actividad 4 revista analisis geograficos

Número 44. ISSN. 0120-8551

JUAN MANUEL SANTOS CALDERÓNPresidente de la República de Colombia

ANGELINO GARZÓNVicepresidente de la República de ColombiaPresidente Comisión Colombiana del Espacio, CCE

IVÁN DARÍO GÓMEZ GUZMÁNDirector General Instituto Geográfico Agustín Codazzi, IGACSecretario Ejecutivo Comisión Colombiana del Espacio, CCE

Consejo Directivo

HÉCTOR MALDONADO GÓMEZDirector GeneralDepartamento Administrativo Nacional de Estadística, DANE

HERNANDO JOSÉ GÓMEZ RESTREPODirector GeneralDEPARTAMENTO NACIONAL DE PLANEACIÓN, DNP

BEATRIZ URIBE BOTEROMinistra de Ambiente, Vivienda y Desarrollo Territorial

RODRIGO RIVERA SALAZARMinistro de Defensa Nacional

JUAN CAMILO RESTREPOMinistro de Agricultura y Desarrollo Rural

ALEJANDRO GAVIRIA URIBERepresentante de la Presidencia de la República

ALBERTO MENDOZA MORALESRepresentante de la Presidencia de la RepúblicaPresidente de la Sociedad Geográfica de Colombia

MERCEDES VÁSQUEZ DE GÓMEZSecretaria del Consejo DirectivoSecretaría General del Instituto Geográfica Agustín Codazzi, IGAC

Número 44. ISSN. 0120-8551

Comité Editorial

Iván Darío Gómez Guzmán Director GeneralMercedes Vásquez de Gómez Secretaria GeneralMiguel Ángel Cárdenas Contreras Subdirector de Geografía y CartografíaJulián Serna Giraldo Subdirector de AgrologíaGladys Pinzón Daza Subdirectora de CatastroDora Inés Rey Martínez Jefe Oficina Asesora de PlaneaciónLilia Patricia Arias Duarte Jefe Oficina del Centro de Investigación y Desarrollo en Información Geográfica - CIAFIvanna Nussika Agudelo Padilla Jefe Oficina de Difusión y Mercadeo de InformaciónJohana Trujillo Moya Asesora Dirección General

EditoresIván Darío Gómez GuzmánLilia Patricia Arias Duarte

Diseño y DiagramaciónJose Eduardo Ramos y Alba Esperanza Giraldo V. Oficina de Difusión y Mercadeo de Información

Revisión y Corrección de EstiloFelipe Fonseca Fino, Johana Trujillo Moya, Jonás Cirilo León Pérez, Lina Rojas, Andres Herrera Perez y Leonardo Cano

Impresión Imprenta Nacional

ES PROPIEDAD DEL ESTADOLos trabajos presentados se han preparado respetando los originales enviados por los autores, salvo algunas correcciones relacionadas con la or-tografía. En consecuencia la responsabilidad de los contenidos y la calidad de las imágenes, son exclusivamente de los autores y no comprometen al Comité Editorial ni al Editor de la Revista.

© INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI 2010

Instituto Geográfico Agustín CodazziAnálisis Geográficos: Comisión Colombiana del Espacio VI: Aplicaciones del Programa Satelital Colombiano de Observación de la Tierra / El Instituto. - - Bogotá: Imprenta Nacional de Colombia, No. 44, 2010176 p., ils. Mapas a colores, cuadr.Incluye Referencias Bibliográficas

ISSN 0120-8551

1. Sistema de Observación de la Tierra- Proyectos 2. Sistema de Posicionamiento Global 3. Programa Satelital Colombiano de Observación de la Tierra 4. Fotogrametría Digital 5. Sensores Remotos 6. Inteligencia Artificial 7. Percepción Remota 8. Imágenes Satelitales 9. Polarimetría de Radar 10. Interferometria 11. Redes Neuronales Artificiales 12. Imágenes Áster

Número 44. ISSN. 0120-8551

PRESIDENCIA DE LA REPÚBLICAJuan Manuel Santos CalderónPresidente

VICEPRESIDENCIA DE LA REPÚBLICAAngelino GarzónVicepresidente

MINISTERIO DE AGRICULTURA Y DESARROLLO RURAL Juan Camilo Restrepo SalazarMinistro

MINISTERIO DE AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIALBeatriz Uribe BoteroMinistra

MINISTERIO DE COMERCIO, INDUSTRIA Y TURISMOSergio Díaz GranadosMinistro

MINISTERIO DE LAS TECNOLOGÍAS DE LA INFORMACIÓN Y LAS TELECOMUNICACIONESDiego Molano Vega Ministro

MINISTERIO DE DEFENSA NACIONALRodrigo Rivera SalazarMinistro

MINISTERIO DE EDUCACIÓN NACIONALMaria Fernanda Campo SaavedraMinistra

MINISTERIO DE INTERIOR Y DE JUSTICIAGermán Vargas LlerasMinistro

MINISTERIO DE MINAS Y ENERGÍACarlos Rodado NoriegaMinistro

MINISTERIO DE RELACIONES EXTERIORESMaría Ángela Holguín CuéllarMinistra

COMISIÓN COLOMBIANA DEL ESPACIO - CCEINFRAESTRUCTURA COLOMBIANA DE DATOS ESPACIALES - ICDE

MINISTERIO DE LA PROTECCIÓN SOCIAL Mauricio Santamaría SalamancaMinistro

MINISTERIO DE TRANSPORTEGermán Cardona GutiérrezMinistro

DEPARTAMENTO NACIONAL DE PLANEACIÓN, DNPHernando José Gómez RestrepoDirector General

DEPARTAMENTO ADMINISTRATIVO DE CIENCIA, TECNOLOGÍA E INVESTIGACIÓN, COLCIENCIASJaime Restrepo CuartasDirector General

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI, IGACIván Darío Gómez GuzmánDirector General

INSTITUTO DE HIDROLOGÍA, METEOROLOGÍA Y ESTUDIOS AMBIENTALES, IDEAMRicardo José Lozano PicónDirector General

AGENCIA PRESIDENCIAL PARA LA ACCIÓN SOCIAL Y LA COOPERACIÓN INTERNACIONALDiego Molano AponteAlto Consejero Presidencial

FUERZAS MILITARES DE COLOMBIA, FFMMAlmirante Edgar Augusto Cely NúñezComandante General

FUERZA AÉREA COLOMBIANA, FACMayor General del Aire Julio Alberto González RuizComandante

AERONÁUTICA CIVIL DE COLOMBIAFernando Augusto Sanclemente AlzateDirector General

Número 44. ISSN. 0120-8551

COMISIÓN COLOMBIANA DEL ESPACIO - CCEINFRAESTRUCTURA COLOMBIANA DE DATOS ESPACIALES - ICDE

DIRECCIÓN GENERAL MARÍTIMA, DIMARContralmirante Leonardo Santamaría GaitánDirector

AGENCIA NACIONAL DE HIDROCARBUROS, ANHJosé Armando Zamora ReyesDirector

INSTITUTO COLOMBIANO DE GEOLOGÍA Y MINERÍA, INGEOMINASMario Ballesteros MejíaDirector General

INSTITUTO AMAZÓNICO DE INVESTIGACIONES CIENTÍFICAS, SINCHILuz Marina Mantilla CárdenasDirectora General

INSTITUTO DE INVESTIGACIONES AMBIENTALES DEL PACÍFICO JOHN VON NEUMANN, IIAPWilliam Klinger BrahamDirector

INSTITUTO DE INVESTIGACIONES MARINAS Y COSTERAS JOSÉ BENITO VIVES DE ANDRÉIS, INVEMARFrancisco A. Arias IsazaDirector General

INSTITUTO DE PLANEACIÓN Y PROMOCIÓN DE SOLUCIONES ENERGÉTICAS, IPSEEdigson Pérez BedoyaDirector General

UNIDAD DE PLANEACIÓN MINERO ENERGÉTICA, UPMERicardo Rodríguez YeeDirector General

CORPORACIÓN AUTÓNOMA REGIONAL DEL CENTRO DE ANTIOQUIA, CORANTIOQUIALuis Alfonso Escobar TrujilloDirector General

CORPORACIÓN COLOMBIANA DE INVESTIGACIÓN AGROPECUARIA, CORPOICAArturo Enrique Vega VarónDirector

CENTRO INTERNACIONAL DE FÍSICA – CIFEduardo Posada FlórezDirector

SECRETARÍA DISTRITAL DE AMBIENTEJuan Antonio Nieto EscalanteSecretario

PONTIFICIA UNIVERSIDAD JAVERIANAPadre Joaquín Sánchez GarcíaRector

UNIVERSIDAD EAFITJuan Luis Mejía ArangoRector

UNIVERSIDAD MILITAR NUEVA GRANADAEduardo Antonio Herrera BerbelRector

UNIVERSIDAD NACIONAL DE COLOMBIAMoisés Wasserman LernerRector

UNIVERSIDAD SERGIO ARBOLEDARodrigo Noguera CalderónRector

PARQUES NACIONALES NATURALES DE COLOMBIAJulia Miranda LondoñoDirectora

INSTITUTO COLOMBIANO DE BIENESTAR FAMILIAR, ICBFElvira Forero HernándezDirectora

MALOKANohora Elizabeth HoyosDirectora

Contenido

Programa satelital colombiano de observación de la Tierra: una estrategia de innovación y desarrollo tecnológico para Colombia 13 Lilia Patricia Arias Duarte, Alí Marcel Santacruz Delgado, Elena Posada

Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales 31 Elena Posada

Avances conceptuales y aplicaciones de la polarimetría y la interferometría de radar 45 María Eunice Bernate Suárez, Elena Posada

Evaluación de los programas no comerciales disponibles para el procesamiento digital de imágenes de radar 59 Alí Marcel Santacruz Delgado, Elena Posada

Clasificación de los estados fenológicos del cultivo de arroz a partir de imágenes de radarsat-2 mediante el programa Polsarpro 73 Alí Marcel Santacruz Delgado, Elena Posada

Comparación de metodologías para la clasificación de coberturas de la tierra 85 Héctor Mauricio Ramírez Daza, Elena Posada, Samuel Mesa

Identificación de minerales a partir del procesamiento digital de imágenes Aster 105 Alejandro Bernal Valencia, Mauricio Ramírez Daza

Visualización de la dinámica fluvial del río La Miel mediante un aplicativo SIG 117 David Arenas Herrera, Pedro Karin Serrato Álvarez

La inteligencia artificial convencional y la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la Tierra 129 Jonás C. León Pérez

Aspectos claves para la consolidación de una política de datos espaciales. Estudio de caso: la política de datos espaciales en el contexto GMES1 145 Lilia Patricia Arias Duarte, Carolina Olaya Alzate

El radar y sus aplicaciones en la agricultura 159 Jonás Cirilo León Pérez

Presentación

La primera década del siglo XXI ha sido testigo del crecimiento vertiginoso del uso de los datos de la Percepción Remota para el estudio de los recursos naturales, el medio ambiente,cambio climático, desarrollos urbanos y la car-tografía.

En términos generales, la Percepción Remota (español), Télédetéction (fran-cés), Fernerkundung (alemán), Remote Sensing (inglés), Sensoramento Remo-to (portugués) y Telerilevamento (italiano), indican la adquisición a distancia de información cualitativa y cuantitativa de objetos sobre la superficie terres-tre y del medio ambiente y, además, la combinación de métodos y técnicas para su subsecuente interpretación y análisis. Si la adquisición de la informa-ción ocurre a distancia corta, se puede usar el término “detección próximal”, como en el caso de la agricultura de precisión (AgP).

El crecimiento en la utilización de información proveniente de sensores re-motos se debe a que las actividades científicas de Observación de la Tierra han experimentado una rápida expansión, y cada vez más y más sectores económicos tienden a emplear datos espaciales adquiridos por levantamien-tos terrestres, por sistemas de posicionamiento global, fotogrametría digital, sensores remotos multi e hiperespectrales ubicados en plataformas aéreas o satelitales, con imágenes ópticas y activas de microondas (radar), con dife-rentes resoluciones espectrales, radiométricas, espaciales y temporales, limi-tado solamente por la capacidad de usarlas de manera eficiente. Los datos e información resultantes son representados en capas digitales, manejadas por sistemas de información geográfica, sistemas de soporte a la toma de deci-siones, a veces basados en tecnologías de la inteligencia artificial.

Una característica básica de la percepción remota del siglo XXI es el uso in-tensivo de algoritmos cuantitativos para estimar variables de la superficie de la Tierra. Pero, además, aparece un nuevo paradigma que se relaciona con el análisis de imágenes basado en objetos, en contraposición al tradicional aná-lisis basado en pixeles, abriendo nuevas perspectivas para ésta disciplina. El nuevo paradigma aprovecha el verdadero poder de la percepción remota ex-plotando todas sus dimensiones, incluyendo los aspectos espectral, espacial, contextual, morfológico y temporal (4D), para la extracción de información.

De lo expresado líneas arriba se deduce que la percepción remota está en constante evolución, situación que amerita mayor esfuerzo para realizar in-vestigaciones aplicadas y básicas, responsabilidad de las entidades estatales, privadas y del sector académico, que tienen que ver con ésta área del cono-cimiento.

Consciente de su labor, el Instituto Geográfico Agustín Codazzi, IGAC, pre-senta en esta oportunidad el No. 44 de su Revista Análisis Geográficos, que recoge el trabajo científico y tecnológico de sus investigadores, en el que se destacan los temas relacionados con el radar, sus avances conceptuales, tratamiento de las imágenes y sus aplicaciones en la agricultura; selección y procesamiento de imágenes ópticas para estudios ambientales, de la co-bertura de la tierra e identificación de minerales. También se tratan temas del programa satelital colombiano de observación de la Tierra (O.T.), de las políticas de datos espaciales y, de las aplicaciones de la inteligencia artificial en programas espaciales de observación de la Tierra.

Esperamos que ésta entrega contribuya al conocimiento de nuevas metodo-logías y tecnologías en el campo de la percepción remota, en la perspectiva de apoyar el desarrollo económico y social del país.

Iván Darío Gómez Guzmán Director General del Instituto Geográfico Agustín Codazzi - IGAC Secretario Ejecutivo Comisión Colombiana del Espacio - CCE

Presentation

The first decade of the twenty-first century has witnessed rapid growth in the use of remote sensing data for the study of natural resources, environment, climate change, urban development and cartography.

In general, remote sensing –télédetéction (French) fernerkundung (German), percepción remota (Spanish), sensoramento remoto (Portuguese) and tele-rilevamento (Italian)– indicates the distance acquisition of qualitative and quantitative information of objects on the surface land and environment and also the combination of methods and techniques for their subsequent in-terpretation and analysis. If the acquisition of information occurs at short distance, you can use the term “proximal sensing”, as in the case of Precision Agriculture.

Growth mentioned above is due to the fact that the scientific activities of Ear-th Observation have experienced rapid expansion. More and more economic sectors tend to use spatial data acquired by land surveying, global positioning systems, digital photogrammetry, remote sensing located in multispectral and hyperspectral aerial or satellite platforms with optical imaging and acti-ve microwave (radar), with different spectral resolutions, radiometric, spatial and temporal scales. The resulting data and information are represented in digital layers, managed by geographic information systems, systems support decision making, often based on artificial intelligence technologies.

A basic characteristic of remote sensing of the XXI century is the intensive use of quantitative algorithms for estimating variables of the surface of the earth. But, in addition, there is a new paradigm related to image analysis, object-based, in opposition to the traditional pixel-based analysis, opening new perspectives for this discipline. The new paradigm leverages the true power of remote sensing by exploiting all its dimensions, including spectrum aspects, spatial, contextual, morphological and temporal (4D) for the extrac-tion of information.

From the statements above we can deduce that remote sensing is in constant evolution, a situation that deserves greater effort to conduct applied research and basic responsibility of government agencies, private and academic sec-tors related to this area of knowledge.

Aware of its responsibility, IGAC presents this new issue of its journal Aná-lisis Geográficos, compiling the work of their scientific and technological research, which highlights the issues related to the radar, its conceptual ad-vances, treatment of images and its applications in agriculture, selection and processing of optical images for environmental studies, land cover and iden-tification of minerals. It is also discussed Colombian Satellite Program for Ear-th Observation, spatial data policies and applications of artificial intelligence space programs for Earth Observation.

We hope that this issue will contribute to knowledge of new methodologies and technologies in the field of remote sensing, in order to support economic and social development of the country.

Iván Darío Gómez Guzmán General Director of Geographic Institute Agustín Codazzi - IGAC Executive Secretary of Colombian Space Comission - CCE

1 Programa satelital colombiano de observación de la Tierra: una estrategia de innovación y desarrollo tecnológico para Colombia

13

Programa satelital colombiano de observación de la Tierra:una estrategia de innovación y desarrollo tecnológico para Colombia

AbstractEarth observation systems are essential tools for en-suring knowledge of the country and for attaining sustainable development. Taking into account the significant benefits achieved with the use of remote sensing information, as well as the needs and requi-rements of national, regional and local authorities, the Colombian Space Commission has been imple-menting the actions required to establish a Colom-bian Satellite Earth Observation Program, under the framework of a National Earth Observation Program, in order to ensure the availability of strategic infor-mation of Colombian territory and the consolidation of a research structure and technological innovation to support economic, environmental and social deve-lopment. The program seeks to obtain data and ima-gery as a major source of geographic information, promote the strengthening of institutions linked to the issues of Earth observation and increase scienti-fic and technological capacities of the different so-cioeconomic sectors in Colombia.

Key words: Earth observation, satellite, applications, technology, satellite engineering, knowledge management, qua-lity management.

ResumenLos sistemas de observación de la Tierra son una he-rramienta esencial para garantizar el conocimiento del territorio nacional y un instrumento para el de-sarrollo sostenible del país. Teniendo en cuenta tanto los importantes beneficios que se alcanzan con el uso de la información de sensores remotos, como las ne-cesidades y requerimientos de las entidades naciona-les, regionales y locales, la Comisión Colombiana del Espacio ha venido ejecutando las acciones requeridas para implementar un Programa Satelital Colombiano de Observación de la Tierra, en el marco de un Pro-grama Nacional de Observación de la Tierra, con el fin de garantizar la disponibilidad de información es-tratégica del territorio colombiano y la consolidación de una estructura de investigación e innovación tec-nológica que apoyen el desarrollo económico, social y ambiental. El Programa busca disponer de datos e imágenes como fuente fundamental de información geográfica, promover el fortalecimiento de las insti-tuciones vinculadas a los temas de observación de la Tierra e incrementar las capacidades científicas y tecnológicas de los distintos sectores socioeconómi-cos del país.

Palabras claves: Observación de la Tierra, satélite, aplicaciones, tecno-logía, ingeniería satelital, gestión del conocimiento, gestión de la calidad

1 IngenieraCatastral,EspecialistaenIngenieríadeSoftware;EspecialistaenSistemasdeInformaciónGeográfica;DoctoranteenInformáticaconénfasisenSociedaddelaInformaciónyGestióndelConocimiento.Cra.30#48-51OficinaCIAF,IGAC.Oficina101.Correo electrónico: [email protected]

2 IngenieroForestal,M.Sc.Geomática.Cra.30#48-51OficinaCIAF,IGAC.Oficina311A.Correoelectrónico:[email protected] IngenieraForestal;M.Sc.enIngenieríaForestal;EspecialistaenSensoresremotosaplicadosaestudiosforestales;Especialistaen

Silviculturaparaeldesarrollorural.Cra.30#48-51OficinaCIAF,IGAC.Oficina310.Correoelectrónico:[email protected]

Programa satelital colombiano de observación de la Tierra: una estrategia de innovación y desarrollo tecnológico para ColombiaColombian satellite Earth observation program: a strategy of

innovation and technological development for Colombia

Lilia Patricia Arias Duarte1, Alí Marcel Santacruz Delgado2, Elena Posada3

14 Aplicaciones del Programa Satelital Colombiano de Observación de la TierraAnálisis Geográficos Nº 44

Introducción

En el Plan Nacional de Desarrollo 2006-2010 “Estado Comunitario: Desarrollo para Todos, en el componente Ciencia, Tecnología e Innovación”, el Estado re-conoce “la necesidad de fortalecer el uso de las ciencias y las tecnologías del espacio en el país, dada su capacidad de contribuir al desarrollo económico, social y empresarial”, así como la con-veniencia de que el Gobierno Nacional implemente proyectos que utilicen las tecnologías espaciales para la educa-ción, la salud, la vigilancia ambiental, la gestión de recursos naturales, la aten-ción de desastres, el monitoreo de los usos de suelo, las previsiones meteoro-lógicas, el cambio climático, el trans-porte terrestre, la navegación marítima, fluvial y aérea y las telecomunicaciones, entre otras temáticas orientadas al de-sarrollo económico, cultural y social sostenible.

Igualmente, en el documento de Visión Colombia II Centenario: 2019 se seña-la, como uno de los grandes objetivos, que la economía colombiana garantice un mayor nivel de bienestar, el cual se espera lograr a través de ocho estrate-gias, una de las cuales consiste en “fun-damentar el crecimiento y el desarrollo social en la ciencia, la tecnología y la innovación”.

En el marco de la Comisión Colombiana del Espacio, CCE, la Vicepresidencia de la República y la Secretaría Ejecutiva fir-maron el Acuerdo nro. 5 del 14 de agos-to de 2007 denominado “Respaldo de alto nivel para impulsar el desarrollo de proyectos satelitales en Colombia”, me-

diante el cual se respaldan las gestiones de la Secretaría Ejecutiva y del Comité Técnico de la Comisión Colombiana del Espacio, CCE, encaminadas a realizar los correspondientes estudios técnicos, de pre-factibilidad y financieros que permitan formular e implementar estra-tegias nacionales e internacionales para desarrollar las capacidades del país en relación con la adquisición, construc-ción, lanzamiento, operación y admi-nistración de satélites colombianos, así como la utilización de las fuentes de información provenientes de estos sa-télites.

En este sentido, el Grupo de Observa-ción de la Tierra de la CCE, liderado por el Instituto de Hidrología, Meteorología y Estudios Ambientales, IDEAM, y el Instituto Geográfico Agustín Codazzi - IGAC, definió la necesidad de evaluar la factibilidad de desarrollar y poner en órbita un Satélite Colombiano de Ob-servación de la Tierra.

Para ello se estructuró el Programa Sa-telital Colombiano de Observación de la Tierra, con el objetivo de definir e implementar la estrategia de desarrollo tecnológico del país, encaminada a in-crementar la generación de información y conocimiento sobre el territorio, como base para el desarrollo económico, so-cial y ambiental. El Programa busca obtener imágenes satelitales y de otros sensores como fuente fundamental de información geográfica, promover el fortalecimiento de las instituciones vin-culadas a los temas de observación de la Tierra e incrementar las capacidades científicas y tecnológicas de los diversos sectores.

15


1. Antecedentes

Las tecnologías y productos de sensores remotos han venido siendo utilizados en el país desde hace más de cuatro décadas, especialmente en proyectos relacionados con la gestión ambiental. Los estudios realizados indican que su uso se ha difundido de manera amplia tanto en las entidades del estado como en la empresa privada para un gran nú-mero de aplicaciones.

En el sector estatal ambiental, por ejemplo, las Corporaciones Autónomas Regionales emplean los productos de los sensores remotos para el diagnós-tico, control y seguimiento de fenóme-nos naturales con el fin de promover la conservación de los ecosistemas en cada una de sus regiones, para lo cual utilizan imágenes satelitales de mediana resolución espacial, pero con una bue-na resolución radiométrica. En el sector privado, por su parte, las empresas em-plean los sistemas de observación de la tierra, por ejemplo, para la exploración y explotación de recursos mineros, em-pleando tecnologías de teledetección tanto activa como pasiva.

El uso de productos de sensores re-motos para actualización y generación de nueva cartografía es liderada por el Instituto Geográfico Agustín Codazzi - IGAC, el cual ha enfocado sus esfuerzos en los últimos años en la mejora y ac-tualización de los sistemas de cartogra-fía general y catastral de país, para lo cual adquirió y puso en funcionamien-to una Cámara Digital de Barrido “Ul-tracam D”, la cual provee imágenes de alta resolución espacial y proporciona imágenes en distintas frecuencias del espectro electromagnético. Estas nue-vas tecnologías han sido complementa-das con la adquisición y procesamiento de imágenes satelitales de mediana y alta resolución espacial (Landsat 5 y 7, SPOT 5, Ikonos, Quickbird) y la utiliza-ción de imágenes radar para la carto-grafía de zonas de alta nubosidad.

En general, los productos de sensores remotos han sido aplicados, tanto por parte de las entidades del sector público como del sector privado, en una amplia variedad de campos, entre los cuales se pueden mencionar como los más im-portantes la generación de cartografía básica, las aplicaciones en catastro, hi-drografía, monitoreo de cultivos, silvi-cultura, geología y suelos, oceanografía y costas, desastres naturales, inteligen-cia y defensa, y atmósfera y clima.

En el ámbito internacional, Colombia ha realizado acciones para integrarse a las políticas e iniciativas de observa-ción de la Tierra. En el 2002 el país fue sede de la IV Conferencia Espacial de las Américas, CEA, un escenario de co-operación institucional entre países de la región para avanzar en el desarrollo de las actividades espaciales y promo-ver la aplicación y uso pacífico de sus tecnologías.

Asimismo, en los años 2008 y 2009, Colombia, a través de su Embajada en Viena, asumió la Presidencia de la Co-misión sobre la Utilización del Espa-cio Ultraterrestre con Fines Pacíficos, Copuos, que vela por la necesidad de establecer cooperación internacional en la utilización pacífica del espacio ul-traterrestre y desarrolla actividades de difusión de información y de estímulo a la investigación, así como apoyo a la creación de programas de cooperación técnica y el desarrollo del derecho espa-cial internacional.

Como se mencionó anteriormente, la Vicepresidencia de la República y la Se-cretaría Ejecutiva firmaron, en el marco de la CCE, el Acuerdo nro. 5 del 14 de agosto de 2007 denominado “Respaldo de alto nivel para impulsar el desarrollo de proyectos satelitales en Colombia”. Igualmente, el 14 de febrero de 2008 se firma el Acuerdo nro. 8 con el fin de promover el acceso y uso de imágenes de sensores remotos a través del Banco Nacional de Imágenes – BNI.


Con el fin de poner en marcha la imple-mentación de los lineamientos dados por la Vicepresidencia de la República y la Secretaría Ejecutiva de la CCE, el 19 de diciembre de 2007 se firmó el Con-venio Especial de Cooperación nro. 160, suscrito entre COLCIENCIAS, el Instituto Geográfico Agustín Codazzi, IGAC, y el Centro Internacional de Física, CIF, con el objeto de articular y asociar esfuerzos técnicos, económicos y administrativos dentro de la órbita de sus competencias orgánicas y misionales para promover y desarrollar el proyecto “Programa de Investigación en Desarrollo Satelital y Aplicaciones en el Tema de Observación de la Tierra”, el cual se constituyó en la base para la formulación del Programa Satelital Colombiano de Observación de la Tierra.

A finales del año 2009, con el propósi-to de dar continuidad y responder a las necesidades planteadas en la primera fase del Convenio, se firmó entre Col-ciencias, el IGAC y el CIF, el Convenio CV 689-2009 Colciencias-CIF-IGAC: Proyec-to Fase II “Programa de investigación en desarrollo satelital y aplicaciones de observación de la Tierra”: Desarrollo de proyectos de investigación en temas de interés para el sector de hidrocarburos.

El Proyecto Fase II tiene como objetivos investigar y desarrollar capacidades en el procesamiento y uso de los datos de sensores remotos en las áreas de apli-cación prioritarias para el país definidas en la fase anterior, desarrollar activida-des de investigación, transferencia de conocimientos, difusión y cooperación y diseñar una estación terrena que per-mita la descarga de imágenes de reso-lución media de los satélites de la red NOAA utilizando el protocolo HRPT y la frecuencia de microondas de 1.6 GHZ en banda L.

Durante el año 2009, el Departamen-to Nacional de Planeación, DNP, con el apoyo técnico de las entidades coordi-nadoras del Grupo de Observación de la Tierra de la Comisión Colombiana del

Espacio, CCE, el IDEAM y el IGAC, elabo-ró la propuesta de documento CONPES “Lineamientos del Programa Nacional de Observación de la Tierra basado en la implementación del Programa Sate-lital Colombiano de Observación de la Tierra” con el fin de darle un respaldo político de alto nivel al Programa.

Este documento presenta a considera-ción del Consejo Nacional de Política Económica y Social los lineamientos para la implementación del Programa Satelital Colombiano de Observación de la Tierra en el marco de un Programa Nacional de Observación de la Tierra, estableciendo sus objetivos y plan de acción, así como el arreglo institucional requerido.

En el mismo año, bajo la coordinación del DNP, las entidades de la CCE ela-boraron la propuesta de documento Visión Colombia II Centenario: 2019 “Aprovechar el potencial del espacio ul-traterrestre para contribuir al desarrollo sostenible y la competitividad del país”, el cual presenta la visión de país que se propone para el desarrollo de cada uno de los campos de las ciencias del espa-cio, así como las metas, las estrategias y las actividades que se plantean como mecanismos para alcanzar los objetivos propuestos.

De otra parte, en el 2009 se aprobó el Conpes 3582 Política Nacional de Ciencia, Tecnología e Innovación, que plantea como uno de sus objetivos prin-cipales “Focalizar la acción pública en áreas estratégicas”. Las Tecnologías de la Información y Comunicaciones (TIC), las cuales incluyen la gestión de la in-formación y tecnologías espaciales, han sido consideradas como una de las áreas estratégicas de esta política nacional.

Asimismo, en el año 2009, para avan-zar en la armonización de esfuerzos interinstitucionales para la producción y uso de información geográfica, se ofi-cializó el Conpes 3585, “Consolidación de la Política Nacional de Información

17


Geográfica y la Infraestructura Colom-biana de Datos Espaciales, ICDE”, en el cual se estableció que los datos de imágenes de satélite y de otros senso-res remotos se consideran como datos fundamentales.

2. Aplicaciones y beneficios de la información y las tecnologías de observación de la Tierra

La información de observación de la Tierra proveniente de sensores remotos se ha convertido en una herramienta de apoyo muy valiosa para la toma de decisiones por parte de los gobiernos y el sector privado. La interpretación y análisis de los productos de sensores re-motos ha permitido realizar de manera más eficiente la planeación, ejecución, seguimiento y evaluación de proyectos optimizando el aprovechamiento de los recursos y su sostenibilidad.

El uso y la apropiación de las tecnologías y la información de observación de la Tierra conllevan beneficios económicos y sociales en los distintos sectores del país. En el marco de la CCE, a través de un proceso de consulta y socialización con las entidades, se han identificado las aplicaciones actuales y potenciales en áreas temáticas de mayor prioridad, en consonancia con el Plan Nacional de Desarrollo, las políticas nacionales y los requerimientos y la misión institucional de las entidades.

A continuación se describen las aplica-ciones identificadas en las áreas temá-ticas definidas:

• Gestión ambiental: los senso-res remotos permiten monitorear y modelar el océano y la superfi-cie terrestre para facilitar la toma

de decisiones relacionadas con la conservación, defensa, protección y mejora del medio ambiente, inclu-yendo el manejo de los bosques y del recurso hídrico. Para estas labo-res se desarrollan modelos a partir de las observaciones que predicen los comportamientos bajo determi-nadas circunstancias, que permiten hacer prospección del uso de los re-cursos.

• Gestióndel riesgo: mediante las tecnologías de observación de la Tierra se genera información que permite la identificación y monito-reo del riesgo, así como la preven-ción y mitigación de éste. Además genera información para la toma de decisiones ante desastres y cuantifi-cación de los impactos producidos.

• Sistemas productivos: los pro-ductos de sensores remotos se em-plean para inventariar, monitorear y evaluar el estado de los sistemas agropecuarios con el fin de hacer más eficiente la productividad en diversos escenarios socioeconómi-cos, optimizar la calidad, incluir cri-terios de sostenibilidad ambiental y garantizar la competitividad de los productos. Aportan informa-ción para reducir la incertidumbre, como en el caso de la agricultura, brindando información sobre áreas, rendimiento y estado de los culti-vos, lo cual se traduce en una mayor previsión de los precios de las cose-chas, reduciendo las fluctuaciones en el mercado a futuro y ayudando a los agricultores y productores de alimentos a planear sus operaciones más eficientemente4.

• Recursosmineralesyenergéticos: con los datos e imágenes provenien-tes de sensores remotos se produce información de utilidad para las ta-reas de prospección, exploración,

4 WILLIAMSON,R.,HERTZFELD,H.,CORDES,J.,yLOGSDON,J.ThesocioeconomicbenefitsofEarthscienceandapplicationsre-search:reducingtherisksandcostsofnaturaldisastersintheUSA.SpacePolicyInstitute,GeorgeWashingtonUniversity,Washing-tonDC.Spacepolicy,18:57-65.2002.


explotación y restauración en mi-nería e hidrocarburos optimizando el aprovechamiento sostenible de estos recursos.

• Planificación urbano-regional: mediante las tecnologías y la infor-mación de observación de la Tierra se apoya la planificación, diseño y monitoreo de la infraestructura vial, catastral, social y productiva del país, así como la planeación y ejecución de los proyectos y activi-dades requeridas para la operación del transporte terrestre, aéreo, ma-rítimo y fluvial.

• Salud: entre las aplicaciones se encuentran la generación de infor-mación para el estudiar y modelar vectores de enfermedades, definir planes de saneamiento ambiental, identificar zonas prioritarias para llevar a cabo brigadas médicas y reaccionar con precisión ante una emergencia, ubicando campamen-tos base y centros de atención.

• Seguridad y defensa: las tecno-logías de observación de la Tierra apoyan las labores de reconoci-miento, vigilancia, identificación de amenazas, desarrollo de operacio-nes, erradicación de cultivos ilícitos y actividades de ayuda humanitaria, lo cual se traduce en mayores ga-rantías de seguridad para los ciuda-danos y en el fortalecimiento de la soberanía.

• Información básica: a partir de imágenes se produce cartografía e información básica, temática y esta-dística de manera periódica y con-fiable, reduciendo tiempos y costos y aumentando la calidad, lo que conduce a la mejora de los procesos de planificación.

• Cambio climático: en esta área prioritaria, las aplicaciones se enfo-can a la investigación, modelación y monitoreo de los factores aso-

ciados al cambio en las condicio-nes climáticas globales, regionales y locales, sirviendo de herramienta al análisis de los posibles impactos, la prevención de eventos extremos (inundaciones sequías e incremen-tos de la temperatura, entre otros) y la evaluación de las opciones de adaptación a las nuevas condiciones climáticas en todos los sectores del país.

• Ordenamiento territorial: a par-tir de imágenes se produce informa-ción básica y temática que permite orientar y planificar de manera in-tegral el desarrollo y óptimo apro-vechamiento del uso del suelo en el territorio.

Las tecnologías de sensores remotos para observación de la Tierra generan beneficios adicionales en cuanto al for-talecimiento de competencias en cien-cia y tecnología, creación de empleo, generación de riqueza, estímulo a la inversión, mejora de la competitividad, incremento de la capacidad del capi-tal humano profesional y desarrollo de nuevos materiales y tecnologías para la industria.

Además, la implementación de un siste-ma de observación de la Tierra permite:

• Cubrimientocompletoyperiódicodelterritorio y la disponibilidad de imá-genes en el momento que se requie-ra, con una resolución adecuada.

• Accesoaunaherramientadeapo-yo invaluable para mejorar el co-nocimiento del territorio y hacer más efectivo el proceso de estable-cimiento de las políticas públicas, toma de decisiones y el adecuado aprovechamiento de los recursos naturales.

• Aumentodelaprobabilidaddeob-tener datos óptimos con la toma constante de imágenes.

19


• Incrementodelacapacidadderes-puesta en temas prioritarios como la energía, el cambio climático, el medio ambiente, la agricultura, la gestión del riesgo, etc.

• Garantizar la soberanía y el acce-so independiente a la información espacial del territorio nacional, y la toma de imágenes de forma confi-dencial y a tiempo.

• Autonomíaparalatomadeimáge-nes en sitios prioritarios en caso de emergencia u otras eventualidades, atendiendo los requisitos de los usuarios colombianos.

3. Requerimientos en productos de sensores remotos de las entidades del país

En Colombia, desde hace varias déca-das se viene haciendo uso de las tec-nologías, datos e imágenes de sensores remotos tanto en el sector estatal como en el sector privado. Sin embargo, las entidades no cuentan con información actualizada y con la calidad necesaria, debido principalmente a las restriccio-nes de presupuesto y/o a la disponibi-lidad de las imágenes en el mercado. Adicionalmente no hay disponibilidad de información de manera oportuna, con la precisión necesaria y con los estándares requeridos, y no se han desarrollado y apropiado las posibles aplicaciones para los diferentes secto-res socio-económicos.

En el año 2008, en el marco de la CCE se realizó un diagnóstico del uso, apli-caciones y necesidades de productos de sensores remotos en el país5. De acuerdo con los resultados, el principal usuario de este tipo de tecnologías es

el Estado, sin embargo, el sector pri-vado ha venido incrementando su uso en proyectos estatales y privados en los últimos años. Según las entidades con-sultadas, en la última década y hasta 2008 al menos 133 instituciones eran usuarias de los datos de sensores re-motos para diferentes aplicaciones. De estas entidades, el 57% corresponde a entidades del estado y 43% a entidades privadas.

En la Tabla 1 de la siguiente página se presentan, de manera resumida, las es-pecificaciones técnicas de productos de sensores remotos que idealmente re-quieren las entidades de los diferentes sectores consultados para el desarrollo de sus funciones misionales.

En Colombia, la compra de datos e imá-genes de satélite se ha ido incremen-tando en la medida en que diferentes entidades del gobierno y del sector priva-do han desarrollado la capacidad técni-ca y tecnológica para su utilización y han apropiado los beneficios que se pueden desarrollar a partir de su aplicación.

Los datos provenientes de los provee-dores y suministrados por algunas en-tidades indican que entre 1998 y 2002 se invirtieron US$3.150.000 dólares, lo cual da una media de US$525.000 al año. Esto no incluye el valor de las imá-genes obtenidas mediante el estableci-miento de convenios con instituciones extranjeras, por ejemplo la Universidad de Maryland y las donaciones a las Fuerzas Armadas de Colombia realiza-das por entidades como la Agencia Na-cional de Mapeo e Imágenes (NIMA) de los Estados Unidos.

De acuerdo con una encuesta realiza-da en el 2004 en el marco del proyecto “Programa de los Sistemas de Cartogra-fía en el Territorio Colombiano” por la Sociedad Latinoamericana en Percep-ción Remota y Sistemas de Informa-

5 INSTITUTOGEOGRÁFICOAGUSTÍNCODAZZI,IGAC.Requerimientos,necesidadesyprioridadesdelosusuariosdelainformacióngeneradaporsensoresremotos.ProyectoSatelitalColombianodeObservacióndelaTierra.Documentotécnico.2008.


ción Espacial, SELPER, con entidades públicas y privadas del orden nacional, regional y local, se estimó que la de-manda se incrementaría en un 20% a partir del 20076.

Sin embargo, las imágenes adquiridas por las distintas instituciones en el país no son suficientes para satisfacer la demanda, dado que los recursos para compra de imágenes son usualmente utilizados preferentemente donde se requieren datos con mayor urgencia o donde se han establecido prioridades debido a la ejecución de planes deter-minados o a la importancia de centros de concentración poblacionales, eco-nómicos, industriales o productivos.

Se ha estimado que adquirir una sola capa de imágenes que cubra todo el te-rritorio nacional con una resolución es-pacial de 5 m en pancromática y 10 m en multiespectral, costaría más de 3.5 millones de dólares. En consecuencia, disponer cada mes de una cobertura total de imágenes con esta resolución le costaría al país aproximadamente

210 millones de dólares, para un perío-do de 5 años.

Dadas las necesidades y requerimientos de las entidades nacionales, regionales y locales, así como los importantes be-neficios que se alcanzan con el uso de la información de sensores remotos, el Grupo de Observación de la Tierra así como la Secretaría Ejecutiva y la CCE tomaron la decisión de ejecutar las ac-ciones requeridas para implementar un sistema satelital y poner en marcha el Programa Satelital Colombiano de Ob-servación de la Tierra, en el marco de un Programa Nacional de Observación de la Tierra.

4. Objetivos del programa satelital colombiano de observación de la Tierra

El objetivo del Programa Satelital Co-lombiano de Observación de la Tierra es consolidar en el país el uso de sensores

6 SELPER–CAPITULOCOLOMBIA.AnálisisdefactibilidaddelasalternativasexistentesparalaobtencióndeimágenesdesatéliteenColombia.InformeFinal.DocumentoTécnico.ProyectoMejoradelosSistemasCartográficosenelTerritorioColombiano-UniónEuropea,AgenciaColombianadeCooperaciónInternacional–ACCI,IGAC-CEE.2004.

Tabla 1. Principal demanda de información de sensores remotos

en cada sector consultado

Fuente: IGAC,2008.

Sector

Requerimientosóptimos

Resoluciónespacial/escalaFrecuenciade

actualizacióndelainformación

Tipodesensor

GestiónAmbi-ental

1-5m(estudioslocalesyregionales)

5-10mestudiosnacionalesMensual

DepreferenciaÓptico,Radarparainvestigacióndeaplicacionesydesarrollode

capacidades

Gestión del riesgo

5-10 mCerca a 1 m para atención de

desastres locales

15días–1mesDiariaanteeventos

de desastre


capacidades

MinasyEn-ergía

10-30 m para rasgos geológicos1-5 m para implementación y administracióndepozos,minas

embalsesetc.

Semestral-Anual Óptico/Radarparaaplicacionesdegeomorfología

SectorProduc-tivo

5-10 m1mocercanoparaagricultura

de precisión3 meses


capacidades

InfraestructurayTransporte Menosde1m 15días,anualsegún

propósito Óptico

SeguridadyDefensa

Menosde1mParaaplicacionespuntuales,3a

10msegúnpropósitoDiario Óptico/Radar

21


remotos mediante la implementación de un sistema satelital de observación de la Tierra y tecnologías complementa-rias. Con el Programa se busca asegurar la disponibilidad de datos de sensores remotos que satisfagan las necesidades de conocimiento y monitoreo del terri-torio e incrementar el nivel de desarro-llo tecnológico y las capacidades en el uso de la información generada para la toma de decisiones de los sectores pú-blico y privado.

Específicamente, con la puesta en mar-cha del Programa Satelital se pretende:

• Aumentar la disponibilidad de in-formación proveniente de sensores remotos de observación de la Tierra para Colombia, de acuerdo con los requerimientos de las entidades en cuanto a resolución y cubrimiento espacial y temporal.

• Promover la demanda de datos desensores remotos por parte de las en-tidades públicas y empresas privadas.

• Fortalecerlosprocesosdeinvestiga-ción y desarrollo de tecnologías de observación de la Tierra para que el país logre la capacidad de generar su propia información de sensores re-motos para observación de la Tierra.

• Optimizar la gestión y el asegura-miento de la calidad en los procesos relacionados con el uso de datos y el desarrollo de tecnologías y de aplicaciones de los productos de sensores remotos.

5. Plan de acción

El Programa se ha propuesto a partir de los estudios técnicos que justifican el potencial de uso de los datos de sen-sores remotos de más de 50 entidades públicas, así como un estudio interna-

cional sobre la prospectiva del mercado satelital de observación de la Tierra a nivel mundial, para lo cual se ha consi-derado la oferta7 y la demanda actuales (IGAC 2008).

El Instituto Geográfico Agustín Codazzi, IGAC, es el responsable por la formula-ción, análisis, diseño e implementación del Programa Satelital Colombiano de Observación de la Tierra, mientras se crea el órgano del Gobierno para tal fin.

El desarrollo del Programa se ha conce-bido en cuatro fases (Figura 1):

Fase 0: En esta fase se definen las ac-ciones necesarias para desarrollar las capacidades investigativas y se estudia la factibilidad de desarrollar y poner en órbita un satélite de observación de la Tierra para el país. Igualmente se ade-lantan acciones de fortalecimiento me-diante la cooperación internacional, y se lleva a cabo el diagnóstico de las fases posteriores y la proyección a largo plazo del desarrollo satelital en Colombia.

Fase I: Se determinan las especifica-ciones técnicas del proyecto satelital de observación de la Tierra y se realizan las gestiones encaminadas a la apertura del proceso licitatorio para la adquisi-ción del satélite. Durante esta fase se implementan actividades de investiga-ción y desarrollo de metodologías de procesamiento digital de imágenes.

Fase II: En esta fase, una vez firmado el contrato con la empresa o agencia espacial seleccionada, se realiza el se-

7 EUROCONSULT.WorldSatelliteBasedEarthObservation.Marketprospectsto2017.2008.

Figura 1. Fases del Programa Satelital Colombiano de Observación de la Tierra.


guimiento a los procesos de diseño, construcción y puesta en órbita del satélite. Asimismo, se llevará a cabo la construcción e implementación del centro de administración de imágenes.

Fase III: Esta fase contempla la admi-nistración de imágenes y el desarrollo de aplicaciones, además de la defini-ción e implementación de mecanismos de alianzas estratégicas internacionales, capacitación e investigación.

En la fase 0 se llevó a cabo un diag-nóstico con las entidades del país para conocer los requerimientos, necesida-des y uso de los productos de sensores remotos en los distintos sectores, con el fin de definir las especificaciones del Satélite Colombiano de Observación de la Tierra. Además se desarrollaron ca-pacidades en los temas de ingeniería satelital y de aplicaciones de los senso-res remotos. Actualmente el Programa se encuentra en la Fase I.

Los componentes estratégicos en los que se ha estructurado el Programa son (Figura 2):

1) un componente enfocado al incre-mento de datos de sensores remotos y las tecnologías asociadas, el cual hace referencia a la adquisición de datos a través de: un satélite de observación de la Tierra, sensores aerotransportados, convenios y compra de datos e imá-

genes, y lo relacionado con descarga, procesamiento, almacenamiento y dis-tribución de datos para lo cual es nece-sario contar con un segmento en Tierra, un centro de procesamiento y el Banco Nacional de Imágenes, BNI, como cen-tro de almacenamiento;

2) un componente para incrementar la demanda de datos de sensores remo-tos, fomentando el uso y desarrollo de aplicaciones relevantes para el país,

3) un componente de gestión del co-nocimiento que incluye la investigación y desarrollo de tecnologías de observa-ción de la Tierra, así como el desarrollo de capacidades mediante la formación y capacitación, transferencia tecnológi-ca y difusión; y

4) un componente de gestión de la ca-lidad del Programa.

Las líneas de acción a desarrollar en el Programa Satelital Colombiano de Ob-servación de la Tierra y así alcanzar los objetivos específicos propuestos se des-criben a continuación:

A. Incremento de los datos de sensores remotos y tecnologías asociadas

Esta línea de acción busca desarrollar una estrategia que permita al país dis-poner de datos de sensores remotos

Figura 2. Componentes del

Programa Satelital Colombiano de

Observación de la Tierra.

23


necesarios para incrementar la capaci-dad del Estado y el sector privado en el desarrollo de sus actividades y la toma de decisiones.

Para la adquisición de los datos se ten-drán en cuenta las necesidades particu-lares de información de las entidades en términos de los procesos que las éstas realizan o contribuyen a su ejecución, de acuerdo con sus competencias.

La línea se enfocará en dos componen-tes: i) Implementación de un sistema satelital para observación de la Tierra y sensores complementarios, e ii) Imple-mentación de un Plan de adquisición de datos de sensores remotos complemen-tarios para observación de la Tierra.

i Implementación de un sistema de observación de la Tierra mediante la adquisición de un satélite de observación de la Tierra

Como estrategia para disponer de da-tos e imágenes de sensores remotos de manera actualizada, periódica y con características técnicas adecuadas que permita generar información para el monitoreo del territorio y la toma de decisiones oportuna, se estructurará e implementará un Sistema de Observa-ción de la Tierra a partir de datos de sensores remotos.

El Sistema de Observación de la Tierra incorporará las tecnologías y la capaci-dad técnica actual del país y mejorará la disponibilidad de datos e información mediante la adquisición de nuevos sen-sores remotos satelitales y aerotrans-portados, aunados al fortalecimiento de capacidades técnicas y profesionales. El sistema tendrá los siguientes compo-nentes:

1. Componente espacial para la captura de datos: Incluye la adquisi-ción del Satélite Colombiano de Obser-

vación de la Tierra con las características técnicas acordes a los requerimientos y prioridades del país. Para dar continui-dad al Programa y teniendo en cuenta la vida de un satélite, se deberán realizar a mediano plazo los estudios de alterna-tivas para la adquisición y construcción de un segundo satélite, así como los es-tudios de viabilidad de la adquisición de tecnologías complementarias.

2. Componente Aerotransportado para la captura de datos: Este seg-mento incluye la tecnología aerotrans-portada con la que cuenta el país para la toma de imágenes y se complemen-tará con la adquisición de otros instru-mentos aerotransportados

3. Segmento en Tierra: Incluye la tecnología, infraestructura y recursos técnicos para el control, recepción y ad-ministración de los datos del sistema de observación de la Tierra.

Para la implementación del Sistema de Observación de la Tierra se llevarán a cabo las siguientes acciones:

• Consolidar la propuesta técnica yeconómica para la adquisición del Satélite Colombiano de Observación de la Tierra, incluyendo los aspectos de gestión y aseguramiento de la calidad en los temas jurídicos, lega-les, financieros e institucionales.

• Realizar las actividades de diseñoy adquisición de un primer Satélite Colombiano de Observación de la Tierra, el cual incluirá el segmento espacial, el segmento en Tierra, el centro de gestión de misiones y pro-cesamiento de datos, el lanzamien-to y puesta en órbita, junto con los seguros y demás requisitos de un satélite. Igualmente, se definirán las actividades para la administración del sistema y los datos.

• Como estrategia de continuidad,se llevará a cabo el plan y las accio-nes necesarias para realizar los es-


tudios para la implementación de un segundo satélite que pueda ser construido o ensamblado al menos parcialmente en Colombia.

• Prepararalpaísparaladescarga,elprocesamiento y almacenamiento de datos de sensores de radar por medio de formación y capacitación, así como la adquisición de esta tec-nología en una segunda fase.

• Comocomponentefundamentaldelsegmento en Tierra para la adminis-tración de los datos, se fortalecerá el Banco Nacional de Imágenes, BNI, mediante la adquisición de tec-nología, infraestructura y formación técnica del capital humano.

ii Plan de adquisición de datos de sensores remotos complementarios

Los requerimientos de datos de senso-res remotos de las entidades del país son amplios e incluyen además de las imágenes, datos de satélites atmosfé-ricos, variables oceanográficas, datos de gravimetría, magnetometría y el uso de otras tecnologías complementarias como LIDAR y radar.

En este sentido, se estructurará un Plan para adquirir los datos complementa-rios en el que se establezcan los tipos de datos, la periodicidad y cubrimiento requeridos, y las fuentes de obtención y financiación. Parte de la estrategia incluirá el desarrollo de convenios de cooperación con Agencias Internacio-nales y países, para la adquisición y/o intercambio de datos, así como la ad-quisición y operación de tecnologías aerotransportadas.

B. Incremento de la demanda de datos de sensores remotos por parte de las entidades públicas y privadas del país

Mediante esta línea se busca incremen-tar la demanda de los datos de sensores remotos en el país con la premisa de que el aumento en la adquisición de los datos tendrá como base mejorar el des-empeño de las funciones y la productivi-dad de las entidades públicas y privadas de orden nacional, regional y local.

Sin embargo, los datos de los sensores remotos no constituyen una herramien-ta para la toma de decisiones por sí mismos; es necesario procesar los datos para generar y analizar la información derivada en diferentes aplicaciones. De esta manera, una de las principa-les estrategias para lograr el aumento en la demanda se centrará en impul-sar el desarrollo de la capacidad para transformar la información espacial en productos de alto valor agregado, y transferirlos a distintos sectores de la economía y de beneficio social.

Para incrementar la capacidad del uso de datos en las distintas aplicaciones, es necesario fomentar la investigación y el desarrollo de capacidades en análisis e interpretación de datos e imágenes de sensores remotos de acuerdo a las necesidades y condiciones propias de Colombia. Igualmente importante, es la difusión y transferencia de conoci-mientos para facilitar el uso de los pro-ductos de los sensores remotos en las entidades que son usuarias actuales o potenciales.

Para el logro de este objetivo se defi-ne una línea de acción enfocada en dos temas principales: i) la definición e implementación de estrategias para promover el uso de datos de sensores remotos en aplicaciones de interés para la gestión y toma de decisiones en los diferentes sectores del país y ii) el es-

25


tablecimiento y fortalecimiento de la formación en percepción remota y pro-cesamiento de imágenes.

i. Definición e implementación de estrategias para promover el uso de datos de sensores remotos en aplicacionesdeinterésparalages-tión y toma de decisiones en los di-ferentes sectores del país

Se implementarán acciones que pro-moverán la investigación, difusión y transferencia de conocimientos en pro-cesamiento y aplicaciones de las tecno-logías de sensores remotos de manera articulada con la academia y las ins-tituciones beneficiarias de todos los sectores del país. Para el logro de este objetivo se desarrollarán las siguientes tareas:

• Consolidar y articular los gruposacadémicos de trabajo y de inves-tigación dedicados al desarrollo de aplicaciones y uso de sensores re-motos.

• Fomentarlainteracciónentrelosgru-pos de trabajo con las instituciones y entidades públicas y privadas para el desarrollo de aplicaciones específicas de acuerdo a los requerimientos.

• Incrementarloseventosdedifusiónsobre el uso de los datos suminis-trados para las tecnologías de sen-sores remotos.

• Desarrollar estrategias de coopera-ción con centros internacionales con el objetivo de intercambiar expe-riencias y generar oportunidades de transferencia de conocimientos en el desarrollo de aplicaciones de los datos de sensores remotos y en las actividades de transformación de los datos de sensores remotos en herra-mientas para la toma de decisiones.

• Promover acciones que faciliten elfortalecimiento y articulación de los sistemas de información existentes (SIAC8, SIG-OT9, entre otros) y los que se desarrollen a futuro, que re-quieran el uso de datos de sensores remotos generados por el Programa Satelital de Observación de la Tierra.

ii. Establecimiento y fortalecimiento de programas de formación en percepción remota y procesamiento de imágenes

Además de la oferta actual de pro-gramas que incluyen componentes en percepción remota, se requiere la implementación de programas espe-cializados en sensores remotos y pro-cesamiento de imágenes, enfocados en investigación, desarrollo y uso de apli-caciones de imágenes en temas claves del país. Con este fin se propone:

• Implementarprogramasdeposgra-do en temas relacionados con el de-sarrollo científico y tecnológico en el tema de Observación de la Tierra

• Desarrollar programas de capaci-tación/actualización en los aspec-tos técnicos y tecnológicos dentro de las entidades que hacen uso de datos de sensores remotos para la toma de decisiones y el desarrollo de sus actividades.

• Promover el fortalecimiento de re-cursos tecnológicos (hardware y software) en las entidades del Esta-do con el fin de contar con los me-dios para el análisis y posterior uso de los datos de sensores remotos.

8 SIAC:SistemadeInformaciónAmbientaldeColombia.Sitioweb:http://www.siac.gov.co/9 SIG-OT:SistemadeInformaciónGeográficaparalaPlaneaciónyelOrdenamientoTerritorial.Sitioweb:http://sigotn.igac.gov.co/

sigotn/


C. Promover la investigación y desarrollo de tecnologías de sensores remotos de Observación de la Tierra para que el país logre la capacidad de generar su propia información

Con el propósito de elevar el desarrollo tecnológico en el país en el campo de las tecnologías de Observación de la Tierra se realizarán como acciones centrales la implementación de un Programa de Investigación en Desarrollo de Tecnolo-gías Satelitales para Observación de la Tierra y la definición e implementación de estrategias para el fomento a la in-vestigación y desarrollo de tecnologías de Observación de la Tierra.

i. Implementación de un Programa de Investigación en Desarrollo de Tecnologías para Observación de la Tierra

Aparte del proceso de puesta en órbita de un Satélite Colombiano de Observa-ción de la Tierra, es necesario que en el país se desarrollen las capacidades tecnológicas, técnicas y científicas con miras a la puesta en órbita de satélites posteriores, que con base en la expe-riencia y el conocimiento adquirido, sean diseñados y construidos en el país con cooperación internacional, con el fin de apoyar y fomentar la investiga-ción para convertir a Colombia en un país más competitivo en este sector.

Para ello se promoverá la investigación en las áreas referentes a los sistemas de control, comunicaciones, potencia y propulsión, la carga útil y diseño de la órbita para satélites de Observación de la Tierra. Lo anterior, incluirá el for-talecimiento de la infraestructura tec-nológica necesaria, la capacitación y ampliación del personal investigador y el establecimiento de programas para el intercambio de expertos y realización

de misiones conjuntas con agencias es-paciales de otros países.

Igualmente, se requerirá la realización de un estudio para evaluar la factibilidad del diseño y construcción en el país de sistemas satelitales con sensores activos u ópticos, que asegure la continuidad del Programa, mediante cooperación con agencias espaciales internacionales y la participación de personal científico nacional.

ii. Definición e implementación de estrategias para el fomento a la investigación y desarrollo de tecnologías Satelitales de Observación de la Tierra

Con el objetivo de impulsar la investiga-ción y el desarrollo en el campo de las tecnologías Satelitales de Observación de la Tierra, se llevará a cabo un proce-so de articulación entre las entidades a través del cual se definan acciones que permitan la gestión e implementación de políticas de apoyo a la investigación en tecnologías de Observación de la Tierra.

Coordinadamente con las entidades vinculadas al tema de observación de la Tierra, así como a la investigación, desarrollo e innovación y tecnologías en el país, la Comisión Colombiana del Espacio, CCE, a través del IGAC o del órgano encargado de la implementa-ción del Programa Satelital Colombiano de Observación de la Tierra, definirá y ejecutará un plan que aborde estrate-gias para: i) incrementar el apoyo a la investigación, ii) i) establecer progra-mas de cooperación nacional e interna-cional mediante la firma de convenios con centros de investigación y agencias espaciales, iii) implementar programas de capacitación de personal científico y técnico, iv) fomentar la formación profesional en el exterior y v) promover mecanismos y eventos para la difusión y la transferencia de conocimientos sobre

27


desarrollo de tecnologías para observa-ción de la Tierra.

Asimismo, a través de un trabajo con-junto con Colciencias y con las univer-sidades e instituciones académicas, se diseñará e implementará un plan que contenga estrategias para impulsar la creación y el fortalecimiento de grupos y centros de investigación enfocados al desarrollo de tecnologías de sensores remotos y a la puesta en órbita de sa-télites de observación de la Tierra, así como la conformación de sociedades o asociaciones de profesionales espe-cializados en el área. El plan deberá contemplar igualmente la creación de programas de formación sobre tecnolo-gía aeroespacial para observación de la Tierra, tanto a nivel de pregrado como posgrado, y la implementación de pro-gramas de fomento y sensibilización en investigación en estos temas en centros de enseñanza básica y media.

D. Fortalecimiento de la estructura del Programa Satelital con la inclusión deungrupoenGestiónyAseguramiento de la Calidad en temas de tecnología y desarrollo de capacidades en aprovechamiento de datos de sensores remotos y aplicaciones de observación de la Tierra

En el uso de los datos de sensores re-motos es necesario tener en cuenta que uno de los objetivos de la implemen-tación de un Programa Satelital es la contribución al desarrollo económico y social del país. Para ello se requiere de la disponibilidad de series de datos consistentes y la implementación de metodologías innovadoras en el uso de las tecnologías de observación de la Tierra.

Para el aseguramiento de la consisten-cia de los datos y su efectividad para la

toma de decisiones, es preciso investigar e implementar estándares, en el marco del Programa Satelital, en el uso de los datos, el procesamiento, la validación y el aseguramiento de la calidad de los productos derivados de los sensores re-motos. Actualmente, los países con un avanzado desarrollo de la industria de la geomática, incluyen la investigación en métodos de validación y estandari-zación como parte de sus programas de innovación, con el fin de aprovechar las capacidades de los sensores remotos y las tecnologías satelitales, dando lugar a productos que los usuarios están dis-puestos a adoptar.

En este sentido se adelantarán las si-guientes acciones:

Implementar un sistema de gestión de la calidad que permita el desarrollo óp-timo del Programa Satelital Colombiano a nivel técnico, administrativo, financie-ro y legal.

El fortalecimiento, desarrollo y la im-plementación de estándares de cali-dad para la investigación, desarrollo y apropiación de tecnología satelital, así como el procesamiento de imágenes de sensores remotos.

6. Conclusiones

La implementación del Programa Sa-telital Colombiano de Observación de la Tierra en el marco de la Comisión Colombiana del Espacio, CCE, se cons-tituye en una estrategia de innovación y desarrollo tecnológico cuya finalidad es garantizar que las instituciones y los usuarios cuenten con datos e imágenes actualizadas de todo el territorio nacio-nal, con el fin de que se optimicen las tareas de monitoreo, control y gestión de los recursos del país, incluso sobre zonas con difícil acceso por condiciones naturales o de orden público.


Es fundamental tener en cuenta que el Programa Satelital Colombiano de Ob-servación de la Tierra debe ser conside-rado un proyecto de inversión social y que en este sentido, lo más importante son los impactos a escala económica

y social generados por su desarrollo, impactos que están asociados especial-mente a las transformaciones que su consolidación propiciará y a la genera-ción de una capacidad tecnológica y la inserción del país en las tecnologías de punta.

29


Referencias bibliográficas

ARIAS L. El Instituto Geográfico Agustín Codazzi, IGAC, y su gestión como entidad líder de América en la construcción de Infraestructuras de Datos Espaciales, IDE, Instituto Geográfico Agustín Codazzi, IGAC, 2001.

PRESIDENCIA DE LA REPUBLICA. Visión Colombia 2019 II Centenario. Resumen Ejecutivo, 2005.

EUROCONSULT. World Satellite Based Earth Observation. Market prospects to 2017. A Eurocon-sult Reseach Report. Steve Bochinger (Ed). París, 2008.

GÓMEZ, I., ARIAS L. The Evolution of the National Spatial Data Infrastructure in Colombia: A High Level Strategy to Support Policy Formulation and Spatial Information Management in the Context of the Colombian Space Commission. Consultado 26 de marzo 2009. [En línea] <http://www.gsdi.org/gsdiconf/gsdi10/papers/TS2.4paper.pdf>). [Consultado en diciembre de 2008].

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI, IGAC, Requerimientos, necesidades y prioridades de los usuarios de la información generada por sensores remotos. Proyecto Sate-lital Colombiano de Observación de la Tierra. Documento técnico, 2008.

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI, IGAC, Resultados y análisis preliminares de la en-cuesta “Uso imágenes satelitales y cartografía alternativa en el estado colombia-no”. Documento técnico, 2003.

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI, IGAC, Revista Análisis Geográficos nro. 35: Marco Regulatorio y Proyección de la Tecnología Espacial en Colombia. Instituto Geográ-fico Agustín Codazzi, IGAC, Edición Especial Comisión Colombiana del Espacio, 2007.

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI, IGAC, Revista Análisis Geográficos nro. 40: Satélite Colombiano de Observación de la Tierra. Instituto Geográfico Agustín Codazzi, IGAC, Edición Especial Comisión Colombiana del Espacio, CCE, 2009.

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI, IGAC, Revista Análisis Geográficos nro. 41: Linea-mientos de Política Nacional de Información Geográfica y Consolidación de la Infraestructura Colombiana de Datos Espaciales, ICDE, Edición Especial Comisión Colombiana del Espacio, 2009.

SELPER – CAPÍTULO COLOMBIA. Análisis de factibilidad de las alternativas existentes para la obtención de imágenes de satélite en Colombia. Informe Final. Documento Téc-nico. Proyecto Mejora de los Sistemas Cartográficos en el Territorio Colombiano - Unión Europea, Agencia Colombiana de Cooperación Internacional – ACCI, IGAC, CEE, 2004.

WILLIAMSON, R., et al. The socioeconomic benefits of Earth science and applications research: reducing the risks and costs of natural disasters in the USA. Space Policy Institute, George Washington University, Washington DC. Space policy, 18:57-65, 2002.

2 Consideracionesenlaselecciondeimágenessatelitales para los estudios ambientales

31

Consideracionesenlaseleccióndeimágenessatelitalesparalosestudiosambientales

AbstractSatellite imagery are a knowledge and information source for environmental applications, they offer advantages for administration plans, resource ma-nagement, and mitigation plans implementation. In Colombia the remote sensing products use has been growing in a significant magnitude and it has become a challenge to implement support integer systems for taking operative and suitable decisions for environmental management. In the present pa-per, we present a classification of the remote sen-sors used at present for earth observation, satellite imagery main characteristics, processing levels, and principal characteristics of the Satellite Programs for earth observation.

Key words: Remote sensing, satellite imagery, Earth observation.

ResumenLas imágenes satelitales son una fuente de informa-ción y conocimiento para aplicaciones ambientales, lo cual ofrece ventajas para ejecución de planes de manejo, gestión de recursos y planes de mitigación entre otros. En Colombia el uso de productos de sen-sores remotos ha crecido en forma significativa, y es un reto implementar sistemas integrados de soporte para toma de decisiones operativas y eficientes para gestión del medio ambiente. En el siguiente artículo se presenta una clasificación de los tipos de senso-res utilizados en la actualidad para observación de la Tierra, principales características de las imágenes satelitales, niveles de procesamiento de imágenes sa-telitales y características principales de los programas satelitales de observación de la Tierra.

Palabras clave: Sensores remotos, imágenes satelitales, observación de la Tierra

1 IngenieraForestal.InstitutoGeográficoAgustínCodazzi,IGAC,CentrodeInvestigaciónyDesarrolloenInformaciónGeográfica,CIAF,CoordinadoraGrupodePercepciónRemotayAplicacionesGeográfica.Correoelectrónico:[email protected]

Consideracionesenlaseleccióndeimágenessatelitales para los estudios ambientales Considerations to satellite imagery selection in environmental

studies

Elena Posada1

32 Análisis Geográficos Nº 44

Introducción

En el presente una gran variedad de sensores remotos se encuentra en el espacio originando en tiempo real los enormes volúmenes de Datos de mane-ra multiespacial, multiespectral y mul-titemporal. Las imágenes satelitales se han convertido en una fuente valiosa de información y conocimiento para numerosas aplicaciones como la carto-grafía, inventario de recursos naturales, planificación urbana y rural, monitoreo y gestión del medio ambiente, agricul-tura, infraestructuras, obras civiles, ex-ploraciones mineras, respuestas rápidas a desastres, operaciones militares, en-tre muchas otras. Esto ofrece ventajas extraordinarias en la realización de pla-nes de mitigación y prevención de de-sastres naturales, en la programación de proyectos de obras de ingeniería y

en la planeación racional del desarrollo integral de una zona, región o país.

El suministro y análisis constantes de datos satelitales de alta calidad sobre las diversas variables ambientales y su posterior utilización sustentan amplias experiencias internacionales. En Colom-bia, el uso de sensores remotos presenta importantes índices de crecimiento los cuales están asociados en gran medida a una concientización nacional sobre las facilidades y la oportunidad de mo-nitorear continuamente el medio am-biente y estudiar los recursos naturales mediante la apropiación de información que suministran los programas sateli-tales. Un reto grande para el país se encuentra en lograr la implementación de los sistemas integrados de soporte de decisiones operativas, eficientes y eficaces a partir de los productos de los sensores remotos para proveer a la sociedad colombiana de la información oportuna sobre su medio ambiente y sus recursos naturales (figura 1).

1. Clasificación de sensores remotos para observación de la Tierra

La adquisición de imágenes de la su-perficie terrestre es posible gracias a las propiedades específicas que poseen los objetos de absorber, reflejar y emitir la radiación en los diferentes rangos del espectro electromagnético, que para el caso de sensores remotos de Observa-ción de la Tierra se ubica entre 0.4 µm a 1 metro. Los productos derivados corres-

Figura 1.Enfoque a Sistema

Integrado de Soporte de Decisiones.

Fuente:AdaptadodelaNASA,http://www.nasa.gov/

33


ponden a diferentes tipos de imágenes, entre los cuales se puede diferenciar los siguientes: fotografías aéreas análogas, imágenes óptico-electrónicas e imáge-nes de radar. Cada objeto o superficie terrestre tiene una respuesta espectral particular y emite radiaciones de dife-rente longitud de onda de tal forma que el registro de imágenes en varias bandas espectrales permite diferenciar y clasificar la naturaleza de los objetos terrestres observados.

Según la forma de grabar la radiación los sistemas de sensores pueden ser di-vididos en dos grupos:

1) Instantáneas: graban una escena completa instantáneamente, ejem-plo: cámaras fotográficas análogas o digitales.

2) Secuenciales: adquieren informa-ción línea por línea de la escena, ejemplo: barredores mecánicos, ba-rredores estáticos, radares, lidares y sonares.

Según el modo de recibir energía pro-cedente de las diferentes coberturas se clasifica en pasivos que reciben energía de un foco exterior a ellos; y activos, que emiten su propia energía (figura 2).

Los sensores pasivos captan la energía electromagnética de coberturas terres-tres reflejada de los rayos solares, o emitida en virtud de su propia tempe-ratura. El procedimiento para recibir la radiación se divide en sensores foto-gráficos y óptico-electrónicos.

Los sensores fotográficos están con-formados por cámaras fotográficas transportadas por plataformas aéreas o espaciales y su rango de acción se locali-za en el rango visible e infrarrojo cercano, entre 0,4 a 0.9 µm. Basan su funcio-namiento en la impresión de un objeto sobre las películas fotosensibles y con el apoyo de un sistema óptico se controla-ran las condiciones de exposición.

Los sensores óptico-electrónicos son de igual forma sensores pasivos y trabajan en un rango óptico del espectro elec-tromagnético de 0.4 a 15 µm, éstos combinan una óptica similar a la de fo-tografía, con un sistema de detección electrónica. Con base al tipo de sistema de detección utilizada para captar infor-mación los sensores óptico-electrónicos se dividen en: barredores mecánicos, barredores estáticos y cámaras digitales de línea y matriciales.

Los radares son sensores remotos acti-vos que trabajan en una región del es-pectro electromagnético comprendido entre 0,1m a 1m. El sistema de radar produce su propia energía en forma de ondas de radio desde un avión o satélite y las señales del retorno son registradas por medio de una antena la cual ob-tiene imágenes de la superficie terrestre de día y noche en cualquier condición atmosférica. Las propiedades de la ra-diación emitida se conocen exactamen-te, así como el tiempo que demora la onda en ir hasta el objeto y regresar, por consiguiente la distancia al objeto. El sistema registra la imagen del terreno paralela a la línea de vuelo y está ubi-cada hacia un lado o ambos lados del avión o plataforma satelital.

Figura 2.Tipos de sensores según su procedimiento de recibir energía.

Fuente:ESA.http://www.eduspace.esa.int/


2. Principales características deimágenessatelitales

Cualquier estudio realizado mediante uso de las imágenes de sensores re-motos requiere conocer los principa-les aspectos como: requerimientos del usuario, objetivos del estudio, disponi-bilidad de recursos y tiempo, escala del estudio, nivel de detalle y métodos de procesamiento. A partir del objetivo del estudio, nivel de detalle y la escala deli-mitadas por el usuario se selecciona el tipo de sensor y las imágenes a utilizar, así como la metodología para extraer la información temática.

En el momento de seleccionar las imáge-nes se procede a analizar las principales características técnicas de estas y espe-cíficamente en cuanto a su resolución. La resolución de un sistema de sensor, como un término genérico, se relaciona con su habilidad para registrar y discri-minar la información de detalle en una imagen y se subdivide en los cuatro pa-rámetros a saber: resolución espacial, espectral, radiométrica y temporal. No existen un solo programa satelital que posea un factor máximo respecto a estos cuatro tipos de resolución. Cada programa satelital y cada sensor está diseñado con un propósito específico y orientado a cubrir las necesidades de los usuarios en diversos campos de es-tudios medio-ambientales. Para algunas aplicaciones es importante contar con imágenes de frecuencia temporal alta, mientras que resolución espacial no resulta tan importante; de igual forma para otras aplicaciones se requiere una alta resolución espacial y la espectral o temporal no es de gran importancia. Por consiguiente, antes de decidir qué tipo de imágenes se va a necesitar para un estudio específico se debe tener claro qué significado tiene cada una de estos subtipos de resolución.

Resolución espacial

Se refiere a la unidad más pequeña que se puede distinguirse sobre una imagen. La resolución espacial de una fotografía está determinada por la cantidad de pares de líneas blancas y negras que se puede identificar en un milímetro (pl/mm). Esta identificación puede ser visual o realizada por apara-tos denominados densitómetros, cuya tarea es identificar hasta qué punto la imagen obtenida mantiene los pa-trones regulares de transición “blanco para negro”. Las películas fotográficas poseen normalmente una resolución espacial de 40 pl/mm. Para un vuelo en la escala de 1:10.000, la resolución espacial en el terreno sería igual a 0,25 m (10.000mm/40=250 mm o 0.25m).

La resolución espacial para los sensores óptico-electrónicos se mide por el IFOV (Instantaneous Field of View), medida en radianes y corresponde a una obser-vación del sensor en un instante de-terminado. En la práctica, cuando se refiere a la resolución espacial esto se relaciona con el tamaño del píxel (pic-ture element), que es la mínima unidad de información incluida en la imagen o el espaciado provocado por la frecuen-cia de muestreo. Debido a la forma oblicua de toma de algunas imágenes el IFOV puede ser diferente al píxel; la mejor imagen del terreno ocurre cuan-do ambas medidas coinciden.

Al contar con el menor tamaño del píxel se incrementa la resolución espacial y la probabilidad de identificación de mayor detalle en las imágenes. Sin embargo, se debe recordar que el aumento en la resolución espacial conlleva a dismi-nución del área observada y aumento significativo de número de píxeles por imagen y así el incremento drástico del tamaño del archivo digital. En la figu-ra 3 se da un ejemplo comparativo del efecto de resolución espacial en dife-rentes imágenes satelitales en cuanto a nivel de detalle a observar y área de cubrimiento.

Figura 3.Ejemplo de la

resolución espacial en diferentes

imágenes satelitales

a.LandsatTM–30m

b.Spot5–10m

c.QuickBird–1m

35


Resolución espectral

La resolución espectral se refiere al número y ancho de las bandas espec-trales que puede discriminar el sensor. Un sensor que puede registrar simultá-neamente el comportamiento espectral de los objetos en distintas bandas del espectro facilita la interpretación te-mática. En la figura 4 se presenta las imágenes de un cuerpo de agua y la vegetación de humedal asociada a este en el rango del espectro electromagné-tico de rojo e infrarrojo cercano.

Existen tres tipos de imágenes, según su sensibilidad a alguna porción del rango del espectro electromagnético captado: pancromáticas, multiespec-trales e hiperespectrales.

Las imágenes pancromáticas, captan una extensa porción de energía del espectro electromagnético, que normalmente agrupa el rango visible e infrarrojo cer-cano, comprendido entre 0,5 a 0,9 µm, en una sola banda. Las imágenes pan-cromáticas se representan comúnmente los tonos de blanco y negro.

Los sensores multiespectrales cuentan con un conjunto de imágenes registra-dos en los diferentes rangos del espec-tro que van del visible (0, 4 a 0,7 µm) a infrarrojo (0,9 a 12 µm) y la amplitud de cada una de las bandas espectrales es mayor de 0,05 µm o 50 nm. La combinación de tres bandas multies-pectrales en 3 colores primarios (Rojo, Verde y Azul RGB), permite obtener múltiples combinaciones a color, facili-tando el estudio de diferentes objetos y elementos de la superficie terrestre. En la Tabla 1 se da un ejemplo de reso-lución espectral del programa satelital Landsat 7 (ETM+).

Las imágenes hiperespectrales cuentan con gran cantidad de bandas espectra-

les y se caracterizan por el ancho de sus bandas que oscila alrededor de 10 na-nómetros. Por ejemplo, el Espectróme-tro Aerotransportado – AVIRIS, registra la radiación entre 0,4 a 2,5 µm en un intervalo de 10 nm y genera 224 imá-genes espectrales simultáneamente. En la figura 5 se presenta un ejemplo de respuestas espectrales de diferentes ti-pos de coberturas terrestres en función de sus propiedades particulares y su in-teracción con la radiación a largo del espectro de 0,4 a 2,5 µm, generadas a partir del sensor AVIRIS.

Para tomar la decisión sobre qué tipo de imágenes se va a necesitar en un es-tudio específico, se parte de objetivos planteados. En un caso de estudio de vegetación es conveniente contar con un número suficiente de bandas espec-trales y los rangos de espectro apropia-dos. Para discriminar los diferentes tipos de vegetación es importante contar con las imágenes tomadas en el rango ver-de, rojo, Infrarrojo Cercano e Infrarrojo Medio; ya que estos son sensibles a las propiedades inherentes a vegetación ta-les como, color, estructura y contenido de humedad, entre otros, requerimien-tos similares se presentan para estudios de suelos. Para estudios geológicos es importante contar con imágenes toma-das en Infrarrojo medio, entre otras; ya que a mayor longitud de onda la expre-sión del relieve se atenúa.

Figura 4.Ejemplo del comportamiento espectral de distintas coberturas terrestres en el rango del espectro electromagnético de:

a.rojoe

b.infrarrojocercano,respectivamente.

Tabla 1.Resolución espectral del programa satelital Landsat 7 (ETM+)Fuente:http://landsat.gsfc.nasa.gov/

Fuente:http://www.fas.org/irp/imint/docs/rst/Intro/Part2_24.html

Figura 5.Ejemplo de respuestas espectrales de diferentes tipos de coberturas terrestres a partir del sensor AVIRIS.

Sensor Band1 Band2 Band3 Band4 Band5 Band6 Band7 Band8

ETM+ 0.45 - 0.52 0.53-0.61 0.63-0.69 0.78-0.90 1.55-1.75 10.4 - 12.5 2.09 - 2.35 2.52 - 2.90


En la figura 6 se presentan algunas op-ciones para tener en cuenta durante selección de bandas espectrales, en las cuales se realzan mejor algunas carac-terísticas especificas de las diferentes variables biofísicas en relación con el

rango del espectro electromagnético y en función de las bandas espectrales del programa espacial LANDSAT 7.

En la tabla 2 se presentan las sugeren-cias de orden general para:

Aplicacionespancromáticas Aplicacionesmultiespectrales

• Localizar,identificarymedirlosobjetosyelemen-tosterrestresenbasedesuaparienciamorfológi-ca: forma, tamaño, color, orientación.

• Identificarymapearelementosurbanos:edificios,casas,infraestructura,etc.

• Actualizarlosmapas.

• Delinearlimitestierra/agua.

• Identificar y cuantificar áreas de crecimiento ur-bano.

• Generarmodelosdigitalesdelterrenoconaltaex-actitud.

• Clasificación detallada de cobertura y uso de laTierra.

• Localizar, diferenciar e identificar elementos desuperficiesporlascaracterísticasmenosevident-es:composiciónmineral,niveldehumedad,tiposdeespeciesdevegetación,contenidodeclorofila,propiedadesquímicas.

• Detectarelstressenvegetaciónycultivos.

• Delinear y medir cambios en ambientes natu-rales.

• Diferenciartiposderocasydesuelosporsucom-posiciónyconsolidacióndelinearhumedales.

• Estimar profundidad de aguas de zonascosteras.

• ClasificarcoberturayusodelaTierraanivelge-neral.

Figura 6.Sensibilidad de

variables biofísicas en relación

con el espectro las principales

aplicaciones de las imágenes

pancromáticas multiespectrales

Electromagnético.

Tabla 2. Principales

aplicaciones de las imágenes

pancromáticas multiespectrales.

Fuente:SPOTimage.com

37


Resoluciónradiométrica

Este parámetro indica la capacidad del sensor para detectar variaciones en la radiación espectral que recibe. Para fo-tografías aéreas y otras imágenes en formato análogo, los niveles de gris están considerados como la resolución radiométrica. Las imágenes óptico-elec-trónicas, en formato digital, se identifi-can por el rango de valores que codifica el sensor y se expresa por el numero de bits. El valor más común es de 8 bits para sistemas ópticos, correspondiente a 256 niveles de tonalidad por píxel. Los sistemas de radar se caracterizan por te-ner 16 bits. Los últimos programas sa-telitales, como IKONOS y QUICK_BIRD cuentan con resolución de 11 bits o 16 bits. Al contar con mayor resolución ra-diométrica se logra detectar mayor de-talle de un objeto en relación con sus vecinos poco contrastantes y la imagen se caracteriza por una mayor nitidez. Sin embargo, nuestros ojos presentan limi-taciones para diferenciar este enorme número de niveles de tonos, inclusive las pantallas del monitor actualmen-te están diseñadas solo para visualizar imágenes en 8 bits. De esta manera es importante hacer la inspección de nive-les digitales y no sólo confiar en la apre-ciación visual de la imagen estudiada. En la figura 7 se presenta un ejemplo de imágenes con distinta resolución ra-diométrica.

Resolución temporal

Resolución temporal se refiere a la pe-riodicidad con la que el sensor adquie-re imágenes de la misma porción de la superficie terrestre en función de las características orbitales de la platafor-ma del sensor. Las imágenes Landsat cuentan con la resolución temporal de 16 días, la temporalidad de las imáge-nes Spot e Ikonos varía de 3 días has-ta varios meses en función de ángulo de incidencia con que se toman estas imágenes y constelación de satélites existentes. También se debe tener en

Figura 7.Efectos de la resolución radiométrica en el nivel de detalle de una imagen.

4bits

16bits

8bits

2bits


cuenta que las condiciones atmosféri-cas adversas limitan la disponibilidad de las imágenes óptico-electrónico en las zonas tropicales.

En la figura 8 se presenta un mosai-co de la imagen Landsat TM donde se puede observar la nubosidad próxima a 100% sobre la Costa Pacífica de Colom-bia, acompañado del mapa de Nubosi-dad Media Anual para el país.

En la figura 9 se resume resultados de estudio de nubosidad a partir de las imágenes Landsat de la franja costera del Pacífico, correspondiente al Path 10 y Row 54 a 59 para el año 2002. En el eje horizontal se plasman los meses del año analizados y en el eje vertical, el porcentaje de nubosidad. Se evidencia claramente que durante este año par-ticular no existía posibilidad alguna de contar con una imagen con la nubosi-dad menor 20% y en general predomi-na la nubosidad por encima de 60%.

Por otra parte, el factor de la época de toma de imagen es también de impor-tancia para tener en cuenta. En la figu-ra 10 se presenta la misma escena de dos imágenes Landsat en la región de La Mojana. La imagen (figura 10 a.) fue tomada en el enero de 2001 y la figura 10 b. en julio del mismo año. La colo-ración verdosa de la imagen izquierda representa la vegetación en la época de estrés hídrico en la vegetación y la misma vegetación en la imagen a la de-recha aparece con las tonalidades roji-zas a causa del aumento del vigor en la vegetación relacionado con el aumento de lluvias para el mes de julio.

Otrascaracterísticasdelasimá-genes a tomar en consideración

Al momento de tomar la decisión so-bre el tipo de imágenes que vamos a adquirir para un proyecto específico, a parte de su resolución se debe recurrir a la consulta de otros aspectos técnicos adicionales, así como: exactitud posi-

Figura 8.Mosaico de la

imagen Landsat TM y el mapa de

nubosidad media anual.

Figura 9. Resultados

de estudio de nubosidad a partir

de las imágenes Landsat, año

2002 sobre la franja costera de la región pacifica

colombiana.

39


cional, tamaño de la escena, costo de las imágenes, escala, niveles de proce-samiento de imágenes.

Exactitud posicional

Se refiere a la exactitud de posición geográfica de objetos registrados en las imágenes en referencia al terreno, se diferencia en exactitud horizontal (X, Y) y vertical (Z). Se expresa en términos de píxeles, fácilmente convertidos a me-tros. La mayoría de los programas sa-telitales que actualmente producen las imágenes, las toma no solo en modo vertical sino con algún ángulo, lo que puede generar el desplazamientos po-siciónales significativos, al igual que deformar la geometría de los objetos. Estas deformaciones se deben corregir por medio de orto rectificación y para esto se requiere un Modelo Digital del Terreno y programas especializados en estos procesos.

Tamaño de la escena o superficie cubierta

Cada sensor tiene un ancho de faja fijo o campo de vista, definiendo el tamaño de la escena. Normalmente la mayor resolución espacial se relaciona con el menor campo de vista y de esta manera la necesidad de mayor número de imá-genes para un área geográfica. En la fi-gura 11 se presenta la imagen Landsat 7 (figura 11a.), cuyo ancho de la escena es de 185 km; la imagen SPOT 5 de 60 km de ancho (figura 11b.); y la imagen

Ikonos de 11 km (figura 11c.) de ancho de la escena.

Costo de imágenes

el precio de las imágenes varía en fun-ción de resolución espacial, tamaño de la escena, nivel de procesamiento y tiem-po en que fue tomada o se pretende a tomar. Para comparar el precio de las imágenes se utiliza su costo por 1 km². El costo aumenta con el mayor nivel de procesamiento y en caso de adquisición

Figura 10.Imágenes Landsat en la región de la Mojana de enero y julio de 2001

a - Enero de 2001

b-Juliode2001

a b c

Figura 11.Ejemplo de efecto de tamaño de la escena en las imágenes Landsat 7, SPOT 5 e Ikonos.


por medio de programación de fechas especificas. Las imágenes existentes son más económicas y su precio disminuye si su fecha de adquisición es superior a 5 años.

Escala

Las imágenes digitales no poseen esca-la en sí; sin embargo existen los límites de escalas para reproducción de imá-genes digitales a formatos análogos. La escala de un mapa depende de calidad de imagen en relación con su resolu-ción espacial. Generalmente mayor re-solución espacial permite obtener los mapas de mayor escala. En la Tabla 3 se presenta la relación entre resolución espacial de imágenes y escala recomen-dada para los mapas a obtener, sin per-der claridad y calidad de la imagen.

Niveles de procesamiento de imágenessatelitales

Las imágenes satelitales pueden ser procesadas para mejorar su apariencia visual y geometría. Los vendedores de imágenes ofrecen las imágenes con di-ferentes niveles de procesamiento, las cuales se mencionan a continuación:

Tabla 3.Relación de escala

de trabajo & resolución espacial.

Fuente:AdaptadodeSpotimage.

Resoluciónespacialaproximada,enmetros Tipodesensor Escaladetrabajo

1 IkonosyQuickBird-pancromática 1:2.000 a 10.000

4 - 5 IkonosySpot5,RapidEye-multiespectral,TerrasarX 1:10.000 a 25.000

20 - 30 Spot4yLandsat7,Aster,Deimos–multiespectral,Radrsat1y2 1:50.000 a 100.00

250 - 300 Modis,Meris 1:500.000 a 1.000.000

Datos originales (RAW)

Corresponde a mínimo nivel de proce-samiento, relacionado con la corrección de algunas distorsiones geométricas y radiométricas causadas por el propio sensor.

Imágenes con correcciones geométricas

Se corrigen los errores geométricos causados por rotación de la Tierra y el ángulo de incidencia del sensor.

Geocodificación

Georreferenciación de la imagen a un sistema de proyección usando informa-ción de localización del satélite al mo-mento de adquirir la imagen.

Geocodificación completa

La imagen se georreferencia usando puntos terrestres de control, suminis-trados por el usuario.

Orto-rectificación

Es la corrección de distorsiones geomé-tricas horizontales y verticales de la ima-gen. Se requiere puntos terrestres de control y de MDT. La imagen corregida tiene las cualidades de un mapa, sobre la cual se pueden realizar mediciones.

41


Productos derivados de imágenesdesensoresremotos

La principal ventaja de imágenes sateli-tales consiste en su formato digital, de esta manera las imágenes se pueden procesar, manipular y mejorar dentro del ambiente de cómputo electróni-co para producir una amplia gama de productos derivados. A continuación se presentan los productos más comunes que se producen a partir de imágenes satelitales:

Mapas clasificados

Se producen mediante el uso de al-goritmos de agrupación, convirtiendo una imagen de formato continuo a un formato temático, donde las diferentes coberturas presentes en la escena se agrupan y se codifican en clases de co-berturas según su similitud.

Modelos digitales del terreno (MDT)

Se producen a partir de pares este-reoscópicos de imágenes utilizando procedimientos fotogramétricos. Los Modelos Digitales del Terreno se usan en modelos tridimensionales y visuali-zación útil para los estudios de obras civiles, paisajes, cartografía geológica y geomorfológica.

Sinergismo

Se produce a partir de dos tipos de imá-genes, uno que posee buena resolución espacial y otra la resolución espectral; los productos derivados son excelentes para múltiples aplicaciones ambien-tales, ya que recogen lo mejor de sus antecesores.

Mosaicos

Se elaboran a partir de varias imágenes para cubrir totalidad del área de estu-

dio, que en algunos casos es superior que la escena de una imagen.

Mapas de cambios

Mediante el uso de dos imágenes de dos fechas diferentes y usos de algorit-mos especializados se producen estos mapas, que permiten analizar la dimen-sión y dirección de los cambios sucedi-dos en un área geográfica.

Cartografía temática

Mediante interpretación visual se ma-pean los elementos, objetos y proce-sos presentes en la tierra: drenajes, ríos, carreteras, áreas urbanas, estructuras geológicas, tipos de suelos, etc.

Cartografía con GPS

La combinación de imágenes de satélite y GPS se ha convertido en un método popular de levantamiento de informa-ción en aplicaciones de agricultura de precisión y obras de construcción, es-pecialmente donde se requiere de co-nocimiento exacto de coordenadas verticales y horizontales.

Actualización cartográfica

La superposición de imágenes con ca-pas de vectores existentes permite la rá-pida actualización de diferentes temas cartográficos.


Características Landsat7 Spot 5 Quick.Bird Ikonos Radarsat1-2 TerrasarX

R.espacial,m 30, 15 10, 5, 2,5 0.6,3 1, 4 3,10, 30, 100 1,3y16

R.espectral, 8 4 4 4 HH,VV,HV HHyVV

R.radiométrica 8 8 8,11 8,11 16 16

R.temporal, 16 26,5 11 11 3 a 35 3 a 35

Ancho,km 185 60 16 11 10 a 500 10, 30,100

#.imágenesColombia 55 500 8.000 9.000 10.000 a 15

Varíaenfun-ciónderesolu-ción espacial

Costo$xkm²en dólares 0.029 0.97 38 a 200 0.012 a 1.2 0.25 a 90

Exactitud,m 30 - 100 5 - 50 2 - 50 2 - 50 10 a100 1 a 10

Escala mapas 100000 a 50000 25000, 10000 50000 a 5000 50000 a 5000 250.000 a

50.00010.000 a 100.000

Estereoscopia Limitada Sí Si Si Sí Si

Tabla 4.Principales

características de principales

programas comerciales

de imágenes satelitales.

Características principales de los programas satelitales

Los principales sistemas de imágenes en el momento, que están en oferta comercialmente en Colombia corres-ponden a los dos tipos de sistemas, óptico-electrónicos y de radar. Dentro

de los óptico-electrónicos de importan-cia se encuentran: LANDSAT 7, SPOT 5, IKONOS, y QUICK BIRD; dentro de los sistemas de radar se consideran: RADARSAT y ENVISAT. En la Tabla 4 se presenta el resumen de las principales características de estos sistemas.

43


Referenciasbibliográficas

Chuvieco, E. Teledetección ambiental, Madrid, 2002. 196 pp.

Posada E., Introducción a Percepción Remota. Notas de Clases. Bogotá, 2007, 58 pp.

Sitios web

Satellites and sensors. Nezlin.

http://www.eeb.ucla.edu/test/faculty/nezlin/SatellitesAndSensors.htm

Imaging Spectroscopy: Concept, Approach, Calibration, Atmospheric Compensation, Research and Applications. NASA - JPL. http://aviris.jpl.nasa.gov/html/aviris.spectroscopy.html

Landsat-7 (NASA, NOAA, USGS-USA). http://geo.arc.nasa.gov/sge/landsat/landsat.html

Remote sensing Tutorial. NASA. http://www.fas.org/irp/imint/docs/rst/Intro/Part2_24.html

Spot Image. Imágenes satelitales, cartografía & soluciones.www.spotimage.com

3 Avances conceptuales y aplicaciones de la polarimetría y la interferometría de radar

45

Avances conceptuales y aplicaciones de la polarimetría y la interferometría de radar

AbstractThis document presents an introduction to the basics of radar technology, leading efforts mainly to basic terms in techniques such as polarimetry and interfe-rometry. The aim of this approach is to present the development of processes and methodologies for the interpretation of radar data, in order to strengthen the capacities of use of this information within the possible fields of application in the country. In a first step is a description of the physics and characteris-tics of the radar images are then brought polarimetry basics and some of its applications, followed by the development of some fundamental concepts of radar interferometry and some of applications.

Key words: Radar, polarimetry, polarization, interferometry, SAR (synthetic aperture radar)

ResumenEste documento presenta una introducción a los con-ceptos básicos de la tecnología de radar, dirigiendo los esfuerzos principalmente a los términos básicos en técnicas como la polarimetría y la interferometría. El objetivo de esta conceptualización es dar a cono-cer el desarrollo de procesos y metodologías de inter-pretación de datos de radar, con el fin de fortalecer las capacidades de uso de esta información dentro de los posibles campos de aplicación en el país. En primera medida se presenta una descripción de los principios físicos y las características de las imágenes de radar, posteriormente se presentan conceptos bá-sicos sobre polarimetría y algunas de sus aplicacio-nes, seguido por el desarrollo de algunos conceptos fundamentales de la interferometría de radar y de algunas de sus aplicaciones.

Palabras clave: Radar, polarimetría, polarización, interferometría, SAR (radar de apertura sintética)

1 IngenieraCatastralyGeodesta(UniversidadDistritalFranciscoJosédeCaldas),EstudianteM.Sc.enGeografía(UniversidadNacionaldeColombia).CentrodeInvestigaciónyDesarrolloenInformaciónGeográfica,CIAF,-GrupodePercepciónRemotayAplicacionesGeográficas.Correoelectrónico:[email protected]

2 IngenieraForestal(UniversidaddeKirov,Rusia),EspecialistaenSensoresRemotosyM.Sc.enCienciasForestales.CentrodeInvesti-gaciónyDesarrolloenInformaciónGeográfica,CIAF,-GrupodePercepciónRemotayAplicacionesGeográficas.Correoelectrónico:[email protected]

Avances conceptuales y aplicaciones de la polarimetría y la interferometría de radarConceptual advances and applications of radar polarimetry and

interferometry

María Eunice Bernate Suárez1, Elena Posada2


1. Introducción

La tecnología de radar se ha con-vertido en una herramienta funda-mental para múltiples campos de aplicación en el país, como la gestión ambiental, la gestión del riesgo, siste-mas productivos, recursos minerales y energéticos, planificación urbano-regional, salud, seguridad y defensa y elaboración de información básica.3

Los avances y desarrollos en cuanto a metodologías de procesamiento y cap-tura de esta información brindan un amplio campo de estudio y asimismo, exigen a los diferentes ámbitos de in-vestigación y educación, un incremento de sus capacidades técnicas para el uso e interpretación de los datos.

Desde comienzos del siglo XX se dio inicio al desarrollo de la tecnología de radar, impulsado con fines militares, es-pecialmente durante el desarrollo de la Primera y de la Segunda Guerra Mun-dial. Estos sensores emitían una señal electromagnética (la cual se encontra-ba en longitudes de onda en el rango entre 1m y 10m), esta señal viajaba por un medio (atmósfera) y al encontrarse con cualquier elemento regresaba al sensor, posibilitando así, la detección de barcos o aviones enemigos, sin dis-criminar la hora o las condiciones cli-máticas presentes.

Partiendo de estos avances, se generan procesos de investigación que propo-nen un cambio a valores menores en el rango de las longitudes de onda de

la energía emitida, encontrando que al trabajar con estos era posible determi-nar diferentes capas de información. A mediados del siglo XX se inicia el curso de las nuevas tecnologías de observa-ción de la Tierra con sensores aerotrans-portados y de plataformas satelitales. Para la década de los ochenta, las tec-nologías de radar evolucionan hasta el concepto de SAR (Radar de Apertura Sintética). Este tipo de sensores emiten la señal, la cual hace contacto con el objeto, el eco de esta señal es recibido varias veces por el sensor permitiendo obtener gran cantidad de información sobre un mismo elemento y determinar su posición con respecto al sensor en el momento de la captura.

A partir de este momento se generan los más significativos avances de esta tecnología incluyendo sensores de ra-dar que permiten la emisión y recepción de la energía en polarizaciones perpen-diculares. Este tipo de sensores pueden emitir y recibir las ondas en dirección Horizontal o Vertical, la polarimetría de radar es posible debido a todas las combinaciones de emisión y recepción de la señal que pueden generarse a par-tir de esta información.

Otro importante avance dentro de la tecnología de radar es la posibilidad de procesar e interpretar la información de imágenes y datos de radar de diferen-tes periodos de tiempo o que poseen un leve desplazamiento en la línea base de vuelo, y de esta manera calcular la relación entre las fases de cada imagen,

3 COMISIÓNCOLOMBIANADELESPACIODefinicióndelasáreastemáticasparaelplaneamientodeunamisiónsatelitaldeObser-vacióndelaTierraenColombia.ProgramaSatelitalColombianodeobservacióndelaTierra.RevistaAnálisisGeográficosN.º40.InstitutoGeográficoAgustínCodazzi.2008

47


con esta información se hace posible estimar diferencias de alturas y cambios en el terreno.

Este documento pretende explicar los conceptos básicos sobre la polarime-tría y la interferometría de radar con el fin de brindar una herramienta para la consulta, que fortalezca el entendi-miento y las capacidades técnicas del uso de imágenes y datos de radar, am-pliando el campo de estudio y las po-sibles aplicaciones en temáticas dentro del contexto colombiano.

2. Conceptosbásicos sobre interferometría y polarimetría de radar

La tecnología de los sensores de radar, parte de principios fundamentales de la física como la emisión, absorción y re-flexión de la energía electromagnética en un medio determinado. La capaci-dad de este tipo de sensores de produ-cir su propia energía, permite calificarlo como un sensor activo.

Este tipo de sensores trabaja con las mi-croondas, las cuales se encuentran en longitudes de onda desde 1 mm hasta 1 m, siendo estas las mayores longitu-des de onda usadas para la teledetec-ción. Estas características permiten que la señal penetre a través de nubes, pol-vo, neblina, e incluso lluvias muy fuer-tes capturando información durante casi cualquier condición climática, de día o de noche.

El funcionamiento de la tecnología SAR, se efectúa mediante el desplazamiento del sensor sobre una órbita o línea de vuelo (de acuerdo a la plataforma de transporte), en donde el sensor emite la energía electromagnética hacia un objetivo, esta energía entra en contacto y es reflejada, finalmente es capturada por una antena dentro del sensor. Esta información se recibe y es transforma-

da en una imagen digital, que se repre-senta a partir de características como la naturaleza del sustrato, condiciones to-pográficas, aspereza superficial, espe-sor de la cubierta superficial, contenido de agua y las propiedades dieléctricas del cuerpo.

La apertura sintética esta ocasionada por la velocidad de desplazamiento de la plataforma que soporta al sensor, de manera virtual la antena del sensor se convierte en una antena de mayor ta-maño, tal como se presenta en la figura 1. El objetivo se mantiene en el rango de captura de información de la ante-na por unos instantes, en ese momen-to, son enviadas múltiples señales que capturan información sobre el mismo blanco a lo largo de la trayectoria del satélite, este proceso equivale a pro-longar la longitud real de la antena. La imagen generada por los sensores SAR es conformada con el procesamiento de la señal mediante la manipulación de sus componentes: fase y magnitud.

La figura 2 presenta el modo de captura de los datos SAR, el sensor se encuen-tra situado a una altura H con respec-to a la superficie, y se desplaza a una velocidad VSAR. La antena tiene una dirección perpendicular a la dirección de vuelo, esta dirección es denominada Azimut (Y). El haz de energía es direc-cionado con un ángulo de inclinación hacia el terreno conocido como Ángu-lo de incidencia θ0. El eje radial o línea

Figura 1.Principios del radar de apertura sintética.

Fuente:TesisDoctoralesXarxa(http://www.tdx.cesca.es)


generada por el haz de energía es de-nominada “Rango de inclinación” (r). El área total cubierta por el “Rango del azimut” (Y) y del “Rango del terreno” (X) se denomina “Huella de la antena”, el movimiento del sensor en una misma dirección permite la captura de la ima-gen escaneada, denominada “Franja de radar”. La huella de la antena para sen-sores SAR está dada por (θX, θY):

Donde: Lx y Ly son las dimensiones fí-sicas de la antena y λ es la longitud de onda de la señal transmitida.

La imagen resultante es la combinación de la recepción de información en dos dimensiones, el rango y el azimut. El rango, se conoce como la medida de tiempo resultante desde el momento de transmisión del pulso y el momento en el cual la señal retorna al sensor. El azimut es la medición de estos pulsos pero en sentido perpendicular al rango, es decir siguiendo la misma dirección de la línea de vuelo o trayectoria del sensor.

La geometría de las imágenes de radar difiere considerablemente de las imá-

genes adquiridas con sensores ópticos. La dirección de desplazamiento está determinada por la línea de vuelo o por la órbita que sigue la plataforma en la que se encuentra el sensor. Un segun-do aspecto es el haz de la onda emitida por el sensor, esta señal, necesariamen-te, debe ser emitida con un ángulo de incidencia en dirección al área estudia-da con respecto al horizonte del sensor, si el sensor se encontrara en el nadir del área estudiada en el momento de la toma, no sería posible distinguir entre las diferencias de tiempo de retorno de la señal, y por tanto, capturar las varia-ciones del terreno.

La resolución espacial de estas imáge-nes depende de la longitud de la ante-na contenida en el sistema y del ancho de haz de energía que incide sobre el área estudiada, esta antena debe estar en posición paralela a la dirección de desplazamiento del sensor. Entre mayor sea la longitud de esta antena, el sensor podrá proporcionar imágenes de mayor resolución espacial, pero con un ancho de escena más pequeño; si la longitud de la antena es menor, las imágenes capturadas tendrán una menor resolu-ción y un ancho de escena mayor.

2.1. Conceptosbásicosde polarimetría de radar

La polarimetría de radar se basa en los principios fundamentales del algebra de vectores y el comportamiento de ondas electromagnéticas. La longitud del vec-tor resultante representa la Amplitud de la onda, el factor de rotación del vec-tor se define como la Frecuencia de la onda y la Polarización hace referencia a la orientación y la forma trazada por la onda, es la dirección del campo eléctri-co en un plano perpendicular a la direc-ción de la propagación de la energía.

Como primer aspecto para el entendi-miento de la polarimetría de radar se debe considerar el concepto de polari-zación de las ondas electromagnéticas,

y

Figura 2. Modo de captura de imagen de un

sensor SAR.

Fuente:PolarimetricRadarImaging:FromBasicstoApplications.Over-viewofPolarimetricRadarImaging.Taylor&FrancisGroup.2009.p.6.

49


definido como la orientación del cam-po eléctrico en relación con la dirección de la señal. Cuando todas las ondas del radar tienen la misma dirección se dice que existe polarización. La mayoría de los sistemas de radar envían y reciben la energía de las microondas de manera vertical u horizontal.

La polarización puede ser de dos tipos:

• Semejante:Cuandolaseñalemitiday la señal recibida por el sensor tie-nen la misma dirección horizontal-horizontal (HH) o vertical-vertical (VV)

• Cruzada: Cuando la señal emitidaes perpendicular a la señal recibi-da por el sensor horizontal-vertical (HV) o vertical-horizontal (VH).

La manera de captura de la información puede ser definida mediante la progra-mación de la antena del sensor, la cual envía y recibe las señales. El uso de po-larización cruzada implica la recepción de una señal con intensidad muy débil, Por tanto, es comúnmente usada en sensores aerotransportados. Los sen-sores sobre plataformas satelitales, en su mayoría, capturan información con polarización semejante.

De acuerdo a esto es posible obtener cuatro combinaciones para la dirección de emisión y recepción de la onda de la siguiente manera:

• HH- Emitida y recibida demanerahorizontal

• VV- Emitida y recibida de maneravertical

• HV-Emitidademanerahorizontalyrecibida de manera vertical

• VH-Emitidademaneraverticalyre-cibida de manera horizontal

Al recibir y emitir la señal en la misma dirección la polarización se denomina

copolarizada, al emitirla y recibirla en diferentes direcciones se denomina co-polarización cruzada. Existen sistemas de radar que permiten la captura de imágenes con diferentes combinacio-nes de polarización:

• Polarización simple: HH, VV, HV oVH

• Polarización doble: HH y HV, VV yVH o HH y VV

• Polarimétrico:HH,VV,HVyVH

Haciendo uso de estas bandas polari-métricas es posible visualizar compo-siciones a color que permiten obtener más información que la obtenida con solo una banda.

2.1.1. La matriz de dispersión y las firmas de polarización

La información polarimétrica puede ser representada mediante la Matriz de dis-persión, la cual adopta los valores de la energía que ha sido reflejada por la su-perficie terrestre, a partir de esta infor-mación es posible obtener información derivada como síntesis de imágenes y firmas de polarización. Una onda que ha sido trasmitida con estas caracterís-ticas puede generar una onda retrodis-persada con diferentes polarizaciones, el análisis de la onda que ha sido emiti-da y recibida es lo que permite obtener la polarimetría de radar.

Al emitir y recibir la señal en diferentes direcciones (ortogonales), se puede de-terminar las matriz de dispersión, que es la representación numérica de la res-puesta del terreno sobre le energía emi-tida. Si se conoce esta matriz, es posible calcular la respuesta del terreno para cualquier combinación de señal emitida o recibida. La síntesis permite generar nuevas imágenes sobre elementos es-

(ecuación 1)


pecíficos. La matriz está representada de la siguiente manera (ecuación 1):

Donde la matriz es la repre-sentación del campo electromagnético de las ondas dispersadas en dirección horizontal y vertical, la matriz [, ] repre-senta las ondas incidentes en dirección horizontal y vertical, y finalmente la matriz de componentes retrodispersión [S] de acuerdo a las características del terreno.

Para facilitar la comprensión y entendi-miento de la matriz de dispersión, se usan gráficos tridimensionales. Los da-tos contenidos en esta matriz son los valores de las ondas incidentes, las cua-les pueden tener múltiples valores de polarización. La firma de polarización del terreno permite identificar carac-terísticas particulares sobre el objetivo, estas firmas también son conocidas como “Gráficos de respuesta de pola-rización” (figura 3).

Los ejes “X” y “Y” de este gráfico re-presentan las dimensiones del campo eléctrico con elepticidad desde -45° hasta 45° y con orientación entre 0° y 180°. De esta manera es posible calcu-lar la polarización incidente, que pue-de ser representada por las firmas de copolarización o de manera ortogonal, polarización cruzada. Por tanto, el eje “Z” del gráfico representa la intensidad de la onda para cada elemento.

2.1.2. Interpretación de imágenes polarizadas

Los sensores remotos tienen como fina-lidad principal realizar el mapeo de la superficie terrestre, mediante imágenes de radar, es posible conocer e identi-ficar tipos de materiales presentes en un área de estudio. El tipo de material presente puede ser estimado a partir de la aplicación de una serie de algoritmos de clasificación.

Los radares polarimétricos permiten realizar el cálculo de un mayor núme-ro de parámetros si se compara con un radar de un solo canal. Sin embargo estas imágenes polarimétrícas poseen varias dificultades para su interpreta-ción como ruido en las mediciones, di-ficultades en el sistema de clasificación, diferentes mecanismos de dispersión. Por tanto, deben realizarse procesos de calibración e interpretación de estas imágenes.

Todos los sistemas de radar polarimétri-cos requieren de una calibración debido a errores en la amplitud y a diferencias de fase de la onda retrodispersada en las polarizaciones. Si esta calibración no se realiza de manera adecuada es posi-ble que la interpretación de las bandas polarizadas no arroje los resultados es-perados. La realización de esta calibra-ción se realiza en dos etapas, la primera en el diseño del sistema de radar y la segunda al realizar el análisis de los da-tos recibidos.

Una señal recibida de manera adecuada debe presentar un gráfico de respuesta de polarización en el cual los ejes “X” y “Y” con respecto a “Z” formen una cur-va similar a una campana de Gauss, es decir, que estos datos sigan una distri-bución normal. Esta distribución puede ser lograda si los canales polarimétricos presentan la misma ganancia y si las di-ferencias de fase entre estos es igual a cero (0), es decir no presentan ruido. Si después de realizar la primera fase de calibración desde el sistema de radar no

Figura 3.Gráficos de

respuesta de polarización.

Fuente:NaturalResourcesCanadá.(http://ccrs.nrcan.gc.ca/resource/index_e.php#tutor)

51


se logra obtener la información con las características mencionadas se deben realizar procesos de calibración con los datos recibidos.

El análisis de los datos recibidos se cen-tra en realizar un balance de los canales para reducir las diferencias de amplitud y fase y el ruido de los datos recibidos de un objeto o área específica. Informa-ción como los datos obtenidos de tras-pondedores en el satélite, reflectores y las sombras de las imágenes de radar son utilizadas como información auxi-liar para la calibración mediante el aná-lisis de datos.

Para realizar interpretación visual sobre estas imágenes se requiere el cono-cimiento y la experticia del intérprete para definir que patrones encuentra en la imagen de acuerdo a su comporta-miento. Para poder realizar la clasifica-ción visual sobre las imágenes de este tipo, es necesario generar composicio-nes a color haciendo uso de las bandas polarizadas, de tal manera que en cada canal de visualización se desplieguen las diferentes polarizaciones, de tal mane-ra, como ejemplo se puede obtener una imagen en la cual en el canal del rojo se visualice la banda con polarización HH, en el canal del verde la polarización HV y en el del azul la polarización VV (Figura 4). Las diferentes polarizaciones de la imagen deben encontrarse todas dentro de la misma banda espectral.

Los cambios en intensidad que pue-den ser visualizados en las imágenes varían de acuerdo a las características de la superficie observada, es diferente para coberturas forestales, nieve, zo-nas deforestadas, tejidos urbanos, etc. Los cuerpos de agua presentes en este tipo de imágenes siempre serán vistos de color negro, ya que el agua absorbe toda la mayor parte de la energía emiti-da y, por tanto, no se presenta el efecto de retrodispersión de las ondas hacia el sensor.

La interpretación digital de estas imá-genes se basa en modelos de disper-sión, este método tienen en cuenta la retrodispersión que ha sido generada en cada canal y funciona de manera si-milar a los algoritmos de clasificación no supervisada usada para imágenes ópticas, delimitando patrones simila-res a un conjunto de pixeles y partir de estos valores generando una selección por un numero de clases definido. Este modelo definido por Zyl en la revista Geoscience and Remote Sensing (Un-supervised classification of scattering behavior using radar polarimetry data. 1989, Citado por Natural Resources of Canadá), funciona bajo el principio de que la retrodispersión funciona de manera muy similar para cada canal de polarización, pero las reflexiones de la señal de radar permite generar una di-ferencia de fase entre cada canal.

Otro modelo basado en los principios físicos de las imágenes de radar desa-rrollado por Freeman y Durden (1998, citado por Natural Resources of Cana-dá), usan la respuesta de las diferentes coberturas, teniendo en cuenta cada elemento con el fin de determinar la re-trodispersión obtenida para cada píxel. Se obtiene entonces un algoritmo que permite diferencias posporcentajes de retrodispersión para cada píxel median-te modelos matemáticos.

Para realizar este tipo de interpretacio-nes, generalmente se deben tener en cuenta una gran cantidad de paráme-tros, estos deben tener una trasforma-ción ortogonal y con el fin de optimizar los resultados y determinar la informa-ción que es realmente significativa.

Un método muy conocido para la inter-pretación de las imágenes, es el desa-rrollado por Cloude (1996, Citado por Natural Resources of Canadá) quien propone el uso de Eigenvalues o Valo-res Propios calculados desde la matriz de coherencia, los cuales permiten de-terminar la entropía polarimétrica, la anisotropía y el ángulo alfa. La entropía

Figura 4.Imagen del sensor Radarsat 2, combinación a falso color con las bandas polarizadas RGB (HH, HV, VV).

Fuente:IGAC-CIAF.


representa la aleatoriedad de la disper-sión, un valor de entropía de cero baja la aleatoriedad, es decir un modelo más sencillo. El ángulo alfa representa el va-lor más significativo de los mecanismos de retrodispersión, el limite más bajo para este valor es igual a 0°, el cual in-dica dispersión de la superficie, un valor de 45° representa dispersión en dipolos o volúmenes y un valor de 90° repre-senta diedros o múltiples dispersiones. La anisotropía se refiere al radio de los Valores Propios el cual es un indicador de múltiples dispersiones.

Los algoritmos usados para estas clasi-ficaciones digitales se dividen en dos: clasificación supervisada y clasificación no supervisada.

En la clasificación supervisada se requie-re un conocimiento del área de trabajo para identificar las clases existentes, el significado de estas y los límites entre és-tas. Este proceso de identificación se co-noce como determinación de zonas de entrenamiento, puede ser realizado des-de la escena que se está interpretando o una escena con características similares. Después de la selección de las áreas de entrenamiento se corren algoritmos que permiten asignar las clases a los grupos de pixeles de acuerdo a sus característi-cas y definir los límites entre estos.

En cualquier clasificación la selección de los parámetros es importante, para las imágenes de radar polarimétrico el contenido de los modelos de dispersión puede ser usado para obtener paráme-tros que permiten obtener buena sepa-ración entre las clases.

A partir de los parámetros entropía anisotropía y ángulo alfa es posible de-terminar las diferentes clases que sean requeridas, de acuerdo a las posibles combinaciones de los valores medidos. La definición de los límites en esta clasi-ficación es arbitraria y depende en gran medida de la calibración del radar, el ruido que ha sido medido en la imagen y la variabilidad estimada de los pa-

rámetros. Este método, por tanto, no requiere de zonas de entrenamiento y el número de clases a definir depende de la aplicación a la que será destinada la interpretación para la determinación de los límites entre coberturas se usan los parámetros entropía y ángulo alfa. La variable anisotropía es utilizada para diferenciar los tipos de superficie en la imagen. Al combinar este parámetro con la entropía se obtiene una clasifica-ción sobre las superficies existentes, por tanto, determinar los diferentes meca-nismos de dispersión.

En la clasificación no supervisada, el al-goritmo no tiene información a priori sobre las clases existentes en la imagen. Este algoritmo agrupa píxeles con ca-racterísticas similares y a partir de esto genera la clasificación de acuerdo al número de clases que sean asignadas. Para imágenes polarimétricas se utiliza en algoritmo de máxima verosimilitud de Bayes.

Después de definir las áreas de entre-namiento, se calcula la probabilidad en base a la mínima distancia promedio de los píxeles de toda la imagen comparán-dolos con la media de las áreas mues-treadas, de acuerdo a esto se agrupan los píxeles de acuerdo a sus características. El resultado de la clasificación depende de las áreas muestreadas, este modelo no se basa en características físicas.

Para obtener óptimos resultados en la clasificación se recomienda el uso com-binado de dos algoritmos, como primer paso debe realizarse el procedimiento para obtener la clasificación no super-visada, de esta manera obtener una idea general de los elementos que se encuentran presentes en la imagen. Se utiliza un proceso iterativo que permi-tirá definir de manera más precisa los límites entre las diferentes clases. A continuación se realiza el proceso de selección y definición de clases para realizar la clasificación supervisada con el principio de máxima verosimilitud. Este método de clasificación puede in-

53


cluir algoritmos de segmentación en los cuales los píxeles vecinos que tienen características comunes se agrupan en un número de clases determinadas, esto con el fin de refinar el proceso de clasificación.

2.1.3. Aplicaciones de la polarimetría de radar

Dentro de las aplicaciones de la pola-rimetría de radar, empleando técnicas de procesamiento y clasificaciones se pueden identificar varios campos de acción, en áreas como los sistemas pro-ductivos y la gestión ambiental.

Dentro del área de los sistemas produc-tivos se pueden encontrar métodos de conservación de suelos y aumento de la productividad, diversos estudios han permitido la caracterización y distinción de las diferentes tipos de suelo a par-tir de firmas polarimetrícas aplicadas a cultivos, el coeficiente de retrodisper-sión4 de cada cultivo es medido a partir de los residuos orgánicos presentes en el suelo permitiendo obtener una idea general del estado del suelo después de la cosecha.

Asimismo, mediante métodos de pro-cesamiento e interpretación de la infor-mación, es posible la determinación de suelos que permiten una mayor o una menor productividad.

Para de las aplicaciones en monitoreo de recursos naturales y ambientales, se puede encontrar como la polarime-tría de radar, a partir de la generación de combinaciones a color, utilizando como insumo las bandas polarizadas, permite le identificación de diferentes coberturas terrestres y de esta manera establecer las áreas con presencia de coberturas forestales, cuerpos de agua, zonas costeras, glaciales, etc.

A partir del uso de los índices de retro-dispersión hallados para cada banda polarizada, es posible la medición de biomasa sobre coberturas forestales. Para la identificación y monitoreo de glaciales, zonas de hielo y de nieves, se hace uso de diferentes algoritmos que utilizan las diferentes polarizaciones, in-cluyendo la interpretación de las firmas polarimetrícas y analizando la respues-ta de cada cobertura de hielo sobre las imágenes. Con esta información tam-bién es posible la determinación de la distribución de cuerpos de agua, así como del estudio de las zonas coste-ras. Entre otras aplicaciones también se puede encontrar el monitoreo de de-sastres ambientales, como por ejemplo los derrames de petróleo.

2.2Conceptosbásicosdeinterferometría de radar

La interferometría de radar es una téc-nica que hace uso de los datos de ra-dar para determinar la topografía y las deformaciones del terreno. Con esta técnica se generar los interferogramas, que son mapas que permiten la medi-ción de la deformación del terreno a partir de información contenida en la imagen (Figura 5).

Figura 5.Productos interferométricos derivados de imágenes del satélite Terrasar X. (A) Mapa de coherencia, (B) Interferograma, (C) Topografía corregida con el interferograma.

Fuente:TerraSAR-XScienceServiceSystem(http://sss.terrasar-x.dlr.de)

4 Coeficientederetrodispersión:Cuandolaenergíaesemitidadesdeelsensoryestaalcanzaelobjetivo,algunadeestaenergíaesreflejadanuevamentehaciaelsensor.AlacaracterizacióndelacantidaddeenergíaqueretornahastaelsensorseledenominaCoeficientederetrodispersión,estádeterminadoporlarugosidadygeometríadelterreno,ángulodeincidenciadelflujodeenergíaypolarización(SENLEE,2009,p.54).


Un interferograma se presenta como una escala de colores medida a partir de dos imágenes o grupos de datos. La distancia entre las líneas de la escala de colores representa los movimientos de terreno de acuerdo a la escala de la in-formación capturada.

Los sensores de radar emiten la energía electromagnética hacia el terreno, esta energía es reflejada nuevamente hacia el sensor, capturando datos de ampli-tud y fase de las ondas. Para generar los interferogramas se hace uso de la componente fase de las imágenes.

La fase describe la posición dentro del ciclo de la onda, define si es un pico o un valle o si se encuentra en un lugar en medio de las dos. La fase es medida en unidades angulares entre 0° y 360° (0a2π).(Figura6)

Para poder generar un interferogra-ma es necesario obtener datos de dos satélites o imágenes que capturen in-formación sobre una misma área pero con una diferencia de fase. Por tanto, la escala de colores presentada en un interferograma representa al cambio de fase entre las dos imágenes. Los in-terferogramas pueden ser generados a partir de imágenes de radar captu-radas desde sensores en plataformas satelitales o aerotransportados, estas imágenes pueden ser capturadas con una diferencia de uno o varios días, de-pendiendo del estudio específico que se desea realizar.

Se presenta entonces la primera toma sobre el terreno en la cual se obtienen valor de magnitud y un valor de fase, la segunda imagen capturada sobre el mismo terreno tendrá un valor de fase que presentara variación si se han ocurrido cambios en la superficie, por ejemplo en caso de un terremoto, un deslizamiento, etc. La diferencia de fase entre las dos escenas para cada píxel de la imagen es representada por la escala de color, para de esta manera crear el interferograma. Al momento de realizar la interpretación del interferograma se deben tener en cuenta los siguientes puntos:

• Loscontornosadyacentesdelosmis-mos colores representan diferencias de fase de las longitudes de onda capturadas paras las dos escenas.

• Lalongituddeondaqueutiliceelra-dar determina la resolución a la que pueden ser medidas las variaciones del terreno (las variaciones son ½ de la longitud de onda o del ancho de pulso). Representa la mitad debido a que la onda viaja desde el satélite hasta el terreno y nuevamente hasta el satélite.

• Entre más cercanas se encuentranlos contornos, mas grande es la deformación de terreno, General-mente los colores rojos representas mayores variaciones.

Figura 6.Fase y amplitud de

las ondas.



Figura 7.Representación

gráfica de las diferencias de fase para el sensor SAR.

55


Para generar información de precisión, se debe tener en cuenta la reducción de los errores por la altura de vuelo del sensor, con el fin de eliminar paralaje y así mismo, eliminar los componentes en movimiento y topografía que se presen-ten. La diferencia de fase entre las dos escenas se representa en la figura 7.

Donde, S corresponde a las posiciones del satélite, B es la línea base entre sa-télites, P es un punto en la superficie terrestre, R es el alcance al punto P, A representa la altitud del satélite y h es la altura del punto P.

2.2. 1. Proceso para la generación del interferograma

Para la generación del interferograma es necesario tener en cuenta los si-guientes pasos:

1) Los datos debes ser procesados para obtener imágenes (Single Look Com-plex Image) SLC5, existen proveedores de imágenes que suministran la infor-mación de fase del área capturada.

2) Realizar un muestreo de las imáge-nes sobre un factor de 2 en las dos di-mensiones.

3) Realizar un filtro de las bandas comu-nes en el espectro electromagnético.

4) Realizar el proceso para la genera-ción de un interferograma sobre un software especializado.

5) Suavizar el interferograma.

6) Realizar la medición de coherencia, que es equivalente a resaltar las varia-ciones obtenidas y los lugares específi-cos donde existió una mayor variación.

7) Convertir los valores de la fase, esca-lándolosenunrangode0a2π.

8) Realizar el cálculo para la obtención de la línea de base.

2.2.2. Medición de coherencia

La coherencia debe ser medida con el fin de evaluar que tan apropiados re-sultan los datos para el procesamien-to de interferometría. La magnitud de esta coherencia debe estar relacionada con la desviación estándar entre la dife-rencia de fases de las dos escenas. La coherencia puede ser calculada a partir del producto obtenido entre la intensi-dad de las imágenes seleccionadas pixel a pixel. El cálculo de esta coherencia es determinado para realizar la revisión de calidad del producto resultante. Si la magnitud de la coherencia se encuen-tra entre:

0.3 - 0.5, se puede hacer uso de los datos, sin embargo contiene una gran cantidad de ruido

0.5 - 0.7 los datos tienen una calidad buena

0.7 - 1.0 los datos tienen una calidad excelente

Esta medición de coherencia también permite realizar clasificaciones sobre el terreno, si el valor de la coherencia es:

• Baja: generalmente se encuentrancuerpos de agua

• Moderada:seencuentravegetaciónen crecimiento o en movimiento

• Alta:sepresentancoberturascomodesiertos, tejidos urbanos, etc.

5 DatosSLC:Formatodedatosprocesados,contienecorreccionesdeloserroresrecibidosporelsatéliteeincluyeinformacióndelatitudylongitud.LosdatoseneltipodeprocesamientoSLCcontienenlain-formacióndefaseyamplituddelosdatosoriginalesSAR.(MDA.Radarsat1,http://www.esri-chile.com/biblioteca/RADARSAT_1.pdf).


El desarrollo y generación de interfe-rogramas ha sido usado para realizar estudios sobre topografía, generación de modelos digitales de elevación y su-perficie, mediciones de movimiento y cohesión espacial de terreno, medición de glaciales, flujos de hielo, terremotos, deslizamientos, volcanes, generación de modelos geofísicos, entre otras múl-tiples aplicaciones.

2.2.3. Aplicaciones de la interferometría de radar

Dentro de las aplicaciones de la inter-ferometría de radar se encuentra como productos principal la generación de modelos digitales de terreno partir de la medición de dos imágenes interferomé-


BELLINI, J. CLOSA, DESNOS, Y-L., ROSICH, B. The radar imaging instrument and its applications: ASAR. ESA Earth Observation Applications Department, ESRIN. Frascati, Italia, 2001.

COMISIÓN COLOMBIANA DEL ESPACIO. Definición de las áreas temáticas para el planeamiento de una misión satelital de Observación de la Tierra en Colombia. Programa Sate-lital Colombiano de Observación de la Tierra. Revista Análisis Geográficos N.º 40. Instituto Geográfico Agustín Codazzi, 2008

CENTRO INTERNACIONAL DE AGRICULTURA TROPICAL- CIAT. Proyecto Manejo de Tierras. “Uso y metodologías para la generación de Modelos Digitales de Elevación a través del uso de radares”. [En línea]: http://www.ciat.cgiar.org/dtmradar/principal.htm. [Citado en abril de 2010].

CEOS. Earth Observation Handbook: Climate Change Special Edition. [En línea] http://www.eohandbook.com/eohb2008/. (Citado en 25 de octubre de 2008)

DR. S. C. LIEW. Principles of Remote Sensing. Centre for Remote Imaging, Sensing and Proces-sing National University of Singapore. Blk S17/SOC1 Level 2, Lower Kent Ridge Road. Singapur 119260. [En línea]: http://www.crisp.nus.edu.sg [Citado en abril de 2010]

trica capturadas en un corto periodo de tiempo. A partir de la captura de esta información se hace posible la deter-minación de datos topográficos, como curvas de nivel sobre el terreno y toda la información de altimetría relacionada.

Con la interferometría también es posi-ble realizar la medición de movimientos del terreno, siempre y cuando se use la escala espacial y temporal de manera adecuada. En este caso la línea base que se debe usar debe tener una longitud mínima, que permita duplicar la toma anterior de la manera más aproximada posible. Con esta técnica es posible la medición de movimientos de glaciales, flujos de hielo, terremotos, deslizamien-tos de tierras y volcanes.

57


GARCÍA, JAVIER; BOIX, ORIOL. La luz. [En línea]: http://edison.upc.es/curs/llum/luz_vision/luz.html. [Citado en abril de 2010]

H2G2’S RESEARCHERS. The History of Radar. [En línea]: http://www.bbc.co.uk/dna/h2g2/A591545. [citado en abril de 2010]

IEEE. Detection & Ranging. Radar in the twentieth century. Aerospace & Electronic Systems Ma-gazine. Jubilee Issue. October 2000.

HANSSEN, RAMON. Radar Interferormetry. Data interpretation and error analysis. Edit Kluwer Academic Publishers. New York, 2002. eBook ISBN: 0-306-47633-9 Print ISBN: 0-7923-6945-9

HENDERSON, FLOYD M., LEWIS, ANTHONY J. Radar detection of wetland ecosystems: a review. En: International Journal of Remote Sensing. octubre,2008. Vol. 29, No. 20, pp. 5809-5835.

LORIMER, STEVEN. Sistemas de Radar y Procesamiento en Tiempo Real. [En línea]: http://profe-sores.elo.utfsm.cl/~agv/elo326/1s06/lectures/Sistemas_Radar_ Procesamiento_ iempoReal.pdf [Citado en marzo de 2010]

PALACIOS, E., MARTIN, M. La teledetección en la arqueología: el instrumento SAR. 1994, 31 pp.

NATURAL RESOURCES CANADÁ – GLOBESAR. Interferometría mediante radares. [En línea]: http://www.ccrs.nrcan.gc.ca/resource/tutor/gsarc d/pdf/adv_pol_s.pdf. [citado en abril de 2010].

NATURAL RESOURCES CANADÁ – GLOBESAR. Fundamentals of Remote Sensing. [En línea]: http://ccrs.nrcan.gc.ca/resource/tutor/fundam/pdf/funda mentals_e.pdf. [citado en marzo de 2010].

NATURAL RESOURCES CANADÁ – GLOBESAR. Introducción a la percepción remota mediante radar. [En línea]: http://cct.rnca n.gc.ca/resource/ tutor/gsarcd/pdf/gsarcd_s.pdf. [Citado en marzo de 2010].

NATURAL RESOURCES CANADÁ – GLOBESAR. Polarimetría mediante radares. [En línea]: http://www.ccrs.nrcan.gc.ca/resource/tutor/gsarcd/pdf/adv_pol_s.pdf. [Citado en abril de 2010].

SAID, TONY. P-Band as Second Generation Interferometric Radar. [En línea]: http://www.inter-map.com/uploads/1170361576.pdf . Asia. 2005 [Citado en febrero de 2010].

SEN LEE, J; POTTIER E. Polarimetric Radar Imaging: From Basics to Applications. Overview of Polarimetric Radar Imaging .Taylor & Francis Group. 2009.

SKOLNIK, M. I. “Fifty years of Radar”. Proc. IEEE, vol. 73, pp. 182-197, feb., 1985.

TELEDET. Nociones básicas sobre sensores de radar. [En línea]: http://www.teledet.com.uy/tuto-rial-imagenes-satelitales/sensores-radar.htm [Citado en abril de 2010].

4 Evaluación de los programas no comerciales disponibles paraelprocesamientodigitaldeimágenesderadar

59

Evaluacióndelosprogramasnocomercialesdisponiblesparaelprocesamientodigitaldeimágenesderadar

AbstractAn evaluation of available not-commercial software for radar image processing was carried out in or-der to determine the most appropriate programs for viewing and analyzing of polarimetric and inter-ferometric radar data. The characteristics of these programs were evaluated by their classification in technical and functional criteria, which ranged from issues such as the version maturity and ease of insta-llation to software’s capabilities like importing data from different sensors, displaying images and proces-sing of polarimetric and interferometric information. It was concluded that the most appropriate software because of its level of development and its free li-censing is PolSARpro, which is a specialized software on processing of both polarimetric and polarimetric-interferometric SAR (synthetic aperture radar) data. It is further recommended to use PolSARpro in con-junction with NEST, which, in addition to its power in image viewing, can complement the coregistration, terrain correction and definition of the projection sys-tem processes.

Keywords:Radar, free software, processing, display, import.

ResumenPara esta investigación se llevó a cabo una evalua-ción de los programas de software no comerciales desarrollados y disponibles para el procesamiento de imágenes de radar, con el propósito de determinar los más apropiados a fin de realizar la visualización y análisis de imágenes de radar polarimétrico e inter-ferométrico. Las características de estos programas fueron evaluadas mediante su calificación respecto a criterios técnicos y funcionales, los cuales abarca-ron desde aspectos como la madurez de la versión y la facilidad de instalación, hasta las capacidades del software tanto para importar datos de diferentes sensores como para visualizar las imágenes y proce-sar la información polarimétrica e interferométrica. De hecho, se concluyó que el software más apropia-do por su nivel de desarrollo y su licenciamiento libre es PolSARpro, un programa especializado tanto en el procesamiento de datos de SAR (radar de apertura sintética) polarimétrico como interferométrico y SAR polarimétrico-interferométrico. Asimismo, se reco-mienda utilizar PolSARpro en conjunto con NEST, el cual – además de su potencia en el despliegue de imágenes– puede complementar los procesos de co-rregistro, corrección del terreno y definición del siste-ma de proyección.

Palabras clave:Radar, software libre, procesamiento, visualización, importación.

1 IngenieroForestal,M.Sc.Geomática.Correoelectrónico:[email protected] IngenieraForestal,M.Sc.Correoelectrónico:[email protected]

Evaluación de los programas no comerciales disponibles para el procesamiento digital de imágenesderadarEvaluation of non-commercial software available for digital

processing of radar imagery

Alí Marcel Santacruz Delgado1, Elena Posada2


Introducción

Para el procesamiento digital de imáge-nes de radar es necesario disponer de una herramienta que permita realizar el manejo, la visualización y el proce-samiento de la información de la ma-nera más eficiente y apropiada para el usuario. Existe una amplia cantidad de programas diseñados para este propó-sito, lo cual incluye tanto software pro-pietario como software gratuito y libre, encontrándose software en distintas fases de desarrollo así como software especializado en uno o dos sistemas específicos SAR (radar de apertura sin-tética).

El objetivo de la investigación de este artículo consistió en evaluar los progra-mas no comerciales disponibles para el procesamiento digital de imágenes de radar, con base en la calificación de criterios técnicos y de criterios funcio-nales con el fin de determinar el (los) programa(s) de software más apropia-dos que permitan llevar a cabo la explo-ración y el análisis de la información de radar polarimétrico e interferométrico.

1. Software para procesamiento de radar

Existen varias soluciones informáticas para el procesamiento de datos e imá-genes de radar. Entre los programas comerciales que están disponibles en el mercado se encuentran: ScanEx SAR Processor, Gamma Software, SARsca-

pe para ENVI, DIAPASON, PHOTOMOD Radar, InfoPACK, EarthView InSAR y SAR APP. Además, varios programas robus-tos de procesamiento de imágenes óp-ticas, como Definiens Enterprise Image Intelligence™ Suite, Erdas Imagine y PCI Geomatica también poseen funciones o módulos desarrollados para el procesa-miento de radar. Igualmente, es posible descargar de Internet programas no co-merciales, varios de ellos con licencia soft-ware libre, entre los cuales se encuentran: ROI PAC, PolSARpro, Doris, RAT, I.D.I.O.T., BEST, RadarWorks, SPRING, Opticks, UNESCO Bilko, NEST, EarthView OpenEV y MapReady, entre otros.

Como parte del proceso de evaluación de esta investigación, el primer paso fue realizar una revisión general de los programas disponibles. A continuación se presenta una síntesis de la funcionali-dad de cinco programas no comerciales más robustos desarrollados para el pro-cesamiento digital de datos e imágenes de radar de apertura sintética (SAR).

1.1. Nest

NEST (Next ESA SAR Toolbox)3 es una herramienta desarrollada para lectura, posprocesamiento, análisis y visuali-zación de grandes archivos de datos (desde nivel 1) de misiones SAR de la ESA como ERS-1 & 2, ENVISAT y, en el futuro, Sentinel-1. Además, soporta el manejo de datos de misiones de otras agencias como JERS-1, ALOS PALSAR, TerraSAR-X, RADARSAT-1 & 2 y Cosmo-Skymed.

3 SitioenInternet:http://www.array.ca/nest/tiki-index.php

61


NEST funciona como complemento de otros paquetes existentes. Este progra-ma ha sido construido con base en la herramienta BEAM (Basic ERS & Envisat (A) ATSR y MERIS) y cubre la funciona-lidad del software BEST (Basic Envisat SAR Toolbox). La principal funciona-lidad nueva en NEST sobre BEST es la presencia de un visualizador integrado y la ortorrectificación y producción de mosaicos de imágenes SAR. NEST, asi-mismo, se puede extender con una API (Application Programming Interface) que permite a los usuarios crear sus propios plugins para lectura, procesa-miento y escritura. NEST es programa-do en Java y es un desarrollo de código abierto bajo la licencia GNU GPL (Gene-ral Public License).

1.2. PolSARpro

PolSARpro4 es una herramienta diseñada para la educación y el procesamiento de información de SAR polarimétrico, que busca facilitar el aprovechamiento y la accesibilidad de los datos de proyectos satelitales como las misiones comparti-das de ESA (PALSAR de ALOS), produc-tos de polarización alternante de ASAR de ENVISAT, RADARSAT-2, TerraSAR-X y SIR-C (Pottier et ál., 2005), así como de sensores aerotransportados como AIRSAR, CONVAIR/SAR-580, EMISAR, ESAR, PISAR y RAMSES.

PolSARpro es desarrollado bajo contra-to para la ESA por un consorcio que comprende al Instituto de Electrónica y Telecomunicaciones de Rennes de la Universidad de Rennes 1, el Instituto de Microondas y Radar (HR) de DLR y la empresa AEL Consultants, en conjun-to con el Dr. Mark Williams. Todos los elementos del proyecto PolSARpro son distribuidos por ESA sin ningún costo, incluido el código fuente.

Entre las funciones disponibles en Pol-SARpro se encuentran las siguientes:

• Importacióndedatos: importaciónde datos de formatos soportados e información binaria cruda, genera-ción de vistas rápidas de la imagen, extracción de subáreas.

• Conversióndedatos:conversióndeformato de datos polarimétricos to-tal o parcial entre matrices de cohe-rencia, covarianza o Sinclair.

• Cambio básico: de una base depolarización (H-V) a base lineal predefinida (±45º), base circular predefinida (L/R) o base elíptica (phi, tau).

• Filtros de Speckle: filtro de caja,Gaussiano, Idan, entre otros.

• Procesamiento de datos: mejoraóptima del contraste polarimétrico, maximización de la sección cruzada del radar, síntesis de polarización, análisis de la firma polarimétrica, descomposición polarimétrica, cla-sificación supervisada de Wishart, identificación de mecanismos de dispersión básicos, inversión de la superficie, estadísticas polarimétri-cas, análisis de subapertura, pola-rimetría compacta, detectores de borde, agrupación de datos, entro-pía polarimétrica de acuerdo con la teoría de Shannon, coeficiente de variación, coeficiente de anisotropía de Lueneburg, segmentación no su-pervisada, entre otras.

• Calibración:evaluacióndelcalibrador,procedimientos de calibración (Que-gan, Papathanassiou, Ainsworth)

• ProcesamientodedatosPol-InSAR:procesamiento de elementos maes-tro/esclavo, filtro de Speckle de Pol-InSAR, coherencias complejas, procedimientos de inversión y esti-mación de la altura, segmentación no supervisada de Pol-InSAR, tomo-grafía de coherencia de polarización

4 SitioenInternet:http://earth.esa.int/polsarpro/


• Simulación de datos: medianteel software PolSARproSIM, un si-mulador de imágenes y dispersión de SAR coherente polarimétrico-interferométrico

Otras herramientas: procesamiento en rutinas, exportación a formato de ENVI y RAT, procesamiento BMP, integración de herramientas definidas por el usua-rio, entre otras.

1.3. Rat

RAT (Radar Tools)5 es una herramien-ta de software de código abierto para el procesamiento de información SAR de sensores remotos (Reigber, 2007). Sus principales plataformas de desa-rrollo son Linux, IRIX y Mac OS X, el cual asimismo es posible ejecutar bajo Windows utilizando la Máquina Virtual IDL6, que también puede ser descarga-da y utilizada sin ningún costo.

Permite importar imágenes de varios sensores aerotransportados (E-SAR, EMISAR, PISAR, RAMSES, CONVAIR) y satelitales (TerraSAR-X, ALOS-PALSAR, ENVISAT-ASAR, RADARSAT-2), así como formatos de imágenes de POL-SARPro y RSI de ENVI. Además, permite exportar a formatos gráficos genéricos como .png, .jpg y .tiff.

Para imágenes SAR de un solo canal, RAT permite la aplicación de filtros avanzados de Speckle (MAP, IDAN, Sigma, Kuan, Frost), detección de bor-des (RoA, MSP-RoA, Sobel, Roberts, Canny), cálculo de coeficientes de va-riación, características de textura, for-mación de imágenes de subapertura y análisis multitemporal, entre otras op-ciones.

En cuanto a polarimetría SAR, RAT per-mite análisis de objetivo de punto pola-rimétrico, análisis de descomposiciones

polarimétricas, filtrado polarimétrico de Speckle (Boxcar, Lee, IDAN, Simulated Annealing), detección de bordes pola-rimétricos CFSAR, cálculo de relaciones entre canales, correlación y diferencias de fase, formación de las matrices de co-varianza y coherencia, transformaciones de base polarimétrica, descomposiciones (Pauli, Freman-Durdan, Moriyama, En-tropy/Alpha, Eigenvalue, Sphere-Dipla-ne-Helix), clasificación polarimétrica no supervisada, calibración polarimétrica y formación de subaperturas polarimétri-cas en rango y azimuth.

Para interferometría SAR, RAT tiene in-cluidas funciones para corregistro de pares de imágenes, formación de in-terferogramas, aplicación de filtros de ruido de fase, estimación de la coheren-cia y cálculo de sombreado del relieve. Finalmente, para interferometría SAR polarimétrica de línea base múltiple, RAT permite la obtención de matrices de covarianza y coherencia, la forma-ción de interferogramas polarimétricos, la transformación de base polarimétri-ca arbitraria, incluida la proyección en bases optimizadas por píxel, análisis de descomposiciones polarimétricas, esti-mación de coherencia y análisis de op-timización, filtrado del rango espectral, remoción de la topografía, filtrado de Speckle PolInSAR, estimación de la co-herencia, optimización de la coherencia de línea base única y múltiple, extrac-ción de parámetros de coherencia Po-lInSAR, descomposiciones, clasificación no supervisada y formación de subaper-turas en rango y azimuth.

1.4. MapReady

El software MapReady Remote Sensing Tool Kit7 acepta datos de SAR detecta-dos de nivel 1, datos SAR Single Look Complex (SLC) y datos ópticos de ASF y otras instituciones (ASF, 2008). Pue-

5 SitioenInternet:http://radartools.berlios.de/6 SitioenInternet:http://www.ittvis.com/idlvm/7 SitioenInternet:http://www.asf.alaska.edu/sardatacenter/softwaretools

63


de realizar correcciones del terreno, geocodificar y exportar a varios de los formatos más comunes, incluido Geo-TIFF. Con MapReady es posible aplicar descomposiciones polarimétricas a da-tos de SAR de polarización múltiple. Este programa contiene además un visualizador de imágenes, un visualiza-dor de metadatos y un convertidor de coordenadas de proyección.

1.5. Best

BEST (Basic ENVISAT SAR Toolbox)8 es una colección de herramientas de soft-ware ejecutables desarrolladas para el procesamiento de información SAR de la ESA (ESA 2006). El propósito de esta herramienta consiste en complementar los paquetes comerciales de software con funciones dedicadas al manejo de productos SAR obtenidos del sensor ASAR (Advanced Synthetic Aperture Radar) a bordo de Envisat y del sensor AMIs (Active Microwave Instrument) a bordo del satélite ERS 1/2.

Entre las funcionalidades de este soft-ware se encuentran las siguientes:

• Importacióndedatosygeneraciónde Quick Looks: herramientas bási-cas para la extracción de datos de productos SAR en formato estándar de ESA, generación de imágenes de vista rápida (quick look), impor-tación de archivos TIFF y GeoTIFF y datos raster genéricos.

• Exportación de datos: exportaciónde datos a formatos comunes se-leccionados (TIFF, GEOTIFF, BIL), ge-neración de composiciones RGB.

• Conversión de datos: conversiónentre diferentes formatos de imáge-nes, transformación de datos para reproyección al rango del suelo, cálculo de sensores de sensibilidad, detección WSS de ASAR y mosaico

por azimut, mosaico por rango y multivista.

• Estadísticas:cálculodeparámetrosestadísticos globales o locales de datos reales de imágenes, cálcu-lo de componentes principales de imágenes múltiples.

• Remuestreo: sobre y submuestreode una imagen con métodos espa-ciales y espectrales.

• Corregistro: corregistro automáti-co de dos o más imágenes reales o complejas (incluidos pares ERS/En-visat), evaluación de los parámetros de calidad.

• Soporte para interferometría: cál-culo de líneas base orbitales para archivos DORIS, cálculo de coheren-cia interferométrica, evaluación de altitud de ambigüedad.

• FiltradodeSpeckle:mejoradelare-solución radiométrica de la imagen.

• Geocorreccióndelaimagen:proce-so de geocodificación para georre-ferenciar productos detectados de rango del suelo ASAR (i.e. ASA_IMP_1, ASA_IMM_1, ASA_WSM_1 etc.) y ERS-PGS (IMP, IMM).

• Calibración:correcciónradiométricade imágenes Envisat y ERS, inclui-da la retrocalibración de productos ASAR y el refinamiento de rango amplio de la imagen.

2. Metodología

Para los cinco programas no comercia-les más estables y desarrollados, descri-tos en la sección anterior, se evaluaron la funcionalidad y las características de éstos mediante su calificación respecto a criterios tanto técnicos como funcio-

8 SitioenInternet:http://earth.esa.int/services/best/


nales (IGAC 2008a, IGAC 2008b). Los criterios se evaluaron de manera cua-litativa, lo que permitió realizar una comparación entre los diferentes pro-gramas con el propósito de identificar y seleccionar el (los) que pueda(n) ser más apropiado(s) para desarrollar labo-res de procesamiento de información de radar.

Los criterios técnicos hacen referencia a características generales de desarrollo del software, en tanto que los criterios funcionales hacen referencia a las dife-rentes capacidades de manejo y proce-samiento de la información que posea éste.

2.1.Criteriostécnicos

A continuación se describen los criterios técnicos empleados para la evaluación.

2.1.1. Facilidad de instalación

Se busca que el proceso de instalación del software sea lo más simple y sen-cillo posible, que le evite al usuario la instalación de sistemas operativos o de programas adicionales, así como el uso de lenguajes de programación o de comandos. Idealmente, la instalación debe ser guiada por una interfaz gráfi-ca en la cual se deban definir paráme-tros sencillos típicos.

2.1.2. Documentación robusta, comprensible y actualizada

Se espera que el software utilizado para el procesamiento de radar posea una robusta documentación en térmi-nos de instalación, usabilidad, exten-sibilidad (desarrollo de extensiones o módulos adicionales) y actualización. Además, el programa debe poseer un menú de ayuda para el manejo de la interfaz y cada una de las funciones y/o operaciones.

Se espera que el programa tenga dis-ponible documentación en el sitio en Internet, e idealmente contar con un tutorial, en el cual se explique –me-diante ejemplos– el procesamiento de la información haciendo uso de datos simulados o de muestra.

2.1.3. Multiplataforma

En lo posible, el software debe estar diseñado para correr bajo diferentes sistemas operativos, bien sea que esté desarrollado en un lenguaje multipla-taforma, o que se hayan desarrollado versiones para distintos sistemas. En particular, el software debería correr bajo Windows y bajo Linux.

2.1.4. Madurez de la versión

El programa debe estar en una etapa madura de desarrollo, con el fin de evitar los problemas de las versiones Beta (bugs, funcionalidades incomple-tas, cambios inoportunos de versión). Además, se debe tener en cuenta que todos los programas seleccionados se encuentren actualmente en desarrollo con el fin de evitar la obsolescencia prematura.

2.2. Criterios funcionales

Los criterios funcionales empleados para la evaluación se describen a continua-ción.

2.2.1. Importación de datos de diferentes sensores

El programa debe permitir la importa-ción de información de diferentes tipos de sensores SAR, tanto aerotranspor-tados como satelitales. Entre ellos los programas satelitales ALOS/PALSAR, ENVISAT/ASAR, RADARSAT-2, TERRA-SAR-X, SIR-C y aerotransportados como

65


AIRSAR, CONVAIR/SAR-580, EMISAR, ESAR, PISAR y RAMSES.

2.2.2. Visualización

El programa debe permitir desplegar los distintos formatos de imágenes de radar y acercamiento (zoom) a la infor-mación, así como visualizar las imáge-nes en combinaciones y modificar los colores de despliegue. Igualmente en lo referente al rendimiento, el software debe abrir la imagen y realizar zoom de manera rápida. Además debe permitir la superposición de capas vectoriales y la apertura de imágenes simultáneas.

2.2.3. Georreferenciación, ortorrectificación y corregistro

El programa debe poseer herramientas para georreferenciar imágenes y reali-zar la ortorrectificación de las imáge-nes. Asimismo, debe permitir definir y/o cambiar el sistema de proyección.

Por otra parte, el software debe permitir el proceso de corregistro de las imáge-nes, lo cual hace referencia al proceso de superponer –en la geometría del rango inclinado– dos o más imágenes SAR que tienen la misma órbita y modo de adquisición.

2.2.4. Preprocesamiento

Entre las funcionalidades, el software debe permitir la aplicación de filtros para la reducción del efecto Speckle. Debe ser posible igualmente la generación de his-togramas, perfiles y estadísticas.

2.2.5. Polarimetría

En cuanto al preprocesamiento respecto a datos de radar polarimétrico, el soft-ware debe permitir la determinación de la firma polarimétrica. Además, debe posibilitar descomposiciones polarimé-

tricas, así como la conversión entre los formatos polarimétricos.

Principalmente, con el software debe ser posible realizar clasificaciones para la detección de objetos mediante el re-conocimiento de patrones. Debe per-mitir realizar tanto clasificaciones no supervisadas así como clasificaciones supervisadas mediante el uso de inter-faces gráficas o de texto para la selec-ción de áreas de entrenamiento.

2.2.6. Interferometría

De manera similar al procesamiento de datos de radar interferométrico, el soft-ware debe permitir el procesamiento de SAR polarimétrico interferométrico mediante la generación de interfero-gramas, aplanamiento del interfero-grama, estimación de la coherencia y estimación de la altura mediante pro-cedimientos de inversión.

3. Resultados

A continuación se presentan los resulta-dos de la evaluación de las característi-cas de los programas de procesamiento digital de imágenes de radar, a partir de los criterios técnicos y funcionales propuestos.

3.1.Criteriostécnicos

Respecto al primer criterio técnico eva-luado, casi todos los programas poseen una instalación rápida y sencilla en el sistema operativo Windows mediante una interfaz típica (tabla 1). El único programa que no posee un ejecutable como instalador, es el software RAT. Este programa requiere que el usua-rio tenga instalada la plataforma de IDL, la cual se instala por ejemplo con ENVI, programa comercial de procesa-miento digital de imágenes que hace uso del lenguaje IDL para ofrecer ma-


Software Facilidaddeinstalación Observaciones

NEST3C Sí Poseeuninstalador(.exe)defácilejecuciónenWindows.

PolSARpro4.0 Sí Poseeuninstalador(.exe)queinstalaprimeroPolSARproy,encasodenoestarinstalado,TclTk.

RAT0.20 No Requiere tener instalada laplataformade IDLparapoderejecutarelbinario(.sav),oelcódigofuente.

MapReady2.1 Sí Poseeuninstalador(.exe)defácilejecuciónenWindows.

BEST4.2.1 Sí Poseeuninstalador(.exe)defácilejecuciónenWindows.

Software Documentación Observaciones

NEST3C Sí

Poseeunaayudabastanteextensa,alacualsepuedeaccederdesdeelmenúHelp,opciónHelpTopicsenlainterfazdelprograma.Laayudasedivideenlassecciones:General,DAT,GraphProcessing,TutorialsyDe-velopment.

PolSARpro4.0 SíPoseeunaayudabastanteextensaycompletatantosobreelmanejodelsoftwarecomosobrelosfundamentosteóricosreferentesapolarimetríay a interferometría de radar.

RAT0.20 SíEnelsitioenInternetestándisponiblesdostutorialescortos,elprimerosobrecómoutilizarelprogramayelsegundosobreclasificaciónpolari-métrica.

MapReady2.1 SíContieneunaayudaqueabarcadesdeconceptosbásicosrelacionadosconelprocesamientoderadar,hastaunadescripcióntécnicadelasfun-cionalidades del programa.

BEST4.2.1 SíElmanualdeusuariocontienedossecciones:laprimeracontieneaspec-tosgeneralesdelprograma,ylasegundadocumentacióntécnicasobrelasfuncionesimplementadas.

Tabla 1.Resultados de la

evaluación del criterio técnico

sobre facilidad de instalación.

Tabla 2.Resultados de la evaluación

del criterio técnico sobre

disponibilidad de documentación.

yor extensibilidad. La necesidad de la instalación de esta plataforma se pue-de convertir en una limitante para el caso del software RAT, ya que sin ella no es posible correr el código fuente o ejecutar el binario (.sav).

En cuanto al criterio sobre documen-tación técnica, prácticamente todos los programas evaluados tienen disponible ayuda sobre el manejo del software, el uso de cada una de las funciones y los parámetros que requieren, ya sea en su sitio en Internet o en los menús de la interfaz (tabla 2). En este senti-do, PolSARpro ofrece la más comple-ta documentación, ya que además de presentar documentos sobre la utiliza-ción de la interfaz y las funciones del programa, tiene disponible un material excelente sobre los fundamentos y el procesamiento matemático de la in-formación de radar tanto polarimétrica como interferométrica.

Respecto al criterio técnico sobre exis-tencia de versiones para distintas pla-taformas, todos los programas, que son precisamente software libre, tie-nen versiones para sistemas operativos diferentes de Windows, entre los que se encuentra Linux, Mac OS X y SUN Solaris (tabla 3).

En el criterio técnico sobre madurez de la versión, se encontró que los progra-mas disponibles evaluados son versiones bastante estables y robustas, si bien se encontraron problemas al ejecutar algu-nas funciones particularmente en RAT y MapReady (tabla 4). En el caso de estos dos programas, las interfaces se cierran de manera inesperada y/o se muestra un mensaje de error que no permite deter-minar la causa del problema. En el caso del software PolSARpro, en la versión 4.0 se detectan problemas en la ejecu-ción de la función para el aplanamiento del interferograma (Flat Earth Removal) y en la generación de estadísticas y del histograma, problemas que no ocurren

67


Software Multiplataforma Observaciones

NEST3C SíParaWindowstienedisponibleelejecutabledelinstala-dor.ParaplataformasLinuxestándisponibleslosbina-riosenJavaasícomoelcódigofuenteenJava.

PolSARpro4.0 Sí Están disponibles versiones para Windows (98, ME,2000,XP),LinuxyUnix-Solaris

RAT0.20 SíRATpuedeserejecutadobajoLinux,UNIXyMacOSX.Ademásestádisponible soporteexperimentalparaWindows

MapReady2.1 Sí Está disponible, además del código fuente, binariosparaWindowsyLinux(RPM).

BEST4.2.1 Sí BESTestádisponibleparaWindows,LinuxySUNSo-laris

Software Versiónmadura Observaciones

NEST3C SíEn las pruebas realizadas, la versión 3C de NEST semostróestable.Softwaredesarrolladopor laESA(Eu-ropeanSpaceAgency).

PolSARpro4.0 SíActualmenteseencuentraenlaversión4.0.Esunaver-siónestablesibienrespectoalaversión3.0sedetectanalgunosproblemas.SoftwaredesarrolladoporlaESA.

RAT0.20 No Actualmenteseencuentraen laversión0.20.Algunosmenúsarrojanerroralserejecutados.

MapReady2.1 NoActualmenteseencuentraenlaversión2.1.Alintentarvisualizaruna imagen,elprogramasecierrasinexpli-cación.

BEST4.2.1 Sí Software desarrollado por la ESA. La versión actual,4.2.1.,esbastanteestable.

Tabla 3.Resultados de la evaluación del criterio técnico multiplataforma.

Tabla 4.Resultados de la evaluación del criterio técnico sobre madurez de la versión.

en la versión 3.0. Por otra parte, un fac-tor importante en la decisión de selec-ción de un software es la fortaleza del equipo o institución que lo desarrolla. La Agencia Espacial Europea, ESA, financia y apoya el desarrollo de los programas NEST, PolSARpro y BEST, con lo cual se reduce el riesgo de que en algún mo-mento éstos vayan a ser abandonados o descontinuados. Algo similar ocurre con el software MapReady, desarrolla-do por la ASF (Alaska Satellite Facility), otra institución fuerte en lo relacionado con información de radar.

3.2. Criterios funcionales

En cuanto a los criterios funcionales, su evaluación permitió establecer un comparativo entre los programas dis-

ponibles al nivel de funcionalidad y de las capacidades de procesamiento que poseen. En primer lugar, la mayoría de los programas permiten importar datos de radar de distintos programas, tanto satelitales como aerotransportados (ta-bla 5). En este sentido, el único soft-ware que se podría considerar como un tanto limitado en este aspecto es BEST, el cual es una herramienta desarrollada para trabajar específicamente con da-tos SAR de ENVISAT y ERS.

Respecto a las capacidades de visuali-zación, se encontró que únicamente el programa BEST carece de herramientas para desplegar imágenes, si bien per-mite generar QuickLooks y convertir una imagen en formato TIFF o GeoTIFF al formato interno de BEST. En el soft-ware RAT no fue posible visualizar una


imagen DualPol de RADARSAT 2, y al desplegar una QuadPol, ésta se observa invertida de arriba abajo (tabla 6). Por otro lado, PolSARpro permite desplegar una imagen con cuatro paletas de co-lores diferentes y posee distintas herra-mientas de zoom. El principal problema en PolSARpro es el tiempo que toma para cargar la imagen, el cual puede ser bastante alto incluso para imáge-nes relativamente livianas en cuanto a espacio de almacenamiento en disco. El software NEST, por su parte, es po-siblemente el programa que posee las mejores herramientas de visualización, además de que logra cargar las imá-genes en un tiempo bastante rápido; asimismo, posee controles muy amiga-bles similares a los que se encuentran en la interfaz de Google Earth.

Respecto a las capacidades para realizar la georreferenciación, ortorrectificación

Software Importación de datos Observaciones

NEST3C SíPermiteimportarunagrancantidaddeformatos,comolos productos de RADARSAT, ALOS, ENVISAT, JERS,ERS,yTERRASAR-X,entreotros.

PolSARpro4.0 Sí

Permite importardatosdeSARsatelitales (ALOS/PAL-SAR, ENVISAT/ASAR, RADARSAT 2, TERRASAR-X ySIR-C) y aerotransportados (AIRSAR, CONVAIR/SAR-580,EMISAR,ESAR,PISARyRAMSES)

RAT0.20 Sí

Permiteimportardatosdelossistemasaerotransporta-dosE-SAR,EMISAR,PI-SAR,RAMSESyCONVAIRydelossistemassatelitalesENVISAT-ASAR,ALOS-PALSAR,TERRASAR-X,RADARSAT-2yASFSAR.

MapReady2.1 Sí Permite trabajar con datos en formato CEOS nivel 1,CEOSdeRSAT/ERS,ALOS,AirSARyASF,entreotros.

BEST4.2.1 No EsunaherramientadiseñadaparatrabajarúnicamentecondatosSARdeENVISATyERS.

y corregistro, casi todos los programas, a excepción de PolSARpro, permiten bien sea rectificar las imágenes o corregir las distorsiones del programa, o realizar re-muestreos y corregistro (tabla 7).

En cuanto a las herramientas para pre-procesamiento, la mayoría de los pro-gramas, a excepción de MapReady, tienen implementadas funciones para la aplicación de filtros de reducción de Speckle y correcciones radiométricas o análisis de componentes principales. Igualmente, en su mayoría los pro-gramas permiten generar estadísticas, histogramas, gráficos de dispersión y perfiles (tabla 8).

Dos características de los programas, muy importantes e igualmente críticas en la evaluación de éstos, son las capa-cidades para el procesamiento de datos de radar polarimétrico e interferomé-

Software Visualización Observaciones

NEST3C Sí Permitevisualizarlasimágenesdemanerarápida.Poseecontrolesbastanteamigablesydistintasherramientasdezoom.

PolSARpro4.0 Sí

PoseeelvisualizadorPolSARproViewer3.0,elcualpermiteseleccionarlaimagenpordesplegar,configurarloscoloresdevisualizaciónyutilizarlasdistintasopcionesdezoomylasherramientasparagirarlaimagen.El

despliegueinicialdeunaimagenesbastantelento.

RAT0.20 NoNoesposiblevisualizarunaimagenDualPoldeRADARSAT2.AlvisualizarunaimagenQuadPoldeRADARSAT2seobservainvertidadearriba

abajo.Tienelimitadasherramientasdezoom.

MapReady2.1 Sí Poseelaherramientaparavisualizarimágenes.

BEST4.2.1 No Notieneherramientasparavisualizarimágenes.


evaluación del criterio funcional

sobre importación de datos.


evaluación del criterio funcional

sobre visualización.

69


Software Preprocesamiento Observaciones

NEST3C Sí

PermitelaaplicacióndefiltradoSpeckleylaaplicacióndecorrec-cionesradiométricas,asícomounanálisisdecomponentesprinci-pales.Permitelageneracióndeestadísticas,histogramasygráficosde dispersión.

PolSARpro4.0 SíPermitelaaplicacióndevariosfiltrosparalareduccióndelefectoSpeckle.Ademáspermitegenerarestadísticas,histogramasyper-files.

RAT0.20 SíPermitelaaplicacióndevariosfiltrosparalareduccióndelefectoSpeckle,deteccióndebordesyanálisisde textura.Ademásper-mitegenerarestadísticas,histogramasyperfiles.

MapReady2.1 No NoposeeherramientasparaelpreprocesamientocomofiltradodeSpeckleogeneracióndeestadísticas.

BEST4.2.1 Sí Permiterealizarconversiónentreformatos,análisisdeestadísticasydecomponentesprincipales,yaplicacióndefiltradodeSpeckle.

Software Georreferenciación y ortorrectificación Observaciones

NEST3C Sí

Permiteel corregistro, la seleccióndeGCPsyel rem-uestreo.Permitecambiarlaproyección,realizarcorrec-cióndelterrenoylaconversión“SlantRangetoGroundRange”.

PolSARpro4.0 No Noposeeherramientasparageorreferenciary/oortor-rectificar.

RAT0.20 SíPoseeherramientasparahacercorregistrodeInSARySAR, ypermite realizar la conversión “SlantRange toGroundRange”.

MapReady2.1 SíSólo permite hacer correcciones del terreno, para locualserequiereunDEMygeocodificaraunaproyec-ción determinada.

BEST4.2.1 Sí Permite realizar corregistro, geocorrección y remues-treo

Tabla 7.Resultados de la evaluación del criterio funcional sobre georreferenciación, ortorrectificación y corregistro.

Tabla 8.Resultados de la evaluación del criterio funcional sobre preprocesamiento.

trico, así como de radar polarimétrico-interferométrico. En este sentido, por ejemplo, solamente PolSARpro, RAT y MapReady tienen herramientas para el procesamiento de SAR polarimétrico, siendo MapReady un poco más limitado al respecto, dado que sólo permite rea-lizar descomposiciones polarimétricas y corrección de la rotación de Faraday.

RAT y PolSARpro, en cambio, poseen herramientas para el análisis de la firma polarimétrica y la realización de des-composiciones, entre otras. Además, permiten realizar clasificaciones, inclu-so clasificación supervisada en el caso de PolSARpro, con el cual es posible se-leccionar las áreas de entrenamiento de manera gráfica (tabla 9).

Software Polarimetría Observaciones

NEST3C No Hasta la versión3Cnoposeeherramientasavanzadasparaelprocesa-mientodeSARpolarimétrico.

PolSARpro4.0 Sí

Poseeherramientasparaelanálisisdelafirmapolarimétrica,larealizacióndedescomposicionesysegmentaciónpolarimétrica,entreotras.PolSAR-pro básicamente es un software especializado en el procesamiento deradar polarimétrico.

RAT0.20 Sí Poseeherramientascomoaplicacióndefiltros,descomposicionesyclas-ificaciones,entreotras.

MapReady2.1 SíPermiterealizardescomposicionespolarimétricas(Pauli,Sinclair,Cloude-Pottier,Freeman-Durden,yentropía,anisotropía,alfa)ycorreccióndelarotacióndeFaraday.

BEST4.2.1 No Hastalaversión4.2.1.noposeeherramientasparaelprocesamientodeSARpolarimétrico.

Tabla 9.Resultados de la evaluación del criterio funcional sobre polarimetría.


En cuanto al procesamiento de SAR polarimétrico-interferométrico, de los programas evaluados, sólo PolSARpro y RAT permiten realizar esta labor. Me-diante estos programas es posible la generación de interferogramas, esti-mación de la coherencia, estimación de la altura y generación de modelos di-gitales de elevación, entre otras tareas (tabla 10).

De acuerdo con el análisis de los crite-rios evaluados, el software no comercial más apropiado por su nivel de desarro-

Software Interferometría Observaciones

NEST3C No Hastalaversión3CnoposeeherramientasparaelprocesamientodeSARinterferométrico.

PolSARpro4.0 SíPosee herramientas para la generación de interferogramas, esti-macióndelacoherenciayestimacióndelaaltura,entreotras.PermiteelprocesamientodeSARpolarimétricointerferométrico.

RAT0.20 SíPoseeherramientasparaprocesamientodePolInSARyPolDInSAR9 comogeneracióndelhistograma,estimacióndelacoherencia,clas-ificaciones,entreotras.

MapReady2.1 No Hastalaversión2.1.noposeeherramientasparaelprocesamientodeSARinterferométrico.

BEST4.2.1 No Hastalaversión4.2.1.noposeeherramientasparaelprocesamientodeSARinterferométrico.

4. Conclusiones

Como recomendaciones generales ob-tenidas a partir de la investigación, se concluyó que el software no comercial más apropiado para el procesamiento de datos e imágenes de radar polarimé-trico e interferométrico es PolSARpro, el cual se puede utilizar en compañía del software NEST, especialmente para la visualización de las imágenes. Igual-mente, se recomienda monitorear el desarrollo de nuevas versiones del soft-ware RAT, en las cuales es posible que se resuelvan los inconvenientes encon-trados en la versión actual, si bien su principal desventaja es la necesidad de correr bajo la plataforma IDL. Por otra parte, vale la pena mencionar la im-portancia del uso de herramientas de

Tabla 10.Resultados de la evaluación

del criterio funcional sobre interferometría.

llo es PolSARpro, el cual es un programa especializado tanto en el procesamien-to de datos de SAR polarimétrico como interferométrico y SAR polarimétrico-interferométrico. Dadas sus limitacio-nes en la visualización de las imágenes, se recomienda utilizar PolSARpro en conjunto con NEST, el cual –además de su potencia en el despliegue de imáge-nes– puede complementar las labores de corregistro, corrección del terreno y definición del sistema de proyección, que también son limitantes de PolSARpro.

9 PolInSAR:SARpolarimétricointerferométrico;PolDInSAR:SARpolarimétricointerferométricodiferencial.

software que sean de licencia libre y de código abierto, filosofía hacia donde se encaminan los desarrollos del CIAF y del IGAC. Dado que usualmente uno de los criterios que resulta crítico para la selección de un software determinado suele ser el costo de éste, investigar y evaluar los distintos programas libres o gratuitos disponibles, le ofrece la posi-bilidad al usuario o institución de contar con un mayor número de alternativas, además de la oportunidad del acceso al código de desarrollo del programa, lo que permite un mayor conocimiento de las técnicas empleadas para el procesa-miento de los datos de radar, así como la posibilidad de adaptar o realizar de-sarrollos propios con ese software.

71



ALASKA SATELLITE FACILITY (ASF). ASF MapReady User Manual. Version 2.1. Alaska Satellite Facility. 2008. 100 p.

ESA. BEST. Basic Envisat SAR Toolbox. User Manual. Version 4.0.5. ESA, 2006. 174 p.

IGAC. Documento de análisis y evaluación de sistemas de gestión documental. Bogotá: Instituto Geográfico Agustín Codazzi, IGAC, 2008a. 26 p.

IGAC. Documento de investigación sobre software CRM. Bogotá: Instituto Geográfico Agustín Codazzi (IGAC), 2008b. 20 p.

POTTIER, E. et ál. PolSARpro v2.0: The versatile Polarimetric and Interferometric SAR Data Proces-sing Toolbox. 2nd European Radar Conference. Paris, 2005. 4 p.

REIGBER, A. Tutorial “Working with RAT” V1.0. RAT (Radar Tools). 2007. 7 p.

Páginaswebconsultadas

Software NEST: http://www.array.ca/nest/tiki-index.php (consultada el 10 de mayo de 2009).

Software PolSARpro: http://earth.esa.int/polsarpro/ (consultada el 10 de mayo de 2009).

Software RAT: http://radartools.berlios.de/ (consultada el 10 de mayo de 2009).

Software MapReady: http://www.asf.alaska.edu/sardatacenter/softwaretools (consultada el 10 de mayo de 2009).

Software BEST: http://earth.esa.int/services/best/ (consultada el 10 de mayo de 2009).

5 Clasificación de los estados fenológicos del cultivo de arroz a partir deimágenesderadarsat-2medianteelprogramapolsarpro

73

Clasificación de los estados fenológicos del cultivo de arroz apartirdeimágenesderadarsat-2medianteelprogramapolsarpro

AbstractRecent advances in radar technology have enabled the capture of multi-polarization images from which it is possible to develop applications for the identifi-cation, monitoring and classification of crops in areas such as yield, vigor, determination of the area, the estimation of moisture content and characterization of the phenological state of vegetation.In the research reported in this paper, we developed a methodology for the classification of spatial units present in two polarimetric radar images from RA-DARSAT-2 satellite taken Saldaña Irrigation District in Tolima, to differentiate the phenological stages of rice cultivation.This process was performed using the super-vised classification of radar processing mo-dules available in the software PolSARpro developed by the European Space Agency (ESA). The methodology produced better results in the ima-ges of each date of assumption which were treated to diminish the Speckle effect as this significantly re-duced the presence of noise and it was possible to differentiate better the units classified.

Keywords:Rice, radar, phenology, PolSARPro, RADARSAT-2, classification.

ResumenLos avances recientes en la tecnología de radar han permitido la captura de imágenes de polarización múltiple a partir de las cuales es posible desarrollar aplicaciones para la identificación, el monitoreo y la clasificación de los cultivos, en aspectos como el ren-dimiento, la vigorosidad, la determinación del área, la estimación del contenido de humedad y la caracte-rización del estado fenológico de la vegetación. En esta investigación se desarrolló una metodología para realizar la clasificación de las unidades espacia-les presentes en dos imágenes de radar polarimétri-cas del satélite RADARSAT-2, tomadas en el Distrito de Riego Saldaña, Tolima, con el fin de diferenciar los estados fenológicos del cultivo de arroz. Para ello se realizó un proceso de clasificación supervisada me-diante los módulos de procesamiento de radar dis-ponibles en PolSARpro, un software desarrollado por la Agencia Espacial Europea, ESA. La metodología generó mejores resultados en las imágenes de cada fecha de toma en las cuales se aplicó el tratamiento para la reducción del efecto de Speckle, ya que se redujo de manera significativa la presencia de ruido y fue posible diferenciar visual-mente las unidades clasificadas.

Palabras clave:Arroz, radar, fenología, PolSARPro, RADARSAT-2, cla-sificación.

1 IngenieroForestal,M.Sc.Geomática.Correoelectrónico:[email protected] IngenieraForestal,M.Sc.Correoelectrónico:[email protected]

Clasificación de los estados fenológicos del cultivo dearrozapartirdeimágenesderadarsat-2mediante el programa PolsarproClassification of the growth stages of rice crops in radarsat-2

imaging through the program Polsarpro

Alí Marcel Santacruz Delgado1, Elena Posada2


Introducción

El avance en la tecnología de radar –es-pecialmente el desarrollo del radar de polarización múltiple– ha abierto nue-vos campos de aplicación gracias a la posibilidad de discriminar con mejor detalle las diferentes coberturas sobre la superficie terrestre. En el caso del sector de la agricultura, las imágenes de radar se utilizan en la actualidad tanto para la identificación como para el se-guimiento del crecimiento y la cuanti-ficación de las superficies destinadas a los diferentes cultivos.

Las imágenes tomadas por los sensores remotos de radar con diferente pola-rización pueden aportar información valiosa para la observación y la clasifica-ción de los cultivos, en aspectos como el rendimiento, la vigorosidad, la esti-mación del contenido de humedad y la caracterización del estado fenológico de la vegetación.

El propósito de la investigación que se reporta en este artículo consistió en de-sarrollar una metodología para realizar la clasificación de las unidades espacia-les presentes en dos imágenes de radar polarimétricas del satélite RADARSAT-2, tomadas en el Distrito de Riego Salda-ña, Tolima, con el fin de diferenciar los distintos estados del cultivo de arroz, mediante el uso del software PolSAR-Pro. Para ello se realizó un proceso de clasificación supervisada mediante los módulos de procesamiento de radar disponibles en el software PolSARpro (Pottier et ál. 2005), un software desa-rrollado por la Agencia Espacial Euro-pea, ESA, que ha sido diseñado como

herramienta educativa y de procesa-miento de datos de SAR polarimétrico provenientes de diferentes sensores, tanto aerotransportados como satelita-les, entre ellos RADARSAT-2.

Como objetivos específicos se plantea-ron, en primer lugar, evaluar las capa-cidades del software PolSARpro para la realización de la clasificación de los estados del cultivo del arroz a partir de dos imágenes de radar estudiadas y, en segundo lugar, comparar los resultados de la clasificación obtenidas en las imá-genes originales y en las imágenes tra-tadas para reducir el efecto de Speckle.

1. Marco teórico

En Colombia se ha venido utilizando desde hace algún tiempo imágenes to-madas con sensores de radar, montados tanto en plataformas aéreas como sa-telitales, para la realización de estudios con diferentes propósitos, así como para la generación de cartografía.

Entre las primeras experiencias desa-rrolladas se cuenta el Proyecto Radar-gramétrico del Amazonas realizado en Colombia en 1979, en el cual se llevó a cabo un estudio de los suelos emplean-do imágenes de radar (SLAR) tomadas a escala 1:400.000 en octubre y noviem-bre de 1973. Otro caso de estudio de suelos a partir de imágenes de radar fue el proyecto “Investigación integral del Andén Pacífico Colombiano”, reali-zado en 1992 por el IGAC en convenio con INGEOMINAS (Ibarra et ál., 1979),

75


en el cual se hizo uso de imágenes del radar INTERA.

Para este estudio se trabajó con imáge-nes tomadas en la banda X (3.2 cm de longitud de onda), con una resolución espacial de 6 metros y una resolución radiométrica de 8 bits. Las imágenes, adquiridas por el radar de apertura sin-tética STAR-1, cubrieron una extensión de 80.000 Km² y le permitieron al IGAC generar cartografía a escalas 1:100.000 y 1: 50.000.

En cuanto a la aplicación de imáge-nes de radar para la identificación y el monitoreo de cultivos, a nivel inter-nacional ya se ha publicado una gran cantidad de investigaciones. Por ejem-plo, en 1992 se reportó el uso de da-tos de radar con estos fines a partir de imágenes del satélite ERS-1, en la India (Panigrahy et ál., 1999).

En esa investigación se realizaron estu-dios para obtener la firma espectral del cultivo de arroz en las diferentes etapas de crecimiento, en las que se analiza-ron tres tipos diferentes de anegación (superficial, intermedia y profunda) del cultivo de arroz. De acuerdo con los re-sultados, todos los campos mostraron durante la primera etapa vegetativa un índice muy bajo de retrodispersión, gracias a lo cual se determinó que este índice es independiente del tipo de manejo cultural dado al arroz en esta etapa. En análisis posteriores se registró un aumento considerable en los valores de retrodispersión, con un punto máxi-mo alrededor de 60-80 días de vida del cultivo, lo que constituyó un aumento significativo en los valores de retrodis-persión hacia la madurez del cultivo.

Gracias a estos análisis se pudo deter-minar la firma típica de la cosecha de arroz, con lo cual se demostró el bene-ficio de utilizar imágenes multitempo-rales de radar para la identificación, la clasificación, el seguimiento y el moni-toreo en los cultivos de arroz con más de un 90% de precisión.

Posteriormente en 1995, con el lanza-miento de RADARSAT-1, se realizaron investigaciones en el marco del pro-yecto “RADARSAT para la evaluación de los datos de identificación y carac-terización de cultivos”, patrocinado por RADARSAT Internacional y el Centro Canadiense de Percepción Remota. Este proyecto fue enfocado principalmente a la investigación de la firma espectral y clasificación del arroz.

Los análisis arrojados demostraron que los cultivos de arroz mantienen su per-fil temporal singular de retrodispersión independientemente del ángulo de in-cidencia, obteniéndose más de un 90% de precisión en las clasificaciones reali-zadas (Brisco et ál., 1995).

En general, con la información aporta-da por los sensores de radar es posible estimar la productividad de las áreas agrícolas y definir las mejores técnicas para el uso adecuado de éstas. Ello po-dría permitir a futuro la aplicación de manejos en forma diferencial, de acuer-do con las condiciones de cada sitio de interés dentro del lote o unidad agríco-la, para el desarrollo de la agricultura de sitio específico y la agricultura de preci-sión (Liaghat & Balasundram, 2010).

El uso y el desarrollo de aplicaciones de las tecnologías satelitales de observa-ción de la Tierra –incluidas las tecnolo-gías de radar– constituyen herramientas muy útiles que pueden servir como apo-yo a empresas e instituciones del sector agropecuario del país para la toma de decisiones apropiadas económica y am-bientalmente para la producción de los cultivos.

En Colombia en la actualidad se inves-tiga sobre las diferentes aplicaciones de las imágenes provenientes de sensores de radar en cuanto a la identificación y al monitoreo de diferentes cultivos. El IGAC, gracias a la obtención de imá-genes de polarización múltiple del sa-télite RADARSAT-2, se encuentra en el proceso de desarrollar metodologías y


validar las imágenes tanto para el se-guimiento del cultivo del arroz como de vegetación de páramo y de bosques tropicales.

2.Materialesymétodos

En este trabajo se realizó el procesa-miento de dos imágenes de RADAR-SAT-2 tomadas en el Distrito de Riego Saldaña,Tolima, los días 26 de febrero y 22 de marzo de 2009. Cada una de las imágenes utilizadas es de polarización múltiple (QuadPol), que contienen la información de las polarizaciones HH, HV, VH y VV. Dado que el objetivo final de la investigación consistía en generar el mapa de estados fenológicos del cul-tivo del arroz, se llevó a cabo un pro-cedimiento de clasificación supervisada mediante los módulos disponibles en el software PolSARPro versión 4.03. En términos generales, el procesamiento de cada imagen se llevó a cabo en los siguientes pasos (figura 1):

2.1.Importacióndelasimágenesde RADARSAT-2 al software PolSARPro

Como primer paso, se importaron y convirtieron los datos binarios crudos polarimétricos del sensor RADARSAT-2 a datos binarios crudos compatibles con PolSARpro, mediante el menú RA-

DARSAT-2. Al activarse el menú Envi-ronment, éste se utiliza para desplegar el cuadro de diálogo donde se define el directorio principal de entrada, que corresponde a la carpeta donde está guardada la imagen de RADARSAT-2.

A continuación se importan los datos mediante el menú Import, con la op-ción Input data file. En este cuadro de diálogo se definen los parámetros que permiten importar la información: el directorio de entrada (definido previa-mente y no puede ser modificado des-de este cuadro de diálogo), el directorio de salida, el archivo del producto SAR, la tabla de color de salida (LUT, Look-Up Table) y los archivos de datos.

Luego de seleccionar el archivo del producto SAR, que corresponde al archivo ‘product.xml’, se lee el enca-bezado utilizando el botón ‘Read Hea-der’, con lo cual se activan las casillas para definir los archivos con los datos de entrada (s11, s12, s21, s22), que corresponden a las imágenes (en for-mato TIF) con polarización HH, HV, VH y VV, respectivamente.

2.2. Extracción de la información de la imagen

Una vez definido el ambiente de tra-bajo en la importación, se realiza el proceso de extracción de la informa-ción del SAR polarimétrico, haciendo

Figura 1.Diagrama de flujo del procesamiento de las imágenes de radar desarrollado

para la clasificación de estados

fenológicos del cultivo de arroz en esta investigación.

Fuente:elaboraciónpropia.

77


uso del módulo Extract de PolSARPro, el cual ofrece la posibilidad de extraer toda la resolución o una subárea. Dado que el propósito de esta investigación consistía en realizar la clasificación de las imágenes en toda su extensión, se llevó a cabo entonces la extracción para toda la resolución. Para ello, en el menú Import se seleccionó la opción Extract – Full Resolution.

En el cuadro de diálogo que se abre se incluye la información del directorio de entrada, el directorio de salida, la ex-tensión de la extracción (al definir filas y columnas iniciales y finales, se toma por defecto), y el tipo de extracción (Full Resolution, en este caso).

2.3. Visualización de la imagen en una composición Pauli en RGB

Al realizar la extracción se genera un archivo de imagen, llamado ‘PauliRBG.bmp’ dentro de una carpeta generada denominada T3, el cual puede ser ob-servado utilizando las diferentes herra-mientas de visualización de PolSARpro.

Estos módulos se pueden iniciar hacien-do clic en el menú Display o utilizando el ícono PSP Viewer3.0 o el ícono Dis-play. El módulo PolSARpro Viewer 3.0 permite seleccionar la imagen por des-plegar, configurar los colores de visua-lización y utilizar las distintas opciones de zoom y las herramientas para girar la imagen. En el caso específico de las imágenes con las cuales se trabajó en esta investigación, la imagen tomada el 26 de febrero tiene una extensión de 5938 filas y 3572 columnas, mientras que la imagen tomada el 22 de marzo tiene 5937 filas y 3572 columnas.

2.4. Aplicación de un filtro para la reducción del efecto Speckle

Como es típico en las imágenes que se obtienen de sensores coherentes como el sistema SAR (o el láser), se presenta un ruido multiplicativo espacialmente aleatorio debido a la superposición co-herente de múltiples fuentes de retro-dispersión dentro de un elemento de resolución SAR, el cual se conoce como efecto Speckle. La presencia del ruido Speckle, que corresponde a una fluc-tuación estadística asociada con la re-flectividad de radar (brillo) de cada pixel en la imagen de la escena, fue notoria en ambas imágenes estudiadas.

Para reducir este efecto se han propues-to distintos filtros, entre los cuales en la versión 4.03 de PolSARpro están dispo-nibles los filtros BoxCar, C. López, Gaus-siano, IDAN, filtro refinado de J.S. Lee, filtro Sigma de J.S. Lee, filtro P.W.F. y un filtro detector de bordes. En esta inves-tigación, para la imagen tomada el 26 de febrero se aplicó el filtro BoxCar, en tanto que para la imagen tomada el 22 de marzo se aplicó el filtro Gaussiano. Lo anterior se realizó con el fin de evaluar de manera preliminar el efecto generado por la aplicación de diferentes filtros a imágenes polarimétricas de radar.

2.5. Definición de los estados fenológicos del cultivo de arroz por clasificar

Para la definición de los estados del cultivo de arroz, se establecieron cinco clases, con base en un estudio previo en el que se generó una librería de patro-nes pictórico-morfológicos de diferen-tes estados de desarrollo y actividad del arroz, a partir de las imágenes de radar del satélite RADARSAT-2. Las clases de-finidas correspondieron a:

• Estado1:Terrenoensoca

• Estado2: Terrenopreparado antesde siembra


• Estado3:Cultivoconaproximada-mente 25 días de sembrado

• Estado4:Cultivoconaproximada-mente 49-50 días de sembrado

• Estado5: Cultivo con aproximada-mente más de 75 días de sembra-do.

2.6. Clasificación de los estados fenológicos del arroz en las imágenesderadarsintratary tratadas para reducir el efecto Speckle

En cuanto a procedimientos de clasifi-cación e identificación de patrones en imágenes de radar, se han propuesto e implementado procesos tanto super-visados como no supervisados. Entre los procesos supervisados, disponibles en la versión 4.03 de PolSARPro, se en-cuentran la clasificación supervisada de Wishart y la clasificación jerárquica basada en reglas. Entre los procesos no supervisados se encuentran la cla-sificación H/A/Alpha, y la clasificación Wishart-H/A/Alpha (y H/A/Alpha1).

Para esta investigación se aplicó la cla-sificación supervisada de Wishart. En el esquema de clasificación supervisada de Wishart se realiza una clasificación estadística por máxima verosimilitud de un conjunto de datos polarimétricos con base en una función de densidad de probabilidad compleja multivariada de Wishart de representaciones de ma-triz de segundo orden.

En el primer paso, el clasificador “apren-de” el estadístico de Wishart a partir de áreas de entrenamiento definidas por el usuario. El conjunto de datos posterior-mente es clasificado asignando cada pixel de la clase más cercana usando una regla de decisión por máxima vero-similitud. Para la selección de las áreas de entrenamiento se utilizó el editor gráfico disponible en PolSARPro, con

el cual se definieron varios polígonos que representaron áreas típicas de las coberturas en cada una de las clases de estados del cultivo de arroz categoriza-dos. Con las áreas de entrenamiento se llevó a cabo entonces el proceso de en-trenamiento, el cual genera los centros de los clústeres de entrenamiento, lo que permite finalmente llevar a cabo la clasificación. Para la clasificación de los estados fenológicos del arroz se utilizó el método de clasificación supervisada de Wishart.

Para realizar una clasificación supervisa-da por este método, se debe ir al menú Process, Polarimetric Segmentation y Wishart Supervised Classification, lo cual despliega el correspondiente cuadro de diálogo. Para el caso de las imágenes tratadas, las áreas de entrenamiento para las cinco clases en las cuales se de-seó categorizar la imagen se definieron mediante el editor gráfico.

Una vez seleccionadas las áreas semilla, se corrió el proceso de entrenamiento, lo cual genera los clústeres de los cen-tros de entrenamiento, y posteriormen-te se ejecutó la clasificación.

3. Resultados

A partir de la librería de patrones pic-tórico-morfológicos de diferentes esta-dos de desarrollo y actividad del arroz generada con base en las imágenes de radar del satélite RADARSAT-2, se rea-lizó el reconocimiento de las unidades espaciales en las imágenes. Las clases definidas se presentan en la Tabla 1 con su correspondiente patrón, tal como se visualiza en el software PolSARPro.

A continuación se describen los resul-tados obtenidos en el procesamiento de las imágenes de RADARSAT-2 to-madas los días 26 de febrero y el 22 de marzo de 2009, mediante el software PolSARPro.

79


3.1. Resultados del procesamiento de la imagen tomada el 26 de febrero de 2009

Clasificación de los estados fenológicos del arroz en la imagen original

A partir de las áreas de entrenamiento creadas mediante el editor gráfico, el programa PolSARPro genera una ima-gen que muestra, con un color para cada clase, las diferentes áreas selec-cionadas para cada una de éstas. Pol-SARpro también genera un archivo de imagen BMP que contiene solamente las áreas de entrenamiento clasificadas.

Finalmente, al realizar la clasificación, el programa genera un archivo binario

Estado DescripciónVisualizacióndelpatrónenPolSARPro

Imagendel26defebrerode2009 Imagendel22demarzode2009

Estado 1 Terrenoensoca.Seobservaentonosazulesmuyclaroscasiblancos

Estado 2Terrenopreparadoantesdesiembra.Seobservaentonosazulmuyoscuros,

casi negros

Estado 3Cultivoconaproximadamente25díasdesembrado.Seobservaentonosde

azulintermedio

Estado 4Cultivoconaproximadamente49-50díasdesembrado.Seobservaen

tonosrojosintermediosamuyfuertes

Estado 5

Cultivoconaproximadamentemásde75díasdesembrado.Seobservaentonosverdesmezcladosconazul

yrojo

y una imagen BMP que contienen los resultados del proceso (figura 2). En el resultado final obtenido de la clasifica-ción (figura 2), las áreas seleccionadas para el estado 1 aparecen en color rojo, las del estado 2 en color verde, las del estado 3 en color azul, las del estado 4 en color amarillo, y las del estado 5 en color naranja. Tal como se observa en el resultado es notoria la cantidad de ruido debido al efecto Speckle.

Tabla 1.Descripción y patrones en cada uno de los estados fenológicos de arroz definidos para esta investigación para las dos imágenes de radar analizadas.


Figura 2.Zoom realizado a la imagen resultante de la clasificación.



Filtrado de Speckle

En el caso del procesamiento de la ima-gen tomada el 22 de febrero, al apli-car el filtro BoxCar, con un tamaño de ventana de 7x7, se logró reducir de manera importante el efecto Speckle. En la figura 3 se muestra un área de la imagen resultante de la aplicación del filtro BoxCar, la cual fue generada para la matriz T11, con formato Float (datos reales de 4 bytes), modo de representa-ción módulo de datos reales/complejos (escala db, 10*log10(Modulus)), mapa de color JET (azul a rojo).

das en la interfaz para la ejecución de la clasificación de Wishart).

Al correr el proceso de entrenamiento para generar los clústeres de los centros de entrenamiento, y ejecutar la clasifi-cación, las áreas seleccionadas para el estado 1 resultantes aparecieron en la imagen en color rojo, las del estado 2 en color verde, las del estado 3 en color azul, las del estado 4 en color amarillo, y las del estado 5 en color naranja (figura 4).

En la figura 4 se puede observar con claridad que la clasificación mejora notablemente en esta imagen filtrada respecto a la clasificación obtenida en la imagen sin tratar, reduciendo osten-siblemente el ruido derivado del efecto Speckle.

3.2. Resultados del procesamiento de la imagen tomada el 22 de marzo de 2009

Clasificación de los estados fenológicos del arroz en la imagen original

Para la clasificación de los estados feno-lógicos del arroz en esta imagen, tam-bién se utilizó el método de clasificación supervisada de Wishart. Tal como se mencionó, para la clasificación de esta imagen también se utilizaron las clases estado 1 (terreno en soca), estado 2 (terreno preparado antes de siembra), estado 3 (cultivo con aproximadamente 25 días de sembrado), estado 4 (culti-vo con aproximadamente 49-50 días de sembrado) y estado 5 (cultivo con aproximadamente más de 75 días de sembrado).

Una vez seleccionadas las áreas semilla y realizado el proceso de entrenamien-to, se procedió a ejecutar la clasifica-ción. En la figura 5 se puede observar el resultado obtenido al realizar la cla-sificación supervisada de Wishart en la

Figura 3.Detalle de la

imagen filtrada generada para la

matriz T11.

Fuente:Elaboraciónpropia.


Clasificación de los estados fenológicos del arroz en la imagen con reducción de efecto Speckle

Para realizar la clasificación supervisada con el método de Wishart en la ima-gen a la cual se le aplicó el filtro BoxCar para la reducción del efecto Speckle, se utilizaron las mismas áreas de entrena-miento empleadas para la clasificación de la imagen original, las cuales fueron guardadas en un archivo de texto (és-tas pueden ser recuperadas y reutiliza-

Figura 4.Zoom al resultado de la clasificación supervisada sobre la imagen a la que se redujo el efecto

Speckle mediante la aplicación del filtro

BoxCar.

81


imagen de RADARSAT-2 tomada el 22 de marzo de 2009. Las áreas seleccio-nadas para el estado 1 aparecen en co-lor rojo, las del estado 2 en color verde, las del estado 3 en color azul, las del estado 4 en color amarillo, y las del es-tado 5 en color naranja.

En la imagen clasificada obtenida se observa claramente el fuerte efecto del ruido Speckle.

Filtrado de Speckle

Mediante la aplicación del filtro Gaus-siano, con un tamaño de ventana de 7x7, se obtuvo una reducción notable del efecto de Speckle en la imagen de RADARSAT-2 tomada el 22 de marzo de 2009.

Clasificación de los estados fenológicos del arroz en la imagen con reducción de efecto Speckle

Utilizando las áreas de entrenamiento empleadas para la clasificación de la imagen original, se realizó la clasifica-ción supervisada con el método de Wis-hart para la imagen a la cual se le aplicó el filtro Gaussiano para la reducción del efecto Speckle. Al correr el proceso de entrenamiento, para generar los clús-teres de los centros de entrenamiento, y ejecutar la clasificación, en la imagen resultante se obtuvieron las áreas selec-cionadas para el estado 1 que aparecen en color rojo, las del estado 2 en color verde, las del estado 3 en color azul, las del estado 4 en color amarillo, y las del estado 5 en color naranja (figura 6).

La clasificación supervisada obtenida en la imagen a la que se aplicó el fil-tro Gaussiano es bastante mejor que la clasificación obtenida en la imagen sin tratar, gracias a la reducción del efecto Speckle.



Figura 5.Detalle de una zona de la imagen resultante de la clasificación.

Figura 6.Resultado de la clasificación de la imagen filtrada a partir de las áreas de entrenamiento seleccionadas.

Conclusiones y recomendaciones

La metodología empleada para la cla-sificación de las imágenes de RADAR-SAT-2 de la región del Distrito de Riego Saldaña, permitió la categorización de las áreas en cinco clases correspondien-tes a cinco estados de cultivo del arroz, o cinco estados fenológicos. Esta me-todología generó mejores resultados en las imágenes de cada fecha de toma en las cuales se aplicó el tratamiento para la reducción del efecto de Spec-kle. Visualmente se pudo detectar que se redujo la presencia de ruido, lo cual permitió diferenciar mejor las unidades clasificadas.

Respecto al software empleado –versión 4.03 de PolSARPro– éste permitió al-canzar los objetivos propuestos, gracias a que contiene las herramientas nece-sarias para llevar a cabo la clasificación supervisada, así como la visualización y el mejoramiento de las imágenes.

En futuros pasos de esta investigación es necesario un análisis detallado de los resultados que se producen al aplicar los filtros para la reducción del efecto Speckle. Dado que existen varios filtros disponibles, es importante evaluar y va-lidar con detenimiento cuál es el filtro más apropiado para determinada ima-gen. Igualmente, se requiere que en esta metodología se integren los proce-sos de georreferenciación y rectificación de la imagen, así como la aplicación de la transformación del rango inclina-


do al rango del terreno, con el fin de reducir las distorsiones generadas por el relieve, las cuales son importantes en las imágenes tomadas por sensores de radar, especialmente en zonas cuyo relieve no es plano. Además, se deben investigar o implementar métodos para

la exportación de los productos clasifi-cados desde PolSARPro hacia sistemas de información geográfica o de proce-samiento de imágenes con el fin de ge-nerar productos cartográficos y realizar análisis espaciales y cuantificación de las áreas.


BRISCO, B. et ál. Potential Rice Identification and Monitoring with RADARSAT. Proceedings of the 17th Canadian Symposium on Remote Sensing, Vol. 2. pp. 474-479. 1995.

IBARRA, C. et ál. Proyecto Radargramétrico del Amazonas, PRORADAM. Instituto Geográfico Agustín Codazzi, Bogotá. 1979.

LIAGHAT, S., BALASUNDRAM, S. A review: the role of remote sensing in precision agriculture. En: American Journal of Agricultural and Biological Sciences 5 (1): 50-55. 2010.

PANIGRAHY, S., CHAKRABORTY, M., PARIHAR, J. Radar Remote Sensing for Inventory and Moni-toring of Rice Crop - Indian Experience of 1990’s. Proceedings of the Asian Con-ference on Remote Sensing 1999. 1999. http://www.gisdevelopment.net/aars/acrs/1999/radarsat/agriculture/agri005.asp

POTTIER, E. et ál. PolSARpro v2.0: The versatile Polarimetric and Interferometric SAR Data Proces-sing Toolbox. 2nd European Radar Conference 2005, Paris. 2005.

6 Comparación de metodologías para la clasificación de coberturas de la Tierra

85

Comparación de metodologías para la clasificación de coberturas de la tierra

AbstractThis article presents the results obtained by the com-parison between two methods for obtaining land co-ver information from SPOT 5 satellite images at the area of the Guarinó river: screen visual interpretation and digital image processing. The objective was to confront the results of different processing for ras-ter data against the screen visual interpretation to compare the number of thematic classes that can be identified, speed of information generating and the thematic accuracy as result of each process. The visual interpretation was performed by photo inter-preters with more than 20 years of experience in this field, using the methodology of Corine Land Cover with software ArcGis 9.1. For digital image proces-sing different types of software were used, applying different algorithms on each. The digital classification processes were: unsupervised and supervised clas-sification using artificial neural network algorithms implemented by the software: IDRISI Andes, demo version.Processes made possible quantitative evidence about which process is more efficient in time and resources, which the most accurate, thematically talking, and which identifies more thematic classes for the same area.

Keywords Land cover map, Corine, artificial neural networks, digital image processing, visual interpretation, digital classification.

ResumenEste artículo expone los resultados obtenidos al rea-lizar la comparación de dos metodologías de obten-ción de información de cobertura de la tierra partir de imágenes del satélite Spot 5 en la zona del río Gua-rinó, a saber: la interpretación visual por pantalla y el procesamiento digital de imágenes. El objetivo era confrontar los resultados de diferentes herramientas de software de procesamiento de datos Raster con la interpretación visual en pantalla para comparar la cantidad de clases temáticas que es posibles identi-ficar, la velocidad en la generación de información y la exactitud temática resultado de cada proceso. Los procedimientos de interpretación visual en pantalla los realizó un fotointérprete con más de 20 años de experiencia en este campo, utilizando la metodolo-gía de Corine Land Cover sobre el software licenciado ArcGis 9.1. Para los resultados obtenidos mediante el procesamiento digital de imágenes se recurrió a la utilización de diferentes tipos de software, aplicando en cada uno diferentes algoritmos. Los procesos de clasificación digital fueron los siguientes: clasificación no supervisada y supervisada mediante algoritmos de redes neuronales artificiales implementados en el software en versión demostración, IDRISI Andes.Los procesos realizados permiten evidenciar cuanti-tativamente cuál de ellos es más eficiente en tiempo y recursos, cuál el más exacto temáticamente y cuál el que más clases temáticas permite identificar para la misma área.

Palabras claveMapa de cobertura de la Tierra, Corine, redes neuro-nales artificiales, procesamiento digital de imágenes, interpretación visual, clasificación digital.

1 Ingenieroforestal,candidatoaMscenGeografía.GrupodePercepciónRemotayAplicacionesGeográficas,CIAF–IGAC.Correoelec-trónico:[email protected]

2 Ingenieraforestal,MscenCienciasForestales,Msc.RemotingSensing.GrupodePercepciónRemotayAplicacionesGeográficas,CIAF–IGAC.Correoelectrónico:[email protected]

3 IngenieroCatastralyGeodesta,EspecialistaenSIG.DocenteUniversidaddeManizales.Correoelectrónico:[email protected]

Comparación de metodologías para la clasificación de coberturas de la TierraComparison of methodologies for land cover classification

Héctor Mauricio Ramírez Daza1, Elena Posada2, Samuel Mesa3


1.Introducción

Los sensores remotos proveen informa-ción de la superficie de la Tierra a dife-rentes áreas del saber que trabajan en procesos de gestión ambiental. A partir de las imágenes de sensores remotos se pueden generar diferentes tipos de ma-pas, como los de cobertura y uso de la Tierra. Este tipo de mapas se elaboran generalmente por métodos de interpre-tación visual a partir de fotografías aé-reas o imágenes satelitales, claro está, con apoyo de información auxiliar y reconocimiento en campo (Chuvieco, 2002).

Para estudios extensos y multitempo-rales, esta interpretación visual puede implicar grandes costos y tiempo, por lo que puede implementarse una in-terpretación asistida por computador, que facilita la obtención de las cobertu-ras con un nivel de exactitud temática aceptable (Chuvieco, 2002). La infor-mación de cobertura y uso terrestre es útil en muchos campos que implican actividades ambientales, como planea-ción, monitoreo y ordenamiento del territorio.

En Colombia, para la obtención de in-formación de cobertura de la tierra se recurre a procesos de interpretación visual en la mayoría de los casos, ejem-plo de ello es el Mapa de Cobertura de la Tierra para la Cuenca Magdalena Cauca escala 1.100.000 (Ideam, IGAC, Cormagdalena, 2008), el Mapa de la

Cobertura de la tierra para el Departa-mento de Antioquia a escala 1:25.000 (IGAC, 2008), o en la actualidad el Mapa de Cobertura de la Tierra para el Departamento del Quindío, a escala 1:10.000.

En los anteriores proyectos se utilizaron imágenes de diferentes sensores remo-tos, como: Landsat 7, Spot 5 y Ultracam D respectivamente, sin embargo, todas estas imágenes tienen algo en común: espectralmente todas poseen bandas de infrarrojo. Esta característica admite considerar una combinación de bandas RGB que genere los contrastantes ne-cesarios para la utilización de un clasi-ficador digital. Este tipo de procesos de clasificación digital se utilizan en el país en diferentes escalas; por ejemplo, para la generación de las capas de cobertura de la tierra para el Mapa de Ecosiste-mas Continentales, Costeros y Marinos de Colombia a escala 1:500.000 se utilizaron clasificadores de este tipo. Igualmente, en el proyecto Sistema de Información de Cultivos Ilícitos en Co-lombia (Sinci) se realizan procesos de clasificación digital para generar infor-mación cartográfica4.

Pero ¿qué tan acertada es la exactitud de un proceso digital versus un proce-so de interpretación visual en pantalla? ¿Cuál proceso requiere de menor tiem-po con más aceptable grado de exac-titud? ¿Es posible identificar la misma cantidad de clases temáticas en cada proceso?

4 MetodologíaProyectoSimci,consultadoenlíneaenhttp://www.biesimci.org/SIMCI/metodologia.html

87


Estas inquietudes fueron las que moti-varon el desarrollo de este proceso de investigación, en el que se pretende comparar dos metodologías de extrac-ción de información temática de co-bertura de la tierra, una de ellas fiel a la metodología de Corine Land Cover, en la que se realiza un proceso de in-terpretación visual en pantalla; la otra metodología se concentra en generar la información temática a partir de pro-cesos digitales, recurriendo para ello a diferentes procesos de clasificación digital con software especializado, uti-lizando en cada caso un algoritmo de clasificación diferente.

La utilización de clasificadores digitales implementados por las herramientas de software nos permiten acelerar pro-cesos de generación de información, pero en algunos casos estos software son costosos y se debe disponer de una buena suma de dinero para acceder a ellos. Teniendo en cuenta lo anterior, también se procedió en este trabajo a analizar algunas herramientas de clasi-ficación digital gratuitas y otras en cali-dad de licencias demostrativas.

2.Área de estudio

El área de estudio se localiza en la cuenca media a baja del Río Guarinó, específicamente en la zona donde Isa-gen viene realizando el proyecto de trasvase del río Guarinó al río La Miel, y de allí aguas abajo hasta la desemboca-dura en el río Magdalena, entre las co-ordenadas geográficas con longitudes 74°58’24.56’’ Oeste a 74°43’58.62” Oeste y latitudes 05°16’21.20” Norte a 05°21’48.36” Norte.

Esta zona abarca los municipios de La Dorada, Victoria, Marquetalia y Maru-landa en el departamento de Caldas y los municipios de Mariquita y Honda en el departamento de Tolima.

Figura 1. Localización del área de estudio.

Fuente:imágenesdeArcGlobeV9.3.


3.Materiales

3.1 Datos utilizados

Para realizar la clasificación temática, se utilizó la leyenda de cobertura de la tierra de Corine Land Cover, adaptada para Colombia a escalas 1:25.000, di-señada por la Subdirección de Agrolo-gía del IGAC (tabla 1).

LeyendadeclasificaciónutilizadaparalacuencadelríoGuarinó,Escala1:25000

CódigoNivel3 Clase

1.1.1 Tejidourbanocontinuo.

1.2.2 Redesviarias,ferroviariasyterrenosasociados.

1.2.5 Obrashidráulicas.

1.3.1.4 Zonasdeextracciónminera.Explotacióndematerialesdeconstrucción.

1.4.3 Fincasderecreo–parcelaciones.

2.1.1 Otroscultivosanualesotransitorios.

2.2.1 Otroscultivospermanentes.

2.2.3 Caña panelera.

2.2.4 Plátanoybanano.

2.2.5 Café.

2.2.8 Frutales.

2.3.1 Pastoslimpios.

2.3.2 Pastosarbolados.

2.3.3 Pastosenmalezadosoenrastrojados.

2.4.1 Mosaicodecultivos.

2.4.2 Mosaicodepastosycultivos.

2.4.3 Mosaicodecultivospastosyespaciosnaturales.

2.4.4 Mosaicosdepastosyespaciosnaturales.

3.1.1 Bosquenaturaldenso.

3.1.2.1 Bosquenaturalfragmentado.Conarbustosymatorrales.

3.1.2.2 Bosquenaturalfragmentado.Conpastosycultivos.

3.1.3 Bosquedegaleríaoripario.

3.1.5.1 Bosqueplantado.Coníferas.

3.1.5.2 Bosqueplantado.Latifoliadas.

3.2.1.1 Pastosnaturalesysabanasherbáceas.Pastosnaturales.

3.2.2 Arbustosymatorrales.

3.2.4 Vegetacióndepáramoysubpáramo.

3.3.1 Playasarenalesydunas.

3.3.2 Afloramientosrocosos.

3.3.3 Tierrasdesnudasodegradadas.

3.3.4 Zonasdequemas.

5.1.1 Ríos(sisonmayoresa50metrosdeancho).

5.1.2 Lagunas,lagosyciénagas.

5.1.4 Embalsesycuerposdeaguaartificiales.

Esta leyenda fue una adaptación para el departamento de Antioquia de la origi-nalmente desarrollada para el proyecto “Adaptación de la Metodología Corine Land Cover para la cuenca Magdalena–Cauca” a escala 1:100.000 desarrollada por el IDEAM – IGAC y Cormagdalena, apoyados por la ONF Andina durante el año 2007.

Tabla 1Leyenda Corine

Land Cover (Adaptada por la Subdirección de

Agrología del IGAC, 2009).

Fuente:SubdireccióndeAgrología,2009.

89


Como fuente de información se utili-zó la imagen Spot 5 de la zona del río Guarinó identificada como 644-339 en proyección Transversa de Mercator, con el elipsoide GRS 80 y Datum Mag-na–Sirgas, adquirida el 11 de julio del 2005, ver tabla 2.

De la escena completa de la imagen se recortó un área o subescena correspon-diente a la cuenca media y baja del río Guarinó de dimensiones en pixeles de 1.654 filas x 4.439 columnas.

Originalmente la imagen utilizada se encontraba en coordenadas geográfi-cas utilizando el Datum WGS 84. Para ser consecuentes con el Datum oficial de la nación en la actualidad, se le rea-lizó la transformación geodésica corres-pondiente, ubicándola en coordenadas geográficas con Datum Magna–Sirgas (Marco Geocéntrico Nacional de Refe-rencia).

La imagen poseía una resolución espa-cial de 10 y 20 metros para las bandas multiespectrales, con el fin de mejorar las posibilidades de su interpretación se le aplicó un proceso de sinergismo o fusión con la banda pancromática de la misma escena, aumentando su deta-lle espacial a 6 m; vale la pena resaltar que, una vez finalizado este proceso, la resolución espectral de la imagen mul-tiespectral se conserva.

Para el presente trabajo se recurrió al algoritmo de la transformada de Wave-let con el software ENVI 4.5, siguien-do las recomendaciones de Medina y Lizarazo (2004), quienes reportan que esta transformada permite conservar

Resoluciónespectral

Resoluciónespacial (m)

Longitudde onda (nm)

Resoluciónradiométrica

Resolucióntemporal

Pancromática 6 0,48-0,71

8bits 26días

Banda1 Verde

10

0,50 -0,59

Banda2 Rojo 0,61-0,68

Banda3 Infrarrojocercano 0,78-0,89

Banda4 Infrarrojomedio 20 1,58-1,75

la resolución espectral con una mayor ganancia de detalle espacial que otros algoritmos, como la transformada de Brovey, el análisis de componentes prin-cipales o métodos IHS. En la figura 2 se aprecia el menú del software ENVI 4.5, con el que se realizó el procedimiento.

En la figura 3 se aprecia que la respues-ta espectral a través de la imagen varía. Debido a que en el área de trabajo hay presencia de nubes con su respectiva sombra, lo anterior hizo necesario se-parar en tres regiones la imagen fusio-nada para los procesos de clasificación

Tabla 2. Características de la imagen Spot 5 644-339 utilizada en el proceso.


Figura 2Ventana de trabajo de ENVI 4.5 para el proceso de fusión de imágenes.

Figura 3Imagen SPOT 5 644-339 recortada para el área de la cuenca media y baja del río Guarinó.



3.2 Software utilizado

Para el desarrollo de este proyecto, se utilizaron los software que se aprecian en la Tabla 3.

4.Métodos

4.1 Interpretación visual por pantalla

Este proceso se realizó para generar el mapa de cobertura de la tierra apli-cando la metodología Corine Land Co-ver, adaptada para Colombia a escala 1:25.000. Para el proceso de interpre-tación visual no fue necesario separar la imagen en las tres regiones, como se mencionó anteriormente, toda vez que la capacidad de análisis del intérprete no depende únicamente del valor del pixel, ya que él recurre a otros elemen-tos adicionales como los patrones pic-tóricos morfológicos (Chuvieco, 2002).

El sistema de clasificación Corine Land Cover, desarrollado en Europa, consis-te en una metodología específica para realizar el inventario de la cobertura de la tierra. La base de datos de la cober-tura de la tierra constituye un soporte a la toma de decisiones en políticas re-lacionadas con el medio ambiente y el ordenamiento territorial, pues permite describir, caracterizar, clasificar y com-parar las características de la cobertu-ra de la tierra, interpretadas a partir de

Figura 5.Resultados

del corte de la imagen 644-339 de acuerdo con cada una de las

regiones: a) área de nubes, b) área de sombras y c) área

libre de nubes y sombra.


Nombredelsoftware Versión Utilidadenelproceso Tipodelicencia

Envi 4.5 Fusióndeimágenes. Demostración.

Erdas 9.1 Recortedelaimagenporeláreadelacuencaylasregionesconnubesysombras.

Licencia de pago del IGAC.

ArcGis 9.3 Creacióndegeodatabase,InterpretaciónVisualporpantalla,salidasgráficas.

LicenciaArcinfodepagodelIGAC.

IDRISI ANDES15ObtencióndeimágenesconNDVIeimágenesdetextura,clasificaciónnosupervisada,clasificaciónsupervisadaconredesneuronales(SOMyBP).

Demostración.

Mapcom-parisonKit 3 EvaluacióndelaexactitudtemáticadecapasRaster. Libre.

Tabla 3.Software utilizado en este proyecto.


a.b.

c.

Figura 4.Imagen SPOT

5 644-339 con las regiones

demarcadas de acuerdo con

la presencia o ausencia de nubes

y sombras.

digital, a saber: área de nubes, área de sombras y área a plena exposición solar. El lector comprenderá que la respues-ta espectral para cada cobertura no es igual si se encuentra cubierta por una nube, por una sombra o, por el con-trario, sí se encuentra a plena exposi-ción solar.

La figura 4 ejemplifica la imagen Spot 5 con su regionalización de acuerdo con lo mencionado anteriormente, y en la figura 5 se aprecia el resultado de cada zona después de realizar el respectivo corte.

91


la utilización de imágenes de satélite (IDEAM, IGAC, Cormagdalena, 2008).

La metodología CORINE consiste en la interpretación visual sobre pantalla del computador de los datos numéricos transmitidos por los satélites de Obser-vación de la tierra. En esta metodología se distinguen las siguientes fases, que fueron adaptadas para esta investiga-ción en particular:

• Trabajospreliminares:comprendeelconjunto de operaciones previas al proceso de obtención de imágenes en falso color: elección de la imáge-nes digitales de satélite; colección, síntesis y distribución de la docu-mentación exógena.

• Obtencióndeimágenesenfalsocolor:a escala 1:100.000 originalmente5.

• Interpretación asistida por compu-tador: consiste en la delimitación e identificación de las unidades de ocupación del suelo, asignándo-les el código correspondiente de acuerdo con las definiciones de la leyenda. Las unidades más peque-ñas incluidas son de 25 ha. Los da-tos auxiliares (mapas, fotos aéreas, estadísticas) son esenciales para ayudar a la identificación. La base de datos resultante de este proceso es una base de datos espacial, con topología de polígono.

• Validación de la base de datos: elproceso de validación consiste en la comparación de la información de la base de datos con la otra informa-ción obtenida de datos no usados previamente (trabajo de campo, fo-tos aéreas). Es una operación esta-dística, normalmente de muestreo. Se establece una matriz de confu-sión y se calcula el porcentaje de fiabilidad de cada categoría.

5 TéngaseencuentaqueparaestetrabajoseadaptólametodologíaCorineparatrabajaraescala1:25.000,conunidadesmínimasdecartografíade6ha.

Fuente:Ideam,IGACyCormagdalena(2008).

Figura 7.Mapa resultado del proceso de interpretación visual del área de estudio.


Figura 6.Diagrama de flujo metodología Corine Land Cover.

En la interpretación en pantalla, se utilizó la composición a color (R=IRC, G=IRM, B=R), equivalente a la compo-sición 142 (RGB) de Spot 5, ideal para discriminar coberturas vegetales, agua y suelo. Igualmente, se empleó el progra-ma ArcGis para identificar los polígo-nos de cobertura, teniendo en cuenta los colores, tonos, texturas, patrones y demás rasgos pictóricos que favorecen la separación de clases.

En la figura 7 se aprecia el mapa resul-tado de esta operación.


4.2 Procesamiento digital

El procesamiento digital que se de-sarrolló en este trabajo se inició con una división de la imagen del área de estudio (ver figura 4 y figura 5). Poste-riormente a cada una de las tres zonas separadas, se les realizaron ajustes para mejorar, realzar y extraer información valiosa que enriquece la clasificación digital posterior. Los ajustes que se llevaron a cabo buscaban corregir as-pectos de tipo radiométrico y atmosfé-rico sobre los datos capturados por el sensor. Igualmente, se llevó a cabo un proceso de extracción de información para la obtención de datos derivados, como los índices de vegetación, una imagen de textura y algunos filtros de detección de bordes que, como ya se mencionó, ayudarán a procesos de cla-sificación más adelante.

En la figura 8 se aprecia cómo se me-joran espectralmente las subescenas re-cortadas para lograr un mejor contraste, ya que las estadísticas de cada histogra-ma se comportan de una manera más acertada, generando un contraste más rico en valores discriminables.

La primera información auxiliar extraída de la imagen fue el índice de vegeta-ción, que es el resultado de la trans-formación de las bandas del rojo y el infrarrojo cercano, este índice permite la identificación de las cubiertas de ve-getación presentes en la escena y su respectivo desarrollo fisiológico.

El índice de vegetación más empleado es el índice de vegetación de diferencia normalizada (NDVI), cuyos valores osci-lan entre -1 y 1. Valores negativos son considerados como ausencia de vegeta-ción, mientras que aquellos valores que tienden a uno representan vegetación sana o con un crecimiento vigoroso (Campbell, 2002) Este índice se puede expresar matemáticamente mediante la fórmula:

NDVI = IRC – R / IRC + R, donde:

IRC: es la banda correspondiente a las longitudes de onda del infrarrojo cer-cano.

R: es la banda correspondiente a las longitudes de onda del rojo visible.

En la figura 9 se muestra el resultado del cálculo del NDVI sobre el recorte de la imagen con nubes, la variación de co-lores representa zonas de ausencia de vegetación en colores rojos y amarillos, mientras que, por el contrario, las zo-nas con vegetación con un crecimiento vigoroso se muestran en colores verdes tendiendo a oscuro.

Posterior a la extracción del NDVI, se procedió a realizar la extracción de una imagen de textura y una imagen pro-ducto de un filtro Sobel de detección de bordes. Esta información, tomada como dato auxiliar, se puede introducir en un proceso de clasificación como va-riable contextual que, adicional a los ni-veles digitales de la imagen, enriquecen el proceso de clasificación digital (Sarría et ál., 2002; Mas, 2005). Asimismo, se contó con un modelo digital del terreno (DTM) de la zona como variable con-textual.

Figura 8.Ejemplo de una

subescena afectada con nubes una vez se ha realizado su

corte (nótese el mejoramiento de

contraste).


Figura 9.Ejemplo de una

subescena a la cual se le ha calculado

el NDVI.


93


El filtro Sobel detector de bordes es un proceso que se aplica a la banda del infrarrojo cercano (imagen en tono de grises) y que parte de la primera deriva-da de la función bidimensional, en este caso la imagen.

La derivada es un vector que apunta en la dirección de la máxima variación de f(x,y) y cuyo módulo es proporcio-nal a dicha variación, este vector se llama generalmente gradiente. En una banda, como en este caso, las distintas aproximaciones del operador gradiente se basan en diferencias entre los niveles de grises de la imagen. Su uso se lleva a cabo mediante una máscara de con-volución que aplica a columnas y filas, su resultado por tanto será una imagen donde se resaltan los bordes de la ima-gen original (Campbell, 2002).

En la figura 10 se aprecia la imagen de textura de una sección del área de tra-bajo.

4.3 Clasificación no supervisada

Este proceso digital es muy sencillo y rá-pido de realizar, permite contextualizar al analista temático (interprete) sobre las posibles agrupaciones espectrales que se pueden generar sobre los valo-res de los pixeles. En la literatura se ha encontrado que es aconsejable llevar a cabo este proceso previo a una clasifi-cación supervisada (Campbell, 2002).

El procedimiento de clasificación no supervisada utiliza algoritmos que no requieren de la obtención de mues-tras, recurre únicamente a clasificar la imagen digital a partir del clasificador indicado (algoritmo), el número límite de clases y el número de iteraciones deseadas. Al finalizar el proceso digital se procedió a editar los resultados para reagrupar y etiquetar cada clase resul-tante con una categoría temática de la leyenda usada.

En este paso, debido a las características de este procedimiento, que recurre a la

agrupación de pixeles o conglomera-dos (clustering) que son generados de acuerdo con su similaridad en distan-cia espectral, se encontraron resultados poco satisfactorios para clases temá-ticas que se encuentran en la leyenda y que no responden a un valor digital característico; ya que para identificarlos se debe recurrir a una variable pictórico morfológica diferente (Mas, 2005), que no es posible determinar con un pro-ceso que utiliza sólo el valor del nivel digital. Por ejemplo, la clase temática “frutales” se identifica en las imágenes por su textura y el arreglo espacial tí-pico que se utiliza para la siembra, su valor digital por pixel es muy variable y es prácticamente imposible que una clasificación digital no supervisada los pueda clasificar adecuadamente.

Sin embargo, este paso permitió reali-zar un análisis exploratorio de los da-tos e indicó cómo se están agrupando espectralmente las clases presentes en el área. Para mejorar este proceso en particular se generaron bandas adicio-nales con datos derivados, en este caso un filtro Sobel para infrarrojo cercano y una capa de índice normalizado de vegetación.

Fuente:Elaboraciónpropia. Figura 10.Ejemplo de una sub-escena de la imagen de textura utilizada.


En la figura 11 se observa el proce-dimiento que se siguió utilizando el algoritmo de clasificación SOM con información auxiliar a partir de datos derivados.

Los resultados obtenidos al utilizar in-formación auxiliar mejoraron sustancial-mente, toda vez que en una clasificación inicial sin ella los datos obtenidos no tenían visualmente un gran acierto te-mático. Para este proceso se utilizó el software Idrisi Andes y su resultado se puede apreciar en la figura 12.

Figura 11.Proceso de

clasificación SOM con información

auxiliar.


Figura 12. Resultados de

clasificación no supervisada SOM.

Figura 13.Sobreposición de la clasificación no

supervisada con la interpretación

visual por pantalla.Fuente:Elaboraciónpropia.

En la figura 12 se puede observar que se discriminaron solamente 9 clases principales y que ocurrió una gran con-fusión entre los cuerpos de agua con la vegetación que se encuentra con fuer-tes sombras.

A continuación, se procedió a unir por sobreposición la clasificación no super-visada con la interpretación visual por pantalla. De este procedimiento se ob-tiene la referencia para continuar con la obtención de las áreas de interés para el entrenamiento de la clasificación super-visada (figura 13).


95


A partir de las capas de la figura 13, se obtuvieron las áreas de entrenamiento que se muestran en la figura 14.

4.4 Clasificación supervisada utilizando el algoritmo de mapas autoorganizados de Kohonen (Self Organizing Maps, SOM) con LVQ2 y Backpropagation BP

El proceso que a continuación se des-cribe corresponde a una clasificación supervisada utilizando algoritmos de redes neuronales artificiales (RNA), lla-mados Backpropagation (BP) y Self Or-ganizing Maps (SOM), a partir de las áreas de entrenamiento de adquiridas en el proceso anterior, figura 14.

Como explica Mas (2005), citando a Atkinson y Tatnall (1997) en la clasifica-ción supervisada con RNA y a diferencia de la no supervisada, se deben definir las coberturas que se desea extraer de la imagen a partir de áreas de entrena-miento, por lo cual es necesario tener un conocimiento previo de la zona de estudio, de allí que sea necesario acu-

Figura 14.Áreas de entrenamiento utilizadas para la clasificación visual.


dir a la obtención de información en el campo directamente o recurrir a infor-mación secundaria como fotografías aéreas, planes de ordenamiento y car-tografía de fechas anteriores.

Adicional a las áreas de entrenamiento y en busca de mejores resultados se uti-lizaron también bandas auxiliares, ge-neradas a partir de procesamientos de la imagen original, como el NDVI y el filtro Sobel Edge Detector sobre la ban-da de infrarrojo medio.

La inclusión de información auxiliar re-quiere de un proceso de ensayo y error por medio del cual se determina cuál de estos datos auxiliares arroja los mejores resultados en la clasificación, claro está, dependiendo del objetivo temático y los antecedentes en bibliografía de pro-cesos similares.


En las figuras 15 y 16 se aprecian las imágenes auxiliares del Filtro Sobel Edge Detector en la banda 4 y el NDVI, respectivamente, que se utilizaron el proceso. En la figura 17 se puede ver un diagrama general del proceso segui-do para la clasificación supervisada.

Antes de correr el clasificador propia-mente dicho, se llevó a cabo un ajuste a las áreas de entrenamiento que involu-cró una unión de clases y la adquisición de otras muestras. Posteriormente, se

procedió a configurar los parámetros de clasificación para cada algoritmo, de acuerdo con las posibilidades que ofre-ce el menú del software utilizado, en este caso, Idrisi Andes.

Para los ajustes de configuración del clasificador, se tuvo en cuenta el ajuste de error de cuantización (quantization error), el error medio cuadrático (RMS) y el rango de precisión (accuracy rate) que automáticamente provee el software y que pueden ser analizados durante y después del proceso. En las figuras 18 y 19 se aprecian los valores obtenidos para cada uno de estos índices y los valores definitivos de entrada utilizados para el algoritmo SOM–LVQ2 y el Backpropaga-tion (BP), respectivamente.

Una vez efectuado el proceso de clasifi-cación supervisado con RNA, se proce-dió a analizar los resultados estadísticos arrojados por el software, matriz de error, para evaluar el nivel de confusión estimado de las áreas de entrenamiento frente a la clasificación obtenida. A par-tir de la matriz de error se obtuvo el va-lor Kappa, que permite determinar qué clases se deben fusionar, cuáles deben desaparecer y cuáles permanecen.

En las figuras 20, 21, 22 y 23 se apre-cian los valores de la matriz de error y el índice Kappa para el algoritmo SOM y BP, respectivamente. Asimismo, en la figura 24 se aprecia el mapa resultado del proceso de clasificación supervisada con algoritmos de RNA.

4.5 Exactitud topológica y temática

El proceso de exactitud topológica se aplicó a cada una de las capas vectoria-les obtenidas para cada método con el software ArcGis, mediante las reglas de “must not have gaps”, que no permite que en el producto final queden espa-cios entre polígonos adyacentes y la re-gla “must not overlap”, que impide que exista solapamiento entre polígonos de la misma capa.



Figura 15.Filtro Sobel Edge

Detector en la banda 4 para

un recorte de la imagen clasificada.

Figura 16.NDVI para un recorte de la

imagen clasificada.

97




Figura 17.Proceso general de la clasificación supervisada.

Figura 18.Ventana de configuración de labores de entrada en Idrisi Andes para los algoritmos SOM y BP.


Figura 19.Ventana de reporte

de los índices utilizados en el software Idrisi Andes para los

algoritmos SOM y BP.


Fuente:Elaboraciónpropia.Fuente:Elaboraciónpropia.

Figura 20.Matriz de error producto de la

clasificación.(Izquierda Abajo)

Figura 21.Índice Kappa

producto de la supervisada con

el algoritmo SOM, clasificación supervisada con el

algoritmo SOM.(Derecha Abajo)

99


Figura 22.Matriz de error producto de la clasificación.(Izquierda Arriba)




Figura 23.Índice Kappa producto de la supervisada con el algoritmo BP, clasificación supervisada con el algoritmo BP.(Derecha Arriba)

Figura 24.Resultado de la clasificación digital con RNA.


En cuanto a la exactitud temática, ésta se validó de la siguiente manera:

El producto vectorial del proceso de in-terpretación visual se ajustó a un 90% de exactitud a partir de puntos de GPS que se capturaron en campo a partir de dos visitas en diferentes fechas realiza-das a toda la cuenca del río Guarinó, en compañía de funcionarios de Isa-gen. Los puntos de muestreo para esta capa fueron generados aleatoriamente y se verificaron de acuerdo con la po-sibilidad de acceso que presentaban en campo. Esta capa vectorial se tomó como verdad de campo para comparar contra las capas generadas por proce-samiento digital.

Las capas vectoriales generadas por los procesos de clasificación no supervisa-da y supervisada se rasterizaron y se cargaron en el software libre Mapcom-parison Kit6, que permite cuantificar la exactitud de un producto en evaluación contra una capa base a partir de algo-ritmos comparativos para formato Ras-ter. El algoritmo utilizado en este caso fue el de porcentaje de acierto.

5. Resultados y discusión

Una vez efectuado el procesamiento digital de los tres cortes de la imagen del área, a saber, a) área de nubes, b) área de sombras y c) área libre de nu-bes y sombra (ver figura 5), se realizó un análisis de variables como tiempo de duración del proceso, cantidad de cla-ses identificables y la exactitud temática del mapa resultado, para cada uno de los métodos utilizados.

5.1 Resultados respecto a la variable tiempo

La interpretación visual, que guardó un riguroso proceso, como indica la

metodología Corine Land Cover, tardó aproximadamente 80 horas para ge-nerar sus resultados (ver figura 7). El proceso de clasificación no supervisado con el algoritmo SOM tomó un total de 6 horas hasta la obtención del producto final (ver figura 12). Por otra parte, en cuanto a la clasificación digital supervi-sada con algoritmos de RNA, el produc-to final se generó luego de 36 horas de trabajo (ver figura 24).

Estos resultados plantean que el pro-ceso más ágil es el de clasificación no supervisada, que, por supuesto, es un resultado esperado y coherente con experiencias anteriores, igualmente es predecible que el proceso de interpre-tación visual por pantalla consumiera mayor tiempo (Chuvieco, 2002).

5.2 Resultados respecto a la variabledeclasestemáticasidentificadas

En cuanto a la cantidad de clases posi-bles de discriminar o identificar, los re-sultados fueron los siguientes:

El proceso de interpretación visual en pantalla reportó 29 clases identifica-das, siendo éste el dato más alto de los tres procedimientos metodológicos. El proceso de procesamiento digital no supervisado arrojó un total de 10 clases temáticas identificadas. Por su parte, el procesamiento digital supervisado identificó 9 clases temáticas, el valor más bajo de los tres procedimientos.

5.3 Resultados respecto a la variableexactitudtemática

Como se mencionó con anterioridad, la clasificación visual en pantalla se consideró con un mínimo de 90% de exactitud temática, corroborado por las verificaciones que se realizaron directa-mente en campo. El procedimiento que

6 PaginawebdeMapcomparisonkit:http://www.riks.nl/mck/

101


se siguió, por ende, consistió en com-parar los datos obtenidos por procesa-miento digital contra los obtenidos en la interpretación visual en pantalla.

En este punto, es importante resaltar que cada método utilizado para obte-ner el mapa de cobertura de la tierra fue implementado por personas dife-rentes, aunque la leyenda utilizada fue la misma (Leyenda Corine Land Cover para escalas 1:25000). Los autores de este documento consideran que este factor permite aumentar el grado de objetividad de los datos.

El producto cartográfico generado por clasificación digital no supervisada repor-tó un 40 % de exactitud temática, lo que corrobora su bajo grado de credibilidad.

La capa generada por el procesamien-to digital supervisado proporcionó un 85% de exactitud temática, que pue-de considerarse un buen nivel para un procesamiento digital, Sin embargo, en este punto es interesante resaltar que sólo se obtuvieron 9 clases temáticas. Esto indica que presenta una pobre di-versidad o capacidad para discriminar clases de la leyenda, comparativamente con una interpretación visual en panta-lla, ya que los algoritmos no incluyen variables pictórico–morfológicas que sí utiliza un fotointérprete. Por ejemplo, en la interpretación visual en panta-lla, en cuanto a la categoría bosques, identificó: bosques naturales densos, bosques fragmentados y bosques de galería. Por su parte, en el proceso de clasificación digital supervisada, a estas tres categorías se les identificó como bosques. Como se aprecia, el clasifi-cador digital acierta al afirmar que es bosque, pero, ya que su algoritmo se

orienta a la respuesta espectral, no podrá arrojar resultados que recurran al grado de fragmentación o a su dis-tancia y asociación con corrientes de agua.

En la tabla 4 se resumen los resultados obtenidos para cada proceso en tiempo, clases identificables y exactitud temática.

6. Conclusiones

Se puede afirmar que en general el mé-todo que arroja los resultados menos fiables desde el punto de vista temático a la hora de elaborar un mapa de co-bertura de la tierra a partir de procesa-miento digital es el de clasificación no supervisada. Pese a eso, su proceso es comparativamente más rápido y pue-de servir como insumo para afinar las áreas de entrenamiento para posterio-res procesos más complejos.

El proceso de generación de cartogra-fía temática clásico por interpretación visual en pantalla fue el más acertado desde el punto de vista temático, pero es el que consume más tiempo, y eso, claro está, se asocia al incremento en los costos de un proyecto.

Se podría decir que el proceso de clasi-ficación digital con algoritmos de RNA es muy acertado y relativamente rápido si se le compara con el método de in-terpretación visual en pantalla, pero su poder para identificar diferentes clases temáticas exige que se aplique en áreas muy homogéneas y que la leyenda uti-lizada se restrinja a clases basándose sólo en la respuesta espectral de las

Método Tiempodelproceso Clasesidentificadas %deaciertoenexac-titudtemática

Interpretaciónvisualenpantalla 80horas 29 90%

Clasificacióndigitalnosupervisada 6horas 10 40%

ClasificacióndigitalsupervisadaconalgoritmosdeRNA 36horas 9 85%

Tabla 4.Resumen general de resultados.


coberturas, es decir, a cambio en los niveles digitales.

Pensando en el momento actual del país, en el cual se lleva a cabo un pro-ceso de estandarización de las leyendas de cobertura de la tierra a diferentes escalas (Corine Land Cover), se podría sugerir que éste se desarrolle con base en la interpretación visual, ya que te-máticamente será más acertado, claro está, siempre y cuando el proceso sea desarrollado por un profesional expe-rimentado. Igualmente, los procesos de clasificación digital se pueden usar para otro tipo de leyendas, más simples o más generales.

Finalmente, resaltamos el enriqueci-miento de los procesos digitales cuan-do se incorporan variables auxiliares, como índices e imágenes derivadas (textura, por ejemplo), ya que incluyen más información que permite discrimi-

nar mejor las áreas de entrenamiento para una clasificación digital supervisa-da más acertada desde el punto de vista temático.

7. Agradecimientos

Los autores agradecen en general la colaboración de los funcionarios de Isa-gen, compañía para la que inicialmente se realizó este proyecto, y especialmen-te al ingeniero José Lino Jurado por su incansable colaboración y apoyo en campo. Asimismo, se agradece la cola-boración del grupo de Percepción Re-mota y Aplicaciones Geográficas de la Oficina CIAF, que de diversas maneras colaboraron en cada uno de los pasos necesarios para generar los productos finales, y muy especialmente al ingenie-ro Ricardo Cuitiba Baracaldo, por su co-laboración en el procesamiento de las imágenes.

103



CAMPBELL, TAYLOR & FRANCIS. (2002) Introduction to remote sensing. Third Edition. p. 465. ISBN 0 415 28294 2.

CHUVIECO, S. Emilio. (2002).Teledetección ambiental: la observación de la tierra desde el espa-cio. Editorial Ariel S.A., España.

FERNÁNDEZ SARRÍA, A., RECIO RECIO, J., RUÍZ FERNÁNDEZ, L. A. (2003): “Análisis de imáge-nes mediante texturas: aplicación a la clasificación de unidades de vegetación”, GeoFocus (Artículos), Nº 3, p. 143-159. ISNN: 1578-5157 disponible en línea en http://geofocus.rediris.es/docPDF/Articulo8_2003.pdf

HAGEN-ZANKER, Alex et ál. Map Comparison Kit 3: user manual. Holanda: Research Institute for Knowledge Systems (RIKS bv), 2006. En línea en http://www.riks.nl/mck/

IDEAM, IGAC, CORMAGDALENA. (2008). Mapa de Cobertura de la Tierra Cuenca Magdale-na-Cauca: Metodología Corine Land Cover adaptada para Colombia a escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales, Institu-to Geográfico Agustín Codazzi y Corporación Autónoma Regional del Río Grande de la Magdalena, D.C., 200 pp. + 164 hojas cartográficas.

MAS, J.F. (2005) Clasificación de Imágenes de Teledetección por Redes Neuronales Artificiales: Una revisión. Revista SELPER Vol. 22, No 2. pp. 16-24, ISSN 0717-2915

MEDINA, Rubén y LIZARAZO, Iván. Fusión de imágenes satelitales usando la transformada de Wavelet. Colombia: Universidad Distrital Francisco José de Caldas, 2004. ISBN: 9588175976.

LÓPEZ C., Jaime y BRANCH B., John William (2005). Comparación de modelos de clasificación automática de patrones texturales de minerales presentes en los carbones colom-bianos. Universitaria de Envigado y Universidad Nacional de Colombia. Medellín en Dyna, Año 72, N.o 146, pp. 115-124. ISSN 0012-7353.

OFICINA DE LAS NACIONES UNIDAS CONTRA LA DROGA Y EL DELITO (UNODC). Proyecto SIMCI, Metodología. Consultado en línea en http://www.biesimci.org/SIMCI/metodolo-gia.html el 12 de abril de 2010.

7 Identificación de minerales a partir del procesamientodigitaldeimágenesaster

105

Identificacióndemineralesapartirdelprocesamientodigitaldeimágenesaster

AbstractIn this study mineral areas present in the Department of La Guajira were identified through digital proces-sing of ASTER images and the utilization of algori-thms. Five ASTER images were used and their SWIR and TIR bands were resampled to 15 m with the VIS / NIR bands. The images were processed digitally using ERDAS 9.3 software; the graphical outputs and the spatial analysis were also performed with ArcGIS 9.3 software. The processing was executed applying the Nominal Calibration with the IARR algorithm, the spectral classification with the Radio algorithm and the SCM spectral mapping correlation. We used spec-tral libraries of ASTER and USGS and ancillary data of official geology at a scale of 1:250,000, geology of the Serranía de Cosinas at a scale of 1:100,000, and geology of the Parashi Valley at 1:25.000. We discriminated 28 minerals, which are targets of ex-ploration of different metallic elements and salts of groups II, III, IV, V and VI present in the region and their location. The SCM algorithm is a useful tool for identifying mineral groups in areas with sparse ve-getation such as La Guajira, given that it allows to identify features in the terrain and to discriminate geological and mineralogical characteristics reliably. However, fieldwork and laboratory analysis are ne-cessary to measure the reliability of the method in order to complement the results.

Keywords:Minerals, DIP, ASTER, geology, SCM algorithm, spec-tral classification, spectral libraries.

ResumenEn este estudio se identificaron zonas de minerales presentes en La Guajira a partir del procesamiento digital de imágenes ASTER y del uso de algoritmos. Para ello se usaron cinco imágenes ASTER, en las cuales las bandas del infrarrojo cercano e infrarrojo térmico fueron remuestreadas a 15 m con las ban-das VIS/NIR. Éstas se procesaron digitalmente con el software ERDAS 9.3 y las salidas gráficas y el aná-lisis espacial fueron elaborados con el software Ar-cGIS 9.3. El procesamiento se realizó mediante la aplicación de calibración nominal con el algoritmo IARR, la clasificación espectral con el algoritmo ratio y la correlación de mapeo espectral (SCM). Asimis-mo, se utilizaron las librerías espectrales de ASTER y USGS3 y datos auxiliares de la geología oficial a escala 1:250.000, geología de la serranía de Cosinas a esca-la 1:100.000 y la geología del valle de Parashi a escala 1:25.000. Se discriminaron 28 minerales objetivo de exploración de diferentes elementos metálicos y sales de los grupos II, III, IV, V y VI, presentes en la región y las zonas de ubicación de éstos. El algoritmo SCM resultó útil para la identificación de grupos de mine-rales en zonas con escasa vegetación como La Gua-jira, ya que permite identificar rasgos directamente en el terreno y discriminar características geológicas y mineralógicas con alta confiabilidad. Sin embargo, para complementar los resultados es necesario reali-zar trabajos de campo y análisis de laboratorio a fin de evaluar la confiabilidad del método.

Palabras clave:Minerales, PDI, ASTER, geología, algoritmo SCM, cla-sificación espectral, librerías espectrales.

1 Geólogo,InstitutoGeográficoAgustínCodazzi(IGAC).Correoelectrónico:[email protected] IngenieroForestal;CandidatoMagísterenGeografía,InstitutoGeográficoAgustínCodazzi(IGAC).Correoelectrónico:hmramirez@

igac.gov.co3 U.S.GeologicalSurvey

Identificación de minerales a partir del procesamientodigitaldeimágenesAsterIdentification of minerals from ASTER - digital processing images

Alejandro Bernal Valencia1, Mauricio Ramírez Daza2


Introducción

En el mundo actual se manifiesta la importancia que tienen los recursos minerales y energéticos, debido a que éstos representan un escalón básico en el sistema productivo de los países, en algunos casos porque son necesarios para mantener las tasas sostenidas de crecimiento (países desarrollados) y, en otros, para sostener las economías pro-pias (países en vías de desarrollo). Dado que los recursos minerales son no reno-vables, la única alternativa que queda cuando se agotan es encontrar más y es justo ahí donde las aplicaciones en materia de geología económica deriva-das de la teledetección, desempeñan un papel muy importante como insu-mos base para el comienzo del ciclo de producción.

En los últimos años, la identificación y la discriminación de minerales a partir del procesamiento digital de imágenes multiespectrales e hiperespectrales se han convertido en tema básico de la geología económica. Día a día se de-sarrollan nuevas técnicas y algoritmos para la clasificación geoquímica de la

superficie terrestre, en pro del mejora-miento del conocimiento geológico y desarrollo minero en diferentes países del mundo. En el caso colombiano, las posibilidades de utilizar las imágenes provenientes de sensores ópticos para la identificación mineral se restringen a algunas zonas con características parti-culares como la Alta Guajira.

Localización

El área de estudio se encuentra limi-tada por las coordenadas geográficas 72.21075° W, 12.45883° N y 71.11254° W, 11.57571° N, correspondientes a la Alta Guajira (figura 1), donde a partir del procesamiento digital de las imáge-nes ASTER se busca la identificación y la discriminación de minerales.

La Alta Guajira es una zona particular-mente árida y con escasa vegetación, lo que permite utilizar de manera óptima en todo el rango espectral las imágenes ópticas multiespectrales o hiperespec-trales para la identificación de mine-rales y características geológicas de los suelos. Sumado a lo anterior, esta zona posee una particular configuración tec-tono-estratigráfica en la que se encuen-tran rocas metamórficas precámbricas, rocas ígneas intrusivas y extrusivas pre-cámbricas y mesozoicas y rocas sedi-mentarias mesozoicas y cenozoicas, las cuales están atravesadas por diferentes trenes estructurales regionales y locales generando un gran potencial en mate-ria minero-energética para exploración y explotación de los recursos naturales de la región.

Figura 1.Mosaico Landsat

RGB 543 que muestra el área de

estudio.


107


Recursos minerales en la Alta Guajira

La Guajira presenta grandes ventajas para la exploración y la extracción de recursos minerales con relación a otras regiones del país. Entre estas ventajas vale la pena mencionar la ubicación geográfica del departamento, con cos-tas sobre el Océano Atlántico, con un mercado potencial en los países del Caribe y Venezuela, además de la infra-estructura existente y la fácil implemen-tación de ésta.

Por otra parte, desde el punto de vista geológico, La Guajira tiene una litología variada –caracterizada por diferentes ambientes de formación y edades de las rocas (metamórficas, intrusivas de com-posición granítica, rocas ultrabásicas, vulcanitas ácidas a básicas y sedimenta-rias)– todas éstas distribuidas a lo largo y ancho del departamento con gran po-tencial para la ocurrencia de depósitos minerales económicamente explotables (tabla 1, figura 2).

Además, la caracterización y la explora-ción de las diferentes regiones se facilita debido a que las unidades de roca aflo-ran en superficie y no presentan gruesas capas de suelo, como en otras zonas del país que enmascaran los yacimien-tos minerales y dificultan la exploración y la caracterización geológica.

Minerales Grupo Composición Ocurrencia

Barita VMetalesindustrialesno metálicos BaSO4 SerraníadeCosinas,Áreade

Kasupa,ÁreadeYotoholon

Magnesita VMetalesindustrialesno metálicos MgCO3 CabodeLaVela

Rocasfeldespáticas VMetalesindustrialesno metálicos

Silicatos de aluminioycanti-dadesvariablesdeNa,CayK

ÁreadeIpapure-Cojoro

Materialesdeconstruc-ción

VIMaterialesdecon-strucción

Arcillas,yeso,calizas

Carrizal-ElCardón,FmMaracas,FmSiamana

Metodología de trabajo

Preprocesamiento

Para la investigación se utilizaron cinco imágenes ASTER adquiridas en el Ban-co Nacional de Imágenes del Instituto Geográfico Agustín Codazzi (tabla 2). Los datos ASTER proveen 3 bandas en el espectro VIS/NIR con 15 m, 6 bandas en el SWIR con 30 m y 5 bandas en el TIR con 90 m de resolución espacial. Las bandas del SWIR y TIR fueron remues-treadas a 15 m con las bandas VIS/NIR. Las imágenes están georreferenciadas en coordenadas geográficas; el prepro-cesamiento y el procesamiento digital de las imágenes se llevaron a cabo con el software ERDAS 9.3 y las salidas grá-ficas y el análisis espacial se realizaron con el software ArcGIS 9.3.

Tabla 1.Clasificación de los recursos minerales de la Alta Guajira.

Fuente:(modificadodeINGEOMINAS,2002b).

Figura 2. Distribución de áreas potenciales para mineralización en la Alta Guajira.

Fuente:modificadodeINGEOMINAS,2002b.


Para llevar a cabo la clasificación de grupos de minerales a partir del proce-samiento digital de imágenes ASTER, se diseñó un flujograma en el que se mues-tra cada uno de los pasos metodológi-cos a partir del trabajo con algoritmos de clasificación digital (figura 3).

Código imagen Nombredelaimagen(BNI) Fechadetoma Cubrimientoplanchas

1:100.000

ISC00-AST00-004216 Uribía 30/12/2006 2,3,5,6

ISC00-AST00-004190 Uribía 09/01/2003 5, 9, 10

ISC00-AST00-004177 Uribía 04/10/2003 3,6

ISC00-AST00-004165 Uribía 03/04/2007 5,6,10,10BIS

ISC00-AST00-004138 Uribía 01/05/2001 1, 2, 4, 5

Tabla 2. Características de

las imágenes ASTER utilizadas en la investigación.


Figura 3.Análisis de flujo

de trabajo de las imágenes

multiespectrales ASTER.

Procesamiento

Calibración nominal

Para comparar directamente la espec-trometría de la imagen multiespectral o hiperespectral con la referencia de es-pectrometría de reflectancia, los valores codificados de radiancia en la imagen deben ser convertidos a reflectancia. Una conversión global debe considerar la fuente solar espectral, los efectos de luminosidad debidos al ángulo solar y la topografía, la transmisión atmosférica y la ganancia del sensor. En términos ma-temáticos, la reflectancia espectral del terreno es multiplicada (sobre la base de longitud de onda por longitud de onda) por estos efectos, para producir el es-pectro de radiancia medida. Otros dos factores contribuyen de manera aditiva a la espectrometría de la radiancia: sen-sor offset (ruido de instrumentos inter-nos) y la trayectoria de radiancia debido a la dispersión atmosférica. Algunas es-trategias sólo usan información sacadas desde la imagen, mientras que otras re-quieren varios grados de conocimiento de las propiedades de reflectancia de superficie y las condiciones atmosfé-ricas a la fecha en que la imagen fue adquirida.

Algoritmo promedio interno de reflectancia relativa (Internal Average Relative Reflectance, IARR)

La técnica IIAR es una variante del mé-todo campo plano (flat field) y normal-mente se utiliza cuando el analista no tiene conocimiento de los materiales Fuente:(modificadodeMICROIMAGES,2009).

109


de la superficie y no puede hacer un amarre entre los pixeles y las librerías espectrales. La técnica original calcula una reflectancia relativa por la división de cada espectro (pixel) entre el espec-tro promedio de la escena. Este mejora-miento ayuda a remover las variaciones del albedo y los efectos topográficos de la escena y es muy utilizado por la comunidad minera para la prospección de minerales ya que requiere pocos parámetros para su aplicación (Kruse, 1988).

Clasificación espectral

Algoritmo ratio

La relación es otra técnica utilizada para manipular digitalmente la ima-gen, en la cual cada pixel se divide por el valor del nivel digital de una banda entre el valor de cualquier otra banda, generando un cociente que adquiere valores entre 0 y 255. Aunque la ma-yoría de estos cocientes son decimales, se pueden reescalar en cada una de las bandas procesadas para mejorar la re-presentación de la escala de grises de la imagen (Short, 2009). En la figura 4 se muestran los efectos de la aplicación del algoritmo ratio sobre un recorte de la imagen ASTER ISC00-AST00-004190 en composición RGB 123 (1/2, 4/5, 7/5): en color verde brillante se encuen-tran las zonas de alteración de mine-rales de hierro; en color magenta-rojo se encuentran las zonas de alteración hidrotermal en las inmediaciones del norte de la Serranía de Cosinas.

Correlación de mapeo espectral (Spectral Correlation Mapper, SCM)

El algoritmo de correlación de mapeo espectral es una modificación del algo-ritmo SAM, donde los datos son nor-malizados y centrados en el promedio de dos espectros (Carvalho & Meneses, 2000). El algoritmo SCM presenta va-rias ventajas con respecto al algoritmo

SAM, el cual se presentó como si fuese indiferente al sombreado, desde que se cuantificara solamente la dirección del vector y no la magnitud, aunque en la práctica esto no es del todo cierto. El algoritmo SCM elimina esas inconsis-tencias normalizando cada vector en un vector medio, de acuerdo con Car-valho & Meneses (2000) “la función cos (SAM) es similar al coeficiente correla-ción de Pearson, la gran diferencia con dicho coeficiente estandariza el dato centralizándose éste en el promedio de X y Y”. Matemáticamente este algorit-mo se expresa así:

R:

∑ ∑∑

−−

−−

2)(2)(

))((

YYXX

YYXX



Figura 4.Imagen procesada con el algoritmo ratio.

En la figura 5 se muestran los efectos de la aplicación del algoritmo SCM sobre un recorte de la imagen ASTER ISC00-AST00-004190 en composición RGB 432. La imagen de la izquierda está procesada y representada en escala de grises; así, los pixeles más oscuros mues-tran mayor correspondencia espectral con el mineral objetivo, para este caso el olivino; la imagen de la derecha no se encuentra procesada y muestra un color rojizo común en rocas ultramáficas para la combinación RGB 432.

Figura 5.Aplicación del algoritmo SCM para la identificación de minerales en la Serranía de Simarúa.


Resultados y discusión

Las imágenes ASTER de la Alta Guajira se procesaron con los algoritmos IARR para la corrección atmosférica, SCM y ratio para la obtención de grupos de minerales, las librerías espectrales de ASTER y USGS; también datos auxi-liares para la geología oficial a escala 1:250.000, geología de la serranía de Cosinas a escala 1:100.000 y geología del valle de Parashi a escala 1:25.000.

El procesamiento digital de las imáge-nes ASTER permitió la discriminación de 28 minerales (tabla 3) ya sean mena, ganga o accesorios de diferentes ele-mentos metálicos y sales presentes en la región; con éstos se generan mapas de densidad para posteriormente de-finir objetivos de exploración mineral previos a las campañas de campo.

A partir del procesamiento digital de las imágenes ASTER se han obtenido diferentes compuestos minerales, los cuales se han agrupado según la mena de éstos, por ejemplo cobre (calcopi-

ClasificaciónDANA Nombre Composición(Barthelmy,2005) Mena

Sulfuros

Galena PbS PbPirita FeS2 FeRejalgar AsS As

Calcopirita CuFeS2 CuMolibdenita MoS2 Mo

Óxidos-hidróxidos

Hematita(oligisto) Fe2O3 FeMagnetita Fe3O4 FePirolusita MnO2 MnGohetita FeO(OH) FeCasiterita SnO2 SnIlmenita FeTiO3 Fe,Ti

Haluros Halita NaCl SalFluorita CaF2 F

Carbonatos,nitratos,boratos

Whiterita BaCO3 BaMagnesita MgCO3 MgTrona Na3(HCO3)(CO3)•2(H2O) Na

Siderita FeCO3 FeRodocrosita MnCO3 MnAzurita Cu3(CO3)2(OH)2 CuCerusita PbCO3 PbMalaquita Cu2(CO3)(OH)2 Cu

Sulfatos,cromatos,selenatos

Yeso CaSO42(H2O) Yeso

Barita BaSO4 BaFosfatos,arsenatos,

vanadatos Apatito Ca5(PO4)3(OH,F,Cl) P

Silicatos

Espomudena LiAl(Si2O6) LiLepidolita KLi2AlSi4O10F(OH) Li

Montmorillonita (Na,Ca)0,3(Al,Mg)2Si4O10(OH)2•n(H2O)

Illita K0.6(H3O)0.4Al1.3Mg0.3Fe0.1Si3.5O10(OH)2·(H2O)

rita, azurita, malaquita), bario (barita, whiterita), etc.

Objetivos de exploración metales grupo II

Cobre (Cu)

Espacialmente, la mayor densidad de ocurrencias de calcopirita se localiza en las rocas del grupo Bahía Honda en la Serranía de Simarúa. La mayor densidad de ocurrencias de azurita se localiza en las rocas del grupo Macuira en la Serra-nía de Simarúa y al sur de la Serranía de Macuira. La mayor densidad de ocu-rrencias de malaquita se localiza en las rocas del grupo Macuira en la Serranía de Jarara y en las rocas de la formación Uitpa en el valle intermontano entre las Serranías de Jarara y Simarúa. Las prin-cipales ocurrencias de calcopirita están acompañadas con minerales arcillosos (illita y montmorillonita) y minerales metálicos de hierro y manganeso, que puede indicar un posible depósito hi-drotermal en la Serranía de Simarúa.

Tabla 3.Minerales

discriminados a partir del

procesamiento digital de las

imágenes ASTER.


111


Estaño (Sn)

La mayor densidad de ocurrencias de minerales de estaño (casiterita) se lo-caliza en los depósitos aluviales al su-roeste del Cerro La Teta. La principal concentración de casiterita (principal mena de estaño) se localiza sobre un depósito aluvial sobre una planicie cos-tera, el cual puede indicar un posible origen hidrotermal y una posterior me-teorización, transporte y emplazamien-to de este mineral.

Plomo (Pb)

La mayor densidad de ocurrencias de galena y cerusita se localizan en la rio-dacita del Cerro La Teta. Las principales ocurrencias de los minerales de plomo se concentran en el Cerro La Teta, cuyos minerales se encuentran asociados a otros minerales típicos de los depósitos hidrotermales.

Objetivos de exploración metales grupo III

Hierro (Fe)

La mayor densidad de ocurrencias de hematita se localiza al suroeste de la cuarzodiorita de Parashi y las metasedi-mentitas de la formación etpana (gru-po Bahía Honda), en las inmediaciones de la Serranía de Jarara. La distribución espacial de este mineral es muy similar a las concentraciones de ilmenita en la misma zona. La mayor densidad de ocurrencias de gohetita se localiza en los depósitos aluviales del flanco nor-te de la Serranía de Simarúa. La mayor densidad de ocurrencias de magnetita se localiza en las rocas del grupo Ba-hía Honda de la Serranía de Simarúa. La mayor densidad de ocurrencias de si-derita se localiza en las rocas del grupo Bahía Honda, grupo Macuira y forma-ción Siamaná en la parte occidental de la Serranía de Jarara.

Los minerales de hierro son muy comu-nes en los suelos del norte del Cesar y La Guajira, por tal razón el procesamiento arrojó una alta cantidad de ocurren-cias de estos minerales. En la Serranía de Jarara hay una alta concentración de minerales de hierro y titanio, lo que muestra un posible objetivo de explo-ración para minerales ferruginosos y asociados.

Manganeso (Mn)

La mayor densidad de ocurrencias de pirolusita se localiza en las rocas del grupo Bahía Honda de la Serranía de Simarúa. La mayor densidad de ocu-rrencias de rodocrosita se localiza en las rocas de las formaciones Siamaná y Jimol al noroeste y sureste de la pe-nínsula de la Alta Guajira, respectiva-mente. Las principales ocurrencias de rodocrosita se producen en la zona de influencia de las fallas Cuisa y Simarúa (al igual que la zona de ocurrencia de los minerales de bario), lo que puede ser indicador de un depósito hidroter-mal de baja temperatura.

Molibdeno (Mo)

La mayor densidad de ocurrencias de minerales de molibdeno (molibdenita) se localizan en dos sectores: el prime-ro se encuentra en las rocas de la for-mación Uitpa en las planicies costeras limítrofes con Venezuela; el segundo en las rocas de la formación Siamaná y en los depósitos aluviales aledaños en la Serranía de Simarúa. Las ocurrencias de molibdenita están distribuidas en zonas con posibles depósitos hidroter-males de alta y baja temperatura, y se encuentran asociadas a minerales de cobre, manganeso y bario.


Objetivos de exploración metales grupo IV

Magnesio (Mg)

La mayor densidad de ocurrencias de minerales de magnesio (magnesita) se localiza en los depósitos costeros de Bahía Honda al norte de la península. La principal ocurrencia muestra un po-sible depósito evaporítico rico en este mineral. Este depósito se encuentra en una zona donde desembocan los drenajes que erosionan la Serranía de Jarara, la cual posee rocas ricas en mi-nerales ferro-magnesianos.

Titanio (Ti)

La mayor densidad de ocurrencias de minerales de titanio (ilmenita) se loca-liza al suroeste de la cuarzodiorita de Parashi y las metasedimentitas de la formación etpana (grupo Bahía Honda) en inmediaciones de la Serranía de Ja-rara. La principal ocurrencia de ilmenita se asocia a minerales de hierro y a rocas básicas y ultrabásicas en la Serranía de Jarara.

Bario (Ba)

La mayor densidad de ocurrencias de barita se localiza al sureste de la penín-sula de La Guajira en las rocas de las formaciones Jimol y Uitpa, en cercanías a las planicies costeras límite con Vene-zuela. La mayor densidad de ocurren-cias de whiterita se localiza al sureste de la península de La Guajira en las ro-cas de la formación Castilletes y el gru-po Yaruma, y al oeste de la Serranía de Simarúa en el grupo Macuira.

Es importante resaltar que las mayo-res ocurrencias de estos dos minerales de bario se producen en medio de la zona de influencia de las fallas Cuisa y Macuira y otras fallas y lineamientos sa-télite que afectan rocas sedimentarias terciarias y algunas rocas más antiguas.

Este control estructural y la asociación con minerales como siderita, fluorita y rodocrosita, entre otros, permiten in-ferir que en esa área hay una ocurren-cia de depósitos hidrotermales de baja temperatura.

Litio (Li)

La mayor densidad de ocurrencias de minerales de litio (lepidolita y espomu-dena) se localiza en las rocas de la dio-rita de Mayuarán y la riodacita del Cerro La Teta. Los minerales de litio encontra-dos con el procesamiento digital de las imágenes muestran una concentración en una zona específica de la Alta Gua-jira dominada por rocas ígneas. Esto –sumado a la asociación de minerales circundantes– puede dar a entender que en esta área hay un posible depósi-to hidrotermal que contiene minerales metálicos.

Objetivos de exploración metales grupo V

Evaporitas y sales

La mayor densidad de ocurrencias de sal (halita) se produce al sur de la península en límites con Venezuela, donde existen condiciones favorables para la creación de depósitos evaporíticos en las pla-nicies costeras. La mayor densidad de ocurrencias de soda (trona) se genera al sur de la península en límites con Venezuela, donde existen condiciones favorables para la creación de depósi-tos evaporíticos en las planicies coste-ras. La mayor densidad de ocurrencias de yeso se da al norte de la península en las inmediaciones de Bahía Honda y Punta de Agua. Estos tres minerales se forman en las planicies costeras y en las bahías de la península de la Alta Gua-jira, debido a que allí se generan con-diciones evaporíticas favorables para el asentamiento y creación de este tipo de depósito sedimentario.

113


Fósforo (P)

La mayor densidad de ocurrencias de minerales de fósforo (apatito) se loca-liza sobre las rocas de las formaciones Siamaná, Castilletes y grupo Cogollo en las planicies costeras que limitan con Venezuela. El apatito está distribuido en zonas con minerales típicos de de-pósitos hidrotermales, lo que refuerza las posibilidades de encontrar en cam-po este tipo de ocurrencias.

Flúor (F)

La mayor densidad de ocurrencias de minerales de flúor (fluorita) se localiza sobre las rocas de las formaciones Jipí y Chinapa en las planicies costeras aleda-ñas a Punta Espada en el extremo este de la península. La mayor ocurrencia de fluorita se produce en las zonas aledañas a las ocurrencias de minerales de bario, lo que puede indicar un posible origen hidrotermal de baja temperatura.

Arsénico (As)

La mayor densidad de ocurrencias de minerales de arsénico (rejalgar) se loca-liza sobre los depósitos costeros aleda-ños a Punta Gallinas y Punta Taroa en el extremo norte de la península. Las prin-cipales ocurrencias de rejalgar se dan en las zonas costeras, en los materiales cuaternarios formados por transporte marino; tal vez éste se forma en las zo-nas de alteración hidrotermal y es trans-portado por los drenajes y las corrientes oceánicas. Cabe destacar la alta movili-dad del arsénico en la naturaleza.

Objetivos de exploración metales grupo VI

Arcillas

La mayor densidad de ocurrencias de illita se localiza sobre las rocas de los grupos Yaruma y Bahía Honda en las

Serranías de Cosinas y Simarúa, res-pectivamente. La mayor densidad de ocurrencia de montmorillonita se loca-liza sobre las rocas del grupo Macuira en el occidente de la Serranía de Cosi-nas. Las ocurrencias de minerales ar-cillosos se producen por la alteración de las rocas ígneas y metamórficas cir-cundantes a las fallas Cuisa y Simarúa, sobre las cuales hay una alta tasa de densidad de minerales de cobre, hierro y manganeso.

Conclusiones

El procesamiento digital de las imáge-nes ASTER con el algoritmo SCM ge-nera muy buenos resultados en zonas con escasa o nula vegetación para la identificación de grupos de minerales, bien sea formadores (silicatos como or-toclasa, piroxeno, olivino) o menas de diferentes elementos químicos (metales como hierro, magnesio, titanio, etc.) Para el caso de estudio se ha escogido la Alta Guajira, ya que esta zona posee escasa o nula vegetación, lo que permi-te identificar rasgos directamente en el terreno y discriminar un sinnúmero de características geológicas y mineralógi-cas con un alto grado de confiabilidad. Es de notar que el resto del país posee amplia cobertura vegetal y de nubes, lo que impide hacer este mismo pro-cesamiento para la identificación y la discriminación de minerales, para cu-yos casos se realiza otro tipo de proce-samiento y la interpretación se enfoca hacia la geobotánica.

Mediante el procesamiento digital de las imágenes ASTER se han identifica-do 28 minerales importantes para la industria que son relativamente comu-nes en la corteza terrestre, lo cual no quiere decir que con la aplicación del algoritmo SCM no se puedan discrimi-nar otros grupos de minerales menos comunes en la corteza terrestre.


La resolución espacial y espectral de las imágenes ASTER no permite hacer una discriminación de minerales muy deta-llada como se pudiera hacer con imá-genes hiperespectrales (AVIRIS con 256 bandas y 1 m de resolución espacial); sin embargo, los resultados en el pro-cesamiento tienen una alta correlación con la geología del área.

Para complementar la investigación y validar los resultados se hace necesa-rio un muestreo de campo y algunos análisis de laboratorio a fin de evaluar la confiablidad del método de proce-

samiento digital contra datos in situ. Al analizar en conjunto todos los resul-tados del procesamiento digital de las imágenes se puede inferir que en la Alta Guajira existen altas probabilidades de ocurrencia de depósitos hidrotermales tanto de alta como de baja tempera-tura, los cuales acarrean diferentes mi-nerales metálicos. Además de esto hay grandes extensiones con mineralizacio-nes producidas por la evaporación de aguas salinas ricas en algunos minera-les en todas las planicies costeras que rodean la península de la Alta Guajira.

115



CARVALHO, O. and MENESES, P. Spectral Correlation Mapper (SCM): An Improvement on the Spectral Angle Mapper (SAM). 2000. Paper read at 9th Airborne Earth Science Workshop. Jet Propulsion Laboratory 00-18.

INGEOMINAS. Mapa geológico del Departamento de La Guajira. Geología, recursos minerales y amenazas potenciales. Escala 1:250.000. Versión 2. Medellín: INGEOMINAS, 2002a.

--------. Perspectivas de minerales industriales en la península de La Guajira. Bogotá: INGEOMI-NAS, 2002b.

--------. Mapa geológico del Departamento de La Guajira. Memoria explicativa. Escala 1:250.000. Bogotá: INGEOMINAS, 2003

KRUSE, F.A. Use of Airborne Imaging Spectrometer Data to Map Minerals Associated with Hydrothermally Altered Rocks in the Northern Grapevine Mountains. Nevada. Remote Sensing of the Environment, 24:31-51. 1988. [En línea]. Disponible en: http://www.hgimaging.com/PDF/kruse_88_RSE.pdf. [Consultado en octubre 1 de 2009].

MICROIMAGES. Hyperspectral Analysis Process. 2009. [En línea]. Disponible en: http://www.microimages.com/. [Consultado el 2 de noviembre de 2009].

SHORT, N. Image processing and interpretation. Morro Bay California. 2009. [En línea]. Dispo-nible en: http://rst.gsfc.nasa.gov/Sect1/Sect1_15.html. [Consultado el 2 de no-viembre de 2009].

8 VisualizacióndeladinámicafluvialdelríoLaMielmedianteunaplicativoSIG

VisualizacióndeladinámicafluvialdelríoLaMielmedianteunaplicativoSIGVisualization of fluvial dynamic of the La Miel river to a GIS

application

David Arenas Herrera1, Pedro Karin Serrato Álvarez2

117

VisualizacióndeladinámicafluvialdelríoLaMielmedianteunaplicativoSIG

AbstractRemote sensing is a source of valuable information for various studies, but to show the results obtained it is necessary to lean on geographic information systems (GIS), and more exactly in GIS applications, that following some requirements outlined by the thematic user, they are a useful tool to handle and exhibit geographic information that permits a better analysis of such results. In this work is explained how was made a GIS application that permits the visua-lization of changes occurred in the course of the La Miel river during various years, after the construction of hydroelectric station Miel I of ISAGEN company, so that they can be analysed by thematic staff the environmental impact caused by such work in water downwards.

Key words:remote sensing, geographic information systems, GIS applications, fluvial dynamic, changes map.

ResumenLa percepción remota es una fuente de información valiosa para diversos estudios; no obstante, para mostrar los resultados de tales estudios es necesario apoyarse en los Sistemas de Información Geográfi-ca (SIG), y más exactamente en aplicativos SIG que, siguiendo unos requisitos planteados por el usuario temático, son una herramienta útil para manipular y desplegar información geográfica, que posibilitará analizar mejor dichos resultados. En este trabajo se explica cómo fue realizado un aplicativo SIG que faci-lita la visualización de cambios ocurridos en el curso del río La Miel, Caldas, durante varios años, después de que la empresa generadora de energía eléctrica ISAGEN3 construyera la Central Hidroeléctrica Miel I, para que profesionales en el tema analizaran el im-pacto ambiental de dicha obra aguas abajo.

Palabras clave:percepción remota, sistemas de información geográ-fica, aplicativos SIG, dinámica fluvial, mapa de cam-bios.

1 IngenieroCatastralyGeodesta,EspecialistaenSistemasdeInformaciónGeográfica.ContratistaIGAC-CIAF.Correoelectrónico:[email protected],[email protected].

2 AgrólogoEspecialistaenFotointerpretaciónAplicadaaLevantamientosEdafológicos.MagísterenGeografía.Carrera30Nº48-51,edi-ficioCIAF,oficina308,Bogotá,Colombia.InstitutoGeográficoAgustínCodazzi,CentrodeInvestigaciónyDesarrolloenInformaciónGeográfica.Correoelectrónico:[email protected]

3 ISAGENesunaempresadeserviciospúblicosmixta,constituidaenformadesociedadanónima,decaráctercomercial,deordennacionalyvinculadaalMinisteriodeMinasyEnergíadeColombia.Suobjetosocialprincipaleslageneraciónycomercializacióndeenergíaeléctrica,asícomolacomercialización

VisualizacióndeladinámicafluvialdelríoLaMielmedianteunaplicativoSIGVisualization of fluvial dynamic of the La Miel river to a GIS

application

David Arenas Herrera1, Pedro Karin Serrato Álvarez2


1. Introducción

La construcción de obras civiles pue-de generar en algún momento un im-pacto ambiental negativo o positivo. En el caso de las obras de generación eléctrica, como las hidroeléctricas y termoeléctricas, pueden modificar las condiciones de un río en lo que se refie-re a su caudal, calidad del agua, entre otros4.

La empresa ISAGEN construyó una Central Hidroeléctrica denominada Miel I en el departamento de Caldas. Por esta razón, el Ministerio de Am-biente, Vivienda y Desarrollo Territo-rial (MAVDT) le solicitó a esta entidad que realizara estudios que permitieran evaluar la dinámica fluvial del río La Miel, entre otros; razón por la que ISA-GEN y el Instituto Geográfico Agustín Codazzi-IGAC firmaron un acuerdo de cooperación en el que el Centro de In-vestigación y Desarrollo en Información Geográfica-CIAF, perteneciente al IGAC actuó como dependencia ejecutora de tal estudio.

Para llevar a cabo esta investigación, el Grupo de Percepción Remota y Apli-caciones Geográficas del CIAF, empleó técnicas de percepción remota5, y la es-tructuración de la información en una base de datos geográfica, con las que desarrolló un aplicativo SIG.

Para abordar el diseño del aplicativo SIG en el desarrollo de este estudio, fue ne-cesario el uso de el software ArcGIS-Ar-cMap, versión 9.2, usando el lenguaje y entorno de programación Visual Basic for Applications (VBA), integrado en ArcMap, empleando a su vez un con-junto de objetos programables de este software conocidos como ArcObjects (Burke, 2003).

Inicialmente, el aplicativo fue realizado por un grupo de estudiantes dentro de su trabajo de grado en la especializa-ción en SIG, promoción correspondien-te al 2008, como parte del convenio Universidad Distrital-IGAC. Con base en esta experiencia, se perfeccionó un nuevo aplicativo con muchas más fun-cionalidades, además de una interfaz diferente. Asimismo, la experiencia del estudio, evidenció las bondades, facili-dad de uso, destreza de análisis y uti-lidad práctica para el despliegue visual de los resultados, además del enlace entre la percepción remota y los SIG.

2.Materialesymétodos

Para alcanzar el objetivo del estudio, es decir, visualizar en un SIG de manera fácil la Dinámica Fluvial del río La Miel en los periodos comprendidos entre 1995, 2000, 2003 y 2005, se emplea-ron equipos de cómputo, programas

4 SERRATO,PedroKarín.EstudiodeladinámicafluvialdelríolaMiel,aguasabajodelacentralhidroeléctricaMielI(informefinal).IGAC-CIAF,Bogotá,2008.

5 LaPercepciónremotaesuntérminoamericano,equivalentealvocabloeuropeoTeledetección,quesepuededefinircomo: “Lacienciayelartedeobtenerinformaciónútildeunobjeto,áreaofenómeno,atravésdelanálisiseinterpretacióndelosdatosde

imágenesadquiridasporunequipoquenoestéencontactofísicoconelobjeto,área,ofenómenobajoinvestigación”.IGAC,Princi-piosBásicosdeCartografíaTemática1998.Pág.216).

119


especializados e información en forma-to digital.

Como equipo, se empleó un computa-dor portátil Dell Latitude D820, dotado de un procesador Intel Centrino Duo de 2 giga Hertz-GHZ, 1GB6 de memoria RAM y un disco duro cuya capacidad es de 80 GB, que funciona con un siste-ma operativo Windows XP Profesional y Service Pack 2.

En cuanto a los programas, fue necesa-rio utilizar el software para SIG ArcGIS con licencia ArcInfo, con entorno de desarrollo Visual Basic for Applications, integrado en ArcMap 9.2. Igualmente, se empleó el programa Erdas Imagine 9.1 para el procesamiento de imágenes satelitales.

La información digital con que se dis-puso consistió en una modelo digital de elevación7 (en inglés, digital eleva-tion model (DEM)) de 30 metros de re-solución espacial y una base de datos geográfica en formato geodatabase8 versión 9, que contenía cartografía bá-sica de las planchas IGAC números PL-168, PL-169, PL-188 y PL- 189 (2004 y 2006) correspondientes a la zona de estudio. También se contó con capas digitales o shapefiles9, que incluían in-formación de geomorfología en forma-to de vectores en diversos años (1995, 2000, 2003 y 2005). De la misma mane-ra, se tuvo información de cobertura de la Tierra, elaborada bajo los lineamien-tos del sistema de clasificación Corine Land Cover del año 2002, provenientes

de la interpretación visual hecha a las imágenes satelitales, fotografías aéreas y ortofotomosáicos10 obtenidas por téc-nicas de interpretación de productos mediante percepción remota.

Para la elaboración del aplicativo SIG se consideraron cinco fases a saber:

1) requerimientos del usuario;

2) diseño;

3) recolección de la información pro-veniente de sensores remotos;

4) desarrollo;

5) comprobación; e

6) implementación.

6 UngigabyteesunaunidaddemedidainformáticacuyosímboloeselGB,ypuedeequivalersea230bytesoa109bytes,segúneluso.Elprefijo“giga”provienedelgriego,(γίγας,gigas)quesignifica“gigante”,yfueelegidoporque109puedeserdescritocomounnúmero“gigante”.

7 UnModeloDigitaldeElevación(MDE)esunaestructuranuméricadedatosquerepresentaladistribuciónespacialdelaelevacióndelasuperficiedelterreno.LaunidadbásicadeinformacióndeunMDEesunvalordeelevaciónZ,alqueacompañanlosvalorescorrespondientesdeXeY,queexpresadosenunsistemadeproyeccióngeográficapermitenunaprecisareferenciaciónespacial.

8 LaGeodatabaseesunmodeloquepermiteelalmacenamientofísicodelainformacióngeográfica,yaseaenarchivosdentrodeunsistemadeficherosoenunacoleccióndetablasenunSistemaGestordeBasedeDatos(MicrosoftAccess,Oracle,MicrosoftSQLServer,IBMDB2eInformix).

9 Shapefile(SHP)esunformatodearchivoinformáticopropietarioabiertodedatosespacialesdesarrolladoporlacompañíaESRI,quiencreaycomercializasoftwareparaSistemasdeInformaciónGeográficacomoArc/InfooArcGIS.OriginalmentesecreóparalautilizaciónconsuproductoArcViewGIS,peroactualmentesehaconvertidoenformatoestándardefactoparaelintercambiodeinformacióngeográficaentreSistemasdeInformaciónGeográficaporlaimportanciaquelosproductosESRItienenenelmercadoSIGyporestarmuybiendocumentado.

10 Unortofotomosaicoesunconjuntodeimágenesdeunazonadelasuperficieterrestre,enlaqueunaltoporcentajedeloselementospresentanunaescalahomogénea,enteoríalibredeerroresydeformaciones,yaproximadamenteconlamismavalidezdeunplanocartográfico,enelaspectodeprecisión.


Estas fases se encuentran estructuradas en un diseño metodológico que se si-guió de manera secuencial (figura 1).

La primera fase consistió en el preám-bulo al diseño del aplicativo SIG, uti-lizando la metodología de ingeniería de software para el diseño y desarro-llo de aplicaciones SIG del CIAF para

proyectos cortos. En esta etapa se en-trevistó al cliente (ISAGEN) con el ob-jeto de determinar las especificaciones, funcionalidades y requerimientos que debería presentar el aplicativo. Las es-pecificaciones apuntan al despliegue de los mapas de cambios ocurridos en el tiempo, teniendo como base la in-formación espacial de los años 1995, 2000, 2003 y 2005, en lo relacionado con la dinámica fluvial en un tramo del río La Miel, comprendido por dos capas para cada año. La primera correspon-de a la geomorfología y la segunda al curso del río, a continuación, se analizó el impacto generado por la construc-ción de la Central Hidroeléctrica Miel I, creando para esto una interface gráfica de usuario fácil de manejar, que funcio-nara con ArcGIS-ArcMap 9.2 y desarro-llado con VBA11.

La segunda fase se trató del diseño del aplicativo SIG, utilizando algunos mé-todos de ingeniería del software; el di-seño de la interfaz gráfica de usuario consistió en un formulario con varios módulos representados por pestañas a las que se les agregaron funciones adicionales de las inicialmente previs-tas, con miras a facilitar el uso así: el primer módulo maneja las capas que lo comprenden, permitiendo apagar y prender cada una de estas o todas al tiempo, agregar nuevas capas y elimi-nar las existentes, asignar simbología de acuerdo con el mapa del cual haga parte cada capa (mapa de cobertura de la Tierra mediante el sistema de clasifi-cación Corine Land Cover para Colom-bia, geomorfología, dinámica fluvial, drenajes y cambios (figura 2).

El segundo módulo admite el desplie-gue de la información que anualmente muestra la capa de geomorfología con sus respectivas etiquetas (textos des-criptivos) y la del cauce del río La Miel. De acuerdo a la fecha seleccionada por el usuario, el aplicativo posee una sali-Fuente:Elaboraciónpropiadediseño,2009.

Figura 2.Ventana principal del aplicativo SIG con sus módulos.

11 VBA(VisualBasicforApplications)esellenguajedemacrosdeMicrosoftVisualBasicqueseutilizaparaprogramaraplicacionesWindowsyqueseincluyeenvariasaplicacionesMicrosoft.VBApermiteausuariosyprogramadoresampliarlafuncionalidaddeprogramasdeMicrosoftOfficeydeotrosprogramasquefuncionanbajoWindowscomoArcgis.VisualBasicparaAplicacionesesunsubconjuntocasicompletodeVisualBasic5.0y6.0.

Fuente:Elaboraciónpropiadediseño,2009.

Figura 1. Metodología para la elaboración del

aplicativo SIG para el estudio de la

dinámica fluvial del río La Miel.

121


da gráfica o layout12 dinámico (escala 1:50.000), es decir, cambia su leyenda, convenciones y títulos de acuerdo con el mapa que se quiera mostrar de for-ma automática y de la misma manera, asigna la simbología (de cartografía te-mática) acorde con el mapa de interés en varios de sus módulos.

El tercer módulo despliega información por tipo, ya sea de geomorfología con sus respectivas etiquetas o del río La Miel, de acuerdo con el año elegido por el usuario.

El cuarto permite desplegar los cambios ocurridos entre diversos años, mapas de pérdidas y ganancias del curso del río en periodos de tiempo de dos años, estos últimos puede ser generados de forma automática por el aplicativo, median-te un modelo de cambios creado con la herramienta Model Builder13, la que permite generar mapas nuevos de for-ma interactiva a partir de unos ya exis-tentes, pues posibilita elegir las capas que entran al modelo y la capa de salida con sus correspondientes nombres. Los componentes de la aplicación Model Builder se muestran en la figura 3.

El quinto módulo permite desplegar el mapa de cobertura de la zona de estu-dio, mediante el sistema de clasificación de Corine Land Cover con sus respecti-vas etiquetas, de acuerdo con la leyenda del mismo sistema de clasificación.

El sexto y último módulo permite pren-der y apagar las capas de cartografía básica (vías y centros poblados, con sus etiquetas) así como los matices hipso-métricos que posibilitan diferenciar por colores la variedad de alturas sobre el nivel del mar y la forma del relieve, me-diante el mapa de sombras, generado a partir del DEM. Adicionalmente, el aplicativo permite funciones de enfo-que o zoom, tales como acercar (zoom

in) y alejar (zoom out), zoom anterior y siguiente, flechas de desplazamiento y zoom a todo el layout.

En la tercera fase se recolectó toda la información vectorial interpretada a partir de las imágenes provenientes de percepción remota, correspondientes a geomorfología y cauce del río La Miel de los años 1995, 2000, 2003 y 2005, capa de cobertura de la Tierra año 2002, la cartografía básica en formato geodatabase versión 9.0 de los años 2004 y 2006, y el DEM con resolución de 30 metros (figura 4).

12 Layoutenlosprogramasinformáticos,esundiseñodeladisposicióndelosmapas,capasoescenasenunainterfazgráficadeusua-rio

13 ModelBuilderesunaherramientadeanálisisqueestáincluidaenArcGISDesktopconlaquesepuedecrear,editarygestionarmode-los de manera fácil por el desarrollador.

Figura 4.Vista del Aplicativo SIG, dentro de ArcMap 9.2.


Fuente:http://webhelp.esri.com/arcgisdes-ktop/9.2/ModelBuilder

Figura 3. Componentes de una aplicación Model Builder.


Esta información fue transformada al sistema de referencia MAGNA-SIRGAS, punto de origen Bogotá y zona V (cen-tral). Se creó también una base de da-tos geográfica en formato geodatabase (versión 9.2) estructurada en feature dataset14 según el año y tipo de infor-mación, y dentro de éstos se crearon feature class15 correspondientes a la in-formación vectorial recolectada.

Una vez creada la base de datos geo-gráfica, se cargó la información vecto-rial y allí fue estructurada y cortada de acuerdo al área de estudio, y se verificó que todos los polígonos estuvieran co-rrectamente clasificados con sus corres-pondientes nombres y códigos y que no presentaran valores nulos.

El DEM se cortó de acuerdo con el espacio geográfico que muestran las planchas a escala 1:100000 del IGAC, razón por la que fue necesario hacer un mosaico con todas las secciones y luego recortarlo según el tamaño del área de interés, usando para esto el software Erdas Imagine versión 9.1; a partir de éste y empleando la herra-mienta Spatial Analyst de ArcGIS 9.2, se generó el mapa de sombras y fue cambiada la simbología del DEM de tonos de gris a una gama de colores a través de matices hipsométricos16, con los que se representan las diversos pi-sos altitudinales en la zona, en rangos de 100 metros; en el siguiente paso se asignó una transparencia del 40% y fue superpuesto el mapa de pisos altitudi-nales con el mapa de sombras que en conjunto forman un mapa de relieve.

La cuarta fase de elaboración consistió en desarrollar lo planteado en la fase de diseño mediante código de progra-mación en el lenguaje VBA, para esto se utilizaron las múltiples clases y ob-jetos de ArcObjects17 que fueron cons-truidos por la empresa ESRI18. Durante esta etapa se crearon subrutinas con-sistentes en una sentencia escrita de instrucciones en un programa para que el ordenador realice una tarea y cum-pla funciones similares a las anteriores, pero que retornan al valor de la línea de código que llama o que da inicio a la instrucción (BURKE, 2003); lo anterior sirve para ahorrar y reutilizar códigos de programación, ya que se escriben una vez y pueden ser llamados y utilizados varias veces, sin tener que escribir el mismo código cada vez, por ejemplo: se crearon funciones relacionadas con la operación de prender y apagar capas, que son utilizadas en varios módulos del aplicativo. Estas subrutinas y funcio-nes son escritas una sola vez y pueden ser reiniciadas o llamadas de maneras diferentes desde el módulo que las re-quiera, sin necesidad de volver a escribir el mismo código para cada módulo. Al momento de escribir el código se debe pensar no sólo como programador sino también como el usuario final, a fin de facilitar el uso y, un aspecto muy impor-tante, que las acciones realizadas por éstos no vayan a ocasionar errores que desestabilicen el aplicativo y generen efectos inesperados.

La quinta fase consistió en la realización de pruebas bajo diferentes condiciones, con el objeto de verificar posibles fa-

14 Unfeaturedatasetesunacoleccióndedatosrelacionadosconlacaracterísticadeclasesquecompartenunmismosistemadecoor-denadas.estosseutilizanparaintegrarelespaciooportemasrelacionadosconlafuncióndelasclases.Supropósitoprincipal,eslaorganizarlasclasesdedatosrelacionadosconsufunciónenunabasededatoscomúnparalaconstruccióndeunatopología,unareddedatos,unconjuntodedatosdelterreno,ounaredgeométrica.

15 Unfeatureclassesunacoleccióndelascaracterísticasgeográficasquecompartenelmismotipodegeometría(punto,líneaopolígo-no),yelmismoatributodeloscamposdeunespaciocomún.Ejemplos:Calles,puntos,parcelas,tiposdesuelo,entreotros.

16 LosMaticeshipsométricossonunaformarepresentarlaaltituddeunespacioenrangosdemetrossobreelniveldemar,asíentremásaltoseaunespaciosucolorserámásintenso,usualmentelosmapasindicanquecolorusaronparalosdiferentesrangosdealtitud.

17 ArcObjectsesentornodedesarrollodeaplicacionesArcGISDesktop,talescomoArcMap,ArcCatalogyArcscene.SeutilizaparapersonalizaryextenderelusodeArcGISincrustadodeVisualBasicparaAplicaciones(VBA)

18 ESRI(EnviromentalSystemsResearchInstitute)esunaempresadedicadaaldesarrolloycomercializacióndeSistemasdeInforma-ciónGeográficaconsedeenCalifornia,EE.UU.Esunadelascompañíaslíderesenelsectoranivelmundial.LapopularidaddesusproductoshasupuestolageneralizacióndesusformatosdealmacenamientodedatosespacialesenelcampodelosSistemasdeInformaciónGeográficavectoriales,entrelosquedestacaelshapefile.SuproductomásconocidoesArcGIS.

123


llas. Aquí se descubrieron problemas relacionados con los valores nulos, con el tipo de dato de los campos de clasi-ficación de los feature class, así como con el tipo de capa (raster y vector no polígono), entre otros, los que hicieron que el aplicativo fallara. Estas pruebas permitieron corregir tales defectos, con lo que el aplicativo quedó listo para su implementación.

La sexta y última fase fue la de imple-mentación que se realizó por parte de ISAGEN, aquí el aplicativo SIG entró en funcionamiento y está siendo utilizado por el usuario final tanto para hacer los análisis correspondientes, como para mostrar los resultados del estudio.

3. Resultados y discusión

La creación del aplicativo SIG permitió la generación de mapas de cambios en la dinámica fluvial del río La Miel y el des-pliegue de otros mapas complementa-rios, tales como los de geomorfología, cobertura de la Tierra, del cauce del río La Miel y algunas capas de cartografía básica, que soportarán el análisis reali-zado por el usuario final o profesional temático, quien los podrá ver y generar fácilmente de forma interactiva.

Los mapas generados fueron los si-guientes:

El primero, es el mapa de geomorfo-logía que consiste en las capas con la información de paisajes o geoformas y del cauce del río La Miel para un año determinado, seleccionado de cua-tro años posibles (1995, 2000, 2003 y 2005). Dicho mapa permite conocer las geoformas presentes en la zona ale-daña a la ribera del río La Miel, entre las que se encuentran gargantas, ver-tientes convexas residuales y vertien-tes cóncavas de retroceso para la zona donde el río forma un cañón; y cubetas de decantación, islas, laderas inferiores de colinas, meandros inundados aban-

donados, orillares subactuales, playas, terrazas, además del cauce del mismo río dentro de la llanura aluvial meándri-ca de esta corriente fluvial (figura 5).

Este mapa puede ser generado en el módulo de despliegue de información anual mediante la pestaña correspon-diente (figura 6).

El segundo es el mapa del cauce del río La Miel para un año fijado. Muestra la información correspondiente a la forma y posición de cada uno de los detalles del río como orillas y meandros en el momento en que fue levantada la in-formación mediante sensores remotos, bien sean fotos o imágenes satelitales. Esta información tiene adosada la sim-bología correspondiente (figura 7).

Figura 5.Mapa de geomorfología del río La Miel para el año 1995.



Figura 6.Ventana del aplicativo SIG exhibiendo el módulo de información por año

Figura 7.Mapa del cauce del río La Miel.



diente. Allí se evidencia la variación del curso del río de un año a otro, es decir, su dinámica fluvial (figura 11).

El mapa que se muestra en la figura 10 es desplegado mediante el modulo de cambios (figura 12).

Un quinto tipo de información espacial que se puede obtener con este aplicati-vo SIG, está el relacionado con el mapa de ganancias del curso del río La Miel durante un periodo de tiempo elegido por el usuario. Este muestra el área ga-nada por el río en comparación con el año anterior (figura 13).

Este mapa es generado por el respec-tivo módulo de cambios, mediante su respectiva pestaña y oprimiendo el bo-tón de ganancias (figura figura 14).

Figura 8.Ventana del

aplicativo SIG mostrando

el módulo de información por

tipo “fluvial”.

8. 9.

10. 11.

12. 13.

Figura 9.Mapa de

geomorfología del río La Miel de 1995.

Figura 11.Mapa de cambios o dinámica fluvial

del río La Miel para el periodo

2003- 2005.


aplicativo SIG mostrando el

módulo de cambios


aplicativo SIG mostrando

el módulo de información

por tipo “geomorfología”.

Figura 13.Mapa de ganancias del río La Miel para

el periodo 2003-2005.


Este mapa se produjo en el módulo de despliegue de información por tipo fluvial, mediante la pestaña correspon-diente (figura 8).

En la figura 9 se muestra el tercer tipo información espacial, correspondiente al mapa geomorfología junto con la información por tipo y por año, con la simbología correspondiente. Gracias a este mapa es posible hacer análi-sis anuales sobre el cauce del río y la geomorfología presente en sus orillas.

La visualización de este mapa se hace gracias al módulo de despliegue de in-formación por tipo (figura 10).

El cuarto tipo de mapa que puede mostrar este aplicativo SIG, se refiere al mapa de cambios en el curso del río La Miel para un periodo de tiempo selec-cionado, con la simbología correspon-

125


Un sexto producto del aplicativo SIG es el mapa de pérdidas en el curso del río La Miel durante un periodo deter-minado, el que refleja el área perdida por el río en comparación con el año posterior. Es importante destacar que tanto el mapa de ganancias como el de pérdidas, son producto de funciones de análisis espacial modeladas con la he-rramienta Model Builder y que el apli-cativo facilita su utilización al usuario la primera vez que este es ejecutado y que posteriormente se despliegan cuando el usuario lo requiera (figura 15).

Tal concepto se representa mediante el modulo de despliegue de cambios, opri-miendo el botón de pérdidas (figura 16)

Una séptima opción de análisis es la búsqueda del mapa de cobertura, rea-lizado mediante el sistema clasificación de Corine Land Cover adaptado para

14.

16.

18.

15.

17.

19.


Figura 14.Ventana del aplicativo SIG mostrando el módulo de cambios para el mapa de ganancias del periodo comprendido entre 2003 y 2005.

Figura 15.Mapa de pérdidas del río La Miel para el periodo 2003-2005.

Figura 16.Ventana del aplicativo SIG mostrando el módulo de cambios para el mapa de pérdidas del periodo comprendido entre 2003 y 2005.

Figura 17.Mapa de cobertura de la tierra de la cuenca del río La Miel de 2002.

Colombia. Éste permite a los temáticos que van a ver el aplicativo, conocer el tipo de cobertura presente (año 2002, para este caso) en la zona de estudio, además de analizar un poco más el en-torno (figura 17).

Este mapa es desplegado gracias al mó-dulo de cobertura, activando la pestaña respectiva (figura 18).

La octava opción del aplicativo SIG es exponer el mapa de cartografía básica, que contiene las capas de vías, centros poblados con su toponimia, DEM con matices hipsométricos representados mediante una gama de colores y trans-parencia del 40%, aparte del mapa de sombras generado a partir del DEM, Di-cho mapa se creó para servir de fondo de los mapas anteriores, y de esa ma-nera mostrar el relieve y agilizar la ubi-cación de detalles en el área de estudio (figura 19).

Figura 18.Ventana del aplicativo SIG mostrando el módulo cobertura para el despliegue del mapa correspondiente.

Figura 19.Mapa de Cartografía básica de área de influencia del embalse del río La Miel.


en la morfología de un río meándrico como el río La Miel suceden de manera natural a través del tiempo.

De acuerdo con lo visualizado en este aplicativo SIG, el sector del río La Miel correspondiente al cañón y que se en-cuentra entre el sitio de presa y la Ha-cienda La Palmera, prácticamente es invariable, dada la naturaleza y dureza del sustrato que trabaja el río. Por tal razón las variaciones se dan en periodos de tiempo muy extensos, abarcando miles de años con cambios milimétricos en el curso y forma del cauce.

Con ayuda del aplicativo SIG, se pudo establecer que el cambio más trascen-dental del río La Miel tiene lugar en la desembocadura del río Samaná, ya que esta cambió su sitio de confluencia 500 metros más hacia el norte. En efecto, las evidencias mostradas en las fotografías aéreas demuestran que en el año 1995 la entrega de las aguas de este río se efectuaba de manera oblicua en un án-gulo de 60 grados y afectaba una loma de sustrato firme, mientras que en la actualidad el caudal de río Samaná está atacando su margen derecha (oriental) con un proceso de erosión fluvial lateral fuerte, ante el cual la terraza y banca donde se encuentra el carreteable que comunica a Norcasia con San Miguel esta colapsando rápidamente a tal pun-to que de 6 metros de ancho que tenía la vía, esta se ha reducido a la fecha 2,4 metros.

La realización de una rutina computa-rizada gráfica o aplicativo, operado en una plataforma SIG, viabiliza al usuario visualizar fácilmente la información pro-veniente de la percepción remota, para que éste pueda hacer un análisis de la temática de su interés, en este caso, el de la dinámica fluvial del río La Miel, acerca de los cambios que este ha sufri-do antes y después de la construcción de la Central Hidroeléctrica Miel I.

Este aplicativo SIG facilita manejar efi-cientemente la información del estudio,



aplicativo SIG mostrando el

módulo cartografía básica.

Este mapa es expuesto por medio del módulo de cartografía básica oprimiendo la respectiva pestaña y los botones para prender o apagar la cartografía básica o los matices hipsométricos (figura 20).

Toda esta información, incluyendo el layout o salida gráfica, el aplicativo y la simbología, están almacenados en un único archivo de proyecto de ArcMap con extensión *.mxd. Si no se hubiese desarrollado el aplicativo, tendría que existir un archivo *.mxd por cada mapa que se hiciese, el cual “llama” capas a los vectores almacenados en la geoda-tabase, los archivos raster del DEM y el mapa de sombras, además de su res-pectiva simbología.

Igualmente, los mapas expuestos ante-riormente presentan un tiempo especí-fico de acuerdo con la época en que se levantó la información. Sin embar-go, dado el diseño y la funcionalidad de este aplicativo SIG, el usuario podrá generar información más actualizada y cargarla al sistema para seguir anali-zando las variables que éste desee.

4. Conclusiones

Mediante el estudio multitemporal que se realizó, fue posible corroborar que efectivamente el río La Miel, durante los periodos 1995 y 2005, ha sufrido cambios moderados en su cauce. Sin embargo, estos no se deben a la mo-dificación en la regulación del caudal por el efecto del embalse del río aguas arriba de la llanura plana. En este senti-do, es preciso afirmar que los cambios

127


pues es tan densa que de no existir di-cho aplicativo, sería difícil y demorado apreciarla, dada la gran cantidad de información presente, además de que cada mapa tendría que hacerse por aparte, toda vez que un layout no se actualizaría automáticamente si no se hiciera así y habría tantos archivos *.mxd como mapas hubiesen.

Un aplicativo SIG de esta naturaleza facilita la cuantificación de los cambios del río La Miel u otro y la afectación de éstos sobre las unidades geomorfoló-gicas de manera precisa, en cuanto a su extensión, ubicación, distribución y tendencias de cambio.

La información capturada por medio de la percepción remota es la fuente fundamental para la realización de de estudios multitemporales de este tipo,

estudios de impacto ambiental, u otros, de tal manera, que la calidad de la in-formación modelada por el SIG depen-de necesariamente de ésta.

La integración los SIG con la percepción remota posibilita la generación de nue-va información útil para los profesiona-les temáticos y tomadores de decisión.

Con la información generada median-te el aplicativo SIG en el estudio del Análisis Multitemporal de la Dinámica Fluvial de la parte baja del río La Miel, la empresa ISAGEN, las corporaciones ambiéntales y autoridades de los mu-nicipios que se encuentran en el área de influencia de este río, pueden contar con información suficiente para tomar las medidas necesarias de prevención y mitigación de riesgos que surjan por los efectos que pueda ocasionar esta arte-ria fluvial.


BURKE, Robert. Getting to know ArcObjects: programming ArcGIS with VBA. Primera edición. Editorial ESRI Press, 2003. 422 pp. ISBN 1-58948-018-X. Redlands, 2003.

CANADA CENTRE FOR REMOTE SENSING, Fundamentals of remote sensing: A Canada Centre for Remote Sensing Remote Sensing Tutorial, 2009, 258 pp,

http://webhelp.esri.com/arcgisdesktop/9.2/ Model Builder. 14-01-09

IGAC. Principios básicos de cartografía temática. Subdirección de Geografía. Editorial Graphiar-tex. Santa Fé de Bogotá, D.C. 1998.

MURAI, Shunji. SIG Manual Base Vol. 1: Conceptos fundamentales / Revista SELPER. Vol. 15, No. 1 (junio). Santiago: Selper, 1999, 72 pp. Semestral. ISSN 0717-2915. Bogotá, 1999

SERRATO, Pedro Karín. Estudio de la dinámica fluvial del río La Miel, aguas abajo de la central hidroeléctrica Miel I (informe final). IGAC-CIAF, Bogotá, 2008.

9 La inteligencia artificial convencional y la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la Tierra

La inteligencia artificial convencional y la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la Tierra Conventional artificial intelligence (AI) and distributed artificial

intelligence (DAI) in the space programs of the Earth observation

Jonás C. León Pérez1

129

La inteligencia artificial convencional y la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la Tierra

AbstractThis document shows applications of conventional artificial intelligence (AI) and distributed artificial in-telligence (DAI) in the space programs of the earth observation, mostly related to the acquisition of ima-ges in tropical regions, identified by permanent cloud coverage. Are reviewed automatic masking and de-tection of clouds using artificial neural networks and software implementation with intelligent algorithms so that the spacecraft responds with autonomy ac-cording to the phenomena observed, because of its ability to make decisions aboard and transmit only the necessary and useful information to the earth. It is concluded that DAI is used to assist planning and analysis functions of the mission in earth by reducing operative costs and risks.

Key words:Artificial neural networks, Autonomous Spacecraft, software agent, distributed artificial intelligence.

ResumenSe presentan aplicaciones de la inteligencia artificial (IA) clásica y de la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la Tierra, principalmente relacionadas con la adquisi-ción de imágenes en regiones tropicales, caracteriza-das por la alta y permanente nubosidad. Se analizan la detección y enmascaramiento automático de nu-bes utilizando redes neuronales artificiales (RNA) y la implementación de un software con algoritmos inteligentes para que la nave espacial responda con autonomía en función a los fenómenos que observa, gracias a su capacidad para “tomar decisiones” a bor-do y retransmitir a Tierra información estrictamente necesaria y útil. Se concluye que la IAD ayuda a que las funciones de planeación y análisis de la misión en tierra sean simplificadas, reduciendo los riesgos y costos de operación.

Palabras clave:Redes neuronales artificiales, naves espaciales autó-nomas, agente software, inteligencia artificial distri-buida.

1 MScenSuelos,InstitutoGeográficoAgustínCodazzi,IGAC,Carrera3048-51–Bogotá–Teléfono:3694000ext.4598,Correoelectró-nico:[email protected]

La inteligencia artificial convencional y la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la Tierra Conventional artificial intelligence (AI) and distributed artificial

intelligence (DAI) in the space programs of the Earth observation

Jonás C. León Pérez1


Introducción

El hombre siempre ha tenido interés por conocerse a sí mismo y al mundo que lo rodea y este interés ha sido uno de los motores que le ha permitido, en su estancia relativamente corta en la Tierra, lograr una transformación tan grande del mundo. Consecuente con esa inquietud, se ha dado a la tarea de examinar en forma paralela, la evolu-ción y la manera en que las computa-doras manejan la información y lo que se sabe cómo la procesan los seres vi-vos, pues en ella se basan los intentos por crear “máquinas inteligentes”, con capacidades que les permitan actuar con cierta autonomía.

Hoy en día es corriente encontrar, entre otros, “electrodomésticos inteligentes”, “cámaras fotográficas inteligentes”, “edificios inteligentes”, “medicinas in-teligentes”, “celulares inteligentes”, “semáforos inteligentes”, etc. Sin em-bargo, el solo epíteto de “inteligente” no les confiere esa característica, sino que, para ser considerados como tales, deben “tomar decisiones autónomas” y solucionar problemas.

En el campo de los programas espacia-les de observación de la Tierra (PEOT), hay gran interés por desarrollar agentes inteligentes para que las naves espacia-les, que orbitan a cientos de kilómetros sobre la superficie terrestre, puedan ge-nerar soluciones originales y, al mismo tiempo, utilizar experiencia previamen-te adquirida cuando están al frente de situaciones nuevas, sin la participación del diseñador humano. Aquí se entra al campo de la inteligencia artificial (IA)

en general y, de la inteligencia artificial distribuida (IAD) en particular.

En consecuencia, el objetivo del presente artículo es mostrar cómo la IA, con sus diferentes componentes, caso redes neu-ronales artificiales (RNA) y la IAD, con la acción combinada de múltiples agentes, pueden hacer más eficientes los PEOT, en la perspectiva de sacar enseñanzas para ser consideradas en el proyecta-do programa satelital colombiano, que deberá actuar en condiciones de alta y permanente nubosidad, característica de las zonas tropicales húmedas, donde está ubicada Colombia.

1. La inteligencia artificial (IA) y la inteligencia artificial distribuida (IAD)

En este acápite se desarrollan aspectos relacionados con los conceptos básicos sobre IA en general, y de la IAD en par-ticular, haciendo énfasis en los tópicos que servirán de apoyo para el segui-miento de las aplicaciones.

1.1. Inteligencia artificial

La idea de construir una máquina que pueda rivalizar o superar la capacidad de razonamiento del cerebro huma-no ha atraído durante muchos años la imaginación del hombre. Así, a me-diados de los años treinta, el profesor Alan Turing propuso la cuestión básica “¿Puede pensar una máquina?”. En res-puesta se han desarrollado serias pro-

131


puestas y han surgido muchas teorías contrapuestas (McAllister, 1991) de los que se ha dado por llamar la inteligen-cia artificial (IA).

La IA como tecnología es muy reciente, aunque como concepto es antiquísimo. Ella ha evolucionado con rapidez apro-vechando el desarrollo de la electrónica, que permitió la creación de las compu-tadoras, máquinas que realizan tareas similares a las ejecutadas por criaturas inteligentes. Por ello, la historia de la IA está ligada estrechamente a la historia de la informática.

1.1.1. ¿Qué es la inteligencia artificial?

No existe una definición para la IA que tenga una aceptación general, lo cual no es de extrañar ya que tampoco ha existido nunca una definición universal-mente aceptada de la inteligencia hu-mana.

Sin embargo, sí se puede afirmar que ciertas técnicas y sistemas en el campo de la informática son reconocidos como facetas de la IA. En términos generales, dichas técnicas consisten en lograr que una computadora haga algo que si lo realizase un ser humano se consideraría como inteligente. Pero, al mismo tiem-po, se deben descartar los puros cálcu-los numéricos y la ejecución de tareas rutinarias y considerar solo las acciones que parezcan conllevar algún aspecto del poder de razonamiento humano, tales como la capacidad de abstracción, generalización, inventiva, aprendizaje y, por supuesto, la capacidad de recordar (McAllister, 1991).

En 1956, la inteligencia artificial fue definida por John McCarthy (citado por Openshaw and Openshaw, 1997), con-siderado el padre de esta, como la cien-cia y la ingeniería de fabricar máquinas con una inteligencia parecida a la hu-mana y programas de computadora

que pudieran entender, inferir, “sentir” y aprender.

A su vez Becerra (1999), considera que “La inteligencia artificial es una de las ramas de la computación de mayor auge en los últimos lustros y que su principal objetivo no es reproducir la in-teligencia humana sino la investigación de procesos simbólicos, el razonamien-to no algorítmico y la representación del conocimiento”.

Los conceptos y definiciones anterior-mente expuestas ratifican la dificultad de obtener un consenso en lo que se entiende por IA, pero la tendencia es no esperar que los programas de IA ne-cesiten pensar como un ser humano, sino actuar como tal, en la perspectiva de ser un elemento importante de las computadoras en el futuro.

1.1.2. Aspectos de la inteligencia artificial

La inteligencia artificial se puede apli-car a diversas actividades humanas y, en particular, a todas aquellas en las que tiene sentido utilizar la informáti-ca. Existen dentro de la inteligencia ar-tificial distintas ramas de investigación con sus intereses específicos, técnicas y terminologías, cuya lista se presenta a continuación, y que sin ser exhaustiva, cubre las áreas principales, como se ob-serva en la Figura 1 (McAllister, 1991).

Figura 1.Aspectos de la Inteligencia Artificial.

Fuente:McAllister,1991


• Percepción. Lasmáquinas serán ca-paces de reaccionar a su entorno e influenciarlo mediante sensores y dispositivos de interacción con el exterior. Algunos de los progre-sos conseguidos en el desarrollo de circuitos integrados, permitirán a la computadora aceptar órdenes y datos especializados, mediante la utilización del lenguaje hablado.

• Solución de problemas en general.Esto no significa simplemente pro-gramar una maquinaria para re-solver problemas específicos tales como hallar las soluciones de una ecuación de segundo grado, sino crear un sistema capaz de hallar mé-todos para solucionar problemas.

•ComprensióndelLenguajenatural.Lanecesidad de comunicarse con las computadoras mediante lenguajes especializados de alto nivel ha im-pedido a los especialistas hacer un uso de éstos que no sea superficial.

•Aprendizaje,demostracióndeteore-mas, juegos. Todos estos campos requieren cierta capacidad de me-jorar la experiencia. La búsqueda de algoritmos que permitan incorporar esta capacidad a un sistema es una de las características básicas de la investigación en IA (Becerra, 1999).

•SistemasExpertos.Paraalgunosinves-tigadores lo términos IA y sistemas expertos son sinónimos. Muchos de los sistemas existentes actualmen-te consisten en grandes bases de conocimientos, creadas para alma-cenar la información de que dispo-nen los expertos humanos en varios campos, y a las que se aplica una serie de reglas de manipulación ex-presadas en lenguajes específicos. La diagnosis médica, la ingeniería química, la exploración geológica, estudios medio ambientales, eva-luación de tierras y el diseño de computadoras, han proporcionado material para el diseño de sistemas expertos.

•LenguajesdeIA.Loslenguajesdepro-gramación tradicionales no se han adaptado bien a las aplicaciones en IA. Se han usado ampliamente len-guajes como PROLOG, basado en la lógica, y LISP que tiene una gran ca-pacidad en el procesamiento de lis-tas, pero hay mucho más lenguajes diseñados especialmente para algu-nas aplicaciones específicas.

•HardwareparalaIA.LastécnicasdeIA requieren accesos rápidos a ban-cos de memoria, enormes según los estándares tradicionales y, por tan-to, las velocidades de proceso son a veces demasiado lentas para las aplicaciones más exigentes. La anti-gua idea de solucionar un problema paso a paso mediante la ejecución de una secuencia de instruccio-nes ha cedido el paso a la ideal del procesamiento en paralelo, en el cual un conjunto de procesadores (Chips) trabajan simultáneamente en diferentes partes del problema.

•Robótica.Lacienciadelarobóticain-tegra diferentes técnicas de la IA, la idea de un robot “listo”, con la ca-pacidad de aprender por experien-cia, es el tema central de teorías e investigaciones en IA. El robot debe ser capaz de comunicarse en len-guaje natural y debe poder realizar tareas que requieran el equivalente a la iniciativa y la originalidad; esto implica que el robot debe llegar a realizar, tras un período de “apren-dizaje”, cosas para las cuales no estaba inicialmente programado, a diferencia de los robots que se utili-zan en las aplicaciones industriales, los cuales no son más que meros autómatas.

• ElConocimiento.Elconocimientodebe desarrollarse para resolver cualquier problema, el cual debe ser identi-ficado y codificado de forma ade-cuada al modo de trabajar de las máquinas. Además, el conocimien-to debe ser representado de manera

133


que facilite la corrección de errores y su actualización para poder refle-jar el estado dinámico del mundo moderno.

Durante su desarrollo la IA ha generado efectos pedagógicos, económicos, po-líticos, intelectuales y en las disciplinas científicas como la filosofía, la física, las matemáticas, la lingüística, la filosofía, la psicología, la geografía (Oepnsahaw and Opensaw, 1997) y, por extensión de esta última, en los sistemas de infor-mación geográfica (SIG), en los que ha tenido una fuerte influencia hasta plan-tearse el desarrollo de un “SIG inteligen-te” (Burrough, 1992; Zheng, 2002).

Pero, por otro lado, aún cuando las computadoras actuales son miles de veces más potentes que los de la épo-ca de los pioneros de la IA, en general, no resultan mucho más inteligentes. El problema radica en que el binomio lógi-ca booleana2- máquina Von Neumann3, sobre la que se basa la IA convencio-nal, pese a su gran potencia, presenta problemas a la hora de abordar ciertas tareas, como aquellas denominadas del mundo real, donde la información que se utiliza es masiva, imprecisa y distor-sionada (Martin del Brío y Sanz Molina, 2002; León, 2009).

Para abordar el problema antes plan-teado, se ha recurrido a una serie de paradigmas de cómputo alternativas, como las redes neuronales artificiales, los sistemas de lógica difusa, algoritmos genéticos, de los cuales sólo se desarro-llará el primero, dado su importancia en el acápite de las aplicaciones.

1.2. Redes neuronales artificiales (RNA)

Las RNA son sistemas, hardware o soft-ware, de procesamiento, que copian esquemáticamente la estructura neuro-

nal del cerebro para tratar de reprodu-cir sus capacidades. En consecuencia, las RNA son capaces de aprender de la experiencia a partir de las señales o datos provenientes del exterior, dentro de un marco de computación paralela y distribuida.

1.2.1. Estructura de las Neuronas Artificiales

El componente mínimo de una RNA es una neurona o elemento de proce-samiento. Es un dispositivo simple que transforma (en su forma), varias seña-les de entrada (dendritas), en una sola salida (axón). Las señales de entrada se encuentran moduladas por un factor, llamado peso, que gradúa la impor-tancia de la conexión entre la neurona receptora y el emisor de la señal (gene-ralmente otra neurona).

De forma general, la función computa-da en cada elemento de procesamiento se puede dividir en varios pasos (Sierra et ál., 1995):

1) Suma ponderada de sus entradas. El lugar de unión entre cada una de las señales de entrada y la neurona se denomina sinapsis. Dichas sinap-sis regulan la cantidad de informa-ción útil recibida desde cada una de las conexiones.

La expresión matemática que describe la conversión de patrones de entrada en señales de salida se llama función de transferencia de la neurona, y se ex-presa de la siguiente manera:

nIi = Σ Oj W ij

J=1

Donde:

2 Lógicaqueadmitesólounodedosvaloresensusentradasysalidas:Si/No,0/1,verdadero/falso.3 Computadorasconarquitecturassecuenciales,quenopuedenbuscarenmemoriaunanuevainstruc-

ciónmientrasnofinalicenlastransferenciasdedatosdelainstrucciónanterior.


Ii = Suma correspondiente a la neu-rona j, es decir, la cantidad de informa-ción total que llega a la neurona.

Oj = Las entradas a la neurona

Wij = El peso sináptico que pondera la conexión entre la neurona j y la neuro-na i. El conjunto de los Wij extendido a toda la red, conocido como matriz de pesos, es donde se almacena en última instancia el algoritmo que va a realizar la red neuronal.

En la Figura 2 se observa gráficamente el modelo de una neurona artificial y sus relaciones.

2) Funciones de activación. Es la fun-ción aplicada a la entrada neta Ii. Este paso consiste en convertir di-cha entrada neta en un nivel de ac-tivación para la neurona, el cual es equivalente al nivel de excitación de una neurona biológica.

La función de activación más elemental es la función escalón donde una neuro-na puede estar en dos únicos estados: activa o inhibida, esto es, 1 ó 0, depen-diendo de la entrada total.

Sin embargo, esta función presenta li-mitaciones principalmente por no ser derivable, consecuencia de que no es continua. Para solucionar ese impase se

usan otras funciones, como la sigmoi-dea que toma valores entre 0 y 1, sin tener la discontinuidad de la función escalón.

En cualquier caso, una neurona se re-duce finalmente a un sumador. Esta simpleza estructural en uno de los prin-cipales rasgos característicos de la teo-ría de redes neuronales.

1.2.2. Arquitectura de una RNA

Una red neuronal es la expresión del comportamiento individual de sus com-ponentes (neuronas) y, especialmente, de la interconexión existente entre ellas. Estas se agrupan en capas, cada una de ellas con un conjunto de neuronas de número variable y comportamiento si-milar.

Varias capas constituyen una red y cada capa está conectada a la inmediata posterior, total o parcialmente, excepto la última capa, que constituye la salida total de la red neuronal. Existen tres ti-pos de capas (Sierra et ál., 1995):

1 Capa de entrada. El número y tipo de neuronas que conforman esta capa, dependen de los datos de en-trada al problema.

2 Capas intermedias u ocultas (hidden layers). Pueden ser más de una, de-pendiendo del tipo de complejidad del problema que va a resolver la red. Mediante el tratamiento ade-cuado de estas capas se consiguen las propiedades de generalización, extracción de características, adap-tabilidad, etc., que hacen muy in-teresante el trabajo de las redes neuronales.

3 Capa de salida. El número de neu-ronas de esta capa depende del for-mato esperado de salida de la red.

En términos generales existen redes neuronales de una capa y de capa múl-

Figura 2.Modelo de una

neurona artificial.

135


tiple, siendo esta última la más utilizada para resolver problemas que no tienen solución computacional precisa o que requieren de algoritmos muy extensos como en el caso de reconocimiento de imágenes y clasificación de patrones (Delgado, 1998).

Un ejemplo, que muestra la arquitectura de una RNA multicapa, para el procesa-miento digital de imágenes de sensores remotos, aplicado a la clasificación de cobertura y uso de la tierra, se presenta en la Figura 3. La estructura de la red es de tipo 3 – 4 – 3, que representa: 3 neuronas de entra (2 bandas espectra-les y una información de contexto), 4 neuronas ocultas y 3 neuronas de salida (clase 1 – cultivos, clase 2 – pastos y cla-se 3 – áreas urbanas).

1.2.3 Características del procesamiento de RNA

Las propiedades de los RNA que pue-den ser fundamentales para la solución de determinados problemas son, entre otras (Sierra et ál., 1995):

• Paralelismo masivo: Una red neu-ronal se fundamenta en unidades individuales, cada una de las cuales se encarga de calcular una función elemental sin necesidad de coope-rar con las demás. Esto ofrece una gran ventaja frente al procesamien-to secuencial, donde cada unidad de cálculo debe ejecutarse después de que hayan acabado las anterio-res.

• Memoriaasociativadistribuida:Undato no se encuentra en un único sitio, sino repartido por toda la es-tructura.

• Tolerancia a fallas: El sistema nodeja de funcionar aunque se estro-peen una serie de componentes; el sistema se degrada gradualmente con una función de error continúa, sin rupturas totales.

• Reconstrucción de datos parciales:Los datos de entrada no necesi-tan ser explicados rigurosamente. Cuando el conocimiento del proble-ma no es total, resulta imprescindi-ble la capacidad de procesamiento a partir de información parcial.

• Aprendizaje: El sistema va modi-ficando su comportamiento para justarlo a los datos que se le van su-ministrando. Proporciona al sistema unas características de flexibilidad y adaptabilidad que son de gran utili-dad en cualquier aplicación.

Esta última característica le permite a la red que modifique su propia estructu-ra (matriz de pesos) adaptándola hasta conseguir un algoritmo de ejecución. Este algoritmo se construye a partir de las características extraídas de los ejem-plos con los que se realiza el entrena-miento, lo que constituye el modo de aprendizaje (Martín de Brío y Sanz Mo-lina, 2002; Sierra et ál., 1998).

1.3 Inteligencia artificial distribuida (IAD)

Los sistemas referidos hasta ahora (RNA, lógica difusa, algoritmos gené-ticos), denominados “monolíticos”, han resuelto muchos problemas pero adolecen de una serie de limitaciones, entre las que se puede mencionar (Bo-ticario, s.f.):

Figura 3.RNA para el procesamiento digital de imágenes de sensores remotos.


• En problemas complejos, diversastareas deben ser aprendidas, pues la solución satisfactoria de estos problemas requiere la concurrencia de muy diversas habilidades.

• Los sistemas monolíticos están li-mitados a una única manera de interpretar sus entradas y produ-cir soluciones, es decir, a una única forma de resolver problemas. Este planteamiento puede resultar inade-cuado cuando los datos provienen de fuentes heterogéneas y reflejan diferentes comportamientos.

Como alternativa para superar esas li-mitaciones, en la actualidad se trabaja en el tema de IAD.

1.3.1. ¿Qué es la IAD?

La IAD estudia la solución cooperativa de problemas por un grupo de agentes distribuidos. Tal cooperación se basa en que ninguno posee la información (ex-periencia, recursos, etc.) para resolver completamente el problema. En el pro-pio cerebro se puede observar que exis-ten diferentes áreas especializadas que colaboran entre ellas para crear lo que se considerarían conductas inteligentes.

En general, los sistemas de IAD se ca-racterizan por una arquitectura de componentes inteligentes y modulares que interactúan de forma coordinada. Algunas de las cuestiones que se deben responder en el desarrollo de este tipo de sistemas son (Boticario, s.f.):

• ¿Cómoformular,describir,descom-poner y asignar problemas y sinteti-zar los resultados entre un grupo de agentes?

• ¿Cómocapacitaralosagentesparaque se comuniquen e interactúen? (lenguajes, protocolos, etc.).

• ¿Cómo asegurar que los agentesactúen coherentemente al tomar

decisiones o realizar las acciones y cómo acordar los efectos globales de decisiones locales y prevenir in-teracciones no deseadas?

• ¿Cómocapacitaralosagentespararepresentar y razonar sobre accio-nes, planes y conocimiento de otros agentes para coordinarse?

Hay diferentes aproximaciones para responder esas preguntas, pero lo im-portante está en enfatizar que en la resolución distribuida de problemas se pretende dividir el trabajo necesario para la solución de un problema entre diversos módulos (también denomina-dos nodos). Estos módulos suelen ser agentes inteligentes que en este caso buscan darle una funcionalidad global al sistema. En este tipo de planteamien-tos el gran problema es establecer el mecanismo de control adecuado para que, aunque haya descentralización en la toma de decisiones, se produzca el resultado deseado (Boticario, s.f.).

1.3.2. Agentes inteligentes

Un agente inteligente es una entidad física o abstracta que puede percibir su ambiente a través de sensores, es capaz de evaluar tales percepciones y tomar decisiones por medio de mecanismos de razonamiento sencillos o complejos, comunicarse con otros agentes para obtener información y actuar sobre el medio en el que se desenvuelve (Quin-tero et ál., s.f.).

Algunas características de los agentes inteligentes son:

• Losagentestienenunpuntodevis-ta incompleto, pero este no limita que se halle una solución.

• Losagentessemuevendentrodeunentorno “virtual” operando a través de un sistema.

137


• Losagentestienencapacidadesparaactuar autónomamente de forma flexible en el entorno, para satisfa-cer sus objetivos de diseño.

• Losagentesdentrodelentornodesoftware tendrán una función aná-loga a la que realizan los robots en el mundo real, de ahí el nombre de softbots.

Hoy en día se ha puesto de moda el nombre de agente software (inteligen-te), que denota un programa autóno-mo que corre sin la intervención de los seres humanos (usuarios) u otros siste-mas y que debe tener control sobre su estado interno y sobre su propio com-portamiento (Wooldridge, s.f.; Russell and Norvig, 2003).

2. Aplicaciones

Una de las características interesantes de la Tierra, vista desde el espacio, es que siempre está cubierta de nubes (Figura 4). Sin embargo, esa cobertura de nu-bes se convierte en un gran problema para los sensores ópticos (pasivos), que no pueden captar información de la superficie terrestre (cobertura y uso de la Tierra, deforestación, crecimiento de ciudades, eventos catastróficos, etc.), si-tuación que se agudiza en las regiones tropicales húmedas, donde se encuentra ubicada Colombia (Figura 5).

Derivado del panorama antes descrito, en este capítulo se presentan dos apli-caciones relacionadas con las nubes: la primera, trata del preprocesamiento de las imágenes satelitales para detectar automáticamente las nubes y conocer su porcentaje en la escena y, la segunda, se refiere a cómo las naves espaciales pro-vistas de programas inteligentes (IAD) envían a Tierra solamente escenas con poca o ninguna cobertura de nubes.

2.1 Detección y enmascaramiento automáticodelasnubes

Los satélites para el estudio de los re-cursos naturales y del ambiente captan millones de escenas, que luego son al-macenados en sus respectivos archivos para su posterior distribución. Las es-cenas para ser adquiridas por los usua-rios, tienen como información básica el porcentaje de nubes que cubren las imágenes multiespectral y pancromáti-ca, porcentaje que en la mayoría de los sistemas es calculado de manera con-vencional (manual), lo que se convierte en un proceso muy tedioso.

Ante esta situación, el programa SPOT decidió desarrollar un software para la detección automática de las nubes llama-do EDEN (del francés Outdil d’Extraction De Nuages) que sería manejado directa-mente por el centro de archivos y pre-procesamiento de imágenes.

Figura 4. La Tierra cubierta de nubes.

Figura 5. Imagen de un sector de Colombia cubiertode nubes.

Fuente:GoogleEarth


estadística adecuada se utilizaron 5000 imágenes SPOT con diferentes tipos de nubes, como las que se presentan a ma-nera de ejemplo en la Figura 8, cuyos patrones deben ser “aprendidos” por la red hasta lograr que las salidas actuales estén muy cerca a las salidas deseadas, es decir, clasificar las nubes dentro de un rango con un error mínimo fijado al inicio del proceso.

En síntesis, el sistema EDEN-A ejecuta las siguientes funciones:

• Preprocesamientodelosdatosdelaimagen.

• Conversióndelbrillodelospixelesavalores de reflectancia.

• Segmentaciónderegiones.

• Cómputode lasmedidas radiomé-tricas.

• Clasificación, utilizando las RNA ygeneración de resultados crudos (preliminares).

• Cómputodelosfactoresdepeso(w).

• Generación de máscaras para lasnubes.

• Análisisdelestadodecadaregión.

• Cómputodelgradodeconfidencia.

• Generacióndealarmas

Los resultados del estudio mostraron que se requería solamente 2.7 segun-dos por escena para determinar el área cubierta por nubes, utilizando para ello un computador Pentium II 400-MHZ con 128 megabytes de Ram. Las clases de cobertura de nubes de la escena to-tal (ET) se calificaron en 5 categorías: A =ET≤0.2%,B=0.2<ET≤10%,C=10%<ET≤25%,D=25<ET≤75%,E = ET > 75%.

Figura 6.RNA Utilizada

para la detección de nubes.

El método adoptado por la empresa SPOT IMAGE, en convenio con Realix Technologies, se basó en la segmenta-ción de la imagen (monoespectral) en regiones, seguido por una clasificación utilizando una red neuronal entrenada, del tipo conocido como “perceptron multicapa” (Automatic Cloud, 1999). La red neuronal completa comprende tres capas con 14, 7 y 4 neuronas, respecti-vamente y cada neurona se conecta con todas las neuronas de la capa siguiente, como se observa en la figura 6.

Es indudable que la etapa crítica en la aplicación del método integral es la que corresponde al entrenamiento (Figura 7). Este implica, entre otras, la selec-ción de un conjunto bien definido de datos de entrada, que para el caso pre-sente fueron los valores radiométricos de las imágenes. Para hacer una prueba

Fuente:Automaticcloud,1999.

Figura 7.Proceso de

entrenamiento de la RNA para

reconocer y clasificar

diferentes clases de nubes.

139


Aún cuando los resultados del proyecto son favorables y que el sistema EDEN-A hace parte del sistema de producción estándar de SPOT 5, se continuará con la investigación aprovechando las nue-vas capacidades de las computadoras modernas y de los nuevos programas con elementos de la computación flexi-ble, como lo manifiestan Panem y otros (2005), quienes trabajan en el desarro-llo de algoritmos basados en RNA y ló-gica difusa.

2.2 Naves espaciales autónomas para la observación de la Tierra

Esta aplicación se refiere a un Experi-mento sobre Naves Científicas Autó-nomas (ASE4, por sus siglas en inglés), desarrollado por la NASA (National Ae-ronautics and Spatial Administration), como parte del proyecto Tecnología Espacial del Nuevo Milenio y que se en-cuentra operando desde el año 2003, a bordo de la nave espacial Observador Terrestre -1 (EO-1).

El programa ASE funciona con un soft-ware basado en inteligencia artificial (software inteligente), que le permite tomar decisiones a bordo luego de que múltiples algoritmos detecten y anali-cen eventos científicos (erupciones vol-cánicas, inundaciones, desplazamiento de masas de hielo, presencia y cobertu-ra de nubes) y, retransmitir a tierra so-lamente datos de alto valor, con lo que las funciones de planeación de la misión en tierra son simplificados, reduciendo los costos de operación (Sherwood et ál., 2004; Chien et ál., 2004).

Como los algoritmos inteligentes que hacen parte de ASE, son sinérgica-mente integrados para actuar como multiagente con funciones específicas (Sherwood et ál., 2004), que se expli-cará a continuación (figura 9), se puede afirmar que el programa es un ejemplo típico del funcionamiento de la IAD.

2.2.1 La Misión EO-1

El satélite Observador Terrestre – 1 (Ear-th Observing – 1) fue puesto en órbita en noviembre del año 2000. La órbita ubicada a 705 km es circular y sincróni-ca con el sol, que le permite pasar por un mismo lugar cada 16 días.

El software ASE, a bordo de EO-1, utiliza el instrumento hiperespectral Hyperion con 220 bandas espectra-les (0.4-2.5 µm) y 30 m de resolución espacial. Cada imagen cubre una su-perficie de 7.7 km por 42 km con una alta precisión radiométrica (Sherwood, 2006).

Figura 8. Diferentes clases y porcentajes de nubes reconocidos automáticamente por la RNA.

4 ASE–AutonomousSciencecraftExperiment

Figura 9.Flujograma del funcionamiento de la misión científica autónoma de observación de la Tierra.

Fuente:Sherwoodetál.,2006


2.2.2 Análisis Científico a bordo

El primer paso en el ciclo de la toma de decisión autónoma, es la detección de eventos científicos de interés. 12 bandas espectrales de Hyperion son usadas para clasificar los pixeles dentro de cada imagen, para identificar tierra, agua, hielo, nube y lava volcánica. Con base en esas bandas se desarrollan di-ferentes algoritmos para analizar cada caso. Como un ejemplo, en la figura 10 se presenta el algoritmo HCC5 para la detección de nubes (Griffin et ál.,

2002) y en la Figura 11 se especifica la ubicación de las seis bandas espectrales seleccionadas para tal fin, incluyendo la curva característica de la nube, consi-derando las limitaciones que existen a bordo para procesar las imágenes.

Específicamente, el algoritmo determi-na qué pixeles coinciden con la curva espectral de las nubes, distinguiendo de aquellos cubiertos por el suelo, agua, hielo o vegetación, para luego producir una estadística indicando qué porcentaje de la escena está cubierto de nubes. Si el porcentaje es alto, el siste-ma borrará automáticamente la escena para no ser enviado a la estación terres-tre, ahorrando energía de transmisión de datos y costos por recepción y alma-cenamiento de éstos.

En situaciones en que la cobertura de nubes sea mínima o nula, las imáge-nes pueden ser retransmitidas a tierra o ser analizadas por otros algoritmos científicos. En este segundo caso pue-den entrar en acción el algoritmo de anomalías termales, desarrollado por JPL6, que utiliza las bandas espectrales del infrarrojo (IR), para detectar sitios de vulcanismo activo o, el algoritmo de clasificación de escenas de inundación, desarrollado por la Universidad de Ari-zona, que utiliza múltiples bandas es-pectrales para diferenciar entre Tierra y agua (Sherwood et ál.,2004). Esto per-mite también hacer seguimientos a la dinámica de las inundaciones, de las erupciones volcánicas y de otros fenó-menos naturales, identificando regio-nes que han cambiado de una imagen a otra (Chien et ál., 2003).

2.2.3 Planeación de la misión a bordo

Para que la nave espacial responda au-tónomamente a los eventos científicos detectados, esta debe ser capaz de di-señar de manera independiente un nue-

Figura 11.Ubicación de las

bandas espectrales del sensor

hiperespectral hyperion utilizadas

para la detección automática de

nubes.

Fuente:Griffinetál.,2002

Fuente:Griffinetál.,2002Figura 10.Algoritmo

inteligente para la detección

automática de nubes.

5 HyperionCloudCover(HCC),desarrolladoporMITLincolnLaboratory6 JetPropulsionLaboratory(JPL),CaliforniaInstituteofTechnology

141


vo plan utilizando el software CASPER7, considerado como un agente para la toma de decisiones a bordo, que tiene en cuenta todas las restricciones de la misión. Una de las mayores restriccio-nes es la limitada capacidad compu-tacional a bordo, por lo que CASPER debe ser eficiente en la generación de planes, ojalá en pocos minutos (Chien et ál., 2005).

Un caso para ejemplificar lo manifesta-do en el párrafo anterior, es el siguien-te: si al adquirir una imagen se detecta una inundación, esto puede justificar la toma de nuevas imágenes de la misma zona. En consecuencia, CASPER mo-dificará el plan de operaciones para desarrollar las actividades necesarias que permitan la adquisición de nuevas imágenes, entre las que puede incluir: reorientar los sensores para obtener información desde la siguiente órbita; asegurar que la nave está ubicada ade-cuadamente y, que el instrumento está adecuadamente preparado para la ad-quisición de datos.

2.2.4 Ejecución robusta a bordo

Para la ejecución eficiente del plan de operaciones diseñado por CASPER, el experimento utiliza un software de co-mando denominado SCL8. Este software, que funciona con un sistema basado en reglas, genera una secuencia detallada de comandos para manejar con inteli-gencia todas las operaciones de control y sin afectar la función del otro software propio de la misión EO-1.

Según lo especificado en la explicación del experimento, es evidente que los algoritmos de análisis científicos y SCL trabajan en cooperación para generar nuevas tareas para CASPER, de manera que el ciclo se repite con base en las observaciones subsecuentes (Sherwood et ál., 2004).

Es importante destacar, finalmente, que todo el proceso que utiliza los principios de la IAD permite, entre otras, descar-tar a bordo todas las imágenes que pre-sentan altos porcentajes de nubes. Este hecho redunda en el ahorro de tiempo y esfuerzo de los grupos de planeación de la misión, de análisis científico, de las operaciones de vuelo y del procesa-miento y archivo de datos.

Las enseñanzas de las dos aplicaciones mencionadas (una de IA y otra de IAD), serán de gran utilidad para el diseño y desarrollo de satélites de observación de la Tierra. Pero su aplicación práctica, debe ser el fruto de un proceso de in-vestigación con la participación activa de todos los implicados en los programas y, principalmente, de la academia, a través de los proyectos de los estudiantes a ni-vel de pregrado, maestría y doctorado.

Conclusiones

• La IAengeneral y la IADenparti-cular, tienen un gran potencial para el desarrollo de los programas espa-ciales de observación de la Tierra. Es de especial importancia el apor-te de la IAD, porque hace posible que la nave espacial responda con autonomía, gracias a su capacidad para “tomar decisiones” a bordo y retransmitir a tierra información es-trictamente necesaria y útil.

• LaIADayudaaquelasfuncionesdeplaneación y análisis de la misión en Tierra sean simplificadas, reduciendo los riegos y costos de operación.

• Para las condiciones de Colombia,este tema es un campo de grandes posibilidades para sus investiga-dores, principalmente de los estu-diantes de pre y posgrado de las diferentes áreas del saber relaciona-das con la IAD.

7 ContinuosActivitySchedulingPlanningExecutionandReplanning(CASPER)8 SpacecraftCommandLanguage(SCL)



AUTOMATIC CLOUD masking of SPOT imagery. En: News from Prospace. No. 44 (May 1999); p. 42-47.

BECERRA, N. Técnicas de Inteligencia Artificial en Juegos. Bogotá: Universidad Distrital Francisco José de Caldas, 2003.

BOTICARIO, Jesús G. Inteligencia Artificial Distribuida. Disponible en Internet: http://adenu.ia.uned.es/web/en/members/jgb

BURROUGH, P.A. Development of intelligent geographical information systems. En: Int. J. Geo-graphical Information Systems. Vol. 6, Nro. 1 (1992), pp. 1-11.

CHIEN, Steve et ál. Autonomous Science on the EO-1 mission. En: Proceedings of International Symposium on Artificial Intelligence, Robotics and Automation in Space (i-SAI-RAS). Nava-Japan, May, 2003. 6 pp.

CHIEN, Steve. The EO-1 Autonomous Science Spacecraft and prospects for future autonomous space exploration. California: Jet propulsion Laboratory, California Institute of Te-chnology, 2004.

CHIEN, Steve et ál. Lessons learned from autonomous Spacecraft experiment. Utrech, Nether-lands, 2005. Autonomous Agents and Multi-agent Systems Conference (AA-MAS-2005). 6 pp.

CHIEN, Steve et ál. Using autonomy flight software to improve science return on Earth Obser-vation One. En: Journal of Aerospace Computing, Information and Communica-tion. Vol. 2, 2005. pp. 196-215.

GRIFFIN, Michael et ál. Cloud cover detection algorithm for EO-1 Hyperion Imagery. USA: MIT Lincoln Laboratory, 2002. (EO-1 SUT Meeting).

143


LEON P., Jonás C. Computación flexible para el estudio de los recursos naturales y del medio ambiente. Bogotá: IGAC, 2009. (En diseño).

McALLISTER, J. Inteligencia Artificial. Barcelona: Limusa, 1991. 221 pp.

MARTIN DEL BRIO, B. y SANZ MOLINA, A. Redes Neuronales y Sistemas Difusos. México: Alfao-mega, 2002. 399 p.

OPENSHAW, S. and OPENSHAW, C. Artificial Intelligence in Geography. England: John Wiley, 1997. 329 pp.

PANEM, C. et ál. automatic cloud detection on high resolution images. En: Proceeding of Geos-cience and Remote Sensing Symposium (IGARSS’05). July, 2005. 4p. Available from internet:

http://ieeexplorte.ieee.org/xpl/freeobs_all.gsp?arnumber=1526222

RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach, 2003. Available from Internet: http://aima/cs/berkeley.edu/. Retrieved from: http://en.wikipedia.org/wiki/intelligent_dgent.

SHERWOOD, Rob et ál. Enhancing science and automating operations using on board auto-nomy. Rome, Italy: SpaceOps, 2006. 14 pp. (International Conference on Space Operations).

SIERRA, J., Guillermo. Sistemas Expertos en Contabilidad y Administración de empresas. España: ra-ma. 1995. 304 pp.

WOOLDRIDGE, Michael. Intelligent agents. Available from Internet: www.cs.uu.nl/docs/vakken/iag/intellagents.wool.pdf

10 Aspectos claves para la consolidación de una política de datos espaciales. Estudio de caso: la política dedatosespacialesenelcontextoGMES

145

Aspectos claves para la consolidación de una política de datos espaciales

Abstract Data policy and spatial data infrastructure (SDI) is a much-discussed topic that affects many different fields and disciplines. The importance of data both for research and for the development of operatio-nal applications is clear. Freedom of information, the Internet, intellectual property, processing and stan-dardization of data, are subjects that have received increasing attention in recent years. While some au-thors argue that scientific data should be available to everyone, others are concerned that freedom of information may be costly to scientists and resear-chers.

Through this document, is intended to illustrate the convergence of various policies to improve access to spatial data, exploring the coherence between poli-cies and strategies on the issue of data infrastructure. It also identifies global initiatives that are reducing to a minimum spatial information gaps, improving interoperability and exchange of data, all in order to stimulate debate and discussion on the consolidation of a spatial data policy in Colombia.

Key words:Spatial data policy, spatial data infrastructure (SDI).

ResumenLas políticas e infraestructuras de datos espaciales, IDE, son temas muy discutidos en la actualidad que afectan a diversos campos y disciplinas del conoci-miento. La importancia de los datos tanto para la investigación, como para el desarrollo de las aplica-ciones operativas es clara. La libertad de información, internet, la propiedad intelectual, el tratamiento y es-tandarización de los datos, son temas que reciben cada vez mayor atención. Mientras algunos autores sostienen que los datos científicos deben ser puestos al alcance de todos, a otros les preocupa que la liber-tad de información pueda ser onerosa para científi-cos e investigadores.

A través del presente documento, se pretende ilustrar la convergencia de diversas políticas en mejorar el ac-ceso a los datos espaciales, explorando la coherencia entre políticas y estrategias en el tema de infraes-tructura de datos. Se identifican también iniciativas globales que han venido reduciendo al mínimo las lagunas de información espacial y que han mejorado la interoperabilidad y el intercambio de datos, todo con el fin de estimular el debate y la discusión en la consolidación de una política de datos espaciales en Colombia.

Palabras clave:Política de datos espaciales, infraestructura de datos espaciales (IDE).

1 HarrisandBrowning,DatapolicyassessmentforGMES(GlobalMonitoringforEnvironmentandSecurity).DepartmentofGeography,UniversityCollegeLondon.March2004.

2 IngenieraCatastral,EspecialistaenIngenieríadeSoftware;EspecialistaenSistemasdeInformaciónGeográfica;DoctoranteenInformáticaconénfasisenSociedaddelaInformaciónyGestióndelConocimiento.Cra.30#48-51OficinaCIAF,IGAC.Oficina101.Correo electrónico: [email protected]

3 MagísterenTecnologíasdeInformaciónGeográfica:Teledetección,SIGyCartografía,UniversidadAlcaládeHenares.InvestigadoradelGrupodePercepciónRemotayAplicacionesGeográficas,CIAF-IGAC.

Aspectos claves para la consolidación de una política de datos espaciales. Estudio de caso: la política de datosespacialesenelcontextoGMES1 Key issues for consolidation of spatial data policy

Case study: the spatial data policy in the GMES context

Lilia Patricia Arias Duarte2, Carolina Olaya Alzate3


Introducción

El GMES (Global Monitoring for Envi-ronment and Security), es un programa europeo de observación de la Tierra que proporciona información útil para la gestión ambiental, ayuda a compren-der mejor cómo y de qué manera pue-de estar cambiando el planeta, y cómo dichos cambios podrían influir la vida de los seres humanos.

Del mismo modo, el programa está pro-porcionando información fundamental para los responsables de la toma de de-cisiones y aquellas empresas que traba-jan en temas relacionados con el medio ambiente, ayudando a mejorar la ges-tión de los recursos naturales, supervi-sar la calidad de las aguas y del aire, planificar las ciudades y evitar el creci-miento urbano desordenado, facilitar el flujo del transporte, optimizar las activi-dades agrícolas y promover las energías renovables, por mencionar algunas de las aplicaciones del programa.

En cuanto al fomento de las aplicacio-nes comerciales de la percepción re-mota en los diferentes sectores, GMES proporciona un acceso pleno y abierto a datos e información, lo cual muy pro-bablemente convergerá en la posterior creación de grandes mercados de servi-cios que añadirán valor a dichos datos.

La infraestructura necesaria para reco-ger las observaciones utilizadas por los servicios de GMES se gestiona a través de entidades internacionales, europeas o nacionales y GMES tiene como objeti-vo garantizar un flujo continuo de datos mediante una coordinación efectiva.

Pese a que en Europa ya existen servi-cios de observación de la Tierra, estos se encuentran dispersos a nivel inter-gubernamental, nacional o regional. A excepción de los servicios meteorológi-cos, la disponibilidad y sostenibilidad a largo plazo de estos servicios no está aún garantizada. Con el fin de respon-der a un número cada vez mayor de desafíos a nivel global, como es el caso del cambio climático, Europa necesita un sistema que esté bien coordinado, que sea fiable y que permanezca en el tiempo y GMES es este sistema.

Desarrollado hace diez años, inicial-mente como un proyecto científico, GMES tiende a convertirse en un siste-ma de prestación de servicios operati-vo y maduro. Para ello se ha precisado de un programa sostenible que incluye un compromiso de financiación a largo plazo y una estructura jurídica e institu-cional muy sólida.

GMES es una importante oportunidad para Europa y para el mundo, en lo que se refiere a mercado, estímulos para la investigación, el desarrollo y la inno-vación en tecnologías de observación de la tierra y su influencia mundial en ámbitos estratégicos como el cambio climático.

147


El desarrollo de una política de datos espaciales en el contextoGMES

1.1 Finalidad de la política de datosGMES

En el 2003, un grupo de trabajo4 cuyos miembros procedían en su mayoría de la comunidad europea y de los Estados miembros de la ESA, identificaron los siguientes seis puntos que responden a la pregunta ¿cuál es el propósito de una política de datos?.

• Promoverelusodeserviciosgeográ-ficos, información y datos con el fin de mantener o alcanzar liderazgo temas espaciales y tecnologías rela-cionadas.

• Promoverelusocolaborativode lainformación, datos y servicios.

• Tomar en cuenta las políticas degestión de datos de los principales actores (la ESA, la UE, las institucio-nes nacionales y los proveedores co-merciales).

• Promover la disponibilidad de es-tándares y metadatos.

• Garantizar la conservación de losdatos a largo plazo.

1.2 El modelo de la infraestructura europea de datos espaciales en el contextoGMES

Son ya muchos los países en el mundo que han desarrollado sus propias polí-ticas de datos espaciales. Entre los ca-sos más notables están los de Australia, Nueva Zelanda, Canadá y EE.UU.

Pese a que Europa posee muchos ser-vicios ambientales, por ejemplo los in-dicadores de desarrollo sostenible de la Oficina Estadística de la Unión Europea EUROSTAT, existe la preocupación de que la calidad de los productos ofre-cidos por dichos servicios pueda me-jorarse ostensiblemente mediante el desarrollo de una infraestructura euro-pea de datos espaciales.

La iniciativa INSPIRE (Infrastructure for Spatial Information in Europe) surge de la fragmentación de datos, la falta de armonización entre datos de diferentes escalas, problemas con la disponibili-dad de la información y duplicidad de ésta, razón por la cual dicha iniciativa, se ha centrado en establecer estánda-res y protocolos de tipo técnico con el fin de consolidar y mantener una infra-estructura de datos espaciales en Euro-pa. Por su parte GMES se ha interesado en mejorar el acceso a la información espacial relacionada con el medio am-biente5. De ahí la complementariedad entre INSPIRE y GMES.

En el contexto de GMES, es una interesan-te cuestión determinar si una infraestruc-tura europea de datos espaciales (ESDI) puede ayudar en el significativo proceso de convertir datos en información. Exis-ten en la actualidad muchos servicios de información ambiental en Europa y aun-que algunos elementos se encuentran ya en su lugar, las necesidades son claras y el sistema GMES examina como una ESDI puede coordinar el acceso a la informa-ción y mejorar el flujo e intercambio de servicios y beneficios.

El principal objetivo de dicha política, es el de permitir que los usuarios ten-gan mejor acceso a datos e información ambiental de calidad y contribuir con ello a una mayor rentabilidad de los servicios de información y por lo tanto al crecimiento económico de los países comunitarios.

4 ComitéDirectivodelGME5S,Grupodetrabajo3,PolíticadeDatos5 http://inspire.jrc.it/home.html


Entre las principales funciones de INS-PIRE están la de regular y armonizar la distribución de datos, proporcionan-do a los usuarios una serie de servicios integrados que permitan identificar y acceder a la información, así como la catalogación y puesta en marcha de bi-bliotecas y bancos de información.

A fin de proporcionar información efi-ciente y de calidad, al igual que un me-jor acceso a dicha información, una infraestructura de datos espaciales deberá considerar los elementos que se examinan a continuación, en el de-sarrollo de cualquier política de datos espaciales:

1.2.1 Archivos

Los datos espaciales, la información y sus productos derivados, se presentan cada vez con mayor frecuencia en for-mato digital, aunque existen aún mu-chos datos relacionados con el medio ambiente que se conservan en formato análogo.

Los archivos digitales presentan proble-mas de interoperabilidad, almacena-miento y lectura para algunos medios y equipos, pero los desafíos son incluso mayores respecto al almacenamiento y acceso a los archivos análogos (aco-pio, conservación, salvaguardia, entre otros).

Algunas organizaciones tienen toda-vía documentos escaneados y fotogra-fías aéreas en su poder, es el caso de la Organización Mundial de la Salud y algunas agencias europeas. La mezcla del sector privado y organizaciones del sector público en el sistema GMES trae consigo mayores retos, porque las mo-tivaciones de estos dos tipos de organi-zaciones son diferentes en términos del registro y conservación de los datos.

Puesto que el sector privado tiene cen-trado su interés en la ventas de datos, productos y servicios, el conjunto de

datos que no se comercialicen se puede considerar como una carga para una empresa, mientras que el sector público tiene algún tipo de responsabilidad de salvaguardar los recursos, que puedan convertirse de interés para el público y la nación en el largo plazo. Es así como el acceso a los archivos de datos en el largo plazo es imperioso para el éxito de una política de datos espaciales que se enfoque a satisfacer las necesidades del público y de la nación.

Por otro lado, el acceso a datos ambien-tales históricos es a menudo pobre, de-bido a que si existen, se encuentran en formatos no digitales, con los inheren-tes problemas debido a la obsolescen-cia y al paso del tiempo. Sin embargo, hay un valor incalculable en la salva-guardia de los datos ambientales en el largo plazo:

- Para reconstruir el pasado.

- Para obtener comprensión y conoci-miento del presente.

- Para desarrollar modelos de los pro-cesos ambientales.

- Para predecir el futuro.

La optimización en el almacenamiento y acceso a los archivos históricos puede incrementar el valor de los datos actua-les. Por esta razón, uno de los mayores desafíos para una política es que los datos espaciales con información am-biental, no son rentables ni útiles cuan-do se almacenan en un corto plazo, por lo que una perspectiva a largo plazo es fundamental. Además, deben aunarse los esfuerzos para preservar los conjun-tos de datos ambientales que de lo con-trario se perderán.

1.2.2 Calibración y validación

Una parte clave del sistema GMES es el modelado, que a su vez es una parte im-portante del proceso de convertir datos

149


en información y la información en co-nocimiento. Para que los resultados de un modelo sea fiable, un requisito claro es la calibración de los datos y la valida-ción permanente de los resultados.

En cuanto a los formatos de entrega de datos, se considera imprescindible, más aún cuando los proyectos involucran di-ferentes entidades y organismos, adap-tar los metadatos a la normativa con el fin de facilitar la interoperabilidad.

Del mismo modo, toda información o dato susceptible de ser representado espacialmente, y en particular, aque-lla información espacial que acceda al título de oficial por considerarse de referencia, o por ser susceptible de ser transmitida a los ciudadanos, deberá ajustarse a las indicaciones establecidas por las normas técnicas y documentar-se de manera adecuada a través de la compilación de las correspondientes fi-chas de metadatos.

1.2.3 Internet

En este punto se ve claramente reflejada la lógica del costo marginal. Mientras sea necesario producir y entregar un CD para celebrar un contrato de venta de datos espaciales, el conjunto de datos tendrá un costo marginal dependiente de los materiales, la mano de obra, el embalaje y el envío.

Cuando el conjunto de datos está dis-ponible en un servidor, la entrega de los datos no significa un costo para el pro-veedor, por lo que prácticamente el cos-to de la reproducción se reduce a cero. Esto trae consigo enormes implicacio-nes en una política de datos espaciales.

1.2.4 Obligaciones y compromisos legales

Las obligaciones legales son importan-tes para el impulso de la accesibilidad a los datos. Algunos ejemplos incluyen la UIG (ley alemana de acceso a la in-formación ambiental, Umweltinforma-tionsgesetz)6, que establece que todo acceso a los datos relacionados con la naturaleza y el medio ambiente por parte de las autoridades públicas debe ser libre y de carácter gratuito.

Por su parte, existe la directiva comu-nitaria sobre la Libertad de Acceso a la Información Ambiental7 y la iniciativa de cesión de las estadísticas de todas las naciones a la EUROSTAT.

1.2.5 Licencias

Es común que las licencias para la uti-lización de datos ambientales se vean restringidas para proyectos de carácter individual o aplicaciones particulares.

Dado que por su naturaleza, los datos ambientales son de muy amplia aplica-ción, existe una demanda permanente por parte de los usuarios a tener una mayor flexibilidad en las licencias de modo que se fomente y se generalice el acceso a dichos datos.

GMES puede aportar un valor añadido al coordinar los arreglos que hacen los proveedores de datos para la concesión de licencias y cesión de la propiedad intelectual de los datos utilizados por el sistema. Varios proyectos han de-mostrado que el sistema GMES puede lograr acuerdos de licencia con provee-dores de datos para permitir su uso en múltiples procesos de investigación.

El sistema europeo de observación com-partida de GMES prevé la integración

6 Umweltinformationsgesetz(UIG).EinServicedesBundesministeriumsderJustizinZusammenarbeitmitderjurisGmbH-www.juris.de7 Directiva2003/4/CEdelParlamentoEuropeoydelConsejo,de28deenerode2003,relativaalaccesodelpúblicoalainformación

medioambiental.LaUniónEuropeafijanormasquepermitengarantizarlalibertaddeaccesoyladifusióndelainformaciónenmate-riademedioambientequeobreenpoderdelasautoridadespúblicas,yfijalascondicionesbásicasylasdisposicionesprácticasparaquedichainformaciónseaaccesible.


de datos de una amplia variedad de fuentes: oceanografía, meteorología, observaciones in situ, percepción re-mota, información provenientes de or-ganismos de estadística, entre muchos otros. Por esta razón, las condiciones de acceso a la propiedad y la licencia de los datos son esenciales y deben ser explícitas.

1.2.6 Portales

El acceso ha de ser un componente cla-ve en una política de datos espaciales pues es allí donde los usuarios tendrán un interfaz fuerte, de modo que los portales se consolidan como el mejor sistema de divulgación y difusión.

Un catálogo, por ejemplo, tiene la oportunidad de convertirse en un por-tal de gran alcance para una gran va-riedad de datos con interoperabilidad incalculable.

Las características de diseño del portal deben permitir a los usuarios compar-tir y encontrar datos y servicios con un mínimo de esfuerzo. El portal debe ofrecer a los usuarios datos para su uso en programas de SIG o aplicaciones geoespaciales, productos con informa-ción geográfica en formatos planos, servicios web geográficos e informa-ción sobre eventos y actividades, entre otros.

Lo que debe evitarse es que los usuarios tengan que examinar incontables catá-logos en función del conjunto de datos y los modelos que estén empleando. La experiencia con portales en el sector ambiental hasta el momento ha sido muy variada; algunos son excelentes, en particular los del sector de los Sis-temas de Información Geográfica, sin embargo otros son aún muy pobres e inoperantes, incluyendo algunos del sector de observación de la Tierra.

Para finalizar, las categorías de datos incluidos en el portal deben ir desde at-

mósfera, clima, desastres, salud y ayuda humanitaria, hasta servicios públicos y comunicaciones. Por otro lado el por-tal deberá estar destinado a una amplia gama de usuarios, gobierno central, autoridades locales, profesionales de la planificación, centros de investigación y el público en general.

1.2.7 Precios

Las aproximaciones a la fijación y es-tandarización de precios son impor-tantes para el acceso a la información espacial. Un modelo común utilizado por los proveedores de la información relacionada con el medio ambiente, es establecer el precio que el mercado soporte (este precio puede ser incluso cero para algunas aplicaciones).

Para las actividades que contribuyen al bien público, por ejemplo la investiga-ción científica, los datos medioambien-tales suelen ser gratuitos o se limitan al costo de reproducción.

El desafío radica en la transición, de la investigación hacia otros ámbitos. Sistemas maduros que utilizan la in-formación ambiental, por ejemplo la meteorología, fácilmente pueden jus-tificar sus costos. No obstante, otros proyectos de carácter ambiental en-cuentran mayores dificultades, porque sus beneficios no son de tan fácil cuan-tificación. Es de esperar que la política de costos y accesibilidad a datos deba ir estrechamente ligada a la valoración y cuantificación real de los beneficios so-ciales de cada proyecto.

1.2.8 Privacidad y confidencialidad

Algunos datos ambientales recolec-tados en Europa no se encuentran a disposición de un público más amplio debido a:

• Sensibilidadcomercial,porejemplo,para el caso de la ubicación de algu-nos derrames de petróleo.

151


• Protección Ecológica, como es elcaso de sitios de anidación de espe-cies en peligro de extinción.

• Seguridad nacional, por ejemplo,ubicaciones de las instalaciones nu-cleares.

Situaciones como estas implican que al-gunos conjuntos de datos no estén dis-ponibles para aplicaciones ambientales ó que sólo ofrezcan una cobertura parcial.

La propiedad de los datos es general-mente reclamada por el órgano respon-sable de su producción, o en el caso de algunos organismos nacionales, por sus respectivos gobiernos. Los derechos de propiedad de los datos geográficos son rigurosamente salvaguardados en la mayoría de los casos, principalmente debido a la cantidad de tiempo y al ca-pital que se invierte en su producción.

Algunos países consideran los datos es-paciales como información confidencial que no debe ser puesta a disposición del público en general. Muchos institu-tos geográficos nacionales restringen incluso el acceso a los datos por razo-nes de seguridad nacional.

Sin embargo, existe una serie de excep-ciones a este punto de vista. En países como Australia, los datos espaciales re-colectados por los organismos públicos son vistos como un “Bien público” y cuentan con una amplia difusión a cos-to marginal.

También hay un buen número de ejem-plos de empresas que suministran datos espaciales sin necesidad de ostentar sus derechos de propiedad. Por ejemplo, Getmapping en el Reino Unido, propor-ciona un sinnúmero de conjuntos de datos que contienen información pro-ducida por Ordnance Survey. En este caso, Ordnance Survey conserva los de-rechos de estos datos, pero se permite a Getmapping facilitar la información en virtud de un acuerdo de asociación.

1.2.9 Bienes públicos

El concepto de bien público es co-mún en muchas organizaciones que proporcionan datos de valor para el medio ambiente. Es típico que existan pocas restricciones sobre la difusión de datos si la aplicación o uso de la infor-mación es para el bien público, mien-tras que existe un control general de los datos si estos se proporcionan para aplicaciones comerciales.

Muchas de las áreas de trabajo del sis-tema GMES, son de interés público. Es esencial que para estos casos se consi-dere la urgencia de garantizar una base de financiación sostenible que permita una rutina continua de producción de información al servicio del medio am-biente y de las políticas de seguridad de las naciones.

1.2.10 Estándares y metadatos

Este tema continúa presentando con-flictos a nivel mundial debido a que son muy diversos los sistemas que se utili-zan y por tanto la convergencia sigue siendo limitada.

Sin embargo, la mejor práctica se desa-rrolla en meteorología, cuyo sistema se caracteriza por ser operativo a nivel in-ternacional. Son estas las características que en última instancia deben definir una política de datos espaciales.

Una pregunta clave es ¿Cómo se pue-de estimular el consenso sobre las nor-mas, los estándares y los metadatos? El trabajo de organizaciones como la Organización Internacional de Nor-malización (ISO) y la labor de la Open Geospatial Consortium (OGC) son cada vez más importantes y relevantes para caso del sistema GMES.

Una estructura más coherente de normas es necesaria para permitir que los flujos de datos y metadatos sean eficientes. Hay una necesidad de acuerdo sobre:


1. Estándares para los productos, por ejemplo el sistema de clasificación de las coberturas en Corine Land Cover.

2. Estándares para flujos de archivos y datos.

3. Entrenamiento de lectores e intér-pretes de metadatos.

En cuanto los estándares del mercado, los datos deberán presentarse siempre en los formatos más utilizados, más ac-cesibles, interoperables y útiles para los usuarios. Un buen ejemplo puede verse en el sector SIG, donde los formatos es-tándar están asociados a paquetes am-pliamente difundidos, como es el caso de ArcGIS.

Del mismo modo, los metalenguajes como el Extensible Markup Language (XML) están siendo ampliamente uti-lizados en la web. Los XML han sido aceptados también con rapidez por la ciencia, la industria y el comercio elec-trónico y generando incluso nuevos metadatos en ámbitos como las mate-máticas, la química, la astronomía, y la multimedia (Houlding, 2001).

No solo el GMES, sino toda la comu-nidad de usuarios de datos espaciales y proveedores de productos, necesitan la adopción de normas y estándares de los que se garantice una permanente aplicación.

1.2.11 Acceso a mapas

Para la elaboración de su cartografía, cada organismo tiende a utilizar las normas nacionales en lugar de están-dares internacionales. Esto plantea re-tos no solo para Europa, sino para el mundo en cuanto al manejo y gestión de los datos.

En el contexto GMES, cuando el sis-tema logre ser potencialmente global en su alcance, específicamente en los temas relacionados con el medio am-

biente, el desarrollo y la ayuda huma-nitaria, el acceso a dichos conjuntos de datos por parte de cualquier organismo será requerido.

1.2.12 Cifrado de datos

El cifrado / descifrado debe empezar a considerarse para lograr el control de datos e información. No obstante, se debe garantizar que un proceso de cifrado o criptografía no afecte la in-teroperabilidad y la integridad de los datos.

Las nuevas tecnologías y el internet se es-tán desarrollando con suficiente rapidez para permitir la transmisión de todos los datos disponibles. Sin embargo, otra faceta de esta libertad, podría significar una pérdida de control sobre los datos. Se recomienda que una política de datos establezca un sistema de cifrado y desci-frado para controlar el acceso a datos y productos. Todos los datos podrían ser transmitidos en tiempo real a todos los usuarios, pero de forma encriptada.

El acceso a los datos entonces podría ser controlado por claves de descifrado, lo que podría ser concretado por una serie de criterios, entre ellos la categoría de usuario y el tipo de uso de los datos. Algunos de los conjuntos de datos po-drían estar siempre disponibles de ma-nera gratuita, mientras que todos los datos relacionados con la ayuda huma-nitaria en determinada zona, podrían estar disponibles de forma gratuita solo en el momento de una crisis.

EUMETSAT, es un ejemplo de sistema que utiliza el cifrado / descifrado de sus datos para controlar el acceso a los productos Meteosat. Las transmisiones cada seis horas del Meteosat Alta Re-solución (High Resolution Imagery, HRI) no son cifradas y se encuentran disponi-bles para todo el público. Sin embargo, las transmisiones captadas cada media hora, cada hora, o en intervalos de tres horas, se cifran y para el acceso a estos

153


datos se requiere la firma de un acuer-do entre el usuario y EUMETSAT, una unidad de descifrado y una llave8.

Otro ejemplo del uso de cifrado / des-cifrado es la iniciativa europea en desarrollo “Sistema Galileo de posicio-namiento”. El sistema planifica varios tipos de acceso a sus servicios, contro-lando el cifrado / descifrado de la las señales transmitidas por los satélites Galileo (von der Dunk, 2003):

1. Servicio gratuito, disponible abier-tamente y sin cargos. Sin embargo, no es un servicio integral que aca-rree responsabilidades al proveedor.

2. Servicio comercial. Disponible con una garantía de servicio y respon-sabilidad por parte del proveedor. Cifrado.

3. Servicio de garantía por vida útil. Alta integridad y alta disponibilidad. Cifrado.

4. El servicio público regulado. Acceso totalmente seguro y cerrado.Cifrado.

El Internet ofrece la opción más adecua-da y práctica para la transmisión de da-tos. Sin embargo, una dificultad visible, es la utilización de Internet en algunos países no desarrollados, en particular del África subsahariana. Otras regiones del mundo sólo tienen conectividad a través de líneas telefónicas, por lo que el acceso a Internet es limitado. No obs-tante, estas regiones podrían beneficiar-se de manera sustancial principalmente en el tema de la ayuda humanitaria.

Conclusiones

A lo largo del presente documento, se ha venido ilustrando la convergencia de las diversas políticas en mejorar el acce-so a los datos espaciales, explorando la coherencia entre estas y las estrategias en el tema de infraestructura de datos.

Se han identificado aquellas iniciativas globales que han favorecido el desvane-cimiento de las lagunas de información espacial mejorando la interoperabilidad y el intercambio de datos. Las recomen-daciones a continuación, se presentan como un medio para estimular debate y discusión en el proceso de consolida-ción de la política de datos espaciales en Colombia.

• La experiencia adquirida en elcontexto de la iniciativa INSPIRE y GMES puede ser extrapolada a una visión nacional para reforzar la In-fraestructura Colombiana de Da-tos Espaciales, ICDE, basándose en nuevas ideas, prácticas exitosas y fracasos del contexto internacional.

• Losdatosdebenserrecogidossolouna vez y ser mantenidos, haciendo que los sistemas sean más eficaces, y más viables desde el punto de vis-ta económico.

- Debe ser posible combinar la infor-mación espacial a través de diferentes fuentes y compartirlos entre muchos usuarios y diferentes aplicaciones.

- Debe ser posible que los datos es-paciales recogidos a cierto nivel del sector público, sean compartidos en todos los niveles del gobierno.

- Los datos espaciales necesarios para el beneficio público, deben estar disponibles en condiciones que no restrinjan su extensivo uso.

- Debe ser fácil de descubrir y locali-zar los datos espaciales disponibles, evaluar su idoneidad para determi-nado propósito y conocer de inme-diato las condiciones que aplican a su uso.

• Losproblemassobrelosestándaresde metadatos son en doble vía. En primer lugar, existen muchas nor-

8 http://www.eumetsat.de/


mas y en segundo lugar, muchos usuarios las ignoran.

• Para minimizar estos problemas, serecomienda que la participación de usuarios en un sistema, se vea cir-cunscrita a la aceptación por parte de este, de las normas acordadas para el suministro de los datos y los pro-ductos. Sin el uso y la aplicación de estándares por parte de todos y cada uno de los usuarios, cualquier siste-ma o infraestructura se verá reducida a un simple depósito de datos.

Se deberá trabajar no solo en pro-mover el uso de estándares, sino en lograr que la adopción de dichos estándares sea lo más fácil posible para los usuarios.

• Existenenlaactualidad,porlome-nos dos avances en el tema de la adopción y el fomento del uso de estándares:

- La evolución de estándares en me-tadatos en la International Orga-nization for Standardization9 y el Open Geospatial Consortium10.

- Mercados de estándares, como el XML y los utilizados comúnmente en SIG.

• Cualquier política de datos espa-ciales deberá encontrar los meca-nismos adecuados para proteger la calidad de datos y productos. El control de la difusión de datos se puede lograr a través de medios técnicos como el cifrado / descifra-do, tal y como se describió ante-riormente.

• Adicionalmente, ladifusióndeberáestar estrechamente ligada a asun-tos como propiedad intelectual, concesión de licencias y protección de la información ya que son estas características las que establecen el

marco jurídico para la difusión y el uso de datos de calidad.

La propiedad intelectual no deberá continuar siendo vista únicamente como una forma de controlar o res-tringir el acceso a datos e informa-ción, sino como un medio efectivo de garantizar la calidad.

Los acuerdos de licencia se pueden utilizar no solo para documentar los derechos y responsabilidades tanto del usuario como del proveedor, sino para aumentar el reconocimiento y la buena imagen de los datos y los productos como si se tratara de una marca, con garantía de calidad.

• Elsistemadeberásercapazdepro-porcionar algunos datos de series de forma gratuita. Los datos de me-dia y baja resolución espacial y los datos estadísticos son ejemplos de algunos datos que podrían ser pro-porcionados sin costo alguno para el usuario. Para el abordaje de este objetivo, la política deberá permi-tir la flexibilidad. Los datos para la ayuda humanitaria, por ejemplo, pueden ser puestos a disposición de forma gratuita en el momento de la emergencia para usuarios au-torizados, como se menciono an-teriormente, pero dicha concesión podría acarrear en cualquier caso, cargos para otros usuarios y otras aplicaciones. El enfoque de cifrado / descifrado señalado anteriormen-te aportará los medios técnicos que permitan el control de la distribu-ción de los datos y productos.

• Unaquejacomúndelosusuariosesque los conjuntos de datos adquiri-dos para un fin por una organiza-ción no pueden ser utilizados para otra finalidad, o en otro proyecto. Un sistema eficiente podría encar-garse de negociar licencias con los proveedores de datos donde los pre-

9 www.iso.org/10 www.opengeospatial.org/

155


cios son acordados para el acceso a los datos por parte de los todos los miembros del sistema. Esto requiere de un equilibrio negociado entre los ingresos que perdería un proveedor por no tener ventas múltiples de los mismos datos en contra de un pre-cio más alto por una sola licencia que permitiría a un mayor número de usuarios acceder a los datos.

• El acceso a los datosporpartedeun gran número de usuarios, pro-bablemente aumente el uso y el de-sarrollo de aplicaciones y productos, y finalmente la ampliación del mer-cado de información para beneficio tanto de proveedores como del pú-blico en general.

• Sedebebuscarmayorclaridadsobreel papel de las diferentes fuentes de financiación para las actividades de investigación y desarrollo en el tema de las tecnologías espaciales. Hasta ahora, la investigación suele ser pa-trocinada, sin embargo, para lograr una financiación sostenible en el tiempo se debe migrar hacia una financiación donde el usuario es un cliente que paga por un servicio. En la actualidad existen programas que operan de esta manera en Europa, por ejemplo para el control de la calidad del aire, se cuenta incluso con financiación por parte de fuen-tes privadas (empresas y compañías responsables de las emisiones)11.

Dicha migración se viabiliza en la medida en que los usuarios en-cuentren necesario el acceso a la información para la satisfacción de necesidades particulares. Pero para potenciar el uso de los datos espa-ciales, es necesaria la diseminación controlada, al menos en sus inicios, de los servicios y las utilidades que

estos ofrecen, al tiempo que se ga-rantice la calidad y la aplicación de los estándares.

• Conelobjetodecontribuirallogrode un compromiso de protección de datos, se recomienda que la polí-tica contemple un instrumento jurí-dico adecuado para garantizar que si importantes conjuntos de datos ambientales van a ser destruidos por alguna institución, bien sea del sector público o privado, entonces un organismo público adquiere el derecho de administrar los datos si así lo desea. Esta propuesta se basa en el US National Satellite Land Re-mote Sensing Data Archive12.

• Finalmente,elaccesoglobalalain-formación geográfica que se logra a través de las acciones coordinadas de naciones y organizaciones, debe surgir de la implementación de po-líticas, estándares comunes y meca-nismos efectivos para el desarrollo y la puesta a disposición de datos y tecnologías interoperables como apoyo a la toma de decisiones en todos los ámbitos y sectores.

Una política de datos espaciales “busca maximizar el beneficio para la Nación, minimizando los costos y logrando sinergias a la vez que mejoran las ca-pacidades de producción, difusión de información y la competitividad del país frente a los mercados extranjeros. La sociedad tendrá acceso a informa-ción geográfica en línea para un mayor conocimiento del territorio y su utiliza-ción en políticas, programas y proyec-tos sociales, económicos y ambientales en pro del desarrollo13.”

11 AdaptedfromthereportofaGMESbrainstormingmeetingbetweentheECandESAheldon17October2002atESAHQ,Paris.12 http://eros.usgs.gov/archive/nslrsda/13 IvánDaríoGómezGuzmán,DirectorGeneralIGAC.Ponenciaenevento:InfraestructuraGlobaldeDatosEspacialesGSDI9,Santiago

deChile,noviembrede2006.



HARRIS AND BROWNING, data policy assessment for GMES. Department of Geography, Univer-sity College London, March 2004.

Houlding, S. W. 2001. XML – an opportunity for meaningful data standards in the geosciences. Computers and Geosciences 27: 839-849.

GÓMEZ, Iván Darío. Política de información geográfica: consolidación de la infraestructura co-lombiana de datos espaciales –ICDE. En: INFRAESTRUCTURA GLOBAL DE DATOS ESPACIALES GSDI9, (9º: 2006: Santiago de Chile).

Umweltinformationsgesetz (UIG). Ein Service des Bundesministeriums der Justiz in Zusammenar-beit mit der juris GmbH -www.juris.de.

DIRECTIVA 2003/4/CE DEL PARLAMENTO EUROPEO Y DEL CONSEJO de 28 de enero de 2003. Relativa al acceso del público a la información medioambiental y por la que se deroga la Directiva 90/313/CEE del Consejo.

Internet

http://www.gmes.info/

http://ec.europa.eu/gmes/index_en.htm

http://inspire.jrc.it/home.html

http://www.eumetsat.de/

www.iso.org/

www.opengeospatial.org/

11 El radar y sus aplicaciones en la agricultura

159

El radar y sus aplicaciones en la agricultura

Abstract This article highlights the main characteristics of the radar, especially related to the backscatter and polari-zation. Cases of application of radar in agriculture are presented, in which is evident relation between the crop yields and the polarization (single and multiple). Finally, in the cycle of precision agriculture (AgP) it is possible to use the latest generation radar (Radar-sat-2) as an alternative method to the use of optical sensors (photographic and satellite images), which is not efficient in tropical areas with adverse weather conditions (cloudiness and rainfall).

Keywords:Radar, polarization, backscatter, precision agriculture.

ResumenEn este artículo se destacan las principales caracte-rísticas del radar, en especial las relacionadas con la retrodispersión (backscatter) y la polarización. Se pre-sentan casos de aplicación del radar en la agricultura, en los que se evidencia la relación entre el rendimien-to de cultivos con la polarización (simple y múltiple). Finalmente, se plantea la posibilidad de incorporar el radar de última generación (Radarsat-2) en el ciclo de la agricultura de precisión (AgP) como alternativa al uso de sensores ópticos (imágenes fotográficas y de satélite), que no son eficientes en zonas tropica-les con condiciones climáticas adversas (nubosidad y pluviosidad).

Palabras clave:Radar, polarización, retrodispersión, agricultura de precisión.

1 MScensuelos,InstitutoGeográficoAgustínCodazzi. Correoelectrónico:[email protected]

El radar y sus aplicaciones en la agricultura Radar and its applications in agriculture

Jonás Cirilo León Pérez1


Introducción

En el campo de la percepción remota se buscan nuevas alternativas para el estu-dio de los recursos naturales, el medio ambiente y, en especial, de la agricul-tura. Para este último caso, el radar es una buena opción, merced a su evolu-ción permanente, en cuanto al empleo de nuevas plataformas (de aviones a satélites), al uso de nuevas bandas y la combinación de ellas y, en especial, en lo relacionado con la polarización, pa-sando de mono a multipolarización.

Las potencialidades antes menciona-das hacen que el radar se convierta en un sensor de grandes posibilidades, en particular en zonas tropicales lluviosas y de permanente nubosidad; sin embar-go, se debe tener presente que, en la práctica, la información proporciona-da por el radar es complementaria a la ofrecida por los sensores ópticos.

El presente documento tiene como objetivo principal señalar las caracterís-ticas singulares del radar, su aprovecha-miento eficiente en el sector agrícola y evaluar su posible inclusión en el ciclo de la agricultura de precisión (AgP).

1. Conceptos generales sobre el radar

Los sensores activos de microondas proporcionan sus propias fuentes de energía para irradiar un objeto. El sis-tema más común que representa a esta tipo de sensores es el radar (acrónimo de inglés Radio Detection and Ranging),

que está diseñado para transmitir seña-les de ondas de radio de alta frecuencia hacia el objeto (cultivos, áreas urbanas, océanos, etc.) y detectar la proporción retrodispersada (backscatter) de la se-ñal. La onda se propaga en sentido perpendicular a los campos eléctrico y magnético. La distancia entre una cres-ta del campo eléctrico y la siguiente se denomina longitud de onda y se desig-na en general mediante la letra griega Lambda (Λ), y más específicamente como: banda – X (2,4 a 3,6 cm), banda – C (3,8 a 7,5 cm), banda – S (7,5 a 15 cm), banda – L (15 a 30 cm) y banda – P (75 a 133 cm). El programa RADARSAT trabaja con la banda – C de 5,6 cm.

La intensidad de la señal retrodisper-sada se mide para discriminar los dife-rentes objetos que se encuentran en su campo de influencia, y el tiempo que demora entre la transmisión y regreso de la señal determina la distancia a la que se encuentra el objeto.

Los componentes básicos del radar son: el transmisor, la antena (normalmente usada para la transmisión y recepción de señales), el receptor y el equipo de manejo de datos. El sistema de Radar de Apertura Sintética (SAR) (del inglés Synthetic Aperture Radar) incluye, ade-más, un procesador de imágenes.

La principal ventaja que tiene el sistema radar frente a otros tipos de sensores es que las microondas pueden penetrar coberturas de nubes, lluvias y nieve, además de adquirir imágenes de día y de noche. Estas ventajas se deben a que las ondas de radio no son susceptibles a la dispersión atmosférica, que sí afec-

161


ta las longitudes de onda del visible e infrarrojo del espectro electromagnéti-co. Mencionadas características hacen que el radar sea una alternativa para la adquisición de imagen en regiones tropicales donde la nubosidad y las pre-cipitaciones son permanentes (Ahern, 1995), como es el caso de Colombia.

También es importante entender que, debido a que los sistemas activos (ra-dar), operan de manera diferente a los sistemas pasivos, las imágenes de los primeros son diferentes al de los segundos (fotos aéreas, imágenes de SPOT, Landsat, Ikonos, etc.), motivo por el cual pueden ser complementarios, aprovechándose al máximo la infor-mación que ofrecen cada uno de ellos sobre una misma escena de la superfi-cie de la Tierra, pero desde diferentes perspectivas.

Muchos autores han escrito sobre los fundamentos del radar (Ahern, 1995; CCRS, 2008; SNL, 2005; CCRS, 2005; LeToan, 2007), en consecuencia, para los fines del presente trabajo, sólo se profundizará en conceptos que serán de uso frecuente, como es el caso de la polarización, la retrodispersión (backs-catter) y el sistema de radar de apertura sintética (SAR).

1.1 Polarización

Por definición, la polarización con-templa “el comportamiento temporal y geométrico del vector eléctrico de la onda electromagnética (figura 1.), transmitido o recibido por un sistema de radar” (CCRS, 2005).

Los sistemas de radar utilizados en el campo de la percepción remota son usualmente diseñados para transmitir radiación horizontalmente o vertical-mente polarizados. De igual manera, el radar puede recibir radiaciones ho-rizontalmente o verticalmente polari-zadas, y a veces ambas. Los planos de polarización transmitido o recibido son

Figura 1.Onda electromagnética con sus campos magnético (M) y eléctrico (E).

Fuente:CCRS,2008.

Figura 2.Operación del radar en los modos HH (a), VV (b), VH (c) y HV (d).

designados por las letras H y V, para ho-rizontal o vertical, respectivamente. En-tonces, la polarización de una imagen de radar puede ser HH, que se refiere a un modo de operación del radar, donde la antena transmisora crea un campo eléctrico que es orientado en el plano horizontal, y donde el componente po-larizado horizontalmente de la energía retrodispersada por el objeto es alma-cenado por la antena receptora (figura 2a); VV, transmisión vertical y recepción vertical (figura 2b); HV, transmisión ho-rizontal y recepción vertical (figura 2c) y viceversa (figura 2d). Las imágenes re-sultantes de los dos primeros casos se denominan copolarizadas, y las de los dos últimos casos se llaman de polari-zación cruzada.

Fuente:CCRS,2008.


La polarización es establecida por la antena del radar, que está configurada para tener diferentes trayectorias para las señales de recepción y de transmi-sión. La retrodispersión (backscatter) de las microondas desde un objeto (ejem-plo: cultivo de arroz) depende de la re-lación entre la polarización de la onda incidente y la estructura geométrica del objeto. Cuando los datos colectados de un objeto provienen de varias po-larizaciones, entonces se obtiene más información que con un radar de canal simple.

En términos generales, se puede mani-festar que, cuando se trata de vegeta-ción, la señal vertical recibida depende más del comportamiento dispersor de la vegetación, mientras que la señal horizontal depende más del compor-tamiento dispersor del suelo, toda vez que la onda horizontalmente polariza-da atraviesa la vegetación.

1.2 Retrodispersión (backscatter)

La retrodispersión es la porción de la señal de radar que el objeto (cultivos, agua, construcciones, etc.) redirige di-rectamente atrás, hacia la antena del radar (CCRS, 2005).

El proceso se puede explicar así (figura 3): el sistema del radar ilumina al ob-jeto con una onda incidente (A), y la onda es dispersada en todas las direc-ciones (C). El sistema graba la parte de la onda dispersada que va directa a la

antena receptora (B). Cuando la antena receptora está en la misma localización que la antena que transmite la onda, se refiere a una operación monoestática, que es el caso más común con los siste-mas de radar.

La notación usual para designar la re-trodispersión es el símbolo “sigma” (σ), que es una medida de la intensidad de la reflectividad del objeto. La medición normalizada de la señal de retorno desde el objeto se llama coeficiente de retrodispersión, o “sigma cero” (σ° σ°), por unidad de área, usualmente expre-sado en decibeles (dB). Una fórmula para calcular σ° σ° es la propuesta por ESA (2002), citado por Karjalainen et ál (2004), que se expresa como sigue:

Donde: σ° :

coeficiente de retrodispersión (dB)

Valor pixel: Número digital de pixel

K: Constante de calibración

i: Ángulo de incidencia

La constante de calibración (K) y el án-gulo de incidencia (i) varían de imagen a imagen. Los valores de la primera se pueden obtener de los archivos de las imágenes y, del segundo, será necesario calcular para cada parcela en cada una de las imágenes SAR.

1.2.1 Propiedades de la retrodispersión

Las desigualdades del objeto observado influyen en la reflexión de la energía de microondas y, por tanto, en el brillo de cada pixel de la imagen de radar. Las su-perficies lisas horizontales reflejan prác-ticamente toda la energía de incidencia hacia afuera de la antena del radar y se

Figura 3.Ilustración de la retrodispersión.

Fuente:CCRS,2008.

163


denominan especulares. Las superficies especulares, como el agua en calma o las autopistas pavimentadas, aparecen oscuras en las imágenes radar, porque la retrodispersión es casi cero.

Las microondas que inciden en una superficie rugosa se dispersan en mu-chas direcciones, generando lo que se denomina reflectancia difusa, como el caso de una superficie con vegetación, resultando en un tono con más brillo en las imágenes de radar que en el caso anterior.

También existe la reflectancia angular, o de esquima, cuando hay un efecto combinado entre la reflexión del suelo y los lados de un edificio o de un puente o de cualquier otra estructura de cons-trucción humana. Esto implicará un gran brillo en la imagen radar debido a la alta reflexión.

Un caso especial de este fenómeno es la llamada dispersión de volumen, que está relacionada con procesos de dis-persión múltiple dentro de un medio, tal como una cubierta de vegetación de un campo de arroz o las capas de los árboles de un bosque. Este tipo de dispersión es importante, puesto que influye en la retrodispersión que recibi-rá el radar (E(r)), tanto de superficie (s) como de volumen (v) y de las múltiples interacciones volumen–superficie (sv o vs), situación que se muestra en la figu-ra 4 y la fórmula correspondiente.

Es de recalcar que la intensidad de la dispersión de volumen depende, en lo que se refiere a la vegetación, de las características de ésta, como (CCPR, 2008):

a) Características de las plantas.

•Estructuraygeometría(forma,ta-lla y orientación).

•Contenidodeaguaenlasplantas(constante dieléctrica compleja).

b) Características del follaje de la vegetación.

• Geometría vertical y horizontal(de una sola capa o multicapa, es-paciamiento entre plantas, orienta-ción de los surcos).

•Distribuciónydensidaddelave-getación en relación con cada una de las influencias que provienen del terreno subyacente (humedad, to-pografía, suelo).

•Composición(mezcladeespecies).

En cuanto al contenido de agua en las plantas, se afirma que la presencia de humedad aumenta la constante dieléc-trica compleja y que ésta influye en la capacidad de absorber, reflejar y trans-mitir la energía de microondas (CCRS,

Figura 4. Mecanismos de la retrodispersión en un cultivo de arroz.

t= índice para la hoja o el tallo

v= retrodispersión de volumen (hojas, tallos, granos)

s= retrodispersión de superficie (agua)

1

1

2

2

3

3

4

4

Fuente:adaptadodeLeToan(2007).


1995). En suma, la reflectividad y, por tanto, la brillantez de la imagen de la ve-getación y las superficies aumenta cuan-do aumenta el contenido de humedad.

Finalmente, el efecto de todos los fac-tores mencionados depende de la fre-cuencia, la polarización y el ángulo de incidencia del radar (LeToan, 2007; CCRS, 1995).

1.3Radardeaperturasintética(sar)

Una apertura sintética, o antena virtual, consiste en un arreglo longitudinal de señales de radar, sucesivas y coheren-tes, que son transmitidas y recibidas por una antena real físicamente corta que se mueve a lo largo de una trayectoria de vuelo o una órbita (CCR, 2008).

El concepto de SAR, como un sensor para mapeo, fue introducido inicial-mente por Carl Wiley en 1951 (CCRS, s. f.). Con el propósito de mapear la su-perficie de la Tierra, las ondas de radar emitidas son dirigidas hacia un lado de la trayectoria de la plataforma (avión o satélite). La antena tiene una ampli-tud suficiente en la dirección de vuelo u órbita, de tal manera que un objeto (cultivo, bosque, cuerpo de agua, etc.) es iluminado por un número de pul-sos, como se observa en la figura 5. El número de pulsos de iluminación está en el orden de miles, y el conjunto de localizaciones de la antena durante la iluminación de un objeto dado (que se asume debe estar estático) constituye la

“apertura sintética” del sistema (CCRS, 2008; Le Toan, 2007).

Una característica especial del sistema SAR es que éste toma ventaja del largo alcance de propagación de las señales de radar y de la capacidad de los modernos sistemas electrónicos para el procesa-miento de información que combina la retrodispersión recibida de los múltiples pulsos que iluminan un objeto específi-co (Le Toan, 2007), para así proporcionar una imagen de alta resolución (Sandia National Laboratories).

El satélite Radarsat–1 fue el primer pro-grama espacial en llevar un sensor de radar de apertura sintética con ángu-lo de incidencia y resolución variables (Mahmod et ál., 2001), que ha sido ampliamente mejorado en Radarsat-2, lanzado el 16 de diciembre de 2007, cuyas características prevén una gran gama de aplicaciones, especialmente en el estudio de los recursos naturales y la identificación de diferentes cultivos en sus diferentes estados.

2. Programa radarsat

El programa Radarsat es un sistema sa-telital avanzado de Observación de la Tierra, desarrollado por Canadá para monitorear los cambios en el medio ambiente y apoyar el manejo sostenible de los recursos naturales.

El corazón del programa es un sensor activo llamado radar de apertura sinté-tica (SAR, por sus siglas en inglés). SAR es un instrumento de microondas que envía señales a la superficie terrestre y procesa los pulsos reflejados, captados por la antena. Radarsat-1 trabaja a una altitud de 798 km, con una inclinación de 98,6 grados en relación con el plano ecuatorial y tiene una órbita sincrónica solar. El programa funciona con una frecuencia simple, banda C (5,6 cm), formando imágenes con amplitudes de 45 a 500 km con una resolución de 8 a

Figura 5.Generación de una

imagen de radar de apertura sintética: el objeto (en rojo) es iluminado con

muchos pulsos de radar sucesivos,

y la imagen es formada por una

combinación coherente de todos

los ecos recibidos.

Fuente:CCRS,2008.

165


100 m y ángulos de incidencia entre 10 a 60 grados.

Por su parte, Radarsat–2 ofrece capaci-dades mejoradas, como multipolariza-ción y mayor resolución espacial, que generarán datos más precisos de las condiciones del cultivo, evaluación de los daños en éste, prácticas de labranza y contenido de la humedad del suelo.

La diversidad de polarizaciones pro-porcionará una completa información de la estructura del cultivo. Señales de copolarización (VV y HH) son sensitivas a la geometría de los cultivos y las seña-les de polarización cruzada (HV y VH) muestran alta sensibilidad a las varia-ciones en la estructura y humedad del cultivo. Las señales HH, a bajos ángulos de incidencia, pueden penetrar la vege-tación y proporcionar información de la humedad del suelo (http://www.space.gc.ca/radarsat-2).

3. El radar en la agricultura

La clasificación de tipos de los cultivos es uno de los aspectos más importantes para el monitoreo agrícola, debido a que proporciona información vital para determinar las políticas del sector agro-pecuario a varios niveles de decisión (CCRS Brasil, 1998; León, 1985).

Para proceder con el inventario, la cla-sificación y el monitoreo de cultivos, se han utilizado con mayor frecuencia los sensores remotos que exploran las re-giones visible e infrarrojo cercano del espectro electromagnético. Sin embar-go, ellos no son de gran utilidad en zonas donde la nubosidad hace casi imposible la obtención de información (Wooding y Farnborough, 1983; Zhang et ál., 1999). En esas condiciones es importante el radar, debido a que pro-porciona información adecuada como resultado de su independencia en rela-ción con las condiciones climáticas y la iluminación solar (León, 1985).

Por las razones antes expuestas, se han intensificado las investigaciones para la clasificación de cultivos empleando las imágenes derivadas del radar de aper-tura sintética (SAR) y analizadas con procedimientos que incluyen el proce-samiento digital de la imagen, clasifi-cación manual y combinaciones de los dos mencionados.

Así, Wooding y Farnborough (1983) realizaron un trabajo para evaluar el sistema denominado SAR-580, como fuente de información agrícola en áreas con cultivos de cereales, papa y remola-cha azucarera; considerando diferentes longitudes de onda (X y C) y diferen-tes polarizaciones (HH y HV) desde una plataforma aérea, pero con la intención de hacerla base para el diseño de siste-mas de radar satelitales.

Los principales parámetros de cultivos que fueron evaluados incluyeron: es-tado de desarrollo, cobertura y altura del cultivo, dirección de las hileras, nú-mero de plantas y de hojas por planta. En cada campo se midieron los valores de retrodispersión y posteriormente se examinaron las relaciones entre la retro-dispersión y los parámetros de cultivos para evaluar la utilidad de las diferentes bandas y polarizaciones.

Los resultados demostraron que la fe-cha de toma de los datos es importante para una buena discriminación entre ti-pos de cultivos y que las diferencias en retrodispersión correlacionan bien con los parámetros de los cultivos, como: cobertura y altura de la planta. Tam-bién encontraron que las correlaciones de los cultivos de remolacha azucarera y papa, con los parámetros selecciona-dos, se expresan mejor en la banda C que en la banda X.

Por su parte, Brisco et ál. (1984), tra-bajando en Canadá con información de 2 bandas espectrales (X y L), de dos periodos correspondientes a dos fases de desarrollo de los cultivos y con po-larización simple (HH) y cruzada (HV),


obtuvieron una clasificación de los cul-tivos con 83% de precisión, utilizando para ello un flujograma que aparece en la figura 6. En condiciones similares al anterior, en cuanto a bandas espectra-les y polarización, pero sin la selección adecuada del periodo de adquisición de la información, otros autores (Bris-co and Protz, 1982) lograron clasificar árboles, maíz, cereales y heno con una precisión del 73%.

Por otro lado, Ulaby et ál (1980), utili-zando como fuente de información la banda L, con polarización simple (HH) primero y luego con polarización com-binada (HH y HV), identificaron maíz, soya, árboles y pastos, con una preci-sión del 65% y 71%, respectivamente.

En otro estudio realizado en Brasil (CCRS, 1998) con el objetivo principal de evaluar la técnica de análisis multi-

temporal utilizando imágenes Radarsat en la discriminación y monitoreo de cul-tivos, los autores resaltan que los facto-res que contribuyeron al coeficiente de retrodispersión de las señales de radar en la agricultura fueron, entre otros, la dispersión volumétrica desde las plantas, la dispersión directa de la superficie del suelo y la dispersión resultante de la in-teracción entre el suelo y la vegetación. Finalmente, manifiestan que las investi-gaciones en el futuro apuntarán a anali-zar los patrones de radar y al monitoreo de los cambios en campos individuales durante la estación de desarrollo.

Investigaciones posteriores, como las realizadas en Finlandia por el Finish Geo-detic Institute (FGI) (Karjalainen, 2004), tenían como objetivo evaluar el poten-cial de imágenes SAR de alta resolución espacial y alta repetición multitemporal en el monitoreo agrícola, incluyendo aspectos como la estimación del rendi-miento de los cultivos y la medición de los daños causados. Los investigadores concluyeron que la polarización HH de Radarsat-1 no es sensitiva a los cam-bios en biomasa de los cultivos de hojas pequeñas, pero que, por otro lado, es sensitiva a las variaciones en la rugosi-dad y la humedad de la parte superficial del suelo.

La investigación referida continuó en el año 2003, con los mismos objetivos, pero esta vez utilizando imágenes SAR de Envisat, modo de polarización com-binada VV/VH, que significa que ambas imágenes, VV Y VH, son adquiridas si-multáneamente. De acuerdo con los resultados, concluyeron que la polari-zación cruzada VH podría ser la más in-dicada para la detección de biomasa en cultivo de cereales; que el incremento en la retrodispersión SAR corresponde al incremento en la altura del cultivo, que podría hacer posible la estimación indirecta del rendimiento del cultivo, y que la detección de los daños en los cultivos no fue evidente, principalmen-te porque la resolución espacial de las imágenes SAR-Envisat era de 30 me-

Figura 6.Flujograma para

la clasificación de cultivos con datos

SAR multicanal.

167


tros, inadecuada para estudiar parcelas pequeñas como las que predominan en Finlandia.

Un tema que ha llamado la atención de los investigadores es la determinación de las variaciones del rendimiento de los cultivos dentro del campo, en rela-ción con la polarización. Así, McNairn et ál. (s. f.), citado por CCRS (2008), ilustran el tema antes mencionado uti-lizando para ello combinaciones de po-larizaciones (HH, VV, HV y VH) de un SAR–Banda C.

Un campo de trigo sirve para visualizar el mapeo de las variaciones dentro del campo, donde una imagen composición a color (R=VV, G=HV, B=HH), muestra regiones con baja retrodispersión (figu-ra 7A), datos del monitor de rendimien-tos (figura 7B), obtenidos en el campo dos semanas después de la adquisición de imágenes SAR (figura 7C), muestran que aquellas áreas con baja retrodisper-sión corresponden a rendimientos me-nores a 70 bushels/acre (BPA).

De igual manera, los autores eviden-ciaron que la polarización C-HH sola no tenía capacidad para separar zonas con diferente productividad, y que las imágenes con polarización lineal cruza-da (HV) mostraron un mayor contraste entre las zonas de alta y baja produc-tividad, seguida por las imágenes con polarización VV (Figura 8).

Las áreas de rendimientos bajos en el campo de trigo, identificadas usando las tres polarizaciones lineales, con-cuerdan razonablemente (77%) con las áreas de rendimiento bajo, identificadas por los datos del monitor de rendimien-to (figura 9).

En un contexto más global, Zhang et ál. (1999) hacen aportes interesantes en relación con las ventajas y desventa-jas de la percepción remota con radar, frente a la percepción remota conven-cional, considerando sus aplicaciones en la agricultura, principalmente en lo

Figura 7. A) Imagen de la banda C con composición a color (R=VV, G=HV, B=HH); B) Clasificación de los datos del monitor de rendimiento; C) Clasificación de los datos SAR diferenciando zonas de bajo y alto rendimiento.

Figura 8. Retrodispersión promedio para áreas con alto y bajo rendimiento en campos de cultivos de trigo.

relacionado con el monitoreo del esta-do de desarrollo del cultivo, la medición de la humedad del suelo y la clasifica-ción de cultivos. Para el primer caso, los autores mencionados argumentan que, aunque la banda de microondas no cubre el rango de las ondas visible e infrarrojo del espectro, ondas de luz útiles para la fotosíntesis, el radar eva-


lúa indirectamente el estado de desa-rrollo del cultivo a través de la medición de su contenido de humedad. Recal-can, además, que la composición de imágenes con diferentes polarizaciones es una ayuda para interpretar el estado de los cultivos.

En cuanto a la medición de la humead del suelo, información valiosa en la pro-ducción agrícola, afirman que, debido a la capacidad de las microondas de penetrar en la vegetación y de llegar al suelo, pueden medir su contenido de humedad de tal manera que es posible establecer la relación de que el coefi-ciente de retrodispersión del substrato aumenta, cuando aumenta la humedad del mismo, como consecuencia de que el incremento de humedad implica un incremento en el coeficiente dieléctrico.

Para el caso de la clasificación de culti-vos, argumentan que existen muy úti-les diferencias en la curva espectral o en el coeficiente de retrodispersión de las diferentes clases de cultivos. Sin em-

bargo, hay una ligera ventaja de la PR por radar como resultado de que la for-ma de las hojas y la altura de los tallos afectan la reflectancia multiangular de los cultivos, que se expresan en la ima-gen de radar como diferentes texturas, criterio importante para diferenciarlos, como en el caso de cultivos de hortali-zas y arroz, que muestran una textura fina. En relación con el arroz, manifies-tan que, debido a que este cultivo tiene como substrato el agua, o el suelo con altos niveles de humedad, la utilización de datos de radar multitemporal puede desempeñar un papel muy importante en el mapeo de campos de arroz.

4. El radar en el estudio del cultivo de arroz

El uso operacional de los datos prove-nientes del SAR para monitorear cul-tivos de arroz se hizo realidad con el lanzamiento exitoso del satélite ERS-1 en 1992. Los primeros estudios fueron orientados al entendimiento de la sig-natura espectral del cultivo de arroz en sus diferentes estados de desarrollo (Pa-nigrahy et ál., 1999). Algunos hallaz-gos fueron: muy baja retrodispersión en campos de arroz durante el estado vegetativo temprano, independiente de los tipos de manejo; la dispersión superficial de los campos con agua no contribuyen mucho a la retrodispersión y, como la cobertura del cultivo es muy baja, entonces es baja también la dis-persión de volumen; el arroz muestra una gran dinámica en el rango de dis-persión durante los primeros estados de desarrollo; los datos SAR multitem-poral emergen como una buena fuente de datos, principalmente para obtener una mayor precisión en la identificación y clasificación del cultivo (Chakraborty et ál., 1997).

También se estudió la importancia de las fechas de adquisición de los datos SAR multitemporal, llegando a concluir que esta información es crítica para alcan-

Figura 9.Porcentaje de

concordancia entre la clasificación

de imágenes SAR-C y los datos

del monitor de rendimiento.

A) Área de concordancia (alto rendi-miento) 77%

B) Área de concordancia (bajo rendi-miento) 77%

C) “Error” (omisión/comisión) 23%

169


zar una alta precisión en la clasificación y que los datos obtenidos durante el estado de preparación del terreno para el trasplante, fueron esenciales para la identificación del cultivo de arroz.

Un aspecto que llama la atención es el uso para el estudio del arroz de un software específico denominado SARCROPS (Chakraborty, citado por Panigrahy et ál., 1999), con el fin de es-tandarizar y uniformizar la técnica para todo el estudio, además de hacer más rápido y eficiente el procesamiento de datos. También reporta el desarrollo de un algoritmo de clasificación basado en reglas de decisión y usado para delinear áreas con arroz.

Por su parte, Staples y Hurley (1996) establecen que, durante el estado de barbecho, la retrodispersión del radar (Radarsat 1–HH) es una función de la rugosidad del suelo; de la reflexión de esquina del cultivo, entre el suelo hú-medo y el rastrojo, creando un retor-no brillante en la imagen. Finalmente, recomiendan que la adquisición de las imágenes debe coincidir con los dife-rentes estados de desarrollo del arroz, especialmente entre la labranza y la maduración, porque en este rango la retrodispersión será máxima. Además, si esa diferencia en la retrodispersión está relacionada con el rendimiento del cultivo, entonces la predicción del ren-dimiento puede calcularse antes de la cosecha.

Coincidiendo con los autores antes cita-dos, en lo que se refiere a la importan-cia del calendario de cultivo relacionado con la adquisición de imágenes, en este caso ERS 1/2, Bahari et ál. (1997) su-gieren que en el trabajo de campo se deben obtener los siguientes datos, georreferenciados con GPS: composi-ción y contenido de humedad del sue-lo, promedio de altura de las plantas de arroz sobre el nivel de agua, tamaño y contenido de humedad del suelo, pro-medio de altura de las plantas de arroz sobre el nivel de agua, tamaño y con-

tenido de humedad del de las hojas y tallos, y condiciones climáticas.

Además, para un mejor seguimiento al cultivo, los mismos autores definen cinco principales estado de desarro-llo del arroz; preparación del terreno, siembra, desarrollo vegetativo, madu-ración y cosecha. Finalmente, muestran una alta correlación entre la retrodis-persión (figura 10a) y la altura (figura 10b), contenido de humedad (figura 10c) y la edad del cultivo (figura 10d), concluyendo que se necesitan trabajos más detallados para comparar y con-trastar cualitativa y cuantitativamente el coeficiente de retrodispersión (σ°) y las condiciones físicas de los campos de cultivo, a través de mediciones directas en el campo y de simulaciones.

Figura 10. a) Retrodispersión con base en los datos de ERS 1 y 2; b) Altura promedia del arroz sobre el nivel del agua; c) humedad de la planta y d) estado de desarrollo de la planta (edad).

Fuente:Baharietál.,1997.


A diferencia de lo manifestado por Sta-ples y Hurley (1996), Shao y Treuhaft (1999) especifican que utilizando datos multitemporales de Radarsat–1 logra-ron una clasificación de cultivo de arroz con una precisión del 91%, y que para la estimación del rendimiento son ne-cesarios tres datos de radar obtenidos en tres estados de desarrollo: al final de la siembra, en el periodo de dife-renciación temprana y empezando el periodo de cosecha. Los autores con-cluyen sugiriendo los parámetros de un sistema SAR óptimos para el monitoreo del arroz en zonas tropicales, entre los que se destacan: bandas C y L, multi-polarización, resolución espacial entre 10 y 25 m, resolución temporal entre 8 y 16 días, ángulo de incidencia entre 35 y 45 grados y un campo de visión lo más amplio posible para cubrir grandes áreas, y así reducir costos.

Todos los autores referidos hasta el mo-mento trabajaron con imágenes radar exclusivamente, ya sea ERS 1/2 o Ra-darsat, para el estudio del arroz. Por el contrario, Takeuchi et ál. (1999), desa-rrollaron una investigación para estimar el área plantada de arroz en un estado temprano, analizando comparativa-mente imágenes multiespectrales de SPOT/HRV e imágenes de Radarsat en modo fino, teniendo como referencia el mapa de uso de la tierra levantado por métodos convencionales. Ellos con-cluyen que la precisión en la determi-nación del área plantada, definida por ambos sistemas, es similar (± 92%) y que los resultados “sugieren que hay li-mitaciones para identificar plenamente las áreas cultivadas de arroz utilizando exclusivamente imágenes de Radarsat”. Esta última afirmación parece reforzar la idea de que por ser los dos sistemas dos formas diferentes de mirar el mis-mo objeto (cultivo de arroz), son com-plementarios, posibilitando un buen resultado en la clasificación del cultivo y en la predicción de su rendimiento.

Otro trabajo, desarrollado por Bin-gxiang et ál. (1999), presenta una me-

todología para obtener un mapa de cultivo de arroz, integrando la clasifi-cación de imágenes SAR (Radarsat–1 y ERS-2), utilizando el método de clasifi-cación supervisada “máxima verosimili-tud” y las capacidades de un SIG para el manejo y análisis de la información obtenida. Según los autores mencio-nados, este método permite semiauto-matizar el proceso de elaboración del mapa de cultivo de arroz.

5. El radar en la agricultura de precisión (AgP)

5.1 Concepto y componentes de la agricultura de precisión

Según los estudiosos del tema, la agri-cultura de precisión es el manejo cuida-doso del suelo y de los cultivos, teniendo en cuenta las diferentes condiciones en-contradas en cada parcela, empleando para ello tres tecnologías básicas: Sis-temas de Posicionamiento Global (GPS, por sus siglas en inglés), Sistemas de Información Geográfica (SIG) y la Per-cepción Remota (León, 2002).

El GPS se utiliza para determinar la po-sición (longitud y latitud) de los datos recogidos en el campo, cuya precisión se puede mejorar, llegando hasta cer-ca de un metro, utilizando un sistema denominado DGPS (GPS diferencial). El SIG, para el tratamiento de los datos recolectados, expresados en mapas, y buscando sus relaciones por ejemplo entre el mapa de rendimientos de un cultivo y las características del suelo. Por su parte, la PR permite recolectar infor-mación a través de sensores que pue-den estar ubicados a pocos metros del objeto (sobre un tractor o combinada) o a cientos o miles de kilómetros, sobre satélites; la información puede referirse a enfermedades de los cultivos, la pre-sencia de malezas, la erosión o saliniza-ción de los suelos, etc.

171


Es indudable que, para ser eficientes, los tres componentes básicos deben funcionar como un sistema, participan-do en las fases de diagnóstico, análisis y ejecución (figura 11). La tercera fase implica tener un mapa de tratamientos, producto de la fase de análisis, y según la indicación de “si están en tal coorde-nada aplica tal cantidad de fertilizante, semilla, agua o fungicida […]” (León, 2002).

En el ciclo de la AgP, el radar forma par-te del componente percepción remota y su utilidad será evaluada para apoyar el planteamiento de McNairn et ál. (s. f.) que dice:

Si los sensores remotos proporcio-nan información operacional para la AgP, las imágenes SAR deben ser integradas con las imágenes adqui-ridas por sensores ópticos. Además, se debe poner atención en la corre-lación estadística entre los datos del suelo, del cultivo, del rendimiento, con la retrodispersión del radar de apertura sintética.

5.2 El radar en estudios de agricultura de precisión

La agricultura de precisión (AgP), apli-cado con base en tecnologías espacia-les, tiene una experiencia reciente en Colombia. La referencia básica corres-ponde al año 1992, cuando el IGAC, junto con Cenipalma, desarrolló un proyecto para el tratamiento de sitio específico de la palma africana, que era afectada por la pudrición del cogollo. Se utilizaron imágenes de satélite SPOT e información de campo “palmo a pal-mo” que mostraba el estado de cada palma (tratamiento, edad, lote, etc.), lo que se contrastó con lo obtenido en el procesamiento digital de la imagen, en-contrándose una alta correlación entre ellos (Khobzy, et ál., 1992).

Posteriormente, en el año 2004, se rea-liza el convenio del gobierno de Suiza

con el gobierno colombiano, a través de Colciencias, Cenicaña, CIAFT y Bio-tec, quienes plantearon un proyecto de agricultura de precisión para el manejo de frutales (guanábana, lulo y mora de castilla). En otros casos, se han realiza-do estudios orientados a conocer, por ejemplo, la variabilidad espacial y tem-poral de factores edáficos relacionados con los rendimientos de los cultivos (Muñoz et ál., 2005).

Como se observará, en los estudios ci-tados se habla de sensores pasivos o en otros sobre tratamientos geoesta-dísticos de la información, pero no del uso de imágenes de radar en AgP. En el campo internacional parece suceder lo mismo, es decir, hablan de ciertos trabajos, cuyos resultados pueden ser aplicados en el ciclo de AgP. Así, Mc-Nairn et ál. (2000), manifiestan que uti-lizando imágenes multitemporales de Radarsat–1, con banda C y polarización HH, pudieron detectar diferencias en ti-pos de cultivos, estado del crecimiento e indicadores como biomasa e índice de área foliar.

Otro reporte producido por Young et ál., (1999) muestra la relación entre coeficientes de imágenes de radar y los números digitales (DN) de las imágenes LANDSAT TM en la evaluación del cre-cimiento del cultivo de arroz. También presentan una relación positiva entre

Figura 11.La percepción remota en el ciclo de la agricultura de precisión.


el índice de área foliar, biomasa fresca y biomasa seca del arroz, con el coefi-ciente de radar, durante el periodo de crecimiento del cultivo.

El único trabajo que habla del uso de imágenes de radar de alta resolución para AgP, es presentado por Karjalainen et ál. (2001). Ellos afirman que utiliza-ron imágenes Radarsat con resolución de 8 m para detectar cambios en las parcelas de cultivos, por ejemplo, dis-minución de rendimientos causado por daños climáticos, concluyendo que sus primeros resultados prometen buenas perspectivas para la aplicación de las imágenes SAR en AgP.

Un documento producido por McNair, Deguise y Pacheco (2001) presenta un acercamiento más detallado sobre las investigaciones desarrolladas en torno a la aplicabilidad de los datos SAR en la AgP. Las preguntas básicas que orienta-ron las investigaciones fueron: ¿puede la imagen Radarsat-2, con resolución de 3m y modo “ultra fino”, proporcio-nar información para una agricultura de sitio específico?, ¿Qué tan sensitivo es el dato multipolarizado como indi-cador del vigor del cultivo (LAI, bioma-sa)?, ¿Pueden los datos SAR ser útiles cuando los datos ópticos no están dis-ponibles?

Según los autores, las retrodispersio-nes del radar varían de campo a campo como una función del tipo de cultivo. Sin embargo, las imágenes de radar no proporcionan información significativa a la escala utilizada en AgP. Estos re-sultados pueden ser explicados por mu-chos factores. Uno de ellos es que la retrodispersión del radar, en longitudes de onda corta (caso banda C= 5,6 cm), tiende a saturarse cuando los cultivos acumulan biomasa en cantidades sig-nificativas situación que es corrobora-da por Blumberg (2006). Entonces las imágenes de radar con polarización lineal (HH, VV, HV) son útiles sólo en periodos tempranos del crecimiento. En otros casos, la microtopografía en-

mascaró el efecto real de la variabilidad como consecuencia de la variación del ángulo de incidencia local.

También encontraron que áreas con alto rendimiento generalmente coinci-den con áreas de alta retrodispersión. Pero advierten que se debe tener en cuenta que también existen errores en los datos del monitor del rendimien-to, principalmente como resultado de errores durante la recolección de da-tos o durante el procesamiento. Esto es particularmente evidente en zonas de “datos perdidos” que existen en los mapas producidos por los monitores de rendimiento.

6. Conclusiones

• El radar, gracias a su evolución demono a multipolarozación, además del aprovechamiento de la retrodis-persión, es una alternativa para el estudio de cultivos en zonas tropi-cales con alta nubosidad y perma-nente precipitación.

• En la clasificación de cultivos, sonmás eficientes los modos de pola-rización combinada que los modos de polarización simples.

• En las imágenesdeRadarsat-2, lasseñales de copolarización (VV y HH) son sensitivas a la geometría de los cultivos y las señales de polarización cruzada (HV y VH) muestran alta sensibilidad a las variaciones en la estructura y humedad del cultivo.

• Los casos presentados evidencianuna buena correlación entre la po-larización o retrodispersión con el rendimiento de los cultivos.

• Enelciclodelaagriculturadepre-cisión (AgP), el radar puede ser una fuente importante de información en zonas tropicales, pero requiere de más proyectos de investigación para su confirmación.

173



AHERN, F.J. (Ed.). Conceptos básicos de teledetección por radar. Canadá: CCRS, 1995. 89p.

BAHARI, S. et ál. SAR backscatter response of various growth stages of wetland rice paddy in Malaysia. Disponible en Internet: http://www.gisdeveolpment.net/aars/acrs/1997/ts1/ts1001pf.htm

BINGXIANG, tan et ál. Rapid updating of rice map for local government using SAR data and GIS- In Zegcheng county, Guangdong Province, China. Disponible en Internet: http://www.gisdevelopment.net/aars/acrs/1999/ts1/ts1001pf.htm

BLUMBERG, Dan G. High resolution X-band SAR imagery for precise agriculture and crop mo-nitoring.

BRISCO, B.; ULABY, F.T. y PROTZ, R. Improving crop indentification through attention to the timing of airborne radar acquisitions. En: Photogrammetric Engineering and Re-mote Sensing. Vol. 50, N.° 6, 1984; p. 739-745.

BRISCO, B. y PROTZ, R. Manual and automatic crop identification with airborne radar imagery. En: Photogrammetric Engineering and Remote Sensing. Vol. 14, N.° 1, 1982; p. 101-109.

Canadian Space Agency. Radarsat-2. Enhanced agriculture monitoring. Disponible en Internet: http://radarsat.mda.ca.

Canada Centre for Remote Sensing (CCRS). Analysis of multitemporal Radarsat data for agricul-tural monitoring (Sumaré, Sao Paulo, Brazil), 1998. Disponible en internet: http://cct.rncan.gc.ca/radar/spaceborne/radarsat1/action/int/bva/im22-e.php.

_______. Tutorial: fundamentals of remote sensing. Microwave remote sensing, 2008.

_______. Glossary of remote sensing terms. 2005. Disponible e Internet: http://www.ccrs.nrcan.gc.ca/glossary/index_e.php?id01560

CHAKRABORTY, M; PANIGRAHY, S. y SHARMA, S. A. Discrimination of rice crop grown under different cultural practices using temporal ERS-1 SAR data. En: Photogrammetry & Remote Sensing. Vol 52 (1997), p. 183-191.

KARJALAINEN, M. et ál. The use of Envisat alternating polarization SAR images in agricultural monitoring in comparison with Radarsat-1 SAR images. Finlandia: FGI, 2004.

KARJALAINEN, M. et ál. Monitoring agricultural areas using high resolution satellite radar ima-ges. Finlandia: Finnish Geodetic Institute; s. f.

KHOBZI, J.; LEÓN P., J., LEÓN G., P. y ÁLVAREZ A., G. Análisis del estado fitosanitario de una plan-tación de palma aceitera (Elaeis guineensis) a partir del procesamiento digital de una imagen SPOT –XS. En: Revista CIAF, Vol. 13 N.° 1, pp. 49-54. 1992.

LEÓN P., Jonás C. Identificación de cultivos utilizando imágenes de radar de apertura sintética (SAR). En: Sensor (boletín del centro Interamericano de Fotointerpretación – CIAF, Colombia). Vol. 3, No. 1, 1985; p. 2 (Reproducido en revista Informática (Lima – Perú). Vol. 2, N.° 16, 1985, p. 11).


LEÓN P., Jonás C. Satélites para cultivar. En: UN Periódico, N.° 37. Agosto 2002; p. 14 (Ciencia y Tecnología).

LE TOAN, Thuy. Introduction to SAR remote sensing. Paris: ESA; 2007. (Advanced Training Cour-se on Land Remote Sensing)

MCNAIRN, H. et ál. Development of remote sensing image products for use in precision farming.

MCNAIRN, H. et ál. Integration of multipolarized SAR data and high spatial optical imagery for precision farming. Proceedings of the 22nd Canadian Symposium of Remote Sensing. Victoria, B.C., 2000.

MCNAIRN, H.; DEGUISE, J. C. and PACHECO, a. Remote sensing derived products for precisión farming. Canada: Canada Centre for Remote Sensing, 2001; 54p.

MCNAIRN, H. et ál. The potential of RADARSAT-2 for crop mapping and assessing crop condi-tion. Second International Conference on Geospatial Information in Agriculture and Forestry. Florida, 2000. Pp. 16-28. 2005.

MUÑOZ, J.D. et ál. Análisis de relaciones espaciales entre variables edáficas y agronómicas. En: Revista Análisis Geográficos, N.° 32, pp. 16-28. 2005.

PANIGRAHY, S.; CHAKRABORTY, M. and PARIHAR, J.S. Radar remote sensing for inventory of rice crop – Indian experience of 1990’s. India: Agricultural Resource Group (RESA), 1999.

SANDIA NATIONAL LABORATORIES (SNL). What is synthetic Aperture Radar?, 2005. Disponible en Internet: http://www.sandia.gov/radar/whatis.html

SHAO, Yon and TREUHAFT, R. Optimum Synthetic Aperture Radar System. Parameters for rice and tropic vegetation monitoring. Disponible en Internet: http://www.gisdeveol-pment.net/aars/acrs/1999/ts7/ts7217pf.htm

STAPLES, G. Agricultural monitoring with RADARSAT-1. Richmond, B.C. Canadá. Disponible en Internet: http://www.rsi.ca

STAPLES C., Gordon and HURLEY, Jeff. Rice crop monitoring in Zhaoqing, China using RADAR-SAT SAR- initial results. Disponible en Internet: http://gisdevelopment.net/aars/acrs/1996/ts1/ts1001pf.htm

ULABY, F.T.; BATLIVALA, P.P. and BARE, J.E. Crop identification with L-band radar. En: Photogram-metric Engineering and Remote Sensing. Vol . 46, No. 1, 1980; p. 101-105.

WOODING, M.G. and FARNBOROUG SAR-580 radar for the discrimination of crop types and crop conditions. s.l., s.e., 1983; p. 445-458.

YOUNG H., S; KYU R., S. and HOON H., H. Rice growth monitoring by RADARSAT data in Korea. Disponible en Internet: http://www.gisdevelopment/aars/acrs/1999/radarsat.

ZHAN, W.; YAN, T. and YOU, SH. Analysis of advantage on radar remote sensing for agricul-tural application. Disponible en Internet: http://www.gisdevelopment.net/aars/acrs/1999/radarsat/agriculture/agri008pf.htm.

actividad 4 revista analisis geograficos

Documents