Fecha 2015 01 21 Hora 12 08 37 Parte 1

Universidad de Los Andes
Departamento de Ingeniería Civil y Ambiental

Facultad de Ingeniería
UNIVERSIDAD DE LOS ANDES
Monitoreo de la calidad del agua en microcuencas

utilizando drones y percepción remota.
Caso de estudio: Río Teusacá, La Calera, Colombia.
Proyecto de grado para obtener el título de Ingeniera Civil y Ambiental
Nataly A. Sáenz Bohórquez

12/12/2014
Asesores:
Dr. Luis Alejandro Camacho
Dr. Daniel Eduardo Páez
Nataly A. Sáenz Bohórquez/ Universidad de Los Andes- Ingeniería Ambiental y Civil
2
Nataly A. Sáenz Bohórquez / Proyecto de grado Ingeniería Civil y Ambiental
Tabla de contenido
1. Introducción ......................................................................................................................................................... 7
1.1. Planteamiento del problema ....................................................................................................................... 8
1.2. Solución conceptual: hipótesis .................................................................................................................... 9
1.3. Objetivos .....................................................................................................................................................10
2. Conceptos básicos y Antecedentes ......................................................................................................................13
2.1. Conceptos básicos .......................................................................................................................................13
2.2. Antecedentes ...............................................................................................................................................19
3. Descripción del área de estudio ...........................................................................................................................26
4. Materiales y metodología seguida........................................................................................................................28
4.1. Materiales ...................................................................................................................................................28
4.2. Planificación del trabajo de campo ............................................................................................................29
4.3. Recolección de información........................................................................................................................30
4.4. Procesamiento de la información ...............................................................................................................31
5. Resultados y discusión ........................................................................................................................................43
5.1. Relación entre SST y valores de reflectancia .............................................................................................43
5.2. Ventajas y limitaciones ...............................................................................................................................46
6. Conclusiones y recomendaciones ........................................................................................................................48
7. Referencias bibliogáficas ....................................................................................................................................50
Anexos ....................................................................................................................................................................53
3
Tabla de Figuras
FIGURA 1 - DIAGRAMA DE FLUJO: METODOLOGÍA UTILIZADA. ELABORACIÓN PROPIA. ..................................................................11
FIGURA 2 - ELEMENTOS Y PROCESOS DE LOS SENSORES REMOTOS. TOMADA DE (PÉREZ, 2007). ....................................................14
FIGURA 3 - DIFERENTES RADIACIONES QUE RECIBEN LOS SENSORES REMOTOS TOMADO DE (ALLAN, 2008). .....................................15
FIGURA 4 - ESPECTRO ELECTROMAGNÉTICO. TOMADO DE (PÉREZ, 2007).................................................................................15
FIGURA 5 - DIFERENCIA DE FIRMAS ESPECTRALES SEGÚN EL TIPO DE AGUA. TOMADO DE (ALLAN, 2008). .........................................18
FIGURA 6 - EFECTOS EN LA PERCEPCIÓN DEL COLOR POR EL FONDO DE LA IMAGEN. (A) VARIACIONES POR FONDO NEGRO O BLANCO. (B)
AUMENTO DE BRILLO POR COLORES COMPLEMENTARIOS. TOMADO DE (CASANOVA, 2010). .................................................19
FIGURA 7 - COMPARACIÓN OFERTA HÍDRICA Y RIESGO IRCA EN COLOMBIA. TOMADO DE (MINISTERIO DE SALUD, 2011) E (IDEAM,
2010). ..............................................................................................................................................................20
FIGURA 8 - APLICACIONES DE PERCEPCIÓN REMOTA EN DIFERENTES CAMPOS. TOMADO DE (PÉREZ, 2007). .....................................23
FIGURA 9 - COMPORTAMIENTO DE SST CON NIVELES DE REFLECTANCIA. TOMADO DE (BHATTI, 2010). ..........................................24
FIGURA 11 - UBICACIÓN DEL ÁREA DE ESTUDIO. ADAPTACIÓN DE GOOGLE EARTH. .....................................................................26
FIGURA 10 - UBICACIÓN DE LA SUBCUENCA DEL RÍO TEUSACÁ TOMADO DE (MUÑOZ REAL & BELTRÁN CARVAJAL, 2010). .......26
FIGURA 12 - ÁREA DE ESTUDIO. (A) FOTOGRAFÍA TOMADA EL DÍA DE LA PLANIFICACIÓN DE TRABAJO. (B) FOTOGRAFÍA TOMADA EN LA
CAMPAÑA NO. 2. ................................................................................................................................................27
FIGURA 13 - CÁMARA RASPBERRY PI NOIR UTILIZADA PARA IMÁGENES NIR, TOMADO DE (MODMYPI, 2014)................................28
FIGURA 14 - DRONE PHANTOM 2 +VISION +, TOMADO DE (DRONE FLYERS, 2014). ..................................................................28
FIGURA 15 - AJUSTE DEL DRONE CON LAS DOS CÁMARAS ......................................................................................................29
FIGURA 16 - RASPBERRY PI Y CÁMARA NOIR. ...................................................................................................................29
FIGURA 17 - IDENTIFICACIÓN DE LOS PUNTOS DE MUESTREO. (A) FOTOGRAFÍA TOMADA EN LA CAMPAÑA NO. 1. (B) FOTOGRAFÍA TOMADA
EL DÍA DE LA PLANIFICACIÓN DEL TRABAJO DE CAMPO…………………………………………………………………………………………………..30
FIGURA 18 - FOTOGRAFÍA DEL PANEL DE REFERENCIA. (A) FOTOGRAFÍA CON CÁMARA NIR. (B) FOTOGRAFÍA CON CÁMARA RGB……….32
FIGURA 19 - COEFICIENTES DE REFLECTANCIA CONOCIDOS PARA EL SULFATO DE BARIO (CLEMENS, 2012). ......................................35
FIGURA 20 - CONVERSIÓN DE NÚMEROS DIGITALES A REFLECTANCIA EN LAS CUATRO BANDAS. RESULTADOS ARCMAP, ELABORACIÓN
PROPIA. .............................................................................................................................................................36
FIGURA 21 - REGRESIONES PARA CADA BANDA INDEPENDIENTE. RESULTADOS MATLAB. ELABORACIÓN PROPIA. ................................41
FIGURA 22 - RMSE, CURVA DE AJUSTE Y CURVA DE RESIDUOS PARA LA REGRESIÓN ESCOGIDA. RESULTADOS EXCEL, ELABORACIÓN PROPIA.
........................................................................................................................................................................44
FIGURA 23 - DISTRIBUCIÓN DE SST EN EL RÍO TEUSACÁ POR MEDIO DE LA REGRESIÓN ESCOGIDA. ELABORACIÓN PROPIA. ....................45
FIGURA 24 - IMAGEN SATELITAL DEL ÁREA DE ESTUDIO. TOMADO DE (USGS, 2014) ..................................................................46
4
Proyecto de grado para obtener el título de Ingeniera Civil y Ambiental
Monitoreo de la calidad del agua en microcuencas utilizando Drones y

percepción remota. Caso de estudio: Río Teusacá, La Calera, Colombia.
Nataly A. Sáenz Bohórquez*
Universidad de Los Andes, Bogotá, Colombia
Resumen
El objetivo de este estudio fue presentar una relación empírica entre la concentración de Sólidos Suspendidos
Totales (SST) con valores de reflectancia obtenidos por medio de Drones y su posterior post-procesamiento con
herramientas de percepción remota. El área de estudio es el Río Teusacá, ubicado en el Municipio de La Calera, en
Colombia, en donde se encuentra la confluencia entre dicho Río y la Quebrada Simayá, obteniendo así un alto rango
de concentraciones de SST que favorecen el estudio. La metodología propuesta del presente estudio está destinado a
su uso en el monitoreo y control de la calidad del agua en microcuencas, siendo éstas las más vulnerables y con
menor cumplimiento de normativas ambientales. La metodología se basa en la comparación entre valores de
reflectancia obtenidos con imágenes aéreas y las concentraciones del determinante de calidad del agua SST, a partir
de muestras de agua in-situ adquiridas en la realización de dos campañas. El procedimiento incluye el
procesamiento de imágenes necesario para la transformación de números digitales (RGB) a valores de reflectancia
requerido al haber utilizado cámaras digitales de uso comercial, siendo la reflectancia el único parámetro estable y
con menores aspectos de error adecuados para este tipo de investigaciones. Igualmente, se realiza el análisis
estadístico necesario para la realización de regresiones múltiples y la obtención de un ajuste consistente con los
datos observados. Los resultados demuestran una alta relación entre la concentración de SST y la reflectancia de las
Bandas 4, 2 y 1 a partir de un análisis de covarianza. Así mismo, se realizaron 25 regresiones analizadas a partir de
pruebas de bondad de ajuste, pruebas de hipótesis y comparaciones con datos de muestra observados. El resultado
final es un modelo de regresión con R² ajustado de 0.8781 y RMSE de 3.4827. Así mismo, se verificó la utilidad de
los drones al suplir las limitaciones de imágenes satelitales respecto a la falta de control que tiene el usuario, la alta
distancia entre el objeto estudiado y el sensor y los problemas climáticos como alta cobertura de nubes. Del estudio
se puede concluir que existe un modelo matemático que representa la variación de concentraciones de SST reflejada
en los niveles de reflectancia y detectados en una fotografía digital, las cuales se pueden utilizar para facilitar el
monitoreo y control de la calidad del agua. Futuros campos de aplicación incluyen el estudio y validación del
algoritmo matemático para su uso efectivo en el control y monitoreo de concentración de SST, la complementación
de este estudio en el análisis de otros parámetros fisicoquímicos y cuerpos de agua. Así mismo, se puede realizar
estudios de calidad del agua de este estilo para contaminantes como detergentes o fertilizantes que cambian la
coloración del agua o producen plantas acuáticas y la posibilidad del uso de la banda térmica (banda 7) para la
identificación de vertimientos ilegales.
Keywords: Geomática; Parámetros de calidad del Agua; Sólidos Suspendidos Totales; Drones; Procesamiento de imágenes; Percepción remota.
* Corresponding Author. Tel.: +57 1 3002734408.

E-mail address:na.saenz2751@uniandes.edu.co
5
Abstract
The objective to this research was to present an empirical relationship of total suspended sediments (TSS) and
reflectance values obtained with Drones and processed using remote sensing tools. The study area was the Teusacá
River located at La Calera, Colombia, at the point of confluence between this river and the Simayá Creek. At this
point the mixing plume of both waters presents a high range of TSS concentrations that favor the study. The
proposed methodology of the present study is intended to be use in monitoring and controlling water quality at a
micro-watershed scale, these being the most vulnerable and less compliance with environmental regulations. The
proposed methodology is based on a comparison of reflectance values obtained with aerial images and the
concentration of TSS water quality determinad obtained from in-situ water samples. The method includes the image
processing necessary for the transformation of digital numbers (RGB) to reflectance values required by using made-
consumer grade digital cameras, whereby the reflectance is the only stable parameter with lower error aspects,
suitable for this type of research. Likewise, the statistical analysis required to perform multiple regressions and
obtaining consistent adjustment with observed data is performed. The results show a high relationship between
concentration of TSS and reflectance bands 4, 2 and 1 from an analysis of covariance. Subsequently 25 regressions
were analyzed using goodness of fit tests, hypothesis testing and comparisons with observed data applying a RMSE
objective function. The end result was a regression model with adjusted R² of 0.8781 and RMSE of 3.4827. In
addition, the utility of Drones were verified to avoid the limitations of satellite images about the lack of control that
the user has, the high distance between the studied object and the sensor and adverse climate conditions such as high
cloud cover. From this study it can be concluded that there is a mathematical model that represents the variations of
TSS concentrations represented in the levels of reflectance and detected in digital photographs, which can be used to
facilitate monitoring and control of wáter quality. Future application areas of research include the study and
valiation of the mathematical algorithm for its effective use in the control and monitoring of TSS concentrations and
the complementation of this study in the analysis of other physico-chemical parameters and wáter bodies. Likewise,
it can be realized wáter quality studies for contaminants such as detergents or fertilizers that changing wáter
discoloration or produce wáter plants and the possible use of the termal band (Band 7) for the identification of ilegal
dumping.
Keywords: Geomatics; Water Quality; Total Suspended Solids; Drones (UAVs); Image processing; Remote sensing.
6
1. Introducción
El monitoreo de la calidad del agua en una fuente es fundamental tanto para la salud humana como para el
mantenimiento del medio ambiente. A pesar de esto, en Colombia no se realizan campañas de monitoreo
frecuentemente, no precisamente porque no se entienda su importancia sino porque su ejecución implica un alto
costo en personal capacitado, equipos, análisis de laboratorio y logística compleja. Además, el monitoreo se realiza
puntualmente y no permite determinar los contaminantes en toda la longitud del cuerpo de agua. En el caso de
Colombia el monitoreo se realiza por medio de tan sólo 154 puntos de muestreo en la red de calidad del agua del
IDEAM, teniendo un cubrimiento de baja extensión respecto a este tema en el país (IDEAM, 2010).
En términos de encontrar una herramienta tecnológica que permita realizar monitoreo frecuente y costo-eficiente
de la calidad del agua en diversos cuerpos de agua, se han realizado investigaciones para encontrar ecuaciones que
relacionen las concentraciones de contaminantes con los niveles de reflectancia obtenidos por medio de imágenes
satelitales, permitiendo controlar la normatividad ambiental al observar los cambios en diferentes espacios de tiempo
y condiciones. Diversos estudios como el presente se han realizado en diferentes ecosistemas dentro de los cuales se
incluyen estudios realizados en ríos y lagos de Minnesota (Patrick L. Brezonik, 2007) , la costa de Cochin en India
(Sravanthi, y otros, 2013) , estudios de calidad del agua en New York Harbor (Hellweger, Schlosser, Lall, &
Weissel, 2004), el lago Chicot en Arkansas y el Río Grande en Texas (Ritchie, Zimba, & Everitt, 2003) y el lago
Balaton (Gitelson & Kondratyev, 1988), entre otros. Sin embargo, cuando se trata de un cuerpo de agua de área
menor es complicado realizar estos análisis con alta precisión, al no obtener una imagen satelital con la resolución
suficiente para obtener resultados representativos La alta distancia existente entre el satélite y el objeto de estudio
conlleva a obtener errores de ruido atmosférico e incluso relacionado a la curvatura de la tierra que pueden afectar
los datos y concluir en una ecuación que no modele la realidad (Allan, 2008).
Así mismo, se encuentra dificultad en la utilización de satélites al tener que realizar las campañas específicamente
en el momento en el que el satélite esté pasando por el área de estudio, lo cual no se conoce con suficiente certeza,
teniendo en cuenta que la foto se debe tomar en el mismo momento de toma de muestras.
Ante dichas limitaciones se ha encontrado una alta posibilidad en la utilización de nuevas herramientas de
percepción remota como los Drones, los cuales permiten obtener fotografías aéreas más cercanas al objetivo, con
mayor resolución y pueden ser controlados por el usuario según sus necesidades. Igualmente, son ideales para
estudios en áreas reducidas como microcuencas, uno de los ecosistemas más ricos medio ambientalmente y de mayor
importancia en la captación de agua potable.
El presente estudio se realizó con el fin de evaluar la relación entre valores de reflectancia obtenidas por el
procesamiento de fotografías aéreas y la concentración de Sólidos Suspendidos Totales (SST) de un cuerpo de agua,
tomando como caso de estudio el Río Teusacá ubicado en el municipio de la Calera, Colombia.
El propósito a obtener es el desarrollo de una herramienta que permita el uso de drones y fotografías digitales
para el monitoreo de la calidad del agua, en busca de una metodología más efectiva a las tradicionales las cuales
requieren múltiples tomas de muestras directas en campo que implica altas inversiones y limitaciones en el
seguimiento oportuno.
7
1.1. Planteamiento del problema
El monitoreo de la calidad del agua en diversos cuerpos permite controlar la concentración de contaminantes
presentes con el fin de preservar la salud humana y medio ambiental, por lo tanto la realización de campañas de
mediciones es una actividad básica y fundamental para la prevención de problemas ambientales, así como el control
de la normatividad y límites de contaminantes en el agua.
Las metodologías tradicionales se basan en la ejecución de campañas, las cuales son la realización planificada y
programada de recolección de muestras de agua del sector de estudio en diversos puntos de interés para el análisis
de parámetros fisicoquímicos en el laboratorio o in-situ, con el fin de conocer la calidad del agua en un determinado
momento de tiempo. Dichas metodologías tienen diversas desventajas que no permiten un seguimiento temporal e
histórico de la calidad del agua. Así mismo, es una actividad de alto costo y poca efectividad, requiriendo una
logística complicada, varios análisis de laboratorios, equipos y personal capacitado, por lo cual su ejecución no es
frecuente, realizándose pocas veces al año y únicamente en cuerpos de agua grandes e importantes (IDEAM, 2004).
La mayor consecuencia de no tener una metodología eficiente es la deficiencia en el monitoreo y control de efectos
en corrientes y cuerpos de agua de menor tamaño, los cuales son más frecuentes y vulnerables a los procesos de
contaminación. La resiliencia de estos ecosistemas es significativamente menor a cuerpos de agua grandes,
encontrando mayor dificultad para su recuperación.
Una de las mayores problemáticas que afecta los ecosistemas hídricos en el país se relaciona con la falta de
inversión en el tratamiento de aguas residuales domésticas por parte del estado, lo cual se debe llevar a cabo con el
fin de mitigar o prevenir las consecuencias negativas que esto conlleva. En el año 2014 el gobierno destinó 319
miles de millones de pesos del total de la inversión para el sector de medio ambiente y desarrollo sostenible en
Colombia, lo cual corresponde a menos del 1% del total de la inversión siendo uno de los sectores con menor
presupuesto. A modo de comparación se presentan la inversión del sector de Minas y Energía con un valor de 2.644
miles de millones de pesos (Ministerio de Hacienda, 2014).
Según el Unicef, de los 336 municipios que informan sobre el estado de la Planta de Tratamiento de Agua Residual
(PTAR) en el país, sólo 84 (el 23%) tiene una planta para mitigar el impacto de las aguas residuales en el medio
ambiente, el resto vierte sus aguas sin tratamiento a ríos, quebradas y demás cuerpos de agua. Respecto a esto, se
conoce que 317 municipios viertes sus aguas en ríos y 241 municipios en quebradas, los demás no realizan reporte
acerca de este tema (Unicef, 2007).
Actualmente en Colombia, se realiza el monitoreo de la calidad del agua a partir de 154 puntos de referencia de la
red básica del Ideam, los cuales llevan a cabo la medición puntual de determinantes como Sólidos Suspendidos
Totales (SST), Nitrógeno Total (NT), Fósforo Total (PT), DBO5 y DQO (IDEAM, 2010). Sin embargo, esta
cantidad de estaciones de monitoreo no alcanzan a tener una cobertura mayor al 30% de las zonas hidrológicas del
país, por lo cual el sistema de control y cumplimiento de las normatividades ambientales es deficiente y vulnerable
al funcionamiento y localización de dichas estaciones.
Así mismo, las herramientas disponibles no tienen una alta efectividad en la detección de vertimientos ilegales y el
control del tratamiento en aguas industriales o agropecuarias que son vertidas a los ríos. La detección de dichos
vertimientos es difícil por medio de monitoreo terrestre, sin embargo, desde una perspectiva aérea es posible
detectar los cambios que ocurren en el cuerpo o corriente a controlar con el fin de obtener una herramienta de alta
cobertura y costo-eficiente.
8
La urgencia de encontrar una metodología práctica para el monitoreo de la calidad del agua se basa en la necesidad
de tener un sistema de control para la normatividad ambiental que sea capaz de identificar el incumplimiento de los
límites de contaminación y aplique los castigos adecuados cumpliendo con su deber de velar por el medio ambiente.
Las consecuencias de las limitaciones de las redes de monitoreo de la calidad del agua en el país se observa en el
28.9% de la población que consumió agua con niveles de riesgo (IRCA) superiores a 5,1%, es decir, considerada
como agua no apta para consumo humano (SUPERINTENDENCIA DE SERVICIOS PÚBLICOS
DOMICILIARIOS, 2011).
En cuencas y cuerpos de agua de mayor área se ha evidenciado resultados positivos en la utilización de imágenes
satelitales que permiten determinar la concentración de contaminantes por medio de ecuaciones que modelan su
relación con los niveles de reflectancia del agua, sin embargo en cuerpos de área más reducida se muestran
dificultades para tener resultados precisos.
Lastimosamente si no se encuentra dicho sistema, el futuro de los ríos, lagos y cuerpos de agua terminará en
contaminación, problemas de salubridad y pérdida del medio ambiente.
1.2. Solución conceptual: hipótesis
Se propone la evaluación y análisis de la relación entre los niveles de reflectancia y la concentración de Sólidos
Suspendidos Totales (SST) en corrientes con área reducida, para el monitoreo de la calidad del agua como una
metodología costo-eficiente que permita el control frecuente del cumplimiento de límites máximos contemplados en
la normatividad ambiental.
En el Río Teusacá, ubicado en el municipio de La Calera en Colombia, se encuentra un punto de confluencia

entre dicha corriente con La Quebrada Simaya. La zona o pluma de mezcla de estos dos cuerpos de agua permite la
percepción del cambio de color que produce las diferencias en concentraciones de SST. Así mismo, se encuentra
una Planta de Tratamiento de Agua Residual (PTAR) 200 metros aguas arriba de la confluencia que descarga sus
aguas al río en determinados momentos del día, generando diferencias de concentraciones entre la situación con
descarga y sin descarga de la PTAR.
Dicho sector se seleccionó como el área de estudio para realizar las campañas de obtención de muestras de agua
junto con la recolección de fotografías aéreas que permitan encontrar una ecuación representativa del
comportamiento de las concentraciones de SST en el área de interés. A partir de dicha ecuación, se tendrán los
primeros resultados que permitan el monitoreo futuro de los cambios espacio-temporales en la calidad del agua del
sector seleccionado, así como la realización de un modelo que muestre visualmente el comportamiento de los SST
en la corriente de agua, al tener como parámetros de entrada fotografías aéreas tomadas con herramientas de
percepción remota.
La determinación de las concentraciones de SST por medio de metodologías con percepción remota presentará un
gran avance al brindar la oportunidad de conocer su comportamiento en toda la distribución de la corriente y no
solamente en sectores puntuales del cuerpo de agua. Igualmente, al permitir un monitoreo más fácil y eficiente será
posible obtener registros históricos con los cuales se podrá detectar cambios abruptos en la calidad del agua como
los generados por vertimientos ilegales y tener herramientas para controlar la normatividad ambiental respectiva.
9
1.3. Objetivos
 Realizar el procesamiento de imágenes requerido para la determinación de niveles de reflectancia a

partir de fotografías tomadas con cámaras digitales.
 Evaluar la relación entre niveles de reflectancia y la concentración de Sólidos Suspendidos Totales
(SST) para diferentes ajustes matemáticos.
 Comparar los ajustes matemáticos con el fin de encontrar la mejor regresión para SST y niveles de
reflectancia obtenidos en cuatro bandas diferentes (RGB y NIR).
 Relacionar los niveles de reflectancia y la concentración de SST en el Río Teusacá.
 Evaluar el uso de imágenes aéreas obtenidas por Drones para el monitoreo de la calidad del agua en
microcuencas.
 Comparar las ventajas y limitaciones de los Drones versus Satélites.
1.4. Información utilizada
El proceso de la evaluación y determinación de un algoritmo matemático que permita relacionar los niveles de
reflectancia con la concentración de Sólidos Suspendidos Totales (SST) en el Río Teusacá, requirió de la
adquisición de muestras de agua en diferentes puntos del río para ser analizadas en un laboratorio para el
determinante estudiado y la obtención de fotografías aéreas del área seleccionada en diferentes bandas
electromagnéticas.
La recolección de imágenes aéreas se realizó utilizando el Drone phantom 2 Vision +, el cual sobrevoló el área
escogida a una altura de 30 metros en el mismo momento en que se estaba realizando la campaña de obtención de
muestras de agua, al utilizarlo en conjunto con dos cámaras digitales. La primera cámara con sensor CMOS, la cual
se encuentra incorporada al Drone y permite tener conexión Wi-Fi para observar el área en el momento del vuelo
desde cualquier dispositivo móvil, permitió la adquisición de imágenes aéreas en las tres bandas principales (RGB –
Red, Green and Blue). La segunda es una cámara especializada en la adquisición de fotografías de Infrarrojo
cercano (NIR – Near Infrared o Band 4) de marca Pi NoIR con sensor CMOS, la cual funciona por medio de una
tarjera Raspberry Pi y fue programada para tomar fotografías cada 5 segundos, dicha cámara fue ajustada y
conectada al Drone para obtener al mismo tiempo fotografías NIR y RGB.
Por su parte, la recolección de muestras de agua se realizó en 17 puntos seleccionados en toda la longitud del área
de estudio durante dos campañas, en las cuales se obtuvo una cantidad de agua suficiente en botellas de 2 Litros y
con el debido proceso para mantenerlas en condiciones adecuadas para su análisis. El procesamiento de las muestras
fue realizado por la Universidad de Los Andes, quienes garantizaron todos los estándares en la entrega de
resultados.
Se utilizaron cuadrados realizados con tubos de PVC y amarrados a los dos extremos del río como elemento de
referencia en cada uno de los puntos en donde se iba a muestrear para identificarlo adecuadamente en las fotos y
tener la mayor exactitud en el procesamiento de las imágenes y la obtención de valores de reflectancia.
10
1.5. Metodología general utilizada
Figura 1 - Diagrama de flujo: Metodología utilizada. Elaboración propia.
La metodología utilizada se puede dividir principalmente en cuatro fases, la primera se define como una fase de
planificación del trabajo de campo, en donde se realizó una visita de campo para conocer el área de estudio en su
totalidad, determinar la mejor altura de vuelo, definir los puntos a muestrear y realizar una prueba piloto de la
recolección de muestras de agua e imágenes aéreas. A partir de esta fase de planificación se definieron los 17 puntos
de muestreo, se determinó que la altura de vuelo que favorecía el estudio era de 30 metros y se decidió que se debía
utilizar botellas de 2 Litros y un elemento de referencia para demarcar el punto de muestreo desde las imágenes
aéreas.
La segunda fase es la adquisición de la información requerida, es decir, la realización del estudio de campo,
dividida en dos campañas de muestreo en condiciones climáticas y situaciones diferentes para obtener un mayor
rango de variación en SST. En esta fase se incluye el análisis de laboratorio requerido para las muestras de agua y la
escogencia de las fotografías aéreas en cada una de las bandas que serían utilizadas en el procesamiento de
imágenes.
La tercera fase se define como la realización del procedimiento realizado para obtener y evaluar los ajustes que
permitan relacionar los valores de reflectancia con las concentraciones de SST obtenidos en campo. Dentro de esta
fase se incluye la aplicación de la metodología de (Clemens, 2012) para convertir unidades digitales (valores de
RGB) adquiridos con cámaras digitales de consumo comercial como las utilizadas en Drones a valores de
11
reflectancia como los obtenidos directamente con satélites. Este procedimiento fue aplicado para cada una de las
bandas utilizadas en el análisis (Band 1, Band 2, Band 3 y Band 4), realizando una corrección lumínica y
transformación para obtener los valores de reflectancia en cada una de las muestras de agua.
Seguidamente del procesamiento de imágenes realizado en ArcMap, se elaboró un análisis estadístico por medio
de Excel y Matlab, que permitiera evaluar una gran cantidad de regresiones con la utilización de la información
recolectada. Se realizó un análisis de covarianza para conocer el nivel de relación entre cada una de las bandas y los
SST, se efectúo el método ascendente realizando 25 regresiones según el nivel de significancia de cada variable,
coeficiente de determinación, análisis de varianza con prueba F-Fisher y Raíz del error cuadrático medio (RMSE).
Así mismo, en la realización de las regresiones se excluyeron algunos datos con el fin de obtener puntos de
validación de las regresiones y comparar su ajuste a partir de la comparación de los valores reales con los obtenidos
por medio del ajuste, comparándolos con el RMSE. Teniendo en cuenta toda esta información se escogió el mejor
ajuste.
Finalmente, la última fase se refiere a la elaboración de conclusiones y recomendaciones adquiridas a partir de

los resultados, cumplimiento de objetivos y experiencias obtenidas durante la realización de toda la metodología
explicada.
1.6. Estructura del documento
En el primer capítulo se precisa la pregunta de investigación abordada y la solución definida, además se introduce al
lector en una breve explicación de la metodología en general llevada a cabo y el contexto que justifica la realización
del estudio. En el segundo capítulo se especifican los antecedentes y conceptos básicos sobre la utilización de
técnicas de procesamiento de imágenes en la determinación de la calidad del agua y otras ciencias, así como se
explica la problemática ambiental respecto al tema en Colombia. En el tercer capítulo se presenta el área de estudio y
sus características. En el cuarto capítulo se explican los materiales y metodología seguida tanto para la recolección
de muestras como en el procesamiento de imágenes e información, para finalmente discutir en el capítulo quinto los
resultados y conclusiones encontradas.
12
2. Conceptos básicos y Antecedentes
2.1. Conceptos básicos
2.1.1. Percepción remota
La teledetección o percepción remota (“Remote Sensing” en Inglés) es una ciencia multidisciplinaria que permite
adquirir información de un objeto sin necesidad de tener contacto directo con éste. Los instrumentos que se utilizan
para este fin se les denominan Sensores Remotos, los cuales obtienen imágenes remotamente de la superficie
terrestre de interés, para después procesarlas e interpretarlas con el fin de obtener información que facilite el estudio
o monitoreo de un objeto o área (Universidad Nacional de Colombia, 2012).
Un sensor remoto es un instrumento que permite registrar la energía electromagnética emitida, reflejada o difundido
por un objeto, en sí permite clasificar cada elemento en función de su comportamiento espectral y su interacción con
la luz (Stressors, 2010).
Los sensores remotos pueden tener plataformas aéreas como helicópteros, avionetas, aviones o vehículos aéreos no
tripulados (UAVs por sus siglas en inglés), así mismo pueden ser sensores satelitales obtenidas por medio de
satélites autónomos que giran alrededor de la tierra (Universidad Santo Tomas, 2010).
Las ventajas de un sensor remoto incluyen una visión sinóptica que permite obtener información de extensiones de
territorios muy amplios dependiendo del tipo de sensor y la resolución espacial. Así mismo, permite obtener una
observación multiespectral que permite registrar la luz en diferentes longitudes de onda simultáneamente, dándole al
ser humano la capacidad de observar cosas que a simple vista es imposible. Finalmente, es posible realizar análisis
multitemporales al sobrepasar la misma área de estudio en diferentes instantes de tiempo, con lo cual es posible
conocer la evolución de un fenómeno natural o la dinámica de un proceso de interés como las variaciones de
concentraciones contaminantes en los cuerpos de agua (Stressors, 2010).
2.1.2. Funcionamiento de un sensor remoto
Los sensores remotos detectan varios tipos de energía, sin embargo lo más utilizado es el registro de energías dentro
de la distribución del Espectro electromagnético (EEM), así los sensores adquieren información a partir de la
emisión y reflexión de la Radiación electromagnética (REM) de cada cuerpo observado. Los sensores remotos
requieren de un fuente de energía generadora de datos, la cual puede ser natural por medio del sol o artificial
provocada por el mismo sensor. Los sensores se clasifican en pasivos y activos dependiendo de la fuente de luz que
utilizan, siendo los pasivos los que utilizan una fuente natural y los activos los que producen su misma fuente
(Pérez, 2007)).
Los procesos y elementos que actúan en los sensores remotos son la adquisición de datos y el análisis de los datos
obtenidos, los cuales se dividen en subprocesos y subelementos mostrados en la Figura 1 (Pérez, 2007)):
13
Figura 2 - Elementos y procesos de los sensores remotos. Tomada de (Pérez, 2007).
La adquisición de datos por medio de sensores remotos se puede realizar en formato fotográfico o digital en forma
de imagen, la cual se representa como un Raster o matriz con filas y columnas que constituyen celdas llamadas
pixeles y que contienen la información dentro de él (Universidad Santo Tomas, 2010).
2.1.3. Radiación electromagnética (REM)
La radiación electromagnética son formas de energía pura que se transportan por una onda en campos
electromagnéticos o como flujo de partículas llamado fotones. Las ondas describen la propagación de la energía en
forma armónica y sinusoidal a la velocidad de la luz, por medio de características como su frecuencia y longitud.
Así, la energía de un fotón es directamente proporcional a su frecuencia e inversamente proporcional a su longitud
de onda (Pérez, 2007).
La radiación que recibe los sensores remotos incluyen cuatro componentes en general mostrados en la Figura 2, en
donde (Allan, 2008):
La: Es la radiación que no tiene contacto con la interface Aire-Agua que representa la contribución de la atmósfera y
sus componentes, CO2, O2, Vapor de agua y gases, que absorben o dispersan la radiación.
Ls: Es la reflexión que ocurre en la interface agua-aire, comúnmente son los reflejos directos del sol que deterioran
tanto los datos hasta el punto de no poderse utilizar.
Lv: radiación que penetra la interface agua-aire que se refleja sin tener contacto con el fondo.
Lb: Radiación que penetra la interface agua-aire, llega al fondo y se refleja completamente.
14
Figura 3 - Diferentes radiaciones que reciben los sensores remotos Tomado de (Allan, 2008).
2.1.4. Espectro electromagnético
El Espectro Electromagnético (EEM) es la distribución o clasificación de la radiación electromagnética según la

energía definida por su longitud de onda y frecuencia. La división del espectro electromagnético se muestra en la
Figura 4:
Figura 4 - Espectro electromagnético. Tomado de (Pérez, 2007).
Se puede observar que el espectro visible abarca desde los 0,4 µm hasta los 0,7 µm, el cual se clasifica de la
siguiente manera:
 Azul: de 0,4 a 0,5 µm
 Verde: de 0,5 a 0,6 µm
 Rojo: de 0,6 a 0,7 µm
Después se observan tres categorías diferentes que hacen parte de las ondas infrarrojas (IR):
15
 Infrarrojo cercano (Near-IR): de 0,7 a 1,3 µm

 Infrarrojo Medio: de 1,3 a 3 µm
 Infrarrojo termal: de 3 µm hasta 1mm
2.1.5. Resolución de una imagen
La resolución de la imagen capturada con el sensor se mide como el número de pixeles en el área de cobertura, es
decir, el área de la superficie terrestre que abarca un pixel de la imagen, se distinguen tres tipos de resoluciones
(Pérez, 2007):
 La resolución espacial se determina como la medida del objeto más pequeño que puede registrar en la
superficie terrestre, así la resolución de un satélite Landsat ETM-7 es de 30m por cada pixel, es decir, 900
m² (30m x 30m).
 La resolución espectral es la capacidad del sensor para determinar diferentes objetos según la cantidad de
bandas que pueda registrar del espectro electromagnético y los rangos de longitud de onda. Lo que se desea
es una alta gama de bandas que registre e intervalos estrechos.
 La resolución temporal es la frecuencia de tiempo con la cual el sensor obtiene imágenes de una misma
área. Esta resolución varía entre satélites, siendo para Landsat cada 16 días y SPOT cada 26 días.
2.1.6. Histograma de una imagen
El histograma de una imagen es una forma de representar la distribución de los valores de reflectancia o absorción
registrados por el sensor, presentando la cantidad de pixeles que tienen un determinado valor del espectro
electromagnético. Este tipo de representaciones permite conocer es comportamiento de cada banda en el espacio
analizado, los picos, la frecuencia y amplitud de la onda (Pérez, 2007).
2.1.7. Histograma multidimensional
Es un histograma que grafica dos o más bandas simultáneamente, presentando el grado de correlación entre ellas y
las respuestas de la superficie ante éstas. Se realiza para análisis comparativos y producir realces de color en la
imagen (Pérez, 2007).
2.1.8. Propiedades básicas de una imagen
En el análisis de imágenes es necesario tener en cuenta tres propiedades básicas (Pérez, 2007):
 Tonalidad: Es el color o brillo de los elementos que se han capturado en la imagen, dependiendo de la
propiedad de reflectancia y el espectro electromagnético abarcado.
 Textura: Es la combinación de la magnitud y frecuencia de la variación tonal en una imagen.
 Contexto: Es la información conocida del espacio de superficie de terreno que se ha de estudiar por medio
de la imagen, es decir, se sabe qué tipo de espacio se está analizando.
2.1.9. Clasificación multiespectral
Las imágenes obtenidas tienen la utilidad de clasificar los elementos por medio de la caracterización de la respuesta
16
espectral de cada uno de ellos en las longitudes de onda estudiadas. Así, uno de los pasos con mayor importancia es
la clasificación con el fin de categorizar los pixeles de las imágenes en varias clases con diferentes mapas temáticos.
Existen dos tipos de clasificación de imágenes:
 Clasificación controlada o supervisada: Se define un área muestra que tienen características de interés por
el analista, tomándose como base para que el computador pueda buscar valores similares o iguales en toma
la imagen. Finalmente, si se conoce a qué corresponde este valor en el mundo real se puede hacer una
distinción y clasificarlo con total conocimiento.
 Clasificación No controlada o supervisada: Se escoge la cantidad de clases en las que desea separar los
pixeles y la computadora lo realiza sin ningún tipo de dirección o supervisión.
2.1.10. Interacción de la radiación con el agua
Se observa en la Figura 5 las principales características de la interacción entre la radiación electromagnética y los
cuerpos de agua, representadas por la alta absorción en las longitudes de onda del Infrarrojo cercano y el medio. En
aguas claras se encuentra una alta reflectancia en el espectro azul disminuyendo en la dirección del infrarrojo
cercano, mientras que en aguas turbias se encuentra una mayor reflectancia en el espectro verde (Pérez, 2007).
Aunque estas son las características típicas que se han encontrado, la interacción de la radiación con los cuerpos de
agua es más compleja pues se ve afectada por otros factores como la transparencia y el color, así como procesos
como la absorción y dispersión (Allan, 2008).
Dichos procesos se refieren a las propiedades ópticas Inherentes (IOPs por sus siglas en inglés), las cuales son
propiedades que dependen solamente del agua y las sustancias que se encuentran suspendidas o disueltas en ella. Por
su parte, las propiedades ópticas aparentes (AOPs) dependen no solamente de las IOPs sino también son afectados
por los campos de luz en los que son medidos (Allan, 2008). En este sentido, las sustancias que afectan la
reflectancia de la energía emitida en los cuerpos de agua son llamados Sustancias ópticamente activas (OAS), entre
las cuales se encuentran la clorofila-a, minerales suspendidos y materia orgánica disuelta (DOM) (Allan, 2008).
La reflectancia en el agua depende entonces de la concentración de OAS afectando así la longitud de onda en la que
ocurre mayor reflexión, como se puede ver en la Figura 5.
17
Figura 5 - Diferencia de firmas espectrales según el tipo de agua. Tomado de (Allan, 2008).
2.1.11. Números digitales vs. Valores de Reflectancia
Los satélites han sido las herramientas más utilizadas en los estudios de percepción remota, los cuales permiten
obtener imágenes satelitales con valores de niveles de reflectancia a diferentes longitudes de onda, con el fin de
poder determinar las firmas espectrales de los objetos a analizar directamente.
El desarrollo de nuevas herramientas como los Drones ha aumentado el uso de cámaras digitales que normalmente
son utilizadas por consumidores que desean obtener fotografías sin ningún uso científico o investigativo. Dichas
cámaras poseen sensores de imágenes digitales como CCD (Charge Couple Device) o CMOS (Complementary
metal-oxide-semiconductor) que miden la energía lumínica entrante y la almacenan en forma de números digitales
que van entre un rango de 0 a 255 (Clemens, 2012).
Las cámaras digitales también pueden obtener imágenes en diferentes tipos de bandas, comúnmente en las bandas
1,2 y 3 (Red, Green and Blue – RGB), sin embargo, dependiendo del sensor éstas se toman de manera compuesta en
una misma imagen o separadamente. Los números digitales, a diferencia de los niveles de reflectancia, no pueden
ser utilizados para representar un objeto pues son afectados por diversos aspectos externos e internos de la cámara.
En cuanto a los aspectos relacionados con la cámara se incluyen las caídas de brillo, el algoritmo utilizado para la
representación de color y la apertura. Los aspectos externos están relacionados con efectos ambientales como el
ángulo del sol, la altitud del vuelo y las condiciones atmosféricas, entre otros (Clemens, 2012). Así mismo, la
percepción del color de un objeto se ve afectado por los colores que se encuentren cercanos a él, haciéndose más
brillante si se encuentra dentro de su color complementario y más oscuro o claro si su fondo es negro o blanco (Ver
Figura 6).
18
(a) (b)
Figura 6 - Efectos en la percepción del color por el fondo de la imagen. (a) Variaciones por fondo negro o blanco. (b) Aumento de brillo por
colores complementarios. Tomado de (Casanova, 2010).
Por su parte, los valores de reflectancia se definen como la fracción de radiación electromagnética que un cuerpo u
objeto es capaz de reflejar; su concepto complementario sería la absorbancia, la cual se define como la fracción que
el objeto es capaz de absorber (Clemens, 2012). A modo de ejemplo explicativo, es posible definir que un objeto de
color negro tiene la capacidad de absorber la mayoría de la radiación, por lo tanto sus niveles de reflectancia serían
bastante bajos, mientras que un objeto de color blanco con capacidad de reflejar la mayoría de radiación
electromagnética tendría niveles de reflectancia altos.
En orden de transformar los números digitales a niveles de reflectancia este estudio utilizó la metodología de
(Clemens, 2012), la cual se explicará en el capítulo de metodología.
2.2. Antecedentes
2.2.1. Problemática ambiental respecto a calidad del agua
Colombia es uno de los países reconocidos mundialmente por sus beneficios medio ambientales y su alta
biodiversidad, así mismo se ha calculado que tiene una alta oferta hídrica, la cual según datos del IDEAM para el
2010 correspondía a un rango entre 2300 Km³/año y 1400 Km³/año según la variación interanual. En cuanto a estos
resultados se ha encontrado que Colombia es un país afortunado al ser rico en un recurso tan fundamental para la
vida y escaso en el mundo.
Aun así, Colombia no ha mantenido un buen uso de este recurso y desafortunadamente tiene altas deficiencias en
cuanto al monitoreo y mantenimiento de sus cuerpos de agua, encontrando hoy en día desde ríos secos hasta
gravemente contaminados. (Referencias? Citas de la Superintendencia de Servicios Públicos por ejemplo o los
Informes de la Procuraduría Delegada para el Medio Ambiente…) En un intento de proteger los cuerpos de agua se
han efectuado diversas políticas públicas que regulan los límites de diversos contaminantes que pueden ser vertidos,
siendo un eje de gestión y mantenimiento la calidad del agua.
Según el Decreto 1575 de 2007 la calidad del agua se define como “el resultado de comparar las características
físicas, químicas y microbiológicas encontradas en el agua, con el contenido de las normas que regulan la materia”
(Gobierno de la república, 2007). Los estándares de calidad del agua son la base para los programas de control de
contaminación hídrica, con el fin de proteger los cuerpos de agua y quienes los usan.
Uno de los índices de calidad del agua que se debe medir según este Decreto es el Índice de riesgo de la calidad del
agua (IRCA), el cual indica el grado de riesgo de ocurrencia de enfermedades relacionadas con la calidad del agua
para el consumo humano, el cual debe ser controlado y realizado para el Informe nacional de la calidad del agua
para consumo humano. Observando el mapa de riesgo de este informe para el año 2011 y comparándolo con la
19
oferta hídrica del año 2010 se refleja la alta preocupación de la problemática ambiental que esto implica para el país.
Figura 7 - Comparación oferta hídrica y riesgo IRCA en Colombia. Tomado de (Ministerio de Salud, 2011) e (IDEAM, 2010).
Para dar cumplimiento al Decreto 1575 de 2007 se realizan diversas muestras de parámetros de calidad del agua que
permiten caracterizar la fuente de agua según sus características físicas, químicas y microbiológicas. Algunos
parámetros comúnmente medidos son:
 Parámetros físicos:
o Sabor
o Color
o Turbiedad
o Conductividad
o Olor
 Parámetros microbiológicos:
o Coliformes totales y fecales
o Demanda biológica de oxígeno (DBO)
o Demanda química de oxígeno (DQO)
20
o Carbón orgánico total
 Parámetros químicos:
o pH
o Dureza
o Alcalinidad
o Sólidos suspendidos
o Sólidos disueltos
o Sólidos Totales
o Cloruros, Nitratos, Fosfatos, Metales
2.2.2. Efectos en la salud y medio ambiente
La contaminación hídrica produce una alta cantidad de consecuencias tanto en el medio ambiente como en la salud
de los seres vivos. El principal efecto que se puede apreciar a simple vista es el cambio de paisaje, el mal olor,
generación de animales vectores de enfermedades y disminución de la biodiversidad en fauna y flora (Secretaría
distrital de salud, 2011). Así mismo, existen diversas problemáticas ambientales que se relacionan con la
contaminación del agua, como la eutrofización que resulta en disminución del oxígeno disuelto y por tanto muerte
de la fauna perteneciente al hábitat afectado, también se afecta tanto el ecosistema que el recurso pierde su
funcionalidad y no puede utilizarse para ningún uso.
Los contaminantes del agua pueden provenir de diferentes fuentes y por tanto tener vertimientos con composiciones
bastante variadas y complejas que incluyen desde patógenos hasta sustancias tóxicas, todas estas produciendo una
gran variedad de problemas ambientales y sanitarios. En cuanto a la parte de salud humana se encuentra una alta
relación entre la contaminación hídrica y enfermedades como hepatitis A, Cólera, fiebre tifoidea y paratifoidea y
enfermedad diarreica aguda (EDA), teniendo ésta última un grave efecto en Colombia habiéndose reportado en el
año 2010, 2.486.410 casos de los cuales 158 fueron muertes en niños menores de 5 años (Ministerio de Salud,
2011).
Al encontrar este tipo de estadísticas que demuestran que enfermedades como la diarrea son una de las principales
muertes de niños menores de 5 años en el país, es posible apreciar la importancia de la medición de parámetros de la
calidad del agua, pues con el conocimiento de mediciones sobre coliformes o sólidos suspendidos se puede evitar
cientos de muertes.
La ocurrencia de estos casos año tras año es la muestra de la poca efectividad de las campañas de monitoreo y
control que se deben realizar en el país, pues si bien se reconoce que es un trabajo difícil y complejo con alto
requerimiento de personal capacitado, costos por cada muestra de laboratorio e instrumentos especiales, no debería
ser una excusa frente a las muertes y casos de enfermedades que ocurren en el país.
Si no se realiza un programa de monitoreo capaz de detectar los lugares contaminados, las fuentes responsables y los
sectores con mayor necesidad de recursos invertidos en plantas de tratamiento es imposible llegar a una condición
de vida más alta.
2.2.3. Sólidos Suspendidos Totales
Los sólidos Suspendidos Totales (SST o TSS en inglés) hacen referencia al material particulado que se encuentra en
21
suspensión en las corrientes de agua superficial o residual, se determina como la cantidad de residuos retenidos en
un filtro de fibra de vidrio con poro de 0,45 micras que permanece después de evaporar el agua a una temperatura
entre 103°C a 105°C (DANE, 2007).
Aunque la presencia de sólidos suspendidos es importante pues evita procesos de erosión, su alto contenido puede
causar problemas de deposición en el fondo del cauce que afecta los organismos acuáticos, evita la transferencia de
oxígeno suficiente en el agua produciendo muerte de seres vivos y eutrofización, reduce la eficacia de tratamientos
de desinfección del agua, puede hacer el agua no potable y aumentan la concentración de contaminantes que se
adhieren a este tipo de sedimentos (Whitman College).
La metodología utilizada para conocer los sólidos suspendidos totales de un cuerpo de agua inicia con la obtención
de la muestra en el cuerpo de agua, luego en el laboratorio se procede con el proceso de filtración de 100 mL de
muestra en filtros previamente pesados, luego se realiza un secado por 1 hora a 104°C. Al finalizar este tiempo se
realiza el pesado del filtro con la muestra que ha quedado, los cálculos se realizan con la siguiente fórmula (DANE,
2007):
𝑚𝑔 𝑆𝑆𝑇 (𝐴−𝐵)∗1000
= 𝑣𝑜𝑙𝑢𝑚𝑒𝑛 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 (𝐿) (1)
𝐿
Donde A es el peso del filtro más el residuo y B es el peso del filtro, ambos en unidades de miligramos (mg).
La determinación de parámetros como los sólidos suspendidos totales se realiza por medio de grandes campañas
en los cuerpos de agua que requieren grandes esfuerzos de personal capacitado, instrumentación, procedimientos en
laboratorio costosos para obtener resultados puntuales que luego deben ser analizados por medio de cálculos y
comparaciones con la normatividad. Al tener procedimientos tan costosos y poco eficientes, pues solamente se
permiten para espacios puntuales y tiempos específicos no es común que se realice con una frecuencia baja como
días o meses.
2.2.4. Aplicaciones de sensores remotos
Los sensores remotos por medio de la percepción remota es una ciencia que se ha utilizado en diversos temas de
estudio, abarcando desde la geología hasta la hidrología, la ingeniería ambiental, la biología y ecología. Su utilidad
ha sido altamente efectiva para análisis y detección de enfermedades en la vegetación, clasificación de suelos y
rocas para geología, realización de cartografía en áreas de interés, identificación del relieve y evolución o cambios
en áreas nevadas.
Un resumen de la gran aplicación de esta técnica en diferentes áreas de conocimiento se presenta en la Figura 8:
22
Figura 8 - Aplicaciones de percepción remota en diferentes campos. Tomado de (Pérez, 2007).
2.2.5. Uso de sensores remotos en estudios de calidad del agua
El uso de sensores remotos en el estudio de la determinación de parámetros de calidad del agua se ha pensado
desde hace varios años atrás, encontrando estudios incluso desde 1988, en donde (Gitelson & Kondratyev, 1988)
realizan modelos ópticos para cuerpos de agua eutróficos y mesotróficos evaluando variables como clorofila-a,
materia mineral suspendido y materia orgánica disuelta. Así como este, diversos estudios han desarrollado
investigaciones con respecto a la interpretación de espectros de radiación desde diversos instrumentos de percepción
remota la calidad del agua de cuerpos de agua diferentes.
La mayoría de los estudios se ha realizado utilizando como sensores satélites como IKONOS, TM, XS, MSS y
entre otros. Las investigaciones se han realizado en una gran variedad de ecosistemas incluyendo desde aguas
internas hasta estuarios y aguas cercanas a las costas.
Entre los estudios más conocidos realizados en aguas internas se encuentran las investigación realizadas en el
Lagos y Ríos del Minnesota como (Kali E. Sawaya, 2002) y (Patrick L. Brezonik, 2007) en donde se evalúan
23
parámetros que indiquen el estado trófico como la trasparencia del Disco Secchi y Clorofila-a utilizando imágenes
Landsat, encontrando como resultado final las regresiones de mejor ajuste y los mapas de distribuciones de cada
parámetro.
De la misma manera a éste, otros estudios han realizados las mismas investigaciones variando los sensores, la
metodología, la ubicación y los parámetros analizados, resultando en una visualización de su comportamiento.
Autores como (Jerry C. Ritchie, 2003) (ALLAN, 2008) trabajaron este tema en varios lagos y ríos determinando
parámetros como Sedimentos Suspendidos (SS), Clorofila – a, temperatura y la identificación de plantas vasculares
acuáticas como la Hydrilla y el Jacinto de agua. En estuarios y humedales se han realizado estudios similares con
parámetros como Sólidos Suspendidos Totales, Clorofila – a, Turbiedad y extinción de luz (Keith, 2014) (R.
CHOPRA & SHARMA, 2001) (R, S, & A, 2013) (Yuanzhi Zhang, 2002) (Hellweger, Schlosser, Lall, & Weissel,
2004).
En otros ecosistemas se han realizado investigaciones para poder estimar la salinidad en los cuerpos de agua en
las costas del Golfo de México (Wang & Xu, 2008) y estudios de vulnerabilidad y riesgo en el acuífero Basáltico
(Al-Adamat, Foster, & Baban, 2003).
Figura 9 - Comportamiento de SST con niveles de reflectancia. Tomado de (Bhatti, 2010).
Aunque la gran mayoría de estudios que el lector pueda encontrar se han realizado con sensores satelitales, es
posible encontrar estudios de evaluación del uso de UAVs para medir niveles de reflectancia, aunque se realizó
principalmente para usos en investigaciones de agricultura, se concluye que es posible la realización de una
metodología que use UAVs como sensor remoto (Honkavaara, Hakala, Markelin, & Peltoniemi, 2014). Así mismo,
dentro del estudio de índices de vegetación normalizado (NDVI), se encuentra un metodología utilizada para el uso
de Drones y cámaras digitales como sensores remotos, la cual permite transformar números digitales (RGB) a
niveles de reflectancia a partir de un procesamiento de imágenes (Clemens, 2012).
En cuanto a los estudios realizados específicamente en la modelación de Sólidos Suspendidos Totales, se ha

encontrado una alta relación en la Banda 4 (NIR). Así mismo, teniendo en cuenta que es un espacio natural, la
relación con la Banda 2 tiene una alta significancia. El comportamiento esperado de los Sólidos Suspendidos
Totales respecto a los niveles de reflectancia es una tendencia proporcional, en donde a mayor concentración de SST
se encuentre mayores niveles de reflectancia en las bandas, los ajustes encontrados en diversos estudios tienen
24
coeficientes de correlación altos mayores a 0.6 (Sravanthi N. R., 2013) (Bhatti, 2010) (Asif Mumtaz Bhatti &
Takagi, 2007).
En su gran mayoría estos estudios se han realizado en sensores satelitales, sin embargo se han encontrado
limitaciones en cuanto a la precisión de estos instrumentos para la realización de investigaciones en cuerpos de agua
de menor tamaño. Adicionalmente, se tiene que realizar correcciones adecuadas por la alta elevación de los sensores
y tener en cuenta sus limitaciones en aspectos climáticos (Bhatti, 2010).
25
3. Descripción del área de estudio
El río Teusacá, un río de montaña ubicado en el municipio de La Calera, cerca de la ciudad de Bogotá en
Colombia, fue seleccionado para la evaluación de las herramientas de percepción remota para el monitoreo de
Sólidos Suspendidos Totales (SST) como parámetro de calidad del agua de corrientes y cuerpos hídricos. La
subcuenca del río Teusacá está localizada en el Departamento de Cundinamarca y hace parte de la cuenca alta del
Río Bogotá cubriendo parcialmente el territorio de siete municipios, los cuales utilizan sus aguas como fuente de
abastecimiento para diversos usos y receptor de vertimientos de agua residual proveniente de usos del suelo
residencial, agrícola e industrial. La subcuenca, con un área total de 358,17 𝐾𝑚2 y caudal promedio anual de 2.2
𝑚3⁄ , nace a 3560 m.s.n.m. en los altos de la laguna El Verjón y Los Tunjos que fluye con dirección Sur-Norte
𝑠
hasta desembocar en el Río Bogotá. (Muñoz Real & Beltrán Carvajal, 2010).
Figura 10 - Ubicación de la Subcuenca del Río

Figura 11 - Ubicación del área de estudio. Adaptación de Google Earth.
Teusacá Tomado de (MUÑOZ REAL & BELTRÁN
CARVAJAL, 2010).
El área de estudio tiene una alta importancia ecológica al poseer un Sistema de Sustentación Natural de alto valor
como el Embalse de San Rafael, Humedales El frailejonal, entre otros bosques, reservas y parques naturales. Aun
así, posee diversas problemáticas ambientales que afectan su calidad de agua y que limitan su utilización segura
como recurso hídrico para los habitantes de la subcuenca. Los vertimientos con alto contenido de agroquímicos
tóxicos y el cambio no planificado del uso del suelo rural a urbano, son algunas de las causas de los efectos que hoy
en día se reflejan en las aguas del Río Teusacá.
26
El punto específico en donde se realizó el estudio se identifica por ser el punto de confluencia entre el Río Teusacá y
la Quebrada Simayá. Así mismo, este punto es importante al estar cercano a una Planta de Tratamiento de Agua
Residual (PTAR), la cual trata parcialmente el río y realiza descargas en las mismas aguas abajo. El sector se
consideró ideal para el estudio al permitir observar directamente el cambio de color que causa las diferencias de
Sólidos Suspendidos Totales en la longitud de mezcla de la confluencia, tal y como se observa en la Figura 12.
Las coordenadas del sitio en sistema de coordenadas WGS 84, dadas por Google Earth son 4.725931° Latitud, -
73.949838° Longitud.
(a) (b)
Figura 12 - Área de estudio. (a) Fotografía tomada el día de la planificación de trabajo. (b) Fotografía tomada en la
Campaña No. 2.
27
4. Materiales y metodología seguida
4.1. Materiales
Los materiales utilizados corresponden a instrumentos de percepción remota que permiten recolectar información
de objetos sin tener contacto directo con los mismos. Así, el instrumento principal que se utilizó con esta finalidad
fue el Drone Phantom 2 Vision+, que junto con cámaras integradas pancromática (RGB) e Infrarrojo Cercano,
permitieron recolectar fotografías aéreas del área de estudio con una alta resolución que permite tomar imágenes en
áreas relativamente pequeñas difíciles de observar en las imágenes satelitales convencionales disponibles en la
actualidad. Así mismo, tiene características específicas que favorece su utilización en microcuencas y espacios
naturales, entre los cuales se incluye su alta estabilidad, la posibilidad de realizar movimientos controlados en cuatro
grados de libertad, obtener información a diferentes alturas y la observación en tiempo real de las fotografías que se
están tomando.
Figura 13 - Cámara Raspberry pi NOIR utilizada para

Imágenes NIR, Tomado de (ModMyPi, 2014). Figura 14 - Drone Phantom 2 +Vision +, Tomado de (Drone Flyers,
2014).
La cámara utilizada para la obtención de fotografías RGB se encuentra incorporada al Drone con un Gimbal que
le permite estabilizar la cámara con movimiento permitido en 3 ejes, utiliza un sensor CMOS de 14 Mega
pixeles/180p y permite conexión a red Wi-Fi para ver el área que se está cubriendo desde dispositivos móviles (Ver
Figura 14). Por su parte, la cámara empleada para fotografías de Infrarrojo Cercano (NIR) fue una Cámara Pi NoIR
con una resolución de 2592 x 1944 y sensor CMOS de 5 Maga pixeles, la cual funciona en conjunto con una tarjeta
Raspberry Pi que se programó para obtener fotografías cada cinco segundos (Ver Figura 13 y Figura 16).
Las dos cámaras se ajustaron al Drone con el fin de obtener fotografías RGB y NIR al mismo tiempo (Ver Figura
15), así se aseguraba la compatibilidad de tiempo entre la toma de muestras de agua y la obtención de imágenes
aéreas.
28
Figura 15 - Ajuste del Drone con las dos cámaras Figura 16 - Raspberry Pi y Cámara NOIR.
La recolección de muestras In-situ para la realización de la determinación de la concentración de Sólidos

Suspendidos Totales (SST) se realizó utilizando botellas de plástico de dos Litros (2 Litros) debido a la claridad del
agua en algunos sectores. Así mismo, la realización de los análisis fueron realizados por parte del Laboratorio de la
Universidad de Los Andes cumpliendo los estándares que garantizan el mantenimiento de la muestra y la veracidad
de los resultados.
El procesamiento de imágenes se realizó utilizando ArcMap, realizando corrección de las imágenes y obtención
de niveles de reflectancia por medio de la metodología de (Clemens, 2012), usada en el AggieAir Flying Circus
(AAFC), un servicio del Utah Water Research Laboratory de Utah State University que se especializa en el
procesamiento e interpretación de imágenes aéreas adquiridas por un sistema UAV llamado AggieAir. Por su parte,
el análisis estadístico se realizó utilizando Excel y Matlab.
4.2. Planificación del trabajo de campo
Las medidas de planificación de trabajo de campo se realizaron con el fin de conocer apropiadamente el área de
estudio, sus características y condiciones que deben tenerse en cuenta en un estudio de este tipo. Con este fin, se
realizó una campaña de prueba el día 27 de Septiembre de 2014, en el cual se efectuaron vuelos de prueba a tres
alturas diferentes (15, 30 y 50 metros) para definir la elevación que permitiera un mejor cubrimiento con mayor
precisión.
Uno de los aspectos más importantes para encontrar la relación entre los valores de reflectancia y la
concentración de Sólidos Suspendidos Totales (SST) era la definición de una estrategia que permitiera demarcar en
la fotografía el punto exacto en donde se tomó la muestra de agua. Para ello, se requería de un elemento capaz de
mantenerse en la superficie y que fuera visible en las fotografías aéreas. Así, en la campaña de prueba se estudió la
utilización de cuadrados realizados con tubos de PVC delgados y amarrados por cuerdas a los dos extremos del río,
que funcionaran como elementos de referencia en la fotografía aérea. A partir de éstos elementos se debía tomar la
muestra de agua y así poder observar el punto desde la elevación del Drone.
A partir de ésta campaña de prueba se determine que la elevación más favorable de vuelo fue a 30 metros, al
encontrar que en las fotografías de 50 metros no se alcanzaba a ver el río ni el elemento de referencia y que la de 15
metros era muy cercana a la superficie como para tener riesgos de daño del Drone en caso de problemas con ráfagas
de viento fuertes que pudieran descompensarlo.
29
Se determinó la delimitación de 17 puntos de toma de muestra que recolectaran concentraciones de SST a lo

ancho del río, los cuáles se observan a continuación:
(b)
Figura 17 - Identificación de los puntos de muestreo. (a)

Fotografía tomada en la campaña No. 1. (b) Fotografía
tomada el día de la planificación del trabajo de campo.
(a)
Igualmente, se determinó que el elemento de referencia cumplía con las características indicadas, por lo cual era
observable desde las fotografías aéreas. Sin embargo, se utilizarían para ubicar el punto central, teniendo en cuenta
que los puntos cercanos a las orillas eran delimitados por el mismo elemento utilizado para la toma de muestra como
la botella o el balde.
Finalmente, observando la claridad del río en el área de estudio se definió la utilización de botellas de 2 litros
para obtener una mayor cantidad de muestra.
4.3. Recolección de información
4.3.1. Recolección de muestras de agua
La recolección en campo de mediciones In-situ de SST y los datos de reflectancia espectral se realizaron por medio
de dos campañas de muestreo en diferentes características climáticas los días 4 y 11 de Octubre de 2014 para el área
de estudio. En la primera campaña se tomaron 17 muestras en los puntos determinados en la Figura 17, teniendo en
cuenta la programación simultánea entre la recolección de la muestra y la toma de fotografías aéreas. Al realizarse
en conjunto con la salida de campo de la asignatura “Modelación Ambiental” se pudo obtener suficiente personal
capacitado para la realización de la toma de todas las muestras de agua.
El día de la planificación del trabajo de campo (27 de Septiembre de 2014) se encontró que la corriente de agua
proveniente del Río era más clara que la corriente de la Quebrada Simayá, sin embargo los días de las campanas (4 y
11 de Octubre de 2014) estos colores se habían invertido. La toma de muestras de la primera campaña se realizó en
el momento en que la PTAR estaba realizando descargas aguas abajo del Río. Las muestras se tomaron lo más cerca
a los cuadrados de referencia permitiendo determinar el punto correspondiente en las fotografías. En esta ocasión se
recolectó información de fotografías aéreas con las tres bandas principales RGB.
30
La segunda campaña se efectuó en época de lluvias presentando alta precipitación los días anteriores, encontrando
un caudal mayor y por lo tanto variaciones más dispersas en las concentraciones de SST. El muestreo se realizó en
el momento en que la PTAR no estaba descargando y se tuvieron las mismas precauciones anteriormente
mencionadas. En esta campaña se obtuvo datos de las bandas principales RGB y la banda 4 (NIR).
4.3.2. Recolección de imágenes aéreas

La obtención de imágenes de bandas RGB y NIR se realizó por medio de la utilización del Drone Phantom 2
Vision +, el cual permitió la adquisición de imágenes aéreas en el momento de recolección de muestras de agua.
El vuelo se realizó el día 11 de Octubre de 2014 iniciando a las 10:00 a.m. y finalizando a las 10:15 a.m., en el
cual se tomaron fotografías en el momento de toma de muestras de agua en los 17 puntos determinados sobre la
longitud del área de estudio. Las fotografías se obtuvieron en formato JPG de 24 bits, siendo cada banda de 8 bits.
La elevación del sensor remoto fue de 30 metros, teniendo la capacidad de captar en una foto varios puntos de
muestreo y sus respectivos cuadrados de referencia. La cámara se controló de tal modo que evitara una posición de
sobre-exposición, teniendo en cuenta que el brillo es un error que puede afectar en alta medida las variaciones de
reflectancia y color en el agua. Por esta razón la mayoría de fotografías se debieron realizar oblicuas con un ángulo
de inclinación.
Aunque en fotografías aéreas no es natural utilizar imágenes oblicuas, en este estudio no es un aspecto que genere
error en los resultados pues no se está trabajando con distancias o relieves. Así mismo, la oblicuidad de las fotos
permite apreciar mejor la superficie del agua evitando contrastes diferentes de colores afectados por los sedimentos
del fondo.
4.4. Procesamiento de la información
4.4.1. Organización de la base de datos

Después de la realización de cada una de las campañas se obtuvieron en formato digital todas las imágenes aéreas
obtenidas, las cuales muestran un registro de la toma de muestras de agua cada cinco segundos. A partir de esta base
de datos, se definieron las mejores imágenes para cada punto de muestreo realizado que mostrara con menor
turbulencia y mayor precisión el lugar exacto en donde se realizó la toma de agua para el análisis de SST en el
laboratorio.
Las fotografías definidas para la base de datos final fueron separadas en sus tres bandas con las herramientas para
procesamiento de imágenes en ArcMap.
4.4.2. Procesamiento de imágenes
La utilización de Drones en la recolección de imágenes aéreas es un tema relativamente novedoso, al encontrar

que la mayoría de los estudios de este tipo se han realizado por medio del uso de Satélites como sensores remotos.
Los satélites son instrumentos especiales para estos estudios al permitir obtener información de los niveles de
reflectancia, realizar correcciones de diferentes errores por medio de ecuaciones conocidas y transformar valores de
reflectancia en valores de color RGB con el fin de obtener una imagen capaz de representar la realidad de una forma
más afín al usuario como una fotografía lo hace.
31
En este tipo de estudios se debe utilizar valores de niveles de reflectancia pues son característicos de cada objeto,
por su parte los valores de RGB puedes ser similares o iguales para diferentes objetos y su rango de variación es
bastante grande ante aspectos como la cantidad de luz. En este sentido, el uso de Drones con cámaras digitales debe
estar acompañado con el estudio de conversión de niveles de RGB a reflectancia con el fin de ser utilizado para
estudios de procesamiento de imágenes.
Aunque existen diversos documentos acerca de este tema, en este estudio se utilizó la metodología de (Clemens,
2012) utilizada en el Drone AggieAir, el cual utiliza una cámara digital. La metodología a utilizar se compone de los
siguientes pasos:
1. Obtener una fotografía después del vuelo con cada una de las cámaras utilizadas de un panel de
referencia (White panel photos).
2. Calcular el Valor de corrección de brillo (Corrected Brightness Value - CBV) para cada espectro de
bandas en RGB y NIR.
3. Calcular el Factor de Reflectancia (Reflectance factor – RF) para cada espectro de bandas.
4. Calcular la reflectancia de cada imagen para cada banda espectral a partir del RF y el CBV calculado
anteriormente.
5. Obtener los valores de reflectancia necesarios.
A continuación se explica el procedimiento realizado para la obtención de los niveles de reflectancia a partir de
los valores de RGB de cada foto:
1. Fotografías del panel de referencia
El panel de referencia es un objeto de valores de reflectancia estables y conocidos, por lo cual puede ser utilizado
como un valor de referencia con el fin de normalizar los valores de RGB de las demás fotos. Se debe tener para cada
una de las cámaras una fotografía del panel de referencia utilizado para tener un valor específico del instrumento que
permita normalizar las fotografías.
El panel de referencia utilizado en este estudio fue el Sulfato de Bario, el cual es utilizado como un reactivo de
contraste en la toma de radiografías, así mismo es un componente estable y de coeficientes de reflectancia
conocidos.
(a) (b)
Figura 18 - Fotografía del Panel de referencia. (a) Fotografía con Cámara NIR. (b) Fotografía con Cámara RGB
32
La realización de la corrección y obtención de reflectancia a partir de valores de RGB y NIR adquiridos con una
cámara digital se realiza para cada una de las bandas por separado, así lo primero que se realizó fue la
descomposición de las fotografías en bandas utilizando ArcMap.
A partir de las herramientas de procesamiento de imágenes se obtuvieron de las fotografías RGB las bandas 1, 2
y 3, es decir, las bandas Roja, Verde y Azul, respectivamente. En las fotografías NIR, al ser una cámara digital,
también tiene como resultado tres bandas en el espectro Rojos, Verde y Azul. Sin embargo, la banda roja es la más
cercana a la NIR, por lo tanto esta fue la utilizada en este caso.
2. Calcular el Valor de corrección de brillo (CBV)
2.1. Imágenes RGB
El Valor de corrección de brillo (CBV) es una imagen escalar que permite realizar correcciones a las demás
imágenes tomadas con la misma cámara, con el fin de disminuir la irradiancia y los errores que éste efecto produce
(Clemens, 2012).
Para calcular el CBV se debe realizar la ecuación 2, en donde su valor depende del Coeficiente de corrección
(CC), el valor de brillo (BV) de cada pixel y el factor de transmisión (𝐼/𝐼0 ) que indica el porcentaje de transmisión
de la luz que permita el filtro utilizado en el vuelo. Esta ecuación se debe realizar para cada una de las bandas a
utilizar.
(2)
En donde x,y indica un determinado pixel de una banda en particular, a es la abertura, c es la cámara y f es el
filtro de densidad neutra utilizado en el vuelo de adquisición de fotos.
El Factor de transmisión depende del porcentaje de transmisión que permita el filtro utilizado, calculándose
numéricamente como:
𝐼 ⁄𝐼0 = 10−𝑑
En donde d es el porcentaje de transmitancia, es decir, si el filtro permite pasar 30% de la luz por el lente d va a
ser igual a 0.3. En nuestro caso no se utilizó ningún tipo de filtro, por lo tanto d =1.
El Coeficiente de Corrección (CC) se debe calcular para cada banda de la fotografía del panel de referencia a
partir de la relación entre Valor de Brillo Normalizado (NBV) y el Valor de Brillo (BV) de cada pixel de la fotografía
de la banda en particular.
(3)
33
El Valor de Brillo Normalizado (NBV) se calcula para cada una de las bandas y es el promedio de los valores de
los pixeles de la imagen. En RGB se debe realizar este promedio en las tres bandas, roja, verde y azul. Por su parte,
para el espectro NIR se debe realizar para la banda roja, siendo ésta la más cercana.
2.2. Near Infrared Imagery (NIR)
En el caso de las imágenes NIR la Ecuación 3 aplica de la misma manera, teniendo en cuenta que se va a utilizar
únicamente la banda 1. Sin embargo, la Ecuación 2 tiene un leve cambio al tener en cuenta que este tipo de cámaras
no requiere la utilización de filtros, así el cálculo del Valor de corrección de brillo (CBV) será entonces:
(4)
La realización de este procedimiento en cada una de las bandas resulta en la normalización de los valores,
proceso que se demuestra en la estandarización del histograma de la banda corregida. Los resultados obtenidos para
la banda NIR se muestran en la Figura 19.
Figura 19 - Corrección aplicada al panel de referencia en la banda NIR. (a) Banda NIR del panel de referencia sin corrección. (b) CC del panel
de referencia. (c) CBV del panel de referencia. Resultados obtenidos por el autor en ArcMap.
3. Cálculo del Factor de Reflectancia (Reflectance factor – RF)
El factor de reflectancia del panel de referencia (Sulfato de Bario) se debe calcular para cada una de las bandas,
roja, verde, azul y NIR. Este factor permitirá relacionar los valores de RGB obtenidos con valores de reflectancia,
siendo así un factor de conversión que depende del ángulo Zenith del sol en el momento del vuelo y los valores de
reflectancia conocidos para el panel de referencia, según la Ecuación 5.
(5)
En donde A0 , A1 , A2 , A3 y A4 son los coeficientes de reflectancia conocidos para el Sulfato de Bario y θz es el

ángulo Zenital del sol en el momento del vuelo.
34
Los valores de los coeficientes de reflectancia fueron calculados por (Clemens, 2012), los cuales se muestran en
la Tabla 1
Tabla 1 - Valores de corficientes de reflectancia para el Sulfato de Bario. (Clemens, 2012)
Barium Sulfate Known reflectance factors

Band Band A0 A1 A2 A3 A4
Band 2 Green 1.099792 -0.00146 -0.000074 0.00000159 -0.000000012
Band 1 Red 0.309000 0.13570 -0.004700 0.00006000 -0.000000300
Band 4 NIR 1.290200 0.09500 -0.002800 0.00002000 -0.000000030
Band 3 Blue -0.049700 0.11940 -0.004400 0.00007000 -0.000000400
Se calcularon los factores de reflectancia para la hora de inicio y la hora final del vuelo, con el ángulo zenital del
día de vuelo y las coordenadas específicas del sitio. La Tabla 2 muestra los resultados obtenidos para el día 11 de
Octubre de 2014 con Hora de inicio 10:00 a.m. y hora final 10:15 a.m., mostrando como valor de reflectancia final
el promedio de los dos al encontrar una duración de vuelo corta.
Tabla 2 - Resultados de Factor de reflectancia
El procedimiento realizado para calcular el ángulo Zenital se encuentra en el Anexo.
4. Obtención de valores de reflectancia
Teniendo todos los valores necesarios para encontrar la reflectancia a partir de valores de RGB, dicha
transformación se realiza a partir de la relación entre la imagen a corregir y el CBV del panel de referencia de la
banda correspondiente, multiplicado por el factor de reflectancia en particular.
(6)
35
El proceso de aplicar la corrección y el factor de reflectancia provee una imagen sin efectos de brillo que afecte
los resultados, además de permitir conocer valores de reflectancia para poder realizar estudios.
Las variaciones que tienen las fotos en cada una de las cuatro bandas utilizadas se muestran a continuación:
36
Figura 20 - Conversión de números digitales a Reflectancia en las cuatro bandas. Resultados ArcMap, elaboración propia.
5. Obtención de valores de reflectancia en los puntos de muestreo
Una vez se obtuvo las fotografías corregidas fue posible conocer los valores de reflectancia que corresponden al
punto de toma de cada una de las muestras de agua indicado en la foto por el elemento de referencia. El
procedimiento realizado para este fin se basó en la determinación del promedio de valores de reflectancia en el área
del muestreo, para ello se utilizó la herramienta Image Classification de ArcGIS con la cual se realizó un polígono
del área y se obtuvo el valor de reflectancia promedio de dicho sector.
Este procedimiento se realizó con todas las fotos y se determinó el valor promedio correspondiente a cada
muestra de agua para cada una de las cuatro bandas en las imágenes corregidas. Los valores encontrados se
muestran en la Tabla 3.
Los valores de reflectancia indican la cantidad de energía que es reflejada por un cuerpo, por lo tanto se espera
que su valor aumente a medida que el cuerpo tiene la capacidad de reflejar la luz y disminuye a medida que el
cuerpo tiene mayor capacidad de absorberla. En este sentido un objeto de color negro tendrá los valores de
reflectancia más bajos al tener mayor capacidad de absorber la luz, mientras que un objeto de color blanco tendrá los
niveles más altos. Este comportamiento fue verificado para cada una de las cuatro bandas encontrando los valores
respectivos de objetos identificados en las fotos con color negro y blanco. Esta información está registrada en la
Tabla 2, además de mostrar los valores máximos y mínimos de niveles de reflectancia para cada banda.
Tabla 3 - Características de las bandas.
Band 1 Band 2 Band 3 Band 4

Min. Pixel Value 0 0 0 0.40035
Max. Pixel Value 0.0798775 0.197882 0.0171222 2.97907
Color Negro 0.00421 0.01743 0.00201 0.471
Color Blanco 0.0781 0.19709 0.017 2.623
La relación encontrada entre la concentración de SST y los niveles de reflectancia en las cuatro bandas fueron a
la esperada, encontrando que a mayor concentración aumentan los niveles de reflectancia al poseer el cuerpo de
agua mayor capacidad de reflejar la luz, mientras que a menor concentración disminuirá.
37
Tabla 4 - Tabla de resultados de valores de reflectancia para cada concentración de SST muestreado.
TABLA DE RESULTADOS
Identificación
No. Campaña SST (mg/L) Band 1 Band 2 Band 3 Band 4
Muestra
A1 27 0.04483 0.10808 0.00975 1.36742
A2 8.6 0.03461 0.07674 0.00824 0.10784
AC 16 0.044 0.09997 0.00879 1.23382
B1 30 0.04763 0.12008 0.01066 1.36741
B2 20 0.04558 0.11138 0.00991 1.22273
BC 25 0.04802 0.11646 0.00996 1.33173
C1 28 0.04543 0.11241 0.00997 1.2817
C2 20 0.04602 0.11185 0.00992 1.23859
Campaña 2 CC 22 0.04702 0.11228 0.00986 1.3284
D1 29 0.05023 0.12467 0.0105 1.38159
D2 17 0.04574 0.11359 0.01053 1.26955
DC 14 0.04924 0.11013 0.001098 1.2744
Q1 33 0.04671 0.13389 0.0104 1.41128
F1 17 0.0442 0.10741 0.00926 1.2724
R1 2.7 0.02556 0.06721 0.00698 0.82979
R1 <1.6 0.0267 0.06826 0.00662 0.82873
Q1 25 0.04506 0.11255 0.00967 1.32967
R1 6.2 0.01521 0.05059 0.00504
Q1 21 0.04426 0.10531 0.00826
A1 23 0.04254 0.10673 0.00905
A-C 32 0.04751 0.11272 0.00893
A2 6 0.01626 0.04971 0.00431
B1 33 0.04756 0.11289 0.00952
B2 19 0.04659 0.10896 0.00839
C1 26 0.04244 0.10732 0.00934
Campaña 1 C-C 29 0.04734 0.11202 0.00972
C2 24 0.04252 0.10712 0.00894
D1 25 0.04522 0.10701 0.009
D-C 16 0.04512 0.10526 0.00896
D2 17 0.04511 0.10579 0.00895
E1 17 0.04344 0.10588 0.00906
E-C 24 0.04484 0.1072 0.00893
E2 15 0.04255 0.10568 0.00924
F 15 0.04228 0.10328 0.00882
38
4.4.3. Análisis de correlación estadística
El análisis estadístico se basó en una metodología utilizada en el estudio de regresiones múltiples conocido como
el método de ascenso o hacia adelante, en el cual se realizan regresiones con pruebas de significancia con una sola
variable y después se van agregando variables a la regresión teniendo en cuenta el nivel de significancia que tiene
cada una de ellas en la ecuación. Así, se realizaron regresiones iniciales con cada una de las bandas por separado y
después se fue agregando relaciones entre bandas según el nivel de significancia encontrado hasta obtener un ajuste
adecuado a los datos.
Se realizaron 25 regresiones diferentes por medio de la función de análisis de datos que proporciona Excel y la
aplicación de Matlab para realización de regresiones llamada Curve Fitting. Los resultados de estas dos aplicaciones
proporcionaban parámetros estadísticos que permitía evaluar el ajuste de la regresión, la significancia de las
variables y realizar pruebas de hipótesis por medio del análisis de la F-Fisher.
Con el fin de realizar una validación de las regresiones se realizaron las regresiones excluyendo cinco datos, para
los cuales se calculó la concentración de SST utilizando cada ajuste. La evaluación de la precisión se realizó
calculando la raíz del error medio cuadrático (RMSE) para determinar la diferencia entre el valor real y el valor
obtenido por medio de la regresión. Los valores excluidos fueron:
Tabla 5 - Valores excluidos de la regresión.
Valores excluidos
Identificación
SST (mg/L) R G B NIR 1
Muestra
Q1 6.2 0.01521 0.05059 0.00504
DC 14 0.04924 0.11013 0.001098 1.2744
BC 25 0.04802 0.11646 0.00996 1.33173
E2 15 0.04255 0.10568 0.00924
B2 20 0.04558 0.11138 0.00991 1.22273
Las regresiones que utilizaban las bandas 1, 2 y 3 se realizaron con todos los 29 datos, mientras que las
regresiones que utilizaban la banda 4 se utilizó solamente con los valores obtenidos de la campaña 2, es decir con 14
datos.
En resumen, la metodología utilizada para el análisis estadístico fue:
1. Análisis de covarianza entre la concentración de SST y cada una de las bandas utilizando Matlab.
2. Realización del método ascendente para la realización de regresiones hasta encontrar el mejor ajuste.
3. Determinación de estadísticas de cada regresión y análisis de varianza para conocer la significancia de cada
parámetro y realizar análisis de bondad de ajuste.
4. Utilizar cada regresión para determinar la concentración de SST de los valores excluidos y calcular el RMSE
de estos datos.
5. Analizar los parámetros estadísticos obtenidos y determinar la regresión que mejor se ajusta a los datos.
39
La explicación de cada uno de éstos pasos realizados y los resultados obtenidos se observan a continuación:
1. Análisis de covarianza
El análisis de covarianza es una de las variables fundamentales en una regresión múltiple, la cual permite conocer
la relación que tienen las variables independientes respecto a la variable dependiente. Este análisis se realizó
utilizando las funciones que brinda Matlab, con la cual se obtiene como resultado la matriz de covarianza para cada
una de las variables a analizar.
La matriz de covarianzas se identifica por permitir conocer la varianza de cada una de las variables en la diagonal
de la matriz, además de observar la covarianza entre cada par de variables en el resto de las celdas, produciendo así
una matriz simétrica respecto a su diagonal principal.
La interpretación de la covarianza se realiza de la siguiente manera:
Los resultados obtenidos para cada una de las variables para las matrices de covarianza son:
Tabla 6 - Matrices de covarianza para cada variable. Resultados Matlab. Elaboración propia.
SST B1 SST B2
SST 72.3969 0.0509 SST 72.3969 0.1275
B1 0.0509 0.0001 B2 0.1275 0.0003
SST B3 SST B4
SST 72.3969 0.0082 SST 99.471 2.5992
B3 0.0082 0 B4 2.5992 0.1256
Las covarianzas obtenidas demuestran que la variable Banda 3 tiene la menor relación respecto a la
determinación de Sólidos Suspendidos Totales. Por su parte, las variables Banda 4, Banda2 y Banda 1 tienen una
relación directamente proporcional con un nivel de significancia en ese orden.
2. Método ascendente
El método ascendente o hacia adelante, es un procedimiento para realizar regresiones múltiples que permite ir
realizando diferentes regresiones teniendo en cuenta principalmente el nivel de significancia de cada una de las
variables independientes con respecto a la determinación de la variable dependiente.
El procedimiento consiste en la realización de regresiones iniciales con cada una de las variables independientes
por separado con el fin de conocer el nivel de significancia de cada una de ellas por medio del P-Value, a partir de
40
esta determinación se va adicionando a la regresión más variables hasta completar la regresión múltiple. Finalmente,
se van realizando regresiones diferentes según dicho nivel de significancia hasta obtener el mejor ajuste posible.
El paso inicial, definido como la realización de regresiones diferentes para cada una de las variables se realizó en
Matlab, obteniendo las gráficas de cada una de ellas y sus gráficos de residuos correspondientes (Ver Figura 21).
Figura 21 - Regresiones para cada banda independiente. Resultados Matlab. Elaboración propia.
El gráfico de residuos permite detectar problemas de no linealidad y auto correlación en el modelo de ajuste, el
gráfico ideal y esperado es que tenga la mayor dispersión posible entre los puntos de la gráfica de Variable
independiente contra residuos.
A partir de estos análisis se encontró una mayor significancia de las variables Banda 4, Banda 1 y Banda 2,
siendo acorde con lo encontrado en la matriz de covarianza.
Finalmente, se realizaron 25 regresiones con ayuda de Matlab y la herramienta de Análisis de datos de Excel, las
cuales serán evaluadas a partir de análisis de bondad de ajuste.
3. Análisis estadístico de bondad de ajuste
Las variables estadísticas que es utilizaron para el análisis de bondad de ajuste fueron principalmente el
Coeficiente de determinación (R²), la Raiz del error cuadrático medio (RMSE), análisis de varianza con F-Fisher,
análisis de la gráfica de residuos y significancia de las variables a partir del P-Value. Sus definiciones se determinan
a continuación:
 Coeficiente de determinación (R²): es una medida descriptiva que evalúa la capacidad predictiva del
modelo de ajuste. Es un valor que se encuentra entre cero y la unidad, siendo uno el mejor ajuste
posible y cero el peor (Wayne, 1997).
 Coeficiente de determinación ajustado (Adj. R²): El coeficiente de determinación por si solo se ve
afectado por la cantidad de números de muestra que se estén utilizando en la regresión, por lo tanto a
mayor número de muestra será mayor. Sin embargo, el coeficiente de determinación ajustado sólo tiene
41
en cuenta los valores que en verdad mejoran el ajuste, siendo mayor únicamente en esos casos. Siempre
será por lo tanto mejor al coeficiente de determinación sin ajustar.
 Raíz del error cuadrático medio (RMSE): es una medida de la diferencia entre los valores predichos por
un modelo de ajuste y el valor real observado. La evaluación se hace respecto al valor de los residuos,
por lo tanto un valor de cero será el ideal.
 Análisis de varianza con F-Fisher: El análisis de varianza es una prueba de hipótesis en la cual la
hipótesis nula es que no hay relación entre las variables, mientras que la hipótesis alterna se define
como la existencia de dicha relación. Lo que se desea es rechazar la hipótesis nula, lo cual se realiza si
el F-Fisher de la regresión es mayor al F- crítico determinado como el F(1-α,k,n-k-1), donde α es 0,05
al tener una probabilidad del 95% de confianza, K es la cantidad de variables y n el número de datos en
la regresión.
 Gráfica de residuos: La gráfica de residuos determina la no linealidad y auto correlación en el modelo.
Lo ideal es una gráfica con alta dispersión.
 Significancia con P-Value: Es una medida que determina el nivel de significancia de una variable en
una regresión, para este caso se valida su significancia cuando su P-value sea menor a 0,05 al tener una
confiabilidad del 95%.
4. Validación de la regresión
La validación de las regresiones se realizó a partir de la comparación de cada una de las variables estadísticas
definidas con anterioridad, además se calcularon los valores de concentraciones de SST para los valores excluidos
con cada una de las regresiones y se calculó el RMSE de cada una de ellas. Dicho valor permitiría definir la validez
del ajuste respecto a valores obtenidos en el proceso de muestreo, entre menor fuera dicho valor el modelo de ajuste
tendría un mayor peso para ser escogido.
5. Determinar el mejor ajuste
Después de realizar un análisis a cada una de las regresiones se definieron los modelos de ajuste con mejores
características para los datos observados, así mismo se definieron también las regresiones que menor ajuste tienen y
las variables con menor nivel de significancia.
42
5. Resultados y discusión
5.1. Relación entre SST y valores de reflectancia

Las 25 regresiones evaluadas se resumen en la siguiente tabla:
Tabla 7 - Resumen de regresiones.

RESUMEN DE REGRESIONES
Relación entre bandas (X) Ecuación de Regresión R^2 Multiple R² Adj. R² RMSE F - Fisher Variable P - Value RMSE datos externos
B1 SST = 900.6*B1-17.58 0.7953 0.6326 0.619 5.252 46.4821 B1 2.53E-07 7.8745
B2 SST = 414.5*B2-22.43 0.8543 0.7298 0.7198 4.504 72.9307 B2 3.74E-09 6.3084
B3 SST = 4870*B3-23.06 0.7427 0.5516 0.535 5.802 33.2116 B3 3.96E-06 14.8549
B4 SST = 48.47*B4-39.594 0.9431 0.8894 0.8802 3.451 96.5531 B4 4.33E-07 4.7244
B1 5.10E-01
B1 , B2 SST = 519.4*B2 - 256.3*B1 -22.44 0.8569 0.7344 0.7139 4.551 35.9397 5.7057
B2 4.01E-03
B1 6.66E-01
B1,B2, B3 SST = -170.8*B1 + 616*B2 - 1925.18*B3-18.82 0.864 0.7465 0.7161 4.534 24.5397 B2 2.85E-03 11.7094
B3 2.84E-01
B1 1.26E-01
B2 2.75E-01
B1,B2,B3 y B4 SST = -984.3*B1+215.8147*B2+1639.955*B3+54.59592*B4-43.358 0.9635 0.9283 0.8965 3.2083 29.157 6.2594
B3 5.69E-01
B4 4.71E-02
B4/B2 SST = -8.47597*(B4/B2)+119.5333 0.6031 0.3637 0.3107 8.2801 6.861 B4/B2 2.24E-02 5.8673
B2/B3 SST = 6.196962*(B2/B3)-50.7799 0.5946 0.3535 0.3296 6.9667 14.7659 B2/B3 6.70E-04 249.0254
B3 + B2 SST = 386.2681*(B3+B2) -22.96 0.8508 0.7238 0.7135 4.5536 70.7592 B3+B2 5.05E-09 5.5162
B2-B3 SST = 446.4573*(B2-B3) - 21.7411 0.8576 0.7354 0.7256 4.4566 75.0628 B2-B3 2.80E-09 7.4621
(B2-B3)^2 SST = 2710.61193*(B2-B3)^2 -4.51366235 0.8681 0.7535 0.7444 4.3017 82.5467 (B2-B3)^2 1.07E-09 7.2023
B2-B1 SST = 681.58*(B2-B1)-21.23 0.8492 0.7212 0.7109 4.5747 69.8606 B2-B1 5.73E-09 4.6862
(B4/B2)^2 SST = -0.35546*(B4/B2)^2+69.18095 0.5989 0.3587 0.3052 8.313 6.7119 (B4/B2)^2 2.36E-02 5.8597
B2+B1 SST = 289.703*(B2+B1)-21.7618 0.8447 0.7135 0.7029 4.6376 67.2520 B2+B1 8.32E-09 6.9323
B4-B1 SST = 50.4758471*(B4-B1)-39.9071347 0.9442 0.8915 0.8824 3.4197 98.5784 B4-B1 3.87E-07 4.5898
B4-B2 SST = 53.60182*(B4-B2)-40.2524 0.9386 0.8809 0.871 3.5815 88.8105 B4-B2 6.77E-07 4.7249
(B4-B2)^2 SST = 26.70806*(B4-B2)^2-14.477 0.9485 0.8997 0.8914 3.2871 107.678193 (B4-B2)^2 2.40E-07 4.5431
B2+B4 SST= 44.17004*(B2+B4)-38.9587 0.9461 0.8951 0.8863 3.3628 102.3481 B2+B4 3.16E-07 4.732
(B2+B4)^2 SST=18.5244*(B2+B4)^2-13.7644 0.9563 0.9145 0.9073 3.0361 128.2875 (B2+B4)^2 9.18E-08 4.4955
(B2+B4)^2/(B2) SST = 3.54985*((B2+B4)^2/B2)-40.2167 0.8567 0.7339 0.7117 5.355 33.0936 (B2+B4)^2/(B2) 9.12E-05 4.871
(B4-B1)^2 SST = 23.77366*(B4-B1)^2 - 14.2304 0.9541 0.9103 0.9028 3.1089 121.7912 (B4-B1)^2 1.22E-07 4.3676
B2+B1/ B2+B4 SST = 1245.508*(B2+B1)/(B2+B4) - 117.612 0.6346 0.4027 0.3529 8.0224 8.0921 B2+B1/ B2+B4 1.48E-02 8.547
B4+B1 SST = 46.61479*(B4+B1)-39.2955 0.942 0.8874 0.8781 3.4827 94.6101 B4+B1 4.83E-07 4.2414
(B4+B1)^2 SST = 20.56439*(B4+B1)^2 -14.0236 0.9525 0.9074 0.8996 3.1593 117.5560 (B4+B1)^2 1.48E-07 4.6546
Resumen Total 0.9635 0.9283 0.9073 3.0361 128.287513 1.07E-09 4.2414
En la tabla se observa en color rojo las regresiones que por alguna razón no cumplían con los requerimientos para
definirse como buen ajuste, bien sea por poseer un coeficiente de determinación menor a 0.6, por tener bajo nivel de
significancia o un valor alto de RMSE.
En color verde y azul se resaltan las regresiones con altos valores de bondad de ajuste, sin embargo se hace una
diferenciación entre ellas, en donde el color azul representa las regresiones cuadráticas y el color verde regresiones
lineales.
Se observa una alta significancia para la Banda 4, la cual por si sola tiene un alto valor de coeficiente de
determinación, así mismo se encuentra que la combinación entre esta variable y las Bandas 2 y Bandas 1, reflejan
un aumento en el ajuste.
Aunque se encontraron mejores valores de coeficiente de determinación ajustado para las regresiones cuadráticas
que para las lineales, la escogencia del modelo se realizó en base al RMSE de los valores excluidos, siendo este
determinante el de mayor peso y el que tiene mayor relación con la realidad, es por eso que la regresión escogida
43
finalmente para definir la relación entre la concentración de Sólidos Suspendidos Totales y los valores de
reflectancia es:
𝑺𝑺𝑻 = 𝟒𝟔. 𝟔𝟏𝟒𝟕𝟗 ∗ (𝑩𝟒 + 𝑩𝟏) − 𝟑𝟗. 𝟐𝟗𝟓𝟓
Encontrando un R² ajustado de 0.8781, un RMSE de 3.4827, la validación de la prueba de hipótesis por F-Fisher
y el menor RMSE para los valores excluidos.
Valores excluidos Proyección

Identificación
SST (mg/L) R G B NIR 1 B4+B1 RMSE
Muestra
Q1 6,2 0,01521 0,05059 0,00504
DC 14 0,04924 0,11013 0,001098 1,2744 17,82 14,55
BC 25 0,04802 0,11646 0,00996 1,33173 20,54 19,85
E2 15 0,04255 0,10568 0,00924
B2 20 0,04558 0,11138 0,00991 1,22273 15,58 19,56
4,241441186
Figura 22 - RMSE, curva de ajuste y curva de residuos para la regresión escogida. Resultados Excel, elaboración propia.
El gráfico de ajuste y de valores residuales demuestran una buena relación entre la sumatoria de Banda 4 y Banda
1, al presentar un gráfico bastante con residuos disperso y buenos indicadores de pronósticos. Dicha regresión se
utilizó en ArcMap con el fin de obtener la Distribución de SST en el Río Teusacá, encontrando un muy buen
pronóstico de los valores de muestras conocidas. Sin embargo, se encuentra un desfase en los sectores cercanos a los
bordes de las imágenes, comprobando así el problema de baja precisión en éstos pixeles característico tanto de
imágenes satelitales como digitales.
44
Figura 23 - Distribución de SST en el Río Teusacá por medio de la regresión escogida. Elaboración propia.
Al presentar oblicuidad en las fotografía no fue posible realizar una Ortofoto que permitiera observar toda la
longitud del río estudiada, por lo tanto se muestra en dos fotografías separadamente. Se realizó una Reclasificación
de los valores en 30 categorías con el fin de poder observar detenidamente los cambios de concentraciones de SST.
La distribución encontrada es acorde a los resultados esperados, encontrando así que la regresión escogida es un
buen ajuste y efectivamente puede relacionar la concentración de SST con la reflectancia obtenida a partir de
imágenes aéreas. Igualmente, se observa la utilidad de la metodología para transformar números digitales a valores
de reflectancia con el fin de tener la posibilidad de usar cámaras digitales comerciales.
45
5.2. Discusión
Los satélites son herramientas que han sido de gran utilidad en los estudios referentes a percepción remota
ayudando al entendimiento de la calidad del agua en corrientes y cuerpos de gran extensión, así como en diversas
ramas diferentes. Aun así tiene diversas limitaciones que el uso de Drones puede suplir, tales como la falta de
precisión para corrientes de menor tamaño, falta de control de la herramienta según los requerimientos del usuario,
problemas de alta cobertura de nubes y errores de curvatura, control en la altitud del sensor, entre otros.
La Figura 24 es una imagen satelital del área de estudio obtenida con un satélite Landsat, en la cual se aprecia
una alta cobertura de nubes y una baja precisión dificultando la realización de estudios de calidad del agua como el
presente con este tipo de imágenes.
Aunque los drones tienen grandes ventajas, así mismo
tienen limitaciones en cuanto a condiciones climáticas
con baja velocidad del viento y pluviosidad. Igualmente,
se debe escoger las características del Drone con respecto
a la extensión del área a cubrir, los cuales pueden tener
mayor costo.
Respecto a la metodología realizada, se encuentra la

oportunidad de tener una herramienta de control y
monitoreo de la calidad del agua, en este caso para el
determinante de Sólidos Suspendidos Totales, lo cual
permite tener análisis espacio-temporales y llegar a un
mayor cumplimiento de la normatividad ambiental sobre
el tema.
La metodología tiene beneficios económicos y eficientes,

al permitir conocer la concentración del contaminante en
toda la longitud del río con tan sólo la obtención de
fotografías aéreas del lugar.
Los estudios como el desarrollado en este documento,

Figura 24 - Imagen satelital del área de estudio. Tomado de
(USGS, 2014) permiten darle mayor utilidad a herramientas como los
Drones con el fin de obtener un análisis de la calidad del agua para el control de contaminantes en cuerpos de agua
de forma oportuna y sin limitaciones en la extensión de las microcuencas o corrientes a regular.
La relación encontrada con altos valores de bondad de ajuste para la regresión escogida, confirma la efectividad de
la metodología propuesta y la rapidez en la que se puede conocer la concentración de SST, así como su visualización
en un mapa de su distribución.
En el presente estudio se realizaron dos campañas, permitiendo una alta cantidad de datos disponibles para la
realización adecuada de los procedimientos para la regresión múltiple. Se demuestra la alta relación entre las Bandas
4, 1 y 2, confirmando lo que se encuentra en la literatura.
En la literatura se encuentran ecuaciones tanto lineales como cuadráticas para relacionar la concentración de SST
con los niveles de reflectancia en diversos ecosistemas y sensores remotos, como las presentadas por (ALLAN,
46
2008), (Asif Mumtaz Bhatti & Takagi, 2007) y (Sravanthi N. R., 2013). En este estudio también se encontraron
relaciones con ajustes cuadráticos y lineales, sin embargo, al estar representando un fenómeno natural se encuentra
más apropiada la utilización de una regresión lineal comprobando que se tiene una mayor cercanía a la realidad a
partir del RMSE de los valores excluidos en la regresión. Así mismo, se analizaron los valores obtenidos con las
regresiones cuadráticas en ArcMap encontrando un buen ajuste en los puntos muestreados pero con un crecimiento
alto en la concentración de los demás puntos, llegando a valores significativamente diferentes a los reales en la
longitud del río. Si se desea estudiar una regresión no lineal que efectivamente satisfaga la relación es necesario
obtener una mayor muestra y cobertura en toda la longitud del río.
47
6. Conclusiones y recomendaciones
El objetivo principal del presente estudio se basaba en la evaluación de la relación entre la concentración de Sólidos
Suspendidos Totales con los valores de reflectancia obtenidos a partir de imágenes aéreas adquiridas con Drones y
cámaras digitales. El análisis se realizó a partir del caso de estudio del Río Teusacá ubicado en el Municipio de La
Calera en Colombia, a partir de dos campañas de muestreos donde se recolectó información de calidad del agua y
fotografías aéreas.
𝑺𝑺𝑻 = 𝟒𝟔. 𝟔𝟏𝟒𝟕𝟗 ∗ (𝑩𝟒 + 𝑩𝟏) − 𝟑𝟗. 𝟐𝟗𝟓𝟓
Con base en esto, el primer objetivo era realizar el procesamiento de imágenes requerido para la determinación
de niveles de reflectancia a partir de cámaras digitales, para lo cual se encontró que existe una amplia bibliografía al
respecto hallando con mayor utilidad para este caso la aplicación de la metodología de (Clemens, 2012), al tener las
mismas características respecto a la utilización en Drones y cámaras digitales comerciales. Los resultados de la
implementación de esta metodología son imágenes con valores de reflectancia obtenidos a partir de la conversión de
unidades digitales en fotografías aéreas. Dichos valores de reflectancia fueron acordes a lo esperado según la
literatura y el comportamiento de las concentraciones de SST y los niveles de reflexión del cuerpo de agua,
demostrando un alto potencial en la utilización de Drones con cámaras digitales comerciales como sensores remotos
en investigaciones de este carácter.
El segundo objetivo era la evaluación de la relación entre niveles de reflectancia y la concentración de SST para
diferentes ajustes matemáticos, realizando así un análisis de covarianza para determinar la existencia de una relación
entre la concentración de Sólidos Suspendidos Totales (SST) y niveles de reflectancia encontrando mayor
significancia para las bandas 4 y bandas 1. Así mismo, se realizaron 25 regresiones utilizando el método ascendente
teniendo en cuenta el nivel de significancia de cada variable independiente hasta resultar en un modelo matemático
representativo a lo observado en la realidad.
El tercer objetivo se definió como la comparación de los ajustes matemáticos con el fin de encontrar la mejor
regresión para SST y niveles de reflectancia obtenidos en cuatro bandas (RGB y NIR). Con este fin, se realizó un
análisis de parámetros estadísticos que permitieran realizar evaluaciones de bondad de ajuste para comparar
cuantitativamente los modelos matemáticos, incluyendo el coeficiente de determinación, RMSE, pruebas de F-
Fisher, entre otros. Además, se excluyeron cinco datos de las regresiones con el fin de tener una metodología de
evaluación que permitiera comparar los resultados observados de concentración de SST con los calculados a partir
de las ecuaciones.
A continuación, se cumplió con el cuarto objetivo en el cual se debía relacional los niveles de reflectancia y la
concentración de SST en el Río Teusacá, para lo cual se debió analizar la bondad de ajuste resultante de cada una de
los modelos matemáticos encontrando que el mejor ajuste está dado por la ecuación:
𝑺𝑺𝑻 = 𝟒𝟔. 𝟔𝟏𝟒𝟕𝟗 ∗ (𝑩𝟒 + 𝑩𝟏) − 𝟑𝟗. 𝟐𝟗𝟓𝟓
La cual presentó un R² ajustado de 0.8781, un RMSE de 3.4827, la validación de la prueba de hipótesis por F-
Fisher y el menor RMSE para los valores excluidos.
48
A partir de este procedimiento se evaluó el uso de imágenes aéreas obtenidas por Drones y cámaras digitales para
el monitoreo de la calidad del agua en microcuencas, resultando en una metodología específica para la utilización de
este tipo de sensores remotos como herramientas de control y monitoreo de la calidad del agua en microcuencas,
teniendo un importante impacto positivo al ser éstos los cuerpos de agua más vulnerables y difíciles de observar
desde instrumentos de gran altura como satélites. Por lo tanto, se compara las ventajas y limitaciones de los Drones
con respecto a los satélites, teniendo en cuenta las diferencias en precisión, efectos de curvatura y ruido atmosférico,
así como la posibilidad de ser controlado por el usuario.
El presente estudio muestra la utilidad del uso de herramientas como Drones y fotografías digitales para el
seguimiento de la calidad del agua en microcuencas y corrientes de área reducida de forma oportuna y eficaz por
medio de modelos matemáticos permitiendo ser un inicio para la investigación del uso de sensores remotos en la
determinación de la calidad del agua, desde el cual se desprenden otras posibilidades de investigación y realización
de modelos. Futuras investigaciones podrían definir estudios en otros cuerpos de agua, control estacionario de la
contaminación hídrica, ampliar y validar la metodología con mayor cantidad de puntos de muestreo y mayores
recursos, realizar investigaciones complementarias para contaminantes que cambian la coloración del agua como
detergentes o fertilizantes, seguimiento de la producción de plantas acuáticas características de procesos de
eutrofización, el uso de la banda térmica para la detección de vertimientos ilegales en corrientes de agua y la
evaluación de relaciones con otros determinantes de calidad de agua.
El uso de Drones y cámaras digitales demostrado en este estudio, no sólo provee un avance positivo en la
realización de campañas sino también permite el desarrollo de una herramienta costo-eficiente en el monitoreo de la
calidad del agua que abarca toda la longitud del río con menor complejidad a las metodologías tradicionales.
Se encontró que es posible la realización de un mapa visual de la distribución de la concentración del

contaminante en el río a partir de las ventajas que ofrece el uso de Drones, sin embargo al comprobar los problemas
de precisión en los bordes de las imágenes se recomienda obtener fotografías con poca oblicuidad con el fin de tener
la posibilidad de producir una Ortofoto en donde el sector de estudio esté centrado en la imagen.
49
7. Referencias bibliogáficas
Al-Adamat, R., Foster, I., & Baban, S. (2003). Groundwater vulnerability and risk mapping for the Basaltic aquifer
of the Azraq basin of Jordan using GIS, Remote sensing and DRASTIC. Applied Geography, 303-324.
ALLAN, M. G. (2008). REMOTE SENSING OF WATER QUALITY IN ROTORUA AND WAIKATO LAKES. The
University of Waikato.
Allan, M. G. (2008). Remote Sensing of Water Quality in Rotorua and Waikato Lakes. The University of Waikato.
The University of Waikato.
Asif Mumtaz Bhatti, D. C., & Takagi, M. (2007). ASSESSING THE POTENTIAL OF REMOTELY SENSED DATA
FOR WATER QUALITY MONITORING OF COASTAL AND INLAND WATERS.
Bhatti, A. M. (2010). Application of hyperespectral remotely sensed data for water quality monitoring: accuracy
and limitations. Leicester.
Casanova, J. A. (2010). Factores influyentes en la percepción del color. Retrieved from Universidad de Barcelona:
http://www.ub.edu/pa1/node/55
Clemens, S. R. (2012). Procedures for Correcting Digital Camera Imagery Acquired by the AggieAir Remote
Sensing Platform. Retrieved from All Graduate Plan B and other Reports.:
http://digitalcommons.usu.edu/gradreports/186
DANE. (2007). Sólidos Suspendidos Totales. Retrieved from DANE:
https://www.dane.gov.co/files/investigaciones/pib/ambientales/Sima/solidos_suspension.pdf
Drone Flyers. (2014, April). Drone Flyers. Retrieved from Drone Phantom 2 Vision +:
http://droneflyers.files.wordpress.com/2014/04/phantom-2-vision-plus.png
Gitelson, A., & Kondratyev, K. (1988). Optical Models of mesotrophic and eutrophic water bodies. INT. J.
REMOTE SENSING.
Gobierno de la república. (2007, Mayo 9). corpamag. Retrieved from Decreto 1575 de 2007:
http://www.corpamag.gov.co/archivos/normatividad/Decreto1575_20070509.htm
Hellweger, F., Schlosser, P., Lall, U., & Weissel, J. (2004). Use of satellite imagery for water quality studies in New
York Harbor. Columbia University. New York: Science Direct.
Hellweger, F., Schlosser, P., Lall, U., & Weissel, J. (2004). Use of satellite imagery for water quality studies in New
York Harbor. Estuarine, Coastal and Shelf Science, 437-448.
Honkavaara, E., Hakala, T., Markelin, L., & Peltoniemi, J. (2014). METROLOGY OF IMAGE PROCESSING IN
SPECTRAL REFLECTANCE MEASUREMENT BY UAV. Photogrammetry, Remote Sensing and
Spatial Information Sciences.
IDEAM. (2004). Guía para el monitoreo de vertimientos, aguas superficiales y subterraneas. Retrieved from
responsabilidad integral:
http://responsabilidadintegral.org/administracion/circulares/archivos/Guia%20Caracterizacion%20Vertimie
ntos%20-%20IDEAM.PDF
IDEAM. (2010). Agenda del mar. Retrieved from IDEAM:
http://agendadelmar.com/public/info/view/uniquenews/news/528/idcontent/157/id/36/home/1
IDEAM. (2010). Estudio Nacional del Agua. Retrieved from SIAC- Sistema de Información Ambiental de
Colombia:
https://www.siac.gov.co/documentos/DOC_Portal/DOC_Agua/3_Estado/20120928_Cali_agua_sup_ENA_
2010.pdf
IDEAM. (2010, Diciembre). Sistema de información ambiental de Colombia. Retrieved from Estudio Nacional del
agua 2010:
https://www.siac.gov.co/documentos/DOC_Portal/DOC_Agua/3_Estado/20120928_Estado_agua_ENA201
0PrCap1y2.pdf
Jerry C. Ritchie, P. V. (2003, Junio 6). Remote Sensing Techniques to Assess Water Quality. Photogrammetric
Engineering & Remote Sensing, 69, 695–704.
50
Kali E. Sawaya, L. G. (2002). Extending satellite remote sensing to local scales: land and water resource
monitoring using high-resolution imagery. University of Minnesota. Minnesota: ELSEVIER.
Keith, D. J. (2014). Satellite remote sensing of chlorophyll a in support of nutrient management in the Neuse and
Tar–Pamlico River (North Carolina) estuaries. Remote Sensing of Environment.
Ministerio de Hacienda. (2014, Septiembre). Presupuesto General de la Nación 2015. Retrieved from Ministerio de
Hacienda:
http://www.minhacienda.gov.co/portal/page/portal/HomeMinhacienda/saladeprensa/Presentaciones/2014/0
9242014-PGN-2015-modificaciones-primer-debate.pdf
Ministerio de Salud. (2011). Informe Nacional para la Calidad del agua para el consumo humano. Retrieved from
Minsalud:
http://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/PP/SA/Informe%20Nacional%20C
alidad%20de%20Agua%20Julio%202007%20a%20Diciembre%202011.pdf
ModMyPi. (2014). ModMyPi. Retrieved from Raspberry Pi "NoIR" Infrared Camera Board (5MP, 1080p, v1.3):
https://www.modmypi.com/image/cache/data/camera/raspberry-pi-noir-camera-800x800.jpg
Patrick L. Brezonik, L. G. (2007). Measuring Water Clarity and Quality in Minnesota Lakes and Rivers: A Census-
Based Approach Using Remote-Sensing Techniques. University of Minnesota. Minnesota: CURA
REPORTER.
R, R., S, M., & A, D. (2013). Environmental monitoring of estuaries: Estimating and mapping various
environmental indicators in Matla estuarine complex, using Landsat TM digital data. INTERNATIONAL
JOURNAL OF GEOMATICS AND GEOSCIENCES .
R. CHOPRA, V. K., & SHARMA, P. K. (2001). Mapping, monitoring and conservation of Harike wetland
ecosystem, Punjab, India, through remote sensing. int. j. remote sensing, 22, 89-98.
Ritchie, J., Zimba, P., & Everitt, J. (2003). Remote sensing techniques to assess water quality. Photogrammetric
engineering & remote sensing.
Secretaría distrital de salud. (2011, Noviembre). Política distrital de Salud Ambiental para Bogotá D.C. Retrieved
from Secretaría distrital de ambiente:
http://ambientebogota.gov.co/c/document_library/get_file?uuid=17817255-1588-4942-ba6a-
27dfa217ef29&groupId=55886
Sravanthi, N. R. (2013). An Algorithm for Estimating Suspended Sediment Concentrations in the Coastal Waters of
India using Remotely Sensed Reflectance and its Application to Coastal Environments. Int. J. Environment.
Sravanthi, N., Ramana, I., Ali, P. Y., Ashraf, M., Ali, M., & Narayana, A. (2013). An Algorithm for Estimating
Suspended Sediment Concentrations in the Coastal Waters of India using Remotely Sensed Reflectance and
its Application to Coastal Environments. INT. J. ENVIRONMENT.
SUPERINTENDENCIA DE SERVICIOS PÚBLICOS DOMICILIARIOS. (2011, Noviembre). DIAGNÓSTICO DE
LA CALIDAD DEL AGUA SUMINISTRADA POR LAS EMPRESAS PRESTADORAS DEL SERVICIO DE
ACUEDUCTO EN COLOMBIA 2009 -2010. Retrieved from SUPERINTENDENCIA DE SERVICIOS
PÚBLICOS DOMICILIARIOS:
http://www.superservicios.gov.co/content/download/3465/36455/version/1/file/%282011%29+DIAGN%C
3%93STICO+DE+LA+CALIDAD+DEL+AGUA+SUMINISTRADA+POR+LAS+EMPRESAS+PRESTA
DORAS+DEL+SERVICIO+DE+ACUEDUCTO+EN+COLOMBIA+2009+-2010.pdf
Unicef. (2007). El agua potable y el saneamiento básico en los planes de desarrollo. Retrieved from Unicef:
http://www.unicef.org.co/pdf/Agua3.pdf
Universidad Nacional de Colombia. (2012). Sensores remotos. Retrieved Septiembre 2014, from Universidad
Nacional de Colombia:
http://www.ciencias.unal.edu.co/unciencias/web/dependencia/?itpad=0&niv=0&itact=1425&ti=false&dep=
33
Universidad Santo Tomas. (2010). Clases de sensores remotos. Retrieved from Universidad Santo Tomas:
http://soda.ustadistancia.edu.co/enlinea/hugoladino_fotointerpretacionysensores/sensores_remotos.html
51
USGS. (2014, Octubre). USGS - EROS. Retrieved from Science for a Changing world: http://glovis.usgs.gov/
Wang, F., & Xu, Y. J. (2008). Development and application of a remote sensing-based salinity prediction model for
a large estuarine lake in the US Gulf of Mexico coast. Journal of Hydrology.
Wayne, D. W. (1997). Bioestadística. México D.F.: Limusa S.A.
Whitman College. (n.d.). Total Suspended Solids in Water Samples. Retrieved from Whitman College:
http://www.whitman.edu/chemistry/edusolns_software/TSSBackground.pdf
Yuanzhi Zhang, J. P. (2002). Application of an empirical neural network to surface water quality estimation in the
Gulf of Finland using combined optical data and microwave data. Remote sensing of environment, 327-336.
52
Anexos
Calculo del ángulo Zenith del sol para estudios de sensores remotos
Los pasos realizados para el cálculo del ángulo Zenith utilizado en el cálculo del factor de reflectancia fueron
obtenidos a partir de la metodología de (Clemens, 2012), los cuales se enumeran a continuación:
1. Definir el día calendario de la fecha de vuelo (CD), el cual va desde 1 hasta 365 días.
2. Se calcula la constante B como: 𝐵 = 360 ∗ (𝐶𝐷 − 81.25)/365
3. Se calcula la ecuación de tiempo (E) dada por: 𝐸 = 9.87 𝑆𝑖𝑛(2𝐵) − 7.53 cos(𝐵) − 1.5 sin(𝐵)
4. Se calcula el tiempo solar dado por: 𝑇𝑠𝑡 + 4(𝐿𝑜𝑛 𝑠𝑡 − 𝐿𝑜𝑛 𝑙𝑜𝑐 )/60 + 𝐸/60
Donde Tst es el tiempo local estándar, Lon st es el meridiano estándar para el tiempo local de la zona y Lon
loc es la longitud del observador o meridiano local.
5. Se calcula el ángulo de declinación (δ) a partir de: 𝛿 = 23.45 ∗ 𝑠𝑖𝑛 [360/365 ∗ (284 + 𝐶𝐷)] [𝑔𝑟𝑎𝑑𝑜𝑠]
6. Calcular el ángulo horario (ω) con la ecuación ω = (Solar Time – 12) ∗ 15° [degrees]
Donde Solar Time es el tiempo del día en horas desde la media noche.
7. Se define la Latitud del área de estudio
8. Se calcula el ángulo Zenith (ϴ) por: 𝐶𝑜𝑠(𝛳) = 𝑠𝑖𝑛(𝛿) ∗ 𝑠𝑖𝑛(𝐿𝑎𝑡) + 𝑐𝑜𝑠(𝛿) ∗ 𝑐𝑜𝑠(𝐿𝑎𝑡) ∗ 𝑐𝑜𝑠(𝜔)
53

Fecha 2015 01 21 Hora 12 08 37 Parte 1

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Fecha 2015 01 21 Hora 12 08 37 Parte 1

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad de Los Andes

Departamento de Ingeniería Civil y Ambiental

UNIVERSIDAD DE LOS ANDES

Monitoreo de la calidad del agua en microcuencas

Nataly A. Sáenz Bohórquez

Proyecto de grado para obtener el título de Ingeniera Civil y Ambiental

Monitoreo de la calidad del agua en microcuencas utilizando Drones y

* Corresponding Author. Tel.: +57 1 3002734408.

1.1. Planteamiento del problema

1.2. Solución conceptual: hipótesis

En el Río Teusacá, ubicado en el municipio de La Calera en Colombia, se encuentra un punto de confluencia

 Realizar el procesamiento de imágenes requerido para la determinación de niveles de reflectancia a

1.4. Información utilizada

1.5. Metodología general utilizada

Figura 1 - Diagrama de flujo: Metodología utilizada. Elaboración propia.

Finalmente, la última fase se refiere a la elaboración de conclusiones y recomendaciones adquiridas a partir de

1.6. Estructura del documento

2. Conceptos básicos y Antecedentes

2.1. Conceptos básicos

2.1.1. Percepción remota

2.1.2. Funcionamiento de un sensor remoto

Figura 2 - Elementos y procesos de los sensores remotos. Tomada de (Pérez, 2007).

2.1.3. Radiación electromagnética (REM)

2.1.4. Espectro electromagnético

El Espectro Electromagnético (EEM) es la distribución o clasificación de la radiación electromagnética según la

Figura 4 - Espectro electromagnético. Tomado de (Pérez, 2007).

 Infrarrojo cercano (Near-IR): de 0,7 a 1,3 µm

2.1.5. Resolución de una imagen

2.1.6. Histograma de una imagen

2.1.7. Histograma multidimensional

2.1.8. Propiedades básicas de una imagen

2.1.9. Clasificación multiespectral

2.1.10. Interacción de la radiación con el agua

2.1.11. Números digitales vs. Valores de Reflectancia

2.2.1. Problemática ambiental respecto a calidad del agua

o Carbón orgánico total

2.2.2. Efectos en la salud y medio ambiente

2.2.3. Sólidos Suspendidos Totales

2.2.4. Aplicaciones de sensores remotos

Figura 8 - Aplicaciones de percepción remota en diferentes campos. Tomado de (Pérez, 2007).

2.2.5. Uso de sensores remotos en estudios de calidad del agua

Figura 9 - Comportamiento de SST con niveles de reflectancia. Tomado de (Bhatti, 2010).

En cuanto a los estudios realizados específicamente en la modelación de Sólidos Suspendidos Totales, se ha

3. Descripción del área de estudio

Figura 10 - Ubicación de la Subcuenca del Río

4. Materiales y metodología seguida

Figura 13 - Cámara Raspberry pi NOIR utilizada para

La recolección de muestras In-situ para la realización de la determinación de la concentración de Sólidos

4.2. Planificación del trabajo de campo

Se determinó la delimitación de 17 puntos de toma de muestra que recolectaran concentraciones de SST a lo

Figura 17 - Identificación de los puntos de muestreo. (a)

4.3. Recolección de información

4.3.1. Recolección de muestras de agua

4.3.2. Recolección de imágenes aéreas

4.4. Procesamiento de la información

4.4.1. Organización de la base de datos

4.4.2. Procesamiento de imágenes

La utilización de Drones en la recolección de imágenes aéreas es un tema relativamente novedoso, al encontrar

1. Fotografías del panel de referencia

2. Calcular el Valor de corrección de brillo (CBV)

2.1. Imágenes RGB

2.2. Near Infrared Imagery (NIR)

3. Cálculo del Factor de Reflectancia (Reflectance factor – RF)