Segmentacióndeimágenes comobaseparala ...Una de las grandes ventajas de los SIG es la posibilidad de automatizar procesos, el modelo hidrológico del numero de curva caracteriza

Segmentación de imágenes como base para la caracterización hidrológica de la cobertura de

suelo.

Ing. Lizardo Reyna Bowen Diciembre, 2010

UNIVERSIDAD MAYOR DE SAN SIMÓN VICERRECTORADO

Centro de Levantamientos Aeroespaciales y

Aplicaciones SIG para el Desarrollo Sostenible de los Recursos Naturales

Segmentación de imágenes como base para la caracterización hidrológica de la cobertura del suelo.

Por

Ing. Lizardo Reyna Bowen

Asignación Final Individual (Trabajo de Grado) presentado al Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible de los Recursos Naturales en cumplimiento parcial de los requisitos para la obtención del grado académico de Máster en Ciencias de la Geo - Información y Observación de la Tierra, en la mención en: Evaluación de Recursos Hídricos. Comité de evaluación del AFI Presidente Lic. Stephan Dalence M. MS.c. Asesor Principal Lic. Benjamin Gossweiler H. MS.c. Docente CLAS Ing. María R. Sandoval G. Ms.c. Docente ITC Ir. Gabriel N Parodi MS.c.

Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible

de los Recursos Naturales Cochabamba, Bolivia

Aclaración Este documento descr ibe el trabajo realizado como par te del programa de estudios de Maestría en

el Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible de los Recursos Naturales. Todos los puntos de vista y opiniones expresadas en el mismo son responsabilidad exclusiva del autor y no representan necesar iamente las del Centro.

5

Resumen

Desde hace unas décadas se han implementado técnicas espaciales en estudios hidrológicos, la más importante es la clasificación temática de imágenes satelitales para determinar el tipo de cobertura. Las técnicas convencionales de clasificación no garantizan una cartografía temática exacta, se basan en el análisis a nivel de pixel, los que pueden contener información mezclada en el caso de los pixeles borde, esto conlleva a errores cualitativos (límites) y cuantitativos (áreas y perímetros) en los mapas temáticos. Se aplico la metodología de clasificación orientada a objeto a una imagen SPOT de la cuenca Santiváñez ubicada en Cochabamba. Se realizaron 72 segmentaciones con el modulo Feature extraction de Envi Ex, variando los parámetros scale y merge cada 10 unidades. La evaluación de las segmentaciones se realizo mediante una función objetivo propuesta por (Espindola et al., 2006), basada en la varianza y el índice de de Moran I. Se determino que los parámetros óptimos para la segmentación fueron; para scaleà 20 y para mergeà 50. Se obtuvieron segmentos de entrenamiento para 5 clases, la clasificación se realizó en base a los atributos espectrales y texturales, la evaluación se realizo con zonas de muestreo tomadas sobre la imagen, respaldadas por puntos de control tomados en campo y Google Earth. Con el resultado de la matriz de confusión se calcularon dos indicadores de calidad; la precisión global que llego a 94.65% y el coeficiente Kappa resulto 0.92. Finalmente se determinaron características hidrológicas de la cuenca como; pendiente, tipo hidrológico de suelo, y humedad antecedente, para caracterizar hidrológicamente la cobertura según el modelo del número de curva (CN-NRCS).

6

©

7

Agradecimientos

8

Tabla de contenidos

1. Introducción ................................................................................................................................... 12

1.1. Antecedentes .......................................................................................................................... 12

1.2. Justificación ............................................................................................................................. 13

1.3. Planteamiento del Problema ................................................................................................... 14

2. Objetivos ........................................................................................................................................ 15

2.1.1. Objetivo general .............................................................................................................. 15

2.1.2. Objetivos específicos ....................................................................................................... 15

3. Marco Teórico ................................................................................................................................. 16

3.1. Modelamiento Hidrológico ...................................................................................................... 16

3.2. Modelo hidrológico del CN-NRCS ............................................................................................. 17

3.2.1. Abstracción inicial ............................................................................................................ 17

3.2.2. Número de Curva ............................................................................................................. 18

3.3. Sistemas de Información Geografica ........................................................................................ 18

3.4. Teledetección .......................................................................................................................... 18

3.5. Analisis de imágenes orientado a objeto .................................................................................. 18

3.5.1. Evaluación de la segmentación ........................................................................................ 19

3.6. Clasificación de imagenes ........................................................................................................ 20

3.6.1. Evaluación de la Clasificación ........................................................................................... 20

3.7. Satelite SPOT ........................................................................................................................... 20

4. Marco Metodológico ....................................................................................................................... 21

4.1. Segmentacion de imagen SPOT................................................................................................ 21

4.2. Evaluación de la segmentación ................................................................................................ 22

4.3. Clasificación............................................................................................................................. 22

4.4. Evaluación de la clasificación ................................................................................................... 23

4.5. Caracterización hidrológica segun el modelo CN-NRCS ............................................................ 25

5. Resultados y Discusión .................................................................................................................... 26

5.1. Segmentación .......................................................................................................................... 26

9

5.2. Clasificacion ............................................................................................................................ 29

5.3. Caracterizacion Hidrologica..................................................................................................... 32

6. Conclusiones .................................................................................................................................. 35

7. Recomendaciones .......................................................................................................................... 36

8. Referencias Bibliográficas ............................................................................................................... 37

Anexos ................................................................................................................................................... 39

10

Lista de figuras

Figura 1. Esquema Hidrológico ............................................................................................................... 16 Figura 2. Imagen original ........................................................................................................................ 19 Figura 3. Imagen segmentada .................................................................................................................. 19 Figura 4. Esquema de pruebas de segmentación ...................................................................................... 21 Figura 5. Proceso de entrenamiento para seleccionar segmentos representativos para cada clase. ............. 23 Figura 6. Scatter plot de las bandas Nir y Red para selección de áreas de evaluación ............................... 24 Figura 7. Selección de áreas de evaluación sobre la imagen ..................................................................... 24 Figura 8. Diagrama de dispersión 3D ...................................................................................................... 27 Figura 9. Diagrama de dispersión 3D para identificar los parámetros Scale y Merge ................................ 27 Figura 10. Imagen segmentada con los parámetros .................................................................................. 27 Figura 11. Detalle de la segmentación en zonas de cultivos ..................................................................... 27 Figura 12. Escena segmentada completamente ........................................................................................ 28 Figura 13. Mapa de cobertura .................................................................................................................. 31 Figura 14. Tabla de Ilwis con los parámetros de la caracterización .......................................................... 33 Figura 15. Mapa de Numer de curva ....................................................................................................... 34

11

Lista de tablas y cuadros

Tabla 1. Zonas de control en pixeles ....................................................................................................... 24 Tabla 2. Estadística básica de la funcion objetivo ................................................................................... 26 Tabla 3. Matriz de confusión .................................................................................................................. 29 Tabla 4. Errores de omisión y comisión .................................................................................................. 29 Tabla 5 Coeficiente Kappa ..................................................................................................................... 29 Tabla 6. Grupo hidrológico de suelo y humedad antecedente .................................................................. 32 Cuadro 1. Características de SPOT 4 ...................................................................................................... 20 Cuadro 2. Atributos utilizados ................................................................................................................ 22

SEGMENTACION DE IMÁGENES COMO BASE PARA LA CARACTERIZACION HIDROLOGICA DE LA COBERTURA DEL SUELO

12

1. Introducción

El modelamiento hidrológico está directamente relacionado con la cobertura del suelo y su distribución espacial, la cantidad de lluvia que se convertirá en escorrentía depende de la capacidad de infiltración del suelo, el tipo de cobertura condiciona la escorrentía siendo mayor en zonas urbanas por efecto de la superficie impermeable de las obras civiles (asfalto, concreto, etc.), la planificación de los recursos hídricos no solo es importante para el estudio de la situación actual, sino también para futuros escenarios (Cermak et al., 1979). El mapeo de la cobertura del suelo realizada en forma manual requiere de muchos recursos económicos y resulta muy laborioso el trabajo de campo, la tecnología de percepción remota o teledetección permite identificar los tipos de cobertura del suelo en forma más eficiente y económica, actualmente existen variedad de productos (imágenes) satelitales y aerotransportados que facilitan la clasificación de grandes extensiones de terreno, además resulta significativamente más económico que el método convencional de campo. El método para calcular la escorrentía directa del USDA–Natural Resources Conservation Service, se basa en el número de curva. Este parámetro representa el potencial de escorrentía superficial y está definido por el tipo de suelo, cobertura y pendiente. La pendiente es un factor importante en los procesos hidrológicos y en el estudio del suelo, actualmente están disponibles de manera gratuita los Digital Elevation Model’s (DEM) generados por pares estereoscópicos de imágenes ASTER con una resolución de 30 metros, a partir de estos es posible generar con relativa precisión derivados como la pendiente, aspecto, curvaturas, curvas de nivel, entre otros, así como también características hidrológicas como el área y drenaje de una cuenca.

1.1. Antecedentes

La técnica de caracterización hidrológica de la cobertura del suelo a través de imágenes de satélite ha sido ampliamente utilizada desde finales de la década de los 70 con el lanzamiento del programa satelital ERTS (Earth Resources Technology Satelite), posteriormente llamado Landsat. En octubre 1979 el cuerpo de ingenieros de la armada de los Estados Unidos de Norte América realiza una primera publicación “Hydrologic Land Use Classification Using LANDSAT” en el que se describe el procedimiento aplicado a las imágenes para su clasificación y su aplicación en la metodología del numero de curva (CN) para el modelamiento hidrológico, cabe decir que las técnicas de procesamiento han cambiado desde entonces siendo ahora mas robustas y generando mejores resultados, por ejemplo la segmentación. Desde esa fecha se han realizado innumerables investigaciones en todo el mundo relacionadas a la aplicación de imágenes de satélite con fines hidrológicos (Amutha y Porchelvan, 2009, Shi et al., 2009, Sharma y Singh, 1992) son algunos autores que demuestran la efectividad de la utilización de información satelital integrada con un sistema de información geográfica (SIG) para la determinación de características hidrológicas a nivel de cuenca. La tecnología de teledetección ha ido evolucionando positivamente desde su aparición con imágenes multiespectrales de baja y mediana resolución espacial hasta imágenes con detalle menores a un metro,


13

MODIS, ASTER, SPOT, IKONOS y QUICKBIRD son algunos de los programas a nivel de gobierno e iniciativas comerciales privadas que actualmente proveen de imágenes satelitales de diferentes características y dependiendo del propósito y escala del proyecto se escogerá la más adecuada. El procesamiento digital de imágenes (PDI) es una ciencia que se desarrolla a grandes pasos, permite realizar correcciones de tipo radiométrico, geométrico y atmosférico a las imágenes cada vez con mayor exactitud, además la extracción de información temática se realiza a través de procedimientos computacionales derivados del PDI (Sobrino, 2000). La segmentación es el insumo base para el análisis de imágenes orientado a objeto, nace en estudios médicos en los años 70 y más tarde esta técnica es incorporada en aplicaciones de la geociencia, sin embargo, existen pocas investigaciones orientadas a la clasificación de imágenes. Liu et. al.( 2008), Menciona tres niveles característicos que se derivan de la imagen segmentada para la clasificación; Nivel 1 las características son propias del segmento (área, perímetro, forma, textura etc.), nivel 2, la relación espacial de los objetos (segmentos), por ejemplo proximidad, contención, adyacencia, y nivel 3 las características de la imagen son patrones espaciales en el que pueden estar envueltos más de dos objetos. En el proceso de segmentación la imagen es dividida en regiones espectrales homogéneas, aquí se consideran características intrínsecas de la imagen como nivel de gris, textura y contaste, la segmentación es un proceso automático para el cual se deben definir algunos parámetros como umbrales de similitud y tamaño mínimo de las regiones, el resultado es un mapa de polígonos que agrupan regiones similares en la imagen (segmentos-objetos), de los cuales se escogerán los representativos para cada clase que serán las zonas de entrenamiento para la clasificación.

1.2. Justificación

Una de las grandes ventajas de los SIG es la posibilidad de automatizar procesos, el modelo hidrológico del numero de curva caracteriza la cobertura del suelo asignando un valor que representa el potencial de escorrentía, y a través de algoritmos programados es posible ser realizada de manera automática, para el efecto es necesario contar con información espacializada de la cobertura del suelo que es precisamente lo que las imágenes satelitales permiten obtener de manera semi-asistida o automática. La cartografía temática permite a los hidrólogos relacionar variables biofísicas con la cobertura del suelo de manera espacial. Para el modelamiento hidrológico es importante conocer el área de cada una de las unidades en las que se encuentra dividida una cuenca hidrográfica, la clasificación de imágenes permiten obtener mapas temáticos de la cobertura del suelo de manera práctica y relativamente económica. La metodología convencional de clasificación de imágenes está basada en el análisis del pixel y se divide en dos grandes categorías; supervisada y no supervisada de acuerdo a la metodología de obtención de las áreas de entrenamiento (Hemerson de Olivera, 2007), pero, “cuál es el problema con los pixeles?”, en general el problema se presenta cuando el tamaño de nuestro objeto de estudio es menor al tamaño del pixel, en ese caso se cuenta con información mezclada, por ejemplo un pixel de 30x30m que representa el límite entre dos tipos de cobertura en el proceso de clasificación se sobreestimara el área total de una.


14

Errores de este tipo, entre otros, pueden ser minimizados mediante el análisis de imágenes orientado a objeto. El análisis de imágenes orientado a objeto se basa en la segmentación, permite dividir la imagen en regiones o segmentos homogéneos y excluyentes que posteriormente se convertirán en zonas de entrenamiento para la clasificación, esto reduce significativamente el problema de sobrepocision de clases, inconveniente común en metodologías convencionales de clasificación, es por eso el método escogido para el desarrollo de esta investigación.

1.3. Planteamiento del Problema

La metodología de campo para el mapeo de la cobertura suelo resulta actualmente ineficiente en aspectos económicos y de tiempo, los sensores remotos son una excelente alternativa para la adquisición de información de la superficie terrestre. La clasificación de imágenes por segmentación contribuye a mejorar la exactitud de los resultados en los mapas temáticos finales. El modelamiento hidrológico está cada día más relacionado con aplicaciones de teledetección y SIG, por tanto es necesario desarrollar metodologías que incrementen la exactitud de los resultados finales. Los métodos convencionales de clasificación de imágenes, abrieron nuevos horizontes en cuanto al estudio de la cobertura de la superficie, investigaciones sobre el comportamiento espectral de las coberturas han logrado corregir las señales que captan los sensores satelitales modificadas por la presencia de gases en la atmosfera, sin embargo, el análisis de imágenes basado en pixeles, lleva intrínseco errores que limitan su aplicación para trabajos de precisión, pixeles bordes y mixtos, son motivo de las principales causas de error de asignación y, por consecuencia, de la pérdida de exactitud en la cartografía temática generada (Perea et al., 2009). Hay que reconocer que pixeles individuales no son verdaderos objetos geográficos, en cambio, son celdas de una grilla arbitraria quienes contienen valores digitales que representan la integración de la energía del área que cubren (Hay et al., 2005). En general el análisis de imágenes orientado a objeto, se refiere al procedimiento cuyo resultado es una imagen dividida en regiones no sobrepuestas (segmentación), basado en criterios específicos, esto permite realizar una clasificación en base a estas regiones y no en pixeles, las reglas de asignación se centran en los atributos de cada objeto o región. El modelamiento hidrológico calcula la cantidad de agua que producirá una cuenca en un evento de lluvia a través del escurrimiento superficial y subsuperficial, el número de curva determina el potencial de escorrentía de una zona delimitada por la cobertura, entonces, áreas sobredimensionadas o sub-dimensionadas de cobertura, generan errores en el cálculo de caudales y dificultan la calibración de modelos. Se pretende con la segmentación de imágenes conseguir mapas temáticos más exactos.


15

2. Objetivos

2.1.1. Objetivo general

Evaluar la técnica de segmentación de imágenes con fines de clasificación, como base para la caracterización hidrológica del uso del suelo.

2.1.2. Objetivos específicos

Ø Determinar los parámetros óptimos de segmentación mediante una función objetivo.

Ø Determinar la cobertura del suelo de la cuenca Santibáñez a través de imágenes SPOT, mediante segmentación.

Ø Evaluar la clasificación.

Ø Determinar el número de curva para cada tipo de cobertura.


16

3. Marco Teórico

3.1. Modelamiento Hidrológico

El comportamiento hidrológico de una cuenca está dado por las características biofísicas propias, y de las condiciones meteorológicas. El tipo de roca, cobertura, relieve, suelo, entre otros, determina el comportamiento hidrológico ante un evento de precipitación. Generalmente una cuenca está dividida en subcuencas para estudiarse independientemente, sin dejar de ser parte del todo el sistema hidrológico, cada subcuenca aporta una cantidad determinada de agua al sistema de drenaje de toda la cuenca, teniendo en la salida de la cuenca la cantidad total de agua producida por una lluvia. El objetivo de el estudio de un sistema hidrológico es estudiar la operación del sistema y predecir su salida (Chow et al., 1994). Sin duda modelar con exactitud todas las características de una cuenca resulta imposible, sin embargo se han desarrollado metodologías que se aproximan bastante a las condiciones naturales, esto permite estimar la cantidad de agua que se producirá como escorrentía en un evento de lluvia. El modelamiento hidrológico está basado principalmente en la cantidad de agua que se convierte en escorrentía superficial y llega a los cursos de agua, los aspectos que condicionan este proceso son; la infiltración, la evaporación, la intercepción vegetal y el almacenamiento. La infiltración es parte del tipo de suelo, cobertura y el uso, partículas grandes de suelo permitirán que el agua se infiltre con mayor facilidad. La evaporación es el agua que sube a la atmosfera en forma de vapor de agua a causa de la radiación solar, y la intercepción es el agua que no llega a estar en contacto con la superficie del suelo, quedándose en las hojas de las plantas (Robledo et al., 2007).

El cambio de áreas rurales a urbanas usualmente incrementa la erosión, la descarga y el volumen de agua de escorrentía en una cuenca (USDA, 1986), la impermeabilización del suelo restringe la recarga de acuíferos, tema de suma importancia en el manejo de los recursos hídricos.

Figura 1. Esquema Hidrológico


17

La estimación de la escorrentía superficial es esencial para la planificación de medidas de conservación de suelo y agua, reducir la sedimentación y prevenir inundaciones y deslaves (Shi et al., 2009). Existen varios modelos hidrológicos para determinar la escorrentía que produce una lluvia, sin embargo, la extensa cantidad de variables necesarias para el modelamiento hidrológico limita la aplicación algunos modelos para algunos objetivos, por ejemplo, sedimentación, contaminantes, erosión; SWAT, CREAMS, EPIC, AGNPS y NRCS-CN, son algunos de los modelos utilizados para hidrología cada uno con sus propias características y aplicaciones. Con la aparición de los SIG y la tecnología GPS en las ciencias naturales actualmente es posible realizar modelamiento hidrológico en 2D y 3D, la mayor parte de los modelos son aplicables en ambiente SIG (Valdiviezo, 2008).

3.2. Modelo hidrológico del CN-NRCS

En 1936 el departamento de agricultura de EE.UU fue autorizado para realizar pruebas de campo e investigaciones en cuencas sobre la escorrentía superficial, se realizaron cientos pruebas de infiltración en muchos lugares (Donald E et al., 2002), todo esto con la finalidad de prevenir la erosión del suelo, mas tarde el SCS introdujo el modelo del CN para modelamiento hidrológico, desde 1994 el SCS cambia a NRCS. El NRCS creó 4 grupos hidrológicos de suelo dependiendo de su tasa de infiltración; A, B, C y D, donde las arenas se encuentran en el grupo A y las arcillas en el grupo D, esta clasificación se realizo en base a pruebas de laboratorio de infiltración y textura de suelos (Nielsen y Hjelmfelt, 1998). La asignación de un determinado suelo a un grupo hidrológico resulta muy subjetiva, para ello es necesario consultar la información oficial publicada como el NRCS National Engineering Handbook, sin embargo, su interpretación varía de acuerdo a cada profesional, suelos con similares características se pueden asignar a grupos hidrológicos diferentes. La conductividad hidráulica saturada define directamente el tipo hidrológico de suelo, sin embargo esa información no está siempre disponible o no es posible obtenerla. En situaciones como esas, otras características del suelo como; textura, estructura, materia orgánica, minerales, entre otros, son utilizadas para estimar el movimiento del agua (USDA, 2007).

3.2.1. Abstracción inicial

La abstracción inicial indica la cantidad de lluvia que es retenida antes de que la escorrentía ocurra, aquí se considera la evaporación, intercepción y la infiltración. Originalmente en el modelo del CN se maneja

el valor de la relación Ia/S o λ (lambda) de 0.2.

En una reciente investigación sobre λ (Hawkins et al., 2001) se afirma que el valor 0.2 sobreestima el Ia. Se analizaron datos de 307 cuencas para la calibración de este parámetro, concluyendo que 0.05 es el valor que mejor se ajusta para el cálculo de la abstracción inicial, de acuerdo con el grado de correlación obtenido.


18

3.2.2. Número de Curva

El número de curva es un valor adimensional entre 0 y 100, que depende de; tipo hidrológico de suelo, cobertura, humedad antecedente y condiciones hidrológicas del terreno. 100 representa los cuerpos de agua, 35 advierte de un terreno con alta tasa de infiltración. El USDA en su publicación TR-55 presenta varias tablas para determinar el número de curva de acuerdo a las características del terreno, como esta, existen otras publicaciones en las que es posible consultar el numero de curva de manera simplificada, sin embargo es recomendable obtener los parámetros biofísicos del área de estudio y aplicar el modelo para la determinación del numero de curva. Originalmente el método CN fue diseñado para cuencas menores a 15 Km2, esto ha sido modificado ponderando el número de curva respecto al área de cobertura (Ramakrishnan et al., 2009).

3.3. Sistemas de Información Geografica

Actualmente los estudios tienden a analizar los efectos de los cambios en la naturaleza y los provocados por el hombre de manera espacial (en el contexto geográfico), por ejemplo, un planificador urbano le gustaría saber el límite de la extensión urbana de su ciudad, además cuantificar el crecimiento poblacional en los suburbios. Un SIG por definición “es un sistema de base de datos que están espacialmente relacionados y sobre los cuales se puede operar un set de procedimiento para responder preguntas acerca de las entidades en la base de datos” (CLAS, 2010). Existen muchos programas informáticos que permiten realizar análisis sig, algunos de ellos se distribuyen gratuitamente y brindan herramientas de análisis muy avanzados.

3.4. Teledetección

Es la ciencia encargada de obtener información de la superficie terrestre a través de sensores remotos, entre los más comunes están los sensores ópticos satelitales y los productos radar, ambos con muchas aplicaciones en el campo de los recursos naturales; como el control de incendios forestales, mapeo temático, inventarios agrícolas entre otros. Por otra parte la tecnología LIDAR (laser) es cada día más utilizada para el modelamiento del terreno y topografía de precisión. Chuvieco (2002), define la teledetección como aquella técnica que permite adquirir imágenes de la superficie terrestre desde sensores aéreos o espaciales.

3.5. Analisis de imágenes orientado a objeto

El análisis orientado a objeto es cada vez más utilizado para la clasificación de imágenes de alta resolución. El primer pasó es dividir la imagen en regiones (objetos) y luego clasificarlos en base a sus atributos espectrales y relaciones espaciales (Liu et al., 2008). Un algoritmo de segmentación divide la imagen en regiones relativamente homogéneas (Figura 2 y 3) llamados “objetos candidatos”, que en futuros procesos serán analizados y transferidos a objetos mayores (Blaschke, 2010).


19

Una reciente investigación sobre biomasa forestal Kajisa et al (2009), demuestra que el análisis orientado a objeto incrementa significativamente el grado de correlación entre los resultados obtenidos de la imágenes y los datos de verdad del terreno respecto al método basado en pixeles, obtuvieron un R2 = 0.76 y 0.67 respectivamente.

Figura 2. Imagen or iginal

Figura 3. Imagen segmentada

3.5.1. Evaluación de la segmentación

Espindola et. al. (2006). Proponen una función objetivo para determinar la segmentación más apropiada para clasificación, basada en el índice de autocorrelacion de Moran ‘s (I) para la evaluación inter-segmentos y la varianza ponderada para la evaluación intra-segmentos, ambos parámetros normalizados.

( , ) ( ) ( )F v I F v F I= +

Ecuación 1

3.5.1.1. Índice de Moran’s (I)

Cuantificar el grado de relación espacial es tema central en análisis espacial de datos, el índice de Moran es ampliamente utilizado para caracterizar la autocorrelacion espacial de variables (Shortridge, 2007). Cuando observaciones adyacentes están relacionadas se dice que existe autocorrelacion, puede ser positiva o negativa según sea el caso, caso contrario no existe autocorrelacion espacial. Moran (I) es un valor que varía de generalmente de -1 a 1 donde 0 indica que no existe autocorrelacion y los signos indican si esta es positiva o negativa. Moran (I) está dado por:

Donde wij es el peso entre la observación i y j, y So es la suma de wij.

1 1

2

1

( )( )

( )

n n

ij i ji j

nO

ii

w x x x xn

IS x x

= =

=

− −=

−

∑∑

∑

Ecuación 2


20

3.6. Clasificación de imagenes

Implica categorizar una imagen multibanda, reduciendo la escala de medida de una variable continúa a una escala nominal categórica (Ciomta, 2010). Básicamente es la agrupación de pixeles espectralmente semejantes, que formaran una clase temática. La comprobación de los resultados se realiza mediante visitas de campo toma de puntos de control sobre el terreno. Según el método de muestreo se clasifican en supervisada y no supervisada, en la primera el usuario designa un grupo de pixeles representativos de una clase en particular, para luego de un procedimiento computacional evaluar la probabilidad de los otros pixeles de estar en dicha clase. Para el caso de la clasificación no supervisada existen algoritmos que mediante pixeles semillas van definiendo las clases correspondientes a través de iteraciones, la distancia euclidiana entre valores digitales es quizás la más utilizada para este proceso.

3.6.1. Evaluación de la Clasificación

Se utiliza para evaluar la clasificación con puntos de control de terreno, la matriz de confusión. Es una matriz cuadrada de n x n donde n es el número de clases. El primer set de datos representa los datos de verdad de terreno obtenidos a través de salidas de campo, fotointerpretación u otras fuentes, el segundo set son los pixeles que han sido asignados diferentes clases por el clasificador (Brand y Mather, 2009).la diagonal de la matriz indica los pixeles que fueron asignados correctamente a sus clases, los valores fuera de la diagonal representan los errores de omisión y comisión, puede ser expresada en pixeles o en porcentajes.

3.7. Satelite SPOT

El programa SPOT (Systeme Pour la Observation de la Terre), diseñado por CNES ( Centre National d’ Estude Spatiales), está en funcionamiento desde 1986. Es de origen francés en colaboración con Bélgica y Suecia, recientemente se ha puesto en órbita el satélite SPOT 5, cargado con sensores de alta resolución que brindan imágenes de has 2.5m. Sus productos son de gran utilidad para múltiples aplicaciones como: agricultura, geología, hidrología, prevención de desastres, entre otros. Cuadro 1. Caracter ísticas de SPOT 4

HRVIR

Región espectral Resolución (XS1) 0.50-0.59 20 (XS2) 0.61-0.68 10 y 20 (XS3) 0.79-0.89 20

1.58-1.75 20

Fuente: (Sobrino, 2000)


21

4. Marco Metodológico

4.1. Segmentacion de imagen SPOT

Para la segmentación de la imagen SPOT multiespectral correspondiente a la zona de Santiváñez del departamento de Cochabamba, se selecciono una sección representativa de la imagen de 430 x 386 pixeles, se utilizo el programa Envi Ex 4.7. Envi Ex utiliza “edge-based algorithm” para segmentar las imágenes, requiere solo de un parámetro para ejecutarse “Scale level”, este parámetro puede variar entre 0 y 100. Valores altos generaran pocos segmentos. Se elegirán valores pequeños si se requiere extraer segmentos bien definidos. Una buena segmentación garantiza una clasificación bastante exacta (ITTVIS, 2009). Un parámetro opcional es “Merge level”, tiene un rango de 0 a 100, se utiliza para integrar segmentos muy pequeños a segmentos más grandes, elementos como arboles y nubes pueden generar segmentos no deseados (según sea el caso) por lo que se necesitara unir estos segmentos a los adyacentes. Se generaron 72 segmentaciones para la imagen SPOT utilizando las 4 bandas, variando el factor escala de 10 a 80 cada 10, y para cada variación se utilizo el factor “Merge” de 0 a 80 cada 10 (Figura 4).

Figura 4. Esquema de pruebas de segmentación

El producto de cada operación fue un mapa vector de polígonos con todos los atributos calculados, una gran lista de atributos que se pueden calcular está dividida en tres aspectos; espacial, espectral y textural. El atributo espacial representa el área en pixeles de cada segmento generado, el segundo es el promedio de los números digitales de cada segmento para cada banda utilizada, y el tercero es el promedio de la varianza de la textura de las bandas utilizadas, 4 en este caso. Los 72 mapas obtenidos de las diferentes combinaciones de factores de segmentación fueron ingresados a una base de datos geo-espacial (Postgis), para una mejor organización. La nomenclatura utilizada para identificar los mapas sigue el siguiente modelo s1010, donde s indica que el proceso fue segmentación, los dos primero números corresponden al factor de escala utilizado, los dos siguientes al factor merge, así s1010 es el mapa resultante de la segmentación con factor de escala 10 y factor merge 10. La base de datos fue administrada mediante QGIS, aquí se calcularon los mapas centroides de cada polígono (objetos/segmentos), se nombraron siguiendo la misma nomenclatura, y se asigno las coordenadas x y como dos columnas en la tabla de atributos de cada mapa para el análisis de


22

autocorrelacion espacial, finalmente se exportaron a formato .csv para ser analizados en R. Los atributos utilizados se muestran en el Cuadro 2 Cuadro 2. Atr ibutos utilizados

Spatial Spectral Texture AREA AVGBAND_X TX_VARIANCE

4.2. Evaluación de la segmentación

Una buena manera de evaluar una imagen segmentada es la visualización, sin embargo, si no se cuenta la experiencia suficiente en análisis de imágenes, puede resultar complicado determinar que segmentación será la más apropiada para una clasificación más exacta. Por otro lado se puede adoptar criterios estadísticos como indicadores cuantitativos de calidad. La función objetivo mencionada anteriormente, fue utilizada para evaluar y determinar los parámetros apropiados para segmentar la imagen con fines de clasificación. La función objetivo se basa en dos criterios; similaridad intra-segmento y disimilaridad inter-segmentos, para ello utiliza la varianza (v) ponderada de cada segmento y el índice de Moran (I), este ultimo utiliza las coordenadas xy para determinar criterio de vecinidad, cuando se trabaja con polígonos se puede adoptar varios criterios de vecinidad por ejemplo; dos polígonos serán vecinos si comparten una frontera, o se consideran vecinos si la distancia entre los centroides no supera un valor determinado. Para el cálculo de la función objetivo se utilizo el programa R y la librería APE, se generaron funciones y scripts para automatizar el cálculo de la varianza ponderada y el índice de moran, para ello fue necesario importar las matrices de datos desde el formato .csv. Para calcular autocorrelacion (I) de cada una de las segmentaciones se utilizo el promedio de los números digitales de las 4 bandas, de la tabla de atributos de los mapas de centroides de los polígonos, la distancia de peso para el criterio de vecinidad fue la que exista 100% de probabilidad de por lo menos a esa distancia se encuentre otro punto, esto se puede obtener mediante un “pattern análisis”. La varianza ponderada se la obtuvo del promedio de la varianza de las 4 bandas en cada uno de los segmentos. Finalmente el valor más alto de la suma de los parámetros calculados y normalizados, determino los valores apropiados para factor de escala y factor merge para la segmentación.

4.3. Clasificación

Ninguna clasificación está completa hasta que su exactitud sea evaluada, (Brand y Mather, 2009). Se tomaron puntos de control de terreno de la zona para contrastar los resultados a través de la matriz de confusión, estos puntos sirvieron de referencia para escoger sobre la imagen zonas de control, ya que la imagen utilizada es de varios años anteriores, sin embargo la zona escogida para este estudio no presenta gran actividad humana, por tanto los cambios en la cobertura del suelo no son significativos hasta la presente fecha.


23

Con la imagen segmentada y con los parámetros obtenidos mediante la función objetivo, se clasificó a través de zonas de entrenamiento. Este proceso resulta muy similar a un clasificación supervisada, difiere en que las zonas de muestreo son polígonos (segmentos u objetos) y no pixeles. Se seleccionaron segmentos representativos de cada clase a extraer, para el objetivo de esta investigación se determinaron 5 clases (Figura 5), tomando en cuenta que el número de zonas de entrenamiento no debe ser muy denso, esto puede tardar la clasificación y la pre-visualización por el consumo de memoria del computador. De los atributos calculados, se utilizaron para la clasificación, textura y espectral, los atributos espaciales son útiles cuando se quiere extraer zonas muy particulares en las que el área promedio y el perímetro son de importancia (techos de casas o piscinas por ejemplo), para el caso actual solo interesa las características espectrales y texturales de la imagen, ya que lo que se requiere es un mapa de cobertura. Los datos de entrenamiento fueron almacenados en formato .xml, para poder ser utilizadas con diferentes algoritmos.

Clases

Figura 5. Proceso de entrenamiento para seleccionar segmentos representativos para cada clase.

Cultivos Urbano Zona Boscosa Zona sin vegetación Roca Suelo en descanso

El algoritmo utilizado para clasificar, fue K Nearest Neighbor ITTVIS (2009) menciona que este algoritmo es más robusto que el Nearest Neighbor normal, utiliza la distancia euclidiana en un espacio n-dimensional donde n es el numero de atributos, y es mucho menos sensible al ruido. El parámetro K debe ser un número impar, este indica el número de vecinos que serán considerados en la clasificación.

4.4. Evaluación de la clasificación

Con los puntos gps de referencia tomados en campo (Anexo 1), y con la ayuda de Google Earth, se seleccionaron polígonos de control sobre la imagen de cada una de las clases (Figura 7), para evaluar los resultados de la clasificación. Se tomaron varias muestras de cultivos distantes a las del entrenamiento, de igual forma para las otras clases, con esto se pretende tener representatividad en las muestras sobre la imagen. Sin duda las zonas urbanas presentaron mayor dificultad, en esta clase se consideraron también las construcciones dispersas en la zona.


24

Figura 6. Scatter plot de las bandas Nir y Red para

selección de áreas de evaluación

Figura 7. Selección de áreas de evaluación sobre la

imagen

Para asegurar la pureza de las muestras para la evaluación, se analizaron mediante un scatter plot. Como se aprecia en Figura 6 las zonas urbanas pueden confundirse con las áreas sin vegetación, esto debido a los lugares donde se ha compactado el suelo como chanchas de tierra y caminos lastrados y con zonas rocosas similares al concreto, las zonas en descanso comparten ligeramente espacio con las zonas sin vegetación. El resto de clases presenta una separabilidad bastante buena, en la Tabla 1 se presentan el número de píxeles por clase, utilizados para la evaluación. Tabla 1. Zonas de control en pixeles

Class Ground Truth (pixels) Zona_Boscosa 493 Zona_en_descanso 1368 Urbano 90 Roca 538 Zona_sin_vegetacion 858

Total 3347

Se evaluó la precisión mediante dos fuentes; precisión global y el coeficiente Kappa. La precisión global se calculo a partir de la información resultante de la matriz de confusión según la siguiente expresión:

1 1

r

ijxPG

N==

∑

Ecuación3

Donde: r = Numero de filas de la matriz Xji = Numero de observaciones en la fila i y columna i


25

N = Total de puntos muestreados

El estadístico Kappa (κ ), mide el grado de ajuste debido solo a la exactitud de la clasificación, prescindiendo del causado por factores aleatorios (Esperanza y Zerda, 2010 ).

1 1

2

1

( )

( )

r r

ii i

r

ii

N Xij X xX iK

N X xX i

= =

=

− + +=

− + +

∑ ∑

∑

Ecuación 4

Donde: r: es el número de filas en la matriz. Xii: número de observaciones en la fila i y columna i. Xi+: totales marginales de la fila i.

X+i: totales marginales de la columna i. N: número total de píxeles de referencia.

4.5. Caracterización hidrológica segun el modelo CN-NRCS

Básicamente la caracterización hidrológica según el modelo CN-NRCS se refleja en el número de curva de las zonas delimitadas, esto indica el potencial de escorrentía en un evento de lluvia. Como se menciona en párrafos anteriores el numero de curva está ligado a varios otros parámetros biofísicos de la cuenca,

como permeabilidad, textura, prácticas agrícolas, entre otros, sin embargo existen investigaciones que han relacionado todas estas variables y se han sintetizado en tablas como en la publicación TR55 de USDA, esto permite determinar el número de curva de una cuenca con unas pocas variables, aunque esto resulta bastante subjetivo y su buena aplicación dependerá de la experiencia del investigador.

Para la presente investigación se decidió trabajar con cuatro parámetros; la pendiente, tipo hidrológico de suelo, humedad antecedente y la cobertura. La pendiente se obtuvo de un dem de 30m de la serie ASTER-GDEM, el cual fue procesado en Ilwis 3.3. La determinación del tipo hidrológico del suelo se realizo a

través de la visita de campo analizando los 5 tipos de cobertura establecidos. En base al esquema conceptual de la clasificación hidrológica de suelos, y a pruebas empíricas de campo (tacto y observación) se establecieron tipos hidrológicos A, B, C, D, existiendo desde zonas impermeables hasta zonas con alta tasa de infiltración como en las áreas boscosas.


26

5. Resultados y Discusión

5.1. Segmentación

Se obtuvieron 72 segmentaciones variando los parámetros Scale level y Merge level. En la segmentación más fina se generaron 14440 segmentos (s1000), mientras que en la más gruesa (s8080) se generaron 217 segmentos, es notorio que el rango de posibilidades es bastante grande, si bien el objetivo de la segmentación es determinante para la elección de los parámetros más apropiados, trabajar con parámetros mayores a 80 resulta improductivo porque existe mucha mezcla de objetos, lo cual se aleja del objetivo de una segmentación. Ahora bien para determinar cuál de tantas posibilidades es la más apropiada para una clasificación temática, se evaluaron cada una de las segmentaciones generadas de acuerdo con la función objetivo, para ello se calculo la varianza ponderada respecto al área en pixeles, y el índice de autocorrelacion de Moran (I), ambos parámetros normalizados (Tabla 2).

Tabla 2. Estadística básica de la funcion objetivo

Parámetro Var ianza

Normalizada I

Normalizado Función Objetivo

Min 1 0.0000 1 1 st Qu. 1 0.9024 1.9024 Median 1 0.9422 1.9422 Mean 1 0.8751 1.8751 3 rd Qu. 1 0.9612 1.9612 Max 1 1.0000 2

Matemáticamente los resultados de la función objetivo son levemente distintos, sin embargo, los parámetros de segmentación pueden variar significativamente entre cada resultado. La opción apropiada de parámetros será la que combine una baja autocorrelacion espacial (segmentos adyacentes distintos) y una baja varianza intra-segmentos (Espindola et al., 2006). Siguiendo con la metodología de evaluación se determino el valor más alto de la función objetivo, y, a que combinación de parámetros de Scale y Merge correspondía dicho valor, para ello se genero un diagrama de dispersión en 3D, en el cual el eje x (10-80) corresponde al Scale level, el eje y (1-2) a la función objetivo, y el eje z (0-80), a Merge level, Se generaron 72 segmentaciones de la imagen SPOT, variando los factores Scale y Merge en rangos de 10 los resultados de la función objetivo se muestran en la Figura 8 y Figura 9.


27

Figura 8. Diagrama de dispersión 3D

Figura 9. Diagrama de dispersión 3D para identificar los

parámetros Scale y Merge

Un análisis visual confirmó los resultados obtenidos mediante la función objetivo, la segmentación cumplió con las expectativas deseadas delimitando claramente los tipos de cobertura (Figura 12), en la Figura 11 se muestra el detalle de la segmentación. Se determino mediante la grafica que los parámetros óptimos para segmentar la imagen SPOT, de acuerdo a la función objetivo son; para Scale level à 20 y para Merge level à 50 el resultado se muestra en las Figura 10 y Figura 11.

Figura 10. Imagen segmentada con los parámetros

Scale= 20 y Merge = 50

Figura 11. Detalle de la segmentación en zonas de cultivos


28

Figura 12. Escena segmentada completamente


29

5.2. Clasificacion

Se clasificó la imagen segmentada mediante el algoritmo K Nearest Neighbor, todos los pixeles de la imagen fueron asignados a una clase, por tanto la clasificación resulto exhaustiva, se evaluó mediante la matriz de confusión respecto a las muestras de control tomadas sobre la imagen, los resultados se muestran en las Tabla 3 , Tabla 4, y Tabla 5. Tabla 3. Matr iz de confusión

Class Zona_Boscosa Zona_en_descanso Urbano Roca Zona_sin_vegetacion Unclassified 0 0 0 0 0 Zona_Boscosa 491 0 2 0 0 Zona_en_descanso 0 1281 1 0 86 Urbano 0 0 84 6 0 Roca 0 0 47 461 30 Zona_sin_vegetacion 0 0 3 4 851

Total 491 1281 137 471 976

Como se advertía en el scatter plot, las zonas urbanas, roca, y zonas sin vegetación, compartían lugares en el espacio característico, lo que significa que existen zonas diferentes, con respuestas espectrales similares. Durante la clasificación ocurrió que segmentos correspondientes a la clase roca fueron asignados a la clase urbano (47), y segmentos correspondientes a la clase suelo en descanso, fueron asignados a la clase sin vegetación (86). Tabla 4. Errores de omisión y comisión

Class Commision(% ) Omission(% ) Commision (pix) Omission (pix) Zona_Boscosa 0.41 0 2/493 0/491 Zona_en_descanso 6.36 0 87/1368 0/1281 Urbano 6.67 38.69 6/90 53/137 Roca 14.31 2.12 77/538 10/471 Zona_sin_vegetacion 0.82 12 7/858 116/967

Tabla 5 Coeficiente Kappa

Overall accuracy 3168/3347 94.6519% Kappa coefficient (K) 0.9261

Un valor K igual a 1 indica un acuerdo pleno entre la realidad y el mapa, mientras un valor cercano a 0, Indica que el acuerdo observado es puramente debido al azar. Si bien, los indicadores de calidad arrojan valores por encima del 90%, el análisis visual y la visita de campo, dejan en claro que esos valores están sobre estimando el método, esto pudo ser debido a:


30

• Las unidades temáticas escogidas para la clasificación eran claramente diferenciadas y de gran extensión.

• Insuficientes unidades temáticas para clasificar. En consecuencia, segmentos que posiblemente identificaban áreas con otras características diferentes a sus vecinos, fueron asignados a la clase más probable. Sin embargo, las ventajas del la metodología se notan en los pequeños detalles que se pudieron extraer como los arboles en los límites de las parcelas y zonas de cultivos, demostrando la robustez del método (Figura 13).


31

Figura 13. Mapa de cober tura


32

5.3. Caracterizacion Hidrologica

El mapa de cobertura obtenido de la clasificación de la imagen SPOT, fue el punto departida para la caracterización hidrológica, con la visita de campo se determino el tipo hidrológico de suelo y se estableció que para las zonas en descanso el tipo hidrológico era B al tener una textura media con presencia de terrones, esto conlleva a una moderada velocidad de infiltración. Para las zonas urbanas se estableció que tipo hidrológico era D al ser áreas prácticamente impermeables, el tipo A correspondió a las zonas boscosas, la presencia de material rocoso y materia orgánica en el suelo facilitan la infiltración de la lluvia. Las zonas sin vegetación constaban de suelo un tanto compactado, además de estar desprotegido y susceptible a la erosión, a estas áreas se asigno el tipo hidrológico C. La pendiente se obtuvo a partir de un dem de 30m, y se reclasifico en 2 categorías; mayor a 3% y menor a 3%. En la cuenca en estudio la actividad agrícola es en su mayoría extensiva y se da principalmente en la parte baja, y en época de lluvias, por ello la mayor parte del área se encontraba en descanso al ser actualmente época seca, esto fue ideal para determinar las áreas de entrenamiento en la imagen ya que la imagen fue tomada también en época seca del año 2002. En las partes altas de la cuenca se encuentran básicamente coberturas de bosque seco, carece de follaje, pero brindan protección al suelo contra los procesos erosivos eólicos e hídricos al tener una estructura densa, en la parte central del valle es posible encontrar áreas boscosas y plantaciones de pino. Sin duda el tipo hidrológico del suelo es parte clave en el modelamiento hidrológico, especialistas en suelos se basan en publicaciones realizadas que son susceptibles a interpretaciones, el resultado puede ser una clasificación hidrológica de suelo inconsistente, con poca correlación con las características físicas del suelo (Nielsen y Hjelmfelt, 1998). El método del numero de curva proporciona una relación entre el numero de curva y la humedad antecedente, para un numero de curva 55 en condiciones de humedad II, es 35 en condiciones de humedad I, y 75 para condición III (McCutcheon, 2003). La condición de humedad hace referencia a la lluvia que ha caído días antes de la evaluación, para la cuenca Santiváñez, se estableció la condición I para todas la áreas. El suelo estaba totalmente seco según el criterio hidrológico. La Tabla 6 resume los resultados de todo análisis. Tabla 6. Grupo hidrológico de suelo y humedad antecedente

Zona Grupo Hidrológico Humedad Antecedente

Zona_Boscosa A I Zona_en_descanso B I

Urbano D I Roca D I

Zona_sin_vegetacion C I


33

Con todos los parámetros analizados y los mapas listos se procedió a determinar el número de curva para cada unidad (clase), se importaron los mapas a Ilwis y se realizo un cruce entre el mapa de pendientes reclasificado y el mapa de cobertura, en la tabla resultante se agregaron dos columnas, una para el grupo hidrológico de suelo y para la humedad antecedente, seguidamente relacionando los parámetros analizados se determino el numero de curva para cada unidad (Figura 15), esto fue automatizado mediante una función con sentencias condicionales aplicable a tablas (Figura 14). Aunque para este caso no resulto necesario automatizar el proceso, se quiso demostrar esta posibilidad para optimizar este proceso cuando se tenga muchas unidades.

Figura 14. Tabla de Ilwis con los parámetros de la caracter ización


34

Figura 15. Mapa de Numer de curva


35

6. Conclusiones

El objetivo de este estudio fue explorar la técnica de segmentación de imágenes a fin de obtener una clasificación temática más exacta que la conseguida con metodología convencional de clasificación, además, desarrollar una manera cuantitativa de controlar la calidad de la segmentación a través de parámetros estadísticos. La aplicación de esta técnica para fines hidrológicos contribuye a refinar los cálculos de producción de agua en las cuencas. El análisis de imágenes orientado a objeto, reduce significativamente el número de elementos a analizar durante la clasificación, optimizando el tiempo de cálculo. El análisis de basado en pixel es remplazado por el análisis a nivel de segmentos, que están dados por agrupaciones de pixeles con similares características espectrales y texturales. La segmentación requiere que el usuario establezca ciertos parámetros, esto conlleva a tener múltiples opciones para segmentar una imagen, los segmentos generados contienen atributos de las bandas utilizadas en la segmentación, esto permite trabajar estadísticamente sobre ellos y establecer criterios y condiciones optimas para el objetivo deseado. La función objetivo utilizada para evaluar las segmentaciones, permitió establecer los parámetros óptimos para garantizar una buena clasificación, para ello fue necesario realizar muchas pruebas de segmentación ya que los resultados diferían en unas pocas decimas, sin embargo, esas diferencias pueden ser efecto de parámetros de estrada muy diferentes. La clasificación de imágenes basada en objetos resulta más eficiente que la convencional basada en pixeles, errores derivados de pixeles bordes y/o mixtos pueden ser reducidos considerablemente mediante segmentación, así como los efectos de ruido provocado por pixeles aislados, todo esto incrementa la exactitud del mapa final. La utilización de imágenes satelitales para la caracterización hidrológica de cuencas, abre muchas expectativas en cuanto a la optimización de recursos y uso de nuevas tecnologías, sin embargo, esto solo es una parte del proceso, el análisis cuidadoso de las variables que intervienen en los procesos hidrológicos, como textura, permeabilidad, prácticas agrícolas entre otros, reduce el riesgo de criterios inconsistentes, sobre todo en la identificación del los tipos hidrológicos de suelos, parámetros que es determinante para la elección del numero de curva que representa a un área determinada.


36

7. Recomendaciones

Se ha demostrado en esta investigación, que el análisis de imágenes orientado a objeto brinda nuevas expectativas en cuanto a la exactitud de los mapas temáticos obtenidos a partir de imágenes satelitales. Resulta necesario realizar múltiples pruebas de segmentación para que la función objetivo tenga argumentos suficientes para cumplir su meta. Basado en la bibliografía consultada, se recomienda realizar un mínimo de 10 segmentaciones para una muestra de imagen representativa.


37

8. Referencias Bibliográficas

AMUTHA, R. & PORCHELVAN, P. 2009. Estimation of surface runoff in Malattar sub-watershed using SCS-CN method. Journal of the Indian Society of Remote Sensing, 37, 291-304.

BLASCHKE, T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 65, 16.

BRAND, T. & MATHER, P. M. 2009. Classification Methods for Remotely Sensed Data. Taylor & Francis Group.

CERMAK, J. R., FELDMAN, A. D. & WEBB, R. P. 1979. Hydrologic land use classification using landsat. US Army Crops of Engineers-Institute for Water Resources-Hydrologic Eginneering Center (HEC), TP-67.

CIOMTA 2010. Clasificacion Digital de Imagenes. www.ciomta.com.ar. CLAS 2010. Introduccion a los Sistemas de Informacion Geografica. Texto guia de la Maestria en Geo-

Informacion - adaptacion al Español. CHOW, V. T., MAIDMENT, D. R. & W.MAYS, L. 1994. Hidrologia Aplicada. McGRAW-HILL

INTERMAREICANA S.A. CHUVIECO, E. 2002. Teledetección ambiental: la observación de la tierra desde el espacio, Ariel. DONALD E, W., RICHARD H, H., ALLEN T, H., MULLEM, J. A. V. & QUAN, Q. D. 2002. Curve Number

Method: Origins, Applications and Limitations. 7718 Keyport Terrace, Derwood, MD, 20855. ESPERANZA, F. & ZERDA, H. 2010 Clasificación digital de coberturas vegetales a partir de datos satelitales

multiespectrales. http://www.inta.gov.ar/manfredi/info/boletines/areasuelos/cober_veg_satel_multi.pdf Consultado On Line Diciembre 2010.

ESPINDOLA, G. M., CAMARA, G., REIS, I. A., BINS, L. S. & MONTEIRO, A. M. 2006. Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation. International Journal of Remote Sensing, 27, 3035 — 3040.

HAWKINS, R., JIANG, R., DONALD E, W., ALLEN T, H. & J.E.VANMULLEM 2001. Runoff Curve Number Method: Examination of the Initial abstraction Ratio. United States Department of Agriculture - Natural Resources Conservation Service - Conservation Engineering Division

HAY, G. J., CASTILLA, G., WULDER, M. A. & RUIZ, J. R. 2005. An automated object-based approach for

the multiscale image segmentation of forest scenes. International Journal of Applied Earth Observation and Geoinformation 7 339–359.

HEMERSON DE OLIVERA, O. P., KLAUS DE GEUS 2007. Segmentation and classification of landsat TM to monitor the soil use. ISPRS Journal of Photogrammetry & Remote Sensing, 33.

ITTVIS 2009. Envi Ex Help. ITT Visual Information Solutions software. KAJISA, T., MURAKAMI, T., MIZOUE, N., TOP, N. & YOSHIDA, S. 2009. Object-based forest biomass

estimation using Landsat ETM+ in Kampong Thom Province, Cambodia. The Japanese Forest Society and Springer.

LIU, Y., GUO, Q. & KELLY, M. 2008. A framework of region-based spatial relations for non-overlapping features and its application in object based image analysis. ISPRS Journal of Photogrammetry & Remote Sensing 63, 461–475.

MCCUTCHEON, S. C. 2003. Hydrologic Evaluation of the Curve Number Method for Forest Management in West Virginia

West Virginia Division of Forestry NIELSEN, R. & HJELMFELT, A. 1998. Hydrologic Soil Group Assignment. USDA.


38

PEREA, A. J., MEROÑO, J. E. & AGUILERA, M. J. 2009. Clasificacion orientada a objetos en fotografías aéreas digitales para la discriminación de usos del suelo. Interciencia, 34.

RAMAKRISHNAN, D., BANDYOPADHYAY, A. & KUSUMA, K. 2009. SCS-CN and GIS-based approach for identifying potential water harvesting sites in the Kali Watershed, Mahi River Basin, India. Journal of Earth System Science, 118, 355-368.

ROBLEDO, J. A. K., KRETZSCHMAR, T. & HINOJOSA-CORONA, A. 2007. Evaluación del escurrimiento superficial en el noreste del Valle de Guadalupe, B.C., México, usando el método de curvas numeradas y datos de satélite. Revista Mexicana de Ciencias Geologicas, 24, 1-14.

SHARMA, K. D. & SINGH, S. 1992. Runoff estimation using Landsat Thematic Mapper data and the SCS model. Hydrological Sciences -Journal- des Sciences Hydrologiques, 37.

SHI, Z.-H., CHEN, L.-D., FANG, N.-F., QIN, D.-F. & CAI, C.-F. 2009. Research on the SCS-CN initial abstraction ratio using rainfall-runoff event analysis in the Three Gorges Area, China. CATENA, 77, 1-7.

SHORTRIDGE, A. 2007. Practical limits of Moran’s autocorrelation index for raster class maps. Computers, Environment and Urban Systems

31, 362-371. SOBRINO, J. 2000. Teledeteccion. Universidad de Valencia. USDA 1986. Urban Hydrology for small watersehds. United States Department of Agriculture - Natural

Resources Conservation Service - Conservation Engineering Division, TR-55. USDA 2007. National Engineering Handbook USDA-NRCS. Part 630 Hydrology Chapter 7 VALDIVIEZO, F. O. 2008. Aplicacion de Tecnicas de Fotointerpretacion, Modelamiento Hidrologico y SIG en

un Estudio de Hidrologia Urbana en la Sierra Ecuatoriana XXII Congreso Latinoamericano de Hidraulica, Ciudad Guayana, Venezuela


39

Anexos


40

Anexo 1. Puntos GPS para control de ter reno

punto x y z DESCRIPCION

1 792116.09 8057455.43 2500.3 URBANO

2 787882.25 8058748.79 2543.5 BOSQUE-LLANO

3 787908.48 8058806.57 2552.2 BOSQUE-MONTAÑA

4 788108.04 8058727.31 2555.8 CULTIVOS

5 788486.47 8058602.63 2547.8 CULTIVOS

6 788489.95 8058612.85 2549 VIA

7 788508.64 8058626.75 2550.5 CULTIVOS

8 789798.69 8058532.46 2538.7 CULTIVOS

9 789779.84 8058493.59 2537.5 VIA

10 789799.35 8058443.08 2536.8 CULTIVOS

11 790142.89 8058457.83 2535.6 INTERCEPCION CAMINOS

12 790380.68 8058151.65 2533.9 CULTIVOS

13 790448.67 8058149.5 2532.5 CULTIVOS

14 790423.81 8058120.24 2533.4 VIA


16 790899.94 8057561.37 2528.4 CULTIVOS

17 790868.5 8057603.97 2531 CULTIVOS

18 791325.78 8056942.23 2525.2 PUENTE - RIO

19 791654.83 8056516.45 2534.1 INTERCEPCION CAMINOS -P. INDUSTRIAL

20 792829.15 8056561.93 2545.4 INTERCEPCION CAMINOS - EJERCITO


22 793416.33 8056272.35 2555.5 CAMINO -PINOS IZQ-DER

23 793517.17 8056087.8 2558.9 CUTIVOS


25 793797.94 8055801.46 2562 BOSQUE

26 793839.74 8055804.6 2565.4 BOSQUE

27 793870.61 8055840.31 2565.1 FIN DE BOSQUE

28 794573.52 8055182.85 2581.5 CULTIVOS

29 794542.62 8055159.68 2581 CAMINO

30 794519.92 8055130.55 2580.5 CULTIVOS

31 795062.48 8054986.48 2588.9 SUB ESTACION ELECTRICA SANTIVAÑEZ

32 795213.46 8054531.93 2597.8 CAMINO - CULTIVOS

33 795327.16 8054288.5 2600.2 CANCHA CULTIVOS

34 795836.97 8054820.81 2612.7 MONTAÑA

35 794907.68 8055766.44 2590.4 CAMINO - CULTIVOS

36 794120.7 8056047.77 2583.9 CAMINO - CULTIVOS


41

37 793621.88 8057021.79 2572.4 CAMINO - BOSQUE - CULTIVOS

38 794897.62 8057383.77 2594 CAMINO- PUEBLO

39 794011.26 8057516.85 2580 CAMINO - CULTIVOS

40 793181.96 8057528.15 2571.9 URBANO - INICIO

41 792773.83 8057484.05 2567.3 URBANO

42 792539.88 8057484.23 2561.5 URBANO

43 792205.69 8057580.25 2499.3 CULTIVOS

44 792180.19 8057903.67 2502.4 CULTIVOS

45 792381.73 8058390.59 2514.4 BOSQUE

46 792574.91 8058854.88 2525 BOSQUE

47 792785.02 8059306.02 2536.5 CAMINO

48 793061.59 8059885.64 2560.6 BOSQUE - RIO

49 793266.04 8060029.52 2571.9 CULTIVOS

50 792693.01 8058100.08 2534.6 CULTIVOS

51 793102.46 8058126.28 2539.4 INTERCEPCIO CAMINOS

52 795039.2 8057409.15 2570.2 CAMINO SALIDA

53 796514.39 8058020.18 2651.2 CAMINO SALIDA

54 796513.25 8058415.13 2676.7 CAMINO SALIDA

55 796244.09 8058712.3 2702.6 CAMINO SALIDA

Documents

Segmentacióndeimágenes comobaseparala ...Una de las grandes ventajas de los SIG es la posibilidad de automatizar procesos, el modelo hidrológico del numero de curva caracteriza