guia practica laboratorio teledeteccion - idrisi andes

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS SOCIALES

E.A.P. GEOGRAFIA

Profesor del Curso: Geog. MIGUEL ALVA HUAYANEY

GUIA DE PRÁCTICAS DEL CURSO DE TELEDETECCION

IDRISI

Agradecimiento: Profesora Beatriz Alzate – UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS HUMANAS – DEPARTAMENTO DE GEOGRAFIA

MIGUEL ALVA

UNMSM

TALLER No. 1: Medición y análisis de reflectancia en objetos

TTAALLLLEERR NNOO 11:: MMEEDDIICCIIOONN YY AANNAALLIISSIISS DDEE RREEFFLLEECCTTAANNCCIIAAEENN OOBBJJEETTIIVVOOSS

1. OBJETIVOS DEL TALLER

Los estudiantes estarán en capacidad de:

1. Determinar las bandas del espectro electromagnético (visible e infrarrojo cercano – IRC) másusadas para la discriminación de objetivos determinados

2. Identificar elementos basados en las curvas de reflectancia espectral y saber diferenciar encual rango del espectro se logra diferenciar mejor varios elementos.

3. Comprender como se realizan mediciones radiométricas empleando instrumentos

2. MARCO DE REFERENCIA

Como humanos los colores que nosotros vemos están hechos de combinaciones de longitudesde onda reflectadas en toda la porción del visible del espectro electromagnético. Cadaelemento que nosotros vemos tiene su propia y única curva de reflectancia espectral. Porejemplo el pasto, agua, cemento. Estas curvas son diferenciables por la variación del porcentajede reflectancia.

El color que vemos viene de longitudes de onda, las cuales son reflejadas en su gran mayoría.Por ejemplo un objeto verde presentará una alta reflectancia en la porción verde del espectro,pero tendrá baja reflectancia en el azul y el rojo.

La graficación de las curvas de reflectancia espectral, nos ayuda mejor a entender la naturalezade la reflectancia de un objeto. En teledetección uno debe entender la naturaleza de lareflectancia de un objeto si él va a ser identificado sobre una imagen.

Datos de referencia o In – situ son recogidos, a menudo, al mismo tiempo con la adquisición dela imagen. Una forma de datos de referencia es la medición en campo de la reflectancia de loselementos de la superficie para determinar sus patrones de respuesta espectral. Esto puede serrealizado en el laboratorio ó en el campo, usando un espectro-radiómetro. Este dispositivo midecomo una función de longitud de onda, la energía que proviene de un objeto. Es usado parapreparar las curvas de reflectancia espectral de varios objetos.

3. PROCEDIMIENTOS GENERALES

En este taller serán usadas las medidas realizadas por un radiómetro espectral en una serie debandas espectrales (verde – 0.5 a o.6 micrómetros, rojo – 0.6 a 0.7 micrómetros e infrarrojocercano – 0.7 a 1.3 micrómetros). Esas bandas son similares a algunas usadas, entre otros, por elsensor del mapeador temático TM a bordo del satélite LANDSAT y a las del sensor HRV (altaresolución del visible) a bordo del satélite SPOT.

Usted calculará los datos radiométricos de las lecturas realizadas en campo y después generarálas curvas de reflectancia espectral gráficamente. Esto le permitirá determinar cuáles bandas son

MANUAL PRACTICO DE PERCEPCION REMOTA

más usadas para la discriminación de los objetivos, a partir de los datos radiométricosexperimentales.

Usted deberá examinar las curvas de reflectancia y notar la diferencia entre varios objetivos. Apartir del análisis de resultados experimentales como estos, el usuario podrá seleccionar lacombinación de bandas espectrales apropiadas para una tarea dada en teledetección.Teóricamente entre más alto sea el contraste entre dos objetos en la imagen, será más fácildistinguirlos. Entre más fácil sea un objeto de distinguir, mayor el potencial para unainterpretación rápida y correcta.

4. PROCEDIMIENTOS ESPECÍFICOS

4.1. Determinando las bandas más usadas para la discriminación de objetivos

Utilice las tablas que se presentan a continuación para que las complete con las medicionesrealizadas en la práctica con el espectro – radiómetro. Determine el porcentaje final de lareflectancia en cada una de las tres bandas: verde, rojo e IR cercano. Básese en la siguienteecuación:

� Reflectancia final del objetivo en B1, B2, B3 = (flujo de radiación reflejada por el objetivo /flujo de radiación reflejado para la referencia) * 100

Referencia: Medición B1 B2 B3123Promedio

Vegetación 1:Medición B1 B2 B3123Promedio

Vegetación2Medición B1 B2 B3123Promedio

Suelo desnudoMedición B1 B2 B3123Promedio

AguaMedición B1 B2 B3123Promedio

AsfaltoMedición B1 B2 B3123Promedio

OtroMedición B1 B2 B3123Promedio


Reflectancia definitiva (aplicando la ecuación)

Objeto B1 B2 B3Vegetación 1Vegetación 2Suelo DesnudoAguaAsfaltoOtro

4.2. Graficando los resultados

Una vez usted haya completado las tablas, cree la gráfica de las curvas de reflectanciaespectral para cada uno de los objetivos. Grafique la reflectancia de los objetivos en cada unade las tres bandas. Use lápices de colores, de ser posible, para distinguir cada una de las curvasde reflectancia de los objetivos. Si puede, realice esta parte con ayuda del software EXCEL.

4.3. Realizando el análisis de las gráficas

Después de haber completado las gráficas, conteste las siguientes preguntas:

1. Determine cuales bandas, de las aquí consideradas, es mejor para discriminar entre lassiguientes clases de objetivos, explique por qué?:

� Vegetación 1 y agua� Vegetación 2 y suelo� Asfalto y suelo� Agua y suelo� Asfalto y agua2. En cual de las tres bandas la vegetación 2 presenta la más alta reflectancia y la menor

reflectancia A qué se deben estos valores?. Si usted tuviera una imagen con la más altareflectancia, en qué tonos se vería esta vegetación?

3. Si usted fuera a escoger solamente dos bandas espectrales para discriminar entre todos losobjetivos medidos cuáles bandas seleccionaría y por qué?

4. Por qué nuestros ojos perciben la vegetación vigorosa con el color verde? Cuál es la curvade reflectancia espectral estándar para casi toda la vegetación verde vigorosa?

5. Por qué es importante investigar la naturaleza de las curvas de reflectancia de los objetivosantes de planear un proyecto de teledetección?

5. PARA QUE PRACTIQUE

A las firmas espectrales, correspondientes a la reflectancia espectral, que a continuación sepresentan, analíceles los siguientes tópicos:

1. En que rango del espectro electromagnético presentan la mayor reflectancia los cuerpos delas figuras 1 y 2?. En una imagen cómo se verían los cuerpos en este rango del espectro?

2. En que rangos del espectro se da la mayor absorción de energía en estas mismas gráficas?3. En cuáles rangos se presenta la transmitancia de la energía para la última figura?.4. Cuántos valles de absorción presentan las curvas de vegetación en la tercera figura?


5. En cuál rango del espectro se podría realizar mejor un análisis de agua y bosques de pino enla primera figura?

6. Si al suelo de la gráfica dos se le adiciona humedad que respuesta espectral tendría7. Es la naturaleza del agua afectada por algunos fenómenos? Por cuáles?. Como sería la firma

del agua clara?8. En la tercera figura cómo es la firma espectral de la vegetación en relación con las otras

sustancias orgánicas.

FIGURA No. 1

FIGURA No2FIGURA No.3


6. REQUERIMIENTOS DEL TALLER

Los estudiantes deberán desarrollar este taller en parejas. Las preguntas que se solicita responderserán entregadas en un informe presentado por los estudiantes. Puede ser escrito a mano. Unavez los talleres sean calificados, serán devueltos a los estudiantes con las correccionesrespectivas.

7. REFERENCIAS

Chuvieco Emilio. “Fundamentos de teledetección espacial “. Ediciones Rialp, S.A. Madrid. 1990

Japan Association on Remote Sensing. “Remote Sensing Note”. Mayo 19 de 1993.

Jean – Yves Scanvic. “Teledetección aplicada”. Madrid, 1989

Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lectureand lab.

TALLER No. 2 Familiarización con imágenes landsat.

TTAALLLLEERR NNOO.. 22:: FFAAMMIILLIIAARRIIZZAACCIIÓÓNN CCOONN IIMMÁÁGGEENNEESS LLAANNDDSSAATT..DDIISSCCRRIIMMIINNAACCIIÓÓNN DDEE EELLEEMMEENNTTOOSS EENN EELLLLAASS [[33]]

1 OBJETIVOS DEL TALLER


1. Reconocer las imágenes del sistema LANDSAT2. Entender la diferencia que existe entre los sensores MSS y TM3. Seleccionar para estudios determinados, las imágenes captadas por estos sensores, que mejor

llenen las expectativas al respecto de lo que se quiere analizar.4. Comprender la diferencia de resoluciones de cualquier tipo para las imágenes de ambos

sensores.

2 MARCO DE REFERENCIA

Los sensores MSS (barredor multiespectral) y TM (mapeador temático), son barredores del tipomecánicos ópticos, por medio de los cuales una imagen bi – dimensional puede ser registradausando una combinación del movimiento de la plataforma y un espejo oscilante o rotador que barreperpendicular a la dirección del vuelo. Los barredores mecánicos ópticos están compuestos de unsistema óptico, sistema espectrográfico, sistema de barrido, sistemas de detección y sistema dereferencia.

Estos barredores son transportados en satélites de órbita polar. La función de los elementos de unbarredor mecánico óptico es:

1. Sistema óptico: Es un sistema de telescopio reflectivo usado para prevenir la aberración delcolor.

2. Sistema espectrográfico: Espejo dicroico, prisma ó filtro son utilizados3. Sistema de barrido: espejo rotador u espejo oscilante, usado para barrer perpendicular a la

dirección de vuelo.4. Sistema de detección: La energía electromagnética es convertida a una señal eléctrica por

medio de los detectores electrónicos ópticos.5. Sistema de referencia: la señal eléctrica convertida es influenciada por un cambio de

sensibilidad del detector. Por eso las fuentes de luz ó termales, con intensidad constante, otemperatura constante, deben ser instaladas como referencia para la calibración de la señaleléctrica.


Características principales del sensor MSS

FECHA DE LANZAMIENTO Octubre de 1972PLATAFORMAS Landsat 1,2,3,4,5

RESOLUCIÓN ESPACIAL 80 m.RESOLUCIÓN RADIOMÉTRICA 64 valores Landsat 1,2,3, y 256 Landsat 4 y

5RESOLUCIÓN ESPECTRAL 4 bandas en los Landsat 1,2,3 (la 4,5,6,7) y

Landsat 4 y 5 (la 1,2,3,4). En el Landsat 3se tuvo banda 8:

� 4 (1) - Verde 0.5 - 0.6 µm� 5 (2) - Roja 0.6 - 0.7

� 6 (3)- IR de foto 0.7 - 0.8 µm� 7 (4)- IR cercano 0.8 - 1.1 µm� 8 – IR termal. 10.4 - 12.6 µm

SISTEMAS Diseño de espejo oscilante, 6 detectorespor banda

BARRIDO 185 km X 474 m.RESOLUCIÓN ESPACIAL 474 m./ 6 detectores = 79 m.RESOLUCIÓN TEMPORAL 16 días cada 233 órbitasTAMAÑO DE UNA ESCENA 185 Km x 185 Km

Características principales del sensor TMFECHA DE LANZAMIENTO Landsat 4 1982, Landsat 5 1984

PLATAFORMAS Landsat 4,5RESOLUCIÓN ESPACIAL 30 m.

RESOLUCIÓN RADIOMÉTRICA 256 valoresRESOLUCIÓN ESPECTRAL 7 bandas (se discriminan más abajo)

SISTEMAS Diseño de espejo oscilante, 16 detectorespor banda, a excepción del termal (4).

Adquisición de datos con cada barrido endos direcciones

BARRIDO 185 km X 474 m.RESOLUCIÓN ESPACIAL 474 m. / 16 detectores = 29.625 m.

474 m / 4 detectores = 118.5 m..RESOLUCIÓN TEMPORAL Repite ciclo cada 16 días (233 órbitas)TAMAÑO DE LA ESCENA 185 Km x 185 km.

Banda No. Longitud de onda (en µm) Respuesta espectral Resolución (m)1 0.45 - 0.52 Azul-verde 302 0.52 - 0.60 Verde 303 0.63 - 0.69 Roja 304 0.76 - 0.90 IR cercano 305 1.55 - 1.75 IR medio 306 10.40 - 12.50 IR termal 1207 2.08 - 2.35 IR medio 30

TALLER No. 2 Familiarización con imágenes landsat.

3 PROCEDIMIENTOS GENERALES

En este taller serán empleadas las imágenes en papel que serán proporcionadas a cada grupo,máximo de tres personas. A partir de estas imágenes los estudiantes realizarán los análisis con elfin de responder a las preguntas que se les plantean.

Primero se entrará a analizar la imagen que se tiene, las bandas en las cuales se tomaron los datosy el color que corresponde a cada una de ellas en las composiciones a color. Posteriormente seanalizará la diferenciación entre cuerpos y sus respuestas relativas en la imagen.

El estudiante realizará el análisis de los diferentes tipos de resoluciones sobre las imágenes ycontestará las preguntas que se le formulan, argumentando cada una de sus repuestas

4 PROCEDIMIENTOS ESPECÍFICOS

4.1 Análisis de la imagen

En este aparte serán consideradas las bandas que componen la imagen, los canales de color queocupa cada una de ellas y las respuestas espectrales de los cuerpos que allí se diferencian.

El estudiante deberá tratar de identificar las respuestas altas a que cuerpos corresponden y porqué.

4.2 Identificación y comprensión de tipos de resoluciones en imágenes de los dostipos

Usted identificará para cada imagen los tipos de resoluciones. Complete la tabla que a continuaciónse presenta solo en los sitios donde aplique para el caso que le correspondió. Diga al estarcompletando cada tópico con qué tipo de resolución se relaciona.

Landsat MSS Landsat TMBanda Micrómetros Banda Micrómetros4 (1) 15 (2) 26 (3) 37 (4) 48 5

67

IFOV Niveles dinámicos

AltitudTiempo en el que capta el mismo punto

Ancho de barrido (de franja)


4.3 Comparación de los sensores TM y MSS. Análisis de discriminación deelementos

Una vez halla completado los datos, responda a las siguientes preguntas:

1. Cuáles plataformas LANDSAT tienen el barredor multiespectral (MSS) y cuáles el mapeadortemático (TM)?

2. Analice la diferencia entre las bandas del MSS y del TM y escriba si alguno de ellos da unmejoramiento en la discriminación de objetos y por qué?

3. Por qué será que las bandas del TM ofrecen un mejoramiento en la discriminación de lavegetación en comparación con las MSS?

4. Usando las bandas del TM como se podría distinguir entre nubes y nieve?5. Por qué piensa usted que las bandas del TM son usadas para la discriminación de los siguientes

elementos?� Contenido de humedad en la vegetación� Contenido de humedad en el suelo� Cuerpos de agua con sedimentos� Tipos de roca y de minerales

6. Explique la diferencia primaria entre la energía captada con la banda 6 del TM y la energíacolectada en las otras bandas.

7. En las composiciones a color del TM, que tienen banda del IR, qué significan los matices rojos?.Explique.

8. Mencione dos ejemplos de estudios para los cuales seleccionaría imágenes del TM y del MSS.Explique cuáles fueron los criterios de selección.

5 REQUERIMIENTOS DEL TALLER

Las preguntas del taller serán respondidas en grupo. Cada uno de los grupos tomará sus notas conel fin de exponer las respuestas ante el grupo, en forma de discusión abierta. Este taller es para subeneficio. No es necesario entregarlo a la profesora, pero cada una de estas preguntas cuenta parael examen de la materia y será importante para los proyectos que durante su vida profesional tengaque desarrollar. Aprovéchelo!. Suerte!

6 REFERENCIAS DEL TALLER

[1] Chuvieco Emilio. “Fundamentos de teledetección espacial “. Ediciones Rialp, S.A.Madrid. 1990

[2] Japan Association on Remote Sensing. “Remote Sensing Note”. Mayo 19 de 1993.[3] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551course, lecture and lab.

Taller No. 3 Visualización de imágenes Landsat y Spot. Comparación entre ellas

TTAALLLLEERR NNOO.. 33:: VVIISSAAUULLIIZZAACCIIÓÓNN DDEE IIMMÁÁGGEENNEESS LLAANNDDSSAATT YYSSPPOOTT.. CCOOMMPPAARRAACCIIÓÓNN EENNTTRREE EELLLLAASS



1. Diferenciar entre las imágenes de los sistemas satelitales Landsat y Spot2. Saber utilizar determinadas bandas del espectro electromagnético, donde realizan la toma de

datos los distintos tipos de imágenes, para estudios concretos del agua, vegetación, suelo,roca, etc.

3. Distinguir para cada sistema las características generales relacionadas con resolución espacial,espectral, temporal y radiométrica

4. Manejar las ventajas y desventajas de cada sistema para su empleo en aplicaciones dediferentes tipos.


Los sensores MSS (barredor multiespectral) y TM (mapeador temático), son barredores del tipomecánicos ópticos, por medio de los cuales una imagen bi – dimensional puede ser registradausando una combinación del movimiento de la plataforma y un espejo oscilante o rotador que barreperpendicular a la dirección del vuelo. Los barredores mecánicos ópticos están compuestos de unsistema óptico, sistema espectrográfico, sistema de barrido, sistemas de detección y sistema dereferencia.

Comparado con el barredor optoelectrónico (por ejemplo el SPOT) los barredores mecánicos ópticostienen ciertas ventajas. Por ejemplo el ángulo de vista del sistema óptico puede ser muy estrecho,el error de registro banda a banda es pequeño y la resolución espectral es más alta. La desventajaes que el coeficiente señal/ruido es menor debido a que el tiempo de permanencia en el detectoróptico no puede ser muy largo por el movimiento del sensor.

Características principales del sensor TM

FECHA DE LANZAMIENTO Landsat 4 1982, Landsat 5 1984PLATAFORMAS Landsat 4,5RESOLUCIÓN ESPACIAL 30 m.RESOLUCIÓN RADIOMÉTRICA 256 valoresRESOLUCIÓN ESPECTRAL 7 bandas (se discriminan más abajo)SISTEMAS Diseño de espejo oscilante, 16 detectores por

banda, a excepción del termal (4). Adquisiciónde datos con cada barrido en dos direcciones

BARRIDO 185 km X 474 m.RESOLUCIÓN ESPACIAL 474 m. / 16 detectores = 29.625 m.

474 m / 4 detectores = 118.5 m..RESOLUCIÓN TEMPORAL Repite ciclo cada 16 días (233 órbitas)TAMAÑO DE LA ESCENA 185 Km x 185 km.


Banda No. Longitud de onda (en µm) Respuestaespectral Resolución (m)

1 0.45 - 0.52 Azul-verde 302 0.52 - 0.60 Verde 303 0.63 - 0.69 Roja 304 0.76 - 0.90 IR cercano 305 1.55 - 1.75 IR medio 306 10.40 - 12.50 IR termal 1207 2.08 - 2.35 IR medio 30

Características principales del Sistema SPOT

SPOT-1 fue lanzado el 22 de febrero de 1986 y fue retirado de la actividad el 31 de diciembre de1990.SPOT-2 fue lanzado el 22de enero de 1990 y está todavía operandoSPOT-3 fue lanzado el 26 de septiembre de 1993, un incidente ocurrió el 14 de noviembre de 1997,después de 3 años en órbita el satélite dejó de funcionarSPOT-4 fue lanzado en marzo 24 de 1998.El trabajo de ingeniería para el SPOT-5 ha empezado, para que el satélite pueda ser lanzado afinales del 2001 para asegurar la continuidad del servicio.

Modos espectrales de adquisición de datos:SPOT

“P”Modo pancromático (Spot 1,2,3)

En una sola banda espectral correspondiente al visible del espectro electromagnético, sin azul.La banda cubre 0.51 to 0.73 µm. Suple imágenes blanco y negro con resolución espacial de 10m.Se usa para aplicaciones que requieren un alto detalle geométrico.

"XS" Modo multiespectral:

� Tres bandas espectrales:� B1 0.50 a 0.59 µm (verde)� B2 0.61 a 0.68 µm (rojo)� B3 0.79 a 0.89 µm (IR cercano)� Resolución espacial de 20 M.� Se pueden realizar composiciones a color combinando las bandas:

"M" Modo mono espectral (Spot 4)

� B2 0.61 to 0.68 µm (Rojo)� Como el modo pancromático del Spot 1, 2, 3, este canal único proporciona imágenes blanco y

negro con un pixel de 10 m.


"Xi" modo multiespectral (Spot 4)

� Las mismas bandas B1,B2,B3 del modo “XS”multiespectral. Se adiciona:� B4 1.58 to 1.75 µm (Infrarrojo medio)Tamaño del pixel: 20 m.


En este taller serán empleadas imágenes en formato digital, que serán proporcionadas a cadagrupo, máximo de tres personas. A partir de estas imágenes los estudiantes realizarán los análisiscon el fin de responder a las preguntas que se les plantean.

Primero se entrará a analizar las imágenes de los diferentes sistemas que se tienen y las bandas enlas cuales se tomaron. Posteriormente se analizará la diferenciación entre cuerpos y sus respuestasrelativas en la imagen.

El estudiante realizará el análisis de los diferentes tipos de resoluciones sobre las imágenes ycontestará las preguntas que se le formulan, argumentando cada una de sus repuestas


4.1. Análisis de la imagen

En este aparte serán visualizadas una a una las bandas que componen la imagen y las respuestasespectrales de los cuerpos que allí se diferencian.

La profesora mostrará que pasos seguir para visualizar cada imagen y donde se encuentran losdirectorios de trabajo

El estudiante deberá tratar de identificar las respuestas altas a que cuerpos corresponden y porqué, en la medida de que esto sea posible.

4.2. Identificación y comprensión de tipos de resoluciones en imágenes de los dos sistemas

Usted identificará para cada el grupo de imágenes de un sistema determinado los tipos deresoluciones. Complete la tabla que a continuación se presenta solo en los sitios donde aplique parael caso que le correspondió. Diga al estar completando cada tópico con qué tipo de resolución serelaciona.

Landsat TM SPOT-HRV

Banda

MicrómetrosBanda Micrómetros

1 12 23 34 Pancr.56


7

IFOV Niveles dinámicosAltitudTiempo en el que capta elmismo puntoAncho de barrido (defranja)

4.3. Comparación de los sensores TM y HRV. Análisis de discriminación de elementos

Una vez halla completado los datos, responda a las siguientes preguntas:

1. Cuál de los dos sensores da una discriminación mejor de los objetos y por qué?. Escriba laobservación que le permitió llegar a responder la pregunta, ósea diga cuáles elementoscomparó para ver que había mejor discriminación en una imagen que en otra.

2. Es cierto que las bandas del TM ofrecen un mejoramiento en la discriminación de la vegetaciónen comparación con las del HRV?. En que se basa para responder?

3. Describa para cada banda del TM, con que tono se visualiza el agua, el suelo, la vegetación y lainfraestructura.

4. Repita la misma descripción para el HRV5. Compare las bandas del espectro electromagnético que coinciden para los dos sistemas y

describa si los cuerpos que diferenció se notan mejor en una imagen que en otra. Por quépiensa que sucede?

6. Cuál de los dos sistemas tiene una mejor resolución espectral y por qué7. Si fuera a realizar un estudio de humedad de la vegetación cuál banda de TM escogería para

realizarlo y por qué.8. Si fuera a realizar un estudio de diferenciación litológica en el TM, donde lo haría. Por qué?9. Si va a realizar un trazado de red de drenaje en una imagen Landsat TM, cuál de sus bandas

escogería. Por qué?10. Note la diferencia entre la resolución espacial del Spot pancromático y el TM. Discuta algunas

ventajas y desventajas de variar la resolución espacial en los sistemas de sensores11. Repita el mismo procedimiento para el SPOT pancromático y multiespectral.12. Discuta por qué las fechas de adquisición son importantes en los datos de Sensores Remotos.

De las imágenes TM y HRV, cuales son de fecha más reciente?13. Por qué en la banda pancromática del Spot pueden ser realizados estudios que requieran una

geometría detallada?. Cómo visualizó este aspecto en la imagen?. En qué sector de Bogotá?14. Compare las bandas del SPOT y del TM para realizar estudios de vegetación. Qué diferencias

nota?.


Las preguntas del taller serán respondidas en grupo. Cada uno de los grupos tomará sus notas delas respuestas y realizará un informe. Este taller es necesario entregarlo a la profesora en ocho díasexactamente. Suerte!

6. REFERENCIAS DEL TALLER


[1] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551course, lecture and lab.

TALLER No. 4: Visualización de imágenes del ir termal

TTAALLLLEERR NNOO.. 44:: VVIISSUUAALLIIZZAACCIIÓÓNN DDEE IIMMÁÁGGEENNEESS DDEELL IIRR TTEERRMMAALL



1. Analizar varias imágenes del IR termal y entender sus propiedades básicas y características Diferenciar las aplicaciones que pueden desarrollarse con las imágenes del IR termal2. Diferenciar las características de resolución de diversos tipos para las imágenes del IR termal.


La emisividad de un material plano es usualmente determinada por la medición de sureflectancia con una esfera de integración y convirtiendo el resultado usando propiedades deequivalencia direccional hemisférica.

Los goniómetros infrarrojos termales existen y han sido aplicados para medir la reflectancia y laemisividad de algunos materiales. Ver figura de emisividad.

El agua, hielo y la nieve generalmente tienen una alta emisividad (0.94 a 0.99), a través de laregión del IR termal. La nieve es inusual en que tiene una alta reflectancia en la región del visibley algo de emisividad en la región del termal.

Los suelos y los minerales exhiben características espectrales más fuertes. Los bandeados deareniscas quarzosas causan características espectrales fuertes entre 8 y 10 micrómetros ydepende del tamaño de las caras. La firma en la región del 3 al 5 depende fuertemente delcontenido orgánico y del agua. Los suelos más secos y puros tienen la más baja emisividad enesta región.


La vegetación seca tiene una emisividad variable especialmente en la región del 3 al 5, quedepende del tipo y estructura de la cobertura, la humedad etc.La infraestructura humana hecha de metales pulidos tiene la menor emisividad. Estos metalestienden a reflectar altamente.

Los materiales como asfalto y ladrillos están en el mismo rango de materiales naturalesaproximadamente de 0.9 a 0.98.

A continuación se presentan las imágenes que serán trabajadas en clase, con sus característicasespecíficas.

Imagen: annaborSensor: Daedalus DS-1230 Sistema de barrido cuantitativo del IR termal IFOV: 1.0 miliradianDetector: Mercury cadium telluride (Hg-Cd-Te) operando en la región 8 - 14 micrómetrosFecha de adquisición : Mayo 9 / 81Altitud: 3600 metros Tiempo: 6:30 amTemperatura del aire: 19 oC

Imagen: TexasSensor: Daedalus DS-1230 Sistema de barrido cuantitativo del IR termalIFOV: 1.0 miliradianDetector: Mercury cadium telluride (Hg-Cd-Te) operando en la región 8 - 14 micrómetrosFecha de adquisición: Enero 10 / 1980Altitud: 250 metrosTiempo: 6:45 amTemperatura : 12 oC

Imagen: CampusIFOV: 2.5 miliradianAdquirida: Marzo 10/83Altitud: 500 metros

TALLER No. 4: Visualización de imágenes del ir termal


En este taller serán visualizadas tres imágenes de diferentes bandas del IR termal, lascaracterísticas de cada imagen fueron presentadas en el marco de referencia.

En grupos de máximo tres personas será empleado el software IDRISI para desplegar estasimágenes. Después de observar detenidamente cada una de ellas los grupos entrarán acontestar las preguntas planteadas


4.1. Visualización y análisis de la imagen de la ciudad Ann Arbor ( IR termalmedio)

En IDRISI despliegue la imagen “annabor” ubicada en el directorio de trabajo que se le indicará.Una vez desplegada esta imagen responda a las siguientes preguntas:

1. Qué apreciación puede hacer acerca de la resolución espacial de esta imagen? Qué tamaño deobjetos se pueden resolver en ella?

2. Note que los caminos y los ríos dan un tono más claro que las áreas de vegetación. Expliquepor qué esto ocurre.

3. Qué son las áreas de manzanas, extremadamente oscuras en la imagen?4. Se ven evidencias de un cambio termal en la medida en que se va de la parte central de la

imagen a las afueras de la ciudad?. Explique por que se da este fenómeno y por qué essusceptible de ser captado en la región de los 8 a los 14 micrómetros, que es donde se tomóesta imagen?

4.2. Visualización y análisis del Area residencial de Fort Worth, Imagen termalTX

En IDRISI despliegue la imagen “texas” ubicada en el directorio de trabajo que se le indicará. Unavez desplegada esta imagen responda a las siguientes preguntas:

1. Proporcione una descripción corta de por qué los siguientes elementos aparecen como están enesta imagen IR termal:

� Caminos� Vegetación natural y artificial� Aceras y patios� Automóviles2. Explique por qué casi todos los carros, en su parte frontal, tienen un punto brillante sobre ellos3. Explique la razón por la cual algunos patios están más oscuros que otros


4.3. Visualización y análisis de la imagen termal USC

Las imágenes termales tienen muchos usos uno de los cuales envuelve la detección de lapérdida de energía. Uno de los mejores medios de transmisión de energía es a través de la redde tubos de calefacción, que fue captada en la imagen “campus”.

Las imágenes termales nos permiten realizar inventarios de las redes de tuberías y monitorearlaspara la pérdida excesiva de calor o escapes. Aunque las tuberías de calefacción pueden serenterradas bajo el concreto, el suelo; la vegetación o el asfalto, ellas son visibles como líneasdelgadas blancas sobre la imagen termal.

En IDRISI despliegue la imagen “campus” ubicada en el directorio de trabajo que se le indicará.Una vez desplegada esta imagen responda a las siguientes preguntas:

1. Qué son los elementos brillantes encontrados a lo largo de las líneas de calefacción, así comoen sus intersecciones?

2. Las imágenes termales a menudo presentan distorsiones del relieve perpendicular a la línea devuelo. Esta imagen termal fue tomada con vuelo oeste-este o norte sur?. Liste ejemplos en losque se basó para responder.

3. Fue la imagen adquirida en el día o en la noche. Explique4. El edificio grande en la esquina superior derecha de la imagen muestra una alta pérdida de

calor a lo largo de sus lados. Cuál puede ser la causa?5. Note los puntos blancos numerosos localizados en toda la imagen, que no son parte de las

redes de tubería de calefacción. Qué pueden ser?


Las preguntas del taller serán respondidas en grupo. Es necesario tomar apuntes de lasrespuestas, las cuales serán respondidas con todo el grupo. Este taller no es necesario entregarloa la profesora. Aprovéchelo para solidificar sus conocimientos Suerte!


[1] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551course, lecture and lab. Exercise # 3

Taller No. 5 Interpretación y análisis de imágenes de radar

TTAALLLLEERR NNOO.. 55:: IINNTTEERRPPRREETTAACCIIÓÓNN YY AANNÁÁLLIISSIISS DDEE IIMMÁÁGGEENNEESSDDEE RRAADDAARR



1. Analizar diversos elementos de la superficie terrestres captados sobre las imágenes de radar einterpretar sus tonos, texturas y formas de distribución, de acuerdo con los conceptos básicosde radar estudiados.

2. Asimilar como son captados diversos elementos de la superficie terrestre en la imagen de radary entender por que su representación es de una u otra forma.

3. Entender el papel que juega el radar como soporte para el desarrollo de diversas aplicacionesrelacionadas con el manejo de recursos naturales y de los componentes del ambientales.


Una virtud que presentan las imágenes de Radar (Radio Detection and Ranging) es su habilidad decoleccionar datos sobre cualquier región a cualquier hora, a pesar de las condiciones de tiempo.Algunas ondas de radar pueden penetrar las nubes y bajo ciertas condiciones pueden también “ver”a través de la vegetación, el hielo y arena extremadamente seca.

En muchos casos el radar es el único camino por el que los científicos pueden explorar regionesinaccesibles de la superficie de la tierra.

Un radar de apertura sintética transmite pulsos de energía de las microondas hacia la tierra y midela fuerza y el tiempo de demora de la energía que es enviada de vuelta a la antena. En el caso delSIR-C/X-SAR, el movimiento del transbordador es usado para “sintetizar” una antena (la apertura)que es mucho más larga en extensión. Una antena más larga produce imágenes de resolución másfina.

Las condiciones en la superficie de la tierra influyen sobre la energía de radar que es reflejada devuelta hacia la antena. Un área con una variedad de tipos de superficies como colinas, árboles yrocas grandes reflejarán más energía de vuelta al radar que un área menos compleja como eldesierto. La imagen de radar resultante del terreno variado, será más brillante (tonalidades másclaras) que aquella imagen del área simple.

Sobre la respuesta de la energía del objeto hacia la antena están influyendo parámetros como larugosidad, la constante dieléctrica, la estructura y la forma en general de los elementos de lasuperficie terrestre.

Las características de los sensores mismos del radar también producen imágenes diversas. Losparámetros que determinan esta variedad son: la longitud de onda (frecuencia), la polarización y lalongitud de la antena del sensor.

En radar el área de cada pixel está conformada por la resolución azimutal (dirección de la línea devuelo) y la resolución del rango (dirección perpendicular a la línea de vuelo). El área resuelta secalcula como el producto de estas dos resoluciones. En radar la resolución del rango es aquella que


depende de la longitud del pulso. La resolución azimutal es aquella que va en la misma direccióndel vuelo


En este taller serán respondidas las preguntas relacionadas con el análisis sobre las imágenes deradar. Posteriormente será seleccionada una de las posibles aplicaciones que podría llevarse a cabosobre las imágenes de radar puestas en consideración. Sobre la aplicación específica, queseleccione cada grupo, será resuelto el cuestionario.

4. PROCEDIMIENTOS ESPECÍFICOS [1][2]

4.1. Análisis de imágenes de radar

44..11..11.. IImmaaggeenn eessppaacciiaall ddee rraaddaarr bbaannddaa CC//XX ddeell rraaddaarr ddee aappeerrttuurraa ssiinnttééttiiccaa((SSIIRR--CC//XX--SSAARR))

El SIR C/X-SAR es parte de una misión de la NASA al planeta tierra. El SIR C/X-SAR usa treslongitudes de onda: la banda L (24 cm), la banda C (6 cm) y la X (3 cm). Los datos demultifrecuencia son usados por la comunidad internacional científica para entender mejor elambiente global y como cambia. Los datos del SIR C/X-SAR complementados con estudiosaerotransportados y terrestres dan a los científicos una visión clara de esos cambios ambientalesque son causados por la naturaleza y de aquellos inducidos por actividades humanas.

La imagen de la izquierda es de Los Angeles – California (archivo “labasin”) y fue tomada enoctubre 2 de 1994. En la imagen pueden ser apreciados el puerto Long Beach (Izquierda abajo), elaeropuerto Internacional de los Angeles (centro abajo) y las Colinas de Hollywood a la izquierda.También pueden apreciarse los sistemas de autopistas de Los Angeles que aparecen en líneasoscuras. Las montañas de San Gabriel (centro arriba) y algunas comunidades pueden observarseen el lado izquierdo.


Esta imagen de frecuencia única fue obtenida en banda L (24 cm) con polarización horizontal (HH).Las áreas suburbanas aparecen en tonos grises claros. En esta imagen una zona de incendio –Altadena es visible en la parte de arriba (central) como un parche de montañas que son más clarasque las vecinas.

La imagen de la derecha es San Francisco, California (archivo “sanfrancisco”), tomada en Octubre 3de 1994. La ciudad de san Francisco se ve en el centro, con la ciudad de Oakland (a la derecha). Através de la bahía de San Francisco sobresale en la imagen el Puente Golden Gate (izquierdacentro) y el puente de la Bahía conectando a San Francisco con Oklahoma. Al norte de este puenteestá la isla del Tesoro y la de Alcatraz.

También fue obtenida en la banda L, con polarización HH.

A continuación responda las siguientes preguntas:1. Por qué las superficies planas como las del océano pacífico, las autopistas y la pista del

aeropuerto aparecen muy oscuras en la imagen?2. Por qué existen parches brillantes de iluminación de radar en las pendientes de las montañas?3. ¿por qué las áreas suburbanas con baja densidad de viviendas y algunas calles aparecen en

grises claros?4. Por qué las áreas con edificaciones altas en la ciudad aparecen en tonos blancos?5. Cómo aparecen en la segunda imagen los puentes?. Sería fácil trazarlos?. Por qué?6. En la imagen de la derecha describa las diversas texturas que visualice y relaciónelas con

diferentes tipos de elementos7. Para qué tipos de estudios utilizaría cada imagen?

4.2. Aplicaciones en campos específicos

Las imágenes de Radarsat Internacional (de Canadá) presentan las siguientes especificaciones:

� Banda C� Polarización HH (transmisión horizontal y recibimiento horizontal)� Vista derecha � Longitud de barrido 1,175 Km.� Tiene varios modos de haz (desde delgados hasta anchos) para proveer diferentes

resoluciones espaciales.

Las aplicaciones que a continuación se presentan usan imágenes de Radarsat. Desarrolle los puntosde análisis para tres de las aplicaciones que seleccione.

44..22..11.. AApplliiccaacciioonneess eenn aaggrriiccuullttuurraa

La imagen que se presenta debajo es de Bangkok – Thailandia de enero 1, de 1996, con resoluciónespacial de 30 metros. (Archivo “radaricon1”)


1. Bangkok está localizada sobre el delta del río Praya, a 50 Km del golfo de Tailandia. Qué sonlos elementos lineales, alargados y oscuros que atraviesan el suelo al este del río (tómese elnorte hacia arriba)?. Por qué son oscuros?

2. Cuál asume que es el uso primario de esta área?. En qué se basa para decirlo?3. Qué son las firmas claras localizadas en el río?. Por qué tienen ese tono?

44..22..22.. AApplliiccaacciioonneess eenn aammbbiieenntteess ccoosstteerrooss

La imagen corresponde a Tromso, Norway, fue tomada en enero 4 de 1996 y tiene 30 m. deresolución. (Archivo “trom1fj”)

1. Tromso está localizado en la costa noroeste de Norway al centro de la imagen. Cómo aparecela respuesta de Tromso aquí y por qué?

2. Qué son los dedos oscuros en cualquiera de los lados de Tromso?. Qué tipo de paisaje es este?3. En el otro lado de Tromso, atravesando las áreas negras hay dos elementos lineales con un

brillo muy alto. Qué son y por que tienen esa respuesta?


44..22..33.. AApplliiccaacciioonneess eenn ffoorreessttaall

La imagen corresponde a Okanagan, B.C. Canadá. Es de enero 21 de 1996 y tiene 10m. deresolución. (Archivo “okan1for”)

1. Esta es un área de bosque boreal en el occidente de Canadá, que ha sido talada en variasépocas. Explique como puede reconocer esas áreas que han sido taladas varias ocasiones y porqué ellas tienen la repuesta que tienen, en relación con las áreas circundantes?

2. Si el norte está hacia arriba de la imagen, dónde está la planicie en relación con el valle? Y cualdirección es la ruta del radar?

3. Describa las diversas texturas que visualiza en la imagen y relaciónelas con diversos tipos decoberturas

44..22..44.. AApplliiccaacciioonneess eenn ggeeoollooggííaa

La imagen muestra a Jakarta en Indonesia, tomada en diciembre 29 de 1995, con una resoluciónde 30 m. (Archivo jaka1volt)


1. Esta es una imagen de dos estrato-volcanes al sur de Jakarta en Indonesia. La caldera mayor(abajo a la derecha) tiene más de 1 Km. de diámetro y fue formada a través de erupcionessucesivas. Si el norte está arriba desde cual dirección se origina el haz de luz del radar?

2. Cuál es la causa de la alternación de áreas de respuestas claras y oscuras que salen de lascalderas?. Relaciónelas con diferentes tipos de elementos.

3. Basados en la cantidad de inversión de la imagen responda si el ángulo incidente del haz teníaposición relativamente empinado o relativamente bajo?. Explique por qué.

4. Describa las diversas texturas que visualiza y relaciónelas con distintas coberturas.

44..22..55.. AApplliiccaacciioonneess eenn hhiiddrroollooggííaa

La imagen es de el río Columbia en USA, tomada en febrero 13 de 1996, con una resoluciónespacial de 30 m. (Archivo colm1fl)

1. La imagen muestra el flujo del río de norte a sur. Explique las respuestas oscuras en cada unode sus lados y ¿qué le dice esto acerca de los eventos recientes?

2. Si se fuera a realizar un estudio sobre sedimentación, qué parámetros le cambiaría a la toma dela imagen?. Explique

3. Cómo se está comportando la longitud de onda con respecto a la rugosidad de las superficie enesa área de estudio?. Que tipo de reflexión se da en cada caso? (difusa o especular). Expliquepara varias coberturas.

44..22..66.. AApplliiccaacciioonneess uurrbbaannaass//ddee uussoo ddeell ssuueelloo

La imagen corresponde a Basra-Iraq y fue tomada el 22 de enero de 1996. Tiene 30 m. deresolución espacial. (Archivo “iraq2oil”)


1. Esta área es a lo largo del golfo Pérsico, cerca de Kuwait, Iraq. ¿Que son las líneas blancas quecubren el lado izquierdo de la imagen?

2. ¿Qué podrían las respuestas claras en el centro de la imagen representar?3. Mencione los diferentes tipos de tonalidades que se diferencian en la imagen y diga que

rugosidad, y por ende, que tipo de reflexión poseen.


Las preguntas del taller serán respondidas en grupos máximo de dos personas. Cada uno de ellosresponderá por escrito las preguntas. Suerte!


[1] Universidad South Carolina. Jhon R. Jensen, Ph.D., Steve Schill. Geography 551 course, lectureand lab. Exercise # 4

[2] Laura McCarthy Department of Geography and Earth Resources. Utah State University. Radarimagery. Exercise # 4.

TALLER No.6 Introducción a IDRISI 32

1. OBJETIVOS.................................................................................................................................................................1

2. MARCO DE REFERENCIA........................................................................................................................................1

3. PROCEDIMIENTOS ESPECIFICOS.......................................................................................................................1 3.1. EL ENTORNO DE IDRISI32...................................................................................................................................1

3.1.1. Cuadros de Diálogo y Listas de Selección ...........................................................................................2 3.1.2. La barra de estado.....................................................................................................................................3 3.1.3. Organización de Menús............................................................................................................................3 3.1.4. Composer.....................................................................................................................................................4 3.1.5. Despliegues gráficos alternativos..........................................................................................................5

3.2. VISUALIZACIÓN: LAYERS (CAPAS) Y COLECCIONES DE LAYERS.................................................................6 3.2.1. Visualización de layers de mapas...........................................................................................................6 3.2.2. Visualización de colecciones de layers .................................................................................................7

3.2.2.1. Colecciones de layers vector .....................................................................................................................8 3.2.2.2. Colecciones de layers raster ......................................................................................................................9

3.3. ESTRUCTURAS DE DATOS Y ESCALAMIENTO...............................................................................................10 4. REQUERIMIENTOS DEL TALLER ...................................................................................................................... 11

5. REFERENCIAS DEL TALLER............................................................................................................................... 12


TTAALLLLEERR NNOO.. 66 IINNTTRROODDUUCCCCIIOONN AA IIDDRRIISSII3322

1. OBJETIVOS Familiarizarse con la interfaz de Idrisi32 y con sus características principales. Llevar a cabo tareas relacionadas con el entorno de Idrisi 32, visualización de capas de datos y de colecciones, sobre composiciones de mapas, sobre paletas, símbolos y creación de capas de textos, sobre estructura de datos y escalamiento. 2. MARCO DE REFERENCIA IDRISI es un programa SIG producido por Clark Labs. La organización fue fundada en 1987 como el proyecto IDRISI por el profesor Ron Eastman. En 1994 el nombre fue cambiado a Clark Labs. Es una institución de educación e investigación localizada en la Universidad de Clark en Worcester, Massachussets, USA y está fuertemente atada a la Escuela de Graduación de Geografía y al programa de desarrollo Internacional de Clark. Las actividades de este laboratorio pueden agruparse en tres áreas: El desarrollo, la distribución y el soporte del análisis geográfico y del sistema de software de procesamiento de imágenes y el paquete de edición y digitalización vector CartaLinx; programas de educación y de investigación. Desde su presentación en 1987, IDRISI ha alcanzado 20000 instalaciones en más de 130 países alrededor del mundo. En 1998 fue presentado el CartaLinx, un estructurador de datos espaciales. El programa permite la digitalización, desarrollo de bases de datos y edición topológica; soporta una variedad de métodos de entrada de datos y formatos para transferir desde ArcInfo, ArcView y MapInfo. Actualmente existen en actividad muchos grupos de investigación en Clark Labs. Estas investigaciones incluyen: Análisis de cambios y de series de tiempo, soporte de decisiones e incorporación de errores al SIG, análisis Geoestadístico, modelamiento de superficies, transferencia de tecnología e implementación de sistemas. Artículos de revistas, presentaciones de conferencia, documentos de proyectos, materiales de entrenamiento y nuevas capacidades de software son productos típicos de las actividades de investigación. Usted puede consultar más detalles en http://www.clarklabs.org 3. PROCEDIMIENTOS ESPECIFICOS

3.1. El entorno de Idrisi32 - Para ejecutar Idrisi vaya a Inicio -> Programas -> Idrisi32 -> Idrisi32 Automáticamente se abre una ventana con el título Project Environment (Entorno de Proyecto). Esta ventana permite indicar los directorios donde se encuentran los archivos de datos con los que va a trabajar. (si la ventana no se despliega automáticamente, se puede acceder a ella desde la opción Data paths del menú File)

http://www.clarklabs.org


Un proyecto es una organización de directorios de datos: tanto los directorios de los archivos de entrada que se usarán, como los de los archivos de salida que se crearán. El elemento fundamental de un proyecto en Idrisi32 es el directorio de trabajo (Working Directory). El directorio de trabajo es la ubicación en donde se encuentran los datos de entrada y donde se escribirá la mayoría de los resultados de los análisis. Además del directorio de trabajo, también se pueden tener diversos directorios de recursos (Resource Folders). Un directorio de recursos, es cualquier directorio desde el cual se pueden leer datos pero en el cual típicamente no se escriben datos. Los botones Add y Remove de la ventana de entorno de proyecto se usan para agregar y eliminar directorios de recursos. Idrisi mantiene la configuración del entorno de proyecto de una sesión a otra. Como consecuencia de esto no hay necesidad de guardar explícitamente el entorno de proyecto, a menos que se tenga pensado usar varios entornos de proyecto. - Haga click en el botón Browse de la ventana Data Paths y seleccione “c:\Idrisi32 Tutorial\Using

Idrisi32” como directorio de trabajo. - Haga click en el botón Save As… y guarde el entorno de proyecto con el nombre “tutorial.env” El entorno de proyecto se almacena en un archivo con extensión ENV, de forma similar a ArcView, en donde los proyectos tienen extensión APR.

33..11..11.. CCuuaaddrrooss ddee DDiiáállooggoo yy LLiissttaass ddee SSeelleecccciióónn - Presione OK para cerrar la ventana de entorno de proyecto. (Es posible acceder a esta ventana en

cualquier momento desde el menú File->Data Paths o con el botón de la barra de herramientas).

- Abra la ventana del Display Launcher desde el menú Display -> Display Launcher o con el botón

de la barra de herramientas.

- En tipo de archivo elija Raster Layer. Haga click en el botón para abrir la ventana de selección de archivos (Pick List), que es utilizada en la mayoría de módulos de Idrisi32 (También es posible acceder a la ventana de elección haciendo doble click sobre el cuadro de texto en blanco).

En la ventana de selección se despliegan los nombres de los layers en el directorio de trabajo, y después cada directorio de recursos presente en el entorno de proyecto. Si un folder no tiene signo ‘+’ ó ‘-‘ indica que no contiene archivos del tipo que se quiere desplegar. Adicionalmente, la ventana de selección presenta un botón Browse en la parte inferior. Sirve para seleccionar archivos de algún directorio diferente a los que aparecen en el entorno del proyecto. - Seleccione la imagen ‘SIERRADEM’ del directorio de trabajo y presione OK. Note que ahora el

nombre de la imagen aparece en el cuadro de texto de la ventana Display Launcher. Una vez se ha elegido la imagen a desplegar (los términos imagen y Raster Layer son análogos), es necesario seleccionar una paleta (conjunto de colores utilizado para representar la imagen). En la mayoría de los casos, se utilizan las paletas estándar que aparecen en la parte derecha de la ventana Display Launcher. Sin embargo, es posible crear nuevas paletas en caso de ser necesario. - Seleccione la paleta cuantitativa (Quantitative Standard Idrisi)


Note que la opción Autoscale se ha activado automáticamante. La opción autoscale, es un procedimiento a través del cual Idrisi establece una correspondencia entre los valores de una imagen y los colores de una paleta1. Las opciones de Legend y Title (Leyenda y Título) que están junto a Autoscale permiten desplegar la leyenda y título de la capa. - Presione OK en la ventana Display Launcher para abrir la imagen. Esta imagen es un modelo de

elevación de una región de España.

33..11..22.. LLaa bbaarrrraa ddee eessttaaddoo - Mueva el cursor del mouse sobre la ventana de la imagen SIERRADEM La barra de estado es la que se encuentra en la parte inferior de la ventana de Idrisi. Note como la barra de estado muestra la posición de Fila y Columna así como las coordenadas X y Y de la ubicación del cursor a medida que éste se mueve. La fracción representativa ‘RF’, que aparece en la parte izquierda de la barra de estado, expresa la escala actual del mapa (tal como se ve en pantalla). Como los demás valores de la barra de estado, RF se actualiza automáticamente a medida que se cambia el zoom de la ventana activa.

33..11..33.. OOrrggaanniizzaacciióónn ddee MMeennúúss La barra de menú principal tiene seis menús: File, Display, GIS Analysis, Modeling, Image Processing, Reformat, Data Entry, Window List y Help. El menú File contiene una serie de utilidades para la importación, exportación y organización de archivos de datos. También para configurar las preferencias de usuario. - Vaya al menú File y escoja la opción User Preferences. Explore las opciones que presenta esta

ventana. Presione el botón Revert to defaults para volver a las opciones por defecto. Presione OK para cerrar la ventana.

Nota: Los archivos de Idrisi16 son incompatibles con los de Idrisi32. Para poder utilizar archivos de la versión anterior, es necesario convertirlos. Por ejemplo, las extensiones de los archivos raster: IMG y DOC han cambiado a RST y RDC. Para vector: de VEC a VCT. - En el menú File, haga click en la opción Idrisi File Conversion (16/32) para abrir el módulo de

conversión de archivos (de Idrisi16 a Idrisi32 y viceversa). La figura 1 muestra la imagen de esta ventana.

1 Por ejemplo, si una imagen tiene valores entre 1000 y 2000, y la paleta tiene colores de 1 a 256, se debe hacer corresponder cada color con un valor o conjunto de valores de la imagen. Color 1: valor 2000; color 2:valor 2010; ... ; color 256:valor 2000.


Figura 1. Ventana de conversión de versión

La opción Convert all files of this type in a folder es de gran utilidad si se desean convertir todos los archivos presentes en una carpeta de una sola vez. La opción Replace existing data files permite al usuario indicar si desea borrar los archivos originales o mantenerlos después de que se ha realizado la conversión. - Explore las demás opciones del menú File, explique para que sirven. El menú GIS Analysis contiene la mayoría de los módulos. Este menú tiene hasta cuatro niveles de profundidad, pero su organización primaria se encuentra en el nivel uno. Las de este nivel representan el núcleo del análisis SIG; Consulta de base de datos, operadores matemáticos, operadores de distancia, operadores de contexto, Estadística, Toma de decisiones, Análisis de cambio y series de tiempo, y análisis de superficies. El menú Modeling contiene herramientas para la construcción de diagramas de flujo, operaciones de álgebra de mapas, creación y edición de macros. En Image Processing se incluyen todas las funciones de procesamiento de imágenes: correcciones, filtros, clasificadores, componentes principales, etc. El menú Reformat contiene una serie de módulos cuyo propósito es convertir datos de un formato a otro. Es aquí, por ejemplo, donde se encuentran las rutinas para convertir entre formatos raster y vector, cambiar el sistemade coordenadas de una imagen, generalizar datos espaciales, entre otras.

33..11..44.. CCoommppoosseerr La ventana composer se abre automáticamente cada vez que se despliega un layer. El composer se utiliza, entre otras cosas para la construcción de mapas. Permite agregar y eliminar layers, cambiar su orden de dibujo y su simbolización, y además, guardar e imprimir las composiciones (Ver Fig. 2).


Figura 2 La ventana Composer

- Active la ventana de la imagen SIERRADEM, presione el botón Add Layer en el composer y

agregue el layer vector CONTOURS que se encuentra en el directorio de trabajo. Elija Uniform Black como al paleta para desplegar el layer.

Adicionalmente, esta ventana permite controlar la visualización de la imagen a través de los botones de la parte inferior:

Desplaza la imagen hacia arriba (también con la flecha correspondiente en el teclado) Desplaza la imagen hacia abajo (también con la flecha correspondiente en el teclado)

Desplaza la imagen hacia la derecha (también con el teclado)

Desplaza la imagen hacia la izquierda (también con el teclado)

Zoom In (o con PageUp en el teclado)

Zoom Out (o con PageDown en el teclado) - Experimente con las opciones de zoom y desplazamiento. Haga un acercamiento de forma tal que

la estructura de celdas de SIERRADEM sea visible.

33..11..55.. DDeesspplliieegguueess ggrrááffiiccooss aalltteerrnnaattiivvooss Idrisi32 provee diferentes medios de visualización. Exploraremos el módulo ORTHO el cual permite la creación de representaciones tridimensionales.

- Haga click en el botón del Display Launcher y despliegue el layer raster llamado SIERRA234. Note que las opciones de paleta se desactivan. La razón es que esta es una imagen en color de 24 bits2 (en este caso, una composición creada a partir de las bandas 2, 3 y 4 de una imagen Landsat).

2 La capacidad de desplegar imágenes en color de 24 bits es una de las diferencias entre Idrisi16 e Idrisi32. Una imagen de 24 bits es una forma especial de imagen raster, en donde cada celda contiene los datos de tres canales de color independientes (Red, Green, Blue). Cada uno de dichos canales es representado por un valor entre 0 y 255, permitiendo así representar más de 16 millones de colores (256x256x256).


- Elija la opción ORTHO desde el menú DISPLAY. Especifique SIERRADEM como la imagen de superficie y SIERRA234 como imagen drape (o de cubierta). Como es una imagen de 24 bits no es necesario elegir una paleta. Mantenga los demás parámetros con los valores por defecto, excepto para la resolución de salida (escoja 800X600) luego haga click en OK para generar la vista 3D.

3.2. Visualización: Layers (capas) y colecciones de layers

EL layer es quizá el elemento más importante en la representación digital de datos geográficos en Idrisi. Un layer es un tema geográfico básico, que consiste de una serie de características similares en algún sentido. Los layers pueden considerarse también como los bloques de construcción de los mapas. así como las variables del análisis geográfico.

33..22..11.. VViissuuaalliizzaacciióónn ddee llaayyeerrss ddee mmaappaass.. Desde los inicios de la cartografía automatizada y los SIG los layers se han codificado de acuerdo a dos lógicas fundamentalmente diferentes: raster y vector. Idrisi permite trabajar con las dos formas de representación. Vector En el modelo de datos vector los rasgos geográficos son representados como puntos, líneas o polígonos. Los puntos se almacenan como una coordenada única, las líneas se guardan como series de coordenadas x,y; y los polígonos, como series de coordenadas x,y que encierran un área específica. Raster En el modelo de datos raster la situación es diferente: los rasgos geográficos se representan por medio de una matriz bidimensional de celdas de tamaño constante3. Cada celda (o pixel) se representa con un color y tiene un valor asociado (en el caso de un modelo de elevación, por ejemplo, este valor será la elevación). Para ubicar una celda determinada dentro de la imagen, se hace referencia a ella a través de su número de fila y columna. - Cierre todas las imágenes abiertas (Window List -> Close All Windows)

- Haga click en y despliegue el layer vector SIERRAFOREST. Elija la opción de símbolo definido por el usuario y escoja el archivo de símbolos FOREST. Este layer representa las áreas de bosque de una región de España.

- Utilice las flechas de desplazamiento y las teclas PageUp y PageDown para hacer zoom sobre alguno de los polígonos.

- Presione la tecla Inicio en el teclado (o el botón en la barra de herramientas) para volver a

la visualización original, luego presione Fin (o el botón en la barra de herramientas) para maximizar el área de visualización del layer.

Para hacer un zoom de ventana utilice el botón de la barra de herramientas.

3 Al tamaño de la celda se le llama ‘resolución’. Es decir, si una celda tiene 10X10m, se dice que la resolución es de 10m


- Seleccione el botón del cursor de consulta de la barra de herramientas . Haga click sobre alguno de los polígonos de bosque. El polígono se ilumina y su identificador aparece junto al cursor.

- Haga click en el botón ‘Propiedades de Rasgos’ (Feature Properties) en la ventana Composer (o en

el botón de la barra de herramientas), y continúe haciendo click sobre los polígonos. Note que la información que se presenta en el cuadro ‘Propiedades de Rasgo’ que se ubica debajo de la ventana Composer.

Como puede deducirse de la observación de layer SIERRAFOREST, las representaciones vector están orientadas a los rasgos. Dichas representaciones describen rasgos que son entidades con fronteras distintivas. Ahora se contrastará esta situación con la de los layers raster. - Haga click en el botón ‘Add Layer’ del composer. Este diálogo es una versión modificada del

Display Launcher con opciones para agregar tanto layers raster como layers vector al mapa actual. Seleccione la opción de layer raster y elija SIERRANDVI desde la ventana de selección. Elija la paleta NDVI y presione OK.

- Note cómo el layer raster ha cubierto por completo el layer vector. Para confirmar que ambos layers están presentes, haga click en la marca de comprobación que aparece junto al layer SIERRANDVI en la ventana Composer. Esto apagará dicho layer, permitiendo ver el que se encuentra debajo.

- Haga visible nuevamente el layer SIERRANDVI. - Los layers raster están compuestos de una matriz de celdas (pixels), almacenada como una

matriz de valores numéricos, pero representados gráficamente como una grilla de cuadrados (celdas) coloreados. Haga zoom hasta que la estructura raster sea evidente.

Puede decirse que los layers raster no describen rasgos en el espacio, sino que describen el espacio mismo. Cada celda describe el carácter o la condición del espacio en esa ubicación especifica. - Haga click sobre el nombre del layer SIERRANDVI en el Composer para activarlo. Como el cursor

de consulta aún está activo, haga click sobre la imagen. Note como todas las celdas contienen algún valor.

- Cambie la posición de los layers de forma que el layer vector quede arriba. Para hacer esto, haga click sobre el nombre del layer SIERRAFOREST en el Composer para activarlo. Luego arrástrelo hacia abajo.

Con el layer vector arriba, note que se puede ver a través de él donde el espacio está vacío. Sin embargo, los polígonos ocultan todo lo que está bajo de ellos. Esto puede cambiarse utilizando una forma diferente de simbolización. - Seleccione el layer SIERRAFOREST en el Composer. Luego haga click en el botón ‘Propiedades de

Layer´ (Layer Properties). - Para cambiar el archivo de símbolos usado para desplegar SIERRAFOREST, haga click en el botón

de selección que se encuentra junto al nombre del archivo de símbolos actual y elija FOEREST2. A diferencia del relleno sólido de FOREST, el archivo de símbolos FOREST2 utiliza un patrón de sombreado con fondo transparente. Como resultado de ello, ahora es posible ver completamente el layer inferior.

33..22..22.. VViissuuaalliizzaacciióónn ddee ccoolleecccciioonneess ddee llaayyeerrss


- Cierre todos los layers abiertos

- Abra el Display Launcher y elija la opción de desplegar un layer vector. Abra la ventana de selección y encuentre el layer llamado MAZIP. Note que hay un signo ‘+’ junto a él. Haga click sobre el signo y note como un grupo adicional de layers es listado bajo él. Seleccione el layer llamado MEDHOMVAL. Use el archivo de símbolos cuantitativo estándar y asegúrese de que las opciones autoscale, title y legend estén activas. El layer representa el valor medio de las casas en Massachussets, por regiones de código postal.

3.2.2.1.Colecciones de layers vector MAZIP es una colección de layers vector. En Idrisi32, una colección es un grupo de layers que están asociados entre sí. Las colecciones vector, se componen de un layer vector (que actúa como un marco espacial) el cual es asociado con una tabla de datos de los rasgos representados. Un marco espacial es un layer que describe únicamente el carácter geográfico de los rasgos, pero no sus atributos. Al asociar con él una tabla con datos de atributos para cada rasgo, es posible generar un layer para cada uno de los campos en la tabla. Idrisi cuenta con un sencillo administrador de bases de datos relacionales que se conoce como Database Workshop.

- Active la ventana del layer MEDHOMVAL y oprima el botón de la barra para abrir el database workshop.

Normalmente, el database workshop preguntaría por el nombre de la base de datos y la tabla a visualizar, sin embargo, como el layer en pantalla ya está asociado con una base de datos, se despliega automáticamente. Note que los nombres de las columnas (o campos) de la tabla coinciden con los nombres de los layers que se desplegaron al seleccionar MAZIP en la ventana de selección. Cada fila (registro) de la tabla representa un rasgo diferente (regiones de código postal).

- Active el cursor de consulta y haga click en varios polígonos del mapa. Note cómo el registro activo en la tabla se cambia al que corresponde al polígono seleccionado.

Con una tabla asociada, cada campo se puede convertir en un layer diferente. Note que en la ventana

del database workshop existe un botón que es igual al del display launcher: . Este icono puede ser usado para desplegar un campo de la tabla. - Escoja el campo MEDHHINC (ingreso medio por casa) haciendo click en cualquier celda de esta

columna.

- Presione el botón en la ventana del database workshop para desplegar el campo seleccionado en forma de layer.

Las colecciones de layers se crean (y editan) con una herramienta llamada Collection Editor, que se encuentra en el menú File. - Abra el editor de colecciones - Desde el menú File del editor de colecciones escoja la opción Open


- En ‘Archivos de Tipo’ elija: *.VLX Vector Link Files (archivos de asociación vector) y abra el archivo llamado MAZIP.VLX

Un archivo .VLX (a través del cual se asocia el layer vector con la base de datos) tiene cuatro componentes: - El marco espacial (spatial frame) es cualquier archivo vector que define un grupo de rasgos

usando identificadores enteros únicos. En este caso, la definición espacial de las áreas de código postal, MA_ZIPCODES

- El archivo de base de datos (database file) es un archivo en formato de Microsoft Access. Esta colección usa un archivo de base de datos llamado MA_ZIPSTATS

- Los archivos de bases de datos pueden contener múltiples tablas. En el archivo VLX se indica qué tabla debe usarse. En este caso, la tabla DEMOGRAPHICS.

- El campo de asociación o encadenamiento (link field), es el campo de la tabla que contiene los identificadores que se asocian (que coinciden) con los identificadores usados para las características en el marco espacial. Este es el elemento más importante del archivo VLX, pues sirve para establecer la relación entre los registros en la base de datos y los rasgos en el archivo vector. Para esta colección, el campo de asociación es IDR_ID.

- Cierre el editor de colecciones.

3.2.2.2.Colecciones de layers raster Con layers de tipo raster, la lógica de creación de una colección es muy diferente. Una colección raster es una agrupación de layers. Se crean y editan con el editor de colecciones. A diferencia de la colección vector, lo que se genera al crear una colección raster es un archivo .RGF (raster group file). - Abra de nuevo el editor de colecciones. - Desde el menú File escoja New - En ‘Archivos de tipo’, elija Raster group files - Llame SIERRA al nuevo archivo y haga click en ‘Abrir’ - Con el botón Add After agregue los siguientes archivos a la colección: SIERRA1, SIERRA2,

SIERRA3, SIERRA4, SIERRA5, SIERRA7, SIERRA234, SIERRA345, SIERRADEM Y SIERRANDVI - Para guardar la colección vaya a File->Save - Cierre el editor de colecciones.

- Abra el Display launcher - Presione el botón de selección y en la lista, haga click sobre el signo ‘+’ que aparece junto al

nombre del archivo de colección que acaba de crear. - De los layers que aparecen bajo él (SIERRA) seleccione SIERRA345 y presione OK para volver a la

ventana del Display Launcher. - Note que en el cuadro de texto aparace el nombre de la colección y del layer elegido (p.ej.

sierrra.sierra234). Presione OK para visualizar el layer. - Para hacerse a una idea de la utilidad de los archivos .RGF, presione el botón Feature Properties

en el composer y preste atención al cuadro Properties que aparece debajo de éste.

- Active el cursor de consulta y haga click sobre varios lugares de la imagen. (observe el cuadro Properties)

- Con un RGF, se pueden examinar simultáneamente los valores de los pixeles de todos los layers que componen la colección.


3.3. Estructuras de datos y escalamiento - Utilice el Display Launcher para desplegar los mapas ETIOPIA y WESTBORO (active la opción map

composition en el display launcher). Compare las leyendas de los dos. Para apreciar las razones de estas diferencias, utilizaremos el explorador de archivos de Idrisi (desde el menú File->File

Explorer o con el botón de la barra de herramientas). El explorador de archivos Idrisi es una herramienta para listar, examinar y administrar los archivos de datos de Idrisi. El panel de la izquierda muestra todos los tipos de archivos utilizados en Idrisi. La parte inferior de la ventana del explorador de archivos contiene utilidades para copiar, eliminar y cambiar de nombre a los archivos, junto con un segundo grupo de utilidades para ver el contenido de los archivos (view binary, view structure) - Seleccione el layer WESTLUSE de la lista de archivos (note que está listado como westluse.rst).

Este es el archivo de datos del layer. Sin embargo, los layers raster involucran otro archivo: el archivo de documentación (o metadatos) con extensión .rdc

- Con WESTLUSE seleccionado, presione el botón View Structure. Esta utilidad muestra el valor real de los datos del archivo en forma matricial (cada número representa un pixel en la imagen). Para este layer, cada uno de los números representa un tipo de uso del suelo. Utilice las flechas para desplazarse por la matriz. Después, cierre la ventana de visualización de estructura.

- Aún con WESTLUSE seleccionado, presione el botón View Metadata (también se puede acceder a

los metadatos desde el menú File o con el botón de la barra de herramientas). Esta utilidad muestra el contenido del archivo de documentación (westluse.rdc). Este archivo contiene la información fundamental que permite que el archivo sea desplegado. Los siguientes son algunos de los datos contenidos en el archivo de documentación: - Tipo de archivo (raster, vector, de correspondencia, de valores, etc.) - Título (el título del layer que se despliega en la ventana de mapa) - Tipo de datos: se refiere al tipo y al rango de los valores posibles de la imagen. Cuando se

dice que el tipo de datos de un layer raster es entero, quiere decir, que los valores de cada pixel serán números enteros entre –32768 y 32768, existe un tipo especial de entero llamado byte, que permite almacenar valores enteros entre 0 y 255. Otro tipo de datos es el real, que puede almacenar valores entre 1.0X10-38 y 1.0X1038 con siete dígitos significativos.

- Tipo de archivo: se refiere a la forma interna de almacenamiento del archivo. Existen dos opciones: binario y ASCII. En tipo binario, los valores del layer raster se almacenan con su valor binario real, mientras que en tipo ASCII, cada dígito de un número es almacenado como un carácter individual. Por este motivo, los archivos ASCII ocupan un mayor espacio de almacenamiento y su procesamiento es, geneeralmente, mas lento que el de los archivos binarios.

- Las filas y columnas indican la estructura básica raster. No es posible cambiar el tamaño de una imagen con sólo cambiar estos valores. La información del archivo de documentación simplemente describe la imagen.

- Los 7 campos relacionados al sistema de referencia, indican la ubicación de la imagen en el espacio (los parámetros de los sistemas de referencia se almacenan en archivos REF). las unidades de referencia pueden ser metros, pies, kilómetros, grados o radianes (m, ft, km, mi, deg, rad). El multiplicador de la unidad de distancia se utiliza para acomodar otros tipos de unidades (p. Ej. Minutos). Por lo tanto, si las unidades son alguna de las 6 reconocidas, el campo Unit distance siempre será 1.

- Los campos de error posicional y resolución son solamente campos informativos.


- Los campos valor mínimo y valor máximo expresan el menor y mayor valor de todos los pixels del layer raster actual. (display minimum y display maximum hacen referencia al menor y mayor valor que se visualiza al abrir el layer).

- El campo unidades de valor indica la unidad de medida de lo que representan los valores de la imagen. El campo de valor de error indica ya sea un RMS para datos cuantitativos o un error poroporcional para datos cualitativos (como en este caso). Ambos campos se pueden dejar en blanco o como Unknown (desconocido), ya que son utilizados por pocos módulos de análisis.

- Un dato flag (bandera) es cualquier valor especial. Idrisi reconoce un valor especial llamado background (fondo), que quiere decir ‘ausencia de datos’. Otro flag reconocido es missing data, para indicar datos perdidos.

- Ahora haga click en la pagina ‘Leyenda’. Contiene las interpretaciones para cada una de las

categorías de uso del suelo. Esta información se utilizada para construir la leyenda que se despliega en la ventana de mapa.

- Explore la documentación del layer raster ETDEM. Compare sus parámetros con los de la imagen anterior. Explore también la pagina ‘Leyenda’ para encontrar diferencias. Cuando haya terminado cierre la ventana Metadata y el explorador de archivos.

- Despliegue el layer raster ETDEM con la paleta TEST16, asegurándose de que la opción de leyenda esté activa. Note que ahora se observa un tipo de leyenda diferente al de la composición en pantalla (la cual usa la paleta TERRAIN).

- Utilice el Symbol Workshop para abrir la paleta TEST16 y mirar sus características. Encuentre diferencias entre ésta y la paleta TERRAIN, que uso para desplegar el mapa ETIOPIA.

Las siguientes son las diferentes situaciones que se pueden presentar en la construcción de la leyenda: • Cuando el tipo de datos es entero o byte, y el layer raster contiene valores entre 0 y 255. Idrisi

interpreta los valores como números de símbolos en la paleta. (valor 3 con el símbolo 3, …). Además, si el archivo de documentación contiene los textos de la leyenda, también son desplegados.

• Si el tipo de datos es entero y el layer contiene más de 256 valores, o si el tipo de datos es real, Idrisi automáticamente asigna los símbolos mediante un procedimiento conocido como Autoscaling y construye la leyenda automáticamente. Autoscaling divide el rango de valores de la imagen en un número igual de categorías al expresado en Autoscale min y Autoscale max en la paleta, y asigna los valores de las celdas a colores de paleta según esta relación. (p. Ej. Si Autoscale Min=0 y Autoscale Max = 255, y la imagen tiene valores entre 1000 y 3000, el valor 1000 será visualizado con el color 1 de la paleta, el valor 2000 será visualizado con el color 128 de la paleta, el valor 3000 con el color 256 de la paleta).

• La naturaleza de la leyenda creada con autoscale depende del número de símbolos de la paleta. Si el número de símbolos de la paleta entre los valores Autoscale Min y Autoscale Max es menor o igual que el máximo número de categorías de leyenda permitido (16, por defecto), Idrisi despliega la leyenda con recuadros separados, y el rango de valores aplicables a cada uno (p. Ej. ETDEM con la paleta TEST16). Sin embargo, si el número de símbolos de la paleta excede a 16, Idrisi construye una leyenda continua, mostrando la posición de valores representativos (como la imagen ETDEM con la paleta TERRAIN).

4. REQUERIMIENTOS DEL TALLER El taller requiere trabajar en parejas. Cada pareja deberá responder las preguntas que se le formulen a lo largo del ejercicio. Este taller será para que se familiarice con los aspectos generales de manejo del programa. Suerte!!


5. REFERENCIAS DEL TALLER [1] Chris Allen, The Clark Labs, Clark University. [2] IDRISI 32 for windows. Tutorial exercises. 1999

Taller No.7 Exploracion deImágenes enIDRISI

TTAALLLLEERR NNOO..77 EEXXPPLLOORRAACCIIOONN DDEE IIMMÁÁGGEENNEESS EENN IIDDRRIISSII

1 MARCO DE REFERENCIA [1]

En este taller, se introducen las técnicas de mejoramiento de imágenes, particularmente, en lorelacionado al incremento del contraste visual. Estas son presentadas, de acuerdo con lasposibilidades que proporciona el software SIG IDRISI, el cual posee un modulo para elprocesamiento de imágenes en forma digital.

Antes de describir estas técnicas, es importante familiarizarse con lo que es un Histograma y comointerpretarlo. Un histograma es una representación gráfica de una distribución de frecuenciadonde el ancho de las barras verticales contiguas es proporcional al ancho de las clases de lavariable y las alturas de las barras son proporcionales a las frecuencias de dichas clases en laimagen (el número de pixels de cada clase).

Para aumentar el contraste de una imagen, se debe cambiar su forma de visualización, de modoque sean usados todos los colores de la paleta del software. La forma más sencilla de hacerlo, es“autoescalando” la imagen. Cuando se utiliza la opción autoescalar, el mínimo valor en laimagen es mostrado con el color más bajo de la paleta, y el máximo con el color más alto. Todoslos valores intermedios se distribuyen a través del resto de colores de la paleta

Aunque “autoscale” mejora el contraste, el resultado es, a veces, insuficiente para lainterpretación visual.

Se pueden lograr mejores niveles de contraste en una imagen a través de la operación llamadastretch (“estiramiento”). Cuando se ejecuta una operación de estiramiento o expansión en elsoftware IDRISI, se genera un nuevo archivo con nuevos valores. Aquí existen tres clases deestiramientos que pueden ser aplicados a una imagen:

� Linear stretch (estiramiento lineal): trabaja como la opción de “autoscale”, con la diferenciade que es posible especificar puntos extremos diferentes del máximo y mínimo ND (niveldigital) de la imagen y determinar el número de niveles para la imagen de salida

� Linear stretch with saturation (estiramiento lineal con saturación): esta clase de expansiónpermite asignar el mismo valor a un porcentaje determinado (p. Ej 10%) de los pixeles en losextremos del histograma. A los valores intermedios, se les aplica un estiramiento lineal.

� Histogram equalization (ecualización de histograma): este tipo de expansión trata de asignarel mismo número de pixels a cada nivel de la imagen, pero los pixels que están en unacategoría en un número mayor al establecido, no pueden ser divididos más en la imagen desalida.


Para desarrollar este taller se necesitan 4 bandas de una imagen de satélite: banda del azulvisible, banda del verde visible, banda del rojo visible y banda del infrarrojo cercano. (P. Ej. Si laimagen es TM, se requieren las bandas 1 a 4).

A partir de las imágenes de las 4 bandas, se estudiarán las diferentes técnicas para alterar elcontraste de una imagen en IDRISI, así como la forma de generar e interpretar los histogramas de


éstas. Posteriormente será descrito el procedimiento para generar gráficos de patrones derespuesta espectral y como utilizar su interpretación en el análisis.

3 PROCEDIMIENTOS ESPECIFICOS

Para comenzar, se dará una mirada a lo que se necesita para incrementar el contraste visual delas imágenes. Al trabajar con imágenes de satélite, casi siempre se usa una paleta de escala degrises al desplegarlas.

- Ejecute Idrisi32, vaya al menú File -> Data Paths. Elija “..\sensores\stretch\” como el directoriode trabajo. Presione OK para cerrar la ventana Data paths.

- Despliegue la imagen HOW87TM1 con la paleta grey256. Note que la mayoría de los pixelesestán representados con tonos de gris muy similares, es decir, la imagen se visualiza con bajocontraste. La paleta “grey256” varía desde negro (0) hasta blanco (255), sin embargo, alobservar la imagen, no parece haber muchos pixeles blancos o grises muy claros. Hagadoble click sobre el nombre de la imagen en la ventana “Composer”, para acceder a sudescripción. ¿Cuáles son los valores mínimo y máximo de la imagen?.

- Para explorar más a fondo cómo el rango de valores de la imagen afecta su visualización,

corra HISTO (desde el menú Display, o con el botón ), para generar el histograma de laimagen. Elija la imagen de la banda que seleccionó como imagen de entrada, escriba 11 enancho de clase, elija la opción de salida gráfica, modifique los valores mínimo y máximo dedespliegue a 0 y 255, respectivamente, y presione OK para generar el histograma.

El eje horizontal del histograma puede interpretarse como la paleta “grey256”. Un valor dereflectancia de 0 se muestra como negro, uno de 255 como blanco, y todos los valoresintermedios en tonos variables de gris.

1 Durante esta practica siempre se utilizará 1 como ancho de clase.


Como lo verifica el histograma, ninguno de los pixeles en la imagen tiene valor 0 o 255.

� Analizando el histograma, explique a qué se debe el bajo contraste de la imagen� Explique, analizando el histograma, qué tonalidad en general presenta la imagen y

por qué?� Cómo podría mejorar el contraste de esa imagen, sabiendo que no puede modificar

los valores ND que ella posee?

- Desde el composer, en layer propierties, emplee la opción autoscale.

� Busque en la ayuda lo que significa esta opción� Si la imagen tuviera un único pixel blanco (es decir, con valor 255) y un único pixel

negro (es decir, con valor 0), ¿mejoraría el contraste de la imagen al utilizarautoscale?, ¿por qué sí o por qué no?

Recuerde que en “autoscale”, el mínimo valor de despliegue (minimal value for display) sedespliega en negro y el máximo (maximun value for display), se despliega en blanco.Autoscale no cambia los valores de los datos de la imagen, solo modifica el rango de coloresque se visualizan.

� ¿cómo explica que aún utilizando autoscale no se mejore mucho el contraste de laimagen?

Nota: En Idrisi32, existe otra forma muy sencilla de modificar los valores mínimo y máximo dedespliegue a una imagen: dentro de esta misma ventana de layer propierties, cuando estáactivado autoscaling, se pueden modificar los valores Display Min y Display Max.

� Pruebe a cambiar estos valores y analice lo que ocurre cada vez. Dibuje esquemasde los cambios que ocurrirían en el histograma de la imagen, al modificar estosvalores y lograr un mejor contraste.

Para aplicar otras opciones de estiramiento se utiliza la operación STRETCH (estiramiento oexpansión). Aquí puede aplicarse con la opción Stretch lineal, el mismo estiramiento que conautoscaling, pero guardando los datos obtenidos en un nuevo archivo.

� Genere para la imagen anterior este stretch y despliegue su histograma. Así entenderácomo autoscaling modifica la salida visual de la imagen.

- Ejecute STRECTH desde el menú DISPLAY o con el botón de la barra de herramientas.- Elija HOW87TM1 como imagen de entrada, escoja la opción de stretch lineal con saturación y

en el campo saturación (Percent to be satured at each end of the scale) escriba 2.5.

� Qué quiere decir el 2.5?. Describa lo que sucede con la imagen al aplicarle estaopción.

- Escriba un título descriptivo para la imagen de salida y llámela “SAT25”.

- La nueva imagen se despliega automáticamente (si es necesario, cambie la visualización a lapaleta grey256, para ello utilice ‘layer properties’ de la ventana composer).

-


- Genere el histograma para la nueva imagen con las opciones de mínimo y máximo dedespliegue por defecto.

- Compare el histograma de la nueva imagen con el de la imagen original. Organícelos en lapantalla, de forma que pueda visualizarlos simultáneamente.

� Describa las diferencias entre los dos histogramas y diga cómo su forma evidencia siuna imagen tiene más o menos contraste.

- Cierre todos los histogramas y las imágenes abiertas cuando haya terminado.

- Despliegue HOW87TM4 y aplique los siguientes stretchs sobre ella:

- Stretch lineal con los valores mínimo y máximo reales de la imagen como extremos y 256niveles. Llame “TM4L” a la imagen de salida.

- Stretch lineal con saturación del 5% y 256 niveles. Llame “L50” al resultado.- Stretch lineal con saturación del 2.5% y 256 niveles. Llame “L25” al resultado.- Ecualización de histograma con 256 niveles. Llame “HE” a la imagen de salida.- Ecualización de histograma con 16 niveles. Llame “HE16” a la imagen de salida.

La cantidad de saturación requerida para producir una imagen con un buen contraste es variabley puede ser necesario hacer algunas pruebas y ajuste de error. Generalmente, se utilizan valoresde saturación entre 2.5 y 5.0%.

� ¿En cuál de las imágenes cree usted que las características son más fácilmenteidentificables, en la de saturación 2.5% o en la de 5%?. ¿Por qué?.

La técnica de ecualización de histograma intenta asignar un número igual de pixels a cada nivelde gris, con la restricción de que no se puede dividir un valor único de datos en más de unaclase. Esta es la razón por la que se mantienen algunas desigualdades.

- Genere los histogramas ( ) para las imágenes HE y HE16 y compárelos. Use 1 como anchode clase.

� Note que las barras en el histograma de la imagen de 16 niveles tienen una alturasmenos irregulares. Por qué?

- Cierre todas las ventanas.- Para el siguiente paso es necesario crear una Colección de layers raster (raster group file).- Abra el editor de colecciones desde el menú File->Collection Editor.- Desde el menu File escoja New.- En “archivos de tipo”, elija raster group file.- Escriba allí un nombre para la colección y haga click en abrir.- Con el boton insert after agregue los archivos correspondientes a la banda azul, banda verde,

banda roja, infrarrojo cercano y también la imagen llamada “L25” (que generó con un stretchlineal con saturación del 2.5%, a partir de la banda del infrarrojo cercano).

- Guarde la colección desde File -> Save.- Cierre el editor de colecciones.

- Abra el display Laucher


- Presione el botón de selección y en la lista, haga click sobre el signo ‘+’ que aparece junto alnombre del archivo de colección que acaba de crear, de los layers que aparecen bajo elnombre de la colección seleccione L25 y presione OK para visualizar dicho layer.

� Esta imagen se utilizará para ubicar áreas específicas de consulta, sin embargo, sonlos valores de las imágenes originales son los que interesan. Por qué?

- Busque tres tipos coberturas de uso del suelo que sean identificables en la imagen: urbano,vegetación y agua. Lo que se quiere ahora es explorar cómo los diferentes usos del sueloreflejan las diferentes longitudes de onda electromagnéticas de las 4 imágenes originales.

- Dibuje tres gráficos como el de la fig. 1, y márquelos como agua, vegetación y urbano.

Fig. 1

- Para examinar los valores de reflectancia de las imágenes incluidas en la colección,

simultáneamente, presione el botón (Feature Properties) de la barra de herramientas.Note que una pequeña ventana se abre en la parte inferior derecha de la pantalla, debajode Composer.

- Haga click sobre la barra de titulo de la ventana de la imagen L25 para activarla.

- Active la herramienta de cursor de consulta: - Sobre la imagen “L25” encuentre 3 ó 4 pixeles representativos de cada uno de los tres usos del

suelo identificables en la imagen (agua, urbano y vegetación). Note que en la ventana en laparte inferior derecha de la pantalla, se muestran los valores de reflectancia del pixelseleccionado en las 5 imágenes del grupo.

� Determine los valores de reflectancia para agua, vegetación y urbano en cada unade las cuatro bandas originales. Llene los gráficos que hizo previamente para cadauno de los tipos de uso del suelo, dibujando los valores de los pixels.

Estos gráficos son los patrones de respuesta espectral para cada uno de estos tres tipos de usodel suelo. Con estos gráficos es posible ver cómo los diferentes tipos de materiales reflejancantidades diferentes de energía, en diferentes longitudes de onda.


- Cierre todas las ventanas que estén abiertas.- Ahora, aplique una ecualización de histograma con 256 niveles a la imagen HOW87TM1 que

utilizó al comienzo del ejercicio. Llame “AZHE” al resultado. Genere el histograma de estanueva imagen.

- Despliegue nuevamente la imagen SAT25 y genere el histograma.

� Observe las diferencias entre estas dos imágenes y sus histogramas y escríbalas.

4 OBSERVACIONES FINALES

Este es un ejemplo de cómo al aplicar stretch a una imagen se incrementa su contraste, y porconsiguiente su “información”, pero no se agrega ningún “significado” adicional a la misma (a laimagen).

La imagen generada con la ecualización de histograma ciertamente tiene mucha variación yalto contraste, pero al observarla (la imagen o el histograma) se pierde la sensación, en estecaso, de cuál es el tipo de uso de suelo predominante.

Es mejor evitar la técnica de ecualización de histograma, cuando lo que se quiere al observar laimagen es percibir las diferentes características de reflectancia y absorción de los objetos sobre lasuperficie de la tierra. De hecho, en la mayoría de los casos, es mejor aplicar un stretch lineal consaturación.

Es muy importante recordar que las imágenes generadas con stretch se utilizan sólo paravisualización. Como han sido manipuladas y sus valores alterados, no son confiables para elanálisis. Se deben usar únicamente los datos originales para el análisis, a menos que se tengauna razón de peso para usar datos generados con stretch.

5 REFERENCIAS BIBLIOGRÁFICAS

[1] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisifor Windows V.32

Taller No. 8: Correcciones Radiométricas y Geométricas de Imágenes Digitales

TTAALLLLEERR NNOO 88:: CCOORRRREECCCCIIOONNEESS RRAADDIIOOMMÉÉTTRRIICCAASS YYGGEEOOMMÉÉTTRRIICCAASS DDEE IIMMÁÁGGEENNEESS DDIIGGIITTAALLEESS



1. Comprender la importancia de corregir los errores radiométricos y geométricos de imágenesde satélite digitales, antes de realizar análisis de los datos y de extraer información temática.

2. Manejar las técnicas más conocidas de restauración radiométrica y geométrica deimágenes digitales, las cuales son competencia de los usuarios

3. Comprender los efectos de las correcciones de preprocesamiento sobre las imágenesdigitales y aprender a distinguir los efectos que son reflejados en la imagen una vez éstas seaplican.


2.1 Distorsiones radiométricas

Entre las distorsiones radiométricas, que el usuario de una imagen digital debe aprender amanejar, se cuentan el bandeamiento (o falta de una línea), los efectos atmosféricos y los ruidos(“sal y pimienta”). Estos últimos habitualmente son manejados a partir de técnicas deprocesamiento, consistentes en la aplicación de filtros en el dominio espacial o en el dominio delas frecuencias. Para las primeras dos distorsiones se conocen diversos algoritmos que restauranlas imágenes disponiendo sus datos en la forma más cercana posible a una adquisición idónea.

22..11..11 CCoorrrreecccciióónn ddee eeffeeccttooss aattmmoossfféérriiccooss

Consisten en la dispersión de la radiación en la atmósfera, debido a la existencia de partículas ymoléculas que interactúan con la energía electromagnética. Estos fenómenos alteran el nivel deenergía que captan los detectores, distorsionando la realidad.

Uno de los algoritmos más conocidos para la corrección de este efecto es el algoritmo deChávez, el cual consiste en detectar en una banda el valor mínimo (m), con el fin de sustraer acada ND de la imagen dicho valor:

NDi,j = NDij - m

La sustracción estaría devolviendo la ganancia de radiación en cada pixel de la imagen, lo cuales correcto si se considera que lo que se produce por la interferencia atmosférica es unaelevación uniforme de todos los valores espectrales de la imagen.

22..11..22 CCoorrrreecccciióónn ddeell bbaannddeeaammiieennttoo

Debido al mal funcionamiento de los detectores que captan datos en una banda específicapueden producirse líneas blancas o negras que se notan a primera vista sobre la imagen digital.Para corregir este efecto se usan, dependiendo del software, diversos algoritmos. Una de lascorrecciones más sencillas y comunes consiste en calcular los valores digitales de la fila i de


acuerdo con los valores digitales de las líneas i-1 e i+1 (líneas anterior y posteriorrespectivamente, de aquella que presenta el error). Esta corrección funciona correctamente enimágenes de resolución espacial menor, considerando que en una distancia corta no ocurrencambios tan abruptos de los elementos sobre la superficie de la tierra.

Algunas de las posibilidades de cálculo son las siguientes:

NDi,j = NDi-1,j

Entonces los valores digitales para la línea con problemas corresponderían a los valores digitalesde la línea anterior

NDi,j = NDi+1,j

Entonces los valores digitales para la línea con problemas corresponderían a los valores digitalesde la línea posterior

NDi,j = [NDi-1,j + NDi+1,j / 2]

Entonces los valores digitales para la línea con problemas corresponderían a los valores digitalesde la parte entera [ ] del promedio de la línea anterior y posterior.

2.2 Distorsiones geométricas

Una de las distorsiones geométricas que más involucran al usuario en el procesamiento deimágenes digitales es la de posición. La corrección de posicionamiento de una imagen se llevaa cabo a través de un proceso de georreferenciación, el cual consiste en comparar lascoordenadas de los elementos físicos registrados en una imagen con las coordenadasgeográficas de los mismos elementos coleccionados desde un mapa o un sistema deposicionamiento global (GPS). Esta comparación se realiza con ayuda de una función detransformación.

A continuación se describen los pasos generales necesarios para llevar a cabo el proceso degeorreferenciación de una imagen de satélite:

1. Se realiza una transformación de las filas y columnas de la imagen original a coordenadasX, Y, de acuerdo con el sistema requerido.

Para efectuar esta transformación se emplean polinomios de primer orden (transformaciónlineal) y polinomios de n orden (transformación no-lineal). Lo más común es utilizar los deprimer orden (o transformación afín) de la forma:

X = ao + a1f + a2cY = bo + b1f +b2c

Esta transformación se efectúa empleando las coordenadas X, Y de los puntos de control (GCP) ylas correspondientes filas y columnas (f,c) en la imagen digital para cada punto con coordenadaX,Y.

Cada uno de estos puntos de control arroja 2 ecuaciones: para la X y para la Y. Las incógnitasserían los coeficientes (ao, a1, a2, bo,b1 y b2). Estos coeficientes son calculados con base enregresión múltiple, coeficientes indeterminados, etc.


Con esta relación encontrada, una vez sea verificado el ajuste con base en el aporte de errormedio cuadrático de cada punto (RMSi) al RMS total (numeral 2), se halla X,Y para cada fila ycolumna de la imagen. El resultado es una nueva imagen, producto de la transformación de laimagen original, la cual posee coordenadas que corresponden a las adoptadas comoreferencia (de acuerdo con el sistema de coordenadas de los puntos de control).

2. Cálculo del RMS individual (por cada punto) y total, para verificar el correcto posicionamientoen la imagen original de los puntos de control GCP.

Para cada punto de control, empleando los coeficientes de las ecuaciones hallados, sedespeja f y c, nombrándolas como Fe y Ce (columnas y filas estimadas calculadas), usandoel cálculo de ecuaciones de dos incógnitas. La diferencia de los cuadrados de f, c y Fe, Cedará como resultado el RMS por cada punto, lo cual permitirá tomar una decisión en relacióncon la exactitud de posicionamiento de los diversos puntos de control, al mismo tiempo quepermitirá vislumbrar el error de posicionamiento total con el que deberá emplearse unaubicación concreta sobre la imagen georreferenciada.

3. Remuestreo de la imagen: En este paso se calculan los valores de pixel para la grilla yatransformada (rectificada), empleando la grilla de la imagen original. Los tres métodos deremuestreo más comúnmente usados son los del vecino más próximo, el bilineal y el deconvolución cúbica (remitirse a las notas de clase).


Antes de empezar a desarrollar el taller el estudiante deberá leer y entender el marco dereferencia. Los procedimientos que se le solicita seguir, fueron descritos allí, por esta razónremítase a este numeral cada vez.

Para georreferenciar su imagen, usted empleará solamente una banda y guardará el archivo depuntos que le permitirá realizar la georreferenciación para todas las otras bandas.

El estudiante procederá a seguir la guía paso a paso, respondiendo a las preguntas que se leplanteen y completando con datos en los sitios en donde así se solicite. Inicialmente se ocuparáde realizar las correcciones radiométricas y después procederá a realizar el ejercicio tutorial,relacionado con las correcciones geométricas.


4.1 Correcciones radiométricas

44..11..11 EEffeeccttoo aattmmoossfféérriiccoo

Usted trabajará en el directorio ..\\sensores\georref. Desde el menú File -> Data Paths ubíqueseen ese directorio.

Deberá corregir los efectos atmosféricos para la imagen “How87tm1”. Dicha imagen tiene unaelevación de todos los valores espectrales, dando como resultado un desfase con respecto a lasrespuestas en realidad.

1. Aplique el algoritmo de Chávez (marco de referencia) para esa imagen y llámela


“How87tm1r”. Para ello emplee el IMAGE CALCULATOR, ubicado en el menú ANALYSIS,DATABASE QUERY. Introduzca primero el nombre de la imagen de salida y después desde“Insert Image” busque la imagen original. Escriba el resto de expresión como se muestra.Recuerde que 11 es el valor mínimo de la imagen original.

� Genere una colección de la imagen original y la generada y visualice los valores deambas. Verifique que la operación aplicada se haya realizado.

� Construya y analice los histogramas de entrada y salida respectivos

2. Responda a las siguientes preguntas:� Por qué el histograma de salida empieza en ese valor?� Cómo esperaría ver la imagen de salida en relación con la tonalidad?. Porqué?� Varía el contraste de la imagen obtenida? Por qué sí o por qué no?

44..11..22 EEffeeccttoo ddee bbaannddeeaammiieennttoo

Considere que los valores, que a continuación se muestran, corresponden a una ventana de unaimagen TM, la cual presenta un problema de bandeamiento en la línea 4. Para esa imagencomplete los ND de la línea con problema (sombreada) usando los tres cálculos propuestos en elmarco de referencia.

25 25 25 28 30 35 41 48 5451 50 46 43 39 35 34 37 4262 63 63 59 51 42 36 37 39

34 37 41 44 43 41 41 45 4332 32 33 35 35 33 36 39 3836 35 34 34 34 34 34 36 3737 34 32 33 37 40 41 38 3738 35 33 35 42 45 42 36 36

3. Observe los valores ND para la línea con problemas y responda:� Cuál de las operaciones aplicadas le parece la más acertada para solucionar el


problema y por qué?� Qué otro método propondría para asignar los ND a la línea con problemas. Explique su

respuesta

4.2 Correcciones geométricas de posicionamiento

� Despliegue el layer raster PAXTON con “autoscale” y la paleta grey 256. Esta es una imagende la banda 4 del LANDSAT TM correspondiente al IR cercano.

� Mueva el cursor sobre la imagen y note (en la barra de estado) que las columnas coincidencon el valor de la coordenada X. El número de la fila, sin embargo, aumenta a medida quedisminuye la coordenada Y, y viceversa.

� Vaya al menú File -> Metadata y observe el número de filas y columnas de la imagen, asícomo sus coordenadas mínimas y máximas en X e Y. Antes de iniciar el proceso degeorreferenciación, es importante que las coordenadas de la imagen correspondan una auna con el número de filas y columnas. Durante el desarrollo del ejercicio, nos referiremos aestas coordenadas como las ‘coordenadas viejas’

� Las nuevas coordenadas serán entonces las del mapa que se usa como referencia (es decir,las coordenadas reales).

� Despliegue el layer vector PAXROADS1. Este mapa fue digitalizado en el sistema decoordenadas UTM y será el utilizado para identificar los puntos de control, que servirán dereferencia para el posicionamiento de la imagen original

� Habitualmente se emplea un método de ubicación de puntos que consiste en distribuirlospor toda la imagen. Se realiza un dibujo esquemático de dichos puntos con un identificadorpara cada uno, calificando el nivel de exactitud de posicionamiento (malo, regular, bueno).

� Active la ventana de la imagen PAXTON. Adicione el layer vector PAXPNTS (desde la ventanaCOMPOSER, opción “add layer”) con la paleta del mismo nombre. Los puntos rojos sonpuntos de control que se han ubicado previamente. Estos puntos deben ser identificablestanto en la imagen como en el mapa (en este caso, en el layer vector paxroads),usualmente corresponden a cruces de vías, uniones de ríos o construcciones fácilmentereconocibles. Aparte de los puntos rojos, hay dos círculos dentro de los que se ubicarán dosnuevos puntos de control.

� Adicione también el layer PAXTXT con la paleta del mismo nombre. En este layer se presentael identificador y la calificación de precisión de posicionamiento de cada punto de control(Bueno, regular, malo)2.

� Los puntos que faltan por ubicar son el 21 y el 22 (dentro de los círculos). Elija un lugaradecuado dentro de cada círculo para ubicar los dos nuevos puntos de control, e identifiqueestos mismos puntos sobre el mapa (en este caso el layer PAXROADS). Anote lascoordenadas nuevas (las del mapa) y viejas (las de la imagen de satélite) para los puntos 21y 22. Para lograr mayor precisión, haga acercamientos en cada ventana sobre los lugares deinterés, antes de anotar las coordenadas.

� El siguiente paso es realizar un archivo de correspondencia con estos valores (archivo quecontiene las coordenadas de referencia y las de la imagen original)

� Vaya al menú Data Entry -> Edit, y en la ventana del editor de texto, vaya a File -> Open, en‘Tipos de Archivos’ seleccione CORRESPONDENCE FILE y abra el archivo PAXCOR.

1 Durante el ejercicio, este layer vector cumplirá la función que usualmente cumple el mapaimpreso con coordenadas reales que se utiliza para identificar los puntos de control que permitenrealizar la georreferenciación.2 Esta calificación es asignada arbitrariamente por quien elige y ubica los puntos en la imagen yel mapa.


Paxcor.cor es un archivo de correspondencia. En la primera línea aparece el número depuntos de control que se utilizarán en la georreferenciación, y a continuación, en cada línea,aparecen relacionadas las coordenadas viejas y nuevas para cada punto de control:

Xvieja Yvieja Xnueva Ynueva

� Agregue al final de este archivo dos nuevas líneas con las coordenadas para los dos puntosde control que ubicó (el 21 y el 22), cambie el número de puntos de control de la primeralínea de 20 a 22 y guarde el archivo desde el menú File -> Save.

� Vaya al menú Reformat y elija la opción Resample. El mapa de entrada es PAXTON el desalida PAXRESAM, el archivo de correspondencia es PAXCOR. Emplee la función detransformación “lineal” y el tipo de muestreo “vecino más próximo”. Deje cero como valor defondo.

� Oprima el botón Output reference parameters. En este cuadro de diálogo debenespecificarse los valores mínimos y máximos de las coordenadas3 de la imagen de salida, susistema de coordenadas y su tamaño. Ingrese los siguientes valores:

Xmin = 253000Xmax = 262000Ymin = 4682000Ymax = 4695000

Calcule el número de filas y columnas requeridos para una resolución espacial de 30m:

# de columnas = ( MaxX – MinX ) / (resolución espacial)# de filas = ( MaxY – MinY ) / (resolución espacial)

Seleccione como sistema de referencia US27TM19 (proyección Universal Transversa Mercator,

3 Estas son, naturalmente, coordenadas reales. Los parámetros de la imagen de salida debendeterminarse con precisión antes de llegar a este paso.


Zona 19, Datum NAD27), luego oprima OK.� La ventana que aparece muestra el cálculo del error medio cuadrático (RMS) total, y los

errores residuales para cada punto de control. Estos residuos expresan cuánto se desvían lospuntos de control de la ecuación de mejor ajuste. La ecuación de mejor ajuste describe larelación entre el sistema de referencia arbitrario de la imagen de entrada y el sistema dereferencia al que está siendo transformada; dicha relación se calcula a partir de los puntosde control. Así, un punto de control con un alto residuo sugiere que sus coordenadas sonpoco exactas; ya sea en el sistema de coordenadas ‘viejas’, el de coordenadas ‘nuevas’, oen ambos.

� El RMS describe el error posicional de todos los puntos de control en relación con laecuación. Describe la probabilidad de que una posición calculada con la ecuación varíecon respecto a su verdadera ubicación. Se considerará como aceptable un error de hasta0.5 pixeles (15 metros para este caso).

4. Escriba los valores de los errores residuales obtenidos para cada punto y el RMS total.5. Evalúe el error de los puntos 21 y 22 que usted mismo adicionó, describa como fue su

trabajo de posicionamiento.� Omita los puntos que presenten mayor error residual4, teniendo en cuenta la calificación de

precisión de posicionamiento de cada uno (buena, mala o regular), y procurando que ladistribución uniforme de los puntos de control sobre la imagen se vea afectada lo menosposible. Cada vez que vaya a omitir un punto observe su posición en la imagen, elidentificador y la calidad del posicionamiento.

6. Anote finalmente los errores que admitió y el RMS total que aceptó (después los volverá ausar). Deje que se obtenga la nueva imagen y observe la tabla resumen de estadísticas que

4 Para omitir un punto de control, desactive la casilla de comprobación correspondiente ypresione ‘Recalculate RMS’


se le presenta. Explique que quieren decir los datos que allí se dan.� Despliegue PAXRESAM (imagen georreferenciada) con autoscaling y grey 256� Sobre esta imagen con add layer despliegue PAXROADS y verifique que estos caminos

coincidan con los rasgos de caminos detectados en la imagen georreferenciada� Despliegue al lado PAXTON7. Diga en que dirección (en relación con las manecillas del reloj) giró la imagen. Para hacerlo

observe los lagos que aparecen como cuerpos negros en ambas imágenes� Corra nuevamente RESAMPLE, pero esta vez emplee como método de resample “bilineal”.

Llame a la imagen de salida PAXRE18. Compare las dos imágenes y anote las diferencias en relación con rugosidad y suavización,

discontinuidades geométricas y valores que adoptan los pixeles de las imágenesgeorreferenciadas

9. Si usted fuera a utilizar la imagen georreferenciada para realizar posteriormente unprocesamiento que requiera los valores originales, cuál de las dos preferiría?

10. Cuáles son las principales fuentes de error en el proceso de georreferenciación de unaimagen, utilizando los puntos de control obtenidos en un plano topográfico?. Quérecomendaría usted?


Las preguntas del taller serán respondidas en grupos máximo de dos personas. Cada uno de loscuales entregará un documento escrito con las respuestas. Este taller es necesario entregarlo enocho días. Suerte!


[1] Idrisi tutorial Exercises. Version 2.0. Image georegistration using RESAMPLE. INT103. 1997

[2] Idrisi User’s guide Version 2. [3] Lizarazo Ivan. Calidad de Información Geográfica. Práctica No.1. Georrefenciación de

imágenes. 1999


Anexo # 1

Coordenadas de puntos 21 y 22:#21 Vieja X 348, Vieja Y 185 Nueva X 259666.5 Nueva Y 4687351.0#22 Vieja X 391.5 Vieja Y 88 Nueva X 260295.8 Nueva Y 4684403.0

Taller No. 9: Realce espacial y de color en imágenes digitales

TTAALLLLEERR NNOO.. 99:: RREEAALLCCEE EESSPPAACCIIAALL YY DDEE CCOOLLOORR EENN IIMMÁÁGGEENNEESSDDIIGGIITTAALLEESS



Seleccionar las mejores bandas para realizar diversas composiciones a color, que faciliten lainterpretación visual, de acuerdo con los requerimientos específicos.1. Llevar a cabo composiciones a color y entender para extraer qué elementos es más apta

cada combinación de bandas2. Comprender la parte conceptual de la técnica de aplicación de filtros en las imágenes

digitales3. Analizar los cambios que sufren los valores de los pixeles de las imágenes cuando son

aplicados los filtros de realce4. Distinguir sobre las imágenes, las diferencias que produce la aplicación de uno u otro filtro 5. Aprender a utilizar los filtros de realce espacial de acuerdo con los requerimientos del usuario


2.1 Composiciones a color

Es otro tipo de realce de imágenes, el cual permite ver la información de reflectancia de tresbandas separadas, en una misma imagen. En Idrisi se pueden generar dos tipos decomposiciones a color:

22..11..11 CCoommppoossiicciióónn ddee 88 bbiittss

En el caso de las composiciones a color de 8 bits, Idrisi realiza primero un stretch a las 3 bandasoriginales para reducirlas a 6 niveles (valores de 0 a 5), para así poder combinar su informaciónde reflectancia. El usuario debe escoger el tipo de stretch que quiere aplicar a las bandas. Laimagen resultante tendrá valores entre 0 y 215 (6*6*6=216), de tal forma que cada valor seadesplegado con un color particular (las paletas de Idrisi tienen 256 colores). Por defecto, lascomposiciones de 8 bits son desplegadas con la paleta ‘Composit’. La nueva imagen es unarchivo binario y su tipo de datos es byte.

La composición a color se interpreta en términos de los patrones de respuestas espectrales,donde cada combinación única de los valores expandidos de las imágenes originales, sondesplegados con un único color. A su vez cada único valor, corresponde a un tipo de cobertura.

La fórmula que se usa para que cada valor de combinación sea diferente es:

Valor composición = (Red expand* 36) + (Green expand*6) + (Blue expand)

22..11..22 CCoommppoossiicciióónn ddee 2244--bbiittss

Se aplica también un stretch a las 3 bandas originales pero en este caso se expanden a 256niveles (valores 0 a 255). La composición resultante es una imagen intercalada por pixel que


contiene los valores para las tres bandas. Por ejemplo, si los valores en las bandas originalesdespués de aplicado el stretch son: B:187 G:243 R:57, estos tres valores se almacenarán en lacomposición en el orden 187 243 57 (y así para cada pixel).

Para desplegar una composición de 24bits, Idrisi no utiliza ninguna de sus paletas, sino que cadapixel es visualizado directamente con el color correspondiente a la combinación de valores R,G,Bde las tres bandas. Como estos valores varían entre 0 y 255, una composición de 24bits puederepresentar hasta 16’777.216 colores (256*256*256).

2.2 Los filtros espaciales

Los filtros espaciales son usados para obtener imágenes realzadas o mejoradas aplicandofunciones u operaciones en el dominio del espacio de la imagen (x,y) o de la frecuenciaespacial (x,h). En el dominio del espacio de la imagen, los filtros son de realce; para el dominiode la frecuencia espacial son de reconstrucción.

La frecuencia espacial de una imagen es el número de cambios en los valores radiométricospor unidad de distancia, para cualquier parte de la imagen en particular.

Si hay pocos cambios en los valores radiométricos sobre un área dada en una imagen, esto sedenomina área de baja frecuencia. Al contrario si hay muchos cambios en un área reducida, elárea sería de alta frecuencia.

Debido a que la frecuencia espacial se ocupa de una región es necesario adoptar unaaproximación espacial para extraer información espacial cuantitativa. Esto se hace observandoel valor radiométrico del pixel vecino en lugar de los valores de pixel independientes.

La frecuencia espacial en percepción remota puede ser realzada o disminuida usando dosdiferentes aproximaciones:1. Filtro de convolución espacial: basado en el uso de máscaras (ventanas, kernel, filtro) de

convolución. Se usa para realzar detalles de frecuencia alta y baja, así como los bordes dela imagen. A este grupo pertenecen: filtro pasa bajo, filtro pasa alto, realce de bordes (linealy no lineal)

2. Análisis de fourier: el cual matemáticamente separa una imagen dentro de suscomponentes de frecuencia espacial, resultando en una transformación de Fourier de laimagen. Es entonces posible interactivamente enfatizar ciertos grupos de frecuenciasrelacionadas con otras y recombinar las frecuencias espaciales para producir una imagenrealzada

A continuación se muestran filtros típicos de convolución espacial de ventanas 3x3:

De Pasa bajo: (promedio). Efecto=suavización1/9 1/9 1/91/9 1/9 1/91/9 1/9 1/9

De pasa alto. Efecto: realce de bordes-1 -1 -1-1 9 -1-1 -1 -1

Realce lineal (no direccionales) de bordes-Laplaciano. Efecto = diferencial, no sensitivoa la dirección0 -1 0-1 4 -10 -1 0


Realce de bordes (funciones lineales), para rasgos direccionales. Gradient. Efecto = Diferencial,sensitivo a la dirección1 1 1-1 -2 1-1 -1 1

Realce de bordes (funciones no lineales). Sobel. Efecto = refuerza fronteras o rasgos de interés

Nuevo valor = Raíz Cuadrada de A2+B2 A = La imagen resultante de aplicar el Kernel A (KA) a la imagen de entrada B = La imagen resultante de aplicar el Kernel B (KB) a la imagen de entrada

KA= -1 0 -1-2 0 2-1 0 1

KB= 1 2 1 0 0 0-1 -2 -2

Filtros para rasgos lineales de distintas direcciones:

Norte1 1 11 -2 1-1 -1 -1

Sur-1 -1 -1 1 -2 11 1 1

Este-1 1 1 -1 -2 1-1 1 1

Oeste1 1 -1 1 -2 -11 1 -1

Noreste1 1 1-1 -2 1-1 -1 1

Sureste-1 -1 1-1 -2 1 1 1 1


Primero resuelva el procedimiento relacionado con las técnicas de composición a color,después aborde el de los filtros y finalmente analice como pueden ser combinadas las dostécnicas.


4.1 Creación de composiciones a color

1. De acuerdo con los aspectos presentados en el numeral 2.1, responda la siguiente pregunta:


� Cuál valor de composición se produciría por la combinación de los ND’s: 70 (Banda IRceracno), 20 (Banda Rojo), 40 (Banda verde). Use la fórmula del numeral 2.1

2. En Idrisi, vaya al menú File -> Data Paths y elija \sensores\realce como directorio de trabajo.En esta carpeta se encuentra una imagen TM de la población de Guadalupe, en el Huila.

3. Genere una composición de 8 bits a color natural de esta imagen usando las tres bandasdel visible (guadalupe1, guadalupe2 y guadalupe3). Vaya al módulo COMPOSIT, desde elmenú Analysis -> Image Processing -> Enhancement. Escoja la banda del rojo para el canalrojo, la del verde para el verde y la azul para el azul. Aplique la técnica de expansión (stretch)que crea conveniente, después de revisar los histogramas originales. Para desplegar elresultado de la composición asegúrese de emplear la paleta COMPOSIT.

� Cree una colección de layers raster con las tres imágenes originales y la composición.

Utilice la herramienta de consulta “inquiry cursor” para examinar simultáneamentealgunos de los valores de respuesta espectral de las tres bandas originales. Observediversas coberturas en las tres bandas del visible y después note si son diferenciadas, ono, en la composición a color obtenida.

� Describa diversos colores de la composición a color a cuáles coberturas corresponden.Para esto, visualice las tres bandas originales y después la composición a color. Interpretepor qué el color de la composición. Hágalo mínimo para tres coberturas. La paletaCOMPOSIT, puede ser observada desde Display -> Symbol Workshop.

4. Ahora proceda a realizar una composición de 8 bits en falso color.

� Qué bandas incluye un composición en falso color?. Por que se llama así?� Identifique los colores para tres coberturas y explique por que ese color con el que se

visualizan. Ayúdese de las bandas originales.

5. Realice una composición de 24bits en falso color con la opción ‘Create 24-bit compositewith stretched values’. Compare esta composición con la de 8 bits. Utilice el inquiry cursorpara identificar diferencias.

6. Realice una composición de 24bits en falso color con la opción ‘Create 24-bit compositewith original values and stretched saturation points’ y compárela con la anterior

� Qué diferencia hay entre esta composición y la creada en el paso 5?

4.2 Aplicación de filtros

Cierre las imágenes abiertas. Vaya al menú Analyisis -> Image Proccesing -> Enhancement ->Filter. Desde la ventana de filtrado digital que se abre, invoque la ayuda. Allí revise la parte deoperación y de notas. Es importante que analice cada filtro y entienda la forma en que secomputa con la imagen original.

Una vez revisada la ayuda de IDRISI despliegue la imagen ‘guadalupe4’ y empiece adesarrollar los procedimientos específicos que se le solicitan.


44..22..11 FFiillttrroo ppaassaa aallttoo yy ppaassaa bbaajjoo

1. Desde el menú de filtros seleccione la opción High Pass. Este es un filtro pasa alto cuyocontenido de “kernell” usted visualizó en la ayuda. Si no recuerda remítase nuevamente a ella.

2. Ingrese ‘guadalupe4’ como imagen de entrada. Dé un nombre a la imagen de salida ycomplete las otras opciones solicitadas.

3. Realice el mismo procedimiento, pero ahora use el filtro mean. Emplee un filtro de tamaño3x3 y otro de tamaño 7x7, para la misma imagen.

� Escriba los valores mínimo y máximo de las imágenes de salida� Explique a que se debe que, en la que aplicó el filtro High Pass, existan valores negativos

4. Realice una expansión de la imagen de salida del filtro “high pass”, con el fin que reescalelos valores obtenidos al rango entre 0 y 255, para ello, analice el histograma de la imagendespués del filtro y seleccione el mejor método.

� Para qué se hizo la expansión y por qué escogió ese método?. � Qué se visualiza después de la expansión?. Interprete la imagen que aparece sobre

pantalla

Para desplegar las imágenes filtradas, IDRISI asume automáticamente el autoescalamiento,emplee la paleta grey 256 todo el tiempo.

5. Despliegue las imágenes filtradas con mean al lado de la original y responda las siguientespreguntas:

� En forma general describa ¿qué cambios en valores sufren los pixeles de la imagencuando se aplica uno u otro filtro?

� ¿Cuál de los filtros pasa bajo hace la imagen más borrosa? . Por qué?� Visualmente observe la diferencia entre la imagen original y las resultantes. Describa estas

diferencias y plantee un uso

44..22..22 AApplliiccaacciióónn ddee ffiillttrrooss ppaarraa rreeaallccee ddee bboorrddeess

6. Desde el menú de filtros seleccione la opción Laplacian edge enhancement. Este es un filtrode realce de bordes – no direccional, cuyo contenido de “kernell” usted visualizó en laayuda.

7. Entre el nombre de su imagen. De un nombre de salida a esa imagen y complete las otrasopciones solicitadas.

8. Realice el mismo procedimiento, pero ahora use el filtro sobel edge detector.

Despliegue las imágenes filtradas al lado de la original y responda las siguientes preguntas:

� Describa los elementos de la imagen que cambiaron en uno y otro caso� Basado en lo que usted ve sobre cada una de las imágenes filtradas, ¿qué preguntas

puede proponer, que esas diversas técnicas de filtros puedan ayudar a responder?� ¿Cuáles bordes son resaltados con el realce de bordes de sobel? � ¿Cuáles bordes realza el filtro Laplaciano?


44..22..33 FFiillttrrooss ddeeffiinniiddooss ppoorr llooss uussuuaarriiooss

9. Con las opciones user defined 3x3 kernel y user defined variable size kernel usted puedecrear cualquier filtro requerido. La operación matemática que será realizada consiste ensumar los productos del pixel de la imagen original y el del kernel. Si usted selecciona laopción “normalize”, los valores del kernell se dividen de forma que su suma sea igual a 1.

De acuerdo con lo explicado en clase, cree tres filtros direccionales: E-W, N-S y NE-SWAplíquelos a la imagen original y despliéguelos.

Responda a las siguientes preguntas:

� Describa que ve y responda cómo estos filtros podrían ser útiles para un estudio� Compare las tres imágenes y diga que dirección poseen los rasgos que fueron realzados

con cada filtro respectivamente.

44..22..44 CCoommppoossiicciioonneess aa ccoolloorr ccoonn ffiillttrrooss

10. Ahora genere una composición de 8bits en falso color con las bandas originales, empleandola opción “linear stretching with saturation points”, asigne un valor de saturación, después deexaminados los histogramas originales. Llámela COMPORIG.

11. Posteriormente corra filtros laplacianos para cada una de estas bandas. Después realice unaexpansión lineal para cada una de ellas, con el fin de asignar a la imagen valores NV entre 0y 255. Este paso se realiza ya que la composición a color solo acepta imágenes “byte”.Proceda a generar la composición a color empleando la misma opción de arriba (linearstretching with saturation points). Llámela COMPFL

Despliegue una composición al lado de la otra y responda:

1. Cuáles son las diferencias entre estas dos composiciones?2. Para cuáles aplicaciones encuentra útil el uso de la composición a color con bandas

filtradas?3. Pruebe composiciones a color, empleando otros filtros para las bandas originales y anote sus

observaciones.


Las preguntas del taller serán respondidas en grupo. Cada uno de los grupos anotará estasrespuestas, con el fin de exponerlas ante el grupo completo, en forma de discusión abierta.¡Suerte!


[1] Jensen, J. R., 1996, Introductory Digital Image Processing: A remote sensingperspective, 2nd Edition. NJ: Prentice-Hall

[2] Sabins, F. F., 1987, Remote Sensing: Principles and Interpretation. NY: W.H. Freemanand Company.

[3] Japan Association of remote sensing. Remote sensing note[4] Clark University. Idrisi for Windows. Tutorial exercises. 1997.

Taller No 10: Transformaciones Especiales de Imágenes

TTAALLLLEERR NNOO.. 1100:: TTRRAANNSSFFOORRMMAACCIIOONNEESS EESSPPEECCIIAALLEESS DDEEIIMMAAGGEENNEESS



1. Comprender en que consisten las técnicas de cocientes de bandas, componentes principalese índices de vegetación y vislumbrar los cambios que dichas técnicas producen en lasimágenes

2. Encontrar aplicaciones para las cuales pueden ser usadas estas técnicas3. Entender conceptualmente los algoritmos que se aplican durante las transformaciones de las

imágenes y encontrar las ventajas de su empleo.


2.1 Cociente de bandas [1]

En áreas montañosas la interacción del ángulo y el azimut de los rayos del sol con las pendientes ylos aspectos produce un efecto topográfico que resulta en una iluminación variable, la cual impidehacer un uso adecuado de las imágenes en este tipo de ambientes.

El efecto topográfico se define como la diferencia en los valores de radiación de las superficiesinclinadas, comparadas con aquellas horizontales. Esta orientación es medida en relación con elángulo del sol y el sensor remoto (Holben y Justice, 1980). Las imágenes a menudo se toman, otemprano en la mañana, o en la tarde, cuando el efecto del ángulo del sol en la iluminación de laspendientes pueda ser extremo. Las reflectancias de las pendientes que miran opuestas al sol, sonconsiderablemente bajas y, en algunos terrenos muy altos, algunas áreas pueden poseer tantasombra que pierden totalmente su significado.

Cuando se usa el proceso de clasificación de una imagen, la información de reflectancia queproviene de materiales similares, puede quedar separado en distintas clases, debido a los efectosde sombras.

Por otro lado, estas sombras hacen también difícil derivar índices de biomasa y otros aspectoscomparativos entre las clases de cobertura y uso. Por estas razones el efecto de relieve es unaspecto dramático en la interpretación temática, al cual debe dársele importancia.

Estos inconvenientes son menos comunes en imágenes tomadas con ángulos altos de elevacióndel sol (mayores que 45º ) que en los de menor ángulo, pero la disponibilidad de datos no siempreestá en los términos más adecuados y se hace necesario trabajar con aquellas imágenes que setienen. Por ello, se emplean técnicas de procesamiento de imágenes que suprimen estos efectosnegativos para la interpretación. Una de esas técnicas (de entre otras que existen) es el cociente debandas.

En el cociente de bandas, una banda de la imagen es dividida en otra (por ejemplo la banda delinfrarrojo cercano en la roja): BANDAA/BANDAB, cuya normalización sería (BANDAA – BANDAB


2

/(BANDAA+BANDAB). Esta última está evitando los valores de cero en el denominador.

Esta técnica se basa en el principio de que cierto componente de reflectancia en todas las bandases el resultado de efectos solares. Esos efectos son experimentados como un multiplicador uniformede los valores de la reflectancia que son determinados por las diferencias reales de los materiales.Dividiendo una banda en otra, el componente angular uniforme es dividido, dejando la variaciónque representa las diferencias en los materiales de la tierra.

Esta técnica no elimina completamente los efectos topográficos, pero ha sido aplicada en formamuy efectiva, en numerosos estudios.

2.2 Componentes principales [2]

En teledetección es común encontrar una alta correlación entre las bandas multiespectrales. Enesta correlación se puede observar que si la reflectancia es alta en un sitio particular de una banda,también tenderá a ser alta en el mismo sitio de otra banda. La pregunta que surge es entonces sialgunas bandas proveen una adecuada caracterización de las reflectancias de la superficie de latierra. Esta pregunta es respondida por el análisis de componentes principales – ACP.

El ACP es usado para transformar un conjunto de bandas de imágenes a unas nuevas llamadascomponentes, las cuales son no - correlacionables y son ordenadas en términos de la cantidad devariación de la imagen que ellas explican. Los primeros componentes tenderán a llevar másvariación del conjunto de bandas originales, mientras que los otros componentes describiránvariaciones menores.

Una de las aplicaciones del ACP es la compactación de datos, que consiste en retener solamentelos primeros componentes, donde uno puede guardar la mayoría de información, descargándosede una gran proporción de datos “redundantes”.

2.3 Indices de vegetación [2]

La cobertura vegetal fue uno de los primeros focos de la investigación del manejo de recursosnaturales, usando imágenes de satélite, especialmente con el lanzamiento de LANDSAT en 1972.Los sistemas de LANDSAT, SPOT y NOAA, entre otros, ofrecen imágenes multitemporales que se usanampliamente para monitorear y evaluar el estado de la vegetación en los niveles global, regionalnacional y local. Los índices de vegetación usan varias combinaciones de datos de los satélitesmultiespectrales para producir una imagen individual que representa la cantidad de vegetación,presente en un área dada.

Los índices de vegetación bajos, usualmente indican vegetación poco vigorosa, mientras que losvalores altos, indican vegetación muy vigorosa. Sin embargo en algunos casos (como los índices RVIy NRVI de IDRISI) el valor del índice de vegetación es inversamente proporcional a la cantidad devegetación presente en el área. Por esta razón usted deberá tener cuidado al interpretar los datosque obtenga.

Diferentes índices han sido desarrollados para modelar mejor la cantidad actual de vegetaciónsobre la superficie terrestre. El mejor índice a ser usado en un ambiente particular debe serdeterminado a través de la calibración con mediciones de muestras de biomasa. Si no haymediciones de biomasa, esas imágenes de índices pueden ser indicadores útiles de la cantidadrelativa de vegetación presente.

Recuerde que la vegetación tiene características especiales de los patrones de respuesta espectral,


en los cuales la energía en el visible azul y rojo es absorbida fuertemente, en el verde del visible laluz es reflejada (de aquí su color verde) y en el IR cercano es reflejada fuertemente. Debido a estascaracterísticas, muchos de los índices de vegetación usan solamente las bandas roja e IR, donde ladiferencia en la curva espectral es más marcada.

22..33..11 IInnddiicceess bbaassaaddooss eenn llaa ppeennddiieennttee::

Usan el cociente de la reflectancia de una banda con otra (usualmente rojo e IR cercano). Eltérmino se refiere a que, al analizar los valores resultantes del IV (índice de vegetación), secomparan esencialmente las pendientes de las líneas que pasan a través del origen y de los pixelesploteados en un gráfico, con la reflectancia de una banda en el eje de las X y la reflectancia de laotra en el eje de las Y.

22..33..22 IInnddiicceess bbaassaaddooss eenn llaa ddiissttaanncciiaa::

Los valores de reflectancia grabados por el sensor para cada pixel constituyen una reflectanciapromedio de todos los tipos de coberturas que caen en ese pixel. Cuando en zonas áridas ysemiáridas la vegetación es dispersa, la respuesta se recibe para la vegetación y el suelo. Estosíndices tratan de separar la información de la vegetación y del suelo. Se basan en el uso de unalínea del suelo y las distancias desde ella. Una línea de suelo es una ecuación lineal que describe larelación entre valores de reflectancia en el rojo e IR cercano para los pixeles del suelo. Esta línea segenera corriendo una regresión lineal entre las bandas roja e IR cercano para una muestra depixeles de suelo desnudo.

Una vez esta relación es establecida, todos los pixeles desconocidos que tienen la misma relaciónen los valores de reflectancia de las bandas roja e infrarroja son asumidos como suelo desnudo. Losque caen lejos de la línea de suelo porque tienen mayor respuesta de reflectancia en el IR cercanose consideran vegetación. Aquellos que caen lejos de la línea de suelo por que su reflectancia rojaes más alta se asumen como agua (la respuesta espectral del agua es mayor en el rojo que en elIR).

22..33..33 IInnddiicceess ddee ttrraannssffoorrmmaacciioonneess oorrttooggoonnaalleess::

Con estos índices, cuatro o más bandas son transformadas dentro de un conjunto de nuevasimágenes, una de las cuales describe la vegetación. En el presente taller será empleado el índicede Tasseled Cap, el cual usa un conjunto de cuatro bandas MSS o seis TM, para producir otrasimágenes nuevas. La imagen GVI (índice verde) representa la vegetación. Otras imágenesproducidas representan el índice del suelo (SBI), el índice de vegetación amarilla (YVI) y el índice deno-tal (NSI). El nombre de la transformación describe la forma de un plot de pixeles en el espacio deGVI-SBI, para una imagen que tiene vegetación en diferentes etapas de desarrollo.

En la tabla que se presenta a continuación se muestra la síntesis de algunos índices de vegetaciónmás conocidos.

Indices de vegetación de diversos tipos y sus características generales

Nombre delíndice

Fórmula Características

Basados en la pendienteDe diferencianormalizado

NDVI = (NIR-RED)/NIR+RED Minimiza efectos topográficos y produce escalalineal de medición. La escala va de –1 a 1 con el


4

(NDVI) valor cero representando el valor aproximadodonde empieza la ausencia de vegetación. Losvalores negativos representan superficies sinvegetación

Transformado(TVI) TVI = 5.0)( �

�

�

REDNIRREDNIR 0,5 evita valores negativos. La raíz cuadrada intenta

corregir valores que se aproximan a una distribuciónde Poisson e introduce una distribución normal. Noelimina todos los valores negativos

Transformadocorregido (CTVI)

CTVI=

()5.0(

)5.0(�

�

� NDVIABSxNDVIabs

NDVINDVI

Para valores del rango –1 + 1 que no se lescambiaba el signo con la anterior. Suprime el signonegativo. Sobrestimación del verde

Transformadade Thiam (TTVI) TTVI = )5.0)(( �

�

�

REDNIRREDNIRABS

Suprime la sobrestimación del verde

Cocientesimple (RVI)

RVI = RED/NIR La reversa de la estándar simple

Normalizado(NRVI)

NRVI = RVI – 1/RVI + 1 El resultado del RVI es normalizado. Es similar alNDVI, reduce efectos topográficos, iluminación yefectos atmosféricos, además de crear unadistribución normal estadísticamente deseable.

Basados en la distanciaPerpendicular(PVI)

Es el índice de vegetación padre, de donde sederivan los demás. Usa la distancia perpendicularde cada pixel a la línea del suelo. Se sabe si el pixelcorresponde a suelo o vegetación de acuerdo conla distancia de cada uno a la línea del suelo o allado de la línea donde estén ubicados.

De diferencia(DVI)

DVI = �MSS7 – MSS5� = La pendiente de la línea desueloMSS7 = IR cercanoMSS5 = Rojo

Un valor de cero indica suelo desnudo, los menoresde cero agua y los mayores de cero vegetación.

De sueloajustado (SAVI)

SAVI = LLROJONIR

REDNIR�

��

�

1(*(

)

L = factor de ajuste del suelo

Incorpora una constante de suelo, la cual se usade acuerdo con vegetación baja, intermedia oalta. Considera la influencia de la luz y del suelooscuro en el índice.

De sueloajustadotransformado(TSAVI)

TSAVI1 = baNIRaREDbREDaNIRa

***(

��

��

a = pendiente de la línea de suelob = Intercepto de la línea de suelo

Considera la pendiente y el intercepto de la líneade suelo. Mucho efecto del suelo de fondo. Tienevarias modificaciones

De transformaciones ortogonalesAnálisis decomponenteprincipal (PCA)

Usada para descubrir la dimensionalidad de datosmultivariados removiendo las redundancias(evidente en la intercorrelación de los valores depixel de la imagen) En las imágenes la primeracomponente típicamente representa el fondo delsuelo, mientras que la segunda a menudorepresenta la variación en la cobertura vegetal

De TasseledCap (GVI)

GVI = [(-0.24717TM1) + (-0.16263TM2) + (-0.40639TM3) +(0.854558TM4)...

Provee coeficientes globales que son usados paradarle peso a las bandas originales generando


bandas nuevas transformadas. Los pesos negativosdel GVI en las bandas del visible minimizan elefecto del suelo de fondo, los positivos en el IRenfatiza la señal de la vegetación

De Misra (MGVI) La misma filosofía, pero con nuevas bandas. Noproduce el mismo efecto de componente principalpues los coeficientes pueden ser colocadosespecíficamente


Abra el programa IDRISI y desde File -> Data Paths seleccione ..\sensores\vi como la carpeta detrabajo.

Usted empezará a desarrollar los ejercicios en el orden que se da en procedimientos específicos,una vez haya leído detenidamente la información que se le proporciona en el marco de referencia,sin la cual, difícilmente entenderá el ejercicio en cada tema.


4.1 Análisis de cocientes de bandas

Para esta parte de la práctica se utilizarán las bandas de una imagen Landsat TM (topo1, topo2, … ,topo7) que se encuentran en la carpeta de trabajo. Se empleará un cociente de bandas simplepara ilustrar los efectos de las sombras del relieve sobre las imágenes de satélite. Lo que se busca,es minimizar las diferencias en los valores radiométricos, debidas a los efectos de topografía. En laimagen de salida los valores del cociente para un mismo objeto de la superficie de la tierratenderán a aproximarse, removiendo la variación debida a efectos topográficos.

Siga los pasos que se describen a continuación:

1. Genere el histograma para las bandas 2,3 y 4 y examine la distribución de los valores dereflectancia.

2. Realice una composición a color con las imágenes originales usando topo2 para el azul, topo3para el verde y topo4 para el rojo. Use el estiramiento lineal que más se ajuste a sus datos deacuerdo a lo observado en los histogramas. Llame a la imagen de salida COMP1. Visualiceesta composición producida.

3. Ahora será producida una composición a color donde sea usado un cociente de bandas, conel fin de compararlo con la anterior composición. Tenga en cuenta que así como el cocientede bandas minimiza los efectos radiométricos, también tiende a ocultar algunos rasgos. De estaforma, algunos materiales pueden tener pendientes similares en sus curvas de reflectanciaespectral y aparecer idénticos en la imagen del cociente de bandas. Por eso se usarásolamente un cociente para una banda de la composición. Las otras dos a usar, serán lasoriginales. El cociente se realizará con las bandas 4 y 3 y se usará la imagen resultante comosubstitución de la 4 en una composición 2,3,4.

4. Corra OVERLAY desde el menú Analysis -> Database Query. Especifique topo4 como la primeraimagen y topo3 como la segunda. Llame NRATIO a la salida. Seleccione la opción de cocientenormalizado (first-second/first+second).

5. Revise la información del archivo NRATIO desde File -> Metadata.


6

� ¿Cuáles son los valores mínimo y máximo de NRATIO? � Verifique que sí haya sido aplicada la fórmula de cociente normalizado, para esto, realice

una colección de las imágenes usadas en el cociente y la resultante, para que consulte losvalores conjuntos de las tres y pueda escribir la operación. Para crear la colección(recuerde):

Vaya al menú File -> Colection Editor para abrir el editor de coleccionesDesde el menú File escoja New, y en ‘archivos de tipo’, elija raster group file.Llame “R43” a la colección y haga click en abrir.Con el boton insert after agregue los nombres de las imágenes que conformarán dichacolección (topo4, topo3 y NRATIO).Guarde la colección y cierre el editor de colecciones.

6. Abra el Display Laucher , presione el botón de selección, y en la lista, haga click sobre elsigno �+’ que aparece junto a R43 y despliegue NRATIO con la paleta grey 256. Para

habilitar la utilización del modo de cursor extendido, presione el botón (Feature

Properties). Active la herramienta de cursor de consulta y haga click sobre la imagenNRATIO para revisar sus valores y los de las demás imágenes de la colección.

� ¿Por qué se usó un cociente normalizado, en lugar de un cociente simple?� Despliegue las dos imágenes originales y la resultante de aplicar el cociente, usando

autoscaling, emplee la paleta de gris y realice una comparación entre ellas

7. Transforme NRATIO al rango de valores de 0 a 255 (byte). Para ello utilice un stretch lineal.

Presione (o vaya al menú Analysis -> Image Processing -> Enhacement, y elija STRETCH).Especifique NRATIO como la imagen de entrada y llame NRATIO256 a la de salida. Despliegue lanueva imagen con la paleta Grey 256

8. Haga ahora una segunda composición a color de 8 bits usando NRATIO256 como uno de los

componentes. Presione (o corra COMPOSIT desde Analysis -> Image Processing ->Enhacement para combinar topo2, topo 3 y NRATIO256 como bandas azul, verde y rojarespectivamente). Seleccione la misma opción de expansión que usó para la primeracomposición. Llame a la imagen de salida COMP2.

� ¿Por qué fue necesario transformar NRATIO a imagen byte?

9. Mire la imagen producida usando la paleta “Composite”. Usted notará que la vegetación uotras coberturas, que se encontraban en la sombra, son más visible que antes. Algunasaparecen lo suficientemente claras como para clasificarlas en diferentes categorías.

10. Compare COMP1 y COMP2� ¿Cómo el cociente de las imágenes ayuda en la interpretación visual?� Describa los aspectos positivos y negativos de aplicar esta técnica en relación con: las

sombras, discriminación de cobertura en esas áreas donde había sombras, discriminaciónde cobertura en zonas iluminadas.

4.2 Análisis de componentes principales

Se usarán las bandas de una imagen Landsat TM (bog1, bog2, … , bog7).

1. Despliegue todas las bandas con la paleta Grey 256 y la opción autoscaling. Analícelas al


tiempo y conteste la siguiente pregunta:� Alguna otra banda se parece a la 7?. Cuál?. Tenga en cuenta esta respuesta para más

adelante.� Alguna otra banda se parece a la 1?. Cuál?.

2. Ahora corra PCA (análisis de componentes principales) desde el menú Analysis -> Image ->Processing -> Transformations. Indique que usted quiere calcular la covarianza directamente,que quiere entrar seis bandas y extraer seis componentes principales. Entre el prefijo ‘bog’ paralas imágenes de salida. Explique que usted quiere usar variables no estandarizadas (matrizvarianza-covarianza) y entre el nombre de las seis bandas (bog1 a bog7). Las componentesprincipales serán calculadas y se les asignará el nombre del prefijo más CMP1 a 7. El resultadoaparecerá en la pantalla como una tabla de síntesis.

3. Analice la matriz de correlación y responda:� ¿Encuentra mucha correlación entre algunas bandas?. Entre cuales?� ¿Cuáles bandas se correlacionan mejor con la banda 1?� ¿Hay alguna banda que se correlacione mucho con la 7?� Compare esta respuesta con la del principio (la pregunta 1)� Para las bandas que presentan una alta correlación explique, visualizándolas, como esto se

refleja. Igualmente hágalo con las de baja correlación. Escriba entre cuáles bandas realizóel análisis y sus observaciones.

4. Ahora mire la tabla sumario de los componentes donde los eigenvalores y los eigenvectores(como columnas) son desplegados. Los eigenvalores expresan la cantidad de varianzaexplicada por cada componente y los eigenvectores son los coeficientes de las ecuaciones detransformación. Este ha sido sumado como un porcentaje de la varianza (%Var.), medido en eltope de cada columna.� ¿Cuánta varianza es explicada por los componentes 1, 2 y 3 separadamente? ¿Cuánta por

los componentes 1 y 2 juntos? (debe realizar una suma). Cuánta por los componentes 1,2 y3 juntos?

� Si usted fuera a conservar solo el 1,2 y 3, ¿Cuánta información retendría (porcentaje)?.¿Cuánto de los datos originales usted conservaría (bandas)? ¿Cuánta información y cuántosde los datos originales usted descargaría?

5. Ahora mire la tabla de loadings. Esta se refiere al grado de correlación entre los nuevoscomponentes producidos (las columnas) y las bandas originales (las filas)� ¿Cuál banda tiene la mayor correlación con el componente 1?. Es una correlación alta? � ¿Cuál banda tiene la mayor correlación con el componente 2?

6. No cierre la ventana de las tablas. Solo minimícelas. Despliegue el componente 1 (bogcmp1),con autoescalamiento y paleta Grey 256, después despliegue la banda 7, también despliegueel componente 2 y la banda 4 , usando el mismo autoescalamiento y la misma paleta. � ¿Que tan similares se ven la componente 1 y la imagen IR medio 7?. ¿Qué tan similares son

la componente 2 y la imagen del IR cercano 4?.7. Ahora despliegue el componente 6 con las mismas opciones (autoescalamiento y paleta Grey

256)� Mire las tablas y responda cómo es su correlación con las seis bandas?. ¿Qué piensa que

contiene el componente 6? (para responder remítase a correcciones radiométricas). ¿Quétanta información perdería si descarga este componente?.

4.3 Análisis de índices de vegetación [2]

En este ejercicio se evaluará la cobertura vegetal y sus cambios en un área al sur de Mauritania.


8

Las imágenes que usará en este ejercicio son Landsat del barredor multiespectral MSS. Fuerontomadas el 12 de octubre de 1990 por el programa Landsat 4. Hay 4 imágenes: MAUR90-BAND1,MAUR90-BAND2, MAUR90-BAND3, MAUR90-BAND4. Corresponden a las bandas del visible verde, rojo,IR cercano y una longitud de onda algo más larga del IR cercano.

El ejercicio consistirá en analizar y comparar los diferentes índices de vegetación.

No olvide leer la información que se le proporcionó en el marco de referencia, antes de iniciar eldesarrollo del ejercicio. 1. Cierre todas las ventanas abiertas, despliegue la imagen MAUR90-BAND3 con la paleta Grey 256

y con la opción de autoscaling.

El área que se visualiza está cerca de la frontera entre Senegal y Mauritania y contiene parte de laplanicie de inundación del río Senegal, así como la sección más baja de la planicie de inundacióndel río Gorgol (se ve en la parte superior izquierda de la imagen), que es un tributario del Senegal.Las secciones de los dos ríos están cubiertas por vegetación ribereña dominada por especies deAcacia nilotica, las especies preferidas para combustible. Otras especies como Borassis flabelifer yphaene thebaica son usadas como material de construcción. Son típicas también de esa región,Agricultura de clima lluvioso y de inundaciones periódicas y pastizales. A pesar de que es una zonarelativamente húmeda hay un déficit de lluvias desde 1960 que ha ido convirtiendo el área en unsector semiárido. Mucha vegetación se ha cambiado de la sabana a la estepa. Los relictos devegetación de sabana se encuentran solamente a lo largo de los valles de los ríos, en suelosarcillosos y limosos, ya que estos retienen la humedad mejor que otros suelos en el sector. La presiónincremental de la población tratando de adaptarse a las continuas condiciones de sequía, han sidola principal causa de la degradación de la vegetación en este ambiente.

Cuantificar la vegetación de baja densidad que caracteriza a las zonas áridas y semiáridas es todoun reto porque la cobertura vegetal no es completa, la mayoría de los pixeles contienen unareflectancia promedio de vegetación y de suelos desnudos.

Creación de los índices de vegetación:

Indices basados en la pendiente:

2. Desde el menú File seleccione User Preferences. En el tab ‘System Settings’ active la opción dedespliegue automático (Automatically display the output of analytical modules). Pase al tab‘Display Settings’ y seleccione NDVI256 como la paleta cuantitativa por defecto. Active tambiénla opción de desplegar los títulos. Presione OK para aplicar los cambios.

3. Corra VEGINDEX (desde el menú Analysis -> Image Proccesing -> Transformation) 2 veces paraproducir imágenes con dos modelos de índices de vegetación basados en pendientes: Ratio yNDVI. Use en ambos casos MAUR90-BAND2 como la banda roja y MAUR90-BAND3 como labanda IR cercano. Llame a las imágenes resultantes Ratio90 y NDVI90, respectivamente. Si norecuerda en que consiste la ecuación aplicada para cada una de las opciones, busque en laayuda o consulte la tabla síntesis que se dio en el marco de referencia, allí está explicado.� ¿Qué diferencia nota entre estas dos imágenes de salida?. Para responder las preguntes use

las paletas GREY256, IDRISI256 Y QUANT256.� ¿Cuál es el propósito de normalizar el cociente para crear un NDVI?� Cree una Colección con RATIO90 y NDVI90 y visualice al tiempo los valores de pixel de una y

otra imagen. ¿Qué significan los valores menores y los valores mayores?. ¿Con cuáles estárelacionada más la vegetación?


Indices basados en la distancia:

4. El primer paso es calcular la línea del suelo, para ello hay que identificar una muestra de lospixeles de suelo desnudo en la imagen. Será usada la imagen NDVI90, creada antes, con lacual se desarrollará una imagen de enmascaramiento para el suelo. Esto debido a que no seconoce el área de estudio para poder digitalizar sobre pantalla las áreas de suelos desnudos.� Si usted asume que cualquier pixel que tenga una mayor reflectancia en el IR cercano que

en el rojo es vegetación y todo lo demás es suelo desnudo, ¿qué valor de umbral podríausar con la imagen NDVI90 para separar la vegetación del suelo? (use la ecuación del NDVIcon algunos valores de ejemplo para que le ayude a responder esta pregunta)

5. Corra RECLASS desde Analisis -> Database Query con NDVI90 para crear la imagen SOILMASK.Asigne el valor de 1 a suelos desnudos y cero a las áreas con vegetación, de acuerdo con lasolución de la pregunta anterior.

Una vez que los suelos han sido identificados, los valores para esas áreas en las bandas del rojo ydel IR son sometidos a una regresión lineal. El cálculo de esta regresión varía para los índices devegetación basados en la distancia. Algunos son basados en una regresión donde la banda roja esevaluada como variable independiente y otros en una regresión donde la banda del IR es evaluadacomo la variable independiente. Nosotros usaremos ambos tipos de índices de vegetación basadosen la distancia, por eso se realizará la regresión dos veces para hallar dos líneas de suelo (una con IRcomo independiente y el rojo como dependiente, y viceversa).

6. Corra REGRESS desde el menú Analysis -> Statistics entre las imágenes MAUR90-BAND2 yMAUR90-BAND3 usando SOILMASK como la imagen máscara. Anote la pendiente (b) y elintercepto (a) para cada caso. La ecuación que se escribe en la parte de arriba del desplieguede regresión es de la forma y=b+ax, donde y=variable dependiente, b=intercepto con el ejey, a=pendiente y x=variable independiente.

� ¿Cuáles son la pendiente y el intercepto cuando la banda roja es la variableindependiente?. ¿Cuándo la infrarroja es la independiente?.

El coeficiente de determinación r2 es alto, lo que indica que la relación entre las reflectancias rojas einfrarrojas para los pixeles de suelo desnudo está bien descrita por una ecuación lineal.

7. Corra VEGINDEX tres veces para producir los índices PVI, PV3 y WDV1 (llame de la misma formaa las imágenes de salida). Consulte la sección Determining Slope and Intercept values de laayuda, para determinar cuáles parámetros de la línea de suelo debe usar para cada índice devegetación particular.� ¿Cuáles son las mayores diferencias que ve en el despliegue de los tres índices de

vegetación basados en la distancia?


10

� Hay notables diferencias entre estas imágenes y las generadas con los IV de pendientes?.¿Cuáles son esas diferencias?

Transformaciones ortogonales:

En este ejercicio será explorado el uso de las transformaciones de Tasseled Cap y de componentesprincipales para producir imágenes de vegetación. Remítase al marco de referencia.

8. Corra TASSCAP desde el menú Analysis -> Image/Proccesing -> Transformation. Indique queusted usará bandas del MSS e ingrese las cuatro bandas de la escena del 90. Escriba ‘90’ comoel prefijo para las imágenes de salida. Esta operación le producirá cuatro imágenes llamadas:90GREEN, 90BRIGHT, 90YELLOW y 90NOSUCH. Despliegue las cuatro imágenes usandoescalamiento de 0 a 255 (realice un stretching).� ¿Por qué piensa que las áreas que se indican con altas cantidades de vegetación en la

imagen de la vegetación verde (90GREEN) muestra valores bajos en la imagen de brillo delsuelo (90BRIGHT)?

Las componentes principales, tal como ya se había mencionado, son una transformación de unconjunto de imágenes multiespectrales a un nuevo conjunto de imágenes de componentes. Lasimágenes de componentes no están correlacionadas y se ordenan de acuerdo con la cantidad devariación que involucran del conjunto de bandas originales. La primera de esas componenteshabitualmente describe el brillo (que incluye el suelo del fondo) y la segunda describe variacionesen la cobertura vegetal.

9. Corra PCA desde el menú Analysis -> Image Processing -> Transformation. Seleccione la opciónde calcular directamente las covarianzas. Entre 4 como el número de bandas y 4 como elnúmero de componentes a generar. Escriba ‘90’ como el prefijo para los archivos de salida yentre las cuatro bandas del 90 del MSS. Acepte el defecto para usar variables no-estándares.Cuando finalice el proceso despliegue las cuatro imágenes de 90CMP1 a 90CMP4.

La información tabular obtenida, indica que la primera componente describe cerca del 93% de lavarianza presente en el conjunto original de las cuatro bandas. Note que todas las bandas deentrada tienen “loadings” altos y positivos para el componente 1. Se podría entonces interpretar queeste componente representa el “brillo” general de toda la imagen. El segundo componente tiene“loadings” positivos para las bandas infrarrojas y negativos para las bandas del visible verde y rojo.Puede ser interpretada como una imagen que describe la vegetación, independiente del ‘brillo’general de la imagen. Los componentes tres y cuatro, describen un poco de la varianza original yparecen representar las interferencias atmosféricas y de otro tipo en las imágenes.

� Compare el componente dos obtenido aquí con la imagen 90GREEN obtenida en latransformación anterior. ¿Se parecen estas imágenes?. ¿Por qué cree que sucede?. (Pararesponder analice la ecuación de GVI.


Las preguntas del taller serán respondidas por escrito en grupo y las repuestas serán entregadas enocho días. ¡Suerte!


[1] United Nations Institute for Training and Research. GIS and Mountain Environments. 1998.[2] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises.

Taller No. 11: Clasificación Supervisada

TTAALLLLEERR NNOO 1111 CCLLAASSIIFFIICCAACCIIOONN SSUUPPEERRVVIISSAADDAA


Varios tipos de mapas, incluyendo los de uso, suelos, mapas batimétricos y de temperaturas,pueden ser derivados de la clasificación de imágenes de sensores remotos. Hay dos métodos declasificación de imágenes: supervisada y no supervisada. En la clasificación supervisada, elusuario debe determinar las firmas espectrales de categorías conocidas, tales como bosques oáreas urbanas. Posteriormente, el software asigna cada pixel de la imagen a la categoría cuyafirma espectral es más similar.

Los pasos para realizar una clasificación supervisada, se pueden resumir de la siguiente forma:

- Ubicar ejemplos representativos de cada uno de los tipos de cobertura que puedan seridentificados en la imagen. Estos ejemplos representativos son también llamados “Sitios deentrenamiento o muestreo”.

- Digitalizar polígonos alrededor de cada sitio de muestreo, asignando un identificador único acada tipo de cobertura.

- Analizar los pixels dentro de los sitios de prueba, crear firmas espectrales para cada uno de lostipos de cobertura y comparar la separación de estas firmas. Las decisiones acerca de cuánsimilares son entre sí las firmas espectrales, se toman a través de técnicas estadísticas

- Clasificar la imagen completa, considerando cada pixel, uno por uno, comparando su firmaparticular con cada una de las firmas conocidas. Las llamadas clasificaciones “duras”,resultan de asignar cada pixel al tipo de cobertura que tiene la firma espectral más similar. Lasclasificaciones “suaves”, por otra parte, evalúan el grado de pertenencia de cada pixel conrespecto a todas las clases en consideración, incluyendo clases desconocidas y noespecificadas.


Este ejercicio ilustra algunas técnicas “fuertes” de clasificación supervisada. Para ello se utilizan las7 bandas de una imagen Landsat TM (H87TM1,H87TM2,...., H87TM7).

El primer paso será crear los sitios de prueba (áreas representativas de cada uno de los tipos decobertura en los que se desea clasificar la imagen). La imagen se clasificará en 6 tipos decoberturas conocidas.

3. PROCEDIMIENTOS ESPECIFICOS

- Escoja “..\sensores\clasuper” como directorio de trabajo desde el menú File -> Data Paths- Despliegue la imagen llamada “clasuper” con la opción “Map composition file”, en esta

imagen se señalan los diferentes tipos de coberturas que se pueden identificar.- Escriba una lista con todos los tipos de cobertura identificados en la imagen anterior, y

asígnele a cada uno un identificador único. (Aunque los sitios de prueba pueden serdigitalizados en cualquier orden, no se debe saltar ningún número en la serie, de forma que sise tienen diez clases diferentes de tipos de cobertura, los identificadores deben ir del 1 al 10).

El orden sugerido es:1- Aguas someras


2

2- Aguas profundas3- Agricultura4- Urbano5- Bosques caducifolios (los que pierden las hojas en otoño)6- Bosques de coníferas

- Despliegue la imagen “H874S” usando la paleta grey256.- Utilice la opción de digitalización en pantalla para digitalizar polígonos alrededor de sus sitios

de prueba:

- Haga un acercamiento alrededor del lago de aguas profundas del lado izquierdo de laimagen.

- Haga click en el ícono de la herramienta de digitalización en pantalla - Llame “SITPRUEB” al archivo vector que se creará, elija la opción polygon e ingrese el

identificador que eligió para el tipo “Aguas profundas”. Presione OK.- Ahora, el cursor tendrá la forma del ícono de digitalización en pantalla. Mueva el cursor a

un punto inicial en la frontera de su sitio de prueba y haga click. Ahora mueva el cursor alsiguiente punto y haga click de nuevo. El polígono del sitio de prueba debe encerrar unárea homogénea del tipo de cobertura (evite incluir la línea de la playa en este polígonode agua profunda). Continúe digitalizando hasta que haya terminado la frontera delpolígono y presione el botón derecho del mouse (si cometió algún error y no quiere

guardar el polígono, presione el botón para eliminar el último sitio de prueba quehaya digitalizado.

- Vuelva al zoom inicial y después haga un acercamiento en su siguiente sitio de prueba(de acuerdo a la figura clasuper).

- Haga click de nuevo en la herramienta de digitalización en pantalla .- Ingrese el identificador del nuevo sitio de prueba. Mantenga el mismo identificador si

quiere digitalizar otro polígono del mismo tipo (aguas profundas). De otra forma, ingreseun nuevo identificador.

Se puede crear cualquier número de sitios de prueba, o polígonos con el mismo ID, paracada tipo de cobertura. Sin embargo, debe haber una muestra adecuada de pixels decada tipo de cobertura. Una regla general dice que el número de pixels en cada grupode sitios de prueba (p. Ej. Todos los sitios de prueba del tipo “aguas profundas”) no debeser menor que 10 veces el número de bandas. Por lo tanto, en este ejercicio, donde seusarán 7 bandas, no debería haber menos de 70 pixels en cada grupo de sitios deprueba.

- Continúe hasta que haya digitalizado sitios de prueba para cada uno de los 6 tipos decoberturas.

- Presione el botón al final, para guardar el archivo vector con los polígonos de lossitios de prueba.

Después de que se tiene el archivo vector de los sitios de prueba, se pasa al siguiente paso delproceso: crear los “archivos de firma” (signature files). Los archivos de firma contienen informaciónestadística acerca de los valores de reflectancia de los pixels dentro de cada uno de los gruposde sitios de prueba.


- Ejecute MAKESIG desde el menú Analisys -> Image Processing -> Signature Development.Elija “Vector” como el tipo de archivo de los sitios de prueba, y elija el archivo “SITPRUEB” comoel archivo de sitios de prueba.

- En la ventana “Enter Signature File Names”, ingrese los nombres de los archivos a crear (unopara cada uno de los 6 tipos de cobertura identificados), en orden ascendente de acuerdocon los identificadores que les asignó. Presione OK

- Indique que se usarán 7 bandas para el procesamiento. Elija los archivos de las bandas quese analizarán: H87TM1 (azul), H87TM2 (verde), H87TM3 (rojo), H87TM4 (infrarrojo cercano),H87TM5 (infrarrojo medio), H87TM6 (termal) y H87TM7 (medio).

- Presione OK.- Cuando haya terminado el proceso, ejecute Idrisi File Explorer desde el menú File, y de la lista

de tipos de archivos elija ‘Signature (sig + spf)’ para ver los archivos de firma y verificar quetodos hayan sido creados.

- Antes de continuar con el ejercicio, se agruparán los 6 archivos de firma en un archivo degrupo de firmas espectrales. El objetivo de usar un archivo de grupo es agilizar el ingresode los datos de entrada en las ventanas de Idrisi. Un archivo de grupo de firmasespectrales es similar a una colección de layers raster.

- Para crear el archivo de grupo, abra el Editor de Colecciones.- Desde el menú File escoja New. En ‘archivos de tipo’, elija ‘Signature Group File’ Llame

‘gfirmas’ al archivo y haga click en abrir.- Con el boton insert after agregue los archivos 6 archivos de firmas que conformarán la

colección.- Guarde el Archivo de grupo desde File -> Save. Y cierre el editor de colecciones.

Para comparar los archivos de firma espectral, es posible graficarlos:

- Ejecute SIGCOMP desde el menú Analisys -> Image Processing -> Signature Development. - Presione ‘Insert Signature Group’ y elija el archivo ‘gfirmas’ (note que los nombres de los

archivos de firma incluidos en el grupo aparecen en la lista de la izquierda)- Elija la opción “Mean”, para obtener una gráfica de los valores promedio de cada archivo de

firma en cada banda.- Presione OK

� ¿De las siete bandas, cuáles diferencian mejor las coberturas de vegetación?

- Ejecute SIGCOMP de nuevo, pero esta vez elija ver solo 2 archivos y elija los archivos de firmaespectral que corresponden a bosque de coníferas y cobertura urbana. Indique que quieregraficar los valores máximo y mínimo, así como la media. Presione OK. (Note que los valoresde reflectancia de los archivos de firma espectral se sobreponen en diferente grado a travésde todas las bandas).

� ¿Cuál de los dos archivos de firma espectral tiene la mayor variación en los valores dereflectancia en todas las bandas?

El siguiente paso del proceso es clasificar las imágenes basándose en los archivos de firmaespectral. Cada pixel tiene un valor en cada una de las 7 bandas de la imagen (H87TM1-7). Estosvalores forman una firma espectral única que es comparada con cada uno de los archivos defirma espectral creados. El pixel es entonces asignado a la categoría que tiene la firma espectralmás similar. Existen varias técnicas estadísticas que pueden ser usadas para evaluar qué tansimilares son las firmas espectrales entre sí. Dichas técnicas estadísticas son llamadas


4

“clasificadores” (classifiers). Se crearán imágenes con tres clasificadores duros (hard classifiers)disponibles en Idrisi.

Para visualizar de forma gráfica la selección de los sitios de prueba se utiliza el módulo SCATTER.Este módulo de Idrisi usa dos bandas de la imagen como ejes X y Y para graficar las posicionesrelativas del pixel a partir de sus valores en las dos bandas utilizadas. Además, crea una fronterarectangular alrededor de la media de los sitios de prueba de cada banda con un ancho y altoequivalentes a dos desviaciones estándar medidas desde la media. Al ejecutar este comando, seobtiene como resultado la imagen de la distribución de los pixeles y un archivo vector con losrecuadros alrededor de la media de cada archivo de firma. (Fig. 1)

Fig 1. Estructura de un gráfico de SCATTER

- Ejecute “SCATTER” desde el menú Analisys->Image Processing->Signature Development.Seleccione la imagen H87TM3 (la banda roja) como el eje Y del gráfico de salida, y H87TM4(la banda del infrarrojo cercano) como el eje X. En ‘Plot Type’ elija ‘Ln of pixel counts’. Active laopción ’Create signature plot file’ e ingrese el nombre del archivo de grupo de firmas(gfirmas). Llame “SCAT” a la imagen de salida. Cuando el proceso termine, agregue el layervector de los recuadros sobre la imagen de los pixeles (si es necesario cambie la paleta paravisualizarlos mejor).

- Active el layer raster y mueva el cursor sobre la imagen. Note que las coordenadas X y Y quese muestran en la barra de estado (la de la parte inferior de la pantalla), son las coordenadasX y Y en el gráfico. Los ejes X y Y van desde 0 hasta 255. Haga un zoom en la parte inferiorizquierda del gráfico para observarlo con mayor detalle. Para mostrar la frecuencia deaparición de un pixel en las dos bandas, SCATTER usa colores brillantes para mostrar mayoresdensidades de pixeles, y colores más oscuros para densidades menores (el valor de pixel quese observa al utilizar el Inquiry cursor es el logaritmo de la frecuencia real del pixel en las dosbandas).

Este gráfico es de gran utilidad para verificar la calidad de los sitios de prueba elegidos. Si losrecuadros dibujados alrededor de los sitios de prueba se sobreponen entre sí, esto puede indicar

0

255

255

El valor del pixel es ellogaritmo de sufrecuencia

Valor dereflectancia delpixel en labanda “Y”

Valor dereflectancia delpixel en labanda “X”

2 * Desviaciónestándar en elsitio de prueba


que no se han elegido correctamente. Sin embargo, tales superposiciones pueden ocurrir porqueciertos objetos realmente poseen patrones de reflectancia comunes. (Fig 2).

Fig 2. Ejemplo de un gráfico producido con SCATTER

- MINDIST (clasificador de distancia mínima a medias). Este clasificador calcula la distancia delos valores de reflectancia de cada pixel a la media de cada archivo de firma espectral, yasigna al pixel a la categoría con la media más cercana. Hay dos formas de calcular ladistancia con este clasificador: la primera es calcular la distancia euclidiana (raw distance)desde los valores de reflectancia de cada pixel hasta la media de los archivos de firmaespectral. El segundo método es el de distancia normalizada. En este caso, el clasificadorevalúa las desviaciones estándar de los valores de reflectancia con respecto a la media,creando contornos de desviaciones estándar. Después asigna un pixel dado a la categoríamás cercana, en términos de desviación estándar.

- Ejecute “MINDIST”, desde el menú Analisys->Image Processing->Hard Classifiers. Indique quese usará un archivo de grupo de firmas espectrales, haga doble click y elíjalo de la lista(gfirmas). Los nombres de las categorías aparecerán en el lugar correspondiente. Elija laopción de distancia euclidiana (raw), el nombre del archivo de salida será “mindisr”. PresioneOK para hacer la reclasificación

- Haga una nueva clasificación con “MINDIST” pero esta vez elija la opción de DistanciasNormalizadas. Llame “mindisn” a la imagen de salida.

� Visualice el resultado y compárelo con el anterior. Anote las diferencias

El siguiente clasificador que se usará será el de máxima probabilidad (maximun likehood). Aquí, ladistribución de los valores de reflectancia en un sitio de prueba es descrita por una función dedensidad de probabilidad, desarrollada a partir de estadísticas de Bayes. Este clasificador evalúala probabilidad de que un determinado pixel pertenezca a una categoría y lo clasifica en lacategoría con la mayor probabilidad de pertenencia.

0


6

- Ejecute “MAXLIKE”, desde el menú Analisys->Image Processing->Hard Classifiers. Indique quese usará un archivo de grupo de firmas espectrales, haga doble click y elíjalo de la lista(gfirmas). Los nombres de las categorías aparecerán en el lugar correspondiente. Elija laopción de clasificar todos los pixels, asignando un mismo peso a todas las clases (la mismaprobabilidad). Llame “MAXSIM” al resultado. Presione “Continue” para reclasificar(manteniendo todas las bandas). La técnica de similitud máxima es la más lenta de todas,pero si los sitios de prueba son buenos, tiende a ser la mas precisa.

El último clasificador es el del paralelepípedo. Este clasificador crea “cajas” usando unidades dedesviación estándar, o valores de reflectancia máximos y mínimos dentro de los sitios de prueba.Si un pixel determinado cae dentro de la “caja” de una de las firmas espectrales, es asignado aesa categoría. Este es el más rápido de los clasificadores, y la opción con máximos y mínimos erausada como un clasificador de “previsualización” cuando la velocidad de procesamiento eramuy baja. Este método, sin embargo, puede producir clasificaciones erróneas. Debido a lacorrelación de información en las bandas, los pixeles tienden a agruparse en “nubes” con formade cigarro o de zeppelin.

- Ejecute “PIPED”, desde el menú Analisys->Image Processing->Hard Classifiers. Indique que seusará un archivo de grupo de firmas espectrales, haga doble click y elíjalo de la lista (gfirmas).Los nombres de las categorías aparecerán en el lugar correspondiente. Elija la opción demáximo y mínimo. Llame “PAMINMAX” al resultado. Presione “Continue” para reclasificar(manteniendo todas las bandas). Note que la imagen de salida contiene algunos valores 0.Estos pixeles no se ajustaron dentro del rango MIN-MAX de ninguno de los sitios de prueba ypor lo tanto fueron asignadas a una nueva categoría: 0.� Ejecute PIPED de nuevo, pero esta vez utilice la opción z-scores (la opción por defecto).

Mire en la ayuda que significa esta opción. Llame “PAZSCO” a la imagen de salida.

� Compare todas las clasificaciones que ha generado. Para esto, despliéguelas todas conla paleta QUAL256. Use un factor de expansión menor al valor por defecto, para poderacomodar todas las imágenes en la pantalla.

� Explique cuál de ellas le arrojó el mejor resultado y por qué. Use la imagen original de“clasuper” para responder.

Como nota final, considere lo siguiente. Si sus sitios de prueba son muy buenos, el clasificador deMáxima Similitud produciría el mejor resultado. Sin embargo, cuando los sitios de prueba no estánbien definidos, el desempeño puede ser muy pobre. En tales casos, el clasificador de distanciamínima con distancias normalizadas produce mejores resultados. El clasificador deparalelepípedo con la opción de desviación estándar es una opción razonable si se tienenbuenos sitios de prueba, además es el más rápido de todos los clasificadores.


Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi forWindows V.32

Taller No 12: Clasificación No Supervisada

CCLLAASSIIFFIICCAACCIIOONN NNOO SSUUPPEERRVVIISSAADDAA


La clasificación no supervisada es otra técnica de clasificación de imágenes. En este tipo declasificación, se extraen los patrones de respuesta espectral predominantes en la imagen y seidentifican las clases requeridas a partir de fotografías, mapas o a través de trabajo de campo.Idrisi provee dos métodos de clasificación no supervisada: CLUSTER e ISOCLUST [1].

1.1. Cluster

CLUSTER (grupo) emplea una técnica de selección de picos del histograma (Richards, 1993). Esequivalente a buscar los picos en un histograma bidimensional. Un “pico” se define como un valorcon una frecuencia mayor que sus vecinos a ambos lados. Una vez se han identificado los picos,todos los valores posibles son asignados al pico más cercano. Así, las divisiones entre clases suelenubicarse en los puntos medios entre picos. Como la técnica implica una definición específica delconcepto de “pico”, no es necesario encontrar un estimado inicial del número de picos en laimagen, el método se encarga de ello.

CLUSTER trabaja directamente sobre imágenes de composición a color de 8 bits. Estas imágenespermiten que la información de tres bandas sea combinada en una única imagen del mismotamaño físico que las iniciales. El método evalúa un histograma tridimensional de las tres bandas(donde los picos serán esferas), representadas en la composición de color. Puede usarsecualquier combinación de bandas. La composición es empleada, debido a que elprocedimiento para su creación, es esencialmente el mismo, de la primera etapa de lageneración del histograma multi-dimensional en el algoritmo de cluster.

Una vez los picos han sido localizados, cada pixel en la imagen es asignado al pico máscercano, siendo cada clase un cluster, con una etiqueta correspondiente. La tarea del analista esentonces identificar las clases de coberturas de cada cluster, comparando la imagen agrupadacon los rasgos de la superficie de la tierra.

El procedimiento de cluster en Idrisi es rápido y efectivo en cubrir la estructura de las coberturasbásicas de la imagen. Puede ser utilizado también, como paso preliminar para un proceso declasificación híbrida (no supervisada/supervisada), mediante el cual los clusters son usados comositios de entrenamiento para un segundo paso en la clasificación, usando el clasificador de“maxima verosimilitud”. Este proceso da la ventaja de usar un mayor número de bandasoriginales, así como de proveer una clasificación más estricta de los pixeles a sus cluster mássimilares. Sin embargo, esta es la lógica que constituye la base del procedimiento de ISOCLUSTque se describe a continuación.

11..11..11.. IIssoocclluusstt

Este módulo de Idrisi es un clasificador iterativo auto organizado basado en la rutina de Isodata deBall y Hall (1965) y en las rutinas de cluster de de H - medios y K – medios. En esencia su lógica esla siguiente:1. El usuario decide el número de cluster que desea. Como uno es ciego para determinar esto,

lo que se hace es seleccionar un número alto de clases, para agruparlas, después de la


2

interpretación. Idrisi brinda la opción de analizar el histograma, para sacar las clasessignificativas (cluster) a partir de su análisis.

2. Un conjunto de N clusters es localizado arbitrariamente en el espacio de las bandas. Enalgunos casos estas localizaciones se realizan al azar, en otras, se localizan sistemáticamentedentro de la región de altas frecuencias de reflectancias. Idrisi usa el algoritmo de cluster, elcual ubica en forma más real el número de clases, seleccionado por el usuario.

3. Los pixeles son asignados a la localización de cluster más cercana4. Después de que los pixeles son asignados una nueva localización del centro es computada5. Los pasos 3 y 4 se repiten iterativamente hasta que no se produzcan cambios significativos en

la salida.


En esta práctica se realizará una clasificación no supervisada con el módulo CLUSTER de Idrisi.Primero se generará una composición en falso color a partir de 3 bandas de la imagen original(hay 4 bandas de la imagen original: HOW87TM1, HOW87TM2, HOW87TM3, HOW87TM4, de lascuales deberán seleccionarse las que contienen más información. Generalmente, en el caso delTM son la 3,4 y 5) y sobre ésta se hace la clasificación no supervisada en sus dos niveles:generalización gruesa (broad) y generalización fina (fine). Después, se despliega un histograma deesta imagen obtenida (clasificada), para observar la frecuencia de pixeles asociada con cadacluster (clase). Finalmente, basándose en la imagen previamente reclasificada (WORCWEST), seagruparán los clusters en categorías más generales.

3. PROCEDIMIENTOS ESPECIFICOS

� Ejecute Data Paths desde el menú File, y seleccione ..\sensores\clnosup como el directorio detrabajo.

� Para generar una imagen de composición en falso color, ejecute COMPOSIT ( ) desde elmenú Analisys -> Image Processing -> Image enhancement, seleccione HOW87TM2 en elcanal azul, HOW87TM3 en el verde, y HOW87TM4 en el rojo. Aplique un stretch lineal conpuntos de saturación; en tipo de salida seleccione Create 8-bit composite. En porcentaje desaturación escriba 2.5. Llame TMFALSE a la imagen de salida (esta imagen es desplegadacon la paleta composite).

� Abra la ventana de preferencias de visualización desde File -> User Preferences. Active lascasillas de verificación de título y leyenda como opciones por defecto para la visualización.Asegúrese también de activar la casilla de despliegue automático, y de que la paletacualitativa por defecto sea QUAL256.

� Ejecute “CLUSTER” desde el menú Analisys -> Image Processing -> Hard Classifiers. ElijaTMFALSE (la imagen creada en el paso anterior) como la imagen de composición, y llame“GRUESO” a la imagen de salida. En nivel de generalización elija “Broad” (grueso), y active laopción de descartar los clusters menos significativos (drop less significant clusters). La imagenresultado, se desplegará con la paleta QUAL256.

Esta es una imagen de las clases espectrales más anchas de la imagen original. Los niveles degeneralización grueso y fino (broad y fine) emplean diferentes reglas de decisión cuando buscanpicos en el histograma. En el agrupamiento grueso (broad clustering), una clase debe conteneruna frecuencia mayor que todos sus vecinos (ver fig. 1).


� Ejecute CLUSTER de nuevo, con TMFALSE como imagen de composición para crear unaimagen llamada “FINO”. En esta ocasión, use el nivel de generalización fino para encontrarpicos y seleccione la opción de eliminar los grupos menos significativos. El resultado sevisualizará con la paleta QUAL256. Como se puede ver, la generalización fina produce unnúmero mayor de clusters (grupos). Cuente el número de clusters de la nueva imagen.

Con generalización fina, puede ocurrir que un pico tenga vecinos con una frecuencia mayor. Estopermite la identificación de picos, que de otra forma serían ignorados. Este concepto se ilustra enel histograma de la figura 1. Los clusters gruesos se dividen únicamente en los valles. Los clustersfinos se dividen tanto en los valles como en otras salientes.

Valores de reflectancia

Frecuencia

Clusters gruesos

Clusters finos

Fig 1. Clusters gruesos y finos

Los histogramas permiten observar la diferencia en la distribución de los pixeles, entre las clases,dependiendo del nivel de generalización.

� Ejecute HISTO desde el menú Display para crear los histogramas de las imágenescreadas (GRUESO y FINO). El cluster 1 es siempre el de la mayor frecuencia de pixeles.Corresponde al tipo de cobertura con mayor distribución, detectado durante la clasificación.El siguiente cluster tiene el segundo número de pixeles y así sucesivamente.

Una vez generadas las imágenes clasificadas, el problema consiste en cómo interpretar losclusters. Si la zona es conocida, los clusters anchos son fáciles de interpretar. Los clusters finos, encambio, requieren de una interpretación más cuidadosa. Es común que se requieran fotografíasaéreas, mapas existentes y trabajo de campo para realizar esta tarea. Además, es frecuente quese necesite unir algunos clusters para producir el mapa final. Por ejemplo, es posible que un clusterrepresente bosques de pinos en lugares con pendientes sombreadas, mientras que otrorepresente los bosques de pinos en lugares de pendientes iluminadas; en el mapa final, estos dosclusters deberían formar sólo uno. Para reagrupar y reasignar clusters, se pueden utilizar funcionescomo ASSIGN.


4

� Despliegue la imagen WORCWEST con la paleta del mismo nombre. Como no es posiblevisitar el área de estudio para identificar clusters en las imágenes generadas (GRUESO y FINO),se utilizará la imagen WORCWEST como apoyo en la interpretación y asignación de clusters delas nuevas imágenes (la imagen WORCWEST se generó a partir de una reclasificación nosupervisada). Se usarán los mismos 14 tipos de cobertura de la imagen WORCWEST. La tareaconsiste, por tanto, en determinar a cuál de estas coberturas se deben asignar los clusters dela imagen “FINO”

� Con la imagen WORCWEST en pantalla, trate de determinar visualmente las asignaciones declusters. Con este fin, es útil crear una colección de layers raster (con WORCWEST y FINO) y

utilizar el modo de cursor de consulta extendida (Cursor Inquiry Mode) para poderconsultar el número de cluster en “FINO” y la categoría en “WORCWEST”, simultáneamente, en

la ventana Feature Properties .

� Una vez haya determinado qué clusters se deben asignar a qué categorías, ejecute EDITdesde el menú Data Entry para crear un archivo con estos valores. En este archivo, losnúmeros de cluster se escriben en la primera columna, y los números de las categorías a lasque se asignarán, en la segunda columna. Guarde el archivo con el tipo Values file. Llámelo“REAGRUP”. Por ejemplo, si en el archivo de valores están los siguientes números:

1 22 23 24 35 3

.

.

.

Se pueden interpretar como:

El cluster 1 asignado a la categoría 2El cluster 2 asignado a la categoría 2El cluster 3 asignado a la categoría 2El cluster 4 asignado a la categoría 3El cluster 5 asignado a la categoría 3

� Ejecute “ASSIGN” desde el menú Data Entry. En Feature definition image elija “FINO”, enAtribute values file escoja “REAGRUP” (el archivo creado en el paso anterior), y llame“REGRUP1” a la imagen de salida. Despliegue esta imagen con la paleta “WORCWEST”.

� ¿ Existen diferencias significativas entre REGRUP1 y WORCWEST?

� Usando la información de WORCWEST, interprete ahora la imagen que se produjo con laopción de generalización gruesa. Edite la leyenda de esta imagen para asignar un nombre

de tipo de cobertura a los números de los clusters. Para esto, ejecute Metadata desde elmenú File. Seleccione la imagen GRUESO de la lista, y hagaclick en el tab Legend. Allí,modifique los textos de la leyenda en la columna Caption. Dé los nombres apropiados a losclusters.


� Realice pruebas con el procedimiento de ISOCLUST. Consulte la ayuda ó el marco dereferencia, en los sitios donde tenga dudas y obtenga un producto para comparación con elmétodo de CLUSTER, usado arriba

� Anote esas diferencias encontradas.

4. REFERENCIAS BIBLIOGRÁFICAS

[1] J. Ronald Eastman. Guide to GIS and image processing. Clrk Labs. Clark University. 1999[2] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi forWindows V.32

guia practica laboratorio teledeteccion - idrisi andes

Documents