metodología para detectar cambios en el uso de la … · de caso piedemonte de villavicencio, meta...
TRANSCRIPT
Metodología para detectar cambios en el uso de la tierra utilizando los principios de la clasificación orientada a objetos, estudio de caso piedemonte de Villavicencio, Meta
Andrés Felipe Rodríguez Vásquez
Universidad Nacional de Colombia
Facultad de Ingeniería Agronómica
Bogotá D.C., Colombia
2011
II
Metodología para detectar cambios en el uso de la tierra utilizando los principios de la clasificación orientada a objetos, estudio de caso piedemonte de Villavicencio, Meta
Andrés Felipe Rodríguez Vásquez
Ingeniero Agrícola
Tesis presentada como requisito parcial para optar al título de:
Magister en Geomática
Director (a):
Doctora Sc. Yolanda Rubiano Sanabria
Línea de Investigación:
Geoinformación para el uso sustentable de los recursos naturales
Universidad Nacional de Colombia
Facultad de Ingeniería Agronómica
Bogotá D.C., Colombia
2011
“Ab imo pectore”, dedico esta tesis a mis
PADRES, TÍAS Y HERMANOS, por
haberme apoyado en el transcurso de la
pertenencia y en el esfuerzo que incurrió
cada renglón del presente escrito.
"Verba volant,
scripta manent"
Las palabras se las lleva el viento,
lo escrito permanece.
V
Agradecimientos
Al Ministerio de Agricultura y Desarrollo Rural por la financiación de la tesis en el marco del
proyecto ―Línea base de indicadores de calidad del suelo para determinar el efecto de las
variaciones climáticas en los sistemas agrícolas del piedemonte llanero‖. Ejecutado
conjuntamente por la Universidad Nacional, Corpoica y Fundallanura.
A los científicos y personal técnico y de campo del centro de investigación CORPOICA –
“La Libertad”, por su incondicional apoyo.
A las personas nombradas a continuación que colaboraron directa e indirectamente con el
desarrollo de la presente investigación:
Dra. Yolanda Rubiano,
Ing. Jesús Camacho,
Ing. Cesar Cortés,
Ing. Jorge Romero,
Ing. Jaime Bernal,
Ing. Juan Alejandro Garzón,
Ing. Claudia Ospina
Ing. Carlos Zarate
VI
VII
Resumen
En la investigación se presenta una metodología que emplea los principios de la ―Clasificación
Orientada a Objetos‖, con el propósito de determinar, cuantificar y visualizar, las coberturas y
usos de la tierra para mapear el cambio ocurrido en un lapso de 17 años, en el piedemonte
depositacional del municipio de Villavicencio en el departamento del Meta. La metodología
se aplicó para las imágenes del sensor Landsat, para los años 1986 y 2003. El programa a
utilizar fue ENVI versión 4.6, con el módulo de ENVI ZOOM. Con la clasificación utilizada
fue posible delimitar las áreas de tres coberturas: bosques (9.304, 5 ha – 1986 y 2.083,8 ha –
2003), bosques de galería (3.581,5 ha – 1986 y 2.597 ha – 2003) y palma africana (110, 39 -
1986 y 218,88 – 2003), con el cambio de uso (bosques: -77.6% y bosques de galería en -27,5
%), a partir de una imagen satelital con resolución espacial media. Los resultados de la
validación de la clasificación en la imagen del año 2003, indicaron que fueron aceptables
(Coeficiente Kappa = 0.365). De acuerdo a los resultados de la investigación, la clasificación
orientada a objetos, puede ser una alternativa eficiente y precisa a implementar para clasificar
imágenes de sensores, cuando se requiere delimitar una cobertura específica.
Palabras clave: clasificación orientada a objetos, coberturas, cambio de uso, ENVI
ZOOM, bosques, bosques de galería.
VIII
Abstract
The research presents a methodology that employs the principles of "Object-Oriented Classification," with
the purpose of identify, quantify and visualize the covers and land uses for mapping the change in a period of
17 years, in the piedmont with depositacional environments of the municipality of Villavicencio in the
department of Meta. The methodology was applied to Landsat images from 1986 and 2003. The software
used was ENVI version 4.6, with the module ENVI ZOOM. With the classification was possible to
delimit three cover: forests (9304, 5 ha - 1986 and 2083.8 ha - 2003), gallery forests (3581.5 ha - 1986
and 2597 ha - 2003) and palm (110,4 - 1.986 and 218.9 ha – 2.003) with the change of use (forests: -
77.6% and gallery forests in -27.5%), from a satellite image with medium spatial resolution. The results of
the validation of image classification from 2003, indicated that was acceptable (Kappa coefficient = 0.365).
According to the results of research, object-oriented classification can be an efficient and accurate
implementation of sensors to classify images, when required to delineate a specific coverage.
Keywords: Object-oriented classification, cover land, changes of use, ENVI Zoom, forests, gallery
forests.
.
Contenido IX
Contenido
Pág.
Resumen ................................................................................................................................... VII
Abstract ................................................................................................................................... VIII
Lista de figuras .......................................................................................................................... XI
Lista de tablas ......................................................................................................................... XIII
Introducción ............................................................................................................................... 15
1. Marco Teórico..................................................................................................................... 19 1.1 Los sensores remotos en los mapas de cobertura de la tierra ........................... 19
1.1.1 La escala en los sistemas de información geográfica .................................... 20 1.2 Cobertura y uso de la tierra ............................................................................... 22
1.2.1 Aspectos generales ....................................................................................... 22 1.2.2 Determinación de las coberturas de la tierra .................................................. 23
1.3 Métodos de clasificación de imágenes .............................................................. 24 1.3.1 Clasificación basada en el píxel ..................................................................... 24 1.3.2 Clasificación basada en el subpíxel ............................................................... 27 1.3.3 Clasificadores contextuales ........................................................................... 27 1.3.4 Clasificadores basados por campo ................................................................ 27
1.4 Clasificación Orientada a Objetos ..................................................................... 28 1.4.1 Fraccionamiento o segmentación .................................................................. 31 1.4.2 Combinación de fragmentos .......................................................................... 31 1.4.3 Filtración de segmentos ................................................................................. 32 1.4.4 Selección de atributos.................................................................................... 32
1.5 Validación de la clasificación de imágenes ........................................................ 34 1.5.1 Matriz de confusión ........................................................................................ 35 1.5.2 Coeficiente de Validación Kappa ................................................................... 36
2. Objetivos ............................................................................................................................. 37 2.1 Objetivo General ............................................................................................... 37 2.2 Objetivos Específicos ........................................................................................ 37
3. Generalidades del área de estudio ...................................................................................... 39 3.1 Localización Geográfica .................................................................................... 39 3.2 Generalidades de la zona de estudio ................................................................ 39 3.3 Clima ................................................................................................................. 40 3.4 Vegetación ........................................................................................................ 41
X
3.5 Suelos ................................................................................................................42
4. Metodología ........................................................................................................................45 4.1 Imágenes satelitales y fotografías aéreas ..........................................................47 4.2 Clasificación de Imágenes .................................................................................48 4.3 Reglas de clasificación en ENVI ZOOM .............................................................49 4.4 Validación de la clasificación .............................................................................49 4.5 Mapa de cambio de uso de la tierra ...................................................................50
5. Resultados y discusiones..................................................................................................... 51 5.1 Metodología de clasificación de imágenes de sensores remotos, para determinar la cobertura y uso del suelo y los cambios ...................................................................51
5.1.1 Segmentación de la imagen ...........................................................................53 5.1.2 Selección de las coberturas............................................................................58 5.1.3 Selección de la muestra .................................................................................64 5.1.4 Asignación de reglas para la clasificación de objetos .....................................70
5.2 Validación de la Clasificación .............................................................................72 5.3 Cambio de uso de las coberturas del suelo........................................................74
6. Conclusiones .......................................................................................................................79
Bibliografía ................................................................................................................................. 81
Lista de Anexos ........................................................................................................................... 91
Contenido XI
Lista de figuras
Pág. Figura 1-1: Rangos del espectro electromagnético utilizadas para la discriminación de objetos en
percepción remota .................................................................................................................... 20
Figura 1-2: Diagrama general para la clasificación de imágenes orientada objetos ............................ 30
Figura 3-1: Localización geográfica del área de estudio (coordenadas planas: Datum Magna-Sirgas,
origen Este; coordenadas geográficas: WGS84) .................................................................. 39
Figura 3-2: Unidades de suelos del piedemonte depositacional (IGAC, 2005) ................................... 43
Figura 4-1: Metodología general para el desarrollo de la investigación ................................................ 45
Figura 4-2: Distribución de áreas de escenas de imágenes del sensor Landsat (izquierdo);
localización de ortofotomosaico en la zona de estudio (derecha). .................................... 47
Figura 4-3: Distribución de fotografías aéreas para el ortofotomosaico de la zona de estudio ........ 48
Figura 4-4: Procedimiento global para la detección de cambios en las coberturas de la tierra ......... 50
Figura 5-1: Metodología para la determinación de coberturas y uso de la tierra y su cambio
aplicando la clasificación orientada a objetos. ...................................................................... 52
Figura 5-2: Procedimiento metodológico para selección de variables de la clasificación orientada a
objetos (COO) ........................................................................................................................... 53
Figura 5-3: Captura de pantalla de ENVI ZOOM para visualizar la zona de inspección
seleccionada ............................................................................................................................... 54
Figura 5-4: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 20 ......... 55
Figura 5-5: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 40
(izquierda), y rango de 60 (derecha) ....................................................................................... 55
Figura 5-6: Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 40 ............. 56
Figura 5-7: Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 50 ............. 57
Figura 5-8: Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 80 ............. 57
Figura 5-9: Capturas de pantalla de ENVI ZOOM para combinación de fragmento 95 ................. 58
Figura 5-10: Delimitación de cobertura y uso de la zona de estudio (parte superior) y escenas
detalladas del piedemonte depositacional.(parate inferior) ................................................ 59
Figura 5-11: Estadísticas a nivel general de la interpretación a partir del ortofotomosaico ................ 59
Figura 5-12: Estadísticas de las coberturas de ―Territorios Artificializados‖ ........................................ 60
Figura 5-13: Estadísticas de las coberturas de ―Territorios Agrícolas‖ .................................................. 61
Figura 5-14: Estadísticas de las coberturas de los ―Bosques y Áreas Naturales‖ .................................. 62
Figura 5-15: Ejemplo de Coberturas delimitadas con aspectos socioeconómicos ............................... 63
Figura 5-16: Estadísticas generalizadas, incluyendo las coberturas seleccionadas palma, bosque y
bosque de galería para la clasificación orientada a objetos. ................................................ 63
Figura 5-17: Polígonos utilizados para seleccionar los valores de las variables espectrales y espaciales
de la clasificación orientada a objetos. ................................................................................... 65
XII
Figura 5-18: Ejemplos de redondez (línea verde) y elongación (línea amarilla) para bosques de
galería .......................................................................................................................................... 66
Figura 5-19: Ejemplo de forma rectangular (color verde), y elongación para la Palma ....................... 67
Figura 5-20: Captura de pantalla de la definición de reglas del módulo de ENVI ZOOM ............... 67
Figura 5-21: Procedimiento para determinar las variables a tener en cuenta para generar las reglas
que clasifican el objeto. ............................................................................................................ 68
Figura 5-22: Variables y valores que definieron la clasificación de los objetos ..................................... 71
Figura 5-23: Ejemplo de comparación de las exactitud de las clasificaciones obtenidas del
ortofotomosaico (línea amarilla y la del sensor Landsat (línea roja) ................................ 73
Figura 5-24: Captura de pantalla de ENVI, clasificación orientada a objetos para la escena de la
fecha 2 de la imagen satelital del sensor Landsat................................................................. 75
Figura 5-25: Imagen del Anexo 8, cambio de uso de la tierra (mapa binario) ...................................... 76
Contenido XIII
Lista de tablas
Pág.
Tabla 1-1: Resolución de algunos sensores remotos (WULDER et al., 2008) ............................. 22
Tabla 1-2: Algunos métodos de clasificación supervisada de imágenes en la década 2000-2010. .... 25
Tabla 1-3: Algunos métodos de clasificación no supervisada de imágenes en la década 2000-2010. 25
Tabla 1-4: Atributos espaciales que definen un objeto para el programa ENVI ......................... 33
Tabla 1-5: Tipos de exactitud para la validación de clasificación de imágenes ............................ 35
Tabla 1-6: Categoría de concordancias de validación para el coeficiente Kappa (CERDA &
VILLARROEL , 2008) ..................................................................................... 36
Tabla 3-1: Especies gramíneas, arbustivas y arbóreas reportados para la zona de estudio ............. 41
Tabla 3-2: Descripción de las unidades de suelos del piedemonte depositacional (IGAC, 2005) ... 43
Tabla 4-1: Información recopilada del área de estudio ........................................................... 46
Tabla 4-2: Parámetros de imágenes del sensor Landsat, tomados del Servicio de Geología de
Estados Unidos ............................................................................................... 48
Tabla 5-1: Variables y valores que definieron la clasificación de los objetos ............................... 71
Tabla 5-2: Matriz de confusión de las clasificaciones de las imágenes ....................................... 72
Tabla 5-3: Exactitud de usuario y de productor según la matriz de confusión ............................ 72
Tabla 5-4: Matriz de confusión de las clasificaciones de las imágenes ....................................... 74
Tabla 5-5: Porcentaje de cambio de las coberturas en estudio ................................................. 75
Introducción
La detección de los cambios que ocurren a través del tiempo en la superficie terrestre
(coberturas, suelos, clima, uso de la tierra, entre otras), ha sido uno de los procesos espaciales
que más le ha interesado al hombre cuantificar. En términos generales, es definida por
SINGH (1989), como: ―el proceso que identifica las diferencias en el estado de un objeto o
fenómeno‖ por medio de la observación a diferentes escalas temporales, siendo un factor
indispensable para la supervisión y manejo de los recursos naturales. (SANTANA et al., 2010;
GAMANYA et al., 2009), ya que permite cuantificar su distribución espacial.
Se han desarrollado múltiples aplicaciones que buscan detectar los cambios de uso en
coberturas del suelo (SANTANA et al., 2010), apoyadas en la clasificación de productos
provenientes de sensores remotos, que regularmente, utilizan la agrupación de píxeles1, a
partir de parámetros estadísticos y que ignoran las relaciones y características espaciales que
puede contener dicho grupo. Esto conlleva a la subutilización de la información de las
imágenes de satélite, al no considerar el análisis de vecindad, la escala, la funcionalidad y las
características propias que definen un objeto en el espacio (BLASCHKE, 2004).
GAMANYA et al., (2009), reportan el desarrollo y aplicación de diversos algoritmos para la
clasificación de coberturas con sensores remotos, valiéndose de los valores espectrales que
representa un píxel y agrupados en dos tipos de clasificación ―Supervisada y No Supervisada‖
(SANTOS, 2007).
1 Píxel, del inglés pixel, es la superficie homogénea más pequeña de las que se compone una imagen, definido por brillo y color. Diccionario de la Real Academia Española, Vigésima segunda edición.
16
La clasificación orientada a objetos, conocida como OBIA ―Object Based Imagen Analysis‖ o
GEOBIA ―Geospatial Object Based Image Analysis‖ (BLASCHKE, 2010), es un mejorado y
reciente sistema de clasificación de imágenes satelitales que se fundamenta en el uso de
parámetros o variables de entrada, como información adicional al valor espectral que
representa un objeto (SANTOS, 2007). Los elementos que se estudian dentro de la
clasificación, no son analizados exclusivamente por su componente espectral, también toman
en consideración los factores geométricos de forma que definen un objeto, de tal modo, que
se aumentan los criterios de búsqueda y clasificación de una cobertura terrestre en particular,
con opciones adicionales que discriminan las variables de selección que la representan
(SANTOS, 2007; LEWINSKI & ZAREMSKI, 2004).
Los métodos convencionales de clasificación, requieren de la experticia y conocimiento
técnico en procesamiento digital de imágenes. La clasificación orientada objetos, necesita
además, reconocer sus atributos geométricos (BLASCHKE, 2010; SANTOS, 2007) y para
lograrlo, se hace necesario contar con programas y metodologías que faciliten la aplicación de
esta técnica y que estén al alcance de los usuarios de manera más amigable y económica.
En Colombia, existe un interés creciente de cuantificar los cambios en la cobertura superficial,
que ocurren por cuenta de la presión ejercida por actividades antrópicas y que regularmente se
expresan en procesos de deforestación acelerada (ETTER et al., 2006). Estos cambios,
pueden ser utilizados como indicadores, particularmente, como indicador de presión cambio
en el uso de la tierra (SUMMER et al., 2009; MAIRURA et al., 2007) y asociados a uno de los
fenómenos considerado como responsable de las emisiones de gases efecto invernadero en el
contexto de cambio climático (POORTINGA et al., 2011).
Instituciones dedicadas a cartografiar los recursos naturales suelo, clima, vegetación y uso,
entre otros, han adelantado iniciativas para determinar: uso actual y conflictos de uso del
territorio nacional, IGAC-CORPOICA (2002) mediante la interpretación de imágenes de
satélite. Más recientemente, cobertura y uso actual escala 1:100.000 con la metodología
CORINE Land Cover, homologada para Colombia, realizada a partir de la interpretación
visual de imágenes satelitales del sensor Landsat (IDEAM, 2010).
Introducción 17
En el Municipio de Villavicencio, los trabajos enfocados a determinar variaciones temporales
en el uso de la tierra, son escasos y están concentrados a determinar las variaciones
urbanísticas. Para la zona rural, particularmente para el área del piedemonte depositacional no
se reportan estudios de dinámica de cambios en el uso de la tierra. Tampoco, se encuentran
reportes del uso de la metodología de clasificación de imágenes orientada a objetos para algún
lugar del país utilizando el programa ENVI.
En razón a lo expuesto, el objetivo general de esta investigación fue desarrollar una
metodología de clasificación de imágenes de sensores remotos, para determinar la cobertura y
uso del suelo y los cambios temporales ocurridos en la misma, en el piedemonte
depositacional del municipio de Villavicencio.
18
1. Marco Teórico
1.1 Los sensores remotos en los mapas de cobertura de la tierra
El origen de la percepción remota es muy discutido a nivel mundial, pero se condiciona a
nivel general con el surgimiento de los sensores fotográficos; NOVO (2002) lo define
textualmente como: ―la tecnología que permite la adquisición de información de objetos, sin
tener un contacto físico con ellos‖.
En el estudio de la cobertura vegetal y el uso de la tierra, los sensores remotos juegan un papel
importante en términos de la adquisición de datos, por la capacidad que ofrecen para entregar
información multitemporal, determinada por la frecuencia de toma de datos, que posibilita la
cuantificación y el seguimiento de los cambios que ocurren en las coberturas objeto de estudio
(ETTER et al., 2006; CASTILLA, 2003; ALMEIDA-FILHO & SHIMABUKURO, 2002). Y,
en el análisis de la información a través del análisis de la respuestas espectral de los objetos
(Figura 1-1), siendo posible discriminar elementos que, en el pasado, no podían ser detectados
por el ojo humano (NOVO, 2002).
20
Figura 1-1: Rangos del espectro electromagnético utilizadas para la discriminación de
objetos en percepción remota
La diversidad de los sensores remotos en cuanto a la resolución espacial y temporal es uno de
los cuestionamientos que priman en el momento de generar un análisis espacial, es por esta
razón que las imágenes de satélite del sensor Landsat han sido las más utilizadas para mapear
las coberturas del suelo, siendo un recurso ideal para investigaciones de observación y
monitoreo de la tierra, enfocado a los recursos naturales, esto debido a la alta frecuencia en la
toma de datos a nivel mundial y por su periodo de permanencia en el espacio, durante las
últimas cuatro décadas, sin descartar como complemento la utilización de las fotografías
aéreas, a causa de la alta resolución espacial (KNORN et al., 2009, VICENTE-SERRANO et
al., 2008, WULDER et al., 2008; KUEMMERLE et al., 2008; COHEN & GOWARD, 2004,
ARDVISON et al., 2001).
1.1.1 La escala en los sistemas de información geográfica
La definición de ―la escala‖ dependen del contexto y la disciplina en el cual se está
investigando (GOODCHILD, 2001). En este trabajo se adoptó el término de escala
cartográfica que establece una relación directa entre el tamaño de un objeto caracterizado en
un sistema coordenado, respecto su tamaño en el terreno real (CASTILLA, 2003;
GOODCHILD, 2001). GONZÁLEZ, (2005) discrimina la manera de representar el tamaño
Capitulo 1. Marco Teórico 21
del objeto con la jerarquización de las escalas, denominando pequeñas, a aquellas en las cuales
los objetos son representados de manera general o exploratoria y grandes a aquellas en donde
los objetos son representados en alto detalle.
Debido a los avances tecnológicos y a la introducción de los Sistemas de Información
Geográficas – SIG, para el manejo de la información espacial, es necesario definir la escala,
como punto de partida para el análisis en una investigación. Es común, referirse a las escalas
numéricas enteras en los mapas análogos, fotografías e impresiones, para facilitar la
conversión de medidas respecto al terreno real; en tanto que los sistemas indican la escala
digital y las conversiones son automáticamente suministradas por él. Los SIG, involucran un
término reciente denominado: ―multi-escala‖, que hace referencia a la interacción de
diferentes escalas, en un entorno digital y sistematizado (BEHNRENS et al., 2010;
BLASCHKE & HAY, 2001).
En el contexto de la imágenes de sensores remotos, la multi-escala soporta dos conceptos:
resolución espacial y extensión espacial, utilizados para los SIG y telemática (GOODCHILD,
2001).
La resolución espacial, se refiere al tamaño máximo de un objeto capturado por un sensor,
almacenado en un píxel. WENG (2009), lo define textualmente como: ―la resolución espacial
es una medida de la mínima distancia entre dos objetos, que pueden ser diferenciados, uno del
otro, en una imagen en función de la altitud del sensor, tamaño del detector, tamaño focal y la
configuración del sistema.‖
En síntesis la resolución espacial define el nivel de detalle espacial de un objeto respecto a la
superficie de la tierra (WENG, 2009). A mayor número de píxeles en un área determinada,
mayor es el detalle de los objetos a distinguir. Este concepto es único para cada sensor
remoto, y de ello depende en gran parte el tamaño de la información obtenida y el costo de
adquisición de la imagen satelital. La extensión espacial, representa la cantidad de información
del proyecto a trabajar, en una unidad de medida de área determinada (WENG, 2009), el cual
también depende de cada sensor remoto.
La resolución espacial y temporal, se distinguen en tres rangos: alta, media y baja resolución,
independiente del tipo de sensor (WULDER et al., 2008), Tabla 1-1.
22
Tabla 1-1: Resolución de algunos sensores remotos (WULDER et al., 2008)
Rango de sensor Sensor Extensión espacial
máxima por toma del sensor (km2)
Resolución espacial (m)*
Baja Resolución
(>100 m)
NOAA 17
(AVHRR)
SPOT 4 (VGT)
Terra (MODIS)
2940
2250
2330
1100
1000
500
Media Resolución
(10 -100 m)
Landsat -5 (TM)
Landsat -7 (ETM+)
SPOT 2 (HRV)
SPOT 4 (HRVIR)
SPOT 5 (HRG)
IRS (ResourceSat-1)
Terra (ASTER)
CBERS-1 and -2
EO-1 (Hyperion)
185
185
60
60
60
141
60
120
37
30
30 (MS/SWIR);
15 (pan)
20 (MS); 10 (pan)
20
10 (MS); 20 (SWIR)
23,5
15
20
30
Alta Resolución
(<10 m)
Orbview-S
QuickBird-2
IKONOS
8
16.5
13.8
4 (MS); 1 (pan)
2.44 (MS); 0.6 (pan)
4 (MS); 1 (pan)
* MS = Multiespectral SWIR = Infrarrojo cercano pan = Pancromático
1.2 Cobertura y uso de la tierra
1.2.1 Aspectos generales
Los sistemas ecológicos, están constituidos por una parte visible, estructura y composición,
llamado ―fenosistema‖; y por otra parte no visible, denominada ―criptosistema‖. La
identificación, delimitación y caracterización general de los diferentes tipos de ecosistemas se
realiza a través de los aspectos constituyentes del fenosistema, que hace referencia a la
morfología de la superficie terrestre, geoforma y su recubrimiento, cobertura terrestre (agua,
suelo desnudo, hielo, cobertura vegetal), siendo éste último, en el que se enfoca la
investigación.
La cobertura terrestre se reconoce mediante dos términos: cobertura y uso de la tierra. El
primero, hace referencia a los aspectos presentes de la superficie de la tierra, independiente de
Capitulo 1. Marco Teórico 23
su origen (natural o antrópico) involucra la fisonomía y composición de la cobertura vegetal,
que son modelados espacialmente de forma continua (gradientes) o discreta (mosaico),
representados a partir de mapas temáticos donde ilustran la variación de la superficie de
acuerdo a un nivel de abstracción (CASTILLA, 2003). El segundo término, se aplica a los
tipos de ocupación o utilización que de una cobertura hace el hombre, de forma temporal o
permanente. (ETTER, 1991).
1.2.2 Determinación de las coberturas de la tierra
En los últimos años, la metodología más usada para clasificar las coberturas y usos del suelo,
es la europea denominada ―CORINE (Coordination of information of the Environment) Land Cover‖,
que surgió a partir de un proyecto iniciado en 1985 para los países de la unión Europea, con el
fin de capturar datos de tipo numérico y espacial, generando una base de datos de Europa, a
escala 1:100.000, basados en las imágenes del satélite LANDSAT (EZQUERRA et al., 1998).
En Colombia, esta metodología fue adaptada en el año 2006, para la cuenca Magdalena –
Cauca, convenio Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM),
Corporación Autónoma Regional del Río Grande de la Magdalena (CORMAGDALENA) y el
Instituto Geográfico Agustín Codazzi (IGAC). Se estructuró la clasificación de las coberturas
y usos de la tierra, escala 1:100.000, con imágenes satelitales del sensor Landsat.
Independiente del método utilizado para identificar las coberturas y usos de la tierra con los
productos de sensores remotos, en Colombia se lleva a cabo en tres fases: 1) selección de la
fuente de visualización (imagen, escala), 2) estructuración de leyenda preliminar de cobertura y
uso y 3) captura digital de la cobertura (IGAC, 2010), con el propósito de generar el mapa de
coberturas y usos de la tierra de Colombia.
La determinación y cuantificación de la cobertura y uso de la tierra, incluye los cambios que
ocurren en ésta en el espacio y el tiempo y adicionalmente, las interacciones con la sociedad,
fundamentales para predecir el dinamismo que existe entre los componentes de un paisaje
(DUPUY et al., 2007)
24
1.3 Métodos de clasificación de imágenes
Una imagen obtenida por un sensor remoto, se puede definir como una matriz rectangular,
compuesta por un número determinado de píxeles, que representan un área específica en el
espacio, que a su vez representa un valor de energía electromagnética emitida por una
superficie particular.
La clasificación de imágenes satelitales ha sido utilizada para diferentes propósitos, con un
único objetivo: agrupar o zonificar los píxeles de una imagen, para delimitar una clase temática
de interés a priori (GAMANYA et al., 2009; BOCK et al., 2005; LEWINSKI & ZAREMSKI,
2004; LALIBERTE et al., 2004).
En los últimos años se han utilizado distintas tecnologías computacionales para la clasificación
de imágenes como las redes neurales, los sistemas expertos y la lógica difusa. Según WENG
(2009), categoriza los sistemas de clasificación de imágenes en cinco clasificadores basados: en
pixel, en subpixel, contextuales, por campo y los orientados a objetos.
1.3.1 Clasificación basada en el píxel
Los clasificadores basados por pixel, son los más tradicionales debido a su facilidad de
procesamiento, se destacan el ―Supervisado‖ y ―No supervisado‖ (WENG, 2009; LANG et
al., 2008; SANTOS, 2007; BOCK et al., 2005; LEWINSKY & ZERIMSKI, 2004). Utilizan
algoritmos que se basan en los valores espectrales de reflectancia y emitancia (GUNTLI,
2006), compendiados en grupos de píxeles que representan una clase de la clasificación.
En la última década, diferentes autores han investigado y desarrollado metodologías o
algoritmos concernientes a la clasificación de imágenes, fundamentados en la información
espectral contenida en una imagen (Tabla 1-2 y Tabla 1-3), tratando de concertar alternativas,
que minimizan el error de la clasificación, confrontado con la realidad.
Capitulo 1. Marco Teórico 25
Tabla 1-2: Algunos métodos de clasificación supervisada de imágenes en la década 2000-2010.
M. clasificación supervisada Autor que lo cita
Redes neuronales VALOUS et al., 2010
Vecino más cercano SAMSUDIN & BRADLEY, 2010
Clasifcador Malhanobis SOUTH et al., 2003
Máxima vecindad SOUTH et al., 2003
Máxima distancia SOUTH et al , 2003
Ángulo del coseno SOUTH et al., 2003
Clasificador espectral y espacial DE JONG et al., 2001
Tabla 1-3: Algunos métodos de clasificación no supervisada de imágenes en la década 2000-2010.
M. clasificación no supervisada Autor que lo cita
Self-Organizing Map neural network PANDIT et al, 2011
Clúster media de K PANDIT et al, 2011
Self-Organizing Map training PANDIT et al, 2011
Basada en Fractales PANT et al., 2010
Clúster modificado de Markov SZILÁGYI et al., 2010
Wavelets OTAZU et al., 2001
Clasificación Supervisada
La clasificación supervisada se fundamenta en el previo conocimiento de las clases y de
estadísticos que se relacionan a cada clase espectral de la imagen. (ROJAS & ORTIZ, 2009).
Para LANG, et al. (2008) consta de dos (2) fases: entrenamiento y asignación. En la fase 1, el
investigador, realiza un reconocimiento general de las áreas a estudiar, determinando patrones
de formas y colores relacionadas a una clase, entrenando el conjunto de píxeles a cada clase
encontrada, desarrolla una descripción numérica de las características espectrales de las bandas
que discriminan los grupos de píxeles que pertenecen a una misma clase mediante la
generación de sus firmas espectrales (ARANGO et al., 2005). En la fase 2, se asigna una lista
de clases o nombres a cada patrón observado, generando mediante algoritmos una
clasificación general de la imagen.
26
Los programas que realizan la clasificación, generalmente utilizan el algoritmo de máxima
verosimilitud, procedimiento estadístico aplicado a imágenes, que consiste en determinar para
cada clase entrenada, un vector medio y una matriz de co-varianza, asumiendo que el nivel
digital relacionado a cada clase se ajusta a una distribución normal, de esta manera para cada
píxel, se determina la probabilidad de asignación a cada clase previamente determinada.
(MARCELINO et al., 2009; ROJAS & ORTIZ, 2009; VALEIRO et al., 2008; SHIBA et al.,
2005; CHUVIECO, 2000; SÁ et al., 1996).
De acuerdo con (LANG et al., 2008; ARANGO et al., 2005, SHIBA et al., 2005) la precisión de
la clasificación supervisada, tiene algún nivel de subjetividad que está dada por el
entrenamiento de los datos, por tanto afecta el resultado final de la clasificación, el cual es
responsable el investigador.
Clasificación no supervisada
La clasificación no supervisada, agrupa píxeles de manera automática a una clase que no ha
sido entrenada previamente, tiene en cuenta parámetros estadísticos, que buscan minimizar las
desviaciones de las clases y maximizar la distancia al centro de cada grupo de píxeles
encontrados. (MACEDO-CRUZ et al., 2010; LANG et al., 2008). El método es utilizado para
aquellas áreas donde no se conoce detalles de la zona de estudio, generando un número
arbitrario de clases consideradas por el investigador.
El algoritmo más utilizado para la clasificación es el ―ISODATA‖, proveniente de ―Iterative
Self-Organizinig Data Analysis Technique‖ (VALEIRO et al., 2008; FIGUEIREDO & DE
CARVALHO, 2007; GUNTLI, 2006; GODOY et al., 2006; SHIBA et al., 2005), consiste en
determinar la distancia espectral mínima para formar agrupaciones de píxeles que representan
las clases.
El método empieza con una agrupación promedio al azar de un conjunto de firmas
espectrales, al repetirse el proceso de agrupación, el nuevo promedio es utilizado para la
siguiente iteración, esto se hace consecutivamente, hasta que se realiza el máximo de
iteraciones o se alcanza el máximo porcentaje de asignación de píxeles no combinados entre
dos iteraciones.
Capitulo 1. Marco Teórico 27
1.3.2 Clasificación basada en el subpíxel
La clasificación ―basada en el subpixel‖, fue citada a comienzos de 1970, e impulsada
comercialmente para la interpretación de las imágenes satelitales de alta resolución espacial
como IKONOS y QUICKBIRD (SILVAN, 2010).
Esta metodología asume que la información espectral de cada pixel es la combinación lineal o
no lineal de un grupo de materiales puros (vegetación, suelo, etc.) (WENG, 2009), es decir un
píxel está definido por un conjunto de valores espectrales que representan más de un objeto,
existiendo la relación mucho a muchos, caso diferente a la clasificación basada en pixel, el cual
es uno a muchos.
Autores como SILVAN (2010), WENG (2009) y LU & WENG (2007), mencionan y
describen las características de diferentes clasificadores subpixel, tales como: ángulo espectral,
esperanza – maximización, C-medias difuso, demezclado espectral no lineal entre varios.
1.3.3 Clasificadores contextuales
Es una técnica de clasificación de imágenes, que considerada conjuntamente las características
espectrales y espaciales de la imagen, (GONZÁLEZ & LÓPEZ, 1991), éste clasificador tiene
en cuenta la información de la vecindad, mejorando, suavizando y homogenizando los
resultados de cualquier tipo de clasificación, siendo útil para la clasificación de imágenes de
alta resolución (LU & WENG, 2009; GONZÁLEZ & LÓPEZ, 1991).
Ésta metodología ha sido usada por diferentes algoritmos y clasificadores para mejorar la
precisión de la clasificación, como la clasificación orientada a objetos, que es uno de los
parámetros importantes para el proceso de la segmentación. (LU & WENG, 2009)
1.3.4 Clasificadores basados por campo
Los clasificadores ―basados por campo‖ de la traducción en ingles de ―Per-field-based classifiers”,
utiliza la combinación de datos de tipo matricial (raster) con los vectoriales, a través de los
sistemas de información geográficas, reduciendo los ruidos causados en otras clasificaciones
debido a la diversidad de los paisajes en las coberturas de la tierra. (LU & WENG, 2009)
28
El método consiste en subdividir una imagen en parcelas, utilizando la información vectorial,
cada una de ellas, será la mínima unidad de la clasificación, de esta forma evita las variaciones
de la información espectral de cada clase (WENG, 2009; LU & WENG, 2009), esta
clasificación es muy similar a la ―orientada por objetos‖ metodológicamente, ya que se basa en
los límites de la información vectorial de la parcelación y la otra en la información propia de
cada objeto para la segmentación, tema es tratado más a fondo a continuación.
1.4 Clasificación Orientada a Objetos
La clasificación orienta a objetos es una metodología reciente que está en proceso de
evolución, (PEREA et al., 2009), siendo un método alternativo para la determinación de
coberturas, a través de la clasificación de imágenes.
Se enfoca en encontrar un objeto (relación muchos a uno – píxeles a objeto y no por píxel
como se realiza en la clasificación ―per-pixel‖) utilizando las formas geométricas, la
información espectral y el análisis de vecindad definidos para un objeto en particular. El
objeto es referido a la cobertura que se desea extraer de una clasificación.
Éste tipo de clasificadores, no se basa exclusivamente en la información espectral que
contiene un píxel, adicionalmente tiene en cuenta, las relaciones de formas y continuidades
espaciales que se presenta para un objeto particular, aumentando los criterios y variables de la
clasificación. En el proceso de la determinación de los objetos, la ―escala‖ determina la
presencia o ausencia de las clases, de tal manera que el tamaño del mismo afectaría el tamaño
de la clasificación. (PEREA et al., 2009; TANSEY et al., 2009; SHATTRI et al., 2008; YANG
et al., 2003; SANTOS, 2007; GUNTLI, 2006; LEWINSKY Y ZAREMNSKI, 2004;
WALTER, 2004).
La clasificación ha sido utilizada durante las últimas dos décadas, para determinar patrones
específicos de una imagen, definiendo ―el objeto‖ como, el conjunto de píxeles que enmarcan
un solo contexto, tales como: edificaciones, zonas urbanas, puentes, caminos, coberturas,
cultivos, bosques, minas, entre otras, ayudando de forma global, a la diferenciación entre los
objetos que contiene una imagen. (GAMANYA et al., 2009; HESE & SCHUMULLINS,
2009; TANSEY et al., 2009; ANTONARAKIS et al., 2008; CONCHEDDA et al., 2008;
Capitulo 1. Marco Teórico 29
JACQUIN et al., 2008; MALLINIS et al., 2008; SHATTRI et al., 2008; XIE et al., 2008;
CLEVE et al., 2007; LANG et al., 2008; LALIBERTE et al., 2007; LU & WENG, 2007,
SANTOS, 2007; DESCLEÉ et al., 2006; BOCK et al., 2005; VAN et al., 2007; LALIBERTE et
al., 2004; YANG et al., 2003; HAY et al., 1996).
(SANTOS, 2007) afirma que los avances tecnológicos de la geomática conllevan aumentos en
la complejidad de análisis de la información espacial y hacen que los procesos de
sistematización y manejo de imágenes de sensores remotos con los SIG sean cada día más
sofisticados y costosos. Las investigaciones de clasificación orientada a objetos, utilizan los
programas, Ecognition, IDRISI y ENVI, con módulos adicionales que proveen algoritmos para
tal fin. (WENG, 2009). Es importante mencionar que en el 97% de los artículos revisados, el
programa más utilizado es el ―Econigtion‖, que ha desarrollado un paquete de algoritmos
completo y versátil que lo ponen a la vanguardia en el análisis del clasificador para tal fin.
En Colombia a la fecha, no se encontraron reportes publicados sobre la utilización de éste
clasificador con del programa ENVI. COSTA et al., (2009) y WENG (2009), mencionan una
clasificación similar, pero ellos utilizan herramientas adicionales al ENVI, como RuleGen, en
el cual utilizan algoritmos estadísticos para determinar y optimizar las variables y componentes
principales que afectan la clasificación.
BLASCHKE (2010) considera ésta clasificación semiautomática, y la divide en dos fases:
Encontrar objetos y clasificar los objetos, teniendo como punto de partida una imagen
(Figura 3-2).
La primera, constituye la identificación de los objetos presentes en la imagen, sin tener
definido uno en particular, realiza una distinción detallada de agrupaciones de píxeles
adyacentes, similar a una clasificación no supervisada, donde el investigador define el tamaño
de la agregación.
Usando el programa ENVI, módulo ENVI ZOOM, la primera fase se subdivide en cuatro
pasos (WENG ,2009; SILVAN, 2007): Fraccionamiento; combinación de fragmentos; filtro
de segmentos y selección de atributos (Figura 1-2), descritos en el acápite siguiente.
30
Figura 1-2: Diagrama general para la clasificación de imágenes orientada objetos
La segunda parte, consiste en definir el ―conjunto de reglas‖ para el objeto a clasificar (similar
a la clasificación supervisada) estableciendo variables de la clasificación, como: los atributos
espectrales, los atributos geométricos y de vecindad que contiene un objeto en particular,
representados a través de la información de una imagen.
IMAGEN SATELITAL (Multiescala)
Fraccionamiento
Combinación de Fragmentos
Filtro de Segmentos
Selección de Atributos
Si
Si
Si
No
No
No
No
Enco
ntr
ar O
bje
tos
Clasificación basada en los
objetos
Generación de Objetos
Si
Si
No
No
Cla
sifi
caci
ón
de
Ob
jeto
s
Reportes y EstadísticasCLASIFICACIÓN
ORIENTADA A OBJETOS
Procesamiento
Condicional Resultados
Datos
Capitulo 1. Marco Teórico 31
1.4.1 Fraccionamiento o segmentación
Radica en seccionar la imagen, en agrupaciones de píxeles adyacentes, con características
pictomorfológicas, equivalentes al proceso realizado por el ojo humano (SANTOS, 2007),
ENVI dispone para ello, del algoritmo ―Edge-Based‖, que tiene en cuenta los bordes o
límites, píxel por píxel, agrupando aquellos con características de color, brillo, tonalidades y
textura, de acuerdo a su vecino más cercano. (BLASCHKE, 2010; LI et al., 2009; LUCAS et
al., 2007; SANTOS, 2007; HAY et al., 2005). Este proceso tiene la ventaja frente a otros
métodos, que involucra la multi - escala, con la fusión de dos imágenes de diferente resolución
espacial, de tal forma que suprime la diferencia de los bordes en diferentes grados de
segmentación. (LU & WENG, 2007)
Para el programa, este paso tiene como criterio agrupar en fragmentos, con un rango de
selección de 0 a 100, entre más cercano a cero sea la selección, la fragmentación de la imagen
será más fina, con un mayor número de agrupaciones; por tanto es necesario tener cuidado en
la selección del valor, pues un fraccionamiento muy detallado, hará que la relación existente
entre los píxeles con sus características principales se pierda, generando un numero N, de
objetos de la imagen.
La fragmentación o segmentación, es el paso más significativo en el proceso de la
clasificación, de él depende el resultado final de la identificación del objeto con la realidad
(COSTA et al., 2009; LI et al., 2009; SANTOS, 2007; BLASCHKE & HAY, 2001).
1.4.2 Combinación de fragmentos
Es un proceso opcional y adicional para dar referencia a la escala, consiste en combinar
aquellas agrupaciones que fueron fraccionados debido a la subestimación del rango
seleccionado del numeral 1.4.1., con un rango de combinación de 0 a 100, entre más alto es el
rango de la escala, las fracciones nuevas serán más grandes que las del paso anterior.
ENVI ZOOM utiliza el algoritmo ―Full Lambda-Schedule‖ (Full λ-Schedule) creado por
ROBINSON et al., (2002), el cual conecta dos regiones, con características espaciales y
espectrales similares, de acuerdo a la ecuación (2.1)
32
Donde Oi y Oj, son agrupaciones o regiones de la imagen, ui y uj, son los promedios de los
valores de la región correspondiente, //ui - uj// es la distancia euclidiana entre los valores
espectrales de la región i y j. y β(∂(Oi,Oj)).
El algoritmo selecciona todas las regiones de pares de vecindades que tienen un tij pequeño,
agrupándolos en una nueva región, así mismo realiza esta operación tantas veces sea necesario
dependiendo del rango seleccionado.
1.4.3 Filtración de segmentos
Es opcional para la extracción de los objetos, se utiliza cuando se desea diferenciar objetos en
particular (ejemplo: nubes, lagos, carreteras), que tienen un alto contraste referente a toda la
imagen, teniendo en cuenta los umbrales del nivel digital, en una banda en particular.
1.4.4 Selección de atributos
Es el proceso en el cual el programa va a tener en cuenta las características intrínsecas de los
objetos para la clasificación.
Los atributos se diferencian en 4 grupos: espaciales., espectrales, texturales, y diferenciales.
Los atributos espaciales son las variables que miden y se relacionan con la forma, la geometría,
el tamaño y la relación que puede existir entre ellas, concernidas directamente con el objeto a
estudiar (SANTOS, 2007), donde ENVI ZOOM las define en catorce atributos (Tabla 1-4).
Los atributos espectrales son las variables definidas en estadísticas básicas (máximo, mínimo,
promedio y desviación estándar) computadas a los valores del nivel digital de la banda de una
imagen, para el objeto a identificar.
Capitulo 1. Marco Teórico 33
Tabla 1-4: Atributos espaciales que definen un objeto para el programa ENVI
Atributos Espaciales
Espaciales Descripción Fórmulas
Área Un extensión determinada -
Longitud La longitud del perímetro del objeto incluyendo los agujeros.
-
Compacidad Medida de forma que indica la compacidad del objeto, siendo el circulo la forma más compacta, con valor de 1
Convexidad Mide la convexidad del objeto, 1 si es totalmente convexo, 0 si es totalmente cóncavo
Solidez Mide la solidez de un objeto, teniendo en cuenta la convexidad, 1 si es totalmente convexo
Redondez Medida de forma que compara el área del objeto en relación con el eje mayor, valor de 1 si es un círculo
Factor de forma Medida de forma que compara el área del objeto en relación al perímetro valor de 1 si es un círculo
Elongación Medida de forma que relaciona el eje mayor con el eje menor del objeto, valor de 1 si es cuadrado y >1 si es rectángulo
Forma Rectangular Medida de forma que califica la forma de un rectángulo, valor de 1 si es rectángulo y <1 si se asemeja
Dirección Principal El ángulo subtendido por el eje principal del polígono y el eje x en grados. Valor de 0 a 180 grados.
-
Eje mayor Longitud del eje mayor del objeto -
Eje menor Longitud del eje menor del objeto -
Numero de agujeros Cuenta en número de agujeros, presentes en un objeto
-
Relación con agujeros Es la relación del área del objeto con su contorno exterior, así el valor para un objeto si agujeros será de 1
34
Los atributos texturales corresponden a las variables que cuantifican estadísticas básicas, que
determina la textura: rango, media, varianza, y entropía de una matriz de píxeles, que
representan el objeto, usadas para limitar una operación a un subconjunto de píxeles de la
imagen.
El ejemplo más común, es aquel que permite diferenciar un área de bosques con un área de
pastos, debido a que el primero contiene un alto valor de textura, comparado con el segundo,
pero pueden tener un valor similar en la relación de las bandas del infrarrojo. (AGÜERA et al.,
2008; KAYITAKIRE et al., 2006).
El atributo relacional, realiza la relación de bandas como atributo para la clasificación de un
objeto, teniendo en cuenta la siguiente relación (Ecuación 2.2):
Donde Bi y Bj, corresponde a cualquier banda de una imagen, α es un valor cercano a cero,
para evitar la tendencia al infinito de una fracción. Esta relación se puede realizar para
cualquier par de bandas, de esta manera se convierte en un índice diferencial de vegetación
normalizado (NVDI), si selecciona la banda del rojo e infrarrojo cercano.
Una vez definidos los atributos para encontrar un objeto determinado, se pasa a la segunda
fase, la extracción del o los objetos a estudiar, donde el sistema computa y ejecuta de acuerdo
al conjunto de variables, que se convierten en limites o restricciones, denominados reglas de
decisión.
1.5 Validación de la clasificación de imágenes
Para la validación de métodos de clasificación, SANTOS (2007) y LI et al., (2009) sugieren
realizar el análisis de la exactitud o aciertos de las clasificaciones, comparándola con otra que
el investigador declare como absoluta, proceso realizado utilizando una ―Matriz de
Confusión‖ y el ―Coeficiente Kappa‖.
Capitulo 1. Marco Teórico 35
1.5.1 Matriz de confusión
La matriz de confusión (C) o contingencia, permite comparar dos clasificaciones: una definida
por el usuario como base y la otra, la que se desea evaluar. Se construye una comparación
matricial de clases realizadas de la clasificación, ubicada generalmente en diferentes sectores o
en la totalidad del mapa, confrontando las clases de cada clasificación (LI et al., 2009,
SANTOS, 2007)
Con la matriz de confusión se generan tres tipos de exactitud: exactitud global, exactitud del
usuario, exactitud del productor (LI et al., 2009), definiendo cada uno en la Tabla 1-5.
Tabla 1-5: Tipos de exactitud para la validación de clasificación de imágenes
Exactitud Explicación
Global (EG)
Indica la exactitud del conjunto de las clases del método a evaluar.
, Xii: diagonal mayor de C, N: número total de
puntos de muestreo, r: número de filas de la matriz
De Usuario (EU)
Es la acertamiento de una clase en particular, respecto a toda la clasificación
, Xii: diagonal de dicha fila, Xi+: totales
marginales de la fila i
De Productor (EP)
Es el acertamiento de una clase en particular, respecto a la clasificación a evaluar
, Xii: diagonal de dicha columna, X+i: totales
marginales de la columna i
Las medidas de exactitud mencionadas, solo se basan en resultados parciales de la matriz, por
lo tanto no aprovechan todos los datos en su totalidad, a su vez se toman resultados
aleatorios, que pueden llevar a interpretaciones sesgadas del método. Para corregir los tipos
de exactitud, se utiliza el ―Coeficiente Kappa‖. (LI et al., 2009; SANTOS, 2007; DOU et al.,
2007)
36
1.5.2 Coeficiente de Validación Kappa
Este coeficiente, propuesto por Jacob Cohen en 1960 (DOU et al., 2007), es un estadístico que
mide la concordancia de dos metodologías. Es utilizado para ver la similitud de dos
clasificaciones de imágenes, (LI et al., 2009; DOU et al., 2007), realizado por medio de la
ecuación (2.3):
(2.3)
En donde r es el número de filas en la matriz; xij,, número de píxeles de la fila i, colomuna j, es
decir la diagonal mayor; xi, fila i; xj, columna j y N el total de píxeles de la matriz. El valor de
coeficiente puede variar de 0 a 1, entre más cercano este a 1, quiere decir que la concordancia
de los dos métodos es muy alta. De acuerdo al valor, éste índice se puede categorizar en seis
clases (Tabla 1-6) según CERDA & VILLARROEL (2008), de acuerdo a esta clasificación se
puede rechazar o aceptar la nueva clasificación a evaluar.
Tabla 1-6: Categoría de concordancias de validación para el coeficiente Kappa (CERDA & VILLARROEL , 2008)
Rango Concordancia
0 Nula
0.01 - 0.02 Leve
0.21 - 0.40 Aceptable
0.41 - 0.60 Moderada
0.61 - 0.80 Considerable
0.81 - 1.00 Casi perfecta
2. Objetivos
2.1 Objetivo General
Desarrollar una metodología de clasificación de imágenes de sensores remotos, para
determinar la cobertura y uso del suelo y los cambios, en el piedemonte depositacional del
municipio de Villavicencio.
2.2 Objetivos Específicos
Desarrollar una metodología para clasificar la cobertura y uso de la tierra basado en
imágenes de sensores remotos a partir de los principios de la clasificación orientada a
objetos, para el piedemonte depositacional del municipio de Villavicencio.
Validar la clasificación de las imágenes realizadas con la metodología propuesta, para el
piedemonte depositacional del municipio de Villavicencio.
Establecer y visualizar el cambio, en un lapso de 17 años, para la cobertura y uso de la
tierra, del piedemonte depositacional del municipio de Villavicencio.
38
3. Generalidades del área de estudio
3.1 Localización Geográfica
La zona de estudio esta situada en el piedemonte depositacional del municipio de
Villavicencio, departamento del Meta, y abarca una extensión aproximada de 37.021 ha. Se
encuentra ubicada entre las coordenadas geográficas WGS84: 73°42’31’’ Oeste, 4°8’47‖
Norte y 73°13’43’’ Oeste, 4°1’ 51‖ Norte. (Figura 3-1).
Figura 3-1: Localización geográfica del área de estudio (coordenadas planas: Datum Magna-Sirgas, origen Este; coordenadas geográficas: WGS84)
3.2 Generalidades de la zona de estudio
El área de estudio está ubicada en el piedemonte llanero, en el tipo de relieve denominado
―Piedemonte Depositacional‖ extraído del mapa de Unidades de Paisaje (IGAC, 2004), en
40
donde se concentra la mayor cantidad de población del departamento del Meta. (IGAC,
2005).
La geoforma dominante en la zona de estudio, corresponde al denominado piedemonte
depositacional, que se encuentra en la base de la cordillera oriental (200 a 700 msnm.),
resultante de la denudación de materiales de arcillas y conglomerados, que generan superficies
planas e inclinadas con pendientes de 1 a 12%, y conforman una serie de tipos de relieve:
abanicos, terrazas, lomas y colinas (IGAC, 2005).
La actividad pecuaria es la actividad económica más frecuente, 68% del área departamental,
con prácticas de ganadería extensiva (IGAC, 2005).
EL 75% de las tierras están dedicadas a la explotación agropecuaria, donde 6% es agrícola,
ocupa parte del piedemonte, valles aluviales y planicies, dada por la mejor oferta de suelo,
clima e infraestructura de la región. Principalmente se encuentran cultivos de pastos
introducidos, cultivos transitorios de arroz, fríjol y maíz (IGAC, 2005) y permanentes como
palma africana, caucho y especies forestales de protección y producción.
3.3 Clima
El departamento del Meta, y en general la Orinoquía, se encuentra dentro de la ―Zona de
Influencia de la Circulación Atmosférica Tropical, conformada por una franja de baja presión,
llamada ―Zona de Convergencia Intertropical‖ que afecta el régimen de lluvias, y define un
régimen pluviométrico monomodal, con periodo seco en los meses de diciembre a marzo y
lluvioso de abril a noviembre, con precipitaciones locales que varían entre 2000 a 2600 mm al
año.
La temperatura aumenta de occidente a oriente, de las zonas más altas a la altiplanicie, con
temperatura promedio anual varia de 24 a 27°C, con máximas de entre 30.8 y 31.1°C
coincidiendo los meses más calientes con los más secos (enero, febrero y marzo), y los más
fríos (con temperaturas mínimas entre 19,3°C y 20,02°C) los fríos con los más húmedos, la
humedad relativa oscilan entre el 60% y 90%. (IGAC, 2005).
Capitulo 3. Generalidades del área de estudio 41
La humedad relativa promedia es de 75% durante los meses lluviosos y 66 a 68 % durante la
época más seca.
De acuerdo con el sistema de clasificación climática de Koeppen pertenece al clima A.W,
clima tropical lluvioso de sabana.
3.4 Vegetación
El IGAC (2005) estableció las siguientes formaciones vegetales para el departamento: páramo,
bosque andino, bosque subandino, bosque basal y sabana, siendo la última la que ocupa más
extensión en el área de estudio. Para ésta última, IGAC-CORPOICA (1973) reportaba una
gran variedad de especies las cuales se mencionan en la Tabla 3-1.
Tabla 3-1: Especies gramíneas, arbustivas y arbóreas reportados para la zona de estudio
Piedemonte Bosque de Galería
Pasto negro (Paspaloum plicatulum) Paja peluda (Trachypogon vestitus) Braquiaria (Brachiaria decumbes) Yarumos (Cacropia spp) Merey (Anacardium occidentale) Nacedero (Trichanthera gigantes) Bledo (Amaranthus) Cortadera (Cyperus spp) Marciega (Paspalum virgatom) Dormidera (Mimosa sp) Grama (Cynodon dactylon) Guayabo sabanero (Psidium sp) Tote (Dichromena ciliatum) Escobas (Sida ssp) Pega pega (Desmodium spp) Cola de mula (Leptocorisphyum lanatum) Guaratara (Axonopus purpusí) Rabo de zorro (Andropogon bicornis)
Anime (Prottum s.p) Dormilón (Caliandra surinensis) Palma araco (Socratia durissima) Palma cumare (Astrocarium chambira) Palma moriche (Maurilia minor) Chaparro sabanero (Curatella americana) Punta de lanza (Visminia baccifera) Platanillo (Heliconia biahi) Tablón (Curatella americana) Anturio (Anthurium amdreanum) Naranjito (Capparis adorantissima) Sauce (Saliz humboldtiana) Marciega (Paspelum virgarum) Guayacán (Bulnesia arbórea) Carbonero (Calliandra angustidens) Arrayán (Myrthus foliosa) Yarumo (Cecropia spp.) Palma cumare (Astrocaryum vulgare) Palma moriche (Mauritia minor) Palma mañoco (Oenocarpus mapora) Cenizo (Chenopodium paniculatum) Cedrón (Simaba cedron) Caña agria (Costus spp) Ceiba (Ceiba pentandra) Algarrobo (Hymenea courberil) Durazno (Prumus pérsica) Pavito (Poinciana pulcherrima)
42
3.5 Suelos
Los contenidos pedológicos guardan concordancia con la posición del relieve que ocupan en
el piedemonte: terrazas, abanicos, lomas y colinas, siendo las terrazas altas y medias son los
tipos de relieve que ocupan una mayor extensión en el área de estudio.
La topografía es plana con pendiente dominante entre 0 y 3%. Los suelos generalmente son
bien drenados y algunos sectores con drenaje imperfecto. La mayoría de los suelos presentan
un horizonte superficial A de color pardo oscuro con un de espesor que oscila entre 20 y 29
cm. Son suelos altamente meteorizados y con profundidad efectiva variable de profunda a
muy profunda. En algunas áreas los suelos no superan el metro; y en ellos se encuentran capas
de piedra y cascajo (base de terraza).
Los suelos tienen bien horizontes A-B-C definidos. El pH varia de extremadamente acida a
muy fuertemente acida, disminuyendo con la profundidad.
Las unidades más representativas corresponde a las unidades cartográficas PVA y PVB
descrita en el estudio general de suelos del departamento del Meta (IGAC, 2005). Son suelos
ubicados en un relieve ligeramente plano con pendientes dominantes entre 1 y 3% y algunos
con ligera inclinación y pendiente entre 3 y 7%. Los suelos son moderadamente profundos
bien y moderadamente bien drenados, con pequeñas zonas localizadas no representativas con
drenaje pobre a imperfecto, de texturas moderadamente finas en casi todos los horizontes del
perfil. La reacción del suelo es muy fuerte a fuertemente acida, la fertilidad es muy baja. Los
horizontes superiores(A), son de colores pardos oscuros; con textura franco arcillosa o franco
arcilloso arenosa. Es frecuente encontrar en el perfil areniscas en avanzado estado de
meteorización a profundidades que oscilan entre 1.0 y 1,50 m. La capacidad de cambio es baja
menor a 14 cmol(+)kg-1 y disminuye con la profundidad; el fosforo aprovechable es muy bajo y
la saturación de aluminio de cambio alta. (Figura 3-2)
Los suelos presentan limitaciones relacionadas con el bajo nivel de fertilidad, encharcamientos
en algunos sectores. En las últimas cuatro décadas, la vegetación natural ha sido reemplazada
en un alto porcentaje por cultivos transitorios, pastos mejorados y cultivos perennes como la
palma de aceite, el suelo que ocupa la mayor extensión fue clasificado por IGAC (2005) como
Capitulo 3. Generalidades del área de estudio 43
Typic Hapludox. También es posible que en los taludes y en los caños que drenan las terrazas se
encuentren suelos de menor evolución Oxic Dystrudept e incluso algunos Typic Udifluvent.
Figura 3-2: Unidades de suelos del piedemonte depositacional (IGAC, 2005)
Tabla 3-2: Descripción de las unidades de suelos del piedemonte depositacional (IGAC, 2005)
Paisaje Tipo de Relieve
Litología/Material Transportado
Principales Características de los suelos
Símbolo Área (ha)
Piedemonte Mixto
Terrazas
Sedimentos finos aluviales que recubren depósitos de cantos y gravas medianamente alterados
Profundos, texturas moderadamente finas a finas, bien
drenados, muy fuerte a extremadamente ácidos, fertilidad
baja; toxicidad por aluminio
PVAa 13,979
Sedimentos mixtos aluviales que recubren depósitos de cantos y gravas poco alterados
Profundos a superficiales, texturas medias a finas, bien a pobremente drenados, fuerte a muy fuertemente ácidos, fertilidad baja, toxicidad por aluminio
PVBa 22,778
Abanicos Antiguos
Sedimentos mixtos aluviales que recubren depósitos de cantos y gravas bastante alterados
Profundos a superficiales, texturas variadas de gruesas a finas, drenaje pobre a moderadamente excesivo, muy fuertemente ácidos, fertilidad baja; pedregosos en sectores apicales
PVCap 263
44
4. Metodología
El esquema de la Figura 4-1, ilustra los procesos metodológicos realizados para alcanzar los
objetivos trazados en la investigación.
Figura 4-1: Metodología general para el desarrollo de la investigación
ValidaciónNo
Definición de área y
escala de trabajo
Generación de modelo
para clasificar objetos con imágenes satelitales
Procesamiento de modelo
Recopilación de la Información y
herramientas a utilizar
Análisis y Resultados
Revisión de
Literatura
Preparación Procesamiento
Condicional Resultados
Conjunción “Y”Datos
Conector fuera de método
Análisis de imágenes satelitales
Si
46
El proceso se inició con la revisión de literatura de aspectos básicos y avanzados de la
clasificación de imágenes y las temáticas que involucraron la investigación, enfocados a la
geomática, adicional a la recopilación de la información existente del área, para el desarrollo
del proyecto (Tabla 4-1).
Para determinar el área de estudio se tomó como límite la unidad de ―Piedemonte
depositacional‖ de la información vectorial del mapa de ―Unidades de paisaje‖ del
departamento del Meta, realizado por el Instituto Geográfico Agustín Codazzi y la
Gobernación del departamento del Meta; por medio del programa ENVI 4.6 se extrajo (subset)
el área cortes de las imágenes satelitales y el ortofotomosaico.
La escala, se determinó teniendo en cuenta la disponibilidad de la resolución espacial de las
imágenes satelitales Landsat y la multi-escala, ajustado a una escala digital de 1:33.000, valor
máximo en el cual, los objetos no presentan una distorsión visual en el programa de
procesamiento de imágenes, para efectos de salida gráfica y/o análoga se optó por manejar la
escala 1:50.000
Para el procesamiento de la información, se utilizó el programa de análisis y procesamiento
digital de imágenes, ENVI con la extensión ENVI ZOOM, módulo Feature Extraction versión
4.6.
Tabla 4-1: Información recopilada del área de estudio
Información Entidad
Mapa de "Unidades del Paisaje" Instituto Geográfico Agustín Codazzi
Estudio General de Suelos del Depto. del Meta Instituto Geográfico Agustín Codazzi
Fotografías aéreas Instituto Geográfico Agustín Codazzi
Imágenes Satelitales Servicio Geológico de E.E. U.U.
Modelo digital de Elevación (SRTM) Instituto Geográfico Agustín Codazzi
Capitulo 4. Metodología 47
4.1 Imágenes satelitales y fotografías aéreas
Se utilizó una escena de Landsat (Figura 4-2 y Tabla 4-2), de dos fechas diferentes, en un
rango de 17 años.
Las imágenes adquiridas poseen un tratamiento realizado por el Servicio Geológico de los
Estados Unidos (USGS), con una corrección estándar de terreno, nivel 1T, quiere decir, con
precisión radiométrica y geométrica sistemática, empleando los modelos digitales de elevación
SRTM, NED, CDAD, DTED, y GTOPO 30, para precisión y corrección topográfica.
Como elemento adicional y punto de comparación de la clasificación de coberturas
determinadas, se utilizaron fotografías aéreas pancromáticas, del IGAC, 2004, escala
promedio de impresión 1:40.000, (Anexo A).
Se elaboró el ortofotomosaico, con resolución espacial de 68 cm, del piedemonte, utilizando
como puntos de control la cartografía base del IGAC a escala 1:25.000 y 1:10.000 de la zona y
el modelo digital de elevación SRTM de resolución espacial de 30 metros, para el ajuste
vertical y horizontal (Figura 4-3).
Figura 4-2: Distribución de áreas de escenas de imágenes del sensor Landsat (izquierdo);
localización de ortofotomosaico en la zona de estudio (derecha).
48
Tabla 4-2: Parámetros de imágenes del sensor Landsat, tomados del Servicio de Geología de Estados Unidos
Características Fecha 1 Fecha 2
Nombre de descarga LE70070572003004AGS00 LT50070571986013XXX12
Fuente USGS USGS
Fecha de adquisición Enero 4 del 2003 Enero 13 de 1986
Sensor Landsat 7 ETM+ Landsat 5 TM
Resolución espacial
15 m, banda 8, pancromática
30 m, banda 1 -5, y 7
30 m, banda 1 - 5, y 7 60 m, banda 6
Método de re-muestreo Convolución cúbica Convolución cúbica
Proyección UTM – WGS 84 UTM – WGS 84
Nubosidad <10% 0%
Escena (fila/columna) 7/57 7/57
Figura 4-3: Distribución de fotografías aéreas para el ortofotomosaico de la zona de estudio
4.2 Clasificación de Imágenes
Como punto de comparación y validación de la clasificación orientada a objetos, se realizó la
interpretación digital en pantalla, para cobertura y uso del área de estudio, a partir del
ortofotomosaico, tomando como referencia la metodología CORINE Land Cover (CLC)
C-2714
f-077
E39880
Año 04
C-2714
f-193
E40840
Año 04
C-2714
f-251
E41338
Año 04
C-2714
f-253
E41338
Año 04
C-2714
f-079
E39880
Año 04
C-2714
f-118
E40900
Año 04
C-2714
f-116
E40900
Año 04
C-2714
f-135
E40550
Año 04
C-2714
f-137
E40550
Año 04
C-2714
f-234
E42000
Año 04
C-2714
f-232
E42000
Año 04
C-2714
f-195
E40840
Año 04
C-2714
f-176
E40780
Año 04
C-2713
f-021
E42060
Año 04
C-2714
f-255
C-2713
f-017
C-2714
f-174
E40780
Año 04
C-2714
f-081
C-2713
f-019
E42060
Año 04
C-2713
f-040
E41860
Año 04
C-2713
f-038
E41860
Año 04
C-2713
f-042
C-2714
f-191
E40840
Año 04
C-2714
f-180
E40780
Año 04
C-2714
f-178
E40780
Año 04
C-2714
f-133
E40550
Año 04
C-2714
f-120
E40900
Año 04
C-2714
f-075
E39880
Año 04
C-2714
f-249
E41338
Año 04
C-2713
f-023
E42060
Año 04
C-2713
f-036
E41860
Año 04
Capitulo 4. Metodología 49
adaptada para Colombia (IDEAM, 2010; MELO & CAMACHO, 2005), se determinaron
unidades mínimas de mapeo para escala mencionada. Para la validación temática de la
interpretación, se realizó la comprobación con visitas de campo, se georreferenciaron y
corroboraron las coberturas delimitadas para los años 2003 y 2004, teniendo la previsión de
verificar que cambios habían ocurrido en este año, mediante la información colectada con los
técnicos y habitantes de la región.
A partir de ésta información, se realizó una agrupación de las clases de coberturas y usos, que
presentaban características dominantes de observación ortogonal, ejemplo: bosques, caminos,
pastos, entre otros, tal como lo describen (GAMANYA et al., 2009; HESE &
SCHUMULLINS, 2009; TANSEY et al., 2009; ANTONARAKIS et al., 2008;
CONCHEDDA et al., 2008; JACQUIN et al., 2008; LANG et al., 2008; MALLINIS et al.,
2008; SHATTRI et al., 2008; XIE et al., 2008; CLEVE et al., 2007; LALIBERTE al., 2007;
LALIBERTE et al., 2004; WALTER, 2004), con el objetivo de disminuir la subjetividad.
Para el desarrollo de la clasificación orientada a objetos se siguieron los pasos del diagrama de
flujo de la Figura 1-2, tomando como punto de partida la imagen del sensor Landsat.
4.3 Reglas de clasificación en ENVI ZOOM
Para la investigación se determinaron las variables mencionadas en el numeral 3.5.4, como
reglas de la clasificación de las imágenes satelitales.
4.4 Validación de la clasificación
Para la validación del método en investigación, se realizó el análisis de la exactitud,
comparando las clasificaciones realizadas a través de la clasificación orientada a objetos y el
Ortofotomosaico, por medio de los calificativos de la Tabla 1-6, y el coeficiente Kappa de la
ecuación 1.3, del numeral 1.5.2
50
4.5 Mapa de cambio de uso de la tierra
Para visualizar y cuantificar el cambio de uso de las coberturas, se siguió el procedimiento de
la Figura 4-4, donde la imagen A corresponde a la imagen de 2003 y la B a la de 1986.
Autores como MALLINIS et al., (2011), BOCCO et al., (2009) y NINGAL et al., (2008),
describen técnicas para visualizar los cambios de uso en el suelo, similares a la mencionada en
la investigación.
Figura 4-4: Procedimiento global para la detección de cambios en las coberturas de la tierra
Se asignó un valor entero para cada tipo de objeto en las dos capas resultantes de la
clasificación orientada a objetos. A continuación se realizó un proceso de adición algebraica
entre capas, para obtener un mapa binario, en el cual a las que permanecieron constantes
(iguales en las dos fechas) se les asignó el valor 0 y a las que presentaron cambios se les asignó
el valor 1 e las se les asignó el valor de 1, de tal forma que los cambios ocurridos entre fechas
podían ser visualizados y cuantificados.
Clasificación Orientada a objetos
Clasificación Orientada a objetos
Si Objeto A es igual al Objeto B
Asignación de valores a cada objeto
Asignación de valores a cada objeto
IMAGEN A IMAGEN B
Asigna 0No hay Cambio
Asigna 1Hay Cambio
Si No
Mapa Binario de Cambio de uso
Preparación Procesamiento
Condicional
Resultados
5. Resultados y discusiones
5.1 Metodología de clasificación de imágenes de
sensores remotos, para determinar la cobertura y
uso del suelo y los cambios
Autores como CHONCHEDDA et al. (2008), MALLINIS et al. (2008), SHATTRI et al.
(2008), LALIBERTE et al (2007) y WALTER (2004), describen metodologías para la
clasificación orientada a objetos, realizando diferentes procesos y selecciones de variables y
valores, similares a los de la presente investigación.
La Figura 5-1, muestra de manera esquemática la metodología general desarrollada que se
presenta como propuesta para clasificar coberturas, visualizar y cuantificar los cambios,
utilizando la técnica de clasificación orientada a objetos. El diagrama sintetiza los diferentes
procesos (los cuales se detallan a continuación) utilizados para la determinación los cambios
ocurridos en las coberturas y usos de la tierra en un lapso de 17 años en el piedemonte
depositacional del municipio de Villavicencio.
Para realizar la clasificación orientada a objetos con las imágenes satelitales, se siguió el
procedimiento de la Figura 5-1, detallado en esta sección en la Figura 5-2, teniendo en cuenta
los requerimientos de manejo del programa ENVI, módulo ENVI ZOOM, que envuelven
segmentación, selección, filtrado y análisis, asignación de reglas y clasificación.
52
Figura 5-1: Metodología para la determinación de coberturas y uso de la tierra y su cambio aplicando la clasificación orientada a objetos.
Capitulo 5. Resultados y discusiones 53
Figura 5-2: Procedimiento metodológico para selección de variables de la clasificación orientada a objetos (COO)
5.1.1 Segmentación de la imagen
Para encontrar los objetos deseados se inició con el proceso de la segmentación, que consta
de un fraccionamiento y de una combinación de los segmentos acorde con (LI et al., 2009;
SANTOS, 2007).
Para obtener los niveles de la segmentación se consideraron los tamaños de fragmentos por
medio de una inspección visual, seleccionando una zona de la imagen, correspondiente a
cobertura de bosque y de palma africana plenamente identificadas y ubicadas en el centro de
investigación de CORPOICA ―La Libertad‖ (Figura 5-3), se realizaron varias pruebas
cambiando el rango de la fragmentación, hasta obtener el que más se ajustaba a la delimitación
de las coberturas de la muestra (Figura: 5-4, 5-5 y 5-6). Ésta técnica, fue similar a la utilizada
por MALLINIS et al. (2008), debido a la compleja disgregación o agregación que presentan
los fragmentos y que permite delimitar más fácilmente las áreas de interés.
Selección de objetos muestra
Filtro y análisis de variables: espaciales, espectrales, texturales , color y relación
de bandas
Asignación de Reglas para la COO
Segmentación de la imagen
Clasificación
Preparación ProcesamientoResultados
54
Figura 5-3: Captura de pantalla de ENVI ZOOM para visualizar la zona de inspección seleccionada
La Figura 5-4, muestra el resultado de la segmentación aplicada con un rango de 20, que
mostró la alta cantidad de agregaciones que se generarían si se seleccionara este valor. Como
indicador visual es difícil diferenciar las dos coberturas involucradas en el análisis (palma
africana y bosque), por tal razón este valor no se considera el más indicado para éste
fraccionamiento.
Aumentando el valor del rango a 40 (Figura 5-5), se observó que la segmentación es
consistente, de tal manera que fue posible separar adecuadamente las dos coberturas
indicadoras. En el caso extremo, cuando se utilizó el valor de fragmentación de 60 (Figura 5-
5), es evidente que la discriminación es inadecuada ya que la segmentación excede los límites
reales de las coberturas en estudio.
Se encontró que para estas dos coberturas en la zona de estudio el valor de 40 seleccionado
para la fragmentación, es el que más se acerca y el que permite discriminar y separar con
mejor precisión las coberturas de bosque nativo y palma africana.
Bosque
Palma
African
a
Capitulo 5. Resultados y discusiones 55
Figura 5-4: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 20
Figura 5-5: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 40 (izquierda), y rango de 60 (derecha)
Fraccionamiento
56
Se perfeccionaron los resultados del paso anterior, mediante la combinación de fragmentos,
proceso que corrige las agrupaciones que no se adquieren a ser discriminadas en la
fragmentación resultante de la aplicación del algoritmo ―Edge-Based‖ y que pueden ser
corregidas mediante el uso del algoritmo “Full λ-Schedule”: Esta es una de las ventajas
reconocidas por los usuarios del programa ENVI y que pueden observarse en las Figuras (5-
6, 5-7, 5-8 y 5-9).
De manera similar al proceso antes descrito, se efectuó una inspección visual de la zona en
estudio y se encontró que el valor óptimo de combinación de segmentos fue 80 (Figura 5-8),
ya que cuando se utilizaron rangos menores, las agrupaciones fueron insuficientes y cuando se
usaron rangos superiores los resultados fueron generalizados y no mostraban clases
importantes en la clasificación. Esto obedece a que el algoritmo toma como base de
agrupación los niveles espectrales de la imagen, y en tanto mayor sea la selección, las
agrupaciones serán mayores, descartando solo los píxeles que tienen una alta diferencia con
respecto a sus vecinos.
Figura 5-6: Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 40
Capitulo 5. Resultados y discusiones 57
Figura 5-7: Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 50
Figura 5-8: Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 80
58
Figura 5-9: Capturas de pantalla de ENVI ZOOM para combinación de fragmento 95
5.1.2 Selección de las coberturas
Se adoptó para la escala de estudio la clasificación CORINE Land Cover y se generó mediante
la interpretación del ortofomosaico, la capa de cobertura y uso de la tierra del piedemonte
depositacional del municipio de Villavicencio del año 2004, con la cual se buscaba satisfacer
dos propósitos: uno, identificar las coberturas para la clasificación y dos, tener una base de
comparación para validar la misma. Los resultados de la clasificación se consolidaron en la
Figura 5-10, en el mapa del Anexo B y se resumen en la Figura 5-11, que las cinco categorías,
de la cobertura y uso discriminadas para el piedemonte depositacional.
Se encontró que la mayor extensión corresponde a los denominados ―Territorios Agrícolas‖
con el 79,40% equivalente a 29,400 ha, concordando con los reportes que para la zona se
tienen bajo esta cobertura, las demás clases se encontraron en porcentajes menores del 14%:
―Bosques y Áreas Naturales‖ con el 13,48%, ―Territorios Artificializados‖ con el 6,53% y en
menor proporción para ―Superficies de Agua‖ y ―Áreas Húmedas‖ que no suman el 1%.
Capitulo 5. Resultados y discusiones 59
Figura 5-10: Delimitación de cobertura y uso de la zona de estudio (parte superior) y escenas detalladas del piedemonte depositacional (parte inferior), Anexo 1
Figura 5-11: Estadísticas a nivel general de la interpretación a partir del ortofotomosaico
Áreas Húmedas0.12%
Bosques y Áreas
Naturales
13.48%
Superficies de Agua
0.47%
Territorios Agrícolas79.40%
Territorios Artificializados
6.53%
60
A partir de las cinco categorías mencionadas, se interpretaron y encontraron 38 diferentes
tipos de cobertura y uso de la tierra, sintetizando los resultados en las Figuras: 5-12 y 5-13 y en
el mapa del Anexo B.
En la categoría de los ―Territorios artificializados‖ con una extensión de 2.416,64 ha (6,53%)
se diferenciaron un total de 18 coberturas de la tierra (Figura 10, Anexo B), siendo ―Los
Condominios‖ y las ―Fincas Recreativas‖, las áreas más representativas de esta categoría, con
982,61 ha (40,7%) y 542,36 ha (22,4%) respectivamente, lo que indican que esta cobertura es
importante probablemente por condiciones de carácter ambiental (clima, topografía), valor
hedónico y por la cercanía a Villavicencio que propician el uso turístico.
Para la clase de ―Territorios Agrícolas‖ 23.393,43 ha (79,40%) de la extensión, se encontró un
total de 10 coberturas de la tierra (Figura 5-12, Anexo B), representada en su mayoría por
―Pastos Limpios‖, con 26.549,29 ha (90,3%), en relación al total de la categoría. Estos
resultados reflejan la actividad pecuaria dominante en la zona y la introducción de pasturas
mejoradas.
Figura 5-12: Estadísticas de las coberturas de ―Territorios Artificializados‖
10
.3%
0.3
%
0.2
%
1.3
%
40
.7%
22
.4%
0.4
% 3.7
%
0.2
%
9.0
%
1.7
%
4.3
%
2.8
%
0.1
%
0.6
%
1.1
%
0.2
%
0.5
%
Capitulo 5. Resultados y discusiones 61
Figura 5-13: Estadísticas de las coberturas de ―Territorios Agrícolas‖
En la categoría de ―Bosques y Áreas Naturales‖ con 4.990,17 ha (13,48%) de la zona de
estudio, se discriminaron un total de 6 coberturas de la tierra (Figura 5-14, Anexo B), con
dominio de la ―Vegetación Secundaria Baja‖ 2.502,98 ha (50,16%) y ―Bosque de Galería,
Latifoliados Arbolados‖ 2.264,39 ha (45,38%) respectivamente. Estas, áreas pertenecen a los
bordes de afluentes y a las zonas sin intervención antrópica con cultivos o pasturas.
Las clases de ―Áreas Húmedas‖ con el 0.12% (44.08 ha) y ―Superficies de Agua‖ con el 0.47%
(175,70 ha), no se consideran extensiones representativas de la interpretación, por no tener
representación cartográfica para la escala de trabajo utilizada (1:50.000).
Con base en las categorías descritas, provenientes de la interpretación del ortofotomosaico, se
procedió a selección de las coberturas y usos de la tierra para la clasificación orientada a
objetos de la imagen Landsat de la fecha 1. Se encontró que dichas clases, no presentaban
patrones fisonómicos estructurales, que pudiesen apoyar los requerimientos de geometría,
textura y otros necesarios para ejecutar convenientemente la clasificación en estudio, y que la
metodología CORINE Land Cover, depende principalmente de aspectos y fundamentos
1.8
%
4.4
%
0.2
%
0.5
%
0.1
%
0.3
%
0.8
%
0.9
%
0.7
%
90
.3%
62
teóricos de ecología, socioculturales y de transformaciones de ambientes, entre otros, que no
siempre son factibles de reconocer y utilizar para esta clasificación.
Figura 5-14: Estadísticas de las coberturas de los ―Bosques y Áreas Naturales‖
Uno ejemplo representativo, se encuentra en la discriminación de la categoría ―Territorios
Artificializados‖, con la cobertura y uso de ―Condominios y fincas recreativas‖, acorde con los
resultados ilustrados en la Figura 5-15, se observa que el intérprete y la metodología permiten
delimitar un área particular, que en su interior es heterogénea y que incluye coberturas de
pastos, edificaciones, arbustos, árboles y vías, objetos que pueden ser diferenciados por
separado, sin tener en cuenta el componente socioeconómico.
Es posible que esta sea una de las razones, por la cual no se encuentra revisión bibliográfica al
respecto, en donde se desarrolle un método o algoritmo de clasificación orientada a objetos,
para las categorías de CORINE Land Cover y más aún para el caso específico de Colombia.
Otro aspecto a tener en cuenta en la selección de coberturas, fue la resolución espacial de las
imágenes utilizadas (ortofotomosaico 0.68 m y la imagen 30m) ya que no era posible
comparar consistentemente las coberturas para una misma referencia espacial. La metodología
de clasificación orientada a objetos requiere que los objetos a interpretar en cada fecha se
Arenales Bosque Abierto Alto Inundable
Bosque de Galería,
Herbazal y Arbustal
Bosque de Galería,
Latifoliadas Arbolados
Bosque Fragmentado
con Vegetación Secundaria
Vegetación Secundaria
Baja
0.0
4%
0.7
0%
3.7
0%
45
.38
%
0.0
1%
50
.16
%
Capitulo 5. Resultados y discusiones 63
Bosque6.86%
Bosque de Galería6.62%
Cuerpos de Agua
0.61%
Cultivo de Arroz3.52%
Cultivos2.07%
Cultivos Transitorios
0.21%
Palma0.67%
Pastos72.94%
Territorios Artificializados
6.06%
Vía0.46%
puedan discriminar en las imágenes de las dos fechas, por lo expuesto y para coincidir con los
autores consultados, se resolvió seleccionar y determinar tres coberturas: bosques, bosques
de galería y palma de aceite (Figura 5-16), permitiendo manejar un solo contexto, sin
afectar la confiabilidad de la interpretación generada a partir de las fotografías aéreas.
Figura 5-15: Ejemplo de Coberturas delimitadas con aspectos socioeconómicos
Figura 5-16: Estadísticas generalizadas, incluyendo las coberturas seleccionadas palma, bosque y bosque de galería para la clasificación orientada a objetos.
64
De la nueva información de cobertura unificada, las estadísticas muestran que se mantiene la
tendencia respecto a la inicial (Figura 5-11), siendo la cobertura de ―Pastos‖, la más
representativa con el 72.94% (27.000 ha aprox.) donde las demás coberturas no superan el 7%
del área.
5.1.3 Selección de la muestra
Una vez realizada la segmentación de la imagen, uno de los procesos más importantes de la
clasificación (LI et al., 2009; SANTOS, 2007), se procedió a la determinación de los objetos o
coberturas seleccionadas y descritas en el ítem anterior.
Para ejecutar este proceso, se obtuvo una capa vectorial con sus valores provenientes de la
segmentación (Anexo C), que genera el módulo de ENVI ZOOM, conformada por polígonos
con información de las variables del numeral 1.4.4.
Se tomó una muestra de 45 polígonos con las coberturas a determinar (Figura 5-17, Anexo
D), con el propósito de seleccionar los valores de las variables espectrales y espaciales, ya que
estos se relacionan directamente con el objeto y deben representar el conjunto de datos totales
para la clasificación, con una variación baja para la muestra obtenida (SANTOS, 2007), ésta
técnica empleada, se asemeja al entrenamiento realizado en una clasificación supervisada, con
la diferencia que en éste, no se seleccionan píxeles sino polígonos de la segmentación de la
imagen.
Se encontró las estadísticas para las 46 variables en total (Anexo D,) de los tres objetos
(bosques, bosques de galería, y palma africana), determinando posteriormente las variables a
tener en cuenta en la clasificación orientada a objetos.
Uno de los principales interrogantes de éste tipo de clasificación, fue conocer cuáles eran
variables y valores que representan el objeto, para solucionar esta indecisión, se realizó un
proceso de selección en dos partes: variables espaciales y variables espectrales. Estas no son
explicitas en la mayoría de los artículos que han utilizado la clasificación orientadas a objetos,
se presentan los resultados arrojados por el programa, pero no se menciona con claridad cual
fue el procedimiento que se implementó para la selección y determinación de los objetos
Capitulo 5. Resultados y discusiones 65
(GAMANYA et al., 2009; APLINS & SMITH, 2008; BONTEMPS et al., 2008;
CONCHEDA et al., 2008; MALLINIS et al., 2008; BOCK et al., 2005). En este estudio se
desarrolló un protocolo para determinar las variables y sus valores de tal forma que otros
usuarios puedan efectuar procesos similares para sus clasificaciones en otras áreas.
Figura 5-17: Polígonos utilizados para seleccionar los valores de las variables espectrales y espaciales de la clasificación orientada a objetos.
Variables Espaciales
De acuerdo a la definición establecida para las variables espaciales se procedió de la siguiente
manera:
La cobertura de bosque de galería se determinó con las variables de ―Elongación‖ mayor a 1.1
y ―Redondez‖ entre 0.05 a 0.41 (Figura 5-18). Para la primera se seleccionó este valor que
representa las formas alargadas del objeto al relacionar el eje mayor con su eje menor, siendo
el factor que mejor define la forma de este objeto (COSTA et al., 2009). Valores próximos a
uno semejan formas cuadradas.
66
Para la Redondez se definió este rango de valores, que representa convenientemente la forma
natural alargada de los bosques de galería y para no utilizar formas circulares o redondas que
se consiguen con rangos cercanos a 1.
Para los bosques, se determinó con el complemento de los valores de las variables de bosques
de galería, es decir elongación < 1.1 y redondez > 0.41, puesto que ya no se requería una
configuración de formas alargadas.
Figura 5-18: Ejemplos de redondez (línea verde) y elongación (línea amarilla) para bosques de galería
La palma africana se definió con las variables de: área, forma rectangular, elongación y
convexidad (Figura 5-19). Se seleccionaron polígonos mayores a 5 hectáreas, debido a que en
área de estudio no hay cultivos de palma de menor extensión, y también para descartar
clasificaciones que no representen este objeto, apoyados en el nivel de referencia y
conocimiento de la zona.
De manera similar, para la elongación y la forma rectangular se determinaron las zonas que se
asimilaran a la forma de rectángulo (sin ser pronunciados), ya que la mayoría de los cultivos de
palma presentan este atributo espacial, que permitió la asignación en el rango de valores entre
0,95 a 1,1 y > 0,44 respectivamente.
Capitulo 5. Resultados y discusiones 67
Las variables espaciales dependen específicamente de la geometría del objeto a clasificar y en
este estudio fueron empleadas las de forma, sin tener que recurrir al uso de variables
texturales y de color, ya que al ir generando las reglas, el programa tiene la ventaja de presentar
resultados parciales de la clasificación permitiéndole al usuario interactuar para descartar o
adicionar las variables que representan mejor la cobertura a clasificar (Figura 5-20).
Figura 5-19: Ejemplo de forma rectangular (color verde), y elongación para la Palma
Figura 5-20: Captura de pantalla de la definición de reglas del módulo de ENVI ZOOM
68
Variables espectrales
Tal como se mencionó en el marco teórico, la clasificación orientada a objetos tiene en cuenta
los atributos espectrales (estadísticos descriptivos de los segmentos por banda espectral y
relacionales, NVDI) con los cuales es posible complementar las variables espaciales
especificadas en la metodología.
Para facilitar la comprensión y aplicación de la metodología se generaron los procedimientos
que permiten determinar las variables que se usan como reglas clasificadoras del objeto,
aparecen ilustrados en el diagrama de la Figura 5-21.
Figura 5-21: Procedimiento para determinar las variables a tener en cuenta para generar las
reglas que clasifican el objeto.
De las estadísticas generadas (Anexo D) se efectuó la primera selección de las variables, a
tener en cuenta. A partir de los parámetros estadísticos se determinó una matriz A, (Ecuación
Estadísticas Descriptivas del Objeto
(Mínimo, Máximo, Rango, Media, Varianza y C. de Variación)
Prueba de Tukey
de matriz A
C. De Variación
(Matriz A) ≤ 5%
No se tiene
en cuenta
Hay Unión de
Subconjuntos
No se tieneen cuenta
Se acepta la variable
Resultados
Matriz B
Si No
Si No
Capitulo 5. Resultados y discusiones 69
5.1) con las variables (N) y los objetos (O) con los coeficientes de variación de Pearson (CV),
con el propósito de observar y cuantificar la dispersión de los datos respecto al valor central
de cada objeto.
(5.1)
Se encontró que la matriz A se compuso de un arreglo de 25 variables para cada objeto,
correspondientes a cuatro parámetros (mínimo, máximo, desviación estándar y promedio) por
banda y la relación de bandas, que en la investigación se tomó en cuenta dentro de este
agrupamiento por trabajar con los valores de las bandas 3 y 4 (rojo e infrarrojo cercano, ver
Anexo E).
Para la segunda selección, una vez dado como afirmativo el condicional anterior, se
observaron los valores centrales por medio de una matriz B (Ecuación 5.2), con el fin de
observar la media de las variables de la primera selección (Anexo F).
(5.2)
Generada la matriz B, se encontró que las variables seleccionadas, en algunos casos
presentaban valores de media similares para cada objeto. Este proceso que no diferenció
espectralmente la clasificación del objeto (Anexo F).
Para determinar si había una diferencia significativa entre medias de la variable con respecto a
cada objeto, se le aplico la prueba de Tukey a los datos de la matriz B, con el programa S.P.S.S
versión 18 (Anexo 7).
70
A continuación se aplicó un segundo filtro, se seleccionaron con esta prueba aquellas variables
que no asumían unión de conjuntos (ejemplo: a, b, c y no ab, cd, bc), debido a que
estadísticamente estos valores son similares en dos tipos de subconjuntos de la prueba.
Ejecutado el procedimiento de la Figura 5-21, se encontró que solo la variable de ―relación de
bandas‖, era necesaria para complementar la clasificación, ya que al introducir las demás
variables el resultado no mostraba diferencias, lo cual puede ser atribuido a que las bandas
seleccionadas para el análisis, rojo e infrarrojo cercano, son las que se utilizan para determinar
el índice de vegetación normalizada (NVDI). Es claro, que en otros casos, es factible que el
usuario seleccione bandas diferentes a éstas, pero en este caso se halló que la relación de
bandas aplicada, es una de las variables que tiene más peso al momento de seleccionar una
cobertura vegetal.
Para la cobertura de bosques se encontró que los valores para determinar su clasificación
fueron aquellos valores de relación de bandas > 0.40, ya que por debajo de este valor se
obtenían áreas que no pertenecían a esta clase. Los bosques de galería y la palma africana
presentaron una relación de bandas con valores > a 0.45, éste valor se seleccionó mayor al de
bosques, debido a que discriminaba mejor este tipo de cobertura, diferenciando la mayoría de
los bosques.
El comportamiento de la variable en general, fue similar al reportado por SANTOS, et al.,
(2010), quienes consideran que éste índice es adecuado como indicador principal en el cambio
de uso de la tierra.
5.1.4 Asignación de reglas para la clasificación de objetos
Una vez definidas las variables y valores que caracterizaban cada objeto o cobertura, se
introdujeron los rangos de la Tabla 5-1, para que el sistema asignara las clases a la imagen
segmentada de la fecha 1, generando la clasificación final de la imagen, en formato vectorial
(shape) y matricial (raster), ver Figura 5-22.
Capitulo 5. Resultados y discusiones 71
Tabla 5-1: Variables y valores que definieron la clasificación de los objetos
.Variables de la clasificación Rango de valores
Bosque de galería Bosque Palma Africana
Espaciales
Elongación > 1,1
0,94 – 1,10
Forma Rectangular
> 0,44
Redondez
>0.04 y < 0.45
Área
> 5 ha
Eje menor <858 >400
Espectrales Relación de Bandas > 0.40 > 0.40 >4,5
La Figura 5-22, ilustra el resultado de la clasificación orientada a objetos, en ella se pueden
observar delimitadas vectorialmente con líneas de color rojo, los resultados obtenidos con la
aplicación del módulo ENVI ZOOM.
Figura 5-22: Variables y valores que definieron la clasificación de los objetos
72
5.2 Validación de la Clasificación
Para cuantificar y comparar los resultados obtenidos con la clasificación orientada a objetos y
la interpretación visual en pantalla, se procedió a realizar la validación con la matriz de
confusión y el coeficiente Kappa, acorde con los planteamientos de (SANTOS, 2007, LI et al.,
2009; DOU et al., 2007). En una hoja de cálculo electrónica Excel, con la información
vectorial de las coberturas en estudio se aplicaron las ecuaciones indicadas en el marco
teórico.
Se realizó la unión de las dos capas (clasificación de ortofotomosaico y clasificación orientada
a objetos), con el propósito de determinar la correspondencia existente. A partir de la base de
datos resultantes, se generó la matriz de confusión con las áreas resultantes del cruce (Tabla 5-
2).
Tabla 5-2: Matriz de confusión de las clasificaciones de las imágenes
OFM / COO* Bosque Bosque de Galería Palma (Sin clasificar) Total general
Bosque 2001.75 281.59 100.42 154.44 2538.2
Bosque de Galería 71.86 2253.12
123.76 2448.75
Palma 10.17 63.16 118.46 54.49 246.27
(sin clasificar) 125.26 2409.54 17.94 2552.73
Total general 2.209.038 5.007.407 236.813 332.693 7.785.950
OFM: Ortofotomosaico; COO: Clases de la clasificación orientada a objetos *Valores en hectáreas
A partir de la matriz de confusión de la Tabla 5-2, se encontró la exactitud de usuario y de
productor de la clasificación (Tabla 5-3).
Tabla 5-3: Exactitud de usuario y de productor según la matriz de confusión
Bosque Bosque de Galería Palma (Sin clasificar)
Exactitud de Usuario %
78.86 92.01 48.1 22.12
Exactitud de Productor %
90.62 45 50.02 0
Capitulo 5. Resultados y discusiones 73
Es importante resaltar que para este estudio, se encontró que la clasificación orientada a
objetos tiene una mayor exactitud para diferenciar las coberturas ―bosques‖ y ―bosques de
galería‖, y en general, se pueden afirmar que estos resultados son aceptables para la escala
trabajada, ya que están por encima del 78%, siendo 100% el límite superior de exactitud
definido.
Para la cobertura de palma los resultados se consideran satisfactorios a pesar que las
exactitudes no superaron el 50%.
La exactitud global fue del 56,17% que en términos generales puede ser considerada
aceptable, ya que los resultados son la comparación de una clasificación de un
ortofotomosaico con una de imagen satelital de media resolución espacial (Figura 5 -23) (LI et
al., 2009)
Figura 5-23: Ejemplo de comparación de las exactitud de las clasificaciones obtenidas del ortofotomosaico (línea amarilla y la del sensor Landsat (línea roja)
74
Se aplicó otra técnica para validar la precisión (coeficiente Kappa), con la totalidad de la
información obtenida del cruce vectorial de las dos capas comparadas, se encontró que el
valor del coeficiente fue de 0.365, el cual es considerado como precisión aceptable según
CERDA & VILLARROEL (2008), ratificando los valores encontrados de los tipos de
exactitud y la explicación mencionada en el párrafo anterior.
LI et al. (2009) y SANTOS (2007), reportan valores superiores al encontrado, lo que puede
atribuirse al tipo de software (Econigtion) e imágenes (de alta resolución) empleadas para
extraer objetos de una imagen, además las comparaciones realizadas por estos autores se
obtuvieron a partir de métodos computacionales con la misma resolución espacial y no como
los que aquí se presentan.
5.3 Cambio de uso de las coberturas del suelo
Para poder realizar el cambio en el uso, es necesario tener dos imágenes, para ello se realizó la
clasificación orientada a objetos para delimitar las coberturas en investigación (Figura 5-24)
con la imagen de la escena Landsat de 1986.
Teniendo en cuenta los procesos detallados descritos en los ítems anteriores, se utilizó la
metodología propuesta (Figura 5-1), del cual se encontró las variables y valores para la
clasificación de los objetos de la Tabla 5-4, seleccionados a partir de la segmentación con los
valores encontrados en el ítem 5.1.1 y se tuvo en cuenta los mismos sectores de muestra de la
imagen de 2003.
Tabla 5-4: Matriz de confusión de las clasificaciones de las imágenes
.Variables de la clasificación Rango de valores
Bosque de galería Bosque Palma Africana
Espaciales
Elongación > 1,4
0,94 – 1,10
Forma Rectangular
> 0,44
Redondez
>0.04 y < 0.45 Área
> 5 ha
Eje menor <858 >400
Espectrales Relación de Bandas > 0.50 > 0.50 >5,5
Capitulo 5. Resultados y discusiones 75
Los valores de la Tabla 5-4, son similares a los encontrados en la imagen del 2003 (Tabla 5-2),
los mayores cambios se vieron en el atributo de relación de bandas espectrales que fueron
mayores, estos resultados de la clasificación orientada a objetos pueden ser posibles por ser
una imagen de la misma zona y el mismo sensor.
Figura 5-24: Captura de pantalla de ENVI, clasificación orientada a objetos para la escena de la fecha 2 de la imagen satelital del sensor Landsat
Al aplicar la clasificación orientada a objetos de las imágenes satelitales de las dos fechas, se
desarrolló una capa binaria teniendo en cuenta el diagrama de procesos de la Figura 5-25, para
visualizar y cuantificar el cambio de uso. Como resultado se generó una tercera capa donde se
muestran los cambios ocurridos en el lapso de tiempo analizado de 17 años (Figura 5 -25 y
Tabla 5-5).
Tabla 5-5: Porcentaje de cambio de las coberturas en estudio
Bosque Bosque de Galería Palma adulta
Año 1986 9304,46 3581,45 110,39
Año 2003 2083,78 2597,87 218,88
% Cambio -77,60% -27,46% -
76
Se encontró que la cobertura ―bosque‖ disminuyo en 77,60% y los ―bosques de galería‖ en
27,46%, para la ―palma africana‖ aumento el área, pero el cálculo de porcentaje de cambio no
fue efectuado, ya que no es posible asegurar si para la imagen de 1986 la palma mostraba la
mismas características fisionómicas de las palmas actuales (mayores de 20 años) identificadas
en la imagen 2003.
En la Figura 5-25 se observan en un mapa binario, el cambio de uso ocurrido en el período
entre 1986 a 2003 obtenidos a partir de la clasificación orientada a objetos, el color naranja
indica el cambio de las coberturas de: bosque, bosque de galería y palma y el color verde las
coberturas que han permanecido sin cambio.
Figura 5-25: Imagen del Anexo 8, cambio de uso de la tierra (mapa binario)
La cuantificación de cambio de uso en la investigación pudo ser afectadas por dos factores:
resolución espacial de las imágenes y la clasificación orientada a objetos
El primero, los resultados de las diferentes clasificaciones de las imágenes varían no solamente
por existir un cambio en el uso, sino además, por los efectos de borde de la delimitación en las
coberturas, al tener cada una de ellas, la resolución espacial distinta. Esto correspondió a que
la imagen de la escena de 2003: Landsat 7 ETM+, contiene una imagen pancromática de
mayor resolución espacial que la escena de 1986: Landsat 5, permitiendo realizar una fusión
Capitulo 5. Resultados y discusiones 77
multiescala, opción que contiene ENVI ZOOM antes de realizar la clasificación orientada a
objetos, con la función ―Pan Sharpening‖. Esta ajuste multiescala permitió mejorar la calidad
visual de la imagen (GARZELLI & NENCINI, 2007), mostrando una mejor definición de la
forma de los objetos, y mejorar los resultados de la segmentación (MALLINIS et al, 2011).
El segundo, hace referencia al método usado para clasificar las imágenes, debido a que los
resultados de los valores en las variables que afectaron cada clasificación son propios de cada
imagen, el cual probablemente puede inducir a que cada clasificación maneje una
incertidumbre diferente.
78
6. Conclusiones
Se alcanzaron los objetivos planteados ya que fue posible desarrollar la metodología de
clasificación orientada a objetos utilizando como herramienta el programa de ENVI y el
módulo de ENVI ZOOM para determinar la cobertura y el uso del suelo y también para
detectar y cuantificar los cambios ocurridos en las mismas un lapso de 17 años en el
piedemonte depositacional del municipio de Villavicencio.
Con los principios de la clasificación orientada a objetos y con los procedimientos propuestos
fue posible delimitar las áreas de tres coberturas, a partir de una imagen satelital con
resolución espacial media, mejorando los tiempos de clasificación con respecto de
interpretaciones visuales desde la pantalla del computador. Adicionalmente este tipo de
clasificador, permitió ratificar que, la clasificación de una imagen realizada desde el contexto
relacional de ―pixel – información espectral‖, no es única ni suficiente para diferenciar una
cobertura vegetal, de tal forma que se pudo mostrar la relación de ―segmento – atributos
espaciales y espectrales‖.
A pesar que los resultados de la validación con respecto de la exactitud fueron menores al
50%, se encontró que la clasificación es aceptable y que esta puede ser una alternativa a
implementar para clasificar imágenes empleando el programa ENVI.
Además de establecer procedimientos que afectan la clasificación orientada a objetos, también
fue posible generar un proceso para detectar el cambio de uso en las coberturas como
subproducto de la clasificación.
80
Bibliografía
AGÜERA, F.; AGUILAR, F.J.; AGUILAR, A.M. 2008. Using texture analysis to improve
per-píxel classification of very high resolution images for mapping plastic greenhouses.
Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.635-646.
ALMEIDA-FILHO, R.; SHIMABUKURO, Y.E. 2002. Digital processing of a Landsat -TM
time series for mapping and monitoring degraded areas caused by independent gold
miners, Roraima State, Brazilian Amazon. Remote sensing of environment, v.79, p.42-50.
ANTONARAKIS, A.S.; RICHARDS, K.S.; BRASINGTON, J. 2008. Object-based land
cover classification using airborne LiDAR. Remote sensing of environment, v.112, n.6
p.2988-2998.
APLIN, P. & SMITH, G.M. 2008. Advances in object-based image classification. The
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science
v.37, part B7.
ARANGO, G.M.; BRANCH, B.J.W.; BOTERO, F.V. 2005. Clasificación no supervisada de
coberturas vegetales sobre imágenes digitales de sensores Remotos: ―Landsat -
ETM+‖. Revista Facultad de Agronomía, Universidad Nacional de Colombia, Sede Medellín,
v.58, n.1, p.2611-2634.
ARVIDSON, T.; GASCHB, J.; GOWARD, N.S. 2001. Landsat 7’s long-term acquisition
plan — an innovative approach to building a global imagery archive. Remote sensing of
environment, v.78, n.1-2, p.13-26.
BEHRENS, T.; ZHU, A.; SCHMIDT, K.; SCHOLTEN, T. 2010. Multi-scale digital terrain
analysis and feature selection for digital soil mapping. Geoderma, v.5, n.3-4, p.175-185.
82
BLASCHKE, T. 2010. Object based image analysis for remote sensing. Journal of
Photogrammetry and Remote Sensing, v.65, n.1, p.2-16.
BLASCHKE, T. & HAY, G.J. 2001. Object oriented image analysis and scale-space: Theory
and methods for modeling and evaluating multiscale landscape structure. International
Archives of Photogrammetry and Remote Sensing, v.34, n.4, p.22-29.
BOCCO, G.; MENDOZA, M.; MASERA, R.O. 2001. La dinámica del cambio del uso del
suelo en Michoacán. Una propuesta metodológicoa para el estudio de los procesos de
deforestación. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM, n.44,
p.18-38.
BOCK, M.; XOFIS, P.; MITCHLEY, J.; ROSSNER, G.; WISSEN, M. 2005. Object-oriented
methods for habitat mapping at multiple scales - Case studies from Northern
Germany and Wye Downs, UK. Journal for Nature Conservation, v.13, n.2-3, p.75-89.
BONTEMPS, S.; BOGAERT P.; TITEUX N.; DEFOURNY P. 2008. An object-based
change detection method accounting for temporal dependences in time series with
medium to coarse spatial resolution. Remote Sensing of Environment v.112, p.3181–3191.
CASTILLA, G. 2003. Object-oriented analysis of remote sensing images for land cover
mapping: conceptual foundations and a segmentation method to derive a baseline
partition for classification. Tesis Doctoral. Universidad Politécnica de Madrid,
España, P.228
CERDA, J. & VILLARROEL, L. 2008. Evaluación de la concordancia inter-observador en
investigación pediátrica: Coeficiente de Kappa. Revista Chilena de Pediatría, v.79, n.1,
p.54-58.
CHUVIECO, E. 2000. Fundamentos de teledetección espacial. Editorial Rialp s.a., Madrid,
p.1-568.
Bibliografía 83
CLEVE, C.; KELLY, M.; KEARNS, F.R.; MORITZ, M. 2007. Classification of the
wildland-urban interface: A comparison of píxel- and object-based classifications using
high-resolution aerial photography. Computers, Environment and Urban Systems, v.32, n.4,
p.317-326.
COHEN, W.B.; & GOWARD, S.N. 2004. Landsat 's role in ecological applications of
remote sensing. Bioscience, V.54, N.6, P.535-545.
CONCHEDDA, G.; DURIEUX, L.; MAYAUX, P. 2008. An object-based method for
mapping and change analysis in mangrove ecosystems. Journal of photogrammetry and
remote sensing, v.63, n.5, p.578-589.
COSTA, B.M.; BAUER, L.J.; BATTISTA, T.A.; MUELLER, P.W.; MONACO, M.E. 2009.
Moderate-Depth Benthic habitats of St. John, U.S. Virgin Islands. NOAA Technical
Memorandum NOS NCCOS 105, Silver Spring, p.57.
DE JONG, S.M.; HORNSTRA, T.; MAAS, H. 2001. An integrated spatial and spectral
approach to the classification of Mediterranean land cover types: the SSC method.
International Journal of Applied Earth Observation and Geoinformation, v.32, n.2, p.176-183.
DESCLÉE, B.; BOGAERT, P.; DEFOURNY, P. 2006. Forest change detection by
statistical object-based method. Remote Sensing of Environment, v.102, n.1-2, p.1-11.
DOU, W.; REN, Y.; WU, Q.; RUAN, S.; CHEN, Y.; BLOYET, D.; CONSTANS, J. 2007.
Fuzzy kappa for the agreement measure of fuzzy classifications. Neurocomputing, v.70,
n.4-6, p.726-734.
DUPUY, R.J.M.; GONZÁLEZ, I.J.A.; IRIARTE V.S.; CALVO, I.LM.; ESPADAS, M.C.;
TUN, D.F.; DORANTES, E.A. 2007. Cambios de cobertura y uso del suelo (1979-
2000) en dos comunidades rurales en el noroeste de Quintana Roo. Investigaciones
Geográficas, n.62, p.104-124.
84
ETTER, A. Introducción a la ecología del Paisaje. 1991. Instituto Geográfico Agustín Codazzi.
ETTER, A.; MCALPINE, C.; WILSON, K.; PHINN, S.; POSSINGHAM, H. 2006.
Regional patterns of agricultural land use and deforestation in Colombia. Agriculture,
Ecosystems and Environment, v.114, n.2-4, p.114-369.
EZQUERRA A.C.; CUESTA, E. M.; LOPEZ, J.U.M. 1998. Proyecto LACOAST. Cambios
en la cobertura del suelo en las costas europeas. Observatorio medioambiental,
Universidad Computense, Madrid. v.1, p.201-219.
FIGUEIREDO, DM.S.M.; DE CARVALHO T.L.M. 2007. Análise comparativa entre
técnicas de classificação digital em imagens Landsat no mapeamento do uso e
ocupação do solo em Capixaba, Acre. Anais XIII Simpósio Brasileiro de Sensoriamento
Remoto, Florianópolis, Brasil, INPE, p.6729-6736.
GAMANYA, R.; DE MAEYER, P.; DE DAPPER, M. 2009. Object-oriented change
detection for the city of Harare, Zimbabwe. Expert Systems with Applications, v.36, n. 1,
p.571-588.
GARZELLI, A.; NENCINI, F. 2007. Panchromatic sharpening of remote sensing images
using a multiscale Kalman. Pattern Recognition, v.40, n.12, p.3568-3577.
GODOY, C.S.; MARTÍNEZ, T.J.F.; DÍAZ DE LEÓN, S.J.L. 2006. A unified methodology
to evaluate supervised and non supervised classification algorithms. Computación y
Sistemas, v.9, n.4, p.370-379.
GONZÁLEZ, A.F.& LÓPEZ, S.S. 1991. Using contextual information to improve land use
classification of satellite images in central Spain. International Journal of Remote Sensing,
v.12, n.11, p.2227-2235.
GONZÁLEZ, S.; 2005. La Geografía escalar del capitalismo actual. Revista Electrónica de
Geografía y Ciencias Sociales, Universidad de Barcelona, v.9, n.189, p.91-111.
GOODCHILD, M.F. 2001. Metrics of scale in remote sensing and GIS. International Journal
of Applied Earth Observation and Geoinformation, v.3, n.2, p.114-120.
Bibliografía 85
GUNTLI, D. 2006. Classification of land cover and land use - an object-oriented approach
in Western Tajikistan. Tesis, University of Zurich, Suiza, p.157.
HAY, G.J.; CASTILLA, G.; WULDER, M.A.; RUIZ, R.J. 2005. An automated object-based
approach for the multiscale image segmentation of forest scenes. International Journal of
Applied Earth Observation and Geoinformation, v.7, n.4, p.339-359.
HAY, G.J.; NIEMANN, K.O.; MCLEAN, G.F. 1996. An object-specific image-texture
analysis of H-Resolution forest imagery. Remote Sensing of Environment, v.55, n.2, p.108-
122.
HESE, S. & SCHMULLIUS, C. 2009. High spatial resolution image object classification for
terrestrial oil spill contamination mapping in West Siberia. International Journal of
Applied Earth Observation and Geoinformation, v.11, n.2, p.130-141.
IDEAM. 2010. Leyenda nacional de coberturas de la tierra, Metodología CORINE Land
Cover adaptada para Colombia escala 1:100.000. Instituto de Hidrología, Meteorología y
Estudios Ambientales.
IGAC - CORPOICA. 1973. Reconocimiento semidetallado de suelos del Centro de
Investigación ―La Libertad‖, departamento del Meta. Instituto Geográfico Agustín
Codazzi, p.1-67.
IGAC - CORPOICA. 2002. Uso adecuado y conflictos de uso de las tierras en Colombia.
Subdirección de Agrología, IGAC. Subdirección de Investigación en Sistemas de Producción,
CORPOICA. Bogotá, D. C. v.4, p.1-99.
IGAC. 2005. Estudio general de suelos y zonificación de tierras del departamento del Meta.
Instituto Geográfico Agustín Codazzi. Archivo Digital.
IGAC. 2010. Coberturas y usos de la tierra del departamento del Quindío. Instituto Geográfico
Agustín Codazzi, p.1-256.
86
JACQUIN, A.; MISAKOVA, L.; GAYA, M. 2008. A hybrid object-based classification
approach for mapping urban sprawl in periurban environment. Landscape and Urban
Planning, v.84, n.2, p.152-165.
KAYITAKIRE, F.; HAMEL, C.; DEFOURNY, P. 2006. Retrieving forest structure
variables based on image texture analysis and IKONOS-2 imagery. Remote Sensing of
Environment, v.102, n.3-4, p.390-401.
KNORN, J.; RABE, A.; RADELOFF, V.C.; KUEMMERLE, T.; KOZAK, J.; HORSTERT,
P. 2009. Land cover mapping of large areas using chain classification of neighboring
Landsat satellite images, Remote sensing of environment, v.113, n.5, p.957-964
KUEMMERLE, T.; DAMM, A.; HOSTERT, P. 2008. A method to detect and correct
single-band missing píxels in Landsat TM and ETM+. Computers and Geosciences, v.34,
n.5, p.445-455.
LALIBERTE, A.S.; RANGO, A.; HAVSTAD K.M.; PARIS, J.F.; BECK, R.; MCNEELY, R.;
GONZALEZ, A.L. 2004. Object-oriented image analysis for mapping shrub
encroachment from 1937 to 2003 in southern New Mexico. Remote Sensing of
Environment, v.93, n.1-2, p.198-210.
LALIBERTE, A.S.; RANGO, A.; HERRICK, J.E.; FREDRICKSON, E.L.; BURKETT, L.
2007. An object-based image analysis approach for determining fractional cover of
senescent and green vegetation with digital plot photography. Journal of Arid
Environments, v.69, n.1, p.1-14.
LANG, R., SHAO, G.; PIJANOWSKI, B.C.; FARNSWORTH, R.L. 2008. Optimizing
unsupervised classifications of remotely sensed imagery with a data - assisted labeling
approach. Computers and Geosciences, v.34, n.12, p.1877-1885.
LEWINSKI, S. & ZAREMSKI, K. 2004. Examples of object-oriented classification
performed on high-resolution satellite images. Miscellanea Geographica, v.11, p.349-359.
Bibliografía 87
LI, M.; WU., Y.; ZHANG, Q. 2009. SAR image segmentation based on mixture context and
wavelet hidden - class - label Markov random field. Computers and Mathematics with
Applications. V.57, n.6, p.961-969.
LU, D. & WENG, Q. 2007. A survey of image classification methods and techniques for
improving classification performance. International Journal of Remote Sensing, v.28,
n.5,p.823-870.
LUCAS, R.; ROWLANDS, A.; BROWN, A.; KEYWORTH, S.; BUNTING, P. 2007. Rule-
based classification of multi-temporal satellite imagery for habitat and agricultural land
cover mapping. Journal of Photogrammetry and Remote Sensing, v.62, n.3, p.165-185.
MACEDO-CRUZ, A.; PAJARES-MSRTINSANZ, G.; SANTOS-PENAS, M. 2010.
Clasificación no supervisada con imágenes a color de cobertura terrestre. Agrociencia,
v.44, n.6, p.711-722.
MALLINIS, G.; EMMANOLOUDIS, D.; GIANNAKOPOULOS, V.; MARIS, F.;
KOUTSIAS, N. 2011. Mapping and interpreting historical land cover/land use
changes in a natura 2000 site using earth observational data: the case of Nestos delta,
Greece. Applied Geography, v.31, p.312-320.
MALLINIS, G.; KOUTSIAS N.; TSAKIRI-STRATI M.; KARTERIS, M. 2008. Object-
based classification using Quickbird imagery for delineating forest vegetation polygons
in a Mediterranean test site. Photogrammetry and Remote Sensing, v.63, n.2, p.237-250.
MARCELINO, E.V.; FORMAGGIO, A.R.; MAEDA, E.E. 2009. Landslide inventory using
image fusion techniques in Brazil. International Journal of Applied Earth Observation and
Geoinformation. v.11, n.3, p.181-191.
MELO, W.H.; CAMACHO, C.M. 2005. Adaptación de la metodología CORINE Land
Cover para Colombia. Instituto Geográfico Agustín Codazzi, p.22-36.
NINGAL, T.; HARTEMINK, A.E.; BREGT, A.K. 2008. Land use change and population
growth in the Morobe Province of Papua New Guinea between 1975 and 2000 Journal
of Environmental Management, v.87, n.1, p.117–124.
88
NOVO, E.M.L.M. 2002. Sensoriamento Remoto. Princípios e Aplicações. São Paulo: Edgard
Blucher. 2da edição.
OTAZU, J. & NUÑEZ, J. 2001. Algoritmo de clasificación no supervisada basado en
wavelets. Revista de Teledetección, v.16, p.83-89.
PANDIT, Y.P.; BADHE, Y.P.; SHARMA, B.K.; TAMBE, S.S.; KULKARNI, B.D. 2011.
Classification of Indian power coals using K-means clustering and Self Organizing
Map neural network. Fuel, v.90, N.1, p.339-347.
PANT, T.; DHARMENDRA, S.; TANUJA, S. 2010. Advanced fractal approach for
unsupervised classification of SAR images. Advances in Space Research, v.45, n.11,
p.1338-1349.
PEREA, A.J.; MERONO, J.E.; AGUILERA, M.J. 2009. Clasificación orientada a objetos en
fotografías aéreas digitales para la discriminación de usos del suelo. INCI, v.34, n.9,
p.612-616.
ROBINSON, D.J.; REDDING, N.J.; CRISP, D.J. 2002. Implementation of a fast algorithm
for segmenting SAR imagery. Scientific and technical report, Australia. Defense Science
and Technology Organization, p.1-48.
ROJAS, E.G. & ORTIZ, I.O. 2009. Identificación del cilindro nudoso en imágenes TC de
trozas podadas de Pinus Radiata utilizando el Clasificador de Máxima Verosimilitud.
Maderas, Ciencia y Tecnología, v.11, n.2, p.117-127.
SÁ, R.DA.; ALMOROX, J.; DE SOUZA, A. 1996. Comparación de dos métodos de
clasificación digital y aplicación al cartografiado de vegetación en el nordeste brasileño.
Revista de Teledetección, v.7, n.7, p.1-6.
SAMSUDIN, N.A. & BRADLYE, A.P. 2010. Nearest neighbour group-based classification.
Pattern Recognition, v.43, n.10, p.3458-3467.
Bibliografía 89
SANTANA, O.A.; CARVALHO JÚNIOR, O.A..; PIMETNEL, C.M.M.; GOMES, R.AT.;
OLIVEIRA, S.N. 2010. Modelagem de espectros temporais NDVI-MODIS, no
período de 2000 a 2008, na bacia do rio Paracatu, Brasil. Revista Brasilera de Geografía,
v.28, n.1, p.47-60.
SANTOS, J.C. 2007 .Extração de atributos de forma e seleção de atributos usando
algoritmos genéticos para classificação de regîões. Tesis de maestría. Instituto Nacional
de Pesquisas Espaciais (INPE), Brasil, p.1-102.
SHATTRI, M.; WONG, T.H.; LOH K.F. 2008. Object oriented digital image classification.
International Journal for Geo-Informatics, v.4, n.3, p.676.
SHIBA, M.H.; SANTOS, L.R.; QUINTANILHA, J.A.; KIM, H.Y. 2005. Classificação de
imagens de sensoriamento remoto pela aprendizagem por árvore de decisão: uma
avaliação de desempenho. Anais do XII Simpósio Brasileiro de Sensoriamento Remoto,
Goiânia, p.4319-4326.
SILVÁN, C.J.L. 2010. Clasificación subpixel desde una perspectiva ontológica. CentroGeo,
México, D.F, v.1, n.1, p.1-24.
SINGH, A. 1989. Review Article Digital change detection techniques using remotely-sensed
data. International Journal of Remote Sensing, v.10, n.6, p.989-1003.
SOUTH, S.; QI, J.; LUSCH, D.P. 2004. Optimal classification methods for mapping
agricultural tillage practices. Remote Sensing of Environment, v.91, n.1, p.90-97.
SZILÁGYI, L.; MEDVES, L.; SZILÁGYI, S.M. 2010. A modified Markov clustering
approach to unsupervised classification of protein sequences. Neurocomputing, v.73,
n.13-15, p.2332-2345.
TANSEY, K.; CHAMBERS, I.; ANSTEE, A.; DENNISS, A.; LAMB, A. 2009. Object-
oriented classification of very high resolution airborne imagery for the extraction of
hedgerows and field margin cover in agricultural areas. Applied Geography, v.29, n.2,
p.145-157.
90
VALERIO, A.DM.; DA SILVA, G.B.S.; KAMPEL, M.; STECH, J.L. 2008. Avaliação da
classificação não supervisionada do uso do solo e tipos de água no reservatório de
manso, mt. Revista do Geografia-Ensino e Pesquisa, v.12, p.4081-4095.
VALOUS, N.A.; MENDOZA, F.; SUN D.; ALLEN, P. 2010. Supervised neural network
classification of pre-sliced cooked pork ham images using quaternionic singular values.
Meat Science, v.84, n.3, p.422-430.
VAN COILLIE, F.M.B.; VERBEKE, L.P.C.; DE WULF, R.R. 2007. Feature selection by
genetic algorithms in object-based classification of IKONOS imagery for forest
mapping in Flanders, Belgium. Remote Sensing of Enviroment, v.110, n.4, p.476-487.
VICENTE-SERRANO, S.M.; PÉREZ-CABELLO, F.; LASANTA, T. 2008. Assessment of
radiometric correction techniques in analyzing vegetation variability and change using
time series of Landsat images. Remote Sensing of Environment, v.112, n.10, p.3916-3934.
WALTER, V. 2004. Object-based classification of remote sensing data for change detection.
Journal of Photogrammetry and Remote Sensing, v.58, n.3-4, p.225-238.
WENG, Q. 2009. Remote Sensing and GIS Integration: Theories, Methods, and
Applications. McGraw-Hill, p.8-15.
WULDER, M.A.; WHITE, J.C.; GOWARD, S.N.; MASEK, J.G.; IRONS, J.R.; HEROLD,
M.; COHEN, W.B.; LOVELAND, T.R.; WOODCOCK, C.E. 2008. Landsat
continuity: Issues and opportunities for land cover monitoring. Remote Sensing of
Environment, v.112, n.3, p.955-969.
XIE, Z.; ROBERTS, C.; JOHNSON, B. 2008. Object-based target search using remotely
sensed data: a case study in detecting invasive exotic Australian Pine in south Florida.
Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.647-660.
YANG, C.C.; PRASHER, S.O.; ENRIGHT, P.; MADRAMOOTOO, C.; BURGESS, M.;
GOEL, K.P.; CALLUM, I. 2003. Application of decision tree technology for image
classification using remote sensing data. Agricultural Sytems, v.76, n.3, p.1101-1117.
Lista de Anexos
A. Listado de vuelo y índice de las fotografías aéreas pancromáticas
Listado de fotografías aéreas pancromáticas tomadas por el Instituto Geográfico Agustín
Codazzi.
Vuelo No
Foto Escala
1: Año Sobre Vuelo
No Foto
Escala 1:
Año Sobre
C_2714 232 42000 2004 S_39269 C_2714 79 39880 2004 S_39258
C_2714 234 42000 2004 S_39269 C_2714 81 39880 2004 S_39258
C_2714 191 42000 2004 S_39263 C_2714 249 41338 2004 S_39265
C_2714 193 40780 2004 S_39263 C_2714 251 41338 2004 S_39265
C_2714 195 40780 2004 S_39263 C_2714 253 41338 2004 S_39265
C_2714 180 40780 2004 S_39262 C_2714 255 41338 2004 S_39265
C_2714 178 40780 2004 S_39262 C_2713 17 42060 2004 S_39244
C_2714 176 40780 2004 S_39262 C_2713 19 42060 2004 S_39244
C_2714 174 40780 2004 S_39262 C_2713 21 42060 2004 S_39244
C_2714 133 40550 2004 S_39261 C_2713 23 42060 2004 S_39244
C_2714 135 40550 2004 S_39261 C_2713 36 41860 2004 S_39245
C_2714 137 40550 2004 S_39261 C_2713 38 41860 2004 S_39245
C_2714 116 40900 2004 S_39260 C_2713 40 41860 2004 S_39245
C_2714 118 40900 2004 S_39260 C_2713 42 41860 2004 S_39245
C_2714 120 40900 2004 S_39260 C_2713 75 41600 2004 S_39246
C_2714 75 39880 2004 S_39258 C_2713 77 41600 2004 S_39246
C_2714 77 39880 2004 S_39258 C_2713 79 41600 2004 S_39246
92
B. Mapa de coberturas y usos de la tierra, generadas a partir del ortofotomosaico
Se realizó el mapa de coberturas y usos de la tierra a escala 1:50.000, con la
interpretación del ortofotomosaico, disponible en formato PDF, anexo al documento
digital.
C. Matriz de las variables espaciales, y espectrales de la segmentación
Se encuentra anexo en formato de hoja electrónica del programa Excel.
D. Valores de los atributos de cada segmento seleccionados como muestras para la clasificación orientada a objetos para las dos imágenes
Se encuentra anexo en formato de hoja electrónica del programa Excel
Lista de Anexos 93
E. Parámetros estadísticos de las coberturas, generadas en la clasificación orientada a objetos
Se encuentra anexo en formato de hoja electrónica del programa Excel
F. Matríz B, de valores medios de los objetos encontrados
Se encuentra anexo en formato de hoja electrónica del programa Excel
G. Pruebas de Tukey realizadas para la selección de variables
Se encuentra anexo en formato de hoja texto del programa Word
94
H. Mapa de Cambio de Uso
Se realizó el mapa de cambio de uso de la tierra a escala 1:50.000, con la la metodología
propuesta de la Figura 5-1, disponible en formato PDF, anexo al documento digital.