Embed Size (px)
Citation preview
UNIVERSIDAD CATÓLICA DE TEMUCO
FACULTAD DE CIENCIAS AGROPECUARIAS Y FORESTALES
DEPARTAMENTO DE CIENCIAS FORESTALES
“Evaluación de metodologías de detección de cambios del usodel suelo a través del análisis digital multitemporal de imágenes
satelitales Landsat TM en la IX Región, Chile.”
Tesis presentada como partede los requisitos para optaral título de:
INGENIERO FORESTAL
PROFESOR PATROCINANTE: Sr. Celso Navarro C.
JUAN EDGARDO MEDINA MENA
TEMUCO – CHILE2001
A mis Padres
A mi Esposa e Hija
A toda mi Familia
AGRADECIMIENTOS
A mis Padres, Bitalia y Juan, por su apoyo durante mis años de estudio, por el
esfuerzo y dedicación que siempre expresaron, les estaré por siempre
agradecido.
A Claudia mi Esposa, por su constante aliento, sacrificio y apoyo. Hoy que
recibimos la enorme alegría de nuestra hija Javierita, vemos como se va
cumpliendo nuestro proyecto de vida que tanto soñamos.
A las Familias Alvarez Flores y Peña Recabarren, por todo el cariño y sincera
amistad.
A los Profesores Patricio Acevedo y Andrés Duarte, por su valiosa ayuda en el
desarrollo de mi tesis.
A los Profesores Celso Navarro, Rodrigo Valencia, Marcelo Hernández y
Marcos Cortés por todo su apoyo y confianza durante mi trabajo de tesis y en
mis años de estudio en la carrera de Ingeniería Forestal.
INDICE DE MATERIAS
N° CAPITULO Página
1 INTRODUCCIÓN....................................................................................... 1
2 ANTECEDENTES BIBLIOGRÁFICOS..................................................... 4
2.1 Principios y Fundamentos de Teledetección............................................ 4
2.2 Espectro Electromagnético........................................................................ 5
2.3 Aplicaciones de la imagen satelital............................................................ 7
2.4 Beneficios de la utilización de observaciones remotas............................. 9
2.5 Requerimientos de información de Recursos Naturales........................... 10
2.6 Programa Landsat..................................................................................... 11
2.7 Tratamiento Digital de Imágenes Satelitales Multitemporales................... 13
2.7.1 Corrección Geométrica..................................................................... 14
2.7.1.1 Rectificación imagen a imagen............................................. 14
2.7.1.2 Rectificación imagen a mapa............................................... 15
2.7.2 Calibración Radiométrica................................................................. 15
2.7.2.1 Calibración absoluta............................................................. 16
2.7.2.2 Calibración relativa............................................................... 17
2.7.3 Mejoramiento Espectral.................................................................... 18
2.7.3.1 Análisis de Componentes Principales. ACP......................... 18
2.7.3.2 Índice de Vegetación. NDVI................................................. 20
2.7.4 Clasificación Digital.......................................................................... 22
2.7.4.1 Fase de entrenamiento. Método Supervisado..................... 22
2.7.4.2 Fase de asignación. Clasificador de Máxima Probabilidad. 23
2.8 Detección del Cambio............................................................................... 23
2.8.1 Técnicas de Detección de Cambios. ............................................... 24
2.8.1.1 Técnicas de Post-clasificación............................................ 24
2.8.1.2 Imagen de Diferencia......................................................... 25
2.9 Experiencias de Estudios de Detección de Cambios................................ 26
3 MATERIAL Y MÉTODO............................................................................ 30
3.1 Material...................................................................................................... 30
3.1.1 Área de estudio................................................................................ 31
3.2 Método....................................................................................................... 34
3.2.1 Definición del cambio de uso del suelo............................................ 35
3.2.1.1 Magnitud del cambio............................................................ 35
3.2.1.2 Dirección del cambio............................................................ 35
3.2.2 Corrección Geométrica .................................................................... 36
3.2.3 Calibración Radiométrica................................................................. 36
3.2.4 Mejoramientos espectrales............................................................... 37
3.2.4.1 Imagen sin Mejoramiento Espectral..................................... 37
3.2.4.2 Índice de vegetación. NDVI.................................................. 37
3.2.4.3 Análisis de Principales Componentes. ACP......................... 38
3.2.5 Métodos de detección de cambios. ................................................. 38
3.2.5.1 Comparación por Post-Clasificación.................................... 38
3.2.5.1.1 Post-clasificación Sin Mejoramiento Espectral...... 39
3.2.5.1.2 Post-clasificación con NDVI.................................. 39
3.2.5.1.3 Post-clasificación con ACP.................................... 40
3.2.5.2 Imagen de diferencias.......................................................... 40
3.2.5.3 Análisis de Componentes Principales Multitemporales........ 42
3.2.6 Método de Verificación de Resultados............................................. 43
4 DISCUSIÓN DE RESULTADOS............................................................... 44
4.1 Corrección Geométrica ............................................................................. 44
4.2 Calibración Radiométrica.......................................................................... 45
4.3 Mejoramiento Espectral............................................................................. 46
4.3.1 Índice de Vegetación (NDVI) ........................................................... 46
4.3.2 Análisis de Principales Componentes (ACP)................................... 48
4.4 Detección del Cambio............................................................................... 49
4.4.1 Post-clasificación.............................................................................. 49
4.4.2 Imagen de Diferencia del NDVI........................................................ 49
4.4.3 Análisis de Componentes Principales Multitemporales.................... 52
4.5 Verificación de Resultados........................................................................ 55
4.6 Selección del mejor método de detección de cambios.............................. 59
5 CONCLUSIONES...................................................................................... 64
6 RESUMEN................................................................................................. 66
SUMMARY................................................................................................ 67
7 BIBLIOGRAFÍA......................................................................................... 68
8 ANEXO...................................................................................................... 72
INDICE DE CUADROS
N° CUADRO Página
En el texto
1 Características de las plataformas satelitales Landsat............................. 12
2 Rango espectral del sensor Thematic Mapper (TM)................................. 30
3 Superficie del área de estudio por categoría de Uso del Suelo................ 32
4 Parámetros de Georreferenciación de las imágenes de 1987 y 1998...... 44
5 Parámetros de la calibración relativa aplicada a las imágenes
multitemporales..........................................................................................45
6 Identificación de las categorías de cambio observadas en las
fotografías aéreas de 1987 y 1994 utilizadas como información testigo... 55
7 Intensidad de muestreo según porcentaje de superficie, por categoría
de cambio de uso del suelo....................................................................... 56
8 Número de muestras testigo por categoría de cambio de uso del suelo
observadas en las fotografías aéreas de 1987 y 1994 utilizadas como
información testigo. .................................................................................. 57
9 Exactitud global e índice KAPPA de la Matriz de Error de Detección de
Cambio para las cinco metodologías de detección de cambios
analizadas en este estudio........................................................................ 59
10 Exactitud global e índice KAPPA de la Matriz de Error de Cambio y Sin
Cambio para las cinco metodologías de detección de cambios
analizadas en este estudio........................................................................ 60
11 Superficies por categoría de cambio de uso del suelo según Imagen de
Diferencias del NDVI................................................................................. 62
En el anexo
1A Matriz de error de detección de cambios.................................................. 76
2A Matriz de error de cambio y sin cambio..................................................... 77
3A Matriz de correlación para las bandas de la escena de 1987................... 78
4A Matriz de correlación para las bandas de la escena de 1998................... 78
5A Porcentaje de varianza, valores y vectores propios del ACP
estandarizados de la escena de 1987....................................................... 79
6A Porcentaje de varianza, valores y vectores propios del ACP
estandarizados de la escena de 1998....................................................... 79
7A Cargas factoriales del ACP de la escena de 1987.................................... 80
8A Cargas factoriales del ACP de la escena de 1998.................................... 80
9A Matriz de correlación multitemporal de las escenas de 1987 y 1998........ 81
10A Porcentaje de varianza, valores y vectores propios del ACP
Multitemporal de las escenas de 1987 y 1998.......................................... 82
11A Cargas factoriales del ACP Multitemporal, de las escenas de 1987 y
1998........................................................................................................... 83
12A Matriz de error de detección de cambio para Post-clasificación sin
Mejoramiento Espectral............................................................................. 84
13A Matriz de error de cambio y sin cambio para Post-clasificación sin
Mejoramiento Espectral............................................................................. 85
14A Matriz de error de detección de cambio para Post-clasificación del
NDVI.......................................................................................................... 86
15A Matriz de error de cambio y sin cambio para Post-clasificación del
NDVI.......................................................................................................... 87
16A Matriz de error de detección de cambio para Post-clasificación con
ACP............ .............................................................................................. 88
17A Matriz de error de cambio y sin cambio para Post-clasificación con
ACP............ .............................................................................................. 89
18A Matriz de error de detección de cambio para Imagen de diferencia del
NDVI.......................................................................................................... 90
19A Matriz de error de cambio y sin cambio para Imagen de diferencia del
NDVI.......................................................................................................... 91
20A Matriz de error de detección de cambio del ACP Multitemporal............... 92
21A Matriz de error de cambio y sin cambio del ACP Multitemporal................ 93
INDICE DE FIGURAS
N° FIGURA Página
En el texto
1 Imagen Landsat TM. Bandas 1, 2 y 3 del 15 de enero de 1987................ 33
2 Imagen Landsat TM. Bandas 1, 2 y 3 del 14 de febrero de 1998............. 33
3 Metodología general del estudio. ............................................................. 34
4 Metodología de Post-Clasificación sin mejoramiento espectral................ 39
5 Metodología de Post-Clasificación con NDVI............................................ 39
6 Metodología de Post-Clasificación con ACP............................................. 40
7 Metodología para la Imagen de diferencia del NDVI................................. 41
8 Metodología del Análisis de Componentes Principales Multitemporales.. 42
9 Índice de vegetación, NDVI de 1987......................................................... 47
10 Índice de vegetación, NDVI de 1998......................................................... 47
11 Primer componente principal de la escena de 1987................................. 48
12 Primer componente principal de la escena de 1998................................. 48
13 Imagen de diferencia del NDVI de 1987 y 1998........................................ 50
14 Máscara binaria de cambio generada desde la Imagen de diferencia del
NDVI de 1987 y 1998................................................................................ 51
15 Segundo componente principal multitemporal generado a partir de las
escenas de 1987 y 1998. ......................................................................... 52
16 Máscara binaria de cambio creada desde el segundo componente
principal multitemporal de las escenas de 1987 y 1998. .......................... 53
En el anexo
1A Espectro electromagnético........................................................................ 73
2A Rotación del sistema de coordenadas en un Análisis de Componentes
Principales................................................................................................. 73
3A Contraste espectral de la vegetación en las bandas roja e infrarroja........ 74
4A Técnica de Detección de Cambios con Post-clasificación........................ 74
5A Técnica de Detección de Cambios con Imagen de Diferencia.................. 75
INDICE DE ANEXOS
N° ANEXO Página
1 Mapa de ubicación de la zona de estudio................................................. 94
2 Mapa del Cambio del Uso del Suelo según Post_clasificación sin
Mejoramiento espectral............................................................................. 95
3 Mapa del Cambio del Uso del Suelo según Post_clasificación del NDVI. 96
4 Mapa del Cambio del Uso del Suelo según Post_clasificación del ACP...97
5 Mapa del Cambio del Uso del Suelo según Imagen de Diferencia........... 98
6 Mapa del Cambio del Uso del Suelo según ACP Multitemporal............... 99
1.- INTRODUCCIÓN
La adecuada toma de decisiones en el manejo de los recursos forestales
necesita de herramientas que permitan conocer los continuos cambios de este
recurso a través del tiempo. Es así como los sensores remotos, en especial la
fotografía aérea en el caso de Chile, se han convertido en una herramienta
eficaz de apoyo a la toma de decisiones en el ámbito forestal, y en este sentido
la imagen satelital se convierte en una alternativa de entrega información que
debe ser evaluada en términos de su aplicabilidad considerando la necesidad
de contar con antecedentes técnicos confiables y la actualización periódica de
ellos.
El uso de los datos satelitales en Chile se ha limitado básicamente a estudios
atmosféricos, mineros, pesca y agricultura, siendo escasa su aplicación en el
ámbito forestal. Sin embargo, actualmente está siendo utilizada como
herramienta de actualización del “Catastro y Evaluación de los Recursos
Vegetacionales Nativos de Chile”, como parte del proyecto “Establecimiento de
un sistema de seguimiento y monitoreo del estado de conservación de las
formaciones vegetales naturales”.
Los datos proporcionados por el “Catastro y Evolución de los Recursos
Vegetacionales Nativos de Chile”, no permiten determinar fielmente cuál es la
situación del recurso forestal, ya que los datos del Catastro representan una
fotografía que determina el estado actual del recurso vegetacional del país, que
entrega una visión completa y precisa de la situación de los recursos forestales.
Sin embargo, el Catastro es solo una fotografía a 1996 y no se puede decir, con
estos datos, si la foto anterior era mejor o peor (Araya, 1998).
1
En este sentido, se plantean las siguientes interrogantes; ¿Cuál era la situación
del recurso forestal antes del catastro y después del mismo? ; ¿el bosque nativo
está en peligro de extinción o experimenta un proceso de recuperación?. El
Catastro identifica estados del recurso forestal, pero también es muy relevante
tener claro aquellos procesos que lo afectan. Por ello señala que la gran labor
de Cuentas Forestales hoy, es desarrollar un programa de monitoreo y
actualización del catastro cuyo objetivo esencial es identificar los procesos y
explicar la modificación de estos procesos al ir comparando “las fotos futuras
con la foto actual” (Araya, 1998).
De este modo, el actual avance tecnológico permite que la información satelital
se convierta en una alternativa apropiada para dar respuesta a estas
interrogantes, ya que, bajo ciertas restricciones, es posible adquirir información
de la cobertura del suelo de años anteriores y posteriores al Catastro, lo que
permitiría conocer los procesos que determinan la situación actual del recurso
forestal.
La importancia de actualizar información en forma periódica, eficaz y eficiente,
implica la evaluación de la aplicación de tecnología satelital probada en otros
países, entre los que destacan el análisis multitemporal de imágenes satelitales
para la detección de cambios de uso del suelo, como es la comparación por
post-clasificación y la imagen de diferencias.
Por otro lado, se desconocen los mejoramientos espectrales más eficaces en el
análisis de imágenes satelitales multitemporales, y las rutinas computacionales
que se requieran para ello, toda vez que estos elementos son fundamentales
para cualquier aplicación de las imágenes satelitales, y por lo tanto, constituyen
aspectos de suma importancia y que deben abordarse con precisión.
2
De este modo, se debe evaluar la posibilidad de determinar y conocer la
magnitud y dirección de cambios de uso del suelo a través del análisis digital de
imágenes satelitales multitemporales Landsat TM, aplicando distintas
alternativas metodológicas, correcciones geométricas y radiométricas,
mejoramientos espectrales y metodologías de detección digital de cambio;
cuyos resultados sean un aporte, en términos de eficacia, para la actualización
de la información que permita evaluar oportunamente las acciones y toma de
decisiones sobre los recursos naturales.
El presente estudio tiene como objetivo general, evaluar las metodologías de
detección de cambios del uso de suelo a través del análisis digital de imágenes
satelitales multitemporales Landsat TM en la IX Región. Además se han
propuesto los siguientes objetivos específicos que son: a) Evaluar la efectividad
de distintas metodologías de detección de cambio de uso del suelo utilizando
imágenes satelitales, b) Determinar los procedimientos de corrección espectral
que permitan una eficaz detección del cambio de uso de suelo y c) Definir la
magnitud y dirección de los cambios de uso de suelo para un área de estudio
de La IX región de La Araucanía mediante el análisis de imágenes satelitales
multitemporales Landsat TM.
Los resultados obtenidos en este estudio, realizando un análisis multitemporal
con imágenes satelitales Landsat TM de la vegetación de la IX Región con
distintos mejoramientos espectrales, aplicando distintas metodologías de
detección de cambios, permitirán orientar respecto a la aplicabilidad de la
imagen satelital Landsat TM en la evaluación multitemporal de los recursos
forestales, y a la vez definir algunas estrategias de mejoramiento de los
resultados de la clasificación digital.
3
2.- REVISIÓN BIBLIOGRÁFICA
2.1.- Principios y Fundamentos de Teledetección
La Teledetección (Remote Sensing) se define como la ciencia y arte de
obtención de información acerca de un objeto, área, o fenómeno a través del
análisis de información adquirida por un dispositivo que no esta en contacto el
objeto, área, o fenómeno bajo investigación (Lillesand and Kiefer, 1994).
Teledetección espacial es la técnica que permite adquirir imágenes de la
superficie terrestre desde sensores instalados en plataformas espaciales,
suponiendo que entre la tierra y el sensor existe una interacción energética, ya
sea por reflexión de la energía solar o de un haz energético artificial, o por
emisión propia (Chuvieco, 1996).
Un sensor remoto se define como un instrumento especial cuya tecnología
permite la obtención de información de objetos sin estar físicamente en contacto
con él. Estos instrumentos se conocen en conjunto como Sensores Remotos
incluyendo aparatos como la cámara fotográfica, sistemas scanners y de radar
(Avery, 1992).
En general los procesos y elementos involucrados en la teledetección
electromagnética de los recursos terrestres se pueden separar en dos procesos
básicos; la adquisición de información y el análisis de la información. Los
elementos del proceso de adquisición de información son; la fuente de energía,
la propagación de la energía a través de la atmósfera, la interacción de la
energía con las características de la superficie terrestre, la retransmisión de la
energía a través de la atmósfera, el sensor del aeroplano o plataforma espacial
4
y, como resultado el sensor genera información en formato digital y/o gráfico. El
proceso de análisis de los datos involucra la aplicación de varios medios de
interpretación para compilarla en forma de tablas o como archivos
computacionales que pueden ser unidos a un SIG. Por último esta información
es utilizada en la toma de decisiones de distintos usuarios (Lillesand and Kiefer,
1994).
Cualquier sistema de teledetección consta de tres elementos fundamentales; el
sensor, el objeto observado y un flujo energético que permita poner a ambos en
relación. Este flujo de energía puede proceder del objeto por reflexión de la luz
solar, por algún tipo de energía emitida por el propio objeto, o incluso por le
sensor. De este modo se derivan las tres formas de adquirir información a partir
de un sensor remoto: por reflexión, por emisión y por emisión-reflexión
(Chuvieco, 1996).
2.2.- Espectro Electromagnético
El flujo de energía necesario entre el sensor y el objeto observado, en un
sistema de teledetección, constituye una forma de radiación electromagnética
(Chuvieco, 1996).
Esta energía electromagnética es una forma dinámica de energía que es
causada por la oscilación o aceleración de una carga eléctrica, de este modo,
todas las substancias naturales o sintéticas continuamente producen o emiten
un rango de energía electromagnética en proporción a su temperatura (Avery,
1992).
Toda energía térmica puede ser transferida mediante tres procesos:
convección, conducción y radiación, siendo esta última la base de la mayoría de
los sistemas de teledetección (Chuvieco, 1996). Así, la radiación es el método
5
por el cual la energía puede ser transferida desde un cuerpo a otro en ausencia
de algún material intermediario. Si esta intervención se hace presente, debe ser
lo suficientemente transparente de modo de que la energía sea transferida. La
radiación es el único método por el cual la energía solar puede recorrer millones
de kilómetros a través del espacio y alcanzar la tierra. Este es el método de
transferencia de energía con el cual se concibe un sensor remoto (Avery, 1992).
Las propiedades de la radiación electromagnéticas han sido explicadas por dos
teorías: la teoría ondulatoria que la concibe como un haz ondulatorio, y la teoría
cuántica que considera la radiación electromagnética como una sucesión de
unidades discretas de energía, fotones o cuantos, con masa igual a cero. Según
la teoría ondulatoria, la energía electromagnética se trasmite de un lugar a otro
siguiendo un modelo armónico y continuo, a la velocidad de la luz y conteniendo
dos campos de fuerzas, uno eléctrico y otro magnético, descritos por la longitud
de onda y su frecuencia, de este modo cualquier forma de energía radiante
puede ser descrita en función de estos dos elementos (Chuvieco, 1996).
La teoría cuántica permite calcular la cantidad de energía transportada por un
fotón, siempre que se conozca su frecuencia, de tal forma que a mayor longitud
de onda, o menor frecuencia, el contenido energético será menor y viceversa,
de este modo la radiación en longitudes de onda largas son más difíciles de
detectar que aquellas centradas en longitudes cortas (Chuvieco, 1996).
Cada una de las teorías, señaladas anteriormente, describen a la radiación
electromagnética en función de su longitud de onda o frecuencia, de tal modo
que la sucesión de valores de longitud de onda permite establecer una serie de
bandas en donde la radiación electromagnética manifiesta un comportamiento
similar, siendo la organización de estas bandas lo que conocemos como
espectro electromagnético (Chuvieco, 1996). (Anexo Figura N° 1A).
6
Las características espectrales que presentan las distintas superficies
terrestres, que son motivo de investigación por distintas disciplinas, permiten
reconocer ciertas bandas del espectro electromagnético que son las
comúnmente utilizadas por las actuales aplicaciones de las técnicas de
teledetección y que entregan las principales plataformas satelitales.
2.3.- Aplicaciones de la imagen satelital
La información Landsat ha sido utilizada por agencias gubernamentales,
industriales, civiles, y comunidades educacionales en los Estados Unidos y el
resto del mundo. Estos datos han sido usados en apoyo a un amplio rango de
aplicaciones en áreas como el cambio global de los recursos, la agricultura,
masas boscosas, geología, manejo de los recursos, geografía, cartografía,
calidad del agua, y oceanografía. En este sentido de puede señalar la
identificación y asociación de suelos y cartografía, el análisis de la cobertura y
producción forrajera, clasificaciones regionales de uso de suelo y generación de
foto-mapas, exploración minera y de petróleo, monitoreo de la polución,
cartografía e interpretación geológica, mediciones de la magnitud de nieve,
monitoreo del movimiento de glaciales, detección de la erosión de playas,
detección del grado de estrés en asociaciones vegetales, clasificación de la
cobertura vegetacional, y monitoreo de incendios forestales. Esto señala el alto
potencial de la aplicación de esta información en el monitoreo de las
condiciones de la superficie terrestre (Belspo, 1999).
Una de las utilidades más importante que entrega la información de las
imágenes satelitales es la capacidad de monitorear los cambios de uso del
suelo en el tiempo, ya que es posible la obtención de bases de datos digitales
de cambio en donde las dimensiones espaciales y temporales de las coberturas
de uso de suelo y cambio de uso de suelo pueden ser detectadas y evaluadas.
En este sentido se destaca al Landsat Multiespectral Scanner (MSS) que
7
proporciona información de más de 20 años, de una moderada resolución
espacial, que permite el monitoreo del tipo y porcentaje de cambio en la
cobertura del suelo como efecto antrópico (CIESIN, 1999).
La derivación de la información de cambio obtenida a través de la información
satelital consiste, en términos generales, en la georeferenciación de dos o más
imágenes de la misma área adquiridas en dos puntos distintos en el tiempo; el
ajuste de las propiedades radiométricas para normalizar la información obtenida
bajo distintas condiciones atmosféricas y de observación; la implementación de
una técnica de detección de cambio; y la generación de productos que permitan
efectivamente transmitir los cambios de cobertura de suelo en una imagen, un
gráfico o en bases estadísticas. Estos procedimientos también implementados
con información de otros sensores como el Landsat Thematic Mapper (TM) y
Systeme Probatoire d’Observation de la Terra (SPOT), (CIESIN, 1999).
Los datos satelitales pueden ser útiles para concentrarse en las áreas en donde
se requiere información. Como primer paso, se monitorean grandes áreas en
orden a detectar las áreas en donde ocurrieron los cambios. Luego, los datos
de alta resolución son utilizados para la revisión y actualización en áreas en
donde los cambios detectados han sido significantes. Los datos apropiados en
el primer paso podrían ser, por ejemplo, imágenes de gran cobertura y
resolución de 20-30 metros (CEO, 1999).
8
2.4.- Beneficios de la utilización de observaciones remotas
Algunos de los beneficios obtenidos al utilizar observaciones remotas son los
siguientes:
Ø Monitoreo de grandes extensiones en forma rápida, precisa, económica y
homogénea.
Ø Es posible una rápida apreciación global de la situación, haciendo
posible la medición del riesgo y el daño de la polución, enfermedades y
ataques de incendios.
Ø Proporciona información de regiones remotas o áreas de difícil acceso.
Ø En áreas en donde la cobertura de nubes es persistente, los datos de
radar proporcionan información consistente del recurso bosque.
Ø Incremento de la objetividad, velocidad de repetición y eficiencia en sus
aplicaciones.
Ø Formato digital que permite la interpretación automática.
Ø Mediciones normalizadas y controladas tanto en el tiempo como en el
espacio.
9
2.5.- Requerimientos de información de Recursos Naturales
En este contexto se pueden señalar los siguientes requerimientos de
información:
Ø Actualización y perfeccionamiento de los mapas de cobertura de suelos
como información fundamental para la protección medioambiental.
Ø La producción y actualización de inventarios de distintos tipos de
bosques de modo que sea posible la aplicación de un adecuado manejo
del recurso.
Ø El monitoreo de bosques para la detección cambios en su estructura,
composición, ataque de insectos y enfermedades.
Ø Monitoreo de la regeneración de los bosques después de un incendio y
el daño ocasionado, incluyendo el análisis del cambio de la distribución
espacial de las especies de árboles y el riesgo de incendios forestales.
Ø Monitoreo de los procesos de deforestación.
Ø Análisis de ríos, lagos o cambios en los volúmenes de reservas de agua.
Ø La detección e interpretación de los procesos de evolución.
10
2.6.- Programa Landsat
La puesta en órbita del primer satélite de la serie ERTS (Earth Resource
Technollogy Satellite), el 23 de julio de 1972, fue el inicio de la serie de satélites
llamados Landsat a partir del segundo lanzamiento en 1975, sin duda, un
fructífero proyecto de teledetección espacial (Chuvieco, 1996).
A mediados de 1960, la idea de un satélite civil de recursos terrestre fue
concebida por el departamento del interior de los Estados Unidos. Luego la
National Aeronautics and Space Administration (NASA) se inició el desarrollo y
lanzamiento del primer satélite de monitoreo terrestre para enfrentar las
necesidades del manejo de los recursos y de los científicos del mundo. A
principios de 1970 el U.S. Geological Survey (USGS) entró en sociedad con la
NASA para asumir la responsabilidad de almacenar los datos y la distribución
de los productos obtenidos. El 23 de julio de 1972 la NASA lanzó el primero de
una serie de satélites destinados a proporcionar repetitivas coberturas globales
de las masas de suelo terrestre. La denominación inicial fue el "Earth
Resources Technology Satellite-A", que al momento de ser lanzado se llamó
“ERTS-1”, concebido para un año de operaciones y que finalmente terminó sus
funciones en enero de 1978. Luego, este satélite pasó a llamarse Landsat 1
(BELSPO, 1999).
La NASA fue responsable de la operación del programa hasta principios de
1980. En enero de 1983, la operación del sistema Landsat fue transferido al
National Oceanic and Atmospheric Administration (NOAA). En septiembre de
1985, el sistema Landsat fue comercializado y el Earth Observation Satellite
Company, actualmente Space Imaging, asumió la responsabilidad para la
operación bajo contrato con NOAA. Durante estos cambios, el USGS Earth
Resources Observation Systems EROS Data Center (EDC) mantuvo la principal
11
responsabilidad como archivador gubernamental de la información Landsat
(BELSPO, 1999).
El USGS EDC además de ser el responsable manejo de la información Landsat,
investiga los nuevos métodos de caracterización y estudios de cambios en la
superficie del suelo con dicha información. Así, esta información, de más de dos
décadas, ha permitido detectar, medir y analizar las características y cambios
de la superficie del planeta. Los efectos de desertificación, deforestación,
polución, actividad volcánica, y otros eventos naturales y antrópicos. Esta
información histórica y presente de los datos Landsat juegan un importante
papel en el estudio de cambios en el tiempo (BELSPO, 1999).
A continuación se presentan las principales características de las plataformas
satelitales Landsat.
Cuadro N° 1: Características de las plataformas satelitales Landsat.
Plataforma Lanzamiento Sensor Estado de Operación
Landsat-1 23/07/72 MSS Finalizada: 06/01/78
Landsat-2 22/01/75 MSS Finalizada: 05/02/82
Landsat-3 05/03/78 MSS Finalizada: 31/03/83
Landsat-4 16/07/82 MSS, TM En espera desde 07/1987
Landsat-5 01/03/85 MSS, TM Operativo
Landsat-6 Octubre 93 MSS, ETM Perdido
Landsat-7 29/04/99 ETMP Operativo
(Fuente: BELSPO, 1999).
12
El satélite Landsat TM, con una orbita de 705 km de altitud, percibe siete
bandas espectrales en forma simultánea, posee una resolución temporal de 16
días, y proporciona información terrestre entre los 82 grados latitud norte y los
82 grados latitud sur.
2.7.- Tratamiento Digital de Imágenes Satelitales Multitemporales
Normalmente, antes de comenzar cualquier análisis sobre la información
recogida desde un sensor remoto es necesario un tratamiento previo de los
datos en cuestión. Este proceso se conoce en la literatura como “Image
Preprocessing” y esta destinado a corregir los errores derivados del proceso de
adquisición de la información y que puede degradar la calidad de los datos
recogidos por el sensor (Jensen, 1996).
Cuando la detección de cambios se realiza comparando, píxel a píxel, los
Niveles Digitales (ND) de las distintas imágenes es necesario eliminar
previamente cualquier cambio en los ND de la escena que no sea debido a
cambios reales en la cubierta. Esto implica ajustar con precisión, tanto
radiométrica, como geométricamente, las imágenes que intervienen en el
análisis (Chuvieco, 1996).
El problema es, todo elemento aunque sea irrelevante puede causar diferencias
entre imágenes. Si se tiene una nube en la imagen del tiempo 2 pero no está en
la imagen 1, se crean un gran parche de “diferencia”. Si la escena del tiempo 1
se toma en primavera y la del tiempo 2 en otoño, se detecta un cambio
estacional lo cual no significa mucho en términos de cambios en la cobertura de
suelo en largos periodos de tiempo. Si las dos imágenes no están
correctamente georeferenciadas de antemano, algunos registros pueden
aparecer como cambios. Así, es necesario cumplir ciertas condiciones antes de
intentar la detección de cambios (DNR, 1999):
13
Ø Ambas imágenes deben mostrar la misma estación, preferentemente
verano, cuando las condiciones de la vegetación son relativamente
estables.
Ø Las dos imágenes deben estar correctamente georeferenciadas.
Ø Las dos imágenes deben ser “calibradas radiométricamente” para
minimizar efectos de variaciones en el sensor y condiciones atmosféricas
entre las dos fechas.
Cuando estas condiciones se cumplen, el método de detección de cambios
puede revelar donde han ocurrido cambios significantes.
2.7.1.- Corrección Geométrica
Usualmente la información obtenida de sensores remotos presenta errores
geométricos de origen sistemático, aquellos que pueden ser corregidos
utilizando la información desde la plataforma y conociendo la distorsión interna
del sensor, y no sistemático, aquellos que no pueden ser corregidos con una
precisión aceptable sin un número suficiente de puntos de control terrestre.
Entre las causas de errores geométricos de origen sistemático se puede
mencionar la velocidad de la plataforma y la rotación de la tierra. Por otro lado,
las distorsiones de origen no sistemático incluyen los errores producto de la
altitud y posición del sensor (Bernstein, 1983; citado por Jensen, 1996).
La mayoría de la información de sensores remotos comerciales entregan los
datos con los errores sistemáticos previamente corregidos, permaneciendo los
errores no sistemáticos en la imagen. Para corregir estos errores se puede
recurrir a dos procedimientos comunes, estos son la rectificación imagen a
imagen, y la rectificación imagen a mapa (Jensen, 1996).
2.7.1.1.- Rectificación imagen a imagen. Es el proceso de traslación y
rotación por medio del cual dos imágenes de igual geometría y de la misma
14
zona geográfica son posicionadas una respecto de la otra de manera que los
elementos correspondientes aparezcan en el mismo lugar en las imágenes
corregidas (Chen and Lee, 1992; citado por Jensen, 1996). Este tipo de
corrección se utiliza cuando no es necesario tener asignado a cada píxel una
única coordenada x, y en una proyección ortogonal, por ejemplo al comparar
visualmente dos imágenes de distinta fecha para detectar los cambios
producidos en la zona de interés (Jensen, 1996).
2.7.1.2.- Rectificación imagen a mapa. Es el proceso por el cual la geometría
de una imagen se hace planimétrica. Este es el proceso a aplicar si se requiere
precisión en las mediciones de área, dirección y distancia. Sin embargo, no
todas las distorsiones causadas por la topografía de la imagen pueden ser
removidas. Este proceso normalmente utiliza puntos de control terrestre a
través de los cuales realizar la rectificación. Esta operación se realiza por medio
de dos operaciones: (1) la interpolación espacial que establece la naturaleza de
la transformación de las coordenadas geométricas para así ubicar los píxeles
originales a su posición en la imagen rectificada y (2) la intensidad de
interpolación que es la aplicación de algún mecanismo a través del cual
determinar el valor de brillo asignado al píxel rectificado (Jensen, 1996).
Para abordar la detección digital de cambios es preciso que las imágenes se
ajusten con gran nivel de detalle, ya que de otro modo se estaría detectando
como transformaciones lo que sería solo fruto de una falta de ajuste entre
imágenes (Hord, 1982, citado por Chuvieco, 1996).
2.7.2.- Calibración Radiométrica
Idealmente, el flujo de radiación recogido por un sensor remoto, en varias
bandas, es una representación precisa del flujo de radiación de las
características de la superficie terrestre. Desafortunadamente esto no ocurre y
pueden ingresar errores al sistema de colección de información de varias
15
maneras. Por ejemplo, errores radiométricos en los datos percibidos pueden ser
introducidos por el mismo sensor remoto cuando los detectores individuales no
funcionan apropiadamente o son inapropiadamente calibrados (Teillet, 1986,
citado por Jensen, 1996). Por otro lado la intervención atmosférica entre el
terreno de interés y el sensor remoto pueden contribuir con tanto ruido (error)
que la energía recibida por el sensor no se parece a lo que fue reflejado o
emitido por el terreno (Jensen,1996).
Las variables condiciones de observación, situaciones atmosféricas o
condiciones de calibración del sensor se convierten en otro importante
problema en la detección digital de cambios, ya que la signatura espectral en un
píxel se ve modificada aunque se mantenga constante la cubierta (Chuvieco,
1996).
La corrección radiométrica de una imagen satelital puede realizarse, entre otros,
por dos métodos; la calibración absoluta y la calibración relativa.
2.7.2.1.- Calibración absoluta. La radiación solar es selectivamente difundida y
absorbida al entrar en contacto con la atmósfera terrestre. La energía emanada
desde el cielo y recibida por el sensor es un indicador verdadero aún cuando se
destruya nuestra habilidad para medir la reflectancia espectral de los patrones
del terreno. De hecho, los científicos pueden considerar a la difusión y
absorción atmosférica de la energía como el verdadero indicador y a la energía
reflejada desde la tierra como el origen del ruido o error. No obstante, muchos
de los analistas de la tierra consideran nocivo el efecto de la difusión y
absorción atmosférica como fuente de error que puede minimizar la habilidad
para extraer información útil del terreno desde datos obtenidos por sensores
remotos (Jensen, 1996).
16
La calibración absoluta considera aspectos de la transmitividad atmosférica,
irradiancia difusa del cielo y ruta de la radiancia para así determinar como el
efecto atmosférico afecta la radiansa medida por el sensor remoto (Jensen,
1996).
2.7.2.2.- Calibración relativa. La corrección radiométrica relativa puede ser
utilizada para normalizar las intensidades entre las diferentes bandas dentro de
una escena (por ejemplo para remover la respuesta errónea del sensor, líneas
abandonadas o rayados) y, para normalizar las intensidades de las bandas de
los datos de una de la imagen en una fecha y estandarizarla a la escena
escogida en el análisis. La corrección radiométrica relativa generalmente no
requiere reunir mediciones atmosféricas en el tiempo de adquisición de la
información, que son muy difíciles de obtener cuando se utiliza información
histórica de un sensor remoto (Jensen, 1996).
Un problema asociado con la utilización de datos históricos de sensores
remotos, para la detección de cambios, es que los datos se obtienen de
distintas fechas, por lo tanto varía el ángulo del suelo, las condiciones
atmosféricas, y las condiciones de humedad del suelo. Idealmente, los datos
multitemporales pueden ser normalizados de manera que estos efectos puedan
ser minimizados o eliminados (Eckhardt et al., 1990; Hall et al., 1991; citado por
Jensen, 1996).
La habilidad para utilizar datos de sensores remotos para realizar un proceso de
clasificación de suelos, radica en capacidad de encontrar la relación entre el
valor de brillo obtenido (BV) en el sensor remoto y las actuales condiciones de
la superficie. Sin embargo, factores como; el ángulo del sol, distancia entre el
sol y la tierra, diferencias de calibración del detector entre varios sistemas de
sensores, las condiciones atmosféricas, y el sistema sol-objetivo-sensor
17
también afectan el valor de brillo del píxel (Eckhardt et al., 1990; citado por
Jensen, 1996).
Diferencias en la emisión directa de la radiación solar, debido a la variación en
el ángulo del sol y distancia entre el sol y la tierra, puede ser calculada con
precisión, así como también la variación en el valor de brillo debido a
diferencias en la calibración del detector entre distintos sistemas sensores. Sin
embargo, eliminar el efecto atmosférico y la fase angular requiere información
acerca de la composición gaseosa y de aerosoles en la atmósfera de las
características de reflexión bi-direccional de los elementos dentro de la escena
(Eckhardt et al., 1990; citado por Jensen, 1996).
De este modo lo que se pretende es igualar la calibración del detector, y
condiciones astronómicas, atmosféricas y fase angular de las imágenes
multitemporales, a las condiciones presentes en una escena de referencia
mediante la aplicación de una regresión.
2.7.3.- Mejoramiento Espectral
En este estudio se considerarán mejoramientos espectrales a aquellas técnicas
que permitan mejorar la disposición de los datos satelitales para su análisis
cuantitativo.
2.7.3.1.- Análisis de Componentes Principales (ACP). Pla (1986), señala que
el análisis de componentes principales es un método que permite la
estructuración de un conjunto de datos multivariados obtenidos de una
población, cuya distribución de probabilidades no necesita ser conocida, siendo
los objetivos más importantes de su aplicación los que se mencionan a
continuación:
18
Ø Generar nuevas variables que puedan expresar la información contenida
en el conjunto original de datos.
Ø Reducir la dimensionalidad del problema que se está estudiando, como
paso previo para futuros análisis.
Ø Eliminar, cuando sea posible, algunas de las variables originales si ellas
aportan poca información.
El Análisis de Principales Componentes (ACP) es una transformación de los
datos crudos del sensor remoto que entrega como resultado nuevas imágenes
de componentes principales que son más interpretables que los datos originales
(Singh and Harrison, 1985. Citado por Jensen, 1996). El análisis de ACP puede
también ser utilizado para comprimir la información contenida en las de bandas
de una imagen satelital en dos o tres imágenes transformadas de principales
componentes. Esta habilidad para reducir desde “n” a dos o tres bandas es una
importante consideración económica, especialmente si el potencial de
información recuperable desde los datos transformados es tan bueno como los
datos originales del sensor (Jensen, 1996).
Conceptualmente esta transformación considera la distribución bi-dimensional
de los valores de los píxeles obtenidos de dos bandas. La varianza de la
distribución de los puntos indica la correlación y calidad de asociatividad de la
información entre ambas bandas. Estos ejes originales pueden no ser la mejor
ordenación de las características multiespectrales para analizar la asociación de
los datos del sensor en estas dos bandas. El objetivo de la aplicación del ACP
es la traslación y/o rotación de los ejes originales de modo que los valores de
brillo originales se redistribuyen en un nuevo sistema de coordenadas. La
rotación del nuevo sistema de coordenadas se realiza en “φ” grados desde el
primer eje de coordenadas hasta el punto asociado a la máxima cantidad de
varianza de los valores de los píxeles. (Anexo Figura N° 2A). Este nuevo eje se
llama primer Componente Principal (PC1 = λ1) y el segundo Componente
19
Principal (PC2 = λ2) que es perpendicular a PC1. De este modo el eje mayor y
menor del elipsoide de los puntos de las bandas X1 y X2 son llamados
Componentes Principales. En el tercer, cuarto, quinto, y demás, los
componentes contienen una cantidad decreciente de la varianza encontrada en
el conjunto de datos (Jensen, 1996).
Si los componentes 1,2 y 3 explican la mayor parte de la varianza, quizás las
siete bandas TM originales puedan ser apartadas, y el resto de la imagen o
clasificación pueda ser mejorada utilizando las tres primeras imágenes
componentes. Esto reduce enormemente la cantidad de datos analizados en
una clasificación monotemporal.
Cuando se requiere un análisis de cambio desde imágenes multitemporales, el
ACP estandarizado (obtención de los valores propios desde la matriz de
correlación) es superior al ACP no estandarizado (computado desde la matriz
de covarianza), ya que éste obliga a cada banda original a tener igual peso en
la derivación de la nueva imagen componente, es idéntico a convertir todos los
valores de la imagen a medidas estandarizadas (Fung and LeDrew, 1987;
Eastman and Fulk, 1993; citados por Jensen, 1996).
2.7.3.2.- Índice de Vegetación. Es una alternativa para la medición de la
vegetación y su estado sanitario basado en el análisis de la información
espectral de los sensores remotos (Goel and Norman 1992, citado por Jensen,
1996).
IUFRO, (1994) destaca los canales 3, 4 y 7 de la información Landsat como los
más apropiados para estudios de vegetación y para la evaluación del estado
sanitario del bosque.
20
A menudo el objetivo a sido reducir las múltiples bandas de información de una
imagen satelital a un único número por píxel para predecir y medir
características del dosel la vegetación como biomasa, actividad fotosintética
consumida, y/o porcentaje cobertura de vegetación (Larsson, 1993, citado por
Jensen, 1996).
Existen varios algoritmos utilizados para la extracción de información desde
sensores remotos que en conjunto reciben el nombre de Índices de Vegetación.
La mayoría de los índices de vegetación se basan en la significativa diferencia
de las características de la reflexión espectral entre la vegetación verde
saludable, la vegetación muerta o senescente, y los suelos secos y desnudos.
Es así como la vegetación verde saludable, en la región del infrarrojo cercano
del espectro, refleja una mayor cantidad de energía que la vegetación
senescente o que los suelos secos y desnudos, presentado un comportamiento
inverso en la región visible del espectro (Jensen, 1996). (Anexo Figura N° 3A).
Los índices de vegetación más sencillos son los que utilizan los valores de brillo
desde una banda individual, Landsat MSS, como un índice de vegetación para
la estimación del porcentaje de cobertura y biomasa de la vegetación (Tucker,
1979, citado por Jensen 1996).
Rouse et al, (1973), citado por Jensen, (1996), fue el primero en utilizar los
índices de vegetación basado en la razón de bandas, computando la diferencia
normalizada de valores de brillo desde bandas MSS7 y MSS5 para el monitoreo
de la vegetación. Se llamó entonces Índice de Vegetación de la Diferencia
Normalizada o NDVI (Normalized Differencing Vegetation Index):
NDVI7 = MSS7 – MSS5 (2.1)
MSS7 + MSS5
21
De modo similar se utilizó este algoritmo en las bandas MSS6 y MSS5:
NDVI6 = MSS6 – MSS5 (2.2)
MSS6 + MSS5
De este modo el NDVI para el satélite Landsat TM es:
NDVI = TM4 – TM3 (2.3)
TM4 + TM3
2.7.4.- Clasificación Digital
Es el proceso mediante el cual los píxeles de una imagen satelital multibanda
son etiquetados según la categoría a la que pertenecen. A partir de esta imagen
puede generarse una cartografía temática y el inventario estadístico de la
superficie involucrada en cada categoría (Chuvieco, 1996).
La clasificación digital distingue las siguientes fases: 1) definición digital de las
categorías (fase de entrenamiento), 2) agrupación de los píxeles en una de
esas categorías (fase de asignación), y 3) comprobación y verificación de
resultados (Chuvieco, 1996).
2.7.4.1.- Fase de entrenamiento. Método Supervisado. Consiste en delimitar
áreas de entrenamiento que representen lo mejor posible a cada una de las
categorías que componen la leyenda de clasificación. Estas áreas se utilizan
posteriormente para entrenar al ordenador en el calculo de la Niveles Digitales
que definen cada clase de clasificación, para luego asignar el resto de los
píxeles de la imagen satelital a una de esas categorías en función de sus
Niveles Digitales. Este método requiere del conocimiento de la zona de estudio
(Chuvieco, 1996).
22
2.7.4.2.- Fase de asignación. Clasificador de Máxima Probabilidad. Es un
método de asignación que considera una distribución normal de los Niveles
Digitales en el centro de cada categoría de clasificación, lo que permite describir
esa categoría por una función de probabilidad que se utiliza para calcular la
probabilidad de que un píxel pertenezca a ella, y así asignar el píxel a aquella
categoría que maximice la función de probabilidad (Chuvieco, 1996).
2.8.- Detección del Cambio
Un cambio de reflectancia a menudo indica un cambio físico en la superficie de
la tierra, de este modo, la detección digital de cambios debe cumplir el siguiente
supuesto (SSC, 1999):
Ø Los cambios monitoreados deben causar un cambio electromagnético de
la radiación que puede ser percibida por el sensor remoto.
Los cambios del suelo en el tiempo se han sido divididos en dos categorías:
(Remote Sensing Note, 1999).
Ø Una categoría mayor en que los cambios son fuertes en términos de
velocidad y magnitud (superficie), producto de incendios forestales,
deforestación o nuevas áreas urbanas.
Ø Una categoría menor en que los cambios son más suaves, en términos
de velocidad y magnitud (superficie), producto del crecimiento de árboles
o la colonización de la vegetación en áreas no vegetales.
La detección de él o los cambios ocurridos en la superficie terrestre involucra el
uso de un conjunto de datos multitemporales y así discriminar aquellas áreas de
cambio de cobertura de suelo entre las fechas de ambas imágenes. Idealmente
23
los procedimientos de detección de cambios deben involucrar información
adquirida por el mismo sensor (o similar) y que ésta sea almacenada con la
misma resolución espacial, características geométricas, bandas espectrales y
misma fecha. Además, se requiere de una correcta registración espacial de las
imágenes utilizadas y así obtener una efectiva detección del cambio. En general
se requieren una registración de entre ¼ a ½ de píxel (Lillesand and Kiefer,
1994).
2.8.1.- Técnicas de Detección de Cambios
Las Técnicas de Detección de Cambios, mediante análisis digital, pueden ser
divididas en dos categorías, las que utilizan variables categorizadas o de Post-
clasificación y las que utilizan variables continuas, cuantitativas o de imagen a
imagen, que se desarrollan a continuación.
2.8.1.1.- Técnicas de Post-clasificación. Son aquellas Técnicas de detección
de cambios en que las dos fechas son clasificadas y registradas
independientemente. La efectividad de esta alternativa depende de cómo se
diferencian espectralmente las clases de cambio, de las clases de no cambio.
En ocasiones esta clasificación puede ser complicada, y si se utilizan todas las
bandas de cada fecha, se puede tener información redundante (West Virginia
University, 1999).
Chuvieco (1996), señala que en esta categoría se ubican los métodos de
detección de cambios en que se aplican técnicas de clasificación que no
presentan el problema de delimitar umbrales, ya que implican discretizar la
escala continua de las imágenes originales.
La Post-clasificación es el método cuantitativo de detección de cambios más
comúnmente utilizado. Requiere de la rectificación y clasificación de cada
imagen, para luego ser comparados píxel a pixel a través de una matriz de
24
detección de cambios. Desafortunadamente, los errores en la clasificación
individual de cada imagen se ven reflejados en la detección final de cambios.
(Rutchey and Velcheck, 1994, citado por Jensen, 1996). Por ello es necesario
que la clasificación individual de las imágenes sea lo más exacto como sea
posible (Augenstein et al., 1991, citado por Jensen, 1999). (Anexo Figura N°
4A).
2.8.1.2.- Imagen de Diferencia. Consiste en la simple resta entre imágenes de
dos fechas, previamente, de modo que las zonas estables presentarán un valor
cercano a cero, y las que hayan experimentado cambios ofrecerán valores
significativamente distintos de cero, positivos o negativos (Chuvieco, 1996).
Esta metodología puede aplicarse sobre alguna de las bandas originales o
como es más frecuente sobre índices de vegetación (Chuvieco,1996), y se
expresa matemáticamente de la siguiente forma:
D ijk = BV ijk (1) – BV ijk (2) + C (2.4)
Donde:
D ijk = Cambio del valor del pixel.
ND ijk (1) = Nivel digital en el Tiempo 1.
ND ijk (2) = Nivel digital en el Tiempo 2.
C = Constante para evitar valores negativos (habitualmente 127).
i = Número de fila.
j = Número de columna.
k = Número de Banda.
25
Producto de la aplicación de esta técnica se obtendrá una imagen de cambios
en donde las tonalidades oscuras indicarán una disminución del vigor vegetal,
las tonalidades claras serán aquellas zonas que aumentaron su vigor vegetal y
los tonos grises a las zonas estables.
Jensen (1996), señala que esta técnica es un método eficiente para identificar
píxeles que presentan cambio en el valor de brillo entre ambas fechas y que
tiene como desventajas el hecho de que no proporciona de información de la
superficie que cambio de una categoría de uso de suelo a otra, y que requiere
de una cuidadosa selección del umbral de cambio y no cambio. (Anexo Figura
N° 5A).
2.9 Experiencias de Estudios de Detección de Cambios.
En el estado de Chiapas, México, utilizando imágenes Landsat MSS de 1975,
1986 y 1992, se detectaron los cambios producidos en la vegetación y
cobertura de suelo mediante la aplicación de imágenes de diferencia con siete
índices de vegetación. Este estudio sugiere que los índices de vegetación
tienen diferencias significativas en sus características estadísticas y que solo el
NDVI muestra una distribución normal en su histograma, que fue el menos
afectado por factores topográficos y que en consecuencia resultó la mejor
técnica para la detección de cambios vegetacionales debido a la mejor
consistencia de sus resultados al ser comparados en una interpretación visual,
consulta a expertos y trabajo de campo (Lyon et al., 1998).
Durante 1987, en Virginia Estados Unidos, se realizó el monitoreo de la
defoliación en bosques de Quercus sp. en un área de 14800 (ha) a través de
imágenes SPOT aplicando un análisis de componentes principales, imagen de
diferencias, clasificación de cambio temporal y post-clasificación como técnicas
de detección de cambio. En este estudio se determinó que el análisis de
26
componentes principales y la imagen de diferencias son las técnicas que mejor
detectan la defoliación en estos bosques ya que incluyen una identificación del
tipo de cambio más que una clasificación de clase de cobertura. (Muchoney and
Haack, 1994).
En el extremo occidental de Kentucky, Estados Unidos, se realizó un estudio de
detección del cambio del uso de suelo utilizando imágenes del satélite Landsat
TM de agosto de 1991 y mayo de 1994. Las áreas de cambio fueron
determinadas aplicando como metodología el Binary Change Mask (Máscara
Binaria de Cambio) y entregó como resultado que menos del 5% del cambio
del área de estudio se atribuyó a la expansión urbana, situación importante
considerando que se trata de una comunidad rural con un importante auge
económico. Este estudio demostró que la “Binary Change Mask” puede ser una
herramienta efectiva para la detección del cambio de uso de suelo (MARC,
1999).
El departamento de Geología y Geografía de la West Virginia University
comparó distintos métodos de detección de cambios, estos fueron; Image
differencing y principle components analysis (PCA), Image rotation, y Change
vector analysis (CVA). Para este efecto se utilizaron las siete bandas de dos
imágenes Landsat TM del lago Candlewood de los Estados Unidos, una de
1988 y la otra de 1993, que fueron procesadas con el software Idrisi for
Window. En este estudio se concluyó que el método de Image differencing
entregó los mejores resultados por su simplicidad al representar las zonas de
cambios. Por otro lado, se reconoce la dificultad al momento de decir los
umbrales para la reclasificación. El método de Change vector analysis (CVA)
permitió el análisis de los cambios al incorporaron múltiples bandas al mismo
tiempo. Los resultados de esta metodología permitieron una reclasificación más
discreta de los cambios al utilizar la desviación estándar de la imagen
resultante. Sin embargo, las ventajas de este método sobre la image
27
differencing son escasas. El ACP ofrece un método más objetivo para
determinar cambios debido a la variabilidad de la zona de estudio (West Virginia
University, 1999).
Kitchin and Barson (1997), en el proyecto Cambio de la Cobertura de suelo
Agrícola utilizando imágenes satelitales Landsat TM para el monitoreo de los
cambios de la cobertura del suelo entre los años 1990 a 1995 en Australia,
consideran los siguientes objetivos a escala 1:100000:
Ø Vegetación de Cambio 1990-1995. Datos digitales que muestran las
áreas de cambio con atributos tabulados que identifican el tipo de
vegetación anterior al cambio y el tipo de cambio.
Ø Clase de cobertura de suelo de 1990 (incluyendo vegetación leñosa y no
leñosa) mediante una clasificación de los datos Landsat TM con la
siguiente leyenda.
Ø Estructura de la vegetación de 1990 clasificada en dos clases;
vegetación leñosa y no leñosa, describiendo: genero o especie, forma de
crecimiento, densidad o cobertura de copas, altura.
Esta información pretende ser contrastada con futuros monitoreos, empleando
como metodología de detección de cambio la imagen de diferencia.
La unidad de Medición del Recurso Forestal del Departamento de Recursos
Naturales de Minnesota (USA) realiza la actualización de la cartografía de uso
del suelo a través de la generación de mapas con imágenes Landsat Thematic
Mapper (TM) y de la Imagen de diferencia como método de detección de
cambios por considerarlo como el método más simple y más confiable de las
alternativas de detección de cambios utilizando sensores remotos (DNR, 1999).
28
Macleod and Congalton (1998), aplicaron una comparación cuantitativa de las
técnicas de detección de cambios de post_clasificación, imagen de diferencias y
análisis de componentes principales a través de la matriz de error de detección
de cambio y la utilización del porcentaje global de acierto y el índice KAPPA, y
destacan este procedimiento por ofrecer la posibilidad de comparar
cuantitativamente el grado de acierto alcanzado por las distintas alternativas de
detección de cambio. En este estudio, la imagen de diferencia entregó
resultados significativamente mejores que las otras dos alternativas.
29
3.- MATERIAL Y MÉTODO
3.1.- Material
En el presente estudio se utilizaron dos imágenes satelitales Landsat 5 TM de la
IX región, del 15 de enero de 1987 y el 14 de febrero de 1998 respectivamente,
los Sistemas de Información Geográficos ARCINFO PC, ERDAS 8.1 Essential e
IDRISI 32 para Windows.
El siguiente cuadro presenta el rango espectral de las dos imágenes Landsat
TM.
Cuadro N° 2: Rango espectral del sensor Thematic Mapper (TM).
Banda Micrómetros Resolución en
metros
Nombre
1 .45 - .53 30 m Azul
2 .52 - .60 30 m Verde
3 .63 - .69 30 m Roja
4 .76 - .90 30 m Infrarrojo Cercano
5 1.55 - 1.75 30 m Infrarrojo Medio
6 10.40 - 12.5 120 m Termal
7 2.08 - 2.35 30 m Infrarrojo Lejano
(Fuente: BELSPO, 1999).
30
3.1.1.- Área de estudio
El área de estudio se ubica al noroeste de la ciudad de Traiguén, IX región, con
una superficie de 41.429 ha y abarca parte de las comunas de los Sauces,
Traiguén y Lumaco. (ANEXO N° 1).
Esta zona se caracteriza por un alto dinamismo del sector forestal presentando
notorios cambios de uso del suelo entre los años 1987 y 1998, razón por la
cual fue seleccionada para este estudio.
Según datos del Catastro de Bosque Nativo de 1997, el 65,52% (27144,99 ha)
de su superficie se destina al uso agrícola, un 5,62% (2326,77 ha) tiene
presencia de renovales, el 0.46% del total (189.72 ha) presenta bosque nativo
adulto – renoval, un 22,8% de su superficie (9446,67ha) se destinan a
plantaciones forestales, y el 4,42% (1829,61 ha) corresponden a plantaciones
forestales jóvenes o recién cosechada. (Cuadro N° 3).
En esta área de estudio, el dinamismo del sector forestal y la importante
superficie de suelos dedicados a esta actividad indican la presencia de fuertes
cambios espectrales de su cobertura del suelo en el tiempo, debido
principalmente a actividades de cosecha forestal y al cambio de uso agrícola a
forestal. Estos fuertes cambios de uso del suelo son las razones que motivaron
su selección para el desarrollo del presente estudio.
Con respecto al bosque nativo adulto y renovales presentes en el área, se
puede decir que corresponden a situaciones altamente fragmentadas, ubicadas
en zonas de pendiente alrededor de cursos de agua o quebradas, y rodeadas
de importantes masas de plantaciones forestales o zonas agrícolas y, por lo
tanto, estas son razones que pueden influir negativamente al momento realizar
de la clasificación supervisada de las imágenes satelitales.
31
Cuadro N° 3: Superficie del área de estudio por categoría de Uso del Suelo.
Uso del suelo Superficie ha Porcentaje
BOSQUE NAT. - PLANTACIÓN ABIERTO 50,67 0,12
BOSQUE NAT. ADULTO-RENOVAL SEMIDENSO 189,72 0,46
CIUDADES- PUEBLOS-ZONAS INDUSTRIALES 229,77 0,55
LAGOS-LAGUANS-EMBALSES-TRANQUES 36,54 0,09
MATORRAL ARBORESCENTE SEMIDENSO 144,18 0,35
MATORRAL DENSO 31,5 0,08
PLANTACIÓN 9446,67 22,80
PLANTACION JOVEN O RECIEN COSECHADA 1829,61 4,42
PRADERAS PERENNES 2325,6 5,61
RENOVAL ABIERTO 221,13 0,53
RENOVAL DENSO 1378,17 3,33
RENOVAL SEMIDENSO 727,47 1,76
ROTACION CULTIVO PRADERA 24819,39 59,91
Total 41430,42 100,00
(Fuente: CONAF - CONAMA, 1997).
La presencia de tres centros urbanos en ésta área de estudio, Traiguén,
Lumaco y Capitán Pastene, y del cuerpo de agua (tranque) al noreste de la
ciudad de Traiguén, que en total cubren con una superficie de 266,31 ha, son
situaciones que serán de gran utilidad al momento de realizar la calibración
radiométrica relativa ya que son coberturas de suelo que se ubican en los
extremo del comportamiento espectral, es decir, baja reflectancia en cuerpos de
agua, y alta reflectancia el zonas industriales y urbanas (concreto).
32
Las siguientes figuras corresponden a las dos imágenes satelitales Landsat TM
de la zona de estudio.
Figura N° 1: Imagen Landsat TM. Bandas 1, 2 y 3 del 15 de enero de 1987.
Figura N° 2 Imagen Landsat TM. Bandas 1, 2 y 3 del 14 de febrero de 1998.
33
3.2.- Método
La metodología que se aplicó en esta investigación se esquematiza en la
siguiente figura:
Figura N° 3: Esquema que representa la Metodología General del estudio.
DEFINICIÓN CAMBIO DEUSO DEL SUELO
SELECCIÓN DEL ÁREADE ESTUDIO
ADQUISICIÓN Y CORTE DE LAIMAGEN SATELITAL
CORRECCIÓN GEOMÉTRICA
CALIBRACIÓN RADIOMÉTRICA
IMAGEN SINCORRECCIÓNESPECTRAL
SELECCIÓN DEL MEJOR MÉTODODE DETECCIÓN DE CAMBIOS
ESTUDIO COMPARATIVO CONINFORMACIÓN TESTIGO (KAPPA).
INDICE DEVEGETACIÓN
NDVI
ANÁLISIS DECOMPONENTES
PRINCIPALES
ANÁLISIS DECOMPONENTES
PRINCIPALES
COMPARACIÓN PORPOST-CLASIFICACIÓN
IMAGEN DEDIFERENCIA
34
3.2.1.- Definición del cambio de uso del suelo
Es posible conocer el cambio ocurrido en una cobertura de uso del suelo si se
determinan la magnitud del cambio, la dirección del cambio y el tipo de cambio.
De este modo, el desarrollo de este estudio considera las siguientes
definiciones para cada uno de estos indicadores.
3.2.1.1.- Magnitud del cambio. Corresponde a la diferencia en la superficie
total en hectáreas (ha) de una misma categoría de uso del suelo para dos
fechas en el tiempo. Como ejemplo se puede señalar la superficie (ha) de
bosque nativo, o cualquier otra cobertura, que disminuyó o aumento en el lapso
de tiempo ocurrido entre dos fechas. Si transcurrido este periodo la superficie
(ha) es la misma, entonces la magnitud del cambio es igual a cero.
3.2.1.2.- Dirección del cambio. Se define dirección de cambio como el
movimiento de la superficie (ha) desde una cobertura de uso del suelo a otra
para dos fechas en el tiempo. Por ejemplo, si entre marzo de 1987 y marzo de
1998, la superficie (ha) del bosque nativo de una región disminuye, la dirección
de cambio será la que nos señale cuantas hectáreas pasaron, de bosque
nativo, al resto de las categorías de uso del suelo.
De esta forma, el presente estudio utilizó una leyenda de clasificación sencilla
que permitiera la detección de cambios del uso del suelo en términos de su
magnitud y dirección de cambio con especial énfasis en coberturas de bosques,
y así facilitar el entendimiento de las diferentes metodologías aplicadas y las
rutinas computacionales requeridas. Esta leyenda de clasificación consideró las
siguientes coberturas: 1) Agrícola, 2) Cuerpos de Agua., 3) Urbano y sectores
desprovistos de vegetación, 4) Plantaciones de Pino radiata, 5) Renovales, 6)
Bosque Nativo Adulto y 7) Plantaciones de Eucalipto.
35
3.2.2.- Corrección Geométrica
Con el propósito de corregir topográficamente las dos imágenes satelitales,
superponerlas y realizar el análisis de cambio píxel a píxel, se corrigió la
deformación geométrica de las imágenes a través de puntos de control de la
carta IGM 1:50000 escaneada y sus homólogos en la imagen satelital, para así
modelar dicho error en la imagen, estableciéndose como requisito un error
medio cuadrático del orden de medio a un cuarto de píxel.
3.2.3.- Calibración Radiométrica
Idealmente, el flujo de radiación recogido por un sensor remoto, en varias
bandas, es una representación precisa del flujo de radiación de las
características de la superficie terrestre. Desafortunadamente esto no ocurre, y
pueden ingresar errores al sistema de colección de información de varias
maneras.
Para realizar un análisis multitemporal se requieren imágenes satelitales que
sean radiométricamente comparables, para tal efecto se aplicó una calibración
radiométrica relativa que minimizara o eliminara los efectos producidos por
variaciones en el ángulo del sistema suelo - energía solar - sensor, las
condiciones atmosféricas, y las condiciones de humedad del suelo. De este
modo se pretende igualar la calibración del detector, las condiciones
astronómicas, atmosféricas y fase angular de las imágenes multitemporales, a
las condiciones presentes en una escena de referencia, mediante la aplicación
de un análisis de regresión.
Este análisis permitió generar bandas estimadas (y) de la imagen menos
reciente a partir de las bandas de la imagen más reciente (x).
36
3.2.4.- Mejoramientos espectrales
Para efecto de comparar y luego seleccionar el mejoramiento espectral que
entregara los mejores resultados en la detección de cambios de la cobertura del
suelo, se apicararon dos de los mejoramientos espectrales más utilizados en
diversas investigaciones del ramo.
Para comparar efectivamente los resultados obtenidos con estas correcciones
espectrales, se aplicaron las mismas metodologías de detección de cambios en
una imagen sin corrección espectral que se utilizó como información testigo. De
este modo, se aplicó el índice de vegetación (NDVI) y análisis de principales
componentes (ACP) que se explican a continuación.
3.2.4.1.- Imagen sin Mejoramiento Espectral. La imagen sin mejoramiento
espectral (bandas crudas) fue el patrón de comparación necesario para detectar
el efecto de los mejoramientos espectrales en los resultados finales de la
detección de magnitud y dirección de cambio de uso de suelo.
3.2.4.2.- Índice de vegetación. (NDVI). Con el propósito de mejorar la
discriminación de las cubiertas de uso del suelo, se aplicó el NDVI para cada
escena. Este índice de vegetación justifica su aplicación debido a las
diferencias en el comportamiento espectral entre la vegetación verde saludable,
la vegetación muerta o senescente, y los suelos secos y desnudos. De este
modo, el NDVI utilizado fue el siguiente:
NDVI = TM4 – TM3 (3.1)
TM4 + TM3
Donde:
TM4 = Banda 4 del sensor Landsat TM.
TM3 = Banda 3 del sensor Landsat TM.
37
3.2.4.3.- Análisis de Componentes Principales. ACP. En este estudio se
aplicó un ACP estandarizados (obtención de los valores propios desde la matriz
de correlación), y así seleccionar el componente que explicara el mayor
porcentaje de varianza de los datos originales, para posteriormente evaluar su
utilidad como imagen resumen de las bandas originales.
3.2.5.- Métodos de detección de cambios
La revisión bibliográfica señala a la comparación por post-clasificación y a la
imagen de diferencias como las metodologías de detección de cambios más
comunes y de resultados eficaces, por lo tanto, serán éstas metodologías las
que se apliquen en este estudio.
Se debe señalar que la clasificación satelital aplicada en todas las alternativas
de detección de cambios analizados en éste estudio, utilizó el “Método
Supervisado” como fase de entrenamiento y el “Clasificador de Máxima
Probabilidad” como fase de asignación de los valores de píxel en las
categorías de clasificación.
Cada una de estas metodologías de detección de cambios analizadas en éste
estudio se explica a continuación:
3.2.5.1.- Comparación por Post-Clasificación. Este método consideró la
clasificación por separado de cada imagen a través de una clasificación
supervisada. Este método permite observar las zonas estables y las dinámicas,
es decir; la cobertura original y actual del suelo.
Esta metodología considero tres alternativas de aplicación para encontrar la
clasificación de uso del suelo de cada año.
38
3.2.5.1.1.- Post-clasificación Sin Mejoramiento Espectral. Clasificación
supervisada sobre las bandas sin mejoramiento espectral. (Figura N° 4).
Figura N° 4: Metodología de Post-Clasificación sin mejoramiento espectral.
3.2.5.1.2.- Post-clasificación con NDVI. Clasificación supervisada sobre los
NDVI de cada año. (Figura N° 5).
Figura N° 5: Metodología de Post-Clasificación con NDVI.
Clasificación para 1998.
Bandasoriginalesrectificadas
1987 1998 Bandasoriginalesrectificadas
Clasificación para 1987.
Imagen de Cambio.
39
Imagen de Cambio.
Clasificación para 1987.
Clasificación para 1998.
1987 NDVI NDVI1998
3.2.5.1.3.- Post-clasificación con ACP. Clasificación supervisada sobre el
ACP de cada año. (Figura N° 6).
Figura N° 6: Metodología de Post-Clasificación con ACP.
3.2.5.2.- Imagen de diferencias. La imagen de diferencias consiste en la
simple resta entre imágenes de dos fechas, de modo que las zonas estables
presentarán un valor cercano a cero, y las que hayan experimentado cambios
ofrecerán valores significativamente distintos de cero (positivos o negativos).
(Chuvieco, 1996).
Esta técnica de detección de cambio se aplicó sobre el correspondiente NDVI
de los años 1987 y 1998, cuya expresión matemática fue:
IDif = NDVI1998 – NDVI1987 (3.2)
Donde:
IDif = Imagen de Diferencia.
NDVI1987 = NDVI para el año 1987.
NDVI1998 = NDVI para el año 1998.
Clasificación para 1987.
Clasificación para 1998.
1987 1998ACPACP
Imagen de Cambio.
40
Macleod and Congalton (1998), incorporan modificaciones al tradicional
tratamiento de la imagen de diferencias con el propósito de generar una imagen
de cambio que presente la dirección y magnitud de cambio del uso del suelo.
Esta modificación genera una máscara binaria de cambio que separa las zonas
estables y las zonas dinámicas en ambas fechas, y así obtener la clasificación
de las zonas dinámicas de la imagen de 1998 desde de los píxeles con cambio
entre ambas fechas, y la clasificación de las zonas estables de 1998 desde la
clasificación de la imagen de 1987. La aplicación de éste método se
esquematiza a continuación. (Figura N° 7).
Figura N° 7: Metodología para la Imagen de diferencia del NDVI.
Imagen de Diferencia.Identificación depíxeles de cambio.
NDVI 1987
NDVI 1998
1987
Bandas TMrectificadas
Clasificaciónde píxeles decambio de1998.
Clasificación para 1998.
Creación deimagenbinariade cambio.
Píxelessincambio.
Imagen de cambio.
Clasificación para 1987.
41
3.2.5.3.- Análisis de Componentes Principales Multitemporales. A partir del
análisis de componentes principales multitemporales se seleccionó el
componente que destacara los cambios entre los años 1987 y 1998, y con esta
imagen se generó una mascara binaria de cambio que permitiera obtener la
clasificación de las zonas dinámicas de 1998 desde de los píxeles con cambio
entre ambas fechas, y la clasificación de las zonas estables de 1998 desde la
clasificación de 1987, de igual modo que en la metodología de la imagen de
diferencias al NDVI propuesta por Macleod and Congalton, 1998.
Esta alternativa de detección de cambios con ACP es la que se aplicó en este
estudio y su forma de aplicación se esquematiza a continuación:
Figura N° 8: Metodología del Análisis de Componentes Principales
Multitemporales.
Clasificaciónde píxeles decambio de1998.
Clasificación para 1998.
Creación deimagenbinariade cambio.
Imagen de cambio.
Clasificación para 1987.
Bandas TMrectificadas
Aplicación deACP Multitemporal.Selección imagende cambio.
1987 1998
Píxelessincambio.
1987
42
3.2.6.- Método de Verificación de Resultados
La información de los cambios ocurridos en el área de estudio a través de las
imágenes satelitales fue comparada con la información testigo generada a partir
de un muestreo aleatorio simple realizado con fotografías aéreas escala
1:50000 de 1987 y fotografías a escala 1:20000 de 1994, única fuente de
información disponible para la zona de estudio y la más cercana a los años
1987 y 1998.
La verificación de los resultados obtenidos se realizó en base a dos matrices de
error que contraponen la información generada por la clasificación del cambio
de uso del suelo entregada por las imágenes satelitales y la información testigo.
Estas matrices, llamadas “error de detección de cambios” y ”error de
cambio y sin cambio”, se presentan en los Anexos Cuadros N° 1A y N° 2A.
La matriz de “error de detección de cambios” presenta en la diagonal los píxeles
estables y los píxeles de cambio en el resto de las celda, entregando la
posibilidad observar las zonas estables y dinámicas, y la cobertura original y
actual del suelo, indicando tendencias de cambio en la zona de estudio.
(Chuvieco, 1996).
A partir de éstas matrices se generaron el porcentaje de exactitud global de
acierto y el índice KAPPA que “intenta delimitar el grado de ajuste debido sólo a
la exactitud de la clasificación, prescindiendo del causado por factores
aleatorios”. De este modo, el índice KAPPA evalúa si el grado de discriminación
de las categorías de clasificación es significativamente mayor al que hubiera
obtenido en forma aleatoria (Chuvieco, 1996; Lyon et al., 1998; Macleod and
Congalton, 1999). Estos indicadores permitieron la evaluación cuantitativa de la
precisión alcanzada por los diferentes métodos de detección de cambios de uso
del suelo estudiados en esta investigación.
43
4.- DISCUSIÓN DE RESULTADOS
4.1.- Corrección Geométrica
La georreferenciación de las imágenes satelitales se realizó con el SIG Erdas
Image 8.3.1, con las cartas IGM correspondientes como información de
referencia, y cumpliendo el requisito de un error medio cuadrático del orden de
medio a un cuarto de píxel, condición fundamental al momento de realizar
comparaciones píxel a píxel entre imágenes satelitales multitemporales. El
Cuadro N° 4 indica los parámetros de georrefrenciación alcanzados con cada
imagen.
CUADRO N° 4. Parámetros de Georreferenciación de las imágenes de 1987 y
1998.
IMAGEN DE 1987 IMAGEN DE 1998
Información de referencia Carta IGM Carta IGM
Método de Resampleo Nearest Neighbor Nearest Neighbor
Orden del polinomio ajustado 3º 3º
Puntos de control 49 30
RMS total 0.3712 0.3805
Pixel 30*30 30*30
44
4.2.- Calibración Radiométrica
Las inestables condiciones de observación, las condiciones atmosféricas o la
calibración del sensor, se convierten en otro importante problema en la
detección digital de cambios, ya que la signatura espectral en un píxel se ve
modificada aunque se mantenga constante la cubierta (Chuvieco, 1996).
De este modo, tomando como referencia un grupo de píxeles del cuerpo de
agua (tranque) de baja reflectancia y píxeles de centros urbanos de alta
reflectancia de la imagen satelital de 1998, a través de regresiones lineales, se
ajustó la imagen satelital de 1987, banda por banda, permitiendo así
homogenizar los datos de ambas escenas, eliminando o minimizando los
efectos antes señalados. Los parámetros de calibración utilizados en este
estudio se presentan en el siguiente cuadro.
CUADRO N° 5: Parámetros de la calibración relativa aplicada a las imágenes
multitemporales.
MODELO: Y = A + B(X);
Y = BANDAi DE 1987; X = BANDAi DE 1998; i = 1,2,..,7.
Banda 1 y = -0.309 + 0.78 (x) R = 0.98
Banda 2 y = 3.580 + 0.62 (x) R = 0.98
Banda 3 y = 6.380 + 0.53 (x) R = 0.99
Banda 4 y = 3.550 + 0.57 (x) R = 0.99
Banda 5 y = 3.180 + 0.61 (x) R = 0.99
Banda 7 y = 2.000 + 0.62 (x) R = 0.99
45
4.3.- Mejoramiento Espectral
Con el propósito de mejorar la discriminación entre las coberturas de uso del
suelo y resumir un grupo amplio de variables en un nuevo conjunto más
pequeño, se aplicó un índice de vegetación y un análisis de componentes
principales al conjunto de bandas de ambas fechas, dejando otro grupo de
bandas crudas (sin ningún mejoramiento) para actuar como información testigo.
4.3.1.- Índice de Vegetación (NDVI)
Con el propósito de destacar la vegetación presente en las escenas de 1987 y
1998, a partir de las bandas roja e infrarroja se generó el índice de vegetación
(NDVI) a través de la siguiente formula.
NDVI = TM4 – TM3 (4.1)
TM4 + TM3
Donde:
TM4 = Banda 4 del sensor Landsat TM.
TM3 = Banda 3 del sensor Landsat TM.
Como resultado de la aplicación de este índice se obtuvieron escenas para los
años 1987 y 1998 que, según apreciación visual, permitieron diferenciar
efectivamente a los sectores con presencia de vegetación de aquellos sectores
sin vegetación. De este modo, las escenas del NDVI de 1987 y del NDVI de
1998 fueron utilizados como input en la clasificación supervisada de cada año.
46
Las escenas del NDVI generadas para cada año se observan en las siguientes
figuras.
Figura N° 9: Índice de vegetación, NDVI de 1987.
Figura N° 10: Índice de vegetación, NDVI de 1998.
Los NDVI de los años 1987 y 1998 muestran en colores verde oscuro a las
zonas con presencia de vegetación o masas arbóreas y, en colores amarillo,
café a café oscuro las zonas sin vegetación, como suelo agrícola y cuerpos de
agua.
47
4.3.2.- Análisis de Componentes Principales (ACP)
A partir de la matriz de correlación entre las bandas 1, 2, 3, 4, 5, y 7 de las
escenas de 1987 y 1998, se aplicó un análisis de principales componentes
cuyos parámetros de ajuste se presentan en los Cuadros N° 3A al N° 8A.
De los resultados del ACP se puede observar que el primer componente
principal de la escena de 1987 y 1998 explican el 76.65% y el 79.24% de la
varianza original. Por lo tanto, estos dos componentes, considerados como
escenas representantes de cada año, fueron utilizados en la clasificación
supervisada de cada año. Estas escenas se presentan a continuación.
Figura N° 11: Primer componente principal de la escena de 1987.
Figura N° 12 Primer componente principal de la escena de 1998.
48
4.4.- Detección del Cambio
4.4.1.- Post-clasificación
Este método de detección de cambio, a través del cruce de las imágenes
clasificadas de cada año, generó una imagen con la dirección de cambio de uso
del suelo, y a través de la cuantificación de los píxeles involucrados entregó la
superficie contenida en cada categoría, es decir, la magnitud del cambio.
De este modo, utilizando las bandas originales sin mejoramiento espectral, el
NDVI y el primer componente principal de las escenas de 1987 y 1998
respectivamente, se aplicó el método de detección de cambios por Post-
clasificación generando tres imágenes del cambio de uso del suelo en el
periodo de tiempo señalado. La cartografía de la clasificación del cambio de uso
del suelo generada por estás tres alternativas de Post-clasificación se
presentan en los Anexos N° 2 al N° 4.
4.4.2.- Imagen de Diferencia del NDVI
A partir de la imagen de diferencia entre los NDVI de 1987 y 1998, se generó
una mascara binaria de cambio que permitiera obtener la clasificación de las
zonas dinámicas de 1998 desde de los píxeles con cambio entre ambas fechas,
y la clasificación de las zonas estables de 1998 desde la clasificación de 1987.
La expresión matemática utilizada para obtener la imagen de diferencia del
NDVI de 1987 y 1998 fue:
IDif = NDVI1998 – NDVI1987 (4.2)
Donde:
IDif = Imagen de Diferencia.
NDVI1987 = NDVI para el año 1987.
NDVI1998 = NDVI para el año 1998.
49
A la imagen de diferencia resultante se le aplicó un “stretch “ o estiramiento de
sus valores al rango de 0 a 255 valores de despliegue que permite el SIG
Idrisi32. El resultado de este procedimiento puede observarse en la siguiente
imagen. (Figura Nº 13).
Figura N° 13: Imagen de diferencia del NDVI de 1987 y 1998.
Esta imagen de diferencia despliega a las zonas que perdieron vigor vegetal
entre ambas fechas, es decir, zonas de deforestación o cosecha forestal en
colores café a café oscuro . Por otro lado, los sectores que ganaron vigor
vegetal o zonas forestadas se despliegan en colores verde a verde oscuro.
Por último, a través de análisis visual se determinó el umbral de cambio que
entregara una mascara binaria de cambio, es decir, generar una imagen con
valores 0 y 1, en donde los píxeles con valores 1 representaran a las zonas de
cambio en su cobertura del suelo. La imagen resultante de este proceso se
observa en la Figura Nº 14.
50
Figura N° 14: Máscara binaria de cambio generada desde la Imagen de
diferencia del NDVI de 1987 y 1998.
Esta mascara binaria de cambio destaca en color verde oscuro a las zonas que
presentaron cambios en su cobertura de uso del suelo, y en color gris a las
zonas sin cambio entre 1987 y 1998.
La creación de la “máscara binaria de cambio” con la imagen de diferencias se
presenta como una poderosa herramienta para la discriminación de zonas de
cambio de cobertura de uso del suelo, principalmente en zonas de uso forestal
dado el origen y la forma de adquisición del NDVI.
Este método entrega una “imagen de cambio” que ofrece tanto dirección como
la magnitud del cambio entre las coberturas de uso del suelo entre 1987 y 1998.
La cartografía de la clasificación del cambio de uso del suelo generada por la
imagen de diferencia al NDVI se observa en el Anexo N° 5.
51
4.4.3.- Análisis de Componentes Principales Multitemporales
Los resultados de la aplicación del ACP Multitemporal se entregan en los
Anexos Cuadros N° 13A, N° 14A y N° 15A. En el Cuadro N° 14A se puede
apreciar que el primer componente, con el 57,53% de la varianza original,
representa los elementos estables entre ambas fechas, y que el segundo
componente, con un 20,87% de la varianza original, representa a los elementos
de cambio entre los años 1987 y 1998. Por lo tanto, se seleccionó al segundo
componente como la imagen que destaca los cambio de uso del suelo (figura
N° 15), y a partir de este se generó la mascara binaria de cambio.
Figura N° 15: Segundo componente principal multitemporal generado a partir
de las escenas de 1987 y 1998.
Esta imagen de cambio generada del segundo componente multitemporal,
destaca en colores verde a verde oscuro a las zonas forestadas; en color café a
café oscuro a las zonas de deforestación, de cosecha forestal o de arado
agrícola, y por último, en color amarillo se presentan las zonas sin cambio entre
los años 1987 y 1998.
52
Nuevamente, y de igual forma que con la imagen de diferencia, a través de
análisis visual se determinó el umbral de cambio que entregara una máscara
binaria de cambio (valores 0 y 1), en donde los píxeles con valores 1
representaran a las zonas de cambio en su cobertura del suelo. (Figura N° 16).
Figura N° 16: Máscara binaria de cambio creada desde el segundo
componente principal multitemporal de las escenas de 1987 y 1998.
Esta imagen binaria de cambio destaca en color verde oscuro a las zonas que
presentaron cambios en su cobertura de uso del suelo, y a las zonas sin cambio
entre 1987 y 1998 en color gris.
La creación de la “máscara binaria de cambio”, con la metodología de detección
de cambios con ACP Multitemporal, identifica una mayor cantidad de zonas
(píxeles) de cambio que la “máscara binaria de cambio generada por la imagen
de diferencia del NDVI”. Esto se debe a la presencia de fuertes cambios
espectrales en sectores agrícolas por lo que la “imagen componente” que
destaca grandes sectores de cambios de uso del suelo. La posible causa que
justifica esta diferencia son los diferentes estados de madures de los cultivos
agrícolas o condiciones de arado del suelo generados por la diferencia en la
53
fecha de adquisición de las imágenes satelitales, principio de enero y fines de
febrero respectivamente.
Este método de detección de cambios entrega una imagen de cambio que
ofrece tanto dirección como la magnitud del cambio entre las coberturas de uso
del suelo entre 1987 y 1998, es decir, la imagen de cambio originada con ACP
Multitemporal. La cartografía de la clasificación del cambio de uso del suelo
generada por el ACP Multitemporal se presenta en el Anexo N° 6.
De los cinco métodos de detección de cambios estudiados en esta
investigación, la Post-clasificación, con una menor cantidad etapas que cumplir
y la ausencia de procesos de interpretación involucrados en la búsqueda de una
imagen de cambio de uso del suelo, se destaca por ser el método más sencillo
de aplicar.
La determinación visual de la “imagen binaria de cambio” se presenta como una
dificultad al momento de definir el umbral de cambio que separe a los píxeles de
cambio de los píxeles estables, ya que depende demasiado de la experiencia y
del conocimiento del área de estudio por parte del investigador. Esta situación
puede facilitarse o ver mejorada su valides estadística al incorporar un criterio
cuantitativo en la determinación del umbral de cambio que mejor separe a los
sectores estables y dinámicos de entre imágenes satelitales multitemporales.
La etapa de “clasificación supervisada”, utilizada en todos los métodos de
detección de cambios revisados en este estudio, merece de un análisis más
profundo, toda vez que se requieren de áreas de entrenamiento que
representen lo más fielmente a la categoría que describen, y por lo tanto, su
correcta definición influye directamente en los resultados de la clasificación final
de cambios de uso del suelo. En éste estudio, esta relevante etapa de
clasificación no fue estudiada en detalle, y en el ámbito de investigaciones
54
nacionales, aún no se ha agotado la investigación de las distintas alternativas
de clasificación satelital y sus criterios de aplicación.
4.5 Verificación de Resultados
Según la información recogida de las fotografías aéreas, en el área de estudio
se presentaron 14 categorías de cambio entre 1987 y 1998. La identificación de
cada categoría de cambio se entrega en el Cuadro Nº 6.
Cuadro N° 6: Identificación de las categorías de cambio observadas en las
fotografías aéreas de 1987 y 1994 utilizadas como información testigo.
N° Categoría Categoría de Uso Suelo Uso Suelo Evolución
de cambio cambio testigo 1987 1998
1 1 I 1 Agrícola I Agrícola Sin Cambio
2 4 I 1 P. Pino I Agrícola Cambio
3 5 I 1 Renoval I Agrícola Cambio
4 6 I 1 B. N. Adulto I Agrícola Cambio
5 1 I 2 Agrícola I Agua Cambio
6 2 I 2 Agua I Agua Sin Cambio
7 1 I 3 Agrícola I Urbano Cambio
8 3 I 3 Urbano I Urbano Sin Cambio
9 1 I 4 Agrícola I P. Pino Cambio
10 4 I 4 P. Pino I P. Pino Sin Cambio
11 5 I 4 Renoval I P. Pino Cambio
12 5 I 5 Renoval I Renoval Sin Cambio
13 6 I 6 B. N. Adulto I B. N. Adulto Sin Cambio
14 1 I 7 Agrícola I P. Eucalipto Cambio
55
Congalton and Green (1999), propone un mínimo de 50 muestras por cada
categoría de cambio en la matriz de error, pauta derivada empíricamente. De
este modo, considerando estas recomendaciones, y focalizando la intensidad
de muestreo en las categorías de cambio más significativas en términos de
superficie, se utilizó la siguiente pauta para determinar el número de muestras a
obtener por categoría de cambio.
Cuadro N° 7: Intensidad de muestreo según porcentaje de superficie, por
categoría de cambio de uso del suelo.
% Superficie Superficie ha N° Muestra
< 0,5% < 207 5
0,5 - 5% 207 – 2071.5 15
> 5% > 2071.5 70
Por consiguiente, se obtuvieron un total de 435 muestras para las 14 categorías
de cambio observadas en la información testigo, y cuyo detalle se observa en el
Cuadro N° 8.
56
Cuadro N° 8: Número de muestras testigo por categoría de cambio de uso del
suelo observadas en las fotografías aéreas de 1987 y 1994 utilizadas como
información testigo.
N° Categoría
de cambio
Categoría de cambio
Testigo *
N° de muestras
testigo
1 1 l 1 70
2 4 l 1 15
3 5 l 1 15
4 6 l 1 5
5 1 l 2 5
6 2 l 2 5
7 1 l 3 5
8 3 l 3 5
9 1 l 4 70
10 4 l 4 70
11 5 l 4 15
12 5 l 5 70
13 6 l 6 15
14 1 l 7 70
TOTAL 435
* La identificación de las categorías de cambio de uso de suelo señaladas en la
segunda columna del presente cuadro se detallan en el Cuadro N° 6.
La verificación de los resultados obtenidos, en la aplicación de las diferentes
metodologías de detección de cambios analizadas, se realizó en base a dos
matrices de error que contraponen la información generada por la clasificación
57
de las imágenes satelitales y la información testigo. Estas matrices de “error de
detección de cambios” y ”error de cambio y sin cambio” se presentan en los
Anexos Cuadros N° 1A y N° 2A.
Para cada matriz de error se determinó la exactitud global del método
correspondiente y el índice KAPPA, dos medidas de precisión frecuentemente
utilizadas para evaluar clasificaciones de uso y cobertura de suelo obtenidas de
Sensores Remotos (Stehman, 1996; Congalton and Green, 1999).
Los resultados, de las matrices de “error de detección de cambios” y ”error de
cambio y sin cambio”, se presentan en los Anexos Cuadros N° 12A al N° 21A.
De ellos se puede señalar que:
Ø La metodología de Post-clasificación sin mejoramiento espectral
presenta 13 categorías de dirección de cambio sin que registre entre sus
resultados la dirección de cambio “agrícola – agua” que sí se observa
en la información testigo.
Ø La metodología de Post-clasificación NDVI presenta 15 categorías de
dirección de cambio registrando entre sus resultados la dirección de
cambio “agua - agrícola” que no se observa en la información testigo.
Ø La metodología de Post-clasificación ACP presenta 15 categorías de
dirección de cambio registrando entre sus resultados la dirección de
cambio “agua - agrícola” que no se observa en la información testigo.
Ø Las metodologías de Imagen de Diferencias del NDVI y ACP
Multitemporal presentan las mismas 14 categorías de dirección de
cambio que se observan en la información testigo.
58
Las cinco metodologías de detección de cambios presentan la dirección de
cambio “plantación de pino – agrícola”, resultado que requiere una cuidadosa
interpretación, ya que, si bien la detección del cambio espectral de la cobertura
del suelo es precisa, gran parte de esta superficie corresponde a terrenos
forestales recién cosechados, y por lo tanto, no se produjo necesariamente un
cambio en la cobertura de uso de suelo, pues continua siendo forestal. Esta
misma interpretación puede ser aplicada para las direcciones de cambio
“renoval – agrícola” y “bosque nativo adulto – agrícola”. Para verificar esta
situación se requiere control de terreno.
4.6.- Selección del mejor método de detección de cambios
La metodología de detección de cambio que permitió una mejor detección de la
magnitud y dirección del cambio de la cobertura de uso del suelo, durante 1987
y 1998, se determinó a partir de la exactitud global e índice KAPPA.
CUADRO N° 9: Exactitud global e índice KAPPA de la “Matriz de Error de
Detección de Cambio” para las cinco metodologías de detección de cambios
analizadas en este estudio.
Metodología de detección de cambio Exactitud
Global
Kappa
Post-clasificación sin mejoramiento espectral 78.2 0.74
Post-clasificación NDVI 84.1 0.82
Post-clasificación ACP 79.5 0.77
Imagen de diferencia del NDVI 91.3 0.90
Detección de cambios con ACP 80.0 0.77
59
CUADRO N° 10: Exactitud global e índice KAPPA de la “Matriz de Error de
Cambio y Sin Cambio” para las cinco metodologías de detección de cambios
analizadas en este estudio.
Metodología de detección de cambio Exactitud
Global
Kappa
Post-clasificación sin mejoramiento espectral 89.7 0.78
Post-clasificación NDVI 91.0 0.82
Post-clasificación ACP 91.3 0.82
Imagen de diferencia del NDVI 97.5 0.94
Detección de cambios con ACP 91.3 0.82
De la información entregada por las dos últimos cuadros se puede señalar que:
Ø En general, todos los métodos de detección de cambios revisados en
esta investigación entregan altos indicadores de precisión en la
discriminación de píxeles de cambio, es decir, presentaron un alto acierto
en la identificación de aquellos píxeles que modificaron su respuesta
espectral entre 1987 y 1998.
Ø De las cinco metodologías de detección de cambios, la que obtuvo
menor exactitud global e índice Kappa, en ambas matrices de error, fue
la Post-clasificación sin mejoramiento espectral. Por lo tanto, la
incorporación del NDVI o ACP como mejoramiento espectral en el
proceso de detección de cambios a través de Post-clasificación se
justifica al entregar mayores resultados que la utilización de las bandas
crudas o sin mejoramiento espectral.
Ø Los métodos de Post-clasificación con ACP y detección de cambios con
ACP Multitemporal obtuvieron resultados casi idénticos.
60
Ø El método de detección de cambio que presentó los mayores valores de
exactitud global e índice Kappa, para las matrices de “error de detección
de cambio” y “error de cambio y sin cambio”, fue la imagen de diferencias
del NDVI.
La creación de la “máscara binaria de cambio” con la imagen de diferencias se
presenta como una poderosa herramienta para la discriminación de zonas
estables de aquellas que presentaron cambios en su cobertura del suelo. Esto
entrega la posibilidad de separar las zonas estables de la imagen de 1998
(escena más reciente), para así concentrar el proceso de clasificación
supervisada sólo en las zonas que efectivamente presentaron cambios de uso
del suelo, y se comprueba al comparar los mayores indicadores de precisión
entregados por la imagen de diferencias del NDVI que los presentados por la
Post-clasificación con NDVI.
De este modo, la metodología seleccionada como aquella que determinó de
mejor forma los cambios producidos en el área de estudio, fue el método de
detección de cambios con la imagen de diferencias del NDVI.
61
Las superficies por categoría de cambio de uso del suelo según el método de
detección de cambio de uso del suelo de la imagen de diferencias del NDVI
para el área de estudio de esta investigación se presentan a continuación:
CUADRO N° 11: Superficies por categoría de cambio de uso del suelo según
Imagen de Diferencias del NDVI.
N° Categoría Categoría de Uso Suelo Uso Suelo Superficie
de cambio cambio 1987 1998 ha
1 1 I 1 Agrícola I Agrícola 26069.13
2 4 I 1 P. Pino I Agrícola 1383.48
3 5 I 1 Renoval I Agrícola 427.32
4 6 I 1 B. N. Adulto I Agrícola 146.25
5 1 I 2 Agrícola I Agua 3.42
6 2 I 2 Agua I Agua 42.30
7 1 I 3 Agrícola I Urbano 17.19
8 3 I 3 Urbano I Urbano 121.32
9 1 I 4 Agrícola I P. Pino 2234.52
10 4 I 4 P. Pino I P. Pino 3110.04
11 5 I 4 Renoval I P. Pino 13.14
12 5 I 5 Renoval I Renoval 5022.27
13 6 I 6 B. N. Adulto I B. N. Adulto 557.64
14 1 I 7 Agrícola I P. Eucalipto 2282.4
TOTAL 41430.42
El cambio de uso del suelo de “Plantación de pino – Agrícola” alcanza a una
superficie de 1383.48 ha, resultado que como se mencionó anteriormente,
requiere de una cuidadosa interpretación ya que, esta superficie corresponde
más bien a terrenos forestales recién cosechados, y que por lo tanto no se
62
produjo necesariamente un cambio en la cobertura de uso de suelo, pues
continua siendo forestal. Lo mismo ocurre con las 573,25 ha del cambio de uso
del suelo de “Renoval – Agrícola” y “Bosque Nativo Adulto – Agrícola”.
Para verificar esta situación se requiere de control en terreno.
La superficie cubierta por nuevas plantaciones de Pino insigne alcanza a
2234.52 ha debido a el cambio de uso del suelo de “Agrícola - Plantación de
pino”
La superficie cubierta por nuevas plantaciones de Eucalipto alcanza a 2282.4
ha debido a el cambio de uso del suelo de “Agrícola - Plantación de
eucalipto”
La superficie que se mantuvo sin cambios en su cobertura de “Renovales”
alcanza a 5022.27 ha y en “Bosque Nativo Adulto” a 557.64 ha.
En este estudio, queda demostrada una de las potencialidades de la utilización
de información satelital, toda vez que es posible conocer con un cierto grado de
exactitud, el dinamismo de las coberturas de suelo en situaciones que no tienen
información fidedigna y periódica como la proporcionada por las imágenes
Landsat TM, que gracias a su formato digital permite el análisis cuantitativo de
variables medioambientales, cualidad que no ofrecen otras fuentes de
información como las fotografías aéreas tradicionales.
Se debe señalar que los resultados de este estudio no limitan, ni agotan la
posibilidad de estudiar otras alternativas de metodologías de detección de
cambios, una gran variedad de otros mejoramientos espectrales, y definir su
aplicabilidad en clasificaciones digitales de mayor detalle.
63
5.- CONCLUSIONES
De los cinco métodos de detección de cambios estudiados en esta
investigación, la Post-clasificación se destaca por ser la más sencilla de aplicar
por la menor cantidad procesos y necesidad de interpretación involucrados en
la búsqueda de una imagen de cambio de uso del suelo.
La incorporación del NDVI o ACP como mejoramiento espectral en el proceso
de detección de cambios, a través de la Post-clasificación, mejora la detección
de los cambios de uso del suelo en comparación con la utilización de las
bandas crudas o sin mejoramiento espectral que presenta los menores valores
exactitud global e índice KAPPA.
El índice de vegetación NDVI, dado su origen y la forma de adquisición, se
presenta como el mejoramiento espectral que mejor discrimina las zonas de
cambio de cobertura de uso del suelo, principalmente en zonas de uso forestal
o con presencia de cobertura vegetal.
La metodología de detección de cambios de Imagen de Diferencias del NDVI
fue la que presentó los mejores valores de exactitud global e índice KAPPA, por
lo que se presenta como la metodología cuyos resultados detectaron de mejor
forma los cambios de uso del suelo para el área de estudio.
La determinación visual el umbral de cambio que determina la máscara binaria
de cambio, dificulta el proceso de establecer el intervalo de valores de nivel
digital que mejor separe las zonas estables de las que presentaron un cambio
de uso del suelo a través de imágenes satelitales multitemporales.
64
Entre 1987 y 1998, la superficie cubierta por nuevas plantaciones de Pino
insigne y Eucalipto alcanzan a 2234.52 ha y 2282.4 ha respectivamente debido
a el cambio de uso del suelo de “Agrícola - Plantación de pino” y “Agrícola -
Plantación de eucalipto”.
El cambio de uso del suelo entre 1987 y 1998 de “Plantación de pino –
Agrícola”; “Renoval – Agrícola” y “Bosque Nativo Adulto – Agrícola” alcanzaron
una superficie de 1383.48 ha, 427.32 ha y 146.25 ha.
Entre 1987 y 1998, la superficie de “Renovales” y “Bosque Nativo Adulto” que
se mantuvo sin cambios alcanza a 5022.27 ha y 557.64 ha respectivamente.
Los resultados obtenidos en este estudio entregan una orientación respecto de
la aplicabilidad de la imagen satelital Landsat TM en el monitoreo del recurso
forestales y coberturas de uso de suelo.
65
6.- RESUMEN
La importancia de actualizar información en forma periódica, eficaz y eficiente,
implica la evaluación de la información satelital probada en otros países,
destacándose el análisis multitemporal de imágenes satelitales para la
detección de cambios de la cobertura de uso del suelo.
Este estudio presenta la evaluación cuantitativa de las siguientes técnicas de
detección de cambios a través de imágenes satelitales LANDSAT Thematic
Mapper (TM); Post-clasificación utilizando las bandas crudas, Post-clasificación
a los NDVI generados en ambos periodos, Post-clasificación aplicando un
Análisis de Componentes Principales a las bandas de cada periodo, Imagen de
diferencias al NDVI de cada periodo y un Análisis de Componentes Principales
Multitemporal (ACP). De este modo, se determinaron la magnitud y dirección de
los cambios de uso de suelo para un área de estudio de La IX región de La
Araucanía.
El método de detección de cambios por Post-clasificación se destacó por ser la
más sencilla de aplicar. La incorporación del NDVI o ACP en el proceso de
detección de cambios a través de la Post-clasificación, mejora la detección de
los cambios de uso del suelo.
La metodología de detección de cambios de Imagen de Diferencias del NDVI
presentó los mejores valores de exactitud global e índice KAPPA, por lo que se
presenta como la metodología cuyos resultados detectaron de mejor forma los
cambios de uso del suelo.
66
SUMMARY
The importance of modernizing information in periodic, effective and efficient
form, it imply the evaluation of the information of satellite proven in other
countries, standing out the analysis of different dates of satellite images to
detect landuse change.
Using satellite images LANDSAT Thematic Mapper (TM), the present studies
aims at quantitatively assessing the accuracy of the following techniques for
detecting landcover changes; post-classification using raw imagery, post-
classification of NDVI generated in both periods, post-classification using a
Principal Components Analysis (PCA) for each period’s bands, image
differencing at the NDVI of each period and finally Pcipal Component Analisis
(PCA) multidates. In this way, they were determined the magnitude and address
of the changes of landuse for an area of study of the IX region of La Araucanía.
In this study, the method of detection of changes by Post-clasificación stood out
by being the simplest of applying. The incorporation of the NDVI or ACP in the
process of detection of changes through the Post-clasificación, it improve the
detection of the changes of landuse.
The image differencing change-detection technique with the highest values of
global accuracy and index KAPPA, proved to be the best method for landuse
changes detection.
67
7.- BIBLIOGRAFÍA
Ø Araya, L. 1998. El Catastro es solo una fotografía. Revista Chile Forestal.
CONAF. Santiago, Chile. Vol. 23 Nº 259. Pp 13 – 15.
Ø Avery, E. and Graydon B. 1992. Fundamentals of Remote Sensing and
Airphoto Interpretaion. Macmillan Publishing Company. 5ª Edición. 472 p.
Ø Belspo, 1999. Prime Minister’s Services Belgian Federal Office for
Scientific, Technical and Cultural Affairs. Landsat Thematic Mapper Data.
Disponible en Internet: http://www.belspo.be/telsat/landsat/tmap_001.htm
Ø CEO (Centre for Eart Observation), 1999. The CEO Programme.
Detection of changes. Disponible en Internet:
http://www.ceo.org/infopapers/mapping/page9.htm
Ø Chuvieco, E. 1996. Fundamentos de Teledetecciòn Espacial. Tercera
Edición. Ediciones Rialp S. A. Madrid, España. 568 p.
Ø CIESIN (Center for International Earth Science Information Network
Columbia University), 1999. “Thematic Guides”. * Provisional Release *.
Disponible en Internet:
http://infoserver.ciesin.org/TG/RS/HTML/chngdet.html
Ø Congalton, R. and Green, K. 1999. Aassessing the Accuracy of Remotely
Sensed Data: Principles and Practices. Lewis Publishers. 137 p.
68
Ø Copyright 1990-1995 Microsoft Corp. Ayuda de Microsoft Windows
4.00.950. Sistema de Ayuda de IDRISI para Windows.
Ø DNR, (Minnesota Department of Natural Resources) 1999. CHANGE
VIEW. Disponible en Internet http://www.ra.dnr.state.mn.us/changeview/
Ø IUFRO, 1994. Directrices Internacionales de IUFRO para la
Monitorización de los Recursos Forestales. Editado por Risto Päivinen,
H. Gyde Lund. Simo Poso and Tomasz Zawila-Niedzwiecki. Versión
española de Ramón Elena Rosselló y Bertram Husch. 101 pp.
Ø Jensen, J. 1996. Introductory Digital Image Processing A Remote
Sensing Perspective.
Ø Kitchin, M. and M. Barson, 1997. Monitoring Land Cover Change.
Specifications for the Remote Sensing of Agricultural Land Cover
Change. 1990 - 1995 Project. Disponible en Internet:
http://www.brs.gov.au/apnrb/landcov/specs/contents.htm
Ø Lillesand, T. and R. Kiefer. 1994. Remote Sensing and Image
Interpretaion. John Wiley & Sons, Inc. 3ª Edición. 748 pp.
Ø Lyon, J., et al, 1998. A Change Detection Experiment Using Vegetation
Indices. Photogrammetric Engineering & Remote Sensing, 64: 143-150.
69
Ø Macleod, R. and R. Congalton, 1998. A Quantitative Comparison of
Change-Deteccion Algorithms for Monitoring Eelgrass from Remotely
Sensed Data. Photogrammetric Engineering & Remote Sensing, 64: 207-
216.
Ø MARC (The Mid-America Remote sensing Center), 1999. Murray State
University. Change Detection in the Area of Benton and Draffenville,
Kentucky Utilizing Landsat Thematic Mapper Data. Disponible en
Internet: http://gis.mursuky.edu/gsc/gsc641/1997/tucker/index.html
Ø Muchoney, D. and B. Haack, 1994. Change Detection for Monitoring
Forest Defoliation. Photogrammetric Engineering & Remote Sensing, 60:
1243-1251.
Ø Pla, L. 1986. Análisis Multivariado: Método de componentes Principales.
Dpto. de Producción Vegetal Área de Cs. Del Agro y del Mar.
Universidad Nacional Experimental Francisco Miranda. Coro, Falcón,
Venezuela. 94 pp.
Ø Remote Sensing Note, 1999. Land Cover Change Detection. Disponible
en Internet: http://www.star.ait.ac.th/star/rsnotes/CP12/CP12-2.htm
Ø SSC (Swedish Space Corporation), 1999. METHODS FOR CHANGE
DETECTION. Disponible en Internet:
http://www.ssc.se/rst/rss/project/change.html
70
Ø Stehman, S. 1996. Estimating the Kappa Coefficient and its Variance
under Stratified Random Sampling. Photogrammetric Engineering &
Remote Sensing, 62: 401-402.
Ø West Virginia University, 1999. Department of Geology and Geography.
Comparison of Change Analysis Procedures. Disponible en Internet:
http://157.182.168.10/geog455/spring97/06/REMOTE.HTM
71
8.- ANEXO
72
FIGURA N° 1A: Espectro electromagnético. (Jensen, 1996).
ANEXO N° 2A.
FIGURA N° 2A: Rotación del sistema de coordenadas en un Análisis de
Componentes Principales. (Jensen, 1996).
73
FIGURA N° 3A: Contraste espectral de la vegetación en las bandas roja e
infrarroja. (Jensen, 1996).
ANEXO N° 4A.
ANEXO N° 5A
FIGURA N° 4A: Técnica de Detección de Cambios con Post-clasificación.
(Jensen, 1996).
74
FIGURA N° 5A: Técnica de Detección de Cambios con Imagen de Diferencia.
(Jensen, 1996).
75
CUADRO N°1A: Matriz de Error de Detección de Cambio.
INFORMACIÓN TESTIGO
1 l 1 2 l 2 3 l 3 4 l 4 5 l 5 6 l 6 1 l 2 1 l 3 1 l 4 1 l 7 2 l 1 4 l 1 5 l 1 5 l 4 6 l 1 Total1 l 1
I C 2 l 2
N L SIN 3 l 3
F A CAMBIO 4 l 4
O S 5 l 5
R I 6 l 6
M F 1 l 2
A I 1 l 3
C C 1 l 4
I A CON 1 l 7
Ó D CAMBIO 2 l 1
N A 4 l 1
5 l 1
5 l 4
6 l 1
Total
SIN CAMBIO CON CAMBIO
76
Indice KAPPA =
Porcentaje Global de Acierto =
CUADRO N°2A: Matriz de Error de Cambio y Sin Cambio.
77
Indice KAPPA =
Porcentaje Global de Acierto =
Sin Cambio Cambio
Sin Cambio
Cambio
Total
Total
CUADRO N° 3A: Matriz de correlación para las bandas de la escena de 1987.
b1cal_1987 b2cal_1987 b3cal_1987 b4cal_1987 b5cal_1987 b7cal_1987b1cal_1987 1.000.000 0.965698 0.942881 0.123772 0.850404 0.855313b2cal_1987 0.965698 1.000.000 0.965346 0.174905 0.859409 0.863688b3cal_1987 0.942881 0.965346 1.000.000 0.061027 0.845726 0.867950b4cal_1987 0.123772 0.174905 0.061027 1.000.000 0.236973 -0.010146b5cal_1987 0.850404 0.859409 0.845726 0.236973 1.000.000 0.931394b7cal_1987 0.855313 0.863688 0.867950 -0.010146 0.931394 1.000.000
CUADRO N° 4A: Matriz de correlación para las bandas de la escena de 1998.
COR MATRX b1_1998 b2_1998 b3_1998 b4_1998 b5_1998 b7_1998
b1_1998 1.000.000 0.972128 0.963019 0.441552 0.840736 0.822585b2_1998 0.972128 1.000.000 0.985830 0.485470 0.841003 0.826242b3_1998 0.963019 0.985830 1.000.000 0.425076 0.855678 0.848073b4_1998 0.441552 0.485470 0.425076 1.000.000 0.323985 0.185454b5_1998 0.840736 0.841003 0.855678 0.323985 1.000.000 0.959573b7_1998 0.822585 0.826242 0.848073 0.185454 0.959573 1.000.000
78
CUADRO N° 5A: Porcentaje de varianza, valores y vectores propios del ACP estandarizados de la escenade 1987.
COMPONENT C 1 C 2 C 3 C 4 C 5 C 6% var. 76.65 17.00 4.46 0.92 0.64 0.32
eigenval. 4.60 1.02 0.27 0.06 0.04 0.02
eigvec.1 0.449796 -0.025458 -0.367421 -0.740240 -0.101721 -0.322078eigvec.2 0.454492 0.022666 -0.360213 0.085161 0.284531 0.758262eigvec.3 0.449521 -0.091750 -0.347054 0.662597 -0.236591 -0.417201eigvec.4 0.072811 0.977471 -0.003187 0.050626 0.138664 -0.132092eigvec.5 0.438460 0.095083 0.579626 -0.047375 -0.630267 0.251525eigvec.6 0.437610 -0.161028 0.528039 0.030820 0.660497 -0.257946
CUADRO N° 6A: Porcentaje de varianza, valores y vectores propios del ACP estandarizados de la escenade 1998.
COMPONENT C 1 C 2 C 3 C 4 C 5 C 6
% var. 79.24 14.93 4.52 0.69 0.45 0.17eigenval. 4.75 0.90 0.27 0.04 0.03 0.01
eigvec.1 0.443140 0.019628 -0.388416 -0.749167 0.246562 0.174159eigvec.2 0.447671 0.063965 -0.356613 0.263085 -0.025660 -0.773598eigvec.3 0.447281 -0.010729 -0.348970 0.482225 -0.306406 0.592975eigvec.4 0.218061 0.912446 0.318099 0.040385 0.113373 0.064971eigvec.5 0.426756 -0.200860 0.558529 -0.269042 -0.619337 -0.098073eigvec.6 0.416517 -0.350009 0.432479 0.250959 0.669502 0.075867
79
CUADRO N° 7A: Cargas factoriales del ACP de la escena de 1987.
LOADING C 1 C 2 C 3 C 4 C 5 C 6
b1cal_1987 0.964624 -0.025709 -0.190090 -0.174024 -0.019970 -0.044940b2cal_1987 0.974694 0.022890 -0.186361 0.020021 0.055859 0.105802b3cal_1987 0.964034 -0.092655 -0.179553 0.155771 -0.046447 -0.058213b4cal_1987 0.156148 0.987113 -0.001649 0.011902 0.027222 -0.018431b5cal_1987 0.940314 0.096021 0.299877 -0.011137 -0.123733 0.035096b7cal_1987 0.938491 -0.162616 0.273188 0.007246 0.129668 -0.035992
CUADRO N° 8A: Cargas factoriales del ACP de la escena de 1998.
LOADING C 1 C 2 C 3 C 4 C 5 C 6
b1_1998 0.966225 0.018580 -0.202302 -0.152258 0.040417 0.017676b2_1998 0.976106 0.060550 -0.185738 0.053468 -0.004206 -0.078514b3_1998 0.975255 -0.010157 -0.181757 0.098006 -0.050226 0.060182b4_1998 0.475461 0.863732 0.165678 0.008208 0.018584 0.006594b5_1998 0.930501 -0.190136 0.290904 -0.054679 -0.101522 -0.009954b7_1998 0.908177 -0.331323 0.225252 0.051004 0.109746 0.007700
80
CUADRO N° 9A: Matriz de correlación multitemporal de las escenas de 1987 y 1998.
MATRX b1cal_1987 b2cal_1987 b3cal_1987 b4cal_1987 b5cal_1987 b7cal_1987 b1_1998 b2_1998 b3_1998 b4_1998 b5_1998 b7_1998
b1cal_1987 1.000.000 0,965698 0,942881 0,123772 0,850404 0,855313 0,453163 0,445203 0,452527 0,165642 0,47258 0,486653
b2cal_1987 0,965698 1.000.000 0,965346 0,174905 0,859409 0,863688 0,439558 0,438104 0,445443 0,191074 0,474513 0,486118
b3cal_1987 0,942881 0,965346 1.000.000 0,061027 0,845726 0,86795 0,469319 0,469016 0,493405 0,153939 0,493753 0,515868
b4cal_1987 0,123772 0,174905 0,061027 1.000.000 0,236973 -0,010146 -0,095244 -0,083894 -0,128706 0,322603 -0,024318 -0,081461
b5cal_1987 0,850404 0,859409 0,845726 0,236973 1.000.000 0,931394 0,333915 0,336785 0,349906 0,195646 0,425884 0,426549
b7cal_1987 0,855313 0,863688 0,86795 -0,010146 0,931394 1.000.000 0,37248 0,375805 0,398615 0,135696 0,459545 0,483664
b1_1998 0,453163 0,439558 0,469319 -0,095244 0,333915 0,37248 1.000.000 0,972128 0,963019 0,441552 0,840736 0,822585
b2_1998 0,445203 0,438104 0,469016 -0,083894 0,336785 0,375805 0,972128 1.000.000 0,98583 0,48547 0,841003 0,826242
b3_1998 0,452527 0,445443 0,493405 -0,128706 0,349906 0,398615 0,963019 0,98583 1.000.000 0,425076 0,855678 0,848073
b4_1998 0,165642 0,191074 0,153939 0,322603 0,195646 0,135696 0,441552 0,48547 0,425076 1.000.000 0,323985 0,185454
b5_1998 0,47258 0,474513 0,493753 -0,024318 0,425884 0,459545 0,840736 0,841003 0,855678 0,323985 1.000.000 0,959573
b7_1998 0,486653 0,486118 0,515868 -0,081461 0,426549 0,483664 0,822585 0,826242 0,848073 0,185454 0,959573 1.000.000
81
CUADRO N° 10A: Porcentaje de varianza, valores y vectores propios del ACP Multitemporal de las escenasde 1987 y 1998.
Componente C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12
% var. 57,53 20,87 10,85 5,09 2,65 1,45 0,5 0,33 0,29 0,2 0,16 0,07
eigenval. 6,9 2,5 1,3 0,61 0,32 0,17 0,06 0,04 0,04 0,02 0,02 0,01
eigvec.1 0,317056 0,304488 -0,035705 0,050824 -0,311344 0,208352 -0,642946 0,057093 -0,385846 -0,07806 -0,301558 0,003518
eigvec.2 0,318314 0,3149 0,004571 0,027258 -0,28817 0,256022 0,062168 0,15865 0,214768 0,256426 0,689557 0,183732
eigvec.3 0,323052 0,285825 -0,083849 0,083024 -0,276889 0,203003 0,607027 -0,285689 0,120078 -0,208633 -0,37185 -0,189265
eigvec.4 0,016401 0,175267 0,735185 -0,578556 -0,145453 -0,164863 0,060289 0,132731 0,052515 0,049397 -0,137572 -0,008688
eigvec.5 0,291319 0,352131 0,056473 -0,015014 0,39689 -0,444633 -0,060911 -0,516071 -0,214267 -0,180767 0,288985 0,019064
eigvec.6 0,300954 0,316086 -0,130014 0,139402 0,445572 -0,237357 0,027451 0,556193 0,265376 0,217556 -0,299024 -0,032128
eigvec.7 0,312411 -0,326231 0,013692 0,053826 -0,238716 -0,292878 -0,326671 -0,168943 0,663766 -0,23327 -0,072372 0,120963
eigvec.8 0,314408 -0,332079 0,041519 0,087081 -0,195854 -0,275872 0,056228 0,175173 -0,2422 0,124519 0,199165 -0,720708
eigvec.9 0,317674 -0,324272 -0,020411 0,055935 -0,170296 -0,27621 0,277832 0,049406 -0,388234 0,243277 -0,138669 0,613452
eigvec.10 0,144493 -0,164661 0,638307 0,598286 0,258045 0,313276 0,009688 0,015694 -0,026134 -0,134489 0,012112 0,05139
eigvec.11 0,316889 -0,257416 -0,033836 -0,320376 0,332597 0,401858 -0,11026 -0,365863 0,08968 0,52604 -0,128739 -0,100371
eigvec.12 0,315298 -0,23785 -0,142039 -0,401498 0,254145 0,2661 0,082815 0,317623 -0,113089 -0,615035 0,150311 0,076467
82
CUADRO N° 11A: Cargas factoriales del ACP Multitemporal, de las escenas de 1987 y 1998.
LOADING C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12
b1cal_1987 0,833024 0,481842 -0,040744 0,039730 -0,175499 0,086871 -0,158129 0,011427 -0,072566 -0,012090 -0,041981 0,000328
b2cal_1987 0,836327 0,498319 0,005216 0,021308 -0,162436 0,106746 0,015290 0,031755 0,040391 0,039716 0,095996 0,017111
b3cal_1987 0,848778 0,452307 -0,095680 0,064900 -0,156077 0,084640 0,149295 -0,057182 0,022583 -0,032314 -0,051767 -0,017626
b4cal_1987 0,043092 0,277353 0,838927 -0,452261 -0,081989 -0,068738 0,014828 0,026567 0,009877 0,007651 -0,019152 -0,000809
b5cal_1987 0,765403 0,557235 0,064442 -0,011736 0,223719 -0,185386 -0,014981 -0,103295 -0,040297 -0,027998 0,040231 0,001775
b7cal_1987 0,790716 0,500194 -0,148360 0,108971 0,251161 -0,098964 0,006751 0,111325 0,049909 0,033696 -0,041628 -0,002992
b1_1998 0,820820 -0,516249 0,015624 0,042076 -0,134560 -0,122113 -0,080343 -0,033815 0,124834 -0,036129 -0,010075 0,011265
b2_1998 0,826066 -0,525504 0,047377 0,068072 -0,110399 -0,115022 0,013829 0,035062 -0,045550 0,019286 0,027727 -0,067120
b3_1998 0,834647 -0,513149 -0,023291 0,043725 -0,095993 -0,115163 0,068331 0,009889 -0,073015 0,037679 -0,019305 0,057131
b4_1998 0,379637 -0,260570 0,728378 0,467683 0,145455 0,130618 0,002383 0,003141 -0,004915 -0,020830 0,001686 0,004786
b5_1998 0,832586 -0,407352 -0,038611 -0,250440 0,187479 0,167551 -0,027118 -0,073230 0,016866 0,081474 -0,017922 -0,009348
b7_1998 0,828403 -0,376389 -0,162082 -0,313853 0,143257 0,110948 0,020368 0,063574 -0,021268 -0,095258 0,020926 0,007121
83
CUADRO N°12A: Matriz de Error de Detección de Cambio para Post-clasificación Sin
Mejoramiento espectral.
INFORMACIÓN TESTIGO
1 l 1 2 l 2 3 l 3 4 l 4 5 l 5 6 l 6 1 l 2 1 l 3 1 l 4 1 l 7 2 l 1 4 l 1 5 l 1 5 l 4 6 l 1 Total
1 l 1 65 4 3 1 1 4 78
I C 2 l 2 5 1 6
N L SIN 3 l 3 5 1 6
F A CAMBIO 4 l 4 1 69 6 7 1 84
O S 5 l 5 1 38 4 1 1 5 1 51
R I 6 l 6 1 2 2 5
M F 1 l 2 0 0
A I 1 l 3 4 4
C C 1 l 4 1 1 63 10 3 78
I A CON 1 l 7 1 3 3 60 67
Ó D CAMBIO 2 l 1 0 0
N A 4 l 1 1 1 1 13 1 17
5 l 1 3 9 1 13
5 l 4 1 12 1 2 5 1 22
6 l 1 1 1 2 4
Total 70 5 5 70 70 15 5 5 70 70 0 15 15 15 5 435
0,74
78,2
SIN CAMBIO CON CAMBIO
84
Indice KAPPA =
Porcentaje Global de Acierto =
CUADRO N°13A: Matriz de Error de Cambio y Sin Cambio para Post-clasificación Sin
Mejoramiento espectral.
0,78
89,7
Indice KAPPA =
Porcentaje Global de Acierto =
20
25
230
Sin Cambio Cambio
Sin Cambio
Cambio
210
180
Total
205
Total 235 200 435
85
CUADRO N°14A: Matriz de Error de Detección de Cambio para Post-clasificación del NDVI.
INFORMACIÓN TESTIGO
1 l 1 2 l 2 3 l 3 4 l 4 5 l 5 6 l 6 1 l 2 1 l 3 1 l 4 1 l 7 2 l 1 4 l 1 5 l 1 5 l 4 6 l 1 Total
1 l 1 66 1 1 68
I C 2 l 2 3 3
N L SIN 3 l 3 3 3
F A CAMBIO 4 l 4 70 7 7 2 86
O S 5 l 5 35 2 3 40
R I 6 l 6 1 5 6
M F 1 l 2 5 5
A I 1 l 3 1 5 6
C C 1 l 4 2 65 2 69
I A CON 1 l 7 2 1 5 68 76
Ó D CAMBIO 2 l 1 2 0 2
N A 4 l 1 13 13
5 l 1 8 14 1 23
5 l 4 17 1 10 28
6 l 1 2 1 4 7
Total 70 5 5 70 70 15 5 5 70 70 0 15 15 15 5 435
0,82
84,1
SIN CAMBIO CON CAMBIO
86
Indice KAPPA =
Porcentaje Global de Acierto =
CUADRO N°15A: Matriz de Error de Cambio y Sin Cambio para Post-clasificación del NDVI
0,82
91
Indice KAPPA =
Porcentaje Global de Acierto =
5
34
206
Sin Cambio Cambio
Sin Cambio
Cambio
201
195
Total
229
Total 235 200 435
87
CUADRO N°16A: Matriz de Error de Detección de Cambio para Post-clasificación con ACP.
INFORMACIÓN TESTIGO
1 l 1 2 l 2 3 l 3 4 l 4 5 l 5 6 l 6 1 l 2 1 l 3 1 l 4 1 l 7 2 l 1 4 l 1 5 l 1 5 l 4 6 l 1 Total
1 l 1 64 3 67
I C 2 l 2 4 1 5
N L SIN 3 l 3 5 5
F A CAMBIO 4 l 4 68 6 7 81
O S 5 l 5 1 35 2 1 1 2 42
R I 6 l 6 2 5 7
M F 1 l 2 4 4
A I 1 l 3 5 5
C C 1 l 4 1 3 61 15 80
I A CON 1 l 7 3 2 5 55 1 66
Ó D CAMBIO 2 l 1 1 1
N A 4 l 1 2 1 13 2 18
5 l 1 3 1 13 1 18
5 l 4 1 15 1 3 10 30
6 l 1 1 1 4 6
Total 70 5 5 70 70 15 5 5 70 70 0 15 15 15 5 435
0,77
79,5
SIN CAMBIO CON CAMBIO
88
Indice KAPPA =
Porcentaje Global de Acierto =
CUADRO N°17A: Matriz de Error de Cambio y Sin Cambio para Post-clasificación con ACP.
0,82
91,3
Indice KAPPA =
Porcentaje Global de Acierto =
5
33
207
Sin Cambio Cambio
Sin Cambio
Cambio
202
195
Total
228
Total 235 200 435
89
CUADRO N°18A: Matriz de Error de Detección de Cambio para Imagen de diferencia del NDVI.
INFORMACIÓN TESTIGO
1 l 1 2 l 2 3 l 3 4 l 4 5 l 5 6 l 6 1 l 2 1 l 3 1 l 4 1 l 7 2 l 1 4 l 1 5 l 1 5 l 4 6 l 1 Total
1 l 1 69 2 71
I C 2 l 2 5 5
N L SIN 3 l 3 4 4
F A CAMBIO 4 l 4 68 6 2 2 78
O S 5 l 5 58 2 4 64
R I 6 l 6 2 2 10 14
M F 1 l 2 5 5
A I 1 l 3 1 5 6
C C 1 l 4 1 65 2 68
I A CON 1 l 7 5 68 73
Ó D CAMBIO 2 l 1 0 0
N A 4 l 1 13 13
5 l 1 14 1 15
5 l 4 2 1 9 12
6 l 1 2 1 4 7
Total 70 5 5 70 70 15 5 5 70 70 0 15 15 15 5 435
0,90
91,3
SIN CAMBIO CON CAMBIO
Indice KAPPA =
Porcentaje Global de Acierto =
90
CUADRO N°19A: Matriz de Error de Cambio y Sin Cambio para Imagen de diferencia del NDVI.
0,94
97,5
Indice KAPPA =
Porcentaje Global de Acierto =
6
5
236
Sin Cambio Cambio
Sin Cambio
Cambio
230
194
Total
199
Total 235 200 435
91
CUADRO N°20A: Matriz de Error de Detección de Cambio del ACP Multitemporal.
INFORMACIÓN TESTIGO
1 l 1 2 l 2 3 l 3 4 l 4 5 l 5 6 l 6 1 l 2 1 l 3 1 l 4 1 l 7 2 l 1 4 l 1 5 l 1 5 l 4 6 l 1 Total
1 l 1 67 7 1 2 1 1 79
I C 2 l 2 5 5
N L SIN 3 l 3 5 5
F A CAMBIO 4 l 4 66 6 2 1 2 77
O S 5 l 5 1 41 2 2 1 1 5 3 56
R I 6 l 6 3 3 10 1 17
M F 1 l 2 3 3
A I 1 l 3 1 1
C C 1 l 4 1 1 61 14 77
I A CON 1 l 7 5 55 60
Ó D CAMBIO 2 l 1 0 0
N A 4 l 1 1 13 14
5 l 1 9 1 10
5 l 4 1 12 1 3 9 26
6 l 1 1 1 3 5
Total 70 5 5 70 70 15 5 5 70 70 0 15 15 15 5 435
0,77
80
SIN CAMBIO CON CAMBIO
Indice KAPPA =
Porcentaje Global de Acierto =
92
CUADRO N°21A: Matriz de Error de Cambio y Sin Cambio del ACP Multitemporal.
0,82
91,3
Indice KAPPA =
21
17
239
Sin Cambio Cambio
Sin Cambio
Cambio
218
179
Total
196
Total 235 200 435
93
ANEXO N° 1: Mapa de ubicación de la zona de estudio.
94
ANEXO N° 2: Mapa del Cambio del Uso del Suelo según Post_clasificación sin Mejoramientoespectral.
95
ANEXO N° 3: Mapa del Cambio del Uso del Suelo según Post_clasificación del NDVI.
96
ANEXO N° 4: Mapa del Cambio del Uso del Suelo según Post_clasificación del ACP.
97
ANEXO N° 5: Mapa del Cambio del Uso del Suelo según Imagen de Diferencia.
98
ANEXO N° 6: Mapa del Cambio del Uso del Suelo según ACP Multitemporal.
99
