados sobre bibliografa de referencia, y adaptados a la resolucin
espacial, espectral y temporal de los sensores que tendremos disponibles. La definicin
de objetivos hace referencia no slo al propsito genrico del trabajo (p. ej., realizar un
inventario de cultivos), sino tambin a sus especificaciones: a qu escala, con qu nivel
de desagregacin, con qu exactitud, en cunto tiempo, a qu coste..., etc.
Tamao de la MUC
80- (4 mm2)
50-
30-
20-
10
Escala de anlisis
FlG. 4.3. Relaciones entre resolucin y tamao de la MUC. (Adaptado de Robin, 1998.)
sat-TM, pues habran de generalizarse luego los resultados, lo que no justificara la in-
versin inicial. De acuerdo con la Asociacin Cartogrfica Internacional, las escalas
lmite ms idneas para algunos sensores son (ampliado de Lpez Vizoso, 1989/?):
NOAA-AVHRR 1:2.000.000
Landsat - MSS 1:200.000
Landsat - TM 1:100.000
Spot - HRV (Pan) 1:50.000
IRS-1C (Pan) 1:25.000
Ikonos (XS) 1:25.000
Ikonos(P) 1:10.000
No conviene confundir la MUC con el tamao del mnimo objeto que puede ob-
servarse en la imagen. Obviamente, aqulla tiene que ser mucho ms grande que ste,
de lo contrario el riesgo de error aumenta considerablemente. En este sentido conviene
distinguir entre los conceptos de identificacin y deteccin, bastante empleados en
anlisis visual de imgenes (entre otros, puede verse Robin, 1998). La identificacin
hace referencia al reconocimiento de las caractersticas de un determinado objeto, que
nos permite caracterizarlo en sus formas y superficies reales, mientras la deteccin
slo implica determinar su existencia. Lgicamente, la primera tarea requiere mucho
ms resolucin espacial que la segunda, pues slo ser reconocible algo con un tamao
muy superior al del pxel (al menos 5 veces superior, segn la mayor parte de los auto-
res), mientras puede ser incluso inferior al tamao del pxel para ser detectado. Por
ejemplo, puede determinarse la presencia de un ro en una imagen, incluso si es de an-
chura inferior a la resolucin espacial, gracias al fuerte contraste en la absorcin del
164 TELEDETECCIN AMBIENTAL
FIG. 4.4. Dos imgenes del ro Henares, en las proximidades de Alcal, a 15 m de resolucin
en la parte superior, y a 180 m en la inferior. En la primera puede identificarse el ro,
en la segunda slo detectarse.
agua, que har bajahla reflectividad de los pxeles por los que discurre. Sabremos que
est all, pero no podremos medir su anchura o forma, que slo ser perceptible a partir
de imgenes ms precisas (fig. 4.4). En consecuencia, si lo que se pretende es interpre-
tar rasgos especficos de la imagen, su tamao medio marcar el nivel mnimo de reso-
lucin que puede admitirse en una imagen. Por ejemplo, no parece adecuado adquirir
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN 165
imgenes de un sensor de resolucin media para anlisis urbano, donde ser inevitable
contar con alta resolucin espacial.
Con la generalizacin del empleo de imgenes de satlite en distintas aplicaciones
cartogrficas, va siendo cada vez ms frecuente que distintos proyectos temticos se ba-
sen en esta informacin. Esto nos permite encontrar diversos ejemplos de proyectos
cartogrficos a distintas escalas realizados a partir de teledeteccin. Entre ellos, pode-
mos citar desde escalas globales, que cubren todo el planeta, normalmente con resolu-
ciones entre 1 x 1 km y 0,5 x 0,5 grados, y se basan en imgenes NOAA-AVHRR,
SPOT-Vegetation o Terra-Modis (Ahern et al, 2001; DeFries y Townshend, 1994),
hasta inventarios regionales, con escalas prximas a 1:100.000, que cubren pases o con-
tinentes, basados en imgenes Landsat-TM o SPOT-HRV (European Commission,
1993). El trabajo de Martnez (1996) analiza diversos proyectos cartogrficos a escala
global, nacional y regional llevados a cabo con imgenes de satlite en distintos mbitos
geogrficos.
En lo que se refiere a la leyenda de la cartografa temtica, conviene indicar que
no slo est en funcin de la escala, sino tambin de la complejidad del territorio.
Como consecuencia, ha sido prctica habitual en algunos inventarios (como, por
ejemplo, en la cartografa de ocupacin del suelo) emplear una leyenda particular para
cada zona de estudio, bien adaptada a las necesidades locales, pero con escasa validez
para otros mbitos. Por ejemplo, hace algunos aos tuvimos ocasin de analizar una
muestra de 28 trabajos relacionados con la cartografa de ocupacin del suelo a partir
de teledeteccin, notando que ninguno presentaba criterios comunes para el estableci-
miento de la leyenda (Chuvieco, 1985>). Las clases ms repetidas eran agua la ms
fcil de discriminar a partir de sensores espaciales, rea urbanizada, cultivada y fo-
restal, aunque en estas ltimas se realizaban mltiples divisiones, segn los objetivos
especficos del inventario Esta falta de criterios comunes dificulta la generalizacin de
resultados a otros espacios, e invalida cualquier intento de cartografa sistemtica del
territorio.
En caso de que la leyenda no sea un requisito previo al trabajo (esto es, que no es-
tn fijadas apriori las categoras que quieren discriminarse), el intrprete debera cui-
dar mucho este aspecto, de tal forma que las clases establecidas tengan coherencia en-
tre s, y con las herramientas que vamos a utilizar en el anlisis. En este sentido es es-
pecialmente importante que la leyenda no incluya clases que puedan solaparse entre s,
y que recoja toda la variacin posible que haya en el rea de estudio. En definitiva, que
las clases sean mutuamente excluyentes y exhaustivas, propiedades obvias, pero no
por ello umversalmente respetadas, de cualquier tipologa de clasificacin. Es fre-
cuente observar que se mezclan criterios a la hora de definir las clases de una determi-
nada leyenda, lo que implicar un cierto margen de aleatoriedad en el proceso. Por
ejemplo, la clase matorral en ladera implica mezclar dos temas distintos: cobertura y
emplazamiento, y no resulta una categorizacin exhaustiva, ya que no podramos asig-
nar el matorral que se presente en otros mbitos geomorfolgicos. Las clases pinar de
repoblacin y pinar sobre calizas no son excluyentes, pues puede haber lgicamente
pinar de repoblacin situado sobre calizas.
De cara a establecer leyendas ms robustas se han planteado diversas propuestas de
clasificacin, que incorporan un carcter jerrquico, eso permite adaptar distintos nive-
les de detalle (desagregacin de clases) en funcin de la calidad de los datos disponibles.
166 TELEDETECCIN AMBIENTAL
1. Siguiendo la terminologa anglosajona, distinguimos entre uso y ocupacin del suelo (land use
y land cover, respectivamente), segn nos refiramos a la actividad humana sobre el territorio o a las cu-
biertas que aparecen sobre l (Chuvieco, 1985>).
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN 167
TABLA 4.1. Clasificacin propuesta para el proyecto de Ocupacin del suelo de Espaa
(CORINE-Land Cover)*
* Slo se recogen los dos primeros niveles de la clasificacin. En la adaptacin espaola de la leyenda
comunitariase llega, en algunas cubiertas, hasta los cinco niveles.
Por el carcter global, basta finalmente con citar el mapa de cobertura def suelo de
todo el planeta realizado por uno de los grupos de trabajo del programa IGBP (Interna-
tional Geosphere Biosphere Program) a partir de imgenes NOAA-AVHRR (DeFries
y Townshend, 1994). Actualmente se est actualizando esta cartografa a partir de
imgenes MODIS y vegetacin.
Sea una u otra la lista de categoras finalmente empleada, conviene recordar que
el nivel de detalle que ofrece la leyenda se relaciona estrechamente con el riesgo de
error, por cuanto es altamente probable que cualquier subdivisin implique separar ca-
tegoras muy similares espectralmente. Caso de que esa ulterior divisin no sea abor-
dable a partir de las imgenes o del mtodo de interpretacin propuesto, deber el
usuario ajustar alguno de los dos parmetros: bien hacia una leyenda ms generalista,
bien hacia imgenes o mtodos de tratamiento ms refinados.
Una vez establecida leyenda y escala de trabajo puede abordarse la eleccin del
material qu&vconstituir la base del estudio. A este respecto conviene considerar varios
elementos: tipo de sensor, fecha de adquisicin, soporte de las imgenes y material
auxiliar.
168 TELEDETECCIN AMBIENTAL
Negativo
Convertidor
digital-analgico
Film positivo
Papel positivo
El soporte sobre el que puede realizarse la interpretacin depende del tipo de tra-
tamiento que se aplique. En caso de que se opte por el anlisis visual se requiere resol-
ver tres aspectos: 1) soporte material de la imagen, 2) escala, y 3) nmero de bandas y
combinacin de bandas seleccionada.2
En lo que se refiere al primer aspecto, hasta hace muy pocos aos las entidades
distribuidoras de imgenes ofrecan tres opciones. Las imgenes podan pedirse en pe-
lcula negativo, en pelcula positivo o en papel (fig. 4.5). Todava estos formatos pue-
den encontrarse para imgenes histricas o para misiones fotogrficas, como algunas
del Space Shuttle. Actualmente, casi todas las empresas que comercializan imgenes
de satlite lo hacen exclusivamente en formato digital: queda, por tanto, al usuario la
labor de convertir esos valores numricos en tonos de gris o color si lo que pretende es
realizar una interpretacin visual de la imagen.
Para los documentos ms antiguos, baste indicar que los negativos permiten am-
pliaciones muy verstiles, ajustndose a la escala deseada, pero la calidad de la copia
que se obtenga luego en papel es inferior a la adquirida directamente en este soporte.
El film positivo es muy til para reproduccin fotogrfica e impresin de la imagen,
especialmente cuando se trata de composiciones coloreadas de 3 bandas. Por ltimo,
2. Actualmente, cada vez es ms frecuente realizar la interpretacin visual sobre el propio moni-
tor de visualizacion, digitizando directamente los polgonos identificados por el intrprete. En ese caso, el
soporte de la imagen ser la consola, la escala ser variable, en funcin del nivel de magnificacin em-
pleado, y la combinacin de bandas puede modificarse fcilmente por el intrprete.
170 TELEDETECCIN AMBIENTAL
los productos que facilitaban las agencias distribuidoras en papel garantizaban una in-
terpretacin directa de alta calidad, pero resultaba rgida la escala y no admita copias
sucesivas. Cuando se trata de composiciones en color, a partir de los negativos de cada
banda pueden obtenerse tantas combinaciones como requiere el intrprete, mientras el
film positivo o papel deba solicitarse ya con una determinada combinacin de bandas.
Naturalmente, ahora pueden generarse productos en papel a partir de la informacin
digital, mucho mejor adaptados a las necesidades del intrprete, gracias a la creciente
disponibilidad de trazadores grficos en color de amplio formato.
En cuanto al soporte de la informacin digital, hace algunos aos lo ms comn
eran las cintas compatibles con ordenador (CCT), que eran el nico medio viable de
almacenar un volumen importante de datos. Actualmente las tecnologas magnticas
han dejado paso a las pticas y, aunque se siguen utilizando cintas de cartucho (pre-
dominantemente las Exabyte) para copias de seguridad, cada vez resulta ms exten-
dido el empleo del CD-ROM, que resulta ms compacto, fiable y econmico, ade-
ms de disponerse de lectores y grabadores de consumo generalizado. Recientemente
se han introducido los grabadores de DVD (Digital Video Disk), que puede ser un
soporte alternativo para la distribucin masiva de datos, si bien las imgenes comer-
ciales actualmente disponibles no requieren un almacenamiento superior a la capaci-
dad de un CD-ROM. Tambin ser cada vez ms frecuente la distribucin de imge-
nes a travs de Internet, facilitando una reduccin en los costes y mayor rapidez en el
envo.
Fie 4.6. Ventajas e inconvenientes del anlisis visual frente al digital en la interpretacin
de imgenes.
una cartografa de la ocupacin del suelo a esta escala, la imagen de satlite puede sali-
var costes y reducir notablemente el tiempo de tratamiento frente a la fotografa area,
que ofrece un detalle tal vez excesivo para la escala final del mapa (Chuvieco y Mart-
nez Vega, 1990). Adems, conviene considerar que varios organismos han publicado
estos ltimos aos coberturas de imgenes de distintas zonas del pas (Martnez Vega,
1997). Por ejemplo, el Instituto Geogrfico Nacional distribuye orto-imgenes en pa-
pel de toda Espaa a diversas escalas, y a una fraccin del coste que tienen original-
mente. Si la fecha de la adquisicin es adecuada para nuestro trabajo, se ser un punto
de partida muy conveniente.
En situaciones de presupuesto ms desahogado puede abordarse el tratamiento di-
gital de imgenes. El apoyo del ordenador, en principio, garantiza un tratamiento ms
rpido, econmico y, en principio, ms certero, pero requiere una mayor inversin ini-
cial, pese a que los equipos y programas informtiaos que permiten el tratamiento de las
imgenes han reducido en los ltimos aos sensiblemente sus costes.
Esta inversin inicial hace referencia tambin al entrenamiento previo del intr-
prete. El anlisis visual emplea claves de identificacin similares a la foto-interpre-
tacin clsica (tono, textura, tamao, localizacin, forma, etc.), por lo que no requiere
un entrenamiento previo muy especializado, si bien, como es lgico, precisa una nota-
ble agudeza visual y mental, as como la debida experiencia, para obtener resultados
brillantes. El tratamiento digital, por su parte, requiere una buena base estadstica, co-
172 TELEDETECCIN AMBIENTAL
resulta muy tedioso en interpretacin visual, pues es necesario planimetrar todas las
superficies incluidas en cada tipo de cubierta. En el caso del tratamiento digital basta
realizar un clculo de frecuencias esto es, del nmero de pxeles incluidos en cada
clase, para conocer la superficie ocupada por cada una de ellas, por cuanto sabemos
la equivalencia superficial de cada pxel. Naturalmente, en caso de que se opte por la
interpretacin visual y digitizacin simultnea en pantalla, las imgenes ya estarn
georreferenciadas, por lo que el inventario se obtiene tambin casi de modo inmediato.
Respecto a la posibilidad de combinar los resultados del anlisis con otro tipo de
variables territoriales: suelos, hidrografa o pendientes, la integracin manual conven-
cional resultaba muy compleja (tcnica de superponibles), mientras la asistida por or-
denador supone un proceso relativamente sencillo, en el marco de los denominados
SIG (cap. 9). La entrada de informacin en estos sistemas requiere una previa digitiza-
cin para el caso del anlisis visual, mientras resulta un proceso bastante inmediato en
tratamiento digital especialmente si el SIG almacena la informacin en formato rs-
ter, puesto que las imgenes ya se encuentran en soporte numrico. Como antes in-
dicamos, si la interpretacin visual se realiza sobre pantalla, la digitizacin es inme-
diata y, por tanto, su integracin en un SIG, y el acceso a las funciones de anlisis que
estos sistemas proporcionan.
En resumen, y siguiendo nuestra opinin particular, ambos mtodos de trabajo se
complementan, y pueden emplearse integradamente. El tratamiento digital permite
realizar operaciones complejas, muy costosas o inaccesibles al anlisis visual. Garan-
tiza una clasificacin ms rpida de la zona de estudio, manteniendo una coherencia en
la asignacin de reas vecinas a dos categoras, a la vez que permite generar la distri-
bucin espacial de variables biofsicas (temperatura, clorofila en el agua, etc.), y sim-
plifica la determinacin de cambios temporales. Por su parte, el anlisis visual es una
buena alternativa para actualizar cartografa existente, identificar clases heterogneas
o realizar inventarios a escalas medias o de semi-detalle. Auxilia a la clasificacin di-
gital, aislando sectores de potencial confusin sobre la imagen, o estratificando algu-
nos sectores de la imagen para aplicarles tratamientos especficos. El tratamiento digi-
tal supone una fuerte inversin de entrada, pero los costes van disminuyendo al au-
mentar la superficie analizada. Por el contrario, los costes del anlisis visual son linea-
les, suponiendo una pequea inversin de partida (Chuvieco y Martnez Vega, 1990).
Con estos planteamientos, la inversin en equipos informticos parece imprescindible
en tres casos: 1) cuando el objeto de estudio no sea abordable mediante anlisis visual,
2) cuando se pretendan obtener modelos biofsicos, deteccin de cambios o medicin
numrica de la estructura del territorio, y 3) cuando se pretenda introducir los resulta-
dos en un SIG.
Asumiendo que los equipos de tratamiento digital estn disponibles, la interpre-
tacin de la imagen puede realizarse con criterios visuales y digitales. En te marco,
podramos aprovechar la potencia de anlisis de la interpretacin visual (incluyendo
criterios de contexto, textura, formas complejos que puede emplear un intrprete hu-
mano), as como la flexibilidad y potencia del tratamiento digital (georreferenciando
la imagen, mejorando su aspecto visual, digitizando informacin en pantalla, etc.). En
definitiva, podemos actualmente hablar de una fotointerpretacin asistida por ordena-
dor, que elimina diversas fases de la interpretacin visual clsica (restitucin, inventa-
rio). A la vez, esa interaccin visual con el intrprete permitir resolver algunos pro-
174 TELEDETECCION AMBIENTAL
blemas del tratamiento digital, que encuentra notables dificultades para automatizar la
interpretacin de ciertos rasgos de la imagen (algunas nubes, reas urbanas...), que son
bastante obvios al anlisis visual.
4. Fases en la interpretacin
Las aplicaciones de la teledeteccin espacial son muy numerosas, por lo que re-
sulta complejo establecer un marco general, que pueda ser vlido para todas ellas. No
obstante, y aun a riesgo de caer en la simplicidad, puede ser conveniente introducir al-
gunas ideas sobre el proceso de trabajo con este tipo de imgenes. No ser difcil que
cada usuario pueda ajustar este esquema a sus propios intereses.
El proceso propuesto contempla las siguientes fases (fig. 4.7):
Definicin de objetivos
Revisin bibliogrfica
Reconocimiento
Trabajos de campo
Adquisicin de datos Calibracin \
r
Verificacin
Interpretacin 4-----
--- Definicin de la leyenda
Anlisis de la exactitud
r
Georreferenciacin/lnventario
Integracin a un SIG
Interpretacin de resultados
trabajo (duracin del proyecto, coste mximo, categoras temticas a discriminar, etc.)
o ya de los medios disponibles.
2. Revisin bibliogrfica y propuesta de mtodo. En funcin de la literatura
consultada sobre el tema, podrn plantearse las alternativas metodolgicas ms razo
nables. Un estudio bibliogrfico resulta vital para orientar el proceso de anlisis, opti
mizando las decisiones futuras.
3. Trabajos de campo preparatorios y acopio de informacin auxiliar. En este
primer contacto, los trabajos de campo permiten familiarizar al intrprete con la zona
objeto de estudio, estudiar sus rasgos medioambientales y humanos. Si se trata de una
aplicacin relacionada con la cubierta vegetal, resulta conveniente elaborar un calen
dario fenolgico de las especies de inters con objeto de seleccionar la fecha o fechas
ms apropiadas para adquirir la imagen. En esta fase pueden incluirse las medidas a
realizar con radimetros de campo que permiten caracterizar espectralmente la cu
bierta y seleccionar el sensor y las bandas ms apropiadas para discriminarla, as
como el acopio del material auxiliar necesario para la posterior interpretacin de la
imagen.
4. Seleccin de la informacin de partida: sensor y fecha (o fechas) ms conve
niente, nmero de imgenes, soporte, etc.
5. En caso de que la leyenda no sea un requisito del proyecto (esto es, que ya es
tn marcadas las categoras que necesitan discriminarse), el usuario deber plantear
una leyenda adecuada de trabajo, basada sobre las caractersticas de la zona y las posi
bilidades que brinda el sensor seleccionado.
6. Trabajos de campo de calibracin. Una vez adquiridas las imgenes, esta se-
gunda fase de campo sirve para familiarizar al intrprete con la imagen, caracterizando
sobre ella la variacin de las distintas clases sealadas en la fase anterior. Esta fase de
bera realizarse simultneamente a la adquisicin de la imagen, con objeto de evitar
cualquier ruido posterior en el anlisis que pueda deberse a variacin de las condicio
nes entre terreno e imagen. Caso de que el trabajo pretenda generar una variable cuan
titativa, aqu deberamos realizar las medidas de campo de esa variable para calibrar y
luego validar el modelo (caso de que sea emprico), o validarlo slo (caso de que sea
terico). Las campaas de medicin en terreno (fig. 4.8) resultan claves para poder es
tablecer posteriormente relaciones cuantitativas con los datos de la imagen.
7. Interpretacin de estas cubiertas, ya sea a travs del anlisis visual, ya del tra
tamiento digital, extendiendo al resto de la imagen la experiencia acumulada en el
muestreo de campo realizado previamente.
8. Revisin de campo, para la verificacin de resultados, de acuerdo al porcen
taje de fiabilidad requerido y a la tasa de error tolerable en el muestreo. Esta fase puede
tambin simultanearse con la (6) siempre que no se empleen las mismas reas para cla
sificar/calibrar y para verificar/validar la imagen (ver cap. 8).
9. Restitucin. Una vez obtenidos unos resultados suficientemente fiables, se
trata de otorgar validez cartogrfica a los resultados; esto es, que el documento obteni
do pueda superponerse sobre la cartografa base. Esta restitucin puede ser digital o
analgica, en funcin del mtodo seguido en el anlisis, si bien, como hemos indicado,
tambin puede realizarse interpretacin visual a partir de imgenes ya corregidas car
togrficamente.
10. Obtencin de resultados e integracin en un SIG. Esto supone la digitiza-
176 TELEDETECCIN AMBIENTAL
FlG. 4.8. La obtencin de datos sobre el terreno resulta clave para calibrar modelos
de interpretacin de imgenes.
Como puede observarse, este esquema est bastante centrado en aquellas aplica-
ciones que persigan elaborar una cartografa temtica a partir de la teledeteccin, pero
podra tambin adaptarse a la generacin de variables continuas, la deteccin de cam-
bios o el anlisis del patrn espacial a partir de las imgenes.
CAPTULO 5
+ -Mfico+
taciones que incluan los productos fotogrficos. Para las primeras imgenes procesa-
das por la NASA, y distribuidas por el EROS Data Center(U.S. Geological Survey), se
inclua la siguiente informacin auxiliar (fig. 5.1):
Debajo de estos datos se situaba una escala de grises, con objeto de comprobar la
calidad de la reproduccin.
En los aos ochenta, otras agencias espaciales comenzaron a encargarse de la dis-
tribucin de imgenes. Para toda Europa, la Agencia Espacial Europea (ESA) se res-
ponsabiliz de la recepcin de los datos, gracias a sus estaciones de Fucino, Troms0 y
Maspalomas, mientras el programa EARTHNET se haca cargo de la red distribuido-
ra. Como consecuencia de esto se modifican las anotaciones en los productos fotogr-
ficos del satlite Landsat, ajustndose al siguiente esquema (fig. 5.2):
Una primera forma de familiarizarse con las imgenes es compararlas con una
fuente cartogrfica convencional. Este ejercicio puede abordarse en varias fases. En la
primera, apoyndose en un mapa de similar escala, pueden situarse los embalses y cur-
sos de agua ms importantes de la zona. A partir de ellos, una segunda inspeccin de la
imagen permite identificar aspectos humanos del territorio, como son las ciudades ms
importantes y las principales vas de comunicacin. Los accidentes montaosos se iden-
tificarn en una tercera fase, puesto que se trata de aspectos representados ms abstrac-
tamente en el mapa y, por tanto, de difcil delimitacin. Masas de vegetacin o rasgos
efmeros relacionados con la imagen (como^por ejemplo, incendios o agentes contami-
nantes) podrn interpretarse en una ltima fase, puesto que rara vez vendrn recogidos
en el mapa. Este ejercicio puede realizarse a partir de las carto-imgenes que producen
distintos centros cartogrficos (Instituto Geogrfico Nacional, por ejemplo).
Esta primera familiarizacin sirve de prembulo para considerar los principales
criterios que se utilizan para interpretar visualmente una imagen. Muchos de ellos son
comunes a la fotointerpretacin clsica de fotogramas areos.
Como ya indicamos, una de las principales ventajas del anlisis visual sobre el di-
gital es su capacidad para incorporar a la interpretacin de la imagen criterios comple-
jos. Mientras el tratamiento digital se basa, casi exclusivamente, sobre te intensidad ra-
diomtrica de cada pxel en las distintas bandas utilizadas para la interpretacin, el
anlisis visual puede utilizar otros elementos, como son la textura, estructura, emplaza-,
miento o disposicin, muy difciles de definir en trminos digitales, aunque se est tra-
bajando intensamente en esta lnea, como luego tendremos ocasin de analizar.
Estos criterios nos permiten discriminar categoras con un comportamiento es-
pectral parejo, aunque con un significado temtico bien distinto. Por ejemplo, algunos
cultivos en regado suelen ofrecer una respuesta espectral muy parecida a los parques"
urbanos, ya que ambas cubiertas estn formadas por las mismas o similares especies
vegetales. Sin embargo, su significado temtico es claramente distinto, y as debe in-
cluirse en la cartografa final. Digitalmente la distincin es compleja, pues los valores
numricos de ambas cubiertas son muy similares. Ahora bien, basta incorporar un cri-
terio visual sencillo, como es el contexto geogrfico, para separarlas.
Entre las pautas visuales manejadas en teledeteccin espacial, algunas son comu-
nes con la fotografa area tono, textura, estructura, sombras, contexto, etc., otras
son ms propias de las imgenes espaciales, principalmente en lo que atae a la dimen-
sin multi-espectral y multi-temporal de las observaciones, severamente limitada en
fotografa area. Un ltimo grupo corresponde a criterios tradicionales en foto-
interpretacin que rara vez resultan accesibles en imgenes espaciales, como es el
caso de la cobertura estereoscpica, tan vital para estudios del relieve. En cualquier
caso, ya sean nuevos o tradicionales, los criterios visuales deben manejarse con cierta
precaucin en imgenes de satlite, por cuanto las escalas de trabajo y la geometra de
adquisicin son distintas a las empleadas en fotografa area. Segn vayan disponin-
182 TELEDETECCIN AMBIENTAL
Criterio
espacial Sombras - Contexto - Asociacin
complejo
Criterio
temporal Fenologa: Condiciones estacionales
dose de imgenes de mayor resolucin, estas diferencias se irn atenuando, hasta con-
vertirse prcticamente en inexistentes.
Conviene tener en cuenta que esos criterios se utilizan de modo integrado, en cla-
ves visuales complejas. Varios autores han sugerido clasificar esos criterios en una es-
cala jerrquica, en funcin de su grado de complejidad y de las variables que se consi-
deran (fig. 5.4: European Commission, 1993). El brillo y color seran los criterios ms
elementales, pues caracterizan espectralmente a una cubierta. La forma, tamao, y
textura tienen que ver con las propiedades espaciales de los objetos. La sombra y em-
plazamiento, con su relacin a los objetos circundantes. Finalmente, la dimensin
temporal hace referencia a la evolucin estacional de las cubiertas. A continuacin re-
visaremos con detalle los criterios de interpretacin visual ms utilizados.
El brillo hace referencia a la intensidad de energa recibida por el sensor para una
determinada banda del espectro. En un producto fotogrfico, los pxeles con tonos os-
curos indican aquellas reas sobre las que el sensor detect una dbil radiancia, mien-
tras las zonas claras son producto de una mayor intensidad. En otras palabras, el brillo
se relaciona estrechamente con el comportamiento espectral de las distintas cubiertas,
para la banda particular del espectro sobre la que se trabaje.
Puesto que la energa reflejada desde una cubierta vara en distintas longitudes de
INTERPRETACIN VISUAL DE IMGENES 183
2.2. COLOR
Varios autores han puesto de manifiesto que el ojo humano es ms sensible a las
variaciones cromticas que a la intensidad luminosa (Barret y Curtis, 1999a). Si a esto
aadimos el aumento de informacin que supone la mezcla de varias bandas del espec-
tro, fcilmente se comprende que el color resulta un elemento bsico en la interpreta-
cin visual de imgenes.
184 TELEDETECCION AMBIENTAL
FlG. 5.5. Variacin del brillo en dos bandas en la imagen MadridOO: (1) Suelos descubiertos;
(2) Vegetacin sana; (3) Agua, (4) reas urbanas. La imagen superior corresponde a la banda
roja (ETM3) y la inferior al infrarrojo cercano (ETM4).
INTERPRETACIN VISUAL DE IMGENES 185
Como es bien sabido, el color que aprecian nuestros ojos es fruto de la reflectivi-
dad selectiva de los objetos a distintas longitudes de onda. Aquellas superficies con
alta reflectividad en el azul, y baja en el resto, aparecen con ese color, mientras ofrecen
un tinte rojo si absorben las longitudes cortas y reflejan las largas. Nuestro ojo slo
percibe las longitudes de onda comprendidas entre 0,4 y 0,7 /m, separando la energa
recibida en tres componentes de acuerdo a la sensibilidad espectral de nuestras clulas
sensoras. Esos tres componentes son los denominados colores primarios: rojo, verde y
azul (RVA), a partir de los cuales puede reconstruirse cualquier otro color del arco iris.
Una impresin similar al color que nosotros percibimos puede obtenerse cuando
combinamos las bandas espectrales RVA, aplicando a cada una de ellas los tres colo-
res primarios, en ese mismo orden. Esa asignacin natural puede modificarse a vo-
luntad del intrprete, asignado los colores primarios RVA a tres bandas espectrales
cualquiera, en el orden que se estime ms oportuno (fig. 11 *). Obviamente, cuando no
seleccione las bandas espectrales RVA, sino otras cualesquiera, el color resultante
no ser con el que nosotros percibimos los objetos (lo que llamamos color natural),
sino que los colores nos resultarn artificiales, de ah que suele denominarse a estas
composiciones falso color. Esas composiciones coloreadas no se ajustan a los colo-
res que aprecian nuestros sentidos, pero pueden ser como, de hecho, suele ocurrir
ms interesantes desde el punto de vista de la interpretacin temtica de la imagen.
Independientemente de las bandas que se incluyan en la composicin, conviene
considerar algunos aspectos sobre el proceso que permite obtener esas composiciones
en color. La mezcla de tres bandas espectrales en una composicin en color puede con-
seguirse de acuerdo a dos procesos, denominados aditivo y sustractivo. En el proceso
aditivo, cualquier color se obtiene por suma de los tres colores elementales: azul, ver-
de y rojo. La suma de dos colores primarios permite lograr un color complementario:
azul + verde = cian; azul + rojo = magenta, y verde + rojo = amarillo, mientras los tres .
suman el blanco (fig. 5.6a). Por el contrario, el proceso sustractivo se basa en la absor-
cin de la luz que ejercen los colores complementarios: el cian absorbe la luz roja, el
magenta absorbe el verde y el amarillo el azul. Los tres en combinacin suponen, por
tanto, el negro (fig. 5.6b).
a) ^---------------- - " b)
Blanco
Magenta \/ Cian
2.3. TEXTURA
1. Textura grosera, cuando los objetos estn comprendidos entre 0,25 y 1 mm2 a
la escala de la imagen.
2. Textura media, objetos comprendidos entre 0,04 y 0,25 mm2.
3. Textura fina, objetos inferiores a 0,04 mm2.
En sentido estricto, adems del tamao de los objetos que forman una determina-
da cubierta, la textura con la que aparece en la imagen puede variar en funcin de di-
versos factores. Los ms importantes son el ngulo de observacin del sensor (una ob-
servacin ms aguda incrementa la rugosidad), las condiciones de iluminacin (a n-
gulos solares ms bajos el efecto de sombras es ms evidente), y la longitud de onda
(una superficie lisa a longitudes largas puede aparecer como rugosa en cortas). Traba-
jando en el espectro visible e IRC, la rugosidad se modifica principalmente en funcin
de las condiciones de iluminacin solar. Un bosque natural, por ejemplo, puede ofre-
cer una textura muy variada a lo largo del ao, dependiendo de la altura del sol sobre el
horizonte y de su desarrollo estacional.
En cualquier caso, el criterio de textura es muy importante para discriminar deter-
minadas cubiertas que pueden ofrecer un comportamiento espectral uniforme. Por ejem-
plo, los frutales en regado y las caducifolias ofrecen una reflectividad muy similar, por
cuanto, en muchas ocasiones, presentan grandes afinidades fisiolgicas. De esta forma,
el criterio de textura puede ser el nico viable para distinguirlas. Los frutales ofrecen un
marco de plantacin regular lo que implica menor variedad espacial en la cubierta,
mientras los rboles de hoja caduca aparecen con un desarrollo mucho ms heterogneo.
En consecuencia, los frutales presentan una textura ms fina, facilitando al intrprete la
separacin frente a especies forestales naturales (Gordon y Philipson, 1986).
La figura 5.7 recoge un ejemplo de la aplicacin del criterio de textura. Incluye
un fragmento de la imagen (Alcala87), adquirida por la cmara rusa KVR-1000, co-
rrespondiente a los mrgenes del ro Henares. Tanto los cultivos de regado (A) como
INTERPRETACIN VISUAL DE IMGENES 189
FlG. 5.7. Fragmento de la imagen Alcal87 sobre los mrgenes del ro Henares.
los rboles de ribera (B) ofrecen los mismos tonos, lo que permite diferenciarlos clara-
mente de los suelos agrcolas ya cosechados (C), que ofrecen una tonalidad mucho
ms clara. Sin embargo, para distinguir entre A y B resulta preciso acudir a otros crite-
rios, y en concreto a la textura espacial, ya que los cultivos son mucho ms homog-
neos espacialmente, ofreciendo por tanto una textura ms lisa.
Con imgenes de menor resolucin, como la pancromtica ETM+ que aparece
en la figura 5.8, la textura puede facilitarnos la discriminacin de las reas urbanas (A,
B) frente a los espacios agrcolas (C), que siempre tendrn una textura ms lisa. Entre
los sectores urbanos, la textura puede permitir diferenciar los barrios donde son domi-
nantes las viviendas unifamiliares y el parcelario minucioso (A), tpico de las reas de
nueva residencia y los cascos histricos, frente a los polgonos de bloques ms grandes
de viviendas (B), normalmente asociados a barrios perifricos.
FlG. 5.8. Sector del centro urbano de Alcal sobre una imagen pancromtica ETM+.
(Alcal99.)
pecies de hoja caduca tiende a presentar un tono, un color y una textura muy similares
a los que puede ofrecer un bosque natural de caducifolios. La confusin se debe a que
ambas cubiertas estn formadas por las mismas o similares especies, incluso con den-
sidades y heterogeneidad (textura) muy parejas. En esa situacin, no cabe ms criterio
para separarlas que ponerlas en relacin con el entorno geogrfico: aquellas que apa-
rezcan en el interior de una superficie edificada, ms o menos densa, pueden conside-
rarse como parques urbanos, mientras las que se siten en un contexto de vegetacin
natural sern asignadas a la categora bosques. En similares trminos cabe expresarse
en lo que se refiere a la separacin entre rboles de ribera y otras especies caducifolias,
ya que las primeras como su nombre indica se asocian con cursos fluviales.
En la figura 5.9 aparece un ejemplo en donde resulta especialmente evidente el
criterio del contexto espacial. Se trata de dos sectores correspondientes a cubiertas
herbceas sometidas a riego, por lo que ofrecen tonos claros en el infrarrojo cercano.
Aunque las especies son similares y el tratamiento que se aplica tambin (ambas son
regadas), su sentido temtico es muy distinto, ya que una imagen alberga unos campos
de golf en el noroeste de la ciudad de Madrid, y otra unos cultivos forrajeros prximos
al ro Jarama. Ambas cuentan con similares caractersticas espectrales, pero su empla-
zamiento (adems de la forma y patrn espacial) permite discriminarlas con fidelidad.
Estas distinciones, tan importantes desde el punto de vista de la cartografa tem-
tica, son ms fcilmente abordables mediante interpretacin visual, puesto que la cla-
sificacin digital no considera en s el contexto geogrfico, al ser muy complejo de de-
finir en trminos numricos. No obstante, en posteriores captulos veremos algunas
posibilidades en este sentido (cap. 7.4).
INTERPRETACIN VISUAL DE IMGENES 191
Fie. 5.9. El criterio de contexto espacial permite distinguir entre campos de golf (izquierda) y
cultivos bajo riego (derecha), al estar los primeros prximos a una zona urbana y los segundos
a un sector agrcola.
2.5. SOMBRAS
Ahora bien, en el campo del anlisis visual, la sombra producida por la ilumina-
cin que recibe un determinado objeto resulta, en muchas ocasiones, un criterio cla-
ve para detectarlo o identificarlo, ya que nos proporciona una idea de su altura y pro-
fundidad. Adems, permite realzar la interpretacin de los rasgos geomorfolgicos y
de la textura de la imagen, especialmente en zonas forestales. Asimismo, nos permite
calcular la altura de edificios, siempre que conozcamos los ngulos solares en el
momento de adquirir la imagen. Basta para ello aplicar una sencilla relacin trigono-
mtrica (fig. 5.10):
Is tanfl
h= [5.1]
FlG. 5.10. Esquema para el clculo de altura de edificios a partir de las sombras.
FIG. 5.11. Ejemplo de estimacin de alturas en la ciudad de Alcal. Las letras denotan distintas
tipologas de edificios. (Imagen Alcal87.)
INTERPRETACIN VISUAL DE IMGENES 193
FlG. 5.12. Ejemplo de identificacin de cubiertas a partir del patrn espacial: a.) fbricas en
imgenes KVR-1000; b) campo de golf, y c) aeropuerto (ambas en imgenes TM); d) estructuras
ocenicas. (Imagen ERS.)
Este concepto indica una organizacin peculiar de los objetos que forman una de-
terminada cubierta. Este criterio se emplea mucho en fotografa area (por ejemplo,
para distinguir un olivar en plantacin regular de una dehesa). En imgenes de sa-*
tlite ha estado bastante limitado como consecuencia de la baja resolucin de la mayor
parte de los sensores disponibles hasta hace unos aos. Con el mayor empleo de los
equipos de alta resolucin ganar un mayor protagonismo en el futuro. No obstante,
an sobre imgenes Landsat-ETM+, por ejemplo, puede permitirnos identificar algu-
nas cubiertas artificiales, como seran las plantaciones forestales (que pueden presen-'
tar en la imagen una alternancia de caminos/vegetacin bastante particular), o los cam-
pos de golf, que ofrecen en el infrarrojo cercano una peculiar alternancia de sectores
de alta reflectividad (las calles y greens) y media (la vegetacin original del entorno:
fig. 5.12). Similar criterio puede emplearse para identificar tipos de cobertura del sue-
lo, estructuras geolgicas o marinas.
FlG. 5.14. Empleo de la variable forma sobre grandes tamaos: a.) relieve apalachiense
sobre una imagen MSS; b) cicln tropical en una imagen A VHRR.
2. Ms tarde tendremos ocasin de profundizar en estos enfoques, dentro del captulo dedicado a
tcnicas de deteccin de cambios (cap. 7, apdo. 3).
196 TELEDETECCIN AMBIENTAL
Anlisis multi-estacional
Anlisis multi-anual
1. Por un lado, con objeto de detectar cambios entre dos fechas de referencia,
deduciendo de ah la dinmica del medio natural o las repercusiones de la accin hu
mana sobre ese medio, y planeando, en consecuencia, las medidas adecuadas para evi
tar su deterioro o asegurar su mejor conservacin. Este enfoque podra denominarse
multi-anual, por cuanto se utiliza el factor tiempo para seguir la evolucin de una zona
en un perodo relativamente dilatado.
2. Por otro lado, podramos hablar de un enfoque multi-estacional, en donde la
dimensin tiempo se utilizara para perfeccionar la interpretacin de la imagen, gracias a
incorporar informacin sobre el ciclo estacional de las cubiertas vegetales. Este enfoque
resulta de gran utilidad para discriminar tipos de cultivos y especies forestales. Previa
mente, el intrprete debe conocer bien el calendario estacional de estas especies, con ob
jeto de seleccionar los perodos ms apropiados para discriminarlas, frente a otras que
pueden presentar un comportamiento espectral similar en algunos momentos del ao.
Algo similar ocurre cuando slo estamos trabajando con una imagen: la fecha elegida
debe ser la ms idnea para conseguir separar la cubierta de inters. Por ejemplo, una
cartografa de regados requiere trabajar con imgenes de la estacin seca, mientras un
estudio geomorfologico tender a enfatizar las imgenes de invierno, en donde son ms
evidentes los lincamientos estructurales por el efecto de sombras.
Tras el repaso de los criterios sobre los que se basa la interpretacin visual de
imgenes nos centramos en una serie de elementos a considerar para cualquier trabajo
prctico a partir de este tipo de informacin.
Aunque una imagen adquirida desde el espacio presenta menos errores geomtri-
cos que una fotografa area, como consecuencia de la mayor estabilidad y altura de vue-
lo de la plataforma, esto no quiere decir que est libre de distorsiones, por lo que no pue-
de superponerse directamente sobre la cartografa bsica. Ms adelante trataremos de
los procesos que se aplican a la correccin de estos errores geomtricos. Basta aqu
apuntar que ese desajuste est originado por tres factores: 1) por errores, propiamente di-
chos, en la adquisicin de la imagen; 2) por la diferencia entre las proyecciones de la
imagen y el mapa (la primera cnica, y la segunda normalmente cilindrica), y 3) pot
la propia deformacin que cualquier mapa implica de la superficie terrestre.
Una vez resueltos estos problemas, la imagen de satlite puede servir para actua-
lizar aspectos planimtricos de la cartografa, sobre todo a escalas pequeas y medias,
dependiendo de la resolucin espacial del sensor que se utilice. Existen abundantes ex.-
periencias en este sentido (Martnez Vega, 1996), no slo en reas de difcil acceso
con mtodos convencionales (Arbiol et al, 1994), sino tambin en pases con buena
cobertura cartogrfica (Arozarena et al, 1989).
albergar una sola cubierta. Por el contrario, si el tamao del pxel es grande, la seal
detectada resulta frecuentemente de varios tipos de cubierta, haciendo mucho ms
compleja su interpretacin.
El efecto de la resolucin espacial sobre la calidad final de la imagen se pone de
manifiesto en el anlisis de la figura 5.16. Incluye tres imgenes adquiridas por los
sensores ETM+ (multiespectral y pancromtico) y la cmara KVR-1000 sobre un pe-
queo sector de la ciudad de Alcal. Resulta evidente el deterioro de la identificacin
de los edificios y sus sombras en las imgenes de menor resolucin.
La figura 5.17 incluye dos imgenes TM y MSS sobre el entorno urbano de Ma-
drid. En ellas puede comprobarse el efecto de la resolucin espacial sobre la interpre-
tacin de imgenes, en este caso a escala ms regional. Se sugiere realizar unos trans-
parentes sobre la red hidrogrfica, autovas nacionales, estructura urbana, aeropuertos
(Barajas, Cuatro Vientos), y grandes objetos de referencia: parques y jardines, Merca-
madrid, hipdromo, Palacio Real, etc. Todos estos elementos son claramente identifi-
cables sobre la imagen TM y muy complejos sobre la obtenida por el MSS, pues todos
ellos estn influidos por la diferente resolucin espacial que brindan estos sensores (30
y 80 m, respectivamente).
puede acostumbrarse a observar las masas vegetales con tonos oscuros en las bandas
visibles y claros en el IRC, sin considerar los factores que inciden en ese fenmeno.
No ca>e duda que si stos se tienen presentes en la interpretacin de la imagen, resulta
ms fcil adaptarlos a zonas o categoras peor conocidas, convirtiendo la teledeteccin
en una tcnica aplicable a contextos ms amplios.
No quiere esto decir que los tonos de gris de las distintas bandas sean una traduc-
cin estricta de las curvas de reflectividad previamente analizadas. Son, ms bien, una
representacin visual de los valores numricos almacenados por el sensor conse-
202 TELEDETECCIN AMBIENTAL
Fie. 5.19c-.
INTERPRETACIN VISUAL DE IMGENES 203
Fie. 5.19c-/.
204 TELEDETECCIN AMBIENTAL
Una vez completado el grfico ser posible responder a las siguientes preguntas:
es posible distinguir entre perennifolias y caducifolias considerando la fecha del ao
en que est tomada la imagen?, en qu bandas?, qu base fsica tiene esa distincin?,
qu banda es ms idnea para cartografiar los cultivos de secano frente al agua?, por
qu?, se mantendra en otra fecha del ao esa separacin, por ejemplo en verano?
Qu banda indica mejor las redes de transporte?
Ya hemos comentado que el factor temporal puede abordarse con un doble objeti-
vo: por un lado, reconstruir la variacin estacional de la zona; por otro, la deteccin de
cambios.
El primer aspecto supone utilizar la dimensin temporal para mejorar la interpre-
tacin de la imagen, al aportar un valioso informe sobre el desarrollo fenologico de las
especies vegetales. El inters de utilizar este criterio puede orientarse a distintas apli-
caciones: seguimiento de las condiciones del cultivo o el estado de los embalses po-
dran ser dos claros ejemplos. Por ejemplo, la figura 5.20 recoge cuatro imgenes MSS
FIG. 5.20. Imgenes de varas estaciones tomadas sobre las cercanas del embalse del
Rosarito, en Cceres: enero; mayo; julio y octubre de 1981. (Banda IRC.)
206 TELEDETECCIN AMBIENTAL
tomadas en distintos meses del ao, que permiten seguir la evolucin estacional de la
lmina de agua en el embalse de Rosarito. Al tratarse de una represa de rgimen plu-
vio-nival, el mnimo anual se retrasa considerablemente respecto al centro del verano,
observndose un nivel bastante alto en el mes de julio.
La figura 5.21 permite realizar una observacin ms amplia de esta variedad esta-
cional, al incluir dos imgenes tomadas en primavera y en verano sobre el rea de To-
rrelaguna. Permite determinar algunos rasgos de la evolucin estacional de la vegeta-
cin natural, como el contraste entre perennifolios (A) y caduficolios (B), bien obvio
en la imagen de verano, pero no tanto en la de primavera; la senescencia de los pastiza-
les (C), con menor brillo en la imagen de verano a consecuencia de su marchitez; los
cultivos de secano (D), que aparecen roturados en la imagen de verano, frente a los de
regado (E), que no se observan en la primera fecha. Tambin aparecen dos nubes, con
sus respectivas sombras, en la imagen de verano (F), y es evidente la reduccin de la
lmina de agua en algunos embalses (G).
El segundo enfoque del anlisis multi-temporal se dirige a detectar cambios entre
dos o ms fechas alejadas en el tiempo, estudiando el dinamismo temporal de una de-
terminada zona: crecimiento urbano, transformaciones agrcolas, obras de infraestruc-
tura, etc. Tambin nos permite evaluar la superficie afectada por fenmenos efmeros,
como es el caso de inundaciones o erupciones volcnicas, as como seguir la evolucin
de sus efectos.
Como muestra de las posibilidades de este enfoque del anlisis multi-temporal se
presenta la figura 5.22, que incluye dos imgenes adquiridas por el sensor TM, con ocho
aos de diferencia (1984 y 1992), y otra ms reciente, del ETM (ao 2000). La resolu-
cin espacial y espectral de las imgenes es la misma, por lo que podemos emplear esta
informacin para delimitar los principales cambios producidos en el rea metropolitana
de Madrid entre las tres fechas de referencia. Los cambios ms evidentes son la cons-
truccin de la M-40 e inicio de la M-45, autovas de circunvalacin exterior de la ciudad,
la apertura del recinto ferial de Madrid, situado entre la M-40 y el aeropuerto de Barajas,
la ampliacin del mismo aeropuerto, con la tercera pista, y el inicio de mltiples promo-
ciones residenciales (ver elementos de situacin en la fig. 5.23). En la imagen de 1992,
la M-40 se observa con un brillo oscuro en el tramo comprendido entre la N-IV y la N-I,
al este de Madrid, mientras aparece en tono claro hacia el oeste, ya que en esa fecha este
tramo an no se encontraba pavimentado. En 2000 ya aparece de color oscuro en todo su
trazado, al estar completamente pavimentada; en cambio aparecen en tono claro la M-45
y un tramo del AVE Madrid-Barcelona, en obras.
Como grandes construcciones, destaca el recinto ferial de Madrid, donde se dis-
tinguen ntidamente los pabellones de exposicin (por su gran tamao y tono pueden
discriminarse de las construcciones vecinas) y el estanque artificial del parque Juan
Carlos I, as como los nuevos terminales del aeropuerto de Barajas (slo e'n la imagen
de 2000). Tambin se delimitan perfectamente las nuevas reas residenciales en torno
a la M-40, con mayor intensidad en la ltima imagen, ya que se ha producido un nota-
ble desarrollo urbanstico de f ciudad en la ltima dcada.
INTERPRETACIN VISUAL DE IMGENES 207
FlG. 5.24. Imagen MSS de la regin central espaola adquirida en enero de 1981.
(Banda IRC.)
grficos de frecuencia, indicando las direcciones dominantes, lo que nos permite po-
nerlos en relacin con la estructura geolgica de la zona.
Tomemos, como ejemplo, la imagen MSS que incluye la figura 5.24, corres-
pondiente a un amplio sector del centro de Espaa. Con ayuda de un transparente, a
partir de ella pueden dibujarse todos los lincamientos reconocibles sobre la imagen
(fig. 5.25). Las direcciones dominantes estn claramente relacionadas con la tectni-
ca general de la zona.3 Este ejercicio pasa por reflexionar, en primer lugar, sobre la
estacin y banda espectral ms idnea para este tipo de cartografa. Respecto a la
banda del espectro ms conveniente para esta aplicacin, se recomienda utilizar la
correspondiente al IRC (banda 7 en el sensor MSS), pues los lincamientos suelen
asociarse con concentraciones de humedad, ntidamente visibles en esta regin del
espectro. Similares trabajos se han planteado por otros autores, tanto sobre imgenes
Landsat (Short, 1982, pp. 1J8-131; Alia et al., 1976), como sobre imgenes radar
(Calvet y Pascual, 1987; WoWi, 1983).
Este trmino engloba un amplio rango de aplicaciones. Por cobertura del suelo
entendemos el tipo de ocupacin existente sobre l, ya sea sta vegetacin natural, cul-
tivos agrcolas o espacios urbanos. Este tipo de cartografa resulta bsica en la planifi-
cacin del territorio, ya que es preciso conocer la dedicacin actual del terreno para
proponer cualquier mejora. Con las ideas vistas en el captulo 4, conviene organizar
una leyenda coherente, a la zona y al propsito del estudio, que gue los trabajos de in-
terpretacin visual.
Con estas ideas, el lector interesado puede ensayar una cartografa de la ocupa-
cin del suelo a partir de las imgenes en falso color que aparecen en el CD-ROM. Con
ayuda de unos transparentes, se tratar de ir delimitando manchas de color homog-
neas, que luego pueden identificarse sobre cartografa de apoyo, fotografa area o tra-
bajos de campo. Sera recomendable, al menos, discriminar las siguientes categoras:
perennifolios, caducifolios, matorral, pastizales, zona urbana densa, zona residencial
exenta, cultivos de secano, suelos y lminas de agua.
El anlisis visual se ha empleado en numerosos trabajos referidos a la cobertura
del suelo. Las reas ms desarrolladas han sido la cartografa de especies forestales
(Marx y Hildebrandt, 1978; Morain y Klankamsorn, 1978; Sadar et al., 1982), la estra-
FlG. 5.25. Croquis de lincamientos realizado a partir de la interpretacin visual de lafig. 5.24.
212 TELEDETECCIN AMBIENTAL
213
No vigor en mayo
Regado
*
FlG. 5.26. Un ejemplo de clave jerrquica para organizar criterios visuales
en la interpretacin de imgenes. (Tomado de Chuvieco y Martnez, 1990.)
biciosas, al contar con la resolucin adecuada a este tipo de estudios (Bauer y Steinno-
cher, 2001; Hazel, 2001; Schiewe et al, 2001; Smits y Annoni, 1999).
El anlisis de la imagen para inferir rasgos de la morfologa urbana requiere utili-
zar criterios mixtos, integrando brillo, color, textura y emplazamiento. A partir del pri-
mero puede deducirse la densidad de edificacin, por cuanto aquellas zonas que alber-
guen menor influencia del trazado viario ofrecern un brillo ms oscuro. Asimismo, el
color indica si la zona cuenta o no con espacios verdes, bien sea continuos (manchas
uniformes), bien discontinuos (en tinte rojo salpicado en medio de los azules propios
de la edificacin en caso de tratarse de una composicin en falso color convencional).
En cuanto a la textura, indica el grado de mezcolanza propio de un determinado sector.
A partir de estos dos criterios puede ensayarse una delimitacin de sectores morfolgi-
cos dentro de una zona urbana (Casas y Chuvieco, 1987). Ejercicios didcticos de este
tipo se han planteado por varios autores (Chicharro y Martnez, 1992; Chuvieco y San-
cho,.1986).
CAPTULO 6
FIG. 6.1. Diagrama que Ilustra el proceso de adquisicin de una imagen digital.
46 50 50 43 39 36 46 39 43
39 32 25 21 10 18 36 18 18
39 33 36 33 27 27 36 30 33
30 15 15 12 7 6 13 14 14
12 10 11 6 6 8 11 9 7
Fig. 6.2. Una imagen digital est formada por elementos pictricos (pxeles) codificados
por un valor numrico.
un pxel, la intensidad de gris o de color con la que aparece en el monitor depende de su
ND; la relacin entre ambos puede modificarse a voluntad del intrprete, de cara a me-
jorar la calidad visual de la imagen, como veremos ms adelante (5.1). En ese sentido,
conviene distinguir el ND de cada pxel, el original adquirido por el sensor y almace-
nado en la imagen bruta, y su nivel visual (N V i que corresponde a la intensidad de gris
o color con que se visualiza ese pxel en el monitor. Normalmente, los N V son efme-
ros, ya que slo se utilizan para operaciones de realce e interpretacin visual de la ma-
yen, mientras los ND forman la base para las operaciones de interpretacin digital, es-
pecialmente cuando se intenta relacionar la informacin adquirida por el sensor con
algn parmetro fsico (reflectividad o temperatura, por ejemplo).
El ND se conoce con distintos nombres en la bibliografa anglosajona: Digital
Numher (Lillesand y Kiefer, 1994), Pixel Valu (Mather. 1987; Hord. 1986). Bright-
ness Valu (Jensen, 1996), Grey Level (Schowengcrdt. 1983). o Digital Cornil ( R i -
chards. 1993). En nuestro idioma, nos parece ms apropiado el termino nivel digital
(ND) para expresar su significado, por cuanto se trata de un valor ( d ig i ta l) eon un claro
contenido pictrico (nivel de gris). En resumen, la unidad mnima de informacin en
una imagen digital se denomina pxel, definido por un nmero entero, ND, que puede
convertirse en una intensidad luminosa o nivel de gris.
Teniendo presentes estas ideas, la organizacin de los datos en una imagen digital
puede esquematizarse en la figura 6.3. Como vemos, se trata de una matriz numrica
Banda 1
ND
ND, , ,
Localizador!
Hasta hace unos aos, las imgenes de satlite se distribuan de modo casi exclu-
sivo en cintas magnticas compatibles (CCT). Se trataba de un soporte barato y muy
estndar, que era el ms apropiado para almacenar un volumen considerable de infor-
macin. Habitualmente, las cintas tenan las pistas (tracks), con una longitud de 2.400 a
3.600 pies. Los principales problemas que planteaba una CCT eran su acceso secuen-
cial que ralentizaba la lectura de los datos, el alto coste de los equipos lectores y su es-
ANLISIS DIGITAL D E I M A G E N E S CORRECCIONES Y REALCES
2.2.FORMATOS DE GRABACION
Independientemente del soporte fsico de la imagen es necesario conocer el for-
mato de grabacin de los dalos, de cara a poder reconstruir posteriormente la informa-
cin detectada por el sensor. En este sentido, conviene considerar la codificacin apli-
cada y la organizacin lgica de los datos.
En lo que se refiere al primer punto, los ND de la imagen se graban en cdigo bi-
nario (como bien es sabido, un bit indica una posicin binaria. 0 o 1 ). La mayor parte
de los sensores emplean grupos de 8 b it s para almacenar el ND correspondiente a cada
pxel. Por ello, cada pxel se define por un byte, lo que equivale a un rango de 256 nive-
les ( de 0 a 255). ste es tambin el rango admitido por la prctica totalidad de los
equipos de tratamiento digital, por lo que el acceso a las imgenes se simplifica nota-
blemente. En el caso de algunos sensores, como el NOAA-AVHRR o el SAR del ERS,
la informacin se codifica en un rango ms amplio (10 y 16 bits, respectivamente), por
lo que se requiere una labor previa de compresin de datos para poder visualizar la in-
formacin en pantalla.
Las imgenes digitales se organizan en una serie de archivos (files), cada uno de
los cuales se descompone en registros (records). Normalmente cada imagen incluye
un archivo de cabecera (henderfile), en donde se almacena el formato con el que es-
tn grabados los ND que la componen, as como sus condiciones de adquisicin ( t i p o
de sensor, localizacin de la escena, da. elevacin y acimut solar, etc.). y. en su
caso, el tipo de correcciones aplicadas por la estacin receptora. Los registros son de
longitud variable, de acuerdo al t i p o de archivo y a la organizacin de los datos en la
imagen.
La distribucin de los archivos en una escena est en estrecha relacin con el
formato en que se graban los ND de la imagen. Los tres formatos ms habituales son
(fig. 6.4):
46 50 50 43 39 36
46 39 43 39 32 32
43 36 39 21 21 28
39
32 25 21 IO 18
18 14 10 8
B3
39 42 42 36 33 30
39 33 36 33 27 27
36 30 33 18 18 24
33 27 21 18 9 15
30 15 15 12 7 6
B4
13 14 14 12 11 10
13 11 12 11 9 9
12 10 11 6 6 8
11 9 7 6 3 5
10 5 5 4 0 0
USO
46 50 50 43 39 ': 46 39 43 39 32 32 43 36 39 21 21 28
:
39 32 25 21 10 18 6 18 18 14 10 8 39 4,' 42 36 33 30
39 33 36 33 27 27 36 30 33 18 18 24 33 27 21 18 9 15
30 15 15 12 7 6 13 14 14 12 i 1 10 13 11 12 I; 9 9
12 i;) 11 6 6 8 11 9 7 6 3 5 10 5 5 4 0 0
BIL
46 50 50 43 39 36 39 42 42 36 33 30 13 14 M 12 11 10
46 39 43 39 32 32 39 33 36 33 27 27 13 11 12 11 9 9
43 36 39 21 21 28 36 30 33 18 18 24 12 10 11 6 6 8
39 32 25 21 10 I i 33 27 21 18 9 15 11 9 7 6 3 5
36 18 18 14 10 8 30 15 15 12 7 6 10 5 5 4 0 0
IIP
46 39 13 50 42 14 50 42 14 43 36 12 39 33 11 36 30 10
46 39 13 39 33 11 43 36 12 39 33 11 32 27 9 32 27 9
43 36 12 36 30 10 39 33 11 21 18 6 21 18 6 28 24 8
39 33 11 32 27 9 25 21 7 21 18 6 10 9 3 18 15 5
36 30 10 18 15 5 18 15 5 14 12 4 10 7 0 8 6 0
Fig. 6.4. Formatos de grabacin en una imagen digital: BSQ, bandas seeuenciales;
lili', bandas intercaladas por lnea; BIP, bandas intercaladas por pxel. Los pxeles en gris
indican dnde comienza una nueva banda en cada uno de h>s tres formatos.
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 22 1
Si en todos los captulos de este libro resulta muy complejo mantener actualizado
el material que se comenta, la tarea resulta especialmente complicada cuando nos refe-
rimos a los componentes fsicos y lgicos de un equipo de ADI. ya que la dinmica del
mercado resulta realmente vertiginosa. Por esta razn, hemos preferido reducir sus-
tancialmente este epgrafe frente a las ediciones anteriores de esta obra, dejando al lec-
tor interesado la labor de poner al da, en el momento que le resulte ms necesario, es-
tos aspectos.
La divisin que realizamos en las pasadas ediciones entre equipos bsicos y
avanzados sobre ordenador personal, por un lado, y sobre estacin de trabajo, por
otro, se ha desvanecido bastante, gracias al notable crecimiento de l a s capacidades
de los equipos disponibles. Los avances en los sistemas operativos tambin han su-
puesto una creciente convergencia entre ambas plataformas, especialmente con la
notable popularidad del Linux (versin UNIX para ordenadores I n t e l ) , que permite
utilizar programas diseados para estaciones de trabajo sobre ordenadores perso-
nales.
Para abordar convenientemente las principales operaciones del ADI se requieren,
como en cualquier otra aplicacin informtica, una serie de componentes fsicos y l-
gicos. Entre los primeros (fig. 6.5) hay que analizar las unidades de entrada (hoy resul-
tan imprescindibles slo el teclado y el ratn electrnico o similar), las de almace-
namiento y proceso (memorias internas y externas) y las de salida (principalmente el
monitor, aunque tambin una impresora en color). En este momento, los equipos dis-
ponibles en la informtica personal cuentan, de modo estndar, con memorias internas
de 128 Mb, velocidades de proceso superiores a 1 GHz, y almacenamiento en disco
por encima de 20 Gb. Los equipos grficos ms estndar estn ya siendo los monitores
de 17 pulgadas, con un creciente empleo de las tecnologas de plasma lquido, que fa-
c i l i t a n muy buena calidad con menor radiacin. Entre los perifricos de salida, convie-
ne c i t a r las impresoras de inyeccin de tinta, en este momento el estndar en impresin
a color, aunque las lser y de sublimacin trmica suelen ser ms comunes en centros
de investigacin.
En lo que se refiere al componente lgico (software), suelen distinguirse dos ca-
tegoras bsicas: sistema operativo y programas de aplicacin. Como antes comenta-
mos, existe una clara convergencia en lo que se refiere a sistemas operativos. Actual-
mente podemos dar por desaparecidos algunos (como el VMS. muy utilizado en orde-
nadores de cierta potencia en los aos setenta y ochenta, o el MS-DOS, el primer siste-
ma que instal IBM en sus ordenadores personales), dominando el mercado los basa-
dos en el entorno Windows (principalmente la versin NT y XP) y las diversas versio-
nes de UNIX (principalmente las basadas en entornos de ventanas. Xwindows. y la
ms reciente Linux, para procesadores I n t e l ) .
Los programas de aplicacin u t i l i z a n los recursos del sistema operativo para co-
municarse con el ordenador. Como es bien sabido, el ordenador slo es capaz de pro-
cesar caracteres binarios, por lo que toda instruccin que el usuario pretenda ejecutar
ha de ser convertida a este cdigo. Esta tediosa labor la ejecutan los compiladores, pro-
gramas que convierten una serie de instrucciones ms o menos cercanas al lenguaje
humano en un cdigo que entienda la mquina. Existen distintos compiladores para
cada uno de los lenguajes de programacin, y para los sistemas operativos ms comu-
nes. Entre los lenguajes ms empleados en ADI cabe citar el C (con sus diversas va-
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 223
Id. 6.6. Imagen correspondiente a ln banda ."> del sensor ETM+ sobre la zona de Torrelaguna
( 1 5 de marzo de 2000).
I. La zona incluye el rea abarcada por la hoja del mapa topogrfico nacional denominada To-
rrelaguna. por lo que en adelante la identificaremos como imagen Torrel 00, aunque abarca otros muni-
cipios.
ANLISIS DIGITAL DL IMGENES: CORRECCIONES Y REALCES 225
Cualquier sistema de ADI incluye una serie de utilidades generales que le permi-
ten gestionar apropiadamente los archivos donde se alojan las imgenes, polgonos au-
xiliares y tablas de color, as como las distintas transformaciones que sobre e l l a s se
apliquen. Las ms elementales son los comandos propios del sistema operativo, como
copiar, cambiar el nombre o eliminar archivos.
Entre las ms especficas del ADI, la primera en orden cronolgico es la lectura
de los datos originales. Esta operacin implica contar con un programa que importe
los datos en el soporte y formato proporcionados por el organismo distribuidor de las
imgenes. Lo ideal es que permita leer la informacin almacenada en las cabeceras de
cada archivo, con objeto de poder importar automticamente los datos referentes al ta-
mao de la imagen, condiciones de adquisicin y calibracin del sensor. Tambin re-
2. Utilizaremos los siguientes mdulos del software PCM: IW. lim\>c Works: XI'. X/xicf. (CP.
CCPWorks.
226 ThLDKTKCCIN AMBIENTAL
sulta muy t i l que el programa nos ofrezca la opcin de leer una pequea ventana de la
imagen (que incluya el rea de inters), extrayendo los ND correspondientes a las ban-
das originales sobre las que se pretenda trabajar.
lisa labor se facilita si el programa de lectura de imagen incorpora alguna rutina
para la visuali/acion del rea designada, lo que permite una localizador) interactiva de
las coordenadas i n i c i a l y final de esa ventana, agilizando bastante el proceso de bs-
queda. Si no se conoce aproximadamente la localizador) de esa ventana en la imagen
resulta conveniente contar con alguna opcin para leer la imagen con un factor de re-
duccin, lo que permite visualizar una superficie mayor a la que admitira la resolu-
cin de la pantalla. Esto implica, en definitiva, un muestreo sistemtico de la imagen,
eligiendo una columna \ l i n e a de cada /;. siendo n el factor de reduccin. Cuando se ha
localizado el arca de nteres sobre esa zona ms amplia puede aecederse a aquella con
la plena resolucin de la imagen (pxel a pfxel).
Una ve/ ledos los datos, el programa necesita generar una serie de campos para
la documentacin de la imagen, que le permitirn gestionar posteriormente su visuali-
zacin y anlisis. Para reconocer apropiadamente un archivo de imagen, cualquier
programa necesita saber sus dimensiones (nmero de lneas y columnas), el nmero de
bandas y nmero de bits por pxel. de otra manera no podr reconstruir la estructura
original de los datos. Adems, si la imagen est georreferenciada es preciso conocer
los datos de la proyeccin, las coordenadas de sus vrtices y el tamao del pxel en x e
v. Otra informacin relevante sera la concerniente a las estadsticas de la imagen (des-
criptivas, histogramas, etc.), y a las condiciones de adquisicin.
En algunos programas esa informacin se asocia permanentemente a la imagen,
ocupando los primeros bytes del archivo; en otros se almacena en un archivo auxiliar,
con el mismo nombre de la imagen original. Esto facilita la lectura de la imagen por
otros programas, ya que el archivo slo contendr datos de imagen y no informacin
auxiliar. Tambin en funcin del programa de tratamiento elegido, ios datos pueden
almacenarse en formato BSQ o BIL. En el primer caso, cada banda ocupa un archivo
distinto, mientras en el segundo todas las bandas se incluyen en el mismo. Esta segun-
da opcin agiliza el clculo cuando se trata de generar combinaciones entre bandas de
la misma imagen, pero lo dificulta si se pretende relacionar informacin de dos imge-
nes. En el caso del programa 1W. toda la informacin se graba en el mismo archivo,
tanto las bandas detectadas por el sensor, como las estadsticas, documentacin, vecto-
res o anotaciones que realice posteriormente el intrprete (fig. 6.7). Esto permite un
almacenamiento compacto, en donde todo lo referente a una escena se encuentra dis-
ponible en una sola ubicacin, pero tiene el problema de generar archivos que pueden
llegar a ser muy grandes.
Otra utilidad habitual en los equipos de ADI permite generar una composicin de
dos o ms imgenes, obteniendo una mezcla de informacin interesante para la repre-
sentacin visual. Basta que un programa sea capaz de leer una imagen o banda y escri-
bir su contenido en aquellas coordenadas de una nueva imagen que le indique el usua-
rio. Por ejemplo, en la figura 6.8 aparece una composicin de cuatro bandas corres-
pondientes a un fragmento de la imagen TorrelOO, que incluye el embalse de Santularia
y el ncleo de Colmenar Viejo. La posibilidad de verlas simultneamente nos ayuda a
interpretar la diversa informacin espectral que contiene cada una de las bandas origi-
nales. As, las bandas visibles (azul y rojo) presentan un aspecto muy similar, tendien-
ANLISIS DIGITAL I ) K IMAGHNHS: CORRI-CCIONKS V Kf Al ChS 227
Fie. 6.7. Panel de utilidades de I'CI-IW que muestra lainformacion disponible en una
determinada imanen. En este caso se incluyen las bandas originales, vectores auxilales \
coordenadas de re/erencia.
do ambas hacia tonos oscuros, con especial contraste entre las zonas urbanas y de ve-
getacin. Por su parte, la banda 4 (IRC) presenta una tonalidad ms clara para los pas-
tizales (mayor retlcctividad), mientras la 5 (SWIR) ofrece mejor contraste tierra-agua
y peor entre zonas construidas y de vegetacin natural.
Otra utilidad de inters en ciertas aplicaciones es aislar un sector de la imagen,
definido por un polgono irregular, de cara a aplicarle un tratamiento especfico. La
operacin recibe tambin el nombre de mscara, y se utiliza bastante asiduamente en
el contexto de los SIG (por ejemplo, para obtener resultados referidos a una determina-
da unidad administrativa). El trabajo con sectores irregulares de la imagen implica los
siguientes procesos:
228 TRUiDHTHCCION AMBIIiNTAL
1. Delimitar los lmites del polgono deseado, con ayuda de un digitizador, cur
sor, o ratn electrnico.
2. Aplicar ese polgono a la imagen original, aislando todos aquellos pxeles
que se siten en el interior de dicho polgono de los que se encuentren fuera. Hstos
ltimos pasarn a tener un ND de 0. por lo que son eliminados de posteriores trata
mientos.
Fl(. 6.10. Comparacin cutre un /\wm ior expansin (izquierda) \ por interpolacin (derecha)
sobre una ventana de la imagen AlcalW.
localizacin de zonas de inters. Una ampliacin de mayor calidad visual puede lograrse
mediante un zoont interpolado. Aqu, en lugar de una simple rplica de los ND origina-
les, se crea una nueva matriz de tamao equivalente al nivel de magnificacin. Hn esta
matriz se sitan los ND originales, y se calculan los otros por interpolacin lineal de es-
tos valores. La impresin que causa sobre la pantalla es la de una imagen mucho ms n-
tida, puesto que mantiene una mejor transicin entre pxeles vecinos (t'ig. 6.10).'
5. Creacin de archivos de visualizacin. En muchas ocasiones resulta muy
conveniente contar con una copia de la informacin almacenada en el monitor. Esto se
consigue gracias a un programa auxiliar que salva la memoria de refresco en el disco,
generando una nueva imagen que puede visualizarse posteriormente. Por ejemplo, un
mosaico de cuatro bandas puede realizarse, adems de mediante extraccin de los 4 ar-
chivos y generacin de uno nuevo, mediante una composicin interactiva en el moni-
tor. Gracias a ello pueden visualizarse un conjunto de imgenes y/o elementos grficos
asociados, s i n necesidad de repetir todo el proceso que llev a su creacin. Conviene
tener en cuenta, sin embargo, que en este caso la precisin de los datos depende de la
resolucin de la memoria grfica (en ocasiones la imagen tendr que comprimirse para
que puedan visualizarse varias bandas simultneamente), mientras con la creacin de
un archivo compuesto se mantiene la resolucin original de los datos. Existen numero-
sos programas en el mercado que permiten capturar la informacin visualizada en pan-
t a l la (o una parte de ella), lo que resulta muy conveniente para fines didcticos.
3. Al tuial que ya comentamos en captulos anteriores, las versiones en color en muchas de l a s l'i-
Mipas que aparecen en el texto en blanco y negro pueden encontrarse en l a s presentaciones incluidas en el
CD-ROM ad junto a esta obra.
ANLISIS DIGITAL DE IMGENES: CORRI-CCIONLS Y RI.ALCLS 231
Estas medidas nos ofrecen una primera valoracin sobre el carcter de cada una
de las bandas y su grado de homogeneidad. Las correspondientes a TprrclOO aparecen
en la tabla 6.1.
De esta tabla se deduce que la banda 1 ofrece el mayor desplazamiento de stis ND
mnimos, lo que puede ser consecuencia del electo de dispersin atmosfrica, como
luego veremos. Los ND medios son ms altos para las bandas 4 y 5, bastante saturadas
a juzgar por los valores mnimo y mximo, muy prximos a 0 y 255. respectivamente.
La banda 5 acoge tambin la mayor heterogeneidad, aunque no muy distinta de la ban-
da 4. Por su parte, la banda I ofrece la menor dispersin. Lgicamente, estos valores
numricos se relacionan con los parinetros de calibracin del sensor y con las regio-
nes del espectro que abarca. Como resulta evidente, la banda 5 es la ms sensible a al-
teraciones de radiancia, mientras la I ofrece el peor contraste en la escena.
Adems de estos valores medios, tambin resulta de gran inicies contar con el histo-
grama de frecuencias de cada banda, que nos informa sobre cmo se distribuyen los ND
en una determinada imagen. Con objeto de facilitar la representacin del histograma. las
frecuencias absolutas suelen convertirse a relativas, de acuerdo a una sencilla frmula:
NDi
FR(Nl) ) = [6.3]
Banda 1
tarios interesantes. Por un lado, todos el l o s ocupan slo un pequeo margen del ran-
go de variacin ofrecido por el sensor, o, si se prefiere, por el equipo de visuali/acin
(0 a 255). Esto implica la conveniencia de ajustar, de alguna forma, la variacin i n i -
c i a l a la mxima permitida, lo que supondr una mejora del contraste (ver 5.1). Entre
las bandas aqu incluidas, la 4 y la 5 se confirman como las que ofrecen mayor d is -
persin (recurdese que poseen la desviacin tpica ms alta), mientras la I y la 2
presentan el histograma ms estrecho. En cuanto al significado de los distintos picos
de frecuencia, resulta muy complicado identificar las cubiertas que los originan. En
aros casos puede resultar ms sencillo; por ejemplo, el mnimo relativo observado
. i ! las bandas 4 a 7. en los valores ms bajos, parece lgico que corresponda a las
arcas inundadas por embalses, ya que en esta banda el agua presenta su mxima ab-
sorcin.
Adems de la consideracin de cada banda por separado, tambin resulla de inte-
rs tener en cuenta las relaciones entre bandas, con objeto de analizar el grado de infor-
macin original que aporta cada una. Este anlisis puede realizarse grficamente, me-
diante la construccin de dispersogramas. que presentan en un grfico bivariado la lo-
calizacin de los pxeles de la imagen a partir de sus ND en dos bandas. Cuando la
nube de puntos en estos grficos tiendan a formar una lnea (o una elipse de ejes muy
contrastados), las dos bandas tendern a estar muy relacionadas. En otras palabras,
puede ser suficiente trabajar con una de ellas reteniendo la mayor parte de la informa-
cin original. Esto ocurre, tpicamente, entre las bandas visibles (1. 2 o 3) o las situa-
das en el SWIR (5 y 7). Por el contrario, si la nube de puntos ofrece a l t a dispersin, la
relacin entre las bandas ser pequea o. lo que es lo mismo, las dos ofrecen informa-
cin contrastada y ambas son de inters para el anlisis, como ocurre con la relacin
entre el IRC y el VIS. Por ejemplo, en la figura 6.12 se recoge la correlacin grfica
entre las bandas I -2 y 3-4 de nuestra imagen de ejemplo. Las dos primeras se sitan en
el espectro visible, y tienen una elevada correlacin, pues muchas cubiertas terrestres
poseen una reflectividad muy similar entre ellas. En consecuencia, la nube de puntos
tiende a presentar una forma muy alargada. Por el contrario, entre las bandas 3 y 4 (R e
IRC) existe mucha menor similitud, al tratarse de dos bandas con mayor contraste es-
pectral, especialmente en lo que se refiere a las cubiertas vegetales ( a l t a reflectividad
en la 4, baja en la 3). En consecuencia, a partir del anlisis de la nube de punios pode-
mos incluso distinguir algunas cubiertas: bajos NDen las dos (A en la fig. 6.12) identi-
ficarn al agua; bajos en la 3 y altos en la 4 identificar la vegetacin (B), y altos en las
dos. identificarn el suelo (C).
Este anlisis grfico se completa con el clculo de algn ndice numrico de la re-
lacin entre bandas. Uno de los ms empleados es el coeficiente de correlacin lineal
de Pearson, definido como el cociente entre la covarianza de las dos bandas d y /y el
producto de sus desviaciones tpicas:
de sentido anlogo a los smbolos incluidos en |6.1 ] y |6.2|. En este caso, la correla-
cin entre las bandas incluidas en la figura 6.12 ofrece un valor alto, como es espera-
234 rHl.HOKTt-rCION AMBIENTAL
'50 250
lie > . 1 2 . Diagramas Je IS/H I WI>// </< A/.s lumilas I 2 ti~t/tlu.l v J--f (cic/ni.).
ir aumentando segn cruzan otros tipos de cobertura. Cuando se trata de suelos descu-
biertos, las tres suben al unsono, mientras que lo hace con mayor intensidad la banda 4
cuando atravesamos una zona de mayor actividad cloroflica, que presentar absor-
cin en la banda 3 y. en menor medida, en la 5.
s
Realces y mejoras visuales
5. 1. AJUSTE DE CONTRASTE
C, = NDnm/NDm11 |6.5|
C, = .vN1) [6.7
Una tabla ncia del color (('olor Look Li Idblc. CLUT). o simplemente
tabla de color, es una matriz numrica que indica el nivel visual (NV) con el que se re-
presenta en pantalla cada uno de los ND de la imagen. La CLUT se inserta entre la me-
moria de refresco \ el tubo de imagen del monitor, lo que permite modificar la relacin
entre el ND almacenado en disco y la intensidad de b r i l l o con que se visualiza (NV).
En otras palabras, ambos valores no tienen porqu ser iguales.
En la mayor parte de los equipos de ADI. la CLUT es una matriz numrica de 3
columnas por 256 l i l a s i v a que el rango de codificacin va de 0 a 255). El orden de la
f i la indica el ND de entrada, mientras el almacenado en la tabla expresa el nivel visual
(NV). con el que ese NI) ser representado en pantalla. Las tres columnas correspon-
den a los tres colores elementales (RVA: fig. 6. \4u).
Conviene recordar que los equipos de ADI u t i l i z a n el proceso aditivo de forma-
cin del color, por lo que cuanto mayores sean los valores de NV en cada columna,
mayor componente de RVA tendr el pxel finalmente visualizado. Caso de que se
est manipulando una sola banda, lo normal es que la imagen aparezca en pantalla en
tonos de gris. Esto significa que cada ND tiene el mismo componente RVA. Un NV
de 0. 0, 0. indica que el ND al que se aplique ser visualizado como negro, mientras
que 127. 127, 127, supone un gris medio y 255, 255. 255, blanco. Caso de que los tres
valores sean distintos, se estar representando una imagen en color, ya sea con una o
con tres bandas.
Por cuanto una CLUT implica una relacin numrica entre ND y N V. sta puede
tambin representarse grficamente en un diagrama bivariado, en donde el ND de la
imagen se s i t a en el eje X, y el NV almacenado en la consola en el eje Y. Si se visuali-
za la imagen original, s i n ningn realce, la CLUT puede describirse grficamente
como una lnea recta, que pasa por el origen 0,0 y por el mximo 255. 255 (fig. 6.14b),
lo que supone que el NV sea igual al ND. Con los procesos de expansin o compresin
NV NV NV
255
1 1 1
2 2 2
3 3 3
255
min
ma
x
ND
[ ! ( , . 6.14. Estructura tubular ( a ) y representacin grfica de una tabla de color (b) (CLUT)
ANLISIS DIGITAL DR IMGKNKS: CORRLCCIONLS Y KLAI ( L S
23
7
del contraste se modifica esa relacin, de tal forma que los N V se distribuyan adecua-
damente en el rango de la imagen.
La utilidad de estas tablas numricas puede comprenderse fcilmente con un
ejemplo. Supongamos que se pretende expandir el contraste en una imagen que pre-
sente un rango de NI) entre 0 y 127. Para ajlistar dicho rango al que permite el equipo
tic visualizacin (0 a 255) bastara multiplicar por dos cada NI) de entrada, lo que
ampliara su contraste a un rango entre 0 y 254. Ahora bien, tal opcin conlleva dos
problemas importantes: por un lado, transformar los ND i n i c i a l e s para crear una nue-
a imagen de salida, lo que implica, o bien perder la informacin original, o bien au-
mentar las necesidades de almacenamiento: por otro lado, ese proceso supone un vo-
lumen de operaciones considerable: 786.432 multiplicaciones para una pequea
/ona ile s I 2 X 5 1 2 pxeles y tres bandas. Si consideramos que el realce es slo una
etapa intermedia, y normalmente efmera, del proceso, parece lgico buscar una a l -
ternativa a ese mtodo. Gracias a la C l . l ' T no es preciso transformar los ND para
modilicarel contraste visual de la imagen. Hasta nicamente transformar la relacin
entre N I ) y NV que incluye la C'LU I. de acuerdo al criterio que se estime ms opor-
tuno. En el ejemplo anterior, podra generarse una sencilla funcin donde NV = 2
NI), con lo que se obtendra el mismo electo visual que la multiplicacin de todos
los ND, con un considerable ahorro de tiempo, pues la modificacin de una CLUT
slo supone 768 clculos (256 NV X 3 caones de color), independientemente del
tamao de la imagen.
A continuacin se presentan las tcnicas ms habituales en realce digital de im-
genes. En pocas palabras, se trata de diversos procedimientos de obtener una CLUT
apropiada a un fin especfico: compresin o expansin del contraste, combinaciones
en color multi-banda, visualizacin seudo-coloreada y construccin de tablas de color
de significado temtico.
En caso de que el rango del sensor supere al nmero de niveles de gris que pueden
visualizarse en pantalla, resulta preciso comprimir los ND originales, ajustando el ran-
go de la imagen al permitido por el terminal grfico. Estos ajustes son necesarios en
dos casos: 1) cuando se cuenta con un sistema grfico de reducida potencia, o 2) cuan-
do se trabaja con un sensor de gran sensibilidad radiomtrica.
La mayor parte de los equipos de visualizacin cuentan con una resolucin en
pantalla de 8 bits para cada uno de los tres caones de color (rojo, verde y azul). Esto
permite visualizar una banda en 256 niveles de gris, o tres en unos 16,8 millones de to-
nos de color (= 256'). Hace algunos aos, las tarjetas de bajo coste slo disponan de
un nmero mucho menor de colores (habitualmente 256 por pxel), lo que les impida
visualizar todo el rango de ND recogido originalmente por el sensor. Por esta razn,
cuando se trabajaba con estos equipos resultaba necesario comprimir el contraste ori-
ginal de la imagen al nmero de NV disponibles. Asimismo, la compresin es precisa
cuando se pretende visualizar una imagen AVHRR. codificada en 10 bits. Ikonos en
I I bits, o una del SAR (16 bits), sobre un monitor grfico que slo admite 8 bits. El
problema puede solventarse de dos formas: eliminando una parte de la escala que no se
considere relevante, o estableciendo una funcin de compresin de datos. La primera
238 TF.LEDETECCIN AMBIENTAL
solucin es bastante obvia, aunque poco habitual, va que supone una eliminacin arbi
iraria de datos, La segunda puede abordarse por distintos criterios.
Lo ms habitual es reducir el rango original de ND a un nmero conveniente di
intervalos, de forma que la visualidacin en color resultante se asemeje en lo posible a
color real. Esos intervalos suelen sealarse en funcin de las caractersticas de la dis
tribucin de los ND. Pueden indicarse intervalos de igual anchura, que contengan c,
mismo nmero de elementos, o que tengan unos mrgenes delimitados por el intrprete,
fin cualquier caso, a cada uno de ellos se le asigna un nico NV. eliminando su va-
riacin interna. Al reducirse el contraste de la escena, los colores se diferencian menos
entre s. reducindose la calidad de la visualizacin. No obstante, si la seleccin de co-
lores es apropiada puede lograrse una visuali/acin de bastante calidad. Para el caso
de 3 bandas resulta habitual asignar niveles a cada can de color, con loque la com-
posicin contar con 216 tonalidades en pantalla (6!). Existen otros algoritmos de
compresin de imagen algo ms refinados, que controlan el nmero de intervalos asig-
nables a cada banda de la composicin en color mediante un proceso similar a la clasi-
ficacin no supervisada de la imagen, que luego veremos (Baudot, 1990; Mulla;
1988/?). Normalmente parten de establecer una serie de particiones en el espacio tri-
dimensional formado por las tres bandas que forman una composicin en color. En
funcin de la anchura del histograma de cada banda se asignan ms o menos particio-
nes por color. Para asignar un intervalo de ND a cada una de esas particiones se esta-
blece el rango de variacin ms significativo en cada una de las bandas, calculado a
partir de su media y desviacin tpica. Finalmente se clasifican los ND de la imagen en
la particin ms cercana en ese espacio. El resultado del proceso es una nueva imagen,
mono-banda, que se asocia a una CLUTpara representar, con la mayor semejan/a po-
sible, la variacin cromtica de la composicin multi-banda. aunque slo precisa la
tercera parte de almacenamiento.
Actualmente, la mayor parte de los equipos cuentan con tarjetas grficas de mu-
cha mayor potencia, por lo que la compresin de imgenes no ser una tarea vital, sal-
vo por problemas de almacenamiento. En ese caso, es ms comn utilizar algoritmos
de compresin del color, que consiguen una calidad apenas diferenciable de la original
a una fraccin de su tamao. Son bien conocidos en la informtica grfica algunos al-
goritmos de compresin como el LZW, que permite crear imgenes GF (Graphics
Interchange Formal), muy utilizado en la edicin de pginas web, aunque limitado a
256 colores, el JPEG (Joint Photographic Expert's Group), que acepta hasta 24 bits
por pxel y garantiza ratios de compresin de hasta 20:1 sin apreciable prdida de cali-
dad, y ms recientemente el PNG (Portable Nelwork Graphics), desarrollado por
Compuserve y W3C, que acepta tambin hasta 24 bits por pxel e incluso ima capa adi-
cional para superposiciones, aunque los ratios de compresin no son tan altos como
los JPEG. ltimamente se han desarrollado nuevas tcnicas para la compresin masiva
de imgenes, de cara a su distribucin a travs de Internet. Entre ellas, estn teniendo
bastante aceptacin las basadas en onditas (wavelets), que consiguen ndices de
compresin bastante altos con baja prdida de informacin.
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 239
Ms habituales que los procesos de compresin son las tcnicas de realce del con-
traste, porque la mayor parte de las imgenes olrecen un rango real de ND inferior a las
capacidades del equipo de visualizacin. Aunque la resolucin radiomtrica de la ma-
\or parle tic los sensores actuales es de 8 bits por pxel, en la prctica ninguna imagen
aprovecha lodo ese rango, ya que difcilmente en una sola escena se encontrarn todos
ios posibles valores de radiancia para los que se calibr el sensor. De esta forma, el his-
i'irama real de los ND de cualquier imagen nunca satura los 256 posibles ND de la
miagen. Visualmente esto implica que haya tonos de gris que no se utilicen, con lo que
imagen aparece en el monitor con poco contraste.
Por ejemplo, la figura 6.15a presenta la banda 3 de nuestra imagen de ejemplo, tal
y como corresponde a sus ND originales. Como puede observarse, la imagen ofrece
un bajo contraste, difuminndose algunas caractersticas de inters. Como ya vimos
al analiz.ar el histograma, esta banda presenta un rango de ND que ocupa slo un
pequeo sector de los 256 ND posibles, lo que confirma su reducido contraste.
De acuerdo a las ideas antes comentadas es posible realzar ese contraste, disean-
do una CLUT que haga corresponder el rango de ND presente en la imagen con el total
de los NV posibles. Varios procedimientos pueden conseguir este objetivo: I) dis-
tribuir los NV linealmente, entre el mximo y mnimo ND de la imagen (fig. 6.15/?),
Fl(. 6.15. Diversos realces del contraste sobre la imagen: a) sin realce; b) realce lineal;
c) realce frecuencia!; d) realce especial sobre reas de baja radiancia.
240 TliLKDHTRCCIN AMBIHNTAL
255
0 127 255
Fi(. 6.16. Expansin lineal tlcl hslogrania v perfil tic la Cl.ll'l'. El histograma original aparca1
al fondo en gris.
2) distribuir los NV a partir del histograma de los ND originales (fig. 6.15c), y 3) dis-
tribuir los NV en un determinado rango de inters (fig. 6.15/). Estos son los tres proce-
sos de expansin del contraste que a continuacin se analizan. Para presentar estos
realces consideraremos una CLUT de una sola columna. Si se pretende un realce para
una composicin en color se seguira un modelo similar para expandir cada una de las
bandas que la formen.
16.81
ANLISIS DIGITAL DE IMGBNHS: CORRLCCIONLS Y RLALCLS 241
en donde cada NV es una funcin de los ND originales, tras aplicarles dos constantes,
denominadas sesgo (bicis) y ganancia (gain), respectivamente. Para conocer el valor
de s y > basta aplicar un sencillo sistema de ecuaciones. Ya que sabemos que el mnimo
y el mximo ND deben igualarse a 0 y 255. respectivamente, puede expresarse:
0 = .v + ,i>'NDmin
-255- ND
,v =-------------------- |6.1() |
NDmax - NDmin
ND-ND
N V = ----------- ----- 255 |6.11]
ND,,,:1, - NDmin
pero resulta ms apropiado utilizar f6.8|, por ser la frmula convencional en transfor-
maciones lineales de datos. En lugar de igualar el NDmiv y el NDinin a los valores mximo y
mnimo, respectivamente, tambin pueden extraerse otros valores menos extremos,
como los percenliles del 95 y 5 %, o un cierto nmero de desviaciones tpicas por
encima y por debajo de la media. Esto permitir que tengan menos influencia posibles
valores anmalos que presente la imagen.
Un ejemplo concreto puede ayudar a comprender mejor el proceso. Para obtener
la expansin lineal del contraste antes presentada se parti de las medidas estadsticas
de la banda 3 (tabla 6.1) que sirvieron para aplicar las frmulas anteriores. Fin este caso
se estableci un umbral mnimo y mximo a partir de la media dos desviaciones t-
picas. En consecuencia, el rango a expandir se situ entre 28 y 89 ND. De acuerdo a
[6.9 y 6.10]:
g =255/(89-28) = 4.18
Con eslos valores puede construirse la CLUT que aparece en la tabla 6.2. de
acuerdo a la siguiente expresin:
255
0 127 255
En la tabla 6.3 se incluye un resumen de los clculos necesarios para obtener una
tabla de color con expansin frecuencial. Para simplificar las cosas hemos seleccionado
nicamente rangos de 5 ND. En consecuencia, cada intervalo en la frecuencia objeto de-
bera presentar 1,95 % de los pxeles de la imagen. Como observamos en esta tabla, el
N V correspondiente a todos los ND inferiores a 25 es 0. porque su frecuencia objeto ms
similar es la correspondiente al NV = 0 (la frecuencia acumulada de la imagen en todo
ese rango es 0,056 y la frecuencia objeto acumulada es 1.95). De la misma forma, al ND
= 40 le corresponde el NV = 30, porque su frecuencia acumulada (12,993) es ms simi-
lar a la del NV = 30 (13,672), y as sucesivamente hasta culminar el proceso.
donde ,vt indica la desviacin tpica de cada una de las tres bandas que intervienen en la
composicin y r, el coeficiente de correlacin entre cada par de esas mismas bandas
(Jensen, 1996, pp. 97-100).
Otros mtodos propuestos para seleccionar la composicin en color idnea tienen
en cuenta el elipsoide de mxima variacin, que supone un planteamiento novedoso
frente a los mtodos estadsticos convencionales (Sheffield. 1985) y el valor de la di-
vergencia (Mather, 1998), que luego comentaremos (cap. 7, apdo. 2). Los resultados
de estas tcnicas muestran una tendencia similar. Para las imgenes TM, con las que se
han aplicado profusamente estos ndices, la mayor parte selecciona una banda en el
VIS, otra en el IRC y otra en el SWIR. identificando as los tres ejes principales de va-
riacin en una imagen TM (excluido el trmico).
Varios autores han puesto en evidencia que el ojo humano es ms capaz de distin-
guir tonos de color que intensidades de brillo (Ruiz, 1994). Por tanto, el empleo del color
puede ayudar a la interpretacin de una imagen, incluso si slo disponemos de una ban-
da. En estos casos, no podemos hablar propiamente de color, pues se requeriran tres
bandas, sino ms bien de seudo-color. Para una mezcla de tres bandas utilizamos distin-
tos NV en cada can de color (R, V,A), siendo iguales cuando se visualiza una sola ban-
da (en blanco y negro). Sin embargo, podemos disear tambin una CLUT en donde se
varen los NV para los tres colores, aunque slo haya una banda de ND de entrada. En
otras palabras, el seudo-color implica crear una CLUT que asocie el NDde una sola ban-
da a distintos componentes de rojo, verde y azul. Esto puede tener sentido en dos casos:
1) cuando se pretenda obtener una clave de eolor en una imagen clasificada, y 2) cuando
se intente realzar el anlisis de una determinada banda de la imagen, sustituyendo los ni-
veles de gris por tonos de color. Tambin se utiliza el seudo-color cuando se comprime
una imagen en color de 24 a 8 bits, generndose una paleta de color que se asimile a la
variedad cromtica original contenida en la composicin de las tres bandas de entrada.
A modo de ejemplo, aparece en la tabla 6.4 una CLUT diseada para representar
visualmente una imagen clasificada. En ella, cada ND indica una ciase temtica distin-
ta (por ejemplo, una categora de ocupacin del suelo), que ser visualizada en panta-
ANLISIS DIGITAL Dil IMGENES: CORRECCIONES Y REALCES
24
7
vamente, con lo que el usuario puede detectar, en cada banda, el rango de ND que
comprende un fenmeno de inters. Asimismo, le facilita un primer balance de los so-
lapes con otras categoras, de cara a su clasificacin digital.
slo de transformar los NV almacenados en las CLUT, sino tambin los ND de la ima-
gen (aunque habitualmente se realice en memoria grfica, para no perder los datos ori-
ginales). Por tanto, si pretende abordarse una clasificacin digital, las imgenes filtra-
das no resultan, en principio, muy convenientes, aunque refuercen visualmente rasgos
de inters respecto a la imagen original.
Como hemos indicado, se suelen distinguir dos tipos de filtros de acuerdo al objet i v o
que se persiga: los filtros de paso bajo (low pass filtering) tienden a destacar el
imponente de homogeneidad en la imagen, subrayando aquellas reas donde la I re -
ncia de cambio es baja, mientras los filtros de paso alto (hii>h pass/Uterina) se diri-
alzar los componentes de alta frecuencia: esto es. aquellas reas de alta variabilidad,
donde el contraste espacial es intenso.
Ambos tipos de filtrado pueden abordarse con el mismo mtodo. Si el objetivo l-
timo es ponera ios pxelesde la imagen en relacin con sus vecinos (ya sea para homo-
genei/arlos, ya para diferenciarlos), basta reali/ar una serie de operaciones aritmticas
entre cada uno de ellos y sus inmediatos. La forma concreta de efectuar este proceso es
aplicar sobre los NL) originales una matriz mvil de coeficientes de filtraje (CF). lista
matriz, (denominada, por algunos autores, kcnwl) puede tener un tamao variable, en
funcin del nmero de pxeles vecinos que queramos implicar en el proceso. Lo ha-
bitual es que se trate de una matriz de 3 X 3 CF, que se aplica sucesivamente a todos
los pxeles de la imagen. Puede tambin disponerse de matrices de filtraje mayores, de
5 x 5 o 7 X 7 pxeles. Cuanto mayor sea sta, el efecto de suavizado o realce espacial
es ms intenso, al considerar corno vecinos un mayor nmero de pxeles.
En cualquier caso, la matriz de CF se aplica sucesivamente a la imagen original,
desplazndose hacia la derecha tras calcular el nuevo valor del pxel central, que es el
nico que se modifica en cada desplazamiento (fig. 6.18). El siguiente clculo, s in em-
bargo, se obtiene de los ND originales, y no de los ND ya filtrados, con objeto de que
loda la imagen tenga la misma funcin de filtrado.
El resultado de un filtro digital depende de los CF sealados por el usuario. Si s-
tos tienden a ponderar el valor central en detrimento de los circundantes, el pxel re-
fuerza sus diferencias frente a los vecinos. Por el contrario, si los coeficientes favore-
cen a los pxeles perifricos, el central se asemejar ms a los adyacentes. Es obvio
decir que en el primer caso nos encontraramos ante un filtro de paso alto, mientras en
el segundo sera de paso bajo.
En suma, el procedimiento matemtico del fillraje consiste en relacionar cada pxel
con sus vecinos, de acuerdo a unos coeficientes determinados por el usuario. En el caso
de una matriz de 3 X 3 CF, la formula para obtener el ND filtrado sera (Mather. 1998):
donde ND, / indica el ND original del pxel /,_/; ND., el ND de salida para ese mismo
pxel; CF. el coeficiente de filtraje correspondiente, y/y c la fila y columna central de
la matriz de filtraje. El resultado de esta frmula se aproxima al entero ms cercano.
Tambin se ha propuesto dividir el numerador por el nmero de pxeles de la ventana
de filtrado (9 si se trata de 3 x 3), independientemente de los CF que se sealen.
250 TEI.EDF.TECC1ON AMBIENTAL
Fifi. 6.1 S. Diagrama sobre el funcionamiento de un filtro espacial. Ett cuta momento
se aplica la operacin sobre el p.xcl central (en ;ris) de la matriz de filtraje.
12 14 24 32 34 0 0 0 0 0 0
10 18 21 35 38 40 0 17 21 29 35 0
25 15 17 27 40 43 0 17 21 28 35 0
18 16 18 24 29 39 0 18 19 25 31 0
14 16 20 20 27 36 0 0 0 0 0 0
Volviendo a nuestro ejemplo, el nuevo ND del pxel central se calcula por un pro-
medio de los 8 vecinos, con una pequea ponderacin del valor central, lisos coeficien-
tes se han aplicado a todos los pxeles centrales de la imagen. Por ejemplo, el situado en
la f i l a 3. columna 3. con un ND inicial de 17 se convierte en la nueva imagen en:
que es un valor mas cercano al sector oriental de la imagen, con valores bajos. De igual
orina se procede con el resto de los pxeles hasta obtener la imagen filtrada. Al terminal
el proceso, el contraste global se ha reducido: mientras la desviacin tpica original de
los 12 pxeles afectados por el Ultraje es 8,91. la correspondiente a los filtrados es
indica una mayor homogeneidad espacial en la nueva imagen. Un efecto ms 1.1 aro
se hubiera obtenido al analizar una mayor superficie y/o aplicar un promedio simple en
la matriz de CF. Un proceso similar se empleara para cualquier otro tipo de filtra je.
Fio. 6.20. Filtros de paso bajo sobre una ventana de TonelOO: de tzi/da. a deha.: original,
filtro de 3 X 3, filtro de 9 X 9.
252 TKLHDETliCCION AMBIENTAL
categoras, como paso previo a la clasificacin. En este caso se pretende atenuar el de-
nominado ruido de la escena, producido en las zonas altamente heterogneas en re-
lacin con la resolucin espacial del sensor. El caso ms claro, y el ms estudiado, es el
que se produce en las zonas urbanas, en donde se mezclan distintos tipos de cubierta en
un reducido espacio. Para disminuir esta variabilidad espacial se han propuesto diver-
sos filtros de paso imjo, que tienden a homogeneizar los ND de esas zonas. El electo de
estos filtros M- ha mostrado bastante eficiente de cara a la clasificacin digital (Cush-
nie y Atkinson. 98 v Haack el al., 1987). Tambin el filtro de paso bajo puede u t i l i -
zarse para ohtenei la seal de fondo cuando intentemos comparar un ND con su
contexto, de cara a la deleccin de algn rasgo de inters que sea especialmente an-
malo en su entorno, como ocurre con los fuegos activos (Flasse y Ceccato, 1996) o las
nubes (Saunders y Knebel. 1988). o para obtener la reflectividad caracterstica de una
zona de cara a corregir el electo de adyacencia (Richter, 1997).
El filtro de paso bajo puede obtenerse a partir de diversas matrices de ultraje.
Algunas de las ms habituales son:
Este tipo de filtros pretende aislar los componentes de alta frecuencia en una ima-
gen. En trminos espaciales, esto supone remarcar digitalmente los contrastes espacia-
les entre pxeles vecinos, enfatizando los rasgos lineales presentes en la imagen, como
carreteras, parcelas o accidentes geolgicos. En definitiva, se intenta reforzar los con-
tornos entre reas homogneas, evidenciando cualquier discontinuidad.
Varios mtodos pueden conseguir este objetivo. El ms sencillo pasa por restar
ANLISIS DIGITAL. DK IMGBNHS: C'ORRKCCIONliS Y R I . A 1 . C I . S 253
de la imagen original la obtenida por un filtro de paso bajo. La razn es bastante obvia:
si lo que se pretende es aislar los componentes de alta frecuencia ( a l t a variabilidad),
hasta restar de la imagen original aquellos correspondientes a la baja frecuencia, con
lo que slo quedaran los requeridos, que se aadiran a la imagen original. En suma:
41 5)
Fl(i. 6.22. Filtros direccionales: a) original; b) filtro este; c) filtro norte: d) filtro sureste.
FlG. 6.23. filtros direccionales sobre una ventana de la imagen Madrid92: a) original; b)
filtro norte; c) filtro oeste; d) filtro noreste.
6. Correcciones de la imagen
Con este nombre se indican aquellos procesos que tienden a eliminar cualquier
anomala detectada en la imagen, ya sea en su localizacin, ya en la radiometra de los
pxeles que la componen. Estas operaciones tienden a disponer los datos en la forma
ms cercana posible a una adquisicin idnea, por ejemplo, situndolos sobre su posi-
cin geogrfica correcta (georrefereneiacin), o reconstruyendo la radiancia detectada
por el sensor a partir de los ND de la imagen. No obstante, el trmino correccin, que
da ttulo a este epgrafe, conviene manejarlo con ciertos matices, puesto que no todas
las operaciones aqu incluidas pueden calificarse propiamente como soluciones a de-
fectos de adquisicin de los datos. De hecho, la georrefereneiacin cartogrfica de la
imagen implica introducir una nueva deformacin, ya que no es posible representar
coordenadas geogrficas (latitud, longitud) sobre un plano con total exactitud. Sin em-
bargo, esta operacin es necesaria si se quiere que los resultados del anlisis tengan
validez cartogrfica o puedan conectarse con otros datos auxiliares almacenados en
un SIG.
Hemos incluido en este epgrafe dos grandes temas, las correcciones de la radio-
metra de la imagen (transformaciones de los ND para solventar los problemas de ad-
quisicin), y las correcciones geomtricas (georrefereneiacin). Comentaremos antes
las principales fuentes de error que puede implicar la captura de la imagen.
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 257
Cualquier imagen adquirida por un sensor remoto, ya sea areo o espacial, pre-
senta una serie de alteraciones radiomtricas y geomtricas debidas a muy variados
factores. Esto explica que la imagen finalmente detectada no coincida exactamente
con la radiancia-posicin-forma-tamao de los objetos que incluye. En el caso concre-
to de las imgenes espaciales, las deformaciones ms frecuentes pueden agruparse en
cuatro apartados (Bernstein. 1978; Mather, 1998):
ble en las longitudes de onda cortas, que tienden a presentar un menor contraste entre
coberturas de similar comportamiento radiomtrico. En cuanto al relieve, supone una
modificacin, a veces severa, de la posicin de los pixeles en la imagen, respecto a la
esperable a partir de la posicin del sensor.
ste es un trmino muy genrico, que designa aquellas tcnicas que modifican
los ND originales, con objeto de acercarlos a los que habra presentes en la imagen
caso de una recepcin ideal. Dentro de este concepto hemos incluido el tratamiento de
los problemas radiomtricos derivados del mal funcionamiento del sensor, junto a la
obtencin de magnitudes fsicas y correccin atmosfrica de los datos.
donde ND; corresponde al nivel digital del pxel de la lnea / ( l a defectuosa) y colum-
na. /', y ND; , ;, indica el nivel digital del pxel situado en la lnea precedente. Tambin
podra incluirse / + I. para sustituir las lneas defectuosas por las posteriores.
Un segundo mtodo de sustitucin promedia los valores de las lneas anterior y
posterior a la dett tilosa. Esto es:
FlG. 6.26. Problemas de calibrado en una imagen ALA. A la derecha los NI) originales,
a la izquierda los valores de radiancia calibrados. La mugen se adquiri sobre la provincia
de Mendoza (Argentina) el 27 de marzo de 2001. (Cortesa: Ruiliang Pu, U.C. Berkeley.)
donde s y .v, indican lasjdesviaciones tpicas del histograma de referencia y parcial, res-
pectivamente; ND y D;. los ND medios para ambos, y a y >, los coeficientes de ajus-
te. A partir de estos coeficientes puede calcularse el valor corregido, aplicando una
sencilla funcin:
[6.21
mayor ND, mayor reflectividad, sin considerar el efecto del relieve), pero no sirve
para comparar bandas entre s (un mayor ND entre dos bandas, no indica necesaria
mente mayor reflectividad), ni en imgenes de distintas fechas o sensores. Por el con-
trario, la reflecti\ alad o temperatura son variables fsicas comparables entre lugares y
lechas, lo que hace ms slida la interpretacin de los datos, garantiza la compatibili-
dad multilemporal y el anlisis integrado con imgenes de distintos sensores (lgica-
mente, siempre que abarquen las mismas bandas del espectro).
La obtencin de esas variables requiere resolver satisfactoriamente la accin de
vanos (actores. Algunos hacen referencia al propio sensor (calibrado de las radian-
cias), para lo que es imprescindible contar con informacin de la entidad que lo gestio-
na, otras a las condiciones de observacin (ngulos de iluminacin y adquisicin), y
otras a elementos del ambiente (efecto atmosfrico y topogrfico, iluminacin proce-
dente de otras cubiertas). Intentaremos analizar estos diversos factores, proponiendo
tratamientos que. dentro de una cierta simplicidad, permitan solventar eficazmente sus
electos.
donde LXi.llk corresponde a la radiancia espectral recibida por el sensor en la banda k (en
'" m 2 sr ' /mi '); a{) k y a] k son los coeficientes de calibracin para esa banda, y ND,
' al nivel digital de la imagen en la misma banda. Estos coeficientes de ca-
.cluirse en la cabecera de la imagen. En la tabla 6.5 aparecen los co-
a los sensores TM y ETM + .
lado, la radiancia que llega al sensorasumiendo que la superficie te-
in comportamiento lambertiano es una funcin de la irradiancia solar,
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y RHALCHS 265
j llores d e irradianci a solar \ cali bracin del TM se h an lomado de Price ( 1987 ). l i s i o s parm etro s de
calibracin c o r r e s p o n d e n a l a s i m g e n e s T M d e l L a n d s a t - 4 p o s t e r i o r e s a I ( . ) S 4 y a t o d a s l a s d e l I . a n d s a t - . P a r a
coeficientes de calibr acin pr e \ ios puede consultars e ese a r t i c u l o d e Pnce. Para HTM+. l o s valores de calibr acin se
lian lomadi d e l a c a b e c e r a d e l a i m a g e n .
donde ,,, es la irradiancia solar en el techo de la atmsfera (para esa banda del espec-
tro), conocida a partir de las tablas solares (tabla 6.5): p*( es la reflectividad aparente
de la cubierta en esa banda k: 0 es el ngulo cenital del f l u j o incidente, formado por la
vertical al terreno y los rayos solares. Hn modelos simplificados, como el que estamos
ahora presentando, esle ngulo se equipara al ngulo cenital solar (el complementario
del ngulo de elevacin solar, que se incluye en la cabecera de la imagen), lo que supo-
ne asumir que el terreno es llano. Finalmente, I) es el factor corrector de la distancia
Tierra-Sol, calculado como:
= ( 1 -f 16.24]
().()1674(sen(27r(y~93,5)/365))r
donde./ indica el da en el calendario juliano y el seno se asume que toma los valores
del ngulo en radianes. Este factor vara, aproximadamente, entre 0.983 (3 de enero)
en el perihelio y 1,017 (4 de julio) en el afelio.
En definitiva, la reflectividad aparente puede calcularse a partir de una sencilla
frmula:
P [6.25]
cos()i
200
1 50
100
Fi(. 6.29. Comparacin entre las curras espectrales de los ND brutos v con rejleclividad
aparente para el agua, suelo descubierto y vegetacin.
ANLISIS DIGITAL DE IMGF.NBS: CORRF.CCIONHS Y RHALCHS 267
La influencia atmosfrica no afecta por igual a los dos componentes del clculo
de la reflectividad: flujo descendente (denominador) y ascendente (numerador), ya
que el espesor de la atmsfera que atraviesan es distinto. Adems, hay que conside-
rar que a la irradianeia solar directa (la medida en las tablas) hay que aadir la difusa,
procedente de otros objetos vecinos (, en la fig. 6.30). En definitiva, la radiancia
que recibe el satlite no es la misma que sale del suelo (sta es la que interesa, pues
pretendemos medir la reflectividad de la cubierta, no la influida por la atmsfera),
sino que es fruto de los siguientes parmetros (Gilabert el al., 1994):
ElU [6.28]
donde Efn y eos 0i tienen el mismo significado de [6.25]; xt/ es la transmisividad at-
mosfrica que afecta al rayo incidente, y En es la irradiancia difusa, como consecuencia
de la dispersin Rayleigh y Mi, que tambin depende de las condiciones de la at-
msfera.
La transmisividad del rayo incidente tiene una expresin similar a la que afecta al
flujo reflejado, cambiando el ngulo de observacin por el de incidencia (#,):
DTI L .
Ih = " 16-30]
'j.. *
D
T
T
(
(L -L )/ T , )
pk= - -------- [6.31]
E CS
,,k ^r*., +,/.*
poral entre imgenes1 y observar la misma zona con distintos ngulos. Hsta ltima
va, que ya hemos comentado en anteriores captulos, slo ha estado disponible en
los ltimos aos, gracias a disponer de sensores con capacidad multiangular. El an-
lisis multitcmporal lo trataremos ms adelante (cap. 7, apdo. 3). La estimacin de las
condiciones de la atmsfera a partir de la observacin multibanda se ha desarrollado
ampliamente en la correccin de imgenes trmicas, como luego comentaremos
(6.2.4). En consecuencia, nos detendremos aqu nicamente en la primera opcin,
que resulta una de las ms sencillas.
La propuesta inicial de los mtodos basados en el objeto oscuro (clark object) fue
realizada por Chavez en 1975. con sucesivas mejoras en 1988 y 1996(Chavez, 1975.
1988. 1996). El punto de partida del mtodo consiste en asumir que las reas cubiertas
con materiales de fuerte absortividad (agua, zonas en sombra) deberan presentar una
radiancia espectral muy prxima a cero. En la prctica, el histograma de los NI) de la
imagen siempre presenta un mnimo superior a ese valor, que se atribuye al efecto de
dispersin atmosfrica. Asimismo, se observa que ese valor mnimo es mayor en las
bandas ms cortas, disminuyendo hacia el IRC y SW1R. Como ya vimos, la dispersin
Rayleigh la ms comn afecta principalmente a las longitudes de onda ms cor-
tas, lo que confirma que ese valor mnimo puede corresponder ms al electo de la at-
msfera que a la radiancia espectral proveniente de la superficie terrestre. En suma,
una sencilla aproximacin a la correccin atmosfrica consiste en restar a todos los
ND de cada banda el mnimo de esa misma banda, situando el origen del histograma
en cero:
donde NDmin k indica el valor mnimo de cada banda. Esto, en definitiva, supone estimar
el parmetro Lu k en la frmula [6.311 a partir del valor mnimo del histograma. La
asuncin puede ser bastante correcta siempre que tengamos en la imagen zonas en
sombra o con agua profunda. Incluso se puede plantear establecer una red de superfi-
cies oscuras en la imagen y realizar luego una interpolacin para tener mejor en cuenta
la variedad espacial del espesor atmosfrico (Ouaidrari y Vermote, 1999).
El mtodo del objeto oscuro resulta muy sencillo, y es vlido para estimar el espe-
sor atmosfrico de aerosoles, pero los errores pueden ser notables para valores de re-
flectividad altos (por encima del 15 %), al no considerar las transmisividades del flujo
incidente y reflejado. Para evitar este problema se ha sugerido complementarlo con es-
timaciones en el terreno de la transmisividad o con parmetros climticos auxiliares
(principalmente para estimar el contenido de vapor de agua y de ozono: Ouaidrari y
Vermote, 1999). De hecho, la ltima versin de la propuesta de Chavez sugiere esti-
mar la transmisividad descendente a partir del espesor atmosfrico definido por el co-
seno del ngulo cenital (6) (Chavez, 1996). Adems, al igual que en la versin previa,
el autor sugiere no considerar la irradiancia difusa. En pocas palabras, para observa-
ciones verticales, la frmula [6.31 ] quedara como:
5. En este caso puede que haste con corregir los electos atmosfricos slo de modo relativo, de tal
forma que las imgenes sean comparables entre s.
272 TELRDETECCIN AMBIENTAL
^k - L a k )
p = ------- ___ l633
E i i k cosO:
Dn(Lsi.n k - L k)
p k = --------- - - - - " - 16.34]
E n t cos/,r ( ;
donde rk, = 0,70 (TM I). 0,78 (TM2), 0,85 (TM3), 0.91 (TM4) y 1 para las bandas del
SWIR (TM5 y 7). Estos valores de rk son muy similares a los propuestos por otros au-
tores. Gilabert el al. (1994) sugieren, respectivamente. 0.73. 0,79, 0,85, 0,91, 0.95 y
0.97 para las mismas longitudes de onda. Pons y Sol (1994) tambin proponen unos
valores promedio de transmisividad. similares a los anteriores, aunque se matizan en
funcin del ngulo cenital solar.
En la figura 6.31 se incluye una comparacin grfica entre las reflectividades cal-
culadas por el mtodo de Chavez (con transmisividades promedio) y las que obtuvi-
mos en el epgrafe anterior (rellectividad aparente). El efecto de la correccin resulta
bastante obvio, sobre todo en lo que se refiere a la banda azul, en donde los valores de-
crecen notablemente. Adems se observa el comportamiento tpico de la vegetacin
con las bandas de absorcin en el azul y rojo, que quedaban muy distorsionadas por el
efecto atmosfrico en la reflectividad aparente. Tambin el agua presenta una curva de
reflectividad ms similar a lo esperable, con valores bajos y descendentes hacia longi-
tudes ms largas, si bien aqu puede haberse producido una sobre-correccin de la ban-
da azul. En la siguiente figura (6.32) se comparan los mtodos de Chavez y Richter
(ATCOR) para las mismas cubiertas que hemos visto en anteriores grficos. Como
puede observarse, el efecto de la correccin es bastante comparable entre mtodos, es-
pecialmente en agua y vegetacin. No obstante, se observa que el mtodo de Chavez
infracstima la transmisividad en la banda roja, como se muestra en que la vegetacin
no ofrezca una banda de absorcin en relacin con el verde, y el trazado anmalo de la
curva del suelo. Ambas parecen sobre-estimar el efecto atmosfrico en la banda azul.
La comparacin entre ellas requerira un anlisis ms detallado, aplicado a imgenes
de distintas fechas. Se aplicaron estos dos mtodos a dos imgenes Landsat-TM sobre
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 273
0,6
Agua ref. Ch -- Suel o
ref. Ch. -- Veg. ret. Ch
{ Agua ref e Suelo
ref s Veg. ref.
ETM1 ETM2 ETM3
ETM4 ETM5 ETM7
Fi(. 6.3 I.
Comparacin entre
0
Bandas
o.o
0,1
FlG. 6.32. Comparacin entre las curvas de reflectividad obtenidas por el mtodo de
Chave:, v por el ATCOR.
274 TLZLEDETECC1ON AMBIENTAL
FlCi. 6.33. Efecto del relieve sobre la radiancia detectada por el .sensor.
eia son constantes entre bandas (el eos 0, en la frmula |6.221). cuando se reali/a un co-
ciente entre bandas adquiridas simultneamente, este electo se elimina. Hn definitiva,
esto supone que el efecto de la topografa es constante en cada banda (Colby. 1991:
Shorl. 1982). o, lo que es lo mismo, que los efectos atmosfricos son independientes
de la longitud de onda (/.). lisio no es correcto, ya que hemos visto que la dispersin y
iransmisividad est en funcin de X (Leprieur el al.. 1988). Adems, al realizar el co-t
iente se reduce la mlormacin espectral, lo que es un inconveniente para realizar la
asilicacion. Finalmente, tampoco se considera el aporte de l u z difusa, que es distinto
ada banda.
Caso de que pueda disponerse de un MDH suficientemente preciso y bien ajusta-
imagen se puede estimar la variacin introducida en los NI) por el efecto topo-gralico a
partir de modelar las condiciones de iluminacin en el momento de adquirirse a
imagen. Para e l l o necesitamos en primer lugar calcular el ngulo de incidencia ( - )
de una vertiente, que depende de los ngulos solares y de pendiente (Civco. 1989; Colby,
1991: Conese el al., i 993):
eos y, = eos 6>. eos |, + sen 0i sen U eos (</> -<pj |6.35]
donde y, corresponde al ngulo cenital del flujo incidente. 0 indica el ngulo cenital
solar, 0r el gradiente de la pendiente, (pn el ngulo acimutal solar y (p, el ngulo de
orientacin de la pendiente. Estos cuatro ngulos pueden obtenerse del MDH y de la
lecha y hora de adquisicin de la imagen. El eos y, nos sirve para valorar el electo de
iluminacin en la vertiente y es equivalente al sombreado que recogen numerosos pro-
gramas SIG. Como es lgico, vara entre -1 y + 1. indicando para cada pxel del MDH
las condiciones de mnima y mxima iluminacin, respectivamente. La figura 6.34 re-
coge un fragmento de la imagen TorrelO, en su sector ms montaoso, unto con la
imagen de iluminacin (eos y,) para la misma zona y condiciones de adquisicin de
la imagen. Las flechas indican en qu sectores resulta especialmente evidente el electo
del sombreado sobre la imagen original.
A partir de haber calculado el ngulo de incidencia pueden plantearse distintos
F-IG. 6.34. Ventana de la imagen TorrclOO sobre un sector montaoso: a) banda 4 original.
h) sombreado derivado del MDE.
276 TELEDBTECCIN AMBIENTAL
feos6 )
/>=/>, [6.36|
\cosy, j
(eos y eos y )
Pi, , = P , + P , ~ ~f------ ~ - [6.37|
(eosy,,, )
(cosO, V
Ph,=P,\~-\ [6.38J
\eosy, j
/cos? +c, )
p h .=p.\ -------i U [6.39]
I eos y, +ck j
donde c\ es una constante emprica para cada banda k que se relaciona con la rugosidad
promedio de esa banda, y se obtiene a partir de:
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 277
[6.40]
[6.41
donde E\ul y E\n indican la radiancia que llega al suelo y la difusa, respectivamente, en
un terreno montaoso. Si el ngulo de incidencia (y,) supera los 90" (o, si se pidiere, el
eos y < 0), la vertiente est en sombra. No hay. por tanto, iluminacin directa, y la que
llega al suelo es nicamente la difusa (/:*,,,), que se calcula a partir de las condiciones at-
mosfricas en funcin del ngulo de incidencia, de la pendiente del terreno y de un coe-
ficiente de anisotropa {Esu k I Eo k ) , dependiente de la banda y la lecha de observacin.
Para el mbito de trabajo presentado por estos autores, esta correccin topogrfica mejo-
ra bastante el clculo de reflectividades en zonas de topografa quebrada, reduciendo no-
tablemente la variabilidad espectral de los tipos de cubierta. No obstante, los autores ad-
vierten que el algoritmo resulta poco adecuado para imgenes de invierno o topografa
muy abrupta, con ngulos de incidencia muy bajos (Conese el al., 1993). lista misma
conclusin se manifiesta por otros autores que han propuesto mtodos ms o menos si-
milares para el clculo de la irradiancia difusa (Ittcn y Meyer. 1993; Richtcr, 1997).
Un ejemplo del efecto de las correcciones topogrficas sobre nuestra zona de estudio
se presenta en la figura 6.35, que incluye la misma zona de la figura anterior. En
*"lCi. 6.35. Efecto de la correccin del sombreado .sobre el sector de la figura anterior:
a) banda 4 original; b) banda 4 corregida.
J7.S TliLHDHTlC'CION AMBIENTAL
pero dista bastante de ser correcta. Todos tenemos la experiencia directa de como
cambia la visin de un objeto segn se s i t u el observador en relacin con la l u / inci-
dente ( fig. 6.37). por lo que parece razonable tener en cuenta este Tactor en clculos
ms detallados de la reflccti viciad.
Hasta hace relativamente poco, la mayor parte de los sensores ofrecan nicamente
\ ision vertical, por lo que se asuma que la seal que medan eran comparable en el tiem-
po (lgicamente con las variaciones atmosfricas y de iluminacin pertinentes). Sin em-
hargo, en el caso de otros sensores de ngulos mas amplios de barrido, como los meteo-
uilgicos, las zonas observadas podan variar no slo por estos factores, sino tambin
poi la variacin en las condiciones de iluminacin y de observacin. En otras palabras,
cuando las observaciones no se realizan con los mismos ngulos (solares \ del sensor),
no son perfectamente comparables, por lo que las series temporales pueden ser bastante
inconsistentes. En el caso del AVHRR. uno de los sensores ms utilizados en anlisis
temporal de la vegetacin, este factor tenda a paliarse mediante mtodos que eligieran,
dentro de una serie de imgenes dianas, aquellos pxeles ms cercanos a Lina visin ver-
tical, pero esto no siempre se garantiza por el problema de la cobertura de nubes. l:n con-
secuencia, s quieren utilizarse las senes diarias es preciso introducir algn tipo de co-
rreccin del electo direecional.
Para abordar estas correcciones se u t i l i z a n las llamadas funciones de distribucin
de reflecti vidad bidireccional ( BRDF, Bidirectioiuil Reflctame Distribution Factor).
Se trata ste de un concepto terico, que describe los efectos direecionales de la reflee-
tividad comparando la radiancia reflejada en una determinada direccin con la i n c i -
dente en otra (Sandmeier e Itten, 1999):
dH0 , A)
1 ( 0 . d > : 0 , , , A) = - -' 16.421
dE(0 ,
Flujo reflejado
Fluio incidente
Diroccit
de referencia
N*
donde dL es la radiancia reflejada con un determinado ngulo cenital (fir) y acimutal (<pr)
y JE la irradiancia incidente con una detcrininada direccin: cenital (0) y acimutal (<p:)
(fig. 6.38). Le hemos aadido el parmetro para indicar que la BRDF es tambin de-
pendiente de la longitud de onda, o, lo que es lo mismo, que las diferencias debidas a las
direcciones de observacin no van a afectar por igual a las distintas bandas del espectro,
siendo ms severos los efectos direccionales en las longitudes ms cortas (principalmente
en el azul y rojo para el caso de la vegetacin: Sandmeier e Itten, 1999). A veces puede
resultar ms grfico que la funcin BRDF el denominado factor de anisotropa, que rela-
ciona la reflcctividad de un cubierta en una direccin determinada con la que se obten-
dra para una direccin de referencia (normalmente, para una observacin vertical):
Estos factores son de gran inters para conocer mejor el comportamiento direc-
cional de una determinada cubierta. Nos permitiran estandarizar las reflectividades
observadas a una base comn, siempre que conozcamos los ngulos solares y de situa-
cin del sensor. Algunos ejemplos de estos grficos se incluyen en la fig. 6.39 para el
caso concreto de una cubierta herbcea. Se observa que la misma cubierta presenta
efectos direccionales muy distintos segn la longitud de onda. En las bandas de fuerte
absorcin (azul y rojo), esta cubierta tiende a ofrecer un claro componente direccional,
con mayores intensidades hacia ngulos prximos a la vertical y cuando se observa de
espaldas al sol. Por su parte, el IRC y, en menor medida, el verde tienen un efecto di-
reccional menos marcado.
Para poder introducir estas correcciones en las imgenes necesitamos informa-
cin sobre el carcter iso o anisotrpico de las cubiertas que observamos, en definitiva
contar con sus BRDF. Esta informacin no es fcilmente accesible, ya que hasta hace
relativamente poco no se contaba con sensores de observacin multiangular. La mayor
parte de los estudios disponibles se basan en gonimetros de campo (Sandmeier e
Factor anisotrpico
y:-
Factor anisotrpico
'jrs
Factor
Factor anisotrpico
Factor anisotrpico
Factor anisotrpico
282 ThlHIMTIXCION AMBlliNTAI.
Itten, 1999). si bien se estn construyendo actualmente estas funciones a partir de al-
gunos sensores mas modernos (como el MISR o el POLDBR). Conocer el BRDF de
una cubierta, no slo servir para mejorar su discriminacin, eliminando la parle de la
seal que proceda de los ngulos de observacin, sino que en s mismo ser una varia-
ble ms que pernu'j introducir discriminaciones ms sutiles (por ejemplo, debidas a
electos de sombra en determinadas especies forestales). De ah el inters por enrique-
cer la signatura espectral de una determinada cubierta aadiendo tambin lo que po-
dramos llanuii si signatura angulai - o mejor an las variaciones angulares de las
signaturas espectrales i ste enfoque se ha desarrollado hasta el momento con sensores
aeroporlados iSandmeier \ Deering, 1999).
A electos prcticos es d i l c i l introducir este parmetro en ios clculos de rellecti-
vidad. ya que la BRDF depende del tipo de cubierta que estemos observando, la cual
ser habitualmente desconocida en una primera interpretacin. Para el caso de las im-
genes AVIIRR se ha propuesto una correccin relativamente s e n c i l l a , basada en un
modelo fsico de transferencia radial i va denominado WAK (Dymond el al., 2001).
Este modelo permite estimar un factor de estandarizacin de la reflectividad. supo-
niendo una orientacin de referencia ( v i s i n vertical y -4-3" de ngulo cenital solar). En
definitiva, se trata de encontrar un parmetro p que permita convertir la reflectividad
observada (/;) en otra de referencia (p):
p = <pp |6.44]
[6.45|
|6.46]
donde 0iy t, indican los ngulos de incidencia y reflexin para la seal a corregir; tlny
(),t, los correspondientes a la visin de referencia (habitualmente 45" y 0". respectiva-
mente), a y ao son los ngulos de fase (los que forman los rayos del sol con la posicin
del sensor, esto es la diferencia de acimut entre el sol y el satlite) de la seal a corregir
y de la visin de referencia (en este caso 45"). El trmino H considera las reflexiones
mltiples en el interior del dosel vegetal, y puede calcularse como:
|6.47]
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 283
para cada uno de los ngulos considerados (incidencia, reflexin, lano de la seal de-
lectada como de la de referencia). El resto de los parmetros: vr, a, k son dependientes
de la cubierta observada y se calculan a partir de su BRDF. Si no esl disponible, w
pueden estimarse a partir de la reflectividad de la hoja (p; w = 2p), ya, k de un anlisis
de regresin a partir de datos procedentes de dos rbitas distintas del AVHRR sobre
las misma zona ( e n definitiva, tomadas con ngulos distintos), minimizando ios resi-
duales ( R ) de la siguiente expresin:
16.48]
0,25
0,00
01 03 05 07 10 11 12 13 18 20 21 22 23 25 26 27 29 31
FlG. 6.40. Serie temporal de valores de reflectividad extrados a partir de los canales 1 x 2
del AVHRR en julio de 2001. Se incluyen los ngulos acimutal v cenital solar para observar
el efecto que tienen sobre la seal detectada por el sensor.
284 TELEDETECCION AMBIENTA!.
T^ = T ] + A ( T ] - T ] ) ~ B [6.50]
siendo Ts la temperatura del suelo, y T ] y T ' las temperaturas de brillo en dos bandas
contiguas del espectro. A y B son coeficientes dependientes del tipo de atmsfera.
Otros autores han propuesto formulaciones similares para la observacin biangular,
6. En los ltimos aos tambin cabe destacar los anlisis de temperaturas de superficie a par ir del
ATSR (Sobrino, 2000) o del MODIS (http://modis.gslc.nasa.gov/MODIS/inodisJront.htniri.
286 TELEDETECCIN AMBIENTAL
esto es la adquisicin de la misma banda del IRT pero con dos ngulos distintos, como
ocurre con el ATSR (Sobrino. 2000).
Sin embargo, son ms habituales las ecuaciones basadas en el algoritmo antes
mencionado |6.50|. ya que el sensor AVHRR ha sido la principal fuente de datos
para obtener temperaturas de superficie en las ltimas dcadas. Para las condiciones
promedio de nuestras latitudes podemos utilizar los coeficientes propuestos por Ca-
se I les y colaboradores (Caselles el al., 1995; Coll el al., i 994) para la correccin at-
mosfrica:
/; = T \ + 0,51 + 40 (I - i) - 75 Af 16.52]
( l - ( NDVI/NDVI ))
p _" " " 1 6 5 ^ 1
Fie;. 3*. Mosaico de imgenes SPOT adquiridas el 27 de diciembre de 2001 mostrando
un amplio frente de incendios activos en el suroeste de Australia. Se observa ntidamente
el efecto de absorcin de los aerosoles producidos por el fuego.
(ACRES. Geoscience Australia. CNES 2001).
FlCi. 5*. Imagen NOAA-A VHRR tic la Peninsula I berica adquirida
por la antena URI'T instalada en el Departamento de (enfraila
(Universidad de Alcal).
Fie 6*. Imagen Meteosat del disco visible de la Tierra adquirida en octubre de 998.
(Cortesa: EUMHTSAT.)
FlG. 7*. Imagen ster del Estrecho de Gilaltar adquirida el 5 de julio de 2000.
(Cortesa: NASA, http://visiblcearth.nasa.gov.)
Fie. 8*. Imagen Modis del Cono Sur adquirida el 24 de Abril de 2000. Composicin en color
red de los canales rcjlectivos. (Cortesa: NASA, http://visibleearth.nasa.gov.)
l i e i. i ) ' \ Altura medid de Id superficie ntiiriitii generada a purlir de dalos del EKS- i.
(Cortesa: Agencia Espacial liumpea.)
Fie;. 10*. Imgenes del contenido de clorofila en el d^uti >ara los meses de enero {arriba)
x junio (ahajo) calculadas a partir de dalos Seauifs. (Cortesa: Orbimage. j
Fie;. I I*. Proceso de formacin de las composiciones coloreadas.
FlG. 14*. Composicin en color de los tres componentes Tasscled Cap: ; azul, humedad;
en rojo, brillo; en verde, verdor.
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 287
donde NDVIimx y NDVImm corresponden a los valores del ndice de vegetacin obser-
vados como mxima y mnima cubierta vegetal, respectivamente, y k es un factor de
normalizacin:
k = (P2V-Pu)l(pls-Pn) 16-541
FlG. 6.44. Ejemplo de aplicacin del algoritmo de Saunders v Kriebel a una imagen A VHRR
de la pennsula ibrica lomada el 12 de enero de 1999. (Cortesa: Ailor Bastarrika.)
292 TELEDETECCIN AMBIENTAL
xima mensual, de tal manera que en cada pxel se establece el umbral por relacin a los
valores de temperatura mximos que se hayan observado en ese pxel (y su vecindad)
en el perodo mensual que se considere (Bastarrika, 2000). Recientemente se han pro-
puesto otros algoritmos automticos de deteccin de nubes en el contexto del anlisis
de imgenes MODIS. Este sensor, como ya vimos, proporciona una mayor facilidad
para distinguir diversos tipos de nubes, gracias a su buena resolucin espectral (mo-
darch.gstc.nasa.mw/modis/atbd/).
6.3. CORRKCCIOM-.S ( i H MTRICAS
6.3.1. Introduccin
f(c')=J\(c,l);f(x,y)
f(l')=f2(c,l);f(x,y)
Esto es, las coordenadas columna y linca (c' y /') de la imagen corregida son fun-
cin de las coordenadas columna y lnea de la imagen de entrada (c, 1) o de las coorde-
nadas del mapa al que se pretende superponer la imagen (x, y). Por tanto, esta transfor-
macin puede emplearse tanto para corregir cartogrficamente una imagen, como para
superponer dos o ms imgenes entre s. En el primer caso se pretende encontrar una
relacin que transfiera los ND de la imagen a su posicin cartogrfica, en la proyec-
cin requerida (habitualmente la Universal Transversal de Mercator. UTM). Esto per-
mite que la imagen resultante pueda combinarse con informacin auxiliar o integrarse
a un SIG (cap. 9). En el segundo caso, la transformacin geomtrica de la imagen tiene
por objetivo ajustara a otra imagen que.se considera como referencia, normalmente
con objeto de realizar estudios multitemporales o mosaicos para obtener una cobertura
ms completa del territorio.
La correccin geomtrica de imgenes puede abordarse de acuerdo a dos proce-
dimientos. En el primero, denominado correccin orbital, se pretende modelar aque-
llas fuentes de error geomtrico conocidas, a partir de aplicar transformaciones inver-
sas a las que realiza el sensor en el momento de la adquisicin. Para ello es preciso dis-
poner, con bastante detalle, de las caractersticas orbitales de la plataforma y de las
especificaciones del sensor. Gracias a ellas pueden corregirse errores sistemticos,
como son los derivados de la rotacin o curvatura terrestre y de la inclinacin de la r-
bita. El segundo enfoque resulta ms emprico. Se trata de evaluar el error geomtrico
de la imagen a partir de una serie de puntos con coordenadas conocidas, que se deno-
minan puntos de control. En este caso, el error se estima inductivamente, ya que en las
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 293
|6.57|
16.58]
[6.59]
[6.60|
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 295
Una sencilla correccin de este efecto panormico viene dada por las frmulas si-
guientes:
donde/? indica el tamao del pxel corregido del electo de curvatura,/? es el ngulo de
visin instantnea, h la altura del sensor, r, el radio de la Tierra, y el ngulo de barrido
y (f el formado por el centro del pxel observado y el centro de la Tierra.
A partir de estas ecuaciones, conociendo la posicin geogrfica del satlite, pue-
de navegarse la imagen, generando una malla de coordenadas x, y con los ND adquiri-
dos por el sensor ms aproximados a cada posicin. Este proceso de interpolacin es
relativamente similar al que veremos para la correccin con puntos de control. El con-
junto del proceso implica un volumen considerable de clculo, ya que las ecuaciones
de ajuste son bastante complejas. En ocasiones, los modelos orbitales se apoyan en la
localizacin de algn punto de control terrestre, para mejorar la estimacin de las con-
diciones de orientacin del satlite (attitude).
La figura 6.48 incluye una secuencia de imgenes AVHRR adquiridas en tres
das consecutivos. A la izquierda aparecen las imgenes originales, mostrando los
efectos de distorsin geomtrica que estas imgenes incluyen. Los extremos aparecen
severamente deformados, cambiando esa rea segn se desplaza el centro de la imagen
hacia el oeste. A la derecha aparece un sector prximo a la ciudad de Valencia, tras la
correccin orbital, referenciada en proyeccin UTM. Como puede observarse, pese a
la gran diferencia en la geometra de las imgenes originales, la correccin consigue
posicionar las imgenes de forma bastante similar entre ellas.
Esta solucin ser suficiente para aplicaciones globales, en donde se pretendan
analizar grandes extensiones. Sin embargo, para anlisis multitemporales ms detalla-
dos no facilita habitualmente la precisin requerida. Como veremos en el captulo de
ANLISIS DIGITAL DK IMGENES: CORRECCIONES Y REALCES 297
FlG. 6.47. Errores provocados por la curvatura terrestre. (Adaptado de Richards, 1993.)
Fl(. 6.49. Mejora en los ajustes orbitales mediante correcciones con puntos de control: a)
ajuste orbital; b) aadiendo puntos de control. (Cortesa: M. Pilar Malln.)
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 2U9
Un = i>()+ b , X + b , , Y
(2)
(3)
Fl(i. 6.50. Fases de la correccin con puntos Je control: I) seleccin; 2) ecuaciones de ajuste, 3)
generacin de la imagen corregida.
300 TELEDETECCIN AMBIENTAL
cin o ciertas parcelas agrcolas. La mayor parte de los programas de interpretacin di-
gital permiten visualizar las dos imgenes a corregir simultneamente, lo que facilita
mucho la seleccin de los puntos de control.
Respecto a su distribucin, conviene que estos puntos se siten uniformemente
sobre lodo el territorio abarcado en la imagen. Esto evitar errores debidos a una pon-
deracin excesiva de algn sector del rea de estudio, en donde el ajuste ser bueno a
expensas de otros sectores de la imagen. Esto es especialmente importante cuando la
zona presente contrastes topogrficos y se utilicen ecuaciones de segundo o tercer gra-
do. Aunque el efecto de desplazamiento del relieve es menor que en el caso de la foto-
grafa area (debido a la altura de la rbita), tambin en las imgenes de satlite existe
un electo de desplazamiento que puede causar serios problemas en su ajuste cartogr-
fico. Para intentar paliarlos, cuando no se disponga de un buen modelo digital de ele-
vaciones puede ser recomendable tomar puntos de control sobre reas de distinta alti-
tud, siempre que stas resulten bien identificables en la imagen ( I t t e n y Meyer. 1993:
Novak. 1992).
Nuestra propia experiencia indica que la seleccin de puntos de control es una ta-
rea bastante laboriosa. En caso de un registro entre dos imgenes, el proceso se simpli-
fica, puesto que es ms sencillo identificar puntos comunes entre dos imgenes que en-
tre imagen y mapa. En el primer caso pueden utilizarse cruces de caminos y rasgos
destacados de la vegetacin, de difcil o imposible localizacin en un mapa. Adems,
en el caso de corregir distintas imgenes de la misma zona para un anlisis multitcm-
poral puede automatizarse el proceso de bsqueda de puntos comunes, a partir de se-
alar en una sola, de modo muy preciso, esos puntos, situando en las otras unas venta-
nas de bsqueda, en torno a cada punto de control (Diez de Arribas y Nicols, 2001:
Ort e/e//., 1979).
La figura 6.5 1 recoge la localizacin de los puntos de control seleccionados para
la imagen Madrid92. Se trata sta de una zona especialmente idnea para esta labor,
por cuanto existen mltiples rasgos humanos, claramente identificables sobre la ima-
gen y el mapa. Para simplificar el comentario hemos sealado once puntos de control.
La tabla 6.6 incluye las coordenadas columna y lnea de la imagen, y A' e K del mapa
para esos puntos. La cartografa base se corresponde a una hoja 1:25.000 del Instituto
Geogrfico Nacional, realizada en proyeccin U.T.M.
ANLISIS DE IMGENES:
EXTRACCIN DE INFORMACIN TEMTICA
Despus de comentar los diversos tratamientos que conducen a disponer los datos
de forma ms idnea para extraer de ellos informacin temtica de inters dedicamos
precisamente este captulo a comentar las diversas tcnicas que permiten extraer esa
informacin de las imgenes. Hemos dividido la exposicin en cuatro apartados segn
el objetivo principal del anlisis sea la obtencin de variables continuas (1), la catego-
rizacin de la imagen en clases temticas (2), el anlisis de cambios (3) o la medicin
de la estructura espacial del territorio (4). Este captulo se complementa con los dos si-
guientes, dedicados, respectivamente, a verificar los resultados (cap. 8) y a conectar-
los con otras fuentes de informacin en el marco de los SIG (cap. 9).
ser de gran inters este enfoque nos parece reduccionista. Conviene no perder de vista
que una imagen de satlite es un conjunto sistemtico de medidas cuantitativas sobre
el territorio, con un nivel de resolucin espacial inalcanzable en mustreos de terreno.
Si esas mediciones se relacionaran satisfactoriamente con ciertos parmetros ambien-
tales de inters, a partir de una imagen podra obtenerse la distribucin espacio-
temporal de dichos parmetros. Por ejemplo, en la mayor parte de los pases la ob-
servacin meteorolgica se realiza a partir de una serie de puntos bastante dispersos en
el territorio (donde se sitan los observatorios). A partir de las mediciones que la tele-
deteccin realiza de la temperatura del suelo disponemos de una representacin mu-
cho ms exacta de cmo las temperaturas se distribuyen en el espacio, ya que una ima-
gen incluye medidas sistemticas sobre el territorio (cada kilmetro, aproximadamen-
te, en el caso del sensor AVHRR). La nica manera de obtener una cartografa exhaus-
tiva del territorio a partir de sensores convencionales sera mediante tcnicas de inter-
polacin espacial (Mitas y Mitasova, 1999), que sern tanto mas certeras cuanto ma-
yor densidad de observatorios dispongamos y el territorio sea ms homogneo. Por
ejemplo, la figura 7.1 nos permite comparar una mapa de evapotranspiracin (ET) del
cultivo de referencia obtenido mediante interpolacin espacial de 26 estaciones me-
teorolgicas en Andaluca, con el que se obtuvo mediante regresin lineal con varia-
bles derivadas de imgenes AVHRR (Snchez y Chuvieco, 2000). Resulta obvio el ca-
rcter mas realista de esta segunda estimacin y su mejor adaptacin a los rasgos del
relieve regional.
Bajo esa ptica, podemos considerar la teledeteccin como una de las herramien-
tas ms potentes para generar informacin biofsica sobre el conjunto del territorio, a
intervalos regulares y en condiciones comparables (sensor, altitud, hora de adquisi-
cin, etc.). Potencialmente las variables que pueden deducirse a partir de la teledetec-
cin son muy numerosas, siendo su rasgo comn que estn, de un modo u otro, relacio-
nadas con las propiedades pticas de los objetos, con su distancia al sensor o con su
posicin.
Podemos aqu establecer una primera distincin entre unas variables que son me-
dibles de modo directo y otras que se derivan a partir de aqullas. Las primeras son una
funcin de los datos adquiridos por el sensor, por lo que pueden extraerse directamen-
te de ellos si conocemos los parmetros de adquisicin. Las ms importantes son: la
Reflectividad en el espectro solar (VIS, IRC, SWIR), la Temperatura en el trmico, el
FIG. 7.1. Mapas de ET estimada a partir de interpolacin espacial (&) y regresin lineal (h)
con variables derivadas de imgenes AVHRR (Snchez y Chuvieco, 2001).
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 317
para las condiciones canadienses. Sin embargo, y hasta cierto punto sorprendentemen-
te, funciona muy bien en otros entornos ambientales muy distintos al canadiense, por
lo que se est empleando operativamente en lugares tan diversos como Indonesia y la
cuenca mediterrnea europea.
Presentamos como ejemplo de cmo plantear este tipo de modelos empricos la
estimacin del contenido de agua en las plantas. Nuestro departamento ha dedicado un
considerable esfuerzo en los ltimos cinco aos a esta tarea, intentando entender mejor
las relaciones entre la reflectividad y temperatura estimadas por teledeteccin y la di-
nmica del contenido de agua en las principales formaciones vegetales del mundo me-
diterrneo (pastizales y matorral), de cara a mejorar los sistemas actuales de preven-
cin del peligro de incendio. Con este objetivo en mente hemos tomado muestras sis-
temticas en el terreno para la primavera y el verano del perodo comprendido entre
1996 y 2001. Las muestras se han tomado siguiendo un estricto protocolo (Desbois
et al, 1997'a), de tal manera que las series fueran comparables en el tiempo. La primera
dificultad que se plante en el estudio fue la eleccin del rea de muestreo, ya que se
requera contar con una zona relativamente plana y con suficiente homogeneidad para
realizar estimaciones consistentes a partir de imgenes de baja resolucin espacial
(concretamente AVHRR y Vegetation). Esto implicaba contar con grandes extensio-
nes (entre 4 y 9 km2) de cubierta relativamente uniforme, lo cual resultaba bastante
complicado en un espacio tan heterogneo como el mediterrneo. Por otra parte, esas
superficies deberan cubrirse principalmente con pastizal y matorral, sin mezcla de te-
rrenos cultivados, que modifican drsticamente la seal entre la primavera y el verano
(despus de la recoleccin). Afortunadamente, contamos con el apoyo de las autorida-
des del Parque Nacional de Cabaeros, que reuna las condiciones idneas para este
estudio, tanto desde el punto de vista topogrfico como de cubiertas vegetales.
Otro problema que se planteaba, y que puede ser comn a otros estudios empri-
cos es la adecuada seleccin en terreno de las parcelas, de tal forma que sean suficien-
temente representativas del rea observada por el sensor, por un lado, y sean maneja-
bles, por otro. Recoger informacin exhaustiva y repetitiva de una parcela de 9 km2,
por ejemplo, resulta inabordable en terreno, por lo que es necesario aplicar algn criterio
de muestreo que permita obtener medidas suficientemente significativas. En nes- tro
caso se acotaron 3 parcelas para pastizal, a una distancia entre ellas de unos 5 km, y
otras 2 para matorral, separadas unos 4 km. Las diferencias encontradas en la varia-
cin temporal del contenido de agua entre parcelas de la misma especie vegetal son
prcticamente despreciables, lo que indica que los datos tomados en campo recogen
adecuadamente las tendencias de las distintas especies que estamos analizando en el
rea de estudio.
El muestreo se realiz a intervalos regulares (cada 8 das) coincidiendo los das
con la adquisicin del Landsat, y la hora de recoleccin con el paso del satlite NOAA.
Como es lgico, en cualquier modelado emprico es importante que los datos de cam-
po se tomen simultneamente a la adquisicin de las imgenes, siendo el requisito tan-
to ms estricto cuanto mayor dinamismo tenga la variable. En nuestro caso, el conteni-
do de agua en las plantas presenta una cierta inercia temporal (Brown et al., 1989; We-
ber y Ustin, 1991), por lo que resultaba aceptable realizar simultneamente el mues-
treo para correlacionar con datos Landsat-TM, SPOT-Vegetation y NOAA-AVHRR,
pese a que las imgenes se toman con 3-4 horas de diferencia.
320 TELBDETECCION AMBIENTAL
Junto a los datos de campo, un modelo emprico precisa una buena fundamenta-
cin terica y un sustento en observaciones espectrales controladas. En nuestro caso,
la bibliografa sobre relaciones entre contenido de agua y reflectividad es muy am-
plia,1 resumindose en el inters de las bandas del SWIR para una estimacin directa,
y las del IRC e IRT para una estimacin indirecta, no vlida en todas las especies
(Bowman, 1989; Crter, 1991; Cohn, 1991; Gao, 1996; Jackson et al, 1986; Le-
blon, 2001; Moran et al., 1994). Los resultados con sensores de micro-ondas no son
todava muy concluyentes (Leblon, 2001; Moghaddam y Saatchi, 1999; Paloscia y
Pampoloni, 1984). Para confirmar las experiencias de otros autores o matizarlas para
las especies mediterrneas bien adaptadas a la sequa estival nos pareci oportuno
realizar algunos anlisis sobre las variaciones de reflectividad en espectros conti-
nuos para distintos niveles de contenido de humedad y diversas especies. Se realiza-
ron diversas campaas de medicin con un espectro-radimetro GER 2600, capaz de
observar un espectro continuo de 512 bandas en el rango de 0,4 a 2,5 jum. Se tomaron
medidas de diversas especies de matorral y pastizales, utilizando bandejas de hojas
con una geometra constante a lo largo de todo el experimento (fig. 7.2), para evitar
efectos incontrolados de otjps parmetros, como cambios en la morfologa de las ho-
jas, que suelen acompaar a la prdida de humedad en algunas especies (Jackson y
Ezra, 1985). Los anlisis de las curvas espectrales para distintos contenidos de hu-
1. Los trabajos de Riaflo etal. (2000), Leblon (2001) y Cecalo et al. (2001) incluyen una amplia
revisin bibliogrfica sobre este tema.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 321
medad de la misma especie permitieron observar cules eran las bandas ms sensi-
bles a esta variable, confirmando el gran inters de la regin del S WIR para estos es-
tudios (fig. 7.3: Vaughan, 2001).
Sobre esta base se plante el anlisis emprico que consisti en realizar ajustes de
regresin entre los datos de campo y las variables derivadas de teledeteccin. Como
hemos dicho, se emplearon datos del TM, Vegetation y AVHRR (Chuvieco et al,
2001). El primero tiene la ventaja de ofrecer canales pticos y trmicos, con dos ban-
das en el SWIR, buena resolucin espacial y consistencia radiomtrica, pero el incon-
veniente de su alto coste y baja resolucin temporal. El segundo ofrece buena resolu-
cin temporal, coste intermedio y una banda en el SWIR, aunque no en el trmico. El
tercero es de libre adquisicin (nuestro propio departamento tiene instalado un sistema
de recepcin), y cuenta con buena resolucin temporal y espectral, con la salvedad de
no tener una banda en el SWIR hasta el lanzamiento del NOAA-15 (en 1998); adems,
es poco consistente en las series temporales, por el problema de los variados ngulos
de observacin que vimos anteriormente (cap. 6, apdo. 6.2.3.4).
Un ejemplo de las correlaciones empricas obtenidas, para el caso de las imge-
nes AVHRR en el ao 1999, se incluyen en la tabla 7.1 (Cocero et al, 2000). Esos da-
tos permiten confirmar las hiptesis planteadas en cuanto a la relacin entre las varia-
bles de satlite y la dinmica del contenido de humedad (CH). A continuacin plantea-
mos un modelo de regresin utilizando las variables ms significativas. Como ejemplo
de estos ajustes presentamos uno generado para el perodo estival (junio a septiembre)
con datos AVHRR. Se emplearon 2 aos consecutivos de datos para el ajuste (1996 y
1997), y otros dos para la validacin (1998 y 1999). La ecuacin planteada inclua es-
pecies de matorral y pastizal (Chuvieco et al., 2002a):
-0,2
(!.'
2,0
correlacin entre contenido de humedad del romero y su reflectividad para
distintas longitudes de onda. (Vaughan, 2001.)
322 TELEDETECCIN AMBIENTAL
TABLA 7.1. Correlacin de Pearson entre el CH y los derivados de las imgenes del satlite
NOAA-AVHRR para la primavera y el verano de 1999 (Cocero et al., 2000)
TS NDVI TS-TA SAVI GEM SM NDVI/TS
jun1 jul1 jul4 ag3 sep2 jun1 jul1 jul4 ag3 sep2 Perodos
FlG. 7.4. Ajuste entre valores observados y predecaos para la estimacin del contenido
de humedad (CH). (Chuvieco et al, 2002.)
manera que pudieran estimarse esos parmetros a partir de la reflectividad medida por
el sensor. En el ejemplo que venimos comentando, se tratara de estimar, en primer lu-
gar, el efecto del contenido de agua de la planta sobre la reflectividad del dosel vegetal,
mezclando su contribucin con la de otros factores (como puede ser la clorofila o la
cantidad de materia seca). En un segundo paso se tratara de invertir el modelo, aislan-
do de la reflectividad disponible en la imagen el componente de contenido de agua. La
operatividad de este mtodo frente a los ajustes empricos depender de tres factores:
contar con un buen modelo, con un buen mtodo de inversin y con reflectividades ca-
libradas (Jacquemoud et al., 2000). Por un buen modelo nos referimos a que sea preci-
so, a que no requiera parmetros de entrada de muy difcil obtencin, y a que sea lo su-
ficientemente sencillo como para que la inversin del modelo pueda realizarse en un
tiempo razonable (Jacquemoud et ai, 2000).
Entre los modelos que se han planteado en las ltimas dos dcadas podemos hacer
una primera distincin entre los que se centran en el nivel de la hoja {leaf ptica! proper-
ties models) y los que estiman la reflectividad del conjunto del dosel vegetal (canopy re-
flectance models). Entre los primeros, uno de los que ha tenido mayor aceptacin en la
literatura ha sido el denominado PROSPECT (Jacquemoud, 1990), que describe la re-
flectividad de una hoja a partir de considerarla como un pila de A/lminas compuestas de
elementos absorbentes y dispersores. Permite simular la reflectividad y transmisividad
de la hoja considerando una serie de variables de entrada, relacionadas con su estructura
y propiedades fsico-qumicas. Concretamente, en su ltima versin (simplificada por
Baret y Fourty, 1997), se requiere nicamente introducir la concentracin de clorofila
a + b (g era"2), el espesor equivalente de agua (EWT, Equivalent Water Thickness, en
g cnT2), el contenido de materia seca (g enr2), y el parmetro estructural N, que se refiere a
la estructura interna de la hoja. Este parmetro es el ms difcil de medir. Los mismos
autores del modelo proponen estimarlo a partir del rea especfica de la hoja SLA (Spe-
cific Leaf rea), calculada como el rea por unidad de peso seco de la hoja, utilizando
una relacin emprica, como la siguiente (Jacquemoud, 1990):
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 327
Software developi fcl Td- tk ty Mil Bamstoy, Dpotmnt c Geogrsplr', Ifiversity af Wsles Swsnsei
Versin 1,30 Septeniber 199$. Bnail: m.bamskyi@Ewsnie4.ac.uk
Fie 7.6. Grfico con curvas espectrales para distintas proporciones de vegetacin y suelo
realizado con el programa mixture realizado por el mismo autor de la figura anterior
(http://stress.swan.ac.Uk/@mbarnsle/research/sail.htm)
Como su nombre indica, un cociente o ratio implica efectuar una divisin, pxel a
pxel, entre los ND almacenados en dos o ms bandas de la misma imagen. Se utilizan
ampliamente en dos situaciones: 1) para mejorar la discriminacin entre dos cubiertas
con comportamiento reflectivo muy distinto en esas dos bandas, por ejemplo para real-
zar suelos y vegetacin en el visible e infrarrojo'cercano, y 2) para reducir el efecto del
relieve (pendiente y orientacin) en la caracterizacin espectral de distintas cubiertas.
Como hemos visto, este objetivo no se satisface plenamente, pues los cocientes slo
eliminan parcialmente el efecto del relieve, al no considerar que los efectos atmosfri-
cos son tambin dependientes de la longitud de onda. En consecuencia, para esta fina-
lidad resulta ms recomendable aplicar correcciones del sombreado topogrfico, cen-
trando el inters de estos ndices en mejorar la discriminacin de las cubiertas vegeta-
les y estimar algunas de sus variables biofsicas.
El empleo de los cocientes para discriminar masas vegetales se deriva del pecu-
liar comportamiento radiomtrico de la vegetacin. Como ya vimos en el captulo 2, la
signatura espectral caracterstica de la vegetacin sana muestra un claro contraste en-
328 TELEDETECCION AMBIENTAL
tre las bandas del VIS y especialmente la banda roja (0,6 a 0,7 fim) y el IRC (0,7 a
1,1 /um). Mientras en el VIS los pigmentos de la hoja absorben la mayor parte de la
energa que reciben, estas sustancias apenas afectan al IRC. Por esta razn se produce
un notable contraste espectral entre la baja reflectividad de la banda R del espectro y la
del IRC, lo que permite separar, con relativa claridad, la vegetacin sana de otras cu-
biertas (fig. 7.7). Cuando la vegetacin sufre algn tipo de estrs (por ejemplo, por pla-
gas o sequas intensas), su reflectividad ser inferior en el IRC, aumentando paralela-
mente en el rojo (al tener menor absorcin cloroflica), con lo que el contraste entre
ambas bandas ser mucho menor. En definitiva, podemos sealar que cuanto mayor
sea la diferencia entre las reflectividades de la banda IRC y R, mayor vigor vegetal
presentar la cubierta observada. Bajos contrastes indican una vegetacin enferma, se-
nescente o con poca densidad, hasta llegar a los suelos descubiertos o el agua, que pre-
sentan una reflectividad muy similar entre el IRC y el R, o incluso inferior en esta lti-
ma (caso del agua o algunas nubes).
En este principio se apoyan la mayor parte de los denominados ndices de vegeta-
cin (IV). Los ms empleados son el cociente simple entre esas bandas (C), y el deno-
minado ndice de vegetacin de diferencia normalizada (ND VI, Normalized Differen-
ce Vegetation Index):
PA
C,= [7.3]
Pi.R
Pi, IRC
NDVI, = Pi.R [7.4]
P,,IRC + P i . R
Reflectividad (%)
FIG. 7.7. Contraste espectral de la vegetacin sana entre las bandas R e IRC del espectro.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 329
dondep; 1RC yp, R indican las reflectividades del pxel / en la banda del infrarrojo cercano
y del rojo, respectivamente. Esos ndices se obtienen a partir de las reflectividades de
las bandas 7 y 5, para el caso del sensor MSS; las bandas 4 y 3 para el TM y ETM+; la
3 y 2, para el HRV, y la 2 y 1 para el AVHRR.
Si bien la definicin de estos ndices se realiza a partir de reflectividades (lo que
implica abordar las correcciones atmosfricas y topogrficas vistas previamente), al-
gunos autores no tienen inconveniente en emplear directamente los ND de la imagen,
siempre que no se pretenda conceder un valor fsico a los resultados. En ese caso, el
cociente o ndice de vegetacin presentar una valoracin relativa, aunque sigue man-
tenindose el principio anterior: cuanto mayor sea el resultado, mayor vigor vegetal
presenta la zona observada.
Aplicando un modelo terico, Guyot y Gu (1994) concluyen que los valores del
NDVI para imgenes Landsat y SPOT calculados a partir de ND subestiman entre 0,05
y 0,20 el valor calculado con reflectividades, siendo este error mayor con valores de
NDVI inferiores a 0,5 y para las imgenes SPOT. En consecuencia, proponen una co-
rreccin que haga equivalente el clculo con ND o reflectividades:
imgenes Landsat-TM, y
otros, en realidad esta estimacin slo se hace de modo indirecto, a travs del efecto
del estrs hdrico sobre el LAI y el contenido de clorofila (Ceccato et al, 2001; Chu-
vieco etal, \999b; Hunt y Rock, 1989).
3. Flujo neto de CO2, tanto a nivel local (Hall et al, \99\b), como global (Tuc-
keretal, 1986).
4. Radiacin fotosintticamente activa absorbida por la planta, APAR, con una
relacin directa y casi lineal (Asrar et ai, 1989), especialmente cuando las hojas son
horizontales y el suelo es suficientemente oscuro (Sellers, 1989).
5. Productividad neta de la vegetacin, relacionada con la APAR a travs de un
factor de eficiencia para cada planta (Steven y Jaggard, 1995). De modo indirecto,
puede estimarse a partir del NDVI la biomasa verde y seca, aunque aqu los grados de
ajuste varan mucho con los estudios, desde los muy buenos (Holben, 1980; Kennedy,
1989) hasta los bastante discretos (Tucker, 1979).
6. ndice de rea foliar, LAI, que presenta una asociacin positiva con el NDVI,
especialmente cuando la vegetacin no cubre totalmente el suelo, ya que a ciertos va
lores de LAI (por encima de 4, habitualmente), el NDVI se satura (Baret, 1995; Se
llers, 1989). En consecuencia, ms bien hemos de considerar que se trata de una
relacin asinttica (Sellers, 1987). Relacionado con este ndice se ha comprobado
una alta correlacin entre NDVI y porcentaje de cubierta verde (Kennedy et ai, 1994;
Kerretal, 1992).
7. Cantidad de lluvia recibida por el dosel vegetal, lo que est directamente re
lacionado con su vigor vegetal, aunque habitualmente se presente un cierto desfase en
tre la precipitacin y la respuesta de la cubierta vegetal (Millington et al., 1994; Potter
y Brooks, 2000; Taylor et ai, 1985)
8. Dinmica fenolgica, a partir de seguir la evolucin estacional de los par
metros antes sealados (Sampson, 1993; Potter y Brooks, 2000).
9. Evapotranspiracin potencial, inversamente relacionada con los ndices de
vegetacin a travs del vigor de la hoja y el estrs hdrico (Cihlar et ai, 1991; Snchez
y Chuvieco, 2000).
como pueden ser los provocados por El Nio (Curran y Foody, 1994a; Gutman, 1994).
Las series multitemporales de IV se estn empleado satisfactoriamente en el anlisis
de la desertizacin (Becker y Choudhury, 1988; Chen et al, 1998; Tucker et al,
1994), la deforestacin tropical (Malingreau etal, 1989; Nelson, 1994), la prevencin
de incendios forestales (Burgan et al, 1998;Chuviecoea/., 1999>;Illeraea/., 1996;
Paltridge y Barber, 1988), la cartografa de reas quemadas (Fernndez et al, 1997;
Fraser etal, 2000; Martn y Chuvieco, 1998; Pereira etal, 1999) y la cartografa glo-
bal de la cobertura del suelo (Loveland et al., 1991; Millington et al, 1994; Tateishi y
Kajiwara, 1991; Tucker et al, 1985).
Varios autores han puesto de relieve el efecto de factores externos en el valor del
NDVI, por lo que se han propuesto numerosas alternativas que intentan paliar algunos
de estos problemas. De esta forma, la lista de IV disponibles es muy amplia (Bannari et
al, 1995), si bien la mayor parte presentan valores de correlacin muy altos (Perry y
Lautenschlager, 1984). No obstante, por su posible inters en distintas aplicaciones
ambientales, revisaremos algunos de estos ndices.
Entre los factores que modifican notablemente el comportamiento del NDVI fi-
gura la proporcin de vegetacin/suelo observada por el sensor. Los mismos valores
de NDVI pueden corresponder a cubiertas vigorosas pero poco densas, o a cubiertas
densas con poca vitalidad. Para incluir explcitamente el factor suelo, clave cuando se
trabaja en zonas ridas, Huete y colaboradores propusieron incluir en la frmula del
NDVI un parmetro (L), que ajuste el ndice a una reflectividad promedio de fondo
(Huete, 1988; Huete et al, 1992). De esta forma se calcula el ndice de vegetacin
ajustado al suelo (SAVI):
PiJlR
SAVI, , PiJ>SRC
(1 + L) [7.7]
Pij.mc +P.J.R +L
donde L indica una constante para ajustar la lnea vegetacin-suelo al origen (los auto-
res indican un posible valor en torno a 0,5: Huete et al., 1994). En estudios experimen-
tales sobre campos de hierba y algodn se comprob que este ndice reduca sustan:
cialmente las variaciones inducidas por el suelo en comparacin con el NDVI y otros
ndices, en la mayora de las condiciones de la vegetacin (Huete, 1987).
Otro factor de importancia en el clculo del NDVI es el efecto de absorcin at-
mosfrica, que tiende en principio a reducir el valor del ndice (Cachorro et al., 2000;
Myneni y Asrar, 1994). Estos efectos se acentan para los pxeles extremos en caso de
observacin oblicua, como ocurre en las imgenes del AVHRR o de otros sensores de
mbito global. Con imgenes AVHRR, este problema tiende a solventarse mediante
tcnicas de composicin multitemporal, que intentan elegir en una serie de imgenes
diarias el valor del pxel ms cercano a una adquisicin ideal (con atmsfera transpa-
rente y cerca del nadir), al coste de perder la resolucin diaria (normalmente los com-
puest&s se forman para perodos de entre 7 y 15 das). Esto garantiza que el NDVI se-
leccionado est menos influido por ruidos externos a la cubierta observada. Entre las
tcnicas de composicin ms comunes se encuentra el mximo valor compuesto (Hol-
ben, 1986), que elige el valor mayor de NDVI de la serie diaria que se considere, si
bien se han propuesto otras tcnicas para intentar salvaguardar mejor la resolucin
332 TELEDETECCIN AMBIENTAL
temporal de las imgenes (Cihlar et ai, 1994; Moody y Strahler, 1994; Viovy et al,
1992).
Como es lgico, esta solucin para los problemas atmosfricos de los IV no resulta
razonable para las imgenes de mayor resolucin espacial (y menor temporal), ya que
supondran una inversin muy alta y perderamos demasiada informacin temporal.
Una alternativa sera ajustar el NDV1 a las condiciones atmosfricas, teniendo en
cuenta la diferente dispersin de los canales azul y rojo del espectro. De esta forma se
define el denominado ndice de vegetacin atmosfricamente resistente (ARVI: Kauf-
man y Tanr, 1992):
ARVI, = ^^f- [7.8]
P IRC "" P RA
p.. -0,125
GEM = J7 x (1-0,25 X M )- ----------- [7.10]
donde
= 2x(pm,pK)+\,5XpUiC + Q,5KXpR
j
PlRC +PR +0'5
Fie. 7.8. Fragmento de la imagen TorrelOO mostrando el NDVIpara lminas de agua (A),
zonas urbanas (B, C) y reas residenciales (D).
Todos los ndices hasta aqu comentados se dirigen a realzar las cubiertas vegeta-
les frente a otras superficies, a travs del contraste que presenta la reflectividad de las
plantas entre el IRC y el R. Ahora bien, en caso de que nos interese analizar otras varia-
bles en la vegetacin, u otro tipo de cubiertas no vegetales, estas bandas pueden no ser
las ms idneas. En esos casos convendr acudir a un anlisis de las variaciones espec-
trales que introduce la variable de inters para proponer ndices alternativos a los que
hemos visto hasta el momento. Por ejemplo, si lo que se pretende es realzar la discri-
minacin de las reas forestales quemadas frente a otras cubiertas no afectadas por el
fuego, los IV presentados no resultan una buena alternativa, ya que no estn diseados
para los rangos espectrales correspondientes a la vegetacin quemada. En consecuen-
cia, ofrecen rasgos de discriminabilidad peores que otros ndices diseados especfica-
mente para esta finalidad (Chuvieco y Martn, 1999; Martn, 1998; Percira, 1999;
Trigg y Flasse, 2001).
De igual manera, cuando se pretenda analizar el contenido de agua en la vegeta-
cin, como ya hemos visto previamente, el espacio espectral ms idneo no est for-
mado por las bandas IRC-R, sino ms bien por las S WIR-IRC, ya que la absorcin del
agua se produce en el SW1R y no en el visible. Por tanto, al aumentar el contenido
de agua en el suelo o la vegetacin disminuye paralelamente la reflectividad en el
SWIR. Por su parte, el IRC informa sobre el grado de deterioro de la hoja a partir de su
correlacin negativa con el apelmazamiento que pueden producir distintas fuentes de
334 TELEDETECCIN AMBIENTAL
estrs (como por ejemplo, el hdrico). Sobre esta base se han definido los denominados
ndices de contenido de agua, estrs hdrico o sequa (segn los autores) que remarcan
el contraste entre IRC y SWIR. Entre los propuestos cabe citar el NDII (Normalized
Difference Infrared Index), definido como (Hunt y Rock, 1989):
NDII=PlRC~PswiR [7.12]
P IRC ' P SWIR
donde plRC y psmR son las reflectividades del IRC y SWIR, respectivamente. Se ha
comprobado en varios estudios que este tipo de ndices son ms adecuados que el
NDVI para estimar contenido de agua en vegetacin (Aldakheel y Danson, 1997; Cec-
cato et al., 2001; Chuvieco et al., 2002b; Cibula et al., 1992; Cohn, 1991; Gao, 1996;
Riao et al., 2000; Ustin et al, 1998).
Tambin se ha comprobado que estos ndices IRC-SWIR resultan ms eficaces
para cartografiar reas quemadas que los basados en el IRC-R, puesto que la seal que-
mada es ms ntida en el SWIR y hay menos alteraciones de otros factores externos,
como la atmsfera (Pereira, 1999; Pereira et al, 1997).
Finalmente se han propuesto otros cocientes de bandas para enfatizar cubiertas
no vegetales, especialmente en trabajos de exploracin minera. Este tipo de estudios
slo parecen viables en reas de vegetacin escasa, con objeto de obviar el efecto
pantalla de la cubierta vegetal. En un trabajo realizado a partir de imgenes TM sobre
el desierto del Mohave (California), se mostr el inters de los siguientes cocientes:
TM5/TM7, para detectar rocas alteradas hidro-trmicamente, con alto contenido de
arcillas, micas y rocas sulfatadas; TM5/TM4, para aislar las cubiertas vegetales del ro-
quedo desnudo, y TM3/TM1, para aquellos materiales con importante presencia de li-
monita (Kruse et al, 1993a; Podwysocki et ai, 1985).
cipales vendran, por tanto, a ser como variables-resumen de las medidas inicialmente:
un menor nmero de dimensiones, preservando lo ms sustancioso de la informacin
original.
Esta capacidad de sntesis ha sido la base de la aplicacin del ACP en teledetec-
cin. La adquisicin de imgenes sobre bandas adyacentes del espectro, implica con
frecuencia detectar una informacin redundante, puesto que los tipos de cubierta
tienden a presentar un comportamiento similar en longitudes de onda prximas. Por
ello, las medidas realizadas en una banda pueden presentar una importante correla-
cin con las deducidas de otra, haciendo una o varias de ellas prcticamente irre-
levantes. En este contexto, el ACP permite sintetizar las bandas originales, crean-
do unas nuevas bandas los componentes principales de la imagen, que recojan
la parte ms relevante de la informacin original. Esta sntesis resulta muy conve-
niente cuando se pretende abordar un anlisis multitemporal (Joly et al., 1983; Ma-
selli et al., 1995), o cuando se intentan seleccionar las tres bandas ms adecuadas
para una composicin en color (Chavez y Kwarteng, 1989; Green etal., 1988). Tam-
bin se han utilizado bastante en la exploracin geolgica (Hervs, 1987). La selec-
cin de bandas no correlacionadas, o con mayor contenido de informacin, resulta
especialmente crtica en el entorno del anlisis hiperespectral (1.6), ya que al tener
disponibles una gran cantidad de bandas, resulta complejo extraer la estructura do-
minante de la imagen (Palacios-Orueta y Ustin, 1996; Palacios-Orueta et al., 1999;
Ustin y Trabucco, 2000).
Por otra parte, y desde el punto de vista meramente estadstico, el ACP facilita
una primera interpretacin sobre los ejes de variabilidad de la imagen, lo que permite
identificar aquellos rasgos que se recogen en la mayor parte de las bandas y aquellos
otros que son especficos a algn grupo de ellas (Palacios-Orueta y Ustin, 1996). En
definitiva, proporciona una mejor distribucin de los datos, frente a esos ejes de
variabilidad, lo que puede facilitar una identificacin ms atinada de las distintas cu-
biertas.
Como es bien sabido, el sentido y la fuerza de la correlacin lineal entre dos va-
riables puede representarse grficamente mediante un eje bivariado. En nuestro con-
texto, la nube de puntos indica la localizacin de los ND en las dos bandas conside-
radas. La elipse que limita estos puntos, expresa grficamente la fuerza de la correla-
cin entre las dos bandas, tanto mayor cuanto ms se aproxime a una recta, o dicho
de otro modo cuanto mayor sea el contraste entre los dos ejes de esa elipse. En la fi-
gura 7.9 aparece una correlacin positiva elevada con dos ejes de variacin: el primero
en el sentido de la correlacin (A), y el segundo en el sentido de los residuales (B).
Conviene considerar que este segundo componente es ortogonal al primero, lo que in-
dica, en trminos estadsticos, que los componentes principales no estn correlaciona-
dos; esto es, que la informacin que contienen es especfica.
Grficamente se intuye que una rotacin de los ejes X, Y hacia las direcciones A,
B, mejorar la disposicin original de los datos, y probablemente tambin la separa-
cin entre los grupos de ND homogneos en la imagen. Esa rotacin se obtiene, sim-
plemente, aplicando una funcin del tipo:
FlG. 7.9. Proceso para la obtencin de los componentes principales de una imagen.
[7.14]
3. En el contexto del tratamiento digital de imgenes puede consultarse Short (1982, pp. 174
y ss.), Gonzlez y Wintz (1977). Thomas et al. (1987a) y Richards (1993).
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 337
vm [1A5]
[7,6]
V;
Bl B2 B3 B4 B5 B7
Bl 102,83
B2 107,91 123,68
B3 156,30 176,07 271,58
B4 71,71 114,86 127,63 583,76
B5 148,94 183,70 275,91 340,63 516,96
B7 141,22 161,53 251,25 157,26 369,24 314,29
gen, realizando una previa estandarizacin, con objeto de paliar el efecto de la distinta
variabilidad entre bandas. Los autovalores (^) extrados fueron: 1.365,72, 410,24,
115,60, 9,64, 9,05 y 2,83. De acuerdo a [7.15], la varianza original asociada con cada
uno de estos componentes result ser 71,39 % para el primer componente; 21,44 %
para el segundo; 6,04 % para el tercero; 0,50 % para el cuarto; 0,47 % para el quinto, y
0,15 % para el sexto. De acuerdo a estos porcentajes se seleccionaron nicamente los
tres primeros componentes, que retenan un total del 98,87 % de la varianza original de
la imagen.
El sentido espectral de estos componentes se obtuvo a partir de la matriz de auto-
vectores, en donde se evidencia la asociacin entre cada componente y las bandas ori-
ginales. Como puede analizarse en la tabla 7.3, el primer componente ofrece un pro-
medio ponderado de todas las bandas. Recoge, en consecuencia, una valoracin de las
caractersticas espectrales comunes a todas ellas, lo que puede asimilarse con el brillo
general de la imagen, similar al aspecto que podra presentar una banda pancromtica.
Esta interpretacin es bastante generalizable para el primer componente de la mayor
parte de las imgenes tomadas en el espectro solar, ya que el factor ms comn a la va-
riacin espectral en estas longitudes de onda es la reflectividad promedio. El segundo
componente muestra una importante asociacin positiva con la banda 4, apenas per-
ceptible con la 5 y moderadamente negativa con el resto. En definitiva, est eviden-
ciando el contraste espectral entre el IRC y el resto de las bandas consideradas (VIS y
SWIR), lo que muestra una valoracin del vigor vegetal de la imagen. Finalmente, el
tercer componente ofrece un claro contraste entre el VIS-IRC y el SWIR, con correla-
ciones positivas para las primeras bandas y negativas para las segundas. Esto parece
indicar una valoracin del contenido de agua, por lo que le denominaremos como
componente humedad.
Las imgenes de los CP resultantes parecen demostrar esta interpretacin preli-
minar. El primero presenta una fisonoma muy similar a la de una imagen pancromti-
ca, con valores promedio de las distintas cubiertas: bajos valores en el agua y la vege-
Bl B B3 B4 B5 B7
tacin, medios en los espacios edificados, y altos en los suelos descubiertos (fig.
7.10a). El segundo componente evidencia los sectores con una actividad cloroflica
ms intensa, como son los pastizales y cultivos de secano (recurdese que la imagen
est tomada muy cerca de la primavera), ofreciendo tonos medios para los pinares del
vrtice SWy las diversas urbanizaciones, y tonos oscuros para los suelos descubiertos,
agua y vas de comunicacin (fig. 7.10>). Por ltimo, el tercer componente remarca
con claridad las lminas de agua, vas de comunicacin y espacios edificados, que
ocupan el intervalo ms alto de la imagen. Ofrecen tonos medios los pinares y las reas
de caducifolias todava sin hojas, seguramente por el efecto de sombras en el suelo.
Por el contrario, la vegetacin manifiesta tonos gris-medio a oscuro, en funcin de su
vigor, mostrando los matorrales tonos intermedios y los cultivos de secano ms oscu-
ros (fig. 7.10c).
Tambin puede generarse una composicin en color con los tres primeros com-
ponentes principales, de cara a facilitar una interpretacin ms sinttica de la informa-
cin que incluyen. Para el caso de TorrelOO (fig. 13*) hemos asignado el can de co-
lor rojo al primer componente, el verde al segundo, y el azul al tercero. Las reas de
mayor vigor vegetal aparecen en verde o cian (alto verdor, bajo brillo y media hume-
dad), mientras los suelos descubiertos o reas urbanas aparecen en magenta (alto brillo
y humedad), y las lminas de agua en azul.
La capacidad de sntesis propia del ACP la hacen una tcnica muy apropiada
como filtro previo para el anlisis multitemporal, cuando se van a utilizar varias im-
genes en una sola clasificacin. En ese caso, el ACP sirve para retener la informa-
cin ms significativa de cada perodo. Posteriormente, los CP de cada fecha se com-
binan, con objeto de facilitar una mejor discriminacin de cubiertas con perfiles es-
tacionales marcados. Este tipo de planteamientos se siguieron en un trabajo de gran
inters sobre l'Anse de l'Aguillon, en donde se seleccion el primer CP de cuatro
imgenes MSS de la misma zona, adquiridas en distintas estaciones, abordando pos-
teriormente la clasificacin sobre las cuatro fechas (Joly et al., 1983). En forma si-
milar emplean esta tcnica otros autores (Maselli et al., 1995; Siljestrom y Moreno,
1995). Ms original resulta su aplicacin para estudiar series temporales de imge-
nes en estudios sobre cambio global de la vegetacin (Eastman y Fulk, 1993), lo que
permite obtener, adems de las tendencias generales de las cubiertas, informacin
residual de gran inters para detectar anomalas. Posteriormente analizaremos con
ms detalle el empleo del ACP como tcnica para la deteccin de cambios entre dos
imgenes de distinta fecha (ver 3.4.4).
Un problema inherente al ACP es la dificultad de establecer una interpretacin a
priori de los componentes, ya que la transformacin es puramente estadstica y, por
tanto, muy dependiente de las caractersticas numricas de la imagen. Algunos autores
sugieren que el primer componente siempre indica el brillo general y el segundo el
verdor (Ingebritsen y Lyon, 1985). No obstante, esta afirmacin asume que en la ima-
gen existe una cantidad suficiente de cobertura vegetal. De otra forma, el componente
de vegetacin puede ser el tercero o cuarto. En definitiva, no pueden aplicarse reglas
generales para la interpretacin de los CP.
FlG. 7.10. Componentes principales de la imagen TorrelOO: a) CP1; b) CP2; c) CP3.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 341
Al igual que el ACP, esta transformacin se dirige a obtener unas nuevas bandas,
por combinacin lineal de las originales, con objeto de realzar algunos rasgos de inte-
rs en la escena. La diferencia frente al ACP estriba en que la TTC ofrece unos compo-
nentes de significado fsico preciso, esto es, independientes del tipo de imagen que se
est analizando.
La TTC fue ideada por Kauth y Thomas en el marco del proyecto LACIE (Large
rea Crop Inventory Experiment), desarrollado por la NASA y el Departamento de
Agricultura estadounidense (USDA) en los aos setenta, con objeto de mejorar la pre-
diccin de cosechas. Dentro de este proyecto se pretendi modelar los componentes
fundamentales de variacin en una imagen MSS, describiendo sus caractersticas f-
sicas desde el punto de vista del seguimiento de cultivos (Kauth y Thomas, 1976).
A partir de una serie de imgenes de zonas agrcolas se trat de sintetizar los ejes de
variacin espectral de los cultivos en una figura tri-dimensional, de aspecto parecido a
un gorro con borlas (tasseled cap). Considerando las bandas roja e infrarroja, la base
de ese gorro se define por la lnea de suelos, en donde se sitan los distintos tipos de
suelo, de acuerdo a su brillo y color (fig. 7.11). Segn el cultivo va ganando en vigor,
tiende a separarse de la lnea del suelo, aproximndose al eje de la banda infrarroja, y
convergiendo en un punto cuando se produce la mxima madurez. A partir de ah el
cultivo tiende a marchitarse, retornando hacia la lnea de suelos.
La TTC tiende a poner ms en evidencia el comportamiento espectral de la vege-
tacin y el suelo, a partir de crear nuevos ejes mejor ajustados a ese espacio fsico. En
ese nuevo sistema de coordenadas se pretende que sea ms ntida la separacin entre
ambas cubiertas. Para el caso de las imgenes MSS, sobre las que se desarroll esta
transformacin, los nuevos ejes se obtuvieron a partir de:
Infrarrojo
cercano
Lnea
de
Emergencia
Rojo
uj=R'ixi + c [7.17]
TABLA 7.4. Coeficientes propuestos para la obtencin de la TTC a partir de una imagen
Landsat-TM ([Crist, 1984 #212])
Bl B2 B3 B4 B5 B7
Blanco
FIG. 7.14. Representacin grfica del color a partir de las coordenadas RGB e IHS.
NDv + NDa
/ = [7.18]
y la saturacin como:
Intensidad Tono
%. .
Quemado
- * *
20.000
18.000
16.000
14.000 Otras
12.000 categoras
10.000
Saturacin
Como hemos comentado, la primera caracterstica que define una imagen hipe-
respectral es la gran cantidad de bandas que contiene (habitualmente en el orden de va-
Fio. 7.16. Componentes IHS de la imagen TorrelOO: a) Intensidad; b) Tono; c) Saturacin.
350 TELEDETECCIN AMBIENTAL
i Suelo Vegetacin vigorosa
Vegetacin emergente
rias decenas a centenas). Esto le permite definir, en la mayor parte de los casos, espec-
tros continuos para cada pxel de la imagen,4 de forma similar a las curvas que pode-
mos obtener con un espectro-radimetro de laboratorio, con la diferencia de que en
este caso slo medimos un punto, mientras la imagen nos proporciona una representa-
cin bidimensional de los espectros.
En consecuencia, la forma ms elemental de analizar una imagen hiperespectral
sera comparar los espectros que de ella se derivan con los que podemos obtener a par-
tir de equipos de laboratorio, o de las bibliotecas espectrales disponibles al pblico
(cap. 2, apdo. 5.5). Lgicamente, esto supone convertir previamente los ND originales
en valores de reflectividad, para lo que es preciso aplicar la calibracin y las correccio-
nes atmosfricas y topogrficas oportunas. A partir de ah puede identificarse la cu-
bierta de un pxel comparando su espectro con otros de referencia, aplicando alguna
tcnica que permita ver a cul es ms similar. Entre los mtodos disponibles vamos a
comentar dos comunes: la codificacin binaria y la absorcin diferencial.
La codificacin binaria es una sencilla tcnica que calcula, para cada banda es-
pectral, si la reflectividad observada es mayor o menor a la reflectividad media de ese
espectro, asignndole un valor 0 si es inferior y 1 si es superior. Si dos espectros son si-
milares tendern a presentar la misma cadencia de ceros y unos a lo largo de las distin-
tas bandas que forman esos espectros. Por tanto, al comparar la codificacin binaria de
un espectro desconocido con otro de referencia que corresponda a la misma cubierta
obtendramos un elevado porcentaje de parejas 0-0 o 1-1 (Mazer et al, 1988). Para
cuantificar la similitud entre espectros podemos calcular un sencillo ndice que deno-
minamos ndice de acuerdo espectral (IAE):
4. Decimos en la mayor parte y no en todos, pues puede haber sensores hiperespectrales, por tener
muchas bandas, que no tomen espectros continuos, ya que esas bandas no son contiguas. ste es el caso
del MODIS.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 351
2 t-i(CB/t-CB..
kf
[7.21]
donde CB, indica la codificacin binaria (0/1) del espectro / (el que queremos identi-
ficar) para la banda k, m el nmero de bandas, y CBj k la codificacin del espectro de re-
ferencia para la misma banda. Cuanto ms cercano a 0 el IAE, los espectros sern ms
similares y cuanto ms prximos a 1, ms distintos. En la figura 7.18 pueden observarse
unos espectros extrados de una imagen hiperespectral tomada por el sensor Hymap en
la zona agrcola de Barrax (Albacete) en junio de 1999. Este sensor cuenta con 128
bandas comprendidas entre 0,4 y 2,5 fim.
En la figura 7.18 se han representado tres espectros extrados de la imagen: uno
corresponde a vegetacin vigorosa (cultivos de alfalfa en este caso), otro a suelo
agrcola descubierto, y un tercero que nos interesa clasificar. A simple vista se obser-
va que tiene mayores afinidades con el espectro de vegetacin, pero conviene cuan-
tificar esa similitud, adems de servirnos de ejemplo para ilustrar el concepto de co-
dificacin binaria. A la derecha de los espectros, en la misma figura, se inserta la
codificacin correspondiente a los espectros de vegetacin, suelo y pxel objetivo (el
que queremos asignar). Se confirma que el patrn espectral es mucho mas similar al
espectro de vegetacin que al de suelo. El valor del IAE para el espectro de vegeta-
cin es 0,039 y para el suelo es 0,5625, confirmndose la mejor asignacin a la clase
vegetacin.
En la misma lnea de la codificacin binaria se encuentra la tcnica denominada
continuum removal (Kruse et al., 1993), que podramos traducir como anlisis de ab-
sorcin diferencial frente a la tendencia. Se trata de sealar en cada espectro una serie
de valores culminantes, que marquen los valores mximos de reflectividad en distintos
segmentos del espectro (mximos locales). Estos mximos sirven para sealar las ten-
dencias del continuo. Estos valores se utilizan para normalizar los espectros extrados
de la imagen y/o de una biblioteca espectral de referencia dividiendo estos valores por
los de la tendencia, lo que permite eliminar el efecto del albedo, reduciendo la princi-
pal fuente de variacin de una imagen y centrndonos en lo que especfico de cada
banda (la absorcin diferencial). Comparando las bandas de absorcin con las que
ofrezca otro espectro de referencia podr asignarse un determinado pxel hiperespec-
tral a una categora de inters. Esta tcnica se ha desarrollado con bastante xito en
imgenes AVIRIS para la exploracin minera (Kruse et al, 1993a).
Adems de la longitud de onda promedio de esas bandas de absorcin tambin es
interesante analizar cul es la intensidad de la absorcin, que vendra dada por la pro-
fundidad o, lo que es lo mismo, la magnitud de la diferencia frente a la tendencia, as
como su anchura y asimetra. Estos rasgos facilitan el anlisis de un espectro descono-
cido, delimitando rasgos de gran inters para determinar sus propiedades biofsicas
(un reciente ejemplo, en el mbito de la estimacin del contenido de agua en cultivos
puede consultarse en Tian y Tong, 2001). La figura 7.19 incluye un ejemplo de este
tipo de grficos, para el caso especfico del espectro de vegetacin que hemos visto
previamente. En este caso se observan una serie de bandas de clara absorcin centra-
das principalmente en torno a 0,46, 0,65, 1,4 y l,9,um.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 353
Ajuste de
la
0 0,40
0,80 1,20 1,60 2,00 2,40 fim
Fio.
7.19. Ejemplo de anlisis de la absorcin por diferencias frente a la tendencia
(espectro de vegetacin).
Supone otra tcnica alternativa para el anlisis de espectros, por lo que propia-
mente cabra incluirlo en el anterior epgrafe. Ahora bien, puesto que para otros auto-
res supone una alternativa a las tcnicas estadsticas de clasificacin que luego comea-
taremos, tambin cabe considerarla como un apartado especfico.
El clasificador angular (Spectral Angle Mapper, SAM) calcula la similitud entre
dos espectros a partir de su desviacin angular, asumiendo que forman dos vectores en
un espacio m-dimensional (siendo m el nmero de bandas disponibles). En sntesis, se
trata de un mtodo para comparar espectros desconocidos con otros de referencia, ya
sean tomados de la propia imagen, ya de bibliotecas espectrales. Puesto que esta tcnica
calcula la direccin relativa entre espectros, tiene la ventaja de ser bastante independiente
de las condiciones de iluminacin, ya que stas hacen referencia a la longitud del vector
pero no a su posicin, y por tanto los ngulos no cambian aunque cambie el albedo.
El algoritmo determina la similitud entre dos espectros calculando el ngulo es-
pectral que los separa (d):
siendo ND, k el valor del pxel i (el espectro objetivo) en una determinada banda k de la
imagen, ND, k el del espectro de referencia^' en la misma banda, y m el nmero de ban-
das. El criterio puede utilizarse para comparar pares de espectros determinados, por
ejemplo, muestras de suelos con distintos contenidos de materia orgnica, o para asig-
nar un pxel desconocido a una clase de referencia en una clasificacin temtica. En
este caso, el pxel i se asignar a la clase de referencia y con un valor 8 ms pequeo.
Lgicamente, tambin pueden compararse los cosenos entre vectores, eliminando en
la frmula anterior la necesidad de calcular el arcoseno. Lo habitual para imgenes hi-
perespectrales es trabajar con valores de reflectividad, pero hemos indicado en su lu-
gar ND ya que stos pueden estar escalados de la forma que estime oportuno el intr-
prete, siempre que, como es lgico, tengan la misma mtrica los de referencia y los que
se pretenden clasificar.
La figura 7.20 presenta un esquema del clasificador angular, para un caso senci-
llo de tres bandas. Aunque se ha desarrollado en el marco del anlisis hiperespectral,
esta tcnica tambin puede aplicarse a un menor nmero de bandas, siendo una alter-
nativa a los clasificadores convencionales, que luego comentaremos.
Contar con un amplio nmero de bandas, no cabe duda, tiene un gran inters, pero
tambin lleva consigo una serie de dificultades, tanto en lo que se refiere al almacena-
miento y proceso de la informacin, como a posibles problemas estadsticos que sur-
gen cuando las variables analizadas tienen una alta correlacin entre s (Mather,
1998). Para paliar estos dos problemas (almacenamiento y redundancia) se recomienda
con frecuencia utilizar alguna tcnica de compactacin de datos, que permita retener
la mayor parte de la informacin original en un menor nmero de bandas. Con esta
Banda 1 FIG.
5. En ingls se utilizan los trminos Spectral Mixture Analysis (SMA) o Linear Mixture Analysis
(LMA).
356 TELEDETECCIN AMBIENTAL
Componentes puros
Clase 1
Clase 2
FIG. 7.21. El ALME pretende extraer las proporciones presentes en cada pxel de
unas determinadas categoras o componentes puros.
0<FUm<\ [7.24]
2wpFam=l [7.25]
la suma de las proporciones para todas los componentes es igual a la superficie total
del pxel.
La ecuacin [7.23] tambin puede expresarse en trminos de ND, en lugar de
reflectividad, siempre que no se modifique la linealidad frente a la informacin ini-
cialmente detectada por el sensor. El inters de presentar la frmula en magnitudes
fsicas se relaciona con la primera fase, y ms importante, del ALME: definir con
precisin los componentes puros de los que van a obtenerse las imgenes desmez-
cladas. Estos componentes son los tipos caractersticos de cubierta que explican la
seal reflejada hacia el sensor. Se asume que el resto de situaciones que se presenten
en la imagen son mezcla de ellas. Por ejemplo, los componentes puros podran ser la
vegetacin sana, el suelo y las sombras, para un estudio de deforestacin (Adams et
al., 1^95; Holben y Shimabukuro, 1993); las plantaciones forestales vigorosas, las
recientemente cortadas y las que ofrecen un proceso de regeneracin, en el caso de
un estudio forestal (Hlavka y Spanner, 1995); la vegetacin sana, la quemada y las
sombras, para una cartografa de incendios forestales (Caetano et al, 1994), o los ti-
pos de cultivo para un inventario de cosechas (Quarmby et al., 1992). Los ms habi-
tuales han sido los de vegetacin vigorosa, suelo y sombra, si bien otros autores re-
358 TELEDETECCIN AMBIENTAL
Finalmente, la alternativa para extraer los componentes puros sera utilizar espec-
tros de laboratorio o los almacenados en las bibliotecas espectrales disponibles, prctica
muy comn en la exploracin minera (Kruse etal., 1993a). Esta opcin permite contro-
lar mejor la pureza de los valores de entrada, evitando efectos anmalos a la cubierta,
como seran las condiciones topogrficas o del sustrato, ya que los espectros se toman en
condiciones muy controladas. Sin embargo, esta alternativa tiene otros inconvenientes,
como asumir que las imgenes estn adecuadamente calibradas y corregidas del efecto
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 359
Pxeles extremos
IRC
FlG. 7.22. Fundamento del algoritmo PPI para buscar componentes puros de la imagen.
atmosfrico y topogrfico, lo que, como ya hemos visto, no resulta trivial. Por esta ra-
zn, en buena parte de los estudios publicados, la delimitacin de las radiancias caracte-
rsticas se realiza sobre la propia imagen, sealando en ella reas puras, y suficientemen-
te representativas, de las cubiertas que se vayan a desmezclar.
Una vez obtenidas las reflectividades o ND caractersticos de cada componente
puro pueden generarse las imgenes de las proporciones (F m) solucionando para
cada pxel la ecuacin [7.23]. Normalmente, las proporciones se obtienen de tal forma
que se minimice el error residual de cada pxel (e k). Por ello, puede re-escribirse esa
frmula en funcin del error:
[7.26]
51 63 80 46 52 50
IRC
49 55 58
75
52 61 64
IRC
Clase 1 Clase 2
Imgenes
das (35 y 40, respectivamente, para la clase 1, y 75 y 70 para la clase 2). Con esos datos
deberan generarse dos imgenes de proporciones, una correspondiente a c, y otra a c2.
Para ello, suponiendo en el ejemplo que no existe error (esto es que las estimaciones son
perfectas en cada pxel) es preciso solucionar un sencillo sistema de ecuaciones con dos
incgnitas. Por ejemplo, para el primer pxel (superior, izquierda) tendramos:
43 = 30 F, + 75F2
46 = 40 F, +70F2
esto es, el ND observado para ese pxel en las dos bandas (43, 46) se asume que est
formado por una combinacin lineal de las categoras puras c, y c2, definidas por sus
ND caractersticos en esas dos bandas. Para conocer la proporcin de cada clase pre-
sente en ese pxel basta despejar en cada una de las ecuaciones F2 para obtener F:
43 = 35F, + 75(1-F,)
Como es necesario contar con tantas ecuaciones como incgnitas, podemos se-
leccionar hasta un mximo de tantos componentes puros como bandas haya disponi-
bles. Sin embargo, si aadimos el requisito de exhaustividad (la suma de las propor-
ciones es igual 1), estamos incluyendo una ecuacin adicional en el problema; de ah
que pueda incluirse hasta un mximo de m + 1 componentes, siendo m el nmero de
bandas. Esto siempre que supongamos nulo el error, de otra forma, se incluye una in-
cgnita ms, y habra que limitar el nmero de componentes al de bandas.
El mtodo para solucionar esos sistemas de ecuaciones es ms complejo, lgica-
mente, al incluido en nuestro ejemplo. En consecuencia, es preciso abordar criterios
ms refinados para solucionar el sistema de ecuaciones planteado anteriormente.
Entre los diversos procedimientos que se han propuesto para ello, el estimador ms
sencillo es el ajuste por mnimos cuadrados sin restricciones. En notacin matricial,
este estimador se expresa como (Gong et al., 1994; Settle y Drake, 1993):
f = (MTMy1MTX [7.27]
donde/indica el vector con las proporciones calculadas para cada pxel, M indica la matriz
con los valores de los componentes puros en las bandas de anlisis y X el vector con los va-
lores del pxel en cuestin para esas mismas bandas. El superndice T indica la transpuesta
de la matriz y -1 la inversa. Este algoritmo es relativamente rpido, pero no satisface las
restricciones antes mencionadas. Para solucionar esto basta con poner a cero los valores
negativos de/y escalar el resto para que sumen 1. Otros criterios de solucin que incluyen
directamente estas restricciones pueden consultarse en Settle y Drake (1993) y Shimabu-
kuro y Smith (1991). Mather (1998) apunta la importancia de que las bandas de entrada no
estn altamente correlacionadas; de lo contrario habr serios problemas para invertir la
matriz de entrada. Finalmente, tambin se han propuesto soluciones menos supervisadas,
en donde los valores de los componentes puros no se conocen, lo que implica aumentar el
nmero de incgnitas y acudir a soluciones no lineales, que se resuelven iterativamente
analizando en cada paso la variacin del error (Tompkins et al, 1997).
El ALME resulta de gran inters para extraer informacin compleja de las imge-
nes hiperespectrales, pero no se restringe a este tipo de datos, sino que se ha empleado en
contextos muy variados. Es muy apropiada para expresar el carcter continuo de los da-
tos ambientales, que no tienen una clara solucin de continuidad en el espacio. Adems
implica una interesante alternativa para extraer informacin de los sensores de baja reso-
lucin espacial, AVHRR, MODIS o Vegetation, ya que facilita estimaciones sobre las
mezqlas, tan abundantes en estos pxeles de gran tamao, manteniendo una alta frecuen-
cia de adquisicin y bajo coste. El campo ms claro de aplicacin es el agrcola: superfi-
cie cultivada y rendimiento, en donde el ALME ha mostrado ya excelentes resultados
(Kerdiles y Grondona, 1995; Quarmby et al, 1992). Asimismo, resulta un aliado clave
en los estudios de deforestacin (Adams et al, 1995; Holben y Shimabukuro, 1993; Shi-
mabukuro et al, 1994) para estudiar regeneracin de especies vegetales (Hlavka y
362 TELEDETECCIN AMBIENTAL
Spanner, 1995), densidad de cabida cubierta (Gong et al, 1994), cartografa de la vege-
tacin (Roberts et al, 1998), y en el seguimiento y discriminacin de reas quemadas
(Caetano et al, 1996; Martn y Chuvieco, 1998; Riao et al, 200Ib). Adems, se ha uti-
lizado profusamente en cartografa de suelos y formaciones minerales (Adams et al,
1986; Palacios-Orueta y Ustin, 1998; Smith et al, 1990a; Smith et al, \990b).
Como ejemplo de esta transformacin hemos calculado los componentes ALME
de las categoras agua, vegetacin y suelo descubierto para la imagen TorrelOO. Para
ello hemos utilizado un programa incluido en el paquete XPACE de PCI, que incorpo-
ra un algoritmo de mnimos cuadrados con restricciones de no negatividad y exhausti-
vidad. Los componentes calculados se incluyen en la figura 7.24, que recoge tambin
el trmino de error (RMS).
El comentario de estas imgenes de proporciones resulta bastante anlogo al que
hemos realizado de los componentes principales y tasseled cap, ya que estn reflejando
las tres dimensiones bsicas de informacin incluidas en una imagen ETM. En este caso,
cada componente tiene un sentido fsico: la proporcin de agua, vegetacin o suelo que
presenta, en un continuo desde la mxima cantidad (100 %) que aparece en las zonas es-
pectralmente ms similares al componente puro, hasta las que ofrecen una proporcin
prcticamente despreciable. El componente de agua presenta los valores ms altos en los
embalses del rea de estudio, as como en algunos sectores de vegetacin perennifolia,
que muestran una afinidad intermedia entre el agua y la vegetacin herbcea vigorosa
(donde se defini el componente vegetacin). Precisamente estas zonas de pastizal son
las ms claramente recogidas en el componente vegetacin, as como los cultivos herb-
FIG. 7.26. Componentes ALME de reas quemadas. Imagen AVHRR correspondiente al litoral
mediterrneo peninsular. A la derecha la imagen original con los permetros de las reas
quemadas superpuestos; a la izquierda, componente quemado ALME. (Martn, 1998.)
FIG. 7.27. Componentes ALME de lminas de arena: a.) 1982; b) 1992; c) resta de ambas.
(Collado, 1998.)
cial hasta el global, potencialmente menos fiable pero con mayor capacidad de ge-
neralizacin (Ehleringer y Field, 1993; Quattrochi y Goodchild, 1997).
Como es lgico, no existe ningn sensor que pueda facilitar ambos niveles de deta-
lle simultneamente, acercndose ms a una escala local o global segn las caractersti-
cas de su diseo. El inters de poder abordar estudios a distintas escalas hace que las tc-
nicas de integracin de datos provenientes de distintos sensores se consideren cada vez
con mayor atencin, dando lugar a toda una nueva lnea de trabajo en teledeteccin que
recibe el nombre genrico de fusin de datos, que incluye asimismo la integracin entre
las imgenes de satlite y otras variables espaciales (Gong, 1994; Wald, 1999).
El objetivo ltimo de estas tcnicas es aprovechar las ventajas particulares de los
datos que se ponen en relacin, paliando sus defectos; por ejemplo, podran combinar-
se imgenes de distintas resoluciones espaciales, temporales o que abarquen distintas
bandas del espectro (radar-ptico). ste sera el caso de generar una imagen sinttica a
partir de una pancromtica de alta resolucin espacial con una multiespectral con pxel
ms grosero: obtendramos la calidad espacial de la primera con el contraste cromtico
de la segunda. De igual forma, podramos integrar imgenes de satlite con mapas de
temperaturas, MDE, o series de vegetacin, en una clasificacin integrada, de cara a
mejorar la discriminacin de un determinado rasgo de inters.
En pocas palabras, lo que se pretende es mejorar la calidad de los datos, ya sea en
lo que se refiere a su aspecto visual, ya a la discriminacin digital de ciertas categoras,
ya a mejorar la fiabilidad de la estimacin de una determinada variable, o ya a demos-
trar la solidez de un determinado mtodo de anlisis.
La fusin de datos puede plantearse a distintos niveles. El ms intenso llevara a
generar imgenes sintticas, combinando informacin procedente dos o ms sensores
para producir una sola imagen resultado; el segundo implicara tratar informacin de
varias fuentes en paralelo, de cara a mejorar la discriminacin de un cierto rasgo de in-
ters; similar a l tambin podramos plantear la integracin de los resultados obteni-
dos de varias fuentes independientes; finalmente, puede proponerse integrar varias
versiones de los datos (imgenes sintticas y originales, resultados de la interpreta-
cin) al nivel de la toma de decisiones (Gong, 1994).
De los objetivos arriba comentados, sin duda el ms habitual en las tcnicas de fu-
sin de datos ha sido el que tiende a realzar el aspecto visual de una determinada ima-
gen con informacin proporcionada por otra de mejor resolucin espacial. Al final del
proceso tendramos una imagen sinttica (multirresolucin), que alberga el detalle
cromtico de unas bandas sobre la calidad espacial de otra.
La llegada de los sensores de muy alta resolucin espacial (Ikonos, Quickbird,
IRS-1C, Kompsat) ha renovado el inters de esta aplicacin, ya que permite mejorar
considerablemente la definicin de una determinada imagen, de cara a su posterior an-
lisis visual o integracin con otros datos espaciales en el entorno de un SIG. Sin embar-
go, las primeras ideas para obtener este tipo de productos se remontan a los aos ochen-
ta, cuando se propusieron las primeras tcnicas para fundir imgenes Landsat-MSS y
RBV (Short, 1982), o incluso Landsat y fotografas areas digitalizadas (Iverson et al.,
1989). Con el lanzamiento del SPOT en 1986 se comenzaron a producir imgenes sint-
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 367
IHS-RGB
ticas entre sus canales pancromtico (10 m) y multiespectral (20 m) (Carper et al,
1990), o incluso entre el SPOT pancromtico y el multiespectral Landsat-TM (30 m).
Actualmente, el mercado de los productos hbridos se centra sobre todo en combinar las
imgenes de sensores de muy alta resolucin (como el Ikonos pancromtico, con 1 m),
con los productos multiespectrales de ese mismo sensor (4 m), de cara a la cartografa
catastral de detalle. No obstante, para aplicaciones de escalas medias, la fusin del canal
pancromtico del sensor ETM+ (15 m) con los multiespectrales (30 m) tambin puede
resultar de gran inters. La creciente disponibilidad de sensores hiperespectrales tam-
bin permite ampliar este objetivo hacia fusiones de distinta naturaleza segn el objetiv
ltimo de la interpretacin (Robinson et al, 2000).
Se han propuesto varias tcnicas para obtener imgenes hbridas de dos resolucio-
nes espaciales distintas (Tapiador y Casanova, 2001). La ms empleada, hasta el mo-
mento, ha sido la transformacin IHS, que vimos anteriormente, por lo que nos centrare-
mos aqu principalmente en ella. Este proceso de fusin se ilustra en la figura 7.28.
Esta fusin parte de realizar una composicin en color correspondiente a la ima-
gen multiespectral de peor resolucin que se pretende realzar con otra pancromtica.
Como es lgico, esta ltima debera incluir condiciones de observacin similares a la
primera, siendo lo ms recomendable que se tomen simultneamente, como ocurre
con el sensor ETM+ o la cmara del Ikonos. El primer paso en la fusin de dos imge-
nes es asegurar que tengan el mismo tamao de pxel y se refieran a la misma posicin
en el espacio. Esto implica una previa georreferenciacin de esas dos imgenes, o al
menos un ajuste relativo entre ellas. En ese paso, el pxel de la imagen multiespectral
debe ampliarse hasta el tamao del pxel de la pancromtica (reduplicando el valor de
sus ND), lo que garantizar que puedan superponerse adecuadamente.
A continuacin se aplica una transformacin de coordenadas RVA a IHS, tal y
como vimos previamente (1.5). Puesto que el tono y la saturacin refieren al contenido
espectral de la imagen, mientras la intensidad se relaciona con las variaciones espacia-
les del albedo, que estn ms en relacin con las caractersticas espaciales de la ima-
368 TELEDETECCIN AMBIENTAL
FlG. 7.29. Imagen de intensidad de una composicin ETM 4/5/3 (dcha.) y del canal
pancromtico (izqda.) de la imagen Alcal99.
gen, este componente tender a presentar una buena correlacin con la imagen pancro-
mtica (fig. 7.29). En consecuencia, podemos sustituir una por otra, de tal forma que
se incorpore el detalle espacial de la pancromtica sin afectar a la tonalidad de la com-
posicin en color original. Por ltimo, se aplica la transformacin inversa, de compo-
nentes IHS a RVA, obtenindose un producto visual muy mejorado (fig. 15*).
Este proceso resulta adecuado en muchas aplicaciones, pero puede ofrecer pobres
resultados si el rango espectral de la pancromtica no se ajusta bien al correspondiente
a las tres bandas que se mezclan en la composicin RVA. De hecho, se comprob hace
unos aos que el componente Intensidad de una composicin SPOT no estaba bien
correlacionado con el pancromtico (Chavez etal, 1991; Pellemans etal, 1993). En
consecuencia, se ha propuesto otras tcnicas alternativas para la obtencin de im-
genes hbridas, como seran las siguientes:
_ 2Pan + ND ,RC
P
[7.28]
Landsat-TM FlG. 7.30. Esquema de integracin de variables para obtener mapas de modelos de
FlG. 7.31. Esquema de integracin entre resultados obtenidos a partir de dos sensores
de alta aj y baja b) resolucin; c) coincidencias entre los dos; d) unin entre ambas,
pero prevalece la alta resolucin; ej unin entre ambas, pero prevalece la baja resolucin.
Otros posibles cruces primaran una de las dos imgenes, considerando que, por
cualquier razn, nos merece ms crdito que la otra. As, podramos decidir que preva-
leciera la de mayor resolucin, en cuyo caso se retendran nicamente las reas catalo-
gadas en esta imagen, si bien se retendran tambin los pxeles de la de menor resolu-
cin cuando se puedan considerar pertenecientes a incendios detectados en la de alta
resolucin. Esto puede tener sentido si asumimos que la de alta puede haber detectado
slo la parte ms intensamente quemada, pero no los bordes del incendio, que podran
haberse detectado mejor en la de baja resolucin. Asimismo, podramos plantear que
prevaleciera la de baja resolucin; esto es, se retendran nicamente los incendios de-
tectados en ella, si bien en aquellos que tambin se hayan discriminado en la de alta re-
solucin se retendran los pxeles de la de alta (si siempre eligiramos los de baja, sen-'
enlmente no haramos fusin).
Esto es un ejemplo de las posibilidades de integracin entre imgenes de distintos
TABLA 7.5. Esquema para la integracin entre dos imgenes binarias de distinto sensor:
alta resolucin (A), baja resolucin (B)
Resolucin Criterio de fusin
sensores, que puede dar idea de las perspectivas futuras que plantea un anlisis inte-
grado de la informacin.
2.1. INTRODUCCIN
Imagen original
Para que una fotografa, area pueda ser interpretada en detalle es preciso que
exista una experiencia previa, que nos permita identificar cada una de las categoras de
inters por una serie de rasgos, como son tono, textura, situacin o tamao. Es posible
distinguir entre matorral y arbolado, gracias a que ste tiene una textura ms rugosa;
mientras la separacin entre agua y suelos descubiertos se realiza sobre la diferencia
de tonalidad. De la misma forma, la clasificacin digital se inicia caracterizando los
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 377
I
patrones que definen en la imagen las distintas categoras objetivo. Por cuanto se trata
de una clasificacin basada en los valores numricos de los pxeles, esta caracteriza-
cin tambin debe ser numrica; esto es, se trata de obtener el ND, o mejor an el ran-
go de ND, que identifica a cada categora, para todas las bandas que intervienen en la
clasificacin.
Como ya hemos visto a lo largo de esta obra, diversos factores introducen una
cierta dispersin en torno al comportamiento espectral medio de cada cubierta. Esto
implica que las distintas categoras no se definen por un slo ND, sino por un conjunto
de ND, ms o menos prximos entre s. En trminos de su clasificacin digital, esto su-
pone que existe una cierta dispersin en torno al ND medio de cada categora, ms o
menos significativa segn las clases que se consideren y la propia complejidad del pai-
saje donde stas se asienten. Por ello, la fase de entrenamiento resulta ciertamente
compleja: se trata de definir con rigor cada una de las categoras que pretendan discri-
minarse, teniendo en cuenta su propia variabilidad en la zona de estudio.
Este objetivo se logra seleccionando una muestra de pxeles de la imagen, que re-
presenten adecuadamente a las categoras de inters. A partir de esos pxeles pueden
calcularse los ND medios y la variabilidad numrica de cada categora, en todas las
bandas que intervienen en la clasificacin. Al igual que en cualquier otro muestreo, el
objetivo de esta fase es obtener los resultados ms precisos con el mnimo coste. En
otras palabras, identificar debidamente las distintas categoras, reduciendo a lo im-
prescindible los trabajos de campo. Al igual que en otras aplicaciones del muestreo,
las estimaciones posteriores se basan sobre la muestra seleccionada, por lo que una in-
correcta seleccin de sta conducir inexorablemente a pobres resultados en la clasifi-
cacin posterior. Varios autores han comprobado que los resultados de la clasificacin
estn mucho ms influidos por la definicin previa de las categoras, que por el criterio
con el que stas son posteriormente discriminadas (Gong y Howarth, 1990; Hixson.
et ai, 1980; Story y Campbell, 1986). En definitiva, la fase de entrenamiento constitu-
ye la columna vertebral de la clasificacin numrica.
Tradicionalmente se han dividido los mtodos de clasificacin en dos grupos:
supervisado y no supervisado, de acuerdo a la forma en que son obtenidas las esta-
dsticas de entrenamiento. El mtodo supervisado parte de un conocimiento previo"
del terreno, a partir del cual se seleccionan las muestras para cada una de las catego-
ras. Por su parte, el mtodo no supervisado procede a una bsqueda automtica de
grupos de valores homogneos dentro de la imagen. Queda al usuario, en este caso,
la labor de encontrar correspondencias entre esos grupos y sus categoras de inters.
Volviendo al paralelismo con la fotointerpretacin, podramos afirmar que en sta el
mtodo supervisado es el ms habitual, por cuanto se identifican sobre unos fotogra-
mas-tipo las caractersticas de cada clase, para luego delimitar, en el resto, las zonas
que se ajustan a esas caractersticas. El mtodo no supervisado supondra, en primer
lugar, identificar sobre la fotografa area zonas homogneas en cuanto a tonos, tex-
tura, disposicin, etc., para luego asignarlas a una de las clases temticas estableci-
das en la leyenda.
Para iluminar el sentido de ambos mtodos, puede ser conveniente introducir una
pequea reflexin sobre el tipo de categoras que pueden intervenir en una clasifica-
cin temtica. Suelen distinguirse, a este respecto, dos tipos de clases: informaciona-
les y espectrales (Chuvieco, 1986; Labrandera, 1978). Las primeras son las que consti-
378 TELEDETECCION AMBIENTAL
Caducifolias Caducifolias
Perennifolias Perennifolias
Urbano Urbano
a) b)
c) d)
Agua
Caducifolias
Perennifolias
Agua
Caducifolias
Perennifolias
tuyen la leyenda de trabajo que pretende deducir el intrprete (tipos de ocupacin del
suelo, por ejemplo). Las segundas corresponden a los grupos de valores espectrales
homogneos dentro de la imagen, en funcin de ofrecer una reflectividad similar, para
las bandas consideradas y en la fecha concreta de la imagen. Las categoras informa-
cionales se establecen por el usuario, mientras las espectrales se deducen de los ND
presentes en la imagen.
Idealmente habra de producirse una correspondencia biunvoca entre las dos
(fig. 7.33a); esto es, que a cada clase de cobertura le corresponda un nico grupo es-
pectral, y que cada grupo espectral corresponda a una sola clase temtica. Desgracia-
damente, este caso es muy poco frecuente, producindose, normalmente, alguna de las
siguientes situaciones:
clase espectral (fig. 7.33c). Esto implicara, en pocas palabras, que algunas categoras
de la leyenda no sean discriminables, a partir de la imagen con que se cuenta, sin grave
peligro de confusin. En este caso se pueden plantear varias opciones para solucionar
el problema. La ms sencilla sera optar por una clave ms general, evitando descender
a un nivel de desagregacin no abordable a partir de esos datos. Por ejemplo, podra
optarse por una clase denominada coniferas, en lugar de distinguir distintos tipos de
pinar, o urbana, frente a distintas densidades de edificacin. Ahora bien, esa solucin
en algunos casos no es aceptable, bien porque la confusin se d entre categoras que
no son asimilables temticamente (por ejemplo, superposicin entre ncleos rurales y
rastrojeras, en imgenes de verano), bien porque las categoras objetivo sean un requi-
sito imprescindible del trabajo (p. ej., un inventario forestal no puede aceptarse si no se
discriminan un cierto nmero de especies). En estos casos, habra que intentar otras
soluciones, como incluir en la clasificacin una imagen perteneciente a otra fecha del
ao, en donde la separacin entre categoras problemticas sea posible (contraste pri-
mavera-verano, para cubiertas vegetales), o acudir a criterios no espectrales, como
pueden ser los derivados de la textura o situacin espacial, o aadir alguna variable au-
xiliar (relieve, suelos, etc.).
3. Por ltimo, puede tambin ocurrir que varias clases informacionales
compartan clases espectrales (fig. 7.33J). En este caso convendra replantear la es-
trategia de trabajo, o acudir a las soluciones parciales comentadas en prrafos ante-
riores.
A la luz de este comentario, parece claro que el mtodo supervisado pretende de-
finir clases informacionales, mientras el no supervisado tiende a identificar las clases
espectrales presentes en la imagen. De los prrafos anteriores tambin puede deducirse
que ninguno de los dos mtodos proporciona una solucin inmediata a todos los
problemas que entraa una clasificacin digital. Por un lado, el mtodo supervisado
puede tacharse de subjetivo y artificial, pues puede forzarse al algoritmo a discrimi-
nar categoras que no tengan una claro significado espectral. Por otro, el mtodo no su-
pervisado proporciona en ocasiones resultados de difcil interpretacin, poco conecta-
dos con las necesidades del usuario final del producto. Asimismo, resulta poco claro-
que este mtodo sea realmente capaz de identificar las agrupaciones naturales de la
imagen. De ah la diversidad de algoritmos y de parmetros de control revisados en
la literatura, como ms tarde tendremos ocasin de analizar.
En resumen, la eleccin entre uno y otro mtodo depender de los datos y medios
disponibles y de las propias preferencias personales (Townshend y Justice, 1981).
FlG. 7.34. Seleccin de pxeles de entrenamiento por semillado (a) y utilizando polgonos
regulares (b).
ellas se caracterizan cada una de las clases, para asignar ms tarde el resto de los pxe-
les de la imagen a una de esas categoras en funcin de la similitud de sus ND con los
extrados como referencia.
La mayor parte de los equipos de ADI permiten localizar interactivamente las
reas de entrenamiento. Con ayuda del digitizador o ratn electrnico, el usuario intro-
duce sobre la pantalla los vrtices que definen cada una de estas reas, asignndolas a
una de las categoras definidas previamente en la leyenda. Tambin pueden seleccio-
narse los pxeles que formarn parte de un rea de entrenamiento a partir de un mtodo
semi-automtico, conocido como semillado (fig. 7.34). En lugar de digitizar un po-
lgono completo, basta que el intrprete localice un pxel central, a partir del que se
agregan los pxeles vecinos, en funcin de su proximidad espectral y espacial al intro-
ducido como semilla, hasta formar un polgono completo. La ventaja sobre el criterio
anterior se basa en la garanta de que los pxeles seleccionados de esta forma tendrn
caractersticas espectrales similares al pxel semilla, evitndose as aadir ruido invo-
luntario a la definicin de las clases espectrales. Los parmetros para asignar los pxe-
les vecinos al de origen dependen de cmo crezca la varianza global de la muestra, se-
alando el intrprete algn valor lmite, segn el conocimiento que tenga de la hetero-
geneidad de la categora que est delimitando.
Para una localizacin ms precisa de estas reas de entrenamiento pueden ser de
gran ayuda los trabajos de campo y otros documentos auxiliares como la fotografa
area o la cartografa convencional, teniendo en la mente que debe tratarse de ejem-
plos suficientemente representativos y homogneos de la clase que pretende definirse.
382 TELEDETECCIN AMBIENTAL
trales presentes en la imagen que no se hayan identificado con ninguna clase de entre-
namiento.
Un ltimo aspecto a considerar en la seleccin de las reas de entrenamiento se
refiere a los requisitos estadsticos que garantizan el grado de representatividad de las
distintas categoras. Como antes se coment, este proceso implica una forma peculiar
de muestreo espacial. Por ello conviene tener en cuenta algunos criterios habituales en
este tipo de tcnicas para elegir el tamao y la distribucin ms idnea de la muestra,
as como para realizar estimaciones a partir de ella.
En cuanto al tamao, se requiere seleccionar un mnimo de m + 1 pxeles por cate-
gora, siendo m el nmero de bandas que integran el anlisis (Schowengerdt, 1997).
Conviene, no obstante, superar con creces este lmite mnimo. Diversos autores reco-
miendan seleccionar un nmero de pxeles comprendido entre 10 m y 100 m por cate-
gora (Jensen, 1996; Mather, 1998, sugiere 30 m). Este nmero parece fcilmente
accesible con los sensores que habitualmente han servido de entrada en la clasifica-
cin, pero puede ser ms complicado si se parte de equipos hiperespectrales, en donde
el nmero de bandas de entrada sea muy numeroso. Esto sugiere, de nuevo, el inters
por seleccionar adecuadamente las bandas ms convenientes para la clasificacin.
Por otro lado, ese nmero mnimo de pxeles se relaciona estrechamente con el
grado de asociacin espacial entre los ND de la imagen. El muestreo convencional
considera que las muestras seleccionadas son aleatorias e independientes. Como antes
indicamos, esta asuncin no es vlida en nuestro caso, por cuanto una parcela de entre-
namiento alberga a pxeles vecinos, afectados por el fenmeno de la auto-correlacin
espacial. En pocas palabras, esta asociacin, comprobada en diversos trabajos sobre
imgenes de satlite (Congalton, 1988a), supone que la informacin original extrada
de un nmero de pxeles contiguos es menor que si fue obtenida a partir de otros dis-
persos. En suma, resulta ms conveniente elegir varios campos de pequeo tamao
que uno solo de mayores dimensiones, ya que tender a infravalorarse la variabilidad
de esa categora. Tambin se puede optar por seleccionar pxeles aleatoriamente, den-
tro de campos de mayor tamao, en lugar de admitirlos todos (Campbell, 1996; Mat-
her, 1998). Otros autores recomiendan seleccionar pxeles aislados de cada categora,
en nmero suficiente para estimar adecuadamente la variabilidad espectral de dicha
clase (Gong y Howarth, 1990&). Este criterio puede ser recomendable cuando existe
suficiente control del terreno. En zonas de difcil acceso resulta poco operativo.
Respecto a la distribucin, conviene tener en cuenta las propias caractersticas de
la imagen, intentando abarcar las variaciones espaciales que se presentan en cada cate-
gora: su orientacin, pendiente, densidad, vigor, contenido de humedad, tipo de sue-
lo, etc. En este sentido, varios autores han subrayado que la variabilidad de una cubier-
ta es directamente proporcional a la resolucin del sensor (Cushnie, 1987). Dicho de
otro modo, cuanto mayor sea el detalle espacial registrado en la imagen, mayor ser
tambin su sensibilidad para detectar las variaciones internas de una categora, ocultas
de otra forma bajo un pxel de mayor tamao. Por cuanto a mayor heterogeneidad, ma-
yor mezcla con clases similaresy, en ltima instancia, mayor riesgo de confusiones
en la asignacin posterior, un incremento en la resolucin espacial puede complicar
la clasificacin digital. Este hecho, que parece contradecir el sentido comn (mayor
resolucin espacial, mayor fiabilidad), fue puesto de manifiesto ya hace algunos aos
por diversos autores, que lo denominaron scene noise, ruido de la escena (Markham
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 383
[7.29]
donde da b, indica la distancia entre dos pxeles cualquiera ay b; NDa, y NDfc los ni-
veles digitales de esos pxeles en la banda i, y m el nmero de bandas. Tambin pueden
utilizarse otros criterios para medir la distancia entre pxeles, como sera el caso de la
distancia media o la de Mahalanobis (Rebollo y Orti, 1980), si bien la distancia eucli-
diana resulta la ms habitual en este tipo de aplicaciones.
En cuanto al algoritmo de agrupamiento, las opciones tambin son muy numero-
sas. Uno de los ms extendidos es el denominado ISODATA (Duda y Hart, 1973), gra-
cias a contar con un mecanismo iterativo bastante slido. En esencia, este algoritmo
procede a partir de las siguientes fases:
parmetros de control no estn bien definidos y el algoritmo entra en una cadena de se-
paraciones y fusiones interminable.
Otro problema, ms habitual para el usuario, atae a la eleccin de los parmetros
de control ms convenientes para la imagen que se interpreta, puesto que habitualmen-
te no conocemos, de partida, el nmero de grupos espectrales presentes en la imagen,
ni el valor idneo de dispersin interna o de distancia entre grupos. De esta forma, el
anlisis no supervisado se convierte en un proceso exploratorio, en donde el intrprete
establece unos valores arbitrarios que se van modificando a la vista de los resultados.
Finalmente, el mtodo no supervisado tambin presente como inconveniente el
notable volumen de clculo que precisa. Habitualmente, un buen agrupamiento se
consigue tras un nmero alto de iteraciones, por lo que este criterio resulta muy lento
para clasificar imgenes muy extensas. Parece ms razonable, en consecuencia, ex-
traer una muestra sistemtica de pxeles (1 de cada 4,8 o 16, por ejemplo) para calcular
sobre ellos los centros de clase, que luego se clasifiquen con alguno de los criterios de
asignacin que veremos en el siguiente epgrafe. En este caso, no se clasifica la ima-
gen completa, pero s pueden identificarse los grupos presentes en ella, objetivo lti-
mo del mtodo no supervisado.
Con este enfoque, si bien algunos autores consideran el mtodo no supervisado
como una forma especfica de clasificacin esto es, como una estrategia completa,
que abarca tanto la fase de entrenamiento como la asignacin de los pxeles de la ima-
gen a las categoras de la leyenda, a nuestro juicio supone ms bien una forma alter-
nativa de obtener las estadsticas de entrenamiento. En otras palabras, el anlisis no su-
pervisado se orienta no tanto a la clasificacin de la imagen, como a definir precisa-
mente los grupos o categoras que intervendrn en la clasificacin propiamente dicha.
En este sentido, el mtodo no supervisado podra considerarse como exploratorio
(Mather, 1998), dirigido a deducir las clases espectrales presentes en la imagen. Eso es
especialmente importante cuando se adoptan criterios de clasificacin que asumen
una distribucin normal de los datos. El anlisis no supervisado podra indicarnos si
efectivamente esas clases informacionales tienen un sentido espectral claro o, por el
contrario, algunas de ellas presentan una distribucin bimodal o multimodal (o, lo que
es lo mismo, se presentan en varias categoras espectrales).
Como en el caso del mtodo supervisado, es necesario analizar los pxeles inclui-
dos en cada grupo para obtener sus medidas estadsticas elementales: media, desvia-
cin tpica, mnimo, mximo, etc., que servirn para abordar la fase posterior de clasi-
ficacin.
En el caso de la imagen TorrelOO, el anlisis no supervisado se realiz sobre las 6
bandas no trmicas del sensor, extrayendo una muestra de 1 de cada 8 lneas y colum-
nas. Se sealaron como parmetros de control los siguientes: 30 iteraciones, entre 12 y
20 grupos, 5 como umbral de tamao mnimo de cada grupo, 2 desviaciones tpicas
como dispersin mxima en un grupo para dividirlo, y 1 como distancia mnima entre
grupos para que fueran unidos'.>Con este esquema se generaron 17 clases temticas,
que fueron comparadas con las estadsticas generadas del proceso supervisado para
proceder a la fase de asignacin.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 387
Otro mtodo hbrido propuesto en los ltimos aos parte de generar una compre-
sin espectro-espacial de las bandas de entrada utilizando la distribucin de frecuen-
388 TELEDETECCIN AMBIENTAL
cias en cada banda y tcnicas de contexto, de cara a generar centros de grupo automti-
camente. Estos centros sirven de semilla para el primer agrupamiento, que se realiza
desde cada pxel de la imagen al centro ms cercano. Los grupos resultantes se combi-
nan utilizando criterios de mnima distancia espacial (adyacencia) y espectral (ngulo
del vector que une los centros y diferencia cuadrtica entre sus ND). Una vez obteni-
dos los grupos deseados, que en su ltima fase se combinan de acuerdo a la supervi-
sin que realiza el intrprete, ste etiqueta el resultado final (Cihlar et al., 1998).
TABLA 7.6. Media (x) y desviacin tpica (DT) de las categoras seleccionadas (ND
= reflectividad 100)
Urbano Pastizal Matorral Pinar-encinar Suelo Cultivo Agua
Banda ETM X DT X DT X DT X DT X DT X DT X DT
1 10,45 2,20 5,57 0,77 5,31 1,95 1,35 0,61 13,16 5,03 4,49 0,83 2,82 0,41
2 11,12 1,93 7,51 0,68 6,29 2,32 2,49 0,79 15,74 5,66 5,39 1,08 3,21 0,2
3 15,65 2,66 9,44 1,12 9,52 3,94 3,32 0,83 22,76 7,64 5,84 1,28 3,29 0,3
4 19,33 2,54 28,80 3,85 16,80 4,02 17,53 3,86 25,71 4.77 30,84 3.28 1.60 0,1
5 21,88 2,59 26,50 1,26 22,62 6,67 9,39 1,75 34,34 8,71 14,87 2,11 2,95 0,1
7 17,04 2,70 15,54 1,54 15,18 4,73 5,42 0,94 26,76 8,15 7,75 1,15 2,65 0,2
7
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 389
Urbano
- Pastizal
Matorral
Pinar-encinar
Suelo
Cultivo
- Agua
[7.30]
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 391
20
calculada como la diferencia absoluta entre las medias de dos categoras (A y B), en
proporcin a la suma de sus desviaciones tpicas. Este clculo se aplica a cada par de
bandas que intervienen en la clasificacin, promedindose su valor para obtener una
matriz de separabilidad.
Un poco ms compleja, y tambin ms verstil es la divergencia estadstica
(Swain y Davis, 1978; Thomasea/., 1987a). Parte de asumir que los ND en una cate-
392 TELEDETECCIN AMBIENTAL
Suelo
Matorral
Pinar-encinar
Banda 3
[7.31]
donde DivAB indica la medida de la divergencia entre las categoras A y B;Tr se refiere a
la traza o suma de los elementos de la diagonal de la matriz indicada [ ]; VA y VB son las B
donde p{w) y p(w) indican las probabilidades a priori de las clases i y y, m el nmero
de clases, y Divi:J es el valor de la divergencia entre esas clases. La divergencia promedio
se calcula para cualquier combinacin de m bandas, siendo la combinacin ideal la que
maximiza el valor global de separacin entre clases (Jensen, 1996, pp. 220-224).
Adems de la divergencia, se han propuesto otras medidas de separabilidad, como la
distancia de Bhattacharyya o de Mahalanobis (Thomas et al, 1987>).
La tabla 7.8 incluye el clculo de la divergencia transformada (en este caso, esca-
lada de 0 a 2) para las clases seleccionadas en nuestro ejemplo. Esta tabla nos permite
confirmar las valoraciones previamente efectuadas sobre posibles confusiones entre
clases. La clase ms ntida es el agua, fcilmente separable del resto de las cubiertas,
por su peculiar comportamiento espectral. Los suelos descubiertos ofrecen una nota-
ble confusin con la clase urbana, como ya comentamos en los grficos de dispersin.
Tambin se observan problemas entre las clases matorral-urbano y pinar-encinar corr
cultivos.
Como antes indicamos, la divergencia tambin puede utilizarse para indicar la
combinacin idnea de bandas para la clasificacin. En nuestro caso se calcul para
todas las combinaciones de una, dos, tres y cuatro bandas, utilizando como bandas
En esta fase se trata de adscribir cada uno de los pxeles de la imagen a una de las
clases previamente seleccionadas. Esta asignacin se realiza en funcin de los ND de
cada pxel, para cada una de las bandas que intervienen en el proceso. Fruto de esta
fase ser una nueva imagen, cuyos ND expresen la categora temtica a la que se ha
adscrito cada uno de los pxeles de la imagen original.
En este captulo se tratan los criterios ms empleados para realizar este proceso,
en el contexto de las aplicaciones de la teledeteccin. Desde un punto de vista estads-
tico, todos ellos definen un rea de dominio, en torno al centro de cada categora a dis-
criminar, mediante un conjunto de funciones discriminantes. Estas ecuaciones pueden
considerarse, por tanto, como las fronteras que definen cada categora. El pxel ser
asignado a una clase i, si sus ND se encuentran dentro del rea de dominio sealado
para dicha clase.
Los criterios ms comunes para establecer estas fronteras estadsticas entre cla-
ses son: 1) mnima distancia, por el cual el pxel se asigna a la clase ms cercana; 2) pa-
raleleppedos, que permite sealar al usuario unos umbrales de dispersin asociados a
cada clase, y 3) mxima probabilidad, en donde el pxel se asigna a aquella clase con la
que posee mayor probabilidad de pertenencia. Frecuentemente se suelen agrupar en
mtodos no paramtricos, los dos primeros, y paramtricos, el ltimo, en razn de si
asumen o no que los ND en cada categora se distribuyen normalmente. A continua-
cin se describen, con ms detalle, cada uno de estos criterios.
IRC
Pueden considerarse varias formas de medir esa distancia espectral entre pxeles y
clases. La ms empleada, en este sentido, es la distancia euclidiana:
[7.34]
En este mtodo, el usuario fija un rea de dominio para cada categora, teniendo
en cuenta sus valores de centralidad y dispersin. Posteriormente, un pxel es asignado
a dicha clase si sus ND estn dentro de ese rea de dominio, en todas las bandas consi-
deradas (fig. 7.42). Esquemticamente, el pxel x ser asignado a la clase A si sus ND
en las distintas bandas (NDX k) estn incluidos en el rea de dominio de esa clase:
NDAl.-/?Ai<NDJ,i 2 [7.35]
Este mtodo considera que los ND en el seno de cada clase se ajustan a una distri-
bucin normal. Esto nos permite describir esa categora por una funcin de probabili-
dad, a partir de su vector de medias y matriz de varianza-covarianza. En pocas pala-
bras, esa funcin asemeja la distribucin real de los ND en esa categora, por lo que
nos sirve para calcular la probabilidad de que un pxel (con un determinado ND) sea
miembro de ella. El clculo se realiza para todas las categoras que intervienen en la
clasificacin, asignando el pxel a aquella que maximice la funcin de probabilidad.
El clasificador de mxima probabilidad es el ms complejo y el que demanda ma-
yor volumen de clculo. Sin embargo, es el ms empleado en teledeteccin, por su ro-
bustez y por ajustarse con ms rigor a la disposicin original de los datos.
Para comprender mejor su funcionamiento basta poner un sencillo ejemplo idea-
do por Swain y Davis (1978). Supongamos que se cuenta con dos pares de dados, uno
normal (caras numeradas de 1 a 6) y otro con un par de puntos adicionales en cada cara
(numerados de 3 a 8). Conociendo el valor de una tirada, el problema sera estimar de
cul de los dos pares de dados procede. Un criterio razonable de asignacin sera cal-
cular la probabilidad de que esa tirada se haya realizado con los dados normales o con
los modificados, asignando la tirada desconocida al par de dados ms probable. Por
ejemplo, si obtenemos un tirada de 7, la probabilidad de haber tirado con los dados
398 TELEDETECCIN AMBIENTAL
10 11 12 13 14 15 16 Puntuacin
Normal Aumentado
9 10 11 12 13
14 15 16
Puntuacin
2 3 4 5 6 7
b) 0,36
0,32
0,28
0,24
f 0,20
9
f 0,16
0,12
0,08
0,04
normales es 6/36 (6 casos favorables, frente a los 36 posibles).6 Para los dados aumen-
tados, la probabilidad es menor, 2/36,7 por lo que la tirada se asigna al par de dados
normal. El mismo criterio podra seguirse para decidir la asignacin de cualquier otra
puntuacin. Basta construir las funciones de probabilidad asociadas con cada par de
dados. Para el par normal tendramos una distribucin centrada en el valor 7 (mxima
probabilidad), con un mnimo de 2 y un mximo de 12. Para el par modificado, el valor
ms probable se encontrara en 11, situndose la curva entre 6 y 16 (fig. 7.43a). A par-
tir de esta grfica se observa que la probabilidad de haber usado los dados normales es
mayor que la de haber usado los aumentados si obtenemos una tirada inferior a 8, es
6. Podra haberse obtenido un 7 por las siguientes combinaciones de los dos dados: 1 y 6,6 y 1,2 y
5, 5 y 2, 3 y 4, y 4 y 3.
7. Slo puede obtenerse un 7, en este caso, por combinacin de 3 y 4 o 4 y 3.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 399
Esto es, la probabilidad de que un pxel x, definido por un determinado ND^, per-
tenezca a la clase A, puede calcularse a partir de la media (ND) y la varianza (o^) de
esa clase. Una vez determinada la probabilidad de pertenencia al resto de las catego-
ras que intervienen en la clasificacin, ese pxel ser asignado a la clase A, slo si:
p(x/A)>p(x/B) [7.37]
= -0,5ln(2jt)-0,5lno-{NDx-NDA)2/2o} [7.38]
p(x/A)p(A)>p(x/B)p(B) [7.39]
FIG. 7.44. Efecto de considerar la probabilidad a priori. En lnea discontinua las nuevas
funciones de probabilidad y la interseccin entre las dos categoras.
para la clasificacin, por lo que resulta preciso extender a varias dimensiones lo hasta
aqu comentado. Para el caso de dos bandas, los lmites de las categoras tienen una
forma elipsoidal (fig. 7.45). Cada una de estas elipses define un determinado nivel de
probabilidad asociado a una categora. Cuanto mayores sean las zonas de solape entre
ellas, tanto mayor el riesgo de confusin mutua.
Con ms de dos dimensiones no es posible representar grficamente este criterio
de clasificacin. Basta extender la frmula de la probabilidad normal arriba apuntada:
I -0.5
exp{-0,5 {MX-MA)TVA] (MX-MA)} [7.40]
te, aun en el caso de que las bandas de entrada no cumplan este criterio, algunos auto-
res han mostrado que los resultados siguen siendo bastante consistentes (Swain y Da-
vis, 1978).
Para la imagen TorrelOO, la aplicacin del criterio de mxima probabilidad per-
miti generar una clasificacin bastante atinada (fig. 16*). Las principales confusio-
nes se observaron entre las categoras urbanas y los suelos descubiertos, si bien las pri-
meras se discriminan razonablemente bien, tanto en los cascos de los municipios,
como en sus reas residenciales. Los matorrales y encinares tienen una clara yuxta-
posicin, mientras la categora pinar-encinar en realidad slo se refiere a los pinares de
Alfalfa
Trigo
Legumbres
Suelo
Agua
IZH Rechazado
P. sylvestris situados en las zonas de mayor relieve. Los cultivos se cien exclusiva-
mente al valle del Jarama, en el borde oriental de la imagen, mientras los pastizales
ocupan la mayor parte de los fondos de valle en los municipios de Soto del Real, Mira-
flores y Guadalix. Por su parte, los matorrales-encinares se localizan en las laderas del
cerro de San Pedro, en el centro de la imagen y en el piso inferior de la sierra, al norte y
oeste de la zona de estudio. En este ltimo sector se confunden en ocasiones con cadu-
cifolios que an no han echado la hoja.
Comparando estos resultados con los generados de la clasificacin no supervisa-
da, a partir del algoritmo ISODATA (con 18 clases finales, de un mximo de 20 pre-
viamente fijado) se pudo observar que se separaban mejor algunas clases informacio-
nales, como las correspondientes a pinar y encinar, bastante solapadas en la clasifica-
cin de mxima probabilidad, mientras el matorral se ci mejor a las reas que real-
mente ocupaba. La categora urbana, por el contrario, apareci un poco ms difumina-
da en la clasificacin no supervisada, confundida con suelos en el caso de los ncleos
ms densos. No todas las reas residenciales-ajardinadas aparecan, pero s una buena
parte de ellas. Tambin se realiz una buena discriminacin de los suelos descubiertos
y del agua.
El primer trmino lo podra tomar de una imagen ptica y la textura de una ima-
gen radar de la misma zona. De forma similar se pueden introducir variables no obte-
nidas por teledeteccin, como cartografa temtica, lmites administrativos o modelos
digitales de elevacin. El establecimiento de los criterios de decisin se realiza por un
experto en el reconocimiento de cada categora de inters, que conozca sus condicio-
nes ambientales para la zona en la que se trabaja. Por ejemplo, para el reconocimiento
de una especie forestal seran relevantes el calendario fenolgico, la situacin topogr-
fica, el tipo de litologa asociado, o la rugosidad. Con este enfoque, Skidmore (1989)
realiz un inventario de eucaliptos en Australia, a partir de imgenes de satlite e
informacin auxiliar. Este autor observ una mejora significativa en la clasificacin,
mediante el empleo de una tabla de probabilidades asociada a la ocurrencia del euca-
lipto en distintas variables auxiliares. Tambin podran incorporarse criterios tempo-
rales o espaciales, como sera la probabilidad de que un cierto cultivo suceda a otro o
est prximo a otro (Middelkoop y Janssen, 1991).
Los clasificadores en rbol se han utilizado en los ltimos aos con cierto xito,
tanto en la cartografa de especies forestales (Saura y San Miguel, 2001), como para
asignar tipos de vegetacin y cobertura del suelo, con especial relieve en aplicaciones
de mbito global (Friedl y Brodley, 1997; Friedl et al, 1999).
Naturalmente, los sistemas expertos tambin pueden aplicarse a otras operacio-
nes de anlisis de la imagen, como son los realces o las correcciones radiomtricas y
geomtricas (Schowengerdt y Wang, 1989).
Un sencillo ejemplo de clasificacin en rbol sera el incluido en la figura 7.48. El
criterio de decisin se basa en unas hipotticas estadsticas de entrenamiento para una
serie de clases de cobertura del suelo (tabla 7.9). En este caso, el anlisis se realiza so-
bre cuatro bandas espectrales: V, R, IRC y SWIR, a las que se ha aadido informacin
altitudinal extrada de un MDE. A partir de estos valores puede disearse un grfico de
dispersin espectral, considerando el rango como la media 2 desviaciones tpicas.
Con ayuda de este grfico podemos disear un rbol de decisiones que nos permita se-
parar las cinco categoras. El primer paso consiste en separar los pxeles pertenecien-
tes a la categora ms fcilmente discriminable, el agua. Para ello se emplea el IRC,
utilizando un umbral mximo de reflectividad del 10 %. Por tanto, los pxeles con una
p< 10 en esa banda sern etiquetados como clase agua y extrados de la imagen para
evitar que intervengan en pasos sucesivos.
Posteriormente se emplea la banda V para discriminar las clases regado y cadu-
cifolios del resto, indicando como valor lmite lap del 30 %. Con las categoras urbano
y cereal es preciso realizar el ajuste en dos bandas, puesto que existe un cierto solape
en todas ellas. Sin embargo, la separacin es mayor en la banda del SWIR, sealando
sobre ella un umbral del 40 % dep para la discriminacin, completndolo con otro um-
bral del 30 % en la banda R. Finalmente, entre las clases caducifolios y regado, bas-
406 TELEDETECCIN AMBIENTAL
X* D. T. xmed D. T. D. T. xmed D. T.
Agua 13 3 12 2 8 2 3 2
Cereal 35 5 28 8 50 12 42 8
Regado 14 5 19 4 60 10 14 2
Caducifolios 16 4 21 6 54 12 18 3
Urbano 42 7 36 5 48 10 34 7
Agua
< 3 0%
SWIR
RO < 40 % > 40 %
JO
> 30 % Urbano (muy Cereal
probable) (probable)
<800 m >800 m
Regado Caducifolios
liar que resulta ajena a los clasificadores estadsticos convencionales (Friedl y Brod-
ley, 1997). Un ejemplo ms realista de clasificacin en rbol es el algoritmo de detec-
cin de nubes propuesto por Saunders y Kriebel (1988), que tuvimos ocasin de anali-
zar en el anterior captulo, o los diversos algoritmos propuestos para deteccin de in-
cendios activos (Martn et al., 1999).
A lo largo de esta obra hemos visto en diversas secciones que los rasgos espectra-
les de una determinada cubierta pueden presentar notables afinidades con otras, aun-
que posea componentes distintos. La aparente paradoja se relaciona con varios fac-
tores:
1. Resolucin espectral del sensor, bien por contar con pocas bandas espectra
les, bien por ser stas excesivamente anchas para detectar variaciones en rangos muy
especficos de variacin espectral.
2. Resolucin espacial, que da lugar a la aparicin de seales mixtas entre dos o
ms cubiertas.
3. Resolucin temporal, que conlleva la confusin de ciertas cubiertas en mo
mentos especficos de su desarrollo fenolgico.
En consecuencia, para discriminar dos cubiertas puede ser necesario acudir a cri-
terios no estrictamente espectrales, como seran los derivados de la variacin espacial
de cada pxel, en una cierta rea de vecindad, o su situacin respecto al resto de los p-
xeles que forman la imagen. Hasta aqu hemos analizado criterios de clasificacin ba-
sados exclusivamente en los ND de cada pxel; en ocasiones ser preciso incorporar
otros criterios de identificacin, como son la textura o el contexto, afines a las relacio:
nes espaciales entre los pxeles de la imagen, de modo similar a los utilizados en anli-
sis visual (cap. 5).
La distincin entre los criterios de textura y contexto hace referencia al rea que
se considera en la medicin de las relaciones espaciales (Gurney y Townshend, 1983).
El primer concepto se relaciona con la variacin espacial dentro de grupos contiguos
de pxeles. El segundo ira encaminado a medir las relaciones espaciales de cada pxel
con el resto de la escena. Por simplificar las cosas incluiremos ambos en el mismo ep-
grafe, ya que los dos estn encaminados a aportar criterios espaciales a la clasificacin
de imgenes.
Hasta el momento, los mtodos para introducir el contexto espacial en la interpre-
tacin digital pueden agruparse en funcin de la fase de la clasificacin en la que inter-
vienen. As, podemos distinguir entre aquellos que generan bandas texturales previas
a la clasificacin, los que emplean el contexto durante la clasificacin y los que lo con-
sideran despus de la asignacin, con objeto de refinar los resultados.
Ms adelante tendremos ocasin de comentar algunas tcnicas para obtener infor-
macin textural de la imagen (4.2). Por el momento, baste decir que se trata de mtodos
que generan una nueva imagen en la que el ND mide el grado de contraste espacial con
los pxeles vecinos (habitualmente con los 8 circundantes). Estas medidas de textura se
han desarrollado especialmente en el campo de las aplicaciones urbanas, ya que la clasi-
408 TELEDETECCIN AMBIENTAL
ficacin de estas zonas resulta muy problemtica por la gran variedad espectral de las
superficies que las componen. Entre los criterios ms interesantes est el propuesto por
Gong y Howarth (1990a). Estos autores pretendan discriminar reas urbanas y rurales
en la frontera rur-urbana de una ciudad canadiense. Para ello incorporaron a la clasifi-
cacin una imagen de densidad de bordes, obtenida a partir del siguiente proceso:
1) aplicar un filtro laplaciano a la banda 1 de una imagen SPOT-XS, 2) segmentar el re-
sultado para dejar nicamente las fronteras entre cubiertas, 3) hallar la densidad de bor-
des a travs de una ventana mvil (nmero de pixeles fronterizos dividido por nmero
de pixeles en la ventana; en este caso de 25 X 25 pixeles), y 4) incorporar esa banda tex-
tural a la clasificacin multibanda. Esa incorporacin mejor significativamente los re-
sultados al reducir la confusin entre clases rurales y urbanas de similares caractersticas
espectrales (p. ej., cultivos y jardines). Tambin resulta de gran inters el clasificador de
contexto propuesto por Moller-Jensen (1990), que parte de delimitar polgonos en una
zona urbana mediante la localizacin automtica de segmentos lineales (calles anchas o
ros). Los segmentos se clasifican de acuerdo a sus ND medios, as como a medidas de
textura, contigidad y distancia al centro de la ciudad.
El anlisis del contexto previo a la clasificacin puede abordarse tambin en la
fase de entrenamiento. Un enfoque original, en este sentido, fue el denominado clasifi-
cador ECHO (Extraction and Classification of Homogeneous Objects), propuesto en
la primera etapa de la interpretacin digital de imgenes (Ketting y Landgrebe, 1975),
pero que se ha enfatizado mucho en los ltimos aos, ante el inters por la generacin
de clasificaciones ms robustas especialmente.
Este criterio propona clasificar una imagen, no a partir de pixeles, sino de reas
compuestas por pixeles de similares caractersticas. En resumen, se trataba previa-
mente de extraer objetos homogneos, para luego ser asignados a las categoras de in-
ters para el usuario. La delimitacin de esas reas homogneas se basaba en criterios
de similitud espectral y contigidad. Tras localizar un pequeo grupo de pixeles con
ND similares, el algoritmo iba incorporando progresivamente pixeles vecinos, siem-
pre que estuvieran dentro de un criterio de homogeneidad sealado por el usuario (por
ejemplo, a menos de una determinada distancia espectral). Cuando los pixeles vecinos
no eran suficientemente homogneos se identificaba una frontera o un rea pequea de
distinta ocupacin (isla). Estas zonas se clasificaban posteriormente de acuerdo a los
criterios tradicionales, antes comentados. El proceso de crecimiento de las reas conti-
nuaba hasta que se encontraban pixeles muy contrastados, con lo que el proceso se de-
tena. En este punto, la imagen apareca segmentada en reas homogneas, aunque s-
tas an no se hubieran asignado a ninguna categora temtica. La asignacin se realizaba
posteriormente calculando las estadsticas elementales de los pixeles incluidos en
cada rea, y aplicando sobre ellas uno de los criterios de asignacin antes comentados.
En ese punto, no eran asignados pixeles individuales, sino las reas completas, por lo
que la posibilidad de discontinuidad espacial de los resultados tenda a reducirse con-
siderablemente (Campbell, 1996; Hoffer y Swain, 1980).
El planteamiento pionero del clasificador ECHO se ha subrayado bastante en los
ltimos aos, estudindose las ventajas e inconvenientes que presenta la clasificacin
sobre pixeles (per pixel classifiers) o sobre polgonos (perfield classifiers: Aplin et
al., 1999). Como ya hemos indicado, los clasificadores ms tradicionales realizan la
asignacin de cada pxel por separado, en funcin de los ND que presenta en las distin-
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 409
[7.42]
La eleccin entre uno u otro mtodo depende del tipo de paisaje analizado y del
algoritmo que se haya empleado en la clasificacin. Lgicamente, el primero ofrece
una mayor generalizacin que el segundo, por lo que puede ser conveniente su empleo
en caso de paisajes muy complejos y cuando la escala de trabajo sea regional o global.
Se ha comprobado por diversos autores que la aplicacin de esta tcnica proporciona
un aumento significativo de la exactitud conseguida en la clasificacin (Booth y
Oldfield, 1989; Castro y Chuvieco, 1995). Este efecto es debido, principalmente, a la
eliminacin de asignaciones anmalas debidas a pxeles de borde. Uno de los proble-
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 411
Matriz original
2 2 2 2 2 2 2
2 2 2 2 2 2 2
2 2 2 5 9 8 8
2 4 8 13 13 7 13
4 9 7 7 ^ 9 7 4
7 7 4 7 7 4 4
4 4 4 5 9 9 9
mas que presenta este mtodo, sin embargo, es la difcil decisin sobre el tamao de la
ventana y el criterio de filtrado, ya que pueden provocar el efecto deseado en unas zo-
nas de la imagen, pero ser excesivo o insuficiente en otras. Para solventar este proble-
ma se ha propuesto realizar la reasignacin a partir de unos umbrales de tamao varia-
ble, que filtren o no cada categora a partir de un umbral de superficie crtico fijado
para cada clase. Por debajo de ese valor se considera que la fragmentacin de la ima-
gen implica ruido en la clasificacin y el polgono es asignado a otra categora (Barr y
Barnsley, 2000). En el ejemplo propuesto por Barr y Barnsley, este esquema funcion
mucho mejor que los filtrados de mayora convencionales para un ejemplo de carto-
grafa urbana realizado a partir de imgenes areas de alta resolucin.
Otros criterios de re-clasificacin pueden basarse en las propiedades espaciales
de los pxeles, como su distancia, conectividad o inclusin. Un sencillo ejemplo del in-
ters de estas relaciones es la discriminacin entre cultivos herbceos de regado y par-
412 TELEDETECCIN AMBIENTAL
Entre las nuevas tcnicas de clasificacin de imgenes, una de las que cuenta con
ms potencialidad es el empleo de redes neuronales artificiales (RNA). En esencia, las
RNA se utilizan para predecir un cierto comportamiento complejo, habitualmente a
partir de una muestra de entradas y salidas observadas. Con los datos de esa muestra, la
red aprende a reconocer el resultado a partir de los valores de entrada, clasificando
el resto de las observaciones de acuerdo a esas reglas. Intentan, no siempre con mucho
xito, simular el comportamiento del cerebro humano (de ah su nombre), mediante la
interconexin mltiple entre unidades de activacin (llamadas neuronas).
Aunque la descripcin completa de esta tcnica rebasa el enfoque de este libro,
nos parece conveniente dedicar unos prrafos a explicar los conceptos generales de las
RNA, as como su empleo en el contexto de la clasificacin de imgenes.
Una RNA est formada por un conjunto de elementos simples (neuronas, unida-
des de proceso), distribuidas en capas (fig. 7.51). Las unidades que forman una capa
estn conectadas con la capa o capas inmediatas a travs de unas funciones de activa-
cin (sigmoidales, habitualmente). Esas funciones se definen a partir de una serie de
pesos (w j), que se calculan de modo iterativo en el proceso de aprendizaje de la red. El
objetivo de este aprendizaje es estimar unos resultados conocidos a partir de unos da-
tos de entrada (muestra de control), para posteriormente calcular resultados descono-
cidos a partir del resto de datos de entrada. El aprendizaje se realiza a partir de todas las
unidades que forman la red, variando el conjunto de los pesos en iteraciones sucesivas.
Cada unidad de la red proporciona un valor de salida a partir de los valores de entrada,
del modo siguiente (Richards, 1993):
o=f(wx + 6) [7.42]
Capa de salida
Capa oculta
1. Asignar unos pesos arbitrarios a la red para obtener unos resultados a partir
de los valores de entrada (en nuestro caso, los ND de las reas de entrenamiento en las
414 TELEDETECCIN AMBIENTAL
[7.43]
para todo resultado esperado m (en nuestro caso para las c categoras) en todas las uni-
dades de entrada k (en nuestro caso las bandas, n, a introducir en la clasificacin).
2. A partir de ah se van modificando iterativamente los pesos en las distintas
capas, desde la de salida hasta la de entrada, con el objetivo de reducir el error global
(se propaga el error hacia atrs, de ah el nombre del ajuste), hasta que ste sea muy
pequeo o nulo (en ese caso, todas las muestras introducidas en el aprendizaje esta-
ran bien clasificadas), o bien se hayan cumplido el nmero de iteraciones indicadas
por el intrprete. El nmero de iteraciones para lograr el objetivo marcado por el
usuario (el nivel de convergencia de la red) puede ser muy elevado, dependiendo de
la complejidad del problema (en clasificacin de la cubierta del suelo se han pro-
puesto hasta 250.000 iteraciones: Civco, 1993).
o2 = 2,902 x, - 2,977 x.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 415
La asignacin de una unidad de la muestra a una de las dos clases se hace en fun-.
cin de los resultados que ofrezca o3. Como se trata slo de dos categoras, la entrada se
asigna a la clase 1 si el resultado o est ms cerca de 0, y a la 2 si est ms cerca de 1.
Si igualamos a cero las dos primeras ecuaciones resultan entre ambas un marco
idneo para separar las dos categoras de nuestro ejemplo (fig. 7.52c). Ahora bien,
esas rectas pueden considerarse como un paso intermedio (estn en la capa oculta)"
para obtener la ecuacin final, en la cual se discriminan las dos categoras perfecta-
mente con una funcin lineal. Simplificando las cosas, esas ecuaciones intermedias
pueden concebirse como un medio de transformar el espacio de medida original para
TABLA 7. 10. Valores de los coeficientes de ponderacin y del error en la red del ejemplo
para distinto nmero de iteraciones (Richards, 1993)
Iteracin W, W2 W} W4 W, wk Error
lograr una separacin idnea entre los miembros de cada clase. Habitualmente no se
utilizan ecuaciones lineales para obtener los valores de salida de una neurona, sino
funciones ms complejas, como sigmoides (el valor de salida est comprendido entre
0 y 1), o hiperblica-tangente (valor de salida de -1 a +1) (Civco, 1993).
Una vez realizado el aprendizaje, pueden introducirse nuevos casos de asigna-
cin desconocida, para que la RNA los clasifique en funcin de las ponderaciones pre-
viamente calibradas. En este ejemplo se aaden algunos casos en las proximidades de
los inicialmente planteados; en todos ellos la asignacin es correcta (fig. 1.52d). El
proceso de clasificacin se realiza simplemente asignando valores a las variables de
entrada JC, y x2. Como ya hemos indicado, el valor de salida o3 se redondea al entero
ms cercano para asignar el caso a la primera o segunda categora.
En el contexto de la clasificacin de imgenes se ha comprobado la potencialidad
de las RNA como alternativa a los clasificadores estadsticos tradicionales, especial-
mente cuando no pueden asumirse distribuciones normales de las categoras (Bendikt-
sson et al., 1990), ya que las RNA son independientes del tipo de distribucin. En va-
rias ocasiones se ha contrastado su utilidad frente a estos clasificadores, logrndose re-
sultados comparables o an mejores. En general, la discriminacin de las muestras de
entrenamiento resulta ms adecuada que con los clasificadores convencionales (Bene-
diktsson et al., 1990; Foody, 1995), pero la asignacin propiamente de la imagen
muestra una gran dependencia de la calidad del entrenamiento. Las RNA pueden in-
cluir bandas auxiliares no espectrales, que pueden ser incluso nominales, como mapas
de suelos o de propiedad de la tierra. En algunos trabajos se ha comprobado la gran ro-
bustez de esta tcnica (poco sensible a valores extremos) y su habilidad para incluir
elementos texturales, ofreciendo as una clasificacin con menos ruido que la basada
en los mtodos pxel a pxel convencionales (Bischof et al, 1992; Civco, 1993; Hep-
ner et al, 1990). Tambin se ha sugerido su aplicacin a la estimacin de parmetros
fsicos, como el ndice de rea foliar y el contenido de clorofila (Fourty y Baret, 1997),
as como tcnica alternativa de ajuste para modelos de evaluacin de riesgo (Carva-
cho, 1998; Vega-Garca et al, 1996).
Entre los problemas de las RNA cabe citar la falta de criterios generales para di-
sear la estructura de la red (nmero de capas, unidades en cada capa), reducindose
su empleo a una cuestin de prueba y error; su lento y tedioso entrenamiento (que de-
saconseja su empleo cuando el nmero de clases o de bandas es muy grande: Clark y
Caas, 1995); la posibilidad de que se encuentre mnimos locales y de que se produzca
un sobre-entrenamiento de la red. Esto ocurre cuando se ajustan muy bien los datos de
entrada, pero la red es poco generalizable a otros datos (Mather, 1998). Para evitar esto
suele dividirse la muestra de aprendizaje en dos grupos, uno para calcular los pesos y
otro para verificar el ajuste. Tambin pueden plantearse las redes para la clasificacin
no supervisada, ya que existe algunos criterios de aprendizaje que no requieren una
previa definicin de las clases deseadas.
En la fig. 17* se incluye un ejemplo de clasificacin con redes para la imagen To-
rrelOO. Se emplearon tres programas para obtener la clasificacin. En el primero se
crean las condiciones generales del anlisis: nmero de unidades de entrada (6 en
nuestro caso, una por banda), nmero de capas ocultas (1 en nuestro caso), nmero de
clases de entrenamiento y valor temtico de cada clase. En nuestro caso se trata de las
7 categoras de cobertura previamente descritas. El siguiente programa se dedica a en-
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 417
trenar a la red a reconocer las categoras que quieren discriminarse. Existen algunos
parmetros de control que modifican el proceso de aprendizaje, como el ndice de mo-
mento, el ndice de aprendizaje, el error mximo normalizado, el individual y el nme-
ro mximo de iteraciones. Para nuestro caso se aceptaron los valores recomendados
por el programa: 0,9 para el momento; 0,1 para el aprendizaje; 0,01 para el mximo
error; 0,001 para el mximo error individual, y 1.000 iteraciones. Despus de comple-
tar el nmero de iteraciones, el error mximo se situ en 0,0354. Aunque no garantiza-
ba el indicado previamente, nos pareci suficiente para este ejemplo didctico. Tras
entrenar a la red, el paso siguiente es asignar los pxeles de la imagen a cada categora
temtica, conociendo los pesos obtenidos previamente. La clasificacin por RNA fue
ms rpida que la realizada con el algoritmo de mxima probabilidad, descontando l-
gicamente el lento proceso de aprendizaje. Comparndola con las clasificaciones an-
tes comentadas se observa una mejor discriminacin del pinar, que aparece mejor re-
presentado en las zonas serranas del NW de la imagen, mientras el suelo descubierto,
principalmente roquedo en esos sectores, se asigna en algunos sectores al matorral,
por lo que ste incrementa su extensin. En el resto de la imagen, el suelo descubierto
se clasifica bien, as como los pastizales y cultivos de secano, excesivamente represen-
tados en la clasificacin de mxima probabilidad. La combinacin matorral-encinar
sigue sobre-dimensionada, especialmente en el centro y norte de la imagen (fig. 17*).
Previamente hemos sealado el inters de las tcnicas que permiten obtener in-
formacin sobre la mezcla en el interior de un pxel. Considerar un pxel como un
compuesto de varios elementos resulta cada vez ms comn, si se considera el espacio
como un continuo, sin barreras muy precisas, al menos en lo que se refiere a la mayor-
parte de las variables ambientales (Mather, 1999).
En el campo de la clasificacin, este enfoque lleva consigo modificar los plantea-
mientos convencionales, en donde cada pxel se asigna a una sola categora. De ah que
ltimamente se denomine a estos clasificadores como rgidos (hardclassifiers). Estos
clasificadores pueden conducirnos a errores notables, cuando existan pxeles mixtos.
Por ejemplo, en el criterio de mxima probabilidad, un pxel se asigna a la clase ms pro-
bable independientemente de que la probabilidad de pertenencia a esa categora sea muy
superior a pertenecer al resto (digamos que 0,9 sobre 0,1) o que slo la supere por un es-
trecho margen (0,55 frente a 0,45). En el primer caso, el error de clasificar ese pxel es
bastante bajo, mientras en el segundo la asignacin es muy arriesgada.
Las nuevas tcnicas de clasificacin borrosa (fuzzy) permiten aliviar este proble-
ma. En pocas palabras, se considera una pertenencia borrosa a una categora cuando se
admite un grado de pertenencia. En este enfoque, cada pxel se etiqueta en varias cate-
goras, con un valor ms o menos alto en funcin de su similitud espectral (fig. 7.53).
Convencionalmente, la funcin de pertenencia corresponde a una distribucin binaria
(0 no pertenece, 1 pertenece), pero puede concebirse un funcin de pertenencia com-
prendida entre 0 y 1, lo que permitira una asignacin simultnea a varias categoras,
con diferentes grados de pertenencia (Wang, 1990):
[7.44]
418 TELEDETECCION AMBIENTAL
Clase 1
Clase n
70 % Clase 1
15% Clase 2
10% Clase
5% Clase 4
donde UUj indicara el grado de pertenencia del pxel x a la clase i, y puede ser un n-
mero real comprendido entre 0 y 1.
En aplicaciones de teledeteccin, los mtodos ms habituales para obtener esos
valores de pertenencia son la variante borrosa de mxima probabilidad (Maselli et al,
1995; Wang, 1990) y una variedad de anlisis no supervisado, denominado c-medias
borrosas (Fisher y Pathirana, 1990; Foody, 1992). Por simplificar la exposicin nos
vamos a centrar en el primer criterio, ya que es muy similar al de mxima probabilidad
antes analizado. En el trabajo de Fisher y Pathirana (1990) se incluye la formulacin
completa del criterio c-medias borrosas.
En un enfoque de lgica borrosa, para calcular el grado de pertenencia de un pxel
a las distintas categoras de la leyenda, asumiendo una distribucin de probabilidad
normal en las categoras, podemos emplear las siguientes definiciones del vector de
medias y la matriz de varianza-covarianza (Wang, 1990):
[7.45]
[7.46]
FIG. 7.54. Resultados de una clasificacin borrosa sobre la imagen TorrelOO para dos
categoras: arriba, vegetacin perennifolia; abajo, suelos con escasa vegetacin.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 421
Al/Leg/Tr
Alf/Tr/Leg
Tr/Alf/Leg
Leg/Alf/Su
Leg/AltfTr
Leg/Su/Alf
Su/Leg/Alf
clculos de probabilidad para cada pxel, de tal manera que pueden reconstruirse sus
asignaciones potenciales al resto de categoras de inters. Por ejemplo se distinguen-
los pxeles que se asignaron a la categora alfalfa en funcin de a qu categora lo hi-
cieron en segunda y tercera opcin (legumbres, trigo y suelo son las alternativas). De
esta forma podemos distinguir entre los pxeles que aun clasificndose como alfalfa
tienen una mayor tendencia a ser trigo, legumbres o suelo, en distinto orden, y por tanto
qu tipo de estado vital tenan en el momento de adquirirse los datos. Por ejemplo, si un
pxel es categorizado como alfalfa y suelo se tratar de una zona con menor cobertura
vegetal que otra clasificada como alfalfa y trigo.
Esa nueva imagen puede dar lugar a dos tipos de productos: cartogrficos y esta-
dsticos. En el primer caso se trata de convertir la imagen clasificada en un mapa; en el
segundo, de realizar un inventario a partir de los ND que componen esa imagen.
Titulo
Norte
H
Orientacin
Leyenda de color
Agua
Urbano
H Pinar-encinar
Pastizal
Matorral
Suelo
Cultivos
Metros
Vectores de referencia Retcula UTM
^ 5.000,00
Escala grfica
as delimitadas por el intrprete, lo que resulta una labor lenta, fatigosa y, frecuente-
mente, inexacta.
El tratamiento digital permite calcular superficies sobre toda la imagen, o sobre
polgonos determinados. Si esos polgonos coinciden con unidades administrativas
(municipios, comarcas), puede obtenerse un inventario de gran inters para las esta-
dsticas oficiales. Por ejemplo, una clasificacin agronmica de la imagen puede faci-
litar estadsticas de cultivo a veces inaccesibles por medios convencionales. Varios
trabajos han ensayado el uso alternativo de esta metodologa frente a las fuentes de in-
formacin tradicionales, como el catastro o las hojas de cultivos (GDTA-CEE, 1982).
A modo de ejemplo, la tabla 7.11 recoge el inventario de los tipos de ocupacin
de la imagen de nuestro ejemplo, tal y como aparecen clasificados mediante mxima
probabilidad y RNA. Vemos las notables diferencias entre ellas, especialmente para
las categoras ms dominantes: matorral, pastizal y cultivos, que no son tan evidentes
en el anlisis visual de los resultados.
Ciclones tropicales
Desertificacin
Crecimiento Urbano
Inundaciones Cambios
agrcolas Erupciones
volcnicas
ervivencia FlG.
FlG. 7.58. En la parte superior, clasificacin de cobertura del suelo utilizada como ejemplo.
En la inferior, la misma clasificacin con un desplazamiento sistemtico.
pues de aplicarles a ambas un filtro modal de 5 X 5 pxeles. En este caso, los despla-
zamientos son mucho menos severos, alcanzando el 19 % de la imagen (tabla 7.13>).
Si bien los desplazamientos reales entre imgenes no sern tan sistemticos como
los aqu indicados, el ejercicio nos sirve para entender la importancia de conseguir
un ajuste muy preciso entre imgenes, de cara a garantizar la eficacia de la compara-
cin multi temporal. La idea de generalizar las imgenes antes de compararlas resulta
evidentemente una precaucin a tener en cuenta. Algunos autores han propuesto in-
cluso comparar imgenes previamente segmentadas, de tal forma que se comparen
parcelas de una cobertura homognea en lugar de pxeles individuales (Bruzzone y
Fernndez-Prieto, 2000).
Como ya indicamos en el anterior captulo, la mayor parte de las imgenes basan
el ajuste geomtrico en la localizacin de una serie de puntos de control imagen-mapa.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 429
1 2 3 4 Total
1234 94 247 42 9.315 6 389
TOTAL 251 20.653 51.449 897 31.116
43 3 9.512 15.560 15.337 76.341
Imagen original 391 755 76.336 27.897 44.215
31.167 44.137 152.061
; 2 3 4 Total
* La no coincidencia en los totales con la tabla anterior se debe a que no se consideran en ambos casos los
pixeles con clase 0, fruto del desplazamiento.
Para el anlisis multitemporal, los puntos se toman entre imgenes, eligiendo una
como referencia. En este caso, el proceso de seleccionar puntos comunes resulta ms
sencillo, ya que son muchos ms los rasgos comunes entre dos imgenes, que entre
una imagen y un mapa. Para dos imgenes pueden emplearse formas caractersticas de
la vegetacin, del trazado parcelario o la hidrografa, visibles entre imgenes pero que
habitualmente no son localizables en el mapa, adems de caminos o carreteras. Elegir
unos u otros elementos de referencia depender, lgicamente, de la resolucin espa-
cial de la imagen.
Tambin para el anlisis multitemporal resulta de inters el proceso de selec-
cin semi-automtica de puntos de control. A partir de ventanas mviles en torno a
cada punto localizado en la imagen de referencia, el punto en la homologa se obtiene
por correlacin entre los ND de las dos imgenes (Diez de Arribas y Nicols, 2001;
Ortetal., 1979).
ND de las imgenes que intervienen en el anlisis. Para ello puede optarse por un do-
ble enfoque:
ND^skmt + gt [7.48]
Cuando el fin ltimo del anlisis temporal es determinar perfiles estaciones en las
cubiertas vegetales de inters, habitualmente la interpretacin se realiza sobre las dis-
tintas fechas de modo simultneo. Por ejemplo, si se pretende mejorar la clasificacin
de un determinado cultivo se acude a imgenes de momentos clave dentro de su ciclo
fenolgico, que permitan separarlo con nitidez de otros cultivos espectralmente simi-
lares (Prados, 1995). La clasificacin, en este sentido, se realiza con todas las fechas
simultneamente, ya que se pretende caracterizar una categora a partir de curvas es-
pectro-temporales.
Una muestra sencilla de este enfoque sera la discriminacin entre cultivos de se-
cano, de regado y suelos en barbecho (fig. 7.59). En una imagen de verano, ser senci-
FIG. 7.59. Fragmento de dos imgenes TM del valle del Henares (Guadalajara) tomadas
en agosto (izqda.) y mayo (dcha.).
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 381
lio separar los cultivos regados (A), pero no tanto las parcelas con cultivos de secano
(B) y las que descansan (C), lo que s es factible en la primavera, aunque en esa fecha
no resulte tan clara la separacin entre secano y regado. En consecuencia, ser conve-
niente utilizar las dos fechas de modo integrado.
Como el incremento en el nmero de fechas implica aumentar el volumen de
clculo, ha sido bastante frecuente aplicar previamente alguna tcnica de compacta-
cin, como el anlisis de componentes principales o los ndices de vegetacin. De esa
forma pueden procesarse slo las bandas con mayor contenido informativo, evitando
redundancias innecesarias (Joly et ai, 1983; Maselli et al., 1996).
Un aspecto especfico del anlisis estacional es el seguimiento de las condicio-
nes ambientales en un ciclo corto de tiempo. En este mbito entrara el anlisis de fe-
nmenos atmosfricos o de las condiciones vitales de la vegetacin, por ejemplo de
cara a estimar demandas de riego, predicciones de rendimientos o situaciones de pe-
ligro de incendios. Por ejemplo, la figura 18* muestra dos imgenes de primavera y
verano sobre el sector central del P. N. Cabaeros, mostrndose el contraste estacio-
nal que experimentan las especies herbceas dominantes en el valle. Este anlisis es-
tacional puede abordarse con pocas imgenes (p. ej., una por estacin), o con una se-
rie ms numerosa, intentando recoger las variaciones temporales de ciclo inmediato.
ste es el caso de emplear imgenes AVHRR, que se adquieren diariamente, y per-
miten reconstruir con ms detalle las tendencias del crecimiento o senescencia de las
comunidades vegetales (Millington et al., 1994). La figura 7.60 muestra un serie de
imgenes del NDVI de Andaluca para la primavera y el verano de 1994, que permi-
ten analizar la evolucin estacional de esta variable, as como las variaciones espa-
ciales de esa evolucin.
-iyi-
*
150 300 km
FIG. 7.60. Variacin estacional del NDVI para la regin de Andaluca en la primavera
y el verano de 1994. (Alonso et al., 1996.)
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 433
NDVI -NDVI
VERDOR = ---------------------2 ^ - 1 0 0 [7.51]
' NDVImax - NDVImin
donde NDVI, indica el valor del ndice de vegetacin para el perodo i, y NDVImax y
NDVImin los valores mximos y mnimos de los ndices en cada pxel para la serie de
imgenes analizada. El verdor, en principio, est ms relacionado que el NDVI abso-
luto con los cambios debidos a las condiciones atmosfricas, ya que se enfatiza el cam-
bio temporal en el vigor y densidad vegetal frente al cambio espacial que tambin est
incluido en el valor absoluto del NDVI. Esa variacin temporal se considera precisa-
mente en funcin de los umbrales de variacin propios de cada pxel. Este ndice se ha
comprobado de gran inters en la estimacin del peligro de incendios (Burgan et al,
1998) o condiciones de sequa (Peters et al, 1991).
Tambin se ha propuesto calcular el decremento temporal de los ndices de vege-
tacin, de cara a medir el efecto acumulado de las variaciones estacionales en el vigor
vegetal. Una manera sencilla de obtener este ndice es calcular la pendiente de la lnea
que define la evolucin temporal del ndice (Hiera et al, 1996):
NDVI( )
Ai. = ------- ^ - 1 0 0 [7.53]
' NDVI(r)
nerse su cobertura previa (por ejemplo, igual cultivo sobre una parcela ms grande o
pequea). Estos ltimos estn menos desarrollados en teledeteccin, pero se estn co-
menzando a analizar gracias a las tcnicas de segmentacin multitemporal (Bruzzone
y Fernndez-Prieto, 2000; Smits y Annoni, 1999).
Intentando resumir la amplia relacin de estudios que utilizan tcnicas de anlisis
multitemporal (Chuvieco, 1998; Eastman et ai, 1994; Jensen, 1981; Mouat et al,
1993; Singh, 1986), podemos establecer dos grupos, segn utilicen imgenes conti-
nuas o categorizadas. En el primer caso se emplean tcnicas cuantitativas: diferencias,
regresin, componentes principales, etc., mientras en el segundo se comparan imge-
nes previamente clasificadas, mediante tablas de contingencia. A continuacin vamos
a repasar las tcnicas ms empleadas, presentando algunos ejemplos prcticos de su
utilizacin.
En esta tcnica se trata de detectar las reas de cambio mediante el anlisis visual
de imgenes en color provenientes de varias fechas. Ya hemos visto en esta obra que
cualquier sistema de ADI permite obtener mezclas en color de tres bandas de una ima-
gen, aplicando a cada una de ellas uno de los caones de color disponibles (R,V,A). Si
la imagen resultante aparece en tonos de color es debido a que las tres bandas que se
combinan presentan comportamientos espectrales diferentes. Dicho de otra manera, si
vemos un pxel en color es porque cuenta con un ND distinto en las tres bandas que es-
tamos utilizando (o al menos en dos de ellas), ya que de otra manera se vera en tonos
de gris.
Si en lugar de combinar tres bandas distintas del espectro mezclamos tres fechas
de la misma banda estaramos viendo en tonos de color aquellos pxeles que tuvieran
distintos ND en alguna de ellas, mientras apareceran en tonos de gris los que no hu-
bieran cambiado entre fechas. La interpretacin del color resultante depender, lgi-
camente, de qu bandas combinemos y en qu orden temporal. Para una composicin
de dos fechas resulta frecuente que se aplique el can rojo a la primera fecha y el verde
a la segunda, dejando el azul vaco o repitiendo la segunda fecha (fig. 19*), as se
simplificara la interpretacin del color resultante. Con este criterio apareceran en to-
nos grises las reas estables, en rojos las zonas que hayan reducido su ND entre las dos
fechas y en cian (V + A) las que lo hayan ganado. El sentido de la transformacin que
muestren esos colores depender de qu bandas estemos comparando entre fechas. En
caso de que estemos combinando el NDVI de los dos perodos (manteniendo el crite-
rio de rojo a la primera fecha y verde + azul a la segunda), los tonos rojos revelaran
decrementos de NDVI (en definitiva, prdidas de cobertura vegetal debidas a talas, co-
sechas, incendios, etc.), mientras los cian indicaran aumentos de NDVI (ganancias de
vegetacin, por ejemplo, a causa de la puesta en cultivo de suelos previamente descu-
biertos o por desecacin de una lmina de agua). Lgicamente, tambin pueden usarse
los ND originales o los valores de reflectividad de alguna de las bandas de la imagen.
En ese caso, la interpretacin diferir de la indicada para el NDVI.
La tabla 7.14 recoge un ejemplo de posible interpretacin cruzada entre composi-
ciones multitemporales en color de dos bandas distintas (la IRC y SWIR). Como pue-
de analizarse, los incrementos o decrementos en una banda tendrn significados dis-
436 TELEDETECCIN AMBIENTAL
SWIR Tonos rojos Suelo a agua Vegetacin Suelo a vegetacin Agua Suelo seco a hmedo
Color en pantalla Tonos verdes a suelo Vegetacin a suelo Vegetacin Suelo hmedo a seco
Tonos amarillos senescente emergente Sin cambios
(Los tonos corresponden a lo que se observara en una composicin multitemporal de cada banda, asumiendo
que el color rojo se aplica a la primera fecha y el verde a la segunda.)
tintos segn las tendencias observadas en otra/otras. Por lo dems, el mtodo resulta
bastante sencillo y tiene la ventaja de incorporar el conocimiento y los criterios de an-
lisis del intrprete, lo que resulta muy ventajoso en categoras urbanas (Martin, 1989;
Sadery Winne, 1992).
Un ejemplo de estas composiciones en color multitemporal aparecen en la fi-
gura 19*, mostrando las tendencias del crecimiento urbano de Madrid entre 1984 y
2000. Los tonos cian indican superficies en construccin, ya sea por nuevas infraes-
tructuras (M-45, trazado del AVE, aeropuerto) o expansiones residenciales (bastante
evidentes al norte del ncleo urbano, as como algunos sectores del Este.
Una simple resta entre las imgenes de dos fechas, previamente homogeneizadas
radiomtrica y geomtricamente, permite discriminar aquellas zonas que han experi-
mentado cambios entre esas fechas. Las zonas estables presentarn un valor cercano a
cero, mientras las que hayan experimentado cambios ofrecern valores significativa-
mente distintos a cero (positivos o negativos). Si el equipo de ADI no permite visuali-
zar valores negativos conviene aadir al clculo una constante para evitar stos. En re-
sumen:
= N,2-ND,, + C [7.54]
donde NDr indica el ND correspondiente a la imagen de cambios, ND,, y ND,2 los co-
rrespondientes a las imgenes del primer y segundo perodo, respectivamente, y C es
una constante para evitar valores negativos.
Como fruto de este clculo se obtiene una imagen de cambios, que presentar va-
lores bajos o negativos (tonos oscuros) para las zonas que hayan reducido su ND,
mientras los ms altos (tonos claros) correspondern a aquellas que hayan ganado y
los intermedios indicarn zonas estables. El clculo puede realizarse sobre los ND de
alguna de las bandas originales (en ocasiones se ha utilizado la banda roja: Piln etal,
1988), aunque es ms frecuente aplicar esta operacin sobre ndices de vegetacin. En
este caso, el valor de la diferencia nos permite sealar las zonas que han perdido o ga-
nado vigor vegetal, o simplemente la que han cambiado su cobertura por efecto de la
rotuacin, talas o incendios (Coppin y Bauer, 1994; Martn y Chuvieco, 1995). El his-
tograma de esa imagen de cambios suele revelar un perfil gausiano, con las mximas
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 437
frecuencias para las zonas estables (en el centro del histograma) y las dinmicas ocu-
pando las colas de la distribucin (fig. 7.61).
Las figuras 7.62 y 7.63 incluyen dos ejemplos del empleo de esta tcnica para de-
tectar cambios en la vegetacin. En ambos casos se incluye el NDVI como variable de
entrada. El primer ejemplo, tomado de un estudio de deforestacin en los Llanos Occi-
dentales venezolanos (Vargas, 2000), revela las zonas que han perdido cubierta fores-
tal entre 1993 y 1997, perodo de especial intensidad de este fenmeno. Por su parte, la
figura 7.63 muestra la diferencia entre imgenes de NDVI adquiridas antes y despus
de un incendio en el interior de Valencia (prxima a Buol). Se observa en tonos oscu-
ros las zonas donde el decremento de NDVI ha sido ms intenso, que coincide bastante
bien con las zonas quemadas, mientras los grises medios corresponden a zonas que no
han alterado su cubierta vegetal entre ambas fechas.
La diferencia entre imgenes resulta una tcnica sencilla para observar cambios
entre fechas, si bien tiene el problema de reflejar nicamente las diferencias absolu-
tas, pero no ofrece la significacin del cambio frente a los valores originales. Por
ejemplo, una reduccin de 20 ND entre fechas puede significar una alteracin signi-
ficativa si el ND original era 40, mientras resultar menos importante si el ND de la
primera fecha era de 200. Para subsanar ese problema puede ser ms conveniente en
ocasiones emplear cocientes multitemporales, que ofrecen una valoracin relativa
del cambio:
NDC=(ND;2/ND,,)XC [7.55]
438 TELEDETECCIN AMBIENTAL
-1,42 -1,18 -0,93 -0,69 -0,44 -0,20 0,05 0,29 0,54 0,78
Diferencia (1997-1993)
Histograma de la imagen de diferencias
FlG.
7.62.
en este caso se aade al ndice 1 y se multiplica el resultado por 127 para escalar el re-
sultado entre 0 y 254.
Los cocientes multitemporales se han empleado en inventarios agrcolas (Lo etal,
1986; Mussakowski, 1985) y forestales (Howarth y Wickware, 1981; Singh, 1986). En
aplicaciones ambientales es frecuente que estos cocientes se calculen a partir de los ndi-
ces de vegetacin, lo que permite simplificar la variacin vegetal en una sola banda. En
este contexto se han empleado con gran xito los cocientes en estudios de deforestacin
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 439
(Grover et al, 1995; Singh, 1986; Vargas, 2000), e incendios forestales (Kasischke et
al, 1993; Martn y Chuvieco, 1995).
El principal problema de los cocientes multitemporales es su carcter no sim-
trico. En otras palabras, el resultado es dependiente de qu fecha elijamos para el nu-
merador. Una reduccin a la mitad del ND (p. ej., de 100 a 50) ofrece un valor de 2 o
de 0,5 segn el orden en que introduzcamos las fechas. En definitiva, implica una
transformacin no lineal de las relaciones temporales. Para solucionar este proble-
ma, algunos autores recomiendan realizar una conversin logartmica del resultado
(Eastman et al, 1994).
La figura 7.63& nos ofrece una imagen del cociente normalizado de los NDVI co-
rrespondientes al incendio de Buol, junto a la imagen de diferencias simples. En este
caso, la delimitacin del rea quemada es bastante clara y similar en ambas tcnicas,
observndose tanto el permetro propiamente dicho, como sectores dentro de la man-
cha quemada donde el incendio fue menos severo o haba menor presencia vegetal.
FlG. 7.63. Imgenes de NDVI antes (a) y despus del fuego (b) en el rea de Buol.
Diferencias (c) y cocientes (d) entre ambas imgenes, que evidencian el rea quemada.
440 TELEDETECCIN AMBIENTAL
TABLA 7.15. Autovectores de los componentes principales para las imgenes de Torrelaguna
(TM = 1984; ETM = 2000)
bitualmente el cambio entre fechas (Byrne et al, 1980). Algunos autores interpretan
que los dos primeros componentes de ese conjunto de 8 ofrecen informacin sobre el
brillo y el verdor estables en la imagen, mientras el 3. indica cambio en el brillo y
el 4. cambio en el verdor (Fung y LeDrew, 1987; Fung y LeDrew, 1988; Ingebritsen
y Lyon, 1985). Tambin en ocasiones se han comparado los componentes principales
deducidos para cada fecha, por separado, aplicando una diferencia o cociente entre
ellos (Coppin y Bauer, 1994; Singh, 1986).
En la tabla 7.15 aparecen los autovalores y autovectores correspondientes a la
comparacin multitemporal de dos imgenes adquiridas en el rea de Torrelaguna,
que venimos utilizando en este captulo. Aqu se han mezclado las bandas 1, 2,4, 5 y 7
de dos pequeas ventanas extradas de dos imgenes tomadas con 16 aos de diferen-
cia (verano de 1984 y primavera de 2000), por los sensores TM y ETM+, respectiva-
mente.8 Los cuatro primeros CP suman ms del 95 % de la varianza, por lo que se puede
afirmar que recogen lo ms sustancial de ambas fechas. La interpretacin de los
componentes se realiza de forma similar a como comentamos en el epgrafe 1.4, si
bien en este caso, adems del contraste espectral que marquen los coeficientes tambin
hay que observar el temporal. El primer CP corresponde claramente al sustrato comn
entre todas las bandas y las dos fechas, ya que todos los coeficientes son positivos, lo
que podemos simplificar denominndolo brillo estable. El segundo corresponde
con nitidez al cambio entre fechas, ya que los coeficientes son negativos en la primera
imagen y positivos en la segunda. Ya que no se hace una distincin entre bandas, den-
tro de cada fecha, podemos denominar a este componente como cambios en el bri-
llo, o mejor an, considerando el signo de los coeficientes, incremento de brillo. El
tercero muestra para las dos fechas el contraste entre el IRC y las dems bandas, por lo
que podemos calificarlo como verdor estable. Ntese que los coeficientes son algo
ms altos en el IRC de la segunda fecha por tratarse de una imagen de primavera y, por
tanto, contar con mayor vigor vegetal que en la primera. Finalmente, el cuarto compo-
nente resulta ms complicado de interpretar, pues si bien se refiere a cambio entre fe-
chas (los coeficientes tienen signos distintos en el IRC y en una de las bandas del
SWIR), no es ntido a qu tipo de contraste especial est refirindose, tal vez a la tran-
sicin de vegetacin seca a vigorosa.
La figura 7.64 proporciona una valoracin grfica del sentido de estos compo-
nentes. Aparece en la parte superior la banda 4 de las dos fechas, para que se nos facilite
la observacin visual de los cambios. A continuacin se sitan los 4 primeros CP del
8. La banda 3 de la imagen TM de 1984 estaba daada, por lo que no se ha podido utilizar en este
anlisis. No obstante, su variacin espectral se cubre bastante bien con las bandas 2 y 1.
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 441
archivo multi temporal. Se confirma que el primero recoge la informacin estable a las
dos fechas, con la excepcin del sector del embalse del Velln que aparece parcial-
mente desecado en la segunda fecha y no se aprecia en la imagen de estabilidad, posi-
blemente por el fuerte peso de la absorcin del agua en la primera. En el segundo, que
habamos denominado incremento de brillo, esa zona se observa con gran nitidez,
ya que es precisamente la que presenta los valores ms altos (mayor incremento de bri-
llo entre las dos fechas, al pasar de agua a vegetacin). Asimismo, hemos destacado
con crculos dos recientes urbanizaciones en construccin (o recientemente construi-
das), que ofrecen valores ms altos de brillo por pasar de vegetacin a suelo construi-
do. El tercer componente muestra los sectores de vegetacin ms vigorosa entre fe-
chas, que corresponden generalmente a pastizales. Finalmente, el cuarto nos informa
de cambios que se han producido en el vigor vegetal, de reas de vegetacin seca a vi-
gorosa. Esta dimensin nos permite caracterizar con claridad algunas zonas residen-
ciales ya consolidadas, que han pasado de vegetacin arbrea-arbustiva a especies or-
namentales, con mayor vigor, no obstante la interpretacin de este componente, como
hemos visto, resulta un tanto confusa.
442 TELEDETECCION AMBIENTAL
t2 = a + b x f1
Cambio = f2 - /2
3.4.5. Regresin
Como es bien sabido, las tcnicas de regresin se emplean para estimar valores de
una variable de inters a partir de otra que est fuertemente asociada con ella. Esa aso-
ciacin se mide a partir de unas observaciones comunes a ambas variables, a partir de
las cuales se ajusta una funcin que las relaciona numricamente. En el marco de la co-
rreccin geomtrica de imgenes p, ya tuvimos ocasin de comentar esta tcnica, por
lo que aqu slo nos detendremos en su aplicacin al anlisis de cambios.
En este contexto, las tcnicas de regresin se utilizan para estimar cules sean los
ND de la imagen de la segunda fecha caso de que no hubiera habido cambios entre ellas.
En definitiva, se considera que la segunda fecha es una funcin de la primera, y que toda
desviacin de la funcin estimada estara representando el cambio. Siguiendo la notacin
convencional, los ND de la segunda fecha se estiman a partir de la primera, utilizando:
donde D,2 estara indicando el valor estimado de la segunda fecha (2), calculado a
partir de los coeficientes de regresin (a, b) sobre los ND de la primera fecha (ti).
Estos valores estimados sern muy similares a los reales de la segunda fecha, siempre
que no se haya producido cambio, sirviendo adems para homogeneizar la radiometra
entre las dos fechas. En caso de que hayan ocurrido cambios entre imgenes, los ND
reales de la segunda fecha presentarn valores alejados de los estimados por la regre-
sin, o lo que es lo mismo contarn con altos residuales:
muestra una comparacin entre la banda ETM+3 de una imagen de Madrid adquirida
en marzo de 2000 y la estimada a partir de la TM-3 de agosto de 1992, as como la
imagen de residuales. Se observan con claridad los desarrollos urbanos que han ocurri-
do en esta ciudad a lo largo de la ltima dcada, principalmente la ampliacin del aero-
puerto de Barajas (al NE), la urbanizacin de los sectores comprendidos entre la M-30
y la M-40 al norte de la ciudad y la construccin de la M-45 y la lnea de alta velocidad
Madrid-Barcelona, ambos al este de la ciudad.
En el caso de la imagen de Torrelaguna, la regresin entre la banda 2 de las dos fe-
chas facilit un coeficiente de determinacin (r2) de 63,38 % con la siguiente regresin:
la imagen TorrelOO que hemos analizado a travs del ACP. De nuevo se observa en la
imagen de residuales los cambios ms destacados entre fechas: alteraciones del nivel
del agua, crecimiento urbano de Guadalix y apertura de nuevas urbanizaciones.
Es una tcnica que intenta incorporar no slo la importancia, sino tambin la di-
reccin del cambio entre imgenes. Si representamos en un eje bivariado dos bandas
originales (por ejemplo, la rojo e infrarrojo cercano), cada pxel viene definido por
un punto (localizacin de sus ND en las dos bandas). Si ese pxel cambia su cobertu-
ra entre dos fechas, tambin modificar su emplazamiento espectral. La magnitud
del cambio vendr dado por la longitud del vector que separa ambos puntos. Por su
parte, el sentido del cambio se define por eJ ngulo que forma con el eje de referencia
(fg. 7.68). Caso de que el pxel haya reducido el vigor vegetal, tender a disminuir
su ND en el infrarrojo cercano y aumentarlo en el rojo. En consecuencia, el vector
presentar una direccin descendente y hacia la derecha del grfico (en trminos
geogrficos tendra direccin SE). Por el contrario, si aumentara su cobertura vege-
tal el vector presentara una direccin NW.
Con este sencillo ejemplo, podemos introducir el inters de este tipo de anlisis
para la deteccin de cambios, ya que nos ofrece una imagen de su magnitud y sentido.
La intensidad del cambio se identifica con la longitud del eje, que puede obtenerse a
Rojo
partir de calcular la distancia entre la localizacin espectral de cada pxel en las dos fechas
(fig. 7.69):
donde d c indica la intensidad del cambio espectral en las bandas i,j entre los dos pe-
rodos considerados (t y t2). Por su parte, la direccin del cambio puede calcularse a
partir del ngulo que forma el vector de cambio con la vertical (a):
a = arct [7.60]
Direccin
Intensidad
Todos los mtodos hasta aqu analizados facilitan imgenes continuas del
cambio. En otras palabras, el resultado de los clculos es una imagen en donde el ND
indica el grado de cambio, desde la mayor prdida a la mayor ganancia, en una escala
gradual. Habitualmente, el intrprete pretende ms bien generar una imagen categori-
zada, en donde se separen las clases de cambio y no cambio. En consecuencia, es pre-
ciso segmentar la imagen resultante de las tcnicas anteriores, de tal forma que se deli-
miten las zonas dinmicas de las que han permanecido estables. El lmite entre ambas
resulta complicado de trazar, ya que no contamos con criterios objetivos y de aplica-
cin general. En teora, el histograma de la imagen de cambios debera permitir esta
segmentacin, ofreciendo un perfil bimodal correspondiente a los pxeles estables y
dinmicos.
Sin embargo, en la prctica, los histogramas no definen con tanta claridad ese
umbral, ya que los cambios en la naturaleza no se producen de modo abrupto sino gra-
dual, como ocurre con la imagen de cambios de Torrelaguna (fg. 7.70). En conse-
cuencia, es preciso arbitrar algn criterio slido que permita segmentar esa imagen de
cambios en dos (p. ej., cambios / no cambios), tres (p. ej.: incremento / estable / decre-
mento), o ms categoras (p. ej., alto incremento / moderado incremento / estable / mo-
derado decremento / alto decremento).
Se han propuesto distintas opciones para establecer esos umbrales, ninguna de
ellas plenamente satisfactoria y objetiva. Con frecuencia se han utilizado criterios es-
tadsticos, basados en la media y algn mltiplo de la desviacin tpica, o la propia dis-
tribucin del histograma (Hervs y Rosin, 2001). Lgicamente, el problema en ese
caso sera fijar qu mltiplo es ms apropiado, ya que no se conoce qu porcentaje de
cambio incluyen las imgenes y por tanto no sabemos las unidades tipificadas que le
corresponden. Algunos autores han ensayado la aplicacin sucesiva de distintos mlti-
plos de la desviacin tpica para delimitar cambios urbanos entre dos imgenes. En
cada iteracin, las zonas de cambio y no cambio se separaban a partir del lmite fijado
por n desviaciones tpicas ( la media), variando n desde 0,1 hasta 2. Las reas cate-
gorizadas como de cambio se verificaban con parcelas delimitadas en el terreno, cal-
culndose la fiabilidad para cada iteracin hasta encontrar el valor ptimo (Fung,
60.000 -
50.000 -
40.000 -
30.000 -
20.000 -
10.000 -
40 50 60 70 80 90 100 110 120 130 140150 160 170 180 190 200 210 FIG.
] 992; Fung y LeDrew, 1988). Los lmites idneos variaban con cada tcnica de detec-
cin utilizada, si bien se encontraban en torno a una desviacin tpica de la media. Ese
lmite puede considerarse estadsticamente razonable, pero no sabemos si el resultado
es extrapolable a otra zona o a otro tipo de aplicacin.
Ms recientemente se ha propuesto ajustar los umbrales de cambio considerando
la funcin seal/ruido de un determinado sensor. Ese ruido puede provenir del inco-
rrecto ajuste entre fechas, o de la propia radiometra del sensor. Se propone estimarlo a
partir de una biblioteca de imgenes histricas de cambio, que permitan delimitar los
umbrales de evidencia ms apropiados para ese tipo de imgenes. Para un estudio de
cambios urbanos con imgenes SPOT-P, los autores utilizan una biblioteca con 711
pares de cambios, extrados de imgenes del mismo sensor para distintas zonas y fe-
chas (Smits y Annoni, 2000).
Un segundo criterio parte de sealar umbrales de cambio a partir de valores crti-
cos de incremento o decremento de una determinada variable fsica. Por ejemplo, pue-
de dictaminarse que una disminucin de temperatura superior a 10 C entre dos imge-
nes tomadas en das consecutivos indicara la presencia de nubes en la segunda ima-
gen, o que un decremento mayor de un cierto umbral de NDVI manifiesta un cambio
abrupto en la vegetacin que slo puede deberse a un trnsito de vegetacin a suelo.
Este ha sido de hecho un criterio habitual para delimitar reas quemadas a partir de
imgenes TM y AVHRR (Martn y Chuvieco, 1995). El valor especfico de esos um-
brales puede derivarse a partir de medidas de laboratorio tomadas con espectro-
radimetro.
Tambin puede optarse por sealar umbrales de cambio adaptados al entorno,
aplicando tcnicas de contexto espacial. Por ejemplo, pueden determinarse como cam-
bios aquellos pxeles que superen un cierto umbral de desviaciones tpicas sobre el
cambio observado en una ventana que les circunde. Esto es lo que se denomina desvia-
cin frente a la tendencia (departure from background), y es una tcnica bastante utili-
zada para deteccin de incendios activos (Flasse y Ceccato, 1996) y delimitacin de
reas quemadas (Fernndez et al., 1997).
Finalmente, se pueden seleccionar los umbrales de cambio a partir de una clasifi-
cacin de las imgenes de cambio obtenidas con distintas tcnicas, con objeto de esta-
blecer grupos homogneos de pxeles estables y dinmicos. Pueden realizarse clasifi-
caciones supervisadas, a partir de reas que se conozcan como estables o dinmicas, o
no supervisadas, dejando al programa que seleccione los grupos naturales presentes en
esas imgenes. El criterio ha dado buenos resultados en aplicaciones forestales (Cop-
pin y Bauer, 1994) clasificando imgenes de cambio generadas a partir de la trans-
formacin tasseled cap, ndices de vegetacin y anlisis de componentes principa-
les, y urbanas (Wang, 1993), en este caso sobre las bandas originales de las dos
fechas.
Sea uno u otro el criterio que se utilice, conviene recordar que la mayor o menor ri-
gidez de los umbrales implicar incrementar o disminuir los errores de omisin, o inver-
samente los de comisin, por lo que el usuario tendr que decidir en primer lugar qu
tipo de error resulta ms tolerable. Volviendo al ejemplo de la delimitacin de reas que-
madas, los umbrales muy exigentes reduciran las reas no quemadas que se discriminen
como tales, a la vez que aumentaran los pxeles realmente quemados que no se detecta-
ran con ese algoritmo (fig. 7.71). En este caso concreto, pensamos que resulta ms ade-
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 449
d)
FIG. 7.71. ndice de rea quemada para la imagen de Buol, antes (a) y despus del incendio (b).
Aplicacin de umbrales laxos (c) y estrictos (d) para discriminar rea quemada.
cuado optar por la segunda opcin, de cara a reducir los errores de comisin, y aplicar
posteriormente un algoritmo de contexto para delimitar con mayor nitidez las reas real-
mente quemadas. Otro aspecto interesante en la delimitacin de umbrales es el carcter
fragmentario que puede tener la imagen resultante, ya que los lmites se establecen por
cortes en el histograma de cambios y no por criterios espaciales. Para solventar este pro-
blema puede resultar conveniente aplicar algn filtro modal a las imgenes resultantes
(fig. 7.72) o eliminar aquellos grupos de pxeles que sean ms pequeos de un determi-
nado tamao (Fernndez-Gustz, 2001).
Fie 7.72. El empleo de filtros modales restringe las reas de cambio detectadas
entre imgenes. (Fernndez, 2001.)
Matorral- reas
Vegetacin pastizal Secano* Suelos urbanas Agua Total
* La imagen de 2000 se tom en primavera, de ah algunos cambios en esta categora entre las dos fechas: Fernandez (2001).
FlG. 7.73. Ejemplo de cartografa dinmica sobre una ventana de Torrelaguna (1984-2000):
a.) procedencia del suelo; b) procedencia del pastizal. En ambos casos el 1 indica agua; el 2
matorral; el 3 pastizal y el 4 suelo descubierto. En blanco, se sealan las zonas estables.
resultantes posibles. Aunque puede haber algunas de ellas que estn vacas (ya que hay
cruces temporales prcticamente imposibles), la representacin grfica de esas concu-
rrencias resulta bastante complicada. Una alternativa para representarlos sera recoger
varios mapas del mismo cruce, por ejemplo uno por categora de la segunda fecha, indi-
cando con tramas o colores su origen en la primera fecha. Esto es lo que se presenta en la
figura 7.73, que recoge la dinmica de dos categoras entre 1984 y 2000 en una ventana
de la zona de Torrelaguna. Los tonos blancos indican zonas estables y los de gris sealan
cul es la cobertura de la primera fecha. En consecuencia, pueden observarse tanto las
reas estables, como las transiciones que se han producido entre las dos imgenes.
El otro enfoque de la clasificacin multitemporal considera la asignacin conjunta
de las dos fechas. En este caso, la clasificacin resultante estar formada por categoras
multitemporales, definidas por su estabilidad o por su cambio entre las dos imgenes
que se consideren. Nombres apropiados a estas clases podran ser, por ejemplo,
transicin de zonas rurales a urbanas, cambios de agricultura de secano a regado, o
urbano estable. Esas clases pueden deducirse de una clasificacin supervisada, en
donde el intrprete seale como reas de entrenamiento aquellos sectores que hayan
experimentado las transformaciones ms interesantes. Esa leyenda de trabajo, por tanto,
tiene que ser dinmica, incluyendo categoras de estabilidad y de cambio (por
ejemplo, reas que eran rurales en la primera fecha y pasaron a urbanas en la segunda, o
zonas de cultivo estable). Tambin puede optarse por la clasificacin no supervisada,
donde el algoritmo de agrupacin identificar los grupos de estabilidad y cambio ms
importantes de la imagen, quedando luego al intrprete la tarea de asignar esos grupos
a categoras multitemporales significativas. En este caso, la fiabilidad de la
comparacin temporal no depende de la obtenida en cada imagen, sino que se mide sobre
la clasificacin resultante, ya que las dos fechas se agrupan conjuntamente. Algunos
trabajos recientes sealan el inters de realizar estas comparaciones temporales no
supervisadas incluyendo explcitamente el componente textural, de cara a obtener pro-
ductos ms robustos espacialmente (Bruzzone y Fernndez-Prieto, 2000).
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 453
Hace referencia este trmino a imgenes en las que los ND estn medidos en una
escala numrica continua, por lo que pueden aplicarse sobre ellas tcnicas estadsticas
apropiadas a variables de intervalo. El objetivo de estas tcnicas es medir la textura o
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 455
FlG. 7.74. Ejemplo de dos imgenes con el mismo patrn espacial pero distinto contraste tonal.
contraste espacial entre los pxeles que componen la imagen. Si en trminos de inter-
pretacin visual, la textura hace referencia a la diversidad espacial de los tonos de gris
en una imagen, los ndices numricos de textura se dirigen a medir ese contraste en la
vecindad de los ND de la imagen. Algunos de estos ndices operan sobre toda la ima-
gen y proporcionan una sola medida del contraste, mientras otros calculan la textura
local, normalmente comparando el ND de un pxel con el de los que le circundan. Los
primeros son tiles para comparar la complejidad espacial de distintas zonas, o para
analizar la evolucin en el tiempo de un determinado sector. En cuanto a los segundos,
permiten generar imgenes de textura espacial, sirviendo tambin como variable auxi-
liar para la clasificacin de categoras temticas.
Entre los ndices aplicables al conjunto de la imagen podemos comentar los si-
guientes:
puede facilitar una valoracin numrica del grado de complejidad espacial de una
determinada escena. Al tratarse de una superficie, una imagen tendr una dimensin
fractal entre 2 y 3, aproximndose ms a 3 cuanto mayor heterogeneidad espacial
presente. Aunque esta medida se ha empleado en diversos estudios de ecologa del
paisaje, su clculo no es muy evidente sobre una imagen de intervalo. En una aplica-
cin pionera de la geometra fractal al anlisis de imgenes Landsat, Lam (1990) mi-
di la dimensin fractal de imgenes TM correspondientes a distintos paisajes. De
acuerdo a lo esperable, el valor ms alto calculado correspondi a una imagen de un
rea urbana, frente a otras con mayor predominio de espacios rurales. Las bandas
ms heterogneas espacialmente resultaron la 1, 2 y 3, y la ms homognea la 6 (tr-
mica), por contar con menor resolucin espacial y radiomtrica que las visibles. En
todos los ejemplos se encontr que la dimensin fractal de una imagen no clasificada
es bastante alta, superando el valor 2,6 (salvo la trmica, con un valor de 2,2), lo que
indica que las imgenes de satlite son espacialmente mucho ms complejas que
otras variables geogrficas, como los modelos digitales de elevacin (Lam, 1990).
Estudios recientes han aprovechado estas medidas fractales para caracterizar la va-
riacin espacial de las alturas de los rboles, de cara al inventario forestal (Drake y
Weishampel, 2000), y a analizar los patrones de regeneracin post-incendio a partir
de imgenes de NDVI (Ricotta et al, 1998).
3. Auto-correlacin espacial (AE). Las tcnicas de AE pretenden medir la
asociacin entre variables debida a la distancia (Cliff y Ord, 1973). Resulta lgico
pensar que los rasgos de la cubierta terrestre se parecen ms entre s cuanto ms cerca
estn, ya que en el paisaje son poco comunes los cambios bruscos. La medida de esta
asociacin espacial puede obtenerse a partir del ndice (/), ideado por Moran (1948),
que mide la correlacin que existe entre cada pxel y sus vecinos:
[7.61]
FIG. 7.75. Cambio en el perfil de los valores de NDVI de una zona como consecuencia de
un incendio. (Chuvieco, 1999a.)
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 457
donde y (h) indica la varianza espacial para una distancia h, NP (h) el nmero de pxe-
les incluidos en ese radio h, y ND (x,) el ND correspondiente al pxel x. El semi-
variograma se puede calcular en una direccin determinada o, lo que es ms habitual
en teledeteccin, en un radio, considerando todas las direcciones. La representacin
grfica de y (h) nos muestra cmo aumenta la varianza en funcin de la distancia (fig.
7.76). Inicialmente la curva tiende a un trazado ascendente, ya que al considerar
pxeles cada vez ms alejados la varianza aumenta. Sin embargo llega un momento en
que se estabiliza, de tal forma que al incrementarse el radio de clculo no aumenta la
varianza significativamente. Esa distancia crtica se denomina alcance (range), y el
valor al que se estabiliza la varianza, meseta (sill). Alcance y meseta son de gran inte-
rs para entender la estructura espacial de una imagen. Cuanto mayor contraste espa-
cial presente, tanto el rango como la meseta tendern a ser mayores. La proporcin en
la que vara una y otra depende de la disposicin del mosaico paisajstico de la imagen.
En un trabajo de gran inters sobre discriminacin de morfologa forestal se calcul
el semi-variograma para varias imgenes obtenidas por videografa (con resolucin de
1 m) sobre diversas plantaciones de coniferas. Los autores del estudio observaron que el
alcance estaba directamente relacionado con la anchura de la copa siendo mayor
para las parcelas con rboles aejos, muy desarrollados, mientras la meseta haca
referencia a la estratificacin del dosel vegetal (Cohn et al, 1990). Conviene
considerar que estas observaciones dependen directamente de la resolucin de la ima-
gen y, ms en concreto, de la relacin entre el tamao de los objetos que se estudian
(en este caso, la anchura de las copas) y el tamao del pxel. De hecho, estos autores
comprobaron cmo las imgenes de vdeo reducan notablemente su capacidad para
discriminar rasgos espaciales al degradarse a 10 m la resolucin del canal pancromti-
co del SPOT, mientras no permitan deducir una relacin significativa entre se-mi-
variogramas y caractersticas del dosel forestal al degradarse a la resolucin del
458 TELEDETECCIN AMBIENTAL
Y(h) --------- v
de un semi-variograma.
getacin, especialmente cuando resulta de inters extraer informacin sobre sus carac-
tersticas estructurales (Riao et al, 2001a; Salas y Chuvieco, 1995; Yool et al.,
1985). Entre las tcnicas ms utilizadas para generar imgenes de textura podemos ci-
tar las siguientes:
5. Desviacin tpica local. Se calcula como la dispersin de los ND de una
ventana de pxeles en relacin con su promedio. Esta medida resulta muy sencilla y se
ha comprobado eficaz en el inventario forestal, como indicador de la densidad y ho
mogeneidad de especies, logrndose significativas mejoras frente a clasificaciones
slo espectrales (Strahler, 1984; Strahler etal., 1978). Como puede observarse en la fi
gura 1.11b, en una ventana de la imagen TorrelOO prxima al embalse del Velln, esta
medida de textura facilita valores ms altos para las zonas ms contrastadas espacial-
mente, pudiendo delimitar con cierta claridad los ncleos urbanos y reas residencia
les de las superficies vegetales.
6. Diferencias absolutas entre los ND mximos y mnimos de la ventana consi
derada:
[7.63]
siendo i cualquiera de los pxeles adyacentes al central de la ventana. Este sencilla me-
dida se ha empleado para estimar la textura en zonas de praderas afectadas por distin-
FlG. 7.77. Diversas medidas de textura sobre la imagen de Torrelaguna: a) Banda 2 original; b)
Desviacin tpica local; c) Contraste sobre la matriz de concurrencia, direccin vertical;
) dem, direccin promedio.
460 TELEDETECCIN AMBIENTAL
tos procesos ambientales (Briggs y Nellis, 1991). Gracias tambin a estas medidas de
textura ha sido posible discriminar entre frutales de regado y caducifolias, empleando
las bandas TM3 y TM4 (Gordon y Philipson, 1986).
7. Entropa. Se define como la relacin entre la frecuencia de un deter-
minado ND (Fm) y la frecuencia mxima esperable en la ventana de pxeles consi-
derada:
[7.64]
4 6 8 5 4 0 1 1 1 0 1
5 5 8 7 6 1 0 2 2 1 0
6 7 7 7 9 1 2 2 0 1 2
8 8 4 8 6 1 2 0 2 3 0
9 8 9 5 6 0 1 1 3 4 1
1 0 2 0 1 0
Imagen original
Matriz de concurrencia
FIG. 7.78. Ejemplo de una matriz de coincidencias sobre una imagen simulada de 5 X 5 pxeles
con 5 ND distintos. Izqda.: imagen original; dcha.: matriz resultante. (PCI, 1994.)
donde /?,_, indica la posicin i, j de la matriz de concurrencia (esto es la frecuencia de
los cruces entre el ND i y el y), F y C indica la posicin en filas y columnas, respectiva-
mente, de esa matriz de concurrencias (en definitiva, cules son los ND que se estn
comparando), M seala el valor medio en filas y n el nmero de columnas y lneas de
la matriz (esto es, con cuntos ND distintos se ha realizado el clculo). En definitiva,
pj mide la probabilidad de que un ND con un valor i sea contiguo a otro con un valory.
Hemos incluido dos ejemplos del clculo de textura sobre la imagen TorrelOO. Se trata
del contraste [7.66], calculado a partir de la banda 2, utilizando la direccin vertical (fig.
7.77c) y el promedio de las cuatro direcciones (fig. 1 .lid). Por comparacin con la
textura obtenida mediante desviaciones tpicas mviles (1.11b) se observa que ambas
resaltan bastante bien los contrastes espaciales, siendo tal vez ms preciso el obtenido a
partir de la matriz de concurrencias para subrayar los bordes, mientras la desviacin tpi-
ca destaca el conjunto de la zona heterognea. La medida direccional resulta de inters
para remarcar los contrastes en ciertas lneas de variacin de la imagen.
462 TELEDETECCION AMBIENTAL
[7.72]
donde NUT indica nmero de unidad de textura y E es la medida de textura para cada p-
xel de la ventana. E vale 0 cuando el ND de ese pxel es inferior al ND del pxel central
de la ventana, 1 cuando es igual y 2 cuando es superior (fg. 7.79). Los NUT pueden or-
denarse de varias formas, dependiendo de qu pxel de la ventana inicie el clculo y en
qu sentido se cuente (a favor o en contra de las agujas del reloj). En cualquier caso, el
NUT puede variar entre 0 y 6560 (38). A partir de ese valor puede calcularse el denomi-
nado espectro de textura; se trata de un histograma que indica la frecuencia de pxeles
de la imagen en cada NUT, y permite observar los rasgos globales de su contraste espa-
cial. A partir de l se han sugerido calcular algunos ndices, como el de simetra entre los
valores ms bajos y ms altos del espectro, o el grado de direccin que presentan las tex-
turas (Wang y He, 1990). Se ha comprobado que estas medidas permiten distinguir algu-
nas cubiertas con escaso contraste espectral, como tipos de minerales o de especies fo-
restales. En este segundo caso se observ una notable correlacin entre los valores de
textura derivados a partir de una imagen pancromtica SPOT, y algunos parmetros me-
didos en terreno como el dimetro de copa, altura del rbol, rea basal, edad y dimetro a
la altura del pecho (Cohn et al, 1995). Tambin se han empleado para reconocer for-
mas de terreno producidas por deslizamientos de ladera (Hervs y Rosin, 2001).
En este caso partimos de archivos en los que el ND de cada pxel es una etiqueta
que identifica la categora a la que se ha asignado. En consecuencia, aunque se trata de
una imagen digital, no pueden aplicarse sobre ella operaciones aritmticas, ya que el
ND no indica una relacin cuantitativa, sino categrica.
En el campo de ecologa del paisaje se han propuesto numerosos ndices para me-
dir la estructura espacial de un determinado territorio (Frohn, 1998; O'Neill et ai,
1988; Riitters et al., 1995; Saura, 2002). Algunos de ellos se aplican sobre toda la ima-
4 6 8 5 4
5 5 8 7 6 0 2 2
6 7 7 7 9 1
8 8 4 8 6
9 8 9 5 6
2
Unidad de textura para el pixel (2,2)
2 2 2
Valor de E
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA 463
gen, como los sealados para imgenes cuantitativas; otros se calculan para ventanas
mviles, normalmente de 3 X 3 pxeles, que se van desplazando sobre la imagen.
Entre los primeros cabe destacar los siguientes:
1 1 2 4 3 3
2 1 2 4 3 3
2 1 2 4 2 1
2 1 2 2 2 1
4 4 2 2 2 1
4 4 4 2 1 1
1 1 1 2 2 2
1 1 3 4 2 2
5 1 3 4 2 2
5 1 3 4 3 7
5 1 3 3 3 7
6 6 3 3 3 7
6 6 6 3 7 7
FlG. 7.80. Una imagen clasificada (parte superior) puede convertirse en una imagen de
manchas (inferior) aplicando tcnicas de agregacin espacial.
464 TELEDETECCIN AMBIENTAL
[7.73]
[7.74]
Algunos autores han observado que la dimensin fractal est directamente aso-
ciada con la complejidad paisajstica. En un amplio sector del este de EE. UU. se com-
prob que D ofreca una valoracin numrica de los distintos patrones de uso del sue-
lo; cuando D era pequeo, indicaba que las formas resultaban bastante geomtricas, lo
que apuntaba a una utilizacin humana del territorio, frente a otros sectores con mayor
presencia de espacios naturales, en donde D ofreca un valor mucho ms alto (O'Neill
etal, 1988; Ricotta et al., 1998). Asimismo, se ha comprobado que la dimensin frac-
tal aumenta al disminuirse la resolucin espacial del sensor, especialmente si la ima-
gen presenta escasa heterogeneidad inicial (Benson y MacKenzie, 1995).
5. Forma: cuadratura. Algunos autores han comprobado que la constante
de proporcionalidad (a en la frmula [7.76]) vara a distintas escalas (Frohn, 1998).
Por esta razn se ha propuesto una alternativa que se denomina cuadratura (SqP:
Squared-pixel), calculndose como:
SqP=l-(4Am/P) [7.77]
D = -1,k=hmpkln(pk) [7.78]
[7.79]
con la misma significacin de la frmula anterior. Cuanto ms alto es el valor del ndi-
ce, mayor predominio tiene una categora sobre las otras en esa ventana.
9. Fragmentacin. Estos ndices intentan medir el grado de ruptura espacial
que ofrece el territorio. Uno de los ms utilizados, con esta finalidad, es el ndice de
Contagio (Con), que mide la adyacencia entre categoras frente al mximo posible (Li
y Reynolds, 1993; O'Neill et al, 1988):
[7.80]
donde pik indica la proporcin de pxeles en esa ventana en donde la categora i es lim-
trofe a la categora k, y m es el nmero de clases. Frohn (1998 propone dividir toda esta
frmula por 2 ln(m), lo que permite escalar el resultado entre 0 y 1. Cuando ms prxi-
mo a 1 indicar una mayor agregacin, mientras valores cercanos a 0 supondrn man-
chas ms pequeas y dispersas.
El mismo autor propone un indicador ms sencillo de fragmentacin, que denomina
mancha por unidad (Patch per Unit, PPU), definido como:
[7.81]
1 1 1 1 1 1 0 0
0 0 0 0 1 1 0 0
Div = 0,6365 Div = 0,4900
1 1 1 1 Dom = 0,0566 0 0 1 1 Dom = 0,0299
0 0 0 0 0 0 1 1
1 1 0 0 1 0 1 0
1 1 0 0 0 1 0 1
Div = 0,3183 Div = 0,6870
1 1 0 0 Dom = 0,0283 1 0 1 0 Dom = 0,0062
1 1 0 0 0 1 0 1
[7.82]
Las medidas anteriormente revisadas pueden utilizarse tanto para comparar di-
versos paisajes, como para estudiar la evolucin de una zona determinada. En este
caso, se tratara de estudiar cmo se transforma la configuracin espacial del territorio
como resultado de ciertos cambios, debidos a la actividad humana (efecto de ciertas
polticas sobre el uso del suelo), o de algn evento espordico (inundaciones, erupcio-
nes volcnicas o incendios). Con este enfoque multitemporal se han abordado nume-
rosos trabajos en ecologa del paisaje (Ne'eman et ai, 1999; O'Neill et al, 1988;
Reinhardt y Ringleb, 1990; Turner et al., 1994). La explicacin de esos cambios se
basa en factores de ndole socio-econmico, o en las propias variables geogrficas
(suelo, topografa, litologa, etc.: Pastor y Broshart, 1990).
Un marco para la aplicacin de estas medidas a imgenes de satlite es el segur-
miento del efecto del fuego sobre la estructura espacial del paisaje (Chuvieco, 1999a),
tomando como ejemplo el incendio de Buol, antes comentado. Para evaluar este efecto
paisajstico a distintos niveles de resolucin se compararon imgenes Landsat-TM y
NOAA-AVHRR, adquiridas casi simultneamente antes y despus del fuego. La fi-
gura 20* recoge un sector de estas imgenes sobre la zona afectada^or el incendio.
Junto al evidente efecto de la resolucin espacial se muestra una tendencia comn en-
tre ambas imgenes, mostrndose con claridad el patrn del rea quemada.
Para homogeneizar las medidas antes comentadas y evitar el efecto subjetivo de
una clasificacin se aplicaron directamente sobre los ndices de vegetacin (NDVI),
calculados para ambos sensores, a partir de los valores de reflectividad. Sobre las im-
genes de los NDVI se calcul la media de unos perfiles y el ndice de autocorrelacin
de Moran. Tras segmentar los NDVI a 12, 10, 8, 5 y 3 intervalos,10 calculamos sobre
10. Fue necesario segmentar la imagen TM del NDVI porque, con el rango original de categoras
(250), el nmero de manchas que se obtenan exceda la memoria dinmica del programa.
468 TELEDETECCIN AMBIENTAL
330 630 930 1.230 1.530 1.830 2.130 2.430 2.730 Distancia (m)
Antes Despus
Antes - - Despus
1.000 -i
10
1.000
FlG. 7.85. Cambios en los valores de compacidad de tos cuerpos dunares entre 1962 y 1992.
rea de San Luis (Argentina): Collado, 1998.
trenes reales, para distintos marcos espaciales, niveles de resolucin o grados de abun-
dancia, con simulaciones de estructura espacial del paisaje, realizadas utilizando m-
todos estocsticos, lo que facilita ver la sensibilidad de las distintas medidas comenta-
das a los cambios en esos factores de control (Saura, 2002).