estimaciÓn del sellado del suelo mediante tÉcnicas de ... · 2007), los algoritmos de...

ISSN: 1136 - 5277

81

Serie Geográfica, 16 (2010), 81 - 92

ESTIMACIÓN DEL SELLADO DEL SUELO MEDIANTE TÉCNICAS DE

ANÁLISIS ESPECTRAL

Alberto de Tomás1, Francisco Javier Salas2, Cesar Santos3, Antonio Garzón3 y Victoriano Moreno3

(1) Fundación IMDEA Agua. [email protected]/. Punto Net 4 - 2ª planta, Edificio ZYE,Parque Científico Tecnológico de la Universidad de Alcalá28805 Alcalá de Henares - Madrid (España)

(2) Departamento de Geografía - Universidad de Alcalá - [email protected] de Filosofía y LetrasC/ Colegios, 2 - 28801 Alcalá de Henares - Madrid (España)

(3) Departamento de Teledetección. Indra Espacio S. [email protected], [email protected], [email protected] Espacio S.A. - Sistemas de TeledetecciónC/. Mar Egeo, 4. Pol. Ind. nº 128830 San Fernando de Henares - Madrid (España)

RESUMEN

El crecimiento de las superficies artificiales urbanas lleva asociado la impermeabilización del medio natural, cono-cida como sellado del suelo, que provoca una serie de efectos perjudiciales sobre el medio ambiente. Este artículo tratade desarrollar un método para facilitar la estimación de estas superficies y poder establecer medidas de control alrespecto. Las técnicas de teledetección ofrecen interesantes posibilidades de clasificación en entornos urbanos. Eneste trabajo se ha evaluado la utilización de las técnicas espectrales Análisis Lineal de Mezclas Espectrales (ALME)y Sequential Maximum Angle Convex Cone (SMACC) sobre una imagen multiespectral SPOT-5, correspondiente alsector nororiental del municipio de Madrid. Finalmente se ha aplicado la técnica SMACC, en combinación con otrasvariables extraídas de la imagen, obteniendo una capa de sellado con una fiabilidad global del 83,75%. Los resulta-dos obtenidos se comparan con los de la capa de sellado europea para España1, la cual obtiene una precisión globaldel 69,5% siguiendo el mismo método de validación utilizado en este trabajo. Palabras Clave: sellado del suelo, análisis espectral, ALME, SMACC, SPOT.

ABSTRACT

Increasing artificial surface, associated with urban growth, produces soil imperviousness, known as soil sealing, whichcauses a number of adverse effects on the environment. This paper aims to develop a methodology to facilitate theestimation of this surface type, in order to establish control measures. Remote sensing techniques provide interes-ting classification possibilities in urban areas. In this research, both Linear Spectral Mixing Analysis (LSMA) and Se-quential Maximum Angle Convex Cone (SMACC) spectral analysis techniques have been tested on a SPOT-5multispectral image, corresponding to the Northeastern sector of the city of Madrid. Finally, the SMACC technique wasapplied, in combination with other variables extracted from the image, getting as a result a sealed mask with an ove-rall accuracy of 83,75%. The results were then compared to the existing European soil sealing layer for Spain1, whichobtained an overall accuracy of 69,5% with the same accuracy assessment method used in this study.Key Words: soil sealing, spectral analysis, LSMA, SMACC, SPOT.

Fecha de Recepción: 17 de Diciembre de 2009Fecha de Aceptación: 9 de Junio de 2010

1 GMES Fast Track Service Precursor on Land Monitoring. Build-up areas – degree of soil sealing.

1.- INTRODUCCIÓN

Según la Agencia Europea del Medio Ambiente(EEA - European Environment Agency), el términosellado del suelo hace referencia al cambio de es-tado natural del suelo, por el cual se vuelve unmedio impermeable. En el ámbito urbano, esteproceso se debe fundamentalmente al recubri-miento de la superficie con materiales imperme-ables como el hormigón, asfalto, plástico, cristal,etc., siendo prácticamente irreversible.

Las altas tasas de crecimiento urbano y los nuevosmodelos de expansión urbana agravan los efectosperjudiciales que el sellado produce sobre elmedio ambiente. Montanarella (2006) destacaentre ellos la perturbación de los flujos de gas,agua y energía, el aumento del riesgo de inunda-ciones, la disminución de la recarga natural deacuíferos, el incremento en los niveles de conta-minación del agua, por las sustancias químicasprocedentes de desagües, y la pérdida de suelo ybiodiversidad (fragmentación de hábitats).

En este sentido, es importante conocer las tasasde crecimiento de dichas superficies artificialespara establecer medidas de control al respecto.Las técnicas de teledetección ofrecen un amplioabanico de posibilidades que facilitan esta labor.

Desde que Ridd (1995) desarrollase un modelo con-ceptual en el que el entramado urbano quedaba de-finido como una combinación de coberturassimples: vegetación, superficies impermeables ysuelos (V-I-S – vegetation-impervious surface-soil), los estudios posteriores en entornos urba-nos se han centrado en cuantificar la distribuciónde dichas coberturas mediante técnicas de tele-detección. Algunas de las cuales incluyen, entreotras, regresiones múltiples, clasificadores enárbol, clasificaciones borrosas o clasificacionessupervisadas y no supervisadas (Weng, 2007).

En los últimos años cobran especial importancialas técnicas de análisis de mezclas espectrales(Lu et al., 2008; Lu y Weng, 2006; Raymaekers etal., 2005; Wu, 2004; Wu y Murray, 2003; Zeng et al.,2007), los algoritmos de clasificación como lasredes neuronales (Zhang y Foody, 2001) o las téc-nicas de segmentación orientada a objetos (Kam-pouraki et al., 2006; Moeller, 2005; Sulzer y Kern,2009). En la mayoría de los casos, los análisis sebasan en imágenes de resolución espacial mediay los resultados obtenidos presentan valores deexactitud en torno al 85-90%, alcanzando los va-lores superiores las técnicas de segmentación.

La EEA elaboró en 2008, como parte de los servi-cios Fast Track de la iniciativa GMES (Global Mo-nitoring Environmental and Security), una capa desellado del suelo a nivel europeo, con un tamañode píxel de 100 m. En el caso de España, esta capatiene una resolución de 20 m y el proceso de ela-boración combinaba una clasificación híbrida se-miautomática, utilizando técnicas de clasificaciónsupervisada y no supervisada, con una depuraciónasistida de resultados por fotointerpretación, yposterior asignación de niveles de sellado en basea los valores del Índice de Vegetación Normalizado(NDVI) (Sánchez et al., 2009). Esta capa está dis-ponible en el Geoportal de GMES/Kopernicus(www.land.eu).

2.- OBJETIVOS

El objetivo de este trabajo es desarrollar una me-todología, cuya aplicación permita clasificar y dis-criminar, de forma automática, las cubiertasartificiales que dan lugar al sellado del suelo. Paraello, se valoran dos técnicas de análisis espectral,ALME y SMACC, y la cartografía resultante secompara con la capa de sellado europea para Es-paña, a fin de comprobar si se obtienen mejoresresultados.

3.- ÁREA DE ESTUDIO

El área de estudio, con una extensión de 10.291hectáreas, engloba la parte nororiental del muni-cipio de Madrid y parte de los municipios de Alco-bendas y San Sebastián de los Reyes (fig.1). Laselección de este sector responde a la heteroge-neidad de las cubiertas artificiales presentes (víasde comunicación y diversas morfologías de entra-mado urbano residencial, industrial y terciario),junto a la presencia, aunque en menor medida, dezonas forestales, cultivos, pastizales y matorrales.

4.- MATERIAL

Atendiendo al objetivo del trabajo se decide utilizaruna imagen de alta resolución, que permita obte-ner mayor precisión. Se selecciona una imagenmultiespectral SPOT-5 (path 33/row 268), adqui-rida el 18 de junio de 2008 bajo buenas condicio-nes meteorológicas. La imagen pertenece a lacobertura nacional del Plan Nacional de Telede-tección 2008 y ha sido cedida por la Comunidad deMadrid. Consta de tres bandas con 10 m de reso-lución espacial, correspondientes al verde, rojo e

Alberto de Tomás, Javier Salas, Cesar Santos, Antonio Garzón y Victoriano MorenoEstimación del sellado del suelo mediante técnicas de análisis espectral

82

ISSN: 1136 - 5277

infrarrojo cercano (IRC), así como una cuartabanda con 20 m de resolución, correspondiente alinfrarrojo de onda corta (SWIR). La imagen se ad-quiere con un nivel de procesado 1A, que incluyeuna corrección radiométrica de las distorsionesdebidas a las desviaciones de sensibilidad entrelos detectores elementales del instrumento detoma de imágenes, y un remuestreo de la bandadel infrarrojo de onda corta a píxeles de 10 m. Dela imagen original se recortó un sector de 914 x1126 píxeles correspondiente al área de estudio.

La imagen se corrige geométricamente aplicandoun proceso de ortorrectificación según el modelodel sensor, utilizando 10 puntos de control y unmodelo digital del terreno, obteniéndose un errormedio cuadrático (RMSE) inferior a 0,6 píxeles. Seselecciona el sistema geodésico de referenciaETRS89, con proyección UTM 30N. Finalmente, seconvierten los niveles digitales de la imagen en va-lores de reflectividad aparente, de acuerdo a lametodología empleada por El Hajj et al. (2008)para imágenes SPOT.

Los resultados obtenidos en este trabajo se com-paran con la capa de sellado europea para Es-paña, proporcionada por Indra Espacio S.A. Setrata de una capa con una resolución espacial de20 m y valores de sellado clasificados en porcen-tajes (0-29%; 30-49%; 50-79%; 80-100%), refe-

renciada en el sistema ETRS89. Esta capa obtuvouna precisión del 85% con el método de validaciónutilizado por la EEA, frente al 69,5% que obtienecon el método de validación utilizado en este tra-bajo.

La precisión temática de los resultados obtenidos,tanto de la capa elaborada en este trabajo comode la europea, se valida a partir de una ortofoto-grafía del territorio de alta resolución de 2008,proporcionada por la Comunidad de Madrid, conun tamaño de píxel inferior a 1 m, en el sistemageodésico de referencia ETRS89, con proyecciónUTM 30N, al igual que la imagen de satélite.

5.- METODOLOGÍA

Este trabajo se centra en el uso de técnicas deanálisis de mezclas espectrales para la cartogra-fía del sellado. Estas técnicas consideran que elvalor digital medido para un punto es una combi-nación de los distintos tipos de cubierta que se en-cuentran en la superficie correspondiente a dichopunto (Sobrino, 2000). Por tanto, tratan de encon-trar en qué proporción cada cubierta forma partede los distintos píxeles de la imagen, posibilitandoextraer información sobre el grado de mezcla pre-sente en los mismos. El uso de estas técnicas hapermitido simplificar la labor de métodos común-

83


Figura 1.- Situación general de la zona de estudio.

mente utilizados en la clasificación de imágenescomo la fotointerpretación.

Primeramente, es necesario atender a los ele-mentos que conforman dicha mezcla. Conocidoscomo componentes puros o endmembers, se co-rresponden, generalmente, con los patrones es-pectrales asociados a cada cubierta, aunquedependen de la resolución espacial y del tipo deaplicación en que se empleen. En este sentidopueden representar patrones espectrales de ma-teriales puros, o de una combinación de éstos auna escala menos precisa (Adams y Gillespie,2006). En principio, cualquier signatura espectralse puede considerar como endmember potencial,pero en el contexto de una imagen, si no formaparte de ninguna mezcla, no es útil definirlo comotal ya que puede confundir los resultados. Las sig-naturas espectrales de los endmembers se pue-den extraer de la propia imagen, a partir delconocimiento del área de estudio o mediante téc-nicas estadísticas de extracción como el PPI (PixelPurity Index); o bien utilizar las procedentes demediciones con radiómetros, bibliotecas espec-trales o modelos de simulación (Chuvieco, 2008).

En este trabajo se evalúan dos técnicas de análi-sis de mezclas espectrales, el Análisis Lineal deMezclas Espectrales (ALME) y el Sequential Maxi-mum Angle Convex Cone (SMACC), de caracterís-ticas distintas.

El ALME es la técnica más empleada en el análi-sis espectral. Se fundamenta en asumir la lineali-dad de la mezcla y, para determinar la misma, sehan de introducir las signaturas espectrales detodos los componentes o endmembers presentesen la imagen. Además, asume que la radiación re-flejada no se ve influenciada por la señal proce-dente de una cubierta vecina, y que la radianciaglobal es proporcional a la superficie ocupada porcada cubierta (Chuvieco, 2008). Sin embargo, estatécnica presenta el inconveniente de limitar el nú-mero de endmembers que pueden intervenir en elproceso, al número de bandas linealmente inde-pendientes de la imagen. Si se añade el requisitode exhaustividad, se puede incluir hasta un má-ximo de k+1 componentes, siendo k el número debandas y suponiendo nulo el error (Chuvieco,2008).

Para obtener el número de bandas linealmente in-dependientes, se realiza una reducción de la di-mensionalidad de la imagen, utilizando la técnicaconocida como Fracción de Mínimo Ruido (MNF,Minimum Noise Fraction) (Chuvieco, 2008). Ésta

consiste en aplicar dos Análisis de ComponentesPrincipales (ACP) consecutivos: el primero, ba-sado sobre una estimación de la matriz de cova-rianza residual, permite eliminar redundancias yre-escalar el ruido de los datos; el segundo, es unACP convencional de los datos ya depurados. Elruido se estima a partir de los componentes másmarginales de los autovalores, centrando el aná-lisis en aquellos que retienen la mayor parte de lainformación original.

El SMACC, desarrollado por Gruninger et al.(2004), es una técnica de análisis de mezclas si-milar al ALME, pero con menos restricciones, ygeneralmente, de menor precisión en los resulta-dos. A diferencia del ALME, esta técnica no re-quiere de todos los endmembers que conformanla imagen para realizar el análisis, así como tam-poco definir previamente las signaturas espectra-les de los mismos. Simplemente es necesarioindicar el número de endmembers que se deseaestudiar

Aunque los endmembers derivados de SMACC sonúnicos, no existe una correspondencia uno a unoentre el número de materiales presentes en laimagen y el de endmembers encontrados. Cadapíxel puede contener sólo un material, o un por-centaje elevado de éste más una única combina-ción con otros materiales. Cada materialidentificado en la imagen es descrito por un rangoque engloba su variabilidad espectral. El resultadodel análisis son fracciones de imagen que contie-nen la abundancia en cada píxel de cada uno delos endmembers identificados en la imagen.

SMACC utiliza un modelo de Cono Convexo (Con-vex Cone), también conocido como MinimizaciónResidual (Residual Minimization), para identificarlos endmembers de la imagen. Los puntos extre-mos se utilizan para determinar el cono convexo,que define el primer endmember. Entonces seaplica una proyección oblicua sobre el cono exis-tente para derivar el siguiente endmember y elcono aumenta incluyendo el nuevo endmember. Elproceso se repite hasta que la proyección derivaun endmember que ya existe dentro del cono (enun rango de tolerancia definido), o hasta que se al-canza el número de endmembers establecido.

En otras palabras, SMACC primero encuentra elpíxel más brillante de la imagen, después el píxelque más difiere de éste y seguidamente el píxelque más difiere de los dos primeros. El procesose repite hasta que se encuentra un píxel perte-neciente al grupo de los píxeles analizados pre-


84

ISSN: 1136 - 5277

viamente, o hasta que se alcanza el número espe-cificado de endmembers. El espectro de los píxe-les encontrados se convierte en los endmembersde la librería espectral resultante. Es importantedestacar que SMACC aplica cierto tipo de restric-ciones (constraints) sobre los datos, que fuerzanlos resultados a mantenerse sobre determinadosrangos. En este caso, y debido a las característicasde la imagen, se aplica uno que fuerza los resul-tados a ser únicamente positivos.

Una vez seleccionada la técnica, de las dos pro-puestas, que ofrece mejores resultados, en estecaso SMACC, se genera la capa de sellado combi-nando, mediante funciones lógicas, los endmem-bers resultantes junto con otra informaciónespectral de la imagen según el modelo cartográ-fico de la figura 2.

Primeramente se selecciona el endmember 2como base de trabajo, ya que es el que mejor re-presenta las superficies artificiales, y se reclasi-fica para obtener una capa binaria de 1 (sellado,valores mayores de 0,1) y 0 (no sellado, resto devalores). Para incorporar las zonas artificiales noincluidas en este endmember, se genera un Índicede Vegetación de Diferencia Normalizada (NDVI)que se reclasifica en una capa binaria de 1 (se-llado, valores inferiores a -0,4) y 0 (no sellado,resto de valores). Seguidamente se combinanambas capas binarias mediante el operador lógicoOR, obteniendo una sola capa (Mask_1).

Por último se eliminan las láminas de agua queaparecen como sellado en la capa anterior. Paraello, atendiendo a la bibliografía especializada, segenera un índice normalizado con las bandas delverde y el SWIR, conforme a la siguiente fórmula:

Este índice se reclasifica para obtener una capabinaria de 1 (agua, valores superiores a 0,4) y 0 (noagua, resto de valores), que se combina con lacapa anterior (Mask_1) mediante el operador ló-gico AND NOT, obteniendo la capa final de sellado.

Los procesos de reclasificación se llevan a cabomediante un procedimiento de segmentación deimágenes, que facilita la obtención de imágenesbinarias, y permite establecer el mínimo númerode píxeles que debe poseer cada segmento, ade-más del número de píxeles contiguos tenidos encuenta (en nuestro caso 10 y 8, respectivamente).

Para la validación de la capa de sellado se utilizacomo verdad terreno la información extraída de laortofotografía de alta resolución. En función de ladensidad de superficies artificiales presentes enla zona, se opta por un muestreo aleatorio estra-tificado. Se distinguen un estrato de mayor densi-dad artificial, claramente urbano, y otro, conmayor predominio de cubiertas naturales (culti-vos, matorrales, suelos desnudos, masas foresta-

85


Figura 2.- Modelo cartográfico.

les, etc.), de menor densidad. Se seleccionan 200puntos aleatoriamente distribuidos en cada es-trato, resultando un total de 400 puntos de verifi-cación y superando así los mínimos establecidospor diversos autores (Chuvieco, 2008).

Una vez seleccionados los puntos de muestreo, seextrae en éstos la información de la capa de se-llado. A su vez, cada uno es verificado visualmenteen base a la ortofoto de 2008. Con dicha informa-ción se genera una matriz de confusión simple,cuya diagonal expresa el número de puntos endonde se produce acuerdo entre las dos fuentes(imagen clasificada y ortofoto), mientras que losmarginales suponen errores de asignación. A par-tir de estos datos se calculan la fiabilidad global yreal, errores de omisión y comisión e índice kappa(Chuvieco, 2008).

Por último, se procede a comparar los resultadosobtenidos con los de la capa de sellado europeapara España. No obstante, para que ésta sea com-parable a la capa obtenida mediante SMACC eneste trabajo, se remuestrea a píxeles de 10 m y sereclasifica a valores binarios, considerando comosellado los porcentajes superiores al 80% y no se-llado al resto. Una vez hecho esto, se aplica elmismo proceso de validación que a la capa de se-llado obtenida mediante el SMACC.

6.- RESULTADOS

En el ALME, la aplicación del MNF sobre la imagenmuestra que los tres primeros componentes ex-plican el 95% de la varianza, por lo que sólo tresbandas son linealmente independientes. Esto sig-nifica que el número máximo de endmembers quese puede utilizar en el análisis, suponiendo nuloel error, es cuatro (número de bandas indepen-dientes +1).

Para determinar el número de endmembers queconforman la imagen, se combinan gráficamentelos componentes principales resultado del MNF(fig. 3). Los extremos de la nube de puntos de losdispersogramas muestran la existencia de cincoendmembers:

• Low albedo: cubiertas simples con bajos valo-res de reflectividad -sombras, láminas deagua y asfalto-.

• Superficies metálicas: representa materialesde alta reflectividad, como las superficies me-tálicas.


86

Figura 3.- Dispersogramas de la combinación de com-ponentes principales.

ISSN: 1136 - 5277

• High albedo: conjunto de materiales con res-puesta espectral similar, que incluye tejados,cultivos de secano y matorral.

• Vegetación: fundamentalmente cultivos de re-gadío.

• Suelos desnudos: zonas en construcción osuelos desnudos con altos valores de reflecti-vidad.

Se observa, pues, una incongruencia entre el nú-mero de endmembers presentes en la imagen y elde bandas linealmente independientes. Es decir,al superarse el número máximo de endmemberspermitidos, no puede aplicarse la técnica ALME.Esta afirmación es contrastada mediante el análi-sis de la imagen de los errores del modelo ALME.En ella se comprueba como la distribución delerror sigue un determinado patrón, en especial enzonas urbanas, indicando la ausencia de compo-nentes puros de importancia identificados correc-tamente, por lo que los resultados del análisiscarecen de valor.

En la segunda técnica utilizada, SMACC, el errormáximo relativo correspondiente al número deendmembers extraídos de la imagen, empieza aconverger a partir del segundo endmember. Portanto, tres endmembers serían suficientes paradefinir y analizar el espectro de la imagen. Ade-más, pruebas con mayor número de endmembersdemuestran aportar información redundante, es

decir, combinaciones de endmembers ya existen-tes.

Los tres endmembers obtenidos del SMACC,cuyas curvas espectrales aparecen en la figura 4,muestran las siguientes características:

• Endmember 1 (fig. 5.a): recoge valores altosde suelos desnudos en zonas en construcciónjunto con ciertas superficies metálicas. Se co-rrespondería, pues, con el high albedo vistoanteriormente. La curva espectral de esteendmember presenta un máximo en el IRC.

• Endmember 2 (fig. 5.b): incluye la gran mayo-ría de los tipos de cubiertas artificiales pre-sentes en la zona, menos cierto tipo deedificaciones con tejados de tejas. Así mismorecoge las láminas de agua y las sombras, porlo que se correspondería con el low albedo.El resto de cubiertas presentan valores másbajos, próximos a cero. La curva espectral essimilar a la del endmember anterior, pero convalores más bajos en la banda del verde y delSWIR.

• Endmember 3 (fig. 5.c): engloba principal-mente los cultivos de secano, más parte de lasedificaciones ausentes en el endmember 1. Sucurva espectral es creciente hacia el SWIR.

A la vista de estos resultados se establece el end-member 2 (low albedo) como base de trabajo para

87


Figura 4.- Curvas espectrales de los endmembers.

obtener la máscara de sellado. Tras la reclasifi-cación en sellado/no sellado de este endmember,incluyéndose en la primera categoría los píxelescon valores mayores a 0,1, aparecen algunas de-ficiencias en la capa obtenida, como la ausenciade tejados o la inclusión de láminas de agua. Pararesolver estos problemas se utilizan un NDVI yuna máscara de agua, según el modelo cartográ-fico de la figura 2 detallado en el apartado ante-rior, obteniendo el mapa final de sellado.

Cabe destacar que la utilización del NDVI paraconseguir la capa del sellado no podría ser susti-tutiva del endmember 2, aún representando tam-bién cubiertas artificiales, ya que la precisión delos resultados es visualmente inferior, y es difícilestablecer un límite para diferenciar estricta-mente las cubiertas vegetales de las que no loson, sin la consiguiente pérdida de información.

Una vez completado el proceso, la máscara finalde sellado ofrece una superficie sellada o artificial


88

Figura 5.- Imágenes de abundancia: a) Endmember 1; b) Endmember 2; c) Endmember 3

ISSN: 1136 - 5277

de 3.729 hectáreas, mientras que la no sellada onatural es de 6.562 hectáreas. La figura 6 muestraun detalle de la zona de estudio donde puede com-pararse la capa de sellado con la realidad (orto-foto). El detalle corresponde al límite entre losmunicipios de Madrid y Alcobendas y en él se ob-serva como la distribución de la máscara coincidecon las principales superficies artificiales: barriosresidenciales, polígonos industriales y vías de co-municación.

7.- VALIDACIÓN DE RESULTADOS Y DISCUSIÓN

En la capa de sellado generada, de los 400 puntosde muestreo, 335 son correctamente asignados y

65 erróneamente, lo que supone una fiabilidadglobal del 83,75% (Tabla 1), que con un intervalode confianza de ± 3,6 y un 95 % de probabilidad,supone una fiabilidad real entre 80,15 % y 87,35 %.En el caso de la capa de sellado europea para Es-paña, los acuerdos son 278 y los errores de asig-nación 122, es decir una fiabilidad global del 69,5%(Tabla 2) y una fiabilidad real entre 65% y 74%. Losíndices Kappa para estas capas son del 66% y38%, respectivamente.

En general, se obtienen valores bajos de error(entre 8,0% y 27,0 %) en la capa de sellado gene-rada, pero son ligeramente más altos los de co-misión frente a los de omisión en la categoría nosellado (18,4% y 8,0 %, respectivamente) y al con-

89


Figura 6.- Detalle de la zona de estudio: ortofoto / capa de sellado

Ortofotografía

No sellado Sellado TOTAL Errorcomisión

Imagenclasificada

No sellado 208 47 255 18,4Sellado 18 127 145 12,4TOTAL 226 174 400

Error omisión 8 27

Tabla 1.- Matriz de confusión de la capa de sellado generada.

trario en la de sellado (12,4% y 27,0 %, respecti-vamente). La capa de sellado europea para Es-paña presenta errores superiores a los anteriores,oscilando entre el 24,8% y el 37,4 %. Los mayoreserrores aparecen en la categoría sellado. Como enel caso anterior, en la categoría de no sellado sonligeramente mayores los errores de comisión quelos de omisión (23,9% y 24,8% respectivamente) yal contrario en la categoría de sellado (32,1% y37,4% respectivamente). La clasificación, portanto, sobreestima las superficies no selladas endetrimento de las selladas.

Los resultados son similares a los obtenidos porotros autores con el uso de las técnicas de análi-sis espectral en base al modelo V-I-S (Ridd, 1995),que ofrecen errores cuadráticos –RMSE– del 10 %(Lu et al., 2008; Wu, 2004; Wu y Murray, 2003).

La metodología empleada ha obtenido una fiabili-dad del 83,75% en la capa de sellado gracias a lacombinación del análisis espectral con otras va-riables obtenidas de la imagen, como el índice devegetación y la máscara de agua. Este hecho escomún a otras investigaciones de característicassimilares. Lu y Weng (2006) combinan la extrac-ción de endmembers con variables externas,como densidades de población o temperatura su-perficial (de imágenes de satélite), para facilitar ladiscriminación de superficies artificiales, obte-niendo una exactitud del 83,78% para las clasesurbanas.

Un análisis visual más detallado de la clasificacióngenerada resalta como zonas de menor ajusteentre ésta y la realidad, las zonas de baja densi-dad, donde las construcciones (habitualmente vi-viendas unifamiliares) se encuentran rodeadaspor zonas verdes; y las zonas en construcción,donde el suelo desnudo se compacta debido altránsito de maquinaria y adquiere un comporta-miento similar a las superficies artificiales. Esteúltimo caso no es excesivamente grave, puesto

que esa superficie pasará a formar parte de lassuperficies selladas a corto plazo.

Algunos de estos errores se deben a la distinta re-solución espacial de los dos datos comparados(imagen de satélite y ortofoto). Estos errores seconsideran más bien defectos debidos a la gene-ralización que implica el diferente tamaño de píxel(Chuvieco, 2008). En este sentido, se incluyen losrelacionados con la estructura del territorio, comolas confusiones derivadas de la disposición espa-cial de las cubiertas. En especial el efecto fron-tera, donde los píxeles de borde registran unaseñal radiométrica intermedia entre dos o mástipos de cubiertas (Chuvieco, 2008). Estos erroresson más frecuentes a medida que el tamaño depíxel utilizado en la clasificación aumenta, y pue-den ser la causa, junto con las diferencias meto-dológicas, de la menor fiabilidad de la capa desellado europea para España.

Las superficies artificiales, y las zonas urbanas enparticular, son un mosaico heterogéneo de diver-sos tipos de cubiertas con diferentes respuestasespectrales y tamaños muy variables, que favore-cen la generalización del valor recogido por cadapíxel. Los valores de sellado de cierto tipo deconstrucciones pueden verse enmascarados porlos de las superficies no selladas circundantes sisu tamaño es mucho menor en comparación. A suvez, los tejados de viviendas presentan el pro-blema añadido de poseer una respuesta espectralsimilar a la de cultivos en secano, dificultando aúnmás su discriminación.

8.- CONCLUSIONES

Las técnicas de análisis de mezclas espectralessuponen una interesante opción a la hora de rea-lizar clasificaciones automáticas de imágenes desatélite para la obtención de mapas de sellado.Estas técnicas ofrecen un amplio abanico de posi-


90

Ortofotografía

No sellado Sellado TOTAL Errorcomisión

Imagenclasificada

No sellado 164 68 232 29,3Sellado 54 114 168 32,1TOTAL 218 182 400

Error omisión 24,8 37,4

Tabla 2.- Matriz de confusión de la capa de sellado europea para España.

ISSN: 1136 - 5277

bilidades a la hora de realizar clasificaciones y su-ponen una interesante opción frente a los méto-dos tradicionales, como la fotointerpretación,obteniendo buenos resultados y automatizando elproceso. En este estudio se ha obtenido una fiabi-lidad global de 83,75% con el uso de la técnicaSMACC sobre una imagen multiespectral SPOT 5.

La exactitud de los resultados obtenidos depen-derá notablemente del tamaño de píxel utilizado.Sin embargo, la utilización de imágenes de alta re-solución para obtener resultados más precisospuede suponer un inconveniente en este tipo deanálisis, ya que, generalmente, el aumento en laresolución espacial va en detrimento de la reso-lución espectral (número de bandas).

Las técnicas de análisis espectral pueden variaren función de la zona de estudio, dependiendo dela respuesta espectral de las cubiertas presentes.Las zonas urbanas constituyen un mosaico demezclas espectrales y tamaños tal, que dificultala elección de una metodología adecuada que ex-traiga la mayor parte de la información presente.Si bien otras técnicas pueden emplearse para lo-grar este objetivo, la fase de experimentación deeste trabajo ha mostrado que metodologías máscomplejas obtienen resultados similares. Asímismo, y dependiendo de la precisión que sedesee alcanzar, se podrán utilizar técnicas mássimples, basadas, por ejemplo, en la utilizaciónde índices de vegetación.

Por último, los resultados obtenidos en este tra-bajo se deben a la combinación del análisis es-pectral con las otras variables extraídas de laimagen. Tal como se observa en la bibliografíaconsultada, éstas pueden variar en función de lascaracterísticas de la zona de estudio, y por tanto lametodología aquí desarrollada no sería generali-zable a otros lugares sin realizar previamente unestudio de la misma. Sin embargo, cabe mencio-nar que la obtención de endmembers representa-tivos del high y low albedo es algo común en losestudios que emplean estas técnicas. A la vista delos resultados obtenidos cabe concluir que su uti-lización para discriminar superficies artificialessupone una gran ventaja en las clasificaciones enentornos urbanos.

BIBLIOGRAFÍA

Adams, J.B. y Gillespie, A.R. (2006), Remote Sen-sing of Landscapes with Spectral Images. A Physi-cal Modelling Approach. Cambridge: CambridgeUniversity Press.

Chuvieco, E. (2008). Teledetección Ambiental. Laobservación de la Tierra desde el Espacio. (3a Ed.)Barcelona: Ariel, S.A.

El Hajj, M., Bégué, A., Lafrance, B., Hagolle, O.,Dedieu, G. y Rumeau, M. (2008). Relative Radio-metric Normalization and Atmospheric Correctionof a SPOT 5 Time Series. Sensors, 8: 2774-2791.

Gruninger, J., A. J. Ratkowski y M. L. Hoke (2004).The Sequential Maximum Angle Convex Cone(SMACC) Endmember Model. Proceedings SPIE,Algorithms for Multispectral and Hyper-spectraland Ultraspectral Imagery, Vol. 5425-1, OrlandoFL.

Kampouraki, M., Wood, G., y Brewer, T. (2006). Theapplication of remote sensing to identify and me-asure sealed areas in urban environments. Pro-ceeding from ISPRS 1st International Conferenceon Object-based Image Analysis. Saltzberg, Aus-tria.

Lu, D., Song, K., Zeng, L.,Liu, D., Khan, S., Zhang,B., Wang, Z. y Jin, C. (2008). Estimating impervioussurface for the urban area expansion: examplesfrom Changchun, Northeast China. The Interna-tional Archives of the Photogrammetry, RemoteSensing and Spatial Information Sciences, Vol.XXXVII. Part B8.

Lu, D., y Weng, Q. (2006). Use of impervious sur-face in urban land-use classification. Remote Sen-sing of Environment, 84: 493–505.

Moeller, M. (2005). Remote Sensing for the moni-toring of urban growth patterns. Proc. of theISPRS Joint Conference URBAN/URS. Tempe, AZ,USA.

Montanarella, L. (2006). Trends in Land Degrada-tion in Europe. European Commission Joint Rese-arch Centre. Institute for Environment andSustainability.

Raymaekers, D., Bauwens, I., Van Orshoven, J.,Gulinck, H., Engel, B. y Dosselaere, N. (2005).Spectral unmixing of low resolution images formonitoring soil sealing. The International Archi-

91


ves of the Photogrammetry, Remote Sensing andSpatial Information Sciences, Vol.XXXIV, Part 30.

Ridd, M. K. (1995). Exploring a V–I–S (vegetation–impervious surface–soil) model for urban ecos-ystem analysis through remote sensing:comparative anatomy for cities. InternationalJournal of Remote Sensing, 16: 2165– 2185.

Sánchez, B., Moral, F., González, A. y Escudero, R.(2009). Proyecto FTS Soil Sealing (Sellado delsuelo) en España y Portugal. XIII Congreso Nacio-nal de Teledetección. Calatayud, España: 245-248.

Sobrino, J. A. (Ed.). (2000). Teledetección. Valen-cia: Universitat de Valencia.

Sulzer, W. y Kern, K. (2009). Derivation of multi-temporal soil sealing maps using high resolutionAirborne Thematic Mapper (ATM) imagery and anexamination of their usefulness in town planning.EARSeL eProceedings, 8(1): 1-10.

Weng, Q. (Ed.) (2007). Remote Sensing of Imper-vious Surfaces. Florida: CRC Press/Taylor andFrancis.

Wu, C. (2004). Normalized spectral mixture analy-sis for monitoring urban composition using ETM+imagery. Remote Sensing of Environment, 93:480–492.

Wu, C., y Murray, A. T. (2003). Estimating imper-vious surface distribution by spectral mixtureanalysis. Remote Sensing of Environment, 84:493–505.

Zhang, J., y Foody, G. M. (2001). Fully-fuzzy super-vised classification of suburban land cover fromremotely sensed imagery: Statistical neural net-work approaches. International Journal of RemoteSensing, 22: 615–628.

Zeng, Y., Schaepman, M.E., Wu, B., Clevers,J.G.P.W., y Bregt, A. (2007). Spectral Linear MixingModel for Endmember Extraction Using High Spa-tial Resolution and Hyperspectral Data. The Inter-national Archives of the Photogrammetry, RemoteSensing and Spatial Information Sciences, Vol.XXXVI, Part 7/C50, pp. 6.


92

estimaciÓn del sellado del suelo mediante tÉcnicas de ... · 2007), los algoritmos de...

Documents