Determinación de firmas espectrales para distintos usos...

Determinación de patrones espectrales para distintos usos del suelo en ambientes

heterogéneos.

Pablo Vázquez1, Sergio Masuelli2 y Gabriel Platzeck2 1 INTA - E.E.A. Cuenca del Salado

2 Comisión Nacional de Actividades Espaciales - CONAE Av. Belgrano 416. (7203) Rauch, Buenos Aires.

[email protected]

Resumen Son conocidos los inconvenientes para identificar determinados usos o elementos específicos de un ambiente terrestre cuando la composición del paisaje es muy heterogénea tanto en relieve, suelos, como en el uso de los mismos. En el caso específico de los cultivos, estos aspectos muchas veces son descuidados. La fecha de siembra, el estado fenológico, el estado nutricional e hídrico, la sanidad y la tecnología con la que se implantó son factores determinantes de su respuesta radiométrica en el espacio y en el tiempo, por lo cual deberán considerarse cada combinación de factores como un uso específico per sé y luego de clasificarlos, reagruparlos como corresponda al interés del estudio. Estos factores son solo una parte del problema. Es común suponer que a mayor número de bandas involucradas en la clasificación, mejores serán los resultados hallados. Sin embargo esto no es así. El incremento de bandas innecesarias para discriminar elementos lo único que consigue es incrementar la variabilidad de cada clase, impidiendo que los algoritmos más utilizados (Máxima verosimilitud, Vecino más próximo, Mahalanobis, entre otros) puedan separar satisfactoriamente a los usos entre si. Por tal motivo, es fundamental identificar cual o cuales son las bandas y los momentos más aptos para discriminar cada una de las clases del resto satisfactoriamente. El siguiente trabajo pretende describir una metodología de trabajo que permite cuantificar el error de clasificación, pureza de clases y momentos óptimos para estudiar distintos usos del suelo observados en una zona de ambientes edáfico-productivo muy fragmentado como lo es la cuenca baja del río Salado. Palabras clave: clasificación, teledetección, patrón espectral, error, cuenca del Salado.

mailto:[email protected]

Materiales y Métodos

Area de estudio Corresponde a la subcuenca B4, límite sudeste de la cuenca del río Salado (provincia de Buenos Aires) (figura 1).

Figura 1: Ubicación de la subcuenca B4

Ocupa aproximadamente 3.5 millones de ha. y se caracteriza por un relieve sorprendentemente llano (0.01 por ciento de pendiente promedio) donde salvo pocas excepciones, no se advierten formas definidas y un acentuado problema de hidrohalomorfismo generalizado en toda el área (Tricart 1973), donde la superficie apta para agricultura (marginal en su gran mayoría) no supera el 12 por ciento de la superficie total del área (INTA 1977). Según Tricart, la debilidad del potencial morfogenético de la Pampa deprimida favorece la presencia de suelos muy antiguos, total o parcialmente conservados, alternando con suelos más recientes y desarrollados dentro de los anteriores. De esta forma, nos encontramos ante un paisaje sin relieve marcado, caracterizado por la presencia de suelos con distintos grados de alcalinidad, salinidad e hidromorfismo distribuidos en forma de mosaico por toda el área, sin haber una clara correlación entre el paisaje y las unidades taxonómicas (Miaczynski 1995). Esta distribución es coincidente con la descrita para comunidades vegetales por Batista y León (1992), Deregibus y Cauhépé (1983) y SAyG - INTA (1977). Este caos ambiental es el principal responsable de la variabilidad en la respuesta radiométrica dentro de cada clase de uso a lo largo

del tiempo, con lo cual se hace evidente la importancia de definir con gran detalle cada una de ellas. Se requiere de una serie de pasos básicos para llegar a este objetivo: Selección del sensor que más se adecua a los objetivos del trabajo (resolución espacial, radiométrica, temporal y espectral). Corrección geométrica: método RST con algoritmo de remuestreo vecino más próximo. El motivo de esta selección es que es una metodología muy robusta y conserva el valor original de los píxeles. Corrección radiométrica: expresar resultados en valores físicos (reflectancia porcentual) según los algoritmos definidos para el censor utilizado. En el caso de Landsat 7, los algoritmos utilizados son (USGS 2000) Transformación de cuentas digitales a radiancia biasDNgainL +⋅= λλ

Donde: λ: banda ETM Gain y bias: factores de corrección dados en el header de la imagen L: Radiancia a nivel de satélite (también radiancia de brillo) DN: cuentas digitales de la imagen (valor entre 0 y 255)

Transformación de valores de radiancia a reflectancia porcentual Donde:

ETM ivel del satélite

des astronómicas

er)

n el caso de Landsat 5, la USGS (2000) sugiere transformar primero las

muy importante al momento de realizar

( )θπρ

λ

λλ sin

2

⋅⋅⋅

=ESUN

dL

λ: bandaL: Radiancia a nd: distancia tierra – sol, en unidaESUN: irradiancia solar exoatmosférica θ: ángulo de elevación solar (en el head Ecuentas digitales de este censor al de Landsat 7, por su mejor calibrado y luego calibrarlas como ETM+. Corrección atmosférica: comparaciones multitemporales, si tenemos en consideración que la humedad, el oxígeno, el dióxido de carbono y el ozono son los principales elementos que distorsionan los valores de reflectancia recibidos por el censor. Como en la zona se carece de información para describir el perfil atmosférico al momento de ser capturada la imagen, se utiliza el método de la atmósfera relativa. Este

consiste en seleccionar una fecha como atmósfera patrón, y el resto de las imágenes son “llevadas” a la atmósfera patrón a partir de una función del tipo

βα λλ += 1*0 atmosferaatmosfera

Donde: λ: banda ETM Atmósfera 0= atmósfera patrón α y β : pendiente y ordenada al origen. Atmósfera 1: atmósfera a corregir La determinación de esta función se realiza tomando las lecturas de reflectancia en sitios de alta y baja reflectividad invariable en el tiempo (salinas, canteras en el primer caso y cuerpos de agua profundos sin vegetación en el segundo), en ambas fechas simultáneamente (Caselles y López, 1989). Consolidación de imágenes vecinas para cada fecha: debido a que los valores de imágenes vecinas no tienen valores similares, ya sea por cuestiones del censor o simplemente por desfasajes en las fechas de adquisición (entre path vecinos), es necesario consolidar los datos para que usos similares tengan valores similares de reflectancia en el área de estudio. Para corregir este factor de distorsión, se toman los valores de reflectancia punto a punto y banda por banda en la zona de superposición. Se obtienen una serie de puntos a los cuales se les aplica una función de regresión (en general las respuestas son lineales) y una vez obtenida la ecuación se aplica a la banda objetivo (Caselles y López, 1989). Las imágenes resultantes son cuatro veces el tamaño en bytes que las originales sin corregir, ya que pasan a transformarse de una imagen de 8 bits a 10 bits. Este aumento de precisión es ficticio, pues la resolución radiométrica original es de 8 bits (en el caso de Landsat). Por lo tanto, se recomienda retransformar la imagen a su resolución original llevándola de Floating Point a Byte.

Selección de bandas El criterio de selección apunta a reducir el número de bandas, y que éstas fueran representativas del espectro radiométrico que se va a estudiar. En el caso de la subcuenca B4, predominan las zonas netamente ganaderas, con escasas superficies de suelo desnudo y forestadas, amplias áreas anegadas y zonas agrícolas muy fragmentadas, salvo la sección sur del Partido de Azul (figura 2).

Figura 2: Imagen de satélite de la subcuenca B4. Identificación de áreas agrícolas, ganaderas y anegadas.

Dadas estas características, las bandas más lógicas a seleccionar son las bandas roja, infrarroja cercana, infrarroja media e infrarroja lejana. Hay varios estudios que han demostrado la alta correlación existente entre el IAF (Indice de Area Foliar) y el NDVI (Carlson 1997, Matsushita 2002), por lo cual se propone remplazar las bandas roja e infrarroja cercana por este indicador de cobertura vegetal. Cabe aclarar que este índice es valido para zonas con buena cobertura vegetal; en aquellos casos donde la vegetación es muy rala (zonas semiáridas), se recomienda evaluar otros indicadores que incluyan la curva de suelos en la estimación (caso del SAVI, TSAVI y otros) (Gitelson 2002). Hay una serie de trabajos que demuestran que calculando el NDVI a partir de la bandas roja e infrarroja cercana sin corregir, y relativizando sus valores entre 0 y 100, se logra corregir sin inconvenientes los efectos distorsivos de la atmósfera en estudios multitemporales (Carlson 1997), por lo cual, se sugiere este método, ya que permite ahorrar mucho tiempo de procesado de imágenes, sin perder calidad en la información. De esta manera, las bandas a utilizarse serán: NDVI relativo: evolución del IAF de las coberturas vegetales, donde cada especie presenta una curva IAF característica. Infrarrojo medio: banda sensible al grado de estrés o senescencia de las coberturas vegetales. Infrarrojo lejano: banda muy sensible al contenido de humedad de la vegetación y estados de anegamiento.

Definición de clases Este paso es el de mayor importancia, ya que es el que define la capacidad de poder discriminar entre una clase y otra. Debe ser lo más pura posible, tratando de minimizar el desvío estándar de las lecturas en cada banda, para así evitar solapamientos importantes entre clases. Como ejemplo, podemos citar un cultivo: TRIGO. La clase trigo aparentemente debería ser suficiente para separarla de otros usos del suelo, como pasturas o verdeos de invierno. Sin embargo, es común hallar grandes contaminaciones entre estos usos, haciendo casi imposible separarlos en esta zona (Vázquez, com.per.). Aquí es donde se presenta la necesidad de conocer cuales son las situaciones que pueden presentarse en la clase TRIGO en la zona de estudio, para luego evaluar si se pueden tratar todas como una sola, o es necesario clasificarlas por separado. En esta zona se han detectado siete subclases de TRIGO, dependiendo de la fecha de siembra, técnica de implantación y estado nutricional.

Verdades de campo Estas deben realizarse de manera de capturar ejemplos de todas las clases a estudiar. Una vez tomadas las muestras a campo, trazar los polígonos para la definición espectral de cada uso. Estos no deben ser necesariamente regulares, ya que por lo general los cultivos en estas zonas marginales copian los límites de los suelos de aptitud agrícola. Hay que tener especial cuidado en no incluir las áreas marginales de las parcelas, ya que aumentan la variabilidad real de la clase por contaminación. En un lote pueden coexistir dos o tres subclases de una misma clase, por lo tanto, es fundamental la correcta identificación de las mismas a campo.

Proceso de extracción de patrones espectrales para cada clase de uso del suelo Las imágenes fueron procesadas con el programa IDRISI Kilimanjaro (2003). Una vez generados los polígonos para delimitar las verdades de campo, los datos fueron exportados de manera tabulada para poder ser procesados por paquetes estadísticos tradicionales (R ver. 2.2.1). Primeramente se realizó un análisis generador de clusters considerando las tres bandas (NDVI, IRM e IRL) para todo el período de crecimiento, utilizando el método borroso (fuzzy k means). Se determinó, sin el sesgo del observador, el número de patrones espectrales reconocibles por el sensor. Estos conformarán los clusters de comportamiento homogéneo. Mediante un análisis de la varianza se identificaron las bandas y momentos óptimos para clasificarlos. A partir de este nuevo agrupamiento, se hizo un análisis discriminante para chequear la pureza de los clusters al clasificarlos ya no por una secuencia temporal completa de imágenes sino por los momentos y bandas óptimas. Finalmente se analizó el grado de pureza de cada cluster y la participación relativa de cada uso del suelo en ellos.

Clasificación de las imágenes Teniendo la información de base completa, resta seleccionar el método que mejor se adapta a las características de la zona. Los métodos no supervisados no funcionan para este nivel de detalle, por lo cual son descartados. La clasificación supervisada es la más difundida, aunque los resultados hallados no son satisfactorios en esta zona. Queda un tercer tipo de clasificación que es el denominado método del árbol, el cual consiste en ir discriminando las clases entre si en pasos sucesivos, tal cual lo haría un sistema experto, utilizando en cada caso la o las bandas especificas que permiten separar una clase del resto. Lo interesante de este método, a diferencia de la clasificación supervisada, es que no utiliza todas las bandas incluidas en la clasificación para discriminar, sino que se aprovecha de un conocimiento previo del comportamiento espectral de cada clase para extraerlo con precisión. Esto evita el incremento en el desvió estándar de las clases a separar por efecto de incluir información no necesaria, y por ende, una mayor factibilidad de discriminar satisfactoriamente cada clase de su entorno (Skidmore 1989, Chuvieco 2000). La gran desventaja que tiene este método es sin duda el trabajo de base previo que debe realizarse y el conocimiento detallado del comportamiento radiométrico de las clases a estudiar para lograr resultados óptimos.

Imágenes utilizadas Las imágenes utilizadas fueron Landsat 5 y Landsat ETM7 facilitadas por la Comisión Nacional de Actividades Espaciales (CONAE) dentro del ámbito del proyecto Emergencias Ambientales de dicha institución. Las escenas utilizadas se detallan en la figura 3 y en la tabla 1.

Figura 3.

Tabla 1: imágenes utilizadas para la identificación de patrones espectrales

Path Row

22585 22586 22486

Noviembre 2003 Noviembre 2003 Noviembre 2003

Diciembre 2003 Diciembre 2003 Diciembre 2003

Enero 2004 Enero 2004

Febrero 2004 Febrero 2004

Marzo 2004 Marzo 2004 Marzo 2004

Mayo 2004 Mayo 2004 Mayo 2004

Junio 2004 Junio 2004 Junio 2004

Agosto 2004 Agosto 2004 Agosto 2004

Septiembre 2004 Septiembre 2004 Septiembre 2004

Octubre 2004 Octubre 2004 Octubre 2004

Diciembre 2004 Diciembre 2004

Enero 2005 Enero 2005 Enero 2005

Febrero 2005 Febrero 2005 Febrero 2005

Mayo 2005 Mayo 2005 Mayo 2005

Julio 2005 Julio 2005

Septiembre 2005 Septiembre 2005

Octubre 2005 Octubre 2005 Octubre 2005

Noviembre 2005 Noviembre 2005

Diciembre 2005 Diciembre 2005

Resultados A continuación se describen los usos del suelo identificados en el área de estudio 1. Usos del suelo asociados al verano

1.1. maíz 1.2. girasol 1.3. soja 1.4. moha 1.5. sorgo 1.6. papa 1.7. alfalfa 1.8. duraznillar (pastizal muy anegable poblado por Solanum glaucophylum)

1.9. juncal (palustres en general) 1.10. pajonal (pastizal levemente anegable, con suelos predominantemente de ph

neutro dominado por Paspalum cuadrifalium) 1.11. pastizal (comunidad nativa predominantemente graminiforme adaptada a

condiciones de alcalinidad, sodicidad y fuertes alternancias entre períodos secos y húmedos).

1.12. pasturas implantadas 1.13. monte implantado o cortina forestal (Eucaliptus sp, Acacia sp., Salix sp.)

2. Usos del suelo asociados al invierno 2.1 Trigo 2.2 Avena 2.3 Pastizal 2.4 Pajonal 2.5 Duraznillar 2.6 Juncal 2.7 Monte 2.8 Pasturas implantadas 2.9 Maiz (recién implantado) 2.10 Girasol (recién implantado) 2.11 Soja (recién implantado) 2.12 Alfalfa 2.13 Papa (recién implantado)

3. . Usos del suelo anuales 3.1 Pastizal 3.2 Pajonal 3.3 Duraznillar 3.4 Juncal 3.5 Monte

3.6 Pastura implantada 3.7 Alfalfa

En la figura 3 se detallan los sitios donde se extrajeron puntos de observación de los distintos usos del suelo desde diciembre del 2003 a enero 2006

Figura 3: Transectas realizadas para obtener verdades de campo desde diciembre de 2003 a enero de 2006

Análisis discriminante exploratorio – Fuzzy K means

Usos anuales Se determinaron 7 agrupamientos homogéneos, tratando de minimizar el desvío estándar de las medias determinadas para cada uno de ellos, sin llegar a generar una excesiva cantidad de agrupamientos. El NDVI permite identificar la evolución de las coberturas, reafirmando lo ya hallado por otros autores en otro tipo de ambientes (Carlson 1997, Matsushita 2002). En la tabla 2 se detalla la significancia de cada variable utilizada para discriminar los grupos. De no aclararse, la variable corresponde al NDVI determinado en ese mes. Tabla 2: píxeles pertenecientes a usos del suelo anuales reagrupados por su respuesta radiométrica. N=25490

Variable Between SS df Within SS F-ratio nov-03 6754528.24 6 3908405.73 7339.98 dic-03 6407617.2 6 6562307.13 4147.05 ene-04 3184950.42 6 11236819 1203.81 feb-04 4620389.08 6 3709718.13 5289.77 mar-04 6266638.63 6 7124700.03 3735.66 may-04 2815113.11 6 3953487.73 3024.23 jun-04 1759006.71 6 3654398.43 2044.33 ago-04 69000.52 6 6215851.73 47.15 sep-04 3617820.67 6 6880165.03 2233.3 oct-04 18583656.9 6 3376072.83 23378.61 ene-05 1683698.04 6 8650588.63 826.64

Variable Between SS df Within SS F-ratio may-05 1022329.36 6 5960600.23 728.45 jul-05 1093138.76 6 2851664.43 1628.08 sep-05 5097315.78 6 9108096.23 2376.91 oct-05 7384860.75 6 7579693.83 4137.99 nov-05 2081272.28 6 8918581.33 991.13 dic-05 1429297.84 6 7225410.43 840.16 B5_NOV03 279270.6 6 240074.725 4940.58 B7_NOV03 90846.66 6 73614.8255 5241.35 B5_MAY04 185632.95 6 407171.025 1936.32 B7_MAY04 43439.31 6 203830.825 905.13 ** TOTAL ** 74469823.8 126

Se generaron tantos clusters como usos del suelo fueron identificados. En la tabla 3 se detallan los estadísticos hallados para cada cluster. Tabla 3: estadísticos hallados para los siete cluster identificados en el área de la cuenca baja del río Salado seleccionados a partir de usos del suelo anual.

Cluster 1 de 7 contiene 4998 casos Distance Variable Minimum Mean Maximum St.Dev.

12.53 nov-03 3 64.48 95 10.54 10.46 dic-03 0 67.09 92 15.66 18.38 ene-04 0 30.4 158 24.03 14.79 feb-04 0 60.44 94 13.35 14.85 mar-04 16 62.19 89 9.24 18.38 may-04 0 42.03 87 15.24 20.25 jun-04 0 31.73 83 11.02 15.76 ago-04 0 36.82 89 15.04 19.38 sep-04 0 41.48 92 16.58 18.44 oct-04 0 0.41 42 3.31 9.26 ene-05 0 24.37 141 18.31 16.4 may-05 0 15.53 161 13.3 13.54 jul-05 0 31.5 75 10.25 14.01 sep-05 0 29.42 138 20.46 13.87 oct-05 0 36.76 86 23.79 14.22 nov-05 0 30.61 161 22.23 12.41 dic-05 0 17.81 164 17.7 13.19 B5_NOV03 129 143.05 149 3.39 12.77 B7_NOV03 129 134.19 140 1.78 10.78 B5_MAY04 128 143.87 151 4.8 13.13 B7_MAY04 0 134.61 237 3.56


21.89 nov-03 9 73.91 96 10.01 25.01 dic-03 0 62.97 100 18.19 24.52 ene-04 0 33.7 88 18.17 23.73 feb-04 4 59.56 91 13.22 22.2 mar-04 0 30.68 85 19.53 25.73 may-04 0 51.97 96 12.55 26.42 jun-04 0 40.83 91 15.28 24.48 ago-04 0 35.89 96 15.06 23.61 sep-04 0 49.11 100 19.95 13.45 oct-04 0 70 99 13.16


19.31 ene-05 0 20.85 92 18.51 14.9 may-05 0 28.28 169 16.65 13.16 jul-05 0 43.28 96 13.16 11.63 sep-05 0 55.55 145 19.24 12.25 oct-05 26 67.33 95 10.88 12.44 nov-05 0 23.46 154 17.39 18.62 dic-05 0 6.82 62 9.32 14.99 B5_NOV03 131 143.54 152 2.28 12.8 B7_NOV03 129 134.26 145 1.47 10.56 B5_MAY04 128 144.85 154 3.2 10.41 B7_MAY04 128 135.26 143 2.01

Cluster 3 de 7 contiene1022 casos Distance Variable Minimum Mean Maximum St.Dev.

19.32 nov-03 8 15.5 67 4.95 16.97 dic-03 0 17.73 50 8.9 17.5 ene-04 0 17.54 64 13.63 21.86 feb-04 42 91.36 97 6.15 19.06 mar-04 0 73.55 93 31.92 16.25 may-04 0 11.29 80 7.16 20.99 jun-04 0 13.49 57 7.43 17.92 ago-04 0 38.47 89 13.61 19.84 sep-04 0 38.76 69 17.88 19.69 oct-04 36 79.78 94 6.72 19.1 ene-05 0 0.31 47 3.35 18.47 may-05 0 2.46 79 5.95 7.51 jul-05 0 22.29 74 12.75 7.54 sep-05 0 26.04 85 21.4 7.44 oct-05 0 12.5 66 5.51 6.87 nov-05 0 0.39 31 2.41 6.46 dic-05 0 1.15 43 3.71 7.87 B5_NOV03 131 152.53 156 1.97 9.8 B7_NOV03 129 141.73 145 1.34 8.22 B5_MAY04 131 145.28 151 2.06 6.43 B7_MAY04 128 138.11 143 1.44


9.46 nov-03 0 54.69 93 14.19 10.41 dic-03 0 65.34 94 15.99 15.14 ene-04 0 38.46 74 19.01 10.27 feb-04 3 62.92 84 11.64 10.81 mar-04 0 47.18 80 20.06 15.61 may-04 0 41.42 93 9.91 9.81 jun-04 0 23.54 77 9.02 18.73 ago-04 0 33.35 96 15.56 15.04 sep-04 0 23.04 79 14.2 14.19 oct-04 0 46.41 93 12.88 11.66 ene-05 0 30.32 141 18.49 16.39 may-05 0 22.84 169 14.68 13.91 jul-05 0 28.86 83 9.26


13.7 sep-05 0 24.2 138 14.59 15.62 oct-05 0 29.61 70 21.17 14.34 nov-05 0 19.02 69 15.15 12.26 dic-05 0 22.27 68 18.58 12.59 B5_NOV03 128 143.51 153 3.54 14.08 B7_NOV03 128 134.85 142 1.9 11.23 B5_MAY04 128 145.52 154 3.25 14.79 B7_MAY04 128 135.76 144 1.86


26.57 nov-03 8 72.06 97 10.57 28.08 dic-03 0 73.36 101 14.56 28.18 ene-04 0 46.38 164 25.42 19.4 feb-04 10 71.28 96 7.65 20.02 mar-04 0 63.46 123 10 22.88 may-04 8 51.19 92 10.73 23.1 jun-04 0 27.13 75 11.99 23.87 ago-04 0 37.15 98 16.78 19.66 sep-04 0 43.74 99 15.45 19.12 oct-04 0 61.91 95 11.36 20.18 ene-05 0 30.33 141 20.67 20.77 may-05 0 21.02 169 17.06 20.91 jul-05 4 33.93 82 8.5 22.26 sep-05 0 20.74 73 20.9 22.43 oct-05 0 58.7 94 10.86 18.75 nov-05 0 35.44 154 21.44 19.8 dic-05 0 24.27 179 20.4 19.09 B5_NOV03 129 143.53 150 2.54 19.61 B7_NOV03 129 134.08 145 1.54 19.86 B5_MAY04 132 145.54 158 3.29 18.94 B7_MAY04 128 135.26 180 2.24

Cluster 7 de 7 contiene 1681 casos

Distance Variable Minimum Mean Maximum St.Dev. 10.81 nov-03 0 21.85 72 23.34 8.39 dic-03 0 17.47 75 18.11 6.59 ene-04 0 1.94 56 6.13 9.75 feb-04 0 19.09 80 19.45 9.22 mar-04 0 19.66 74 18.82 7.88 may-04 0 20.38 65 17.89 7.82 jun-04 0 12.17 69 12.08 8.94 ago-04 0 33.72 81 15.84 11.91 sep-04 0 9.21 70 11.16 10.26 oct-04 0 17.25 83 17.69 10.87 ene-05 0 5.66 141 13.98 6.64 may-05 0 10.16 161 14.6 9.16 jul-05 0 20.89 70 11.27 8.48 sep-05 0 12.21 64 15.14 15.14 oct-05 0 26.7 74 22.26


11.57 nov-05 0 9.94 83 16.11 8.66 dic-05 0 10.62 164 18.15 9.89 B5_NOV03 128 132.63 155 4.76 11.09 B7_NOV03 128 129.92 143 2.22 10.82 B5_MAY04 128 134.51 154 7.7 16.05 B7_MAY04 0 130.88 143 6.13

Del análisis se puede interpretar que los meses noviembre, febrero y mayo (NDVI) serían los más recomendados para separar estos 7 clusters. Esto es confirmado por un análisis de la varianza, donde éstos períodos presentan mejor ajuste a los clusters definidos y mejor diferenciación entre medias (figura 4 y tabla 4). En caso de no disponer imágenes de noviembre, octubre presenta un valor discriminante similar. Esta afirmación solo es válida cuando las condiciones climáticas no son extremas, ya que extremas sequías como inundaciones eliminan cualquier diferencia espectral existente entre comunidades.

1 2 3 4 5 6 7Cluster

0

100

200

300

Value

DIC05NOV05OCT05SEP05JUL05MAY05ENE05OCT04SEP04AGO04JUN04MAY04MAR04FEB04ENE04DIC03NOV03

Figura 4: Evolución del NDVI para los distintos clusters

Tabla 4: Análisis de la varianza para identificar momentos óptimos de discriminación utilizando NDVI. Variable dependiente: NOV03 N: 25490 Multiple R: 0.97 Squared multiple R: 0.95 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 1.02060E+08 6 17009986.18 77038.52 0.00 Error 5626827.95 25484 220.80 Variable dependiente: FEB04 N: 25490 Multiple R: 0.74 Squared multiple R: 0.55 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 4617359.22 6 769559.87 5282.00 0.00 Error 3712738.81 25483 145.69 Variable dependiente: MAY04 N: 25490 Multiple R: 0.64 Squared multiple R: 0.42 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 2812550.54 6 468758.42 3019.52 0.00 Error 3956055.68 25483 155.24 Variable dependiente: OCT04 N: 25490 Multiple R: 0.92 Squared multiple R: 0.84 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 18554664.60 6 3092444.10 23142.22 0.00 Error 3405236.96 25483 133.63 Períodos sin significancia Dep Var: ENE04 N: 25490 Multiple R: 0.47 Squared multiple R: 0.22 Dep Var: JUN04 N: 25490 Multiple R: 0.57 Squared multiple R: 0.32 Dep Var: AGO04 N: 25490 Multiple R: 0.10 Squared multiple R: 0.01 Dep Var: SEP04 N: 25490 Multiple R: 0.59 Squared multiple R: 0.34 Dep Var: ENE05 N: 25490 Multiple R: 0.40 Squared multiple R: 0.16 Dep Var: JUL05 N: 25490 Multiple R: 0.53 Squared multiple R: 0.28 Dep Var: OCT05 N: 25490 Multiple R: 0.70 Squared multiple R: 0.49 Dep Var: NOV05 N: 25490 Multiple R: 0.44 Squared multiple R: 0.19 El análisis discriminante se corrió considerando solamente el més de noviembre del 2003 y mayo del 2004. La pureza de los clusters fue muy alta y mínimo el grado de confusión (tabla 5). La situación inversa se observó cuando el método de clasificación utilizado fue el supervisado convencional. Estos resultados son consistentes con lo descrito por la USGS, donde, salvo excepciones, la escala de detalle de los sensores Landsat es de 1:100.000, llegando a escalas 1:50.000 solo en aquellos lugares donde se reconocen usos del suelo poco fragmentados, comportamiento espectral contrastante y ambiente homogéneo (tabla 5).

Tabla 5: Matriz de clasificación comparada entre los clusters obtenidos durante la extracción de patrones espectrales (A) y los usos del suelo (B) (casos en filas y categorías clasificadas en columnas) A)

Cluster 1 2 3 4 5 7 1 0.99 0.00 0.00 0.01 0.00 0.00 2 0.00 0.97 0.00 0.01 0.02 0.00 3 0.00 0.00 0.99 0.01 0.00 0.00 4 0.00 0.02 0.00 0.92 0.04 0.01 5 0.00 0.01 0.00 0.04 0.94 0.00 7 0.03 0.00 0.00 0.06 0.00 0.91

Kappa: 0.95 Confusión media: 0.01 B) Uso del suelo alfalfa duraznillar juncal monte pajonal pastizal pastura

alfalfa 1.00 0.00 0.00 0.00 0.00 0.00 0.00 duraznillar 0.00 0.73 0.06 0.38 0.00 0.01 0.00

juncal 0.04 0.16 0.63 0.17 0.09 0.01 0.01 monte 0.00 0.01 0.00 0.77 0.00 0.00 0.01 pajonal 0.05 0.38 0.02 0.45 0.62 0.12 0.06 pastizal 1.45 0.59 0.11 1.24 0.28 0.69 0.73 pastura 0.16 0.00 0.00 0.00 0.02 0.01 0.80

Kappa: 0.67 Confusion media: 0.17 Como es prácticamente imposible discriminar de manera directa los usos del suelo, se reconstruyeron las proporciones de cada uno de ellos absorbidas por cada cluster para detectar la pureza de las clases (tabla 6). Tabla 6: porcentaje de píxeles de usos del suelo incluidos en cada cluster

Cluster alfalfa duraznillar juncal monte pajonal pastizal pastura 1 0.00% 25.61% 3.81% 2.81% 24.53% 40.93% 2.31% 2 0.10% 0.02% 1.04% 0.10% 20.66% 64.32% 13.75% 3 0.00% 0.00% 0.87% 0.00% 97.87% 0.00% 1.26% 4 0.00% 0.74% 19.79% 0.00% 37.48% 41.27% 0.72% 5 1.03% 2.03% 1.08% 0.57% 11.59% 80.45% 3.26% 7 0.00% 9.53% 88.79% 0.00% 0.06% 1.62% 0.00%

Para demostrar la heterogeneidad del comportamiento espectral de un uso de suelo dado en áreas muy fragmentadas y marginales, se detallarán en la tabla 7 los valores medios obtenidos para cada uso del suelo dentro de cada cluster. Tabla 7: valores medios de NDVI, IRM e IRL por uso del suelo anual, dentro de cada cluster para los períodos selectos.

Cluster

Datos USO 1 2 3 4 5 7 Media general

alfalfa 89.83 92.09 91.90

duraznillar 61.16 58.00 54.33 60.66 7.71 55.91

juncal 59.34 53.56 29.33 43.50 57.69 22.49 34.53

monte 75.24 81.17 84.81 77.35

pajonal 66.75 70.59 15.25 51.52 65.94 27.00 54.10

pastizal 63.55 75.12 61.74 72.87 16.23 70.07

Promedio de NOV03

pastura 89.67 75.71 16.46 50.33 81.67 76.67

alfalfa 74.17 75.45 75.34

duraznillar 59.63 75.00 51.43 68.60 12.39 55.71

juncal 47.31 56.79 67.44 62.56 65.69 17.88 39.01

monte 77.58 72.50 85.14 78.93

pajonal 65.07 65.33 91.63 64.70 69.53 65.00 69.83

pastizal 57.98 57.20 61.27 71.29 21.65 63.47

Promedio de FEB04

pastura 66.59 63.93 78.23 61.18 71.08 65.54

alfalfa 84.83 84.24 84.29

duraznillar 33.64 54.00 38.98 48.59 12.29 32.99

juncal 34.91 55.61 40.44 41.37 47.46 21.33 31.30

monte 55.89 57.33 63.89 57.54

pajonal 37.27 45.34 10.88 40.09 48.78 0.00 36.87

pastizal 49.41 53.81 41.64 51.46 13.77 50.08

Promedio de MAY04

pastura 55.27 51.53 48.31 44.00 48.65 51.10

alfalfa 92.83 89.07 89.38

duraznillar 0.00 73.00 44.33 59.44 4.11 6.36

juncal 2.47 63.97 67.44 42.48 62.56 18.25 28.60

monte 0.00 68.83 67.86 15.81

pajonal 0.28 70.16 79.96 44.63 59.21 43.00 48.21

pastizal 0.37 68.43 48.55 62.11 40.54 51.97

Promedio de OCT04

pastura 1.17 79.97 78.85 51.15 66.48 68.81

alfalfa 142.00 141.60 141.63

duraznillar 140.72 143.00 141.03 142.10 130.97 139.92

juncal 138.45 143.10 149.56 142.17 138.20 131.80 136.64

monte 138.82 137.17 139.41 138.89

pajonal 144.19 144.34 152.68 144.52 144.53 133.00 145.74

pastizal 144.57 143.81 143.66 143.55 134.04 143.78

Promedio de B5_NOV03

pastura 141.55 141.03 148.31 144.41 142.38 141.52

alfalfa 143.00 143.00 143.00

duraznillar 141.57 147.00 140.55 147.11 132.11 141.11

juncal 138.13 144.98 144.44 145.06 144.26 134.00 139.00

monte 137.95 138.00 140.84 138.53

pajonal 146.01 144.54 145.30 145.45 144.69 136.00 145.27

pastizal 144.75 145.03 146.52 145.45 129.96 145.37

Promedio de B5_MAY04

pastura 146.01 144.40 141.31 145.00 149.40 145.44

alfalfa 132.83 132.72 132.73

duraznillar 132.97 135.00 133.90 133.94 129.35 132.73

juncal 132.12 135.08 139.56 134.77 132.23 129.46 131.88

monte 131.82 131.50 132.14 131.87

pajonal 134.35 134.76 141.83 135.48 134.86 130.00 136.07

pastizal 135.28 134.24 134.62 134.00 131.50 134.37

Promedio de B7_NOV03

pastura 132.51 133.34 144.31 136.87 133.37 133.50

alfalfa 132.00 132.18 132.16

duraznillar 133.68 136.00 132.80 135.88 129.96 133.49

Promedio de B7_MAY04

juncal 131.83 135.28 135.11 135.48 134.96 130.59 132.75

Cluster

Datos USO 1 2 3 4 5 7 Media general

monte 131.01 131.33 132.11 131.24

pajonal 135.69 135.13 138.15 135.90 135.18 132.00 135.99

pastizal 134.88 135.23 136.18 135.15 129.35 135.29

pastura 136.50 135.58 136.00 136.23 138.05 136.14

De estos resultados puede rescatarse que sería factible incrementar el detalle de extracción de algunos usos del suelo dentro de cada cluster, aprovechando algún comportamiento espectral distintivo en alguna banda o momento en particular. Por ejemplo, el uso alfalfa se destaca del resto en su elevado valor de NDVI (0.9 aproximadamente) en los clusters 2 y 5 del mes de noviembre. Esto permitió, como se verá más adelante, alimentar un árbol de decisiones con una segunda clasificación, aprovechando esta información complementaria y específica para un uso en particular.

Usos invernales Se determinaron 8 agrupamientos homogéneos

Variable Between SS df Within SS df F-ratio nov-03 46406984.3 7 7089485.4 61277.0 dic-03 43289978.4 7 7115995.3 56948.3 ene-04 15514964.3 7 13139336.9 9607.0 B5_NOV03 548024.7 7 923915.4 5552.6 B7_NOV03 1154900.1 7 534123.6 20241.0 ** TOTAL 106915000.0 35 28802856.3

Se generaron menos clusters que los usos identificados a campo, lo cual indica que el grado de discriminación no es muy bueno, aunque cabe destacar que la variabilidad de los clusters es muy baja. (Tabla 8) Tabla 8: estadísticos hallados para los ocho clusters identificados en el área de la cuenca baja del río Salado seleccionados a partir de usos del suelo invernales.


8.11 nov-03 0 18.76 57 8.89 12.87 dic-03 46 84.87 106 9.1 13.47 ene-04 40 78.02 105 9.8 12.08 B5_NOV03 129 148.45 158 3.17 7.61 B7_NOV03 129 143.38 152 2.57


14.84 nov-03 0 16.45 57 11.65 11.53 dic-03 0 13.95 54 13.03

12.65 ene-04 0 42.91 102 26.9 6.44 B5_NOV03 128 145.41 157 8.35 10.08 B7_NOV03 128 139.38 151 5.79


Distance Variable Minimum Mean Maximum St.Dev. 14.49 nov-03 42 71.75 100 10.09 14.61 dic-03 38 75.47 101 6.89 17.24 ene-04 31 57.3 100 10.49 18.43 B5_NOV03 129 143.61 156 2.6 17.04 B7_NOV03 128 134.28 150 1.9








Distance Variable Minimum Mean Maximum St.Dev. 9.06 nov-03 0 24.35 57 11.11 13.6 dic-03 25 60.12 97 14.91 12.23 ene-04 1 55.59 98 17.77 11.95 B5_NOV03 128 148.36 157 3.98 11.88 B7_NOV03 128 142 151 3.95


4.28 nov-03 8 47.24 79 10.82 5.22 dic-03 38 68.02 92 10.37

5.96 ene-04 158 159.66 164 2.7 6.08 B5_NOV03 129 144.67 154 3.81 6.27 B7_NOV03 128 136.39 148 3.39

El análisis permite determinar que el NDVI y la banda IRL de noviembre son las bandas más adecuadas para discriminar usos del suelo desarrollados junto a los cereales de invierno. La explicación radica en aprovechar el desfasaje en los momentos de senescencia de los cereales de invierno (avena y trigo principalmente) y los menores valores de NDVI alcanzados por las pasturas implantadas. El mes de diciembre separa muy bien todos aquellos usos destinados a cereales y oleaginosas de verano de lo que fueron los cultivos de invierno, y especialmente identifica perfectamente el uso papa, como se verá más adelante. Los meses anteriores a noviembre presentan gran confusión con el entorno natural, lo cual hace muy difícil discriminar usos del suelo bajo esas condiciones (figura 5 y tabla 9). Figura 5: evolución del NDVI, IRM (B5), IRL (B7) del mes de noviembre y NDVI mes de diciembre para los 8 clusters identificados en el ciclo invernal.

1 2 3 4 5 6 7 8CLUSTER

0

50

100

150

200

Val

ue

B7_NOV03B5_NOV03DIC03NOV03

Tabla 9: análisis de la varianza para determinar momentos óptimos de identificación de clusters. Variable dependiente: NOV03 N: 65536 Multiple R: 0.93 Squared multiple R: 0.87 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 46406984.27 7 6629569.18 61274.07 0.00 Error 7089824.92 65528 108.20 Variable dependiente: DIC03 N: 65536 Multiple R: 0.93 Squared multiple R: 0.86 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 43289978.42 7 6184282.63 56949.24 0.00 Error 7115874.58 65528 108.59 Variable dependiente: B7_NOV03 N: 65536 Multiple R: 0.83 Squared multiple R: 0.68 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P CLUSTER 1154900.05 7 164985.72 20240.23 .00 Error 534143.46 65528 8.15

Dep. var: B5_NOV03 N: 65536 Multiple R: 0.61 Squared multiple R: 0.37

El análisis discriminante se corrió solamente sobre el mes de noviembre, ya que es el único con significancia para los usos del suelo desarrollados durante el período invernal. En la tabla 10 se compara la performance de clasificar estos usos en función de los clusters y considerando los usos identificados a campo Tabla 10: Matriz de clasificación comparada entre los clusters obtenidos durante la extracción de patrones espectrales (A) y los usos del suelo (B) (casos en filas y categorías clasificadas en columnas) A)

Cluster 1 2 3 4 5 6 7 8

1 0.71 0.05 0.00 0.00 0.00 0.00 0.19 0.04

2 0.33 0.45 0.00 0.00 0.03 0.00 0.12 0.07

3 0.00 0.00 0.46 0.18 0.04 0.25 0.00 0.07

4 0.00 0.00 0.08 0.84 0.03 0.04 0.00 0.01

5 0.02 0.00 0.02 0.04 0.52 0.28 0.01 0.12

6 0.00 0.00 0.36 0.11 0.11 0.27 0.01 0.14

7 0.48 0.07 0.00 0.00 0.02 0.00 0.26 0.17

8 0.06 0.00 0.01 0.00 0.11 0.07 0.08 0.67

Kappa: 0.52 Confusión media: 0.07 B)

Uso alfalfa avena duraznillar girasol juncal maíz malezal

alfalfa 0.92 0.00 0.00 0.00 0.00 0.00 0.00

avena 0.05 0.08 0.07 0.00 0.00 0.00 0.00

duraznillar 0.00 0.05 0.23 0.00 0.22 0.00 0.00

girasol 0.01 0.00 0.00 0.62 0.01 0.02 0.02

juncal 0.00 0.01 0.19 0.00 0.54 0.00 0.04

maíz 0.00 0.01 0.01 0.39 0.01 0.08 0.03

malezal 0.00 0.00 0.00 0.00 0.00 0.00 0.95

moha 0.09 0.01 0.00 0.12 0.00 0.03 0.00

monte 0.02 0.04 0.10 0.00 0.00 0.00 0.01

pajonal 0.01 0.02 0.04 0.00 0.00 0.00 0.23

papa 0.00 0.00 0.00 0.00 0.00 0.00 0.00

pastizal 0.05 0.03 0.04 0.00 0.01 0.00 0.00

pastura 0.15 0.07 0.02 0.00 0.00 0.00 0.00

soja 0.01 0.00 0.00 0.36 0.00 0.06 0.08

sorgo 0.01 0.00 0.02 0.46 0.02 0.01 0.01

trigo 0.13 0.02 0.00 0.00 0.00 0.00 0.00

Uso moha monte pajonal papa pastizal pastura soja sorgo trigo

alfalfa 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.07

avena 0.13 0.24 0.02 0.00 0.10 0.10 0.00 0.00 0.21

duraznillar 0.02 0.06 0.12 0.00 0.22 0.06 0.00 0.00 0.01

girasol 0.01 0.00 0.01 0.14 0.04 0.01 0.07 0.04 0.02

juncal 0.01 0.03 0.13 0.00 0.03 0.00 0.00 0.02 0.00

maiz 0.04 0.00 0.03 0.13 0.04 0.00 0.09 0.13 0.00

malezal 0.00 0.00 0.00 0.00 0.00 0.00 0.03 0.02 0.00

moha 0.54 0.00 0.09 0.00 0.06 0.06 0.00 0.00 0.01

monte 0.01 0.48 0.02 0.00 0.07 0.06 0.00 0.00 0.21

pajonal 0.02 0.01 0.26 0.00 0.38 0.02 0.00 0.00 0.00

papa 0.01 0.00 0.00 0.98 0.00 0.00 0.00 0.00 0.00

pastizal 0.06 0.02 0.18 0.00 0.52 0.05 0.00 0.00 0.04

pastura 0.01 0.24 0.06 0.00 0.10 0.21 0.00 0.00 0.14

soja 0.02 0.00 0.01 0.13 0.03 0.01 0.09 0.14 0.04

sorgo 0.01 0.01 0.19 0.00 0.17 0.00 0.08 0.03 0.00

trigo 0.01 0.08 0.00 0.00 0.05 0.04 0.00 0.00 0.66

Kappa: 0.39 Confusión media: 0.04 Estos resultados pueden llegar a ser desalentadores cuando se pretende clasificar todos los usos del suelo a la vez. Queda en evidencia la superposición en el comportamiento espectral de usos tan dispares como pastizales y usos agrícolas (cluster 2 y 4 en la tabla 11).

Tabla 11: porcentaje de píxeles de usos del suelo incluidos en cada cluster.

Cluster nº píxeles Agricultura Usos predominantes (%)

% uso1 uso2 uso3 uso4

1 15376 99 Soja (34) Maíz (29) Girasol (23) Papa (12)

2 3667 37 Pajonal (28) Juncal (25) Soja (16) Maiz (11)

3 12864 9 Pastizal (74) Pajonal (13)

4 11331 50 Trigo (53) Pastizal (25)l

5 3008 12 Juncal (36) Pastizal (31) Duraznillar (15) Avena (5)

6 7942 15 Pastizal (64) Pajonal (13) Duraznillar (6) Maíz (6)

7 5620 98 Soja (50) Maíz (40) Girasol (8)

8 5726 33 Pastizal (31) Pajonal (19) Maíz (17) Soja (14)

Un análisis del comportamiento espectral de los usos del suelo dentro de cada cluster permitió detectar valores críticos de una banda en particular para discriminar alguno de los usos, como se verá más adelante. Esta información se detalla en la tabla 12. Tabla 12: valores medios de NDVI, IRM e IRL por uso del suelo detectado durante el ciclo invernal, dentro de cada cluster para los períodos selectos Cluster Datos USO 1 2 3 4 5 6 7 8 Promedio

alfalfa 91.9 91.9 avena 74.1 85.2 60.9 62.1 55.0 72.4 duraznillar 6.0 73.6 80.9 53.1 63.8 48.0 55.9 girasol 15.9 16.7 76.2 86.4 54.3 64.1 23.9 42.8 22.8 juncal 24.0 4.9 74.3 76.5 49.5 64.0 30.1 40.8 34.5 maíz 17.6 16.7 74.8 75.4 55.6 63.2 28.5 44.7 28.8 moha 50.0 82.1 82.2 53.6 62.6 51.0 54.4 65.1 monte 75.4 83.2 66.7 66.5 59.0 77.3 pajonal 24.0 15.7 73.5 80.5 58.5 63.8 20.7 45.9 53.0 papa 11.6 10.0 76.0 75.7 51.0 63.3 32.5 44.8 12.3 pastizal 36.0 12.2 75.1 84.9 56.6 64.2 35.3 51.6 70.7 pastura 75.8 81.9 64.3 64.5 51.1 78.0 soja 15.8 17.4 75.6 88.1 50.9 63.2 27.5 43.8 28.7 sorgo 12.5 23.3 70.5 79.0 44.7 64.0 27.2 49.7 34.4

NDVI noviembre 2003 trigo 77.3 89.2 59.6 64.2 53.9 87.4

Cluster Datos USO 1 2 3 4 5 6 7 8 promedio

alfalfa 141.6 141.6

avena 141.2 139.6 138.3 143.9 144.9 140.6

duraznillar 131.5 142.9 139.3 137.0 143.1 142.9 139.9

girasol 150.2 145.8 143.4 140.6 139.1 145.5 150.4 147.1 149.3

juncal 136.0 131.3 144.4 135.6 135.2 143.1 150.4 144.6 136.6

maíz 149.0 147.2 144.4 143.3 139.6 145.1 149.2 145.9 148.1

moha 146.0 142.9 142.5 144.1 147.0 146.0 146.7 145.8

monte 143.6 138.4 136.2 141.7 146.0 138.9

pajonal 146.0 152.2 144.6 141.0 139.1 144.3 151.7 145.1 146.1

papa 144.3 143.3 144.0 143.7 142.7 144.0 145.0 144.0 144.2

pastizal 148.0 135.2 144.4 140.7 138.5 144.7 148.0 145.4 143.8

pastura 142.8 139.9 139.2 144.6 146.7 141.0

soja 148.7 149.6 144.4 140.2 140.2 145.4 150.4 147.4 148.3

sorgo 149.4 144.9 145.2 141.0 139.0 145.2 147.2 145.5 147.4

B5 noviembre 2003

trigo 143.2 139.4 140.6 143.2 143.9 139.7

alfalfa 132.7 132.7

avena 132.9 132.3 132.9 135.7 136.4 133.4

duraznillar 129.5 133.7 132.1 131.5 134.1 134.1 132.7

girasol 145.4 138.8 133.7 133.6 133.9 137.6 143.0 138.2 143.8

juncal 137.0 129.5 134.5 131.5 130.9 134.4 140.7 136.0 131.9

maíz 144.4 139.8 134.6 137.4 134.6 136.4 142.3 138.2 142.0

moha 142.7 133.0 134.3 140.3 137.4 142.0 138.0 137.1

monte 134.1 131.6 130.9 133.0 132.0 131.9

pajonal 142.0 141.3 134.4 133.1 132.7 134.8 142.8 135.8 136.2

papa 141.7 140.1 135.4 136.3 138.7 137.7 140.0 137.3 141.5

pastizal 143.0 131.6 134.3 132.5 132.5 135.1 140.3 135.8 134.3

pastura 133.7 132.5 132.9 135.5 136.8 133.1

soja 144.2 140.9 134.5 133.3 134.7 136.9 142.6 139.1 142.0

sorgo 144.0 137.3 134.6 133.0 133.0 135.1 140.7 135.8 140.0

B7 noviembre 2003

trigo 133.7 132.1 134.2 134.8 135.7 132.3

Usos estivales Se determinaron 10 agrupamientos homogéneos. Sin embargo 3 de ellos agruparon información con errores vinculados a la imagen original (clusters 6, 8 y 9, sumando un total de 60 píxeles) por lo cual fueron descartados (Tabla 12).

Tabla 12: píxeles pertenecientes a usos del suelo estivales reagrupados por su respuesta radiométrica. N=65490

Variable Between SS df Within SS df F-ratio nov-03 33008012 9 14194641.1 16930.36 dic-03 20725180.1 9 15762040.2 9573.2 ene-04 43036798.7 9 15604141.1 20080.35 feb-04 10647414.7 9 13875604.5 5586.8 mar-04 20613728.9 9 17458704 8596.38 may-04 10927371.1 9 14331263.8 5551.4 jun-04 3693307.69 9 12335320.2 2179.9 B5_NOV03 474430.08 9 851669.866 4055.76 B7_NOV03 928083.01 9 645251.666 10471.98 B5_MAY04 1229616.53 9 1012848.17 8838.87 B7_MAY04 1167725.88 9 506256.666 16793.5 TOTAL 1.46E+08 99 70000

Cluster 1 contiene 13660 Variable Minimum Mean Maximum St.Dev.

nov-03 0 19.27 70 9.86 dic-03 2 83.54 106 12.16

ene-04 29 75.24 105 12.27 feb-04 0 73.49 101 17.14

mar-04 0 42.16 97 23.76 may-04 0 26.26 79 18.12 jun-04 0 20.3 89 17.08

B5_NOV03 129 148.12 157 3.32 B7_NOV03 128 143.08 151 2.93 B5_MAY04 132 145.03 158 4.17 B7_MAY04 128 137.72 148 3.11 Cluster 2 contiene 16936 Variable Minimum Mean Maximum St.Dev.

nov-03 10 68.65 97 11.78 dic-03 0 74.67 101 7.81

ene-04 16 55.28 102 10.93 feb-04 0 70 100 8.68

mar-04 24 63.65 123 8.43 may-04 2 46.49 92 12.85 jun-04 0 27.12 83 11.45


nov-03 3 21.63 72 12.07 dic-03 0 37.15 91 23.97

ene-04 0 53.4 102 27.79 feb-04 0 90.37 101 8.4

mar-04 4 83 101 12.95 may-04 0 14.04 67 10.47 jun-04 0 18.3 84 13.13


nov-03 0 44.69 96 23.43 dic-03 11 70.08 103 16.02

ene-04 0 2.55 43 7.92 feb-04 0 72.42 101 13.59

mar-04 0 62.33 99 17.41 may-04 0 35.45 91 16.88 jun-04 0 20.56 81 11.81


nov-03 7 71.67 96 12.48 dic-03 0 69.75 92 10.07

ene-04 0 42.85 82 13.55 feb-04 1 63.46 96 8.56

mar-04 0 21.02 55 14.5 may-04 3 50.56 92 10.74 jun-04 0 39.34 91 14.75


nov-03 0 17.39 82 18.69 dic-03 0 15.91 72 15.14

ene-04 0 11.26 92 20.5 feb-04 0 39.4 97 35.75

mar-04 0 14.98 78 17.17 may-04 0 18.11 93 15.89 jun-04 0 12.59 83 11.86

B5_NOV03 128 138.38 155 9.3 B7_NOV03 128 134.3 151 6.41 B5_MAY04 128 137.78 155 8.08

Cluster 10 contiene 8498 Variable Minimum Mean Maximum St.Dev.

nov-03 7 68.25 102 15.21 dic-03 0 49.54 92 22.21

ene-04 0 19.79 70 17.27 feb-04 0 47.28 92 17.74

mar-04 0 52.48 123 15.97 may-04 0 50.94 100 15.14 jun-04 0 37.25 92 14.25

B5_NOV03 128 143.34 152 3.3 B7_NOV03 128 134.6 147 2.45 B5_MAY04 128 144.25 155 4.42 B7_MAY04 128 135.01 144 2.5

El análisis espectral demostró una gran complejidad para discriminar usos del suelo en esta estación de crecimiento. Los NDVI de diciembre, enero y marzo presentan capacidad discriminante con respecto a los clusters construidos. Las bandas IRM e IRL, junto al resto de los NDVI considerados no presentaron un aporte significativo (tabla 13 y figura 6). Figura 6: evolución del NDVI, de los meses de diciembre, enero y marzo para los 10 clusters identificados en el ciclo estival.

0.00

10.00

20.00

30.00

40.00

50.00

60.00

70.00

80.00

90.00

1 2 3 4 5 6 7 9 10

Promedio de DIC03Promedio de ENE04Promedio de MAR04

USO$ (Todas)

CLUSTER$

Datos

Tabla 13: análisis de la varianza para determinar momentos óptimos de identificación de clusters en usos del suelo estivales Dep Var: NOV03 N: 65536 Multiple R: 0.55 Squared multiple R: 0.30 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 14358190.83 9 1595354.54 3182.80 0.00 Error 32844461.37 65526 501.24

Dep Var: DIC03 N: 65536 Multiple R: 0.86 Squared multiple R: 0.74 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 27134841.63 9 3014982.40 21123.13 0.00 Error 9352769.92 65526 142.73

Dep Var: ENE04 N: 65536 Multiple R: 0.91 Squared multiple R: 0.83 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 48605886.28 9 5400654.03 35263.78 0.00 Error 10035318.08 65526 153.15 Dep Var: FEB04 N: 65536 Multiple R: 0.50 Squared multiple R: 0.25 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 6098798.97 9 677644.33 2409.97 0.00 Error 18424859.97 65526 281.18 Dep Var: MAR04 N: 65536 Multiple R: 0.83 Squared multiple R: 0.69 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 26346590.57 9 2927398.95 16358.76 0.00 Error 11725870.91 65526 178.95 Dep Var: MAY04 N: 65536 Multiple R: 0.45 Squared multiple R: 0.20 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 5171845.69 9 574649.52 1874.61 0.00 Error 20086601.77 65526 306.54 Dep Var: JUN04 N: 65536 Multiple R: 0.25 Squared multiple R: 0.06 Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P DISCRIM$ 1032049.54 9 114672.17 501.04 0.00 Error 14996870.35 65526 228.87 El análisis discriminante se corrió sobre los meses de diciembre, enero y marzo.

Tabla 14: Matriz de clasificación comparada entre los clusters obtenidos durante la extracción de patrones espectrales (A) y los usos del suelo (B) (casos en filas y categorías clasificadas en columnas) para el ciclo estival. A)

1 10 2 3 4 5 6 7 8 9 1 0.87 0.00 0.00 0.10 0.00 0.00 0.03 0.00 0.00 0.00

10 0.00 0.93 0.00 0.00 0.00 0.00 0.00 0.06 0.01 0.00 2 0.00 0.03 0.94 0.00 0.00 0.00 0.00 0.03 0.01 0.00 3 0.00 0.00 0.10 0.89 0.00 0.00 0.00 0.00 0.00 0.00 4 0.00 0.00 0.02 0.09 0.77 0.00 0.00 0.11 0.01 0.00 5 0.00 0.04 0.01 0.00 0.00 0.95 0.00 0.00 0.00 0.00 6 0.00 0.02 0.09 0.00 0.00 0.00 0.88 0.00 0.00 0.00 7 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.89 0.00 0.00 8 0.00 0.03 0.00 0.00 0.00 0.00 0.01 0.01 0.95 0.00 9 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00

Kappa: 0.89 Confusión media: 0.01 B)

alfalfa duraznill girasol juncal maiz moha monte pajonal alfalfa 0.96 0.00 0.00 0.00 0.00 0.00 0.00 0.00 duraznillar 0.02 0.47 0.00 0.11 0.03 0.01 0.20 0.01 girasol 0.04 0.17 0.12 0.04 0.16 0.01 0.06 0.01 juncal 0.00 0.12 0.03 0.53 0.01 0.04 0.03 0.09 maiz 0.21 0.17 0.04 0.03 0.05 0.01 0.06 0.01 moha 0.08 0.17 0.02 0.20 0.26 0.14 0.03 0.00 monte 0.25 0.17 0.06 0.04 0.01 0.00 0.31 0.00 pajonal 0.00 0.14 0.08 0.03 0.07 0.01 0.14 0.05 papa 0.01 0.02 0.04 0.00 0.03 0.00 0.00 0.00 pastizal 0.03 0.24 0.06 0.04 0.08 0.01 0.27 0.06 pastura 0.00 0.01 0.08 0.25 0.02 0.02 0.09 0.02 soja 0.17 0.15 0.00 0.07 0.01 0.00 0.03 0.00 sorgo 0.20 0.31 0.00 0.02 0.02 0.01 0.03 0.00

continuación papa pastizal pastura soja sorgo

alfalfa 0.00 0.00 0.00 0.04 0.00 duraznillar 0.00 0.09 0.00 0.02 0.04

girasol 0.30 0.03 0.02 0.03 0.00 juncal 0.02 0.03 0.07 0.02 0.01 maiz 0.25 0.01 0.03 0.13 0.03 moha 0.00 0.00 0.09 0.02 0.00 monte 0.09 0.00 0.00 0.00 0.06 pajonal 0.09 0.10 0.10 0.17 0.01 papa 0.86 0.00 0.03 0.01 0.00

pastizal 0.02 0.07 0.07 0.02 0.02 pastura 0.02 0.04 0.43 0.01 0.01

soja 0.06 0.00 0.05 0.35 0.10 sorgo 0.00 0.00 0.00 0.25 0.17

Kappa: 0.19 Confusión media: 0.07

La mala performance del método de clasificación convencional puede explicarse a la variabilidad en las fechas de siembra, a la diversidad de cultivos implantados en el período estival y a la heterogeneidad en cuanto al estado de las plantas dentro de un mismo lote. Todo esto responde al patrón caótico de los suelos de la región y a su marginalidad para realizar agricultura. Esto queda representado en la tabla 15. Estos resultados son coincidentes con lo mencionado por el USGS y la NASA, donde queda explicitado que la definición media de los satélites Landsat llegaría a escalas 1:100.000, pudiendo incrementarse hasta 1:50.000 para detectar cuerpos de agua o zonas con usos del suelo muy homogéneas y contrastantes. La principal limitante de este sensor para detectar usos específicos del suelo reside en su baja resolución espectral (ancho de banda). Debe quedar claro que esta familia de satélites fue desarrollada para estudios regionales. Tabla 15: valores medios de NDVI, para los usos del suelo detectados durante el ciclo estival, dentro de cada cluster

cluster

Datos USO 1 2 3 4 5 6 7 8 9 10 promedio

alfalfa 100.00 94.30 0.00 90.52 duraznillar 80.56 60.76 72.82 43.10 72.38 54.00 46.02 3.10 69.40 38.39 63.73 girasol 86.54 52.33 75.27 44.31 82.72 82.39 50.96 12.01 77.75 48.68 78.19 juncal 78.00 53.02 67.34 1.20 64.00 67.11 38.56 7.30 36.00 36.19 maiz 87.70 51.59 76.12 37.57 83.08 71.63 38.16 2.85 77.18 57.96 73.67 moha 69.79 27.71 66.43 14.33 67.44 54.13 61.00 18.43 48.50 56.61 monte 80.40 79.31 85.39 79.67 52.00 0.00 76.90 pajonal 79.22 59.95 74.79 15.99 72.28 71.40 18.95 19.20 74.69 64.32 60.73 papa 90.98 0.00 90.31 68.32 68.29 87.81 pastizal 81.16 60.68 75.17 11.62 72.49 70.51 39.67 14.54 71.50 49.08 69.09 pastura 77.17 53.49 74.11 2.94 66.92 58.65 24.78 11.13 43.00 49.09 soja 82.86 45.97 74.30 36.94 79.64 52.45 39.08 15.22 48.55 38.42 52.38

Promedio de DIC03 sorgo 70.27 49.00 70.52 46.71 70.78 54.42 25.00 61.18

alfalfa 84.00 77.00 83.33 77.36 duraznillar 74.56 23.90 49.09 48.80 2.69 37.50 1.79 1.09 158.00 0.13 25.78 girasol 73.10 28.29 58.87 62.82 0.11 54.58 0.00 24.30 162.50 1.82 52.45 juncal 67.33 26.84 44.66 39.55 0.96 45.89 0.00 2.30 2.25 16.10 maiz 78.41 26.79 65.21 64.37 0.07 54.44 0.90 72.90 158.55 0.41 56.47 moha 72.83 35.00 66.68 57.33 0.00 36.25 0.00 22.36 0.63 44.94 monte 70.36 64.57 0.00 61.33 0.00 57.00 53.81 pajonal 63.19 31.22 50.55 28.74 0.13 50.40 6.34 17.86 164.00 0.33 34.28 papa 84.57 83.62 0.00 67.22 0.00 78.39 pastizal 69.04 27.93 55.55 54.19 0.27 41.01 0.30 25.05 158.00 2.35 38.53 pastura 59.33 29.44 48.95 47.56 0.00 36.10 3.75 13.99 4.30 29.13 soja 86.90 24.50 69.51 65.85 3.11 61.42 2.74 37.19 158.77 1.64 50.19

Promedio de ENE04 sorgo 87.07 26.00 75.17 67.28 0.00 0.98 0.00 47.64

alfalfa 77.00 80.46 83.67 80.55 duraznillar 57.33 61.97 66.91 67.00 66.42 34.00 71.25 5.19 59.60 43.92 60.59 girasol 39.06 52.42 60.46 70.59 50.19 11.74 75.70 15.23 38.63 31.20 44.34 juncal 27.75 53.81 62.08 61.86 58.88 25.39 66.94 10.75 37.21 35.29

Promedio de MAR04 maiz 43.37 54.44 69.59 74.06 57.76 21.43 77.78 14.65 59.18 31.18 54.21

cluster

USO 1 2 3 4 5 6 7 8 9 10 promediomoha 52.17 45.14 58.23 45.33 58.44 28.13 79.00 42.71 37.00 51.31 pajonal 35.66 49.18 60.67 87.38 56.59 18.49 87.96 2.70 57.92 29.05 52.80 papa 30.17 44.33 29.34 8.26 17.29 28.75 pastizal 50.38 53.28 63.47 61.18 62.10 21.49 65.97 29.48 56.00 31.23 55.12 pastura 33.17 44.95 59.58 59.22 43.50 16.12 79.84 15.00 26.30 30.66

Promedio de MAR04 soja 40.05 57.77 82.57 85.63 72.17 8.98 84.95 15.95 71.77 35.19 72.27 sorgo 62.07 67.67 77.75 80.01 75.09 81.17 52.00 77.64 77.64 Promedio de DIC03 87.23 57.86 74.94 31.80 75.56 69.15 34.53 11.14 64.31 47.28 65.28 Promedio de ENE04 79.05 28.08 57.07 59.51 0.57 47.17 3.20 17.34 160.05 1.70 43.88 Promedio de MAR04 39.16 53.09 65.71 81.08 60.25 18.79 83.64 14.60 62.48 32.87 54.71

Conclusiones La resolución radiométrica y espectral de los satélites Landsat es insuficiente para discriminar usos del suelo específicos en zonas de elevada heterogeneidad ambiental. El NDVI fue la fuente de información más significativa para discriminar usos del suelo. Debido a la elevada confusión, los usos del suelo deben reagruparse en clusters por su comportamiento radiométrico a lo largo de todo el período de crecimiento, ya que un solo momento de estudio es insuficiente. En todos los casos siempre existen usos del suelo predominantes, conociéndose la proporción de cada uno de ellos. En todos los casos se lograron identificar las fechas críticas donde mejor se aprecian las diferencias de comportamiento entre clusters. Esta información es de gran importancia para definir un sistema inteligente de clasificación de usos del suelo, que a su vez permita estimar el error verdadero. Estos patrones espectrales deberán ser complementados con información de suelos para lograr resultados óptimos.

Bibliografía

1. Batista W. B. y León R. J. (1992). Asociación entre comunidades vegetales y algunas propiedades del suelo en el centro de la Depresión del Salado. Ecología Austral. 2 : 47-55.

2. Carlson T. y Riziley D. (1997). On the Relation between NDVI, Fractional Vegetation Cover, and Leaf Area Index. Remote Sens. Environ. 62: 241-252.

3. Caselles V. y López M. J. (1989). An alternative simple approach to estimate atmospheric correction in multitemporal studies. Int. J. Remote Sensing. 10: 1127-1134.

4. Chuvieco E. (2000). Fundamentos de teledetección espacial. Capítulo 7. Tratamiento digital de imágenes: II. Generación de información temática Ediciones Rialp, S.A. Madrid. Tercera edición. 406-408.

5. Deregibus V. A. y Cahuépé M. A. (1983). Pastizales naturales de la Depresión del Salado :Utilización basada en conceptos ecológicos. RIA. 18(1) : 47-78.

6. Gitelson A. A., Stark R., Grits U., Rundquist D., Kaufman Y. y Derry Y. (2002). Vegetation and soil lines in visible spectral space: a concept and technique for remote estimation of vegetation fraction. Int. J. Remote Sensing. 23 (13), 2537–2562.

7. Guerschman J. P., Paruelo, J. M., Di Bella C., Giallorenzi M. C. and Pacin F. 2003. Land cover classification in the Argentine Pampas using multi temporal Landsat TM data. Int. J. Remote Sensing. 24:17. 3381-3402.

8. Matsushita B. y Tamura M. (2002). Integrating remotely sensed data with an ecosystem model to estimate net primary productivity in East Asia. Remote Sens. Environ. 81: 58–66.

9. Miaczynski C. (1995). Los suelos hidromórficos e hidrohalomórficas de la provincia de Buenos Aires. Rev. Fac. Agr. 15: 23-36.

10. NASA. (2001). Landsat 7 Science Data Users Handbook: http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/chapter12.html

11. SAyG-INTA ; Centro Nacional de Investigaciones Agropecuarias, dpto. Suelos. (1977). La Pampa Deprimida : Condiciones de drenaje de sus suelos. Suelos. Nº 154. 166 p.

12. Skidmore A. K. (1989). An expert system classifies eucaliptus forest types using Thematic Mapper data and digital terrain model. Photogrammetric Eng. and Remote Sensing. 55: 1149-1464.

13. Tricart J. (1973). La geomorfología de la Pampa Deprimida como base para los estudios edafológicos y agronómicos. Plan mapa de suelos de la región Pampeana, INTA. Buenos Aires. XII colección científica. 202 p.

14. USGS. (2000). MRLC 2000 Image Preprocessing Procedure. U.S. Department of Interior. 8 pp.

http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/chapter12.html

http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/chapter12.html

Determinación de firmas espectrales para distintos usos...

Documents

Transcript of Determinación de firmas espectrales para distintos usos...