las imagenes satelitales

LAS IMÁGENES SATELITALES

Y SUS APLICACIONES

M.Sc. Ing. Avid Román González

XIX Congreso Nacional de Estudiantes de Ingenieria de Sistemas y Computacion – CONEISC 2011

16/08/2011Huancayo, Perú

INDICE

• La Teledetección

• Las Imágenes Satelitales

• Resolución de la Imágenes Satelitales

• Corrección de Imágenes

• Filtrado de Imágenes

• Clasificación

• Técnica Basada en Compresión de Datos

• Ejemplos de Imágenes Satelitales

• Aplicaciones de la Imágenes Satelitales

• Factores a Tomar en Cuenta

Ciencia y arte de obtener información acerca de la superficie de la

Tierra sin entrar en contacto con ella. Esto se realiza detectando y

grabando la energía emitida o reflejada y procesando, analizando y

aplicando esa información.

Teledetección : definición

El proceso de teledetección involucra una interacción entre la

radiación incidente y los objetos de interés

Proceso de teledetección

A. Fuente de energía o iluminación

B. Radiación y la atmósfera

C. Interacción con el objeto

D. Detección de energía por el sensor

E. Transmisión, Recepción y Procesamiento

F. Interpretación y análisis

G. Aplicación

Imágenes Satelitales

• Resolución Espacial

• Resolución Temporal

• Resolución Espectral

• Costos

• Nubosidad (Época del Año)

• Cobertura (Regional, nacional, etc.)

• Disponibilidad de Información (Año a Evaluar)

• Los sensores convierten los valores de reflectividad en valores numéricostambién llamados valores radiométricos que se extienden entre 0 y 255.Estos valores son almacenados en matrices compuestas de píxeles(generalmente cuadrados). Existe una matriz por banda.

• El píxel se define a través de su posición (fila/columna) y su valor.

La imagen numérica

Matriz de imagen numérica

• Valores radiométricos entre 0 y 255:– 0 (0% de reflectividad): Negro

– 255 (100% reflectividad): Blanco

• Estas matrices de valores radiométricos se pueden visualizar:– En matices de gris

– En composiciones coloreadas (mediante una combinación de varias bandas)

4 12 11 5 203 225 205 221

9 8 10 214 221 222 218 219

12 10 55 212 225 230 244 210

9 8 70 210 220 224 221 220

11 7 146 214 218 227 230 219

6 122 125 146 222 235 249 231

78 114 120 135 138 139 140 146

123 132 135 138 141 132 134 129

Muestreo de valores radiométricos para una banda espectral dada

Resolución Espacial

Comparación de Imágenes en Resolución Espacial

Resolución Temporal

• Este concepto alude a la frecuencia de cobertura que proporciona elsensor.

• Periodicidad con la que este adquiere imágenes de la misma porción de lasuperficie terrestre.

• El ciclo de cobertura esta en función de las características ópticas de laplataforma.

Satélites de Orbita Polar de la NASA

Satélites de Orbita Polar que Pasan en Horas de la Tarde

Periodicidad de los sistemas espaciales

Varían de acuerdo a los objetivos fijados para el sensor:

• Satélites Meteorológicos

Información en periodos cortos de tiempo (Observan fenómenos muydinámicos)

• Satélites de Recursos Naturales

Ofrece periodicidad mucho menor, Landsat 16 días

Resolución Temporal

Resolución Espectral

• Indica el numero de anchura de las bandas espectrales quepueden discriminar el Sensor.

• Un sensor será tanto mas idóneo cuanto mayor numero debandas proporcione, ya que facilita la caracterizaciónespectral de las distintas cubiertas.

Comparación de Imágenes en Resolución Espectral

Satelite Sensor Propiedad Desde Bandas Espectrales

Landsat 5 TM NASA / USGS 1984 7

IRS-1C LISS-III ISRO 1995 7

SPOT 4 HRVIR CNES 1998 5

Ikonos GeoEye 1999 4

Landsat 7 ETM+ NASA / USGS 1999* 9

EO-1 ALI NASA 2000 10

Terra ASTER NASA / JAXA 2000 14

EO-1 Hyperion NASA 2000 242

Terra / Aqua MODIS NASA 2000 36

SAC-C CONAE 2000 3

Quickbird Digital Globe 2001 4

ENVISAT MERIS ESA 2002 15

SPOT 5 HRG CNES 2002 5

CBERS 2 CCD INPE / CAST 2003 5

CBERS 2B CCD / HRC INPE / CAST 2007 6

La mayoría de los dispositivos de sensoramiento remoto hacen uso dela energía electromagnética. Sin embargo, el espectroelectromagnético es muy amplio y no todas las longitudes de ondason igualmente efectivas para propósitos de sensoramiento remoto.Además, no todas tienen interacciones significativas con losmateriales de la superficie de la tierra de interés para nosotros.

LONGITUD DE ONDA

1 Amstrog = 0,001 micrón ( µ ) = 0,000001 de milímetro ...Una vez que la onda de despolarización

WAVELENGTHS (en metros)

10-11 10-10 10-9 10-8 10-7 10-6 10-5 10-4 10-3 10-2 10-1 101 102

VISIBLE

GAMMA RAYS X RAYSULTRA VIOLET INFRARED

MICROWAVE

RADIO WAVES

400 500 600 700 nanometers

mas largomas corto

Espectro Electromagnético

Espectro visible (0.4 a 0.7 μm)• Máxima radicación solar• Tres bandas azul, verde y rojo• Puede percibir nuestro ojoInfrarrojo Cercano (IRC 0.7 – 1.3 μm)• Capacidad para distinguir masa vegetales y concentraciones de humedadInfrarrojo Medio (1.3 a 8μm)• Infrarojo de onda Corta (SWIR) (1.3 y 2.5 μm) Idóneo para estimar el

contenido de humedad en la vegetación o suelos.• Infrarojo medio (IRM) (3.7 μm) detección de focos de alta temperatura

(Incendios y Volcanes Activos)Infrarojo Lejano o Térmico (IRT, 8 a 14 μm)• Porción emisiva del espectro terrestre, calor proveniente de la tierra.Micro Ondas (M, por encima de 1 mm)• Tipo de energía bastante transparente a la cubierta nubosa

Interacción de los elementos de la superficie terrestre con la radiación

• Cada tipo de material, suelo, vegetación, agua, etc. reflejará laradiación incidente de forma diferente lo que permitirá distinguirlo delos demás si se mide la radiación reflejada. El gráfico que, para cadalongitud de onda, da la reflectividad se conoce como signatura ofirma espectral y constituye una marca de identidad de los objetos.

En el caso de la radiaciónvisible, las diferencias encuanto a la reflexión paralas diferentes longitudes deonda se traduce en lo quellamamos colores. Unobjeto es verde si refleja laradiación solarpreferentemente en estazona del espectro.

• Una imagen de satélite está sometida a una serie de interferencias quehacen que la información que quiere obtenerse aparezca perturbada por unaserie de errores.

– Fallos en los sensores, generan píxeles incorrectos (correcciónradiométrica)

– Alteraciones en el movimiento del satélite y el mecanismo de captación,generan distorsiones en la imagen global (corrección geométrica)

– Interferencias de la atmósfera, alteran de forma sistemática los valores delos píxeles (corrección atmosférica).

Correcciones de imagen

• Métodos para resaltar o suprimir, de forma selectiva, informacióncontenida en una imagen a diferentes escalas espaciales, para destacaralgunos elementos de la imagen, o también para ocultar valores anómalos.

• Los filtros más utilizados son los de paso bajo (suavizan la imagen), depaso alto (aumentan el contraste), los filtros direccionales (detectan en laimagen estructuras que siguen una determinada dirección) y los dedetección de bordes (permiten identificar y aislar objetos con propiedadeshomogéneas dentro de la imagen).

Técnicas de filtrado espacial

• El proceso de filtrado consiste en la aplicación a cada uno de los píxeles dela imagen de una matriz de filtrado de tamaño N x N (ventana móvilgeneralmente de 3x3 aunque puede ser mayor) compuesta por númerosenteros y que genera un nuevo valor mediante una función del valororiginal y los de los píxeles circundantes. El resultado final se divide entreun escalar, generalmente la suma de los coeficientes de ponderación.

Técnicas de filtrado espacial

Técnicas de filtrado espacial

Filtro de paso bajo: eliminación del efecto borroso (filtro de la mediana)

Detección de contornos (filtro Prewitt)

Técnicas de filtrado espacial

Detección de contornos (filtro Laplaciano)

Técnicas de filtrado espacial

• Cuando interesa detectar algún aspecto específico de la superficie

terrestre, pueden utilizarse índices que utilicen algunas de las bandas.

• Índices de vegetación: son calculados a partir de la reflectividad en

diferentes bandas. Indican la abundancia y estado de la vegetación. Se

basan en el comportamiento reflectivo peculiar de la vegetación.

• La signatura espectral característica de la vegetación sana muestra un

fuerte contraste entre la baja reflectividad en el rojo (0,6μ – 0,7μ) y la alta

reflectividad en el infrarrojo de longitud de onda más corta (0:7μ – 1,1μ).

Esta diferencia es tanto mayor cuanto mayor es la densidad de la

vegetación y mejor su estado fitosanitario.

Tratamientos de imagen: índices

• En esta idea se basan la mayor parte de los índices de vegetación. El más conocido es el Índice Normalizado de Vegetación (NDVI) cuya ecuación es:

donde ρir es la reflectividad en el

infrarrojo cercano (banda 4 de landsat

TM) y ρr es la reflectividad en el rojo

(banda 3 de landsat TM).

Tratamientos de imagen: índices

• En una imagen de satélite se dispone de varias bandas que

corresponden a diversas regiones del espectro electromagnético. En

muchos casos algunas de estas bandas corresponden a las subregiones

del visible que corresponden a los colores azul, verde y rojo.

• Por otra parte, los monitores y tarjetas de video disponen de 3 canales

para representar los 3 colores básicos. Por tanto puede utilizarse cada

canal para representar los valores de los píxeles de una banda y obtener

así una composición de color.

Tratamientos de imagen: neo-canales

• La composición de color más obvia sería simular el color real, asumiendo

que estamos trabajando con Landsat:

b1 -> B

b2 -> G

b3 -> R

pero como se dispone de más bandas, nada impide utilizarlas para generar

visualizaciones en falso color. Estas composiciones sirven para resaltar los

elementos que mayor reflectividad presentan en las bandas utilizadas,

además de obtener visualizaciones más o menos estéticas. Así es más fácil

discriminar visualmente los elementos.

Tratamientos de imagen: neo-canales

• A partir de las bandas espectrales 3-2-1 (Landsat TM), se puede generar una

composición coloreada. En este caso, el resultado se correspondería

aproximadamente con una foto obtenida con película color. No obstante

persiste la dificultad de desglose de especies forestales.

Tratamientos de imagen: neo-canales

• La misma escena pero en una composición RGB de las bandas 4 (infrarrojo

cercano), 5 (infrarrojo medio) y 3 (rojo del espectro visible). La radiación

reflejada en estas regiones del espectro, contiene información de suma

trascendencia. En este caso no sólo se puede diferenciar claramente especies

forestales, sino que también se puede, contando con algunos datos de

referencia de campo, sacar conclusiones acerca de la edad y variabilidad de

manejo inherentes a cada especie arbórea en particular.

Tratamientos de imagen: neo-canales

• La clasificación responde a la idea de que pueden establecerse límites

precisos entre las respuestas espectrales de unos píxeles y otros, siendo

estos límites los que definen las clases.

• La clasificación en teledetección es, por tanto, un caso particular del

problema general de clasificar N individuos (píxeles) procedentes de una

muestra en un conjunto de M < N clases en función de una serie de k

variables (X1, X2,...,Xk). Este problema se resuelve en dos fases:

– 1. Determinación del número de clases y de las propiedades de estas en

relación a las k variables

– 2. Asignar cada uno de los N individuos a una de las M clases utilizando una

regla de decisión basada en las propiedades de los individuos y las clases en

relación a las k variables.

Clasificación

• La determinación de las clases puede hacerse mediante dos criterios: la

clasificación supervisada y la clasificación no supervisada.

– 1. Clasificación supervisada: se basa en la disponibilidad de áreas de

entrenamiento. Se trata de áreas de las que se conoce a priori la clase a la que

pertenecen y que servirán para generar una signatura espectral característica de

cada una de las clases. Las áreas de entrenamiento deben ser lo más

homogéneas posibles y en las que sepamos lo que había el día que se tomó la

imagen. Por ello esta operación (levantamiento in situ) se realiza el mismo día

en el que el satélite toma la imagen y luego se compra esta. Otra posibilidad es

utilizar fotografía aérea o información de otro tipo.

Clasificación

1. Clasificación supervisada (continuación): en la figura siguiente se observa la

caracterización espectral de un conjunto de clases de uso de suelo definidas a

partir de los valores de reflectividad en las diferentes bandas de landsat MSS.

Clasificación

2. Clasificación no supervisada. No se establece ninguna clase a priori, aunque es

necesario determinar el número de clases que queremos establecer, y dejar que las

defina un procedimiento estadístico basado en algoritmos de clasificación

automática multivariante en los que los individuos más próximos se van agrupando

formando clases. Uno de los más habituales en teledetección es el agrupamiento

jerárquico (ISODATA). Este consta de N pasos siendo N el número total de individuos

a clasificar.

Clasificación

– No estadísticos (árboles de decisión, mínima distancia,

paralelepípedos)

– Estadísticos clásicos (máxima verosimilitud o máxima

probabilidad)

– Algoritmos basados en inteligencia artificial (lógica

borrosa, redes neuronales)

– Algoritmos que utilizan información contextual

Clasificación

� Luego de la creación de las clases, se debe asignar cada uno de los

individuos (píxeles) a las clases. Existen diferentes procedimientos:

NORMALIZED INFORMATION DISTANCE

• Longitud normalizada del programa mas corto que puede calcular x

conociendo y, asi como calcular y conociendo x

• Similaridad Metrica:

– NID(x,y) = 0 Si x = y

– NID(x,y) = 1 --> distancia maxima entre x & y

• El NID minimiza todas las distancias a valores normalizados.

NID (x, y) =y)} {K(x), K(

x)} {K(y), K(K(x, y) -

max

min

M.Sc. Ing. Avid Roman Gonzalez

NORMALIZED COMPRESSION DISTANCE

• C(x) = Factor de compresion de x.• C(x) es una aproximacion para K(x).• Es posible definir una medida de similaridad metrica calculable.

C(y)}max {C(x),

(y)}min{C(x),CC(x,y)yxNCD

−=),(

x

y

Coder

Coder

Coder

C(x)

C(y)

C(xy) NCDLi - Vitányi, 2004

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION DE SEÑALES MEDICAS

E. Keogh – 2004

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION EN IMÁGENES SATELITALES

Watanabe – 2002

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION EN IMÁGENES SATELITALES

D. Cerra – 2008

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION EN IMÁGENES SATELITALES

A. Roman-Gonzalez – 2010

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION DE IDIOMASCLASIFICACION DE IDIOMASCLASIFICACION DE IDIOMASCLASIFICACION DE IDIOMAS

E. Keogh – 2004

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION DE IMAGENES

K. Asalde-Alvarez, M. R. Quispe-Ayala 2010M.Sc. Ing. Avid Roman Gonzalez

Ejemplos de Imágenes Satelitales

Imagen Spot 5 del 23/11/2003

pancromático Multiespectral: composición coloreada

Imagen Spot 5 del 23/11/2003

Imagen Landsat (Tailandia)

Oil tanker sinking off Rio de Janeiro,IKONOS Pan: 1 meter resolution (15/10/2002) (Source: NASA)

• Planificación territorial

• Actualización de fondos cartográficos

• Seguimiento de la evolución de la mancha urbana

• Manejo de riesgos de origen natural

• Seguimiento medioambiental

• Previsión meteorológicas, análisis hidrológicos

• Manejos forestal y agrícola

• Prevención de incendios

• Gestión costera y pesquera

• Prospección geológica, minera y recursos naturales

• Epidemiología espacial

Aplicaciones de las Imágenes Satelitales

Factores a Considerar

1. Disponibilidad de imágenes adecuadas (cobertura regional,nubosidad menos que , resolución, Años, costo)

2. Disponibilidad de herramientas Software (costos, disponibilidadde aplicaciones necesarias)

3. Disponibilidad de datos de campo para medir Exactitud

4. Disponibilidad de tiempo y personal

avid.roman-gonzalez@ieee.orghttp://www.avid-romangonzalez.com