DISEÑO TÉCNICO MAPAS DE CULTIVO - Prodesit – Iniciativa de … · 2015-10-02 · TIPOS DE IMÁGENES ... Este documento contiene el compendio de información que solventa la etapa

DISEÑO TÉCNICO – MAPAS DE CULTIVO

septiembre de 2014

Documento CONFIDENCIAL PRODESIT Página 2 de 23

Contenido

INTRODUCCIÓN ................................................................................................................................................ 3

DISEÑO TÉCNICO ............................................................................................................................................. 4

HERRAMIENTAS DE GENERACION DE MAPAS DE CULTIVO MEDIANTE TELEDETECCIÓN (LIDAR) . 4

TELEDETECCIÓN: ANTECEDENTES Y ESTADO ACTUAL ........................................................................ 5

TELEDETECCIÓN: DEFINICIONES Y BENEFICIOS .................................................................................... 6

CAMPOS DE APLICACIÓN ........................................................................................................................... 6

PRINCIPIOS BÁSICOS .................................................................................................................................. 7

Resolución Espacial ....................................................................................................................................... 8

Resolución Espectral ...................................................................................................................................... 8

Resolución Radiométrica ................................................................................................................................ 9

Resolución Temporal ...................................................................................................................................... 9

TIPOS DE IMÁGENES ................................................................................................................................. 10

Imagen multiespectral (MS). .................................................................................................................... 10

Imagen pancromática (PAN). ................................................................................................................... 10

Imagen fusionada (PS). ........................................................................................................................... 11

Imagen estéreo. ....................................................................................................................................... 11

GENERACIÓN SEMIAUTOMÁTICA DE MAPAS DE CULTIVO Y USOS DEL SUELO ............................... 12

Metodología de Sistematización y Análisis .............................................................................................. 12

Ortorrectificación ...................................................................................................................................... 13

Fusión de imágenes ................................................................................................................................. 13

Preparación de las zonas de trabajo ........................................................................................................ 13

Análisis de las imágenes .......................................................................................................................... 14

Análisis y Verificación de la imagen clasificada ....................................................................................... 19

Vectorización de la clasificación .............................................................................................................. 20

Unión de parcelas .................................................................................................................................... 20

INTEGRACIÓN Y COMBINACIÓN DE DATOS LIDAR E IMÁGENES DE SATÉLITE................................. 20

REFERENCIAS ................................................................................................................................................ 22


INTRODUCCIÓN

Este documento contiene el compendio de información que solventa la etapa de diseño para este componente

en específico.

Como parte de este documento, se integran los elementos que a su vez soportan el 10 % de avance en la

construcción de la herramienta del componente.


DISEÑO TÉCNICO

HERRAMIENTAS DE GENERACION DE MAPAS DE CULTIVO MEDIANTE

TELEDETECCIÓN (LIDAR)

El objetivo general del proyecto es la utilización de imágenes de satélite para la gestión del territorio en el ámbito

agrícola, y de esta forma potenciar el desarrollo de las tecnologías de la información espacial aplicadas a la

gestión territorial. La aproximación que se empleará para la consecución de este objetivo está basada en la

utilización del indicador NDVI (Normalized Difference Vegetation Index), para la consecución de una

herramienta que, mediante el análisis sistemático de imágenes satelitares de una zona (teledetección), permita

obtener de forma automática o semiautomática un mapa de cultivos de la misma, o la actualización de un mapa

de cultivos ya existente.

El importante desarrollo que ha experimentado la teledetección en el número de sensores, plataformas y

software en las últimas dos décadas, ha proporcionado a científicos e investigadores nuevas fuentes de

información en áreas tales como la oceanografía, la meteorología, la agricultura y las ciencias ambientales.

Dentro de las nuevas oportunidades que ofrecen estas innovaciones, tecnologías como el uso de sensores

hiper espectrales o térmicos, LiDAR, etc., han logrado captar la atención de la comunidad científica por la

capacidad de proporcionar grandes cantidades de información actualizada, de forma periódica y precisa.

Los sistemas agrícolas y forestales son particularmente propicios para la aplicación de estas tecnologías, con

un alto potencial de desarrollo, especialmente en los procesos relacionados con la evaluación, seguimiento y

aplicaciones de agricultura-selvicultura de precisión.


TELEDETECCIÓN: ANTECEDENTES Y ESTADO ACTUAL

En la década de los 50 se desarrollan los primeros satélites de observación de la Tierra con finalidad militar,

que tuvieron un impacto inmediato en aplicaciones civiles, como el sensor de observación meteorológica TIROS

(Television and InfraRed Observation Satellite), y los posteriores sensores meteorológicos como el ESSA-1/9

(1966-1969), y NOAA (National Oceanic and Atmospheric Administration). Con la experiencia adquirida con

estos sensores se pudieron desarrollar programas de observación de la Tierra y de evaluación de los recursos

naturales, de gran impacto científico y tecnológico. El programa Landsat, que puso en órbita su primer satélite

en 1972, ha mantenido su vigencia hasta la actualidad con el sensor Landsat-5 TM (Thematic Mapper) todavía

operativo, y el Landsat 8-LDCM, lanzado recientemente. Otros países han puesto en marcha programas de

teledetección, como Francia (consorcio franco-belga-sueco SPOT), Japón (JERS-1), o la India (IRS-1a, -1b and

-1c, National Remote Sensing Agency-Indian Research and Scientific Organisation), ofreciendo una gran

variedad de datos espaciales. De igual forma, se ha ampliado la oferta de sensores de muy alta resolución

espacial, como Geo-Eye (1,64 m píxel) y QuickBird (2,4 m píxel).

Sin embargo, el desarrollo de la teledetección no ha parado ahí, y se han incorporando nuevos sensores que

explotan datos en otras regiones del espectro electromagnético, como los sistemas activos radar. Algunos

ejemplos son los sistemas radar de apertura sintética SAR (Synthetic Aperture Radar), como el instalado en el

satélite ERS 1-2 (European Remote Sensing) de la Agencia Espacial Europea (1991-1995) o RadarSat

canadiense. Mas recientemente, se ha empezado a sustituir el tradicional análisis multiespectral, basado en los

datos de a lo sumo cinco o seis bandas, por sensores hiperespectrales, que suministran información de 200

bandas del espectro simultáneamente, como el sensor hiperespectral Hyperion, montado sobre el satélite

experimental EO-1.

El incremento de la resolución espacial y de la utilización de nuevos sensores (radar, hiperespectrales, LiDAR,

etc…), así como de plataformas (aviones de pequeña envergadura, aviones no tripulados, etc.) amplían el

campo de la teledetección en la observación de la tierra, y suponen un enorme campo de evolución de la

teledetección.

El desarrollo de la teledetección solo ha sido posible gracias a una mejora de la capacidad de procesado y

análisis de datos, en particular mediante el uso de sistemas de información geográfica (SIG), que amplían las

posibilidades de tratamiento, la simplificación de los procedimientos, y la mayor potencia y rapidez de las

plataformas de proceso que están permitiendo abordar problemas más complejos. Por otro lado, el

procesamiento de las imágenes es necesario para convertir la información de los sensores en un documento

cartográfico (correcciones geométricas y atmosféricas principalmente), lo que obliga a un cuidadoso

preprocesado de la información espectral para obtener como resultado un documento auténticamente

cartográfico.


TELEDETECCIÓN: DEFINICIONES Y BENEFICIOS

La teledetección se ha convertido en las últimas décadas en una herramienta imprescindible en numerosos

ámbitos de nuestra sociedad. Son muchos los ejemplos de su aplicación como base para la toma de decisiones

en la gestión eficiente de la agricultura y los bosques, los recursos naturales, la meteorología, la ordenación del

territorio o la elaboración de cartografía entre otros.

Teledetección es el vocablo usado por los hispanoparlantes para referirse al término inglés “remote sensing”,

que se traduce literalmente como percepción remota. Se refiere a la ciencia, técnica o, incluso “arte” para

algunos, de obtener información (imágenes) de la superficie de nuestro planeta a distancia, sin entrar en

contacto directo con él. Pero la teledetección también incluye todo el trabajo realizado a posteriori con esas

imágenes, es decir, su procesamiento e interpretación.

La teledetección más utilizada se refiere a la captura de imágenes desde satélites o plataformas aéreas

(aviones, helicópteros o vehículos aéreos no tripulados). Sin embargo, las ventajas que ofrece la observación

espacial desde satélites, esto es, la cobertura global y exhaustiva de la superficie terrestre, la observación

multiescala y no destructiva y la cobertura repetitiva, han propiciado el desarrollo y utilización de este tipo de

productos de manera sistemática.

La teledetección es la técnica de adquisición de datos de la superficie terrestre desde sensores instalados en

plataformas espaciales. La interacción electromagnética entre el terreno y el sensor, genera una serie de datos

que son procesados posteriormente para obtener información interpretable de la Tierra. Suministra información

periódica y actualizada del territorio a partir de la medición de la intensidad de diferentes longitudes de onda de

energía electromagnética que se reflejan desde la superficie terrestre. La intensidad con la que la energía

electromagnética es reflejada, varía de acuerdo a la naturaleza física y propiedades ópticas de la superficie

sobre la cual incide la energía.

CAMPOS DE APLICACIÓN

Las aplicaciones agrícolas y forestales, y en general de cubiertas vegetales, son algunas de las áreas de

desarrollo de la teledetección más activa en los últimos años, en aspectos tales como la estimación de la

producción agrícola, control de superficies de cultivo para el seguimiento de la Política Agraria Comunitaria

(PAC) de la Unión Europea, el control de determinadas plagas o enfermedades de las plantas cultivadas y

forestales, la evaluación de daños ocasionados por incendios forestales o su seguimiento en tiempo real.


La respuesta espectral de la vegetación depende de tres factores: la estructura geométrica de la planta, la

química foliar y los parámetros agronómicos. La estructura geométrica de la planta influye en la cantidad de

energía electromagnética que puede ser reflejada, absorbida o transmitida hacia el sensor. En el caso de la

química foliar, la respuesta espectral también es influenciada por los pigmentos presentes en las hojas, como

clorofila, caroteno, xantofila y antocianina. Parámetros agronómicos como variaciones en el contenido

nutricional, o el contenido hídrico vinculado a prácticas de riego inciden directamente en longitudes de onda

específicas. Mediante la medición de la respuesta (en términos de radiancia o de reflectancia) de la vegetación

en cada intervalo de longitudes de onda, se identifican firmas espectrales que pueden caracterizar diferentes

tipos de cubierta vegetal de acuerdo principalmente a sus propiedades ópticas y estado fisiológico.

La mayoría de estudios coinciden en señalar la importancia del uso de la teledetección en numerosas

aplicaciones relacionadas con la agricultura y los ecosistemas terrestres, a partir de la experiencia adquirida en

los últimos años sobre la respuesta espectral de diferentes tipos de cubierta vegetal. Los avances obtenidos en

los estudios relacionados con sistemas agrícolas y forestales, y su relación con los procesos fisiológicos serviría

de base para desarrollar modelos precisos que puedan describir criterios para la identificación específica, así

como para estimar variables biofísicas. La integración de información espectral con datos fisiológicos puede

apoyar nuevos estudios orientados a identificar parámetros que ayuden a evaluar la producción y la respuesta

a estreses tanto de sistemas agrícolas como forestales.

Es importante también considerar el desarrollo de las aplicaciones de sensores remotos en ecosistemas

análogos, y como estos están sujetos a los avances tecnológicos en materia de generación de nuevos sensores

y técnicas de procesamiento de información. Una nueva generación de sensores con mejores resoluciones

espaciales, espectrales y temporales, adaptados a las necesidades de los agricultores del mundo, unido a una

reducción del costo de adquisición y procesado de las imágenes, hará estos productos más accesibles a todo

tipo de usuarios.

PRINCIPIOS BÁSICOS

La energía captada por el sensor se transmite a una estación de recepción y procesamiento donde los datos

se convierten en imágenes digitales (E). La imagen procesada se interpreta, visualmente y/o digitalmente, para

extraer información acerca de los objetos que fueron iluminados (F). El paso final del proceso de teledetección

consiste en aplicar la información extraída de la imagen para conseguir un mejor conocimiento de la zona de

estudio, revelando nuevas informaciones o ayudándonos a resolver un problema particular (G).


Varios satélites modernos tienen la capacidad de reorientar en cualquier dirección (off-nadir) el sensor durante

la adquisición de imágenes y tomar franjas adyacentes en una única pasada. Este hecho se traduce en un

aumento del ancho de barrido práctico del satélite, lo cual supone un incremento importante en la capacidad de

adquisición de imágenes de los satélites que poseen esta tecnología. Los sensores instalados en los satélites

de teledetección poseen una serie de particularidades que determinan las características de las imágenes que

van a proporcionar. Estas características vienen definidas básicamente por diferentes tipos de resolución:

Resolución Espacial

La resolución espacial es una medida de la distancia angular o lineal más pequeña que puede captar un sensor

remoto de la superficie de la Tierra, y viene representada por un píxel. Un píxel es la unidad mínima que

conforma una imagen digital. Son varios los factores que determinan la resolución espacial de un sensor remoto

(distancia sensor-superficie terrestre, ángulo de visión y campo de visión instantáneo). Para el caso de los

sensores a bordo de satélites estos factores son prácticamente fijos, por lo que la resolución espacial puede

ser considerada constante, siempre y cuando el ángulo de visión no sea grande.

Cuanto mayor sea la resolución espacial, es decir, menor superficie represente un píxel de la imagen, más

pequeños serán los objetos que se pueden distinguir en la superficie y viceversa. A modo de ejemplo, una

imagen con una resolución de 0,5 m/píxel permitirá distinguir objetos más pequeños que una imagen de 2

m/píxel.

Resolución Espectral


Las distintas superficies terrestres responden de manera diferente a la radiación electromagnética (reflectancia).

Esto significa que se puede obtener una firma espectral específica para cada superficie. Así, los diferentes tipos

de superficie, naturales o no, se pueden identificar en base a sus firmas espectrales.

La resolución espectral de un sensor será pues el número y anchura de las bandas espectrales que puede

discriminar. Un incremento en la resolución espectral resultará en un número mayor de canales o bandas

espectrales. Sin embargo, esta resolución adicional supone también un costo en términos de volumen de datos

e incremento del costo de procesamiento.

Resolución Radiométrica

La resolución radiométrica de los datos de teledetección se define como la cantidad mínima de energía

requerida para incrementar el valor de un píxel en un nivel digital (ND). La resolución radiométrica en imágenes

digitales es comparable al número de tonos de gris en una fotografía en blanco y negro, ya que ambos se

relacionan con el contraste. El ojo humano solo es capaz de percibir aproximadamente 30 tonos de gris

diferentes, lo que implica que normalmente la información visual en las imágenes digitales es menor a la que

realmente contienen.

Aunque la resolución radiométrica define el máximo número de niveles digitales detectables por un sensor,

normalmente una imagen real no los contiene todos y además, no suele haber máximos y mínimos

simultáneamente. En estos casos se pueden aplicar técnicas de tratamiento de imágenes para mejorar su

apariencia visual, pero nunca la resolución radiométrica propia del sensor.

Resolución Temporal

La resolución temporal es el ciclo de repetición, o intervalo de tiempo, entre dos adquisiciones de imágenes

sucesivas de una misma porción de la superficie y depende, en gran medida, de las características orbitales

del satélite. Muchas veces también se la denomina periodo de revisita. Normalmente los satélites

meteorológicos tienen una frecuencia diaria (NOAA) o incluso menor (METEOSAT), mientras que la de los

satélites de recursos naturales (tipo LANDSAT) es de 16 a 18 días. Sin embargo, muchos satélites actuales

tienen la capacidad de reorientar el sensor, lo que les permite aumentar su frecuencia de revisita para una zona

determinada, muy importante en el seguimiento de desastres naturales o para detectar procesos que tienen

poca perdurabilidad en el tiempo. La resolución temporal de un sensor depende principalmente de tres factores:

capacidad de reorientación del sensor a ambos lados de la línea de paso del satélite, del ancho de barrido y de

la latitud, ya que en el caso de órbitas cuasi polares, a mayor latitud, menor periodo de revisita.


La posibilidad de captar imágenes de una misma zona de la superficie terrestre en diferentes periodos de tiempo

o épocas del año, es una de las características más importantes de los satélites de teledetección. Las

características espectrales de una superficie terrestre pueden cambiar a lo largo del tiempo. Estos cambios

pueden ser detectados con la adquisición y comparación de imágenes multitemporales.

TIPOS DE IMÁGENES

El tipo de producto más común que suministran los satélites de teledetección es una imagen digital tipo raster,

donde cada píxel tiene asignado uno o varios valores numéricos (niveles digitales) que hacen referencia a la

energía media recibida dentro de una determinada banda espectral. Teniendo esto en cuenta, se pueden

adquirir los siguientes tipos de imágenes:

Imagen multiespectral (MS).

Imagen que lleva asociados varios valores numéricos a cada píxel, tantos como bandas espectrales sea capaz

de detectar el sensor. A priori, es el tipo de producto más útil ya que nos proporciona, en cierto modo, la firma

espectral de los distintos elementos presentes en la imagen. Así, por ejemplo, el satélite IKONOS proporciona

una imagen multiespectral con 4 bandas, que cubren las regiones espectrales correspondientes al azul, verde,

rojo e infrarrojo próximo. Cuanto mayor sea el número de bandas que proporciona el sensor, mayor será la

capacidad de análisis de los elementos presentes en la imagen.

Aparte de las multiespectrales también existen las denominadas imágenes hiperespectrales, menos

habituales. Vienen caracterizadas por poseer información en un gran número de bandas. Se requieren para

estudios de identificación y clasificación muy precisos, principalmente en mineralogía. A día de hoy provienen

de algunos satélites de tipo experimental, como es el caso del sensor HYPERION (220 bandas), a bordo del

satélite EO-1, por lo que su disponibilidad es bastante limitada.

Imagen pancromática (PAN).

Dispone de una sola banda espectral que abarca comúnmente gran parte del visible y comienzo del infrarrojo,

obteniendo como resultado una imagen que habitualmente se representa en una escala de grises (imagen en

blanco y negro). Como contrapartida, tienen la ventaja de poseer mayor resolución espacial que las

multiespectrales que proporciona el mismo satélite. Es por ello que son muy interesantes para la detección de

pequeños elementos de la superficie terrestre que no son distinguibles en la imagen multiespectral.


En aquellos satélites donde existe la posibilidad de obtener imágenes multiespectrales y pancromáticas de

forma simultánea es habitual la opción de suministrar, bajo pedido, ambas imágenes en lo que se conoce como

opción Bundle.

Imagen fusionada (PS).

Este tipo de imagen se obtiene mediante la fusión de una imagen multiespectral con una pancromática. Las

siglas PS provienen de pan-sharpened, su denominación en inglés. Básicamente, consiste en asignar a cada

píxel de la imagen pancromática los valores procedentes de un algoritmo que combina la imagen pancromática

con la multiespectral. El resultado final es una imagen multiespectral con la resolución espacial de la

pancromática. El inconveniente de este tipo de imágenes es que se modifica la información espectral original

captada por los sensores a través de los algoritmos usados, por lo que se suelen utilizar únicamente como

herramientas de interpretación visual y no para análisis espectral. Esta fusión se encuentra dentro de la oferta

de los distribuidores oficiales de los satélites capaces de obtener una imagen multiespectral y pancromática.

Dicha fusión, con el software adecuado, puede ser realizada por los usuarios.

Imagen estéreo.

En realidad se refiere a dos imágenes de una misma zona tomadas con ángulos de visión distintos. Muchos

satélites tienen la capacidad de reorientar el sensor, lo que les permite tomar, en una o en sucesivas pasadas,

este tipo de imágenes. Se suelen emplear para generar modelos de elevación del terreno.


GENERACIÓN SEMIAUTOMÁTICA DE MAPAS DE CULTIVO Y USOS DEL SUELO

La generación semiautomática de mapas de cultivo y usos del suelo se considera objetivo fundamental del

proyecto, como ya se ha descrito, y con esta actividad se trata de constatar que las imágenes de satélite de

alta resolución pueden ser empleadas para la creación y actualización de los mapas de cultivos.

Fases del Proceso de Producción /Actualización del Mapa de Cultivos

1. Determinación de las zonas de estudio o ámbito de actuación.

2. Elección del satélite para la realización de los trabajos.

3. Solicitud y adquisición de la imagen (elección del tipo y la resolución necesaria).

4. Trabajo de campo (fichas de recogida de atributos).

Metodología de Sistematización y Análisis

Pre-procesamiento de las imágenes.

Una vez que la empresa suministradora informa de que la imagen está disponible en el servidor, se descarga

por medio de un programa de conexión y descarga a servidores ftp. Normalmente la imagen viene comprimida

para poderse bajar todo el paquete de información de una sola vez. Cuando ésta es descomprimida, aparecen

los archivos de las imágenes (multiespectral, pancromática, etc., según se hayan adquirido), y todos sus

ficheros asociados (mismo nombre pero distinta extensión). También puede ser de utilidad el archivo de

metadatos de la imagen, donde se pueden consultar información asociada a la imagen, como la fecha y hora

de adquisición, ángulo y orientación del satélite, posición del sol en el momento de adquisición de la imagen,

porcentaje de nubes, resolución primaria de la imagen, etc. Este archivo puede ser abierto normalmente con

cualquier procesador de texto.

También suele acompañarse un archivo jpg que es un quicklook de la imagen y que puede servir para hacernos

una idea rápida de cómo es la imagen antes de abrirla con un programa específico de tratamiento de imágenes

o de SIG.


Ortorrectificación

En ocasiones, las imágenes adquiridas pueden estar procesadas en el nivel Geo, es decir, estar corregidas

radiométricamente y proyectadas a un sistema de coordenadas, pero no ortorrectificadas. Esto significa que la

imagen posee las deformaciones propias producidas por el ángulo de adquisición y la orografía del terreno y

por lo tanto presenta desplazamientos desiguales con respecto a una ortofoto o a cualquier cartografía de la

zona. Para realizar la ortorrectificación se necesita un programa que puede realizar este tipo de operaciones.

Además de la imagen original, es necesario poseer un modelo digital del terreno que abarque la superficie que

ocupa la imagen.

El proceso es automático y solo hay que definir la imagen a ortorrectificar, el modelo digital del terreno y el

desfase del geoide (Geoid offset), que es propio de cada punto de la superficie terrestre. Una vez

ortorrectificadas, las imágenes pueden presentar aún algún desplazamiento, que suele ser en una sola dirección

en toda la imagen, con lo que basta un pequeño desplazamiento en bloque para corregir el error tomando como

referencia una ortofoto o un mapa. Hecho esto, la imagen ya está lista para trabajar con ella junto con otras

capas de información.

Fusión de imágenes

La fusión de imágenes o Pan Sharpening es un proceso en el que se obtiene una imagen a color con más

resolución que la imagen original, al combinarla con la imagen pancromática o en blanco y negro (de mayor

resolución espacial). Resumiendo, en el proceso se consigue una imagen con la resolución espectral de la

imagen multiespectral o en color y la resolución espacial de la imagen pancromática o en blanco y negro. Estas

imágenes son muy útiles a la hora de fotointerpretar, ya que en ellas se pueden distinguir elementos muchos

más pequeños y con más claridad que con las imágenes multiespectral y pancromática por separado.

Preparación de las zonas de trabajo

La idea de analizar toda la imagen de una sola vez puede ser una de las primeras sensaciones a la hora de

acometer un trabajo de estas características. Sin embargo, las especiales características agroclimáticas que

pueden darse en determinados territorios hacen que el paisaje agrícola cambie drásticamente según nos

encontremos en distintas zonas. La vertiente y la altitud, principalmente, hacen variar radicalmente los tipos de

cultivos presentes en cada ámbito de estudio. Este hecho hace casi imprescindible que el área de estudio sea

dividida en zonas agrícolamente lo más homogéneas posibles. Esto se traduce en que habrá que crear muchas

zonas independientes de trabajo y por lo tanto, para poder trabajar, habrá que tener en cada una de ellas una

serie de parcelas testigo que sirvan tanto para el proceso de clasificación como de evaluación de los resultados.


Análisis de las imágenes

1. Fotointerpretación

Debe comprobarse si puede ser necesario recurrir a la fotointerpretación para clasificar las imágenes. En

ocasiones los primeros resultados de clasificaciones automáticas pueden mostrar que es prácticamente

imposible distinguir de forma automática algunos cultivos. Este hecho tenía que ver fundamentalmente con la

presencia de cultivos que presenten una discontinuidad espacial, como por ejemplo la viña o los árboles frutales.

Estos cultivos son fácilmente distinguibles de forma visual, por ejemplo, en las imágenes fusionadas o en las

ortofotos suministradas por las entidades públicas.

Para realizar los trabajos de fotointerpretación es necesario trabajar con la imagen fusionada, ya que es la que

proporciona una resolución espacial suficiente como para poder hacer este trabajo. La imagen multiespectral,

de 2 metros por pixel, no proporciona un nivel de detalle suficiente.

2. Clasificación

Uno de los métodos más utilizados para transformar los datos contenidos en las imágenes en información

temática es la clasificación digital y el mapeo de los distintos tipos de cubiertas de suelo. Son muchos los

métodos y algoritmos existentes de clasificación de una imagen. Las estrategias a seguir para la obtención de

estos mapas son numerosas y comprenden la selección del tipo de sensor, el método de clasificación

(supervisado, no supervisado o mixto), el algoritmo (paramétrico o no paramétrico), los conjuntos de bandas

y/o combinaciones de ellas y el número de imágenes (clasificaciones unitemporales o multitemporales).

Tradicionalmente la clasificación se ha realizado a nivel de píxel. Eso significa que el procedimiento para

discernir entre distintas clases en una imagen se realiza con un cálculo independiente para cada píxel de la

imagen. Es posible aplicar filtros y correcciones una vez hecha la clasificación con el fin de suavizar o mejorar

los resultados, pero el análisis inicial en este caso se realiza siempre a nivel de píxel.

La clasificación digital es un proceso que permite categorizar una imagen concreta, reduciendo los niveles

digitales detectados por el sensor a clases categóricas u ordinales, no siendo su objetivo buscar definiciones

de cubiertas absolutas o universales aplicables a otras imágenes. Como resultado se obtiene una imagen

temática donde cada píxel u objeto contiene un valor que define la clase asignada. Nada tiene que ver este

valor temático con el nivel digital que contiene cada píxel antes de la clasificación. Las fuentes de información


más habitualmente empleadas en las clasificaciones digitales son aquellas provenientes de sensores remotos

aerotransportados o satelitales.

Los sensores remotos permiten resolver algunas carencias de la visión humana, ampliando la perspectiva visual

e informativa que percibimos del entorno. Con ellos obtenemos información a distancia de objetos situados en

la superficie terrestre y somos capaces de explorar zonas del espectro electromagnético no visible, información

ajena al ojo humano, amplificado de este modo el conocimiento que percibimos del medio que nos rodea. Los

sensores fotográficos aerotransportados, como los empleados en el vuelo del Instituto Geográfico Nacional

(IGN) para la ejecución del PNOA (Plan Nacional de Ortofotografía Aérea de España. Ministerio de Fomento,

2013), proporcionan imágenes que recogen información espectral. Sin embargo, esta información no siempre

es suficiente en la discriminación de cubiertas agrícolas o forestales, debido a que numerosas especies

presentan un comportamiento espectral similar.

El primer paso para clasificar una imagen es la captura de regiones de interés (ROI) de cada uno de los cultivos

presentes en ella. Para ello hay que basarse en el trabajo del campo y en la propia imagen. Captando esta

información se están definiendo las características espectrales de cada uno de los usos del suelo, y es lo que

suelen utilizar los programas de clasificación de imágenes de satélite para asignar a cada uno de los píxeles

de la imagen su clase correspondiente.

Por lo tanto, el resultado de una clasificación depende de las capas de información entrantes, pero este no es

el único factor influyente, ya que la elección de uno u otro método de clasificación también tiene influencia en

el resultado final. Las clasificaciones orientadas a objetos (Object Based Image Analyst, OBIA) se están

imponiendo sobre los métodos tradicionales de clasificación, que interpretan de forma independiente cada píxel

sin tener en cuenta a los vecinos. El paradigma de la clasificación OBIA consiste en agrupar los píxeles

primitivos en entidades significativas y consistentes (objetos imagen), que recogen información espectral,

variables de contexto y variables de forma. Estos objetos, imagen o segmentos se adaptan mejor a las distintas

geometrías de los diferentes tipos de cubiertas.

El Análisis de Imágenes Orientado a Objetos es una técnica empleada para analizar imágenes satelitales, esta

clasificación al igual que la convencional se basa en información de píxeles (valores espectrales de cada píxel),

incluye también un análisis basado en la información de un conjunto de píxeles similares llamados objetos. Los

objetos de la imagen son los grupos de píxeles que son similares entre sí y están basados en el color, la forma,

la textura, y la ubicación de estos en relación con otros objetos no clasificados o clasificados.

El proceso para separar la imagen en objetos se conoce como segmentación. Esta permite dividir una imagen

en “objetos primarios” que forman la base para clasificar el resto de la imagen. Dividir las imágenes en una serie

de objetos es un proceso fundamental para llevar a cabo un análisis de la imagen o para realizar una

interpretación automática de la misma. En este sentido, la segmentación es un paso crítico para su posterior


análisis, y uno de los principales motivos para llevarla a cabo es que la mayor parte de los datos de la imagen

presentan una textura característica, que es siempre obviada en las clasificaciones tradicionales realizadas

píxel a píxel.

Veamos algunos métodos:

NDVI (Normalized Difference Vegetation Index): Los índices de vegetación permiten discriminar cubiertas

que tienen un comportamiento reflectivo distinto en dos o más bandas del espectro electromagnético, entre

otras aplicaciones. Para la identificación de zonas de vegetación se emplean de forma habitual las bandas del

rojo e infrarrojo próximo, debido al particular comportamiento radiométrico de la vegetación sana, que presenta

un gran contraste entre estas dos bandas. En este contraste espectral se basan la mayoría de los índices de

vegetación.

El NDVI es unos de los más utilizados en clasificación, elegido por su facilidad de cálculo e interpretación. Este

índice toma valores en el rango [-1, +1]; en general, valores de NDVI en torno a 0,1 indican presencia de

vegetación, que será densa y vigorosa con valores de 0,5 o superiores. La definición de este índice se realiza

con reflectividades, pero cuando no se pretende conceder un valor físico a los resultados, son varios los autores

que emplean los niveles digitales. Puede aparecer en las formas de NDVI Normalizado, NDVI acumulado y

NDVI medio.

Índice de área foliar (leaf area index, LAI): parámetro biofísico del cultivo que tiene gran importancia

agronómica y es un indicador de la capacidad fotosintética del cultivo, estando estrechamente relacionado con

la producción final. Además, ofrece la posibilidad de definir dentro de la parcela zonas que pueden precisar un

manejo diferente del cultivo, dato de gran utilidad en agricultura de precisión. El LAI es uno de los parámetros

más útiles para caracterizar la vegetación. Se define como unidades de superficie de hoja verde por unidad de

superficie de terreno, pudiéndose valorar como total (ambas caras) o proyectada (superficie capaz de

interceptar la radiación). La relación entre total y proyectada es de 2.0 para las especies de hoja ancha y oscila

entre 2 y 3 para las hojas en forma de acículas, con valores típicos entre 2,4 y 2,6.

Clasificador por máxima probabilidad (maximum likelihood classifier, MLC): Es un algoritmo paramétrico

que asume alguna distribución estadística particular para las clases consideradas. El clasificador de máxima

probabilidad es uno de los más empleados en la clasificación supervisada y utiliza un modelo probabilístico,

comúnmente la distribución gaussiana para formular sus reglas de decisión en la categorización de los pixeles.

Indicador de concordancia KIA (Kappa Index of Agreement): Este índice mide la similitud entre clases

equivalentes de dos imágenes comparadas (por ejemplo, comparación clase por clase), donde una de ellas es


considerada como de referencia y la otra como de ajuste. El valor 1 indica que la clase de la imagen de ajuste

se superpone perfectamente a su equivalente en la imagen de referencia, mientras que el valor 0 indica que la

clase de la imagen de ajuste no se superpone a su equivalente en la imagen de referencia

Fracción de cobertura vegetal (VCF, vegetation cover fraction): definida como la fracción ocupada por la

cubierta verde o la proporción de la superficie de suelo que es interceptada por la proyección vertical de la

vegetación. En términos de imagen, constituye el porcentaje de área al interior de cada píxel de la imagen que

es ocupada por vegetación y cuyo valor puede ser expresado en una determinada unidad de superficie de

acuerdo a la dimensión del píxel.

LiDAR (Light Detection And Ranging): se utiliza en las clasificaciones donde aparece la necesidad de

combinar información procedente de diversas fuentes para obtener resultados más aproximados a la realidad.

Diversos estudios apuntan que el empleo de la tecnología LiDAR aerotransportada en la clasificación de zonas

forestales y agrícolas, mejora los resultados obtenidos.

La principal ventaja de este sistema frente a la fotogrametría es presentar una mayor densidad de puntos, mayor

precisión y automatización de los procesos y entrega más rápida de los datos. Las desventajas que presentan

los sistemas LiDAR es que en zonas de agua el haz de energía tiende a ser absorbido generando áreas vacías

sin información. También presenta subestimación de las alturas de los árboles ya que el haz de energía penetra

en el interior de la vegetación antes de ser reflejado.

Los sistemas LiDAR aerotransportados son sensores remotos activos que han sido principalmente utilizados

para la realización de levantamientos topográficos, pero cada vez más en la extracción de información del medio

agro-forestal. Su ventaja competitiva radica en el comportamiento “semipermeable” que presentan las copas de

los árboles respecto a la penetración de los pulsos LiDAR. Así, en zonas cubiertas de vegetación, la mayor

parte de los pulsos LiDAR son reflejados de vuelta al sensor desde las hojas y ramas del dosel, sin embargo

una cierta fracción de pulsos LiDAR llega al suelo debajo de las copas a través de pequeños huecos en las

mismas. Los datos LiDAR pueden, por tanto, proporcionar información tridimensional acerca del tamaño y la

estructura del dosel de copas y del terreno bajo las mismas.

A partir de estos datos es posible generar Modelos Digitales de Elevación (MDE) y Modelos Digitales de Copas

(MDC), que recogen una gran cantidad de información sobre la vegetación por tratarse de representaciones

tridimensionales y georreferenciadas de la realidad. Además, los datos LiDAR proporcionan valores de

intensidad, que es un constituyente radiométrico de los mismos. La intensidad es registrada por el sensor como

la cantidad de energía retrodispersada por la tierra o los objetos situados sobre la misma. Por tanto, LiDAR

reconoce la variabilidad estructural de las masas en términos de distribución, altura y valores de intensidad, es

decir, se pueden obtener una amplia variedad de capas de información para su uso en las clasificaciones

digitales.


En Canarias, la empresa pública Grafcan suministra datos LiDAR que proceden de un sensor aerotransportado

de la marca Leica ALS60 (Leica Geosystems, Heebrugg, Switzerland) montado en una avioneta Cessna 421

Golden Eagle volando a una altitud media sobre el suelo de 2.000 m.n.s.m. La posición de avioneta en la que

se monta el sensor está en todo momento del vuelo controlado mediante sistema de navegación por satélite y

además está equipada con un sistema inercial de referencia que permite controlar las desviaciones en la

posición del avión. El tipo de sensor LiDAR utilizado es de tipo discreto. Este tipo de sensores emite un pulso

laser en la frecuencia del infrarrojo cercano que es capaz rebotar sobre los diferentes objetos de la superficie

terrestre llegando al suelo y regresando cada uno de los rebotes de nuevo al sensor. Mediante el tiempo que

transcurrido entre la emisión y la recepción se puede calcular con gran precisión la posición de cada rebote. La

precisión de los datos oscila entre 0,60 m en planimetría y 0,20 m en altimetría. Para mismo pulso laser se

pueden obtener hasta 4 rebotes que regresan al sensor. Como resultado final se obtiene una nube de puntos

georreferenciada que permite obtener una información tridimensional de los objetos que se encuentran sobre

la superficie y del suelo. La densidad media del conjunto de las escenas LiDAR es de 0,8 pulsos/m2.

El primer paso es realizar la clasificación de cada una de las escenas. Existen numerosos algoritmos de filtrado

de puntos más o menos complejos. En algunos programas se encuentra implementado un algoritmo basado en

un TIN mejorado e iterativo, mediante el cual, usando una ventana móvil y prefijando unos valores de umbrales,

va comparando la cota Z mínima con las adyacentes, tomando como suelo la de menor valor, y repitiendo el

proceso, tantas veces como se haya definido. Una vez clasificados los puntos de las escenas, en puntos de

suelo y vegetación, se crea un buffer, o zona de solape, entre escenas para evitar efectos de borde que

generasen errores en etapas sucesivas del tratamiento de los datos.

Utilizando los puntos clasificados como suelo, mediante triangulación e interpolación se pueden generar los

MDE en formato raster de tamaño de pixel diverso. Una vez obtenido el MDE, éste debe ser sometido a su

validación y comparación con los modelos procedentes de técnicas fotogramétricas, aplicando las correcciones

oportunas sobre los puntos.

Una vez comprobada la validez del MDE obtenido se calcula la altura de cada uno de los puntos clasificados

como vegetación respecto al suelo, obteniendo una información de altura de la cubierta vegetal y un Modelo

Digital de Superficie (MDS). Además se pueden obtener los principales productos cartográficos derivados de

un MDE como son los mapas de pendientes y de orientaciones.

En este punto pueden crearse capas de densidad de cobertura vegetal en función de diferentes intervalos de

altura, susceptibles de ser analizadas para comprobar cuantas y cuáles capas pueden resultar necesarias para

el objetivo de cartografiar los modelos de combustibles. Estas capas aportan información sobre el porcentaje

de suelo ocupado por vegetación (en un intervalo de altura concreto), tomando valores de 0 (suelo desnudo -

colores azules) a 100 (totalmente cubierto por vegetación - colores rojos).


Una vez obtenidas las capas de densidad por intervalos de altura, se compone una imagen raster con todas

ellas, de forma que pueda ser clasificada mediante un algoritmo de ‘árboles de decisión’. Los árboles de decisión

están basados en la lógica básica, todos los datos entran en un nodo el cual tiene una condición lógica, si los

datos la cumplen pasan a un hijo y si no a otro, los hijos pueden convertirse a su vez en otros nodos que pongan

alguna condición para los datos que entran en él. Los datos que entran en los nodos, están directamente

relacionados a los píxeles de la imagen y sus valores en cada banda.

Hecho esto, y al disponer de la información de la estructura vertical de la vegetación, los errores disminuyen en

comparación con la clasificación obtenida de la imagen de satélite, y los errores debidos a cantidad se deben a

la baja densidad de puntos por m2 que tienen los datos LiDAR de partida. Existen numerosos artículos

publicados en los que se aplican los datos LiDAR a la obtención de las diferentes variables dasométricas que

conforman un inventario forestal (clasificación Prometheus S.V. Project, 1999), que pueden servir como

estudios orientados de los diversos métodos que pueden utilizarse.

Análisis y Verificación de la imagen clasificada

La última fase de cualquier clasificación es la verificación de los resultados. Es necesaria para comprobar la

calidad de los mismos y la validez del método empleado, permitiendo al usuario valorar el grado de acuerdo

entre el resultado y la realidad, o dicho de otro modo, el riesgo que asume el usuario al tomar decisiones de

gestión en base a la información generada. La verificación de resultados incluye las siguientes fases:

1. Diseño de muestreo, señalando cuantas parcelas, píxeles u objetos imagen de validación deben

medirse y como se seleccionan.

2. Toma de los datos de referencia.

3. Comparación de los datos de referencia con el resultado, mediante la generación de las matrices de

confianza y la aplicación de varios test estadísticos.

4. Análisis de los errores encontrados.

Una vez obtenida la imagen clasificada es posible saber cuál es la precisión del resultado. Para ello se han de

comparar los resultados con la información recogida en campo (parcelas testigo). Con estas parcelas testigo

se pueden definir unos ROI que serán usados como datos para evaluar las imágenes clasificadas. Una vez

definidos estos ROI de evaluación es posible usarlos con la imagen clasificada para la generación automática

de una matriz de errores que nos da información no sólo de la precisión global de la imagen sino de la precisión

con que ha sido clasificada cada clase y dónde se encuentran los problemas de confusión entre clases.


Una vez definido este ROI de evaluación, puede ser utilizado con multitud de imágenes, con lo que se pueden

comparar los resultados de distintas clasificaciones de forma totalmente objetiva y elegir finalmente la imagen

que mejores resultados otorgue.

Vectorización de la clasificación

Los resultados de la clasificación de las imágenes satelitales para obtener el mapa de cultivos tienen un formato

raster. Sin embargo, el formato del mapa de cultivos ha de ser vectorial, ya que es el formato normal de uso,

tomando como base el parcelario catastral.

La transformación de formato raster a formato vectorial se realiza utilizando la clase mayoritaria dentro de cada

parcela, que es asignada como cultivo de toda la parcela.

En el proceso se genera un índice de fiabilidad para cada parcela con el porcentaje de ocupación de la clase

predominante. Si bien a priori ese índice puede determinar la fiabilidad del proceso (cuanto mayor sea el

porcentaje más fiable), se ha comprobado que no siempre se puede usar directamente para discriminar una

parcela de estar bien o mal clasificada, ya que la fiabilidad del índice varía en función del tamaño y forma de la

parcela y del cultivo o uso del suelo clasificado.

Unión de parcelas

Una vez finalizadas las fases de fotointerpretación y de clasificación, es necesario unir ambos resultados en un

único shapefile para obtener el mapa de cultivos definitivo. El procedimiento es relativamente sencillo, ya que

se trata únicamente de hacer un proceso de unión de las dos capas vectoriales, teniendo la precaución de que

no se generen huecos o parcelas duplicadas en el proceso. Este hecho puede comprobarse por una simple

superposición de ambos shape y usar transparencias parciales, antes de proceder a la unión o con un análisis

topológico posterior al procedimiento.

INTEGRACIÓN Y COMBINACIÓN DE DATOS LIDAR E IMÁGENES DE SATÉLITE

La fusión se refiere a la asociación, correlación y combinación de información y datos que provienen de

diferentes fuentes. En este estudio se analizan cuatro tipos de fusión, los tres primeros toman como punto de

partida la misma imagen con sus respectivas bandas, cambiando la forma de integrar y combinar los datos; el

cuarto tipo de fusión, se realiza uniendo los resultados obtenidos usando tanto imágenes multiespectrales como

LiDAR de forma individual:


a) Stack: es la más sencilla de todas, consiste en obtener una nueva imagen con tantas bandas como tengamos

en el origen, es decir, si consideramos las ocho bandas multiespectrales de la imagen de satélite y le sumamos

18 bandas provenientes de los datos LiDAR, la nueva imagen tendrá 26 bandas (con la misma resolución

espacial de 2,0 m). Este tipo de fusión conlleva un gran tiempo de procesamiento.

b) Análisis de componentes principales (Principal Component Analysis, PCA): buscando reducir tanto el

tiempo de procesamiento como el gran número de bandas de la imagen fusionada, se aplica PCA, mediante el

cual se reduce el tamaño de la imagen a costa de una pequeña pérdida de información.

Estadísticamente, el análisis de componentes principales busca si en n observaciones de p variables, es posible

representar adecuadamente la información original con un menor número de variables, construidas como

combinaciones lineales de las originales. De modo, que la imagen original de 26 bandas, se queda con cuatro

bandas, las cuales explican casi el 98% de la varianza del total.

c) Fracción del mínimo ruido (Minimum Noise Fraction, MNF): consiste en aplicar dos PCA consecutivos: el

primero, basado sobre una estimación de la matriz de covarianza residual, permite eliminar redundancias y re-

escalar el ruido de los datos; el segundo, es un PCA convencional de los datos ya depurados. El ruido se estima

a partir de los componentes más marginales de los autovalores, centrando el análisis en aquellos que retienen

la mayor parte de la información original. Así, de las 26 bandas originales, nos quedamos con seis bandas que

explican casi el 98% de la varianza de la imagen original.

d) Unión de los resultados individuales: en realidad, no se trata de un método de fusión, entendido como tal,

ya que el punto de partida son los mapas obtenidos mediante la clasificación de la imagen multiespectral y los

datos LiDAR de forma individual. No obstante, se incluye aquí, ya que ambos mapas se complementan, dando

como resultado un nuevo mapa de combustibles.

Para los tres primeros tipos de fusión, se puede aplicar una clasificación orientada a objetos a partir de parcelas

de entrenamiento, aplicando algoritmos diversos (por ejemplo, en este punto puede resultar de interés el del

vecino más próximo -NN-). Tomando una serie de características espectrales de las diferentes bandas que

componen la imagen, los distintos objetos se clasifican de acuerdo a las diferencias existentes con las parcelas

de entrenamiento más próximas. La evaluación de los errores se realiza mediante la comparación con las

parcelas de validación, de las que se conoce el modelo de combustible a través del trabajo de campo realizado.


REFERENCIAS

Labrador, M., Évora, J.A. y Arbelo, M. (2012): Satélites de Teledetección para la Gestión del Territorio.

Consejería de Agricultura, Ganadería y Aguas Gobiernos de Canarias (ed.).

PLAN NACIONAL DE TELEDETECCIÓN, PNT (rev. 2013). Instituto Geográfico Nacional, IGN, Centro Nacional

de Información Geográfica.

González, E. y Barreiro, L. (2013): “Clasificación digital de zonas forestales usando datos LiDAR, ortofotos y

análisis orientado a objeto”, en Ambienta nº 105. Ministerio de Agricultura, Alimentación y Medio Ambiente.

Giménez, F., Moreira, J.M., Fernández, A., Ramos, A. y Lobato, A. (1991): "Análisis de estadísticas agrarias en

Andalucía basado en técnicas de teledetección espacial", en III Reunión Nacional del Grupo de Trabajo en

Teledetección Espacial.

García-Ferrer Porras, A. (2013): “Potencialidad y nuevas orientaciones en el uso de la teledetección en

agricultura y selvicultura”, en Ambienta nº 105. Ministerio de Agricultura, Alimentación y Medio Ambiente.

Casterad, López, Acevedo (2006): “Uso de técnicas SIG y Teledetección en el seguimiento del cultivo de viña”.

Centro de Investigación y Tecnología Agroalimentaria de Aragón.

López-Lozano, R. y Casterad, M.A. (2003): “Una aplicación SIG para seguimiento en una parcela mediante

NDVI de irregularidades en el desarrollo del cultivo”, en Pérez, R. y Martínez, P. (Ed.). Teledetección y desarrollo

regional. X Congreso Nacional de Teledetección. Cáceres, pp.9-12.

Álvarez, F. (2005): “Inventariación de las masas de Pinus radiata D. Don en El Bierzo (León) empleando

teledetección con imágenes multiespectrales y clasificadores orientados a objetos”. Trabajo final de Postgrado

y Máster Internacional a distancia en SIG (Programa UNIGIS).

Cifuentes, V. y Navarro, R. (1999): “Determinación del índice de superficie foliar (leaf area index) en masas

forestales usando imágenes Landsat-TM”. Remote Sensing & GIS.

Chuvieco, E. (2007): Teledetección ambiental: La observación de la tierra desde el espacio (3ª edición).

Barcelona: Editorial Ariel.

Ministerio de Fomento (2013) Plan Nacional de Ortofotografía Aérea, PNOA. Especificaciones Técnicas para

vuelo fotogramétrico digital con vuelo LiDAR. (Ministerio de Fomento, Madrid).

Ramírez Cisneros, J. et al (2013): “Generación de cartografía de modelos de combustible a partir de datos

LiDAR y análisis de imágenes orientado a objetos para su integración en Wildfire Analyst”. Sociedad Española

de Ciencias Forestales.

Alonso-Bemito, A. et al (2012): “Cartografiado de modelos de combustibles mediante la fusión de imágenes

WorldView-2 y datos LiDAR. Un caso de estudio en la Isla de Tenerife”. Grupo de Observación de la Tierra y la

Atmósfera (GOTA). Dep. de Física FEES, Universidad de La Laguna.


Argañaraz, J.P. y Entraigas, I. (2011): “Análisis comparativo entre las máquinas de vectores soporte y el

clasificador de máxima probabilidad para la discriminación de cubiertas de suelo”, en Revista de Teledetección

36, 26-39. Asociación Española de Teledetección.

LOPEZ-SERRANO, F.R. et al (2009): “Estimación directa del índice de área foliar (LAI) en árboles individuales

de Pinus halepensis Mill”. Dept. de Ciencia y Tecnología Agroforestal de la E.T.S. Agrónomos de Albacete.

Documents

DISEÑO TÉCNICO MAPAS DE CULTIVO - Prodesit – Iniciativa de … · 2015-10-02 · TIPOS DE IMÁGENES ... Este documento contiene el compendio de información que solventa la etapa