FOTOGRAMETRIA, FOTOINTERPRETACION Y TELEDETECCION

CARRERA PROFESIONAL DE INGENIERÍA AMBIENTAL

FACULTAD DE INGENIERÍA

SESIÓN 13: Análisis Digital de Imágenes II

Ing. Geóg. Tania E. Cotrina Tello

Saberes previos

¿En que consiste el análisis digital de imágenes?

¿A que denominamos firma espectral?

¿Qué tipo de mejoras se puede realizar en una

imagen de satélite?
LOGRO
Al término de la sesión, el
estudiante conoce las técnicas para
clasificar las imágenes de satélite,
desarrollando habilidades
mediante el uso del software
especializado.
CONTENIDO

1.- Patrón de respuesta espectral

2.- Tipos de firmas espectrales
3- Índice de vegetación NVDI
4.- Clasificación supervisada
5.- Clasificación no supervisada
1.- PATRON DE RESPUESTA ESPECTRAL: SIGNATURA - FIRMA

Un patrón de respuesta espectral, o signatura, es una descripción (a

menudo en forma de gráfico) del grado de energía reflejada en diferentes
regiones del espectro electromagnético.

Es equivalente al concepto humano de color, y es una información

fundamental para la interpretación de datos de reflectividad
multiespectral captados mediante teledetección.

El término “patrón de respuesta espectral” es considerado más apropiado

que “signatura espectral” para denominar la manera particular como un
objeto refleja la energía
2.- TIPOS DE FIRMAS ESPECTRALES

80 Nube

Nieve

60
Vegetación
Sana
SIGNATURAS
40 Vegetación ESPECTRALES
Enferma TÍPICAS DE
DISTINTAS
Suelo
20 CUBIERTAS

Agua Clara
0
0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1

Longitud de Onda (um)

 3.- INDICE DE VEGETACION (NDVI)
Cocientes para discriminar masas vegetales. Se obtienen mediante la
combinación de la banda roja del visible y el infrarrojo cercano de cualquier
imagen de satélite de observación terrestre.

Identificar de
manera rápida la
distribución y el tipo
de vegetación en
imágenes aéreas.
SOFTWARE IDRISI SOFTWARE ILWIS
Mayor probabilidad de existencia de cobertura vegetal
Resultado del procesamiento de 3 – 4 bandas obteniendo: Imagen en formato raster con valores de intensidad de
vegetación.
4.- CLASIFICACION DE IMAGENES

Es una técnica para la interpretación de imágenes adquiridas

mediante teledetección.

Se clasifica en dos tipos:

1. Clasificación No Supervisada y
2. Clasificación Supervisada
5.- CLASIFICACION NO SUPERVISADA

 No implica conocimiento del área de estudio.

 Este método se dirige a definir las firmas espectrales presentes

en la imagen. El software identifica los patrones típicos de datos
de reflectividad (energía reflejada por los cuerpos). Debido a la
técnica matemática utilizada en este proceso, los patrones se
denominan, generalmente, conglomerados (clusters).

 No hay intervención humana en la obtención de resultados, en la

interpretación si.
5.- CLASIFICACION NO SUPERVISADA

LEYENDA
CLUSTER 1
CLUSTER 2
CLUSTER 3
CLUSTER 4
CLUSTER 5
CLUSTER 6
CLUSTER 7
CLUSTER 8
CLUSTER 9
CLUSTER 10
5.- CLASIFICACION NO SUPERVISADA: PROCESO
6.- CLASIFICACION SUPERVISADA

 Es una técnica para la interpretación de imágenes adquiridas mediante

teledetección. Parte de un conocimiento de la zona.

 El intérprete delimita áreas piloto suficientemente representativas de las

categorías. Estas áreas se conocen como campos de entrenamiento o
“Training Fields”.

 Resulta conveniente seleccionar varios campos por categoría, a fin de

reflejar adecuadamente su variabilidad en la zona de estudio.

 Se le llama supervisada porque dirigimos el procedimiento entrenando la

clasificación con nuestros conocimientos sobre las clases.
6.- CLASIFICACION SUPERVISADA: PROCESO

1. Delimitar los lugares de entrenamiento.

2. Extraer la información espectral sobre lugares de
entrenamiento.
3. Cotejar la información de lugares de entrenamiento.
4. Extraer información temática (clasificar).
5. Evaluar la clasificación.

Lugares de entrenamiento

 Debe incluir áreas relativamente pequeñas.

 La suma de píxeles por clase debe ser no menor de 10 píxeles por cada
banda espectral utilizada.
 Estos lugares deben estar regados por el área de estudio de tal manera
que se incluya la mayor variabilidad posible.
6.- CLASIFICACION SUPERVISADA: PROCESO

Radiómetro

Determinación de los lugares de Entrenamiento

6.- CLASIFICACION SUPERVISADA

LEYENDA
AGUA PROFUNDA
AGUA TURBIA
RIO - SEDIMENTOS
CULTIVOS
VEGETACION
SUELO DESNUDO
URBANO DENSO
VIAS
URBANO DISPERSO
Metacognición

¿Qué hemos aprendido en esta sesión y como lo aplicaríamos?

¿Cómo utilizará la teledetección en su investigación?

 DESARROLLO DE LA PRÁCTICA

Toma de muestras:
Marcar puntos y asignar un valor numérico para cada clase

Posteriormente se genera y guarda una firma espectral con la herramienta Create

Signatures.
ArcToolbox > Spatial Analyst Tools > Multivariate > Create Signatures

Con la herramienta Maximum Likelihood Classification usar la imagen ráster y el shapefile

con el campo de los valores numéricos de cada clase.
ArcToolbox > Spatial Analyst Tools > Multivariate > Maximum Likelihood Classification
 DESARROLLO DE LA PRÁCTICA
Transformación de ráster a shapefile (opcional)
Para convertir la imagen ráster a shapefile (sea a partir de la clasificación supervisada o no
supervisada) se usa la herramienta Raster to Polygon.
ArcToolbox > Conversion Tools > From Raster > Raster to Polygon

Limpieza de polígonos (opcional)

El problema de los archivos *.shp tipo poligonal obtenidos a partir de un ráster, es la gran
cantidad de polígonos sin importancia significativa (micropolígonos), pero a su vez generan
errores en cálculos y visualmente muestran las imperfecciones, para corregir este error con la
herramienta de generalización Eliminate, se selecciona todos los registros en la tabla de
atributos de acuerdo a un valor mínimo previamente establecido (ejemplo: marcar todos los
valores menores a 100 metros cuadrados), para generalizar el shapefile, se puede aplicar
cuantas veces sea necesario hasta conseguir el resultado deseado.
ArcToolbox > Data Management Tools > Generalization > Eliminate