ANÁLISIS MULTITEMPORAL DEL CAMBIO EN LA …repository.udistrital.edu.co/bitstream/11349/6377/1/HernandezMenco... · Tabla 9 Catálogo imagenes Landsat. ... información que a su

1

ANÁLISIS MULTITEMPORAL DEL CAMBIO EN LA COBERTURA DEL SUELO, EN LA ZONA DE INUNDACIÓN DE LA REPRESA HIDROSOGAMOSO,

DEPARTAMENTO DE SANTANDER, AÑOS 2001 Y 2015

TRABAJO DE GRADO PARA OPTAR AL TITULO DE:

INGENIERO CATASTRAL Y GEODESTA

AUTOR:

CARLOS ESTEBAN HERNANDEZ MENCO

20102025061

UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS FACULTAD DE INGENIERIA

PROYECTO CURRICULAR INGENIERIA CATASTRAL Y GEODESIA BOGOTÁ D.C

2017

2

Contenido Resumen ejecutivo ........................................................................................................................... 9

Planteamiento del problema .......................................................................................................... 10

Objetivos ........................................................................................................................................ 13

Objetivo general ........................................................................................................................ 13

Objetivos específicos ................................................................................................................. 13

Estado del arte ............................................................................................................................... 14

Marco de referencia ....................................................................................................................... 15

Delimitación espacial de la zona de interés ............................................................................... 15

NDVI (Índice Diferencial Normalizado de Vegetación). .......................................................... 15

MWNDI. (Modified Normalized Difference Water Index) ...................................................... 16

TASSELED CAP ...................................................................................................................... 16

CLASIFICACIÓN TEMÁTICA ............................................................................................... 17

Características de los sensores ................................................................................................... 18

Metodología ................................................................................................................................... 19

1. Recopilación de datos ......................................................................................................... 20

Establecimiento del Área de Estudio ..................................................................................... 20

Período de Tiempo a Analizar ............................................................................................... 20

Selección de las Imágenes Satelitales .................................................................................... 20

2. Tratamiento básico de las imágenes satelitales .................................................................. 21

Pre – Procesamiento .............................................................................................................. 21

Corrección Geométrica .......................................................................................................... 21

Correcciones Radiométricas (Radianza y Reflectancia) ....................................................... 21

3. Clasificación de la Cobertura del suelo .............................................................................. 22

Clasificación de las Imágenes Satelitales .............................................................................. 22

Agrupamiento de Pixeles en Clases ...................................................................................... 22

4. Elaboración de mapas temáticos......................................................................................... 23

5. Análisis Multitemporal de las Imágenes ............................................................................ 23

APLICACÍON DE LA METOLOGÍA.......................................................................................... 24

Delimitación espacial de la zona de interés ............................................................................... 24

Límites de la zona en Coordenadas Geográficas. ...................................................................... 24

Área de interés delimitada. ........................................................................................................ 24

Marca de posición en Google Earth. ......................................................................................... 25

3

Comparación de Portales ........................................................................................................... 25

TRABAJO PREVIO CONSULTA, SELECCION Y DESCARGA DE DATOS. ...................... 27

Inventario de imágenes. ............................................................................................................. 27

Imágenes consultadas Landsat............................................................................................... 27

Imágenes SPOT ..................................................................................................................... 29

............................................................................................................................................... 29

Imágenes ALOS .................................................................................................................... 29

Imágenes Aster ...................................................................................................................... 30

Imágenes QuickBird .............................................................................................................. 31

Imagen satelital seleccionada de cada programa. ...................................................................... 32

Metadato imagen Landsat descargada. ...................................................................................... 34

IMPORTACIÓN DE DATOS. ...................................................................................................... 35

Imagen Multiespectral ............................................................................................................... 35

Ventajas de las imágenes multiespectrales ................................................................................ 36

ANÁLISIS EXPLORATORIO-VISUAL DE LOS DATOS. ....................................................... 38

COMPOSICIONES BÁSICAS DE COLOR EN PROCESAMIENTO DIGITAL .................. 38

Identificación visual de la imagen. ............................................................................................ 40

Ubicación de la zona de interés en la imagen descargada. ........................................................ 41

Limites zona de estudio ............................................................................................................. 41

PRINCIPALES CARACTERÍSTICAS DE LAS COBERTURAS EN LA ZONA DE ESTUDIO .................................................................................................................................. 42

ANÁLISIS VISUAL UNI-BANDA DE LOS DATOS. ............................................................... 43

Análisis coberturas Azul. ........................................................................................................... 43

Análisis coberturas Verde. ......................................................................................................... 44

Análisis coberturas Rojo. ........................................................................................................... 45

Análisis coberturas Infrarojo Cercano. ...................................................................................... 46

Análisis coberturas Infrarojo Medio. ......................................................................................... 47

Análisis coberturas Infrarojo Lejano. ........................................................................................ 48

ANÁLISIS ESTADÍSTICO DE LOS DATOS ............................................................................. 49

Análisis del Histograma (Imagen cortada). ............................................................................... 49

ANÁLISIS ESTADÍSTICO GENERAL DE LAS BANDAS PARA LA ZONA DE ESTUDIO (IMAGEN CORTADA) ............................................................................................................ 52

ANÁLISIS MULTI-BANDA DE LOS DATOS........................................................................... 55

4

MATRIZ DE VARIANZA-COVARIANZA ................................................................................ 55

DISPERSOGRAMAS ............................................................................................................... 56

ANÁLISIS DE LAS ESTADÍSTICAS MULTIVARIADAS Y DISPERSOGRA-MAS .... 57

COMBINACIONES DE COLOR ............................................................................................. 57

FACTOR DE ÍNDICE ÓPTIMO (OIF) .................................................................................... 58

COMBINACIONES DE COLOR CON EL MÁS ALTO Y MÁS BAJO OIF .................... 60

ANÁLISIS VISUAL DE LA COMBINACIÓN CON MAYOR Y MENOR OIF ............... 61

ANALISIS MULTIESPECTRAL. ................................................................................................ 62

FIRMAS ESPECTRALES ........................................................................................................ 62

PALETA DE COLORES PARA LAS LECTURAS ESPECTRALES ................................ 65

DETERMINACIÓN DE VALORES MÁXIMOS Y MÍNIMOS PARA CADA COBERTURA PRESENTE EN LA IMAGEN .................................................................... 66

SEGMENTACION DE LA IMAGEN. ..................................................................................... 68

SEGMENTACIÓN EN LAS BANDAS ESPECTRALES CON MAYOR Y MENOR RANGO ................................................................................................................................. 68

ANÁLISIS COMPARATIVO DE LAS SEGMENTACIONES .......................................... 69

RELACIÓN ENTRE LA AMPLITUD DEL HISTOGRAMA Y LA SEPARABILIDAD DE LAS COBERTURAS ............................................................................................................ 69

CÁLCULO DEL ÁREA DE OCUPACIÓN DE LAS COBERTURAS PRESENTES EN LA ZONA DE INTERÉS ............................................................................................................ 70

MEJORAMIENTO DE CONTRASTE ......................................................................................... 71

Estadísticas de las bandas espectrales ....................................................................................... 71

Mejoramiento lineal por mínimo y máximo .............................................................................. 72

Comparación de resultados para las bandas con mayor y menor dispersión......................... 74

Mejoramiento lineal por mínimo y máximo a las combinaciones de color............................... 75

Mejoramiento de contraste a 0.5, 1, 2 y 3 Desviaciones Estándar. ........................................... 75

Presentación de imágenes resultantes. ................................................................................... 76

Comparación de los resultados (histograma e imagen) para la banda con mayor y menor dispersión. .............................................................................................................................. 78

Combinación de color con mayor y menor OIF mejorada .................................................... 79

Imagen mejorada a partir de intervalos de significancia. .......................................................... 80

Comparación de resultados (histograma e imagen) para la banda con mayor y menor dispersión. .............................................................................................................................. 82

Combinación de color con mayor y menor OIF antes y después del mejoramiento. ............ 83

5

Ecualización del histograma. ..................................................................................................... 84

Combinación de color con mayor y menor OIF antes y después del mejoramiento (ecualización del histograma). ............................................................................................... 86

Mejoramientos no lineales ......................................................................................................... 87

Función manual (ArcGis, ERDAS, etc). ............................................................................... 87

Mejoramiento no lineal de contraste aplicando la función de Gauss .................................... 88

Mejoramiento no lineal de contraste aplicando la función de Gamma ..................................... 90

CALIBRACIÓN DE LA IMAGEN. ......................................................................................... 92

Conversión de Radiancia a Reflectancia Aparente: .............................................................. 92

TRANSFORMACIONES. ............................................................................................................ 94

Índices de vegetación................................................................................................................. 94

Otros índices. ............................................................................................................................. 95

Transformación Tasseled Cap. .................................................................................................. 96

Espacio de características para las bandas IRC y R. ............................................................ 96

Análisis de la combinación de color Tasseled cap. ............................................................... 98

Análisis de la Transformación Componentes Principales ......................................................... 99

Analizar la varianza retenida por cada Componente. ............................................................ 99

Factores de carga ................................................................................................................... 99

Análisis visual ..................................................................................................................... 102

Combinación de color .......................................................................................................... 103

CLASIFICACIÓN SUPERVISADA .......................................................................................... 103

Clasificación con el método del paralelepípedo ...................................................................... 103

ANALISIS MULTITEMPORAL ................................................................................................ 107

RESULTADOS ........................................................................................................................... 109

ANÁLISIS DEL IMPACTO AMBIENTAL GENERADO POR LAS OBRAS DE LA HIDROELÉCTRICA RIO SOGAMOSO Y POR LAS ACTIVIDADES ECONÓMICAS ALEDAÑAS ................................................................................................................................ 115

ANALISIS DE LA AFECTACION AL AGUA DEL EMBALSE ......................................... 118

ELEMENTOS ESTRUCTURANTES .................................................................................... 119

SOPORTE FÍSICO NATURAL: ........................................................................................ 119

ESTRUCTURA ECOLOGICA PRINCIPAL ..................................................................... 120

RECOMENDACIONES Y CONCLUSIONES .......................................................................... 123

Conclusiones ............................................................................................................................ 123

6

PROPUESTAS DE SOLUCIÓN A PROBLEMÁTICA AMBIENTAL ESTIMADA .......... 123

Bibliografía .................................................................................................................................. 125

7

Tabla de Figuras

Figura 1 Ubicación espacial embalse Hidrosogamoso. Elaboración propia. ................................ 10

Figura 2 Áreas del Distrito de Manejo Integrado con Hidrosogamoso ......................................... 11

Figura 3 Componentes relevantes del sistema hídrico en la zona de inundación, Hidrosogamoso. ....................................................................................................................................................... 12

Figura 4 Esquema metodológico ................................................................................................... 19

Figura 5 Delimitación de la Zona de Estudio con Google Earth. .................................................. 25

Figura 6 : Imagen multiespectral en falso color estándar de la zona de trabajo. Fuente: Datos propios. .......................................................................................................................................... 36

Figura 7 Imagen en falso color estandar. ....................................................................................... 38

Figura 8 Zona de interes en la imagen descargada. ....................................................................... 41

Figura 9 Izquierda, dispersograma bansas 2 y 3. Derecha dispersograma banda 1y 4. ................ 56

Figura 10 Imágenes satelitales con el mas bajo (arriba) y mas alto (abajo) OIF. ......................... 60

Figura 11 Calculo coberturas en la zona de interes. ...................................................................... 70

Figura 12 Modelo para calibración de la imagen. ......................................................................... 92

Figura 13 Modelo de linealización de la imagen de reflectancia. ................................................. 93

Figura 14 Espacio de caracteristicas Tasseled cap. ....................................................................... 96

Figura 15 Composición de color componentes principales (RGB 123). ..................................... 103

Figura 16 Matriz de separabilidad imagen 2001 del software PCI. ............................................ 105

Figura 17 Matriz de separabilidad imagen 2015, PCI ................................................................. 105

Figura 18 Histograma fenómenos resultado de analisís. ............................................................. 108

Figura 19 Nivel de cambio de uso y coberturas. ......................................................................... 108

Figura 20 Imágenes descargadas combinación RGB 453. .......................................................... 109

Figura 21 Imágenes resultantes transformación Tasseled cap..................................................... 110

Figura 22 Imágenes resultantes tras la aplicación de indice NDVI. ............................................ 111

Figura 23 Imágenes resultantes tras la aplicación del indice MNDWI. ...................................... 112

Figura 24 Mapas temáticos año 20012 y 2015. Fuente:Elaboración propia. .............................. 113

Figura 25 Mapa de análisis multitemporal. ................................................................................. 114

Figura 26 Drenajes afectados con la presencia de hidrosogamoso en Betulia, Santander .......... 119

Figura 27 Sistema Hídrico antes y despues del embalse. ............................................................ 121

Figura 28 Comparación con y sin hidrosogamoso de áreas de conservación y protección......... 122

8

Tablas

Tabla 1 Coordenadas geográficas de la zona de estudio. .............................................................. 15

Tabla 2 Matriz de cofactores Landsat............................................................................................ 17

Tabla 3 Característica de los sensores. USGS, 2013 ..................................................................... 18

Tabla 4 Algunas características imagen número 1. ....................................................................... 20

Tabla 5 Algunas características imagen número 2. ....................................................................... 20

Tabla 6 Límites de la zona en Coordenadas Geográficas ............................................................. 24

Tabla 7 Área zona de estudio. ....................................................................................................... 24

Tabla 8 Análisis de imágenes. ....................................................................................................... 26

Tabla 9 Catálogo imagenes Landsat. ............................................................................................. 27

Tabla 10 Catálogo de imágenes SPOT. ........................................................................................ 29

Tabla 11 Catálogo imágenes ALOS. ............................................................................................. 30

Tabla 12 Catálogo imágenes RapidEye. ........................................................................................ 30

Tabla 13 Catálogo imágenes ASTER. ........................................................................................... 30

Tabla 14 Selección imágenes por programa. ................................................................................. 32

Tabla 15 Combinaciones espectrales y aplicación ........................................................................ 37

Tabla 16 Identificación visual de elementos de la imagen. .......................................................... 41

Tabla 17 Limite de las zona de interes de la represa Hidrosogamoso. .......................................... 41

Tabla 18 Caracteristicas generales de las coberturas presentes en la zona. .................................. 42

Tabla 19 Estadisticas de la imagen de la zona de interes. ............................................................. 49

Tabla 20 Matriz de varianza-covarianza. ...................................................................................... 55

Tabla 21 Matriz de coorrelación. ................................................................................................... 55

Tabla 22 Calculo de OIF. .............................................................................................................. 58

Tabla 23 Valores mínimos y máximos calculados para la función de transformación aplicando mejoramiento de contraste lineal. .................................................................................................. 71

Tabla 24 Datos mejoramiento de contraste según desviaciones estándar. .................................... 75

Tabla 25 Imágenes resultantes del mejoramiento de contraste según desviaciones estándar. ...... 76

Tabla 26 Comparación de los resultados (histograma e imagen) para la banda con mayor y menor dispersión ....................................................................................................................................... 78

Tabla 27 Valores de la función de transformación. ....................................................................... 80

Tabla 28 Presentción de los Valores Propios, y la matriz de autovectores. .................................. 99

Tabla 29 Matriz de factores de carga........................................................................................... 100

Tabla 30 Categorías de análisis multitemporal............................................................................ 107

Tabla 31 Áreas obtenidas del análisis multitemporal. ................................................................. 107

Tabla 32 Coberturas presentes en la zona según el EOT. ........................................................... 115

9

Resumen ejecutivo El presente trabajo tiene como propósito, evaluar los cambios ocurridos en la cobertura del suelo mediante un análisis multitemporal, en la zona de inundación de la represa Hidrosogamoso; ubicada en el departamento de Santander, utilizando dos imágenes satelitales del programa LANDSAT, una de ellas escogida antes de la construcción de la represa, año 2001, Landsat 5 (sensor TM) y una después de la construcción de la represa, del año 2015 Landsat 8 (sensor OLI).

La Teledetección ofrece grandes posibilidades para la realización de progresos en el conocimiento de la naturaleza y como cambia a lo largo del tiempo, esta será la fuente de información que a su vez tendrá que ser tratada. Los modelos que se elaboran para interpretar los datos de Teledetección, deberán tener como objetivo eliminar los efectos ocasionados por la variabilidad en las condiciones de captación, la distorsión provocada por la atmósfera, y la influencia de parámetros tales como la posición del Sol, pendiente, exposición, y altitud. (Romero, 2016)

En un análisis multitemporal, es necesario realizar una cuantificación de lo estudiado, en este caso el área de cobertura en el territorio, para lo cual se utilizan recursos como los índices y las transformaciones aplicadas a las imágenes, que sirven para predecir, entre otras ítems, la distribución y la abundancia de vegetación, agua, construcciones, etc. (Pettorelli et al., 2011)

Es necesario convertir la información cuantitativa de una imagen en información cualitativa (mapa temático que revele características o patrones específicos) mediante una clasificación. La clasificación temática busca generar e identificar agrupaciones o clústers de pixeles en un espacio multidimensional de atributos, estos grupos corresponden a coberturas o usos ubicados sobre la superficie terrestre. Este procedimiento implica el desarrollo y aplicación de diferentes criterios de decisión que permitan desarrollar una categorización temática (Jensen, 1986) .

Estos procesos permitirán tener una excelente base para el análisis multitemporal requerido y los patrones de cambio que proporcionarán resultados visuales relacionados con el uso específico y condición del suelo, ajustado a la escala de trabajo y objetivos del análisis (Ramírez Zapata & others, 2015), con el fin de tomar decisiones sobre el territorio que ha sido transformado.

10

Planteamiento del problema La construcción de represas generan un cambio en las coberturas del suelo y generan un impacto ambiental, uno de los aspectos que se afecta es el social, el cual es uno de los componentes clave en el análisis de estos impactos, entre los cuales se encuentran la infraestructura, la comunidad y los medios de subsistencia (Kirchherr & Charles, 2016). En la construcción de la represa de Hidrosogamoso el impacto en el aspecto social es alto, debido a las dimensiones del proyecto que planeó desde un inicio cubrir 7000 hectáreas con agua aproximadamente según ISAGEN; la empresa de servicios públicos encargada del proyecto.

Figura 1 Ubicación espacial embalse Hidrosogamoso. Elaboración propia.

El proyecto hidroeléctrico de Sogamoso (Hidrosogamoso) se localiza en el departamento de Santander, en el cañón donde el río Sogamoso cruza 62 km de la Serranía de la Paz después de la confluencia de los ríos Suárez y Chicamocha, y 75 km antes de su desembocadura en el río Magdalena (ISAGEN, 2011) (Ver Figura 1). El proyecto consiste en el aprovechamiento de las aguas del río Sogamoso para la generación de energía eléctrica, mediante la construcción de una presa de gravas con cara de concreto, y la instalación de tres unidades de generación ubicadas en una central subterránea (Ardila, 2013). Dentro de las características técnicas del proyecto se tiene que abarca en sus áreas de influencia un total de nueve municipios: Barrancabermeja, Betulia,

11

Girón, Lebrija, Los Santos, Puerto Wilches, Sabana de Torres, San Vicente de Chucurí y Zapatoca; cuenta con una capacidad instalada de generación de 820 MW, con una superficie de espejo de agua de 6939 ha. (ISAGEN, 2008).

Figura 2 Áreas del Distrito de Manejo Integrado con Hidrosogamoso

La cuenca hidrográfica del Sogamoso hasta el sitio de la presa tiene una extensión de 21.338 km2 y está constituida por las cuencas de los ríos Fonce, Suárez, Chicamocha y Chucurí (Ver figura 2). Es de resaltar que la construcción del proyecto está en marcha desde el mes de febrero de 2009. Algunos críticos del proyecto plantean que la construcción de la represa corta la dinámica del rio, lo que implica un deterioro de las condiciones de los múltiples ecosistemas que forma el Río a lo largo de su recorrido, y por lo tanto de las condiciones socioeconómicas de las comunidades que dependen de dichos ecosistemas.

Dada las implicaciones ambientales (Ver Figura 3), sociales y económicas de un proyecto de tales magnitudes y la importancia que tiene para el desarrollo de una región la efectiva gestión de sus recursos hídricos, el presente documento tiene como propósito general hacer un análisis sobre los impactos generados por el megaproyecto hidroeléctrico en las coberturas de la zona.

12

Figura 3 Componentes relevantes del sistema hídrico en la zona de inundación, Hidrosogamoso.

Es de gran importancia la percepción remota en el estudio de este impacto ya que permite la cuantificación de los cambios en las coberturas tras la construcción y puesta en funcionamiento de esta represa, que dio como resultado un embalse. Usando metodologías de Procesamiento Digital de Imágenes (PDI), se quiere realizar un proceso que permita cuantificar la variación de las diferentes unidades de cobertura del suelo en área presentes en este lugar, con una imagen satelital escogida antes de la construcción de la represa y una después de la construcción de la represa.

13

Objetivos

Objetivo general

Realizar un análisis multitemporal del cambio en la cobertura del suelo, en la zona de inundación de la represa Hidrosogamoso, departamento de Santander, años 2001 y 2015

Objetivos específicos

1. Clasificar las imágenes satelitales Landsat 5 de 2001 (sensor TM) y Landsat 8 de 2015 (sensor OLI), para identificar las coberturas existentes en la zona en los años de interés.

2. Analizar la detección de cambios a partir de la clasificación de las imágenes satelitales, mediante análisis estadístico y multitemporal.

3. Identificar y cuantificar las zonas donde ocurrió el cambio en la cobertura del suelo. 4. Generar mapas temáticos de la zona que sean soporte para el ordenamiento y la

planeación territorial.

14

Estado del arte

La región donde se ubica el proyecto Hidrosogamoso es la del magdalena medio. Desde los primeros pobladores hasta el establecimiento de diferentes actividades económicas y comerciales en la actualidad, la Gran Cuenca del Magdalena se ha consolidado como una ruta natural para la migración humana donde la abundancia de recursos naturales, el aislamiento geográfico, la complejidad topográfica y especialmente la riqueza en la red hídrica han sido características principales del lugar (Ardila Valderrama & others, 2014).

La región del Magdalena Medio, conocida también como el corazón geográfico de Colombia, es un territorio estratégico donde el río Magdalena atraviesa uno de los valles interandinos más ricos del país, no obstante, es una región “impactada por una economía extractiva y de enclave (petróleo en primer lugar, carbón y oro) que ha generado una gran exclusión, inequidad y pobreza para la mayor parte de los pobladores de la región” (CINEP, 2012, p. 2).

Se han realizado estudios cualitativos de impactos en la región debido a la construcción de la represa, como ejemplo un estudio denominado “Como el gua entre los dedos” Estudio de los impactos de un proyecto hidroeléctrico, y de las frágiles y débiles acciones colectivas en la defensa de un río: Caso Hidrosogamoso, que aborda el análisis de la acción colectiva en el manejo y gobierno de los recursos de uso común a partir del caso Hidrosogamoso en Santander. Además de ofrecer un análisis de los impactos ambientales, sociales y económicos, ventajas y efectos nocivos que puede tener un proyecto hidroeléctrico, se examinan algunos de los postulados básicos de la teoría de la acción colectiva y los RUC, con alguna alusión al enfoque de la bioeconomía (Ardila Valderrama & others, 2014) .

De igual forma hay investigaciones sobre estudios de impacto ambiental para proyectos de embalse de agua donde se encuentran algunas metodologías para la evaluación del impacto ambiental de macroproyectos, así como la descripción de cada uno de los ítems que lo conforman. (Vidal , 2009)

En otros países y desde una perspectiva metodológica se exponen procedimientos para abordar el análisis de diferentes tipos de problemáticas ambientales. Un caso particular es el uso de imágenes aéreas y mapas de uso y cobertura para analizar las características y relaciones sociales-económicas en los lagos de Etiopia. (Rembold, Carnicelli, Nori, & Ferrari, 2000)

No se ha realizado un mapa de uso y cobertura detallado en la zona de influencia de la región del proyecto Hidrosogamoso, en donde se cuantifique y analice el cambio en las coberturas presentes anteriormente, dando como resultado la toma de decisiones.

15

Marco de referencia

Delimitación espacial de la zona de interés

Tabla 1 Coordenadas geográficas de la zona de estudio.

Punto Longitud Latitud

Norte-Oeste (UL)

Norte-Este (UR)

Sur-Este (LR)

Sur-Oeste (LL)

73° 26’ 30 W

73 °16’ 60 O

73 °16’ 60 O

73 °26’ 30 O

7° 8’ 48 N

7 ° 8’ 48 N

6 ° 57’ 0 N

6 ° 57 ’0 N

El objetivo planteado realizar un análisis multitemporal del cambio en la cobertura del suelo, en la zona de inundación de la represa Hidrosogamoso, departamento de Santander, años 2001 y 2015. Para la cuantificación y análisis de coberturas se utilizan recursos como los índices y las transformaciones aplicadas a las imágenes, que sirven para predecir, entre otras ítems, la distribución y la abundancia de vegetación, agua, construcciones, etc. (Pettorelli et al., 2011). Algunos indices y transformaciones que pueden ser aplicadas en este caso de estudio son: el NDVI (Índice Diferencial Normalizado de Vegetación), MWNDI y la transformación Tasseled.

NDVI (Índice Diferencial Normalizado de Vegetación). El índice NDVI, se usa para estimar con mayor claridad la densidad de vegetación. Las plantas absorben radiación solar en la región del espectro de radiación fotosintética, esta es usada por la planta, como fuente de energía para poder llevar a cabo el proceso de la fotosíntesis. Este proceso se percibe en la banda del infrarrojo cercano NIR (Pettorelli et al., 2011).

La ecuación que se usa en este caso para identificar la vegetación mediante el NDVI es la siguiente:

En donde las variables RED y NIR están definidas por las medidas de reflexión espectral adquiridas en las regiones del rojo e infrarrojo cercano, respectivamente. Estas reflexiones espectrales son en sí cocientes de la radiación reflejada sobre la radiación entrante en cada banda espectral individual; por tanto, éstos toman valores entre 0.0 y 1.0. El NDVI varía como consecuencia entre -1.0 y 1.0.

16

MWNDI. (Modified Normalized Difference Water Index)

Según (Xu, 2006) la formulación de este índice es la siguiente (Xu, 2006):

La selección de estas bandas se realiza para maximizar la reflectancia de las características del agua mediante el uso de las longitudes de onda del verde y para minimizar la baja reflectancia en la banda SWIR por las características del agua mediante el aprovechamiento de la alta reflectancia de la vegetación y del suelo en la banda SWIR [1,4, 11]. Para Landsat TM banda 2 y la banda de 5 corresponde a verde y SWIR longitudes de onda, respectivamente. (Baig et al., 2013).

TASSELED CAP Es una transformación espectral creada por R.J. Kauth and G.S. Thomas en 1976, la cual utiliza las bandas de una imagen corregida espectralmente (imagen de reflectancia espectral) y por medio de una transformación lineal que utiliza coeficientes empíricos (valores previamente determinados para cada sensor) genera nuevas bandas susceptibles de interpretación física (Bense T, 2007).

Esta transformación se realiza mediante la adopción de combinaciones lineales de las bandas de la imagen original (Crist & Cicone, 1984). Entre las ventajas de la transformación Tasseled Cap se incluyen: Proporciona una manera analítica para detectar y comparar los cambios en la vegetación, el suelo y en las características producidas por el hombre en períodos de corto y largo plazo. Además proporciona una manera analítica para comparar directamente entidades de cobertura de suelo mediante imágenes de satélite de diferentes sensores, incluidos Landsat, IKONOS y QuickBird. Tambien reduce la cantidad de datos de varias bandas multiespectrales a tres componentes principales: brillo, verdor y humedad. Reduce las influencias atmosféricas y los componentes de ruido en las imágenes, permitiendo un análisis más preciso.

Las ecuaciones mediante las cuales se obtienen los valores de Tasseled Cap para las bandas son:

17

Los coeficientes Ckb, Ckv y Ckh indican la banda (k) y el significado físico de la banda que se calcula (b,v,h). Estos coeficientes se pueden encontrar en la siguiente Tabla 2.

Tabla 2 Matriz de cofactores Landsat.

El brillo está asociado con el suelo descubierto o parcialmente cubierto, hecho por el hombre, y las entidades naturales como el concreto, el asfalto, la grava, los afloramientos de roca y otras áreas descubiertas. Ortogonal al primer componente, el segundo componente, el verdor, está asociado con la vegetación verde, mientras que el tercer componente, humedad, es ortogonal a los primeros dos componentes y se asocia con la humedad del suelo, el agua y otras entidades húmedas. En Landsat MSS, el tercer componente corresponde a material amarillo en lugar de la humedad, y representa los cultivos maduros listos para la cosecha, como diferentes cereales, así como la antigüedad de la vegetación. Los demás componentes adicionales contienen el ruido y las influencias atmosféricas de la imagen, como nubes, niebla, diferencias de ángulo solar y otras más, que se han retirado de los primeros tres componentes más importantes. Los tres primeros componentes de la imagen transformada con Tasseled Cap contienen cerca del 97 por ciento de la información significativa disponible en la imagen. (Huang, Wylie, Yang, Homer, & Zylstra, 2002).

CLASIFICACIÓN TEMÁTICA

18

La clasificación temática busca generar e identificar agrupaciones o clústers de pixeles en un espacio multidimensional de atributos, estos grupos corresponden a coberturas o usos ubicados sobre la superficie terrestre. Este procedimiento implica el desarrollo y aplicación de diferentes criterios de decisión que permitan desarrollar una categorización temática convirtiendo la información cuantitativa de una imagen en información cualitativa (mapa temático que revele características o patrones específicos). (Jensen, 1986). El proceso se efectúa básicamente en 2 pasos:

1. Determinación del número de clases y de las propiedades de estas. 2. Asignación de cada uno de los pixeles a una clase utilizando una regla de decisión basada

en las propiedades de dichos individuos previamente establecida.

Características de los sensores Tabla 3 Característica de los sensores. USGS, 2013

19

Metodología

Figura 4 Esquema metodológico

Elaboración de mapas temáticos

Recopilación de datos

20

1. Recopilación de datos Establecimiento del Área de Estudio La represa Hidrosogamoso se encuentra ubicado a 75 km aguas arriba de la desembocadura del río Sogamoso al Magdalena, en el departamento de Santander. La cuenca hidrográfica del Sogamoso hasta el sitio de la presa tiene una extensión de 21.338 km2 y está constituida por las cuencas de los ríos Fonce, Suárez, Chicamocha y Chucurí. Hidrosogamoso es construido en el cañón donde el río Sogamoso cruza la Serranía de La Paz, 62 km aguas abajo de la confluencia de los ríos Suarez y Chicamocha y 75 km aguas arriba de la desembocadura en el río Magdalena. La presa y el embalse se localizan en jurisdicción de los municipios de Girón, Betulia, Zapatoca, Los Santos y San Vicente de Chucurí en el centro del departamento Período de Tiempo a Analizar La determinación de dinámicas de cambio ocurridas comprenderá un tiempo de 14 años. Con una imagen Landsat 5, Sensor TM del 2001 y una Landsat 8, sensor OLI del 2015, fecha en la que estaba previsto por parte del proyecto tener un lleno total del embalse generado por la represa, lo que permitirá evaluar las coberturas que cambiaron por el llenado del mismo. Selección de las Imágenes Satelitales

Tabla 4 Algunas características imagen número 1.

Vista rápida de la imagen seleccionada

Programa satelital

Fecha de la imagen

Criterio de selección

Landsat 5 29-01-01

Por su poca nubosidad presente en la zona de estudio permite analizar

el cambio de coberturas. Puede además observarse los diferentes cuerpos de agua y diferenciar las áreas boscosas, como también la cobertura de los suelos. Para la

fecha de toma escogida no era una zona muy frecuentada por la presencia de fuerzas armadas

ilegales en municipios aledaños como Barrancabermeja.

Tabla 5 Algunas características imagen número 2.

Vista rápida de la imagen seleccionada

Programa satelital

Fecha de la imagen

Criterio de selección

21

Landsat 8 04-01-15

Es la imagen más reciente al momento de comenzar el estudio de la zona y donde se cuenta con

0% de nubosidad, por lo que permite observar el área ocupada por la represa Hidrosogamoso. Se observa que algunos cuerpos de

agua han aumentado su capacidad, como el aumento de los bosques

presentes, mientras que la cobertura de suelos no es bien

diferenciable.

2. Tratamiento básico de las imágenes satelitales Pre – Procesamiento Consiste en la transformación de las imágenes al formato .img, que originalmente se obtienen en archivos independientes para cada una de las bandas que forman la imagen y formato .Tiff (Tagged Image File Format); la transformación debe ser realizada mediante el programa de tratamiento digital Erdas Image, con el comando Layer Stack para producir una imagen de salida que agrupa las bandas 1, 2, 3, 4, 5 y 7 para cada imagen con la extensión img.

Corrección Geométrica La Georeferenciaciòn de Imágenes Satelitales: La corrección geométrica en general permite que las imágenes satelitales utilizadas eliminen distorsiones geométricas indeseables y adaptarla a proyecciones cartográficas deseadas; las imágenes cuentan con su respectiva georeferenciaciòn (Stoeser et al., 2005).

Correcciones Radiométricas (Radianza y Reflectancia) Transformadas las imágenes satelitales a formato img, y verificada su georeferenciación se realiza la corrección radiométrica para las imágenes, la corrección Atmosférica al Tope de la Atmosfera (TOA) es decir la reflectancia. (Cambpell, 1981), (Cliff, 1973) coinciden en el abordaje de esta temática y el tratamiento ideal para la corrección, el cual consiste en la estimación de los ND (números digitales) de los píxeles erróneos respecto a los ND de los píxeles vecinos. Utilizando el algoritmo propuesto por el Instituto de Astronomía y Física del Espacio Instituto de Astronomía y Física del Espacio (IAFE). El cálculo de la radianza se realizó mediante el algoritmo:

22

Donde :

L: Radianza G: Gain B: Bias ND: Numero Digital Cada uno de los elementos requeridos por el algoritmo se obtiene del metadato de cada imagen. El cálculo de la reflectancia al Tope de la Atmósfera (TOA) muestra la relación de energía incidente y la energía reflejada; su resultado se expresa en porcentaje. La reflectancia se obtiene a partir del modelo de radianza trabajado previamente para las imágenes; para reflectancia el modelo exige introducir en cada imagen satelital, la elevación solar y el año Juliano correspondiente a la fecha y año respectivo de la captura de la imagen. Mediante este proceso los números digitales, por la reflectancia obtenida se convierten en valores digitales (Palacios Bermúdez, 2016).

3. Clasificación de la Cobertura del suelo Los valores digitales para cada uno de los pixeles que conforman las imágenes satelitales no poseen ningún sentido en si mismos, ya que deben ser interpretados de forma grupal, lo que quiere decir que se deberán transformar finalmente en categorías que permitan la comprensión e interpretación del área estudiada. En vista que la resolución espacial de los sensores Landsat correspondientes a las imágenes, se dificulta una discriminación extremadamente detallada,

Clasificación de las Imágenes Satelitales La clasificación no supervisada es un método que se utiliza cuando se desconocen las características de la superficie terrestre. La clasificación no supervisada es un procedimiento que permite mediante la computadora agrupar en diferentes clases espectrales los pixeles con similitudes. A pesar de esta ventaja pueden ocurrir agrupamientos de pixeles que no sean fácilmente reconocidos. Una clasificación no supervisada debe tener presente aspectos como:

1. Contar con una imagen satelital, 2. Valorar los datos contenidos en la imagen así como su calidad, 3. Porcentaje y cobertura de nubes, 4. Clasificar el área de estudio basados en el algoritmo de agrupamiento de los pixeles, la

computadora realiza este trabajo. 5. Representación tabular de la clasificación, Tablas estadísticas, análisis de datos digitales. 6. Evaluación de los resultados (determinación de exactitud y confiabilidad de la clasificación

multiespectral) (Palacios Bermúdez, 2016). Agrupamiento de Pixeles en Clases

23

El agrupamiento de clases asigna un nuevo valor numérico a una o todas las clases contenidas en la imagen, estas dejan de tener un valor numérico y se convierten en valores asignados, porque tiene como objetivo conglomerar o agrupar los pixeles de la imagen satelital clasificada en clases.

4. Elaboración de mapas temáticos Como resultado del procesamiento digital de las imágenes satelitales se elaboraran mapas temáticos de Cobertura y uso del suelo.

5. Análisis Multitemporal de las Imágenes

A partir de las imágenes clasificadas se busca la detección de cambios ocurridos en la cobertura del suelo.

Este tipo de procedimientos metodológicos tienen como objetivo fundamental la captura de datos tipo numérico y geográfico, para crear una base de datos a la escala requerida sobre la cobertura del territorio, mediante la interpretación visual de imágenes satelitales (Fonseca & Gómez, 2013).

24

APLICACÍON DE LA METOLOGÍA Delimitación espacial de la zona de interés Límites de la zona en Coordenadas Geográficas.

Tabla 6 Límites de la zona en Coordenadas Geográficas

Punto Longitud Latitud

Norte-Oeste (UL)

Norte-Este (UR)

Sur-Este (LR)

Sur-Oeste (LL)

73° 26’ 30 W

73 °16’ 60 O

73 °16’ 60 O

73 °26’ 30 O

7° 8’ 48 N

7 ° 8’ 48 N

6 ° 57’ 0 N

6 ° 57 ’0 N

Área de interés delimitada. Tabla 7 Área zona de estudio.

Kilómetros cuadrados 381.667 Hectáreas 38.166.661

25

Marca de posición en Google Earth.

Figura 5 Delimitación de la Zona de Estudio con Google Earth.

Comparación de Portales Se realizó una verificación de imágenes con diferentes portales de la zona de interés con un respectivo análisis presentado en la tabla

26

Tabla 8 Análisis de imágenes.

.

27

TRABAJO PREVIO CONSULTA, SELECCION Y DESCARGA DE DATOS.

Inventario de imágenes.

Imágenes consultadas Landsat. Se buscaron imagenes solo en el año 2001 y las fotos tomadas en el año 2015 con los siguientes parametros.

Criterios de búsqueda: WRS-2 Path 8 Row 55 Lat 7,2 Long -73,9 Max Cloud 100%

Tabla 9 Catálogo imagenes Landsat.

º Row Fecha

la Misión Sensor Fuente

%

Cobertura ID J K

imagen Nubes

8 55 29/01/2001 Landsat 5 TM GLOVIS 0% LT50080552001029X

XX01

8 55 06/02/2001 Landsat 7 ETM+L1T GLOVIS 7% LE70080552001037E

DC00

8 55 14/02/2001 Landsat 5 TM GLOVIS 50% LT50080552001045X

XX01


DC00


DC00


DC00


DC00


DC00


DC00


DC00

28


DC00


DC00


DC00


DC00


DC00

8 55 05/11/2001 Landsat 7 ETM+ GLOVIS 51% LE70080552001309E

DC00


DC00


DC00

8 55 04/01/2015 Landsat 8 OLI_TIRS_L1T GLOVIS 2% LC80080552015004L

GN00


GN00


DC00


GN00


DC00


GN00

29

Imágenes SPOT

CRITERIOS DE BUSQUEDA

Max Cloud 60%. Resoulición 5m-10m. B&W, Colour Se buscaron solo imágenes del 2015, del 2001 no había.

Tabla 10 Catálogo de imágenes SPOT.

Path Row Fecha de la Misión

Sensor Angulo de Fuente % Cobertura

ID

J K incidencia

Grados Nubes

imágen

482 216 30-ene-15 SPOT 5 HRG -24,9 Geo- 17 56453351501301415271A

B&W 5m AIRBUS

482 216 30-ene-15 SPOT 5 HRG -24,9 Geo- 19 56453351501301415301U

Colour AIRBUS 5m

482 216 30-ene-15 SPOT 5 HRVIR -24,9 Geo- 19 56453351501301415301J

Colour AIRBUS 10m

482 216 14-feb-15 SPOT 5 HRG 6,4 Geo- 32 56473351502141425352A8

B&W 5m AIRBUS

482 216 14-feb-15 SPOT 5 HRG 6,4 Geo- 34 56473361502141425432A

B&W 5m AIRBUS

Imágenes ALOS

En este catálogo no se encontraron imágenes de la fecha que seleccionamos en nuestro proyecto (2001), solo hay información desde el 2006 hasta abril del 2015. Sin embargo, escogimos un rango entre el 4 de Julio del 2010 y el 22 de abril del 2015 para tener la foto más reciente de la zona de estudio. Para esto delimitamos un polígono en el buscador con la zona de estudio implícita. Y los siguientes criterios de búsqueda

Criterios de búsqueda: Betulia, Santander, 2015, AVNIR, Orbit direction(both), orbit frame(0-7199), Pointing angle(-44.0/44.0)

30

Tabla 11 Catálogo imágenes ALOS.

Path J

Row K

Fecha de la

imágen Misión Sensor Fuente % Cobertura

Nubes ID

452 3460 11-ene-15 ALOS AVNIR-2 CROSS-EX 3 A 10 ALAV2A266003450

452 3450 12-ene-15 ALOS AVNIR-3 CROSS-EX 3 A 10 ALAV2A266003461

Imágenes RapidEye

Para el año 2001 no se logró tener resultados de imágenes satelitales, mientras que para el año 2015 se lograron encontrar 4 imágenes donde los parámetros ingresados se relacionan en la siguiente tabla.

Tabla 12 Catálogo imágenes RapidEye.

Path Row Fecha de la imágen Misión Sensor Fuente

% Cobertura Nubes ID

J K 7,167118 -73,483116 23/02/2015 RapidEye RapidEye-3 EYEFIND 15% 19673246 7,167118 -73,483116 26/02/2015 RapidEye RapidEye-1 EYEFIND 13% 19717483 7,167118 -73,483116 27/02/2015 RapidEye RapidEye-2 EYEFIND 44% 19728892 7,167118 -73,483116 25/01/2015 RapidEye RapidEye-2 EYEFIND 45% 19328958

Imágenes Aster Se realizó la búsqueda con los parámetros expuestos en la siguiente tabla y solo se encontró un dato para el año de 2001, mientras que para el año 2015 no se encontró ningún resultado.

Criterios de búsqueda: Año 2001-2015

Tabla 13 Catálogo imágenes ASTER.

Path Row Fecha de la

imágen Misión Sensor Fuente

% Cober- tura

Nubes ID

J K

8 55 05/11/2001 Aster AL1 Day (VNIR/SWIR/TIR) GLOVIS 41 AST_L1A00320048196

31

Imágenes QuickBird

En la búsqueda de imágenes satelitales que cubrieran la zona de interés con este programa no se encontró ningún dato, se expone los parámetros usados al momento de la búsqueda en la siguiente tabla y se muestra además los resultados en pantalla que se obtuvieron donde se puede observar que no existe el cubrimiento para la zona de interes.

Fecha Inicial Fecha Final Misión Spacecraft Fuente

% An- Angulo De Max Cober- gulo Elevación GSD tura Max Mínimo Del

Nubes Nadir Sol

01/01/2001 31/12/2001 Quickbird All ImageFinder 75 25 0 All 01/01/2015 31/12/2015 Quickbird All ImageFinder 75 25 0 All

Resultado año 2001 Resultado año 2015

32

Imagen satelital seleccionada de cada programa.

Tabla 14 Selección imágenes por programa. Vista rápida de la Imagen seleccionada Programa Fecha de la Criterio para la selección

satelital imagen

Landsat 5 29/01/2001

Por su poca nubosidad presente en la zona de estudio permite

analizar el cambio de coberturas. Puede además

observarse los diferentes cuerpos de agua y diferenciar las áreas

boscosas, como también la cobertura de los suelos. Para la fecha de toma escogida no era una zona muy frecuentada por la presencia de fuerzas armadas ilegales en municipios aledaños

como Barrancabermeja.

Es la imagen más reciente al

momento de comenzar el estudio de la zona y donde se cuenta con 0% de nubosidad,

por lo que permite observar el área ocupada por la represa

Hidrosogamoso. Se observa que algunos cuerpos de agua han

aumentado su capacidad, como el aumento de los bosques presentes, mientras que la

cobertura de suelos no es tan diferenciable ahora.

Landsat 8 04/01/2015

33

Alos 13 21/01/2011

Por su poca nubosidad presente en la zona de estudio permite

analizar el cambio de boscosas, como también la

cobertura de los suelos. Para la fecha de toma escogida no era una zona muy frecuentada por la presencia de fuerzas armadas ilegales en municipios aledaños

como Barrancabermeja.

Vista rápida de la Imagen Programa satelital Fecha de la imagen Criterio para la selección

seleccionada

SPOT 5 14/02/2015

Es la imagen más reciente al momento de comenzar el

estudio de la zona y donde se cuenta con 0% de nubosidad,

por lo que permite observar el área ocupada por la represa

Hidrosogamoso. Se observa que algunos cuerpos de agua han

aumentado su capacidad, como el aumento de los bosques presentes, mientras que la

cobertura de suelos no es tan diferenciable ahora.

RAPIDEYE 23/02/2015

El porcentaje de nubosidad de esta imagen es de 15% es la que

menor nubosidad presenta aunque no alcanza a mostrar la totalidad de la cobertura de la

represa de hidrosogamoso.

34

ASTER 05/11/2001

Es la unica imagen que existe de la zon en las fechas a analizar

realmente no es una buena imagen para realizar el estudio de cambio de coberturas ya que

la nubosidad presente no permite diferenciar estas.

Metadato imagen Landsat descargada.

Landsat Scene Identifier: LT50080552001029XXX01

a) Dimensiones de la imagen:

Corner UL Latitude Product 8.18274 (8°10'57.86"N) Corner UL Longitude Product -74.96641 (74°57'59.08"S) Corner UR Latitude Product 8.17704 (8°10'37.34"N)

Corner UR Longitude Product -72.85344 (72°51'12.38"S) Corner LR Longitude Product -72.86238 (72°51'44.57"S) Corner LL Latitude Product 6.28311 (6°16'59.20"N)

Corner LL Longitude Product -74.96655 (74°57'59.58"W) Corner LR Latitude Product 6.27874 (6°16'43.46"N)

b) Sistema de proyección de coordenadas de la imagen:

Map Projection Level 1 UTM

Datum WGS84

Ellipsoid WGS84

UTM Zone 18

35

c) Coordenadas de las esquinas de la imagen:

NW Corner Lat dec 815.622

NW Corner Long dec -7.457.744

NE Corner Lat dec 791.473

NE Corner Long dec -7.291.679

SE Corner Lat dec 632.397

SE Corner Long dec -7.326.168

SW Corner Lat dec 656.464

SW Corner Long dec -7.491.668

d) Formato de almacenamiento: OUTPUT_FORMAT = GEOTIFF

e) Estructura de almacenamiento: PROCESSING SOFTWARE VERSION= LPGS_2.3.0

f) Tamaño en disco de los datos: 1.20 gB

IMPORTACIÓN DE DATOS. Imagen Multiespectral La imagen digital, obtenida por un sistema de percepción remota, es un arreglo bidimensional de filas y columnas formando un conjunto de celdas, en donde cada celda o pixel (Un pixel es una mínima unidad lógica de una imagen digital que contiene a su vez un número discreto en respuesta de la radiancia observada por un sensor remoto.) (la i, columna j) contiene información asociada a valores finitos de reflectancia denominados niveles digitales. En ese sentido, una imagen digital resulta de la transformación de radiancias obtenidas por cada detector fotosensible a bordo del sensor en cada una de las longitudes de onda para las que haya sido diseñado. Ahora bien, cada sensor entrega una imagen digital por cada longitud de onda reejada por la cubierta terrestre tal y como se observa en la imagen.

Este procedimiento de composición de imagen es repetido para cada una de las longitudes de onda que capta el sensor, es decir, se forma una imagen digital para cada una de las bandas espectrales obteniéndose una matriz tridimensional en donde cada celda se halla ubicada en una posición de la y columna almacenando un nivel digital y una banda. En ese sentido, una imagen multiespectral es una única estructura formada por el apilado o stack de imágenes digitales asociadas cada una de las longitudes de onda detectadas por el sensor remoto. Una imagen

36

multiespectral es un modelo de la realidad construido con base en una respuesta espectral de los elementos que componen una escena y los cuales son captados por detectores sensibles a un rango de longitudes de onda del espectro electromagnético. (Chuvieco s.f)

Figura 6 : Imagen multiespectral en falso color estándar de la zona de trabajo. Fuente: Datos propios.

Una imagen multiespectral, es entonces, un arreglo de imágenes digitales, compuesta por las, columnas, niveles digitales y longitudes de onda o bandas (resolución espectral del sensor).

Ventajas de las imágenes multiespectrales

El número de bandas varía considerablemente de un sensor remoto con respecto a otro ajustándose al propósito para el que fue diseñado, así mismo la utilización de las imágenes digitales obtenidas de estos sistemas. No obstante, la mayoría de sensores ofrecen de 3 bandas espectrales en adelante que incluyen sectores del espectro visible y del infrarrojo posibilitando la distinción de rasgos en la cobertura terrestre. La principal ventaja de las imágenes multiespectrales es que permiten combinar diferentes combinaciones de bandas espectrales en los cañones del RGB aumentando en gran medida las opciones de diferenciar y discriminar los distintos elementos presentes en una escena. Por ejemplo, a través de la combinación de bandas del infrarrojo cercano, el verde y el rojo es posible monitorear la condición y vitalidad de la cobertura vegetal en terreno a través de la interpretación visual de la imagen.

37

Tabla 15 Combinaciones espectrales y aplicación COMBINACIONES DE BANDAS APLICACIÓN

3,2,1 Se obtiene el Color natural de los

objetos en la escena capturada por el

sensor.

5,4,3 Es posible analizar la vitalidad de la

Cobertura Vegetal

6,5,2 Es posible analizar patrones de cultivo

así como el estado y su condición.

7,6,5 Es posible discriminar rocas e

identicación de minerales, así como

las propiedades termales del suelo.

6,5,4 Útil al momento de delimitar cuerpos

de agua, determinar el contenido de

biomasa, elaboración de mapas

geológicos y geomorfológicos

4,3,2 Combina las ventajas que ofrecen el

infrarrojo cercano el rojo y el verde en

cuanto a la determinación de

cobertura vegetal por la absorción de

clorola, agricultura y usos del suelo.

Es de vital importancia para el estudio identificar la mejor combinación de Bandas posibles para el propósito que se busca, analizar las coberturas.

38

ANÁLISIS EXPLORATORIO-VISUAL DE LOS DATOS.

COMPOSICIONES BÁSICAS DE COLOR EN PROCESAMIENTO DIGITAL

FALSO COLOR ESTÁNDAR RGB (4,3,2)

Figura 7 Imagen en falso color estandar.

Es una combinación espectral que resulta de asignar la verde y la banda 2 al cañón del color azul para ser visualizados en pantalla. En esta imagen, que permiterealizar una mejor interpretación de las coberturas en laescena, las coberturas vegetales adquieren una coloraciónroja debido al aumento de la reectancia en el infrarojocercano por la estructura de las hojas. En ese sentido, lostonos de rojo oscuro están asociados a vegetación arbóreadensa como bosques, y los más claros a vegetación conmenos densidad como pastos, cultivos y arbustales. El agua,por su parte, se visualiza en color azul que está asociado a lapureza y profundidad, así, color azul oscuro indica que elagua es más pura que cuando adquiere una tonalidad de azul mas claro pudiendose

39

tratar de agua con sedimentos (río). Las nubes, al ser una cobertura altamente reectiva en todas las bandas se observa de color blanco.

COLOR NATURAL RGB(3,2,1)

Es una combinación que se aproxima a los colores naturales que pueden adquirir las coberturas detectadas por el sensor, pues resulta de asignar la banda 3 al cañón del rojo, la banda 2 al cañón del verde, y la banda 1 al cañón del azul. En esta combinación espectral, la interpretación de coberturas resulta más difícil debido a que las coberturas poseen un comportamiento espectral similar de adsortividad y reflectividad en las 3 bandas del espectro visible. La cobertura vegetal se observa en color verde y las tonalidades de color (oscuro o claro) estarán en función del tipo de cobertura, sin embargo, la caracterización se hace más difusa, los cuerpos de agua presentan mayor complejidad a la hora de de delimitarlos y las nubes se observan blancas por ser un elemento de la imagen altamente reflectivo en todas las longitudes de onda.

El área total de cubrimiento de la imagen es de 3731017.65 Ha = 37310.1765 Km2

40

Identificación visual de la imagen.

41

Tabla 16 Identificación visual de elementos de la imagen.

Ubicación de la zona de interés en la imagen descargada.

Figura 8 Zona de interes en la imagen descargada.

Limites zona de estudio

Tabla 17 Limite de las zona de interes de la represa Hidrosogamoso. Esquina Superior Izquierda N 790140.00 Lat 7 8 44.6646 N Fila 5152

E 668760.00 Long 73 28 18.4106 W Columna 4172

Esquina Superior Derecha N 790140 Lat

7 8 42.8230 N Fila 5758

E 686940 Long 73 18 25.6700 W Columna 4172

Esquina Inferior Izquierda N 766740 Lat

6 56 2.8685 N Fila 5152

E 668760 Long

73 28 21.2500 W Columna 4952

Esquina Inferior Derecha N 766740 Lat

6 56 0.8987 N Fila 5758

E 686940 Long 73 18 28.6695 W Columna 4952

42

PRINCIPALES CARACTERÍSTICAS DE LAS COBERTURAS EN LA ZONA DE ESTUDIO

Tabla 18 Caracteristicas generales de las coberturas presentes en la zona.

43

ANÁLISIS VISUAL UNI-BANDA DE LOS DATOS.

Análisis coberturas Azul.

44

Análisis coberturas Verde.

45

Análisis coberturas Rojo.

46

Análisis coberturas Infrarojo Cercano.

47

Análisis coberturas Infrarojo Medio.

48

Análisis coberturas Infrarojo Lejano.

49

ANÁLISIS ESTADÍSTICO DE LOS DATOS Análisis del Histograma (Imagen cortada).

Tabla 19 Estadisticas de la imagen de la zona de interes.

Banda Imagen Histograma Tendencia Central Dispersión Rango

Media Moda Mediana Varianza Desviación Min Max Rango

1 8176,835 8167 7973 313195,8103 559,639 7334 27726 20392

2 7594,154 7164 7231 475835,0769 689,808 6234 27857 21623

3 6769,76 6353 6370 679569,4096 824,36 5751 28970 23219

4 14903,228 5694 13071 18664404,53 4320,232 5145 34443 29298

5 9896,103 5165 8557 6425799,127 2534,916 4923 30996 26073

6 7059,092 5085 6319 1852076,028 1360,91 4994 28160 23166

50

Banda 1 (Azul): Los histogramas de la banda 1 para la imagen completa y cortada son asimétricos positivos, es decir, la mayor concentración de niveles digitales se encuentra ubicado hacia la izquierda del gráco. En promedio, los niveles digitales de la imagen completa tienen una valor de 8677,99 a diferencia de la imagen cortada, que presenta una media menor de 8176,835. La imagen cortada presenta similar dispersión en los datos con respecto a la imagen completa, con una varianza para la cortada de 313195,8103 y para la completa de 4497538,148, sugiriendo de este modo que la dispersión de los niveles digitales con respecto al promedio de los mismos, es mayor en la imagen completa. En cuanto al apuntalamiento, ambos histogramas son de tipo leptocúrtico (la Curtosis de los histogramas es mayor a 3); No obstante, tiene más apuntalamiento el histograma de la imagen completa que el de la cortada. La amplitud de los histogramas para ambas imágenes está denido por el rango de niveles digitales, la imagen cortada presente un rango de 20392 siendo éste menor comparativamente con la imagen completa, que posee un rango de 45082 Niveles digitales. El nivel digital con mayor frecuencia para la imagen completa es el 8268 presenteen 44768 pixeles de la imagen, para la imagen cortada el nivel digital con mayor frecuencia es de 8167 presente en 1163 pixeles, asociados ambos a la cobertura de bosque.

Banda 2 (Verde): Los histogramas de la banda 2 para la imagen completa y cortada son asimétricos positivos, con una concentración de niveles digitales mayor a la izquierda en el histograma de la imagen cortada que en la completa. En promedio, los niveles digitales de la imagen completa tienen un valor de 8190,131 a diferencia de la imagen cortada que presenta una media de 7594,154. La imagen cortada presenta mayor dispersión en los datos con respecto a la media que la imagen completa, con una desviación estándar para la primera de 689,808 y para la segunda de 2194,439. En cuanto al apuntalamiento, ambos histogramas son de tipo leptocúrtico con una Curtosis para ambos histogramas mayor a 3. La amplitud del histograma de la imagen cortada es mayor que en la imagen completa, presentando un rango de niveles digitales para la primera de 21623 y la segunda con 46752. El nivel digital con mayor frecuencia para la imagen cortada es el 7164 presente en 675 pixeles, para la imagen completa se tiene que el nivel digital con la mayor frecuencia es el 7557 que se repite 30778 asociado a cobertura de bosque.

Banda 3 (Rojo): Los histogramas de la banda 3 para la imagen completa y cortada son asimétricos positivos, con una concentración de niveles digitales mayor a la izquierda en el histograma de la imagen cortada que en la completa. En promedio, los niveles digitales de la imagen completa tienen un valor de 7404,585 a diferencia de la imagen cortada que presenta una media de 6769,76. La imagen cortada presenta una mayor dispersión de los datos con respecto a la media con una desviación estándar de 824,36 a diferencia de la imagen completa cuya desviación estándar está por el orden de 2438,69. El rango del histograma de la imagen cortada es menor que el de la imagen completa, con un rango para la primera de 23219 y para la segunda de 50528 niveles digitales.

51

Banda 4 (IRC): El histograma de la imagen completa es más asintótico a la derecha que en la imagen cortada, teniendo la primera una forma asintotica y la segunda con un comportamiento bimodal. La imagen completa tiene menor dispersión en sus datos con una varianza de 11665988,63 contra 18664404,53 de la imagen cortada, lo que indica que la distancia promedio entre los datos y su media es mucho mayor en la imagen cortada, esto se corrobora con el rango que se comporta de la misma forma. El valor de la moda de la imagen completa es 17287 con una frecuencia de 7373, mientras que en la imagen cortada su mayor frecuencia es de 511 en el ND 5694.

Banda 5(IRM): El histograma de la imagen completa tiene una forma bimodal, igual que la cortada . La imagen completa tiene mayor dispersión en sus datos con una varianza de 8587367,237 mientras que en la imagen cortada es 6425799,12; la desviación estándar de la imagen completa también es mayor indicando que la distancia promedio entre los datos y su media es un poco menor en la imagen cortada. El histograma de la imagen completa tiene mayor apuntamiento ya que el valor de su moda que es 10308 tiene una frecuencia de 8938, mientras que en la imagen cortada su mayor frecuencia es de 1397 en el nivel digital 5165.

Banda 6(IRL): El histograma de la imagen completa tiene una forma asintotica a la derecha, mientras que la cortada es bimodal. La imagen cortada tiene una mayor dispersión en sus datos con una varianza de 1852076,028 discrepando bastante del valor que presenta la imagen completa de 4882641,509; la desviación estándar de la imagen completa es casi el doble que la de la cortada indicando que la distancia promedio entre sus datos y su media es mucho mayor en la imagen completa. El histograma de la imagen completa tiene mayor apuntamiento ya que el valor de su moda que es 6762 tiene una frecuencia de 21519, mientras que en la imagen cortada su mayor frecuencia es de 1946 en el nivel digital 5085, por esta razón se pueden notar mucho más las diferencias en las frecuencias en los valores de los ND que contiene.

52

ANÁLISIS ESTADÍSTICO GENERAL DE LAS BANDAS PARA LA ZONA DE ESTUDIO (IMAGEN CORTADA)

Banda Análisis general

1

Los histogramas de la banda 1 para la imagen cortada es asimétrico positivo, es decir, la mayor concentración de niveles digitales se encuentra

ubicado hacia la izquierda del gráfico. En promedio, los niveles digitales de la imagen

cortada presentan una media menor de 8176,835. La imagen cortada presenta similar dispersión en los datos con respecto a la imagen completa, con

una varianza para la cortada de 313195,8103, sugiriendo de este modo que la dispersión de los niveles digitales con respecto al promedio de los

mismos, es mayor en la imagen completa. En cuanto al apuntalamiento, es de tipo leptocúrtico (la Curtosis de los histogramas es mayor a 3). La

imagen cortada presente un rango de 20392 siendo éste menor comparativamente con la

imagen completa, que posee un rango de 45082 Niveles digitales. El nivel digital con mayor

frecuencia para la imagen completa es el 8268 presente en 44768 pixeles de la imagen, para la

imagen cortada el nivel digital con mayor frecuencia es de 8167 presente en 1163 pixeles,

asociados ambos a la cobertura de bosque.

2

Los histogramas de la banda 2 para la imagen completa y cortada son asimétricos positivos, con una concentración de niveles digitales mayor a la izquierda en el histograma de la imagen cortada

que en la completa. En promedio, los niveles digitales de la imagen completa tienen un valor de

8190,131 a diferencia de la imagen cortada que presenta una media de 7594,154. La imagen

cortada presenta mayor dispersión en los datos con respecto a la media que la imagen completa, con una desviación estándar para la primera de

53

689,808 y para la segunda de 2194,439. En cuanto al apuntalamiento, ambos histogramas son de tipo

leptocúrtico con una Curtosis para ambos histogramas mayor a 3. La amplitud del

histograma de la imagen cortada es mayor que en la imagen completa, presentando un rango de niveles digitales para la primera de 21623 y la segunda con 46752. El nivel digital con mayor frecuencia para la imagen cortada es el 7164

presente en 675 pixeles, para la imagen completa se tiene que el nivel digital con la mayor frecuencia es el 7557 que se repite 30778

asociado a cobertura de bosque.

3

Los histogramas de la banda 3 para la imagen completa y cortada son asimétricos positivos, con una concentración de niveles digitales mayor a la izquierda en el histograma de la imagen cortada

que en la completa. En promedio, los niveles digitales de la imagen completa tienen un valor de

7404,585 a diferencia de la imagen cortada que presenta una media de 6769,76. La imagen

cortada presenta una mayor dispersión de los datos con respecto a la media con una desviación

estándar de 824,36 a diferencia de la imagen completa cuya desviación estándar está por el

orden de 2438,69. El rango del histograma de la imagen cortada es menor que el de la imagen

completa, con un rango para la primera de 23219 y para la segunda de 50528 40 niveles digitales.

4

El histograma de la imagen completa es más asintótico a la derecha que en la imagen cortada,

teniendo la primera una forma asintótica y la segunda con un comportamiento bimodal. La

imagen completa tiene menor dispersión en sus datos con una varianza de 11665988,63 contra

18664404,53 de la imagen cortada, lo que indica que la distancia promedio entre los datos y

su media es mucho mayor en la imagen cortada, esto se corrobora con el rango que se comporta de la misma forma. El valor de la moda de la imagen completa es 17287 con una frecuencia de 7373,

mientras que en la imagen cortada su mayor frecuencia es de 511 en el ND 5694.

54

5

El histograma de la imagen completa tiene una forma bimodal, igual que la cortada. La imagen

completa tiene mayor dispersión en sus datos con una varianza de 8587367,237 mientras que en la

imagen cortada es 6425799,12; la desviación estándar de la imagen completa también es mayor

indicando que la distancia promedio entre los datos y su media es un poco menor en la imagen

cortada. El histograma de la imagen completa tiene mayor apuntamiento ya que el valor de su

moda que es 10308 tiene una frecuencia de 8938, mientras que en la imagen cortada su mayor

frecuencia es de 1397 en el nivel digital 5165.

6

El histograma de la imagen completa tiene una forma asintótica a la derecha, mientras que la

cortada es bimodal. La imagen cortada tiene una mayor dispersión en sus datos con una varianza de 1852076,028 discrepando bastante del valor que presenta la imagen completa de 4882641,509; la

desviación estándar de la imagen completa es casi el doble que la de la cortada indicando que la

distancia promedio entre sus datos y su media es mucho mayor en la imagen completa. El

histograma de la imagen completa tiene mayor apuntamiento ya que el valor de su moda que es

6762 tiene una frecuencia de 21519, mientras que en la imagen cortada su mayor frecuencia es de 1946 en el nivel digital 5085, por esta razón se pueden notar mucho más las diferencias en las

frecuencias en los valores de los ND que contiene.

55

ANÁLISIS MULTI-BANDA DE LOS DATOS.

MATRIZ DE VARIANZA-COVARIANZA Tabla 20 Matriz de varianza-covarianza.

B1 B2 B3 B4 B5 B7

B1 313195,8906 363842,369 427575,5059 393368,8549 639816,8997 500477,2242

B2 363842,369 475834,8322 552205,4511 1145400,384 1174241,665 773079,3025

B3 427575,5059 552205,4511 679568,7455 969241,2585 1348530,957 938386,888

B4 393368,8549 1145400,384 969241,2585 18664406,84 9133059,98 3749280,808

B5 639816,8997 1174241,665 1348530,957 9133059,98 6425798,831 3245651,76

B7 500477,2242 773079,3025 938386,888 3749280,808 3245651,76 1852075,769

La banda 5 que corresponde al IRC es la que presenta mayor dispersión entre sus datos, mientras que la banda que corresponde al azul presenta una dispersión muy baja en comparación con las demás bandas. Las bandas correspondientes a los infrarrojos son las que presentan mayor variedad entre sus datos, mostrando unos valores muy altos en sus varianzas comparadas con las del espectro visible. Todas las bandas tienen una relación positiva, es decir, que a valores altos de cada banda, corresponden valores altos de la banda con que se compare, aunque algunas tienen mayor relación lineal que otras comparadas con los valores presentes en la matriz. Además, en forma general, existe una mayor relación lineal entre los datos de los infrarrojos ya que estas poseen una mayor dispersión de sus datos que los del espectro visible, especialmente en comparación con las bandas del verde y del azul que poseen un variación muy baja.

7.2 MATRIZ DE CORRELACIÓN

Tabla 21 Matriz de coorrelación.

B1 B2 B3 B4 B5 B7

B1 1 0,942490818 0,926804411 0,162698987 0,451007867 0,657123375

B2 0,942490818 1 0,971081937 0,384345777 0,671530602 0,823505599

B3 0,926804411 0,971081937 1 0,272149849 0,645328224 0,83644205

56

B4 0,162698987 0,384345777 0,272149849 1 0,833960826 0,637692777

B5 0,451007867 0,671530602 0,645328224 0,833960826 1 0,94082529

B7 0,657123375 0,823505599 0,83644205 0,637692777 0,94082529 1

A través de la matriz de correlación anterior es posible explicar cómo se encuentran relacionadas cada una de las bandas espectrales objeto de análisis. En ese sentido, se observa que en los datos obtenidos presentan una correlación positiva, indicando que la proyección de la regresión lineal es creciente para todo el conjunto de datos, esto es, las bandas crecen conjuntamente o son directamente proporcionales entre sí. Analizando las bandas con mayor correlación, se tiene que las bandas 2 (verde) y 3 (rojo) están fuertemente correlacionadas, con un porcentaje de correlación del 0,9710% seguido de las bandas 2 (verde) y 1 (azul), con un porcentaje de correlación de 0,9424%. Esto sugiere la fuerte incidencia de una banda con respecto a la otra asociado a la dependencia de una banda con respecto a la otra. Por otro lado, las bandas 1 (azul) y 4 (IRC) presentan la menor correlación o se encuentran débilmente correlacionadas con un porcentaje de 0,162% seguido de las bandas 2 (verde) y 4 (IRC) con un porcentaje de 0,384%, indicando la independencia lineal de dichas bandas entre sí, aportando información diferente en su respectiva longitud de onda en cada pixel, situación ideal al momento de procesar las imágenes de satélite y discriminar tipos de coberturas.

DISPERSOGRAMAS

Figura 9 Izquierda, dispersograma bansas 2 y 3. Derecha dispersograma banda 1y 4.

57

ANÁLISIS DE LAS ESTADÍSTICAS MULTIVARIADAS Y DISPERSOGRA-MAS

La Figura de la izquierda presenta claramente la fuerte correlación entre las bandas 2 y 3 del espectro visible, que presenta un porcentaje de correlación de 0,971%. La mayor concentración de pixeles está en la tonalidad roja (de mayor ocurrencia) a diferencia del color violeta donde hay mayor dispersión. Este tipo de correlaciones tan fuertes y al momento de graficar adquiera una forma más angosta (comparado con dispersogramas donde la correlación es muy baja) impide la variedad en los datos para estas dos bandas, por lo que las bandas del verde y el rojo proporcionan la misma información en cuanto a las coberturas vegetales, que en la imagen satelital presentan comportamiento similar reflectivo.

La Figura de la derecha, muestra la correlación más baja que sucede entre las bandas del azul y del infrarrojo cercano con un valor del 0,1626. Esta falta de correlación evita la información redundante entre ellas, por esto la forma del dispersograma es más amplia indicando la variedad de los datos. Ninguna cobertura se comporta igual en ambas bandas. La de más concentración de niveles digitales en color rojo corresponde a pastos mientras que los niveles digitales en color violeta corresponden a los bosques La longitud de la banda del azul se encuentra entre los valores de 0,4 a 0,5 um mientras que la banda del infrarrojo cercano se encuentra entre los valores del 0,8-1,5 um, en estas longitudes de onda las coberturas que más reflectividad poseen en cada una son el agua y la vegetación respectivamente. En la zona de interés, dichas coberturas predominan, por esta razón su correlación y relación lineal es la más baja ya que en la banda del infrarrojo cercano en la cobertura vegetal, la reflectividad está más asociada a su estructura mientras que el comportamiento en la banda del azul está más relacionada a los pigmentos de la hoja, así, la absortividad en esta banda es bastante alta por esto no refleja siendo la cobertura de agua la que más refleja. Estas longitudes de onda no brillan en la misma cobertura ya que estas presentan condiciones o características diferentes de las coberturas predominantes en la imagen mostrándose en el dispersograma la baja correlación entre ellas. En la banda del infrarrojo se encuentran concentrados los valores correspondientes a los tipos de vegetación presentes en la zona, tal es el caso de los pastos con mayor proporción seguido de los bosques y la vegetación arbustal. En la parte baja del dispersograma se ubican los valores más concentrados de la banda del azul correspondientes al agua.

COMBINACIONES DE COLOR

El número de combinaciones posibles sin repeticiones se obtiene mediante la siguiente expresión matemática:

58

Donde n indica el número de bandas disponibles a combinar, en Landsat, 8; p es el número de cañones disponibles (RGB) para ser visualizadas en pantalla dichas bandas. Aplicando la expresión (1) para 6 bandas espectrales en los 3 cañones (azul, verde y rojo), se tiene:

El número de combinaciones disponibles para Landsat 8 OLI son 20 combinaciones.

FACTOR DE ÍNDICE ÓPTIMO (OIF) El OIF es un valor estadístico que se utiliza para escoger la combinación óptima de tres bandas en una imagen satelital. Una combinación óptima es aquella que brinda la mayor cantidad de información junto con la menor cantidad de redundancias.

La mayor cantidad de información de una combinación de color entre bandas se obtiene del resultado más alto de las suma de las desviaciones estándar, la menor redundancia se obtiene al comparar la correlación entre bandas, a menor correlación menor cantidad de datos requeridos.

Tabla 22 Calculo de OIF.

B G R VAR R VAR G VAR B COR COR COR OIF

(R,G) (B,R) (B,G)

1 2 3 313195,89 475834,83 679568,75 0,9711 0,9268 0,9425 517043,823

1 2 4 313195,89 475834,83 18664406,84 0,3843 0,1627 0,9425 13060069,063

1 2 5 313195,89 475834,83 6425798,83 0,6715 0,4510 0,9425 3493814,640

1 2 6 313195,89 475834,83 1852075,77 0,8235 0,6571 0,9425 1089961,173

1 3 4 313195,89 679568,75 18664406,84 0,2721 0,1627 0,9268 14436253,516

1 3 5 313195,89 679568,75 6425798,83 0,6453 0,4510 0,9268 3666855,298

1 3 6 313195,89 679568,75 1852075,77 0,8364 0,6571 0,9268 1175374,260

1 4 5 313195,89 18664406,84 6425798,83 0,8340 0,4510 0,1627 17547812,891

59

1 4 6 313195,89 18664406,84 1852075,77 0,6377 0,6571 0,1627 14291226,184

1 5 6 313195,89 6425798,83 1852075,77 0,9408 0,6571 0,4510 4192900,317

2 3 4 475834,83 679568,75 18664406,84 0,2721 0,3843 0,9711 12177490,567

2 3 5 475834,83 679568,75 6425798,83 0,6453 0,6715 0,9711 3313548,380

2 3 6 475834,83 679568,75 1852075,77 0,8364 0,8235 0,9711 1143080,778

2 1 5 475834,83 313195,89 6425798,83 0,4510 0,6715 0,9425 3493814,640

2 1 6 475834,83 313195,89 1852075,77 0,6571 0,8235 0,9425 1089961,173

2 5 6 475834,83 6425798,83 1852075,77 0,9408 0,8235 0,6715 3593681,112

3 4 5 679568,75 18664406,84 6425798,83 0,8340 0,6453 0,2721 14713487,538

3 4 6 679568,75 18664406,84 1852075,77 0,6377 0,8364 0,2721 12137798,410

3 5 6 679568,75 6425798,83 1852075,77 0,9408 0,8364 0,6453 3697457,173

4 5 6 18664406,84 6425798,83 1852075,77 0,9408 0,6377 0,8340 11167882,761

Max1 RGB (541) 17547812,9

Max2 RGB(543) 14713487,538

Min1 RGB (321) 517043,823

Min2 RGB(612) 1089961,173

60

COMBINACIONES DE COLOR CON EL MÁS ALTO Y MÁS BAJO OIF

Figura 10 Imágenes satelitales con el mas bajo (arriba) y mas alto (abajo) OIF.

61

ANÁLISIS VISUAL DE LA COMBINACIÓN CON MAYOR Y MENOR OIF

62

ANALISIS MULTIESPECTRAL.

FIRMAS ESPECTRALES

63

64

65

PALETA DE COLORES PARA LAS LECTURAS ESPECTRALES

66

DETERMINACIÓN DE VALORES MÁXIMOS Y MÍNIMOS PARA CADA COBERTURA PRESENTE EN LA IMAGEN

Descripción: El agua sin sedimentos es un gran absortor de energía electromagnetica. agua tanto en el infrarrojo medio (banda 5) y largo (banda 6) no es posible separarlos.

Descripción: Es la cobertura con mayor rango en las bandas del espectro.

Descripción: La delimitación del rango entre agua y sombras es más complejo en el infrarrojo. Poseen similares valores de pixel.

67

Descripción: Es la cobertura con mayor rango en todo las bandas del espectro electromagnético, después de las nubes.

Descripción: es la tercera cobertura con rango más amplio después de la cobertura de suelo.

Descripción: El bosque en los infrarrojos adquiere valores bajos en sus pixeles

68

SEGMENTACION DE LA IMAGEN.

SEGMENTACIÓN EN LAS BANDAS ESPECTRALES CON MAYOR Y MENOR RANGO

Banda 1:

Banda 2:

69

ANÁLISIS COMPARATIVO DE LAS SEGMENTACIONES

Imagen Banda mayor rango vs Imagen segmentación.

Se puede observar que la cobertura de agua en ambas imágenes resalta por su color es decir, que presenta una gran diferencia con las coberturas que los rodea en cuanto a los niveles digitales, aunque en la segmentación se puede ver que hay un poco de la cobertura de sombra sobre la cobertura de agua esto puede ser producido por que el agua que circula en esta zona tiene algo de sedimentación que hace que cambie sus niveles digitales con respecto al resto de la cobertura. Otra cobertura con cambios interesantes es la cobertura de las nubes con la cobertura de pastos ya que son poco separables debido a que en la información adquirida en esta banda, en cuanto a las longitudes de ondas son más largas y tal vez por esto no permite una precisa separación de la nubosidad, por ejemplo en la parte inferior izquierda se puede observar a simple vista que es un poco difícil determinar la separación de estas coberturas. En la imagen del infrarrojo cercano se puede observar que hay algunas zonas donde no es tan visible la separación entre la cobertura de suelo y la de pastos, mientras que si observamos la imagen segmentada esta división es un poco más clara aunque en ocasiones hace falta un poco de precisión por la dificultad del proceso.

Imagen Banda menor rango vs Imagen segmentación.

Se puede observar que la cobertura de agua en ambas imágenes resalta por su color es decir, en cuanto a los niveles digitales es difícil diferenciar la cobertura de agua y bosque en la imagen, tienen niveles digitales muy parecidos. La cobertura de suelos y la cobertura de nubes tienen los niveles digitales más altos y son fáciles de separar. La sombra tiene los niveles digitales más bajos y es fácilmente separable con la cobertura de bosque que presenta también niveles digitales bajos.

RELACIÓN ENTRE LA AMPLITUD DEL HISTOGRAMA Y LA SEPARABILIDAD DE LAS COBERTURAS

Se puede observar que en el histograma de la banda 1 la amplitud de los datos es baja, en tal sentido los datos tienden a concentrarse en valores específicos. En este caso, los valores al interior de los pixeles almacenan niveles digitales bajos, por tanto, los valores tienen baja

70

dispersión y un rango mucho menor que las otras bandas, por esta razón, la segmentación de las coberturas en algunos casos no fue posible o poseían limites difusos al momento de hacer la caracterización en la imagen.

En cuanto el histograma de la banda 5 que corresponde al infrarrojo medio posee un comportamiento contrario con respecto a la banda 1, con una dispersión de los datos bastante alta y un rango muy amplio de valores de pixel. Por esta razón, la discriminación de las coberturas presentes en la zona fue mucho más sencilla y clara, permitiendo diferenciar mejor el tipo de cobertura en la segmentación. En ese orden de ideas, se puede concluir que a mayor dispersión de los datos, mayor amplitud tendrá el histograma asociado, por ende, se podrá determinar mejor la separabilidad de las coberturas en dicha banda.

CÁLCULO DEL ÁREA DE OCUPACIÓN DE LAS COBERTURAS PRESENTES EN LA ZONA DE INTERÉS

Figura 11 Calculo coberturas en la zona de interes.

71

MEJORAMIENTO DE CONTRASTE

Determinada la relación existente entre el rango, distribución y asimetría de los datos de una banda en su correspondiente histograma, y el contraste o representación visual de los datos una vez es reconstruida la imagen, es evidente que se requieren aplicar procesos para mejorar la representación visual de los datos mediante el aprovechamiento de la totalidad del rango visual que ofrece la imagen buscando aumentar su separabilidad visual, a partir de operaciones que modifiquen la distribución de los datos en el histograma.

Estadísticas de las bandas espectrales .

Tabla 23 Valores mínimos y máximos calculados para la función de transformación aplicando mejoramiento de contraste lineal.

M in M ax R ango

B1 8677,99 2120,74 6782 51864 45082

B2 8190,13 2194,44 6061 52813 46752

B3 7404585,00 2438,69 5444 55972 50528

B4 16637,15 3415,55 4767 63512 58745

B5 11365953,00 2930421,00 4648 58086 53438

B6 7912,65 2209,67 4839 59981 55142

Banda MediaDesviación

Estándar

Rango

72

Mejoramiento lineal por mínimo y máximo

Antes Mejoramiento Min-

Max

Después Mejoramiento Min-

Max

BANDA 1

BANDA 2

BANDA 3

73

BANDA 4

BANDA 5

BANDA 6

74

Comparación de resultados para las bandas con mayor y menor dispersión

IM A GEN H IST OGR A M A A N A LISISB A N D A C ON M EN OR D ISP ER SIÓN (B A N D A 1)

Sin M ejoramiento

Se puede observar que los cambios realizados a la banda del azul luego de aplicar el mejoramiento de constraste por mínimo y maximo no son muy favorables debido a que la distribucion de los niveles visuales presenta una la misma asignación a los niveles digitales, a demás que el histograma no presenta una transformación con importante cambios en cuanto al estiramiento sufrido, también la función tiene una pendiente casi de 45° por lo que no marcar una diferencia que permita mejorar el brillo de la imagen, impidiendo la separabilidad de las diferentes coberturas

M ejoramiento Lineal M in M ax

Sin M ejoramiento

Se presenta el histograma donde sepuede identificar una variación en laconcentración de los valores de losniveles visuales pero la cual no tiene unefecto evidente sobre la imagenmejorada, ya que no se tiene unaprogreso en el brillo , el estiramiento quesufre el histograma produce una tambiénuna pendiente de 45° en la función delmejoramiento. Para este caso se puedetener una separación de coberturas masfacil a comparación con la banda 1, peroesto no es debido al mejoramiento sino ala información que se puede observardesde el comienzo en la imagen.

M ejoramiento Lineal M in M ax

B A N D A C ON M A YOR D ISP ER SIÓN (B A N D A 4)

75

Mejoramiento lineal por mínimo y máximo a las combinaciones de color

Mejoramiento de contraste a 0.5, 1, 2 y 3 Desviaciones Estándar.

Tabla 24 Datos mejoramiento de contraste según desviaciones estándar.

Banda 0.5σ 1σ 2σ 3σ

Min Max Min Max Min Max Min Max

B1 7900 8458 7623 8738 7334 9297 7334 9857

B2 7250 7934 6919 8276 6291 8962 6291 9647

B3 6361 7183 5951 7595 5774 8420 5774 9246

B4 12754 17060 10610 19221 6322 23543 5145 34443

B5 8635 11162 7377 12431 4923 14967 4923 17503

B6 6382 7739 6382 7739 4994 9781 4994 11142

A ntes M ejo ramiento Lineal M in-M ax

D espués M ejo ramiento Lineal M in-M ax A nálisis

Combinación con menor OIF(3,2,1)

Combinación con mayor OIF(4,5,1)

Se puede identificar que a pesar de realizarse el contraste de mejoramiento lineal por maximo y minimo el brillo que presenta la combinación de bandas con menor y mayor OIF no tiene un cambio significativo que permita una mejor visualización para separar las diferentes coberturas. No presenta un mejoramiento de contraste. Como ya se ha analizado en el punto anterior, los cambios de brillo y tono siguen siendo bajos y constantes con respecto a la imagen sin strech, por lo que dichas coberturas en ambas combinaciones de color se visualizan opacas; en tal sentido, no se puede observar un mejoramiento en las imagenes que permita una interpretacion de las sombras para identificar diferencias de alturas, como tampoco se observa con claridad en el caso de la imganes de menor OIF cambios en las texturas que diferencien las coberturas, la diferencia tonal para ambas imágenes es la misma y la separabilidad al interior de las coberturas se vuelve difusa impidiendo hacer una correcta identificación de las mismas. En definitiva, las imágenes con o sin mejoramiento por este método son las mismas.

76

Presentación de imágenes resultantes. Tabla 25 Imágenes resultantes del mejoramiento de contraste según desviaciones estándar.

0.5σ 1σ 2σ 3σ

IMAGEN MEJORADA A xσ

BANDA 1

BANDA 2

BANDA 3

77

BANDA 5

BANDA 6

BANDA 4

78

Comparación de los resultados (histograma e imagen) para la banda con mayor y menor dispersión. Tabla 26 Comparación de los resultados (histograma e imagen) para la banda con mayor

y menor dispersión

0.5σ 1σ 2σ 3σ

Ima

ge

nH

ist.

An

áli

sis

Banda

1

Se puede observar que los estiramientos que se realiza a el histograma de la banda del azul después de aplicar el mejoramiento por desviación estandar van tomando

cierta tendencia a una forma de campana, es decir, a seguir una distribución normal que hace que las tonalidades de las diferentes coberturas vayan perdiendo

caracteristicas de texturas. En la primera desviación se tiene una sobresaturación de la imagen dificultando la tarea de separar las coberturas, por su naturaleza

brillante en imagenes como es el caso para suelos y tejido urbano; mientras se va aumentando el valor de la desviación se puede identificar la perdida de información

para interpretar las sombras de las coberturas.Para la segunda desviación se tiene una mejor separabilidad de las coberturas a comparacion de la tercera y cuarta

imagen donde ya se aprecia una dificultad por que las coberturas han perdido en progresivamente su textura.

Imag

enH

ist.

Anál

isis

4

Apl icando una desviación estándar de 0.5 y 1 se obtiene una imagen sobresaturada, nótese que los his togramas asociados a dichas

desviaciones presentan un estiramiento exagerado, por lo que muchas coberturas en la zona tienen el mismo nivel visual , que no permite una

clara identi ficación y del imitación de las coberturas , se pierde información visual úti l a l momento de la interpretación. Obsérvese también que

los dos primeros his togramas presentan una pendiente bastante incl inada en comparación con las demás, por lo que la ganancia es mucho

mayor que 1, por lo que el rango tonal de la imagen es muy bajo con estos mejoramientos , ya que una gran cantidad de ND tienen asociados

niveles visuales blancos . En la desviación estandar de 2.0, el his tograma sufre un esti ramiento menos pronunciado haciéndolo más

normal izado, permitiendo mayor separabi l idad tonal , que permite que las coberturas más bri l lantes (aquel las cuyos niveles digi ta les son más

altos , por ejemplo, los suelos expuestos) se visual icen mejor, a di ferencia de los anteriores mejoramientos donde eran mezclados con pastos ,

cultivos y tejido urbano; as í mismo, los niveles digi ta les más bajos se visual izan más oscuros , ta l y como se observan ahora las superficies de

agua y las sombras que ya no son mezclados con la cobertura de bosques . Al apl icarle una desviación de 3, la forma del his tograma se

mantiene con respecto al inicia l y la perdida de valores de niveles digi ta les a l momento de visual izar es mucho más baja mejorando el

contraste de la banda en menor proporción que con la desviación 2, no obstante, dismiuye cons iderablemnete el bri l lo de las coberturas en

general .

79

Combinación de color con mayor y menor OIF mejorada

0.5σ 1σ

2σ 3σ

0.5σ 1σ

2σ 3σ

C o mbinació n OIF (3,2,1)

A nális is: Con 0.5 y 1 desviación estándar se presenta mucha saturación para la imagen haciendo difícil la identificación de las coberturas de pastos y suelos, ya que las dos presentan mucho brillo , esto sucede ya que aún hay muy pocos niveles digitales representados de cada banda. En el caso de 2 y 3 desviaciones estándar existe una mayor representación de los niveles visules, ya que el histograma no sufre de una ampliación suficiente para causar una sobresaturación y si un mejor contraste permitiendo diferenciar claramente las distintas coberturas, aunque con 3 desviaciones estandar existe mayor brillo y una mejor ganancia para hacer más clara la identificación de texturas, sombras y tonos de las coberturas.

A nálisis: Se observa que son muy significativos los diferentes mejoramientos por desviación estandar debido a que puede ser más facil identificar las coberturas de la zona, el mejoramiento por desviación estandar igual a 1, se puede identificar con un mayor brillo , mejor texturalas, más sombras y mejores tonos de las diferentes coberturas. M ientras que en la desviacion estandar igual a 2 y 3 las imagenes se vuelven opacas haciendo que las coberturas se puedan ver suavizadas en cuanto a sus texturas.

C o mbinació n OIF (451)

A ntes M ejo ramiento D espués M ejo ramiento

D espués M ejo ramientoA ntes M ejo ramiento

80

Imagen mejorada a partir de intervalos de significancia.

Tabla 27 Valores de la función de transformación.

}

M in M ax M in M ax M in M ax

B1 7855 8504 7784 8724 7855 8504

B2 6660 10426 6904 10426 7008 10426

B3 6074 9583 6228 8059 6286 7552

B4 5734 22921 5752 21286 5959 19479

B5 5198 15803 5205 15803 5205 15803

B6 5781 20459 5748 20460 5781 20459

Banda1% 5% 10%

1% 5% 10%

IMAGEN MEJORADA A PARTIR DE INTERVALOS DE SIGNIFICANCIA

BANDA 1

BANDA 2

BANDA 3

81

BANDA 5

BANDA 6

BANDA 4

82

Comparación de resultados (histograma e imagen) para la banda con mayor y menor dispersión.

1% 5% 10%Im

agen

His

t.A

nális

isIm

agen

His

t.A

nális

is

1

Este mejoramiento por intervalos de significancia permite diferenciar a medida que se aumenta el

porcentaje una mejor visualización de las diferentes coberturas, podemos observar que sus histogramas

van aumentando el tamaño por que se van eliminando niveles digitales atípicos.

4

En los tres histogramas se ve que el histograma se amplia, lo que permite diferenciar mejor las coberturas,

aunque se pierde información de las colas, el nivel visual de los pixeles ubicados a la derecha del

histograma crecio en comparacion con la imagen sin mejoramiento, por este motivo las imagenes son mas

bril lantes.

Banda

83

Combinación de color con mayor y menor OIF antes y después del mejoramiento.

A ntes M ejo ramiento

1% 5% 10%

A ntes M ejo ramiento

1% 5% 10%

A nálisis: En todos los casos existe ganancia, un buen mejoramiento de la zona como se aprecia en las imágenes. Al 1% de significancia es donde menos se observa brillo , las coberturas de bosque y vegetación arbustal no se diferencian con precisión. Con 5% y 10% el contraste mejora considerablemente y las coberturas presentan mayor brillo y mejoramiento en las intensidad y variación tonal y de textura, la pendiente de la función es bastante alta en estos dos casos. El mejor realce se encuentra con la representación del 95% de los niveles digitales, permitiento eliminar los niveles digitales atípicos o muy lejanos de la media y ampliando los histogramas en cada banda lo necesario para permitir diferenciar entre diferentes coberturas.


A nálisis: Se puede apreciar un mejoramiento significativo desde la primera transformación debido a que aumetan el brillo permitiendo una separabilidad más facil de las coberturas de interes, también este mejoramiento se puede observar en los siguientes porcentajes de 5 y 10, en donde cada vez que aumenta se elimina los valores atípicos de los niveles digitales para mejorar la presentación de los niveles visuales. Lo que permite que sea más facil identificar coberturas como son los bosques y pastos, también hay coberturas que al aumentar el porcentaje se pierde claridad en su textura y sombra como son los suelos.

C o mbinació n OIF (451)D espués M ejo ramiento

D espués M ejo ramiento

84

Ecualización del histograma.

Antes de la Ecualización Después de la Ecualización Antes de la Ecualización Después de la Ecualización

Imag

en

Imag

en

His

t.

His

t.

Aná

lisis

Aná

lisis

Ántes de la ecualización se tiene un histograma asimétrico positivo,

apuntalado, bimodal, con una alta probabilidad de ocurrencia en los

niveles digitales de valores bajose. Habiendo aplicado una

ecualización al histograma se obtiene un histograma bastante

extendido arrojando una imagen mucho más bril lante alterando

considerablemente las frecuencias de los niveles digitales haciendo

el dispersograma más disperso, en consecuencia, se tiene una imagen

sobresaturada en las cobeturas de suelo y pastos. En la imagen

ecualizada los suelos en general son los que adquieren mayor bril lo

por lo que es posible deducir que en dicha banda, los niveles

digitales que hacen parte de esta cobertura tienen más alta

ocurrencia.

Banda

1

Existe un mejoramiento considrable de la imagen, pero algunas

coberturas no se logran diferenciar por su alto contraste y bril lo

como es el caso de los suelos, bosques y el tejido urbano. En el

histograma antes de la ecualización se puede ver que presentaba una

unica moda, que luego es bastante alargado. Se puede identificar que

para la cobertura de agua tiene una presentación un poco más clara

de la zona que abarca, ya que hace mas bril lante todos los valores de

los niveles digitales al rededor.

Banda

2

85


Imag

en

Imag

en

His

t.

His

t.

Aná

lisis

Aná

lisis

4

Se observa claramente como se extiende excesivamente el histograma

de salida permitiendo observar las coberturas con niveles bajos

mucho más oscuras resaltando sombras y texturas en la imagen, así

como los cuerpos de agua donde se tiene una textura totalmente

uniforme; Los niveles digiales se distribuyen de manera casi

simetrica mostrando una forma acampanada y el histograma se

expande excesivamente por lo que sus niveles visuales son altos

tambien sobresaturando la imagen. La función de la ecualización

presenta una curvatura debido a que hay un pico en algunos niveles

digitales bajos y luego si toma la forma acampanada.

Banda

3

En esta imagen ecualizada también se tiene un estiramiento del

histograma por la función y es sobresaturada en los niveles visuales

que se mantiene haciendo que las coberturas de suelos, tejido urbano

y pastos no sean diferenciables, el agua adquiere niveles de gris

oscuros. El mejoramiento en bril lo es evidente con la amplificación

del histograma sin embargo excede el bril lo en algunas zonas. En el

histograma de la primera imagen se observa que es unimodal.

Banda


Imag

en

Imag

en

His

t.

His

t.

Aná

lisis

Aná

lisis

El histograma de la izquierda presenta una asimetría positiva, con

una concentración de niveles digitales en valores bajos, el

histograma ecualizado genera una imagen mucho más bril lante que

la original, ya que no tiene una concentración de datos como en el

caso de la banda 4, con una fuerte sobresaturación en la cobertura

de suelos y pastos. Funciona bien en la delimitación de las sombras y

cuerpos de agua, pues asigna una tonalidad negra, no obstante, es un

contraste que no permite extraer el máximo de información a

diferencia de otro tipo de constrastes que realzan las pequeñas

variaciones de gris, por lo que empeora la diferenciación o

separabilidad de las coberturas.

Banda Banda

5 6

El mejoramiento permite identificar y separar las diferentes

coberturas debido a que se aumenta el bril lo de la imagen lo que se

puede analizar en el estiramiento que presenta el histograma. Debido

a que presenta una concentración menor de los datos en los niveles

digitales se tiene una menor exageración del histograma por lo que

no es tan bril lante como la anterior imagen, por lo permite separar la

cobertura de pastos y bosques con un poco mas de facil idad. La

funcion de la ecualización presenta nuevamente un corte por la

presencia de algunos niveles digitales bajos.

86

Combinación de color con mayor y menor OIF antes y después del mejoramiento (ecualización del histograma).



A nális is: M uestra una diferenciación completa de los tipos de coberturas al resaltar los niveles digitales con mayor frecuencia en cada banda, Las diferentes coberturas se pueden diferenciar muy bien y se pueden hacer analisis de tipo de vegetacion ademas de analizar la vigorosidad de estas. Este mejoramiento no permite la perdida de información en esta combinación porque en cada banda los niveles digitales con mayor frecuencia cambian dependiendo de la cobertura y los niveles visuales que los representan se contrastan correctamente evitando la sobresaturación en estos, lográndo una diferencia tonal en las coberturas para el análisis que se desea realizar. Reduce también el contraste en las zonas naturalmente más brillantes u obscuras de la imagen que son asociadas a las co las del histograma, por lo que los niveles digitales se desplazan a un mejor nivel visual tal y como se observa en la imagen.


A nális is: Es notable el aumento de brillo por el mejoramiento de ecualización pero llega a ser sobresaturado para la zona de estudio y no permite una adecuada diferenciacion en algunas zonas de las diferentes coberturas. Se exagera to talmente la imagen aumentando caracteristicas de interpretación como las sombras, las texturas y los tonos, por ejemplo en algunas zonas donde se encuentra pasto pero por la ecualización parece más cercano a ser un suelo desnudo, en el caso de algunos bosque que dan una tonalidad verde como si fuera una vegetacion corta de tipo pasto.

C o mbinació n OIF (451)

87

Mejoramientos no lineales Función manual (ArcGis, ERDAS, etc).

Antes del mejoramiento Después del mejoramiento Im

agen

His

t.A

nális

isMAYOR

OIF

(4,5

,1)

Con este mejoramiento no lineal se puede observar que la cobertura

de bosque es más notable y se observa de color verde bril lante donde

está cobertura es más densa, para el caso de los arbustales se tienen

tonalidades anaranjadas, en la cobertura de agua se tiene

tonalidades azules oscuras, mientras que la cobertura de pastos se

tiene tonalidades rosada y la coberturas mas bril lantes como las

nubes y los suelos toma colores pasteles. Se puede observar que los

histogramas han sufrido un estiramiento importante aumentando el

bril lo y contraste que presenta la imagen total, se resalta muchas de

las coberturas con las que cuenta.

88

Mejoramiento no lineal de contraste aplicando la función de Gauss

El ajuste gaussiano supone el ajuste del histograma observado debe ser tratado mediante una distribución gaussiana, donde los niveles digitales que presenta la imagen son transformados por la siguiente función:

√ (

)

∑

representa la frecuencia del nivel digital, mientras que es la media de los niveles digitales y la variancia.

La ecualización Gaussiana ajusta automáticamente la línea de transformación para que los valores asignados de la imagen desplegada en pantalla correspondan a una función gaussiana en donde los valores se ubican con dicha distribución, caracterizándose por producir un histograma en forma de campana. La ecualización Gaussiana es útil cuando los datos se sesgan de tal manera que los rasgos pueden ser anormalmente oscuros o claros si estiró el histograma linealmente. Esta técnica previene saturación de luz o las áreas oscuras, y la mayoría de pixeles tienen valores de brillo de rango medio, con sólo unos pocos en la oscuridad extrema o las regiones de despliegue iluminadas.

Este mejoramiento relaciona el valor numérico de un píxel y su actual luminosidad, aporta la información para saber cuánto se iluminara u oscurecerá una imagen. Los valores más pequeños de desviación estándar producen más contraste y valores más altos menos contraste. (ER Mapper Tutorial, s.f)

89

Antes del mejoramiento

Gauss

Después del mejoramiento

Gauss

Imag

en

His

t.A

nál

isis

Cada una de las bandas se ecualiza independientemente, nótese que

las bandas 4 y 5 se expanden mucho más que la 1, lo cual aumenta el

bril lo en la imagen para los cañones en los que se visualizan dichas

bandas y permite una mejor diferenciaion entre las coberturas, por que

tiene un mejor contraste de tonos en los colores. Con este

mejoramiento, se aplica un mayor contraste que permite identificar la

cobertura de bosque en naranja oscuro, los suelos verdes, los pastos

en colores naranjas claros, y las superficies de agua de un color azul

oscuro.

MAYOR

OIF(4

,5,1

)

90

Mejoramiento no lineal de contraste aplicando la función de Gamma

La corrección gamma es relevante si el desplegado de una imagen en un monitor es de importancia. Las imágenes que no son corregidas pueden parecer muy oscuras o muy claras. Para reproducir los colores correctamente se requiere de la corrección gamma ya que ésta no sólo cambia el brillo sino también las relaciones entre rojo, verde y azul.

Donde gamma es el factor de corrección. Para corregir información previamente corregida, este valor puede ser el recíproco del factor gamma original y Escala que es el valor multiplicador que es aplicado a cada pixel de salida. Este incrementa uniformemente (valores mayores a 1) o disminuye (valores menores a 1) el brillo de la imagen de salida (En línea, s.f).

91

Antes del mejoramiento

Gamma

Después del mejoramiento

Gamma

Imag

en

His

t.A

nál

isis

La implemetación de este mejoramiento puede ser útil en nuestra

problematica debido a que nos permite observar el área ocupada por

la represa de hidrosogamoso, ya que resalta más la cobertura de agua

a diferencia de la imagen sin mejoramiento. El histograma del

infrarrojo cerca que en este caso en el cañon del rojo esta sobre

saturado lo que hace la cobertura de agua tome una tonalidad de

rosado en donde se tiene mas profundidad mientras que en las zonas

donde no tiene una profundidad cosiderable tome un color blanco. La

cobertura de bosque toman tonalidades en los niveles visuales de cian,

mientras coberturas de pastos y suelos toman tonalidades de azul rey.

Para las nubes toma tonalidades oscuras ya que estas zonas tienen en

principio demasiado bril lo y las sombras se ven el amarillo.

MAYOR

OIF

(4,5

,1)

92

CALIBRACIÓN DE LA IMAGEN. Se implementó un modelo que linealizó (escaló) a 8 bits cada una de las bandas de la imagen multiespectral. Para el escalamiento de la imagen se debe usar la siguiente formula:

(

)

Después de usarla se obtiene la imagen en 8 bits.

Conversión de Radiancia a Reflectancia Aparente: Para este proceso se implementó un modelo desarrollado en el software ERDAS para implementar el proceso de calibración por el método de Método de Gain (Ganancia) y Offset (Sesgo).

Nuestra problemática es observada mediante datos del sensor Landsat 8 OLI, por lo que se presentará a continuación el modelo que permite calibrar la imagen objeto de estudio.

Figura 12 Modelo para calibración de la imagen.

93

Utilizando coeficientes de cambio de escala de reflectancia proporcionados en el archivo de metadatos de la imagen (archivo MTL). La siguiente ecuación se utiliza para convertir valores de niveles digitales en reflectancia aparente:

dónde: = reflectancia aparente, sin corrección para el ángulo solar. factor de cambio de escala multiplicativo se encuentra de acuerdo a la Banda específica de los metadatos (REFLECTANCE_MULT_BAND_x, donde x es el número de la banda) son valores de píxeles producto estándar cuantificadas y calibradas (ND). Luego, la reflectancia aparente se obtiene de:

Siendo el ángulo de elevación del sol consultado en el metadato de la imagen. Luego con el siguiente modelo se linealizó la imagen de Reflectancia.

Figura 13 Modelo de linealización de la imagen de reflectancia.

94

TRANSFORMACIONES. Generar nuevas “bandas” a partir de la información satelital original disponible, obteniendo nueva información que permita mejorar la interpretación de las coberturas presentes en la imagen. Son operaciones dirigidas a crear bandas artificiales, a partir de combinaciones entre las bandas originales de los datos; con el objeto de mejorar la discriminación de algunos aspectos temáticos dentro de la imagen. Obviamente, estas transformaciones no proporcionan información que no estuviera ya disponible en las bandas originales. No obstante, permiten mejorar la disposición de los datos, de forma que sean más evidentes determinados fenómenos de interés. (Sarria, 2000, Chuvieco, 1994, Jensen 1996).

Índices de vegetación.

Í N D IC E R epresentació n GR A Y R epresentació n P SEUD O A nálisis

Co

cien

te S

imp

le.

En las imágenes se evidencia que la

representacion en Pseudo nos

muestra en los niveles digitales

valores altos que relaciona la

presencia de la cobertura de bosques

o vegetación abundante, mientras

que los valores más bajos representa

la cobertura de agua, sombra y

suelos. Este indice es usado para

resaltar las coberturas de vegetación

en su forma, textura y tono.

No

rmal

izad

o d

e V

eget

ació

n

Se puede observar que la mayoria de

la escena es vegetación, mostrando

que se tiene diferencias de texturas

y sombras que separan las

coberturas de pastos y bosques o

incluso arbustalas. Además se dan

una representación muy notoria

dentro de la imagen a los cuerpos de

agua. La información de los suelos es

casi nula debido a que normalmente

estan rodeados de vegetación.

95

Otros índices.

Í N D IC E R epresentació n GR A Y R epresentació n P SEUD O A nálisis

TNDVI

En el area de estudio se encuentra ocupada por

gran cantidad de areas con vegetación, donde es

importante determinar sus aspectos fisicos como la

vigorosidad para entender alguno de los efectos

secundarios que ha traido la presencia de la represa

en sus alrededores, como se puede evidenciar en la

representación gray donde se puede identificar que

la vegetacion carece de vigorosidad, por lo que

toma tonalidades claras. Para la cobertura de agua

se presenta en una tonalidad oscura que contrasta

facilmente con la vegetación.

SAVI

Se presenta un indice que nos permite identificar la

vigorosidad de la vegetación minimizando efectos

por terrenos desprovistos de ella. Como para

nuestra problemática se estudiara el cambio total

de todas las coberturas presentes se deben tener

herramientas que permitan identificar con facilidad

los tipos de coberturas. Este indice permite

identificar zonas expuestas, suelos secos, o

ausentes de cobertura vegetal pero se tiene una

compensación de la linea de suelo en bandas del

IRC Y Rojo.

96

Transformación Tasseled Cap. Espacio de características para las bandas IRC y R.

Figura 14 Espacio de caracteristicas Tasseled cap.

97

Componentes obtenidos de la transformación Tasseled Cap se hizo un análisis de las características de las coberturas identificadas en cada componente .

Imagen C o mpo nente de la transfo rmació n A nálisis General C o bertura A nális is po r C o bertura

Agua

Contiene los valores mas bajos en los niveles digitales sobre todo en aguas menos sedimentadas,ya que no es posible identificar el brillo del suelo en esta cobertura.

Pastos

Poseen bastante brillo del suelo, contienen valores altos en sus niveles digitales por la baja altura de esta clase de vegetación

Suelo

Es la cobertura con valores mas altos ya que el suelo se encuentra to talmente descubierto y permite identificar todo su brillo .

Sombra

Se encuentran valores bajos ya que no permite identificar la presencia de suelo debajo de esta cobertura por su recubrimiento.

Nubes

Es muy brillante tiene valores altos y presenta cierta difuminación con las coberturas de suelos, pastos o vegetación corta.

Bosques

Esta cobertura no se identifica claramente en la imagen, contiene valores altos en sus niveles digitales similares al suelo urbano pero con una textura lisa.

Agua

Contiene valores bajos en los niveles digitales sobre todo en aguas menos sedimentadas,siendo esto coherente ya que esta cobertura no cuenta con vigor en vegetacion

PastosSus valores en los niveles digitales son muy bajos entre los 30 y 40 inicando su baja vigorosidad

Sombra

Se encuentran valores bastante bajos y es dificil su identficacion en la imagen, esta cobertura no permite identificar la presencia de vigor vegetal debajo de ella por su alta absortividad.

Nubes

Presentan bastante brillo por no permite identificar facilmente la separabilidad de esta cobertura con la cobertura de pastos o suelos.

SueloM uestra una baja vigorosidad ya que es suelo seco que se encuentra en proceso para una siembra posterior

Bosques

Es la cobertura con valores mas altos mostrando su alta vigorosidad y siendo facilmete identificable en la imagen

Agua

Es la cobertura con valores mas altos mostrando su gran humedad e identificando la gran cantidad de afluentes que se encuentran en la zona de estudio.

Pastos

Los valores de los niveles digitales son bajos estando entre los 20 y 45, es decir que contienen baja humedad y se encuentran secos.

Sombra

Esta cobertura no es identificable en la imagen, es decir que pasa imperseptible en los calculos de esta banda.

Bosques

Es la cobertura con valores altos m ayores a 180 mostrando su alta humedad por estar ubicados cerca a los afluentes y su alta capacidad de absorcion de agua.

Nubea

No se logra diferenciar debido a la humedad presente en esta cobertura y presente en las coberturas cercanas como son la cobertura de bosques

Suelo

Tiene valores muy bajor en sus niveles digitales menores a 10, es decir que no contienen humedad por estar secos.

Brillo: Hay zonas dentro de la imagen que

no expresan una transformación de brillo

ya que la mayoria de la zona de estudio

esta cubierta por vegetación y por la

cobertura de agua que es producida por la

represa, por lo que solo se puede

identificar algunos suelos y vegetación de

alturas muy bajas con niveles digitales

altos. Las nubes presentes en la zona

parecen difuminarse con la presencia de

suelos a su alrededor. Para nuestra

problematica es muy util ya que resalta

las dimensiones que son abarcadas por la

cobertura de agua, debido a que tienen

valores bajos.

Verdor:En esta banda que muestra el

verdor vegetal, la gran mayoria de los

niveles digitales se concentran en los

valores altos, indicando la gran cobertura

de vegetación que se presenta en nuestra

area de estudio, algunas zonas cubiertas

de vegetacion tienen mejor vigor que

otras como es el caso de las zonas de

bosque. La zonas que no son vegetacion

presenta niveles digitales bajos, como el

agua, que aparece negra con valores de

nivel digital de 1, los suelos tambien

presentan niveles digitales muy bajos.

Humedad: Esta banda indica que la zona

de interes se encuentra con un nivel alto

de humedad, ya que la mayoria de los

niveles digitales se concentran en valores

altos, siendo esto evidente en la imagen

por la cantidad de agua presente por la

represa Hidrosogamoso. Las zonas mas

secas o faltas de humedad se encuentran

en la prate de superior derecha con

niveles digitales de bajos como, 5 por

ejemplo.

98

Análisis de la combinación de color Tasseled cap. Se presentó y analizó la combinación de color de las bandas de la transformación TC (bandas de Brillo, verdor y humedad), y se explicó a que se deben las características (color) de las coberturas de acuerdo a los componentes de la transformación.

Imagen C o mpo nente de la transfo rmació n C o bertura A nálisis po r C o bertura

Agua

Agua se Identificable muy bien, las superficies y los cuerpos de agua se observan de color azul, esta cobertura resalta en comparación con las demas coberturas debido a que es una zona donde las bandas de humedad, verdor y brillo tiene valores muy diferentes al resto de la imagen pero donde la mayor cantidad de información la aporta la banda de humedad que esta saliendo por el cañon del azul.

Pastos

los pastos se observan de tono naranja claro hasta el amarillo , esto, según el estado de crecimiento que presente donde pasto muy alto se observa en tonos naranja claros, muy baja en tonos naranjas mas oscuros.

Sombra

toma tonalidades azules ya que representa zonas oscuras sin información es decir con niveles digitales oscuros que no tienen brillo , ni verdor, ni humedad pero que por tener valores tan bajos se agregan a la cobertura de humedad, se debe tener precaucion de no confundir con la cobertura de agua.

Bosques

Los bosques adquieren el azul claro más intenso al combinar las bandas de verdor y humedad que estan en el cañon del verde y azul respectivamente, se observa que dichos bosques son bastante humedos en la zonas donde toman una azul mas oscuro.

Suelo

Presenta tonalidades ro jizas que se debido a que son zonas muy brillantes y esta banda esta saliendo por el cañon del ro jo. Se debe tener cuidado con no confundir con areás cubiertas por nubes ya que estas tambien tienen niveles altos de brillo .

Nubes

Se observa en tonalidades ro jizas debido al brillo que tiene esta cobertura en la imagen, esta información tiene salida por el cañon del ro jo, tener precaucion de no confundir con la cobertura de suelos que presentan casi los mismos tonos pero por textura se pueden diferenciar

99

Análisis de la Transformación Componentes Principales

Tabla 28 Presentción de los Valores Propios, y la matriz de autovectores.

VALORES DE LOS AUTOVALORES DE CADA COMPONENTE ( archivo .tbl)

λ1 λ2 λ3 λ4 λ5 λ6

0,0167825058652 0,0021126534607 0,0002908338130 0,0000151101932 0,0000082343143 0,0000035257938

VALORES DE LOS AUTOVECTORES CALCULADOS ( archivo .mtx)

0,032646177 -0,233554738 -0,502498195 -0,113400598 0,774406108 -0,281633554

0,071647305 -0,280292785 -0,480086649 -0,285639732 -0,164620065 0,759690467

0,070955599 -0,388979679 -0,426071895 -0,006361626 -0,598273714 -0,551498817

0,850188932 0,468625161 -0,219615574 0,089579042 -0,030827837 -0,019065063

0,470417159 -0,512314061 0,528091134 -0,477188405 0,075652801 -0,062686785

0,211311783 -0,483226354 0,09145418 0,818398802 0,092683736 0,187373639

Analizar la varianza retenida por cada Componente.

La mayor cantidad de varianza retenida se encuentra en el primer componente con un 87 por ciento, mientras que en los componentes 2 y 3 un 11 por ciento siendo los demás no significativos.

Factores de carga Calculo de los factores de carga de los Componentes obtenidos. Análisis de las correlaciones (factores de carga) de cada uno de los componentes obtenidos y las bandas de la imagen.

λ1 λ2 λ3 λ4 λ5 λ6 Total

% varianza 87,35036252 10,99603642 1,513745278 0,078646232 0,04285834 0,018351214 100%

VARIANZA RETENIDA POR CADA COMPONENTE

100

Tabla 29 Matriz de factores de carga.

5. MATRIZ DE FACTORES DE CARGA

CP 1 CP 2 CP 3 CP 4 CP 5 CP 6

Banda 1 0,2904503

2 0,7372485

8 0,5885292

9 0,0302734

2 0,1526137

3 0,0363181

7

Banda 2 0,5167839

7 0,7173098

9 0,4558509

3 0,06182077

-0,0263013 0,07942293

Banda 3 0,4281446

8 0,8327536

1 0,3384393

2 -0,0011518 0,0799630

1 0,0482334

7

Banda 4 0,9808439

5 0,1918208

5 0,0333535

2 0,0031009

7 0,0007877

9 -0,0003188

Banda 5 0,9236928

2 0,3569163

3 0,1365046

1 0,0281151

8 0,0032904

5 0,0017841

1

Banda 6 0,7726374

5 0,6268857

3 0,0440199

6 0,0897891 0,0075065

6 0,0099302

6

101

Análisis

CP 1

El componente uno tiene una alta correlación con los infrarrojos, las bandas 4,5 y 6 en forma

positiva, lo que permite diferenciar muy bien los cuerpos de agua. Con las bandas 2 y 3 tiene una

correlación media. La Banda 1 tiene una correlación baja. En este componente se manifiesta

la mayor correlación con la banda 4 y 5.

CP 2

En el componente dos existe una alta correlación con la banda 1, 2, 3 y 6 es opuesta (negativa).

Permite diferenciar algunas coberturas como pastos y suelos. En este componente se manifiesta la mayor correlación con la banda 1, 2 y 3. La

correlación con la banda 4 y 5 es baja.

CP 3

En este componente se ve una relación media en la banda 1 y 2, es opuesta (negativa). Correlación baja

con la banda 3 (opuesta) y 5. Además no significativa con la banda 4 y 6.

CP 4 En este componente no existe una correlación

significativa con ninguna de las bandas.

CP 5 En este componente hay una correlación baja con la banda 1. Y una no significativa con las demás

bandas.

CP 6 En este componente no existe una correlación

significativa con ninguna de las bandas.

102

Análisis visual ¿Corresponde lo observado visualmente con el análisis de los factores de carga?

Imagen C o mpo nente P rincipal A nális is General C o bertura A nális is po r C o bertura

Agua

Se diferencia claramente, con valores muy

bajos de radianza, tomando un color negro

fuerte.

BosquesEs dificil diferenciar las cobeturas vegetales,

por lo tanto el bisque es dificil.

Pastos Es dificil diferenciar las cobeturas vegetales,

no se diferencia tampoco por la textura.

NubesSe ve blanca totalmente y la forma esta

bien bien definida.

Suelo No se logran diferenciar

SombraLa sombra se ve muy oscura, con niveles

similares al del agua

AguaSe alcanza a diferenciar la forma, y dos

tipos de agua.

BosquesTiene tonos claros y se ve una textura

delgada.

Pastos Se ven oscuros diferenciandose fuertemete

de otro tipo de vegetación.

NubesSe ven blancas y brillantes pero se pierde un

poco de su forma original.

Sombra Se ve oscura y su forma es irregular.

Agua

Se alcanza a diferenciar las formas y dos

tipos de agua , su tono es similar al de la

vegetacion.

BosquesTiene tonos medios de gris y una textura

fina.

Pastos Los pastos se ven brillantes y se difrencian

muy bien de la vegetación con mayor altura.

Nubes No se ven, ni se logra diferenciar su forma.

SueloTiene tonos oscuros, los mas oscuros dela

imagen.

SombraSe ve oscura con niveles digitales muy

parecidos a los de agua y suelo.

Muestra claramente la

diferenciacion de algunas

coberturas. En cuanto a la

vegetación no se pueden

diferenciar bien las

coberturas, ni de los pastos,

ni los bosques .

Se percibe la diferenciacion

de algunas coberturas. En

cuanto a la vegetación se

puede diferenciar los pastos

de los bosques.El sueki

descubierto se ve negro

como los pastos. El agua

represada tiene un tono gris

medio.

Se hace difícil diferencias

visualmente algunas

cobertras como el agua y

los bosques, en este

componente los pastos se

ven blancos a diferencia de

las demas coberturas, los

suelos son negros.

103

Combinación de color La combinación de color obtenida con los componentes con mayor variabilidad retenida se presenta y analiza a continuación.

Figura 15 Composición de color componentes principales (RGB 123).

CLASIFICACIÓN SUPERVISADA

En el proceso de clasificación supervisada se toman regiones específicas sobre la imagen que constituyan muestras homogéneas de las coberturas de interés. De acuerdo a dichas muestras también conocidas como área de entrenamiento por el intérprete (conocidas con anterioridad) usan las características espectrales de estas áreas para entrenar el algoritmo clasificador para su posterior identificación de las coberturas presentes en la imagen. (Mehdawi & Ahmad, 2012).

Utilizando el software PCI se realizó una clasificación supervisada, donde es necesario hacer un muestreo de las coberturas diferenciadas (Bosque primario, Bosque secundario, Rastrojo bajo, Rastrojo Alto, Pastos, Agua, Suelo y una clase denominada sin información).

Clasificación con el método del paralelepípedo Se hizo la clasificación con el método del paralelepípedo, Utilizando este algoritmo, los pixeles de las bandas espectrales a una u otra clase con base en un rango determinado a partir de las medias muestrales y el rango de dispersión denido por la desviación estándar de cada banda. La forma de asignación es de paralelepípedos multidimensionales (Posada, 2008) .

104

Se dice que un pixel pertenece a determinada clase temática si éste se encuentra dentro del intervalo de asignación definido como:

Donde es la desviación estándar de la muestra de la clase c en la banda k, es el nivel digital del ij-ésimo pixel en la banda k y es la media de la clase c en la banda k. Dentro de los métodos numéricos de evaluación estadística de las áreas de entrenamiento se encuentran los criterios de divergencia transformada y la distancia de Bhattacharya, los cuales calculan con base en medias, varianzas y covarianzas el grado de separabilidad espectral entre las categorías, el mayor valor del criterio indica mayor separabilidad entre estas. (Posada, 2008).

Posteriormente se hizo una edición con máscaras, que permitió realizar un filtro modal de 3 x 3 para reducir el ruido en la imagen. Con esos filtros se hace la evaluación de exactitud temática con puntos aleatorios, en este caso para los dos mapas temáticos se tomaron 152 puntos en toda la imagen para obtener el grado de concordancia.

Para la realización de la clasificación es fundamental escoger apropiadamente el espacio de características para obtener una buena clasificación, debido a las coberturas presentes en las imágenes se escogió la transformación Tasseled cap y los índices de vegetación y de agua respectivamente los cuales se unieron con la función LayerStack de ERDAS para así obtener una imagen óptima para separar y cuantificar posteriormente las coberturas.

En el proceso de clasificación es de suma importancia analizar la separabilidad de las coberturas en el momento en que se realiza el proceso del muestreo con el Software PCI, por que indica si el muestreo está bien realizado. En nuestro caso la separabilidad entre las coberturas es aceptable debido a que presenta valores entre 1,8 y 2 desviaciones estándar.

En la matriz de separabilidad de la imagen de 2001 Figura 16, las coberturas son muy separadas las unas de las otras por sus valores tan cercanos a dos e iguales a dos, la mínima separabilidad esta entre los pastos y el suelo.

105

Figura 16 Matriz de separabilidad imagen 2001 del software PCI.

En la matriz de separabilidad de la imagen de 2015 Figura 17, las coberturas están bien separadas, indica que hay buenas muestras Tienen valores muy cercanos a 2 desviaciones estándar. La mínima separabilidad esta entre Rastrojo Bajo y Bosque primario.

Figura 17 Matriz de separabilidad imagen 2015, PCI

Con el software PCI al clasificar después de clasificar y hacer la edición, aplicando filtros a la imagen, se evaluó el coeficiente kappa con 152 puntos aleatorios, al hacer esto el kappa para el mapa temático de 1986 fue de 0,869 y para el mapa tem´atico de 1997 fue de 0,864,

Esto quiere decir que fue una buena clasificación y que las coberturas se pueden diferenciar entre sí. Las matrices de confusión y omisión resultantes se presentan a continuación.

El análisis de la bondad de la clasificación se realiza con las matrices anteriormente presentadas, especialmente con las de comisión y omisión. En la matriz de comisión se observa que la cobertura de Rastrojo es la que tiene menor exactitud con un 40% de los pixeles clasificados correctamente. Esta cobertura se confunde el 60% de las veces con la de Bosque 2. La cobertura de Pastos tiene una exactitud del 67%, esta se confunde el 33% de las veces también con el Bosque 2. Las demás coberturas se encuentran por encima del 60%, salvo Suelo y Marea, las cuales no estuvieron dentro de los 152 puntos aleatorios utilizados.

106

La matriz de omisión muestra que la cobertura de Suelos no presenta confiabilidad pues tiene un 0% de resultados confíables, ya que el 100% se confunde con Bosque 1. Las coberturas de Bosque 2 y Rastrojo tienen un 74% y 67% de resultado confíable, respectivamente. En el caso de Bosque 2, esta cobertura se confunde con Rastrojo en un 17%, con Bosque 1 en un 7% y con Pastos en un 3% de los casos. Por su parte, Rastrojo se confunde con Bosque 2 en un 33% de los casos. Las demás coberturas presentan un 100% de resultados confíables, salvo Marea, la cual no cuenta con pixeles aleatorios.

Para este caso, la cobertura con menor exactitud es la de Pastos con un 25%. Esta cobertura se confunde con Bosque 1, Rastrojo y Zona Urbana en un 25% de las veces cada una. La cobertura de Suelos presenta una exactitud media con un 67% y un 33% de confusión con la cobertura de Manglar. Las demás coberturas son superiores al 85%, lo cual quiere decir que más del 85% de las veces, estos pixeles son clasificados correctamente.

En lo que corresponde a la matriz de omisión, la cobertura con menor confiabilidad es Rastrojo con 57%, un 29% se confunde con Bosque 2, mientras que Bosque 1 y Pastos se confunden en un 7% de los casos cada una. Las demás coberturas presentan confiabilidad superior al 80%, lo cual hace que la clasificación sea confiable en la mayor parte de los casos.

Los mapas resultantes de la clasificación se presentaran en el capítulo de resultados Figura 22.

107

ANALISIS MULTITEMPORAL Despues de obtener los mapas temáticos ya filtrados se hizo el análisis multitemporal con el Software ILWIS.

En este caso las imágenes tenían diferente dimensión, filas y columnas, es por esto que se tuvo que hacer un re muestreo, esto se hizo para que se pudieran sobreponer los mapas y hacer un correcto análisis multi temporal pixel a pixel. Lo siguiente fue crear la tabla bidimensional donde se crearon las siguientes categorías:

Tabla 30 Categorías de análisis multitemporal

Reforestación Sequía Deforestación Inundación Descenso de agua

Esta tabla permitió introducir categorías a los posibles cambios, para así poder obtener el mapa de los cambios presentes en los años de estudio para cuantificar el cambio de coberturas.

Tabla 31 Áreas obtenidas del análisis multitemporal.

No. de pixeles % pixeles Area (m2) Sequía 454 0.09 4086

Descenso de agua 550 0.11 4950 Inundación 59475 12.41 535275

Reforestación 53665 11.20 482985 Deforestación 37982 7.92 341838

Al obtener el mapa de cambios entre los años 2001 y 2015 Figura 23 presentado en el siguiente capítulo, se pudo determinar que el fenómeno o cambio más signicativo fue el de Inundación con un porcentaje del 68.26% debido a la construcción de la represa Hidrosogamoso. Luego sigue un cambio de cobertura, de rastrojo bajo a bosques primarios y de Bosques primariosa Bosques secundarios.

108

Figura 18 Histograma fenómenos resultado de analisís.

Figura 19 Nivel de cambio de uso y coberturas.

109

RESULTADOS

Figura 20 Imágenes descargadas combinación RGB 453.

110

Figura 21 Imágenes resultantes transformación Tasseled cap.

111

Figura 22 Imágenes resultantes tras la aplicación de indice NDVI.

112

Figura 23 Imágenes resultantes tras la aplicación del indice MNDWI.

113

Figura 24 Mapas temáticos año 20012 y 2015. Fuente:Elaboración propia.

114

Figura 25 Mapa de análisis multitemporal.

115

ANÁLISIS DEL IMPACTO AMBIENTAL GENERADO POR LAS OBRAS DE LA HIDROELÉCTRICA RIO SOGAMOSO Y POR LAS ACTIVIDADES ECONÓMICAS

ALEDAÑAS

Para el análisis del impacto ambiental generado por las actividades económicas que se realizan en las zonas aledañas al embalse de la Hidroeléctrica del Rio Sogamoso, se revisaron de acuerdo a la cartografía del Sistema de Información Geográfica para la Planeación y el Ordenamiento Territorial (IGAC, 2008) las coberturas y usos de la tierra presentes sobre el embalse las cuales se encuentran bajo jurisdicción de los municipios de Betulia, Girón, San Vicente de Chucurí y Zapatoca, todos ubicados en el departamento de Santander en influencia con la cuenca del rio Sogamoso.

Conforme a lo presentado en la cartografía, se obtienen en general 10 coberturas de la tierra que enmarcan las actividades económicas que se realizan en la zona, de las cuales 5 de ellas impactan de manera directa con el embalse

Tabla 32 Coberturas presentes en la zona según el EOT.

TIPO USO

Cultivos transitorios

TIERRAS EN

Áreas en agricultura heterogénea

AGRICULTURA

Cultivos semipermanentes y

permanentes

TIERRAS EN BOSQUES Bosques naturales

TIERRAS EN PASTOS Pasturas

Aguas contaminadas

Arbustales

116

OTROS USOS Herbazales

Vegetación secundaria

Áreas urbanas

Analizando el cambio en el uso y cobertura debido a la construcción de la represa el agua, es la cobertura que predomina en la zona en la actualidad, por lo cual merece desde ahora una atención y medidas especiales a nivel de ordenamiendo y planeación territorial. De acuerdo con las actividades anteriormente presentadas, se hace una revisión de los indicadores que evalúan la calidad del agua de acuerdo con lo planteado en el Estudio de Impacto Ambiental del Proyecto Hidroeléctrico Rio Sogamoso (ISAGEN, 2008), Decreto 1575 de 2007 (MPS & MAVDT, 2007) y la Resolución 2115 de 2007 (MPS & MAVDT, 2007). Con base a los indicadores planteados se revisan los impactos de estos a la calidad del agua del embalse de acuerdo a su distribución en el espacio.

INDICADOR CANTIDAD PERMITIDA

Plomo <0,010 mg/L

Potasio 2,56 mg/L

Selenio <0,001 mg/L

Sodio 8,78 mg/L

Solidos Disueltos 146 mg/L

Solidos sedimentables 0,1 mL/L-h

Solidos suspendidos totales 66 mg/L

117

Solidos Totales 269 mg/L

Sulfatos 41,6 mg/L

Tensoactivos <0,20 mg/L

Turbiedad 106 NTU

Zinc 0,05 mg/L

Coliformes fecales 500 NMP/100 mL

Coliformes totales 5000 NMP/100 mL

Acorde con la matriz de impactos, se establece que los impactos más relevantes están dados por la relación y la confluencia entre las actividades ganadera y agrícola plasmadas en zonas de pasturas y con cultivos transitorios y mixtos al igual que con la vegetación secundaria que suele estar asociada a zonas degradadas. De la misma manera se tiene que los principales impactos están dados por la confluencia entre las actividades agrícolas y ganaderas, lo cual deja una relación clara sobre la relación de dichas actividades. Es importante destacar que el bosque natural es la cobertura que menos impacto genera a la calidad del agua y que por el contrario, se ve influenciado por daños generados por las actividades agrícolas y ganaderas que ejercen fuertes presiones sobre la calidad del agua en el embalse.

La Central utiliza las aguas del río Sogamoso en la generación de energía eléctrica mediante la construcción de una presa de 190 m de altura y una casa de máquinas subterránea con las tres unidades de generación más grandes de Colombia. Posee 820 MW de capacidad instalada y una generación media anual de 5.056 GWh-año, es la cuarta hidroeléctrica con mayor capacidad instalada en Colombia que incrementará la producción de energía alrededor del 60% y pondrá al servicio de los colombianos cerca del 8,3% de la energía que consumen en un año.

118

ANALISIS DE LA AFECTACION AL AGUA DEL EMBALSE

El desarrollo a gran escala de la deforestación, la urbanización y la infraestructura como resultado del crecimiento acelerado de la población, y las aspiraciones de la gente, han generado un gran impacto en los ecosistemas acuáticos a menudo más allá de la capacidad de amortiguación del medio ambiente.

Una de las afectaciones al agua del embalse se debe a la acumulación de sustancias toxicas, esto debido a la utilización de fertilizantes en las actividades agrícolas, los cuales por su composición química alteran el estado original del embalse. Estas sustancias además de ser nocivas para la salud y bienestar humano, contribuyen a la alteración de indicadores como el pH y la temperatura, lo que afecta la capacidad de las aguas de contener organismos básicos en las cadenas tróficas para el desarrollo de la fauna del embalse.

Las modificaciones de uso de la tierra afectan el escurrimiento superficial, humedad del suelo, la evaporación y el agua subterránea. La canalización de los ríos, la reducción de áreas de inundación y el drenaje de humedales causan serias modificaciones en los patrones de flujo de agua, nutrientes, sedimentos y contaminantes. Estos procesos reducen la biodiversidad y la integridad biótica en el embalse.

Las actividades relacionadas al bosque; como el aprovechamiento forestal altera o suprime componentes naturales asociados al paisaje, generando modificaciones en el ritmo de sedimentación, debido a que una disminución en la cobertura vegetal facilita y aumenta la escorrentía superficial que lleva consigo todo tipo de sedimentos que desembocan en el embalse, incrementando el ritmo y la magnitud de los sólidos suspendidos en el mismo.

En lo concerniente a las áreas urbanas el embalse se ve afectado por el vertimiento directo de aguas residuales domésticas.

119

ELEMENTOS ESTRUCTURANTES SOPORTE FÍSICO NATURAL:

1. Áreas de reservas:

Serranía

de la Paz

Cuchilla del ramo

Mapa 6: Áreas del DMI con hidrosogamoso

Como observamos en el mapa anterior el embalse afecta el área del Distrito de Manejo Integrado los Yariguies ya que abarca parte de la serranía de la Paz en el municipio de Betulia, Santander.

2. Componentes relevantes del sistema hídrico:

Figura 26 Drenajes afectados con la presencia de hidrosogamoso en Betulia, Santander

120

Como se puede observar en el mapa el embalse abarca diferentes drenajes y ríos, los ríos más afectados con la construcción del embalse con el Rio Chucuri y el Rio Sogamoso. Entre las quebradas afectadas esta la Quebrada los cacaos, La Chafarota, La Comba, La Máquina, La García, La Lorena, Hedionda, Del Medio, entre otras.

ESTRUCTURA ECOLOGICA PRINCIPAL

La estructura ecológica principal es el conjunto de elementos bióticos y abióticos que dan sustento a los procesos ecológicos esenciales del territorio, donde el objetivo es la preservación, conservación, uso y manejo sostenible de los Recursos Naturales.

20

121

A continuación se presentará algunos de los elementos importantes en la estructura ecológica principal del municipio:

Sistema Hídrico:

Figura 27 Sistema Hídrico antes y despues del embalse.

Como se puede Observar en el mapa el embalse pasa a ser parte de la estructura ecológica principal del municipio, eliminando algunas quebradas de esta y el Rio Chucuri.

122

Áreas de Conservación y protección:

Figura 28 Comparación con y sin hidrosogamoso de áreas de conservación y protección

Según lo que se observa del mapa el embalse afectaría una pequeña poción de las áreas forestales, por lo tanto no alteraría demasiado este aspecto de la estructura ecológica principal. Para mayor detalle se debe revisar y documentar las acciones actuales por parte de la empresa y los impactos que se generan en cuanto al cambio de elementos estructurantes o de la estructura ecológica principal.

123

RECOMENDACIONES Y CONCLUSIONES

Conclusiones Se puede apreciar por medio de este estudio el efecto significativo en la zona de influencia de la represa Hidrosogamoso. Se aprecia un cambio ambiental notable debido a la nueva área que paso de ser Rastrojos Bajos, pastos y Bosques a una zona completamente inundada.

La deforestación e inundación son fenómenos importantes a analizar debido a que 341.838 metros cuadrados de cobertura vegetal fueron quitados debido a la intervención humana.

El impacto generado por la construcción de está represa obliga a replantear el ordenamiento del municipio, y a generar nuevo proyectos que solucionen problemas generados directamente por el embalse.

PROPUESTAS DE SOLUCIÓN A PROBLEMÁTICA AMBIENTAL ESTIMADA

1. Diseñar obras de ingeniería encaminadas al manejo del agua, canales de conducción hídrica y estructuras complementarias de alcantarillado así como obras destinadas para la captación y el manejo de vertimientos en el agua.

2. Implementar sistemas no convencionales de recolección, transporte y tratamiento de aguas residuales domésticas para la zona urbana y rural.

3. Formular e implementar proyectos complementarios en los que se haga una revisión

profunda de los impactos que generan las actividades agrícolas y ganaderas para incentivar a la formulación de planes de manejo ambiental enfocados hacia la sostenibilidad de dichas actividades, proporcionando mecanismos y ayudas técnicas que minimicen los daños que generan a la calidad del agua, propendiendo en si por el manejo de los residuos.

4. Incentivar el desarrollo y puesta en marcha de sistemas de producción mixtos en los que las actividades económicas como la agricultura y la ganadería integren otro tipo de actividades dentro de su esencia para que pueden generar mayores ingresos a quienes las ejercen y que de la misma manera sean sostenibles con el medio aportando a la regulación del ciclo hídrico y a la protección de los componentes edáficos con el fin de que no se produzcan lavados y daños al agua.

124

5. Redefinir las Áreas Periféricas a Nacimientos, Cauces de Ríos, Quebradas y Corrientes que conforman el Sistema Hídrico con la adición del embalse: Corresponden a las franjas del suelo de aislamiento y protección, ubicadas en una extensión de 30 metros a lado y lado (a partir de la cuota máxima de inundación) de los cauces de agua y en 100 metros de la periferia de los nacimientos, aljibes y cuerpos de agua, que conforman el sistema hidrográfico de Betulia.

6. Redefinir las Áreas de amenazas naturales teniendo en cuenta la puesta en funcionamiento de la represa.

7. Redefinir las Áreas de importancia cultural: Dentro de una prospectiva territrial se puede hacer sociedad al rededro del nuevo embalse, encaminadolo hacia un aspecto cultural donde prime el desarrollo ecoturistico permitiendo que hogareños y visitantes puedan disfrutar del nuevo ordenamiento territorial generado por el embalse.

8. Redefinir las Áreas forestales Protector – Productor: Son áreas en las cuales los suelos presentan limitaciones para el uso agrícola y pecuario. Su finalidad es proteger los suelos y demás recursos naturales, pero pueden ser objeto de usos productivos, sujetos al mantenimiento del efecto protector.

9. Redefinir las Áreas agropecuarias que pueden afectar la calidad del agua.

125

Bibliografía Ardila Valderrama, N. S., & others. (2014). Como el agua entre los dedos. Estudio de los

impactos de un proyecto hidroeléctrico, y de las frágiles y débiles acciones colectivas en la defensa de un río: Caso Hidrosogamoso. Recuperado a partir de http://repository.urosario.edu.co/handle/10336/4961

Baig, M. H. A., Zhang, L., Wang, S., Jiang, G., Lu, S., & Tong, Q. (2013). Comparison of MNDWI and DFI for water mapping in flooding season. En Geoscience and Remote Sensing Symposium (IGARSS), 2013 IEEE International (pp. 2876–2879). IEEE. Recuperado a partir de http://ieeexplore.ieee.org/abstract/document/6723425/

Bense T. (2007). Indices n-dimensionales, Tasseled cap. Crist, E. P., & Cicone, R. C. (1984). Application of the Tasseled Cap concept to simulated

thematic mapper data.[transformation for MSS crop and soil imagery]. Recuperado a partir de https://ntrs.nasa.gov/search.jsp?R=19840046937

Fonseca, J. J., & Gómez, S. M. (2013). Análisis multitemporal mediante imágenes Landsat caso de estudio: cambio de área laderas de la Ciénaga de Tumaradó Parque Natural Los Katíos (B.S. thesis). Universidad Militar Nueva Granada. Recuperado a partir de http://unimilitar-dspace.metabiblioteca.org/handle/10654/9268

Huang, C., Wylie, B., Yang, L., Homer, C., & Zylstra, G. (2002). Derivation of a tasselled cap transformation based on Landsat 7 at-satellite reflectance. International Journal of Remote Sensing, 23(8), 1741–1748.

Jensen, J. R. (1986). Introductory digital image processing: A remote sensing perspective. Univ. of South Carolina, Columbus. Recuperado a partir de https://www.osti.gov/scitech/biblio/5166368-introductory-digital-image-processing-remote-sensing-perspective

Kirchherr, J., & Charles, K. J. (2016). The social impacts of dams: A new framework for scholarly analysis. Environmental Impact Assessment Review, 60, 99-114. https://doi.org/10.1016/j.eiar.2016.02.005

Palacios Bermúdez, E. (2016). Análisis multitemporal en la cobertura boscosa de la zona norte del departamento del Chocó 1990-2014. Recuperado a partir de http://ridum.umanizales.edu.co:8080/jspui/handle/6789/2459

Pettorelli, N., Ryan, S., Mueller, T., Bunnefeld, N., Jędrzejewska, B., Lima, M., & Kausrud, K. (2011). The Normalized Difference Vegetation Index (NDVI): unforeseen successes in animal ecology. Climate Research, 46(1), 15–27.

Ramírez Zapata, A., & others. (2015). Análisis multitemporal mediante sensores remotos de cobertura de la tierra para el periodo de tiempo 1999-2011 en el municipio de San Jacinto, Bolívar (B.S. thesis). Universidad Militar Nueva Granada. Recuperado a partir de http://repository.unimilitar.edu.co/handle/10654/6318

Rembold, F., Carnicelli, S., Nori, M., & Ferrari, G. A. (2000). Use of aerial photographs, Landsat TM imagery and multidisciplinary field survey for land-cover change analysis in the lakes region (Ethiopia). International Journal of Applied Earth

126

Observation and Geoinformation, 2(3–4), 181-189. https://doi.org/10.1016/S0303-2434(00)85012-6

Romero, F. S. (2016). La Teledetección satelital y los sistemas de protección ambiental. Revista AquaTIC, (24). Recuperado a partir de http://revistaaquatic.com/ojs/index.php/aquatic/article/view/212

Stoeser, D. B., Green, G. N., Morath, L. C., Heran, W. D., Wilson, A. B., Moore, D. W., & Gosen, B. S. V. (2005). Preliminary integrated geologic map databases for the United States. US Geological Survey, Open-File Report, 1351. Recuperado a partir de http://ulpeis.anl.gov/documents/dpeis/references/pdfs/Stoeser_et_al_2007.PDF

Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 27(14), 3025–3033.

127

Ante, M. E., Peri, J. A., & Serafíni, M. C. (2005). Detección de cambios a través del análisis multitemporal de imágenes satelitales en un sector de la provincia de San Luis. Publicación Monográfica INTA, EEA San Luis. Recuperado a partir de http://www.juliomagne.com/teledeteccion/tesis21.pdf

Aya Castañeda, J. A., & Nieves Murcia, E. (2015). Análisis multitemporal para la recuperación de tierras baldías ocupadas indebidamente en el Complejo Cenagoso la Zapatosa. Recuperado a partir de http://ridum.umanizales.edu.co:8080/jspui/handle/6789/2361

Bense T. (2007). Indices n-dimensionales, Tasseled cap. Berlanga-Robles, C. A., & Ruiz-Luna, A. (2014). Análisis de las tendencias de cambio del

bosque de mangle del sistema lagunar Teacapán-Agua Brava, México. Una aproximación con el uso de imágenes de satélite Landsat. Ecosistemas y Recursos Agropecuarios, 22(1). Recuperado a partir de http://148.236.18.64/ERA/index.php/rera/article/view/325

Fearnside, P. M. (2016). Environmental and Social Impacts of Hydroelectric Dams in Brazilian Amazonia: Implications for the Aluminum Industry. World Development, 77, 48-65. https://doi.org/10.1016/j.worlddev.2015.08.015

Fonseca, J. J., & Gómez, S. M. (2013). Análisis multitemporal mediante imágenes Landsat caso de estudio: cambio de área laderas de la Ciénaga de Tumaradó Parque Natural Los Katíos (B.S. thesis). Universidad Militar Nueva Granada. Recuperado a partir de http://unimilitar-dspace.metabiblioteca.org/handle/10654/9268

Gillies, R. R., Kustas, W. P., & Humes, K. S. (1997). A verification of the’triangle’method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface e. International journal of remote sensing, 18(15), 3145–3166.

Herrera, V. (2001). Estudio del crecimiento urbano de la ciudad de Valdivia (Chile) a través del uso integrado de imágenes de satélite, SIG y equipos GPS. Revista de Teledetección, 15, 1–9.

Jackson, T. J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., … Hunt, E. R. (2004). Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sensing of Environment, 92(4), 475–482.

Jensen, J. R. (1986). Introductory digital image processing: A remote sensing perspective. Univ. of South Carolina, Columbus. Recuperado a partir de https://www.osti.gov/scitech/biblio/5166368-introductory-digital-image-processing-remote-sensing-perspective

Kirchherr, J., & Charles, K. J. (2016). The social impacts of dams: A new framework for scholarly analysis. Environmental Impact Assessment Review, 60, 99-114. https://doi.org/10.1016/j.eiar.2016.02.005

López-García, J. (2007). Análisis de cambio de la cobertura forestal en la Reserva de la Biosfera Mariposa Monarca (2006–2007). Fondo para la Conservación de la Mariposa Monarca (WWF y FMCN). Recuperado a partir de http://awsassets.panda.org/downloads/071126_eval_forestal_monarca06_07.pdf

128

Luna_Fernandez_VG_DC_EDAR_2011.pdf. (s. f.). Recuperado a partir de http://www.biblio.colpos.mx:8080/xmlui/bitstream/10521/651/1/Luna_Fernandez_VG_DC_EDAR_2011.pdf

Mendoza, F. (2010). Análisis Multitemporal del Cambio de Uso del Suelo en base a Imágenes Satelitales de los territorios indígenas de Mayangna-Sauni As, MayangnaSauni Bas, Sikilta, Matung Bak/Sauni Arungka, SIPBAA, Layasiksa y el área afectada por el Huracán Félix en 2007 para el período de tiempo 2005–2007/08 en los Departamentos de Jinotega y la RAAN, Nicaragua. Managua, Nicaragua.

Mohammadi, A., Costelloe, J. F., & Ryu, D. (2017). Application of time series of remotely sensed normalized difference water, vegetation and moisture indices in characterizing flood dynamics of large-scale arid zone floodplains. Remote Sensing of Environment, 190, 70-82. https://doi.org/10.1016/j.rse.2016.12.003

Molina Trigos, J. C. (2009). Análisis multitemporal de la cobertura de la tierra en la microcuenca El Guayabal, a partir de imágenes satelitales Landsat TM y ETM+. Tesis de pregrado en Geografía, Facultad de Ciencias Forestales y Ambientales, Escuela de Geografía, Universidad de los Andes, Venezuela.[Links].

Moreno González, H. F., & others. (2015). Análisis multiespectral mediante imágenes Landsat para identificación de zonas degradadas en el área circundante a la Laguna de Tota departamento de Boyacá (B.S. thesis). Universidad Militar Nueva Granada. Recuperado a partir de http://repository.unimilitar.edu.co/handle/10654/13524

Palacios Bermúdez, E. (2016). Análisis multitemporal en la cobertura boscosa de la zona norte del departamento del Chocó 1990-2014. Recuperado a partir de http://ridum.umanizales.edu.co:8080/jspui/handle/6789/2459

Pettorelli, N., Ryan, S., Mueller, T., Bunnefeld, N., Jedrzejewska, B., Lima, M., & Kausrud, K. (2011). The Normalized Difference Vegetation Index (NDVI): unforeseen successes in animal ecology. Climate Research, 46(1), 15-27. https://doi.org/10.3354/cr00936

Pettorelli, N., Ryan, S., Mueller, T., Bunnefeld, N., Jędrzejewska, B., Lima, M., & Kausrud, K. (2011). The Normalized Difference Vegetation Index (NDVI): unforeseen successes in animal ecology. Climate Research, 46(1), 15–27.

Ramírez Zapata, A., & others. (2015a). Análisis multitemporal mediante sensores remotos de cobertura de la tierra para el periodo de tiempo 1999-2011 en el municipio de San Jacinto, Bolívar (B.S. thesis). Universidad Militar Nueva Granada. Recuperado a partir de http://repository.unimilitar.edu.co/handle/10654/6318

Ramírez Zapata, A., & others. (2015b). Análisis multitemporal mediante sensores remotos de cobertura de la tierra para el periodo de tiempo 1999-2011 en el municipio de San Jacinto, Bolívar (B.S. thesis). Universidad Militar Nueva Granada. Recuperado a partir de http://repository.unimilitar.edu.co/handle/10654/6318

Romero, F. S. (2016). La Teledetección satelital y los sistemas de protección ambiental. Revista AquaTIC, (24). Recuperado a partir de http://revistaaquatic.com/ojs/index.php/aquatic/article/view/212

129

Ruiz, V., Savé, R., & Herrera, A. (2013). Análisis multitemporal del cambio de uso del suelo, en el Paisaje Terrestre Protegido Miraflor Moropotente Nicaragua, 1993-2011. Recuperado a partir de http://rua.ua.es/dspace/handle/10045/34856

Documents

ANÁLISIS MULTITEMPORAL DEL CAMBIO EN LA …repository.udistrital.edu.co/bitstream/11349/6377/1/HernandezMenco... · Tabla 9 Catálogo imagenes Landsat. ... información que a su