extracciÓn de caracterÍsticas a partir de sensores...

1

EXTRACCIÓN DE CARACTERÍSTICAS A PARTIR DE SENSORES REMOTOS EMPLEANDO TÉCNICAS GEOBIA

APLICADAS AL DESARROLLO DEL CATASTRO MULTIPROPÓSITO EN LA ZONA RURAL DEL

MUNICIPIO AGUA DE DIOS.

JUAN DAVID LÓPEZ FLOREZ

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

PROYECTO CURRICULAR

INGENIERÍA CATASTRAL Y GEODESIA

BOGOTÁ D.C

2018

2

EXTRACCIÓN DE CARACTERÍSTICAS A PARTIR DE SENSORES REMOTOS EMPLEANDO TÉCNICAS GEOBIA APLICADAS AL

DESARROLLO DEL CATASTRO MULTIPROPÓSITO EN LA ZONA RURAL DEL MUNICIPIO AGUA DE DIOS.

Trabajo de grado para optar por el título de Ingeniero Catastral y Geodesta.

Modalidad de Pasantía.

Realizado por:

Juan David López Florez

Director Externo:

Geógrafa Vianey Alexandra Muños

Director Interno:

Ingeniero German Ramírez

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

PROYECTO CURRICULAR

INGENIERÍA CATASTRAL Y GEODESIA

BOGOTÁ D.C

2018

3

AGRADECIMIENTOS

El presente trabajo no hubiese sido posible sin el apoyo y la fuerza de Dios ya que alcanzar esta meta es un logro tanto personal como para mi familia, mis seres queridos, mis amigos y todas las personas que hicieron parte directa o indirectamente de este bello proceso formativo. De igual manera agradezco infinitamente a mis directores por el apoyo recibido así como al Instituto Geográfico Agustín Codazzi y su Centro de Investigación y Desarrollo en Información Geográfica ya que esta metodología es gracias a ellos.

Finalmente es necesario reconocer de manera especial el acompañamiento incondicional del Ingeniero José Leonardo Hurtado en cuanto a los aspectos técnicos así como su constante apoyo y extremada paciencia para atender las dudas.

4

RESUMEN

En el campo del procesamiento de imágenes a partir de sensores remotos se ha tenido importantes avances en cuanto a sus herramientas y procesos, es por ello que se hace necesario la implementación de técnicas que ayuden a desarrollar proyectos de forma semiautomática y tecnificada mediante métodos y procesos que optimicen tiempo y por ende gastos. El presente trabajo presenta una serie de métodos que describen en detalle el proceso de clasificación orientado a objetos en un entorno GEOBIA, cuyo propósito será la correcta clasificación de coberturas en la zona rural del municipio de Agua de dios, el destino será apoyar procesos enfocados al desarrollo del catastro con un enfoque multipropósito teniendo en cuenta la necesidad de tener una base catastral actualizada para llevar a cabo planes y políticas tanto sociales como públicas.

La propuesta desarrollada busca mostrar y comparar técnicas tradicionales de clasificación con metodologías basadas en objetos las cuales presentan un mejor desempeño a la hora de caracterizar paisajes geográficos ya que además de contemplar las características y costumbres habituales de una clasificación convencional involucra conceptos de forma, escala, tamaño y otros parámetros que durante el proceso pueden tener menor o mayor relevancia según el interés del proyecto, esto hace que la realización de los procesos sea dinámica ya que su correcta formulación y construcción de los objetos será la estructura base de la clasificación, de igual forma al contar con insumos de poco rango espectral se hace necesario tener la mayor optimización de características maximizando la varianza con el fin de tener una mayor discriminación de coberturas y con ello se logre tener una adecuada segmentación, para este caso se realizó una segmentación con un algoritmo cuya base es el crecimiento de regiones que conforman objetos según la necesidad del usuario.

Finalmente los resultados permiten determinar que la metodología propuesta y en general la clasificación orientada a objetos es una técnica que brinda muy buenos resultados para la detección de objetos específicos como las cercas los cuales cumplen unas características definidas en ámbitos geométricos y temáticos los cuales sirven de una manera exitosa para la definición de linderos de un predio.

Palabras clave: GEOBIA, coberturas, objetos, algoritmos, procesos, clasificación.

5

TABLA DE CONTENIDO

INTRODUCCIÓN .................................................................................................................. 9

CAPITULO I. ....................................................................................................................... 10

JUSTIFICACIÓN ................................................................................................................. 10

OBJETIVOS ......................................................................................................................... 12

Objetivo General............................................................................................................... 12

Objetivos Específicos ....................................................................................................... 12

METODOLOGÍA GENERAL ............................................................................................. 13

Clasificación previa – pixeles ........................................................................................... 14

Pre procesamiento............................................................................................................. 15

Procesamiento ................................................................................................................... 15

Evaluación de exactitud temática ..................................................................................... 16

MARCO TEÓRICO CONCEPTUAL .................................................................................. 17

Fundamento de los sensores remotos ............................................................................... 17

Fotografías aéreas ............................................................................................................. 17

Clasificación de las fotografías aéreas.............................................................................. 17

Sensores pasivos ............................................................................................................... 18

Firma espectral ................................................................................................................. 18

Escala ................................................................................................................................ 18

Ground Sample Distance .................................................................................................. 18

Formatos en las imágenes ................................................................................................. 18

Clasificación supervisada ................................................................................................. 20

Clasificación basada en objetos ........................................................................................ 21

ESTADO DEL ARTE .......................................................................................................... 21

Capitulo II ............................................................................................................................. 25

Análisis multitemporal ......................................................................................................... 25

Área de estudio ................................................................................................................. 26

Clasificación de imágenes ................................................................................................ 27

Análisis estadístico del recorte en común......................................................................... 30

CAPITULO III ..................................................................................................................... 31

METODOLOGÍA BASADA EN OBJETOS ....................................................................... 31

6

Materiales ......................................................................................................................... 33

ArcGis v 10.2 ................................................................................................................ 33

Erdas Imagine ............................................................................................................... 33

PCI Geomatics .............................................................................................................. 34

eCognitions ................................................................................................................... 34

Segmentación. .................................................................................................................. 34

Características de las bandas ........................................................................................ 47

Variación de rangos por cada objeto en los distintos canales de la imagen ................. 48

CAPITULO IV ..................................................................................................................... 56

PRESENTACIÓN Y ANÁLISIS DE RESULTADOS ........................................................ 56

Discusión de resultados .................................................................................................... 60

CAPÍTULO V ...................................................................................................................... 62

CONCLUSIONES Y RECOMENDACIONES ................................................................... 62

Bibliografía ........................................................................................................................... 65

7

LISTA DE FIGURAS

Ilustración 1: Clasificación tradicional, fuente: elaboración propia. .................................... 14 Ilustración 2: Pre procesamiento, fuente: elaboración propia. ............................................. 15 Ilustración 3: Procesamiento, fuente: elaboración propia. ................................................... 16 Ilustración 4: Tamaño de una misma imagen con diferentes tipos de formatos, fuente: (Garcia, 2008). ...................................................................................................................... 19 Ilustración 5: Localización general del área de estudio, fuente elaboración propia ............. 27 Ilustración 6: Clasificación por pixeles, año 2009. Fuente, elaboración propia ................... 29 Ilustración 7: Clasificación por pixeles, año 2017. Fuente, elaboración propia ................... 29 Ilustración 8: Procedimiento GEOBIA, fuente (Minho Kim, 2009) .................................... 33 Ilustración 9: Agrupación de los métodos de segmentación según la técnica usada, fuente: (Castañeda, 2016) ................................................................................................................. 35 Ilustración 10: Parámetros para la segmentación ................................................................. 36 Ilustración 11: Objetos a escala 50 ....................................................................................... 38 Ilustración 12: Objetos a escala 100 ..................................................................................... 38 Ilustración 13: Objetos a escala 200 ..................................................................................... 39 Ilustración 14: Representación de cerca viva, Fuente, Lompravial. ..................................... 40 Ilustración 15: Proceso de creación de los objetos de muestreo a partir de la relación topológica del objeto y el punto de muestreo, Fuente (Espejo, 2016).................................. 41 Ilustración 16: Muestreo de clases temáticas. Preparación para la clasificación temática. .. 42 Ilustración 17: Optimización de muestras seleccionadas ..................................................... 42 Ilustración 18: Matriz de separación entre muestras seleccionadas ..................................... 43 Ilustración 19: Matriz de separación de todas las coberturas ............................................... 43 Ilustración 20: Separabilidad estadística de los datos de las muestras. ................................ 44 Ilustración 21: Espacio característico de las coberturas clasificadas ................................... 45 Ilustración 22: espacio característico de las coberturas herbazal y pastos ........................... 46 Ilustración 23: espacio característico de las coberturas herbazal y río ................................. 47 Ilustración 24: Estadísticas de la cobertura cerca ................................................................. 49 Ilustración 25: Estadística de la cobertura herbazal ............................................................. 50 Ilustración 26: Estadísticas de la cobertura pastos ............................................................... 52 Ilustración 27: Estadísticas de la cobertura tierras en preparación ....................................... 53 Ilustración 28: Estadísticas de la cobertura vía .................................................................... 54 Ilustración 29: Estadísticas de la cobertura río ..................................................................... 55 Ilustración 30: Clasificación inicial solo con las coberturas seleccionadas, fuente elaboración propia .................................................................................................................................... 57 Ilustración 31: Clasificación inicial con todas las coberturas, fuente elaboración propia .... 58 Ilustración 32: Clasificación a escala 50, fuente elaboración propia ................................... 59 Ilustración 33: Clasificación a escala 100, fuente elaboración propia ................................. 59 Ilustración 34: Clasificación a escala 200, fuente elaboración propia ................................. 60

8

LISTA DE TABLAS

Tabla 1: Análisis de la variación multitemporal en las coberturas ....................................... 30

Tabla 2: Perfil espectral cerca, fuente elaboración propia .................................................... 49

Tabla 3: Perfil espectral herbazal, fuente elaboración propia .............................................. 51

Tabla 4: Perfil espectral pastos, fuente elaboración propia .................................................. 52

Tabla 5: Perfil espectral tierras en preparación, fuente elaboración propia ......................... 53

Tabla 6: Perfil espectral vías, fuente elaboración propia ...................................................... 54

Tabla 7: Perfil espectral ríos, fuente elaboración propia ...................................................... 55

Tabla 8: Resultados estadísticos de la clasificación, fuente elaboración propia .................. 61

9

INTRODUCCIÓN

A lo largo de los últimos años la ejecución de nuevas temáticas que tienen como propósito el desarrollo paulatino del país y sus componentes catastrales, uno de los objetivos más ambiciosos que se ha trazado el plan nacional de desarrollo “todos por un nuevo país” es la implementación de un catastro nacional con enfoque multipropósito; por lo cual, es de vital importancia tener un censo catastral actualizado y eficiente que brinde información veraz con fines específicos para el fortalecimiento de políticas públicas en pro del desarrollo urbano y rural.

En la actualidad una sociedad mide su nivel de desarrollo teniendo como base el componente catastral, con este se busca tener un control eficiente de los fiscos percibidos así como una adecuada planeación tanto social como económica. Sin embargo, las dinámicas actuales de desarrollo, así como la incorporación y manejo de temáticas de índole catastral en especial de la zona rural del país se está viendo seriamente limitada por aspectos como el acceso y la veracidad de la información recopilada durante trabajo en campo.

De igual manera, la evolución de las imágenes provenientes de sensores remotos son una solución muy satisfactoria ante dicha problemática, sin embargo, estos datos cuentan con una serie de limitaciones enfocadas a la exactitud temática del producto final teniendo en cuenta variables como la escala y la resolución de la imagen, por ello una clasificación basado en pixeles puede generar cierto grado de incertidumbre en la exactitud temática del producto final.

Ante la necesidad de generar metodologías o técnicas más eficaces que las empleadas a base de pixeles se han realizado trabajos mediante el análisis basado en objetos en objetos geográficos, el cual no solo considera como parámetros requeridos la respuesta espectral del pixel sino las características pictórico morfológicas que puedan ser extraídas de la asociación de pixeles o formación de clúster representativos.

El presente trabajo tiene como objetivo generar e implementar una metodología basada en objetos geográficos – GEOBIA con el fin de identificar y segmentar cercas vivas en la zona rural del municipio de Agua de Dios en el departamento de Cundinamarca, con el fin de ser la base catastral en las aplicaciones de actualización predial de las zonas de difícil acceso del municipio y que se pueda replicar en cualquier parte del país.

10

CAPITULO I.

GENERALIDADES

JUSTIFICACIÓN

Es un hecho innegable que las cifras de la población van en aumento por lo cual tanto el espacio urbano como el rural han tenido transformaciones y cambios importantes que buscan mejorar la calidad de vida de los habitantes, esto se ve reflejado en planes tanto de infraestructura como de apoyo financiero para fortalecer los sectores regionales. De igual forma el fenómeno de expansión es inevitable y afecta tanto la parte urbana como rural ya que si crece de manera descontrolada sin la existencia de una transición adecuada puede verse afectada la parte ambiental reduciendo de forma importante zonas de reservas forestales, ecosistemas y en general zonas establecidas en los planes de ordenamiento como de protección.

Para definir un buen manejo del territorio es necesario tener en cuenta sus componentes y a partir de ello ordenar y planificar, es ahí donde el catastro se convierte en una herramienta indispensable para generar un plan de acción que contemple diferentes propósitos tanto técnicos como operativos; este proceso se enmarca en un componente cartográfico que busca capturar de manera ágil y eficaz componentes ligados a la formación y/o actualización predial en zona rural. Por tal motivo es necesario generar una metodología basado en el análisis geográfico orientado a objetos que permita realizar una actualización cartográfica de manera muy detallada, con el propósito de tener la correcta captura y delimitación física de los predios rurales y tener un adecuado insumo en el momento de tomar decisiones en ámbitos catastrales ya sea de índole jurídico, económico o social.

Al ser el Instituto Geográfico Agustín Codazzi uno de los entes encargados para la ejecución e implementación de un catastro multipropósito en su dependencia el centro de investigación y desarrollo en información geográfica (CIAF), contribuye a partir de la conexión entre sus grupos temáticos de trabajo relacionados con la geomática por medio de insumos digitales caracterizar una zona de trabajo para realizar la interpretación de objetos enfatizando la exactitud en cercas que ayuden a la discriminación de predios en la zona rural, que para el caso del presente proyecto se localiza en el municipio de Agua de Dios, ya que este ítem hace parte del conjunto de características esenciales para capturar con el fin de conformar un catastro rural con visión multipropósito.

Por consiguiente la utilidad de las imágenes provenientes de sensores remotos para la toma de decisiones y el estudio de recursos naturales es un punto de partida para evaluar la viabilidad de la aplicación de algoritmos en procesamiento de imágenes, para obtener información eficaz con el fin de generar una metodología de captura de información catastral en zonas rurales con base en el desarrollo sostenible tanto a nivel local como regional con el fin de tomar decisiones, ya que a partir de las técnicas y métodos con entorno basado en

11

objetos se puede realizar de manera precisa la actualización de linderos y cumplir con el propósito actual del enfoque multipropósito adoptado por el IGAC en los predios rurales del país.

Teniendo en cuenta los costos que implica a un municipio realizar una actualización de linderos en estas zonas del país, es primordial la implementación de herramientas y algoritmos enfocados a la detección de esta información de manera remota. Actualmente, un importante volumen de información geográfica es extraído y procesado de distintas imágenes satelitales por lo que es una alternativa adecuada en la labor de identificar límites prediales.

En la actualidad, el 28% del territorio nacional carece del proceso de formación catastral y el 63% del área formada se encuentra con un sistema catastral desactualizado (CONPES, 2016), por lo cual se hace necesario plantear una propuesta que busque mitigar esta problemática; el propósito que tiene el catastro es brindar información predial eficaz con fines jurídicos, económicos y fiscales que sirvan de apoyo a un buen manejo de políticas públicas tanto urbanas como rurales. El enfoque planeado busca tener un propósito más social que solo el de brindar información, para que sirva como insumo en los planes de manejo ambiental, territorial y en general una planeación adecuada del territorio.

A causa de los fenómenos ambientales y cambios en el clima se han generado diversos eventos naturales de remoción en masa que prenden las alarmas en las alcaldías locales y ponen a prueba el adecuado ordenamiento territorial y el cumplimiento de normas ambientales, por esta razón se requiere actualizar el catastro rural del municipio Agua de Dios desde una perspectiva social y geográfica; apoyado con herramientas y recursos tecnológicos que ayuden a este proceso, para este caso se hará uso de técnicas de procesamiento de imágenes que ilustren de manera digital el terreno.

La clasificación de la zona de estudio tendrá como parámetros principales la concurrencia de objetos basadas en las características pictórico morfológicas del terreno así como la respuesta espectral de los pixeles pertenecientes a la imagen, esto con el fin de extraer las características propias del área de estudio, con lo cual permite tener imágenes de alta resolución y modelos que asemejan de una forma muy precisa al terreno, de esta manera se tiene una información veraz que brinda un insumo adecuado en la captura de información así como su proceso.

12

OBJETIVOS

Objetivo General

Desarrollar una metodología que permita identificar correctamente las cercas vivas que sirven como linderos en los predios rurales haciendo uso de técnicas orientadas bajo el paradigma de objetos GEOBIA.

Objetivos Específicos

• Generar una segmentación temática que brinde información para actualizar la base predial a través de una correcta discriminación de características que ayuden a identificar los linderos de los predios.

• Realizar una comparación multitemporal para el municipio de Agua de Dios para los años 2009 a 2017 en las diferentes coberturas presentes en la zona de estudio.

• Identificar los parámetros necesarios para generar una discriminación de linderos con un alto grado de exactitud haciendo uso del mejor y más acorde algoritmo, que detalle y brinde información eficaz.

13

METODOLOGÍA GENERAL

Con base en el insumo que se tiene (imagen) se espera generar un mapa temático de uso y cobertura presente en el área de estudio localizada entre los 4° 22´ 41´´ latitud Norte y 74° 40´ 26´´ longitud Oeste con una altitud promedio de 400 msnm, para ello es de vital importancia la óptima captura de las diferentes coberturas teniendo claro los patrones que identifiquen las mismas, para que con ello se pueda tener una correcta exactitud a la hora de llevar a cabo la clasificación y muestreo de datos con el fin de tener buenos resultados, por tanto, a partir de ellos se espera que el índice de evaluación temática Kappa1 tenga un alto porcentaje que pueda dar aceptación al producto. Con lo cual la distribución de las coberturas será más detallada y próximas a la realidad física de la zona, teniendo en cuenta que el objetivo del trabajo es proporcionar información visual y cuantitativa de las diferentes características presentes en el área de trabajo con el fin de proveer una fuente de análisis con información técnica confiable para la toma de decisiones apoyados en una metodología con entorno GEOBIA.

En primer lugar hay que delimitar la zona de estudio con los insumos suministrados, con lo cual se establece un área de trabajo para realizar el procesamiento. El producto base a realizar será una discriminación de características presentes en el área de estudio teniendo como parámetro principal la delimitación de los predios con el fin de actualizar la base catastral del municipio, para ello se buscara capturar la información en dos pasos, el primero será mediante pixeles y su respuesta espectral mediante muestras que agrupen las características de cada cobertura; por otro lado se asignaran polígonos que se denominaran objetos los cuales tienen una forma u patrón que ayudara a la herramienta a seguir estas características y poder tener una adecuada discriminación de estas coberturas. Posteriormente se pretende implementar un análisis multitemporal que ayude a determinar los cambios sufridos en la zona de estudio en los años 2009 a 2017, por ende se espera realizar y proveer un buen trabajo con buena evaluación temática el cual nos proporciona resultados de mediana o buena calidad para la discriminación de coberturas en cuanto al detalle y realidad física de la zona.

Para este propósito se definieron cinco etapas fundamentales las cuales buscan definir la estructura funcional que se deberá implementar con el fin de obtener los resultados deseados.

• Clasificación previa

• Pre procesamiento

• Procesamiento

• Evaluación temática

1 Kappa: Índice de exactitud estadístico, que ayuda a tener una fiabilidad en el producto (Chuvieco, 1996).

14

• Discusión y resultados

Clasificación previa – pixeles

En la primera fase del desarrollo, se pretende realizar un bosquejo de las distintas coberturas presentes en la zona de estudio así como la preparación del insumo base (imágenes), a partir de ellas se busca realizar un conjunto de procedimientos que permitan dar inicio al procesamiento. En esta fase se aplicaran herramientas para el manejo de contrastes y suavizado de la imagen.

Ilustración 1: Clasificación tradicional, fuente: elaboración propia.

Esta fase del proyecto se planea estrategias y métodos que faciliten al usuario poder tener una separabilidad entre las diferentes coberturas presentes con el fin de diseñar un plan de muestreo bueno para usar en el trabajo, así como una revisión detallada de las estadísticas para tener buenos resultados en la siguiente fase.

15

Pre procesamiento

En esta segunda fase del proyecto se busca tener un adecuado manejo de las muestras en cuanto a sus estadísticas y relaciones, ya sean de tipo forma, tamaño o característica espectral entre los objetos definidos, así como herramientas que ayuden a la discriminación de la vegetación y en general de las coberturas como transformaciones e índices.

Ilustración 2: Pre procesamiento, fuente: elaboración propia.

Procesamiento

Esta fase concentra la clasificación de la imagen como tal basada en la metodología propuesta, se requiere que los procesos realizados hasta el momento tengan un buen nivel de precisión ya que esto permitirá tener un buen porcentaje de evaluación temático, así como la buena elección del algoritmo clasificador ya que este definirá lo fácil o difícil que será la parte de edición manual y proceso de filtrado.

16

Ilustración 3: Procesamiento, fuente: elaboración propia.

Evaluación de exactitud temática

En esta etapa se analiza el resultado de la clasificación en primera instancia por lo que es indispensable la parte estadística que dará una evaluación a priori de los resultados arrojados por el programa así se determina que se debe editar o mejorar. Esta revisión de la clasificación no tiene porqué realizarse para todos los objetos clasificados, si no que puede limitarse a separar los objetos clasificados erróneamente entre dos clases similares.

El autor (Xavier Blaes, 2005) propone una clasificación iterativa en la cual, aquellos objetos cuya clase asignada en la primera iteración no coincide con la almacenada en la base de datos, son analizados de forma particular para detectar si son cambios que deben ser confirmados mediante fotointerpretación o visitas de campo, o bien, si son errores de la clasificación de la primera iteración.

17

MARCO TEÓRICO CONCEPTUAL

Fundamento de los sensores remotos

En el campo de la percepción remota unos de sus principales pilares para poder llevarla a cabo son los sensores los cuales son el instrumento de captura susceptibles a la detección de una señal electromagnética (radiación reflejada o emitida) que les llega de la tierra y atmosfera, esta se convierte en una magnitud física que puede ser tratada y grabada con el fin más conveniente al igual que el formato de entrega ya sea análogo (fotografía) o digital (imagen) (Sobrino, 2000).

Fotografías aéreas

Son imágenes tomadas mediante una plataforma aérea la cual a través de un plan de vuelo captura con un ángulo predeterminado los componentes que se encuentren presentes en el terreno, los sensores usados en estas imágenes son cámaras debidamente calibradas y ajustadas para tal fin con una alta resolución espacial.

La fotografía aérea tiene como principio el sistema de percepción fotográfica que utiliza la propiedad que tienen los cuerpos de la litosfera para absorber, dispersar o refractar la luz proveniente del sol. Esta característica se traduce en el hecho que la energía reflejada por las distintas coberturas presentes en el terreno pasen a través del lente de la cámara, y respecto a su reflectancia está altere con mayor o menor grado de intensidad la película sensible al espectro electromagnético instalada en su interior; este fenómeno da origen a una gama de tonalidades del gris con la cual se forma en el negativo las imágenes de los objetos, a mayor capacidad de los objetos para reflejar la luz más clara aparecerá su imagen en las fotografías y a menor reflexividad, más oscura (IGAC, 2001).

Clasificación de las fotografías aéreas.

Dentro de las fotografías aéreas existe una diferencia entre ellas las cuales hace que sea necesario clasificarlas ya sea según su inclinación del eje óptico en la cámara al momento de la toma o los filtros usados que asemejan las bandas en una imagen satelital. Cada imagen de acuerdo a las características que posea ofrece una múltiple utilidad para el tratamiento de la información (IGAC, 2001).

18

Sensores pasivos

Este tipo de sensores son aquellos que reciben la señal de acuerdo a las características reflectantes del terreno en otras palabras detectan radiancia en la superficie observada, lo que indica que el sensor se diferencia con uno activo en cuanto a la captura de información de este, ya que a partir de un impulso emitido por él mismo captura los objetos presentes en ese instante lo que puede inferir que este sensor tiene su propia fuente de energía.

Firma espectral

Es el modo peculiar con el que una determinada cubierta refleja o emite energía a distintas longitudes de onda y resulta la base para discriminar dicha cubierta de otras a partir de observación remota (Chuvieco, 1996).

Escala

Al momento de realizar o ejecutar trabajos que impliquen información espacial es necesario tener una relación entre una imagen y la realidad, lo cual nos indica de manera gráfica la cantidad de información adquirida, si se involucra este término en las fotografías aéreas o en general a las imágenes puede decirse que es la capacidad que posee un sensor para discriminar información capturada de manera detallada, esta se ciñe a las características propias de fabricación y calibración de este.

Ground Sample Distance

Hace referencia al tamaño de píxel proyectado sobre el terreno, cuanto mayor es el valor del GSD, mayor discriminación de objetos se tendrá lo cual puede relacionarse a la resolución espacial de la imagen. El GSD está relacionado con la altura de vuelo: cuanto mayor sea la altitud de vuelo, más grande es el valor del GSD.

Formatos en las imágenes

En los trabajos que involucran imágenes y fotografías un factor importante es el espacio en disco, así como la velocidad de respuesta de la máquina que está ligada al peso y velocidad de procesamiento por pixel en pantalla, por lo cual diferentes compañías han creado sus propios formatos según la necesidad requerida (calidad de la imagen, compresión, múltiples

19

imágenes entro otras características). Existen en el mercado formatos de almacenamiento genéricos que son transversales a cualquier programa, sin embargo estos varían en cuanto a su peso, un ejemplo claro radica en el formato que usualmente se guarda una fotografía (.bmp o .tiff) el cual guarda la calidad de la misma pero pesa mucho más que un formato jpg (.jpeg):

Ilustración 4: Tamaño de una misma imagen con diferentes tipos de formatos, fuente: (Garcia, 2008).

A continuación se muestra algunos formatos usados para guardar imágenes con sus respectivas características o beneficios que se brinda al usarlos:

TIFF:

El formato TIF (Tag Image File Format) se utiliza para imágenes de mapa de bits y es admitido prácticamente por todas las aplicaciones de autoedición y tratamiento de imágenes. Este formato fue desarrollado por Aldus Corporation. Lo reconocen casi todos los programas. Además, es compatible con PC y Mac. Es un formato que admite una compresión muy baja, por lo que la pérdida en la calidad de imagen es prácticamente nula. Se conoce como formato de compresión sin pérdida, una desventaja es que los archivos .tiff son de gran tamaño. Su uso es de los más extendidos en la industria gráfica por la calidad de imagen y de impresión que presenta (Ordoñez, 2005).

BMP:

El formato bmp (Bit Map) es el formato de las imágenes de mapa de bits de Windows. Su uso fue muy extendido, pero los archivos son muy grandes dado la escasa compresión que alcanzan, pero el formato de Mapa de Bits tiene una importante característica a su favor, es que casi todos los usuarios tienen una PC con ambiente gráfico Windows y pueden leerlo desde un accesorio llamado “Paint” (Ordoñez, 2005).

GIF:

El formato GIF corresponde a las siglas de Graphics Interchange Format propiedad de eCompuServe. El formato GIF es preferible para las imágenes de tonos no continuos o cuando hay grandes áreas de un mismo color ya que utiliza una paleta de color indexado que

20

puede tener un máximo de 256 colores. Una de sus mayores ventajas es que podemos elegir uno o varios colores de la paleta para que sean transparentes y podamos ver los elementos que se encuentren por debajo de estos. También es uno de los pocos formatos de imagen con el que podemos mostrar animaciones porque hace que distintos frames se ejecuten secuencialmente. Además, es un formato de compresión diseñado para disminuir el tiempo de transferencia de datos por las líneas telefónicas (Ordoñez, 2005).

JPG:

Este formato toma su nombre de Joint Photographic Experts Group, asociación que lo desarrollo. Se utiliza usualmente para almacenar fotografías y otras imágenes de tono continuo. Gracias a que utiliza un sistema de compresión que de forma eficiente reduce el tamaño de los archivos. En contraste con GIF, JPEG guarda toda la información referente al color con millones de colores (RGB) sin obtener archivos excesivamente grandes. Además, los navegadores actuales reconocen y muestran con fidelidad este formato (Ordoñez, 2005).

PNG:

PNG son las siglas del grupo que lo desarrollo Portable Networks Graphics pensando en un formato ideal para su distribución en Internet. PNG posee ventajas respecto a los otros formatos más comunes en este medio: JPG y GIF. Ya que fue desarrollado especialmente para su distribución en red posee gran parte de las ventajas de un GIF y de un JPG. Por ejemplo, permite altos niveles de comprensión, además, permite utilizar la técnica de la indexación para crear colores transparentes, semitransparencias o transparencias degradadas. Finalmente, no está limitado a una paleta de 256 colores, sino que puede utilizar millones de colores. Su única limitación es que no podemos crear ficheros animados (Ordoñez, 2005).

Clasificación supervisada

En el campo de la percepción remota la clasificación es el producto por excelencia ya que en su mayoría los estudios están enfocados a la detección de cambios en la cubierta terrestre, su objetivo básicamente es medir cuantitativamente entre determinados parámetros físicos y los niveles digitales capturados por el sensor. Este método involucra el criterio del usuario ya que este a partir de muestras entrena al ordenador en el reconocimiento de patrones que serán reconocidos como coberturas, en otras palabras el ordenador asignará a partir de un pequeño muestreo de ND puros (clusters)2 calcula las estadísticas elementales por cobertura a partir de los pixeles contenidos en estos clusters. Por ello es clave la adecuada selección de las áreas

2 Agrupamientos de pixeles que componen la misma cobertura.

21

de entrenamiento para que el ordenador clasifique de forma óptima la imagen (Chuvieco, 1996).

Clasificación basada en objetos

Dentro de un entorno basado en objetos ha sido bastante necesario una segmentación de la imagen con un enfoque de búsqueda de objetos haciendo uso de las teorías de sistemas complejos y la teoría de jerarquía de sistemas. Este enfoque que se denomina GEOBIA pretende realizar una clasificación con parámetros de relación espacial que agrupe patrones y formas detallados a una escala.

Según (Lizarazo Elsner, 2008) el análisis de imágenes basado en objetos está apoyado en los datos captados por sensores y produce resultados aptos para los SIG. Por tanto, puede considerarse como el puente entre el dominio ráster de las imágenes y el dominio predominantemente vectorial de los SIG, los clasificadores por objetos están diseñados para abordar la clasificación de paisajes heterogéneos y han mostrado su efectividad incrementando la precisión de las clasificaciones.

ESTADO DEL ARTE

Teniendo en cuenta la serie de criterios previamente mencionados es prudente hacer uso de herramientas que permitan generar una metodología adecuada para la creación de los productos esperados. El procesamiento orientado a objetos es una de las ramas del análisis espacial a partir de imágenes de sensores remotos por lo cual está en constante innovación, por este motivo se realiza la identificación de procesos, técnicas y metodologías empleadas en investigaciones similares con el objetivo de articular una propuesta vista desde múltiples reglas de decisión.

En la percepción remota ya sea desde plataformas satelitales o aéreas se puede obtener una enorme cantidad de información para la elaboración de mapas, monitoreo ambiental y gestión de desastres y riesgos naturales, por lo cual es preciso conocer el ámbito a manejar para utilizar un sensor apropiado ya que con ellos se le podrá dar un mejor manejo a los datos capturados. Teniendo claro el propósito del estudio es necesario implementar un método de procesamiento que ayude a tratar la información, para esto existen productos con características propias que sirven para estudios de alta precisión aunque estos generalmente están encaminados a la respuesta espectral y su nivel de radiancia con lo cual de algún modo se puede perder información ya que solo se estaría analizando la información física capturada por el sensor en la escena y no su comportamiento respecto a su forma o patrón que pudiese dar otro tipo de resultados; por lo mismo existe una brecha entre la información teóricamente

22

disponible en imágenes de sensores remotos y la información extraída y usada para apoyar la toma de decisiones (Ursula Benz, 2003), por lo cual haciendo uso de un enfoque basado en segmentos que describan un objeto y se le otorgue un peso o jerarquía puede darse un modelo robusto que ejemplifique mejor el resultado, teniendo en cuenta que las texturas y formas no tienen correlación lo que ayuda a una mejor discriminación de características en la imagen.

A lo largo de los últimos años ha aumentado el interés y la necesidad de disponer de una información de usos y coberturas del territorio fiable y actualizado, siendo numerosos los proyectos de carácter local, nacional e internacional cuyo objetivo es la creación y actualización de bases de datos de usos y ocupación del suelo. Los procedimientos metodológicos para llevar a cabo estas tareas requieren un alto grado de intervención humana, ya que están basados casi íntegramente en la fotointerpretación de imágenes o su comparación con otras imágenes u otra base de datos (Recio, 2009).

La clasificación digital de imágenes es el proceso por el que se asigna un píxel de una imagen multiespectral a una de las categorías de la leyenda, generalmente sobre la base de similitudes entre los valores numéricos que las definen (Chuvieco, 1996), de igual manera el análisis de las imágenes proporciona un producto temático que extrae las principales características o coberturas del terreno, definiéndolas en unas clases que corresponden subjetivamente al interprete teniendo en cuenta combinaciones de bandas y filtros que ayuden de algún manera a tener buena separabilidad entre coberturas; este proceso tiene factores importantes a tener en cuenta ya que la veracidad de la información capturada hará que el producto sea confiable o no, por ende el método de clasificación juega un papel importante ya que a partir de este la maquina relacionara los pixeles u agrupaciones de objetos que representen una similar respuesta a partir de las muestras o segmentos proporcionados con el fin de obtener una buena evaluación de los objetos capturados.

En la actualidad básicamente existen dos métodos principales de clasificación de imágenes los cuales tienen parámetros introducidos por el usuario y otros que dejan el trabajo iterativo al ordenar respecto a unas ordenes previamente establecidas, los cuales se conocen como métodos de clasificación supervisada y no supervisada; En los métodos supervisados, el usuario selecciona conjuntos de píxeles representativos de las distintas clases informacionales definidas en la leyenda. Mientras que en los métodos no supervisados, los algoritmos determinan las categorías resultantes de la clasificación mediante el análisis de los niveles digitales de todos los píxeles en la imagen a clasificar (Recio, 2009), sin embargo su evaluación también difiere ya que el usuario en el caso supervisado establece un uso o una clase respecto a un comportamiento espectral de los pixeles mientras que a partir de los algoritmos que procesa el ordenador este agrupa los pixeles en grupos homogéneos y es necesario interpretar esos resultados para asignarles una clase.

La clasificación supervisada y no supervisada permite explorar diferentes tipos de atributos o clases por medio del análisis estadístico multivariado, este proceso identifica los valores de cada píxel de una o varias bandas de una imagen raster, crea y evalúa las clases o clúster (firmas), finalmente reclasifica de acuerdo a las probabilidades de cada clase. Este

23

procedimiento es muy práctico para crear de forma automática un mapa de uso del suelo o de cobertura vegetal. Las clasificaciones no supervisadas son aquellas en las que el algoritmo clasificador no necesita de más información que la escena a clasificar y algunos parámetros que limiten el número de clases. Estos mecanismos de clasificación basan su efecto en la búsqueda de clases con suficiente separabilidad espectral como para conseguir diferenciar unos elementos de otros (Jaén, 2006).

La clasificación supervisada busca establecer un entrenamiento que determine áreas ya conocidas las cuales están sustentadas a subjetividad del intérprete, por lo tanto, a raíz de esto se generará un conjunto de zonas tanto como lo permita la imagen. Se denominan clases informacionales y buscan que las áreas de entrenamiento sean lo más homogéneas posibles (Universidad de Murcia, 2006). La clasificación multiespectral se basa en la premisa que los pixeles se pueden agrupar de acuerdo a las características espectrales que posean (LeDrew, 2005).

Los métodos clasificatorios también se rigen por otros criterios, existen clasificadores paramétricos o no paramétricos, clasificadores duros o blandos y clasificadores por píxel, sub-píxel o por parcela u objeto (Dengsheng Lu, 2007).

Teniendo en cuenta que la idea principal en la teledetección y en general el análisis de las imágenes es el aprovechamiento temático de estas por lo cual existen relaciones que ayudan al intérprete a extraer las características presentes, un ejemplo de esto es la premisa o analogía que menciona (Chuvieco, 1996) donde dice que la textura de la imagen procede de la relación entre el tamaño de los objetos y la resolución de la misma, además de estar influenciada por el ángulo de observación y la iluminación. Estos elementos son especialmente importantes en superficies rugosas ya que en coberturas vegetales muy densas la textura varía según la época de captura.

En los últimos años el análisis de imágenes a partir de objetos ha mostrado unas ventajas que sobresalen respecto a otras metodologías clasificatorias que basan su eficacia a la respuesta espectral de los pixeles y su concurrencia con las clases en que se agrupen, por ende (Castañeda, 2016) afirma cuatro prerrogativas de carácter principal:

− Las unidades de procesamiento son objetos geomorfométricos que están más relacionados al mundo real que los puntos geomorfométricos que fueron analizados tradicionalmente.

− Los objetos pueden ser creados en una estructura de multiescala lo que permite tener un concepto de orden subordinado a la complejidad del paisaje y la escala de estudio.

− El conocimiento sobre las formas del relieve en relación a morfométria y topología se pude incorporar en la clasificación.

− Los diferentes tipos de datos y formatos en capas diferentes.

Del mismo modo (Recio, 2009) menciona a criterio personal las fortalezas de este método:

− La división de una imagen en objetos es un proceso similar a la forma que las personas tenemos de organizar el paisaje para comprenderlo.

24

− La utilización de objetos como elementos mínimos en la clasificación permite reducir enormemente el coste computacional de la clasificación, al mismo tiempo que permite usar técnicas más complejas.

− Los objetos tienen propiedades (forma, textura, relaciones con otros objetos) de las que los píxeles carecen.

− Los objetos pueden integrarse más rápidamente en un SIG vectorial que los resultados de una clasificación por píxel.

Autores como (Castilla, 2006) y (Recio, 2009) relacionan esta técnica con los sistemas de información geográfico ya que al conformar clusters con patrones o morfología similar que asemeja vecinos cercanos con similar respuesta pictórico morfológica lo que lleva a una mayor descripción de la zona para su correcta clasificación. En esta disciplina se considera que la información necesaria para interpretar una imagen no está representada en los píxeles considerados individualmente, sino en objetos o polígonos de la imagen con un significado implícito y en sus relaciones mutuas. La característica más valiosa de la clasificación de imágenes orientada a objetos es la posibilidad de obtener un gran número de características descriptivas de los objetos y de las relaciones existentes entre los mismos.

Para llegar a tener una buena clasificación ya sea de forma tradicional o implementando objetos es importante tener un mejoramiento de la imagen en cuanto a su contraste además de analizar el histograma que parte de la varianza que presenta cada pixel en un cañón o banda que conforma una imagen RGB o multiespectral, para el autor (Garcia, 2008) el histograma de una imagen es una función que representa el número de píxeles existentes para cada valor de nivel de gris. Para una imagen con 256 niveles de gris posibles, la abscisa del histograma varía entre 0 y 255, además de aplicar un filtro adaptativo que suavice los rasgos de la imagen esta podrá tener un mejor tono visual para su análisis y posterior segmentación.

Así mismo el autor hace mención en la captura de datos para realizar la segmentación ya que dependiendo del método a usar esta tendrá mayor o menor valores estadísticos que afecten la muestra, (Garcia, 2008) también señala que la segmentación puede ser orientada en regiones (área de la imagen en la que sus píxeles poseen propiedades similares de intensidad o de color) o a bordes (líneas que separan dos regiones). Tanto la detección de regiones como la de bordes implican una manipulación de la imagen original, donde los valores de los píxeles originales son modificados mediante ciertas operaciones de transformación u operadores.

Por otro lado (Benjamin Baker, 2013) habla sobre el beneficio que trae implementar métodos GEOBIA en clasificaciones de imágenes de alta resolución frente a los métodos convencionales de pixeles, aunque si se habla de imágenes satelitales ya que en el caso de fotografías varia un poco de acuerdo al sensor de captura ya que los niveles digitales tienen diferente comportamiento así como la utilización de diferentes combinaciones que permitan adaptarse a la zona de estudio; con esto también se logrará llegar a transformaciones y el uso de índices que muestren visualmente una mayor discriminación de coberturas y con ello una mejor interpretación por parte del usuario.

25

Al ser un estudio en la parte rural y de acuerdo a la zona que se aprecia en la imagen se evidencia un mayor volumen de biomasa vegetal lo que autores como (Minho Kim, 2009) hablan sobre cómo medir la textura de los bosques a partir de imágenes con alta resolución Ikonos así como los parámetros a tener en cuenta para que se pueda obtener una buena segmentación. Para reafirmar estos conceptos aparece (Gang Chen, 2012) con su postulado acerca de los paradigmas de clasificación GEOBIA dando de nuevo un concepto de técnica eficiente para el análisis de imágenes además de nuevamente asociando este entorno a estimar el alto de un dosel si hablamos de vegetación boscosa por lo cual si el trabajo se centra en la extracción de cercas que en su mayoría para la zona de trabajo son vivas ósea tiene dentro de su composición especies vegetales esta técnica ira muy bien de la mano de una buena segmentación y análisis del usuario.

Capitulo II

Análisis multitemporal

En el ámbito del análisis de imágenes existen bastantes métodos que permiten extraer la mayor cantidad de información de una zona de estudio, en este caso al contar con imágenes de la misma zona en diferentes temporalidades permite realizar una serie de tiempo con el fin de medir los cambios sufridos en las diferentes coberturas presentes en el área de estudio. Estos cambios tienen diferentes impactos a nivel ambiental y social ya que generalmente se reflejan en perdida de especies vegetales y aumento de tejido urbano, estos efectos pueden no marcarse en temporalidades muy próximas pero si tenemos un análisis en temporalidades grandes se permite observar cambios importantes como se ha reflejado en estudios de deshielo en los nevados o deforestación del tejido boscoso en diferentes zonas del país, siendo problemáticas bastante fuertes para el ecosistema y en general medio ambiente.

Cuando se realizan estudios que involucren dinámicas en el uso del suelo, así como su cobertura, la cartografía temática multitemporal permite detectar cambios entre diferentes fechas de referencia, deduciendo la evolución del medio natural o las repercusiones de la acción humana sobre el medio. Con lo cual este tipo de estudio temporal juega un papel importante tanto en el conjunto de espacio geográfico como cualquier ciencia que relacione estudios terrestres (V. Ruiz, 2013). Sin embargo, existen aspectos que resaltan las características del terreno en cuanto a estadísticas ofrecidas por la imagen y en general por la clasificación hecha previamente ya que con ello se logra identificar patrones de cambio espaciotemporales que permitan asociar problemáticas tanto de cambios climáticos o sociales en medios naturales o geográficos siendo un primer paso para reorientar el manejo de programas y la restauración de ecosistemas degradados por intervenciones antrópicas.

26

Cuando se evalúan los cambios surgidos a través de clasificaciones tradicionales (por pixeles) existe la posibilidad de presentarse errores o problemas en el método implementado, es decir falta de análisis en sus diferentes coberturas, con ello se trata de explicar que a pesar que se cuente con una recubrimiento igual en la zona con diferentes épocas existen limitantes que puedan producir cambios en las fotografías o imágenes ya sea por la varianza espectral de las diferentes coberturas o por la época de toma, o simplemente por errores de usuario al momento de clasificar (exceso o defecto), teniendo en cuenta que el principio básico o esencial de este análisis multitemporal es la superposición de dos o más cartografías con un área en común los cuales son elaborados de manera independiente por lo que se debe contar con un pequeño porcentaje de incertidumbre que afecte de manera directa los resultados obtenidos por lo antes mencionado.

Área de estudio

El proyecto que se desarrolló está ubicado en el municipio de Agua de Dios en el departamento de Cundinamarca situado en la provincia del alto Magdalena, con una extensión superficial de 84 km2, Agua de Dios cuenta como más de un siglo de tradiciones y costumbres propias de la región; su nombre se debe a las majestuosas aguas que lo rodean provenientes de las montañas y con propiedades minerales que se conocieron como agua de dioses, se consolida gracias a la segregación de territorio por parte de municipios vecinos como Tocaima, Nilo y Ricaurte los cuales son sus límites geográficos; de igual manera su economía es débil respecto a sus vecinos ya que no posee industrias ni comercios constituidos (Alcaldia de Agua de Dios, 2017). Para el presente estudio solo se tomó la parte rural del municipio como eje piloto para establecer la metodología la cual tiene alrededor de 82 km2 con una altitud promedio de 400 msnm, para detallar mejor la ubicación y como está constituido se ilustra a continuación:

27

Ilustración 5: Localización general del área de estudio, fuente elaboración propia

Clasificación de imágenes

En esta etapa se realizó una selección de características presentes en el área de estudio con cada una de las coberturas interpretadas por el usuario, a fin de identificar los pixeles que representarían esta cobertura y su valor espectral, este tipo de clasificación es donde se indica a priori cuáles serán las clases temáticas que abarca la zona de estudio. Para el caso de la clasificación supervisada se busca establecer un entrenamiento que determine áreas ya conocidas las cuales están sustentadas a subjetividad del intérprete, por lo tanto, a raíz de esto se generará un conjunto de zonas tanto como lo permita la imagen. Se denominan clases informacionales y buscan que las áreas de entrenamiento sean lo más homogéneas posibles (Universidad de Murcia, 2006).

28

La clasificación multiespectral se basa en la premisa que los pixeles se pueden agrupar de acuerdo a las características espectrales que posean (LeDrew, 2005). Para la asignación de pixeles hay métodos paramétricos y no paramétricos los cuales pueden así mismo tener sustento estadístico o no, entre ellos están el método de mínima distancia y paralelepípedo los cuales pueden generar perdida de información o mezcla de la misma dependiendo la precisión de la muestra; para ello se seleccionaron unos pixeles de entrenamiento (puros) los cuales se validaron estadísticamente con el fin de tener una desviación estándar baja para que al momento de aplicar el algoritmo este clasifique de la mejor manera los pixeles con respuestas espectrales iguales o similares al de entrenamiento, esta técnica que también se denomina segmentación, autores como (Frank Giraldo, 2011) lo denominan como crecimiento de regiones y es básicamente basado en criterios de similitud de puntos; para cada región que se desea segmentar, el crecimiento se inicia a partir de uno o más puntos iniciales, conocidos como germen o semilla. A partir de estos, la región progresivamente va creciendo, al agregar aquellos vecinos sucesivos que satisfacen el criterio de aceptación prefijado.

El crecimiento de esta región termina cuando no hay elementos que cumplan tal condición. Al finalizar el proceso, se tiene un conjunto de regiones que engloban un conjunto de puntos que la definen. Seguido a esto se eligió un algoritmo en este caso se implementó un método estadístico como el de máxima probabilidad con clase nula el cual a partir de un buen muestreo o semilleo agrupa los pixeles formando conjuntos con respuestas similares, “una buena comprensión de la relación entre los datos espectrales y las características en la superficie ayudado de una buena elección estadística discrimina de manera adecuada los datos para generar una buena clasificación” (LeDrew, 2005). La precisión de una clasificación se obtiene al calcular el número total de tipos de coberturas (suma de las celdas de la diagonal de la matriz de confusión) dividido por el total de ejemplos de prueba (número total de elementos en las celdas de la matriz de confusión). A través de ésta se puede evaluar el porcentaje de precisión de una clase con respecto a una determinada prueba (Facultad de Agronomía, 2005).

29

Ilustración 6: Clasificación por pixeles, año 2009. Fuente, elaboración propia

Ilustración 7: Clasificación por pixeles, año 2017. Fuente, elaboración propia

30

Tabla 1: Análisis de la variación multitemporal en las coberturas

Análisis estadístico del recorte en común

Está claro que a través del tiempo las coberturas que componen la capa terrestre sufren distintos cambios por diferentes factores por ende la finalidad de una interpretación multitemporal es visualizar y cuantificar los cambios existentes entre un periodo de tiempo, de esta forma observar si existe un patrón en estos cambios o son sujetos a la aleatoriedad. Sin embargo, el análisis multitemporal es una herramienta bastante poderosa para poder extraer estadísticas y datos sobre la dinámica en las coberturas vegetales ya que con esto se puede determinar causas y efectos de deforestación además de cambios en la producción de los suelos causados quizás por la aridez del mismo. De igual forma también se logra determinar qué tipo de agentes intervienen en este proceso ya que algunas veces la explotación exagerada de recursos como la madera hace que se pierdan al año cientos de hectáreas de bosque lo que conlleva a problemas drásticos en el medio ambiente y hábitat de fauna nativa.

La detección de cambios se define como ''el proceso de identificación de las diferencias en el estado de un objeto o fenómeno mediante la observación en diferentes momentos''. La detección de cambios utiliza datos multitemporales para establecer y analizar cualitativamente los efectos temporales de los fenómenos y cuantificar los cambios (Espejo, 2016). Para este caso se presentan cambios en cuanto a todas las coberturas, sin embargo el cambio más notorio se presenta en la cobertura de cultivos con cerca de 388000 hectáreas menos lo cual puede influir tanto en la economía de la región como en el desgaste de los suelos, aunque también es necesario mencionar que no todos los cultivos son permanentes y debido a la época del año cuando se captura la imagen puede ser que se presente una época

31

de sequía o ya se haya presentado la recolección de los mismo por lo cual se encuentran áreas de suelos en preparación en la imagen del año 2017.

Otro aspecto importante de resaltar es el aumento de la población en esta zona, ya que esto influye directamente con cambios entre coberturas vegetales lo cual también supone un cambio de destinación agrícola por ganadera ya que también se ve el cambio de la clase pastos con un aumento de casi cuatro veces su extensión a lo que era en el 2009; de la misma manera también existe un aumento de la cobertura suelo lo que puede suponer que la vegetación sufre una degradación quizá provocado por el ganado u otros agentes que se deben analizar ya en terreno. Por último, se evidencia un cambio en el nivel del rio y en general los cuerpos de agua quizá debido a la época del año.

Finalmente la realización de un análisis multitemporal parte de una superposición de mapas con un área en común lo cual para el presente estudio se realiza partiendo de una incertidumbre en el área que comparten ya que la imagen 2009 es de mayor extensión que la 2017 y no comparten en su totalidad toda el área, así como la resolución y la fecha de captura pueda afectar también el análisis de los datos ya que también el estado de la vegetación está sujeta a la época del año, un claro ejemplo está en la temporada invernal donde la vegetación concentra un alto grado de humedad y su respuesta espectral difiere a otra que se encuentre en época de verano donde su nivel de coloración estará más brillante para el sensor

CAPITULO III

METODOLOGÍA BASADA EN OBJETOS

En la interpretación de imágenes ha sido de uso común la interpretación basada en pixeles, desde los inicios del estudio de las imágenes derivadas de procesos tecnológicos son almacenadas de manera digital como cuadriculas organizadas de valores que pueden ser desplegadas en monitores de computadores; desde este momento se adoptó el termino pixel derivado del inglés picture element que se define como la unidad más pequeña en la que se compone una imagen y que se discrimina por su color y brillo (Castañeda, 2016).

Como alternativa dejando de lado el paradigma tradicional se propone trabajar en un entorno GEOBIA definido mediante objetos geográficos, teniendo en cuenta que es una técnica relativamente nueva aún existen cosas por explorar; aunque GEOBIA integra técnicas de mapeo que han demostrado ser útiles para lograr mayores niveles de exactitud temática, aún se aplican técnicas tradicionales de muestreo a nivel de píxeles, tanto para el entrenamiento de los algoritmos de clasificación, análisis de series de tiempo, clasificación y detección de cambios en los procesos de evaluación de la exactitud. Por ello se deben realizar un conjunto

32

de pruebas, implementaciones y desarrollos para la ejecución completa de la metodología propuesta (Espejo, 2016).

El análisis de imágenes basado en objetos demuestra gran eficacia a la hora de proporcionar información para la interpretación de datos geográficos al suministrar herramientas que emulan la percepción humana en cuanto a su espacio, con ello se puede decir que al entrenar la maquina con objetos significativos ella podrá asociarlos al igual que nosotros con las formas reales, Sin embargo, persisten los desafíos en la evolución de este nuevo paradigma a medida que los métodos sofisticados intentan cumplir con el objetivo de la geointeligencia automatizada (es decir, el contenido geoespacial dentro del contexto) a partir de fuentes geoespaciales (Gang Chen, 2012).

Esta técnica se enfoca en encontrar un objeto (relación muchos a uno – píxeles a objeto y no por píxel como se realiza en la clasificación ―per-pixelǁ) utilizando las formas geométricas, la información espectral y el análisis de vecindad definidos para un objeto en particular. El objeto es referido a la cobertura que se desea extraer de una clasificación (Vasquez, 2011). Este tipo de clasificación también difiere de la técnica tradicional en cuanto a la relación de captura ya que no se ciñe solo al nivel digital que posee el pixel sino que también introduce otras características que ayudan a mejorar la captura de la clase, es decir al entrenar la maquina con un muestreo regular de la cobertura también implícitamente está comprende el patrón o forma que tiene esta clase y la asociara con los demás conjuntos de pixeles que cumplan esta característica, en el proceso de la determinación de los objetos, la escala determina la presencia o ausencia de las clases, de tal manera que el tamaño del mismo afectaría el tamaño de la clasificación (Vasquez, 2011) con esto el autor afirma que a mayor escala menor número de objetos lo cual desencadena el propósito del proyecto ya que al determinar el objeto este podrá tener los mismos criterios de selección o no de acuerdo a la escala empleada por el usuario. Esto en base a la definición de un objeto el cual se crea a partir de un conjunto de pixeles que reúnen las características ingresadas por el usuario en cuanto a forma, compactación, escala y tono.

Puede decirse finalmente que GEOBIA hace parte de un conjunto de nuevas técnicas tanto para analizar como para capturar información geográfica en pro al desarrollo de las ciencias de la tierra, teniendo en cuenta que esta sigue un estilo clásico, en el siguiente diagrama de flujo donde el pre-procesamiento viene en primera instancia y es donde se generan las regiones homogéneas en las imágenes, así mismo la segmentación en donde se agrupan estos segmentos y crean objetos geográficos y los deja listos para la clasificación, en este los segmentos toman una característica de objeto por el análisis y se le hace la asignación de una clase (Minho Kim, 2009).

33

Ilustración 8: Procedimiento GEOBIA, fuente (Minho Kim, 2009)

Materiales

Para llevar a cabo la ejecución del proyecto es necesario contar además de los insumos el software adecuado para su procesamiento y desarrollo, así mismo de acuerdo al tamaño de las imágenes que está ligado a la resolución, esta ocupa un espacio determinado tanto en disco como en memoria lo que hace prolongados o rápidos los procesos en la computadora; para este caso se obtuvieron un par de fotografías en distintas temporalidades que cuentan con un alto grado de resolución por lo cual es necesario dividir las imágenes para optimizar los procesos a realizar en el software.

ArcGis v 10.2

Este tipo de software permite el uso y gestión de datos geoespaciales para su análisis y procesamiento enfocado a los sistemas de información geográfica y la cartografía en general por ende se realizaron comparaciones entre las distintas coberturas encontradas en terreno con el fin de analizar mediante herramientas estadísticas y algebraicas los cambios sufridos así como su posterior representación cartográfica.

Erdas Imagine

Esta herramienta principalmente enfocada al uso de imágenes de diferentes fuentes es de gran utilidad para analizar y determinar información proveniente del terreno capturado, de igual

34

forma a través de sus módulos y características presentes se logra realizar composiciones, mejoramientos, transformaciones y aplicaciones de índices que optimicen sustancialmente el producto a analizar con el fin de obtener un buen resultado con mayor grado de extracción de la información obtenida en las fuentes analizadas. Para este caso esta herramienta ayudo a realizar el primer bosquejo de coberturas presentes en la zona, así como su distribución y separabilidad espectral.

PCI Geomatics

En cuanto a esta herramienta de información se destaca su útil funcionamiento en las imágenes y sus diferentes módulos, su interfaz es interactiva y amigable con los procesos y su asistencia, además de ello facilita el proceso en las ejecuciones y procesos por consiguiente fue el software base para realizar la clasificación tradicional con una capacidad de edición bastante robusta al permitir entender lenguaje detallado que ejecute procesos siguiendo reglas básicas de sintaxis y semántica propio de un algoritmo de programación.

eCognitions

Este instrumento informático es la base del proyecto desarrollado ya que el software permite ejecutar y analizar instrucciones enfocadas en procesos que involucren creación de objetos a partir de muestras de entrenamiento y parámetros definidos por el usuario, por ende a partir de la interpretación del objeto “cercas” se determinaron las medidas a utilizar para la extracción de la manera más precisa la detección y clasificación de las aerofotografías. Así mismo el análisis de los elementos fotográficos es muy ágil por lo que el procesamiento no se torna engorroso sino dinámico con el usuario.

Segmentación.

La segmentación de imágenes permite dividir una fotografía para aislar segmentos, regiones u objetos individuales, que son homogéneos con respecto a algún rasgo; de tal forma que se puedan extraer características o identificar y clasificar los objetos presentes en la imagen. Estos datos pueden ser útiles para cuantificar regiones, tomar medidas sobre los objetos, discriminar automáticamente los elementos presentes, definir bordes y formas, diferenciar tonalidades, etc. Con base en ello, se han desarrollado aplicaciones, por ejemplo en imágenes de cultivos en agricultura (Frank Giraldo, 2011).

Básicamente (Vasquez, 2011) menciona la segmentación como una sectorización que radica en seccionar la imagen, en agrupaciones de píxeles adyacentes, con características pictórico morfológicas, equivalentes al proceso realizado por el ojo humano. Los criterios generales en los cuales se basan la mayoría de técnicas para la segmentación de imágenes son:

35

� Similitud: Cada uno de los pixeles de un elemento tiene valores parecidos con respecto a alguna propiedad determinada.

� Discontinuidad: Los objetos y más concretamente las regiones que los diferencian destacan del entorno y tienen por tanto bordes bien definidos.

� Conectividad: Los pixeles pertenecientes al mismo objeto o región tienen que ser contiguos, es decir, tienden a agruparse constituyendo regiones homogéneas.

Ilustración 9: Agrupación de los métodos de segmentación según la técnica usada, fuente: (Castañeda, 2016)

A diferencia de la clasificación convencional por pixel en la segmentación por objeto se busca eliminar el ruido atribuyéndoles más características a las regiones encerradas, para la ejecución de la misma es necesario la utilización de algoritmos que realizan subdivisiones de la imagen al nivel del pixel, los cuales también presentan objetos en la imagen entre los cuales encontramos algoritmos como tablero de ajedrez y la segmentación por arboles cuadrángulos además de otros de mayor complejidad como multiresolución y contraste de filtros (Jorge Herrera, 2017), en comparación con la teledetección con baja resolución las imágenes de alta resolución son capaces de obtener mejores características para su captura de información, aunque así mismo se presentan nuevos retos no contemplados anteriormente como la variabilidad espectral ocasionada por sombras (Gang Chen, 2012).

El paso de la segmentación es de vital importancia ya que de este depende el éxito de la clasificación según la identificación del objeto de interés con la realidad, así como los

36

atributos seleccionados ya que estos mejoran la captura del objeto debido a sus características intrínsecas. Del mismo modo estos atributos se diferencias en cuatro grupos (espaciales, espectrales, texturales y diferenciales), los espaciales están ligados a la forma, tamaño y geometría propia del objeto. Los espectrales básicamente se componen de características matemáticas o estadísticas relacionadas con la desviación estándar y sus pares.

Los texturales corresponden a las variables que cuantifican estadísticas básicas que determinan la textura propia del elemento seleccionado es decir media, varianza rango y entropía que conforman la matriz del conjunto de pixeles que forman el objeto, si se ejemplifica esté puede ser el herbazal y el bosque ambos poseen características similares pero la textura del tejido boscoso abarca un área mayor por lo cual el objeto será de magnitud extensa y el herbazal o arbusto será de menor tamaño. Por último el atributo relacional como su nombre lo indica relaciona las bandas que componen la imagen con el fin de aprovechar al máximo la información contenida en la fotografía; una vez definidos los atributos para encontrar un objeto determinado, se pasa a la segunda fase, la extracción del o los objetos a estudiar, donde el sistema computa y ejecuta de acuerdo al conjunto de variables, que se convierten en limites o restricciones, denominados reglas de decisión (Vasquez, 2011).

Es importante elegir correctamente el algoritmo a utilizar en la segmentación ya que a partir de este y los parámetros definidos se creará el objeto para este caso debido a la alta resolución de la imagen suministrada se tomaron tres niveles de escala con el fin de ver la variabilidad de los objetos en la captura de cercas ya que este es la base de la metodología.

Ilustración 10: Parámetros para la segmentación

37

En el anterior cuadro podemos observar cada uno de los parámetros que contiene el proceso de segmentación, donde se ilustran características en cuanto a escala, compactación y forma que hacen referencia al manejo de las propiedades que se van a utilizar en el proceso, en el caso de la escala al tamaño de los objetos representados, como se dijo anteriormente en tres categorías de chequeo (50, 100 y 200) con el fin de encontrar una escala acorde para discriminar de la mejor manera posible el objeto cerca cuya característica es alargada y delgada con una continuidad regular; la forma que tiene el objeto toma parámetro 0.1 y su razón de ser radica en la relación de criterios de color y forma ya que la alteración de esta variable cuando presenta una cuantía numérica de 1, disminuye el porcentaje de valores espectrales de las capas de imagen que contribuyen al criterio de homogeneidad.

Esto se pondera con el porcentaje de la semejanza de forma. Si se otorga un cambio del peso por el criterio de la forma a un valor numérico de 1, esto dará lugar a los objetos más optimizados para homogeneidad espacial. Sin embargo, el criterio de la forma no puede tener un valor numérico mayor de 0,9, debido a que sin la información espectral de la imagen, los objetos resultantes no estarían relacionados con la información espectral, además de la información espectral, la homogeneidad objeto se está optimizando con respecto a la forma del objeto definido por el parámetro de la compacidad o compactación (William Barragán Zaque, 2015).

El valor de la compactación (0.5) dictamina la optimización final de los objetos resultantes así como la densidad de estos ligada por supuesto a la escala y su contraste espectral definido en las muestras de entrenamiento, estos valores serán la clave de la conformación del objeto siguiendo un algoritmo de segmentación por multiresolución3.

En cuanto al dominio de la segmentación se utiliza el nivel de pixel para que la maquina asocie los valores en cuanto a respuesta espectral de los mismos, así mismo el proceso maneja una ponderación o pesos que se le pueden asignar tanto a las bandas como a los parámetros con el fin de darle mayor preponderancia a los aspectos que el usuario quiera resaltar por lo tanto es prudente que se sobrescriba si ya existe un nivel creado para este caso en las herramientas de nivel se inicia un nuevo nivel, posterior a ello se define los pesos que tendrá cada canal con el fin de resaltar las características de la cobertura en los distintos rangos del espectro visible. Después de asignar los parámetros el software los computa y genera los objetos con el fin de identificar las muestras de la siguiente manera:

3 Este algoritmo es eficiente cada vez que se desee crear nuevos objetos de imagen basados en información de las capas de la imagen original. Adicionalmente, son una herramienta muy valiosa para reinar objetos de imagen existente, mediante la subdivisión en fracciones más pequeñas para un análisis minucioso. El algoritmo de segmentación por multi-resolución minimiza la heterogeneidad media de los objetos presentes en una imagen, teniendo en cuenta una determinada resolución. Se puede ejecutar a nivel objeto o nivel de píxel, para la creación de nuevos objetos de imagen en un área de interés específica, de igual forma fusiona consecutivamente píxeles o la imagen objeto existente. Por tanto, es un algoritmo denominado "de abajo hacia arriba", pues refleja una segmentación basada en una región por parejas (William Barragán Zaque, 2015).

38

Ilustración 11: Objetos a escala 50


39


Las imágenes anteriores ilustran la creación de objetos a partir de unos parámetros los cuales generan una agrupación de pixeles que denominaremos objeto geográfico. Para el caso de estudio de la presente investigación que tiene como propósito centrarse en la correcta identificación y extracción de cobertura vegetal arbustiva, para el interés de este estudio hablamos de las cercas vivas las cuales hacen parte del paisaje natural como elemento generador de biomasa vegetal y se identifican como surco o línea de plantas empleadas para sostener alambres, cumplen la función de delimitar los linderos de los predios rurales o urbanos siendo su principal función restringir el acceso tanto de animales y personas a un determinado sector, cuya diferencia radica en la intervención humana para su formación dentro de un ámbito rural; lo que indica un excelente insumo para la correcta identificación predial, transcendental fenómeno de estudio en la metodología GEOBIA. La definición de un objeto que represente una cerca presenta las siguientes características:

• Muestra forma alargada y no muy ancha.

• Las cercas vivas se establecen por medio de la plantación de estacas grandes (generalmente de 2.5 m de largo y entre 8 y 20 cm de diámetro), que enraízan fácilmente y sobre las cuales se atan varios hilos (generalmente 3) de alambre de púas (Mendieta, 2014).

• Se encuentra rodeado de objetos grandes que representan pastos por ende no presenta mayores agrupaciones de objetos pequeños debido a su naturaleza.

40

• Estos sistemas proporcionan un hábitat favorable para animales silvestres que pueden ser plagas de los cultivos, aunque también pueden favorecer a animales útiles como las aves que participan en el control de plagas (Mendieta, 2014).

• En las cercas vivas se utilizan numerosas especies de flora que de acuerdo con las condiciones climáticas y culturales pueden generar un mejor uso dentro del terreno.

• Generalmente su vida útil es prolongada lo cual tiene una importante relación costo beneficio (Mendieta, 2014).

• Su estructura es regular y continua la cual se ejemplifica de la siguiente manera para un tipo de vegetación Swinglia:

Ilustración 14: Representación de cerca viva, Fuente, Lompravial.

Siguiendo el orden metodológico anteriormente descrito a partir de la imagen más reciente de la zona de estudio se logra obtener para una escala de 50 un total de 229000 objetos, para una escala de 100 un total de 55841 objetos y para una escala de 200 un total de 14063, esto indica que a mayor escala mayor número de objetos y por ende mayor tiempo de procesamiento, esto también influye en la agrupación de características que compone el objeto según la caracterización o parámetros descritos en el algoritmo de proceso de edición por lo cual puede tener una relación directamente proporcional el número de objetos con el nivel de detalle que se necesite capturar.

Para la correcta extracción de las cercas teniendo en cuenta que hace parte de la cobertura vegetal se decidió trabajar a partir de una escala pequeña para establecer un nivel detallado de la información a capturar, para la presente propuesta metodológica se trabajó con una escala de 50 que para este caso definía muy bien los objetos a identificar, además se logra tener un control y seguimiento del comportamiento del objeto “cerca” viéndolo desde la parte espacial y temática, así mismo la delimitación de este mismo está sujeta al análisis basado en

41

la relación del objeto con la forma y su entorno ya que puede notarse la presencia de herbazal denso y pastos limpios en la zona donde se encuentran la cobertura.

De igual manera siguiendo la ruta de trabajo al emplear un correcto proceso de muestreo en las coberturas presentes de la zona y detallar de la mejor manera las cercas se logrará obtener un producto de alta precisión que referencie muy bien las cercas y la discrimine de las otras coberturas, la asignación del objeto segmentado como un objeto de muestra de entrenamiento para los algoritmos de aprendizaje de maquina a emplearse consiste en una relación topológica de contenencia (Espejo, 2016) por lo cual se identifica de la siguiente manera:

Ilustración 15: Proceso de creación de los objetos de muestreo a partir de la relación topológica del objeto y el punto de muestreo, Fuente (Espejo, 2016).

La realización de este proceso da como resultado un número de muestras estratificadas que equivalen a la cobertura tomada como muestra de entrenamiento equivalente en cualquier zona de la imagen teniendo en cuenta que el muestreo se centra básicamente en la caracterización de las cercas.

42

Ilustración 16: Muestreo de clases temáticas. Preparación para la clasificación temática.

Para mejorar la muestra el programa tiene una función de optimización de las clases creadas, para este caso se necesita tener mayor efectividad en la captura de cercas por lo cual se optimizan los arbustales y la vegetación con el fin de lograr una buena discriminación entre esas dos coberturas.

Ilustración 17: Optimización de muestras seleccionadas

43

Ilustración 18: Matriz de separación entre muestras seleccionadas

Ilustración 19: Matriz de separación de todas las coberturas

A partir de los 229500 objetos de la muestra, se calcula la matriz de separabilidad la cual hace uso de la maximización en la separabilidad euclidiana de todas las muestras ingresadas para determinar en cada caso posible la mayor diferenciación entre dichas clases. Los resultados mostraron que como atributos (dimensiones del espacio de características) para lograr una máxima separabilidad entre las clases.

44

Ilustración 20: Separabilidad estadística de los datos de las muestras.

Es importante en la rama del análisis de imágenes poder obtener una excelente discriminación de las coberturas u objetos a clasificar por lo cual una eficaz optimización del espacio característico permite resaltar rasgos propios de las coberturas, por ende a partir de los valores estadísticos de los objetos y muestras obtenidas permite extender con mayor grado la separabilidad entre las clases ya que al ser una fotografía aérea no cuenta con las características de bandas que permitan realizar de manera eficiente una discriminación con rangos de variación propicios para un estudio a gran escala; al contar solo con las bandas del espectro visible las cuales no tienen longitudes de onda grandes la discriminación y la variación entre coberturas no es la mejor, esto teniendo en cuenta que la fotografía tiene una alta resolución no afirma tener un mayor rango de clasificación entre las coberturas ya que el rango espectral varia de forma muy pequeña, lo que dificulta al programa la ejecución y captura de las coberturas a partir de las muestras de entrenamiento seleccionadas por el usuario ya que se mezclan ciertas coberturas con respuestas muy similares.

A partir de ello se resaltan las características importantes y los propósitos que tienen las bandas del espectro visible en el ámbito de teledetección, teniendo como punto de partida que no se logra contar con un índice de factor optimo – OIF, cuyo propósito es seleccionar la mejor combinación de tres o más bandas en una imagen según un valor estadístico de acuerdo a la correlación de la información de cada una de sus bandas, esto realmente sesga las bandas que concentran un mayor grado de información y separabilidad espectral lo cual radica en altos niveles de covarianza y menor duplicidad de la información que minimiza la correlación entre las bandas que componen la imagen. El mayor valor del OIF corresponde a la mejor combinación de bandas que tengan una menor correlación y niveles altos de

45

desviación estándar para cada banda, indicando la mayor posibilidad de discriminación de las coberturas estudiadas (Martinez, 2017).

Al hablar de un OIF en las bandas del RGB color natural se espera la menor concentración de información debido a que las bandas espectrales están altamente correlacionadas entre sí, por tal motivo la separación espectral entre dichas bandas es mínima lo que dificulta las operaciones de interpretación y procesamiento temático de las mismas, haciendo que su elección sea una de las menos utilizadas en el ámbito mencionado. Para el caso de las imágenes insumo es necesario ante la falta de la información espectral, sin embargo los resultados serían mucho más exactos si se contara con la inclusión de una banda en la longitud de onda del infrarrojo.

Así mismo es importante tener en cuenta las características de las bandas inmersas en la imagen ya que a partir de sus propiedades de captura se puede recibir menor o mayor nivel de información con lo cual a partir de esto las combinaciones realizadas en el software de procesamiento permitirá al interprete contar con mayor número de herramientas para el análisis y posterior clasificación.

Ilustración 21: Espacio característico de las coberturas clasificadas

La imagen anterior muestra el espacio característico donde están inmersas las coberturas a clasificar y los canales que extraen la información, al ser el rango de trabajo el espectro

46

visible la transición entre las distintas tonalidades así como las coberturas pueden presentar mezclas entre ellas debido a su naturaleza, así mismo ocurre también casos donde se generen errores por comisión además de correlación entre estas, con lo cual se logra observar en la ilustración 20 una correlación bastante grande que puede ser por varias razones, algunas de ellas radican en la naturaleza de la imagen y la falta de bandas para poder lograr una separabilidad exitosa usando espectros infrarrojos, trasformaciones o índices que faciliten al interprete y al software resaltar y analizar las coberturas presentes en la imagen. De igual manera se presentan a continuación las posibles coberturas que puedan llegar a presentar semejanzas espectrales y por ende una correlación alta entre sus canales.

Ilustración 22: espacio característico de las coberturas herbazal y pastos

Está claro que las coberturas que comparten la misma naturaleza tienen varias características en común lo que puede llegar a ser bastante difícil a la hora de maximizar la discriminación entre ellas, por tal razón es necesario tener un buen control tanto de las muestras como de los canales que intervienen en la clasificación, para este caso solo se cuenta con las bandas clásicas de RGB donde la vegetación tiene mayor respuesta en la banda dos; la correlación pudiese presentarse por factores de alta carga de humedad, edad de la vegetación o su altura ya que algunos tipos de pastos según la leyenda corine land cover adaptada a Colombia considera también coberturas constituidas por vegetación natural de porte bajo, con un dosel irregular en donde predominan los elementos arbustivos, pero que puede presentar elementos arbóreos dispersos. Esta vegetación puede ser producto de las condiciones naturales o de la

47

acción antrópica. Un arbusto es una planta perenne, con una altura entre 0.5 y 5 m y sin una copa definida (IDEAM, 2008) por lo tanto un pasto arbolado puede también estar constituido por herbazales de poca altura o malezas lo cual al estar con una resolución tan alta no alcanza a discriminarse y se crean una correlación que entre ellas.

Ilustración 23: espacio característico de las coberturas herbazal y río

Esta correlación está ligada básicamente con la sombra que general la vegetación que presuntamente es mayor a dos metros, esto ya que el agua es un tipo de cobertura absortiva lo cual indica que las áreas obscuras de la imagen serán asociadas a ella por los valores de reflectancia tan bajos.

Características de las bandas

Para el presente trabajo se contó con una fotografía aérea de alta resolución la cual está compuesta por tres bandas RGB de color natural y con rangos espectrales de baja tolerancia, esto dada la situación puede llegar a ser un tras pie para la implementación de parámetros y herramientas que faciliten la extracción del objeto de estudio, por ende se mencionan algunas propiedades de las bandas implementadas en el desarrollo del proyecto.

48

Banda 1:

Su frecuencia está en el rango de 0.45 a 0.52 micrones y corresponde al azul, útil para detección de cuerpos de agua, mapeo de costas, contraste entre suelo y vegetación de características foliadas con alto grado de retención de agua (Luis Pantaleone, 2017).

Banda 2:

Su frecuencia varia en el rango de 0.52 a 0.60 micrones y corresponde al verde, útil para evaluar la “salud” de la vegetación, a través de sus valores de reflectancia (o radiancia) verde. También es útil para diferenciar tipos de rocas (Luis Pantaleone, 2017).

Banda 3:

Su frecuencia está en el rango de 0.63 a 0.68 micrones, banda de absorción de clorofila apta para la clasificación de la cubierta vegetal. También sirve en la diferenciación de las distintas rocas y las diferentes pendientes presentes en la vegetación (USGS, 2017).

A partir de las características mencionadas se puede inferir tanto teóricamente como visualmente que los canales con mayor absorción y recopilación de información son los “layer” dos y tres correspondientes a los espectros del verde y rojo, debido a su comportamiento o representación espectral, el rango visual del color natural en composición 321 logra identificar los siguientes objetos que componen la clasificación con su respectivo valor estadístico el cual será importante para la exactitud y veracidad de la clasificación.

Variación de rangos por cada objeto en los distintos canales de la imagen

Teniendo en cuenta lo anterior se puede cruzar la información de las bandas con el fin de obtener un patrón característico de las muestras en cuanto a sus propiedades estadísticas que para este caso es un valor medio de los niveles digitales capturados por el sensor y representados en una cobertura para el efecto de clasificación. Del mismo modo es realmente necesario partir de un análisis de la firma espectral, además de proveer información necesaria que determina la variabilidad entre las coberturas así como los rangos en que se mueven las coberturas con el fin de obtener una clasificación que en lo posible minimice los errores por exceso o defecto los cuales se verán reducidos sustancialmente con la discriminación de las coberturas presentes; el correcto análisis de la firma espectral podrá dar pie a una buena separabilidad de las coberturas que se tienden a mezclar, con el propósito de distinguir completamente una cobertura de otra.

49

Cerca:

Ilustración 24: Estadísticas de la cobertura cerca

Cobertura Comportamiento espacial Firma espectral

Cerca

Tabla 2: Perfil espectral cerca, fuente elaboración propia

Los valores de la media en cuanto a la cobertura de cerca oscila entre 80 y 90 entre las bandas uno, dos y tres por cual son valores con un comportamiento espectral bastante compacto o regular, pero cuando se analiza un comportamiento espacial en un cuarto de kilometro distancia que es bastante corta para el área que cubre la imagen cambian las condiciones ya que su rango de variabilidad aumenta como se aprecia en la tabla 2, así como la firma espectral4 que representa un punto aleatorio de esta cobertura. Esto se debe al tipo de

4 La radiación reflejada en función de la longitud de onda se llama firma espectral de la superficie.

50

vegetación que compone la cerca, así como la edad del arbusto, el estado en cuanto a su nivel de brillo o verdor entre otros tópicos externos.

En el visible, la reflectancia de las hojas no supera el 15 % y la transmitancia es mínima. Esto es debido a que los pigmentos fotosintéticos (clorofilas, xantofila, antocianinas y carotenos) tienen fuertes bandas de absorción en este intervalo espectral. Entre ellos, las clorofilas a y b, que son las más absorbentes con un 65 % del total, presentan dos bandas de absorción centradas en el azul y en el rojo, por lo que producen un máximo relativo en la signatura espectral en torno a los 0,55 mm, responsable del color verde de las hojas (Baret, 1994). De igual forma tanto por la forma como por el nivel de absorción el agua y las sombras producidas por las cercas arboladas tienden a confundirse un poco lo cual debe corregirse manualmente con el fin de entregar un buen índice temático de la cobertura.

Como se detalla en la ilustración 24 los objetos presentan una característica alargada y no muy ancha por ende se escogieron para la muestra dichos objetos que cumplieran estas características, sin embargo los objetos que componían las vías son muy similares por la forma y característica propia de una vía pero su respuesta espectral difiere a la de una cerca por lo tanto en la selección de los objetos que pertenecen a esta clase además de contar con la forma del objeto se tiene en cuenta los valores espectrales los cuales diferencian las coberturas de acuerdo al nivel de reflectancia de cada una.

Herbazal:

Ilustración 25: Estadística de la cobertura herbazal

51


Herbazal

Tabla 3: Perfil espectral herbazal, fuente elaboración propia

Al ser una cobertura con diversos comportamientos como lo describe la leyenda corine land cover las áreas con vegetación arbustiva presenta diversas características según su ubicación y tamaño de la misma, para este caso sus valores medios en el espectro visible está en el rango de 61 a 72 valores muy cercanos a la cobertura que se denominó cerca, por lo cual su relación y similitud de valores característicos pueden mezclarse y tener una correlación alta, su mayor respuesta espectral está en la banda dos como se puede observar en la tabla II; de igual manera existen numerosos factores que, si bien no modifican sustancialmente la reflectancia espectral del material vegetal arbustivo, sí condicionan en cierta medida sus peculiaridades.

Uno de ellos es la orientación relativa de la superficie vegetal con respecto a la luz incidente, la cual depende de tres variables: elevación solar, pendiente de la ladera y orientación geográfica de la misma; la reflectancia medida también depende de la posición relativa del sensor con respecto a la dirección de iluminación. Considerando el sensor en el mismo plano que el de incidencia y en el lado de los rayos reflejados, la reflectancia en el visible aumenta conforme aumenta el ángulo cenital de la posición del sensor hasta alcanzar el máximo en una posición próxima a los 45º, a partir de cuyo momento disminuye (Baret, 1994).

Pastos:

52

Ilustración 26: Estadísticas de la cobertura pastos


Pastos

Tabla 4: Perfil espectral pastos, fuente elaboración propia

Debido a su textura y patrón la cobertura de pasto es homogénea y está definida por parcelación la cual involucra cercas, de igual forma esta cobertura también tiene afectaciones externas tanto humanas como animales. También tiene sus rasgos debido a su estado, edad, nivel de clorofila y humedad. Como se observa en la tabla III esta cobertura no presenta cambios abruptos las crestas y valles que se presentan en el entorno son características de reflexión y absorción. Es también muy característico de esta cobertura su cambio espectral dependiendo la época del año los cuales presentan cambios de coloración en la época seca que se ven reflejados en un cambio en la reflectancia en el infrarrojo visible, por otra parte en la época lluviosa parte de los pastos se inunda haciendo que la firma de esta cobertura tome el comportamiento de agua con clorofila (Peñalosa, Tocasuche, & hurtado, 2014).

53

Tierras en preparación:

Ilustración 27: Estadísticas de la cobertura tierras en preparación


Tierras en preparación

Tabla 5: Perfil espectral tierras en preparación, fuente elaboración propia

Por su naturaleza y el entorno de la imagen, los suelos y en especial coberturas tan detalladas en cuanto a su tono y carácter espectral, las parcelas que se preparan para cultivos tienen una baja variabilidad estadística entre las bandas un claro ejemplo es el valor obtenido en esta muestra (99 a 103) el cual no muestra una diferencia significativa que pueda llegar a mezclar esta cobertura con alguna otra dentro de la imagen y en general con la zona de estudio; la reflexión del suelo desnudo aumenta ligeramente de la gama visible a la infrarroja en el espectro. Existen grandes diferencias entre los distintos tipos de suelo, de tierra seca y húmeda. Las distintas composiciones minerales de la superficie también se reflejan en la firma espectral (Agency European Space, 2014).

54

Vías:

Ilustración 28: Estadísticas de la cobertura vía


Vías

Tabla 6: Perfil espectral vías, fuente elaboración propia

En cuanto a las vías ya sean pavimentadas o no se logra evidenciar una respuesta espectral alta con valores medios de 158 a 161 lo que indica que a pesar que la vía por su razón de ser y características que tiene son similares de alguna manera con las cerca por su regularidad y poco grosor los objetos nunca se mezclaran entre sí debido a su comportamiento espectral ya que difieren bastante lo cual hace que el algoritmo tenga un papel importante porque a pesar que se cuenta con la preponderancia de clasificar objetos las muestras también cuentan con valores espectrales que ayudan tanto a formar el objeto como a clasificarlo, esto demuestra claramente lo eficaz que es el método de objetos ya que también involucra los niveles digitales y la forma de los objetos, dúo fundamental en este proceso.

55

Ríos:

Ilustración 29: Estadísticas de la cobertura río


Ríos

Tabla 7: Perfil espectral ríos, fuente elaboración propia

Por las condiciones de reflectividad y transmitancia del agua y sus similares esta cobertura tiene un alto grado de absorción de la energía emitida por el sensor esto hace que se delimite bastante bien entre la vegetación, aunque cuando existen bosques o pastos arbolados la sombra que se genera tiende a confundir la maquina por los valores que se tienen en los pixeles; su connotación principal es la baja reflectividad, prueba de ello es la tabla v donde no tiene una variabilidad en ninguno de los canales así como su nivel medio de pixel está en el orden de 59 a 65, en términos generales, el agua sólo refleja la gama de luz visible. Como el agua casi no se refleja en la gama cercana al infrarrojo, se distingue muy bien de otras superficies. Estas superficies acuáticas aparecerán claramente delimitadas como áreas

56

oscuras (valores de píxel bajos) en imágenes registradas en la gama cercana al infrarrojo (Agency European Space, 2014).

CAPITULO IV

PRESENTACIÓN Y ANÁLISIS DE RESULTADOS

El presente capitulo modela la fase de resultados obtenidos a partir de todo el proceso realizado hasta el momento y es un punto de validación de la clasificación orientada a objetos, de la misma forma se parte del hecho de una correcta interpretación de las coberturas presentes en la zona por medio digital en pantalla tomando como referencia la metodología Corine Land Cover adaptada para Colombia la cual a partir de información capturada agrupó unas clases denominadas coberturas con unas características espectrales y de forma propias de las mismas. Con ello se procede al análisis de los datos obtenidos sobre los objetos y más específicamente a las cercas con el fin de proporcionar una metodología cuyo propósito sea el de identificar predios.

La metodología planteada también contempla el método tradicional de clasificación por lo cual puede existir un punto de comparación entre ambas técnicas resaltando los aspectos más importantes que caracterizaron cada una de las clases inmersas en la zona de estudio, así mismo se logra entender como es el comportamiento de la zona de trabajo y algunos elementos que pueden afectar la clasificación como tal, estos pueden ser de carácter intrínseco o extrínseco como los son la resolución de la imagen, escala a trabajar, tamaño en disco y procesamiento de datos entre otros.

Así mismo una de las características esenciales para llevar a cabo la clasificación es tener un buen manejo y control de las muestras seleccionadas en el proceso de segmentación por lo tanto la interpretación visual, así como las escalas óptimas de segmentación pueden ser evaluadas usando la varianza y medidas de autocorrelación espacial. La segmentación óptima debe seleccionarse según la varianza relacionada con los segmentos obtenidos y que representan con claridad un objeto geográfico en la imagen (Castañeda, 2016).

El propósito de la aplicación de la segmentación es encontrar el factor de escala de una manera más adecuada basada en los niveles de varianza local y el factor ROC que es un cálculo porcentual de la variación de una varianza a otra, por lo tanto que establece un ciclo que permite determinar cuando este valor es menor que cero indicando un cambio importante en la regularidad de los segmentos (Castañeda, 2016).

57

Finalmente se crean y se definen los objetos que componen la imagen según las características o parámetros establecidos, con la definición de estos objetos se puede encontrar la utilidad de la segmentación multiresolución para la identificación de patrones de las imágenes que desde este momento conforman objetos con sentido dentro de la imagen, basados en los niveles digitales almacenados en cada uno de ellos.

Teniendo en cuenta las características y parámetros mencionados anteriormente se muestra los resultados obtenidos a partir de la implementación de un algoritmo multiresolución nativo del software el cual responde a unas características impuestas por el usuario respecto a lo que se necesita resaltar en la clasificación, esto le asigna pesos y pondera los rasgos que se necesiten destacar más.

Ilustración 30: Clasificación inicial solo con las coberturas seleccionadas, fuente elaboración propia

Este es el resultados de la clasificación inicial de la imagen a partir de las muestras tomadas las cuales tienen una alta correlación debido al rango con el cual se está trabajando (RGB), de igual forma se optimizan las muestras con el fin de maximizar la varianza y la desviación estándar para que la clasificación muestre una mejor discriminación entre las coberturas ya que solo se evidencia una imagen con vegetación homogénea sin ninguna información relevante de la cobertura objeto de estudio.

58

Ilustración 31: Clasificación inicial con todas las coberturas, fuente elaboración propia

Al optimizar tanto las muestras como las coberturas vegetales que se relacionan (pastos y cercas) se logra evidenciar una mejora significativa en la clasificación donde se efectuó una inspección visual de la zona en estudio y se encontró una concordancia entre la clasificación y la zona, por lo tanto se muestran a continuación las tres clasificaciones en las distintas escalas con el fin de analizar y determinar cuál de ellas muestra un mejor resultado.

59

Ilustración 32: Clasificación a escala 50, fuente elaboración propia


60


Discusión de resultados

En general el proceso realizado por el software es muy bueno ya que a pesar de manejar distintas escalas se logra mediante un buen muestreo y una optimización discriminar de buena forma las clases o coberturas, sin embargo al tener una escala mayor los objetos serán más grandes y por ende agruparan mayor cantidad de pixeles que pueden contener información de otra u otras coberturas, el error que más se presenta es la comisión de la cobertura cerca con los pastos ya que de acuerdo a la imagen original no correspondería esta cobertura, de igual forma es necesario un proceso de edición donde se corrijan ciertos aspectos que no corresponden con las clases muestreadas que en este caso son las sombras de la vegetación estas sombras proyectadas por los árboles de mayor tamaño se caracterizan por tener niveles digitales bajos en las tres bandas pero con la particularidad de que las diferencias entre los niveles digitales en la banda del rojo son mayores que en los píxeles correspondientes a vegetación vigorosa.

Las características extraídas de los objetos resultantes de la segmentación permiten una completa descripción de los mismos, que facilita tanto su clasificación en distintas tipologías de vegetación como la clasificación de las parcelas que los contienen. Dado que el objetivo final de este proceso es la clasificación de las cercas, no se considera necesario examinar las distintas coberturas que la acompañan (pastos, suelos, ríos), sino que cada característica de

61

las expuestas anteriormente se expresa de manera superficial cuidando que no se mezclen con las demás y tenga una transición coherente en el cálculo de la clasificación.

En la clasificación orientada a objetos, las características descriptivas de cada objeto se suelen calcular mediante la sistematización de un estadístico, normalmente la media o la desviación típica sobre los valores de los píxeles que forman el objeto en la característica en cuestión. Al sintetizar los valores de los píxeles en un solo valor, se produce una homogeneización de la característica reduciéndose parte del grado de detalle que proporciona la resolución de la imagen (Recio, 2009). Por lo cual un acercamiento del trabajo realizado es la estadística resultante tanto por cobertura como las bandas inmersas en el proyecto además de una estadística general de la cobertura de estudio.

Tabla 8: Resultados estadísticos de la clasificación, fuente elaboración propia

El cuadro anterior muestra los valores medios capturados en cada canal así como la asignación de características y su respectivo valor, el software además de presentar estadísticas unibanda y multibanda tiene la opción de clasificar solo las clases que el usuario necesite visualizar en pantalla con el fin de analizar los valores de correlación o covarianza que presentan las clases seleccionadas esto llega a ser bastante bueno para tener un control preciso y evaluar las muestras capturadas con el fin de presentar un producto final de excelente calidad, así mismo se pueden resaltar otras características que servirían de insumos base para estudios de ciencias agronómicas o forestales donde sea necesario conocer cambios de cauce en los cuerpos de agua, o determinar superficies vegetales (deforestación) entre otros estudios.

Es importante resaltar que la presente metodología se enfocó en un entorno GEOBIA ya que la delimitación de los objetos y su preponderancia en cuanto a sus características intrínsecas hace que este método tome bastante validez para extraer la mayor información posible de una imagen, teniendo en cuenta que ya no solo se toman valores de reflectancia aparente sino objetos formatos a partir de la escala su compactación y forma; cualidades excepcionales que

62

pasan desapercibidas en el método tradicional ya que para algunas clases por su concepción la forma es su principal característica diferenciadora.

A partir de la clasificación propuesta se pudo evidenciar la efectividad de esta técnica para delimitar de forma veras los herbazales y en general las cercas, de igual forma a pesar que es una práctica relativamente nueva se hallaron estudios que la involucraban en la discriminación de coberturas vegetales, aunque no existe hasta la fecha estudios que tengan como objeto discriminar las cercas como medio de delimitación predial en un ámbito catastral.

El principal aporte de esta metodología radica en la aplicación de una técnica que está en proceso de desarrollo aplicando un conjunto de parámetros y algoritmos que buscan proveer datos para la actualización de un catastro rural con enfoque multipropósito, partiendo de la implementación y modelación de herramientas como eCognition y su suite de objetos, aunque lo ideal sería alternativas de software libre que amplíen el rango de acción de la metodología.

CAPÍTULO V

CONCLUSIONES Y RECOMENDACIONES

La metodología logra cumplir con el propósito de la extracción de cercas en un entorno GEOBIA basado en objetos el cual debe tener ciertos cuidados para que su ejecución sea exitosa debido a la estructura y el peso de los datos por lo que la implementación está ligada a una correcta planeación en cuanto a infraestructura, organización, almacenamiento y desarrollo. De igual forma permite llegar a supuestos como la optimización de procesos, tiempo y su relación beneficio costo siguiendo los principios y procedimientos descritos durante todo el proceso metodológico.

Se discurre en cuanto a la obtención de los objetos y su modelación respecto a los pasos para definirlo dado que para este caso el insumo base es una fotografía aérea que cuenta con las bandas RGB y esto no posee un ancho de banda robusto que logre ofrecer información más detallada en el campo espectral, para poder aplicar ciertos métodos desarrollados en el campo del procesamiento de imágenes si se consideran aspectos y detección de objetos con características relevantes de forma o tamaño el rango espectral pudiese no afectar de manera significativa el resultado aunque se tengan imágenes de muy alta resolución en el campo del espectro visible por más detallada que sea no reemplaza la información que brinden bandas como las infrarrojo o termales.

63

Con la metodología propuesta basada en la clasificación en un entorno orientado a objetos se busca, encontrar patrones de comportamiento cuantificables que den cuenta de la forma de la cobertura objeto de estudio aplicando los parámetros propios del software que la describan de una manera detallada basado en la transición y topografía del terreno en cualquier región geográfica, de igual modo es importante recurrir a diferentes fuentes de datos con el propósito de apoyar la metodología en áreas de estudio como lo es el análisis espacial y todas las herramientas que ayuden en el procesamiento digital de imágenes ya que existen metodologías y estudios relacionados con la cobertura vegetal.

Finalmente es necesario recalcar los análisis de los resultados en cuanto a cambios en la cobertura y cause del rio Bogotá ya que la comparación de resultados en las dos temporalidades muestra un aumento del tejido urbano en relación con la cobertura vegetal lo cual indica un problema ambiental de perdida de vegetación nativa que pudiese ser el centro de estudio en otra metodología que hable sobre la cuantificación de cambio de cobertura en zonas rurales mediante el uso y aplicación de técnicas GEOBIA basadas en objetos; de igual forma también es importante mencionar la dificultad que se tiene para la identificación de centros poblados y en general construcciones ya que partiendo del insumo y su poca longitud espectral las cubiertas de los predios responden de manera similar por su material y el nivel de luminosidad que intervenga en el momento exacto de la captura lo cual es un tema de discusión bastante amplio que también pudiese ser objeto de otro estudio debido a su importancia a la hora de actualizar datos catastrales de forma masiva.

Como recomendación para futuros proyectos es importante tener claros los conceptos de análisis y procesamiento de imágenes ya que el resultado de un estudio que involucre estos conceptos estará sujeto a la escogencia de los insumos así como la correcta utilización de las herramientas de procesamiento, así mismo tener en cuenta la finalidad del proyecto para llegar a un detalle optimo y no llegar a estallar la máquina con los procesos.

En cuanto a la selección del algoritmo a utilizar es recomendable tener en cuenta el estudio a realizar ya que hay unos algoritmos que denotan mejor algunas características en los objetos de análisis, el algoritmo multiresolución es aplicable a trabajos que involucren cobertura vegetal por la forma que toman los objetos y las hojas, además de ser susceptible a las regiones involucradas ya que la resolución de los insumos de trabajo y la extensión tanto del área a desarrollar como la escala también juega un papel importante; sin embargo no necesariamente una mayor resolución brinda mejor detalle en la clasificación, también es importante manejar un correcto control de la varianza y las estadísticas de las muestras con el fin de reducir errores que presentan correlaciones en el espectro visible, así como la varianza de los objetos a partir de una escala seleccionada, factor importante en la entrega final del objeto.

De igual forma es recomendable para trabajos futuros la implementación de metodologías que no sean solo basadas en agrupaciones de pixeles aislados ya que una apropiada combinación de objetos y pixeles presenta resultados bastante buenos para la identificación y discriminación de diferentes coberturas respecto a su forma, patrón o tamaño lo cual en métodos tradicionales de pixeles no se tienen en cuenta; esta relación forma - objeto brinda

64

la posibilidad de clasificaciones detalladas según la necesidad, dado el volumen de características definidas, es conveniente realizar un proceso selectivo de las mismas con el fin de que sólo participen en la clasificación aquellas que no sean redundantes y aporten información significativa para la discriminación de clases. De igual manera cobra bastante importancia contar con la mayor información posible, con lo cual al tener insumos que posean el máximo número de canales para el análisis, siempre resulta mejor para la extracción de características así como la posibilidad de combinaciones y aplicaciones físicas propias para discriminar determinados fenómenos; de igual manera tener apoyo y soportes técnicos que faciliten las investigaciones siempre será de gran ayuda para el estudio y en general los resultados entregados en la metodología.

65

Bibliografía

Agency European Space. (2014). ESA. Obtenido de http://www.esa.int/SPECIALS/Eduspace_ES/SEM6DYD3GXF_0.html

Alcaldia de Agua de Dios. (27 de 08 de 2017). Agua de Dios. Obtenido de http://www.aguadedios-cundinamarca.gov.co/informacion_general.shtml

Baret, F. y. (1994). Universidad de Jaén. Obtenido de http://www.ujaen.es/huesped/pidoceps/telav/fundespec/caracteristicas_vegetacion.htm

Benjamin Baker, T. W. (2013). ¿Importa la resolución espacial? Una comparación de múltiples escalas de métodos basados en objetos y basados en píxeles para detectar cambios asociados con operaciones de perforación de pozos de gas. Revista internacional de teledeteccion.

Castañeda, J. (2016). Desarrollo de una metodología de clasificación semiautomática de formas de relieve en la geografía Colombiana basado en objetos. Bogotá.

Castilla, G. H. (2006). Analisis de imagenes basado en objetos.

Chuvieco, E. (1996). Fundamentos de teledetección espacial.

CONPES. (2016). Política para adopción e implementación de un catastro mutipropósito rural - urbano. Bogotá: Departamento administrativo de la presidencia de la republica.

Dengsheng Lu, Q. W. (2007). Un estudio de los métodos y técnicas de clasificación de imágenes para mejorar el rendimiento de la clasificación. International Journal of Remote Sensing.

Espejo, O. J. (2016). Desarrollo de una metodología para estimación de la deforestación mediante el análisis multitemporal de imágenes multiespectrales en un entorno de análisis basado en objetos geográficos (GEOBIA). Bogotá .

Frank Giraldo, F. G. (2011). ALGORITMOS DE PROCESAMIENTO DE IMÁGENES SATELITALES CON TRANFORMADA. Vision electronica.

Gang Chen, G. J.-O. (2012). A GEOBIA framework to estimate forest parameters from lidar transects, Quickbird imagery and machine learning: A case study in Quebec, Canada. International Journal of Applied Earth Observation and Geoinformation.

Garcia, E. (2008). Universidad Autónoma Metropolitana. Obtenido de http://newton.azc.uam.mx/mcc/01_esp/11_tesis/tesis/terminada/080513_garcia_santillan_elias.pdf

66

IDEAM, I. y. (2008). Mapa de Cobertura de la Tierra Cuenca Magdalena-Cauca: Metodología Corine Land Cover adaptada para Colombia a escala 1:100000.

IGAC, I. g. (2001). Aplicación de las fotografias aeréas en geografia.

Jaén, U. d. (2006). Practicas de teledetección . Departamento de cartografia y geodesia.

Jensen, J. R. (2006 ). Introductory Digital image Processing.

Jorge Herrera, I. S. (2017). METODOLOGÍA PARA LA DETECCIÓN DE HUECOS O BACHES EN VÍAS TERCIARIAS URBANAS A PARTIR DE IMÁGENES DE ALTA RESOLUCIÓN ESPACIAL, USANDO TECNICAS DE GEOBIA Y LÓGICA DIFUSA. Bogotá.

LeDrew, J. M. (2005). Análisis hypertemporal de sensores remotos usando datos oceanicos para estudios de cambios climaticos. Ciencia terrestre y espacial, 17 - 19.

Lizarazo Elsner, I. (2008). FROM PIXELS TO GRIXELS: A UNIFIED FUNCTIONAL MODEL FOR GEOGRAPHIC OBJECT BASED IMAGE ANALYS.

Luis Pantaleone, M. T. (2017). Universidad Nacional del Centro de la Provincia de Buenos Aires. Obtenido de http://sedici.unlp.edu.ar/bitstream/handle/10915/23638/Documento_completo.pdf?sequence=1

Martinez, P. I. (03 de 2017). Repositorio Universidad Distrital. Obtenido de http://repository.udistrital.edu.co/Informe_final_proyecto_grado

Mendieta, M. (2014). Universidad nacional agraria. Obtenido de http://www.fundesyram.info/biblioteca.php?id=3377

Minho Kim, M. M. (2009). Forest T ype Mapping using Object-specific Texture Measur es fr om Multispectral Ikonos Imagery: Segmentation Quality and Image Classification Issues. photogrammetric engineering & remote sensing.

Ordoñez, C. A. (2005). Formatos de imagen digital. Revista digital universitaria de UMAN.

Peñalosa, L., Tocasuche, N., & hurtado, A. p. (2014). Simposio internacional Selper. Obtenido de http://selper.org.co/papers-XVI-Simposio/Sensores-y-plataforma-de-PR/SP7-Captura-y-analisis-de-firmas-espectrales-Capellania.pdf

Recio, J. A. (2009). Universidad Politecnica de Valencia. Obtenido de https://riunet.upv.es/bitstream/handle/10251/6848/tesisUPV3185.pdf?sequence=1&isAllowed=y

Sobrino, J. A. (2000). Teledetección. Valencia.

Universidad de Murcia. (2006). Fotointerpretación y Teledetección. Capitulo 10 pag 15.

67

Ursula Benz, P. H. (2003). Análisis de resolución multiple orientado a objetos de datos de sensores remotos para información SIG. ISPRS journal of Photogrammetry & Remote Sensing.

USGS. (2017). Misiones Landsat. Obtenido de Cuáles son las mejores bandas espectrales para usar en mi estudio: https://landsat.usgs.gov/what-are-best-spectral-bands-use-my-study

V. Ruiz, R. S. (2013). Análisis multitemporal del cambio de uso del suelo, en el PaisajeTerrestre Protegido Miraflor Moropotente Nicaragua, 1993 – 2011. Ecosistemas.

Vasquez, A. F. (2011). Metodología para detectar cambios en el uso de la tierra utilizando los principios de la clasificación orientada a objetos, estudio de caso piedemonte de Villavicencio, Meta. Bogotá.

William Barragán Zaque, A. M. (2015). Generación automática de cartografía para edificaciones, utilizando fotografías digitales aéreas verticales de alta resolución espacial y nubes de puntos. Revista de ingeniería .

Xavier Blaes, L. V. (2005). Efficiency of crop identification based on optical and SAR image time series. Remote Sensing of Environment, 352 - 365.

extracciÓn de caracterÍsticas a partir de sensores...

Documents