EVALUACION DE METODOS DE CLASIFICACIÓN Y COMBINACION DE BANDAS PARA LA IDENTIFICACIÓN DE CULTIVOS

Evaluación de métodos de Clasificación y combinación de bandas para la identificación de cultivos

EVALUACION DE METODOS DE CLASIFICACIÓN Y COMBINACION DE

BANDAS PARA LA IDENTIFICACIÓN DE CULTIVOS

Colegio de Postgraduados, Posgrado en Edafología, Roberto de Jesús Márquez Vélez


AgradecimientosAgradecimientos..................................................................................................3Índice Siglas (acrónimos)Índice Siglas (acrónimos)....................................................................................3Índice de Cuadros y FigurasÍndice de Cuadros y Figuras................................................................................3IntroducciónIntroducción.........................................................................................................3ProblemáticaProblemática........................................................................................................3JustificaciónJustificación.........................................................................................................4MotivosMotivos................................................................................................................6ObjetivosObjetivos..............................................................................................................8AntecedentesAntecedentes.......................................................................................................9

Métodos y MaterialesMétodos y Materiales..........................................................................................16Modelo de investigación.Modelo de investigación....................................................................................17MetodologíaMetodología.......................................................................................................17Material y EquipoMaterial y Equipo...............................................................................................21

Capitulo 1 GeneralidadesCapitulo 1 Generalidades...................................................................................24Área de estudio.Área de estudio.................................................................................................24Características espectrales de la vegetación (Vis, IRc IRm)Características espectrales de la vegetación (Vis, IRc IRm).............................25Imágenes SPOTImágenes SPOT................................................................................................30Taxonomía de cultivos existentes en la zonaTaxonomía de cultivos existentes en la zona....................................................34Transformaciones Índices, CP, TC, IHS, IRC/IRM, V/IRM o R/IRMTransformaciones Índices, CP, TC, IHS, IRC/IRM, V/IRM o R/IRM..................37

Capitulo 2 trabajo de campo..............................................................................43Tamaño de muestra..........................................................................................43Segmentos........................................................................................................44Digitalización.....................................................................................................45Programación de actividades............................................................................46Material y equipo de campo...............................................................................48Captura de la información..................................................................................50Reporte de Campo............................................................................................50Estimación de superficies..................................................................................52

Capitulo 3 Clasificadores...................................................................................55Capitulo 4 análisis de resultados......................................................................57concluciones.......................................................................................................58bibliografia...........................................................................................................58



AgradecimientosAgradecimientos

Índice Siglas (acrónimos)Índice Siglas (acrónimos)

Índice de Cuadros y FigurasÍndice de Cuadros y Figuras

IntroducciónIntroducción

ProblemáticaProblemáticaEl conocimiento por los recursos naturales existentes en la superficie terrestre es

una de las más importantes necesidades que el ser humano ha tenido a lo largo de

la historia; la existencia, cantidad, calidad, ubicación y condiciones para su uso son

fundamentales para el desarrollo de cada sociedad.

Los métodos para su estudio y cuantificación han evolucionado gracias al desarrollo

de la ciencia y tecnología, ofreciendo cada vez técnicas de mayor precisión y

alcance, incluso de aquella información de la que no somos capaces de percibir a

simple vista. Tal es el caso de las imágenes de satélite que ofrecen información de

la energía reflejada por la superficie terrestre y que es empleada para conocer y

diferenciar las diferentes coberturas presentes en ella.

La respuesta espectral de la superficie terrestre esta sujeta a una serie de

condiciones físicas, químicas y antrópicas propias de cada cobertura que

determinan el tipo, frecuencia y longitud de onda de la radiación registrada por los

sensores espaciales (satélites). De acuerdo a la naturaleza de cada cobertura

(vegetación, infraestructura, cuerpos de agua, etc.) es posible identificar ciertos

patrones particulares de comportamiento en distintas regiones del espectro

electromagnético (visible, infrarrojo, térmico y microondas), dicho comportamiento

es utilizado para identificar, clasificar y cuantificar el tipo de cobertura.

Sin embargo el análisis de los datos obtenidos y representados mediante imágenes

satelitales requiere de un entrenamiento particular del personal encargado de su



análisis, así como un tratamiento especial para obtener información veraz que

refleje las condiciones de la superficie representada. El procesamiento que se

aplique a los datos contenidos en la imagen estará en función del conocimiento

sobre el tema o la existencia de metodologías que permitan eliminar, o reducir en la

medida de lo posible, todas aquellas anomalías que la señal adquiere durante su

recorrido. Por otro lado, también es posible aumentar la capacidad discriminante de

la información contenida en la imagen. Algunos de estos procesos están

encaminados a modificar su distribución original, conocida como la nube de puntos

en el espacio euclídeo multidimensional (CP), otros utilizan el arreglo espacial de

los pixeles (erosión, dilatación, textura, Bordes) y también se aplican

transformaciones aritméticas a las bandas (suma, resta, división y multiplicación).

Como sea, es precisamente el conocimiento y dominio de estas técnicas, la que

determinará en buena medida la calidad de la identificación, clasificación y

cuantificación de las coberturas presentes en las imágenes de satélite.

JustificaciónJustificaciónLa cuantificación de la superficie sembrada en México, ya sea por métodos directos

o indirectos, estadísticos o geográficos (censos, encuestas, estimaciones o

inventarios), es una actividad que requiere la mayor precisión posible, con la

intensión de ofrecer información actualizada y verídica que pueda ser utilizada en el

diseño de otras actividades. la importancia que representa que la Sagarpa conozca

la calidad con la que esta generando su estadística básica, debido a que estos

indicadores impactan de manera directa en la formulación de políticas

gubernamentales en el sector agroalimentario, y adicionalmente se convierte en el

marco de referencia para atender contingencias meteorológicas, de que otro tipo?.

Roberto Márquez (2011),Roberto Márquez (2011), destaca que para desarrollar una política agropecuaria de

calidad es imprescindible contar con información de calidad en el sector

agropecuario, saber con la mejor certidumbre posible cuanto hay, donde está y en

qué condiciones se encuentra. La mayoría de la información sobre la superficie

sembrada en México actualmente no ofrece un índice de calidad; los usuarios no

conocen el grado de confiabilidad y, por lo tanto, no pueden calcular el error que

están induciendo en sus investigaciones al utilizar la información disponible.



Una de las atribuciones de la Sagarpa descrita en su Reglamento Interior 2001

(artículo 2 párrafo VI) es “Procesar y difundir la información estadística y geográfica

referente a la oferta y la demanda de productos relacionados con actividades del

sector rural, acuícola y pesquero”. La Sagarpa delega al SIAP “Establecer sistemas

de captación, muestreo, evaluación cuantitativa, organización, análisis y difusión de

las estadísticas e información geográfica sobre los problemas del Sector

Agroalimentario y Pesquero” (IV art 55).

La calidad de la información generada por la Sagarpa ha sido puesta en duda

debido a la publicación de distintos trabajos que cuestionan seriamente los métodos

empleados actualmente para su generación, la verificación de sus resultados y la

actualidad de sus estadísticas. Cuales?

Ante la falta de personal que existe en la Sagarpa, esta debe implementar

metodologías alternas que auxilien en la generación de estadística básica

(superficie sembrada), que conjuntamente con los instrumentos establecidos

actualmente, puedan proveer de calidad a la información producida por ella. Dichas

metodologías hacen referencia a métodos indirectos como estimaciones periódicas

basadas en el muestreo en campo y el procesamiento de imágenes satelitales.

Las acciones realizadas por sus diferentes organismos como el SIAP, Aserca,

INIFAP y Delegaciones Estatales, deben aplicarse de manera sistemática en todo el

país de manera coordinada con las dependencias estatales del sector agropecuario

para dotar de certidumbre y mantener al día los registros administrativos de la

superficie sembrada.

La difusión de metodologías reproducibles, que utilicen insumos satelitales dispones

en México puede por un lado, aportar un elemento valioso para el seguimiento de la

superficie sembrada y por el otro amortizar el gasto realizado por el gobierno federal

en la instalación, mantenimiento y operatividad del sistema de adquisición de

imágenes SPOT, a través del sistema Ermex.

Es importante recordar que ninguna técnica utilizada para el mapeo de recursos

naturales ofrece resultados ideales, infalibles o mágicos, y no menos importante,



mencionar que todas tienen un nivel de aplicación, por lo que aún contando con una

metodología aplicable a nivel nacional, esta debe ajustarse a la realidad de las

distintas regiones de México, donde existen diversas condiciones en el régimen de

siembra, tamaños promedio de parcelas, técnicas empleadas para su producción,

destino de la producción y otras que condicionan su desarrollo.

Así pues, el presente estudio pretende presentar de la manera más clara y simple

posible, aquellos procesos empleados en la clasificación de cultivos, usando para

este caso imágenes del satélite SPOT, con la intensión de obtener estadísticas de

alta calidad. Partiendo de la teoría adquirida en el procesamiento digital de

imágenes, se pueden mencionar tres etapas críticas para obtener resultados

satisfactorios:

El tratamiento de la información satelital, previo a la clasificación, para

maximizar la precisión de los procesos de clasificación de cultivos (Filtros,

detección de bordes, análisis de textura, Índices y otras transformaciones

ACP, TTC).

Una adecuada revisión y depuración de la información obtenida de los sitios

de muestreo permite obtener parámetros confiables que disminuyen el

margen de confusión al momento de agrupar los pixeles en clases.

La evaluación de la capacidad y calidad con la que los distintos algoritmos de

clasificación tradicionales identifican y asignan adecuadamente los pixeles

contenidos en la imagen.

MotivosMotivosLa falta de personal capacitado en el procesamiento digital de imágenes satelitales

en la Sagarpa reduce su capacidad para generar y mantener actualizada la

información estadística y geográfica que la ley le confiere, entre ellas la superficie

sembrada. El uso de metodologías existentes para este fin es muy limitado, este

tipo de estudios solamente son aplicados por algunos investigadores de la

dependencia de manera parcial y enfocada a ciertas regiones de interés. Son

contadas las áreas de la dependencia que las incorporan como parte de sus

actividades cotidianas, y en la mayoría de los casos estas tienen meramente un

carácter de investigación. Aún y cuando estas metodologías han demostrado las

ventajas de su aplicación, actualmente no existe un programa nacional o estatal que



contemple el procesamiento de imágenes satelitales de manera sistemática para

todo el país, como ya lo hacen otras dependencias federales.

El valor espectral de los pixeles (ND) ha sido el método más usado para la

identificación y clasificación de cultivos en las imágenes de satélite, principalmente

por aquellas personas que se inician en el estudio de los recursos naturales a través

de técnicas de teledetección. La incorporación de información complementaria

como MDE o el arreglo espacial de los pixeles (textura y morfología) ha permitido

sin duda incrementar la precisión de las estimaciones. Sin embargo no todos los

usuarios tienen un dominio sobre estas metodologías ni los conocimientos

avanzados sobre el comportamiento de los objetos en el espectro electromagnético.

Una alternativa puede ser mejorar la distribución de los pixeles en el espacio

espectral (nube de puntos) con la aplicación de técnicas básicas de procesamiento,

así como la generación de bandas artificiales, para aumentar la precisión de la

identificación de cultivos, usando los clasificadores tradicionales.

La intención de la presente investigación es reducir el hueco que existe entre el

personal encargado de generar la estadística básica de la secretaría y el uso de

metodologías desarrolladas para la identificación, cuantificación y cartografía de

cultivos con imágenes satelitales. Esta investigación sin sonar presuntuosa,

pretende ser una herramienta auxiliar en la estimación de superficies agrícolas, una

guía replicable y validable, que exponga las técnicas utilizadas para la estimación

de cultivos, haciendo énfasis en las etapas fundamentales. Esta dirigida al personal

técnico encargado de generar información espacial y que no cuenta con el

suficiente entrenamiento, con la intención de lograr resultados de una calidad

aceptable. La selección de los procesos, algoritmos e imágenes usados tienen su

fundamento en razones prácticas de la realidad nacional:

El estudio describe únicamente las etapas indispensables pero insustituibles,

para elevar la calidad de los resultados (orthorrectificación, tratamiento digital

de los pixeles, bandas artificiales, sitios de muestreo, validación de

resultados).

Los algoritmos de clasificación son los más usados y disponibles en la

mayoría de los paquetes informáticos especializados, tanto comerciales



como de uso libre. Así mismo son los que menos especialización requieren

por parte de los usuarios, así como el tiempo de procesamiento.

La selección de imágenes SPOT se debe primeramente a la disponibilidad

que existe en el país gracias a la instalación de la Ermex, que tiene casi 10

años de revisión del territorio mexicano, adicionalmente hay que decir que su

resolución espacial y los rangos del espectro adquiridos son los adecuados.

Se pretende generar un documento de lenguaje sencillo que describa las técnicas

empleadas para elevar la calidad de las clasificaciones, es importante mencionar

que se busca que su aplicación sea lo más generalizada posible, que sea aplicable

tanto a cultivos cíclicos como perennes, frutas, fibras, hortalizas y semillas. Para

estudios de mayor impacto, que busquen elevar la eficiencia en la identificación de

cada cultivo deberán hacerse adecuaciones, pero esta será tarea del personal de la

secretaría.

Como punto complementario se pretende realizar un análisis estadístico cual?, para

detectar si existe una correlación entre el tamaño de parcela y la correcta

asignación de los cultivos, con la intención de encontrar un área minima

cartografiable para imágenes con resolución espacial de 100m2.

ObjetivosObjetivos Aplicar los 5 clasificadores básicos más usados y evaluar su precisión en la

identificación y separación de cultivos.

Analizar el comportamiento de la vegetación en las diferentes bandas

espectrales originales y artificiales, para utilizar aquellas que potencialicen la

discriminación de coberturas.

Determinar los elementos físicos, químicos y antrópicos de la vegetación que

condicionan su comportamiento en el espectro electromagnético

Identificar los patrones de comportamiento radiométrico de los principales

cultivos de la Vega de Metztitlán y estimar su superficie a través de procesos

de clasificación.

Comparar la precisión de los resultados obtenidos por la aplicación de

diversos algoritmos (clasificadores) para la identificación de cultivos.



Relacionar los resultados obtenidos con el tamaño de las parcelas para

entender su relación con la resolución espacial de los sensores.

Generar una tabla de procedimientos, donde se indiquen los tiempos

requeridos y costos de cada etapa.

AntecedentesAntecedentesEl uso de imágenes satelitales para identificar las coberturas del suelo y

particularmente las ocupadas por vegetación, es tal vez una de las aplicaciones

más comunes en la teledetección. Se tienen registros de aplicaciones agronómicas

desde la decada de 1930 (Martini Axel Von, et al, XXXX), algunas de estas se han

usado en cultivos perennes, aquellos cuya vida útil es mayor de dos años continuos

(algunos llegan a estar produciendo hasta por 25 años), como pastos, alfalfa,

agave, nopales o frutales como aguacates, mangos, manzanos y otros. Sin

embargo la mayoría de las aplicaciones están dirigidas al estudio de cultivos

anuales, aquellos cuyo ciclo de vida, o producción, es menor a un año y son

sembrados cada ciclo agrícola. Una descripción mayor de los tipos de cultivos

existentes en México puede observarse en la tabla 1, del Anexo 1.

El procedimiento aplicado a las imágenes para cualquiera de sus aplicaciones,

generalmente puede dividirse en dos etapas; la primera parte es conocida como de

Pre-procesamiento; en ella se aplican correcciones geométricas y atmosféricas (en

algunos casos), y se seleccionan las bandas a utilizar durante el estudio, estas

pueden ser las bandas originales o bandas resultantes de algún proceso aritmético

(comúnmente cocientes conocidos como índices). La segunda parte por lo general

esta dirigida a la Clasificación de la imagen, para realizarla se requieren sitios de

entrenamiento (training fields), donde a partir de los pixeles contenidos en cada

muestra se definen estadísticos descriptivos (mínimo, máximo, media y desviación

estándar) que serán utilizados para calcular los rangos espectrales de cada clase.

Una vez definidas y registradas las distintas categorías en las que se clasificará la

imagen se aplica un algoritmo de agrupamiento, que de acuerdo al valor de los

pixeles contenidos en la imagen, los asignara a una categoría, dependiendo su

cercanía a los rangos establecidos para cada clase.

Sensores y Bandas



Las imágenes utilizadas para la identificación de cultivos, pueden provenir de

distintos sensores, tanto de alta, mediana y baja resolución. Federico Soria (2011)

en su estudio de relevamiento satelital de areas cultivads, utiliza las bandas 3, 4 y 5

(Rojo, Infrarrojo Cercano e Infrarrojo Medio) de una imagen Landsat 5 TM para

discriminar las áreas ocupadas por los distintos cultivos, esta selección de bandas

obedece por presentar una adecuada discriminación de las biomasas vegetales.

Bertha Hoyos et al (2005) emplea las bandas 1, 2 y 3 (Verde, Rojo e Infrarrojo

Cercano) del satélite ASTER para la clasificación de cultivos, e introduce el Índice

Normalizado de vegetación (NDVI), para distinguir de forma más eficiente las zonas

con vegetación. También emplea el ACP para realzar las diferencias entre las

distintas firmas espectrales de los cultivos, así como la de los distintos tipos de

suelos desnudos, áreas urbanas, y cultivos sin vegetación presentes en la imagen.

El uso de imágenes SPOT se ha intensificado en México a partir del año 2003, por

parte de la Sagarpa, donde a partir de imágenes del sensor HRG (SPOT 5) se

cuantifica la superficie sembrada de los principales cultivos de la Republica

Mexicana, utilizando la información contenida en sus 4 bandas (Roberto Márquez,

2011).

Las imágenes de alta resolución espacial, gracias a su extremada capacidad para

recoger información de pequeñas porciones de la superficie terrestre, han sido

empleadas en clasificaciones expertas. Fernando Carvajal el al, realiza una

clasificación de una imagen Quickbird mediante redes neuronales, de acuerdo a su

estudio, la fuerte “texturización” que presentan estas imágenes facilita su

clasificación, por lo que aplica análisis de textura para mejorar los resultados de la

clasificación. Juan P Ardilla et al (2005) valida metodologías de clasificación de

distintas imágenes (Landsat, SPOT, ASTER e IKONOS) en un entorno orientado a

objetos, aplica el concepto de objetos como unidad mínima de información en lugar

del píxel y obtiene exactitudes mayores en todos los casos.

Actualmente se están desarrollando aplicaciones para el procesamiento de

imágenes satelitales disponibles en la red, particularmente Google Maps a través de

algoritmos K-Means (Sergio García Sergio, 2010).

Transformaciones



La transformación de la información original contenida en las imágenes, es un

procedimiento utilizado por algunos investigadores, con la intensión de magnificar la

capacidad de discriminación que tienen las imágenes de satélite. Los

procedimientos empleados en esta etapa pueden estar dirigidos a 1.- Modificar el

valor del píxel (realce radiométrico) o afectar a su distribución espacial, en función

de los que le rodean (realce geométrico) (Vicente Fabregat, XXXX), y 2.- Generar

bandas adicionales, generalmente cocientes entre bandas.

El uso de Componentes Principales es resumido por Emilio Chuvieco como una

técnica cuyo objeto es resumir un amplio grupo de variables en un nuevo conjunto,

más pequeño y sin perder parte significativa de la información original.

Algebraicamente, genera nuevas variables (componentes), mediante una

combinación lineal de las variables originales (bandas) (Ferrero et al., 2005).

Otra aplicación usada para el estudio de la vegetación es el alto contraste entre las

bandas del rojo (R) y del infrarrojo cercano (IRC) de las firmas espectrales de las

hojas y follaje de la vegetación. Se han utilizado una gran cantidad de índices de

vegetación (IV) que usan fundamentalmente razones entre las dos bandas

espectrales (Casiano, Marcos).

Otros autores realizan una transformación del espacio de color RGB a IHS

(Intensity-Hue-Saturation) con el objeto de obtener información más relevante que la

obtenida en las imágenes originales (Ortiz Lozano, Nidia Esperanza).

Una descripción muy completa de procedimientos aplicados al tratamiento de la

información contenida en las imágenes, tanto con enfoques numéricos como

visuales es realizada por Lennon Cajuste (1992). En ella se menciona la

importancia de los procedimientos cuantitativos y cualitativos de la información.

Clasificadores

Asignar cada píxel de la imagen a un grupo de pixeles que representan una

cobertura especifica de la superficie terrestre (agua, vegetación, urbano, etc.),

depende en gran medida de la profundidad del estudio, es decir, mientras que para

un estudio puede ser suficiente separar el área agrícola de la imagen, en otros el

objetivo requerirá conocer los tipos de cultivos existentes en esa región agrícola, en



otros casos lo que se persigue es conocer las condiciones específicas de un cultivo

en particular o las condiciones de desarrollo que este cultivo tiene al interior de una

parcela.

Como se observa, el uso de las imágenes satelitales para diferenciar las superficies

sembradas es muy variable, así como las técnicas de clasificación usadas. El

presente estudio se enfoca exclusivamente a los clasificadores supervisados de tipo

duro, aquellos en el que el interprete define el número, tipo y rango de clases

deseados, donde cada píxel tiene solamente una posibilidad de ser asignado a una

clase, de acuerdo a una serie de reglas de decisión específicas. Es importante

mencionar que algunos autores utilizan clasificadores no supervisados, como el

ISODATA (Iterative Self-Organizing Data Analysis Technique) ó el K Means, para

identificar las clases espectrales presentes en la imagen, como preámbulo para

identificar zonas con similar respuesta espectral. Derivado de este proceso, las

zonas con mayor pureza de cada clase, sirven como base para la elaboración de

patrones o regiones de interés para las clasificaciones supervisadas (Bertha

Hoyos, et al 2005).

De la mayoría de los algoritmos utilizados para la clasificación de imágenes

satelitales el más usado es Máxima Similitud (Maximum Likelihood), Adison

Altamirano (2012) menciona que el mayor uso de este método se debe

principalmente a su robustez, sencillez, rapidez en su aplicación, ya que se

encuentra implementado en la mayoría de los programas comerciales (Lu y Weng

2007).

Luis Palacios, et al (2006), ha desarrollado un sistema de clasificación supervisada

de manera automatizada sin necesidad de muestreos de campo, en ella se analizó

la respuesta espectral de diferentes objetos genéricos (vegetación, suelo desnudo,

nubes y agua) y se desarrolló un algoritmo que reconoce una serie de patrones

establecidos para 13 coberturas. Es un método bastante rápido que ofrece la

capacidad de obtener una clasificación de imágenes multiespectrales,

principalmente Landsat y SPOT, de una manera bastante rápida y de relativamente

buena precisión. Su aplicación debe ser vista como un conocimiento preliminar de

una región y el usuario deberá evaluar su aplicación en las distintas áreas del país.



La aparición de imágenes de mayor resolución espacial IKONOS (1 a 4 metros),

Quickbird (menores a 1 metro) e incluso las SPOT (2.5 a 5 metros), han permitido

proponer aplicaciones basadas no solamente en el valor espectral de los pixeles, en

ellas también se considera la influencia de los pixeles vecinos, esta es conocida

como clasificación orientada a objetos. Castillejo Gonzáles, et al, realiza una

comparación de técnicas de clasificación basadas en objetos, comparándolas con

las tradicionales técnicas de clasificación basada en píxeles. Utiliza imágenes

multiespectrales Quickbird para evaluar la variabilidad tanto a nivel geográfico (usos

del suelo, textura y tamaño medio parcelas) como a nivel de resolución espacial,

estas muestran mejoras sustanciales en la fiabilidad de la clasificación.

Existen otros métodos de asignación (clasificación) que requieren un conocimiento

mayor del comportamiento espectral y espacial de los píxeles, así como de los

procedimientos para determinar los criterios de decisión. Debido al objetivo del

estudio no serán considerados para su análisis, pero en definitiva son metodologías

muy valiosas para la cuantificación de cultivos, ya que contemplan la influencia de

los pixeles vecinos. Jorge G. Hoyos y José N Pérez destacan las Redes

Bayesianas, el Razonamiento Probatorio, las Redes Neuronales, los Autómatas

Celulares y Algoritmos Evolutivos. En el mismo trabajo se mencionan clasificadores

híbridos HCS (Hybrid Classification System) que combinan técnicas de clasificación

espectral, espacial y temporal, conocidas como SSTKC (Spectral, Spatial and

Temporal Knowledge Classififier). Estas tienen por objeto combinar métodos

estadísticos de reconocimiento de patrones con sistemas de clasificación basados

en el conocimiento del comportamiento del fenómeno a estudiar. Los clasificadores

espaciales o contextuales, que buscan incorporar la dependencia espacial. Se

distinguen dos modelos, los campos aleatorios de Markov (MRF) y la autoregresión

espacial (SAR), por último mencionan el uso de algoritmos genéticos que están

inspirados en los mecanismos de selección natural de las especies y la combinación

genética de los individuos. XX XXX

Múltiples aplicaciones orientadas a la clasificación de cultivos pueden encontrarse

en las memorias de congresos de Teledetección, Reuniones Nacionales e

Internacionales de SELPER o revistas especializadas como la de la Asociación

Española de Teledetección, entre otras.



Evaluación de la Fiabilidad (Verificación – Precisión)

Como cualquier proceso de estimación por métodos indirectos, la cuantificación de

cultivos a través de la clasificación de imágenes satelitales debe necesariamente

estar sujeta a una verificación de la calidad con la que el proceso determina el

objeto de estudio (cultivos). Los resultados obtenidos antes de ser publicados o

utilizados deben indicar la precisión obtenida, para conocer la calidad con la que se

están generando, actualmente se han desarrollado varios métodos estadísticos.

El método más utilizado es la matriz de confusión (Lillesand et al. 2008), la cual

indica el porcentaje de puntos de control en terreno que está siendo correctamente

clasificado para cada una de las categorías (Lillesand et al. 2008). Esta técnica

indica una exactitud global de la clasificación, lo cual no representa la exactitud de

las distintas categorías, si no una visión global de cómo se ha realizado el proceso

de clasificación. Es decir, que al ser un resumen de la exactitud de todas las clases,

aquellas clases que presentan menor dificultad en su identificación (con valores de

exactitud cercanos al 100 %), pueden estar contribuyendo a la obtención de una

exactitud global mayor, que no necesariamente representa la exactitud con la cual

se están clasificando las coberturas de interés (Adison Altamirano 2012).

García Mora, et al. (2008) utiliza la Matriz de Confusión para conocer la proporción

de error obtenido en los mapas producidos, las cuales permiten confrontar la

información de los sitios de muestreo y la imagen clasificada. Una interesante

adecuación es la aplicación del método propuesto por Card (1982), que incorpora

los valores de proporción (áreas relativas) de cada una de las categorías

consideradas para compensar el sesgo debido al muestreo estratificado. De esta

manera, una clase con mayor área tendrá más peso que una de área pequeña al

momento de calcular la fiabilidad.

Los sitios de control utilizados para la verificación pueden provenir de diferentes

fuentes o generarse a través de varios procedimientos, sin embargo todos requieren

la condición de representar correctamente la cobertura real existente en el terreno,

puesto que serán utilizados como la verdad. García Mora, et al, 2008 utiliza

fotografías aéreas para verificar los resultados de la clasificación, utilizando un

método de muestreo aleatorio estratificado, cada estrato corresponde a cada una de



las clases del mapa. De esta manera se asegura que las categorías de pequeña

superficie sean muestreadas (Mas et al., 2003).

Adison Altamirano (2012) realiza la evaluación de la exactitud para ocho imágenes

clasificadas con distintas estrategias, mediante la construcción de una matriz de

confusión (Congalton y Green 1999), emplea un muestreo aleatorio estratificado de

puntos de control en la imagen clasificada, con 50 puntos por cada cobertura del

suelo utilizada en la clasificación (Lillesand et al. 2008, Chuvieco 2010).

Ahora bien, cuando se trata de evaluar los resultados de varios clasificadores una

vez que se han cuantificado los resultados para cada uno, se puede observar cual

obtuvo el mayor error y el menor, sin embargo, no se puede concluir que uno es

más eficiente que otro sólo con base en una diferencia, ya que es necesario

conocer si las diferencias son estadísticamente significativas. García Mora, et al,

2008 utilizó la metodología propuesta por Foody (2004), que permite evaluar la

significancia estadística de diferencias en la fiabilidad de dos clasificaciones

estimada con base en los mismos datos de verificación. La prueba de McNemar es

una prueba no paramétrica basada en una matriz de confusión de dos por dos que

expresa las relaciones entre las confusiones de las dos clasificaciones en

comparación. El índice de la prueba Z2 expresa la diferencia en los errores

cometidos en las dos clasificaciones. El estadístico Z2 mide la diferencia de la

fiabilidad en comparaciones pareadas de los diferentes clasificadores, para este

caso se necesitaron nueve comparaciones. La prueba de Z2 es así una prueba no

dirigida (prueba de planteamiento bilateral), que indica si existe o no una diferencia

significativa entre las fiabilidades alcanzadas por las dos clasificaciones (Foody,

2004).

Tzitziki García y Jean Francois (2008) señalan que sin usar información a priori

los métodos de clasificación de máxima verosimilitud, clasificador de contexto

SMAP y Perceptrón Multicapa dan resultados cuya fiabilidad es parecida, la prueba

de McNemar no encontró diferencia significativa entre ellos. Pero la implementación

de datos auxiliares resultó en un aumento significativo en la fiabilidad de los mapas

(20 % en la fiabilidad global).



MÉTODOS Y MATERIALESMÉTODOS Y MATERIALES

La identificación de cultivos usando imágenes de satélite tiene su base en una larga

serie de estudios sobre el comportamiento de las propiedades físico-químicas de la

vegetación así como su comportamiento en el espectro electromagnético. Las

características propias de cada especie, partes (hojas, tallos), estructura (interna y

externa de las hojas ancho), composición química (presencia de pigmentos), arreglo

espacial (densidad, presencia de otras especies intercalado), estado fonológico y

salud (estrés hídrico, presencia de plagas o enfermedades) y las condiciones

propias de su siembra (boleo, surco, intercalados, presencia de plásticos, malla

sombra, etc.). Son algunas de las condiciones que determinan o modifican el

comportamiento de la vegetación en las distintas regiones del espectro

electromagnético registradas por los sensores remotos.

Partiendo de este conocimiento adquirido, es posible desarrollar modelos de

análisis que nos permitan usar las relaciones existentes entre las propiedades

físicas de los cultivos (parámetro a estimar) y la información espectral contenida en

la imagen (Modelo Deductivo). Bajo este enfoque es posible identificar aquellas

bandas en las que la vegetación tiene un comportamiento diferenciado, y más aún,

aplicar técnicas que potencializen su separación para lograr una clasificación más

precisa de las distintas coberturas vegetales existentes en una región.

Acto seguido se invierte el modelo de investigación para establecer una relación

entre el valor numérico de los pixeles (ND) y los rangos espectrales de los cultivos

presentes en la imagen (Modelo Inductivo). La intención es identificar el

comportamiento espectral de esos cultivos para agruparlos para estimar la

superficie ocupada por ellos, así como su distribución espacial. Es importante

mencionar que dichas relaciones cultivo-ND, son validamente aplicables a la región

y fecha de estudio, cualquier aplicación a otra región, deberá contemplar las

variaciones propias de las condiciones geográficas (coordenadas, altitud, pendiente,

orientación, suleo, clima, etc.) de la nueva zona de estudio. Esto implica un proceso

de ajuste que, en muchas ocasiones, resulta muy complejo y no siempre

suficientemente preciso, ya que es necesario asumir condiciones que rara vez se



dan en la naturaleza (p. ej., isotropía en las hojas, terreno plano, reflectividad

lambertiana, etc.). Incluso aunque esta relación entre variable de interés e

información espectral sea consistente, no resulta sencillo obtener esas variables

espectrales, ya que es preciso eliminar de la imagen cualquier efecto extraño a la

señal procedente de la cubierta. Esto implica modelar los efectos atmosféricos, la

geometría de observación, el aporte del sustrato y las condiciones de mezcla con

otras cubiertas, por citar sólo los más significativos. (Dymond et al, 2001; Fourty y

Baret, 1997; Jacquemoud, 1993; Riaño et al, 2005), citado por Chuvieco 2008).

Modelo de investigación.Modelo de investigación.El presente estudio sigue en una etapa inicial, el modelo deductivo de investigación,

basándose en el conocimiento existente sobre el comportamiento de los cultivos, en

las distintas regiones representadas en las imágenes SPOT. Utilizando este

comportamiento se pretende aplicar técnicas de procesamiento a una imagen SPOT

5 del mes de noviembre del 20112, para forzar la discriminación de la mayoría de

cultivos existentes en la Vega del río Metztitlán. En una segunda etapa se cambia el

modelo de trabajo (modelo inductivo), para identificar parámetros característicos

(radiancia) de los diferentes tipos de cultivos existentes en la Vega, dichos

parámetros están en función de las condiciones físicas, químicas y antrópicas

propios de cada cultivo. Sin embargo la relación que existe entre la resolución

espacial de la imagen (10 m en modo multiespectral), y el tamaño de parcelas

existentes en la Vega (cuanto promedio?), limitan fuertemente la posibilidad de

identificar un mayor número de cultivos. Los algoritmos utilizados para la

clasificación de la imagen son de tipo duro y de acuerdo a la bibliografía, los más

usados por los investigadores.

MetodologíaMetodologíaEl procedimiento general aplicado a la imagen de satélite, la información,

paquetería, herramientas y parámetros cartográficos utilizados durante el desarrollo

del presente estudio se mencionan a continuación, los pasos 3 al 7 corresponden al

preprocesamiento general de la información satelital.

1. Determinación del área de Estudio. La selección del área de trabajo es

simplemente por sugerencia del cuerpo de asesores del Colegio de



postgraduados. La Vega del río Metztitlán es una región interesante ya que

presenta una diversidad de cultivos (18 SIAP, 2012) y múltiples tamaños de

parcelas, algunas con superficies muy pequeñas, se tienen identificadas

5,300 parcelas (Ojeda, 2010) con superficies que van desde las 0.01 ha,

hasta parcelas de casi 30.0 ha, lo que representa un reto interesante para los

clasificadores usados.

2. Recopilación de información. Se busco información vectorial, raster,

estadística y de cualquier otro tipo, que contuviera información sobre la

temporalidad, tipo de cultivos y sistemas de siembra existentes en la Vega de

Metztitlán, preferentemente lo más actualizada posible.

Selección de imagen . Las imágenes SPOT 5 reúnen condiciones

radiométricas (4 bandas) y espaciales (píxel de 10 m) adecuadas para

la identificación de cultivos. Adicionalmente se contemplo la

disponibilidad de imágenes, incrementada por la existencia de la

antena Ermex y finalmente se decidió utilizar una imagen SPOT.

3. Trabajo de campo. Esta pensado y diseñado para obtener información que

permita conocer el tipo de cultivos existentes en la zona, las condiciones en

que se encuentran y la proporción de cada uno de ellos con respecto al total

de la superficie agrícola en la Vega.

Tamaño de muestra . Se emplea el marco de muestreo por áreas,

utilizado por el Pronespre (2003-2006), aumentado significativamente

el tamaño de muestra (al doble), para este caso se muestrea el 7% de

la zona agrícola (306 ha).

Generación de segmentos . Se diseñan unidades de muestreo de

12.25 ha (cuadrados de 350 x 350 m), distribuidos de manera aleatoria

en toda el área agrícola y generados con el programa Arc View 3.3.

Digitalización . Mediante digitalizaciones en SIG, se aíslan cada una de

las coberturas (parcelas) identificadas en el segmento a través de

fotointerpretación.

Recorrido . Está planeado para tener correspondencia temporal entre

el comportamiento de los cultivos en el ciclo primavera – verano y la

toma de la imagen (noviembre 2012). Se emplearon equipos GPS

para ubicar y recorrer cada uno de los sitios de muestreo.

Captura . La información obtenida en campo sobre el tipo y

condiciones de cada cobertura es ingresada a una base de datos



relacional, que sirve para análisis estadísticos y es usada para

determinar las distintas clases a identificar en la imagen de satélite.

Edición y limpieza . Se estandarizan los atributos de la base de datos y

se asignan claves de identificación para cada una de las coberturas

identificadas, según sus condiciones existentes al momento del

recorrido.

4. Revisión radiométrica. Busca eliminar y/o compensar errores radiométricos,

distorsiones y ruido producido por deficiencias del sensor, en las 4 bandas de

la imagen satelital, para este caso no se detectaron alteraciones que

requieran correcciones adicionales.

5. Orthorrectificación. Rectifica la imagen en la proyección cartográfica UTM

zona 14, y corregir los errores residuales de paralaje debido al relieve gracias

a la utilización de un MDE. (Martínez, Julio, 2005).

6. Recorte. Se realiza para agilizar el procesamiento de la información satelital

y reducir confusiones al momento de la clasificación, se extrae información

exclusivamente de aquellas zonas que han sido fotointerpretadas como

agrícola (4, 800 ha, aproximadamente).

7. Análisis morfométrico. Se aplican procesos de apertura, cierre y análisis de

texturas, para favorecer un comportamiento más homogéneo al interior de las

parcelas, sin perder su diferencia con otras coberturas. La intención es

obtener una distribución normal (de tipo gaussiano) en las muestras

utilizadas para la clasificación.

8. Bandas artificiales. Derivado del comportamiento que la vegetación tiene en

las distintas bandas del espectro electromagnético, se aplican

procedimientos aritméticos que permiten “aumentar” la capacidad de

separación para los diferentes cultivos (R-IRC o V-IRM). También se aplican

técnicas para mejorar la distribución espectral y reducir el ruido de la

información de la imagen (CP), así como aquellas que caracterizan mejor

algunas cualidades de los objetos brillo, verdor y humedad (TTC).

9. Validación de la calidad de la información. La información obtenida en

campo (340 polígonos) es utilizada determinar la cantidad de cultivos a

clasificar. La calidad de cada uno de ellos debe ser revisada para evitar

utilizar aquellos cuyos parámetros estadísticos (minima, máxima, media y

desviación) sean anómalos al comportamiento espectral esperado para cada

clase.



Revisión de polígonos . Se realiza una inspección visual de los 340

polígonos identificados en el trabajo de campo, sobrepuestos sobre la

imagen orthorrectificada para verificar que los límites de los polígonos

coincidan con los límites de la parcela en la imagen.

Línea del suelo . Utilizando los valores medios de la banda rojo e

infrarrojo, para cada parcela, se genera un coeficiente que es utilizado

para determinar el uso o no de esa parcela en la generación de

muestras.

10.Clasificación. Cada píxel es asignado a un grupo de valores homogéneos,

de reflectividad similar en cada banda. Es este estudio se utilizaron los

algoritmos de Paralelepípedos, Minima distancia, Distancia de Mahalanovis,

Máxima Probabilidad y KSS para la clasificación de cuatro tipos de

imágenes. La imagen de bandas originales y la imagen de bandas artificiales,

este procedimiento aplica tanto para imágenes de resolución de 10 m como

para las de resolución de 2.5 m.

11.Validación de la clasificación. Debido a que dos o más tipos de cubierta

vegetal pueden presentar respuestas espectrales similares debe existir una

revisión de los parámetros de clases, para evitar confusiones durante el

proceso de asignación. Después de la clasificación es imprescindible conocer

la precisión obtenida en el proceso.

Separabilidad . Evalúa la capacidad discriminante de cada categoría se

calcula usando las matrices de la media y covarianza. Distancia XX

Matriz de Confusión . Realiza una confrontación de las dos fuentes de

información (campo-imagen) e Indica la precisión obtenida en la

clasificación, a través del cálculo de los pixeles correctamente

clasificados.

Indice Kappa . se calcula para conocer el grado de concordancia entre

la realidad y la clasificación. La fiabilidad global no siempre representa

la fiabilidad de cada cobertura.

12.Análisis de resultados. Se generan registros para cada cultivo donde se

obtiene la precisión de cada uno con respecto a los datos de campo, para los

cinco algoritmos utilizados. De todos los parámetros de verificación

generados (matriz de confusión, separabilidad, índice kappa y otros) se

pondera cada uno de ellos y se realiza una comparación para asignar el valor

final de cada uno de los algoritmos. Adicionalmente se revisa cuales bandas



(originales y artificiales) ofrecen la mejor separabildad entre coberturas para

sugerir una composición de imagen que permita clasificar con la mayor

certeza posible.

Como complemento se realiza un análisis entre la calidad de la clasificación

para cada uno de los cultivos de mayor representación en la Vega (maíz,

frijol, calabaza y nuez) y su relación con el tamaño de parcela. La intención

es identificar si existe un tamaño mínimo de parcela a partir de la cual ese

cultivo es aceptablemente identificado.

Material y EquipoMaterial y EquipoBases de datos. Están constituidas por series de Información estadística, de las

distintas variables de superficie reportadas por instituciones federales (sembrada,

cosechada y siniestrada):

Registros administrativos de la Sagarpa por Municipio del estado de Hidalgo,

años 2007 a 2012.

Registros estadísticos del INEGI por municipios del DDR Zacualtipan, años

2007-2012.

VIII Censo agrícola, ganadero y forestal publicado por INEGI, año 2008.

Fechas de siembra y cosecha de la Sagarpa, publicado en 2007.

Información vectorial. Es información digital formada por objetos independientes

(líneas, arcos o polígonos), con atributos cartográficos (Elipsoide, Datum y

coordenadas UTM), presentada en formato SHP:

Uso del suelo y vegetación serie IV, generada por INEGI, año 2008.

Área agrícola digitalizada del estado de Hidalgo, generada por Aserca

(Sagarpa), año 2006.

Parcelas de la Vega de Metztitlán, Colegio de Postgraduados 2010.

Unidades de muestreo de campo (Segmentos), elaboración propia con

metodología de Sagarpa, 2012.

Unidades de muestreo de campo (capturadas), 2012.

Parcelas de entrenamiento por cultivo, elaboración propia, 2012.

Índice de suelo en parcelas de entrenamiento, elaboraci



Raster (Imágenes de Satélite). Información digital representada en mallas, divide

la superficie terrestre en celdas regulares donde cada una de ellas representa un

valor único correspondiente a una región del espectro electromagnético. Para este

estudio las imágenes utilizadas son del SPOT y las derivadas de procesamientos

aplicados:

Imagen SPOT pancromática de 2.5 m (noviembre 2012)

Imagen SPOT multiespectral de 10 m (noviembre 2012)

Imagen SPOT fusionada de 2.5 m en “color natural” (noviembre 2012)

Imagen con procesos de apertura, cierre y análisis te textura.

Imagen multiespectral, IV, CP y TTC.

Imagen fusionada, IV, CP y TTC.

Clasificación temática (5 procesos) imagen multiespectral, IV, CP y TTC,

Minima Distancia, Distancia de Mahalanobis, Máxima Probabilidad,

Paralelepipedos, Análisis Lineal Discriminante (Fisher).

Clasificación temática (5 procesos) imagen fusionada, IV, CP y TTC, Minima

Distancia, Distancia de Mahalanobis, Máxima Probabilidad, Paralelepipedos,

Análisis Lineal Discriminante (Fisher).

Imágenes de Google Earth (consulta por Internet), febrero y marzo 2012

Orthofotos digitales, generadas por INEGI (consulta WMS), 20XX.

Modelo digital de elevación, zona UTM 13, generado por INEGI

Programas informáticos. Conjunto de instrucciones para realizar alguna tarea

especifica en la computadora; en este caso, mayoritariamente se especializan en

aspectos geográficos:

Erdas Imagine V. 9.1

Idrisi Selva

Arc Gis V. 9.3

Arc View V. 3.2

PCI Geomática V. 9.1

Arc Pad V. 8.0

Ozzie Explorer V. 3.2

Office 2007



Parámetros Cartográficos. Toda la información vectorial, imágenes satelitales,

cartografía digital y demás insumos fueron reproyectados y trabajados en

proyección UTM, zona 14, con Datum WGS 84 y Elipsoide WGS 84.

UTM . Sistema de coordenadas basado en la proyección cartográfica

transversa de Mercator, que se construye como la proyección de Mercator

normal, pero en vez de hacerla tangente al Ecuador, se la hace tangente a

un meridiano. A diferencia del sistema de coordenadas geográficas,

expresadas en longitud y latitud, las magnitudes en el sistema UTM se

expresan en metros al nivel del mar.

Datúm WGS84 . Siglas en inglés de World Geodesic System, sistema de

coordenadas cartográficas mundial que permite localizar cualquier punto de

la Tierra, es un estándar en geodesia, cartografía, y navegación, que data de

1984. Tuvo varias revisiones (la última en 2004), y se considera válido hasta

una próxima, se estima un error de cálculo menor a 2 cm, por lo que se basa

el Sistema de Posicionamiento Global (GPS).

Elipsoide WGS84 . Consiste en un patrón matemático de tres dimensiones

que representa a la Tierra por medio de un geoide (cuerpo geométrico más

regular que la Tierra), que se denomina WGS 84.

Equipo

La tecnología del mapa móvil ofrece la oportunidad de utilizar computadoras de

bolsillo que reciben señales del sistema GPS para obtener posiciones sobre la

superficie terrestre; adicionalmente, tiene el beneficio de poder visualizar

información vectorial y raster (imágenes satelitales).



CAPITULO 1 GENERALIDADESCAPITULO 1 GENERALIDADES

Área de estudio.Área de estudio.Es la porción de la Vega del río Metztitlán contenida en el municipio del mismo

nombre. Se ubica en la porción central del Estado de Hidalgo, en un área de

transición entre dos unidades geomorfológicas: la Sierra Madre Oriental y el

Sistema Volcánico Transversal (figura 1). La parte norte tiene un lago que se

localiza a una altura de 1,253 msnm, su origen se debe a la obturación del valle por

un importante deslizamiento, seguido de un desprendimiento de material, (García,

Hubp y Palacios 1996). Es parte de una cuenca endorreica que posee una

superficie de 3,230 km2, la región pertenece a la vertiente del Golfo de México y

forma parte de la cuenca del Río Pánuco.

Figura 1. Vega de Metztitlán.

Fuente: García, Hubp y Palacios 1996

El clima que prevalece es del tipo calido seco con temperaturas promedio del orden

de los 25 ºC, el periodo de lluvias se presenta entre los meses de junio a



septiembre con precipitaciones promedio de 500 mm, los meses restantes son de

estiaje.

El valle tiene laderas escarpadas y fondo plano producto de los sedimentos que la

han colmatado (acumulación de sedimentos), presenta inundaciones y procesos de

ladera que ponen en peligro constante a habitantes y la agricultura (principal

actividad económica de la zona), provocando grandes daños a la economía, en

septiembre de 1993 el huracán Gert ocasiono pérdida de cosechas, destrucción de

canales, incomunicación de poblaciones y destrucción de casas, entre otros daños.

En la Vega del Rio Metztitlan se tiene un área de cultivo de 4,884 ha (Ojeda, 2010),

en el municipio se siembran diversos cultivos, con tres cosechas al año que

abastecen los mercados de Pachuca y el D.F. principalmente (Ojeda, 2010). La

complejidad del área se aprecia en la diversidad de productos con 18 cultivos

reportados, de los cuales el maíz y el frijol concentran el 83% de la superficie

sembrada además de producir cereales, legumbres así como cultivos horticolas y

frutales (SIAP 2012). Se tienen identificadas 5,300 parcelas (Ojeda, 2010) con

superficies que van desde las 0.01 ha, hasta parcelas de casi 30.0 ha y un registro

de 2,500 productores.

Características espectrales de la vegetación (Vis, IRc IRm)Características espectrales de la vegetación (Vis, IRc IRm)El estudio de la vegetación usando técnicas de percepción remota, por lo general,

basa su interés en la medición de la reflexión difusa que presentan la superficie

terrestre a intervalos de una longitud de onda específica (bandas). La reflexión de la

las comunidades vegetales es cuantificada por mediciones de la energía incidente y

la energía reflejada, conocido como espectro de reflexión, Ciceana. Figura 1

Figura 1 espectro de reflexión.



Ciceana, consulta 2013

A través de la medición de la energía reflejada, es posible identificar

comportamientos particulares para las principales coberturas vegetales (cultivos,

vegetación natural, etc.) y construir una curva espectral para cada una de ellas. El

comportamiento de la absorción, transmisión y reflexión, dependerá en buena

medida del material del que esta compuesta cada cobertura. Basados en la premisa

anterior, para estudiar el comportamiento de los cultivos, es fundamental conocer su

composición y las propiedades que condicionan su comportamiento en las distintas

longitudes de onda.

Existen múltiples factores que modifican la energía recibidas por los sensores, estos

pueden ser agruparse en tres grandes grupos, (Belward, 1991; Colwell, 1974;

Gausman, 1977; Guyol et al, 1989; Sellers, 1989).

Entendiendo el flujo que sigue la energía registrada por los sensores instalados en

los satélites de observación terrestre, (figura 2), es fácil entender por qué en

estudios de percepción remota la parte más importante de las plantas son las hojas,

el dosel vegetal (numero de capas y disposición) es la zona que tiene el primer y

mayor contacto con la energía proveniente del sol. Las hojas son las encargadas de

realizar prácticamente la totalidad de la fotosíntesis, así como la respiración y la

transpiración vegetal.

Figura 2. Flujo de energía registrado por los satélites

Fuente Internet 2013



Pigmentos. La coloración es uno de los factores que condicionan el comportamiento

de la energía incidente en la vegetación. El color verde es un indicador de

vegetación sana o fotosintéticamente activa, la fotosíntesis es un proceso mediante

el cual algunos organismos capturan energía en forma de luz y la transforman en

energía química. Durante esta etapa se producen reacciones entre la luz solar y la

clorofila. La clorofila es un compuesto orgánico, formado por moléculas que

contienen átomos de carbono, hidrógeno, oxígeno, nitrógeno y magnesio. La

coloración de la vegetación es una respuesta de las propiedades químicas de los

pigmentos contenidos en las hojas (clorofila, caroteno, xantofilas y antocianina). El

color de la vegetación sana se debe a la predominancia de clorofila, que absorbe

las longitudes de onda roja y azul y refleja la verde. Cuando disminuye el contenido

de clorofila y aumenta la de los otros pigmentos, la mayor reflexión ocurre en la

longitud de onda roja, de ahí las coloraciones amarillas y rojas.

Estructura celular. La estructura celular de las hojas (grosor y composición) es otro

de los factores que condicionan el comportamiento de la energía incidente. El

Mesófilo es el tejido fundamental de la hoja, esta formado por dos estructuras

diferenciadas y con funciones definidas:

1. El Parénquima en empalizada, esta constituido por células alargadas y

densamente empaquetadas ubicadas justo por debajo de la superficie

superior de la hoja, la mayor parte de la fotosíntesis ocurre en estas

células.

2. El Parénquima esponjoso, esta formado por células de contorno irregular

situadas en el interior de la hoja, con grandes espacios intercelulares

llenos de gases, que incluyen vapor de agua, oxígeno y dióxido de

carbono.

Figura 3. Estructura interna de las hojas.



Fuente: http://www.cobach-elr.com/academias/quimicas/biologia/biologia/curtis/libro/c36b.htm

Los gases presentes en el espacio intracelular del parénquima esponjoso son los

responsables de la reflexión de la energía en la longitud de onda del infrarrojo

cercano, mientras más desarrollados estén estos tejidos, mayor será la reflectancia.

Las hojas sanas ofrecen una alta reflectividad del infrarrojo, producto de un

adecuado desarrollo de la planta.

Figura 4. Comportamiento de la radiación solar en una hoja común

Fuente: Internet 2013

Contenido de humedad. El tercer factor que condiciona el comportamiento espectral

de la vegetación es la cantidad de agua libre dentro del tejido foliar. Una mayor


http://www.cobach-elr.com/academias/quimicas/biologia/biologia/curtis/libro/c36b.htm


presencia de humedad en las plantas, se traduce en una mayor absorción de la

energía en la región del infrarrojo medio, también conocido como de onda corta, y

por ende, valores de reflección bajos, a medida que disminuye el contenido de

humedad aumentan los valores de reflexión. Medidas en laboratorio indican que la

reflectividad de hojas secas (higuera) alcanzó hasta cuatro veces el valor de las

hojas húmedas, en la región de región 1,9 ^m (Short, 1982).

Existen otras condiciones de las plantas que condicionan el comportamiento de la

energía reflejada; el área foliar, la forma de las hojas, su distribución en las plantas,

la geometría del dosel, el componente leñoso y otras. (Chuvieco, E, XXXX). El

estado fenológico de los cultivos y la salud de las plantas (estrés hídrico, deficiencia

nutricional o presencia de plagas y enfermedades) es otro factor que modifica la

magnitud de la información reflejada por las plantas. En el primero se puede

mencionar como la cobertura del cultivo con respecto a una superficie del suelo

(índice área foliar), si el IAF es bajo el sensor estará registrando información del tipo

de suelo, isotropía de las hojas o la mezcla con otros cultivos, etc. En el caso de

vegetación enferma se ha demostrado que estas reflejan menos luz verde,

produciendo distintas respuestas espectrales. En la figura 3 se aprecia del lado

izquierdo la reflectancia típica de maíz saludable y del lado derecho la reflectancia

hipotética de un maíz estresado, puede observarse la diferencia entre ellas en las

regiones visible e infrarroja del espectro.

Figura 5. Reflectancia teórica entre vegetación sana y estresada.

Fuente: Martini, Axel Von, et al.

Por ultimo pueden mencionarse otros aspectos que también intervienen en la

respuesta de los cultivos ante la energía recibida, estos no son propios del objeto de



estudio, están mas enfocados en la situación geográfica de la planta, pendiente,

orientación, asociación con otros cultivos, geometría de plantación, así como las

condiciones atmosféricas, geometría de observación, altura del sol, humedad del

ambiente, presencia de sombras, etc. (Chuvieco, E, XXXX)

De lo anteriormente descrito, puede observarse que existen regiones del espectro

electromagnético que registran comportamientos significativos de la vegetación,

estas mediciones nos indican las condiciones de desarrollo (estado fenológico) y

salud (estrés hídrico, deficiencia de nutrientes o presencia de plagas o

enfermedades) para cada grupo de cultivos. Así, la banda Verde nos indica la

cantidad de pigmentos (clorofila), el infrarrojo cercano la salud de la vegetación e

incluso sirve para diferencias ciertas especies, y el infrarrojo medio muestra el

contenido de humedad en la hoja que puede asociarse a un buen desarrollo o

niveles de estrés por falta de agua.

Entendiendo este comportamiento particular de la vegetación es posible

diferenciarlas de otras coberturas terrestres, así que el manejo de bandas

adecuadas, tanto las registradas por el sensor como aquellas realizadas por el

interprete (NDVI, CP, TTC) utilizadas para identificar diferentes tipos de cultivos e

incluso el estado de ellos. Sin embargo no debe perderse de vista que estas

mediciones hacen referencia a una masa de vegetación, su capacidad discriminante

estará, en buena medida, sujeta a la resolución espacial de la imagen satelital y la

combinación de sus componentes: el tipo, la densidad, el grado de desarrollo, su

estado fenológico, y la naturaleza del suelo entre las plantas, si está desnudo o si

posee materia orgánica, etc. González Iturbe, José Antonio XXXX. Tampoco se

debe olvidar que la respuesta espectral puede ser ligeramente variable para una

cobertura y también puede variar con el tiempo y el lugar.

Imágenes SPOTImágenes SPOTHistoria. El Sistema Para la Observación de la Tierra (Systeme Pour Observation de

la Terre) (SPOT) es un sistema desarrollado y financiado por Francia, para enviar

sensores espaciales de alta resolución visible (HRV). Inicio actividades en 1986, el

primer satélite SPOT se lanzó en 1986, desde entonces se han lanzado otros cuatro

satélites en 1990, 1993, 1998 y 2002. Orbita a una altitud de unos 822 km, con una



inclinación de 98° y un período orbital de 101 min, enta con una órbita heliosíncrona

y la duración del ciclo es de 26 días.

Entre las novedades más interesantes de este satélite se contaba la incorporación

de dos equipos de exploración por empuje denominados HRV {Haute Resolution

Visible). Estos dos sensores obtenían imágenes en dos modalidades: pancromático

y multiespectral (V, R, IRC), con una resolución espacial de 10 y 20 m,

respectivamente (figura 6). El área cubierta en cada escena es de 60 km de lado,

por lo que estos sensores necesitaban incorporar 3.000 detectores en modo multi-

espectral y 6.000 en modo pancromático.

Figura 6, Sensores SPOT

Fuente: CNES 2012

Otra importante novedad que incluyo el satélite SPOT es la capacidad del sensor

HRV para variar su campo de visión, gracias a un dispositivo móvil instalado en el

equipo óptico, lo que permitió observaciones no verticales, de hasta 27° a ambos

lados del nadir. Esto también posibilitaba observar la misma zona en órbitas

sucesivas, reduciendo la frecuencia temporal de las imágenes si resultaba



necesario (de 26 días a 2-3 días según las latitudes). Además el HRV podía adquirir

imágenes estereoscópicas, lo que añadía a su potencial temático una clara

capacidad topográfica (fig. 7). Algunas experiencias de restitución digital permitieron

obtener modelos digitales del terreno con escalas de hasta 1:50.000 a partir de

imágenes SPOT (Toutin y Beaudoin, 1995).

Figura 7. Adquisición de imágenes estereoscópicas.

Fuente: Chuvieco XXXX

Además del sensor HRV, los siguientes satélites SPOT incorporaban dos equipos

de apoyo, el DORIS, que proporcionaba un seguimiento muy preciso de la posición

del satélite, y el POAM (Polar Ozone and Aerosol Measurement), incorporado en el

SPOT-3, que medía el contenido de ozono, aerosoles, nitrógeno, oxígeno y vapor

de agua. Poseía 9 canales comprendidos entre el ultravioleta e infrarrojo cercano

(Kramer, 2002).

El lanzamiento del SPOT-4 en 1998 supuso una mejora notable, el sensor de alta

resolución pasó a denominarse HRVIR, incorporando una nueva banda en el SWIR.

El último satélite de la serie, el SPOT-5, lanzado en mayo del 2002 mejoró

asimismo la resolución espacial del HRVIR (de 10 a 5 o 2,5 m en el pancromático y

de 10 m en el multiespectral, salvo el SWIR que sigue con 20 m). En los SPOT-4 y

5 se ha incorporado otro sensor de carácter más global, se denomina Vegetation, y

cuenta con una resolución espacial de 1 km^, en 4 bandas espectrales (A, R, IRC,



SWIR, las mismas que el HRVIR), cubriendo un área de 2.250 km, lo que permite

una adquisición diaria sobre todo el planeta.

Actualidad. Hoy en día es posible generar datos a 4 niveles de resolución (20 m, 10

m, 5 m y 2,5 m), en modo « blanco y negro » y color, para un campo de observación

sin modificaciones de 60 km en el nivel de tierra. Los productos de 2.5 m a color

corresponden a la fusión de dos imágenes distintas, una de ellas en modo

pancromático de 2,5 m y la otra en modo multiespectral de tres bandas de 10 m.

Dado que la imagen de 2,5 m es en si misma el resultado de la fusión de dos

imágenes de 5 m, para producir el producto 2,5 m color es necesaria la adquisición

simultánea de tres imágenes por parte de uno de los instrumentos HRG. La imagen

obtenida es una imagen color de 3 bandas de 2,5 m, en la geometría de la imagen

pancromática

Figura 8. Productos SPOT

Fuente: CNES 2012

En México se instalo en el año 2003 una antena receptora (Ermex) y una terminal

avanzada, para recepción, almacenamiento, extracción y archivo de datos “SPOT”

recibidos en la “ERMEXS”, así como la administración y el procesamiento de datos



“SPOT” para la producción de productos básicos a niveles 0, 1a, 1b y 2a. Mediante

el pago de telemetría el contrato el contrato de funcionamiento ofrece la posibilidad

de distribuir imágenes libremente a dependencias federales, estatales, municipales

y centros de investigación, para su uso. En el año 2012 se instala una nueva antena

(Ermex NG), para bajar y distribuir imágenes de los satélites SPOT 6 y 7

(lanzamiento 2012 y 2014) y así asegurar una continuidad en la información del

país.

Para el presente estudio se utilizaron imágenes del SPOT 5, una pancromática (2.5

m) y una imagen multiespectral (10 m). No es conveniente usar una imagen de 2.5

m a color directamente del proveedor porque esta sacrifica no contiene la

información del infrarrojo medio Figura 9

Figura 9, Bandas satélite SPOT

Fuente: Elaboración propia

µm

Taxonomía de cultivos existentes en la zonaTaxonomía de cultivos existentes en la zonaPartiendo de las consideraciones vistas en el comportamiento espectral de la

vegetación, es posible realizar una clasificación a priori de los principales cultivos

(maíz, frijol, calabacita y nuez), partiendo de la estructura celular de sus hojas,

disposición de seimbra, etc.



Maiz. Como las de otras gramineas, esta constituida de vaina, cuello y lamina.

http://books.google.com.mx/books?

id=NBtu79LJ4h4C&pg=PA407&dq=estructura+hojas+de+maiz+botanica+de+cultivo

s+tropicales&hl=es&sa=X&ei=aAUtUYiPHKi42QXRkYHQBw&ved=0CC4Q6AEwAA

#v=onepage&q=estructura%20hojas%20de%20maiz%20botanica%20de

%20cultivos%20tropicales&f=false

Frijol. La estructura en un corte transversal presenta una epidermis superior

medianamente ondulada, a menudo muy pilosa. El mesófilo se forma de una capa

de una capa de celulas en empalizada y de tres a cuatro capas de parenquima

lacunoso. La epidermis inferior se compone de celulas mucho mas pequeñas que la

superior y tiene muchos estomas, asi como muchos pelos pluricelulares rectos,

curvos o redondos. Jorge Leon.


id=NBtu79LJ4h4C&pg=PA192&dq=estructura+hojas+de+frijol+botanica+de+cultivos

+tropicales&hl=es&sa=X&ei=VgUtUeGsFsXs2QWBw4DQDg&ved=0CC4Q6AEwAA

#v=onepage&q=estructura%20hojas%20de%20frijol%20botanica%20de%20cultivos

%20tropicales&f=false

Calabacita.


id=NBtu79LJ4h4C&pg=PA146&dq=estructura+hojas+de+calabacita+botanica+de+c

ultivos+tropicales&hl=es&sa=X&ei=VwYtUeifIZTN8QHazIC4Ag&ved=0CDAQ6AEw

AA#v=onepage&q=estructura%20hojas%20de%20calabacita%20botanica%20de

%20cultivos%20tropicales&f=false

Nuez. No es debe ser pecanera


id=NBtu79LJ4h4C&pg=PA127&dq=estructura+hojas+de+nuez+botanica+de+cultivo

s+tropicales&hl=es&sa=X&ei=BgstUZevB-r-

2QXI34HwCw&ved=0CDQQ6AEwAQ#v=onepage&q=estructura%20hojas%20de

%20nuez%20botanica%20de%20cultivos%20tropicales&f=false

maiz


http://books.google.com.mx/books?id=NBtu79LJ4h4C&pg=PA127&dq=estructura+hojas+de+nuez+botanica+de+cultivos+tropicales&hl=es&sa=X&ei=BgstUZevB-r-2QXI34HwCw&ved=0CDQQ6AEwAQ#v=onepage&q=estructura%20hojas%20de%20nuez%20botanica%20de%20cultivos%20tropicales&f=false



http://books.google.com.mx/books?id=NBtu79LJ4h4C&pg=PA146&dq=estructura+hojas+de+calabacita+botanica+de+cultivos+tropicales&hl=es&sa=X&ei=VwYtUeifIZTN8QHazIC4Ag&ved=0CDAQ6AEwAA#v=onepage&q=estructura%20hojas%20de%20calabacita%20botanica%20de%20cultivos%20tropicales&f=false



http://books.google.com.mx/books?id=NBtu79LJ4h4C&pg=PA192&dq=estructura+hojas+de+frijol+botanica+de+cultivos+tropicales&hl=es&sa=X&ei=VgUtUeGsFsXs2QWBw4DQDg&ved=0CC4Q6AEwAA#v=onepage&q=estructura%20hojas%20de%20frijol%20botanica%20de%20cultivos%20tropicales&f=false



http://books.google.com.mx/books?id=NBtu79LJ4h4C&pg=PA407&dq=estructura+hojas+de+maiz+botanica+de+cultivos+tropicales&hl=es&sa=X&ei=aAUtUYiPHKi42QXRkYHQBw&ved=0CC4Q6AEwAA#v=onepage&q=estructura%20hojas%20de%20maiz%20botanica%20de%20cultivos%20tropicales&f=false




Zea mays (corn) leaf cross section, 100X.

A = spongy mesophyll; B = upper epidermis; C = upper cuticle; D = xylem; E = vein; F =

phloem; G = lower cuticle; H = guard cell and stoma



X

Transformaciones Índices, CP, TC, IHS, IRC/IRM, V/IRM o R/IRMTransformaciones Índices, CP, TC, IHS, IRC/IRM, V/IRM o R/IRM

La cantidad de energía emitida por la vegetación y que es registrada por los

sensores espaciales depende de una serie de condiciones físicas, químicas y

biológicas del propio cultivo, Lenom Cajuste (1991) indica que los sensores son

capaces de detectar cambios relacionados con alguna propiedad física del objeto,

estos proporcionan información de la superficie terrestre, de manera discreta, es



decir, solamente de una porción del espectro electromagnético con una longitud de

honda específica. A estos se suman las alteraciones introducidas por el entorno

geográfico (suelo, pendiente, orientación, temporalidad y otros) y las condiciones de

toma (atmosfera, geometría, etc.), que modifican la señal “natural” de los cultivos.

Aún así, la respuesta espectral de los distintos tipos de vegetación se comportará

de manera similar para una región y un periodo de tiempo definido (firma espectral),

pero nunca será la misma, siempre se presentaran pequeñas variaciones, producto

de la variación de las situaciones que afectan el desarrollo del cultivo. Este

comportamiento particular de cada cobertura, hace posible, hasta cierto punto,

identificar ciertos tipos de cultivos, diferenciarlos de otras coberturas y cuantificarlos.

Cuando se realiza un inventario de cultivos a través de los métodos tradicionales de

clasificación de imágenes satelitales, se utiliza la información espectral de los

pixeles para identificar grupos de igual comportamiento, que representan, en teoría,

un mismo tipo de cobertura. Sin embargo, los limites naturales de los cultivos

(parcelas), casi nunca coinciden con los limites de las unidades mínimas de

representación (pixeles), es decir, siempre existirán pixeles cuyo ND corresponda

netamente a superficies ocupadas por cultivos, pero también habrá presencia de

pixeles cuyo ND será una combinación de distintas coberturas contenidas en la

superficie representada por el píxel.

Se tiene entonces una distribución de la reflectividad de los cultivos, sobre

porciones del espectro electromagnético (bandas espectrales). Como el parámetro

discriminante para la separabilidad de cultivos es el ND de los pixeles, es

fundamental contar con la mejor distribución posible de esos valores radiométricos

en todas las bandas usadas para la clasificación. Las bandas originales de las

imágenes satelitales (visible e infrarrojo en la mayoría de los casos), adquiridas a

los distribuidores contienen una serie de correcciones espectrales, radiométricas y

espaciales, cuya intención es aumentar la calidad de las mismas. Sin embargo en

muchas imágenes, por las condiciones particulares de geografía y temporalidad,

requieren un análisis espectral más detallado con la intensión de minimizar las

variaciones locales y maximizar la distribución de los valores contenidos en la

imagen.



El análisis espectral puede definirse como el uso de las técnicas computacionales,

para estudiar la estructura y comportamiento de la información contenida en una

imagen satelital. Las técnicas empleadas generalmente son de naturaleza

matemática, aunque existen otras que tienen su apoyo en realces visuales. Los

métodos basados en un criterio espectral, dan mayor preferencia a los cambios

ocurridos a nivel de píxel y su posición dentro de un espacio espectral. La aplicación

de estos procesos tiene la intención de generar una nueva imagen donde la

distribución de la población (pixeles) facilite el reconocimiento de patrones que

ayuden en la separabilidad de coberturas específicas. Una de las ventajas del

análisis espectral radica en la posibilidad de trabajar en un espacio creado en varias

dimensiones (análisis multivariado) según la capacidad espectral del sensor

(imágenes multiespectrales) que aumenta la información para discriminar las

coberturas terrestres, donde la identificación del objeto de estudio puede ser

identificada y analizada.

Lenom Cajuste (1991) indica que las técnicas aplicadas en enfoques numéricos se

encuentran basadas en conceptos y herramientas matemáticas, esto permite contar

con mediciones objetivas en base a un cierto grado de probabilidad. Estas técnicas

se dividen en dos tipos, aquellas de índole cualitativo, que están basadas más en el

aspecto y la cualidad de las entidades presentes en la imagen, y los métodos

cuantitativos, aquellos que están basados en los números digitales de los pixeles,

estos últimos estudian a las poblaciones contenidas en la imagen (pixeles) en dos

formas, 1) Bajo la suposición que las poblaciones tienen una distribución normal

(paramétrica) y 2) Aquellos que tienen una distribución no normal (no-paramétricos).

Se puede concluir que para elevar la capacidad de las imágenes satelitales en la

identificación y cuantificación de cultivos, es necesario y posible, aplicar técnicas de

procesamiento para:

1. Mejorar la distribución de los valores espectrales (nube de datos) en las

banas originales de la imagen.

2. Generar bandas alternas, de manera artificial, para aumentar la capacidad

discriminante de la imagen, de acuerdo al objeto de estudio (cultivos), y

resaltar aquellos comportamientos característicos de la vegetación.



3. Generar información no contenida directamente en las imágenes a través

operaciones algebraicas, que potencializen el comportamiento de una

variable para ayudar en la discriminación

Índices de vegetación.

Los índices de vegetación son medidas cuantitativas, basadas en los valores

digitales, que tienden a medir la biomasa o vigor vegetal. Es producto de valores

espectrales que son sumados, divididos, o multiplicados para producir un simple

valor que indique la cantidad o vigor de vegetación dentro de un píxel. Altos valores

de índices de vegetación identifican píxeles cubiertos por vegetación saludable. Un

índice de vegetación muy simple puede ser dividiendo la medida de la reflectancia

del infrarrojo por la del rojo. A mayor contraste entre las medidas del rojo e

infrarrojo, mayor vigor vegetal. Bajos valores de contraste significan una vegetación

enferma hasta llegar a zonas sin vegetación (suelo y agua). Los índices de

vegetación han sido empleados en dos clases separadas de investigación.

utilizan estos índices como indicadores, mediante comparaciones entre los

mismos, para monitorear el crecimiento y la productividad de específicos

cultivos, o de fluctuaciones estacionales o anuales en productividad.

usa los índices de vegetación como un dispositivo de mapeo. En tal caso se

usan los índices de vegetación para asistir en la clasificación de imágenes,

distinguir áreas con vegetación de aquellas sin vegetación, para distinguir

entre diferentes tipos y densidades de vegetación y para monitorear

variaciones estacionales en el vigor del vegetativo, abundancia y distribución

Pendiente. Los índices muestran el estado y la abundancia de la cobertura vegetal y

de la biomasa. Como se generan a partir de cocientes de bandas, los problemas de

iluminación diferente debida a la topografía se minimizan, ya que se estarían

produciendo valores relativos en lugar de absolutos. Estos índices son susceptibles

a la división por cero, por este motivo se utilizan las normalizaciones.

Distancia. Miden el grado de vegetación presente a través de la diferencia de

cualquier reflectancia de píxel, con la reflectancia del suelo desnudo. Los píxeles

que caen cerca de la línea de suelo o en ella son de suelo, mientras que los que

caen lejos de ésta, se asumen como vegetación.

Hoja 15



Indice Ka, Roberto Luegano (XXXX) menciona la incorporación de constantes

(0.801) en el NDVI para evitar valores negativos o muy pequeños

Otros autores proponen eliminar valores negativos y expander el rango a 250, a

traves de la siguiente ecuación

Ortogonal. Consiste en la transformación de bandas espectrales disponibles para

formar un nuevo conjunto de bandas no correlacionadas, dentro de las cuales una

imagen de índices de vegetación verde puede ser definida. Cap II IV

Con estos índices, cuatro o más bandas son transformadas dentro de un conjunto

de nuevas imágenes, una de las cuales describe la vegetación. En el presente taller

será empleado el índice de Tasseled Cap, el cual usa un conjunto de cuatro bandas

MSS o seis TM, para producir otras imágenes nuevas. La imagen GVI (índice verde)

representa la vegetación. Otras imágenes producidas representan el índice del

suelo (SBI), el índice de vegetación amarilla (YVI) y el índice de no-tal (NSI). El

nombre de la transformación describe la forma de un plot de pixeles en el espacio

de GVI-SBI, para una imagen que tiene vegetación en diferentes etapas de

desarrollo. T10

Componentes Principales.

La técnica de Componentes Principales, es tal vez una de las más empleadas para

el manejo de información digital en las imágenes, esta es muy empleada para

eliminar la información redundante, presente en la mayoría de las imágenes

satelitales. Una de los usos más comunes es la detección de la información

considerada como ruido en una de los componentes resultantes, la cual se elimina

al momento de recomponer la imagen original.

En las imágenes la primera componente típicamente representa el fondo del suelo,

mientras que la segunda representa la variación en la cobertura vegetal.



Taseled Cap

Provee coeficientes globales que son usados para darle peso a las bandas

originales generando bandas nuevas transformadas. Los pasos negativos GVI en

las bandas del visible minimizan el efecto del suelo de fondo, los positivos en el IR

enfatizan la señal de la vegetación

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

Mas et al. (2010) reportan que una misma imagen clasificada con distintos métodos,

a pesar de tener el mismo valor o muy similar de exactitud de clasificación, pueden

producir distintas configuraciones espaciales del paisaje. Esto se explica porque

distintos métodos o técnicas pueden generar la aparición o desaparición de

pequeños parches, y asimismo, parches de mayor tamaño aparezcan conectados o

desconectados (Mas et al. 2010). Debido a esto, la utilización de distintos métodos

de clasificación podría tener un efecto en el análisis de la configuración espacial del

paisaje incluso mayor que la exactitud de la clasificación. (Adison Altamirano 2012)



CAPITULO 2 TRABAJO DE CAMPO

Tamaño de muestraEl método a emplear en el muestreo en campo, será el utilizado por el Programa

Nacional de Estimación de Superficie, Producción y Rendimientos (Pronespre),

diseñado para la recopilación de información en campo. Este método permite que

los resultados obtenidos se puedan extender a la población, es decir, que la

distribución de la característica en la muestra (superficie) sea parecida a la

distribución de la característica en la población. La representatividad de la muestra

requerirá de aleatoriedad en la selección de los elementos de la población que

forman la muestra.

El tamaño de muestra utilizado en el Pronespre era cercano al 3% del estrato

agrícola, de los cuales sola la mitad era utilizada para clasificar las imágenes de

satélite. Para el presente trabajo se incremento en 100% el tamaño de muestra

obteniendo una superficie efectiva del 6% distribuida de manera aleatoria en el área

agrícola en la Vega de Metztitlán.

Debido a las condiciones particulares de la zona de estudio, fue necesario

reacomodar ligeramente los segmentos, de manera que su distribución abarcara

todas las zonas.



Figura 1. Vega de Metztitlán, Hidalgo

Fuente: García, Hubp y Palacios 1995

SegmentosEI marco de muestreo considerado, tiene como base el estrato agrícola de la Vega

de Metztitlán 4,374.6 ha (solo la parte correspondiente al municipio), en éste se

determinó muestrear 306 ha que corresponden a 7 por ciento; agrupadas en 25

unidades de muestreo, la unidad de muestreo es un cuadrado de 350 x 350 m

(12.25 ha) denominado Segmento.



Figura 2. Distribución de Segmentos en la Vega de Metztitlán

Fuente: Elaboración propia, 2012

En esta etapa la aleatoriedad y selección de los segmentos está dada por su

ubicación espacial dentro del estrato agrícola y se realiza de manera automatizada

a través de un paquete de Información Geográfica (Arc View), se asigna la cantidad

de segmentos requeridos y el tamaño de éstos. El sistema genera los segmentos y

el resultado es una nueva cobertura vectorial con referencia y parámetros

cartográficos.

DigitalizaciónEl proceso de digitalización consiste en generar un polígono para cada una de las

coberturas identificadas en el segmento a través de fotointerpretación, se debe

asegurar que todas las coberturas estén separadas sin obviar elementos como

caminos, cortinas de árboles, cuerpos de agua o alguna pequeña infraestructura,

siempre y cuando la escala lo permita. Para este caso se utilizó una imagen Ikonos

de fecha XX XXX XX, que previamente fue validada con la orthofotos del INEGI,

disponibles en el Servicio de Mapas por Red (Web Map Service, WMS), donde las

desviaciones medias están entre los 5 m (latitud) y 10 m (longitud).



Esta parte es muy importante porque aquí inicia la precisión del trabajo, si no se

hace una correcta digitalización, contemplando todas las coberturas existentes, ya

sea por la resolución de la imagen o la temporalidad de esta, pueden obviarse

coberturas. Así mismo el uso de imágenes mal georreferidas introducirá errores en

la identificación y ocasionará problemas en la ubicación en campo. Como ejemplo

en la figura X se muestran los 3 tipos de imágenes disponibles para realizar el

trabajo de campo, donde se observan las discrepancias entre cada una.

Figura 3. Segmentos sobre imágenes ikonos, orthofoto y Google Earth

Fuente: Elaboración propia 2012

Programación de actividadesLa distribución temporal de las distintas etapas del estudio, esta en función del

desarrollo fenológico del cultivo a estudiar, particularmente las épocas de siembra y

cosecha. Utilizando información histórica generada por la Sagarpa, se identifican las

fechas de crecimiento del maíz frijol y se determina el periodo óptimo para realizar

la visita de campo.

Es importante programar las actividades del campo lo más cercano a la realidad;

cuando la mayoría del cultivo se encuentra sembrado y está lo suficientemente

desarrollado para presentar elementos visibles que lo distingan de otros cultivos,

también debe evitarse realizar visitas cuando el cultivo esté cosechado,

ocasionando que no sean contabilizadas y la estimación sea menor a la real.

El realizar las actividades de campo en el momento adecuado permitirá una mejor

identificación y cuantificación en las imágenes de satélite. De hacerse antes de las

fechas sugeridas, se corre el riesgo de que los valores espectrales de las parcelas



con cultivo sean más parecidos a pastos o, en caso de hacerse después y estar

cosechado, correspondería a suelos desnudos o suelos en descanso.

En la figura X se aprecia el comportamiento de las fechas de siembra y cosecha

para los cultivos de maíz y frijol en el estado de Hidalgo, indica que para mediados

del mes de agosto se encuentra sembrada prácticamente la totalidad de los cultivos

y para el mes de octubre sólo se ha cosechado una pequeña parte. Dejando la

fecha para el recorrido de campo en cualquier semana de octubre ya que se cumple

con las dos condiciones antes mencionadas.

Siembra Frijol-Maiz

-

7.00

14.00

21.00

28.00

35.00

42.00

49.00

ABR MAY JUN JUL AGO SEPT

F R

F T

F R+T

M R

M T

M R+T

Cosecha Frijol-Maiz

-

7.00

14.00

21.00

28.00

35.00

42.00

49.00

56.00

JUN JUL AGO SEP OCT NOV DIC

F R

F T

F R+T

M R

M T

M R+T

Figura 4. Fechas de siembras y cosechas maíz y frijol, Estado de Hidalgo

Fuente: Sagarpa, Siap, 2005

Los valores anteriores corresponden a información desactualizada y a nivel estatal,

para conocer de manera más fiel las condiciones existentes en la vega de

Metztitlán, se procesaron 12 imágenes del año 2011 con el subproducto de NDVI

generadas por el satélite MODIS con una resolución espacial de 500 m. Es

importante mencionar que los valores reportados en los pixeles corresponden a

promedios de coberturas existentes en un área de 25 ha, por lo que deben ser

tomados solamente como indicadores.



Se obtiene información radiométrica de 10 puntos escogidos aleatoriamente para

conocer el comportamiento de los cultivos en la zona de estudio. De la

interpretación de este perfil anual para se identifican dos ciclos de cultivos bien

definidos, el de primavera-verano y otoño-invierno. Para el caso de primavera-

verano se aprecia que en el mes de septiembre, octubre y noviembre (9, 10 y 11) se

presenta el segundo pico de mayor reflectancia, lo que indica un máximo de la

actividad vegetal, y las fechas ideales para realizar el recorrido en campo, ya que el

estado fenológico del cultivo indica que una madurez.

Figura 5. Perfil anual cultivos 2010, Vega de Metztitlán


Material y equipo de campoPara ubicar y recorrer los segmentos seleccionados, se utilizó un Mapa-Móvil

facilitado por un investigador del Instituto de recursos Naturales, dependiente del

Colegio de Postgraduados. La tecnología del mapa móvil ofrece la oportunidad de

utilizar computadoras de bolsillo que reciben señales del sistema GPS para obtener

posiciones sobre la superficie terrestre; adicionalmente, tiene el beneficio de poder

visualizar información vectorial y raster (imágenes satelitales).

Una adecuada planeación del reconociendo terrestre incluye la recopilación de toda

la información cartográfica y satelital disponible. Se carga la información vectorial de

segmentos, centroides, estrato agrícola, localidades, cuerpos de agua y carreteras,

además de información raster como las imágenes satelitales en formato comprimido



(Mr. Sid). Por ultimo se cargan las coordenadas centrales de cada uno de los

segmentos a los equipos GPS y se realiza el recorrido. En este punto hubiera sido

ideal procesar imágenes de Google Earth.

Figura 6. Equipo Mapa Móvil utilizado y pantallas.


El F1 es un gráfico a escala 1:5,000, en el cual se transfiere la información vectorial

(cuadrado de49 ha), sobre la imagen fusionada. El técnico lo utiliza para ubicarse

en campo e identificar cada una de las parcelas incluidas en el segmento. Cualquier

corrección en la forma o tamaño de la parcela se registrara en este formato. El F2

es un formato donde se recaba la información solicitada para cada parcela con la

condición de que cada renglón sólo puede estar asociado a una parcela; consta de

siete campos, con información de las principales variables al momento de la

identificación en campo, algunas son:

Número de parcela. Clave del cultivo. Altura de la planta. Modalidad del cultivo (riego o

temporal) Estado fenológico Porcentaje cubrimiento suelo Observaciones


Sombrerete

General Francisco R. Murguía

Río Grande

Sain Alto

Miguel Auza

Jiménez del Teul

Chalchihuites

Juan Aldama

Municipios.shpChalchihuitesGeneral Francisco R. MurguíaJiménez del TeulJuan AldamaMiguel AuzaRío GrandeSain AltoSombrerete

Lim_ ddr_ riogrande_ geo.shp

70 0 70 140 Kilometers

N

EW

S

23°00' 23°00'

23°30' 23°30'

24°00' 24°00'

104°00'

104°00'

103°30'

103°30'

103°00'

103°00'

102°30'

102°30'-104

-104

-103

-103

23 23

24 24

S om br er et e

G e ne r al Fr a nc i sc o R . M ur g uí a

R í o G r a nd e

Sa i n A lt o

M i g ue l A u za

Ji m én ez de l T eu l

C ha l ch ih ui t es

Ju an Al d am a

Distrito Desarrollo RuralRío Grande


Figura 7. Formato de campo


Subdirecc de investí edaf

Captura de la informaciónLa información obtenida en campo es ingresada a una base de datos relacional,

donde se en ella se plasman datos como tipo de cultivo establecido, estado

fenológico, altura y la indicación de siniestro si es que existe.

Es importante señalar que la captura no solamente abarca el ingreso de información

en la base de datos; durante esta etapa también se realizan las adecuaciones a la

geometría de las parcelas que se haya indicado en el formato de campo (F1).

Cuando se tiene toda la información capturada, se pueden realizar análisis

cualitativos de cualquier variable registrada, o bien, realizar consultas en tiempos

sumamente cortos.

Reporte de CampoEl recorrido de campo se realizo del 15 al 19 de octubre del 2012, de los 25

segmentos programados en 3 no se tuvo acceso por inundación de las parcelas

(101, 102 y 104), en el 118 no se pudo entrar y el 121 la información recabada no

contiene la calidad necesaria para ser utilizada, así que el tamaño de muestra de la

información obtenida disminuyo a 255 ha (6 % del estrato agrícola), distribuida en

20 segmentos.

Se obtuvo información de 340 polígonos, correspondiente a 15 coberturas, de las

cuales los cultivos de maíz (61 p), frijol (57 p), frutales (17) y calabaza (15) son los

de mayor presencia, concentrando casi el 60% de la superficie sembrada, mientras

que las parcelas sin sembrar concentran el 15%.



% Cobertura Cultivos Metztitlán

22.3

20.3

12.411.9

8.4

6.6

5.93.6 3.0 1.9 1.61.10.70.30.1

Maiz

Frijol

Frutales

Indeterminado

Suelo Desnudo

Suelo en Descans

Arboles

Calabaza

Agua

Urbano

Pastizal

Camino

Alfalfa

Sorgo

Tomate Cascara

Figura 8. Porcentaje de cubiertas encontradas durante la campaña de campo


Otro uso que puede darse a las consultas es para conocer si la fecha para la visita

de campo fue la adecuada. De acuerdo con su estado fenológico; se aprecia que

para el caso del maíz 85 por ciento de las parcelas visitadas durante el

levantamiento (54), se encuentran en las etapas fenológicas de desarrollo, floración

y fructificación; lo cual presenta condiciones aptas para su reconocimiento en

campo y buenas posibilidades de discriminación en la imagen de satélite. Por

consecuencia se puede concluir que la fecha del recorrido de campo fue la

adecuada.

2.8

43.8

12.6

28.0

12.8

0.0

10.0

20.0

30.0

40.0

50.0

%

Plantula Desarrollo Floración Fructificación Senecescencia

Figura 9. Estado fenológico de las parcelas de maíz


Para el caso del frijol, el 69 por ciento (41 parcelas) se encuentran en desarrollo y

floración, pero el 29 por ciento tiene menos de 10 cm de altura, este factor podría

presentar confusiones al momento de clasificar la imagen de satélite. En este caso

se recomienda que futuros trabajos de campo se realizaran en el mes de

noviembre.



28.8

43.5

25.3

0.0 2.3

0.0

10.0

20.0

30.0

40.0

50.0

%

Plantula Desarrollo Floración Fructificación Senecescencia

Figura 10. Estado fenológico de las parcelas de frijol


Estimación de superficiesCon la información obtenida del recorrido en campo se utiliza el porcentaje de

presencia de cada cobertura y se estima su superficie dentro del estrato agrícola. El

maíz y frijol concentran más de la mitad de la superficie sembrada y existe un alto

porcentaje (12 %) de parcelas de las cuales no se pudo extraer información.

Cultivo Parcelas Area m Prom Parc Area Ha % Cobertura Probabilidad Sup. Est. HaMaiz 61 546,732.8 8,962.8 54.7 22.3 0.2232 976.2Frijol 57 496,636.0 8,712.9 49.7 20.3 0.2027 886.8Frutales 17 303,519.7 17,854.1 30.4 12.4 0.1239 541.9Indeterminado 69 291,155.8 4,219.6 29.1 11.9 0.1188 519.9Suelo Desnudo 19 206,078.1 10,846.2 20.6 8.4 0.0841 368.0Suelo en Descans 19 161,169.3 8,482.6 16.1 6.6 0.0658 287.8Arboles 48 144,679.6 3,014.2 14.5 5.9 0.0591 258.3Calabaza 15 86,990.7 5,799.4 8.7 3.6 0.0355 155.3Agua 6 72,501.8 12,083.6 7.3 3.0 0.0296 129.5Urbano 4 47,391.3 11,847.8 4.7 1.9 0.0193 84.6Pastizal 8 38,733.0 4,841.6 3.9 1.6 0.0158 69.2Camino 9 27,303.2 3,033.7 2.7 1.1 0.0111 48.8Alfalfa 6 17,939.2 2,989.9 1.8 0.7 0.0073 32.0Sorgo 1 6,783.0 6,783.0 0.7 0.3 0.0028 12.1Tomate Cascara 1 2,386.4 2,386.4 0.2 0.1 0.0010 4.315 340 2,450,000.0 245.0 100.0 1 4,374.6

Cuadro 1. Coberturas existentes en la Vega de Metztitlán y superficie estimada.


No se cuenta con una estadística confiable de los cultivos sembrados en el área de

estudio, el dato más cercano es un inventario de cultivos realizado en el año 2010

presumiblemente para el ciclo otoño-invierno. También se cuenta con las cifras

reportadas en el portal del SIAP, donde a nivel municipal se tienen las cifras

presentadas en el cuadro no. 2



Sup. Sembrada Sup. Cosechada Sup. Siniestrada Rendimiento %(Ha) (Ha) (Ha) (Ton/Ha) Cultivo

1 AVENA F 520.0 520.0 0.0 8.0 8.02 CALABACITA 100.0 30.0 70.0 7.0 1.53 CHILE VERDE 72.0 0.0 72.0 0.0 1.14 EJOTE 700.0 300.0 400.0 7.0 10.85 ELOTE 1200.0 1200.0 0.0 12.0 18.66 FRIJOL 315.0 140.0 175.0 0.4 4.97 MAIZ GRANO 3060.0 1940.0 1120.0 1.5 47.38 (JITOMATE) 20.0 0.0 20.0 0.0 0.39 TOMATE V 20.0 0.0 20.0 0.0 0.3

6007.0 4130.0 1877.01 AGUACATE 40.0 40.0 3.0 0.62 ALFALFA V 28.0 28.0 30.0 0.43 GRANADA 15.0 15.0 5.0 0.24 LIMON 10.0 10.0 11.0 0.25 MANGO 2.0 2.0 8.0 0.06 NUEZ 365.7 365.7 4.0 5.7

460.7 460.7

Cultivo

Cuadro 2. Cierre anual 2011, ciclo P-V, Riego + Temporal

Fuente: Sagarpa, SIAP, 2011

Es importante resaltar que no pueden hacerse comparaciones directas ya que por

un lado la Sagarpa contempla un área agrícola mayor que la zona de estudio

(6,467.7 ha), que corresponde a todo el municipio de Metztitlán, sin olvidar la

situación de certidumbre que guardan los registros de la Sagarpa. Por otro el

estudio del Colegio de Postgraduados a pesar de ser un inventario, corresponde a

otro ciclo agrícola y durante de la revisión visual de los limites de las parcelas

levantadas, se detectaron una serie de inconsistencia que también generan

incertidumbre en la calidad de la información.

Aún las condiciones anteriormente expuestas que presentan limitaciones para su

uso, es posible encontrar coincidencias para los cultivos de alfalfa, calabaza, frijol y

frutales. Sin embargo la superficie de maíz estimada en campo (976 ha) se

encuentra muy por debajo en relación al dato reportado por la Sagarpa (2,883 ha)

dando una diferencia de 195 %, si aplicara el supuesto de que 1,633 ha (excedente

de área agrícola del municipio distribuida fuera de la Vega) fueran restadas del dato

oficial (quedando 1,250 ha) la diferencia seria de solo el 28%.

Un caso interesante lo presenta el cultivo de avena, que es el tercero en

importancia por la superficie sembrada de acuerdo con datos de la Sagarpa (210

ha), sin embargo no pudo encontrarse ni una sola parcela, a menos que se

supusiera que alguna se encuentra ubicada dentro de las parcelas que no pudieron

ser visitadas, la cual tiene una superficie de 519 ha.



Por ultimo deben contemplarse los casos de asociación de cultivos como maíz-frijol

y frutales-cultivo para saber si una parcela con dos cultivos es contemplada dos

veces en los registros. Otra explicación de la falta de parcelas con cultivos de chile y

tomate puede encontrarse en la presencia de invernaderos a los que no se tuvo

acceso y no pudieron ser incorporadas sus cultivos a la estimación.



CAPITULO 3 CLASIFICADORES

La clasificación de imágenes es el proceso mediante el cual se agrupan los pixeles

contenidos en la imagen de satélite, en clases con algún grado de homogeneidad,

mediante la aplicación de un algoritmo particular, con reglas de decisión bien

definidas. Los parámetros de decisión pueden estar basados en el valor estadístico

(ND) de los pixeles, su arreglo espacial (morfología) o, el cambio temporal de los

valores radiométricos.

El proceso de clasificación se compone fundamentalmente de tres etapas:

Entrenamiento . Definición de las coberturas a obtener, se basa en la

generación de muestras que sirven como referencia para cada cobertura

deseada.

Asignación . Agrupamiento de los píxeles en categorías definidas. Aquí se

definen los criterios de asignación, algunos usan la información espectral de

cada píxel y otros utilizan las relaciones entre cada píxel y sus vecinos.

(Sheikholeslami, Zhang, et al., 1975). Tradicionalmente se dividen en dos

grupos.

No Supervisada. Procedimiento automatizado que define clases basados en

valores radiométricos “homogéneos”, es necesario que el intérprete defina el

número de clases, iteraciones y umbral de convergencia.

Supervisada. El intérprete define el número, tipo y rango de clases con base

a las muestras generadas durante el entrenamiento, requiere información

previa de la zona de trabajo. Las clases obtenidas son también llamadas

informacionales.

Comprobación y verificación de resultados .

Parámetros estadísticos, media, rango, desviación típica , matriz de varianza –

covarianza, etc.

Un sistema de clasificación tiene dos componentes críticas: un conjunto de clases

(cultivo, suelo, agua, etc.) y un conjunto de reglas –o sistema– para la asignación de

las clases. Sin un conjunto claro y definido de reglas, la asignación de las clases a

los diferentes tipos de características es arbitraria e inconsistente. Adicionalmente,



un sistema de clasificación debe satisfacer las restricciones de ser mutuamente

excluyente y exhaustivo. Un sistema es mutuamente excluyente si cualquier punto

en la imagen cae en una y sólo una categoría definida (clase), y totalmente

exhaustivo si a todos los píxeles de una imagen les corresponde una clase.

(Palacios Sánchez Luis A, 2006)

La clasificación supervisada se realizó usando distintos niveles de información, para

observar los cambios en la exactitud de la clasificación de la vegetación y su efecto

en los índices de paisaje. Se construyeron varias imágenes con un número distinto

de bandas, utilizando la misma escena. La primera de ellas con las primeras tres

bandas, la segunda con las primeras cuatro bandas, agregando así una banda

espectral más hasta completar las nueve bandas espectrales que contienen la

información de las regiones del VNIR y SWIR, generando un total de siete

imágenes. Adicionalmente, se utilizó información auxiliar, lo cual consiste en

agregar adicionalmente a las bandas espectrales (como una banda más)

información que puede ser extraída de las mismas bandas espectrales a través de

índices, calculados mediante algebra de bandas (Lillesand et al. 2008). Como

información auxiliar fue utilizado el índice normalizado de diferencia infrarroja (NDII),

el cual fue calculado como la diferencia entre la banda del infrarrojo cercano y la

banda del infrarrojo medio, dividido por su suma. Este índice representa el stress

hídrico de la vegetación (Bannari et al. 1995). De esta manera, se generaron un

total de ocho imágenes clasificadas de la misma área de estudio con distintos

niveles de información (cuadro 1). Cada imagen fue clasificada

independientemente, utilizando las mismas áreas de entrenamiento para poder

comparar los efectos de los distintos niveles de información en la exactitud de la

clasificación, en donde la única diferencia entre cada clasificación es el nivel de

información que contiene la imagen.

En una clasificación supervisada por píxel es común la aparición del efecto sal y

pimienta (salt and pepper) (Lillesand et al. 2008), el cual se caracteriza por la

presencia de coberturas homogéneas salpicadas por píxeles individuales

pertenecientes a otras categorías. Para disminuir este efecto, a cada imagen

clasificada se le realizó un filtro de moda de 3x3 píxeles, el cual cambia el valor

central por el valor dominante dentro de la ventana definida, generalizando la

imagen clasificada y eliminando los píxeles aislados (Mas et al. 2010). (Adison

Altamirano 2012)



Para realizar una correcta clasificación es necesario una buena separación entre la

nube de puntos, para lograr una separación lo suficientemente grande entre clases,

se aplican transformaciones que permitan reordenar la nube de una forma mas

apropiada, aislando (de clustering) o resaltando (IV, TTC), reduciendo el número de

bandas (CP) e incorporando sistemas complejos de clasificación (redes neuronales,

árboles de decisión, etc) considerando textura (wavelets, watershed, etc) y pos

supuesto la colindancia de los pixeles vecinos (segmentación) para determinar

objetos.

A pesar de los problemas inherentes los estudios de la superficie terrestre basados

en técnicas de teledetección consiguen una buena precisión (80%)

El análisis de separabilidad de firmas permite evaluar el grado en el cual las

categorías pueden ser distinguidas espectralmente. Para este efecto, se optó por

utilizar el método de divergencia transformada (DT), ya que éste ha mostrado

obtener mejores resultados que métodos como distancia de Bhattacharayya y la

divergencia. (García Mora y Mas 2008)

Textura: Típicamente definida como la variación multidimensional observada

en una ventana móvil al ser pasada sobre una imagen. El tamaño de la ventana

está dado por la cantidad de pixeles que incluye (por ejemplo, 3 x 3 pixeles).

Corresponde al analista definir un valor de "variabilidad", donde hacia abajo de

este se considere una superficie lisa, y hacia arriba, una superficie rugosa. Una

vez procesada la imagen con el análisis de textura, se procede a clasificar la

imagen resultante, mediante un método de clasificación supervisada (mínima

distancia o máxima similitud) (Lillesand y Kiefer, 1999). La textura de una

imagen es una cuantificación de la variación espacial de los valores tonales de

la vegetación forestal, tanto de manera vertical como horizontal (Franklin,

et_al, 2000). Luis Coronado Chacón.

CAPITULO 4 ANÁLISIS DE RESULTADOS

CONCLUCIONES



Las imágenes satelitales ofrecen dos tipos de información métrica y temática, deben

seleccioarse adecuadamente segú las precisiones requeridas Trabajos con

vocación cartográfica o trabajos de carater eminentemente temático. Escalas mapas

BIBLIOGRAFIA

http://www.cybertesis.edu.pe/sisbib/2006/garcia_ge/xhtml/TH.3.xml

01800 2280 040 $2,350 LINEA BANCOMER


http://www.cybertesis.edu.pe/sisbib/2006/garcia_ge/xhtml/TH.3.xml

EVALUACION DE METODOS DE CLASIFICACIÓN Y COMBINACION DE BANDAS PARA LA IDENTIFICACIÓN DE CULTIVOS

Documents

Transcript of EVALUACION DE METODOS DE CLASIFICACIÓN Y COMBINACION DE BANDAS PARA LA IDENTIFICACIÓN DE CULTIVOS