1. El método COST (Archivo adjunto Teledeteccion.

xls en la hoja llama Método

COST)
El método de corrección atmosférica y radiométrica según el modelo mejorado de
“Objeto negro”, se utiliza como principal insumo para calcular: La radiancia en las
imágenes Landsat a partir de los niveles digitales que estas almacenan, después
se calcula la irradiancia, se procede a calcular la reflectividad en la parte superior
de la atmósfera (TOA) y en superficie (SR). Y lo anterior se utiliza para obtener las
firmas espectrales.

El método está contenido en un libro de Excel adjunto:

Las dos primeras columnas de la tabla se llenan con información del nombre de las
imágenes esta información sirve para tener un control de las imágenes satelitales.
Figura 1. Nomenclatura de las imágenes de satélite.

Path/Row Date

Después encontramos las bandas que se necesitan para realizar el método,

depende de la versión con la que estemos trabajando de la imagen Lansat, para
este caso trabajamos con una imagen obtenida por el satélite Lansat 8 y las bandas
serian:
Figura 2. Bandas del satélite Lansat 8.

Band Numero
Blue 2
green 3
Red 4
Nir 5
swir1 6
 swir2 7

Las columnas en amarrillo dentro del documento indican la información que se le

debo ingresar a las celdas, para hallar lo que corresponde la siguiente metodología:
 Realizo la composición RGB (NIR, SWIR 1, RED), para obtener una
visualización del color real.
 En esta composición muestra los puntos más oscuros (Sombras de nubes,
sombras de formaciones de relieve como el caso de las montañas, cuerpos
de agua)
 Una a una se va observando en cada una de las bandas a cuanto
corresponde ese pixel.
 Y se va escoger el punto cuyo valor sea menor para cada una de las bandas
y este es el número que se asigna a la columna DN_min.
La celda correspondiente al siguiente parámetro S. Elevation corresponde a la
elevación del sol (sun-angle Elevation):

Este dato se obtiene de los metadatos. (Archivo que viene el paquete de descargas
de extensión. MTL).

Las celdas siguientes corresponden al cálculo de la Radianza…

Las próximas celdas en amarillo corresponde a:
LMINλ: radiancia espectral escalada al valor mínimo del pixel (metadatos).
LMAXλ: radiancia espectral escalada al valor máximo del pixel (metadatos).
Es para cada una de las bandas:

La siguiente columna corresponde a la S-E distancia y corresponde a la distancia

del sola la tierra.

El parámetro S. Expo corresponde al parámetro ESUN irradiance: S. Exo: Solar

exoatmospheric irradiances, varias tablas según sensor en Chander 2009. Estos
valores se encuentran predeterminados.
2. El script (*.py) utilizado para el cálculo de reflectividad en superficie (BOA).
En el archivo adjunto reflectancia.txt se encuentra desarrollado.
 3. Figura con la firma espectral por clase (ver clases abajo). Incluya para cada
firma espectral las coordenadas del pixel correspondiente. Cultivo, Pasto,
Bosque, Cuerpos de agua, Nube, Sombra de Nube, Infraestructura. Ver en el
archivo adjunto Teledeteccion.xls en la hoja Firma Espectral
4. Mapa clasificado con “Maximum Likelihood” con las coberturas del suelo.
Debe tener las siguientes clases: Cultivo, Pasto, Bosque, Cuerpos de agua,
Nube, Sombra de Nube, Infraestructura.
Clasificación de Imágenes de Satélite: Esta tiene como propósito convertir los
valores de reflectividad de las bandas en diferentes coberturas de suelo.

Procedimientos para la clasificación de imágenes de satélite:

Existen dos tipos de clasificación 1) No- supervisada, 2) Supervisada. En este
ejercicio nos centraremos en la segunda la cual consiste en crear regiones de
entrenamiento con semillas o polígonos para que el software busque valores
similares en el resto de la imagen.
El método de máxima verosimilitud se realiza en una serie de pasos los cuales se
explicarán a continuación para el caso de la imagen Lansat trabajada en el trabajo,
está ya se procesó para obtener los valores de reflectividad.
- Se realizó primero una composición de falso color RGB utilizando las bandas NIR,
SWIR1, RED para el caso del lansant las bandas utilizadas son 5,6,4).
-
 Figura 3. Composición falso color.

Y posterior a esto se realiza una caracterización de imagen, en areas de entrenamiento

(semillas o polígonos), se realizan dichos polígonos para cada clase que se proponga en el
ejercicio, lo más recomendable es hacer varios polígonos de las mismas clases para tener
mayor certeza.
Para el caso de este trabajo se proponen las siguientes clases:
-Nubes

Figura 4. Polígono nube.

-Sombra de Nube

Figura 5. Polígono Sombra nube.

-Agua
 Figura 6. Polígono agua.

-Cultivos

Figura 7. Polígono cultivos.

-Suelo Desnudo

Figura 8. Polígono suelo desnudo

-Sedimentos
 Figura 9. Polígono sedimentos.

- Infraestructura

Figura 10. Polígono infraestructura.

-Vegetacion

Figura 11. Polígono Vegetación.

- Para realizar los polígonos utilizaremos la opción “draw training simple polygon” esto
con el fin de trazar los polígonos que contendrán las coberturas del suelo
seleccionadas. Estas serán las que se conozcan de la imagen por lo que se debe
tener sumo cuidado. (Se recomienda que los polígonos tengan más de 50 pixeles
para que sea un área representativa y además evite que los polígonos sean muy
grandes para que los pixeles sean de la misma clase y no haya diferencias
significativas).

Figura 12. Conversion en Shapes de los polígonos.

Figura 13. Guardado de polígonos.

- Una vez trace todos los polígonos para cada clase propuesta se deben transformar
en formato Shape como el formato “signature- file” utilizando la opción “Create
signature file” (asegúrese de guardarlo de las dos formas).
- Revise el diagrama de dispersión en el espacio espectral con los polígonos que
eligió para definir la separabilidad de las semillas. En esta indicación se contrasta
que tan separadas están las semillas elegidas y si tiene problemas con alguna se
procede a eliminarla y repetirse.

Figura 14. Diagramas de dispersión.

- En la opción “maximum likelihood classification” disponible en el menú de “image

classification” para obtener una capa ráster clasificada en clases de coberturas.
- Se debe analizar el mapa e interprete donde existen acuerdos, de detectar alguna
inconsistencia debe repetir el proceso hasta que obtenga una clasificación
aceptable.
 Figura 15. Maximum likelihood classification obtenido

- Después de que obtenga mapa que considere sea apropiado se procede a realizar
una clasificación (Spatial Analyst tools/ Reclass/ Reclassify), esto con el fin de
cambiar los valores del raster de coberturas clasificado.
Para el caso del ejercicio las clasificaciones son:
 Figura 16. Reclasificación del mapa por clases.

- La validación es un proceso de suma importancia porque se debe tener en cuenta

que los procesos de clasificación tienen un error inherente el cual puede interferir
con los resultados de manera significativa. Se pueden cometer diferentes tipos
como, por ejemplo: 1) De atributo, el cual consiste en asignarle erróneamente una
clasificación en el mapa. 2) De localización, se refiere a la ubicación errónea de una
clase en el mapa. 3) Globales, corresponde a que pasen los anteriores
simultáneamente en el mapa.
Para la detección de estos errores se utilizan múltiples técnicas, para el caso de
este ejercicio se realizará la matriz de confusión. Esta es una matriz cuadrada que
compara la clasificación de la imagen con la verdad del terreno.
Para la aplicación de esta metodología se toma como base el mapa que se obtuvo
en los puntos anteriores y además se requiere construir un mapa con la verdad de
 campo (Se realizar un mapa conociendo con plena certeza las coberturas, a este se
le trazan polígonos en dichas coberturas y se seleccionan puntos al azar), este mapa
debe ser hecho desde el principio y no se debe utilizar el clasificado ya que la
información se considera libre de error.
En el archivo adjunto Excel Teledeteccion.xls en la hoja Matriz de Confusión Se
encuentra desarrollada la metodología de las matrices de confusión.

5. Una tabla de Excel con el área total para cada una de las clases.