e g31. '-/52 lf{, ic>omlicclix..xo unap
TRANSCRIPT
-r G31. '-/52 e Lf{,
~o ~~ lt.l& M:..
IC>OMliCCliX..XO
UNAP Facultad de Ciencias Forestales
ESCUELA DE FORMACION PROFESIONAL DE INGENIERÍA FORESTAL
TESIS
"CARACTERIZACIÓN DEL USO Y COBERTURA DEL SUELO MEDIANTE LA APLICACIÓN DE PERCEPCIÓN REMOTA Y SISTEMAS DE INFORMACIÓN
GEOGRÁFICA, EN LA REGIÓN DE PARAGOMINAS-PARÁ-BRASIL"
Tesis para optar el título de Ingeniero Forestal
Autor
JEAN CARLO CÉSPEDES REÁTEGUI
lquitos ~ Perú
2012
UOI\Jh .L)lJ t 1 l .Jl<:
Céspedes <Keáh~-wv' e. Jquito8, Á--(_de 'i d' !(.QU.
. ¿ __ _ - tl:tiM , __ - --•* iS? _ -- - ......... ~
UNIVERSIDAD NACIONAL DE LA AMAZONiA PERUANA
FACUL TAO DE CIENCIAS FORESTALES
ESCUELA DE FORMACIÓN PROFESIONAL DE INGENIERÍA FORESTAL
"Caracterización del uso y cobertura del suelo mediante la aplicación de
percepción remota y sistemas de información geográfica, en la región de
Paragominas-Pará-Brasil"
Tesis sustentada y aprobada el viernes 28 de enero del 2011, según acta de
Sustentación de Tesis N° 377
MIEMBROS DEL JURADO
lng. Marlen Y ara Panduro Del Aguila, M.Sc.
Presidente
Miembro
------2~:::-:_ _________ _ Dr.Abrahan Cabudivo Moena
Miembro
Asesor
Facultad de Ciencias Forestales
ACTA DE SUSTENTACIÓN
D E T E S 1 S N!! 377
Los Miembros del Jurado que suscri~en, reunidos para escuchar la sustentación de !a Tesis presentado por
el Bachiller JEAN CARLO CESPEDES REATEGUI denominado "CARACTERIZACION DEL USO Y COBERTURA
DEL SUELO MEDIANTE LA APLICACIÓN DE PERCEPCION REMOTA Y SISTEMA DE INFORMACION
GEOGRAFICA, EN LA REGION DE PARAGOMINAS-PARÁ·BRASIL" formuladas las observaciones y oídas las
respuestas le declaramos .. IJ.¡2r..ak.~9 Con el calificativo de ~ ... ~!.'!..~
En consecuencia queda en condición de ser calificado . .Ap.-z.b ...... : .... . Y, recibir el Tftulo de Ingeniero Forestal.
tquitos, 28 de Enero de 2011
~~~~d<k lng. MARLEN ~ARA PANDURO DEL AGUILA, M.Sc.
PRESIDENTE
AN CABUDIVO MOENA, Dr. MIEMBRO
Asesor
'Cons~rvar los bosques benefician a la hum.anidad iNo lo destruyas! ···.·Ciudad U.~lversltarhi "Puerto Almendra", San luan, lqultos.;Per6
· · · ,. · . www.unaplqultos.edu.pe . . . . . Teléfono: 065·225303
DEDICATORIA
A mi esposa: Joyse y mi pequeño hijo Jerom Joao
A mis padres: José Julián y Juana Angélica.
A mis hermanos: Gino, Gerson, Jota y Jairo.
A mis sobrinos Jairo Julián, Bianca Sofía y Luciana Camila.
11
AGRADECIMIENTO
Al Dr. Richer Ríos Zumaeta, docente de la Facultad de Ciencias Forestales, por
su valioso asesoramiento en el presente trabajo.
A la Geógrafa Irene Castro Medina, por el apoyo brindado en la postulación al
"Curso Internacional en Sensoriamento Remoto y Sistema de Información
Geográfica"
Al Conselho Nacional de Pesquisa e Desenvolvimento Tecnológico-CNP, a la
Universidad de las Naciones Unidas-UNU, al Instituto Nacional de Pesquisa
Espaciais-INPE, por hacer hecho posible mi asistencia al Curso Internacional y
permitir contar con todos los medios necesarios para mi capacitación en
Percepción Remota y Sistemas de Información Geográfica-SIG.
A todos los profesores que nos transmitieron sus conocimientos y experiencias,
que nos permitió tener el conocimiento básico sobre sensoriamento remoto.
A todas las personas que de una u otra manera, prestaron su atención hacia mí
persona y a los que ayudaron a la elaboración de mi trabajo.
DEDICATORIA AGRADECIMIENTO ÍNDICE LISTA DE CUADROS LISTA DE FIGURAS RESUMEN
l. INTRODUCCIÓN
11. REVISIÓN DE LITERATURA
2.1 . Percepción remota 2.1.1. Sensores remotos 2.1.2. Satélite Landsat-5/TM
111
ÍNDICE
2.2. Procesamiento digital de imágenes 2.2.1. Modelo lineal de mezcla espectral 2.2.2. Segmentación 2.2.3. Clasificación
2.3. Sistema de información geográfica (SIG)
2.4. Exactitud de la clasificación digital
111. MATERIALES Y MÉTODO
3.1. Ubicación de la zona de estudio
3.2. Accesibilidad
3.3. Aspectos físicos del área de estudio 3.3.1. Clima 3.3.2. Vegetación 3.3.3. Geología 3.3.4. Suelos y fisiografía
3.4. Materiales y equipos 3.4.1. Materiales
a) Imágenes satelitales: b) De gabinete:
3.4.2. Programas y equipos:
3.5. Método 3.5.1. Creación del banco de datos del proyecto 3.5.2. Modelo lineal de mezcla espectral
Pág.
ii iii V
vi vii
1
2
2 3 3
4 4 5 6
8
9
10
10
10
10 10 10 11 11
11 11 11 11 11
11 11 12
IV
3.5.3. Segmentación 13 3.5.4. Clasificación 13 3.5.5. Exactitud de la clasificación 13
IV. RESULTADOS Y DISCUSIÓN 17
4.1. Descripción del uso y cobertura del área de estudio 17
4.2. Modelo lineal de mezcla espectral 18
4.3. Histogramas de suelo y sombra 20
4.4. Clasificación supervisada por el algoritmo Battacharya 23
4.5. Exactitud de la clasificación 23
4.6. Matrices de error 24
4.7. Mapa final de uso y cobertura del suelo 27
V. CONCLUSIONES 30
VI. RECOMENDACIONES 31
VIl. BIBLIOGRAFIA 32
ANEXO 35
V
LISTA DE CUADROS
Pág. Nro. Descripción
1. Datos del sensor thematic mapper (TM). 3
2. Imágenes de satélites utilizadas en el presenta trabajo. 11
3. Matriz de error entre los datos de campo y la clasificación supervisada. 14
4. Intervalos de calidad del índice Kappa. 15
5. Superficies y porcentajes de unidades del uso y cobertura de la tierra. 17
6. Exactitud global e índice Kappa del mapeo del uso y cobertura del suelo de la región de Paragominas-Para. 24
7. Matriz de error e indicadores de exactitud derivados a la clasificación supervisada de Battacharya en el conjunto de bandas originales 3(8), 4(G) y 5(R). 25
8. Matriz de error e indicadores de exactitud derivados de la clasificación supervisada de Battacharya en las imágenes fracción suelo-sombra. 26
9. Matriz de error e indicadores de exactitud derivados de la clasificación supervisada de Battacharya en las imágenes fracciones suelo-sombra-vegetación. 27
VI
LISTA DE FIGURAS
Pág. Nro. Descripción
1. Componentes de un sistema de percepción remota. 2
2. Aspectos generales del paisaje de la región de Paragominas-Pará 18
3. Imágenes fracciones suelo, sombra, vegetación y composición colorida de las imágenes fracciones suelo(R), sombra(8) y vegetación(G) 19
4. Imagen fracción sombra 19
5. Imagen fracción suelo 20
6. Valores de nivel digital de clases de uso y cobertura en imágenes fracción (suelo), generadas por el modelo lineal de mezcla espectral 21
7. Valores de niveles digitales de clases de uso y cobertura en imagen fracción (sombra), generada por el modelo lineal de mezcla espectral 21
8. Diagrama de la dispersión de proporciones de vegetación, suelo y sombra 22
9. Imagen Landsat-5/TM con el resultado de La clasificación sobre las imágenes fracciones suelo-sombra. 23
1 O. Mapa final del uso y cobertura del suelo en la región de Paragominas-Pará 29
11. Área de ubicación del área de estudio. 36
12. Segmentación de la imagen de satélite Landsat-5/TM, en las bandas 3(8)4(G)5(R) 36
13. Segmentación (10-40) de las imágenes fracciones sombra (8), suelo (R), vegetación (G) 37
14. Segmentación (10-40) de las imágenes fracciones sombra (8), suelo (R) 37
Vll
RESUMEN
El estudio caracterizó el uso y cobertura del suelo de un área aproximada de
367881,75 ha del Municipio de Paragominas, estado de Pará, Brasil, aplicando la
percepción remota y sistemas de información geográfica. El modelo de mezcla se
determinó a través de las bandas 3,4, y 5 del Landsat-5fTM y la segmentación se
calcularon por el método de crecimiento de regiones. El proceso de clasificación
supervisada se efectuó a partir del algoritmo Battacharya y la evaluación de la
exactitud de la clasificación se hizo por medio de la matriz de error calculándose
el índice Kappa y la exactitud global.
Se encontraron diez unidades de uso y cobertura del suelo. La utilización de las
imágenes fracciones a partir del modelo lineal de mezcla espectral muestran
eficiencia para la discriminación de tipos de cobertura de la tierra. La aplicación de
segmentación de las imágenes fracciones (suelo y sombra) fue eficiente para
obtener la separabilidad de las clases. Mediante la aplicación del algoritmo
Battacharya es posible caracterizar el uso y cobertura del suelo a nivel general. La
matriz de error del análisis Kappa reporta valores superiores a O, 7 en las
clasificaciones supervisadas con test de aceptación del 99,9% y la cuantificación
de la matriz de error de emisión y omisión son importantes para determinar el
mapeado que representa la verificación de campo.
Palabras claves: Uso y cobertura de la tierra, segmentación, percepción remota,
algoritmo Battacharya.
l. INTRODUCCIÓN
El bioma continental brasileño de mayor extensión es la Amazonía que ocupa la
mitad del territorio de Brasil. Está ocupa el 5% de la superficie terrestre del
planeta y 40% de América del Sur, siendo el 61% del territorio brasileño y cubre
cerca de 4 millones de km2; donde el 47% del bioma está sobre presión humana,
incluyendo deforestación, centros urbanos y asentamientos agrarios. Uno de los
principales indicadores de dicha presión es la deforestación de la cobertura
vegetal en la amazonia y también la degradación del medio ambiente que se
realiza por las actividades pecuarias, tala selectiva y agricultura (Amazonía:
Biomas amazonía).
El proceso de crecimiento de la industria maderera en Pará llamo la atención por
su rapidez. Datos del FIBGE (1988), revelan que en doce años (1976 a 1988) la
producción total de madera en toda la región Sur de Brasil disminuyó de 15
millones de m3 (47 % de la producción nacional), a 7,9 millones de m3 (17% del
total), en este período la producción maderera en toda la región norte aumento de
6,7 millones de m3 (21% da producción nacional), a 24,6 millones de m3 (54% del
total). En ese contexto al inicio de los años 90 la exploración maderera se torno la
principal actividad económica del Municipio de Paragominas en el Estado de
Pará-PA (Palmeiras, 2004).
Para el estudio de la dinámica de la deforestación en la Amazonía, es importante
el uso de la percepción remota, los cuales registran la información de atributos de
la tierra; cuyo análisis de las características de la cobertura vegetal, topografía,
drenaje y tipo de suelo nos permiten determinar el uso racional y adecuado de un
determinado espacio geográfico; facilitando de esta manera identificar áreas de
preservación, reservas forestales y agrícolas.
El objetivo del presente trabajo fue caracterizar el uso y cobertura del suelo en la
región de Paragominas-Pará-Brasil, con énfasis en áreas ocupadas por
agricultura, pasto, reforestación, bosque primario y secundario; abordando el uso
de la técnica del modelo lineal de mezcla espectral en imágenes Landsat-5ffM a
través del clasificador basado en la distancia media entre las distribuciones de
probabilidades de las clases espectrales, Battacharya.
11. REVISIÓN DE LITERATURA
2.1. Percepción remota
Según, Chuvieco (2002), es una técnica que permite adquirir imágenes de la
superficie terrestre desde sensores instalados en plataformas espaciales. La
percepción remota es un conjunto de actividades que tiene por objetivo
caracterizar las propiedades radiométricas de los objetos terrestres a través de la
detección, adquisición y análisis de la radiación emitida o reflejada y registrada
por sensores colocados en satélites o aeronaves, se puede realizar a través de la
detección pasiva y activa. La detección pasiva, capta la energía reflejada o
emitida de un objeto que es iluminado por una fuente de radiación externa,
generalmente el sol, mientras que la detección activa, el propio sensor es capaz
de producir su propia energía, para captar la energía reflejada o emitida de un
objeto, conocido también como radar y láser. Los principales componentes de la
percepción remota son: Fuente de energía, cubierta terrestre, sistema sensor,
sistema de recepción, interprete y usuario final (Figura 1 ).
Fuente de energía ~:=a~~
,~·S;-~---------..., Sistema de ¡
Recepción
Cubierta terrestre
Tratamiento visual
Tratamiento digital
Usuáriofinal
Figura 1. Componentes de un sistema de percepción remota.
3
2.1.1. Sensores remotos
Pueden ser caracterizados por la resolución de los sistemas sensores.
Entiéndase por resolución a la medida de la capacidad del sensor para
discriminar informaciones dentro de una imagen o sea del detalle que el
sensor es capaz de discriminar. La resolución espacial se refiere a la menor
separación entre dos objetos, de manera que aparezcan distintos y
separados en la imagen. La resolución espectral está relacionada con el
número y el largo de las bandas espectrales que opera el sensor. La
resolución radiométrica se refiere a la sensibilidad del sensor para captar las
variaciones en la radiancia recibida y por último la resolución temporal que
es la frecuencia de la cobertura con que el sensor pasa por un mismo lugar
(Lintz y Simonett, 1976).
2.1.2. Satélite Landsat-5/TM
El satélite Landsat-5ffM fue lanzado el 1 de marzo de 1984, llevaba a bordo
dos sensores: el TM (Thematic Mapper) y el MSS (Multispectral Scanner
Subsystem), que contribuyó al mapeo temático de la superficie terrestre. La
órbita del satélite es polar, circular y helio sincrónico a una altitud de 705 Km,
tiene una cobertura de 185 km x 185 km. En su órbita el satélite cruza el
Ecuador siempre a las 9:45 de la mañana, demorando 16 días para retornar
al mismo punto de cobertura de la tierra. Posee 6 bandas con resolución
espacial de 30 m (1, 2, 3, 4, 5, 7) y una de 120 m, como se muestra en la
(Cuadro 1) (NASA, 2006).
Cuadro 1. Datos del sensor thematic mapper (TM).
MSS Resolución espacial TM 81 •• •• •••• m m m •••••••••.9.,.4.?. .... : .. ..9 .. ??1!~•••••••• 82 •• ••••• • ••••••mm m _Q,?.9:..9,§.9PI"D. 83 .... . ........ ......... ...... ............ Q.§~ :: 9 .. !3.ª b!I"D . 84. .9.?.:9.!:) 80 m........................................... Q.,.!t3.:9.ªQp~
.... E.3. .. ?..m. m .9.!3.:9.?. 80 m ......................................... 1 ,§.§ :J .. ?.§_p~ 86 . m 9,!.:9.ª 80 m . m 1.9.4 :J?,§E~ ..... 87 0,8-1,1 80 m 2,08- 2,351-Jm Fuente: modificado de NASA (2006).
Resolución espacial 30m 30m 30m 30m 30m 120m 30m
4
2.2. Procesamiento digital de imágenes
Según el INPE (2006), el procesamiento digital de imágenes es la manipulación
de una imagen a través del computador. Para Crosta, (1992), las imágenes de
percepción remota, están constituidas por un arreglo de elementos en forma de
malla o grilla, donde cada celda tiene su localización definida en un sistema de
coordenadas del tipo línea y columna, representado por "X" y "Y",
respectivamente. El nombre de esas celdas en las imágenes son denominados
"Píxeles". Cada píxel presenta un valor asociado (tonos de gris), que expresa la
intensidad de energía electromagnética proveniente de un elemento de
resolución, lo cual representa una determinada área de la superficie terrestre,
donde las señales provenientes de estos elementos representa la radiancia media
reflectada o emitida por los objetos que componen el área. La extracción de
información de una imagen está vinculada a parámetros de resolución espacial,
espectral, temporal y radiométrica. Mediante el procesamiento digital de imágenes
es posible manipular imágenes digitales en un computador con el fin de obtener
información de la imagen captada por una cámara. En percepción remota, se
emplea el procesamiento digital de imágenes para mejorar el aspecto visual de
ciertas características para su posterior interpretación y clasificación.
2.2.1. Modelo lineal de mezcla espectral
Para Shimabukuro y Smith (1991), el modelo lineal de mezcla espectral (MLME),
busca estimar la proporción de los componentes suelo, vegetación y sombra, para
cada píxel a partir de la respuesta espectral en las diversas bandas del TM,
generando las imágenes fracción suelo, vegetación y sombra. El modelo lineal de
mezcla espectral se describe a través de la siguiente ecuación:
r¡ = a*vege¡+b*suelo¡+c*sombra¡+e¡
Donde:
- r¡ es la respuesta del píxel en la banda i de la imagen Landsat-5fTM.
-a, by e, son proporciones de la vegetación, suelo y sombra que componen
el píxel.
- Vegetación¡, suelo¡ y sombra¡, corresponde a las respuestas espectrales de
cada una de esos componentes citados.
5
- e¡ es el error de estimación específica para cada banda i.
Las bandas 3,4 y 5 del Landsat-5/TM están siendo utilizados por un sistema de
ecuaciones lineares que puede ser resuelto utilizando el método de los mínimos
cuadrados ponderados.
2.2.2. Segmentación
La segmentación es un procedimiento adoptado antes de la fase de clasificación,
donde la imagen queda dividida en regiones espectralmente homogéneas.
También es considerado como uno de los elementos más importantes del análisis
de una imagen automatizada porque en este paso los objetos o las entidades de
interés se extraen para su posterior procesamiento, por ejemplo la descripción y el
reconocimiento (Gonzáles y Wintz 1987).
Según Bins, et al. (1996), la segmentación se basa en la búsqueda de píxeles
vecinos similares que son agrupadas en regiones homogéneas si los criterios de
similaridad son satisfechos. Mientras que para Gonzáles y Wintz (1987), es el
proceso que subdivide una imagen en sus componentes u objetos. El criterio de
similaridad, es la distancia euclidiana máxima entre los centros espectrales de dos
regiones, mientras que el criterio de área, define el menor tamaño de la región
que se pretende delimitar (Shinji, et. al. 2003).
a) Segmentación por crecimiento de regiones
Según el Instituto Nacional de Pesquisas Espaciales-INPE (2006), es una técnica
en la que solamente las regiones adyacentes espacialmente son agrupadas, este
proceso de segmentación marca cada pixel como una región distinta; calculando
un criterio de similaridad para cada par de regiones adyacentes espacialmente. El
criterio de similaridad se basa en una prueba de hipótesis estadística que prueba
la media entre las regiones, después divide la imagen en un conjunto de sub
imágenes y la unión entre ellas según el criterio de agregación. Para la unión de
dos regiones A y 8, vecinas, se debe tomar el siguiente criterio:
-A y B, son similares (prueba de las medias);
- La similaridad satisface el criterio establecido;
6
-A y 8, son mutuamente próximas (entre los vecinos de A, 8 es la
más próxima, y entre los vecinos de 8, A es la más próxima).
Si las regiones A y 8 satisfacen estos criterios, dichas regiones serán agregadas,
caso contrario el sistema reinicia el proceso de prueba de agregación (INPE,
2006). Según Honorio y Leao (2004), el empleo de la técnica de segmentación de
imágenes fracción del modelo lineal de mezcla, para la clasificación supervisada
de imágenes de satélite del Landsat-SfTM, permite una buena separación entre
las clases de regeneración y la clase agrosilvopastoril y define con mayor
seguridad las clases de uso de la tierra.
2.2.3. Clasificación
Para Crosta (1992), la clasificación automática de imágenes, es asociar cada
píxel de la imagen a un rotulo, describiendo un objeto real (vegetación, suelo y
sombra).La clasificación de imágenes consiste en el proceso de extracción e
identificación de los diferentes objetos, fenómenos o fisonomía con padrones
espectrales homogéneos y asociados a una determinada clase. Cuando se realiza
este tipo de operación en todos los píxeles de una imagen el resultado es un
mapa temático, que muestra la distribución geográfica de un tema. Para Moreira,
(2001 ), la clasificación puede ser hecha de modo automático, a través de
procesamientos computacionales de forma que el computador sea capaz de
rotular los valores de los niveles grises utilizando algoritmos estadísticos de
reconocimiento de padrones espectrales. Los nuevos métodos de clasificación
automática, son usados para mapear áreas de la superficie terrestre, basados en
la segmentación de imágenes y clasificación por regiones, los cuales producen
buenos resultados (Nascimento, 1997). Pero también presentan dificultad al
momento de la clasificación automática donde los niveles grises de los píxeles
están asociados a las informaciones de más de un tipo de cobertura del suelo
Honorio y Leao, (2004). Existen dos tipos de clasificación: supervisada y no
supervisada.
a) Clasificación supervisada
En este tipo de clasificación es preciso que el usuario conozca el área a ser
clasificada, identificando píxeles pertenecientes a una determinada clase y dejar
7
que el algoritmo utilizado en la clasificación localice los demás píxeles
pertenecientes a aquella clase. El área de la imagen que el usuario identifica
como representativo de una de las clases es llamada área de prueba. Todos los
píxeles dentro de una área de entrenamiento para una clase dada constituye el '
llamado conjunto de prueba (Crosta, 1992).
- Clasificación supervisada (Battacharya)
El clasificador Battacharya, requiere la intervención del usuario, a través de las
pruebas para adquirir muestras, esas muestras son regiones formadas en la
segmentación de imágenes. El algoritmo Battacharya, utiliza el clasificador por
regiones para medir la separación estadística entre un par de clases espectrales,
ósea mide la distancia media entre las distribuciones de probabilidades de clases
espectrales (INPE, 2006).
b) Clasificación no supervisada
En la clasificación no supervisada, el usuario no tiene ningún tipo de conocimiento
previo sobre las clases a ser generadas. El uso es indicado cuando el analista no
posee conocimiento del área de estudio. Esta clasificación se basa en el principio
de que el computador, es capaz de identificar por sí solo las clases dentro de un
conjunto de datos (Crosta, 1991 ).
Otra forma de clasificación es la no automática, llamada fotointerpretación, hecha
por un especialista que extrae visualmente las diversas fisionomías y objetos
presentes en la imagen (Fonseca, 2000).Según Moreira (2005), dentro de los
métodos de clasificación no supervisada, se tiene:
• K-medias. Donde el analista abastece al sistema tres parámetros
a) Número de clases espectrales probables dentro del área de estudio.
b) Distancia mínima deseada entre los valores de los niveles digitales de
las clases, este es la diferencia mínima de nivel gris para considerar un
pixel perteneciente a una clase o a otra.
e) Número de repeticiones realizadas, ósea cuantas veces el clasificador
debe repetir la operación de análisis del pixel en relación a los atributos
de las clases contenidas en el área.
8
A partir de esos parámetros, el sistema realiza el agrupamiento
(clustering), de los píxeles homogéneos en N clases espectrales.
•lsoseg. Es un clasificador que no requiere ningún parámetro inicial para
comenzar el agrupamiento de los píxeles en regiones homogéneas. Él
acepta todos los píxeles de la escena como pertenecientes a una clase,
después comienza a dividir la escena en diferentes clases, según las
diferencias espectrales observadas en los píxeles.
2.3. Sistema de información geográfica (SIG)
Los "SIG" (Sistema de Información Geográfica), son los que albergan
informaciones referenciadas geográficamente, ya sea de mapas, estadística o
datos climáticos sobre un territorio concreto, por lo que estas variables pueden
relacionarse mutuamente de formas muy diversas (Chuvieco, 2002).
La manipulación de datos geográficos constituye la esencia de un SIG.
Distinguiéndose de otros tipos de sistemas de información como aquellas
funciones que posibilitan la realización del análisis espacial (geográficas), donde
utiliza atributos espaciales y no espaciales de las entidades gráficas almacenadas
en la base de datos espaciales. Un dato geográfico posee una localización
geográfica (expresada como coordenadas en un mapa) y atributos descriptivos
(representados en un banco de datos) (INPE, 2006).
Según Moreira (2005), cualquier sistema de información geográfica presenta dos
características principales:
• Permite ingresar e integrar en una única base de datos informaciones
espaciales provenientes de diversas fuentes como: cartografía, imagen de
satélites, datos censales, datos de catastro rural y urbano, datos de redes
y de MNT (modelo numérico del terreno).
• Ofrece mecanismos para combinar varias informaciones a través de
algoritmos de manipulación y análisis, como consulta, recuperación,
visualización y plateo del contenido de una base de datos
georeferenciados.
9
Existen dos tipos de representaciones de la información espacial: representación
matricial y representación vectorial.
La representación vectorial, es la localización y la apariencia gráfica de los
objetos y son representados por uno o más pares de coordenadas, compuestas
por puntos, líneas y polígonos.
La representación matricial o raster, es donde el espacio es una superficie
plana, descompuesta en porciones del terreno, compuesta por x líneas, y
columnas, tienen por unidad el pixel. Las imágenes digitales pertenecen a este
tipo de representación.
2.4. Exactitud de la clasificación digital
La fase final de la clasificación digital consiste en la comprobación y verificación
de los resultados, este es la evaluación de la exactitud del mapeo realizado por el
algoritmo de clasificación (Chuvieco, 2002).
Para representar la exactitud de los mapas obtenidos a partir de la clasificación, el
análisis de la exactitud es uno de los parámetros más utilizados, que es obtenido
a través de la matriz de error, o matriz de confusión, que expresa el cálculo de la
concordancia y no concordancia entre las categorías clasificadas de un mapa de
uso y cobertura del suelo y los datos de campo (Ponzoni y Almeida, 2003).
111. MATERIALES Y MÉTODO
3.1. Ubicación de la zona de estudio
El trabajo se realizó en un área del Municipio de Paragominas localizado en el
estado de Pará, con una superficie aproximada de 367881,75 ha, que se ubica
entre las coordenadas geográficas 2° 25' y 3° 48' de latitud Sur y 46° 25' y 48° 53'
de longitud Oeste (Figura 14).
3.2. Accesibilidad
Existen dos vías de acceso, el sistema de vías de Paragominas está compuesto
por una carretera Federal (BR_01 O) que corta el municipio en el sentido Norte-Sur
y por dos carreteras estatales, PA-125 y PA-256. El BR-010 se interconecta a
BR-316, conectándose finalmente el NorEste Paraense al NorEste Brasilero.
3.3. Aspectos físicos del área de estudio
3.3.1. Clima
Presenta un clima caliente y húmedo con temperatura media anual variando entre
24 o y 26°C, con precipitaciones media anual que varía desde2250 mm a 2500
mm, siendo los meses de enero a julio los más lluviosos (cerca del 80%). La
humedad relativa asciende al 85% (Proyecto RADAMBRASIL, 1973).
3.3.2. Vegetación
La vegetación natural está representada por la vegetación Ecuatorial
subperennifolia densa sub-montañosa, vegetación Ecuatorial subperennifolia
densa de tierras bajas y perennifolia densa aluvial (EMBRAPA, 1988 y IBGE,
1992) .. Dentro de las especies más comunes encontradas en el área son:
angelimpedra de hoja menuda o "angelim de la vegetación" Diniziaexelsa y
"magaranduba" Manikarahuberi, que son especies emergentes: "acapu"
Voucapoua americana, "tachi" tachiga/iapanicu/ata; "faveira" Pithecel/obiumspp,
"visgueiro" Parkiaspp y "jutai-agu" Hymenaeacourbaril.
11
3.3.3. Geología
Presentan formaciones sedimentarias del Cretáceo y Terciario que ocupan gran
parte de la geología regional (Proyecto RADAMBRASIL, 1973). También
muestran partes topográficas elevadas y bajas. En las partes bajas junto a los
cursos de agua más importantes ocurren depósitos aluviales no consolidados
recientes constituidos por cascajos, arena y arcilla (CPRM, 2000).
3.3.4. Suelos y fisiografía
Son suelos originados de rocas sedimentarias del terciario y cuaternario, donde
presentan baja fertilidad natural y buenas propiedades físicas. El relieve presenta
mesetas relativamente elevadas, formando colinas fuertemente disectadas en
formaciones sedimentarias.(EMBRAPA, 2002).
3.4. Materiales y equipos
3.4.1. Materiales
a) Imágenes satelitales:
El cuadro 2, presenta las imágenes satelitales utilizadas en el presente estudio.
Cuadro 2. Imágenes de satélites utilizadas en el presenta trabajo.
Fecha Tipo de imagen Orbita Bandas Fuente
15/05/2004 Landsat-5/TM 223 3,4,5 IN PE ·····························-········
09/06/2004 Landsat-5/TM 222 3,4,5 IN PE
b) De gabinete:
Lápiz, papel bond, lapicero y útiles de escritorio en general.
3.4.2. Programas y equipos:
Spring 4,3 y 3,6, Microsoft Word, excell, computadora pentium IV e impresora.
3.5. Método
3.5.1. Creación del banco de datos del proyecto
A partir de la creación de los bancos de datos del proyecto, la entrada y salida de
los datos georeferenciados fueron elaboradas en el programa del sistema de
12
procesamiento de informaciones geográficas (SPRING 3,6). Contempla además
los datos de planos de información para las categorías de imagen y categoría
temática representando los temas de interés (bosque primario, bosque
secundario, bosque aluvial, pasto limpio, pasto sucio, suelo expuesto y áreas
quemadas). La escala de trabajo fue de1 :350000 y la proyección de despliegue
de datos fue UTM-WGS/84.
3.5.2. Modelo lineal de mezcla espectral
Una vez elaborado el banco de datos conteniendo los planos de información (PI),
se procedió al procesamiento de las imágenes para la extracción de información.
Para ello se aplicó el modelo lineal de mezcla espectral, que consistió en la
generación de imágenes fracciones, que representaron las proporciones de los
componentes suelo, sombra y vegetación para cada pixel a partir de la respuesta
espectral en las diversas bandas del Tematic Mapper (TM), generando finalmente
las imágenes fracciones.
El modelo de mezcla utilizó la ecuación en la descomposición de una imagen
basada en la siguiente regresión (Shimabukuro y Smith, 1991 ).
Donde:
ri = a * sueloi + b * sombrai + e* vegetación i + ei
ri = respuesta espectral del pixel en la banda i
a, by e= proporciones de suelo, sombra y vegetación, respectivamente
sueloi, sombrai ,vegetacióni = respuestas espectrales de los
componentes
ei = error en la banda i
Para la aplicación del modelo de mezcla se utilizó las bandas 3,4, y 5 del Landsat-
5/TM, porque estas bandas representan con claridad los elementos: suelo,
sombra/agua y vegetación mediante la comparación de sus respuestas
espectrales. De esta manera se obtuvieron las imágenes resultantes de suelo,
sombra y vegetación. El valor gris representó el porcentaje de estos materiales en
13
cada píxel, donde mayor ocurrió el nivel gris (más claro), mayor fue el porcentaje
del material en ese determinado píxel.
3.5.3. Segmentación
Para la segmentación se utilizó el método de crecimiento de regiones, que se
basa en la búsqueda de píxeles vecinos similares que son agrupadas en regiones
homogéneas. Se analizó el test con límites de similaridad y límites de área, para
la definición de los limites y su posterior aplicación en las diferentes imágenes
fracciones derivados del modelo lineal de mezcla espectral suelo, sombra,
vegetación y sobre la imagen original en las bandas 3,4 y 5 del Landsat-5!TM. Se
utilizó dichas imágenes para encontrar si existe alguna diferencia en el momento
de evaluar la clasificación.
3.5.4. Clasificación
Después de la fase de segmentación, el proceso de clasificación supervisada, fue
conducido a partir del algoritmo Battacharya, que mide la distancia media entre
las distribuciones de probabilidades de clases espectrales, que emplea la
clasificación por regiones, fue realizado en las imágenes segmentadas: suelo
sombra; suelo-sombra-vegetación y en la imagen original bandas 3, 4 y 5.
Para realizar una clasificación supervisada fue preciso tener un conocimiento
previo de las apariencias del área de estudio, para adquirir muestras de
entrenamiento y prueba se apoyo con datos de GPS adquiridas en el trabajo de
campo en el mes de noviembre del 2005. Posteriormente se efectuó un análisis
del desempeño con varios límites de aceptación, para obtener el mejor resultado
aplicado a las clases espectrales.
3.5.5. Exactitud de la clasificación
El último proceso de la clasificación consistió en la evaluación de los resultados,
por medio de la exactitud de las clasificaciones, permitiendo evaluar el
desempeño del algoritmo utilizado (Battacharya). Se utilizó la matriz de error para
determinar la exactitud de cada categoría, calculándose el índice Kappa y la
exactitud global. Para crear las matrices de error se hizo un cruzamiento de la
información generado por la clasificación y los datos de campo. Para verificar los
datos de campo se empleó puntos obtenidos con GPS. Después se creó los
14
planos de información (PI) para cada clase de uso y cobertura del suelo como:
bosque primario, bosque secundario y bosque aluvial, pasto, pasto sucio y suelo
expuesto, conteniendo 117 puntos, representativo de los datos de campo.
Después se comparó las diferentes imágenes clasificadas de uso y cobertura del
suelo con los datos de campo.
Los puntos que estaban sobre clases como sombra y nube no fueron
considerados, por ser clases que no estaban incluidos para realizar el
cruzamiento de informaciones para generar la matriz de error, los números de
puntos empleados fueron indicados en cada matriz de error.
Cuadro 3. Matriz de error entre los datos de campo y la clasificación supervisada.
tn o
tn"C o ca _u ca¡¡:: e ·u;
ca u
Datos de referencia (datos de campo)
Categorías
A B e
:E de las columnas
A B
65 4 ········································································-········
6 81 ..........................................................
0 7 ...............................................................................................................
71 92
e 8 21 3
lE de las líneas
.....................................................
77 108 10 195 32
Fuente: modificada de Story y Congalton, (1986)
Según Story y Congalton (1986), en las matrices de error, los errores de inclusión
y omisión son tan importantes, porque el usuario del mapa temático está
interesado en cuanto al mapeo que representa la realidad terrestre (Cuadro 3).
El número de muestras clasificadas correctamente en una determinada categoría
fue dividida por el número total de las muestras que fueron clasificados en aquella
categoría, el porcentaje resultante indica la probabilidad de la muestra a
representar aquella categoría en la superficie terrestre, calculándose así la
exactitud del usuario y los errores de inclusión (Story y Congalton, 1986).
~de la diagonal principal= 65+81+3 =149 ~Exactitud total149/195 = 76%.
Exactitud del productor: Exactitud del usuario:
A= 65/71 = 91% A= 65/77 = 84%
8 = 81/92 = 88% 8 = 81/108 = 75%
e= 3/32 = 9% C=3/10=3%
15
Error de omisión: Error de inclusión:
A = 100% - 91% = 9%
B = 1 00% - 88% = 12%
e = 1 oo% - 9% = 91%
A= 100%-84% = 16%
B = 1 00% - 75% = 25%
e= 100%-3% = 97%
La estadística Kappa es un método utilizado para evaluar la concordancia entre
los datos de campo y un mapa temático, fundamentado en criterios de análisis
multivariada discreta (Ponzoni y Almeida, 2003). El cálculo del coeficiente Kappa
(K), es efectuado promedio de la siguiente ecuación:
r r
Donde: LX¡¡-¿(xi+x+J K= i=I i=I
r
N2
- L(X¡+X+¡) i=l
- N es el número total de píxeles contemplados en la matriz de error;
- x es el elemento de la matriz de error;
- r es el número de categorías presentes en la matriz de error;
- xii son los elementos de la diagonal principal;
- xi+ es el total de la línea para cada categoría informacional;
- x+i total de la columna para cada categoría informacional
De acuerdo con Landis y Koch (1977), el valor del índice Kappa es
comparado a los valores del Cuadro 4.
Cuadro 4. Intervalos de calidad del índice Kappa.
Valor de Kappa < 0.00
··································································-········ 0.00-0.20
·····························- ·····························-·-·······
0.20- 0.40
Calidad del mapa temático Pésimo Malo
.......... ·······················································--········ ·······················-··"""""""""''""'
Razonable ·····································································- ··················································· ·································-········
0.40- 0.60 0.60- 0.80
·····················································-··································-·······
0.80- 1.00 Fuente: modificado de Landis y Koch (1997)
Buena
•••••• m~~y••••~••~•~•QC? ••••••••••••••••••••m••••••••••••••••••• •
Excelente
El objetivo principal de la exactitud global y el índice Kappa, es evaluar el
resultado de una clasificación, a partir de una matriz de error, donde la exactitud
16
global emplea el número de puntos correctamente clasificados de la diagonal
principal entre el número total de muestras tomadas. El índice Kappa considera
todas las celdas de la matriz de error.
IV. RESULTADOS Y DISCUSIÓN
4.1. Descripción del uso y cobertura del área de estudio
En el área de estudio se encontró diez (10) unidades de uso y cobertura de la
tierra que abarca aproximadamente un total de 3678,818 ha, de las cuales el
bosque primario es el que presenta la mayor área con 1646,1 03 ha que
representa el 44,75% del total y el menor le corresponde al suelo expuesto con
8,989 ha (0,24%) (Cuadro 5).Vasconcelos y Novo (2004), en un estudio sobre
mapeo del uso y cobertura de la tierra a partir de la segmentación y clasificación
de imágenes fracción suelo, sombra y vegetación en la región del reservatorio de
Tucuruí-Pará, encontraron diferentes resultados al ser comparados con el
presente estudio con 263,52 ha de regeneración natural, 599,6 ha de agua,
vegetación nativa 929,78 ha, áreas alagadas con 19,13 ha y finalmente áreas
agrosilvopastoriles con 234,64 ha.
Cuadro 5. Superficies y porcentajes de unidades del uso y cobertura de la tierra.
N° Unidades Área (ha) %
1 .................... ~g~q~~pri~9Ei<? .............................. ............ .... ...................... ...... ............. 1!~4~!.J .. 9~ •••mm••············· mm•••••• mm•······· 44.!.??. ............ . 2 mm ~<?§9~~~~~~!"l99EiQ •••••••••••••••••••••••••••••••• ••••••••••••••••• ªªª·ºª~ m m ?~!ª~· 3 m••••••• •••~<?~9.~.•~••••9J~yi§il ••••••••••••••••••••••••••••••••••••••••••••••••• • •••••••••••••••••••••••••••••••••••••?.4.?.1?. ••• •••••••••••••••••••••••••••••••••• J,4ª··••••• 4 ............ E.9~!<? li~pig ...................................... ................... .................... ~ª4!?.~9 ... ...... . Jª!~J.
5 P.ª~!<? .. ~•~•~!<?m m• ••••••mm••••••••••••••m••••••••••••m•••••••••••mm•••••m ••••••mmmmm••••1~.1!?.~ª••••••• •• • •••••••••••••••••••~~?.ª··•• 6. ••••••• m §~~~g • ••••••• m m ª!ªªª • • • •••m 9!?4 7 ............... Ar~9g~~~999 ....... ??!~?.4 ............ . Q.~1 8 ••••••••••••••• ~9~9 •• •• ••••••••• mm m m ?.?~~~~ ••• • ••• •••••••• J~4~ •••• 9 Sombra . ....... ...... 4?..4~?. ............ ...... J,?ª 10 Nube 42,265 1,15
Total 3,678,818 100
En la figura 2,se presenta las características generales del área de estudio, que
se utilizó para la clasificación y la obtención de las clases temáticas: bosque
primario, bosque secundario, bosque aluvial, bosque con exploración maderera,
pasto limpio, pasto sucio, áreas quemadas y suelo expuesto.
18
Figura 2. Aspectos generales del paisaje de la región de Paragominas-Pará
4.2. Modelo lineal de mezcla espectral
La utilización de las imágenes fracciones, se mostraron eficientes para la
discriminación de tipos de cobertura de la tierra. Las imágenes fracciones suelo y
sombra fueron las que mejor resaltaron las diferencias entre bosque y no bosque.
Las imágenes fracciones generadas por el modelo lineal de mezcla espectral se
muestran en la Figura3.Son muchos los trabajos encontrados en la literatura
abordando aplicaciones y metodologías de generación de imágenes fracciones de
componentes descompuestos por un modelo lineal de mezcla espectral aplicados
al uso y cobertura del suelo, consiguiendo buenos resultados mediante el uso de
la técnica del modelo de mezcla.(Cardoso et al., 2003; Vasconcelos y Novo, 2004;
Shinji et al., 2003).
Vasconcelos y Novo (2004), manifiestan haber encontrado en un estudio
realizado en la región del reservatorio de Tucuruí-Pará, que la aplicación de la
técnica de segmentación de las imágenes fracción suelo, sombra y vegetación a
partir del modelo lineal de mezcla se muestran satisfactorios para obtener la
separación de las clases y con eso facilitó la selección de las muestras para
realizar la clasificación automática supervisada. Asimismo, manifiestan que las
imágenes fracciones suelo y sombra fueron extremadamente importantes para
diferenciar las clases de vegetación natural, regeneración y agrosilvopastoril.
19
Composición colorida de las imagenes fracciones Sombra (B), Suelo (R),
Vegetación (G).
Figura 3. Imágenes fracciones suelo, sombra, vegetación y compos1c1on colorida de las imágenes fracciones suelo(R}, sombra(B) y vegetación( G)
Figura 4. Imagen fracción sombra
La utilización de la imagen fracción sombra, se mostró eficiente para caracterizar
los tipos de vegetación como bosque primario (A), bosque secundario (B), y
bosque aluvial (C) (Figura 4), la imagen fracción suelo, ayudo a caracterizar áreas
20
de suelo (O) y pasto (E) (Figura 5). Ambas imágenes fueron útiles para escoger
las clases que caracterizan el área de estudio.
Figura 5. Imagen fracción suelo
4.3. Histogramas de suelo y sombra
Como el interés de este estudio esta direccionado al modelo lineal de mezcla
espectral fueron elaborados histogramas para un mejor entendimiento del
comportamiento espectral de los temas. Conforme se ilustra en las Figuras 6 y 7,
tales diagramas muestran el espacio de atributos de cada clase, que están
formados por la variación de los niveles grises de muestreo, considerando
algunos parámetros estadísticos como los valores del primer y tercer cuartil,
media y mediana.
Observando laFigura6 componente suelo, se puede constatar que las clases de
bosques (primario y secundario) ocupan un espacio distinto de atributos al ser
comparados con aquellos de menor cantidad de cobertura vegetal referidos a esta
fracción(pasto sucio, pasto limpio y- suekl .. E:t~to) (Figura 6).Asimi§",l~· _se
puede apreciar que los bosques en la imagen fracción suelo se tornan difíciles Ge.
distinguir al ser confrontados con el suelo expuesto, pasto limpio y pasto sucio
(Figura 5).
21
·-
180 ~
cf • 1 Quartil o • Minimo ...1 150 -w J_ • Mediana :l en
1 "Media e Q
1 z ~
• Maximo 120
+ , l T • 3 Quartil
cp
90 Bosque Bosque Suelo Pasto limpio Pasto sucio primaria secundaria expuesto
Figura 6. Valores de nivel digital de clases de uso y cobertura en imágenes fracción (suelo), generadas por el modelo lineal de mezcla espectral
180
• 1 Quartil
~ i • Minimo
m 150 • Mediana ~ o "Media en
• Maximo e z 120 • 3 Quartil
90+-----~------~----~------~----~ Bosque Bosque Suelo Pasto lil1'1lio Pasto sucio primaria secundaria expuesto
Figura 7. Valores de niveles digitales de clases de uso y cobertura en imagen fracción (sombra), generada por el modelo lineal de mezcla espectral
En cuanto a la imagen fracción sombra las áreas de bosques muestran varios
estratos arbóreos y dosel irregular por lo que se puede diferenciar más fácilmente
con respecto a las áreas de menor cobertura vegetal y del suelo expuesto (Figura
7).
22
Otra forma de representar los resultados del modelo lineal de mezcla espectral es
por medio del diagrama que se muestra en la Figura8,donde se puede observar la
respuesta espectral de cada clase a través de los niveles digitales. Asimismo
cada vértice del diagrama representa la cobertura total de un elemento de
resolución en el terreno por el componente que lo define. El interior del triangulo
caracteriza la ocurrencia de mezcla de los elementos (Bemardes, 1996).
Como se puede apreciar en el diagrama los pastos sucios presentan mayor
interacción hacia la fracción vegetación; los bosques primarios, secundarios y
aluvial interactúan entre las clases de fracción vegetación y fracción sombra;
mientras que los pastos limpios se ubican en el centro y por lo tanto interactúan
entre la vegetación, sombra y suelo y finalmente el suelo expuesto está más
próximo a la clase suelo.
' ' \ ' -_/
Sombra
Vegetación
• Pasto limpio
.._ Bosque primaria
a Bosque secundaria
• Bosque aluvial
a Pasto sucio
e Suelo expuesto
Suelo
Figura 8. Diagrama de la dispersión de proporciones de vegetación, suelo y sombra
23
1,. ,, •4'00' .... ~~· ........ "'"1'n' ' .:, .*'" ... ·,
f:'~ . • .... ~ . \ ~ r
iJ . ' "
r-0 ... · ,, ., ., •.. .;
&reto !r.pues.t(l /" [3Ateo quemado ::., ~..,;;.
"9u<> \,· BPosto -Su( fa
~· . ~ Posto-limpio .. ,.
~11)' •somt>ro t ~ .iJ. j) Nube
• -1 ~d -~ os~que o1uviol Bo.sque sec.uodorio , ·Ver . Q· •s~que primario
··~··· -t~_"~ u¡)• .. : ·•.P. ~ .\ . .. ,;;, . .,.
• .. ,. ·" ·;s " t! "··. 1) •• <> . ·+¡ . , · .
'. . .~~~ (:f:,j¡ J . 'QPi;¡: 1
8 • J~ 70 ••• '"" ; ~,.:· . f; ,; tifo ~-t:S!IODOO ...¿. •, .I'~J:-' ·:iP' ~.'"': ~·· ·'. p " •• ~ ..• ~¡;) ., ..
"' ,.., .
_ .. ''""' -.41'"0' .. ~r
Figura 9. Imagen landsat-5fTM con el resultado de la clasificación sobre las imágenes fracciones suelo-sombra.
4.4. Ciasificación supervisada por el algoritmo Battacharya
la Figura 9, presenta la imagen landsat-5ffM con el resultado de ia ciasificación
en las imágenes fracciones suelo-sombra, a través del abordaje supervisado
aplicando el algoritmo Battacharya. Después de haber realizado el análisis de
comparación con varios limiares de aceptación, el que mejor resultado generó
fueron las clases espectrales al 99,9%; con el cual queda demostrado que :¡a
imagen finai después de haber sido aplicado ei modeio lineal, la segmentación y
el algoritmo Battacha!rya es posible caracterizar el uso y cobertura del suelo a
nivel P,enerai. Vasconceios y Novo (2004), en un estudio realizado en la región del
reservatorio de Tucuruí-Pará, manifiestan
(Battacharya) agilizó el proceso de trabajo, siendo esta una de las mayores
ventajas de esta técnica para la clasificación supervisada.
4.5. Exactitud de la clasificación
El resultado de la clasificación fue evaluado a través de la exactitud giobai y ei
índice Kappa, de los mapeos dei uso y cobertura del suelo, entre la referencia
terrestre y las clasificaciones reaiizadas (Cuadro 6).
24
Cuadro 6. Exactitud global e índice Kappa del mapeo del uso y cobertura del suelo de la región de Paragominas-Para.
agua, vegExactitud Global (%) Exactitud Global (%) Kappa
••••••••••••••••••••§•~•~•IC?.:~9.~~r.ª:Y~9~tª~iq•~•••••••• 79 ••• m•••••••••••••••m•••••••••••••m••••••••••9!.??14.m••
§~~IQ::~C?.~bra 81 m 9!74§1 ... 3(8)4(G)5(R) 79 O, 7183
La clasificación de las imágenes fracciones suelo-sombra presentó la mejor
exactitud global (81%) y el mayor valor de índice Kappa (0,7461). El resultado de
la exactitud global indica que el usuario posee un mapeo, donde la selección
aleatoria de un área tiene la probabilidad (81 %) de haber sido clasificada. El valor
del índice Kappa (0,7461), indica que el mapa resultante presenta un índice de
concordancia "muy buena" de acuerdo con Landis y Koch, (1977).
Las clasificaciones producidas por las imágenes fracciones suelo-sombra
vegetación, imagen original en las bandas 3(8), 4(G) y 5(R), alcanzaron valores
de exactitud global de 79% para ambos y valores de índice Kappa de 0,7214 y
0,7183 respectivamente, lo cual tiene una concordancia de índice "muy buena",
de acuerdo con Landis y Koch(1977).
El, resultado de la clasificación efectuada sobre las diferentes imágenes: suelo
sombra; suelo-sombra-vegetación y en la imagen original en las bandas 3(8),
4(G) y 5(R), no presentan diferencia para la caracterización del uso y cobertura
del suelo de acuerdo a los valores obtenidos (Cuadro 6), por lo tanto la
concordancia entre las tres imágenes clasificadas son similares.
4.6. Matrices de error
Los Cuadros?, 8, y 9presentan las matrices de error de las clasificaciones
efectuadas por el algoritmo 8attacharya, donde la diagonal principal (valores en
azul) corresponde al número de puntos clasificados correctamente. Además se
especifica la cantidad de puntos muestreados para cada clase, la exactitud del
productor y exactitud del usuario.
25
Cuadro 7. Matriz de error e indicadores de exactitud derivados a la clasificación supervisada de Battacharya en el conjunto de bandas originales 3(8), 4(G) y 5(R).
Puntos de Control e (datos de campo) ·o ·¡¡¡ a;-
C'G 1/) ::::1 -cé ~ o o o -¡::; "C ·e; "C C'G ·¡: o C'G .5 ~ ::::1 o .e Clases Q) .2 Q) C'G ::::1 +J ·-
Q) +J Q) Q)~ ·- ... u- :l-e 1/) 1/) 1/) ... +JC'G
~~ ::::1 ... ::::~- o .2 o Q) o+J "C (,) ::::1 C"C'G O" e C"·!!! .S -::::1 +JI/) ... C'G 1/)
C'Git) lll E 1/) ::::1 1/) > +Jo. 1/) CI>Q. e Q) e Jj:::~ m- o ·¡: o(,) o ::::1 ~E C'G ::::1 >< ::::1 ::::1 e~ me. m:¡: miii ll.:: ll. C/)Q) CL.E ... O"'
w ·e; m Bosque primario 55 17 5 o o 77 29 71 C'G-(,)M Bosque secundario o 52 o o 5 57 9 91 ¡¡::
Bosque aluvial o o 1 o o 1 o 100 ·¡¡¡ C'G Pasto limpio 1 1 1 38 5 2 48 21 79 u
Pasto sucio o 6 1 o 20 27 26 74 Suelo expuesto o o o 1 o 2 3 33 67
Puntos muestreados 56 76 8 39 30 4 213 Error de omisión (%) 2 32 88 3 33 50 Exactitud del productor (%) 98 68 12 97 67 50
Según el Cuadro 7, de un total de 213 puntos muestreados, la clasificación . efectuada por el algoritmo Battacharya (banda original 3, 4 y 5) realizó la mayor
omisión en la clase bosque aluvial en un 88% del total con respecto a los datos de
campo y el menor se presenta en la clase bosque primario (2%).Asimismo, la
clase suelo expuesto expresa el más alto error de inclusión con 33% del total con
respecto a la clasificación realizada por el algoritmo Battacharya y el menor ocurre
en la clase bosque aluvial (0%). Lo que indica que la inclusión (error) se realizó
con respecto a la clase pasto limpio siendo en realidad suelo expuesto.
La clase bosque aluvial presenta la mayor exactitud del usuario en un 100% con
respecto a la clasificación realizada por el algoritmo Battacharya y el menor se
aprecia en la clase suelo expuesto (67%).En cuanto a la exactitud del productor
(datos de campo) la clase bosque primario reporta la mayor precisión con un 98%
y el menor se manifiesta en el bosque aluvial (12%).
Los errores cometidos tanto en la exactitud del productor como del usuario podría
deberse al test de similaridad de las áreas aplicando el algoritmo Battacharya y la
falta de experiencia para realizar la clasificación supervisada en las diferentes
imágenes empleadas.
26
Cuadro 8. Matriz de error e indicadores de exactitud derivados de la clasificación supervisada de Battacharya en las imágenes fracción suelo-sombra.
Puntos de Control e (datos de campo) ·o ·¡¡; ¡¡;.-.
111 111 ::S -ce ~ o o ü "C "C 111 ·;: o 111 .E~ ::S o
.S: 111 Cll .2 Cll 111 -·-Clases Cll - 111 1!! Cll~ ·- ... (.) ... ::::J"C 111 -~~~ ~.e
::S ... ¡}:! o .2 o Cll o- "C (.) ::S o-111 O" e o o -~~~ 111 111 111 ::S -c. -·- -::S ...
111 E 111 E 111 > :{1 E 111 (.) ~ ~
e Cll 1? .n ::S m o o ·- o(.) o ::S 111 ::S ::S ::S
et/1 m C. mm m¡¡¡ 11.:: 0..111 C/)CI) o.. E ... w
•O O Bosque primario 53 12 5 o o 70 25 75 ·¡:; ¡¡;
111 ::S Bosque secundario 3 59 1 o 8 71 17 83 ~m ·¡¡; Bosque aluvial o o 1 o o 1 o 100 111 Pasto limpio o 1 1 39 3 2 46 15 85 u Pasto sucio o 4 o o 19 23 17 83
Suelo expuesto o o o o o 2 2 o 100 Puntos muestreados 56 76 8 39 30 4 213 Error de omisión (%) 5 22 88 o 37 50 Exactitud del productor (%) 95 78 12 100 63 50
El CuadroS, presenta la clasificación efectuada por el algoritmo Battacharya
(imagen fracción suelo-sombra) donde la mayor omisión se reporta en la clase
bosque aluvial con 88% del total con respecto a los datos de campo y el menor se
presenta en la clase bosque primario (5%). Asimismo, la clase bosque primario
muestra el más alto error de inclusión con 25% del total con respecto a la
clasificación realizada por el algoritmo Battacharya y el menor ocurre en las
clases bosque aluvial (0%) y suelo expuesto (0%). Lo que indica que la inclusión
(error) se realizó con respecto a la clase bosque secundario y bosque aluvial
siendo en realidad bosque primario.
Las clases bosque aluvial y suelo expuesto presentan la mayor exactitud del
usuario en un 100% con respecto a la clasificación realizada por el algoritmo
Battacharya y el menor se aprecia en la clase bosque primario (75%). En cuanto a
la exactitud del productor (datos de campo) la clase pasto limpio reporta la mayor
precisión en un 100% y el menor se manifiesta en el bosque aluvial (12%).
En el Cuadro9, la clasificación efectuada por el algoritmo Battacharya (imagen
fracción suelo-sombra-vegetación) reporta la mayor omisión en la clase bosque
aluvial con 89% del total con respecto a los datos de campo y el menor se
presenta en la clase pasto limpio (0%). Asimismo, la clase bosque aluvial
presenta el más alto error de inclusión con 50% del total con respecto a la
clasificación realizada por el algoritmo Battacharya y el menor ocurre en la clase
27
suelo expuesto (0%). Lo que muestra que la inclusión (error) se realizó con
respecto a la clase bosque primario y siendo en realidad bosque aluvial.
Cuadro 9. Matriz de error e indicadores de exactitud derivados de la clasificación supervisada de Battacharya en las imágenes fracciones suelosombra-vegetación.
Puntos de Control (datos de campo) e
·o .. e ·¡¡¡ "'·o ::::1 i!'·- 111 u iii.-"' u Clases o o
"C~ .eS "C e ·¡: o "' "C-u Cll Cll .2 Cll "' il!~ Cll_ ... m 2! Cll .a o :::I"C m "C ::::1 ..
::::1 "' o .2 o Cll o ... :¡::. ·¡: "' > O""' O" e O"·- o o .,.m ..
u "' III cis m E m ::::1 m > +'c. .... _ -::::1 e Cll e--::¡E m u CIIQ. "' ::::1 e ._ o·- o u o.=
"' ::::1 ::::1 )( ::::1 ::::1 wc >< m
•O .C mls. m$ III<( 0.:: a. m C/)CI) a. E w ::::1 ·- E g o Bosque primario 52 15 6 o o 73 29 71 -~ Cll Bosque secundario 3 55 o o 8 66 17 83 ~o m- Bosque aluvial 1 o 1 o o 2 50 50 "' Cll -::::1
(.)C/) Pasto limpio o 1 1 37 2 1 42 12 88 Pasto sucio o 5 1 o 20 26 24 76 Suelo expuesto o o o o o 3 3 o 100
Puntos muestreados 56 76 9 37 30 4 212 Error de omisión (%) 7 28 89 o 33 34 Exactitud del productor (%) 93 72 11 100 67 66
La clase suelo expuesto presenta la mayor exactitud del usuario en un 1 00% con
respecto a la clasificación realizada por el algoritmo Battacharya y el menor se
aprecia en la clase bosque aluvial (50%). En cuanto a la exactitud del productor
(datos de campo) la clase pasto limpio reporta la mayor precisión en un 100% y el
menor se manifiesta en el bosque aluvial (11 %).
Los polígonos temáticos mal clasificados determinados al final de la clasificación
de las imágenes por el método supervisado (Battacharya), se corrigieron a través
de la edición matricial directamente en la pantalla del computador teniendo como
plano de fondo, para la comparabilidad la imagen original en composición colorida
(bandas 3, 4 y 5).
4. 7. Mapa final de uso y cobertura del suelo
La Figura 1 O, muestra el resultado final de la edición matricial sobre la
clasificación de las imágenes fracciones suelo-sombra, que presento el mejor
índice Kappa con un valor de 0,7461%.
En las clases más representativas del paisaje de Paragominas, la clase
explotación maderera no fue incluida por presentar confusión al momento de la
28
clasificación con las clases pasto limpio y bosque primario. Finalmente el área es
una zona que presenta fuerte explotación maderera, que el test que se utilizó para
segmentar la imagen, consiguió poligonizar áreas pequeñas de explotación
maderera y el algoritmo utilizado no permitió separar dicha clase.
w4a•oo· ... ~7"!)1)' w47"40' .... 47".50.
.3"00' sa~oo·
10' 6~10'
·~21)' $o.)020'
w48'00' ....,47"50. .... 47"~· w47"30•
Figura 10. Mapa final del uso y cobertura del suelo en la región de Paragominas-Pará
Suelo expuesto -Ar-eo quemado -Aguo -Posto-sucio -Pasto-limpio •sombro K:1J Nube -Bosque aluvial -Bosque secundario -Bosque primol'io
11 W+f S
.3.!:> O 3.!:> 7 O 10~ 1~.0 km
Fsc.DIO 1 • .550000
V. CONCLUSIONES
1. En el área de estudio se encontraron 1 O unidades de uso y cobertura de la
tierra que abarca aproximadamente un total de 3678,818 ha, de las cuales el
bosque primario es el que presenta la mayor área con 1646,103 ha que
representa el 44,75% del total y el menor le corresponde al suelo expuesto con
8,989 ha {0,24%).
2. La utilización de las imágenes fracciones a partir del modelo lineal de mezcla
espectral muestran eficiencia para la discriminación de tipos de cobertura de la
tierra.
3. La utilización de los histogramas ayuda a la interpretación del comportamiento
espectral de las diferentes clases a través de los niveles digitales.
4. La aplicación de segmentación de las imágenes fracciones (suelo y sombra) a
partir del modelo lineal de mezcla espectral fue eficiente para obtener la
separación de las clases.
5. El análisis de comparación con varios test de aceptación de las clases
espectrales al 99,9% y la aplicación del algoritmo Battacharya es posible
caracterizar el uso y cobertura del suelo a nivel general
6. La matriz de error del análisis Kappa reporta valores superiores a 0,7 en las
clasificaciones supervisadas con test de aceptación del 99.9%.
7. La cuantificación de la matriz de error de emisión y omisión es importante para
determinar el mapeo que representa los datos de campo.
8. Los niveles digitales de las imágenes fracciones (suelo-sombra-vegetación) y
la imagen original (banda 3, 4 y 5) ayuda a interpretar el comportamiento
espectral que tiene cada objeto o clase.
VI. RECOMENDACIONES
1. Para la delimitación de los tipos de bosques, áreas deforestadas, suelo y pasto
de una determinada área, es preciso emplear técnicas de procesamiento
digital de imágenes de satélite, como la segmentación, modelo lineal de
mezcla espectral y la clasificación supervisada, para obtener así el uso y la
cobertura del suelo.
2. Para la evaluación de la exactitud de una clasificación a partir de
procesamiento digital de imágenes de satélite, es preciso utilizar el método
estadístico Kappa, que evalúa la concordancia entre los datos de campo y los
datos clasificados (computador) .
3. Aplicar la misma metodología de trabajo en otras áreas con la finalidad de
validarla.
VIl. BIBLIOGRAFIA
AMAZONIA: Biomas Amazonia. [En línea) 1 pantalla. Hallado en
http://www.brazadv.com/tours/amazonia.htm.
BINS, S. A.; G. L.FONSECA; G. J. ERTHAL y M. F. Ll. 1996. Satellite lmagery
Segmentation: a región growing approach. Simpósio Brasileiro de
Sensoriamento Remoto. Sao José dos Campos-Brasil. Articulo. 677-680.
COMPANHIA DE PESQUISA DE RECURSOS MINERAIS (CPRM) 2000. "Servigo
Geológico do Brasil. Programa de Levantamentos geológicos básicos do
Brasil". Estados doPará y Maranhao- Brasil. hojas S.A. 23-V y SA. 23-Y
CROSTA, A. P. 1992. Processamento digital de imagens de sensoriamento
remoto. Brasil. 170 p.
CHUVIECO, E. 2002. Teledetección ambiental. España. 586 p.
EMPRESA BRASILERA DE PESQUISA AGROPECUARIA (EMBRAPA). 1998,
Servicio nacional de levantamento e conservagao de solos (Rio de Janeiro,
R.J.). Definigao e notagao de horizontes e camadas do solo Rio de Janeiro
-Brasil. 120 p.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). 2006. Sistema de
Procesamiento de Informaciones Geográficas - SPRING v. 4.3 - Tutorial
DPI-INPE, Sao José dos Campos- Brasil. 34 p.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATISTICA (FIBGE). 1998.
Delegacia do Pará. Produgao e rendimento total do Estado do Pará. Belém
- Brasil. 45 p.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATISTICA (FIBGE). 1992.
Manual técnico de vegeta<;ao brasileira. Rio de Janeiro - Brasil. Manuais
técnicos de geociéncias. 45 p.
GONZALES, R. y P. WINTZ.1987. Digital image processing. United Stateof
América. 503 p.
HONORIO, V. C. y N. E. LEAO DE MORAES. 2004. Mapeamento do uso e
cobertura da terra a partir da segmentagao e classificagao de imagens
fragao solo, sombra e vegetagao derivadas do modelo linear de mistura
33
aplicado a dados do sensor TM/Landsat5, na regiao do Tucuruí - Para - Brasil. v.
34 (3): 487-493.
LANDIS, J. R. y G. G. KOCH, 1977. The measurement of observer agreement for
categorical data: Biometrics 33: 159-174.
LOS RECURSOS FORESTALES: Recursos forestales ... [En línea] 1 pantalla.
Hallado en http//dominios. eurosur.org/medio_ambiente/bif77.htm- 13k > .
NASA: El programa Landsat... [En línea] 1 pantalla. Hallado en
http://landsat.gsfc.nasa.gov/>.
MOREIRA, A. M. 2005. Fundamentos do sensoriamento remoto e metodologías
de aplicac;ao. Sao José dos Campos: INPE, 320 p.
MOREIRA, A. M. 2001. Fundamentos do sensoriamento remoto e metodologías
de aplicac;ao. Sao José dos Campos: INPE, 250 p.
NASCIMENTO, P. S. R. 1997. Avaliac;ao de técnicas de segmentac;ao e
classificac;ao em imagens Landsat-TM visando o mapeamento de unidades
de paisagem na Amazonia. Sao Jose dos campos. Dissertac;ao (Mestrado)
-Instituto Nacional de Pesquisas Espaciais, INPE. 120 p.
PALMEIRAS, F. A. 2004. Técnicas de sensoriamento remoto e
geoprocessamento aplicadas a gestao do território do município de
Paragominas. Dissertac;ao (M estrado em Sensoriamento Remoto) -
Instituto Nacional de Pesquisas Espaciais, Sao José dos Campos-Brasil-
270 p.
PONZONI, F. y E. ALMEIDA. 1996. Estimativa do parametro KAPPA (K) da
análise multivariada discreta no contexto de um SIG. Simpósio Brasileiro
de Sensoriamento Remoto. Sao Jose dos Campos - Brasil. Instituto
Nacional de Pesquisas Espaciais. Articulo. 729-733.
PROJECTO RADAMBRASIL. 1973. Geología. Sao Luiz/Fortaleza, río de Janeiro
- Brasil. Folhas. SA.23/24.
SHIMABUKURO, Y. E. y J. A. SMITH, 1991. The least-squares mixing models to
generate fraction images derived from remote sensing multispectral data.
IEEE Transactions on Geoscience and Remate Sensing, 29 (1): 16-20.
34
SHINJI, K. F.; M. R. GOMEZ; C. P. ALMEIDA y A. LUCHIARI. 2003.
Caracteriza9ao atual do uso da terra e da cobertura vegetal na regiao da
terra Indígena Sangradouro/volta Grande-Mato Grosso. Red de revistas
científicas de América latina y el Caribe, España y Portugal 53: 27-38.
STORY, M. y R. G. CONGAL TON. 1986. Accuracy assessment: a user's
perspective. Photogrammetric Engineering and Remote Sensing, 52 (3):
397-399.
VASCONCELOS, C. H. y E. M. L. M. Novo. 2004. Mapeo y uso de la cobertura de
tierra a partir de la segmentación y clasificación de imágenes-fración suelo,
sombra y vegetación derivadas de los modelos lineales de mixtura aplicado
a los datos del sensor TM/Landsat 5, en la región del reservatorio Tucuruí
PA. Acta Amazónica 34(3):487-493.
ANEXO
36
...,. 25' ------...,....------ 2"25
/Í Ml-"'ICÍ'IO DE / fl'IAAGOMNAS
/ /
/' /
Figura 11. Área de ubicación del área de estudio.
Figura 12. Segmentación de la imagen de satélite Landsat-5fTM, en las bandas 3(8)4(G)5(R)
37
Figura 13. Segmentación (10-40) de las imágenes fracciones sombra (B), suelo (R), vegetación (G)
Figura 14. Segmentación (10-40) de las imágenes fracciones sombra (B), suelo (R)